재생에너지원을 전력망에 신속히 통합함에 따라, 재생에너지 발전의 내재된 변동성을 관리할 수 있는 정확한 에너지 수요·공급 예측 모델에 대한 긴급한 필요가 대두되었다. 변동하는 소비자 수요 패턴과 다양한 에너지원 간 높은 변동성이 결합되면서, 공급과 수요 간 신뢰성 있는 균형을 유지하는 데 상당한 어려움이 발생한다. 이러한 문제를 해결하기 위해 본 연구는 주목(attention) 기반 베이지안 최적화 하이브리드 앙상블 프레임워크(Attention-driven Bayesian-Optimized Hybrid Ensemble Framework, ABHEF)를 제안하고, 제주도 에너지 믹스 데이터에서 이를 평가하였다. ABHEF는 단기 변동과 장기 추세를 모두 포착하기 위해 최신 모델인 ConvBiLSTM(Convolutional Bidirectional Long Short-Term Memory), ETCN(Enhanced Temporal Convolutional Network), TFT(Temporal Fusion Transformer), DAT(Dual Attention Transformer)를 통합한다. 제안된 프레임워크는 제주도에서의 실제 에너지 수요·공급 데이터와 주요 기상 속성을 함께 사용하여 평가함으로써, 모델의 현실 적용 가능성과 정확도를 향상시켰다. 각 모델의 최적 하이퍼파라미터를 도출하기 위해 베이지안 최적화를 적용하여 예측 성능의 정점을 확보하였다. 기본 모델의 출력은 스태킹(stack)하였고, Gradient Boosting, LGBM, Ridge, CatBoost의 네 가지 메타 모델을 적용하였다. 그중 CatBoost가 가장 우수한 성능을 보였으며 최종 메타 모델로 선택되었다. 시간 단위 공급 예측에서, 선택된 메타 모델은 단독 시계열 모델 중 최우수 성능을 보인 BiLSTM 대비 MAE는 52% 감소, RMSE는 50% 감소를 달성하였다. 이는 동일 데이터셋에서 모든 모델에 대해 정확도 지표를 일관되게 평가하여 검증되었다. 시간 단위 수요 예측에서는 MAE 43% 감소, RMSE 34% 감소를 보였다. 일 단위 공급 예측에서는 MAE 76% 감소, RMSE 77% 감소를 보였으며, 일 단위 수요 예측에서는 MAE 70% 감소, RMSE 69% 감소였다. 이러한 결과는 제안된 프레임워크의 우수한 정확성을 보여주며, 재생에너지 시스템에서의 에너지 관리와 자원 계획에 유의미한 이점을 제공한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.