A Deep Learning Framework for Heat Demand Forecasting using Time-Frequency Representations of Decomposed Features

이 논문은 연속 웨이블릿 변환을 활용한 시간 - 주파수 표현 기반의 딥러닝 프레임워크를 제안하여 기존 모델 대비 평균 절대 오차를 36~43% 감소시키고 95% 에 달하는 예측 정확도로 지역 난방 수요를 효과적으로 예측하는 방법을 제시합니다.

핵심

이 논문은 **"난방 수요를 예측하는 새로운 인공지능 방법"**에 대한 연구입니다. 쉽게 말해, "내일 얼마나 많은 열이 필요할지"를 미리 알아맞히는 기술을 개발한 이야기입니다.

기존의 방법들은 마치 날씨를 예측할 때 "어제 비가 왔으니 오늘도 비가 올 것이다"라고 단순히 생각하는 것과 비슷했습니다. 하지만 이 연구팀은 "날씨의 패턴을 음악처럼 분석하고, 과거의 흐름을 여러 층위로 쪼개서" 훨씬 더 정확하게 예측하는 방법을 고안해냈습니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 문제: 왜 난방 수요 예측이 어려울까요?

난방 시스템은 마치 거대한 오케스트라와 같습니다.

• 소비자 (청중): 사람들은 춥거나 더울 때, 혹은 휴일이나 평일에 따라 난방을 다르게 사용합니다.
• 날씨 (지휘자): 기온이 떨어지면 난방을 더 켜야 하고, 비가 오거나 바람이 불면 수요가 바뀝니다.
• 문제점: 기존 AI 는 이 복잡한 오케스트라의 소리를 단순히 "지난주 소리와 비슷할 거야"라고만 추측했습니다. 그래서 갑자기 기온이 떨어지거나 크리스마스와 같은 특별한 날에는 예측이 빗나가서, 난방을 너무 많이 켜서 에너지를 낭비하거나, 너무 적게 켜서 추위를 겪는 일이 발생했습니다.

2. 해결책: "시간 - 주파수"라는 새로운 안경

연구팀은 AI 에게 **새로운 안경 (Continuous Wavelet Transform, CWT)**을 씌워주었습니다.

• 기존 방법 (시간 축만 보는 안경): 시계만 보며 "1 시에 10 도, 2 시에 12 도"라고 숫자만 나열합니다.
• 새로운 방법 (시간 - 주파수 안경): 이 안경을 쓰면 소리를 악보처럼 볼 수 있습니다.
  • 시간: 언제 소리가 나는지.
  • 주파수 (고음/저음): 그 소리가 얼마나 짧고 빠르게 변하는지 (고주파) 혹은 길고 느리게 변하는지 (저주파).
  • 비유: 마치 스펙트럼 분석기처럼, 난방 사용 패턴을 "매일 반복되는 리듬 (저주파)"과 "갑작스러운 변화 (고주파)"로 나누어 보는 것입니다.

3. 핵심 기술: "요리 재료"를 다듬는 과정 (분해)

연구팀은 예측에 필요한 데이터 (소비량, 날씨, 날짜) 를 요리 재료처럼 다듬었습니다.

1. 재료 분해 (Decomposition):

   • 난방 사용 데이터를 세 가지 층으로 나눕니다.
     • 트렌드 (기본 맛): 겨울엔 춥고 여름엔 따뜻하다는 장기적인 흐름.
     • 계절성 (반복되는 리듬): 매일 아침에 뜨겁고 밤에 식는 규칙적인 패턴.
     • 잔여 (우연한 맛): 갑자기 추워지거나 사람이 많아서 생기는 예측 불가능한 변화.
   • 비유: 복잡한 요리를 할 때, 재료의 '기본 맛', '향신료', '우연한 맛'을 따로 분리해서 요리하는 것과 같습니다. 이렇게 하면 AI 가 무엇을 배워야 할지 훨씬 명확해집니다.

2. 이미지처럼 학습 (CNN):

   • 이렇게 분해된 데이터를 **사진 (이미지)**처럼 만들어 AI 에게 보여줍니다.
   • 기존 AI 는 숫자 줄을 읽었지만, 이 AI 는 사진 속 패턴을 찾아냅니다. 마치 얼굴 인식 기술이 눈, 코, 입의 위치를 파악하듯, 난방 패턴의 '리듬'과 '변화'를 한눈에 파악하는 것입니다.

4. 놀라운 결과: 다른 방법들을 압도하다

연구팀은 이 새로운 방법을 기존에 있던 10 가지 이상의 유명한 예측 방법 (통계학, 최신 AI 등) 과 비교했습니다.

• 결과: 이 새로운 방법은 다른 어떤 방법보다 36%~43% 더 정확하게 예측했습니다.
• 비유: 다른 방법들이 "내일 비가 올 확률이 70% 일 거야"라고 대충 맞췄다면, 이 방법은 "내일 오후 2 시부터 4 시까지 비가 내리고, 5 시에는 그칠 거야"라고 정확한 시간과 강도까지 맞췄습니다.
• 특히 **갑작스러운 변화 (휴일, 급격한 기온 하강)**가 있을 때 다른 방법들은 당황했지만, 이 방법은 흔들림 없이 정확한 예측을 유지했습니다.

