전기 에너지 소비에 대한 정확한 예측은 사용자 편의성과 공급자 효율성 모두에 있어 핵심적이다. 본 연구는 건물 내에서 소비 패턴을 식별함으로써 예측 정확도를 향상시키기 위해 군집화 알고리즘과 머신러닝(ML) 모델을 통합하는 앙상블 접근법을 제안한다. 연구는 한국의 수도권 지역 주거용 아파트를 대상으로 수행되었으며, 4가지 평가 방법(Elbow-Method, Silhouette Score, Calinski-Harabasz Index, Dunn Index)을 5가지 데이터 수집 간격(10분, 1시간, 1일, 1주, 1개월) 전반에 걸쳐 적용하였다. 또한 군집별로 예측 성능이 우수하게 나타난 5가지 ML 모델(CatBoost, Decision Tree, LightGBM, Random Forest, XGBoost)을 평가하였다. 아울러 각 군집에서 높은 성능을 보인 ML 모델들을 통합하여 앙상블 모델을 구성하고, 연구 현장의 총 전기 에너지 소비에 대한 예측 성능을 평가하였다. 최적의 군집화 결과 월 단위로 리샘플링한 전력 데이터에서 2개 군집(C0: 142가구, C1: 206가구)이 도출되었다. CatBoost와 LightGBM은 평균 예측 성능이 가장 높게 나타났다. 두 모델을 각 군집에 적용할 수 있는 가능한 조합에 근거하여 네 가지 앙상블 모델(CB-CB, CB-LGBM, LGBM-CB, LGBM-LGBM)을 개발하였다. 통계 분석 결과 모든 앙상블 모델은 군집화 없이 적용한 대조군의 전통적 ML 접근법에 비해 유의하게 더 우수한 성능을 보였다(p < 0.05 또는 0.01). 본 연구에서 제안된 군집화 기반 ML 앙상블 모델은 각 가구의 고유한 소비 패턴을 반영함으로써 건물에서 소비되는 에너지를 보다 정확하게 예측할 수 있다. 이는 에너지 소비 절감에 효과적으로 기여할 것으로 기대된다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.