1.1 연구 배경

최근 신재생 시스템 사용 증가와 데이터 처리 기술의 발전으로 기존 전력망에 정보기술을 접목하여 전기 공급과 생산 정보를 양방향으로 주고받을 수 있는 스마트 그리드(Smart Grid) 활용이 증가하고 있다. 더 나아가 소규모 지역에서 전력을 자급자족할 수 있는 작은 단위의 독립형 전력망인 마이크로 그리드 (Microgrid) 시스템 개발에 대한 이목이 집중되고 있다.

이러한 기술 개발에서 핵심적 요소 중 하나는 건물에서 사용할 전기의 공급과 소비 시 남거나 부족한 전기의 합리적 처리 방안이다. 발전된 전기를 처리하는 방안은 해당 건물에서 사용하기, 에너지 저장 시스템(ESS, Energy Storage System)에 저장하기, 다른 건물로 남는 에너지 공유하기 그리고 한전에 되팔기 등의 다양한 선택지가 있다. 이때, 전력 사용량과 발전량을 예측하여 부족하거나 남는 전력량을 미리 알 수 있다면 더욱 폭 넓고 합리적인 선택이 가능해 진다. 예를 들면, 해당 건물의 전력이 몇 시간 내에 부족하여 ESS에 전기를 저장하는 게 더 낫거나, 몇 시간 뒤 다른 건물의 전기가 부족하다는 정보를 공유 받아 저장한 뒤에 팔 수 있으며, 몇 시간 내에 전기가 필요한 건물이 없어 한전에 파는 것이 가장 이득인 것으로 판단할 수 있다. 이렇게 남거나 부족한 전력량을 미리 알 수 있을 경우, 최적의 의사 결정 판단으로 경제성과 효율적 에너지 사용을 도모할 수 있다.

현재 신재생 시스템의 발전량과 건물의 전력 사용량을 예측하기 위한 다양한 연구가 진행되고 있는데, 그 중 기계 학습을 활용한 연구가 활발히 진행되고 있으며 이에 상응하는 높은 정확도의 결과를 보여주고 있다.⁽¹⁾ 기계 학습을 활용하여 데이터를 예측할 경우에 입력 데이터의 요소가 정확도에 큰 영향을 미치게 되는데, 그 중 외기 조건은 온도, 습도, 일사량, 풍속, 풍향 등으로 외기에서 실내 환경과 시스템에 영향을 미치는 요소이다. 이러한 외기 조건은 예측 시 중요한 입력 데이터 요소로 활용된다. 선행 연구에 따르면 건물 전력 소비량을 예측하기 위해서는 정확도가 보장된 기상 예보 데이터 중 온도, 습도, 일사량 데이터가 필요한 것으로 나타났다.⁽²⁾

1.2 선행 연구

앞서 언급했듯이, 단기간 미래의 건물 전력 소비량을 예측하기 위해서는 정확도가 보장된 예보 데이터가 동반되어야 한다. 현재 기상청에서는 1시간 단위의 초단기 예보 데이터를 제공하고 있으나 2020년 기준 현재 일사량의 데이터는 제공하지 않고 있다. 때문에 예보 데이터만으로 일사량을 도출하는 다양한 연구들이 진행되고 있는데, 그 중 Chung⁽³⁾은 관측된 데이터를 활용해 일사예측모델을 개발하였고, Jeon et al.⁽⁴⁾은 장기간 누적 데이터 없이 특정 지역의 일사 특성을 반영하는 모델을 딥러닝을 통해 개발하였다. Jeong and Chae⁽⁵⁾은 기계 학습을 활용하여 기상 예보를 통해 일사 데이터를 도출하고 이를 태양광 발전량을 예측할 수 있는 기법을 개발하였다. Joen and Kim⁽⁶⁾은 건물의 부하를 예측하기 위해 기상청의 예보와 측정기를 사용하였고, Kwak et al.,⁽⁷⁾ Seo⁽⁸⁾은 과거 일사량 데이터를 포함한 모델 식을 활용하여 일사를 예측한 후 EnergyPlus와 BCVTB를 통해 실시간 사용량을 예측하였다. 하지만 위와 같은 선행 연구는 기상청에서 제공하는 관측된 일사나 실측을 위해 장비 설치를 필요로 한다. 현재 기상청에서 기상 데이터를 제공하는 종관기상관측(ASOS, Automated Synoptic Observing System) 데이터는 총 102곳 지역이며, 그 중 관측된 일사 데이터를 제공하는 지역은 단 63곳으로 일사를 제공하지 않는 지역에서는 일사 데이터를 고려하기 어렵다. 해외에서는 관측된 일사 데이터 없이 예보 데이터만으로 건물의 전력 소비량을 계산 및 예측하는 연구가 진행 중에 있으나 해외 연구는 국내 기상 예보와 다른 종류 또는 다른 범위 데이터를 제공하기 때문에 국내 기상 예보를 고려한 연구가 필요한 실정이며,^(9-11) 아직까지 추가적 장비 없이 일사량 데이터를 도출하고 예보 데이터만을 통하여 실제 건물 전력 데이터를 예측하고 검증하는 연구는 부족한 실정이다.

