조선소 최대전력수요 예측을 위한 알고리즘 비교분석 및 최적기법 도출 = Comparative Analysis of Algorithms and Optimal Model Selection for Shipyard Peak Power Demand Forecasting

다국어 초록 (Multilingual Abstract)

With the rise of Industry 4.0 and ESG management, energy efficiency is vital for the shipbuilding industry. In Korea, industrial electricity costs heavily depend on "Peak Power" demand, where the highest daily peak recorded during specific seasons determines the base rate for the entire year. Consequently, accurate daily forecasting is crucial for cost reduction, yet existing empirical methods fail to capture the non-linear fluctuations of shipyard power consumption.
This study identifies the optimal forecasting model and proposes an ensemble approach using daily shipyard operating data from 2016 to 2023. The dataset integrates power consumption, production processes, and meteorological factors. Twelve models across five categories—RNN, Transformer, MLP, Gradient Boosting, and Koopa—were evaluated using MAE, RMSE, and R2 scores.
Experimental results revealed that the N-HiTS (Neural Hierarchical Interpolation for Time Series) model achieved superior performance among single models (R2 0.8775, MAE 1,173kW). N-HiTS successfully captured multi-scale seasonality through hierarchical interpolation, outperforming complex Transformer-based models like TFT (R2 0.765) and traditional RNNs.
To enhance stability, ensemble models were constructed using N-HiTS as the base learner. Statistical verification (t-test) indicated that the LSTM Meta Learner provided the most statistically significant improvement (p-value < 0.05), achieving an MAE of 1,243kW and R2 of 0.8653. This research validates the N-HiTS architecture and the LSTM ensemble as robust solutions for precise electricity cost management in smart shipyards.

목차 (Table of Contents)

• I. 서 론 1
• 1. 연구 배경 및 목적 1
• II. 배경 이론 4
• 1. 머신러닝/딥러닝 이론적 배경 4
• 1) RNN(순환 신경망) 기반 모델 4
• 2) Transformer 기반 모델 7
• 3) 다중 퍼셉트론(MLP) 기반 모델 12
• 4) Gradient Boosting 모델 15
• 5) 기타 시계열 모델 17
• 2. 기존 문헌 고찰 18
• 1) 산업용 및 선박 전력 수요 예측 연구 18
• 2) 딥러닝(Deep Learning) 기반 시계열 예측 모델 21
• 3) Transformer 기반 시계열 예측 모델 24
• 4) MLP(Multi-layer Perceptron) 기반 시계열 예측 모델 28
• 5) Gradient Boosting 기반 모델 30
• 6) 기타 시계열 모델 31
• 7) 비교 연구 및 벤치마킹 33
• III. 본 론 35
• 1. 연구 방법 35
• 1) 방법론 및 절차 35
• 2) 조선소 데이터 개요 및 전처리 36
• 3) 실험 설계 38
• 2. 탐색적 데이터 분석(EDA) 40
• 1) 데이터셋 개요 40
• 2) 기술 통계 분석 41
• 3) 계절적 변동성 분석 42
• 4) 공휴일 효과 42
• 5) 상관 변수 42
• 3. 단일 모델 실험 결과 44
• 1) 모델 분류 및 평가 개요 44
• 2) 순환 신경망(RNN) 계열 46
• 3) Transformer 기반 계열 47
• 4) MLP 기반 계열 48
• 5) Gradient Boosting 기반 계열 49
• 6) 기타 시계열 기반 51
• 7) 계열별 성능 비교분석 51
• 8) 단일 우수 모델: N-HiTS 53
• 9) 한계점 및 개선 방향 54
• 4. Ensemble 모델 실험 결과 55
• 1) Ensemble 기법 개요 55
• 2) Ensemble 모델 구성 55
• 3) 실험 결과 및 분석 61
• IV. 결론 및 향후 연구방향 63
• 참 고 문 헌 66
• ABSTRACT 70
• 감사의 글 72