1. 서론

신재생에너지 설비의 운전계획 등 예측제어(MPC-model predictive control)를 위해서는 미래의 에너지 사용량을 정확히 예측하는 것이 매우 중요하다.⁽¹⁾ 특히, 미국과 유럽에서는 시간별로 변동하는 전기가격(TOU-Time of Use)에 대응하기 위하여 에너지 소비량을 예측해 신재생에너지 생산을 조절하거나 저장하는 등 최적운전전략을 수립하는 연구를 진행하고 있다.^(2-4) 한 예로, Pipattanasomporn et al.⁽⁵⁾의 연구에서는 가정용 전기 수요 예측은 녹색건물 및 주택설계 응용 분야에서 큰 잠재력을 갖고 있음을 설명하였다.

건물에서 에너지 소비량 예측 중 HVAC의 에너지 소비량을 예측하는 연구는 다양한 형태로 개발되어 왔으며, 예측 성능이 뛰어난 모델은 제어의 목적으로도 활용되고 있다. 하지만 설비를 제외한 실내에서 발생하는 전기부하는 불확실성이 큰 인자인 사용자의 행동에 따라 결정되기 때문에 건물에서 전기 수요를 예측하는 것은 매우 어렵다.⁽⁶⁾ 건물 에너지 사용량 계산 프로그램(EnergyPlus, ESP-r, TRNSYS) 역시 고정된 재실 스케줄을 통해 에너지 사용량을 결정하며 이는 임의로 변하는 재실 패턴에 대한 고려가 어려워 실제 에너지 사용량과 차이를 발생시킨다.⁽⁷⁾ Weron⁽²⁾은 다양한 방법론의 전기수요 예측 모델을 설계해 성능을 비교 한 후 기계학습 기반의 예측 모델이 가장 우수한 성능을 보였다고 발표하였다. Lago et al.⁽⁸⁾은 전기 사용량과 같이 임의성이 큰 시계열 데이터는 신경망학습구조로 예측하기 유리하다고 언급하였다. 관련해서 인공신경망모델(ANN, Aritificial Neural Network)의 전기수요 예측모델을 제안하는 연구가 꾸준히 지속되어 왔으며,^(9-11) 최근에는 단일 은닉층 구조의 한계를 가진 인공신경망의 단점을 개선해 다중 은닉층 구조를 구현할 수 있는 딥러닝 모델을 통해 복잡한 데이터를 효과적으로 학습하는⁽⁸⁾ 예측모델을 제안 되고 있다.

국내에서는 딥러닝을 활용한 전기부하 예측 연구는 매우 드물며 Kim and Hong⁽¹²⁾은 계절과 기상 등 외부요인을 활용해 도시의 전력수요를 예측하는 인공신경망 모델을 제안하였으나, 도시의 전력 수요는 거주자의 행동 패턴에 큰 영향을 미치지 않아 에너지 사용에 재실자의 패턴이 지배적인 영향을 주는 주거건물에서는 적용이 어렵다. 국외에서도 도시단위의 유사 연구는 다수 진행중이다. Din and marnerides⁽¹³⁾는 국제표준화기구에서 제공하는 영국과 미국등 주요 6개 도시의 전기 사용량을 확보하고 시각, 날짜, 전기가격, 온도 등 전기 사용량에 영향을 주는 인자를 입력데이터로 전기 수요를 예측하는 연구를 진행하였다. Wanhe⁽¹⁾ 역시, 외기온도와 습도 등 기후 정보만으로 학습된 딥러닝 모델로 중국 북부지방의 전기에너지 사용량을 예측하였다.

