멀티모달 AI 기반 근린주구 에너지 사용량 예측 모델 개발 및 시뮬레이션 = Multimodal AI-based Prediction Model for Neighborhood Energy Consumption : Modeling and Simulation|RISS 상세보기

국문 초록 (Abstract)

멀티모달 AI 기반 근린주구 에너지 사용량 예측 모델 개발 및 시뮬레이션 論文提出者金希映指導敎授李相浩 현대 사회의 급격한 도시화는 에너지 소비를 특정 도시공간에 집중시켰다. 이에 따라 도시의 지속가능성을 확보하기 위한 효율적인 에너지 관리의 중요성이 커지고 있다. 특히 스마트도시가 확산되면서 에너지 소비와 탄소 배출이 집중되는 도시 공간에서 효과적인 기후 대응 체계를 구축하는 일은 더 이상 미룰 수 없는 과제가 되었다(Mutani et al., 2020; Causone et al., 2021, Lee et al., 2025). 도시 에너지 관리의 실질적인 해법을 마련하기 위해서는 주거·상업·여가 활동이 복합적으로 일어나는 생활의 핵심 단위이자, 도시를 구성하는 기본 모듈인 근린 주구(Neighborhood Unit)에 주목해야 한다. 최근 『분산에너지 활성화 특별법』 시행과 2050 탄소중립 시나리오가 추진되면서, 에너지 공급 중심의 체계는 수요 관리 중심의 분산형 시스템(Distributed Energy System)으로 전환되고 있다. 이러한 변화 속에서 근린주구 단위의 에너지 관리 중요성은 더욱 커지고 있다. 근린주구 수준에서 검증된 예측 방법론은 향후 스마트시티 에너지 트윈(Energy Twin) 구축을 위한 확장성(Scalability) 측면에서도 핵심적인 기반이 된다. 한편 단순 주택 공급 중심의 신도시에서 삶의 질과 친환경성을 중시하는 신도 시로 이어지는 개발 패러다임의 변화로 도시의 물리적 구조가 크게 달라졌음에 도, 기존 에너지 관련 연구들은 도로망이나 녹지 면적 등 단편적인 정량적 지표 에만 의존하는 경향을 보였다. 또한 생활권 내에 ‘엣지 데이터센터(Edge Data Center)’가 도입되고, 국지적 전력 부하와 폐열 활용 문제가 대두되면서 도시 에너 지 관리의 복잡성은 더욱 심화되고 있다. 이러한 변화 속에서 인구수나 면적 같 은 단편적 통계에 기반한 기존의 선형적 예측 방식은 다변화된 도시 환경을 충 분히 반영하지 못하는 한계에 직면하였다. 따라서 근린주구의 에너지 예측을 위해서는 단순한 수치적 접근을 넘어, 도시의 다차원적인 특성을 입체적으로 분석할 수 있는 고도화된 방법론이 요구된다. 즉, 도시의 공간배치 패턴을 반영하는 ‘이미지(Image) 정보’, 공간이용 행태를 반영 하는 ‘속성(Attribute) 정보’, 에너지 소비 추세를 반영하는 ‘시계열(Time-series) 정보’를 통합적으로 고려한 모델이 구축될 때 비로소 정밀하고 실효성 있는 에너지 예측과 관리가 가능해진다. 이에 본 연구는 이미지(Image), 속성(Attribute), 시계열(Time-series) 정보를 통 합하는 멀티모달(Multimodal) AI 기반의 근린주구 에너지 사용량 예측 모델 (Mutimodal AI-based Neighborhood Energy consumption Prediction Model, MNEP-Model)을 개발하는 것을 목적으로 하였다. 