Deep Learning Prediction Model of Surface Solar Radiation and Photovoltaic Power Using Stepwise Overlapped Grouping of Extraterrestrial Radiation

Hwangkyu Choi

doi:10.7836/kses.2026.46.1.065

Preview

Research Article

Journal of the Korean Solar Energy Society. 28 February 2026. 65-76
https://doi.org/10.7836/kses.2026.46.1.065

Deep Learning Prediction Model of Surface Solar Radiation and Photovoltaic Power Using Stepwise Overlapped Grouping of Extraterrestrial Radiation

대기권 밖 일사량의 구간별 중복 그룹핑 기법을 적용한 딥러닝 기반 지표면 일사량 및 태양광 발전량 예측 모델

Hwangkyu Choi¹^*

최 황규¹^*

¹Professor, Department of Computer Engineering & Science, College of IT, Kangwon National University

¹강원대학교 IT대학 컴퓨터공학과, 교수

^{*Corresponding Author}

License (open-access, http://creativecommons.org/licenses/by-nc/4.0/):

This is an Open-Access article distributed under the terms of the Creative Commons Attribution NonCommercial License which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

ABSTRACT

As the proportion of renewable energy sources has increased, the demand for accurate photovoltaic (PV) power forecasting to mitigate its inherent intermittency has intensified. Although solar radiation is the most critical factor influencing the PV output, the lack of direct irradiance forecasts in standard meteorological systems causes significant prediction uncertainties. This study proposes a two-stage deep learning forecasting model that incorporates extraterrestrial radiation (ESR), a theoretically calculable parameter, using stepwise overlapped grouping. The proposed method categorizes data into intervals based on the ESR intensity, while overlapping the data between adjacent groups. This approach ensures temporal continuity and enhances the adaptability of the model to abrupt weather changes at interval boundaries. Investigations using meteorological and PV power data from Jeju Island demonstrate that the proposed model improves the mean absolute error for solar radiation forecasting by approximately 12.4% when compared to conventional time-based grouping models. Furthermore, the model exhibits high precision in tracking the patterns of actual PV power generation.

Keywords

Deep Learning

Photovoltaic Power Prediction

Solar Radiation Prediction

Extraterrestrial Radiation

Overlapped Grouping

키워드

딥러닝

태양광 전력량 예측

일사량 예측

대기권 밖 일사량

중복 그룹핑

MAIN

1. 서 론
2. 관련 연구
2.1 딥러닝 기반의 일사량 및 발전량 예측
2.2 대기권 밖 일사량 활용 연구
2.3 데이터 전처리 및 그룹핑 기법
3. 구간별 중복 그룹핑 일사량 예측 모델
3.1 기상 정보 데이터
3.2 지표면 일사량 및 태양광 전력량 예측 모델
4. 실험 및 결과 분석
4.1 기상정보 데이터 구성 및 전처리
4.2 성능 분석 실험 환경
4.3 일사량 예측 성능 비교 및 검증
4.4 태양광 전력량 예측 성능 분석
5. 결 론

1. 서 론

최근 탄소 중립 달성을 위한 재생에너지 확대 정책이 가속화됨에 따라 태양광 발전의 비중이 전 세계적으로 급격히 증가하고 있다. 하지만 태양광 에너지는 기상 조건에 따른 변동성과 간헐성이 매우 크다는 특성이 있다. 이러한 불확실성은 전력 계통의 안정적인 운영을 저해하는 요소가 되며, 이를 해결하기 위해 고도로 정확한 태양광 발전량 예측 기술의 확보가 필수적으로 요구되고 있다. 이에 부응하여 최근 학계에서는 복잡한 비선형 시계열 데이터를 효과적으로 학습할 수 있는 딥러닝 기반의 LSTM^1,2,3)이나 하이브리드 기법^4,5) 등이 주요 연구 분야로 자리 잡고 있다.

태양광 발전량 예측 모델의 신뢰도를 결정짓는 가장 지배적인 변수는 기상 요인 중 일사량(solar radiation)이다. 태양광 패널의 출력은 지표면에 입사되는 에너지양에 직접적으로 의존하기 때문에 정확한 일사량 예측은 발전량 예측의 성패를 좌우하는 핵심 선행 과제라 할 수 있다. 그러나 실제 예측 환경에서는 미래 시점의 일사량 예보 데이터가 국가 표준 기상예보 시스템에서 직접 제공되지 않는다는 한계가 있다. 현재의 기상예보는 기온, 습도, 운량 등에 국한되어 있어 발전 사업자들은 간접적인 변수를 통해 일사량을 추정해야만 하는 상황이다. 일사량 정보의 부재는 예측의 불확실성을 증가시키는 주요 원인이 되며, 이를 해결하기 위한 일사량 예측 연구가 활발히 진행되고 있다. 이러한 연구에는 기본적인 기상정보에 다양한 딥러닝 기법을 적용^6,7)하거나 이를 유사한 시간 또는 날씨 범위로 그룹화하여 예측 효율을 높이는 기법^8,9,10)들이 있다.