한편, Marino et al.⁽¹⁴⁾의 연구에 따르면 도시, 국가 등 큰 규모의 전력예측은 단일 건물단위의 예측보다 상대적으로 쉽다고 언급하였다. 해당 연구에서는 과거 5년 동안의 건물 전기에너지 사용량을 확보한 후 다양한 조건에서 딥러닝 학습을 통해 성능을 비교하였다. 다만 연구의 목표를 모델의 학습 성능에 두어 다양한 조건에서 학습기간의 딥러닝 성능은 확인 할 수 있었으나 예측 시 재실상황 변화 등 예측불가능한 에너지 사용 패턴이 발생될 경우 큰 오차를 보였다. Hosein⁽¹⁵⁾은 기존의 연구와 마찬가지로 시간, 외기온도, 습도 등 환경적 조건과 더불어 주말, 주중 등 에너지 사용 패턴과 영향이 있는 입력조건을 추가하였고 이를 통해 에너지 사용량이 학습 패턴보다 급격히 상승했던 주말을 제외하면 의미있는 예측결과를 제공하였다.

선행연구에서도 알 수 있듯이 딥러닝을 통한 전기수요 예측은 학습 성능은 우수하지만 재실행동과 같은 비물리적인 속성에 대한 예측성능은 현저히 떨어졌다. 한편, 일반적인 경우 전기 사용량 패턴은 해당 시간대에 얼마나 많은 거주자가 있는지를 가리키는 재실률(0-1)보다 재실유무(1/0)가 크게 영향을 미친다.⁽¹⁶⁾ Kim et al.⁽¹⁷⁾은 재실자의 거주 패턴은 건물의 에너지 시뮬레이션에서 매우 중요한 인자이나 재실자의 스케줄을 완벽히 예측하는 것은 불가능하여 대부분의 시뮬레이션에서 고려하지 않거나 고정 값을 사용한다고 언급하였다. 다만, 최근연구에서는 감각, 지각 심리운동 등 인지적인 접근방법을 통해 재실자의 행동패턴을 예측하는 모델링 기법이 제안되고 있다.^(18-20) 이와 함께 예측제어에 필요한 다음날의 재실유무와 같은 정보의 정확성은 거주자가 예측단계에서 적극적인 개입을 통해 더욱 개선될 수 있다. 다양한 스마트 기기의 출현은 이를 더욱 손쉽게 할 것이다. 따라서 본 연구에서는 재실유무에 대한 정보가 확보 되었을 때 다음날의 전기 수요를 예측하는 모델을 딥러닝을 통해 제안하고자 한다.

2. 연구 방법 및 범위

앞서 언급했듯이 본 연구의 목적은 재실유무 정보가 예측되었을 때, 과거 전기 사용 데이터와 시간정보만으로 전기 사용량을 예측하는 모델을 제안하는데 있다. 이를 위해 딥러닝 신경망을 이용하였고 모델 입력 값은 시간 (time of the day), 기저부하, 재실정보 등 손 쉽게 입력이 가능한 데이터만을 사용해 실용적인 모델 사용성을 고려하고자한다.

전기 에너지 사용량은 측정값을 사용하였으며, 시간별 전기에너지 사용량을 측정하는 기기를 세대 배전반에 설치하여 확보하였다. 대상건물은 인천지역 거주면적 65 m²의 1인 주거건물 한 세대로 하였으며, 측정기간은 냉난방 전기에너지가 발생하지 않는 중간기로 하였다.

학습은 RNN(Reccurent Neural Network) 딥러닝 구조 중 LSTM(Long Short Term Memory) 알고리즘을 통해 진행하였으며 LSTM을 구성하는 Hidden layer는 단일 Hidden layer 구조인 Single layer 모델과 좀 더 심층화 된 형태의 Deeper layer 케이스로 구성해 학습, 예측 성능을 분석 하였다. 본 연구에서 제안된 LSTM 모델은 MATLAB 에서 제공하는 함수를 통해 구현되었다.

