태양광 발전량 예측은 전력망 급전과 재생에너지 통합에 중요하지만 날씨 변화와 낮밤 전환, 운전 상태별 동역학, 물리적 출력 제약을 함께 다뤄야 한다. 일반 시계열 모델은 넓은 패턴을 학습할 수 있어도 야간 출력이나 급격한 램프처럼 태양광 고유 조건을 놓칠 수 있다. PARA-PV는 검색, 동결된 시계열 파운데이션 모델, 분포 이동 보정, 물리 제약 손실을 한 흐름에 결합한다.
먼저 다변량 태양광 관측을 패치 단위 표현으로 바꾼다. 물리 인식 검색 학습기는 현재 구간과 시간 모양, 전력 수준, 발전 설비의 운전 상태, 하루 중 시점이 맞는 과거 패치와 유사 궤적을 찾는다. 이를 통해 물리적으로 근거 있는 기본 예측을 만든다. 단순히 값이 가까운 과거를 찾는 것이 아니라 같은 운전 맥락에서 비교할 기억을 고르는 방식이다.
기본 예측은 동결된 Chronos 시계열 파운데이션 모델의 사전지식과 가벼운 잔차 어댑터를 통해 보정된다. 범용 시간 규칙을 활용하되 파운데이션 모델이 태양광 물리 기반 예측을 덮어쓰지 않게 했다. 이후 전력, 날씨, 타임스탬프, 낮밤 조건에 따라 평균과 규모 이동을 선택적으로 조절한다. 손실 함수는 피크, 램핑, 야간, 일반 상태를 나누고 중요도를 적응적으로 바꿔 다수를 차지하는 일반 구간이 운영상 중요한 상태의 학습을 억누르지 않게 한다.
초록은 구조와 공개 코드를 제시하지만 구체적인 비교 성능 수치는 담지 않는다. 따라서 실제 발전소와 기후대에서의 우위는 데이터셋별 결과를 확인해야 한다. 검색된 과거가 현재의 설비 열화나 이례적 기상과 맞지 않으면 잘못된 근거가 될 수도 있다. PARA-PV는 범용 파운데이션 모델을 그대로 미세조정하기보다 물리적 기억을 중심에 두고 범용 사전지식과 분포 보정을 보조 계층으로 배치한 설계 사례다. 운영에서는 예측값과 함께 어떤 과거 궤적이 검색됐고 어느 조건에서 보정이 작동했는지 제시해야 전력 담당자가 급격한 오차를 해석할 수 있다.
원문: arXiv 2607.08079
저작권자 © STORIUM 무단전재 및 재배포 금지