5. 왜 이 기술이 중요한가요? (실생활 적용)

이 기술이 발전하면 우리 삶에 어떤 변화가 올까요?

• 에너지 절약: 난방을 너무 많이 켜서 낭비하지 않아도 됩니다. "내일 이만큼만 열을 만들어도 충분해"라고 정확히 알 수 있으니까요.
• 환경 보호: 불필요한 연료 소비가 줄어들어 이산화탄소 배출이 감소합니다.
• 안정적인 난방: 추운 겨울날 갑자기 난방이 꺼지는 불상사를 막아줍니다.

요약

이 논문은 **"난방 수요 예측을 위해, 데이터를 음악 악보처럼 분석하고, 재료를 세심하게 다듬어 AI 에게 가르쳤다"**는 이야기입니다. 그 결과, AI 는 마치 숙련된 요리사처럼 복잡한 날씨와 사람들의 습관을 읽고, 미래의 난방 필요량을 놀라울 정도로 정확하게 예측할 수 있게 되었습니다. 이는 에너지를 아끼고 환경을 보호하는 데 큰 도움이 될 것입니다.

기술 요약

1. 문제 정의 (Problem Statement)

지역난방 시스템 (District Heating Systems, DHS) 은 지속 가능한 에너지 공급을 위해 필수적이지만, 공급과 수요의 효율적인 균형은 복잡한 비선형 소비 패턴과 외부 환경 요인 (기상, 캘린더 등) 에 의존합니다.

• 핵심 과제: 24 시간ahead(내일) 시간 단위 열 수요를 정확하게 예측하는 것.
• 기존 방법의 한계:
  • 통계적 모델 (SARIMAX 등) 은 비선형성과 복잡한 상호작용을 포착하는 데 한계가 있음.
  • 기존 딥러닝 모델 (LSTM, Transformer 등) 은 장기 의존성 학습에는 유리할 수 있으나, 고주파 변동성 (volatility) 과 비정상성 (non-stationarity) 을 가진 열 수요 데이터의 시간 - 주파수 특성을 효과적으로 학습하지 못함.
  • 기존 연구들은 주로 짧은 기간의 데이터나 단일 건물 데이터를 사용하여 계절적 강건성 (robustness) 과 일반화 능력을 검증하지 못함.
  • 특징 공학 (Feature Engineering) 이 임의적 (ad-hoc) 이며, 분해된 신호 성분 (추세, 계절성, 잔차) 간의 상호작용에 대한 체계적인 분석이 부족함.

2. 제안 방법론 (Methodology)

저자들은 1 차원 시계열 데이터를 2 차원 시간 - 주파수 표현으로 변환하여 CNN 이 계층적 패턴을 학습할 수 있도록 하는 새로운 딥러닝 프레임워크를 제안합니다.

2.1. 데이터 전처리 및 특징 분해 (Decomposition)

• 데이터: 덴마크 (Brønderslev, Aalborg) 와 독일 (Flensburg) 의 다년간 시간 단위 스마트 미터 데이터 및 기상 데이터 사용.
• 이상치 처리: Savitzky-Golay 평활화와 Bonferroni 보정을 적용하여 비물리적인 음수 값 및 이상치를 제거.
• 시계열 분해: 열 수요 및 주요 기상 변수 (온도 등) 를 가법 계절성 분해 (Additive Seasonal Decomposition) 를 통해 추세 (Trend), 계절성 (Seasonal), 잔차 (Residual) 성분으로 분리.
  • 통찰: 분해된 성분 간 상관관계 분석을 통해, 온도와 열 수요의 추세 성분 간 강한 음의 상관관계를 확인하고, 이를 모델 입력에 활용함.

2.2. 시간 - 주파수 표현 변환 (Time-Frequency Representation)

• 연속 웨이블릿 변환 (CWT): 분해된 각 특징 (소비, 기상, 시간) 을 1 차원 시계열에서 2 차원 스칼로그램 (Scalogram) 으로 변환.
  • CWT 는 신호의 주파수 성분을 시간에 따라 국소화하여, CNN 이 시간 - 주파수 영역의 계층적 패턴 (예: 아침 피크의 주파수 특성) 을 학습하도록 함.
  • DWT(이산 웨이블릿) 대신 CWT 를 사용하여 높은 충실도의 시간 - 주파수 표현 확보.

