Development of an AI-Based Energy Management System for Factory Power Saving

공장 전력 절감을 위한 인공지능 기반의 에너지 관리 시스템 개발

In this paper, AI models for predicting peak power usage were developed and comparatively analyzed using data collected from the Jeju Samdasoo factory through a big data collection system based on IoT sensing technology. The LSTM (Long Short-Term Memory) model demonstrated the highest prediction accuracy for univariate time-series data, achieving an R² of 0.98, RMSE of 0.039, and MAE of 0.026. Meanwhile, the XGBoost (eXtreme Gradient Boosting) model effectively handled multivariate data, achieving an R² of 0.93, RMSE of 0.018, and MAE of 0.013. Various data preprocessing methods and feature combinations were experimentally applied to optimize model performance, highlighting the significant impact of preprocessing and variable selection on prediction accuracy. The findings suggest that optimized AI models for peak power prediction can reduce power costs and achieve approximately 10-15% reductions in carbon emissions. This study offers companies pursuing ESG (environmental, social, and governance) management practical and specific strategies for achieving sustainability, while demonstrating the applicability of the predictive model across various industries, including manufacturing, logistics, and smart factories.

본 연구는 IoT 센싱 기술을 활용하여 구축된 빅데이터 수집 시스템을 통해 제주삼다수 공장에서 생성된 데이터를 활용하여 피크 전력 사용을 예측하는 인공지능 모델을 개발하고 비교 분석하였다. LSTM(Long Short-Term Memory) 모델은 단일 변수 시계열 데이터에서 R²=0.98, RMSE=0.039, MAE=0.026으로 가장 높은 예측 정확도를 기록하였으며, XGBoost(eXtreme Gradient Boosting) 모델은 다변량 데이터를 효과적으로 처리하며 R²=0.93, RMSE=0.018, MAE=0.013의 성능을 보였다. 연구 과정에서 다양한 데이터 전처리 방법과 특징 조합을 실험적으로 적용하여 모델의 성능을 최적화하였으며, 이를 통해 데이터 전처리와 변수 선택이 예측 정확도에 미치는 영향을 입증하였다. 연구 결과, 최적화된 인공지능 모델을 활용한 피크 전력 예측은 전력 비용 절감과 약 10~15%의 탄소 배출 감소 효과를 달성할 수 있음을 제시하였다. 이는 ESG(환경, 사회, 지배구조) 경영을 목표로 하는 기업들에게 지속 가능성을 실현하기 위한 실질적이고 구체적인 전략을 제공하며, 제조업, 물류, 스마트 팩토리 등 다양한 산업 분야에서 예측 모델의 적용 가능성을 확인하였다.