대기권 밖 일사량은 태양 에너지가 지구 대기에 진입하기 전의 순수한 상태를 의미하며 대기 중 흡수나 산란의 영향을 받지 않는다. 따라서 위도와 날짜, 시간 정보만으로도 매우 정밀하게 산출할 수 있다는 장점이 있다. 특히 무작위성이 강한 지상 기상 데이터와 달리 규칙적인 주기성을 띠고 있어, 이를 학습에 활용할 때 예측 모델이 시간적 맥락을 훨씬 빠르게 파악하고 고도화된 특징을 학습하는 데 기여할 수 있다. 본 논문에서는 지표면 일사량 예측의 정확도를 제고하기 위해 천문학적 계산을 통해 산출이 가능한 대기권 밖 일사량(extraterrestrial radiation, ESR)을 핵심 변수로 도입한 딥러닝 모델을 제안한다.

제안된 대기권 밖 일사량의 구간별 중복 그룹핑 기법을 적용한 일사량 예측 모델(Stepwise Overlapped Grouping of Extraterrestrial Radiation Model)은 기온, 강수량, 습도, 풍속, 운량 등 다변량 기상 데이터와 함께, 계산을 통해 산출된 대기권 밖 일사량을 입력 피처(feature)로 통합하여 사용한다. 이때 모델의 학습 효율을 극대화하기 위해 시간대별 대기권 밖 일사량을 값의 크기에 따라 구간별로 그룹화(grouping)하고, 각 구간에 인덱스를 부여하는 방식을 채택하였다. 특히 각 그룹 구성 시 인접한 그룹의 데이터를 일정 부분 중복(overlapping)하여 포함함으로써 데이터 간의 연속성을 확보하고 경계 지점에서의 급격한 변화에 유연하게 대응하도록 설계하였다. 이렇게 도출된 지표면 일사량 예측값은 최종 태양광 발전량 예측 모델과 유기적으로 연계하여 그 성능을 검증하였다. 과거 실측 데이터와 기상정보를 활용한 학습 및 테스트 결과, 제안된 모델이 기존의 기상 변수 기반 예측 모델 대비 성능이 우수함을 입증하였다.

본 논문의 구성은 다음과 같다. 제2장에서는 딥러닝 기반의 일사량 예측 모델 및 기상 변수와 일사량 간의 상관관계에 관한 기존의 선행 연구 결과들을 고찰한다. 제3장에서는 본 연구에서 제안하는 대기권 밖 일사량 산출 공식과 이를 활용한 구간별 중복 그룹핑 메커니즘, 그리고 전체적인 딥러닝 모델의 구조를 상세히 기술한다. 제4장에서는 실제 기상 데이터와 태양광 발전량 데이터를 활용한 실험 환경 및 성능평가 지표를 제시하고, 기존 알고리즘과의 비교 분석을 통해 제안 모델의 유효성을 검증한다. 마지막으로 제5장에서는 본 연구의 결론을 맺고 향후 연구 방향에 대하여 논의한다.

2. 관련 연구

2.1 딥러닝 기반의 일사량 및 발전량 예측

태양광 발전량의 변동성을 관리하기 위한 일사량 예측 모델은 과거 통계적 모델에서 최근 시계열 학습에 최적화된 딥러닝 기반 모델로 패러다임이 변화하고 있다. 특히 LSTM (Long Short-Term Memory) 네트워크는 데이터의 장기 의존성을 파악하는 데 탁월한 성능을 보이며 주류 모델로 활용되었다^1,2). 최근의 연구들은 단순한 단일 모델을 넘어 CNN (Convolutional Neural Network)을 결합하여 기상 변수 간의 특징을 추출하고 학습하는 하이브리드 구조로 진화하고 있다⁵⁾. 하지만 이러한 연구들은 주로 지상 관측 데이터의 변동성에 의존하기 때문에 기상예보 정보가 부재한 상황에서의 불확실성을 완전히 해소하지 못하고 있다.

