Home

스마트 그리드는 전력 효율성 극대화와 자유로운 미래 에너지 공급을 위하여 전력 인프라를 개선시킬 수 있는 수단이다[1]. 스마트 그리드를 통해 공급자와 소비자가 양방향 소통으로 전력량을 조절함으로써 에너지를 효율적으로 사용할 수 있다. 스마트 그리드 구현을 위하여 필수 전제조건이 바로 AMI이다[2]. AMI는 양방향 소통이 가능한 스마트 미터를 제공하고, Interval data, TOU(Time-Of-Use) data 등 기존 계량기와는 다른 새로운 데이터를 제공할 수 있으며 서비스의 연결과 해제가 가능하다[8]. AMI 시스템의 핵심 장치인 데이터 집중 장치(DCU, Data Concentration Unit)로부터 각 수용가별 정보를 수집하여 상위 시스템에 전송하면 분석 및 처리 과정을 거쳐 전력 사용 정보를 소비자에게 제공할 수 있다[2]. 스마트 그리드 환경내에서 AMI를 통해 실시간으로 전력 사용 데이터가 축적되며 이렇게 생성된 빅데이터를 활용한 다양한 연구들이 진행되었다[3]-[7].

[3]의 연구에서는 AMI 데이터와 K-Means 알고리즘을 활용하여 군집별 전력 사용 패턴에 관하여 분석하였다. [4]의 연구에서는 [3]과 동일한 데이터를 기반으로 전력 사용량을 예측하는 딥러닝 기반의 모델을 제시하였다. [5]의 연구에서는 K-Means 알고리즘을 통한 전력 소비 패턴별 군집화 후 신경망 알고리즘을 기반으로 소비자에게 개별 가전기기의 사용량 정보를 예측하였다. [6]의 연구에서는 동적타임워핑, 주기도와 같은 시계열 군집법과 함께 Seasonal ARIMA(Autoregressive Integrated Moving Average), TBATS(Trigonometric, Box-Cox transform, ARMA errors, Trend and Seasonal components) 모델, 신경망 모델을 기반으로 전력 사용량을 예측하였다. 이상의 선행연구에서는 스마트 그리드 환경하에서 발생하는 AMI 데이터와 머신러닝 및 딥러닝 모델 등을 통하여 전력 사용량을 예측하였다는 점과 가정 부문의 전력 사용을 분석하였다는 점에서 유사성을 갖는다.

한편, AMI 데이터를 기반으로 산업 부문 전력 사용을 분석한 선행연구는 아직까지 희소하다. [7]의 연구에서는 상업 시설들의 실시간 영업여부를 예측하는 모델을 제시하였으며 이를 위하여 준지도학습법과 CNN(Convolutional Neural Network) 알고리즘을 활용하였다.

상기 연구에서는 AMI 데이터를 활용하여 산업 부문을 분석하였으나 실제 전력 사용량이 아니라 영업 여부를 예측하는 것에 초점을 두었다. 이에 본 연구에서는 AMI 데이터를 활용하여, 아직까지 관련 연구가 충분치 못한 산업 부문에서의 전력 사용량을 예측하는 모델을 제안하고자 한다.

본 연구에서는 XGBoost와 LightGBM, LSTM과 같은 딥러닝 계열의 모델들을 분석에 활용하고자 한다. 각 모델에 대한 설명은 다음과 같다.

먼저 XGBoost는 트리 기반의 부스팅 모델로서 GBM(Gradient Boosting Machine)모델에서 병렬처리, 하드웨어 최적화 등의 개념을 도입하여 최적화한 모델이다[9]. XGBoost의 경우 하나의 결정 트리를 학습할 때 모든 임계값을 기준으로 분할하는 것이 아니라 데이터세트를 수많은 서브 데이터로 분할한 뒤 서브 데이터 내에서 최적값을 찾는 모델이다. 기존의 일반적인 의사결정 나무나 랜덤 포레스트 보다 GBM 기법을 통하여 나무가 성장하기에 학습 정확도 및 희소한(Sparse) 데이터에도 과적합을 방지할 수 있는 점이 장점이다.

LightGBM의 경우 XGBoost의 단점을 보완하는 방식으로 개발된 모델로서 GOSS(Gradient-based One-Side Sampling)를 통하여 데이터의 일부만으로 빠르게 정보 이득을 계산할 수 있으며 EFB(Exclusive Feature Bundling)를 통하여 feature의 수를 줄일 수 있다[10]. LightGBM은 이와 같은 방법을 이용하여 XGBoost 대비 학습 소요 시간을 줄이는 GBM 기반 모델이다.

