전력망 운영자들은 주택에 설치된 태양광 발전(PV) 시스템의 정확한 발전량 정보를 필요로 하지만, 대부분의 가정은 순(net) 스마트미터를 통해 총 전력 소비량만 측정됩니다. 이는 개별 태양광 발전량을 파악하기 어렵게 만들어 전력망 안정성 및 효율적인 관리에 어려움을 초래합니다. 최근 발표된 연구는 딥러닝 기반의 PV 분해(disaggregation) 기술이 이러한 ‘계량기 후단(behind-the-meter)’ 태양광 발전량 가시성을 확보하는 데 핵심적인 역할을 할 수 있음을 보여줍니다.
이 연구는 딥러닝 모델의 실제 운영 가치가 ‘배포 체제(deployment regime)’에 따라 크게 달라진다는 점을 정량화했습니다. 배포 체제는 모델이 기존 고객, 신규 고객, 미래 기간, 또는 새로운 지역 등 어떤 환경에 적용되는지를 의미합니다. 연구팀은 호주의 Ausgrid 스마트미터 데이터와 미국의 Pecan Street 데이터를 활용하여, 가구 이전(household transfer)과 시간 외삽(temporal extrapolation)을 구분하는 네 가지 배포 체제를 설정하고 대표적인 딥 시퀀스 아키텍처를 벤치마킹했습니다. 그 결과, 최적 모델의 평균 절대 오차(MAE)는 기존 고객의 미래 기간 예측 시 0.104kW였으나, 처음 접하는 신규 고객에게 적용할 경우 0.185kW로 크게 증가했습니다. 이는 모델 선택보다 배포 체제가 오차 변동의 훨씬 더 큰 부분을 설명한다는 것을 의미합니다.
이러한 결과는 분산형 태양광 발전량 예측 모델을 실제 전력망에 적용할 때 중요한 시사점을 제공합니다. 특히 새로운 지역에 모델을 배포할 때는 해당 지역의 소수 가구 데이터로 미세조정(fine-tuning)하는 것이 모델의 전이 오차(transfer error)를 28%~36%까지 줄일 수 있음을 확인했습니다. 또한, 긴 입력 시간 창(long input windows)은 기존 고객 예측에 도움이 되지만, 신규 고객에게는 모델에 따라 효과가 다르게 나타났습니다. 이 연구는 에너지 데이터 분석에서 배포 체제에 맞는 오차 예산 설정, 제한된 타겟 데이터로 모델을 적응시키는 전략, 그리고 사용 사례에 따른 적절한 콘텍스트 길이 선택의 중요성을 강조합니다. 이는 전력망 운영자들이 더욱 정확하고 신뢰할 수 있는 태양광 발전량 예측 시스템을 구축하는 데 기여할 것입니다.