시간 가중 분위수 손실을 통한 풍속 예측 오차 완화

정확한 단기 풍속 예측은 풍력 발전 시스템 통합에 필수적이지만, 딥러닝 모델은 풍속의 우측 편향된 와이블 분포 특성으로 인해 고풍속 샘플 부족 현상을 겪으며 체계적인 과소 예측 경향을 보인다. 이는 데이터 불균형에서 기인하는 분포 편향 문제로, 예측 모델의 신뢰성을 저해한다. 본 연구에서는 이러한 문제를 해결하기 위해 분위수 손실(quantile loss)을 활용한 경량화된 학습 전략을 제안한다. 이 방법은 비대칭 페널티를 부과하여 모델이 분포의 꼬리 부분을 더 효과적으로 학습하도록 유도한다. Conv3D, SimVP, MFWPN 등 세 가지 대표적인 시공간 모델에 제안하는 전략을 적용하여 성능을 평가했다. 실험 결과, 제안된 방법은 체계적인 음의 편향을 효과적으로 완화할 뿐만 아니라, 극단적인 풍속 이벤트 감지 능력을 크게 향상시키는 것으로 나타났다. 특히, 모델의 탐지 확률(POD)과 임계 성공 지수(CSI) 점수가 개선되어 고영향 풍속 예측에 있어 분위수 손실이 강력하고 일반화 가능한 해결책임을 입증했다. 이 연구는 풍력 발전의 안정적인 운영과 전력망 통합에 기여할 수 있는 신뢰성 높은 풍속 예측 모델 개발의 기반을 제공하며, 기상 예측 및 재해 예방 분야에도 폭넓게 응용될 수 있을 것으로 기대된다.