다중시간대 일사량 단기예보를 위한 딥러닝: 전천구 이미지 활용 세 방법 비교

본 논문은 전천구(All‑Sky Imager, ASI) 이미지가 제공하는 풍부한 기상 정보를 딥러닝 기반 일사량(nowcasting) 모델에 어떻게 효과적으로 통합할 수 있는지를 세 가지 방법으로 비교·평가한다. 연구 배경으로는 태양광 발전량 변동성을 최소화하고 전력망 운영 효율성을 높이기 위해 0~30분 수준의 초단기 일사량 예측이 필수적이라는 점을 들며, 기존의 NWP·위성 기반 장기 예보와 달리 ASI는 고주파·고해상도 시각 정보를 제공한다는 장점을 강조한다. 그러나 현재까지는 “어떤 이미지 특성이 모델 성능에 가장 크게 기여하는가”에 대한 체계적인 분석이 부족했다는 점을 지적한다. 데이터는 노르웨이 Kjeller에 설치된 두 대의 ASI(1.12 km 간격)와 ISO9060 Class A pyranometer를 이용해 2022‑2024년 2년간 수집된 10 초 간격의 GHI와 1920×1920 해상도의 RGB 이미지를 사용한다. 실험에선 29일(≈2 개월) 동안의 데이터를 학습에, 7일을 테스트에 활용했으며, 이미지 전처리 단계에서 (1) 태양 위치 기반 회전 정렬, (2) Lanczos 리샘플링을 통한 100×100 다운샘플링, (3) fisheye 왜곡 보정, (4) 구름 분할, (5) 구름 이동 벡터(CMV) 추정, (6) 스테레오 기반 구름 기반 높이(CBH) 추정 등을 수행했다. 구름 분할은 이미지 히스토그램의 멀티모달 여부에 따라 K‑means 클러스터링 또는 Blue/Red 비율 임계값을 적용했으며, CMV는 Farnebäck 옵티컬 플로우를 이용해 픽셀 단위 벡터를 얻었다. 세 가지 모델 설계는 다음과 같다. - **Method A**: 원시 RGB 이미지를 2‑layer CNN으로 압축한 후, 과거 GHI와 결합해 2‑layer LSTM에 입력하고, 최종 DNN(선형)으로 다중시간대 GHI를 회귀한다. - **Method B**: 위에서 만든 2D 특성맵(구름 분할, CMV, 태양 위치, CBH 등)을 동일한 CNN‑LSTM 파이프라인에 투입한다. 즉, 공간 해상도는 유지하되 물리적 의미가 부여된 채널을 추가한다. - **Method C**: 특성맵을 픽셀 차원에서 평균·집계해 전역적인 시계열 변수(예: 전체 구름 커버, 평균 이동 속도, 평균 CBH 등)로 변환하고, 이를 직접 2‑layer LSTM에 입력한다. 모델 학습은 TensorFlow 2.16.1·Keras 3.3.3 기반으로 수행했으며, 손실 함수는 MSE, 평가 지표는 RMSE와 Skill Score(기준 모델 대비 성능 향상 비율)이다. 결과는 다음과 같다. Method C가 가장 낮은 RMSE(≈0.12 kW·m⁻²)와 가장 높은 Skill Score(≈15 %)를 기록했으며, Method B는 중간 수준, Method A는 가장 높은 오류를 보였다. 특히, 원시 이미지만을 사용한 Method A는 복잡한 기상 현상을 학습하기에 충분한 데이터와 모델 용량이 부족했음을 시사한다. 반면, 물리 기반 특성맵을 요약해 시계열 입력으로 만든 Method C는 “공간 정보를 압축하면서도 핵심 물리 정보를 보존”하는 효율적인 접근법임을 입증한다. 논문은 또한 고위도(≈60°) 지역에서의 실험 결과를 제시함으로써, 기존 저위도·중위도 중심 연구와 차별화된 기후 조건에서도 제안된 방법이 유효함을 보여준다. 한계점으로는 CBH 추정이 한 카메라에만 적용된 점, 일부 구름 이동 벡터가 인공물(예: 증기 배출)로 인해 잡음이 발생한 점, 그리고 29일이라는 비교적 짧은 학습 기간이 모델 일반화에 미치는 영향 등을 언급한다. 결론적으로, 전천구 이미지를 딥러닝 기반 일사량 단기예보에 활용할 때, 복잡한 CNN‑LSTM 구조보다 물리·기상 지식을 사전에 추출·요약한 특성들을 LSTM에 직접 투입하는 방식이 계산 효율성·예측 정확도·모델 해석 가능성 측면에서 가장 유리함을 확인했다. 이는 향후 전천구 기반 에너지 관리 시스템 설계 시, 특성 엔지니어링과 시계열 모델링에 집중하는 전략적 방향을 제시한다.