최승연, 고려대학교
국내외 친환경 기조에 따라 재생에너지 발전의 비중이 증가하고 있습니다. 계통에서 재생에너지를 효율적이고 신뢰성 있게 사용하기 위해서는 정확한 발전량 예측이 필요하며, 이를 위해 다양한 데이터가 활용되고 있습니다. 예를 들어 태양광 발전량 예측의 경우, 일사량과 운량 데이터가 주요 예측 인자로 활용되며, 풍력 예측의 경우 풍속과 풍향 등의 기상데이터가 활용됩니다. 하지만, 기상청에서 제공되는 기상정보의 한계점은 제공되는 예측범위와 정보가 제한적이라는 것입니다. 특히 관측 데이터로 일사량이 제공되는 것에 반해, 일사량 예보는 제공되지 않으므로 실용화 단계에서 설계한 모델을 사용할 수 없다는 문제가 있습니다. 따라서 본 연구에서는 데이터의 최신화가 빠르며 구름량과 밀접한 관련이 있는 위성 이미지를 기반으로 예측 데이터를 생성합니다. 구름예측 데이터는 GAN 모델과 LSTM 모델을 혼합하여 만든 예측모델을 사용하여 생성하였습니다. GAN 모델은 현재 제안된 이미지 생성 모델 중 가장 뛰어난 성능을 가지고 있으며, LSTM 모델 또한 시계열 기반 딥러닝 모델 중 가장 뛰어난 성능을 보여주기 때문에 적용하였습니다.
위성 이미지는 구름의 양, 위치, 분포를 가장 잘 나타내는 데이터로, 기상관측이 관측소가 설치된 지역을 기준으로 수행되는 것에 반해, 관측지역의 제한 없이 넓은 지역에 대한 정보를 수집할 수 있습니다. 국가기상위성센터에서 제공하는 위성 이미지는 천리안 2A 호를 통해 10분 간격으로 촬영된 동아시아 범위의 이미지를 얻을 수 있습니다. 위성 이미지는 가시영상, 적외영상 등 다양한 종류의 데이터가 있으며, 가시영상의 경우 구름에 반사된 태양광을 측정하며, 적외영상의 경우 물체가 방출하는 에너지량을 측정합니다. 두 영상 모두 구름에 대한 데이터를 얻을 수 있지만, 가시영상의 경우 해가 진 이후의 데이터는 얻을 수 없으므로 구름의 이동과 변화를 지속적으로 추적하기 힘듭니다. 따라서, 본 연구에서는 24시간 구름에 대한 연속적인 변화를 추적할 수 있는 적외영상을 이용하여 예측모델을 학습하였으며, 계절별 구름 특성을 반영하기 위해 2018.01.01. ~ 2018.12.31.까지 1년 동안의 데이터를 사용하였습니다.
위성 이미지 예측을 위한 모델은 크게 2가지 부분으로 나눌 수 있습니다. 첫 번째는 GAN 모델을 이용한 이미지 생성을 위한 부분으로 임의의 입력에 대응하여 위성 이미지와 유사한 이미지를 만들어내는 부분입니다. 두 번째는 이미지 예측 부분으로 LSTM 모델을 사용하여 연속된 위성 이미지에서 시계열 특성을 추출한 후 GAN의 입력으로 사용합니다. LSTM-GAN은 LSTM 모델과 GAN 모델을 혼합한 하이브리드(Hybrid) 모델로, LSTM 모델은 이미지의 시계열 정보를 추출하고, GAN은 추출한 시계열 정보를 기반으로 새로운 이미지를 생성해내는 역할을 합니다. LSTM 모델의 입력은 일반적으로 사용하는 1차원 데이터가 아닌 2차원 이미지이므로, 합성(Convolution) 연산을 통해 1차원으로 변환하여 입력에 사용하였습니다. LSTM 모델을 통해 생성된 임의의 벡터는 GAN 모델의 생성자에 입력되며, 예측 시점의 실제 이미지와 생성된 이미지의 유사도를 MSE(Mean Square Error)를 통해 판단하고 LSTM 모델의 파라미터들을 업데이트합니다. LSTM-GAN 모델을 이용함으로써, 수많은 파라미터가 발생하는 이미지 학습의 문제점을 해소하고 실제 위성 이미지와 유사한 이미지를 생성해낼 수 있었습니다. LSTM-GAN을 통해 예측지점에서 3시간 뒤의 구름 변화를 예측하였으며, 구름의 형태가 완전히 일치하지 않지만 전체적으로 위치나 모양이 유사한 구름 형태를 가지는 것을 확인할 수 있습니다. 매우 유동적인 구름의 형태로 인해 정확한 모양을 예측하지 못하거나 잘못된 예측을 하는 경우가 있으며, 이를 개선하기 위해 학습기간의 증가와 특성분석에 대한 지속적인 연구를 계획 중입니다. Deep Learning Toolbox™를 이용하여 GAN과LSTM 모델을 쉽게 구현하였고 MathWorks의 기술지원을 받아 이 둘 모델을 결합할 수 있었습니다.
