연합학습 기반 LSTM으로 지역 에너지 커뮤니티 에너지 가용성 예측

초록

본 논문은 지역 에너지 커뮤니티(LEC)에서 개인의 소비·생산 데이터를 직접 공유하지 않고도 정확한 에너지 가용성 예측이 가능하도록, LSTM 모델을 연합학습(Federated Learning) 형태로 구현한 방법을 제시한다. 수평형 FL 구조와 맞춤형 FedAvg/FedProx 집계 알고리즘을 적용해 프라이버시를 보호하면서도 중앙집중식 모델에 근접한 예측 성능을 달성하였다. 실험은 200명의 생산자와 200명의 소비자를 포함한 합성 데이터셋을 이용해 수행되었으며, 데이터 공유 비율과 모델 정확도 간의 트레이드오프를 정량적으로 분석하였다.

상세 분석

이 연구는 LEC의 에너지 자급률을 높이기 위한 핵심 과제로 ‘정확한 수요·공급 예측’과 ‘프라이버시 보호’를 동시에 만족시키는 모델을 찾는 데 초점을 맞춘다. 저자는 LSTM 네트워크가 시간적 패턴을 포착하는 데 강점이 있음을 근거로 선택하고, 이를 수평형 연합학습(Horizontal FL) 구조에 결합하였다. 수평형 FL은 각 가구가 동일한 특성(시간‑에너지 시계열)을 보유하지만 데이터 양이 다를 때 적합한데, 이는 실제 LEC에서 각 가구가 독립적인 스마트 미터 데이터를 보유하는 상황과 일치한다.

모델 학습 과정은 전통적인 FedAvg를 기반으로 하면서, 클라이언트별 파라미터 업데이트를 24시간 시계열 의존성을 유지하도록 설계된 ‘FedProx’ 변형을 도입한다. 이는 클라이언트 간 데이터 이질성(heterogeneity)과 비동기 업데이트로 인한 수렴 불안정을 완화한다. 또한, 중앙 서버는 각 라운드마다 클라이언트 파라미터를 평균화한 뒤, 다시 각 클라이언트에 전송해 로컬 모델을 동기화한다. 이때 통신량을 최소화하기 위해 파라미터만 전송하고 원시 데이터를 전혀 교환하지 않는다.

데이터셋은 기존 연구