[논문] 물리 기반 합성 히스토리를 활용한 시계열 기초 모델, 콜드 스타트 태양광 예측

출처: arXiv - 2606.07457v1

개요

시운전 시점에서 태양광(PV) 운영자는 목표 사이트의 관측 데이터가 확보되기 전에 생산량을 예측해야 하며, 이는 기존의 감독 학습 예측 모델을 직접 활용하는 데 제약이 된다. 이러한 콜드 스타트 상황을 해결하기 위해, 플랜트 메타데이터와 기상 공변량을 이용해 합성 생산 이력을 생성하는 제로샷 파이프라인을 도입한다. 이를 통해 시계열 기반 모델(TSFMs)이 추론 시 조건부 입력을 받아 예측할 수 있다. 다섯 가지 TSFM을 엄격한 콜드 스타트 베이스라인, 실제 피드백, 자체 예측 피드백 전략 하에서 전통적인 베이스라인과 비교 평가하였다. 평가 대상은 네 개 데이터셋에 걸친 $440$개의 PV 사이트와 다양한 기후 구역이다. 공변량을 고려한 기반 모델은 베이스라인보다 약 $1.7-2\times$ 높은 성능을 보였으며, TabPFN-TS는 실제 피드백 상황에서 가장 낮은 오류(MAE $0.514$, RMSE $0.721$ $kWh$ ${kWp}^{-1}$ ${d}^{-1}$)를 기록했고, Chronos-2는 자체 예측 피드백에서 가장 견고했다. 성능은 합성 이력의 생성 원천에 크게 좌우되지 않으며, 정확도는 특정 생성기보다 현실적인 시간적 맥락의 존재에 더 크게 의존한다.

주요 기여

이 논문은 다음 분야의 연구를 제시한다:

• cs.LG
• eess.SP
• stat.ML

방법론

자세한 방법론은 전체 논문을 참고하십시오.

실용적 함의

이 연구는 cs.LG 분야의 발전에 기여합니다.

저자

• Lorenzo Longarini
• Alessandro Rongoni
• Simone Silenzi
• Emanuele Frontoni
• Riccardo Rosati

논문 정보

• arXiv ID: 2606.07457v1
• Categories: cs.LG, eess.SP, stat.ML
• Published: 2026년 6월 5일
• PDF: PDF 다운로드