Data Scarcity in Gas Load Profiling: Generalized Proxy-Guided Load and Temporal Disaggregation

기술 요약: 일반화된 프록시 가이드형 부하 및 시간적 분해 (Generalized Proxy-Guided Load and Temporal Disaggregation)

문제 정의
건물 부문의 탈탄소화, 특히 난방 시스템의 전기화는 미세한 열 부하 프로파일(thermal load profiles)의 결정적인 부족으로 인해 어려움을 겪고 있다. 딥 뉴럴 네트워크부터 EnergyPlus와 같은 물리 기반 도구에 이르는 고급 예측 모델은 고해-상도 데이터를 필요로 하지만, 기존 건물군에 대해 이러한 데이터는 거의 가용하지 않다. 고해상도 가스 계량은 표준 유틸리티 비즈니스 요구 사항 범위를 벗어나며, 이로 인해 연구자들은 저빈도, 불규칙, 희소한 월간 청구 데이터만을 활용할 수 있는 상황이다. 기존의 머신러닝 접근 방식은 이러한 데이터 희소성 문제로 인해 실용적이지 못하며, 전통적인 역모델링 방법(예: 난방도 일수법, degree-day methods)은 정밀한 장비 용량 산정 및 확률적 거주자 행동 모델링에 필요한 일간(intra-day) 해상도가 부족하다.

방법론
본 논문은 저빈도의 월간 가스 고지서와 시간별 전기 데이터를 사용하여 고해상도(시간 단위) 가스 소비 프로파일을 재구성하기 위해 설계된 4단계 프로세스인 일반화된 프록시 가이드형 부하 및 시간적 분해 프레임을 제안한다. 이 방법론은 총 천연가스 소비량($G_{total}$)을 두 가지 별개의 물리적 체계, 즉 공간 난방($G_{heat}$)과 거주자의 확률적 행동에 의해 구동되는 기저 부하(baseload)인 급탕($G_{dhw}$)으로 분해하는 것을 전제로 한다.

이 프레임워크는 다음의 순차적인 단계로 작동한다:

1. 기상 정규화를 통한 일반화된 점유 프록시 추출:
   전기 데이터($E$)로부터 행동 신호를 분리하기 위해, 저자는 다중 선형 회귀(MLR) 프레임워크를 사용하여 다변량 기상 정규화(Multivariate Weather Normalization)를 적용한다. 이 단계는 냉방 부하(에어컨에 의해 혼재된 부하)를 제거하기 위해 전기 사용량을 기상 변수(풍속, 습도, 냉방도 일수 등) 및 시간적 사전 정보에 대해 회귀 분석한다. 그 결과로 얻은 **점유 프록시($E_N$)**는 회귀 모델에서 열적 성분을 제거함으로써 도출된, 조명 및 가전제품 사용을 나타내는 깨끗한 행동 신호이다.

2. 통합 세그멘테이션 및 정규화된 풀링(Normalized Pooling):
   희소한 개별 기록의 통계적 유의성 부족 문제를 해결하기 위해, 프레임워크는 "비난방" 기간(평균 난방도 일수가 5 미만인 달로 정의됨)을 식별한다. 11개 다세대 주거 건물의 이러한 기간으로부터 데이터를 풀링(pooling)한다. 비교 가능성을 보장하기 위해 전기는 바닥 면적으로 정규화하며, 가스 소비량은 건물의 특정 체적 대 면적 비율($\phi$)에 따라 정규화한다. 이를 통해 개별 건물 수준에서는 보이지 않던 견고한 추세를 드러내는 통합 데이터셋($D_{pool}$)이 생성된다.

