iHow 최적화 기반 재생에너지 예측

재생에너지 시스템의 지능형 예측 프레임워크 개발 시 딥러닝 모델은 입력 특성 공간의 차원 문제와 하이퍼파라미터 설정 민감성이라는 두 가지 주요 난관에 직면합니다. 이는 계산 비용을 증가시키고 모델의 일반화 및 견고성을 저해합니다. 본 연구는 이러한 문제를 해결하기 위해 인지 기반 메타휴리스틱을 활용한 하이브리드 딥러닝-최적화 프레임워크를 제안합니다. 제안된 프레임워크는 특징 선택을 위해 이진 iHow 최적화 알고리즘(biHOW)을, 하이퍼파라미터 튜닝을 위해 연속형 iHow 알고리즘을 사용합니다. 두 알고리즘은 데이터 흡수, 정보 분석, 재구성, 적응형 지식 개발이라는 인간의 인지 단계를 모방하여 복잡한 탐색 공간을 효율적으로 탐색합니다. 예측 백본으로는 단기 변동부터 장기 계절 패턴까지 다중 스케일 시간 종속성을 포착하는 데 적합한 다중 스케일 어텐션 네트워크(MSAN)를 활용합니다. MSAN 모델은 풍력 예측에서 0.0105, 태양광 예측에서 0.0976의 평균 제곱 오차(MSE)를 달성했습니다. biHOW를 이용한 특징 선택은 평균 오분류율을 풍력 0.3925, 태양광 0.4161로 줄였으며, 간결하고 해석 가능한 특징 부분집합을 식별했습니다. iHOW 최적화는 MSE를 풍력 0.0089, 태양광 0.0872로 더욱 낮추어 HHO, GWO, PSO, JAYA 등 기존 메타휴리스틱보다 우수한 성능을 보였습니다. 이러한 결과는 iHow 기반 최적화가 예측 정확도와 계산 확장성을 향상시키는 데 효과적임을 입증합니다. 제안된 하이브리드 프레임워크는 현대 스마트 그리드 내 지능형 에너지 관리를 위한 적응형 예측을 지원합니다.