1. 서 론

전 세계적으로 기후 변화 대응과 에너지 전환에 대한 요구가 증가함에 따라 신재생에너지의 활용이 다양한 산업 분야로 확대되고 있다. 특히 태양광 발전은 설치 유연성과 기술 성숙도를 바탕으로 가장 널리 활용되는 신재생 에너지원 중 하나로 자리 잡았으며, 최근에는 인공지능 기술을 활용한 태양광 발전량 예측 및 에너지 관리 연구가 활발히 수행되고 있다 ^[1-3]. 국내에서도 전기학회논문지에 게재된 관련 연구^[9]에서는 일조 시간과 일사량 데이터를 입력으로 하는 장단기 메모리(Long Short Term Memory, LSTM) 모델을 통해 단순 머신러닝 기법보다 높은 발전량 예측 정확도를 보였다. 이러한 연구들은 발전량 변동성이 큰 태양광 시스템의 한계를 보완하고, 에너지 활용 효율을 향상하는 데 목적을 두고 있다.

기존의 태양광 발전량 예측 및 에너지 관리 시스템 연구는 주로 건물 옥상이나 지상 발전소와 같이 고정된 위치에 설치된 태양광 패널을 대상으로 수행됐다. 이러한 시스템은 전력망 연계형 태양광 설비나 전기자동차 충전 인프라와 결합하여, 발전량 예측을 기반으로 충전 스케줄링이나 전력 비용 최적화를 달성하는 데 초점을 맞추고 있다. 그러나 이러한 접근 방식은 태양광 패널의 위치와 자세가 시간에 따라 변화하는 이동체 환경을 고려하지 못한다는 한계를 가진다.

최근 전기자동차의 보급 확대와 함께 차량 자체에 태양광 패널을 직접 탑재하는 차량 일체형 태양광 기술에 관한 관심이 증가하고 있다 ^[4]. 차량 탑재 태양광 시스템은 주행 중 또는 주차 중에 발생하는 태양광 에너지를 활용함으로써 보조 전력 공급, 주행 가능한 거리 연장, 보조 부하 전력 지원 등 다양한 이점을 제공할 수 있다. 특히 버스와 고정된 노선을 반복 운행하는 대중교통은 운행 전에 경로별 발전량을 예측할 수 있다면 충전 스케줄링과 운행 계획을 사전에 최적화할 수 있다. 그러나 차량에 탑재된 태양광 패널은 주행 경로, 시간대, 기상 조건에 따라 지속해서 위치가 변화하며, 이에 따라 발전량의 불확실성이 고정형 태양광 시스템보다 더욱 크게 나타난다. 이러한 특성으로 인해 기존의 고정형 태양광 발전량 예측 기법을 차량 탑재 환경에 직접 적용하는 데에는 한계가 존재한다.

이동형 태양광 시스템의 발전량을 효과적으로 예측하기 위해서는 차량의 주행 경로와 시간 정보를 동시에 고려할 수 있는 예측 모델이 필요하다. 특히 도로 환경에서의 차량 이동은 시간 순차적 특성과 공간적 특성을 동시에 가지므로, 시계열 데이터 처리에 강점을 갖는 인공지능 기반 예측 기법이 적합하다. 그중에서도 LSTM 모델은 과거 시점의 정보를 활용하여 미래 출력을 예측할 수 있어 태양광 발전량과 같은 시계열 데이터 예측에 효과적인 것으로 알려져 있다.

본 논문에서는 전기자동차 상부에 탑재된 태양광 패널을 대상으로, 이동 중인 태양광 패널의 발전량을 예측하기 위한 자기회귀 LSTM 기반 예측 기법을 제안한다. 제안된 방법에서는 내비게이션 응용 프로그램 인터페이스(Application Programming Interface, API)를 활용하여 차량 주행 경로상의 위도와 경도 좌표를 추출하고, 기상청 API를 통해 수집한 기상 데이터를 결합하여 이동 경로 및 시간에 따른 태양광 발전 특성을 모델링한다. 이를 통해 차량의 이동성을 고려한 태양광 발전량 예측이 가능하게 하였다.