또한 인공지능의 블랙박스 (Black Box) 문제를 해결하기 위하여, 설명가능한 인공지능(eXplainable AI, XAI) 기법을 적용하여 모델의 내부 의사결정 과정을 해석하고, 도시의 공간배치 패턴 과 사회·물리적 맥락이 에너지 소비에 미치는 영향을 규명하였다. 나아가 이러한 분석 결과를 바탕으로 지속 가능한 도시 계획을 위한 데이터 기반의 근린주구 에너지 최소화 방향성을 제시하였다. 본 연구의 공간적 범위는 수도권의 대표적인 1기 신도시(분당, 일산, 평촌 등)와 2기 신도시(판교, 동탄, 광교, 양주 등)의 152개 근린주구로 선정하였다. 이 지역 들은 한국의 아파트 중심 주거 문화를 대표하며, 도시계획의 시대적 변화를 반영 하는 중요한 사례라는 점에서 연구의 공간적 범위로서 적합하다. 시간적 범위는 1기 신도시가 조성되기 시작한 1990년부터 2023년까지로 설정하였다. 다만 에너지 소비 예측의 왜곡을 방지하기 위해 종속변수(2024년 에너지 소비량)와 높은 상관 성을 지닌 최근 10년(2014~2023년)의 데이터는 모델 학습에서 제외하였다. 연구의 내용은 크게 네 가지 축으로 구성되었다. 첫째, 멀티모달 AI 기반 근린 주구 에너지 사용량 예측 모델(MNEP-Model)을 개발하고 성능을 검증하였다. 근 린주구의 공간배치 패턴을 반영하는 ‘이미지 모달(Image Modality)’, 공간이용 행태를 반영하는 ‘속성 모달(Attribute Modality)’, 에너지 소비 추세를 반영하는 ‘시계열 모달(Time-series Modality)’을 통합하여 데이터셋을 구축하였다. 이를 기 반으로 근린주구의 이미지 모달을 입력으로 하는 CNN모듈(Convolutional Neural Network Module), 속성 모달을 입력으로 하는 MLP모듈(Multi-Layer Perceptron Module), 시계열 모달을 입력으로 하는 LSTM모듈(Long Short-Term Memory Module)을 통합하여 MNEP-Model을 설계하였다. 모델의 성능 검증은 결정계수( ), 수정결정계수(Adj. ), MAE, RMSE, NMAE, NRMSE 등을 활용 하였으며, 동일한 데이터 환경에서 전통적 통계모델(다중회귀모델), 머신러닝모델 (SVR), 단일 모달 모델(CNN) 및 이중 모달 모델(CNN+MLP)과의 비교 분석을 통해 제안 모델의 우수성을 판단하였다. 둘째, 모달별 기여도 분석을 통해 각 모달(Modality)이 예측에 미치는 상대적 영향을 규명하였다. 모델 내부의 게이팅 메커니즘(Gating Mechanism)과 융합 (Fusion) 구조를 분석하여 각 모달의 상대적 기여도를 파악하였다. 이를 통해 각 모달의 정보가 어떠한 가중치로 결합되는지를 규명하고, 모달간의 상관관계를 구조적으로 해석하였다. 셋째, XAI 기법을 적용하여 1기·2기 신도시의 에너지 소비 구조와 패턴 차이를 분석하였다. Grad-CAM(Gradient Weighted Class Activation Map), SHAP(Shapley Additive exPlanatiions), IG-Gate Sensitivity(Integrated Gradients-Gate Sensitivity), 시계열 중요도 분석(Integrateed Gradients, Grad×Input, Occlusion Sensitivity)을 적용하여 블랙박스 모델의 의사결정 근거를 시각화·정량화하였다. 