빅데이터를 활용한 인공지능 기반 에너지 관리 시스템 개발

Abstract

본 연구는 기업의 전력 사용량 데이터를 기반으로 인공지능(AI)을 활용한 예 측 및 통합 에너지 관리 시스템을 개발하는 것을 목적으로 한다. 이를 통해 기 업은 전력 소비를 효율적으로 조절함으로써 경제적 부담을 경감하고, ESG(Environmental, Social, and Governance) 목표 달성에도 기여할 수 있다. 특 히, 피크 시간대의 전력 사용을 최적화하여 높은 기본요금을 피하는 것이 중요 하며, 이를 위해 사무실 및 공장에 에너지 관리 시스템을 도입하고 있다. 본 연 구에서 제안한 시스템은 피크 전력 예측 및 제어 기능을 통해 비용 절감, 이산 화탄소(CO2) 배출 저감, 이상 전력 사용 감지 등의 기능을 수행한다. 본 연구에서는 제주 삼다수 공장과 모로코 테투안시의 구역별 전력 소비 데이 터를 대상으로, LSTM, XGBoost, Prophet, RNN, Transformer 등 다양한 시계열 예측 모델을 구현하고 그 성능을 비교하였다. 성능 평가는 결정계수(R²), 평균절 대백분오차(MAPE), 대칭평균절대백분율오차(sMAPE)를 기준으로 수행되었으며, 각 모델이 기존 기본 모델 대비 우수한 예측 정확도를 보임을 확인하였다. 제주 삼다수 공장 데이터에서는 LSTM 모델이 최대 68%, XGBoost 모델이 36%까지 MAPE를 감소시켰으며, 모로코 지역 1번 데이터셋에서도 LSTM은 최대 58%, XGBoost는 60%까지 MAPE 감소 효과를 보였다. 반면, XGBoost 모델은 일부 지 역 및 데이터 특성에 따라 예측 안정성에 한계를 드러내는 등 모델별 성능 편차 도 관찰되었다. 아울러, 본 연구에서는 웹 기반 및 온프레미스(on-premise) 환경 에서 작동 가능한 플랫폼을 개발하여, 사용자 회원가입 후 실제 현장에 적용할 수 있도록 구현하였다. 향후 연구에서는 기능 선택(feature selection)을 최적화하 거나 고도화된 모델링 기법을 도입하여 예측 정확도를 더욱 향상시키는 방향으 로 나아갈 예정이다. 본 연구는 에너지 관리 분야의 혁신을 도모하며, 기업들이 에너지 비용을 절 감하고 환경적 책임을 실현하는 동시에 경제적 이익을 극대화할 수 있는 실질적 솔루션을 제시한다.|This study aims to develop an AI-based predictive and integrated energy management system using corporate electricity consumption data. By doing so, companies can efficiently control their power usage, thereby reducing economic burdens and contributing to the achievement of ESG (Environmental, Social, and Governance) goals. In particular, optimizing electricity usage during peak hours is essential to avoid high base charges, and many offices and factories are adopting energy management systems to address this issue. The proposed system in this study performs functions such as peak power prediction and control, cost reduction, CO₂ emissions reduction, and detection of abnormal electricity usage. The study applied various time series forecasting models, including LSTM, XGBoost, Prophet, RNN, and Transformer, to electricity consumption data from the Jeju Samdasoo factory and different zones in Tetouan, Morocco. Model performance was evaluated using R² (coefficient of determination), MAPE (mean absolute percentage error), and sMAPE (symmetric mean absolute percentage error). The results showed that each model demonstrated superior predictive accuracy compared to the baseline models. For the Jeju Samdasoo factory dataset, the LSTM model reduced MAPE by up to 68%, while the XGBoost model achieved a reduction of up to 36%. In the first dataset from the Morocco region, the LSTM model achieved a MAPE reduction of up to 58%, and XGBoost reached up to 60%. However, performance variations across models were observed, with the XGBoost model showing limitations in prediction stability depending on regional and data characteristics. In addition, a platform operable in both web-based and on-premise environments was developed, allowing user registration and real-world deployment. Future research will aim to improve predictive accuracy by optimizing feature selection and incorporating more advanced modeling techniques. This study contributes to innovation in the field of energy management, offering a practical solution that enables companies to reduce energy costs, fulfill environmental responsibilities, and maximize economic benefits.