제안된 방법의 타당성을 검증하기 위해 제주도 시내를 운행하는 버스를 대상으로 시뮬레이션을 수행하였다. 시뮬레이션 결과를 통해 이동형 태양광 발전량 예측의 가능성을 확인하며, 예측 결과가 차량 에너지 관리 시스템에 적용될 때 전기버스의 에너지 운용 효율 향상에 기여할 수 있는지 검증된다.

2. 자기회귀 LSTM

2.1 태양광 발전 시스템

그림 1 태양광 에너지 관리 시스템

Fig. 1 Solar energy management system

그림 1은 보편적으로 사용되고 있는 태양광 에너지 관리 시스템을 보여준다. 이는 발전 및 에너지 저장 장치뿐만 아니라 그에 대한 관리 시스템, 데이터 로깅, 상태 감시 등을 포함한다. 효율적인 에너지 관리를 위해 요구되는 핵심은 태양광 셀에서 발전되는 에너지양을 예측하는 것이며, 본 연구는 이 부분에 초점을 두었다.

태양광 셀에서 생성되는 출력 전력은 입사 일사량, 태양광의 입사각, 셀의 온도, 그리고 셀의 전기적 특성에 따라 달라진다. 일반적으로 태양광 발전량은 태양 복사 강도에 비례하여 증가하지만, 셀 온도가 상승할 때 반도체 특성 변화로 인해 출력 전압이 감소하는 특성을 가진다. 따라서 태양광 발전 시스템의 출력은 시간, 기상 조건, 설치 환경에 따라 지속해서 변동한다. 이는 태양광에 의해 생성되는 에너지에 영향을 주는 요소가 태양광 패널이 설치된 위치 및 각도, 일사량, 온도 등에 영향을 받음을 의미하며, 일사량과 모듈 표면 온도를 입력으로 하는 수식으로 표현할 수 있다. 기상청 빅데이터 분석 플랫폼인 날씨마루에서는 태양광 발전량 산출 식을 (1)과 같이 제시하고 있다 ^[5].

(1)

$P = P_{r} \cdot G \cdot [1 + \gamma(T_{cell} - 25)]$

여기서 $P$는 태양광 발전량, $P_{r}$는 패널 정격 용량, $G$는 입사 일사량, $\gamma$는 출력 온도 계수, $T_{cell}$은 모듈 표면 온도이다. 25℃는 기준 온도이다. 온도 보정항 $[1 + \gamma(T_{cell} - 25)]$은 모듈 온도가 기준 온도보다 상승할 때 출력 전압 감소로 발전량이 줄어드는 현상을 보정하는 항으로, $\gamma$는 음(-)의 출력 온도계수이다. 물리적으로는 온도 상승에 따른 출력 저하를, 수학적으로는 모듈 온도를 기준 온도와 같게 두면 ($T_{cell} = 25^\circ$)이 항이 1이 되어 식 (1)이 식 (2)로 단순화됨을 의미한다. 태양광 발전량은 일사량에 1차적으로 비례하고 온도는 2차 보정 요소로 작용하므로 ^[10], 일사량 예측 기반의 1차 발전량 추정을 목적으로 하는 본 연구에서는 이 항을 1로 근사한다.

(2)

$P(t) = \hat{S}(t) \cdot a$

여기서 $P(t)$는 시점 t에서의 발전량, $\hat{S}(t)$는 예측 일사량, $a$는 일사량-발전량 환산 계수이다. 즉 식 (2)는 식 (1)의 일반형을 기준 온도 조건에서 단순화한 형태이며, 발전량은 차량이 위치한 셀의 예측 일사량으로부터 산출된다. 따라서 이동 경로의 발전량 예측 문제는 위치별 일사량 예측 문제로 귀결되며, 본 논문은 일사량을 자기회귀 LSTM으로 예측하는 데 초점을 둔다.

