전력망 AI에는 알고리즘보다 좋은 측정 기록이 먼저다

#데이터 공개도 중요한 연구 트리거다

FeederBW는 독일 저압 배전 피더 200개에서 2023~2025년에 걸친 분 단위 측정과 관련 메타데이터를 제공하는 데이터 연구다. 새로운 예측 알고리즘의 정확도 신기록이 아니라, 실제 배전망 문제를 검증할 수 있는 자료 기반의 확장이다. Scientific Data 원문

#발전소와 집 사이에도 복잡한 전력망이 있다

큰 발전소의 총발전량만 알면 동네 전력망의 상태를 알 수 있을까? 집마다 소비 시간이 다르고 지붕 태양광·전기차 충전·난방 장비의 동작이 겹치면 같은 총량에서도 특정 선로에 부담이 몰릴 수 있다.

피더(feeder)는 여러 수요 지점으로 전력을 배분하는 회로를 말한다. 측정 위치가 달라지면 가구 하나의 부하와 여러 가구를 합친 순전력이 다른 모양을 보인다. 데이터를 읽기 전에 어느 경계에서 무엇을 측정했는지 알아야 한다.

#전력과 에너지의 단위를 구별하기

전력 P는 순간적으로 에너지가 전달되는 속도이며 kW 같은 단위를 쓴다. 에너지 E는 kWh처럼 시간을 곱한 단위다.

E=\int P(t)\,dt\simeq\sum_i P_i\Delta t_i

일정한 6kW가 1분 유지되면 에너지는 0.1kWh다. 분 단위 기록의 간격은 1/60시간이다. 이 계산은 예시다. 순간 샘플인지 구간 평균인지에 따라 적분 근사의 의미가 달라진다. 결측 구간을 0으로 채우면 실제 사용 에너지가 줄어든 것처럼 보일 수 있다.

순전력을 교육용으로 표현하면,

P_{\rm net}=P_{\rm consumption}-P_{\rm local\ generation}

이다. 실제 데이터의 부호 규약은 파일 설명에서 확인해야 한다. 음수 값이 있다고 무조건 센서 오류로 지우면 태양광의 역송을 삭제할 수 있다.

#시간 해상도가 높으면 관측 수도 매우 많아진다

하루를 1분씩 나누면 1,440개 표본이 생긴다. 하지만 옆의 두 시각이 독립적인 실험은 아니다. 온도, 생활 주기, 일사량이 이어지므로 시간적 상관이 강할 수 있다.

“데이터가 수백만 행이니 통계적으로 충분하다”라고만 판단해서는 안 된다. 몇 개 지역, 몇 계절, 어떤 장비 조건을 다루는지도 중요하다. 피더 200개가 다른 나라의 모든 배전망을 대표하는 것도 아니다.

#예측 모델의 평가에서 가장 흔한 누수

\operatorname{MAE}=\frac{1}{n}\sum_{i=1}^{n}|\widehat P_i-P_i|

P가 kW라면 MAE도 kW다. 용량이 다른 피더를 비교할 때는 정규화 기준이 필요하지만, 분모가 0에 가까운 값을 포함하면 백분율 오차가 폭주할 수 있다.

표본을 무작위로 섞어 학습·시험으로 나누면 바로 옆 시각의 비슷한 패턴이 양쪽에 들어간다. 미래 예측이 목표라면 과거로 학습하고 미래 구간에서 평가하는 시간 분할이 자연스럽다. 새 지역 일반화가 목표라면 피더 자체를 나누는 별도 시험도 필요하다.

정규화 평균·표준편차나 결측 보간 모형을 전체 데이터에서 먼저 계산해도 누수가 생긴다. 학습에 사용 가능한 정보의 범위를 먼저 고정해야 한다.

#원문 그래프에서 무엇을 볼까?

측정 위치와 설비 메타데이터 그림, 기간별 결측·품질 표시, 하루와 계절의 부하 패턴을 함께 읽는다. 한 맑은 날의 곡선만으로 태양광 영향 전체를 설명하지 않는다. 낮은 해상도로 평균 낸 그림은 짧은 피크를 숨길 수 있으므로 원 기록의 해상도와 표시용 집계를 구별한다.

배전망 전압·전류·상별 값이 있다면 각 단위와 센서 위치를 다시 확인한다. 데이터 설명 문서가 말하는 범위와 실제 내려받은 컬럼이 일치해야 한다. 파일 라이선스는 논문 라이선스와 별도로 확인해야 한다.

#이 자료로 무엇을 비교할 수 있을까?

예측 정확도뿐 아니라 피크 과소추정, 결측 센서에 대한 견고성, 새 피더 전이, 불확실성 구간의 실제 포함률을 평가할 수 있다. 이는 가능한 연구 설계이며 데이터 공개 자체가 그런 개선을 입증한 것은 아니다.

FeederBW의 핵심은 멋진 모델 이름이 아니라, 누구나 같은 현실적 기록을 놓고 무엇이 잘되고 안 되는지 비교할 가능성이다. 재현 가능한 데이터 분할과 품질 처리가 알고리즘보다 먼저 설계돼야 한다.

#원문 그래프: 일주일과 계절을 나누어 읽기

FeederBW 원문 Figure 4: 여러 피더의 요일·시간대별 평균 전력 패턴 — Figure 4. 피더별 일주일의 반복 패턴을 읽는다. 서로 다른 패널의 축과 계열을 확인하며 순간 전력과 기간 에너지를 구별한다.원문 저자 · Scientific Data · CC BY 4.0 · 원문과 그림 설명

가로 방향으로 시간대의 반복을 읽고 피더 사이의 차이를 비교한다. 평균 패턴이 비슷해도 하루별 변동과 결측이 같다는 뜻은 아니다. 예측기는 인접 시점의 강한 상관 때문에 무작위 분할에서 실제보다 좋아 보일 수 있다.

FeederBW 원문 Figure 5: 계절별로 구분한 전력 프로파일 비교 — Figure 5. 계절별 패턴의 차이를 일주일 패턴과 연결한다. 양·음의 전력 부호는 원문의 계량 규약에 따라 해석한다.원문 저자 · Scientific Data · CC BY 4.0 · 원문과 그림 설명

계절 평균의 변화가 전부 한 원인에서 나온다고 단정할 수 없다. 소비·태양광·기온·관측 기간이 함께 바뀔 수 있다. 새로운 계절이나 다른 피더를 남겨 둔 검증이 필요한 이유다.

#출처

원문 공개일: 2026-09-05.

Real-world energy data of 200 feeders from low-voltage grids with metadata in Germany over two years

Frontier One 뉴스 전체