이를 통해 1기·2 기 신도시의 공간배치 패턴, 공간이용 행태, 에너지 소비 추세가 에너지 소비에 미치는 긍정·부정적 영향력을 도출하고, 에너지 소비의 핵심 요인을 규명하였다. 마지막으로 핵심 요인을 기반으로 시나리오 시뮬레이션을 수행하였다. 앞서 도출된 핵심 요인을 바탕으로 1기 신도시의 근린주구를 고밀주거형, 녹지확장형, 복합용도형 등 다양한 물리적 변화 시나리오를 구축하고, 이에 따른 에너지 소 비량 변화를 시뮬레이션 하였다. 시뮬레이션은 1기 신도시 현황(Baseline) 데이터 를 기준으로 이미지 모달의 공간배치 패턴과 속성 모달의 공간이용 행태(인구, 자동차수, 밀도 등)를 조정한 후, 이에 따른 예측값 변화를 비교하였다. 분석 결과, 본 연구는 학술적·실무적 성과를 다음과 같이 도출하였다. 첫째, 멀 티모달 AI 기반 MNEP-Model은 예측 정확성과 신뢰성이 높았다. 본 모델은 단 일 Fusion이 아니라 하이브리드 Fusion 구조를 적용하였다. 그 결과 예측 정밀 도와 안정성이 함께 향상되었다. 테스트 데이터셋에서 결정계수(  )는 0.986이었 다. 이는 입력 변수가 에너지 소비 변동의 98.6%를 설명함을 의미한다. 해당 성 능은 다중회귀모델( =0.354), 머신러닝모델(SVR,   =0.723), 단일모달모델 (CNN,  =0.246)보다 높았다. 따라서 복잡한 도시 에너지 소비 패턴을 예측하기 위해서는 이질적 데이터를 통합하는 멀티모달 접근이 효과적임을 확인하였다. 둘째, 모달별 기여도 분석을 통해 모달 간 상호 보완적 학습 메커니즘을 확인 하였다. 속성 모달은 약 50%로 예측의 핵심 기반을 형성하였다. 이미지 모달은 약 30%로 공간 정보를 보강하였다. 시계열 모달은 약 16%로 시간 정보를 보강 하였다. 이는 정형 데이터로 포착하기 어려운 정보를 비정형 데이터가 보완하는 구조적 시너지 효과를 의미한다. 또한 멀티모달의 유기적 결합이 설명력과 예측 안정성을 높이는 핵심 요인임을 시사한다. 셋째, XAI를 적용한 1기·2기 신도시의 에너지 소비 패턴 분석에서는 구조적 차이와 ‘숨겨진 효율성(Hidden Efficiency)’을 규명하였다. Grad-CAM 결과에서 1기 신도시는 에너지 고활성 영역이 단지 전역에 넓게 분포하였다. 반면 2기 신 도시는 에너지 고활성 영역이 특정 결절점에 집중되었다. 이는 각각 ‘에너지 광 역적 분포(Energy Broad Distribution)’와 ‘에너지 초점형 집중(Energy Focal Concentration)’ 패턴으로 요약된다. 또한 SHAP 및 IG-Gate 통합 결과는 핵심 영향 변수를 제시하였다. 가장 결정 적인 변수는 자동차 보유대수(Mean|SHAP| 764,472), 대지면적(541,374), 세대수 (499,805)였다. 용적률 산정 연면적, 용적률, 도로면적도 상위 요인으로 나타났다. 이는 도시의 입체적 규모와 인프라 구조가 에너지 예측에 중요함을 의미한다. 특히 자동차 보유대수는 SHAP에서 음(-)의 영향력을 보였다. 이 결과는 주차 환 경이 우수한 신축 단지가 상대적으로 높은 에너지 효율성을 갖는다는 기존 연구 (서원석 외, 2012)와 방향이 일치한다. 따라서 자동차 보유대수는 지역의 ‘숨겨진 효율성(Hidden Efficiency)’을 반영하는 대리 변수(Proxy Variable)로 기능할 가 능성이 있음을 시사한다. 