2.2 제안된 방법

(1)에서 확인할 수 있듯이 태양광 발전량에 가장 큰 영향을 미치는 요소는 일사량이다. 기온 등 기상 정보는 일주일 수준의 신뢰도 높은 예보가 제공되지만, 일사량 예보는 제한적으로 제공된다. 국내 기상청 플랫폼인 날씨마루 또한 다음 날 발전량 예측치만 제공하므로 장기 에너지 관리에는 한계가 있다. 특히 본 논문의 적용 대상인 버스는 고정된 운행 노선을 가지므로 장시간의 에너지 관리 계획이 필요하다. 이를 위해 기상청에서 제공되지 않는 장기 일사량을 예측할 수 있는 자기회귀 LSTM 모델을 제안한다.

한편 일부 해외 상용 서비스가 일사량 예보를 제공한다. 그러나 본 연구의 목적은 이동 경로를 따라 시공간적으로 분해된 일사량을 예측하는 방법 자체를 제안하는 데 있으며, 외부 예보 값을 그대로 사용할 경우 해당 서비스의 제공 형식과 가용성에 시스템이 종속되고 예측 결과를 실측 기반으로 검증·개선하기 어렵다. 반면 국내 기상청은 위성·관측 데이터와 실측값을 함께 제공하므로, 일사량을 예측하고 그 정확도를 검증할 수 있다.

일사량은 기온, 강수 등 다양한 기상 요소와 상호 연관되어 있으며, 이를 단순 선형 회귀 모델로 예측할 경우 활용 가능한 정보가 제한되고 계절적 특성이 충분히 반영되지 않는다. 반면 LSTM은 시계열 데이터의 시간적 특성을 효과적으로 학습할 수 있어 태양광 발전량 예측 분야에서 널리 활용되고 있다 ^{[6-] [7]}.

기존 일사량 예측은 주로 SEQ2SEQ 구조를 사용한다. 이는 과거 데이터를 입력받아 미래 구간 전체를 한 번에 예측하는 방식으로 장기 패턴 예측에는 유리하지만, 예측 결과가 이후 예측에 반영되지 않아 오차 누적 문제가 발생할 수 있다 ^[8]. 반면 SEQ2ONE 구조는 다음 시점의 값만 예측하므로 높은 정확도를 확보할 수 있으나 장기 예측이 어렵다.

본 논문에서는 SEQ2ONE의 예측 정확도를 유지하면서 장기 예측이 가능하도록 자기회귀 LSTM 구조를 제안한다. 예측된 일사량을 다음 시점 입력에 반영하고, 해당 시점의 기상청 예보 데이터를 관측값으로 활용하여 일사량을 순차적으로 예측한다. 이를 통해 SEQ2ONE의 짧은 예측 구간 한계를 극복하면서도 SEQ2SEQ보다 단순한 구조로 장시간 예측을 수행할 수 있다. 제안된 자기회귀 구조의 개념은 그림 2에 나타내었다.

그림 2 자기회귀 LSTM 모델

Fig. 2 Auto-regressive LSTM Model

미래 시점의 예보 값을 관측치로 간주하는 모델을 사용할 때 기상청 API를 통해 호출 가능한 예보 값은 19개이다. 모델의 학습 성능은 입력되는 데이터의 품질에 의해 결정되며, 모든 데이터를 사용하는 것보다 일사량에 영향을 주는 정보만을 활용하는 것이 타당하다. 이를 위해, 피어슨 상관관계 분석을 통해 데이터가 분석되었다.

상관관계 분석 결과 일사량에 가장 큰 영향을 주는 요소는 기온과 시정이다. 또한, 자기회귀 구조를 사용하면 모델이 예측한 일사량을 다음 시점의 입력으로 활용할 수 있다. 한편, 일사량에 가장 큰 영향을 주는 정보는 일몰과 일출 여부이다. 이는 기상청 API가 아닌 한국천문연구원의 API에서 받을 수 있다. 즉, 제안된 자기회귀 LSTM 모델의 입력 데이터는 기온, 시정, 일사량, 일출 및 일몰 여부이다. 예측된 미래 시점의 일사량은 (1) 에 입력되어 태양광 패널에서 발전된 에너지의 양을 예측한다. 그림 3은 자기회귀 LSTM 모델의 학습 결과이다.