2.2 대기권 밖 일사량 활용 연구

지상 일사량 예보 데이터의 공백을 메우기 위해 이론적 계산이 가능한 대기권 밖 일사량을 입력 변수로 활용하는 연구들이 진행되었다. Yoon et al. (2021)³⁾은 LSTM 기반 모델에서 대기권 밖 일사량과 대기 청명도를 생성 변수로 적용하여 모델의 시간적 맥락 파악 능력이 향상됨을 입증하였다. 또한 Kim et al. (2019)⁶⁾의 연구에서는 지상 기상 데이터와 대기권 밖 일사량을 결합하여 지표면 일사량의 이론적 상한선을 제시함으로써 예측 오차를 줄이는 성과를 거두었다. 국외에서도 Solar Geometry Parameters를 활용하여 딥러닝 모델의 입력 피처를 강화하는 시도가 활발히 이루어지고 있으며, 이는 이론적 수치가 예측 모델의 강력한 가이드라인 역할을 할 수 있음을 시사한다⁴⁾.

2.3 데이터 전처리 및 그룹핑 기법

학습 데이터의 구조적 처리에 관한 연구에서는 데이터를 특정 구간(interval)으로 나누어 처리하는 방식이 모델의 일반화 성능을 높인다는 결과가 보고되고 있다. Cho et al. (2021)⁷⁾는 기상 데이터를 분할하고 특징을 추출하는 방식이 급격한 기상 변화 대응에 유효함을 보였다. Yang et al. (2017)^8,10)은 날짜와 시간을 기준으로 예측하는 시점의 태양 고도와 운량을 기준으로 전체 데이터를 동적으로 나눈 후 일사량을 예측하는데 Dynamic Piecewise 일사량 예측 모델을 제안하였다. 그러나 이 예측 모델은 일사량 예측 시마다 해당 학습 데이터를 생성하여 학습을 시켜야 하는 번거로움이 있다. Kim et al. (2022)⁹⁾는 태양 고도가 유사한 일정 범위의 날짜와 시간대의 기상 데이터를 그룹으로 딥러닝 학습 데이터에 중복시켜 일사량 예측 효과를 증대시켰다.

지금까지 연구 결과에서 시계열 데이터 처리 시 발생하는 경계 지점의 정보 손실을 최소화하기 위해 데이터의 중복을 허용하는 방식이 주목받고 있다. 제안된 기법은 모델의 학습 효율을 극대화하기 위해 시간대별 대기권 밖 일사량을 크기에 따라 구간별로 그룹화하고, 인접한 그룹의 데이터를 일정 부분 중복하여 포함함으로써 데이터 간의 연속성을 확보하여 경계 지점에서의 급격한 변화에 유연하게 대응하도록 설계하였다. 따라서 기존 연구들이 대기권 밖 일사량을 단순 수치로 입력한 것과 다르게, 본 논문은 그룹화와 데이터의 중복을 통하여 지표면 일사량의 물리적 변화 패턴을 모델이 더 유연하게 학습하도록 유도한다는 점에서 기존 연구와 차별화된다.

3. 구간별 중복 그룹핑 일사량 예측 모델

3.1 기상 정보 데이터

(1) 대기권 밖 일사량

대기권 밖 일사량이란 지구 대기권에 진입하기 전 대기에 의한 반사, 흡수, 산란의 영향을 받지 않은 순수한 태양 에너지 밀도를 의미한다. 이는 지구의 에너지 수지를 이해하고 신재생 에너지 시스템의 잠재량을 평가하는 데 있어 기초가 되는 핵심 지표이다.

대기권 밖의 순간 일사량( $I_{o n}$ )은 태양 상수( $I_{s c}$ )와 지구의 타원 궤도로 인한 거리 보정 계수를 곱하여 다음과 같이 산출한다.

(1)

I_{o n} = I_{s c} \times (1 + 0.033 \cos \frac{365 n}{365})

∙ $I_{s c}$ (태양 상수): 지구-태양 평균 거리에서 측정된 에너지로서 일반적으로 1,367 W/m²가 사용된다.

∙n (day of the year): 1월 1일을 1로 시작하는 연중 일수이다.

∙보정 계수: 지구가 근일점(1월 초)일 때 일사량이 가장 높고, 원일점(7월 초)일 때 가장 낮아지는 변화를 반영한다.

이에 따라 특정 위도와 시간대에서 수평면에 도달하는 일사량은 태양의 천정각( $θ_{z}$ )을 고려하여 다음과 같이 계산한다. 여기에서 $\cos θ_{z}$ 는 위도( $ϕ$ ), 적위( $δ$ ), 시간각( $ω$ )의 함수로 정의된다.