본 연구는 기상청에서 제공하는 기상 데이터와 과거 전력 사용량만으로 해당 지역의 건물 전력 소비량을 예측하는 것으로 예보 데이터를 통해 일사량을 계산하여 예보 데이터 시간에 따른 시간별 건물 전력 소비량 예측 정확도를 비교하여 도출하는 것을 목적으로 한다.

3.1 기상청 예보 및 관측 데이터

3.2 일사량 예측

기존 연구의 수평면 전일사량 예측 방법⁽¹⁴⁾을 통하여 온도, 습도, 풍속, 운량 그리고 지역 위치 정보만으로 일사량을 계산 및 예측할 수 있다. 아래의 식(1)~식(8)은 Zhang and Huang⁽¹⁴⁾의 연구를 참고하였다. 본 연구에서 사용한 일사량 계산의 경우 수평면 확산 일사, 수평면 직달 일사를 모두 고려하여 계산한 것으로 각도 변화가 없는 수평면만 고려하여 일사 계산을 진행하였다.

수평면 일사량 $TH_{h}$(W/㎡)는 다음 아래 식(1)을 통하여 산출한다.

여기서, $I_{o}$는 태양상수(= 1,355 W/㎡)이며, $\varphi$는 상대습도(%RH), $T_{n}$은 외기온도(℃), $T_{n-1}$은 세 시간 전 외기 온도(℃), $CC$는 운량, $V_{w}$는 풍속(m/s)을 나타낸다. $c_{0}\sim c_{5}$, d, k는 지역 계수로 기존 연구⁽¹⁴⁾에서 광저우의 실측 값을 적용하여 산출된 계수이며, 한국 전 지역의 위도가 기존 연구에서 설정한 ‘2지역’ 위도의 범위 사이에 위치하기 때문에 동일하게 사용하였다. 각 계수 값은 Table 1과 같다.

다음은 이 식에 필요한 변수들의 설명이다. 먼저, 태양 고도 $h$는 아래 식(2)를 통해 산출한다.

일적위(°)는 다음 아래 식⁽⁴⁾와 같다.

균시차(hour) $Est$는 다음 아래 식(5)를 통해 산출한다. 여기서, $nday$는 1월 1일부터의 일수를 나타낸다.

진태양시 $St$(hour)는 다음 아래 식(7)을 통해 산출한다.

태양시간각 $Sta$(hour)는 다음 아래 식(8)을 통해 산출한다.

3.3 건물 전력 소비량 예측 모델

Hochreiter and Schmidhuber⁽¹⁵⁾는 장기 의존성 문제를 위해 LSTM 모델을 개발하였다. LSTM 모델은 RNN (Recurrent Neural Networks)에서 초반 입력 데이터의 영향이 장기간 이후의 결과 데이터에 미치지 않는 문제를 해결하기 위해 Cell state의 층을 이용하여 이전 학습 가중치의 기억 또는 제거 여부를 판단하는 순환 (Directed cycle) 구조의 모델을 말한다.

