2.1 체감온도 변수

편의점 건물의 전력 사용량은 냉동/냉장/냉난방으로 세분화하여 구분할 수 있으며, 이 중 냉난방의 전력 사용량은 비선형적으로 나타난다^[11]. 편의점 건물 에너지 사용량의 주된 변동은 냉난방으로 발생하며, 냉난방은 외부 환경에 노출된 소규모 상업시설에서 고객 유치를 위해 필수적으로 운전된다. 체감온도의 도입은 비선형적 변화를 세밀하게 분석하는 데 중요한 요소로, 실내외 환경 변화에 따른 냉난방 요구 예측의 정확도를 높이는 데 기여한다. 체감온도(Apparent temperature, AT)는 인간이 느끼는 온도를 반영하는 포괄적 지표로서, 건구 온도, 상대습도, 풍속, 증기압을 종합적으로 고려하여 산정된다. 이 변수는 실제로 인간이 체험하는 환경을 더 정확하게 반영하므로, 에너지 수요 모델링에 있어서 실질적인 온도보다 더욱 유용할 수 있다. 이는 기존의 단순 건구 온도만을 고려하는 것보다 인간이 실제로 느끼는 온도를 더 잘 반영할 수 있으므로, 에너지 사용량과 냉난방 요구를 예측하는 모델의 정확도 향상을 위해 중요한 역할을 한다. 체감온도를 산정하기 위한 식은 다음 식 (1)과 같다^[12]. 식 (1)에서 $Ta$는 건구 온도(℃), $rh$는 상대습도(%), $V$는 풍속(m/s), $e$는 증기압(Pa)을 의미한다.

2.2 도일 변수

도일법(Degree day)은 건물의 에너지 사용량 예측에 기초가 되는 개념으로, 공조시스템의 효율, 실내 온도, 그리고 실내 발열량이 비교적 일정하다는 가정하에 기준온도와 일 평균 외기온도 간의 차이에 비례하여 에너지 사용량을 추정한다^[13]. 도일 변수는 온도의 변화에 따라 건물의 에너지 요구를 정량적으로 평가하는 데 사용되며, 본 연구에서는 입력 변수에 도일 변수를 적용하여 편의점 건물의 냉난방 요구량을 도입하기 위한 변수로 활용하고자 한다.

도일 변수 산정 시 외기 온도별 난방 기준온도는 20℃, 냉방 기준온도는 27℃ 및 외기온도 20~27℃는 비냉난방으로 설정하였다^[14]. 도일 변수는 비냉난방, 난방 및 냉방에 해당하는 범주형 데이터와 수치형 데이터 두 가지로 생성된다. 수치형 도일 변수 산정 방법은 성능이 우수한 시간별 도일법을 기반으로^[15], 일별 도일 변수를 산정한다. 도일 변수는 일 평균 외기온도에 따라 다음의 식 (2, 3)을 이용한다. $T_{mean}$은 일 평균 외기온도를 의미하며, 시간별 외기온의 평균을 적용한다.

2.3 예측 모델

본 연구에서는 편의점 건물의 에너지 사용량을 예측하기 위해 체감온도 변수와 도일 변수를 활용한다. 예측 모델로는 다양한 데이터 구조와 특성을 고려하기 위해 여러 기계학습 및 앙상블 알고리즘을 적용한다. 의사결정나무 기반 앙상블 모델들은 각기 다른 방식으로 데이터의 비선형 패턴을 학습한다. RF는 다수의 결정 트리를 활용하여 예측 성능을 향상한 모델로, 각 트리는 데이터의 붓스트랩(Bootstrap)을 통해 서로 다른 부분집합에서 학습하여 다양성을 확보한다^[16]. XGBoost는 최적화된 부스팅 기법을 사용하여 과적합을 방지하고 예측 성능을 개선한다^[17]. CatBoost는 범주형 변수 처리에 특화된 부스팅 기반 모델이다^[18]. Least Absolute Shrinkage and Selection Operator(LASSO) 모델은 복잡성을 제어하여 과적합을 방지 하고, 대규모 데이터 세트에서 중요 변수를 선별하여 모델의 효율성을 높이는 데 이점을 가진다^[19]. Convolutional Neural Network(CNN)은 CNN 모델은 복잡한 데이터의 공간적 및 시간적 패턴을 학습하는 데 탁월한 성능을 보이는 심층 학습 모델이다. CNN 모델은 시간적 변동성이 큰 데이터, 패턴을 인식하고 예측하는 데 유용하다^[20]. 최종적으로, Stacking 모델은 여러 개별 모델의 예측을 결합하여 정확하고 신뢰성 있는 예측 결과를 도출한다^[21]. 앙상블 모델, 회귀 모델, 신경망 모델에 적용하여 체감온도와 도일 변수의 영향을 다각도로 분석하고자 한다. 또한, 다양한 모델에 대해 예측을 수행하고 앙상블 모델에 적용함으로써 편의점 건물의 에너지 사용량 예측의 정확도와 안정성을 높이고자 한다.

