본 연구는 PatchTST, GRU, N-HITS 및 LightGBM을 포함한 여섯 가지 기계 학습 및 심층 시퀀스 모델이 수치 기상 예보(NWP) 예보 오차 하에서 태양광 발전 전력 예측에 대해 얼마나 강건한지를 평가합니다. 저자들은 입력 불확실성 전파를 분리하기 위해 가상 PV 전력을 사용하는 물리적 제약 조건이 있는 강건성 평가 프레임워크를 제시합니다.
- 시퀀스 모델은 중간부터 높은 교란 영역에서 표形式의 LightGBM 기준선보다 더 강력한 노이즈 필터링 및 시간적 회복력을 보여줍니다.
- 섭동은 이분산성이었으며, 복사 일관성을 보존하기 위해 맑은 하늘 조건과 Erbs 재구성에 의해 조절되었습니다.
- SHAP 및 Integrated Gradients 분석은 모델이 손상된 미래 예보에서 안정적인 과거 관측치 및 결정론적 물리적 사전 지식으로 의존도를 이동시키는 특징 재배분 경향을 드러냅니다.
- 정확도, 강건성 및 계산 지연 시간의 파레토 분석은 예보 불확실성 하에서의 모델 선택에 대한 공학적 시사점을 제공합니다.
이러한 발견은 시간적으로 상관관계가 있고 물리적으로 결합된 NWP 오차에 직면했을 때 성능을 유지하는 모델을 평가하고 선택하기 위한 실용적인 지침으로 이어집니다.