BiLSTM 기반 미세조정 학습을 활용한 중소규모 건물의 단기 전력 소비량 예측 = Short-Term Power Consumption Forecasting for Small and Medium-Sized Buildings Using BiLSTM-Based Fine-Tuning

국문 초록 (Abstract)

BiLSTM 기반 미세조정 학습을 활용한 중소규모 건물의 단기 전력 소비량 예측

논 문 제 출 자 주 숙 희
지 도 교 수 전 윤 호

효과적인 건물 에너지 관리를 위해서는 정확한 단기 전력 소비 예측이 필수적 이다. 특히 중소규모 건물의 경우, 제한된 계산 자원과 데이터 환경에서도 적용 가 능한 효율적인 예측 기법이 요구된다. 본 연구는 양방향 LSTM(BiLSTM) 기반 딥 러닝 모델과 미세조정 전이학습(Fine-Tuning) 기법을 결합하여, 데이터 규모가 제 한적인 중소규모 건물에서도 효율적인 시간별 전력 소비 예측이 가능함을 실증하 였다. 이를 위해 사전학습 후 모델을 고정하여 사용하는 Static 모델, 매일 누적 데이터로 처음부터 재학습하는 Full-training 모델, 최신 데이터 모델을 미세조정 하는 Fine-tuning 모델의 세 가지 학습 전략을 예측 성능과 계산 효율성 측면에서 체계적으로 비교하였다. 대전광역시에 소재한 한 중소규모 연구시설 건물에서 5분 간격으로 계측된 전 력 사용량 데이터를 활용하였으며, 이를 15분 단위로 집계한 후 1시간 단위로 재 집계하여 최종 시간당 전력 소비량(kWh) 시계열을 구축하였다. 해당 건물의 2021 년 10월 1일부터 2022년 3월 31일까지 182일간의 데이터를 사용해 BiLSTM 예측 모델을 사전 학습한 뒤, 2022년 4월 1일부터 4월 30일까지 30일간 일별 예측을 수 행하였다. 그 결과, Fine-tuning 모델이 평균 절대 백분율 오차(MAPE) 3.65%로 가장 우수한 예측 성능을 보였으며, Full-training 모델 대비 약 22.7%의 오차 감 소와 약 85%의 학습 시간 절감을 달성하였다. Static 모델은 MAPE 4.00%의 비교 적 안정적인 성능을 유지하였고, 추가 계산 비용이 전혀 들지 않는 장점이 있었다. 반면 Full-training 모델은 4.72%의 가장 낮은 정확도를 보였을 뿐 아니라, 매일 약 26분씩 30일간 합계 780분(약 13시간)의 과도한 재학습 시간이 요구되어 현실 적인 운용에 부적합한 것으로 나타났다. 이러한 결과를 종합하면, 데이터 분포가 안정적이고 계산 자원이 매우 제한된 환경에서는 Static 모델이 현실적인 대안이 될 수 있으며, 계절 변화나 설비 교체 등 데이터 분포 변화가 예상되는 환경에서 는 Fine-tuning 모델을 사용하는 것이 바람직하다. Full-training 방식은 본 연구 시나리오에서는 세부 조건에 상관없이 비효율적이므로 권장하지 않는다. 제안된 방 법론은 제한된 자원으로 건물 에너지 관리 시스템(BEMS) 도입을 고려하는 중소규 모 건물에 실질적이고 구현 가능한 해결책을 제시함으로써, 건물 부문의 에너지 효율 향상과 탄소중립 목표 달성에 기여할 수 있을 것으로 기대한다.

목차 (Table of Contents)

• 표 목 차 ⅲ
• 그 림 목 차ⅲ
• 기호 및 약어 설명 ⅳ
• 국 문 요 약ⅴ
• I. 서 론 1
• 1.1 연구의 배경 1
• 1.2 기존 연구의 한계 2
• 1.3 연구의 목적 3
• II. 관련 연구 5
• 2.1 딥러닝 기반 전력 예측 모델 5
• 2.2 소규모 건물에서의 제약과 전이학습 6
• 2.3 본 연구의 차별성 6
• III. 연구 방법론 8
• 3.1 실험 환경 및 소프트웨어 구성 8
• 3.2 예측 모델 구성 8
• 3.2.1 BiLSTM 기반 예측 모델 아키텍처 9
• 3.2.2 학습 설정 10
• 3.3 학습 전략 설계 12
• 3.3.1 Static 모델 12
• 3.3.2 Full-training 모델 13
• 3.3.3 Fine-tuning 모델 14
• IV. 실험 및 결과 17
• 4.1 데이터 구성 및 전처리 17
• 4.1.1 데이터셋 구성 17
• 4.1.2 데이터 전처리 18
• 4.2 실험 설계 21
• 4.3 결과 및 분석 22
• 4.3.1 평균 성능 비교 22
• 4.3.2 통계적 유의성 분석 24
• 4.3.3 일별 예측 경향 비교 25
• 4.3.4 세부 사례 분석 26
• 4.3.5 Fine-tuning 학습 윈도우 크기 민감도 분석 29
• V. 결론 31
• 5.1 연구의 주요 기여 31
• 5.2 연구의 한계 32
• 5.3 실무 적용 가이드라인 33
• 5.4 결론 34
• 참 고 문 헌 36
• ABSTRACT 40