2.3. 모델 아키텍처 (Wavelet CNN)

• 입력: 3 차원 텐서 (스케일 × 시간 × 특징 수) 형태의 이미지와 유사한 데이터.
• 구조:
  • Convolution Block: 2D 합성곱 레이어 3 개 (필터 수: 32, 64, 128). 시간 - 주파수 국소 패턴과 특징 간 상호작용 (예: 온도와 수요의 결합) 학습.
  • Pooling 제거: 시간 - 주파수 위치 정보 (Phase coherence) 를 보존하기 위해 풀링 레이어를 생략. 이는 하루 중 특정 시간대의 피크 예측 정확도를 높임.
  • Linear Block: Flatten 후 2 개의 밀집 레이어 (1024 뉴런, Leaky ReLU) 와 Dropout 을 거쳐 24 시간ahead 예측값 출력.
• 특징 공학 전략:
  • 내생적 특징: 24 시간 전 (c24) 및 168 시간 전 (주 1 회, c168) 소비 데이터.
  • 외생적 특징: 분해된 온도 변수 (온도, 체감온도, 이슬점 등) 의 추세 및 잔차 성분.
  • 휴일 처리: 휴일을 범주형 또는 이전 연도 동일 휴일 데이터로 대체 (Lagged) 하는 전략을 비교 평가.
  • 시간 인코딩: 명시적인 시간 인코딩 (Sine-Cosine) 은 오히려 노이즈로 작용하여 성능을 저하시켰으므로 제외.

3. 주요 기여 (Key Contributions)

1. 새로운 아키텍처 제안: CWT 기반 시간 - 주파수 표현과 CNN 을 결합하여 열 수요 예측의 새로운 성능 기준 (Benchmark) 을 설정.
2. 체계적인 특징 분석:
   • 분해된 특징 (분해된 추세/계절성/잔차) 이 원시 데이터보다 예측 정확도를 획기적으로 높임을 입증.
   • 환경 변수 (특히 온도) 의 분해 성분이 모델 학습에 어떻게 기여하는지 정량적 분석.
   • 휴일 처리 전략에 대한 심층 분석 및 최적화.
3. 광범위한 벤치마킹:
   • SARIMAX, XGBoost, LSTM, Transformer 계열 (Informer, Autoformer, PatchTST 등), Mixer 계열 (TimeMixer, DLinear), 그리고 최신 Foundation Model (TTM, Chronos-2) 과 비교.
   • 덴마크 3 개 지역 및 독일 1 개 도시 등 다양한 지리적, 구조적 환경에서 검증된 다년간 데이터 (최대 7 년) 를 사용.

4. 실험 결과 (Results)

• 성능 향상: 제안된 모델은 기존 최첨단 모델 (TimeMixer 등) 대비 평균 절대 오차 (MAE) 를 36%~43% 감소시켰습니다.
  • DMA A: MAE 173.63 kWh (TimeMixer) → 99.76 kWh (제안 모델)
  • DMA B: MAE 257.28 kWh → 164.81 kWh
  • DMA C: MAE 269.38 kWh → 152.60 kWh
• 정확도: 연간 테스트 데이터셋에서 95% 이상의 예측 정확도를 달성했습니다.
• 강건성 (Robustness):
  • 변동성이 큰 피크 시간대 (아침/저녁) 와 휴일 기간에 기존 모델들이 실패하는 경우에도, 제안 모델은 수요 변동을 정확하게 추적했습니다.
  • 롤링 윈도우 (Rolling Window) 평가를 통해 7 년 이상의 장기 데이터에서도 성능이 안정적으로 유지됨을 확인.
• 비교 분석:
  • Transformer 기반 모델은 과도한 평활화 (Smoothing) 로 인해 급격한 피크를 놓치는 경향이 있었으며, MLP 기반 모델 (TimeMixer 등) 이 상대적으로 좋았으나 제안 모델에는 미치지 못했습니다.
  • 명시적인 시간 인코딩을 추가하면 오히려 성능이 저하되어, 모델이 신호 자체에서 시간적 맥락을 학습하는 것이 더 효과적임을 발견.

5. 의의 및 시사점 (Significance)

• 실무 적용 가능성: 높은 예측 정확도와 낮은 오차 분산은 지역난방 시스템의 공급 온도 안전 마진 축소, 연료 소비 최적화, 탄소 배출 감축에 직접적으로 기여할 수 있습니다.
• 계산 효율성: 거대 모델 (Foundation Models) 이 아닌, 경량화된 CNN 아키텍처로도 최첨단 성능을 달성할 수 있음을 보여줌으로써, 제한된 컴퓨팅 자원을 가진 산업 환경에서의 배포 가능성을 제시합니다.
• 연구 방향 제시: 희귀 사건 (휴일, 고장 등) 예측의 어려움과 적응형 웨이블릿 기법, 외부 상황 정보 (학교 일정, 행사 등) 통합의 필요성을 향후 연구 과제로 제시했습니다.

이 논문은 열 수요 예측 분야에서 시간 - 주파수 분석과 딥러닝의 결합이 기존 시간 도메인 모델의 한계를 극복하고, 실제 운영 환경에서 높은 신뢰성을 가진 솔루션을 제공할 수 있음을 입증한 중요한 연구입니다.