이 모델 학습에 사용된 하이퍼파라미터는 다음과 같다. Window size는 48로 2일에 해당하는 데이터를 하나의 구간으로 선정했다. 에폭을 500으로 선정했으며 배치 크기를 128로 선정했다. 학습에는 2021년의 데이터부터 2025년의 데이터까지 총 5년의 정보들이 사용되었다. 그림 3을 통해 신뢰성 높은 태양광 발전량을 예측할 수 있음을 알 수 있다. 이어지는 장에서는 이를 확장해 이동형 태양광 패널에서의 적용 방법이 논의된다.

그림 3 제안된 방법에 따른 일사량 예측 결과

Fig. 3 Radiation prediction result using proposed method

3. 모바일 에너지 관리 시스템

앞 장에서 설명된 태양광 발전량 예측 기법은 고정된 좌표에서 수행된 것이며 이동형 태양광 패널로 확장할 수 있다. 이동에 따른 기상 변화는 공간 축과 시간 축으로 나누어, 공간은 격자별 독립 모델을 학습해 셀 전환 시 교체함으로써, 시간은 과거 48시간 실측값에 미래 1시간 예보를 결합한 자기회귀 예측으로 반영한다.

사용되는 개념은 다음과 같다. 고정형 에너지 예측 알고리즘은 대표가 되는 하나의 좌표에서 일사량을 예측하지만 기상 상태가 변화하는 구간은 크게 세밀하지 않다. 즉, 하나의 좌표에서 예측하는 일사량은 일정한 구간을 대표할 수 있는 대푯값으로 사용할 수 있다. 이를 활용해 차량이 이동할 수 있는 경로들을 격자로 구분하면, 각 격자 구간의 일사량을 예측할 수 있고 (2) 를 통해 발전량을 계산할 수 있다. 이는 2장에서 설명된 모델을 격자수만큼 복수 개로 학습시키는 것으로 구현할 수 있다. 그림 4는 본 논문에서 제안된 차량용 에너지 관리 시스템을 보여준다.

격자로 구분된 경로에서 각 격자에서 발전될 에너지를 알기 위해서는 각 경로상의 체류 시간이 필요하다. 이는 내비게이션 API를 활용해 취득할 수 있다. 상기 개념을 적용하기 위해서는, 격자의 크기를 결정해야 한다. 격자의 크기는 한 좌표의 기상정보가 대표할 수 있는 영역의 크기를 의미한다. 모바일 EMS의 시뮬레이션 및 검증 대상으로는 제주도를 선정하였으며, 격자 크기는 기상청 API의 신뢰성과 데이터 확보율을 기반으로 분석하였다. 계측의 관점에서 위성 정보를 읽어오는 일사량의 신뢰 가능한 분해능은 2 km이다. 이는 위도, 경도로 치환하면 대략 0.02에 해당하는 수이다. 위성을 통해 읽어올 수 있는 신뢰할 수 있는 구간을 기준으로 하는 것은 매우 타당하다. 하지만, 위성 정보가 아닌 관측소를 기준으로 정보를 불러오는 기온 등의 정보는 2 km의 세밀한 정보가 없을 경우가 많다. 이에 대처하기 위해, 격자 크기에 따른 예측 성능이 분석되었다.

그림 4 제안된 차량용 에너지 관리 시스템

Fig. 4 Proposed mobile energy management system

분석 방법은 다음과 같다. 격자의 크기를 2 km와 4 km 두 격자 크기의 경우를 비교한다. 제주도 전역에 대해 격자를 구분하고 각 격자 크기에 대해 학습한 모델의 일사량 예측 성능을 표 1로 비교한다. 표 1은 일사량 [$MJ/m^2$]을 성능지표로 확인한 결과이다.