(2)

I_{o} = I_{o n} \times \cos θ_{z}

(3)

\cos θ_{z} = \sin ϕ \sin δ + \cos ϕ \cos δ \cos ω

(2) 기상정보 및 태양광 발전량 데이터

본 연구에서는 딥러닝 모델의 학습 및 검증을 위해 공공데이터포털에서 제공하는 한국동서발전(주)의 제주 지역 태양광 발전량 예측 학습용 데이터셋을 활용하였다. 해당 데이터셋은 2019년 1월부터 2024년 12월까지 제주 지역에서 관측된 시간별 기상정보와 실제 태양광 발전량 기록을 포함하고 있다¹²⁾.

해당 데이터셋은 제주 지역의 기상 관측 정보와 태양광 설비 사양을 결합하여 발전량을 예측할 수 있도록 구성되어 있다. 주요 입력 변수로는 시계열 정보(일자 및 시각)를 비롯하여 기상 요인(기온, 강수량, 습도, 적설, 풍속, 전운량, 일조)과 일사량 특성(대기권 밖 일사량, 지표면 일사량) 등이 포함된다. 여기에서 대기권 밖 일사량은 위 식(1), (2), (3)을 적용하여 해당 날짜와 시각, 제주 지역 위치에 따라 계산된 값이며, 나머지 기상 요인과 태양광 전력량은 실제로 측정된 값이다.

태양광 발전량 합계는 개별 발전소의 설비 용량에 따라 결정되는 종속적인 수치이므로 모델의 범용적인 학습을 위해 전체 발전량을 태양광 설비 용량으로 나눈 단위 설비 용량당 발전량으로 다음과 같이 정규화하여 종속 변수로 사용하였다.

(4)

P_{u n i t} = \frac{태 양광 발전량 합 계 (k W h)}{태 양광 설비 용량 (k W)}

본 논문에서는 2019년부터 2023년까지 5년간의 데이터를 학습 데이터로, 2024년 데이터를 테스트 데이터로 선정하여 연구를 수행하였다. 또한 기상정보 데이터에서 일사량이 0에 가까운 밤 시간은 제외하고 낮 시간(9시 ~ 17시) 데이터만을 추출하여 사용하였다.

(3) 구간별 중복 그룹핑

단순한 시계열 시퀀스 입력의 한계를 극복하기 위해 본 논문에서는 대기권 밖 일사량의 강도와 시간적 인접성을 고려한 그룹핑 메커니즘을 제안하였다. 제안된 구간별 중복 그룹핑은 기온, 강수량, 습도, 풍속, 운량 등 다변량 기상 데이터와 함께 산출된 대기권 밖 일사량을 입력 피처로 통합하여 사용한다. Fig. 1에 나타낸 바와 같이 기상 데이터는 모델의 학습 효율을 극대화하기 위해 시간대별 대기권 밖 일사량을 크기에 따라 구간별로 그룹화하고 각 구간에 인덱스를 부여하는 방식을 채택하였다. 특히 각 그룹 구성 시 인접한 그룹의 데이터를 일정 부분 중복하여 포함함으로써 데이터 간의 연속성을 확보하고 경계 지점에서의 급격한 변화에 유연하게 대응하도록 설계하였다.

https://cdn.apub.kr/journalsite/sites/kses/2026-046-01/N0600460106/images/Figure_KSES_46_01_06_F1.jpg

Fig. 1

Stepwise overlapped grouping of extraterrestrial radiation

대기권 밖 일사량 $I_{o}$ 는 0.0 ~ 1.0 사이의 크기로 정규화하고 그 크기에 따라 $N$ 개 구간으로 분할된다. 이는 일출, 정오, 일몰 등 태양의 고도에 따른 에너지 수준을 모델이 명시적으로 구분하게 하기 위함이다. 각 구간에는 고유의 구간 번호(cluster index)를 부여하여 범주형 데이터(categorical data)로서 입력층에 추가한다.

단순 구간 분할 시 발생하는 경계 지점의 데이터 불연속성 문제를 해결하기 위해 다음과 같이 중복 기법을 적용한다.

∙슬라이딩 윈도우 크기( $W$ ): 각 그룹이 포함하는 시간 단위의 길이

∙중복 간격( $O$ ): 인접 그룹과 공유하는 데이터의 길이

예를 들어, $W = 6, O = 2$ 로 설정할 경우, 첫 번째 그룹이 $t_{1} ~ t_{6}$ 의 데이터를 포함한다면 두 번째 그룹은 $t_{5} ~ t_{10}$ 의 데이터를 포함하게 된다. 이러한 중복 배치는 모델이 이전 시간대의 대기 상태 유동성을 다음 시간대 예측에서 자연스럽게 전이(transfer) 학습할 수 있도록 돕는다.

슬라이딩 윈도우 크기 $W$ 와 중복 간격 $O$ 값을 적용하면 특정 그룹 $G_{i}$ 는 다음과 같이 정의된다.