LSTM(Long Short Term Memory)은 기존 Simple RNN의 Long Term Dependency를 해결하기 위하여 고안된 모델이다[11]. Cell-state를 통하여 이전 타임 스텝의 hidden state를 계속 전달하며 Forget gate를 통하여 이전 Cell state에서의 정보를 기억할지 결정한다. Input gate를 통하여 현재의 정보를 cell state로 더해주며 Output gate를 통하여 최종 output을 계산하는 모델이다. 전력 사용량 예측 분야 선행연구에서 LSTM을 사용하여 모델을 제안한 바 있다[12][13]. 본 연구에서는 상기 모델을 각각 활용하여 예측 모델을 구축하고 가장 성능이 우수한 모델을 최종적으로 제시하고자 한다.

본 연구의 개략적인 진행 절차는 그림 1에서 보는 바와 같다. 우선, 통신 빅데이터 플랫폼(https://bdp.kt.co.kr/)에서 제공하는 업종별 전력 사용량 정보를 통해 데이터를 구성한다. 그리고 데이터 전처리를 수행한 뒤 학습을 위하여 데이터를 분할한다. 그 후 세 종류의 딥러닝 모델을 통하여 학습을 진행하고, 성능을 평가한다. 선행연구 사례에서 군집화를 사용하여 모델의 성능을 높인 것처럼 본 연구에서도 군집화를 수행하고 각 군집별로 모델링 후 군집 전 구축한 모델과의 비교를 통하여 최종 모델을 제시한다.

Fig. 1. 
Research procedure

본 연구에서 학습에 활용한 데이터는 AMI 데이터로서 2018년부터 2021년까지의 AMI를 통해 측정한 전력 사용량 데이터이다. KT社에서 운영하는 통신 빅데이터 플랫폼에서 해당 데이터에 대한 접근이 가능하다. 본 연구에서는 특별·광역시 중 전력 자급률이 높은 인천광역시를 분석 대상으로 선정하였다. 데이터 내의 변수에는 측정일(Measurement date), 측정 시각(Measurement time), 업종명(Industry name), 업무 시간(Actual working hours), 상주 근무자 수(Number of resident workers) 등 업종 관련 정보와 함께 온도(Temperature value), 습도(Humidity value) 등 기상정보 및 종속변수인 전력 사용량(SG electricity usage value)을 포함한다. 업종 변수는 제조업(Manufacturing) 등 총 13가지 중 하나의 값을 가진다. 그중 제조업의 경우 전체 데이터의 약 45%를 차지하고 있으며 도매 및 소매업(Wholesale & Retail)의 경우 약 10%를 차지하고 있다. 추가적으로 측정일을 근거로 계절 변수를 생성하였고 온도와 습도 값을 활용해 불쾌지수(Discomfort index)라는 변수를 추가로 생성하여 분석에 활용하였다. 파생변수 생성 및 결측치와 중복제거 등 전처리를 완료한 데이터세트 예시는 그림 2에서 보는 바와 같다.

Fig. 2. 
Dataset samples

본 연구에서는 전력 사용량 예측을 위한 회귀모델을 제안한다. 이를 위해 앞서 준비한 데이터세트에서 먼저 중복 데이터와 결측치 제거, Label Encoding 등 전처리 작업을 수행하였다. 전체 데이터 세트는 총 833,450개이며, 학습용과 검증용 및 테스트용 데이터를 각각 6:2:2로 분할하여 모델 구축을 진행하였다.

본 연구에서는 XGBoost, LightGBM 및 LSTM을 사용하여 모델을 훈련하였으며 모델별로 하이퍼파라미터 튜닝을 하였다. 먼저 XGBoost와 LightGBM은 HyperOpt 라이브러리를 활용하였는데 XGBoost의 max_depth는 9, n_estimators는 876, subsmaple은 0.99, learning_rate는 0.017로 설정하였고 LightGBM의 max_depth는 10, n_estimators는 874, subsample은 0.68, learning_rate는 0.26으로 설정하였다. LSTM은 총 9개의 레이어로 모델을 구축하였으며, 총 파라미터의 개수는 2,868,737개이다. LSTM층에는 BiLSTM을 적용하여 예측의 정확도를 향상시켰으며 각 LSTM층별 LayerNormalization을 적용하여 모델의 안정성을 향상시켰다. 각 밀집층 사이에는 Dropout을 적용하여 과적합을 방지하였으며 초기 학습률은 1e-3이고 Adam 옵티마이저를 사용하여 학습하였다. 학습률 스케쥴러의 경우 Reduce On Plateau 스케쥴러를 통하여 학습의 정확도를 높였다.

