Accelerating Short-Term Wind Power Forecasting: A Parallelized Divide-and-Conquer Approach

국문 초록 (Abstract)

전 세계적인 Net Zero 목표 달성을 위해서는 CO₂ 배출량이 가장 높은 전력 부문의 신속한 탈탄소화가 요구된다. 전력 1 kWh 생산 시 CO₂ 배출량이 약 11–26 gCO₂eq/kWh 가장 낮은 풍력 에너지는 이러한 에너지 전환의 핵심 수단이다 그러나 풍력 자원의 고유한 간헐성으로 인해, 전력망 안정성을 유지하기 위해서는 정확한 단기 풍력 발전 예측이 필수적이다. 출력의 분포가 시간에 따라 계속 바뀌는 풍력의 비정상성을 고려하면, 정확한 풍력 단기 예측을 위해서는 일정 구간의 최신 데이터만을 이용해 모델을 반복적으로 재학습하는 sliding-window 방식이 요구된다. 그러나, 빈번한 재학습은 높은 계산 비용을 유발하여 실제 운영 환경에서의 활용을 저해하는 배포 격차를 야기할 수 있다. 본 논문은 이러한 병목을 해소하고 학습 속도와 적응성을 극대화하기 위해, '분할 정복(Divide-and-Conquer)' 전략에 기반한 병렬화된 예측 방법론을 제안한다. 제안된 방법론은 K-Means 클러스터링을 통해 터빈을 공간적 위치와 운영 특성에 따라 분할하고, 각 클러스터의 지역적 특성을 반영한 국소화된 모델(Localized Modeling)을 구축한다. 이들 모델의 학습은 병렬 처리를 통해 동시에 수행되어 전체 학습 시간을 획기적으로 단축한다. 6 시간 선행 예측 실험 결과, 제안한 방법론은 단일 예측 모델(nRMSE 22.73%)과 대등한 22.54%의 nRMSE(RMSE 357.85)를 달성하면서도, 병렬화된 구조를 통해 총 학습 시간(training time)을 12.27 초에서 7.83 초로 약 36.2% 단축하였다. 추론 시간 및 모델 크기 측면의 증가가 존재하지만, 학습 효율성의 상당한 향상은 본 논문에서 제안한 병렬화된 국소화 모델링 방법론이 실시간 적응형 풍력 예측을 위한 실용적이고 확장 가능한 해법임을 시사한다.

주요단어: 6 시간 풍력 발전 예측, 슬라이딩 윈도우 학습, 병렬 학습, 국소화된 모델링, 학습 효율성, XG Boost

다국어 초록 (Multilingual Abstract)

The global imperative to achieve Net Zero emissions requires rapid decarbonization of the electricity sector, the highest CO2 emitter globally. Wind energy, offering the lowest lifecycle emissions of approximately 11–26 gCO2eq/kWh, is a key instrument in this energy transition. However, due to the inherent intermittency of wind resources, accurate short-term wind power forecasting is essential for maintaining grid stability. Considering the non- stationarity of wind, where power output distribution changes over time, accurate short-term forecasting requires a sliding-window approach that iteratively retrains the model using only a specific range of recent data. However, such frequent retraining incurs high computational costs, potentially leading to a deployment gap that hinders practical application in real-world operational environments. To address this bottleneck and maximize training speed and adaptability, this paper proposes a parallelized forecasting methodology based on a 'Divide-and- Conquer' strategy. The proposed methodology partitions turbines based on spatial location and operational characteristics using K-Means clustering and constructs localized models reflecting the regional characteristics of each cluster. The training of these models is performed concurrently through parallel processing, drastically reducing the total training time. Experimental results for 6-hour ahead forecasting demonstrate that the proposed methodology achieved an nRMSE of 22.54% comparable to the global model nRMSE 22.73%, while significantly reducing the total training time by approximately 36.2% (from 12.27 s to 7.83 s) through its parallelized structure. Although there are increases in inference time and imodel size, the substantial improvement in training efficiency suggests that the parallelized localized modeling methodology proposed in this paper is a practical and scalable solution for the short term wind power forecasting.

Keywords: 6-Hour Wind Power Forecasting, Sliding Window Training, Parallel Training, Localized Modeling, Training Efficiency, Clustering, XG Boost

목차 (Table of Contents)

• 1. Introduction 1
• 1.1. Background and Motivation 1
• 1.2. Challenges in Short-Term Forecasting 4
• 1.3. Research Objectives and Implementation Strategy 4
• 1.4. Research Contributions 5
• 1.5. Thesis Outline 6
• 2. Related Work 7
• 2.1. Overview of Wind Power Forecasting Methods 7
• 2.2. Accuracy-Driven Approaches 8
• 2.3. Efficiency and Scalability Challenges 9
• 2.4. Localized Modeling and Clustering Approaches 9
• 3. Theoretical Background and Methods 11
• 3.1. Time-Series Analysis Techniques 11
• 3.2. Clustering: K-Means 12
• 3.3. Forecasting Algorithm: XGBoost 14
• 4. Approach Implementation Details 16
• 4.1. System Architecture: Parallelized Divide-and-Conquer 16
• 4.2. Dataset and Preprocessing 18
• 4.3. Implementation of Spatially-Aware Clustering 20
• 4.4. Training Strategy: Sliding Window Implementation 22
• 4.5. Modeling and Optimization Strategy 22
• 4.5.1 Global Model (Baseline Implementation) 22
• 4.5.2 Parallelized Clustered Model Approach 22
• 4.5.3 Hyperparameter Optimization Strategy 23
• 4.6. Evaluation Metrics 25
• 5. Experimental Results and Analysis 27
• 5.1. Experimental Setup. 27
• 5.2. Performance Evaluation (6-Hour Ahead) 27
• 5.3. Discussion 29
• 6. Conclusion 31
• 6.1. Summary of Findings 31
• 6.2. Contributions and Future Work 31