3.1 예측 모델 데이터 세트

분석 대상은 전국에서 취득한 편의점 86개소이며, 지역별 지점 수는 표 1과 같다. 2022년 1월 5일~2022년 12월 31일까지의 지점별 누적 전력 사용량 측정 데이터를 연구에 사용하였다. 기상 데이터는 동일 기간 기상청에서 제공되는 1시간 단위 기상 데이터를 사용하였다. 지역별 기상 데이터는 지역별 기상청 취득 지점에 대한 평균으로 계산하였다.

3.2 변수별 상관관계

본 연구에서 활용한 입력 변수는 총 8개로 그림 1에서 왼쪽 위에서 순서대로 DD_category, holidays, DD, AT이며, 각각 도일 변수의 범주, 공휴일, 도일 변수, 체감온도를 의미한다. 상관관계 분석을 통해 도입 변수와 건물 지점별 정보와의 관계를 분석하였다. 상관관계는 –1~1까지의 범위를 가지며, 값이 1에 가까울수록 강한 양의 선형관계를, -1에 가까울수록 강한 음의 선형관계를 나타낸다. 0에 가까운 값은 변수 간에 선형관계가 없음을 의미한다. 분석 결과 범주형 도일 변수와 체감온도의 상관관계가 기존 환경변수보다 높은 상관관계를 보였으며, 온도 상승이 특정 건물의 에너지 수요를 증가시킬 수 있음을 의미한다. 도일 변수의 경우 대부분의 지점에서 양의 상관관계를 나타내나, 일부 지점에서는 음의 관계가 나타났다. 같은 지역에서 동일한 환경변수를 사용하므로 측정 지점과의 지리적 위치의 차이와 건물의 운영 환경에 따라 상관관계의 차이가 발생한 것으로 사료된다. 체감온도 및 도일 변수의 경우 기존 환경변수를 사용하여 산정하므로 입력 변수 간 상관관계가 높게 나타나는 문제가 발생한다.

그림 1. 충남지역 5개소 입력 변수 간 상관관계

Fig. 1. Correlation among input variables at five locations in the Chungnam province

3.3 주성분 분석

본 연구에서 다루는 건물 에너지 사용량 예측 모델은 다수의 변수를 포함하고 있다. 변수별 상관관계 분석 결과 체감온도와 도일 변수는 기존 환경변수를 이용하여 생성되므로 입력 변수 간 높은 상관관계를 갖는다. 변수 간 강한 상관관계는 모델의 안정성과 예측력을 저하할 수 있다^[22]. 주성분 분석의 적용은 모델의 다중공선성 문제를 해결하고 모델 학습 속도 개선에 기여한다^[23]. 이러한 문제를 해결하기 위해 본 연구에서는 주성분 분석을 적용한다.

3.4 하이퍼파라미터 최적화

하이퍼파라미터 최적화는 예측 모델의 성능을 극대화하고, 과적합을 방지하는 데 중요한 과정이다. 이 과정은 모델이 학습 데이터에 과적합 되는 것을 방지하고, 일반화 능력을 향상하는 데 필요하다. 본 연구에서는 광범위한 하이퍼파라미터 공간을 효율적으로 탐색하기 위해 GridsearchCV 방법을 적용하였다.

4.1 기준 및 제안 방법

본 연구의 핵심은 기존의 실측데이터와 기상 데이터를 활용하는 기본적인 방법에 변수를 추가하여 예측 성능 개선에 초점을 둔다. 이를 위해, 본 연구는 두 경우에 대한 비교분석을 수행한다. 기존 방법의 경우 선행연구에서 공통으로 활용되는 환경변수만 이용하여 예측하는 것을 선정하였으며^[10], 제안 방법은 본 논문에서 제시하는 체감온도 및 도일 변수를 추가한 방법을 의미한다. PCA를 통한 차원 축소는 두 경우에 대하여 동일한 조건에서 비교하기 위해 3차원으로 입력 변수의 수 축소한다. 예측 방법에 대한 구조도는 다음 그림 2와 같다.

