시공간 이중 분기 트랜스포머를 이용한 태양광 발전량 장기 예측 = A Spatiotemporal Dual-Branch Transformer for Long-Term Solar Power Forecasting

국문 초록 (Abstract)

본 연구는 태양광 발전량의 장기 예측 정확도를 향상시키기 위해 시간적 패턴과 공간적 상호작용을 분리하여 학습하는 시공간 이중 분기 트랜스포머를 제안한다. 시간 분기는 패치 기반 자기어텐션을 통해 일주기성, 계절성과 같은 시계열 패턴을 학습하며, 공간 분기는 인버티드 어텐션 메커니즘을 통해 발전소 간 기상 전파 및 공간적 상관구조를 정량적으로 모델링한다. 이후 정보 융합 모듈을 통해 시공간 특징을 동적으로 통합함으로써 장기 예측 시 발생하는 누적 오차를 최소화하였다. 유럽 및 미국의 공개 데이터셋을 활용한 실험 결과, 제안모델은 기존 모델 대비 평균제곱오차와 평균절대오차를 크게 감소시키고 상관계수를 향상시켜 모든 데이터셋에서 우수한 성능을 입증하였다. 이는 제안 구조가 태양광 발전의 시공간적 생성 메커니즘을 효과적으로 반영함을 의미한다. 또한 시각화 분석을 통해 제안모델이 피크 시점과 출력 변동 구간에서 실제 발전 패턴을 안정적으로 추정함을 확인하였다.

다국어 초록 (Multilingual Abstract)

This study proposes a spatiotemporal dual-branch transformer to enhance the long-term forecasting accuracy of solar power generation by separately learning temporal patterns and spatial interactions. The temporal branch learns time-series patterns such as diurnal cycles and seasonal variations through patch-based self-attention, while the spatial branch quantitatively models inter-plant meteorological propagation and spatial correlations using an inverted attention mechanism.
Subsequently, a fusion module dynamically integrates spatiotemporal features, minimizing cumulative errors in long-term forecasting. Experimental results using publicly available datasets from Europe and the United States demonstrate that the proposed model significantly reduces mean squared error and mean absolute error compared to existing models, while improving correlation across all datasets. This indicates that the proposed architecture effectively captures the spatiotemporal generation mechanism of solar power. Furthermore, visualization analysis confirms that the model reliably tracks actual generation patterns during peak and fluctuation intervals.