LSTM 모델은 현재 다양한 분야에서 사용되고 있으며,^(16,17) 건물의 전력 사용량 예측 분야에도 활발하게 사용되고 있다.^(18,19)

4.1 예보 데이터

본 연구의 선행 연구인 Ahn et al.⁽²⁰⁾은 2019년 11월부터 2020년 7월까지 국내 다섯 지역인 서울, 부산, 대전, 광주, 제주의 예보 데이터 중 온도, 습도, 풍속, 운량을 관측 데이터와 비교하였고, 온도와 습도 데이터는 예보 데이터를 관측 데이터로서 사용할 수 있는 것으로 결론을 도출하였다. 또한 한 시간에서 네 시간까지의 예보 데이터의 정확도는 일정하게 도출되었으나 다섯 시간부터 여섯 시간까지의 예보 데이터의 경우 정확도가 떨어지는 경향을 나타내었으며, 풍속, 운량은 예보 데이터와 관측 데이터의 비교 정확도가 적합하지 않는 것으로 나타났다. 따라서, 풍속과 운량 데이터를 대체할 수 있는 특정 값 적용을 위해 풍속과 운량의 평균값, 계절 별 평균값 그리고 전년도의 값 등 다양한 설정 방법을 적용하여 검증을 진행하였고, 국내 평균값을 시도하였을 때 가장 높은 정확도를 나타내었다. 사용된 평균값은 기상청의 종합기후변화감시정보에서 제공하는 데이터이며 국내 45개 지점에서 1973~2019년 간 측정된 평균 풍속은 2.01 m/s이며, 국내 13개 지점에서 측정된 전운량은 1973~2019년 평균 5이다.⁽²¹⁾ 따라서, 본 연구는 한 시간에서 네 시간까지의 예보 데이터를 활용하여 연구를 진행하며 풍속과 운량은 국내 평균 풍속과 평균 운량으로 대체하여 진행하였다.

4.2 일사량 측정

계산된 일사량을 실측된 일사량과 비교 검증하기 위해 7일간 현장에서 일사 데이터를 측정하였다. 수집된 데이터는 서울 지역의 한 대학교 건물 옥상에서 측정하였으며 2019년 12월 14일 0시부터 2019년 12월 21일 0시까지 총 7일간 온도, 습도, 일사량 데이터를 수집하였다.

일사량 검증을 위해 사용된 관측 장비는 Davis Vantage Pro-2 모델로 한 시간 간격으로 수집하며, 사양은 Table 2와 같다.

4.3 기계 학습 모델

본 연구를 위해 사용된 기계 학습 모델의 입력 데이터는 모두 해당 시각 대의 예보 데이터를 통해 도출되었 으며, 입력 데이터의 종류는 시간(hour), 예보 온도(℃), 한 시간 전 예보 온도(℃), 두 시간 전 예보 온도(℃), 예보 습도(RH%), 계산된 한 시간 전 일사량(W/㎡), 두 시간 전 일사량(W/㎡), 한 시간 전 전력사용량(kW), 두 시간 전 전력 사용량(kW), 세 시간 전 전력 사용량(kW)으로 설정하였다. 해당 예측 모델은 Fig. 1과 같다. 출력 데이터는 예보 시각에 따라 1~4시간으로 나누어 전력 사용량을 나타내었고, 추가적으로 기계학습 시 일사량의 영향을 알아보기 위하여 추가적으로 입력 데이터에 일사량이 포함되지 않은 Case를 포함하여 전력 사용량을 나타내었다. 학습을 위해 LSTM 모델로 구현하였으며 설정한 매개 변수는 time step 3, epoch 100, 활성화 함수로 ReLu를 사용하였다. 은닉은 세 레이어와 각각 32, 64, 128개의 노드를 사용하였다. 학습은 전체 데이터의 80%로 사용하였으며, 나머지 20%로 검증하였다.

실제 전력 소비량 예측을 위해 사용된 건물은 진천에 있는 건물로 데이터 종류는 어린이집, 고등학교, 도서관, 보건소에서 실제 수집한 건물 전력 소비량이며, 동절기인 2019년 11월부터 2020년 3월까지 5개월간 수집하였다. 대상 건물의 층수 및 연면적은 Table 3과 같다.

4.4 평가 방법

실제값과 관측값의 차이를 알아보기 위해 M&V Guideline에서 제시하는 모델의 평가 지표인 RMSE, MBE, CVRMSE를 사용하며, 지표는 아래 식(9)~식(11)과 같다.