(5)

G_{i} = x_{t} | t_{s t a r t} \leq t \leq t_{s t a r t} + W

이때 다음 그룹 $G_{i + 1}$ 과의 관계는 $t_{s t a r t (i + 1)} = t_{s t a r t (i)} + (W - O)$ 가 되어, $O$ 만큼의 데이터가 중복되어 학습에 참여하게 된다.

3.2 지표면 일사량 및 태양광 전력량 예측 모델

본 논문에서는 대기권 밖 일사량의 구간별 중복 그룹핑 기법을 적용한 딥러닝 기반 지표면 일사량 및 태양광 발전량 예측 모델을 제안한다. 제안된 예측 모델은 Fig. 2와 같이 전체적으로 2단계로 구성된다. 1단계에서는 태양광 발전량 예측에서 가장 중요한 요소인 일사량을 기상예보 데이터로부터 예측하고, 2단계에서는 이를 사용하여 태양광 발전량을 예측한다.

(1) 일사량 예측

1단계 일사량 예측 모델은 기온, 강수량, 습도, 풍속, 운량 등 과거 실측된 기상 데이터와 함께 산출된 대기권 밖 일사량과 이를 크기에 따라 구간별로 부여한 클러스터 인덱스를 입력 피처로 통합하여 사용한다. Fig. 2에 나타낸 바와 같이 제안 모델의 입력 피처는 다음과 같이 다차원적으로 구성된다.

∙천문 피처: 산출된 대기권 밖 일사량 및 이에 기반한 클러스터 인덱스

∙기상 피처: 기온, 강수량, 습도, 강설량, 풍속, 전운량, 일조 등 7종 이상의 기상 실측 데이터

∙타겟 변수: 지표면 실측 일사량

이러한 입력 변수들은 정규화 과정을 거쳐 딥러닝 시스템의 입력층으로 전달되어 모델의 학습 가중치 최적화에 사용된다. 학습이 완료된 후 일사량 예측 과정에서는 예보된 기상 데이터를 입력 피처로 하여 실제 일사량을 예측한다.

https://cdn.apub.kr/journalsite/sites/kses/2026-046-01/N0600460106/images/Figure_KSES_46_01_06_F2.jpg

Fig. 2

Prediction model of solar radiation and photovoltaic power

(2) 태양광 전력량 예측

2단계 전력량 예측 모델은 앞선 단계의 피처 구성을 유지하면서, 실측된 과거 지표면 일사량 데이터를 추가적인 입력 피처로 통합하여 학습 효율을 높인다.

∙학습 단계: 1단계의 천문·기상 피처와 과거 실측 일사량을 입력으로 하며, 단위 설비 용량당 발전량을 타겟 변수로 설정하여 학습을 진행한다. 이는 설비 규모에 상관없이 범용적인 예측 성능을 확보하기 위함이다.

∙예측 단계: 실제 전력량 예측 시에는 예보된 기상 데이터와 1단계 모델에서 출력된 예측 일사량을 최종 입력값으로 사용한다. 모델을 통해 도출된 단위 용량당 예측 전력량에 해당 발전소의 설비 용량을 곱함으로써 최종적인 태양광 전력 생산량을 산출한다.

4. 실험 및 결과 분석

제안된 모델을 사용한 태양광 발전량 예측을 위하여 먼저 태양광 발전량 및 기상 데이터 확보하여 전처리하고, 딥러닝 학습과 테스트 과정을 통해 결과를 확인하였다.

4.1 기상정보 데이터 구성 및 전처리

본 논문에서 제안한 모델의 성능을 검증하기 위해 한국동서발전(주)에서 제공하는 제주 지역의 태양광 발전량 예측 학습용 데이터셋을 활용하였다.

(1) 데이터셋 구성

전체 데이터 중 2019년부터 2023년까지 5개년의 관측치인 16,435개 샘플을 모델 학습(training)에 사용하였으며, 2024년 1년간의 데이터 3,159개를 독립적인 테스트(test) 세트로 구성하여 모델의 일반화 성능을 평가하였다.

(2) 그룹핑 파라미터 설정

제안된 모델의 유효성을 분석하기 위해, 학습용 데이터는 중복이 없는 클러스터 그룹핑 데이터셋과 중복을 포함한 데이터셋으로 구분하여 구축하였다. 이때 적용된 세부 파라미터는 다음과 같다.

∙구간 분할 수( $N$ ): 대기권 밖 일사량( $I_{o}$ )의 강도를 세분화하기 위해 $N = 10$ 으로 설정하였다.

∙윈도우 크기( $W$ ): 시계열 맥락을 유지하기 위한 슬라이딩 윈도우 크기는 $W = 3$ 으로 설정하였다.

