Learning Long-Term Temporal Dependencies in Photovoltaic Power Output Prediction Through Multi-Horizon Forecasting

작성자

Haebom

카테고리

Empty

저자

Sumit Laha, Ankit Sharma, Hassan Foroosh

💡 개요

본 논문은 태양광 발전량 예측의 핵심 과제인 장기 시계열 의존성 학습을 해결하기 위해 기존의 단일 시점 예측 방식에서 다중 시점 예측 프레임워크로의 전환을 제안합니다. 여러 미래 시점의 값을 공동으로 최적화함으로써 네트워크의 가중치 기울기 및 필터 다양성 측면에서 조기 수렴을 방지하고 잠재적인 시점 간 시계열 의존성을 더 잘 포착할 수 있음을 실험적으로 입증합니다.

🔑 시사점 및 한계

•

아키텍처 독립적인 성능 향상: 제안된 다중 시점 예측 방식은 다양한 딥러닝 아키텍처에 적용 가능하며, 기존 단일 시점 예측 모델 대비 정확도 향상을 가져옵니다.

•

장기 시계열 의존성 학습 강화: 여러 미래 시점을 동시에 예측함으로써 모델이 시간에 따른 복잡한 패턴을 더 효과적으로 학습하도록 돕습니다.

•

계산 효율성 및 확장성: 단일 시점 예측 모델과 비교하여 거의 동일한 계산량으로도 더 나은 성능을 제공하여 실질적인 전력망 안정화에 기여할 수 있는 확장 가능한 솔루션을 제시합니다.

•

한계점: 초록에서 명시적으로 언급된 한계점은 없지만, 실제 적용 시 데이터의 품질, 다양한 환경 조건(구름, 안개 등)에 대한 민감도, 그리고 예측 오류의 누적 효과 등에 대한 추가적인 연구가 필요할 수 있습니다.

PDF 보기

Made with Slashpage