ASHRAE Guideline 14-2014에서는 시간별 데이터의 경우, MBE < 10%, CVRMSE < 30% 이내일 시 시뮬레이션 데이터와 비교하여 검증된 것으로 기준을 제공하고 있다.

5.1 일사 데이터 도출

Table 4는 실제 측정한 일사량과 계산된 일사량을 비교하여 정확도를 도출한 것이며, Fig. 2는 실측과 계산된 두 데이터를 시각화하여 비교한 것이다. 여기서, 실선은 장비를 통해 측정된 일사량이며 점선은 측정된 온도와 습도를 통해 계산된 일사량이다. 비교 결과, RMSE 53.41 W/㎡, CVRMSE 27.61% 그리고 MBE -10.62%로 나타났다.

Fig. 2를 보면 0에서 20시간까지 그리고 80에서 100시간 사이에 100 W/㎡ 이상의 오차가 발생하는 것을 볼 수 있다. 해당 날짜인 2019년 12월 14일, 2019년 12월 17일 이틀 모두 비가 내린 날이며, 이틀 날짜를 제외한 다른 5일의 경우 모두 비가 오지 않은 것으로 확인되었다. 이를 통해 비가 온 날은 100 W/m² 이상의 오차가 발생할 수 있음을 확인하였다.

5.2 건물 전력 소비량 데이터

Table 5는 각 시간별 온도, 습도 예보 데이터와 이를 통해 도출된 일사 데이터를 입력 데이터로 적용하여 건물 전력 소비량을 CVRMSE와 MBE로 나타낸 예측한 결과이다. Fig. 3은 이를 시각화하여 나타낸 그래프이며, x축은 비교 도출된 정확도, y축은 각 건물별 CVRMSE, MBE를 나열하였다. 또한 시각적 편의를 위하여 CVRMSE, MBE의 정확도 기준을 가로 막대로 표현하였다. 앞서 언급했듯이, 예측 검증을 위해 네 건물인 어린이집, 고등학교, 도서관, 보건소의 데이터를 수집하여 비교하였으며 2019년 11월부터 2020년 3월까지 동절기 기간을 적용하였다.

어린이집은 평균 CVRMSE 29.08%, MBE 1.95%로 나타났으며 표준편차 각각 0.55, 0.93으로 나타났다. 고등학교는 평균 CVRMSE 12.40, MBE 5.28로 표준편차 각각 0.99, 1.17로 나타났다. 도서관은 CVRMSE 18.82%, MBE 3.11%로 표준편차 각각 0.93, 2.61로 나타났다. 도서관은 CVRMSE 15.62%, MBE 1.94%로 표준편차 각각 0.29, 1.29로 나타났다. 표준 편차가 매우 적은 것으로 시간에 따라 예측 정확도가 크게 달라지지 않는다. 즉, 예보된 데이터를 시간에 따라 분류하여 적용하였을 때 시간에 따라 네 건물 모두 예측이 가능하였으며, 시간에 따라 정확도 차이가 발생하지 않는 것을 발견할 수 있었다.

추가적으로 일사량을 입력 데이터에서 제외하여 학습을 진행하였을 경우 건물의 전력 소비량 예측율을 알아보았다. 일사량이 없는 경우 CVRMSE -0.2~12.97% 낮은 정확도 차이를 나타냈으며, 보건소의 경우 기존과 비교하여 큰 차이의 정확도를 나타내었다. 즉, 보건소 건물의 경우 다른 건물에 비해 입력 데이터의 요소 중 일사량에 많은 영향을 미치는 건물인 것으로 판단된다. 이러한 일사의 영향이 큰 건물의 경우 일사량을 입력 데이터로서 적용하는 것이 중요하다.

결과적으로, 어린이집, 고등학교, 도서관, 보건소 예보 데이터를 사용하여 예측 결과 값을 도출한 결과 모두 CVRMSE 30% 미만과 MBE 10% 미만의 결과로 ASHRAE에서 규정하는 검증 기준에 적합하는 것으로 나타났으며 기상청에서 제공하는 예보 데이터 시간에 따라 시간별 정확도 크게 나타나지 않는 것으로 나타났다. 즉, 기상청에서 제공하는 시간별 예보 데이터와 이를 통해 계산된 일사량을 통해 건물 전력 소비량을 예측할 수 있음을 확인하였다.