에너지 주입 식별 기반 딥 멀티태스크 NILM 프레임워크 DualNILM

초록

본 논문은 가정용 전력계 측정에 태양광·배터리 등 BTM(Behind‑the‑Meter) 에너지 주입이 혼재될 경우 발생하는 신호 소실 문제를 해결하기 위해, 변압기 기반 Transformer 구조와 시퀀스‑투‑포인트·시퀀스‑투‑시퀀스 결합 멀티태스크 학습 모델 DualNILM을 제안한다. 모델은 가전기기 ON/OFF 상태와 주입 전력을 동시에 추정하며, 활성·무효 전력 등 다채널 입력을 활용해 시간·스케일 차이를 포착한다. 자체 수집 및 합성 PV‑증강 데이터셋 실험에서 기존 NILM 기법을 크게 능가하는 정확도를 보였으며, 데이터와 코드가 공개되어 재현성을 확보한다.

상세 분석

DualNILM은 기존 NILM이 전제하는 “총 전력은 순수 소비 부하의 비음수 합”이라는 가정을 깨뜨리는 BTM 재생에너지 주입 현상을 수학적으로 재정의하고, 이를 두 개의 병렬 학습 목표로 전환한다. 첫 번째 태스크는 시퀀스‑투‑포인트(Seq2Point) 방식으로 각 가전의 이산 ON/OFF 상태를 예측하는 것이며, 두 번째 태스크는 시퀀스‑투‑시퀀스(Seq2Seq) 구조를 통해 연속적인 주입 전력 π(t)를 회귀한다. 핵심 설계는 Transformer 인코더‑디코더에 멀티채널 피처(활성 전력, 무효 전력, 전류 고조파 등)를 입력하고, 멀티헤드 어텐션을 통해 시간‑스케일과 전기적 특성(예: 인버터는 주로 활성 전력에만 영향을 줌)을 동적으로 가중한다. 이렇게 하면 단일 채널만 사용할 때 발생하는 ‘신호 일식(signal eclipse)’과 ‘시간 별칭(temporal aliasing)’ 문제를 완화한다.

모델은 두 개의 출력 헤드를 갖는데, 가전 상태 헤드는 시그모이드 활성화와 BCE 손실을, 주입 전력 헤드는 선형 출력과 MSE 손실을 사용한다. 전체 손실은 가중합 L = α·L_state + β·L_injection 형태로 조정 가능하며, α와 β는 데이터셋의 불균형(예: 주입 전력은 상대적으로 짧은 구간에만 발생) 을 보정한다.

데이터 측면에서 저자들은 기존 REDD·UK‑DALE 데이터에 실제 기상 데이터 기반 PV 발전 프로파일을 합성하는 파이프라인을 구축하였다. 합성 과정은 일사량, 온도, 클라우드 커버 등을 고려해 인버터 출력 곡선을 시뮬레이션하고, 이를 원본 부하와 합산해 ‘net‑metered’ 시계열을 만든다. 이렇게 만든 PV‑증강 데이터셋은 공개되어 향후 BTM‑NILM 연구의 표준 벤치마크가 될 수 있다.

실험 결과는 두 가지 축에서 평가된다. (1) 가전 상태 인식 정확도(F1, MCC 등)에서는 기존 CNN‑RNN·Seq2Point 모델 대비 평균 12%p 향상을 보였으며, (2) 주입 전력 추정 MAE는 0.15 kW 이하로, 500 W 이하 마이크로 인버터 실험에서도 신뢰성 있게 복원했다. 특히, 주입 전력이 전체 부하를 초과해 전력 흐름이 음수가 되는 경우에도 모델은 비음수 제약을 강제하지 않음으로써 안정적인 추정을 수행한다.

이러한 설계는 ‘멀티태스크 학습이 서로 보완적인 신호’를 활용한다는 점에서 의미가 크다. 주입 전력 추정은 장기적인 트렌드(일조량 변화)를 포착하고, 가전 상태 인식은 급격한 스위칭 이벤트를 감지한다. 두 태스크가 공유하는 Transformer 인코더는 이러한 상이한 패턴을 동시에 학습함으로써, 단일 태스크 모델이 겪는 과적합·표현 한계를 극복한다.

한계점으로는 (i) 고주파(≥10 kHz) 전류 고조파와 같은 미세 전기 특성을 활용하지 않아 초저전력 가전(LED 조명 등) 구분에 한계가 있을 수 있다, (ii) 합성 데이터에 의존하는 비율이 높아 실제 현장 배포 시 도메인 차이가 발생할 가능성이 있다. 향후 연구에서는 실제 BTM‑PV 설치 가정의 고해상도 측정 데이터를 수집하고, 그래프 신경망을 결합해 가전 간 상관관계를 모델링하는 방향이 제시된다.