3. 통합 기저 부하 파라미터 추정 및 국부 교정(Local Calibration):
   풀링된 데이터셋에 대해 일반적인 최소제곱법(OLS) 모델을 학습시켜 점유 프록시와 급탕 소비량($G_{dhw}$) 사이의 전역적 관계를 설정한다. 건물별 가전 효율의 차이를 반영하기 위해, 각 건물에 대한 국부 교정 단계를 적용한다. 각 건물의 가장 대표적인 비난방 월 동안 관측된 가스 소비량과 보편적 예측값 사이의 잔차를 최소화함으로써 스칼라 교정 계수($\kappa_i$)를 도출한다.

4. 구성 요소별 시간적 분해:
   최종 단계에서는 이중 스트림 최적화 접근 방식을 사용하여 두 구성 요소에 대한 시간별 프로파일을 재구성한다.

• 기저 부하 재구성: 거주자 행동을 모델링하는 전기 프록시 특징($X_{dhw}$)에 의해 구동된다.
• 난방 재구성: 열역학적 수요를 모델링하는 기상 특징($X_{heat}$)에 의해 구동된다.
  최적화 알고리즘은 합산된 시간별 예측값과 알려진 월간 목표치 사이의 오차를 최소화하며, 이를 통해 합성된 프로파일이 원래의 월간 고지서와 에너지 질량 보존 법칙을 엄격히 준수하도록 보장한다.

주요 결과
본 프레임워크는 11개 다세대 주거 건물의 18개월 운영 데이터셋과 고해상도 Almanac of Minutely Power(AMPds) 데이터셋을 통해 검증되었다.

• 프록시 효과성: 기상 정규화된 점유 프록시($E_N$)는 비난방 가스 소비량과 평균 피어슨 상관계수 0.74를 보였으며, 이는 원시 전기 데이터(평균 $r = 0.28$)보다 크게 개선된 수치로, 행동 신호의 성공적인 분리를 입증했다.
• 기저 부하 정확도: 통합 풀링 및 교정 전략은 포트폴리오 전반에 걸쳐 기저 부하 기간에 대해 **8.58%**의 평균 제곱 백분율 오차(MSPE)를 달 achievement 했다.
• 총 부하 재구성: 재구성된 총 가스 소비량($\hat{G}_{total}$)은 평균 포트폴리오 MSPE 6.37% 및 정규화된 평균 제곱근 오차(NRMSE) 0.20을 달성했다. 모델은 유의미한 시간적 지연 없이 고주파 기저 부하 변동과 난방 피크를 모두 성공적으로 추적했다.
• 고해상도 검증: AMPds 데이터셋(분 단위 데이터) 테스트 시, 프레-임워크는 난방과 기저 부하 성분을 효과적으로 분리하여 약 **10–11%**의 구성 요소별 MSPE를 기록하였으며, 이는 분 단위 간격에서도 견고함을 입증한다.

의의 및 주장
본 논문은 이 프레임워크가 저빈도 유틸리티 데이터와 데이터 기반 탈탄소화 모델링에 필요한 고충실도(high-fidelity) 훈련 세트 사이의 해상도 격차를 효과적으로 메운다고 주장한다. 시간별 전기를 거주자 행동에 대한 동적이고 비침습적인 프록시로 활용함으로써, 이 방법은 데이터 희소성으로 인해 기존 건물 개보수(retrofit) 시 첨단 AI 분석 적용을 가로막던 문제를 극복한다.

저자들은 이 프레임워크를 하위 계측(sub-metering) 인프라 구축 없이도 정밀한 훈련 데이터를 생성할 수 있는 확장 가능한 솔루션으로 제시한다. 본 연구의 의의는 희소한 월간 청구 기록을 신뢰할 수 있는 고해상도 열 프로파일로 변환하여, 기존 건물군에 대한 정밀한 장비 용량 산정 및 지속 가능한 전기화 전략 수립을 가능하게 한다는 점에 있다. 결론적으로, 이 접근 방식은 에너지 질량 균형과 물리적 일관성을 유지하면서 건물 전기화 개보수를 가속화할 수 있는 실질적인 도구를 제공한다.