표 1에서 4 km 격자는 2 km 대비 MSE와 MAE가 낮고 $R^2$ 도 높아 예측 성능이 우수하였다. 그리고, 2 km 격자에서 기온 데이터가 30% 이상 누락되는 점을 함께 고려하여 최종 격자 크기를 4 km로 선정하였다. 또한, 제주도를 정사각형의 격자로 구분할 때 차량이 이동할 수 있는 해안 부분이 포함될 수 있다. 이러한 부분의 격자에서의 모델 학습은 불필요하므로 이는 제거되었다.

격자 크기 $d$는 본 시스템의 공간 해상도, 학습 안정성, 계산 효율을 동시에 결정하는 핵심 설계 변수이다. $d$가 지나치게 작으면 셀당 관측 데이터가 부족해져 학습이 불안정해지고 셀 수 증가에 따른 모델 학습 및 관리 비용이 급격히 상승한다. 반대로 $d$가 지나치게 크면 셀 내부의 미기후가 평균화되어 격자 기반 공간 모델링의 의미 자체가 손실된다. 따라서 $d$는 위성 해상도, 학습 가정, 차량 운동 특성, 데이터 확보율을 동시에 만족해야 하며, 본 절에서는 이러한 다 기준 분석을 통한 $d$의 값인 0.04를 선정한 근거를 제시한다.

본 연구에서 채택한 자기회귀 LSTM 모델은 셀 내부의 일사량 시계열이 공간적으로 균일하다는 가정하에 과거 패턴을 학습한다. 격자가 지나치게 크면 동일 셀 안에 해안, 도심, 오름, 산림 등 이질적 지표 환경이 혼재되어 일사량 시계열에 공간적 편향이 누적되며, 이는 자기회귀 추론 단계에서 오차 전파를 가속한다. 이로부터 시계열 균일성 보장을 위한 상한 조건으로 $d < 0.05^\circ$가 도출된다.

본 시스템은 기상청 데이터 출력 시간인 1시간을 단위로 일사량을 예측하고 분 단위 GPS 시퀀스에 룩업하여 발전량을 산출하는 구조를 따른다. 따라서 차량이 단일 셀에 머무는 시간이 예측 단위 시간에 비해 지나치게 짧을 경우, 셀 단위 예측값의 의미가 희석되고 셀 전환 빈도가 비현실적으로 증가한다. 차량 속도를 $v$라 할 때 단일 셀 통과 시간 $t$는 아래와 같이 근사된다.

시내버스의 평균 운행 속도 50 $km/h$를 대입하면 $t$는 $d = 0.02^\circ$에서 약 2.7분, $d = 0.03^\circ$에서 약 4.0분, $d = 0.04^\circ$에서 약 5.3분으로 산출된다. 시간 단위 예측값이 의미 있게 적용되기 위해서는 체류 시간이 최소 5분 이상 확보되는 것을 가정하며, 이로부터 $d \ge 0.04^\circ$의 조건을 도출할 수 있다.

본 연구 테스트베드에서 $d$를 $0.04^\circ$에 가깝게 설정할 때 위성 해상도 정합성, 시계열 균질성, 시간 해상도 정합성, 데이터 확보율이 모두 충족되며, 동시에 셀 수가 과도하게 증가하지 않아 셀별 모델 학습 및 관리 부담이 합리적인 수준으로 유지된다. 이러한 분석에 기반하여 격자 크기를 $d = 0.04^\circ$로 최종 선정하였다.

시내버스의 경우 국토교통부 TAGO API를 통해 실시간 운행 정보를 수집할 수 있다. 본 연구에서는 제주 시내버스를 대상으로 운행 경로와 주행 정보를 수집하였으며, API 응답에 포함된 버스 위치 정보는 (timestamp, lat, lon) 형태로 저장된다. 수집된 GPS 좌표를 본 연구에서 정의한 137개 격자 셀에 대응시키기 위해 KDTree 기반 최근접 탐색 기법을 적용하였다. 각 셀의 중심 좌표를 사전에 KDTree로 구축하고, 입력된 GPS 좌표를 가장 가까운 셀 중심점에 매핑함으로써 (timestamp, lat, lon) 시퀀스를 (timestamp, cell_id) 시퀀스로 변환하였다.