3. 딥러닝 기반 전기 수요 예측 모델

딥러닝 모델의 대표적인 구조는 CNN(Convolutional Neural Network)과 RNN 구조로 분류되며, Lee⁽²¹⁾에 따르면 CNN 구조는 순서가 중요하지 않은 정보에 대한 학습에 뛰어나고, RNN은 시계열적 특성을 반영하기 좋은 딥러닝 모델임을 언급하였다. 본 연구의 예측 대상은 시간 흐름에 따른 하루 에너지 사용량으로 이러한 데이터는 이전 시간대의 사용 패턴이 일정부분 지속되는 시계열적 특성을 띄기에 RNN 구조를 통해 모델을 개발하고자한다. 다만, RNN의 경우 많은 수의 시계열적 입력 데이터를 처리 할 때 에러가 급격히 상승하는 문제가 발생하게 된다.⁽²²⁾ 따라서 이러한 오류를 수정한 RNN 구조인 LSTM 모델을 통해 학습을 진행하였다.⁽²³⁾

LSTM은 학습 성능을 결정하는 다양한 설정변수를 지정해야 하며, 학습을 진행하는 최적화 기법을 우선적으로 선정해야 한다. MATLAB에서는 LSTM에 학습 최적화 기법으로 확률적 경사 하강법으로 알려진 SGD (Stochastic Gradient Descent)와 Adam(Adaptive moment estimation) 알고리즘이 제공되고 있다. SGD 기법은 기울기가 가장 큰 방향으로 탐색 위치를 선정하는 계산을 반복해 최적해로 이동하는 단순한 구조를 갖는 최적해 기법이다. 해당 기법은 반복계산을 위한 충분한 작업환경이 갖추어지지 않을 경우 최적해를 찾는데 많은 시간을 소비하기 때문에 비효율적이다.⁽²⁴⁾ Adam 알고리즘은 유동적으로 학습률을 조절해 효율적으로 최적해를 찾는 기법으로 알려져 있다.⁽²⁵⁾ 현재까지 알려진 학습 알고리즘 중 모든 상황에서 항상 뛰어난 성능을 나타내는 알고리즘은 없으나, 본 연구의 목적이 다음날의 전기에너지 사용량을 반복적으로 예측해야하기에 학습을 통한 모델 구축시간을 줄일 수 있는 Adam 알고리즘을 선택하였다. 언급된 학습 알고리즘은 모델에서 지정된 Hidden Layer와 Hidden unit의 가중치를 조절해 오차를 최소화 하는데 이때, 인공신경망의 Hidden Layer와 Unit을 구성하는데 정확한 지침이나 규칙은 정해져 있지 않고 사용자의 경험에 의존해야 한다.⁽²⁴⁾ 본 연구에서는 하나의 Hidden layer만 갖는 Single LSTM 모델과 여러 Hidden layer가 배열된 형태인 Deeper LSTM 모델을 설계하여 성능을 비교하였으며, Deeper LSTM은 3개의 Layer로 구성하였다. Hidden unit의 경우 본 연구에서 사용된 시뮬레이션 툴인 Matlab에서 기본값⁽²⁶⁾으로 제공하는 250개보다 조금 많은 Layer 당 300개의 Hidden unit을 적용하였다.

다음으로 딥러닝에서 성공적인 학습을 위해서는 과도학습 현상인 Over fitting을 주의해야하는데, 각 Unit이 갖는 가중치가 낮을수록 Over fitting을 피할 수 있다고 알려져 있다. 가중치를 작게 하는 일반적인 방법은 최대한 작은 Initial Learn Rate 값으로부터 학습을 시작하는 것이다. Matlab Documentation에서는 0.01을 기본 설정 값으로 하고 있으며, Adam 알고리즘에서 권장하는 초기값은 0.001이다.⁽²⁶⁾ 본 연구에서는 권장 값인 0.001을 사용하여 학습을 진행하였다. 참고로, 낮은 가중치를 목표로 과하게 작은 값이나 0을 초기 값으로 설정하면 학습이 진행되면서 가중치가 갱신되지 않는 오류가 발생할 수 있다. 학습에 사용된 데이터는 정규화(normalization) 과정을 거쳤으며, 이는 학습결과가 왜곡되거나 발산하는 문제를 방지하는데 도움이 된다. 연산은 GPU(Graphics processing unit-GTX 1060 6GB) 병렬 처리 기술을 통해 진행되었으며, GPU는 많은 입력데이터를 기존의 연산시스템보다 빠르게 처리 할 수 있는 장점이 있다. 기타 설정 값은 Matlab에서 제공하는 초기 설정 값을 적용하였다.

