공간-시간적 상호작용을 고려한 GATConv-LSTM 일사량 예측 모델 (GATConv-LSTM Insolation Prediction Model with Spatio-temporal Interactions)

서지정보

· 발행기관 : 대한전자공학회
· 수록지 정보 : 전자공학회논문지 / 62권 / 3호 / 38 ~ 48페이지
· 저자명 : 장영준, 이석호, 김지홍, 정길도

초록

태양광 발전에 중요한 일사량은 지형, 습도, 온도, 전운량, 풍속, 풍향 등 다양한 외부 환경 요인에 의해 복잡한 비선형적 특성을 보인다. 기존의 시간 기반 예측 모델은 시간적 패턴에만 집중하여 특정 지역에 과적합되는 문제로 인해 다른 지역에서는 성능이 저하되는 한계를 가진다. 본 논문에서는 이러한 문제를 해결하기 위해 GATConv(Graph Attention Convolution)과 LSTM(Long Short-Term Memory)을 결합한 시공간 기반 일사량 예측 모델을 제안한다. GATConv는 기상 관측소 간의 공간적 상호작용을 학습하며, LSTM은 시간적 패턴을 반영하여 일사량 변화를 예측한다. 본 모델은 시간과 공간적 특성을 함께 고려하여 다양한 기상 조건과 지형적 변동에서도 예측 성능의 안정성을 유지하며, 일반화 성능을 향상시켰음을 입증하였다.

영어초록

Solar insolation, which is critical for solar power generation, is complex and non-linear, driven by a variety of external environmental factors, including terrain, humidity, temperature, precipitation, wind speed, and wind direction. Existing time-based forecasting models focus only on temporal patterns and suffer from overfitting in certain regions, resulting in poor performance in other regions. In this paper, we propose a spatio-temporal based insolation forecasting model that combines Graph Attention Convolution (GATConv) and Long Short-Term Memory (LSTM) to address these issues. GATConv learns the spatial interactions between weather stations, and LSTM predicts insolation changes by reflecting temporal patterns. By considering both temporal and spatial characteristics, the model maintains the stability of prediction performance under various weather conditions and topographical variations, and demonstrates improved generalization performance.

참고자료

· 없음