LLM 기반 풍력 발전량 예측 딥러닝 모델

풍력 에너지는 전 세계 전력 수요 충족 및 탈탄소화 목표 달성에 중요하지만, 간헐적이고 비정상적이며 공간적으로 결합된 특성으로 인해 전력 시스템 통합이 어렵습니다. 특히, 초단기(10분) 및 단기(1시간) 풍력 발전량 예측은 실시간 전력 배분, 예비력 할당, 계통 안정성에 필수적이지만, 풍력 터빈 간의 후류 상호작용, 풍향·풍속 변화, 센서 노이즈 등으로 인해 여전히 도전 과제로 남아있습니다. 본 연구에서는 이러한 문제를 해결하기 위해 물리 정보 기반의 방향성 인식 대규모 언어 모델(LLM) 유도 동적 시공간 그래프 딥 네트워크(LLXSTG)를 제안합니다. 이 프레임워크는 물리 정보 기반의 전력 곡선 정제, LLM이 유도하는 동적 그래프 구성, 그리고 시공간 그래프 컨볼루션 네트워크를 통합하여 풍력 발전기의 체제 의존적이고 지향적인 상호작용을 명시적으로 모델링합니다. 기존의 정적 또는 상관관계 기반 그래프와 달리, LLM은 변화하는 풍력 체제에 적응하는 상황 조건부 인접 구조를 추론하며, 스키마 검증 및 대체 메커니즘을 통해 해석 가능성과 재현성을 보장합니다. 대규모 다중 터빈 풍력 발전소의 고해상도 데이터셋을 활용한 광범위한 실험을 통해 제안된 프레임워크의 성능을 검증했습니다. 14개의 기존 딥러닝, 트랜스포머 기반, 하이브리드 앙상블 모델 및 두 가지 최신 LLM 기반 예측 모델과 비교한 결과, LLXSTG는 10분 예측에서 JST-Transformer 대비 평균 절대 오차(MAE)를 66.5%, 제곱 평균 제곱근 오차(RMSE)를 67.9% 감소시켰으며, R-v 지표에서 19.3% 향상된 성능을 보였습니다. 이 연구는 풍력 발전량 예측의 정확도를 크게 향상시켜, 풍력 에너지의 안정적인 계통 통합과 효율적인 운영에 기여할 수 있는 새로운 방법론을 제시합니다.