∙중복 간격( $O$ ): 인접 그룹 간의 연속성을 확보하기 위한 중복 간격은 $O = 1$ 로 설정하여 데이터 간의 연결성을 강화하였다.

∙정규화: 다변량 기상 데이터 간의 단위 차이로 인한 학습 왜곡을 방지하기 위해 모든 입력 피처에 대해 Min-Max 정규화를 수행하여 [0,1]범위로 스케일링하였다.

4.2 성능 분석 실험 환경

본 논문에서 제안한 일사량 및 태양광 발전량 예측 모델은 Tensorflow¹¹⁾ 라이브러리를 기반으로 한 DNN 구조로 설계되었다. 모델 학습 및 최적화를 위한 주요 하이퍼파라미터 설정은 Table 1과 같다.

Table 1

Hyperparameters for DNN-based prediction models

	Number of hidden layers	Number of inputs	Number of outputs	Learning rate
Solar Radiation Prediction	3	9	1	0.0001
Photovoltaic Power Prediction	3	10	1	0.0001

제안된 모델의 성능을 검증하기 위해 그룹핑 기준과 중복 기법 적용 여부에 따라 다음과 같이 4가지 실험 대상을 설정하였다.

∙Model 1: 날짜와 시간을 기준으로 데이터를 분할하는 Dynamic Piecewise 모델¹⁰⁾

∙Model 2: 날짜와 시간을 기준으로 구간별 중복을 허용하는 Piecewise Overlapped-Grouping 모델⁹⁾

∙Model 3: 중복 없이 ESR의 크기별 구간 그룹핑만을 적용한 모델

∙Model 4 (Proposed): 본 논문이 제안한 ESR 기반의 구간별 중복 그룹핑 모델( $N = 10$ , $W = 3$ , $O = 1$ )

4.3 일사량 예측 성능 비교 및 검증

각 실험 모델의 일사량 예측 성능을 정량적으로 검증하기 위해 MAE, MSE, RMSE를 평가 지표로 활용하였으며, 도출된 결과는 Table 2와 같다. 이때 실제 일사량 값의 실측 범위는 0에서 3.7300MJ/m² 사이로 분포한다. 실험 결과 분석을 통해 도출된 주요 결과는 다음과 같다.

∙ESR 기반 그룹핑의 우수성: Model 1, 2 (시간 기준)와 Model 3, 4 (ESR 기준)를 비교했을 때 대기권 밖 일사량을 기준으로 구간을 산정하는 방식이 예측 오차를 줄이는 데 훨씬 효율적임을 확인하였다. 이는 단순 시간 정보보다 ESR이 지표면 일사량의 잠재적 강도를 더 명확히 대변하기 때문으로 판단된다.

∙제안 모델의 시너지 효과: 단순히 구간을 나누는 것보다(Model 3) 인접 구간 간의 데이터를 중복하여 배치한 Model 4 (제안 모델)에서 MAE, MSE, RMSE가 모두 유의미하게 감소하였다. 이는 중복 그룹핑이 데이터 간의 연속성을 확보하고 경계 구간에서의 예측 안정성을 높이는 데 결정적인 역할을 했음을 입증한다.

∙최종 성능 확인: 제안된 모델은 모든 지표에서 가장 낮은 오차율을 기록하며 최적의 성능을 보였다. 특히 큰 오차를 제어하는 능력인 MSE와 RMSE 지표에서의 개선은 향후 태양광 발전량 예측의 신뢰도를 높이는 데 기여할 것으로 기대된다.

Table 2

Performance comparison of grouping strategies

	MAE	MSE	RMSE
Model 1	0.2369	0.1021	0.3195
Model 2	0.3247	0.1885	0.4342
Model 3	0.2299	0.0890	0.2984
Model 4 (proposed)	0.2075	0.0870	0.2950

Fig. 3은 제안된 모델의 예측 성능을 검증하기 위해 2024년 테스트 데이터셋을 대상으로 도출한 일사량 예측 결과이다. Fig. 3(a)는 1년간의 전체 일사량 예측 추이와 실제 관측값을 비교한 것으로, 연간 평균 MAE 0.2075의 우수한 예측 정확도를 확인하였다. 또한 모델의 설명력을 나타내는 R2 score는 0.9402로 산출되어 높은 신뢰성을 입증하였다. Fig. 3(b)는 모델의 세부 대응력을 확인하기 위해 2024년 1월 한 달간의 데이터를 샘플링하여 시각화한 것이다. 이를 통해 제안 모델이 겨울철 기상 변동 상황에서도 실제 일사량의 변화 패턴을 매우 정교하게 추종하고 있음을 알 수 있다.

