물리 기반 정보 검색 증강 태양광 발전 예측 모델 (PARA-PV): 동결된 기초 모델 및 분포 변화 보정 기반

PARA-PV: Physics-Aware Retrieval-Augmented PV Prediction Based on Frozen Foundation Model and Distribution Shift Correction

정확한 태양광(PV) 발전량 예측은 안정적인 전력망 운영과 신재생에너지 통합에 필수적이지만, 날씨 변동성, 주간/야간 변화, 상황에 따른 동역학 변화, 그리고 엄격한 물리적 제약 요인들로 인해 여전히 어려운 과제입니다. 본 논문에서는 물리 기반 정보 검색 증강 프레임워크인 PARA-PV를 제안합니다. 이 프레임워크는 예측 과정 전반에 걸쳐 물리적 지식을 통합합니다. 먼저, 다변수 태양광 관측 데이터를 패치 단위의 표현으로 인코딩하고, 물리 기반 정보 검색 학습기를 통해 현재 시점과 일치하는 시간적 형태, 발전량 수준, 태양광 작동 상태 및 일중 주기에 부합하는 과거 데이터 패치와 유사한 경로를 검색하여 물리적으로 타당한 기본 예측값을 생성합니다. 로컬 메모리에 더 넓은 시간 정보를 추가하기 위해, 기본 예측값은 경량의 잔차 어댑터를 통해 동결된 Chronos 시계열 기초 모델을 참조하여 보정됩니다. 이를 통해 일반적인 시간적 규칙성을 태양광 특유의 동역학에 맞춰 조정하면서도 물리적으로 타당한 예측을 유지합니다. 날씨 및 주야 패턴이 변화함에 따라 잔차 조건부 분포 변화가 지속되므로, 물리 기반 분포 변화 보정 모듈은 발전량, 기상 정보, 타임스탬프 및 주/야간 조건을 사용하여 게이트된 평균 이동 및 스케일 조정 방식을 선택적으로 적용하여 초기 예측값을 조정합니다. 마지막으로, 물리 제약 손실 함수는 샘플을 피크 구간, 급변 구간, 야간 구간 및 일반 구간으로 나누고 각 구간의 오차 기여도를 적응적으로 재가중하여, 지배적인 일반 구간이 운영적으로 중요한 상태 학습을 억제하지 않도록 합니다. 본 연구의 코드는 https://github.com/weican1103/PARA-PV 에서 확인할 수 있습니다.

Accurate photovoltaic (PV) power forecasting is essential for reliable grid dispatch and renewable energy integration, yet it remains challenging because PV generation is jointly shaped by weather variability, day-night transitions, regime-dependent dynamics, and strict physical constraints. We propose PARA-PV, a Physics-Aware Retrieval-Augmented framework that embeds physical knowledge throughout the forecasting process. The framework first encodes multivariate PV observations into patch-level representations and, through a physics-aware retrieval-augmented learner, retrieves historical patches and analog trajectories that are consistent with the current window in temporal shape, power level, PV operating state, and intra-day period; this yields a physically grounded base forecast. To supplement local memory with broader temporal knowledge, the base forecast is then calibrated against a frozen Chronos time-series foundation-model prior through a lightweight residual adapter, so that general temporal regularities are adapted to PV-specific dynamics without overriding the physically grounded prediction. Because residual conditional distribution shifts persist when weather and diurnal regimes change, a physics-aware distribution shift correction module subsequently adjusts the preliminary forecast using power, weather, timestamp, and day/night conditions, applying gated mean-shift and scale corrections selectively. Finally, a physics-constrained loss function partitions the samples into peak, ramping, night-time, and regular regimes and adaptively reweights their error contributions, preventing the dominant regular regime from suppressing learning of operationally critical states. Our code is available at https://github.com/weican1103/PARA-PV.