시계열 중요도(Grad×Input, Integrated Gradients, Occlusion) 분석 결과, 1기·2 기 신도시 모두에서 2000년대 중반 이후 시점의 영향이 상대적으로 커지는 ‘최 근성 민감 구조(recency-sensitive structure)’가 확인되었다. 그러나 시간에 대한 반응의 크기와 형태는 상이하게 나타났다. 1기 신도시는 특정 시점 이후 중요도 가 급격히 변하고 기여도의 반전·감소 폭이 크게 나타나 시간적 민감도가 높은 것으로 분석되었다. 반면, 2기 신도시는 변화가 전반적으로 완만하고 점진적으로 이동하는 양상을 보여 시간적 영향이 누적적으로 작용하는 특성을 보였다. 이는 1기 신도시의 에너지 소비 구조가 안정화된 상태에서 최근 시점의 변화에 민감 하게 반응하는 ‘포화형’ 특성을 보이는 반면, 2기 신도시는 인프라와 이용 패턴 의 변화가 진행되며 시간에 따라 소비 구조가 점진적으로 형성되는 ‘성장형’ 특 성을 보인다는 점을 시사한다. 넷째, 시나리오 시뮬레이션은 고밀도 개발의 에너지 효율성을 정량적으로 보 여주었다. 핵심 요인(분산/집중, 자동차 보유대수, 세대수, 용적률 등)을 변화시 킨 시나리오를 Baseline과 비교하였다. 그 결과 에너지 총량 증가는 10% 미만이 었다. 반면 인구 수용력은 4배 이상 확대되었다. 이는 ‘집적의 효율(Efficiency of Agglomeration)’이 나타났음을 의미한다. 또한 고밀도 복합 개발이 유기적 녹지 체계와 결합될 때 에너지 절감과 주거 쾌적성 확보를 동시에 달성할 수 있음을 확인하였다. 다만 실제 적용에서는 일조권, 교통, 거주 쾌적성 등 생활환경 요소 와의 균형을 함께 고려해야 한다. 종합하면, 근린주구 에너지 소비는 단편적 속성 변수만으로 결정되지 않았다. 공간배치 패턴(Image)과 시계열 추세(Time-series)가 속성(Attribute)과 함께 복합 적으로 작용하였다. 이는 도시계획이 물리적 조성 중심을 넘어, 시공간 데이터 기반의 정밀 진단을 통해 에너지 성능을 최적화하는 방향으로 전환될 필요가 있 음을 시사한다. MNEP-Model은 도시계획 단계에서 에너지 소비 패턴을 사전에 예측하고 대안 을 비교하는 의사결정 지원 도구로 활용될 수 있다. 특히 노후화된 1기 신도시 재정비에서는 물리적 형태의 개선만으로는 드러나지 않는 ‘숨겨진 효율성’과 ‘집 적의 효율’을 진단하고, ‘어디가–언제가–무엇이’ 소비를 좌우하는지에 대한 설 명가능한 근거(Grad-CAM·SHAP 등)를 바탕으로 배치·인프라·운영 대안을 다시 설계하는 데 활용될 수 있다. 다만 실무 적용성과 일반화를 높이려면 후속 보완이 필요하다. 첫째, AMI 실 측 데이터를 연계해 월·일·시간대별 소비 변화를 반영해야 한다. 둘째, 근린주구 를 넘어 생활권 단위까지 예측이 가능하도록 전이·집계 방법을 개발해야 한다. 셋째, 태양광 등 분산자원의 발전 잠재량과 저장·계통/열공급 운영 조건을 함께 넣어 소비–공급–운영을 통합적으로 다뤄야 한다. 넷째, CityGML·Energy ADE, BIM 등 3D 데이터와 UBEM을 연계해 예측 결과를 시뮬레이션으로 교차검증하 는 후속 연구가 필요하다.

번역하기

멀티모달 AI 기반 근린주구 에너지 사용량 예측 모델 개발 및 시뮬레이션 論文提出者金希映指導敎授李相浩 현대 사회의 급격한 도시화는 에너지 소비를 특정 도시공간에 집중시켰다...

목차 (Table of Contents)