중소규모 건물의 단기 전력 소비량 예측을 위한BiLSTM 기반 학습 전략 연구
BiLSTM-based Training Strategy for Short-term Power Consumption Forecasting in Small and Medium-sized Buildings
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 중소규모 건물의 단기 전력소비량 예측을 위해 BiLSTM 기반 딥러닝 모델에 세 가지 학습 전략을 적용하고 성능을 비교 분석하였다. Static(초기 학습 후 가중치 고정), Full-training(매일 전체 데이터 재학습), Fine-tuning(전날 가중치 기반 최근30일 추가 학습) 전략을 대전 소재 상업용 건물 데이터로 검증하였다. 모델은 과거 72시간의 시간ㆍ기상ㆍ지연ㆍ통계 특성 44개 변수를 입력받아 3층 BiLSTM과 멀티헤드 어텐션으로 다음 시각 전력소비량을 예측한다. 182일 사전학습 후 30일 테스트 결과,Fine-tuning은 MAPE 3.65%로 기존 ML 앙상블(5.35%) 대비 31.8% 개선되었으며, Static(4.00%)과 Full-training(4.72%)보다우수한 성능을 보였다. 특히 Full-training 대비 총 학습시간을 85% 절감(780분에서 116분)하고 매일 2~3분 업데이트로 계절 변화에 안정적으로 적응하여 제한된 자원 환경에서 실시간 운용 가능함을 입증하였다.
Abstract
This study applies three learning strategies to a BiLSTM-based deep learning model for short-term powerconsumption forecasting in small and medium-sized buildings and compares their performance. Static (weightsfixed after initial training), Full-training (daily retraining with all data), and Fine-tuning (incremental training withrecent 30 days based on previous weights) strategies were validated using commercial building data from Daejeon. The model takes 44 variables from the past 72 hours, including temporal, meteorological, lag, and statisticalfeatures, as input and predicts the next hour’s power consumption through a 3-layer BiLSTM and multi-headattention mechanism. After 182 days of pre-training and 30 days of testing, Fine-tuning achieved a MAPE of3.65%, representing a 31.8% improvement over the existing ML ensemble (5.35%) and outperforming Static (4.00%)and Full-training (4.72%). Notably, it reduced total training time by 85% compared to Full-training (from 780minutes to 116 minutes) and demonstrated stable adaptation to seasonal changes through daily 2-3 minute updates,proving feasible for real-time operation in resource-constrained environments.