4. 전기 사용량 측정 및 재실정보

딥러닝 모델을 학습하고 테스트하기 위한 측정 대상은 일인 가구 건물이다. 따라서 재실자 정보는 재실유무로 한정된다. 서론에서도 언급했듯이 가정에서 전기사용량의 시간별 변화는 재실자수의 변화보다는 재실유무에 따른 영향이 크고, 일인가구의 경우 재실상황이 더욱더 가변적이기 때문에 선정건물의 예측이 좀 더 어려울 수 있다.

데이터 수집은 대상 세대의 배전반에 인코어드사에서 제공하는 에너톡제품을 설치하여 시간별 전기에너지 사용량을 확보하였다(Fig. 1 참조).⁽²⁷⁾ 네트워크 상태 등에 따라 특정시점에서 측정데이터가 누락되는 되는 문제가 발생하는 경우, 해당일의 데이터는 학습데이터에서 제외하였다. 측정 기간은 난방부하가 발생하지 않는 4월 8일부터 5월 18일까지 40일 동안 전기 사용량을 측정하였다. 측정은 Fig. 1의 오른쪽처럼 초단위로 진행되나, 서버에 기록되는 데이터는 15분 간격으로 에너지 사용량을 기록한다. 본 연구에서는 15분 간격의 에너지 사용량 데이터를 합산해 1시간 동안 누적된 에너지 사용량 데이터 세트를 형성하였다. 이는 MPC의 경우 일반적으로 한 시간 단위의 운전계획이 이루어지기 때문이다.

Fig. 1. Installed enertalk device(left) and electricity consumption display(right).

LSTM 모델의 입력 값은 시간(1~24h), 기저부하, 재실정보(0 or 1)로 하며 출력 값은 전기 에너지 사용량으로 한다. 여기서 기저부하는 학습기간 데이터 중 장기간 재실이 없었던 날의 전기 사용량(W)을 사용하였으며, 재실정보는 시간별 재실 유무를 판단해 거주상태를 1, 비거주 상태를 0으로 변환하여 입력값으로 사용하였다. 재실 유무를 판단한 기준은 가장 높은 기저 에너지 사용량을 보였던 순간이 126 W임을 고려해 에너지 사용량이 130 W 이하 일 경우 비거주 상태로 분류 하였다. 다만, 이 경우 취침 시 에너지 사용량이 감소되어 비 거주로 분류될 소지가 있어 향후 재실 센서 값을 입력값으로 사용하는 등 명확한 분류 기준이 필요하다. 과거 20일 동안의 측정된 데이터를 통해 모델을 학습하고 다음날 시간별 전기 수요를 예측하였다. 하루단위 데이터 통신을 가정하여 측정데이터를 24시간 마다 업데이트하는 과정을 2주간 반복하였다.

예측결과를 MBE(Mean Bias Error), RMSE(CV), 상대 오차(Error)를 통해 평가하였으며 식(1)~식(3)을 통해서 각각 계산된다. MBE는 예측 값의 치우친 정도를 의미하며 0에 가까울수록 평균값이 측정값에 근접하다. CVRMSE는 분산 정도를 고려해 모델의 오차를 파악하는 오차 분석방법으로 오차율(%)로 표현되며, 본 연구에서는 전체 구간의 평균 전기사용 값(E_v)으로 나누어 계산하였다. 마지막으로 식(3)은 매시간 측정값 대비 상대오차를 나타낸다.

