에너지 사용량 예측모델 개발

배경

기존에는 생산량과 에너지 원단위의 증감 추이를 비교해 이상 여부를 판단했으나, 정상 가동일도 이상으로 분류하는 문제가 있었습니다. 명확한 비교 기준을 만들기 위해 생산 조건을 반영한 예측모델을 개발했습니다.

수행

학습 데이터 — MIS의 3년치 생산·유틸리티 실적, 기상청 API 관측값, 달력 정보.

전처리

• 목표값을 역산할 수 있는 컬럼을 화이트리스트로 걸러 데이터 누수 차단
• 결측은 변수별로 보간과 유지를 구분해 처리
• 기온·습도 기반 부하 파생변수(냉난방도일 CDD·HDD, 불쾌지수) 생성

모델 구성

• 부스팅 계열 3종(LightGBM·XGBoost·CatBoost)에 목적이 다른 피처셋 2종을 조합해 6개 모델 구성
• 검증 데이터의 오차를 최소화하는 최적화로 공장·에너지원별 가중치 산출
• 학습에 쓰지 않은 최근 3개월로 최종 성능 채점

재공품 변수 반영 — 특정 요일(목·금)에 오차가 집중되는 패턴을 확인하고, 전체 생산량의 교란 효과를 통제하는 잔차 분석을 먼저 수행한 뒤 유의 변수를 추출했습니다. 다중공선성을 유발하는 중복 변수는 제외했습니다. 후보 80개 → 최종 13개로 좁혔습니다.

신설 라인 사후 보정 — 학습 데이터에서 분산이 0인 피처는 트리 모델이 무시하므로, 김해 신설 라인 가동 구간은 재학습이 아니라 운영 단계의 잔차 기반 보정으로 풀었습니다. 연료 15.49% → 9.85%, 전력 7.56% → 5.84%로 개선했고 용수는 효과가 없어 그대로 기록에 남겼습니다.

성과

구분	값	조건
전 공장 · 전 에너지원 평균	MAPE 7.3%	최근 6개월
전력	약 7%	5개 공장 평균
연료	약 10%	5개 공장 평균
용수	약 10%	5개 공장 평균
최저 사업장	4.2%	특정 사업장
개선 전 단일 모델	약 30%	초기 baseline

7%는 전력 단독값입니다. 전 에너지원 평균은 7.3%이고 연료·용수는 약 10%이므로, 세 값을 하나로 뭉뜽그려 쓰지 않습니다.

현재 활용

일일 메일에서 생산량 감소와 에너지 사용량 증가가 함께 나타나는 역행 현상을 발견하면 BEMS에서 예측값 등을 추가로 확인합니다. 예측값 자체를 주 기준으로 점검하거나 이상·낭비를 확정하지 않습니다.