Towards Continuous Power Forecasting: Practical Continual Learning for Real-World Energy Systems in Nonstationary Time Series
실제 에너지 시스템의 전력 예측은 날씨·인프라·소비 변화로 분포가 계속 바뀌는 비정상 환경에서, 과거 데이터 제한과 무중단 운영 제약 하에 장기 서비스가 필요하므로 정적 오프라인 학습 대신 연속 학습(continual learning) 관점의 지속적 전력 예측(Continuous Power Forecasting)을 제안하고 회귀용 CLeaR 프레임워크에서 3개 범주 6가지 기법을 현실적 데이터 접근·갱신 조건으로 비교한다. 실세계 전력 데이터셋 실험에서 연속 학습이 분포 drift에 자기 적응하고 지식을 축적하며 치명적 망각(catastrophic forgetting)을 완화해, 대규모 과거 데이터 저장 없이도 동적 환경에서의 장기 배포에 실용적임을 보였다.