https://cdn.apub.kr/journalsite/sites/kses/2026-046-01/N0600460106/images/Figure_KSES_46_01_06_F3.jpg

Fig. 3

The solar radiation predicting results of the proposed model

4.4 태양광 전력량 예측 성능 분석

본 논문에서 제안한 지표면 일사량 예측 모델의 결과는 최종적으로 태양광 발전량 예측 모델의 핵심 입력 피처로 활용된다. Table 3은 실제 관측된 일사량 데이터를 입력했을 때와 본 모델을 통해 예측된 일사량 데이터를 입력했을 때의 발전량 예측 성능을 비교하여 보여준다. 이때 본 실험에 사용된 태양광 발전량의 실측 범위는 0에서 896.747 kWh 사이로 분포한다.

Table 3

Prediction results of photovoltaic power based on solar radiations

	MAE	MSE	RMSE
Observed solar radiation	71.809	8,295.785	91.081
Predicated solar radiation	74.989	8,938.398	94.543

Fig. 4는 1단계에서 예측된 일사량 데이터를 기반으로 산출된 단위 설비 용량당 태양광 전력량 예측 결과를 나타낸다.

∙전체 예측 추이 분석: Fig. 4(a)는 2024년 테스트 데이터셋을 대상으로 1년간의 전체 태양광 전력량 예측치와 실제 관측된 단위 설비 용량당 전력량을 비교한 것이다. 실험 결과에서 연간 평균 MAE 74.989와 RMSE 94.543을 기록하며 매우 정밀한 예측 성능을 입증하였다. 이는 앞선 단계에서 수행된 대기권 밖 일사량 기반의 그룹핑 기법이 지상 일사량 예측을 넘어 최종 발전량 산출에도 유효한 물리적 가이드 역할을 하고 있음을 시사한다.

∙단기 대응력 검증: 모델의 세부적인 추종 성능을 확인하기 위해 2024년 1월 한 달간의 데이터를 샘플링하여 시각화한 결과가 Fig. 4(b)이다. 이를 통해 제안 모델이 일조 시간이 짧고 기상 변동성이 큰 겨울철 환경에서도 실제 전력 생산 패턴을 매우 정교하게 추종하고 있음을 확인할 수 있다.

https://cdn.apub.kr/journalsite/sites/kses/2026-046-01/N0600460106/images/Figure_KSES_46_01_06_F4.jpg

Fig. 4

The photovoltaic power predicting results of the proposed model

5. 결 론

본 논문에서는 태양광 발전량 예측의 핵심 변수인 지표면 일사량 예보 데이터의 부재 문제를 해결하기 위해, 이론적으로 정밀하게 산출이 가능한 대기권 밖 일사량을 활용한 새로운 2단계 딥러닝 예측 모델을 제안하였다. 본 논문의 핵심인 구간별 중복 그룹핑 기법은 대기권 밖 일사량을 보조 변수로 사용하는 수준을 넘어, 이를 일사 강도에 따라 구간별로 그룹화하고 인접 구간의 데이터를 중복하여 배치함으로써 시계열 데이터 분할 시 발생하는 경계 지점의 정보 단절 문제를 완화하고 모델의 학습 효율을 극대화하였다.

제주 지역의 실측 데이터를 활용한 성능 검증 결과, 제안된 모델은 기존의 시간 기준 그룹핑 방식 대비 MAE 지표에서 약 12.4%, RMSE 지표에서 약 7.7%의 유의미한 오차 감소를 기록하며 그 유효성을 입증하였다. 특히 기상 변수의 무작위성이 강한 흐린 날씨나 에너지 변화가 급격한 일출 및 일몰 시간대에서도 ESR의 주기적 특성을 바탕으로 매우 안정적인 예측 성능을 유지함을 확인하였으며, 이를 최종 발전량 모델의 입력 피처로 연계한 결과 연간 평균 MAE 74.989라는 정밀한 전력량 예측 성과를 달성하였다.

향후 연구에서는 전력량 예측의 변동성을 더 정밀하게 제어하기 위해 발전량의 피크치와 기저치에 대한 예측 해상도를 높이는 연구가 병행되어야 한다. 이를 위해 본 논문에서 제안한 데이터 구조화 기법을 기반으로, 단순 DNN 구조를 넘어 LSTM이나 GRU와 같은 순환 신경망, 혹은 이들을 결합한 하이브리드 모델을 적용함으로써 시계열적 특성 추출 기능을 강화할 계획이다.

Acknowledgements

이 논문은 2023년도 강원대학교 대학회계의 지원을 받아 수행한 연구임.

