산업단지 굴뚝 TMS 데이터를 활용한 LSTM 기반 배출가스 예측 = LSTM-Based Prediction of Emission Concentration Using Stack TMS Data from Industrial Complexes

국문 초록 (Abstract)

전 세계적으로 대기오염이 증가하고 환경피해가 발생함에 따라, 여러 배출원 중 산업단지 내 공장에서 배출되는 오염물질에 대한 규제가 강화되고 있다. 이에 산업단지 주요 배출 굴뚝에 TMS(Tele-Monitoring System)를 설치하여 배출 오염물질을 상시 감시하는 체계가 구축되었으며, 이러한 규제를 통해 오염물질 배출량이 감소하는 추세를 보이고 있다. 그러나 현재의 TMS 관리 체계는 산업공정 이상 등의 원인으로 고농도 오염물질이 배출된 후에야 문제를 인지하고 대처하는 사후관리 방식으로 운영되고 있어, 배출 전 사전 예방에는 한계가 있다.
본 연구에서는 고농도 오염물질 배출을 사전에 방지하기 위해 LSTM(Long Short-Term Memory) 모델을 활용하여 산업단지 배출가스를 예측하고 그 정확도를 평가하고자 하였다. 이를 위해 여수·광양 산업단지 내 5개 사업장 TMS 데이터를 대상으로 업종별 특성과 LSTM 모델의 학습 조건별 예측성능을 검토하였다. 분석 대상 오염물질은 TSP, SOx, NOx이며, 데이터 전처리 방법, 시퀀스 길이, 학습 반복횟수 등 다양한 조건에 따른 예측 정확도를 RMSE 및 MAPE 지표를 통해 평가하였다.
예측 성능은 오염물질 및 사업장별로 RMSE 0.1521~14.5438, MAPE 1.81~93.34%의 광범위한 편차를 나타내었으며, 원시 데이터의 시계열 패턴 및 통계적 특성이 예측성능에 주요한 영향을 미치는 것으로 확인되었다. 특히 데이터의 변동성(CV)이 낮을수록, 계절적 패턴이 뚜렷할수록, 히스토그램이 정규분포 형태를 나타낼수록 LSTM 모델의 예측 정확도가 향상되었다.
본 연구를 통해 산업단지 굴뚝 TMS 데이터를 활용한 배출가스 예측의 가능성을 확인하였으며, 예측 성능을 향상시키기 위한 데이터 전처리 및 모델 최적화 방안을 제시하였다는 점에서 의의가 있다. 본 연구 결과는 향후 산업 현장에 배출가스 예측 모델을 도입하는데 있어 중요한 기초자료로 활용될 것으로 기대되며, 사전 예방적 대기오염 관리 체계 구축에 기여할 수 있을 것으로 판단된다.

다국어 초록 (Multilingual Abstract)

With the global increase in air pollution and the resulting environmental damage, regulations on pollutants emitted from factories within industrial complexes have been continuously strengthened. In response, Tele-Monitoring Systems (TMS) have been installed on major emission stacks in industrial areas to enable continuous monitoring of pollutant emissions, contributing to a gradual decline in overall emissions. However, the current TMS management framework operates primarily as a reactive, ex-post control system, detecting and addressing high-concentration emissions only after they occur due to industrial process abnormalities, which limits its capacity for preventive management.
This study aims to prevent high-concentration emissions in advance by applying a Long Short-Term Memory (LSTM) model to predict industrial emission levels and evaluate prediction accuracy. TMS data from five facilities within the Yeosu–Gwangyang industrial complex were used to examine industry-specific characteristics and the predictive performance of the LSTM model under varying training conditions. The target pollutants were TSP, SOx, and NOx, and prediction accuracy under different conditions such as preprocessing methods, sequence lengths, and training epochs was evaluated using RMSE and MAPE.
Prediction performance varied widely across pollutants and facilities, with RMSE ranging from 0.1521 to 14.5438 and MAPE from 1.81% to 93.34%. The results confirmed that the time-series patterns and statistical characteristics of the raw data substantially influenced predictive performance. In particular, the LSTM model showed higher predictive accuracy when data exhibited lower variability (CV), clearer seasonal patterns, and histogram distributions closer to a normal distribution. This study is significant in that it demonstrates the feasibility of predicting emission concentrations using stack-level TMS data from industrial complexes and presents data preprocessing and model optimization strategies for improving predictive performance. The findings are expected to serve as important foundational data for implementing emission-prediction models in industrial settings and contribute to the establishment of a proactive air-pollution management system.

목차 (Table of Contents)

• 1. 서론 1
• 2. 이론적 배경 3
• 가. 국내외 굴뚝 배출가스 연속감시체계의 제도적 발전 3
• 나. TMS 측정방법 5
• 1) 입자상 오염물질 5
• 2) 가스상 오염물질 5
• 3) 산소 및 기타 측정항목 6
• 4) 측정 데이터의 품질관리 7
• 다. TMS 측정대상 오염물질의 특성 및 발생 8
• 1) 주요 오염물질의 특성 및 발생원 8
• 2) 국내 사업장 배출현황 및 관리동향 11
• 라. 시계열 예측을 위한 딥러닝 모델 14
• 1) 순환신경망(RNN) 14
• 2) 장단기메모리(LSTM) 16
• 3. 연구 내용 및 방법 18
• 가. 연구 대상 시설의 선정 및 운영 현황 18
• 나. 데이터 수집 23
• 1) TMS 데이터 수집 23
• 2) 측정기기 상태정보 수집 26
• 다. 배출가스 TMS 데이터 특성 분석 28
• 라. LSTM을 통한 TMS 데이터 예측 30
• 마. 딥러닝 모델 성능평가지표 33
• 바. 학습 데이터 전처리 기법 35
• 1) 수동적 전처리 35
• 2) IQR 기반 전처리 36
• 4. 연구 결과 및 고찰 37
• 가. 연구 대상 사업장 TMS 데이터 분석 37
• 나. 사업장 TMS 데이터 상관관계 분석 53
• 1) Spearman 상관관계 53
• 2) Flow IQR 필터링 전후 상관관계 54
• 다. 데이터 전처리 결과 60
• 라. 딥러닝 기반 LSTM 모델 예측 성능 평가 62
• 1) Loss Curve를 통한 모델 학습 검증 62
• 2) 데이터 특성과 모델 성능 종합 분석 62
• 5. 결론 및 향후계획 77
• 가. 결론 77
• 나. 향후계획 78
• 참고문헌 79
• Abstract(영문초록) 81