의사동적 접근을 이용한 건물 에너지 수요 예측을 위한 서포트 벡터 머신

초록

본 논문은 건물 에너지 소비를 고정밀도로 예측하기 위해 서포트 벡터 머신(SVM)을 적용하고, 학습 데이터 선택에 동적 시간 왜곡(DTW) 기반의 ‘관련 일 선택’ 방법을 도입하였다. 또한 건물의 열관성 효과를 반영하기 위해 의사동적(pseudo‑dynamic) 모델을 구축하여 전이 효과와 점유 프로파일을 고려하였다. 프랑스 낭트 Ecole des Mines 사무실 건물 데이터를 대상으로 실험한 결과, 전체 데이터를 이용한 학습에 비해 관련 일 선택 방식이 예측 정확도는 유지하면서 학습 시간을 크게 단축시켰으며, 실시간 온라인 제어 구현에 적합함을 확인하였다.

상세 분석

이 연구는 데이터‑드리븐 기반 에너지 예측 모델이 학습 데이터의 품질과 양에 크게 의존한다는 점에 착안한다. 기존 SVM 적용 사례들은 전체 데이터셋을 무차별적으로 사용해 과적합 위험과 연산 비용 증가 문제를 안고 있었으며, 특히 건물 에너지 수요와 같이 계절·시간 변동성이 큰 시계열 데이터에서는 비관련 데이터가 모델 성능을 저해할 가능성이 높다. 이를 해결하기 위해 저자는 동적 시간 왜곡(DTW) 알고리즘을 활용해 과거 일별 에너지 패턴과 현재 예측 대상일의 기상·점유 조건을 정량적으로 비교한다. DTW는 시간 축이 비선형적으로 변형된 두 시계열 간의 최적 정합을 찾는 방법으로, 유사한 패턴을 보이는 ‘관련 일’을 자동으로 추출한다. 이렇게 선정된 소수의 일(예: 5~10일)만을 학습 데이터로 사용함으로써 SVM의 초매개변수 튜닝이 보다 안정적이며, 학습 시간은 수분 수준으로 급감한다.

또한 건물의 열관성(thermal inertia)은 에너지 소비가 현재 외부 조건뿐 아니라 과거 온도·점유 상태에 의해 영향을 받는다는 점에서 전통적인 정적 회귀 모델로는 충분히 포착하기 어렵다. 저자는 ‘의사동적(pseudo‑dynamic)’ 접근을 도입해, 과거 몇 시간(또는 하루)의 에너지 사용량과 점유 프로파일을 입력 변수에 포함시킨다. 이는 실제 동적 시스템 모델링에 필요한 복잡한 미분방정식 해석을 회피하면서도, 시간적 전이 효과를 데이터‑드리븐 방식으로 반영한다는 장점이 있다.

실험은 프랑스 낭트에 위치한 Ecole des Mines 사무실 건물을 대상으로 진행되었다. 데이터는 1년치 실측 전력 소비, 외기 온·습도, 내부 점유 스케줄 등을 포함한다. 두 가지 학습 전략을 비교했는데, (1) 전체 데이터를 이용한 전통적 SVM 학습, (2) DTW 기반 관련 일 선택 후 의사동적 입력을 포함한 SVM 학습이다. 결과는 다음과 같다. 전체 데이터를 사용한 경우, 주말 데이터 학습에 약 31시간, 평일 데이터 학습에 116시간이 소요되는 반면, 관련 일 선택 방식은 약 8분만에 학습이 완료된다. 예측 정확도 측면에서는 평균 절대 오차(MAE)와 평균 제곱근 오차(RMSE) 모두에서 차이가 미미했으며, 일부 경우에는 관련 일 선택 모델이 오히려 더 낮은 오류를 기록했다. 이는 과잉 학습(over‑fitting)을 방지하고, 실제 운영 환경에서 실시간 예측 및 제어에 적합한 모델임을 시사한다.

이 논문의 주요 기여는 다음과 같다. 첫째, DTW를 활용한 데이터 선택 프레임워크를 제시함으로써 대규모 시계열 데이터에서 효율적인 학습 샘플을 자동 추출한다. 둘째, 의사동적 입력 설계를 통해 열관성 효과를 간단히 모델링하면서도 예측 성능을 유지한다. 셋째, 실험을 통해 연산 비용 절감과 예측 정확도 유지라는 두 마리 토끼를 동시에 잡을 수 있음을 입증한다. 이러한 접근은 BEMS(건물 에너지 관리 시스템)와 같은 실시간 제어 플랫폼에 직접 적용 가능하며, 향후 다양한 건물 유형과 기후대에 대한 일반화 연구가 기대된다.