데이터 부족 및 비정형 패턴 극복을 위한 Diffusion 증강 기반 RL 전력 수요 관리 시스템

초록

탄소 중립을 위한 전력 수요 관리(DR)의 중요성이 커지는 가운데, 최근 강화학습(RL) 기반의 지능형 제어 연구가 주목받고 있다. 그러나 실제 건물 데이터에서 고부하 피크(Peak) 패턴이 드물게 나타나는 데이터 희소성(Data Scarcity) 문제는 에이전트의 학습 불안정과 성능 저하를 초래한다. 이에 본 연구는 확산 모델(Diffusion Model)을 활용하여 희귀한 피크 패턴을 정교하게 증강하고, 이를 심층 강화학습(DQN)에 적용하는 하이브리드 전력 관리 시스템을 제안한다. 제안된 Diffusion 모델은 실제 데이터의 복잡한 분포를 충실히 모사한 고품질 합성 데이터를 생성하여 데이터 불균형 문제를 효과적으로 해결하였다. 대학 본부 건물의 실제 전력 데이터를 이용한 실험 결과, 제안 시스템은 기존 대비 2.39%의 비용 절감 효과와 약 89.5%의 피크 발생 감소율을 달성하였다. 본 연구는 생성형 AI와 강화학습의 융합을 통해 데이터 희소성 문제를 완화하고, 강화학습 기반 에너지 관리 시스템의 성능 향상 가능성을 확인했다는 데 의의가 있다.

키워드