AI 예측 모델을 공학적으로 활용하려면 높은 명목 정확도뿐만 아니라 불확실한 입력 조건 하에서도 예측 가능한 동작이 필요합니다. 태양광 발전(PV) 예측에서 이러한 요구사항은 특히 까다롭습니다. 왜냐하면 수치 기상 예측(NWP) 오차는 시간적으로 상관관계가 있고, 상태 의존적이며, 변수 간에 물리적으로 결합되어 있기 때문입니다. 하지만 기존의 평가들은 종종 완벽한 예측 가정을 하거나 이러한 특성을 반영하지 못하는 단순한 교란에 의존합니다. 본 연구는 시뮬레이션을 기반으로 하는 물리적으로 제약된 강건성 평가 프레임워크를 제시하며, 가상의 PV 전력을 제어 응답 변수로 사용하여 플랜트 수준에서 입력 불확실성의 전파를 혼란 요인으로부터 분리합니다. PatchTST, GRU, N-HITS, LightGBM을 포함한 6가지 대표적인 머신러닝 및 딥 시퀀스 모델들을 명확한 하늘 조건에 의해 이분산성(heteroscedasticity)이 조절되고 복사 에너지 일관성을 유지하는 Erbs 재구축(reconstruction)이 적용된 동적 NWP 교란 하에서 평가합니다. 그 결과, 시퀀스 모델들이 중간에서 높은 수준의 교란 영역에서 강력한 테이블 기반 기준선보다 더 강한 노이즈 필터링과 시간적 복원력을 제공함을 보여줍니다. SHapley Additive exPlanations (SHAP)와 Integrated Gradients (IG)는 또한 사례(case) 수준에서 특징 재할당 경향을 뒷받침하며, 예측 의존성이 손상된 미래 예측에서 보다 안정적인 과거 관측치 및 결정론적 물리 사전 지식으로 이동함을 보여줍니다. 이후 깨끗한 조건에서의 정확도, 강건성, 계산 지연 시간의 파레토 분석은 이러한 발견들을 예측 불확실성 하에서의 강건성 평가 및 모델 선택을 위한 공학적 시사점으로 전환합니다.