변환된 시퀀스에서 동일한 cell_id가 연속적으로 유지되는 시간은 해당 격자에서의 차량 체류 시간을 의미하며, cell_id가 변경되는 시점은 차량이 격자 경계를 통과한 시점에 해당한다. 시스템은 셀 전환 시 해당 격자에 대해 사전 학습된 LSTM 모델을 적용하여 분 단위 시공간 일사량 예측값을 생성한다. 격자별 차량 체류 시간 분포는 그림 5에 나타내었다.

그림 5 격자별 차량 체류 시간

Fig. 5 Vehicle Dwell Time by Grid

4. 학습 및 시뮬레이션

태양광 패널의 고도 각은 태양광 발전량에 매우 큰 영향을 준다. 하지만, 차량에 설치될 때 고도 각을 주는 것은 기구적으로 불안하며, 차량에 부착을 고려해 평평한 상태로 태양광 패널을 부착한 것을 가정한다. 이에 따라, API를 통해 얻은 차량의 이동 경로에서 방향에 대한 정보를 활용하지 않고 예측을 수행할 수 있다.

본 연구에서 사용한 LSTM 모델은 제주도를 격자로 나누어 얻은 137개 유효 육지 셀 각각에 대해 독립적으로 학습되었다. 학습 입력은 (49, 4) 형태의 시퀀스로 구성하였으며, 이는 과거 48시간의 실측값(일사량, 기온, 풍속, 태양 위상)과 예측 시점의 미래 1시간 예보 값을 결합한 형태이다. 미래 시점의 일사량 항목은 0으로 마스킹하여 모델이 미래 기상예보 정보만을 활용해 다음 시점의 일사량을 추정하도록 강제하였다. 학습 데이터는 기상청 기상자료개방 포털을 통해 수집한 2021년 1월 1일부터 2026년 1월 1일까지 5년간의 시간 단위 관측 자료를 사용하였으며, 셀당 약 43,683행을 사용하였다. 모든 입력 변수는 MinMax 스케일링을 통해 [0, 1] 구간으로 정규화한 후 학습에 사용하였다.

LSTM 모델은 시계열의 비선형 패턴을 학습하는 데 효과적이지만, 학습률, 배치 크기, Dropout 비율, 은닉층 크기 등 하이퍼파라미터에 따라 학습의 안정성과 일반화 성능이 크게 달라지는 특성을 가진다. 따라서 적정 파라미터를 찾기 위해 단계적 탐색 절차를 수행하였다. 고정된 격자를 갖는 LSTM 모델 학습에서 검증된 2-layer LSTM(64, 32) 구조를 베이스라인으로 고정하고, 학습률 0.0001~0.005, 배치 크기는 64~512, Dropout 비율은 0.1~0.3 범위에서 격자 탐색을 수행하여 후보 조합을 도출하였다. 이를 통해 학습률 $1e-3$ 부근, 배치 크기 128~256, Dropout 0.2 부근에서 검증 손실이 가장 안정적으로 수렴함을 확인하였다. 표 2는 위 조건에 따른 하이퍼파라미터별 모델 성능을 보여준다.

표 2의 MAPE는 단일 조건에서의 민감도 결과이며, 최종 학습률은 검증 손실과 수렴 안정성을 기준으로 선정하였다. 학습률 $1e-5$는 500 에폭 한도 내에 수렴하지 못하여 최종 설정에서 제외하였다. 이후 셀 단위로 미세한 환경 차이를 반영하기 위해 베이지안 최적화 도구를 통해 각 셀당 100회의 시도를 수행한 뒤 최종 파라미터를 결정하였다. 이상의 탐색 결과를 종합하여 본 연구의 최종 학습 설정으로는 학습률 $1e-3$, 배치 크기 128, Dropout 0.2, 손실 함수 MSE, 최적화 알고리즘 Adam을 채택하였으며, 결과의 재현성을 보장하기 위해 Numpy, TensorFlow, Python random seed를 모두 42로 고정하였다. 학습은 최대 500에폭까지 진행하되, 검증 손실이 개선되지 않으면 학습을 중단하고 최적 시점의 가중치를 복원하는 Early Stopping 기법을 함께 적용하였다.