5. 시뮬레이션 결과 및 분석

5.1 전기 수요 예측 모델 학습결과

5.1.1 단층 LSTM 모델

앞서 언급했듯이 제안된 학습모델은 과거 20일 동안의 측정된 입력데이터와 출력데이터의 관계를 가장 잘 묘사하는 뉴런과 레이어 사이의 연결강도를 통해 모델을 구축한다. 여기서 학습기간의 과거 시간별 에너지 사용량 변동 패턴을 비슷하게 유추하는 모델을 구축하게 될 경우 비 학습 기간인 다음날의 전기에너지 사용량을 더 잘 묘사 할 것으로 기대 할 수 있다. 따라서 본 연구에서는 예측에 앞서 모델의 학습 성능을 먼저 분석하였다. 비교를 위해 단층 LSTM과 동일한 Layer와 Hidden untis으로 구성된 ANN 모델을 이용하였으며 ANN 학습 알고리즘은 오차를 역방향으로 전달해 뉴런사이 연결강도를 조절하는 Feed-Forward Back Prop 알고리즘을 사용하였고, 이는 시계열 데이터를 분석해 단기 부하를 예측하는 연구에 주로 사용되었던 모델이다.

Fig. 2는 20일 동안의 단층 LSTM 모델의 학습 성능을 분석한 그래프로 모델은 학습 기간 동안 전기에너지 발생 거동을 거의 정확히 묘사하였다. 반면 ANN 모델은 에너지사용 발생 패턴을 묘사하긴 하였으나 기저부하가 발생하는 시점에서 큰 오차를 보였다. 그림에서 ANN 모델의 Hidden Layer 구성은 LSTM 모델과 동일하였으나 최적화 기법의 차이에서 오차가 발생한 것으로 판단된다. 본 연구에서는 비교를 위해 동일한 수의 히든 Unit을 사용하였지만 ANN을 위해 그 수를 크게 증가 시키면 LSTM과 동일한 수준의 학습 효과를 보였다.

Fig. 2. Model learning performance : ANN vs. Single LSTM.

Fig. 3의 산점도는 점들이 대각선에 가까울수록 모델이 정확하다고 할 수 있는데 단층 LSTM의 경우 대부분의 점들이 대각선과 거의 일치하는 것을 확인 할 수 있다. 단층 LSTM 모델은 소수점 둘째 자리까지 MBE 오차를 보이지 않았으며 CVRMSE는 각각 0.14% 정도의 오차만 보였다. ANN 모델의 경우 주어진 학습조건에서 3.7%의 MBE를 나타냈으나 분산을 나타내는 CVRMSE는 Fig. 3과 같이 50%가 넘는 에러를 나타내었다.

Fig. 3. Scatter plot of Fig. 2 : ANN vs. Single LSTM.

5.1.2 다층 LSTM 모델

다층 LSTM 모델 역시 단층 LSTM 모델과 같은 기간 동안의 학습 성능을 비교하였다. 다층 LSTM 모델의 Hidden Layer마다 구성되는 Hidden Unit의 개수는 Single LSTM 모델과 동일하나, Hidden Layer의 배열을 3연속으로 하여 층마다 고려되는 변수를 늘려 연산의 경우의 수를 늘린 심층화된 모델이다. 따라서 본 연구에서 제안된 다층 LSTM 모델의 Hidden Unit 개수는 900개(300×3Layer)이다. Layer와 Unit이 늘어나면, 즉 신경망이 깊어질수록 학습에 소요되는 시간은 증가하나 Hidden Layer의 증가는 복잡한 문제를 푸는데 유리하다고 알려져 있다.⁽¹⁴⁾ ANN 모델 역시 동일한 심층화된 모델을 구축해 단층 layer와 다층 layer의 성능을 비교하려 하였으나, LSTM 모델과 동일한 layer 개수를 적용할 시 Matlab이 ANN 함수에 할당하는 메모리를 초과하는 오류가 발생하였다.