그림 2. 기준 및 제안 방법 구조도

Fig. 2. Baseline and proposed model diagram

4.2 편의점 86개소 예측 결과

본 연구는 86개 편의점에 대한 건물 에너지 전력 사용량을 예측하며, CVRMSE를 사용하여 비교 분석한다. 체감온도 및 도일 변수의 도입이 예측 성능에 미치는 영향을 중점적으로 살펴본다. 86개 지점에 대한 평균 예측 오차는 다음 표 2과 같다. 기준과 제안 방법에 대한 모델별 평균 CVRMSE 비교 결과는 RF, CatBoost 모델에서 약 1.4% 개선을 보였으며, LASSO와 CNN 모델의 경우 각 약 0.2, 0.7의 낮은 성능 개선 효과를 보였다. 회귀 및 신경망 모델보다 트리 기반 모델에서 더 높은 개선을 보였다. 이는 도입 변수가 냉난방 및 건물의 필요성을 표현하는 유용한 정보를 제공하며, 기상 데이터만을 사용할 때 발생할 수 있는 변동성을 감소시킨 것으로 사료된다. 기준방법과 제안 방법에 대해 CatBoost와 Stacking 모델의 정확도가 높은 것으로 나타났다. 본 연구에서 제안하는 체감온도 및 도일 변수 도입을 통해 예측 정확도 향상을 확인하였다. 그림 3에서 모든 알고리즘의 기존 방법 대비 제안 방법의 오차율 분포가 감소하였으며, RF 모델과 XGBoost 모델에서 특히 오예측 결과에 대해 개선이 두드러지게 나타났다. 체감온도 및 도일 변수 변수를 도입함으로써 예측의 일관성과 안정성이 개선됨을 알 수 있다.

그림 3. 모델별 편의점 86개소 예측 결과 Box plot

Fig. 3. Box plot of prediction results for 86 convenience stores by model

그림 4는 A 지점에 대한 실측값과 모델별 예측 결과를 나타낸다. 실제값은 검은색, RF, XGBoost, Catboost, LASSO, CNN, Stacking 모델들의 예측값은 각각 하늘색, 주황색, 회색, 노란색, 파란색, 연두색으로 표시된다. 대부분 모델이 실제 에너지 사용량의 변동 추세를 따라가는 것으로 나타났지만, LASSO와 CNN 모델의 경우 특정 시점에서 실제값과 차이가 발생한다. 두 모델이 데이터의 특정 패턴이나 비선형성을 충분히 포착하지 못한 것으로 사료된다. 나머지 앙상블 모델의 경우 실제값과 유사한 패턴을 나타내었으며, CatBoost와 Stacking 모델의 안정성과 일관성이 높게 나타났다.

그림 4. 제안 방법을 통한 A 편의점 건물 예측 결과

Fig. 4. Proposed method for predicting the energy usage of convenience store A

4.3 지역별 예측 결과 비교

본 연구에서는 체감온도 및 도일 변수를 추가한 제안 방법과 기준방법을 비교하여 지역별 예측 모델의 성능 차이를 평가하였다. 표 3-4에서 전반적으로 모든 지역에서 제안 방법을 적용하는 경우 기준방법에 비해 예측 오차가 감소하였다. 이는 체감온도 및 도일 변수의 도입이 전반적인 예측 성능의 향상에 기여했음을 나타낸다.

지역별 최적 예측 모델은 표 5과 같다. CatBoost 모델은 강원, 경북, 대구, 부산, 서울, 인천, 전남, 충남 등 다수의 지역에서 최적의 예측 모델로 선정되었다. 이는 CatBoost 모델이 다양한 지역 조건과 데이터 특성에 잘 적응하며 뛰어난 예측 성능을 제공한다는 것을 나타내며, 부산 지역에서는 CVRMSE가 6.13%로 가장 낮은 예측 오차를 나타냈다. Stacking 모델은 경기와 경남 지역에서 가장 좋은 성능을 나타내며, 경남에서는 모든 지역에서 가장 높은 정확도로 5.71%를 기록하였다. 이는 Stacking 모델이 복잡한 데이터 구조와 다양한 패턴을 잘 포착하여 높은 예측 정확도를 달성한 것으로 사료된다. RF 모델은 광주, 대전, 전북에서 최적의 모델로 선정되었다. 이 모델은 전통적으로 안정적인 성능과 함께 변수 중요도 파악에 유리한 특성 덕분에 특정 지역에서 뛰어난 결과를 보인 것으로 사료된다.