References

Jayasankar, K. C., Anandhakumar, G., and Kalaimurugan, A., Prediction of Solar Radiation using Deep LSTM- based Machine Learning Algorithm, Journal of Environmental Nanotechnology, Vol. 13, No. 3, pp. 1-8, 2024, https://doi.org/10.13074/jent.2024.09.242585.

10.13074/jent.2024.09.242585

Yu, Y., Cao, J., and Zhu, J., An LSTM Short-term Solar Irradiance Forecasting under Complicated Weather Conditions, IEEE Access, Vol. 7, pp. 145651-145666, 2019, https://doi.org/10.1109/ACCESS.2019.2946057.

10.1109/ACCESS.2019.2946057

Yoon, S. J., Kim, H. G., and Kwak, J. S., A Study on LSTM-based Solar Radiation Prediction Considering Hourly Meteorological Changes, KIPS Transactions on Software and Data Engineering, Vol. 10, No. 1, pp. 1-8, 2021, https://doi.org/10.3745/KTSDE.2021.10.1.1.

10.3745/KTSDE.2021.10.1.1

Liu, J., Huang, X., Li, Q., Chen, Z., Liu, G., and Tai, Y., Hourly Stepwise Forecasting for Solar Irradiance using Integrated Hybrid Models CNN-LSTM-MLP Combined with Error Correction and VMD, Energy Conversion and Management, Vol. 280, 116804, 2023, https://doi.org/10.1016/j.enconman.2023.116804.

10.1016/j.enconman.2023.116804

Acikgoz, H., A Novel Approach based on Integration of Convolutional Neural Networks and Deep Feature Selection for Short-term Solar Radiation Forecasting, Applied Energy, Vol. 305, 117911, 2022, https://doi.org/10.1016/j.apenergy.2021.117912.

10.1016/j.apenergy.2021.117912

Kim, S. H., Kim, K. J., and Choi, H. J., Deep Neural Network Model for Estimating Daily Solar Radiation Using Temperature and Precipitation, Journal of the Korean Meteorological Society, Vol. 21, No. 2, pp. 85-96, 2019, https://doi.org/10.5532/KJAFM.2019.21.4.264.

10.5532/KJAFM.2019.21.4.264

Cho, Y. R., Kim, J. H., and Lee, S. H., Solar Radiation Prediction Based on Multiple Deep Learning Models Using Meteorological Data and Meteorological Satellite Imagery, Journal of the Korea Society of Computer and Information, Vol. 26, No. 2, pp. 1-10, 2021.

Yang, D., Yeo, N., Kim, S., Lee, J., Kim, S., and Mah, P., A Piecewise Prediction Model of Solar Radiation using Weather Sensing Information for stand-alone Photovoltaic Systems, Proceedings of KIISE : KCC2017, pp. 15-17, June 2017, Jeju, Korea, https://doi.org/10.5626/KTCP.2017.23.11.632.

10.5626/KTCP.2017.23.11.632

Kim, K., Jang, B., and Choi, H., Piecewise Overlapped-Grouping Insolation Prediction Model for Solar Power Generation, Proceedings of The ITFE Summer Conference, August 2022, Sokcho, Republic of Korea.

Yang, D., Yoe, N., and Mah, P., A Dynamic Piecewise Prediction Model of Solar Insolation for Efficient Photovoltaic Systems, KIISE Transactions on Computing Practices, Vol. 23, No. 11, pp. 632-640, 2017, https://doi.org/10.5626/KTCP.2017.23.11.632.

10.5626/KTCP.2017.23.11.632

Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., and Zheng, X., TensorFlow: Large-scale Machine Learning on Heterogeneous Systems, 2015. Software available from tensorflow.org.

Korea East-West Power Co., Ltd., Training Dataset for Photovoltaic Power Generation Prediction in Jeju Region, 2025. https://data.go.kr. last accessed on the 9th November 2025.

Journal of the Korean Solar Energy Society ISSN:1598-6411(Print) 2508-3562(Online) 한국태양에너지학회 논문집

Preview

Deep Learning Prediction Model of Surface Solar Radiation and Photovoltaic Power Using Stepwise Overlapped Grouping of Extraterrestrial Radiation

ABSTRACT

MAIN

(1)

(2)

(3)

(4)

Fig. 1

Stepwise overlapped grouping of extraterrestrial radiation

(5)

Fig. 2

Prediction model of solar radiation and photovoltaic power

Table 1

Hyperparameters for DNN-based prediction models

Table 2

Performance comparison of grouping strategies

Fig. 3

The solar radiation predicting results of the proposed model

Table 3

Prediction results of photovoltaic power based on solar radiations

Fig. 4

The photovoltaic power predicting results of the proposed model

Acknowledgements

References