버스 경로 셀에 대한 하이퍼파라미터 최적화 결과를 분석하면, 셀의 검증 손실 평균 0.00302, 최솟값은 0.00246, 최댓값은 0.00348로 나타났으며, 이는 정규화된 일사량 기준 RMSE 약 0.055에 해당한다. 셀 간 검증 손실의 표준편차가 평균 10% 미만이라는 점은 본 모델 구조와 하이퍼파라미터 조합이 노선 전 구간에 걸쳐 균일한 일반화 성능을 보장함을 의미한다. 또한 5년 치 데이터를 활용한 학습에서 평균 수렴 에폭은 약 130~200 수준으로 나타났으며, 500 에폭 한도까지 학습이 진행된 셀은 존재하지 않아 모델이 충분히 안정적으로 수렴함을 확인하였다. 그림 6은 제안된 모델을 통해 제주도 시내버스에 부착된 PV 패널에서 발전될 에너지양의 시뮬레이션 결과를 보여준다.

그림 6 제안된 모델을 통해 예측한 발전량

Fig. 6 Predicted Power Generation

제안된 이동 경로 기반 예측 알고리즘은 차량의 GPS 좌표와 격자별 LSTM 모델을 연동함으로써 시공간적으로 분해된 발전량 추정을 가능하게 한다. 이는 지역적 미기후를 반영하여 동일한 시간대 내에서도 차량 위치에 따른 발전량 변화를 정밀하게 예측할 수 있는 이점이 있다. 과거 실측값과 미래 예보를 결합한 자기회귀 구조는 매 시점 최신 관측·예보를 반영하므로, 한 번에 다중 시점을 출력하는 SEQ2SEQ 구조에 비해 기상 급변 구간에서 오차 누적을 억제할 수 있다. 이는 향후 운행 일정 최적화나 차량 충전 전략 수립 등 에너지 인지형 운영으로 확장될 수 있는 기반을 마련한다.

5. 결 론

본 논문에서는 차량 상부에 태양광 패널이 탑재된 이동형 태양광 시스템을 대상으로, 차량 이동에 따른 공간 변화를 고려한 발전량 예측 방법이 제안되었다. 기상청 API와 천문 API 데이터를 활용하여 자기회귀 LSTM 기반 일사량 예측 모델을 구축하였으며, 예측 결과를 다음 입력으로 활용하는 구조를 통해 장시간 예측이 가능하게 하였다. 또한 차량 이동 경로를 격자로 분할하고, 대중교통 API를 이용하여 격자별 체류 시간을 산출함으로써 이동 경로 기반 모바일 에너지 관리 시스템을 구성하였다.

제주도 시내버스를 대상으로 한 사례 연구 결과, 제안된 방법을 통해 이동 경로에 따른 태양광 발전량을 효과적으로 예측할 수 있었고, 반복 운행 노선을 가지는 대중교통 시스템에서 에너지 계획 수립 및 보조 전력 활용에 적용 가능함을 보였다.

본 연구는 제주도를 대상으로 이동형 태양광 시스템의 발전량 예측 및 에너지 관리 가능성을 제시한 기초 연구라는 의의가 있으며, 향후에는 차량 자세 변화, 음영 효과, 실제 차량 실험 데이터를 반영하여 더 정밀한 이동형 태양광 에너지 관리 시스템으로 확장하는 한편, 장기 데이터 확보를 바탕으로 타 지역으로의 일반화 검증 및 지역별 예측 특성 비교 연구를 진행할 예정이다.