Fig. 4는 다층 LSTM의 학습성능을 의미하며 그래프에서 알 수 있듯이 모든 점들이 대각선 주변에 분포하는 것을 알 수 있다. 다층 LSTM 모델 역시 MBE는 소수 둘째자리에서 0% 수준이었으며 CVRMSE는 단층 LSTM 모델보다 개선된 0.04% 수준의 오차만 보였다. 각 모델별 오차는 Table 1에 정리하였다.

Fig. 4. Learning performance : Deeper LSTM.

Table 1. Learning error comparison among models

	Hidden Unit	MBE(%)	RMSE(W)	CVRMSE(%)
Single LSTM	300	0.00	0.14	0.14
Deeper LSTM	300×3	0.00	0.04	0.04
Back prof ANN model	300	-3.73	57.37	54.60

5.2 모델을 이용한 전기 수요 예측결과

학습된 LSTM 모델을 통해 다음날의 에너지 사용량을 예측하고 실제 측정된 데이터와 비교해 모델의 성능을 평가하였다. Fig. 5에는 하루단위 예측성능과 예측을 진행하기 위해 선행되었던 학습 성능 일부를 표현하였다. 이전 절의 결과 그래프에서 알 수 있듯이 학습 기간에는 두 모델 모두 우수한 성능을 보였다. 다만, 예측성능에서는 에너지 사용량의 임의성을 반영하지 못해 사용패턴을 학습 성능만큼 완벽히 묘사하지 못하였으며 해당 일에는 단층 및 다층 모델 각각 29%, 25% 수준의 CVRMSE 오차를 보였다. 그림에서 예측일 새벽 1시경 매우 큰 전기사용량을 기록하였는데 학습기간동안 해당 시간에서 유사한 패턴이 없었고 딥러닝 모델이 매우 한정적인 입력 값을 사용하였기 때문에 발생한 것으로 보인다.

Fig. 5. Model performance comparison during learning and prediction periods: Single LSTM vs. Deeper LSTM.

Fig. 6은 20일 학습 후 하루 예측을 4번 반복하여(sequencing) 예측 결과만을 재실 스케줄과 함께 표시하였으며, 보라색 막대그래프는 해당시간에 사용자가 거주하였음을 의미한다. 두 모델 모두 전기수요를 유사하게 묘사하였으나 재실이 없는 비거주 구간에서 단층 LSTM 모델이 기저부하를 과소 예측하는 현상이 발생하였으나 심층화된 다층 LSTM 모델은 좀 더 안정적인 예측 성능을 보였다. 또한 다층 LSTM 모델은 기저부하가 지속적으로 발생하다 갑자기 전기사용량이 상승하는 시점(80 h) 등 일반적인 물리 모델이 구현하기 어려운 패턴까지 묘사하는 성능을 나타내었다.

Fig. 6. Sequencing and consumption prediction(first 4 days).

특정 상황에서 매우 뛰어난 예측성능을 보이는 딥러닝에 대한 예는 무수히 많지만, 아직 이에 대한 논리적 설명은 많이 부족한 것이 현실이다.

마지막으로 하루단위 에너지사용량 예측을 2주 동안 진행한 결과를 Fig. 7에 나타내었다. 먼저, 단층 LSTM 모델은 MBE-6%, CVRMSE 26% 수준의 예측 성능을 보였다. 예측 기간 전반에 걸쳐 에너지 사용 패턴은 유사하게 묘사하였으나 그래프의 48~72h구간처럼 기저부하 구간에서 패턴을 벗어나거나 168~240h처럼 학습데이터에는 존재하지 않았던 장기간 비거주 상태에서 두드러진 오차를 보였다. 다층 LSTM 모델은 언급한 구간에서 보다 개선된 결과를 보였으나 전체적인 오차 수준의 두 모델에서 비슷하게 나타났다. 두 모델의 학습성능은 Table 2에 정리하였다.

