인공지능이 예측하는 건물 난방, '의사 동적 모델'로 정확도 높인다

초록

본 연구는 인공 신경망(ANN)을 활용해 점유 패턴과 난방 운영 특성을 반영한 건물 난방 수요 단기 예측 모델을 제안한다. 기존 정적 모델의 한계를 극복하기 위해 시간에 따른 운영 특성 변화를 고려한 ‘의사 동적 전환 모델’을 새로 도입했으며, 프랑스 한 기관 건물에 적용한 결과 예측 정확도가 크게 향상됐다. 또한 직교 배열 설계를 통해 최적의 운영 일정을 도출하여 에너지 서비스 회사(ESCO)의 실시간 난방 시스템 제어에 활용 가능성을 보였다.

상세 분석

이 논문의 핵심 기술적 기여는 ‘의사 동적 전환(Pseudo Dynamic Transitional)’ 모델 개념을 도입한 점에 있다. 기존의 정적(Static) ANN 모델은 시간의 흐름에 따른 시스템 상태 변화를 내부적으로 충분히 반영하지 못하는 한계가 있었다. 반면, 완전한 동적(Dynamic) 신경망(예: 순환 신경망)은 복잡도와 계산 비용이 높은 경우가 많다. 본 연구에서 제안한 의사 동적 모델은 이 사이의 균형을 찾는다. 구체적으로, 난방 시스템의 운영 파워 레벨 특성에 ‘시간 의존 속성’을 명시적으로 입력 변수로 포함시킴으로써, 시스템이 다른 상태(예: 준비, 가동, 유지)로 전환되는 과도기(Transitional) 동작을 모델이 더 잘 학습할 수 있도록 했다.

성능 비교 결과가 이를 입증한다. 학습 단계에서 정적 모델의 상관계수(R)가 0.82인 반면, 의사 동적 모델은 0.89로 더 높았다. 특히 중요한 것은 예측(검증) 단계에서의 성능 차이다. 정적 모델의 상관계수는 0.61로 크게 하락한 반면, 의사 동적 모델은 0.85를 유지했다. 이는 제안 모델이 학습 데이터에 과적합되지 않고, 보지 않은 데이터에 대한 일반화 성능이 훨씬 우수함을 의미하며, 실용적인 예측 도구로서의 가치를 높인다.

또 다른 중요한 분석 포인트는 ‘직교 배열(Orthogonal Array) 설계’를 활용한 모델의 강건성(Robustness) 검증이다. 이는 실험 계획법의 기법으로, 점유 프로필과 운영 파워 레벨 설정과 같은 여러 요인들을 체계적으로 변화시켜 모델 출력에 미치는 영향을 분석했다. 이를 통해 ESCO가 제안한 새로운 운영 일정의 타당성을 확인하고, 최