모델 성능에 대한 평가지표는 오차의 절대값의 평균인 MAE(Mean Absolute Error), 오차의 제곱의 평균의 제곱근인 RMSE(Root Mean Square Error), 그리고 MAE의 백분율인 MAPE(Mean Average Percent Error)를 사용하였다.

세 지표 모두 0에 가까울수록 모형의 성능이 좋은 것으로 해석할 수 있다. 본 논문에서 구축한 세 가지 모델의 성능은 각각 표 1에서 보는 바와 같다. 모델 간의 차이가 크지는 않았으나 세 지표 기준 LSTM 기반의 예측 모델이 타모델 대비 오차가 적었다. 백분율을 기반으로 하기 때문에 해석하기 용이한 MAPE 값을 근거로 할 때 본 논문에서 제안한 LSTM 모델의 예측값과 실제 전력사용량이 16% 정도 차이난다고 볼 수 있다.

본 연구에서는 가장 우수한 성능을 보인 LSTM 모델에서 변수들의 중요도를 비교분석하기 위하여 SHAP(SHapley Additive exPlanation)을 활용하였다. SHAP은 개별 예측값에 대한 각 변수들의 영향력을 Shapley Value를 통하여 나타내는 방법으로서 모델의 해석과 설명에 활용된다[14]. SHAP 분석 결과는 그림 3에서 보는 바와 같다. X축은 Shapley Value 값으로서 절대값이 클수록, 다시 말해 특정 변수의 Shapley Value 분포 범위가 넒을수록 목표변수에 대한 영향력이 크다는 것으로 해석할 수 있다. 그리고 색상은 빨간 색에 가까울수록 해당 변수의 값이 크고 파란 색에 가까울수록 작은 것을 의미하는데 특정변수의 색상 구분이 선명할수록 예측에 유용한 변수라 볼 수 있다. 그림 3에 따르면 온도(Temperature value)와 습도(Humidity value) 등 기상 조건, 그리고 상주 근무자수(Number of resident workers)가 전력 사용량에 영향력이 큰 중요 변수들로 나타났다. 특히 상주 근무자 수의 경우 값이 높을수록 전력 사용량에 영향을 많이 미치는 것을 확인할 수 있다. 온도의 경우 값이 높을수록 전력 사용량이 많은 것을 확인할 수 있으며 습도는 값이 낮을수록 전력사용량에 영향을 많이 미치는 것을 확인할 수 있다.

Fig. 3. 
SHAP value of the features

업종과 관련된 변수들을 살펴보면 숙박 및 음식점업(Accommodation & food)과 제조업(Manufacturing)이 전력 사용량에 가장 큰 영향을 미치는 것을 확인할 수 있었다. 반면 그 외 업종의 경우 전력사용량에 대한 영향은 상대적으로 적은 것을 확인하였다.

선행연구들의 사례를 참고하여 본 연구에서도 군집화를 수행하였다. K-Means 알고리즘을 활용하여 종속변수인 전력 사용량을 제외한 독립변수들로 군집을 구성하였다. 군집의 적정수는 실루엣 계수값으로 판단하였다. 군집 결과에 대하여 t-SNE을 통해 차원축소한 결과를 시각화하면 그림 4와 같다.

Fig. 4. 
Data cluster visualization

군집화 후 모델의 성능 변화를 측정하였다. 각 군집별로 MAE, RMSE, MAPE 값을 구한 결과는 표2에서 보는 바와 같다. 군집화 후 모델의 성능이 대체로 개선된 것을 확인할 수 있으며 세 가지 평가지표를 근거로 모든 군집군에서 LSTM기반 예측 모델의 오차가 가장 적은 것으로 나타났다. 특히 0번과 1번 군집보다 2번 군집에서 모든 모델의 오차가 대폭 감소한 것을 확인할 수 있었다. 이에 각 군집에 포함된 데이터를 살펴본 결과 2번 군집에 포함된 업종은 모두 보건업 및 사회복지 서비스업으로 한정되어 있었다. 이 업종들은 전반적으로 전력 사용량이 적어 다른 군집에 비해 특히 성능 개선의 폭이 큰 것에 영향을 끼친 것으로 판단된다.