Fig. 7. Sequencing and consumption prediction for 2 weeks : Single LSTM vs Deeper LSTM.

Table 2. Prediction performance by error estimation of the single and deeper LSTM models

	Hidden Unit	MBE(%)	RMSE(W)	CVRMSE(%)
Single LSTM	300	-6.38	22.02	26.21
Deeper LSTM	300×3	-9.1	19.62	23.1

Table 3은 예측기간(336시간)동안 발생한 상대 오차의 분포 구간을 의미하며 대부분의 오차는 20% 이하에서 발생하였다. 다만, 60% 이상 오차를 보인 회수는 단층 LSTM 모델이 40시간 다층 LSTM이 28시간으로 심층모델인 다층 LSTM 모델이 두드러진 오차가 적게 나타났으며, 이는 앞서 언급한 기저부하 구간에서 확인할 수 있다. 제안한 두 LSTM 모델 모두 하루단위 전기사용량 예측에 있어 입력데이터 세트가 20일 정도로 비교적 적지만 의미있는 예측성능을 보였다. 본 연구에서는 다양한 종류의 데이터 수집이 어려운 주거건물을 대상으로 하여 가용한 입력데이터만을 사용하여 모델을 구축하였으나, 향후 각 가전기기의 소비전력 및 사용 스케줄 등 학습을 위해 더 많은 종류의 데이터 세트가 형성된다면 모델의 성능은 더욱 개선될 것으로 판단된다.

Table 3. Frequencies of error distribution

	0 $<$Error $<$20	20 $\le$Error $<$40	40 $\le$Error $<$60	60 $\le$Error $<$80	80 $<$Error(%)	Total
Single LSTM	201	69	26	16	24	336
Deeper LSTM	224	63	21	9	19	336

6. 결 론

본 연구에서는 예측제어를 위한 운전계획 수립을 위해 전기 수요 예측을 딥러닝 모델을 이용하여 수행하는 방법을 제안하였다. 학습을 위해 사용된 입력데이터는 시각, 기저부하, 재실정보로 비교적 단순한 데이터만을 사용하였고, 연구의 실효성을 높이기 위해 실제 건물에서 측정한 전력 데이터를 이용하였다.

학습은 딥러닝 LSTM 알고리즘을 사용해 진행되었으며, LSTM은 구성되는 레이어 개수를 단층과 다층으로 설계해 두 케이스의 학습과 예측 정확도를 실제 데이터와 비교하여 모델을 평가하였다. 과거 20일 동안 학습한 데이터를 통해 다음날의 전기에너지 사용량을 예측하는 방법으로 14일 동안 진행되었으며, 본 연구에서 제안된 LSTM 모델은 모두 MBE가 0%에 가까운 높은 학습성능을 보였다. 예측성능에서는 각각 CVRMSE 23%(다층 LSTM), 26%(단층 LSTM) 수준을 보였다. 상대오차가 60% 이상 발생하는 회수도 단층 LSTM이 40시간, 다층 LSTM 모델이 28시간으로 심층 LSTM 모델이 예측모델로 더 우수한 성능을 보였다. 대부분의 오차는 20% 이하에서 발생하여 운전계획 수립을 위한 수요 예측모델로써 의미 있는 결과를 제공하였다. 다만 본 연구의 결과는 재실정보 기반 전기 에너지 사용량 예측 모델을 개발하는 기초단계 연구로 사용된 재실 정보가 전기 사용량을 기준으로 추정되었는데, 실증을 고려한 향후 연구에서는 센서 및 사용자 개입을 통해 측정데이터의 정확성이 확보되어야 한다.

본 연구의 결과는 실제 측정된 전기 사용 데이터를 활용해 신뢰할 수 있는 수준의 다음날 전기에너지 수요를 예측을 할 수 있었다. 향후 다양한 종류의 데이터 수집이 어려운 주거건물 단일세대의 시스템 운전계획용으로 이용될 수 있을 거라 기대한다.