인하대학교 캠퍼스 전력 데이터를 실시간으로 수집·분석하고, AI로 사용량을 예측하는 건물에너지관리시스템(Building Energy Management System) 탄소중립 아카데미 2기 · ATG(Asset Technology Group) 인턴십 팀 프로젝트 (2024)
전체 발표 자료(41p): docs/BEMS최종PPT.pdf
인하대학교는 건물 전력 데이터를 수기로 기록하고 설비를 수동 제어하고 있어, 데이터가 서버에 축적·분석되지 않고 활용성이 낮은 상태였습니다. (모니터링·제어 시스템 부재)
본 프로젝트는 이러한 환경에 디지털 전환(DX) 을 적용해, 전력 데이터를 실시간 수집·정형화하고 모니터링·분석·예측을 제공하는 BEMS를 구축했습니다. 약 3년치 시계열 데이터에 센서 통신 오류로 인한 결측·이상치가 혼재되어 있어, 모델 학습 전 정교한 데이터 클리닝이 필수적이었습니다.
데이터의 의미를 정확히 이해하기 위해 서울대·인천대 등 타 기관을 답사·벤치마킹하고, 인하대 현장 실태를 직접 조사하여 도메인을 파악한 뒤 파이프라인을 설계했습니다.
BEMS 3단계 기능
- LV1 모니터링 — 데이터 감시·조회, 실시간 알림(경보)
- LV2 분석 — 설비 성능·효율 분석, 지표 관리 및 보고서
- LV3 제어 — 자동 제어 (향후 과제)
인하대 실시간 전력 DB (MSSQL, 10분·10초 간격)
│ WRITE
▼
┌──────────────────────────────────────────────┐
│ Spring 메인 비즈니스 로직 서버 (Java, 3-Layer) │
│ · Dynamic Polling / 요금 정산 / 원단위 계산 │
│ · 이상치 탐지 / 월·일별 집계 / Entity CRUD │
│ · STOMP WebSocket (Pub/Sub) / Redis 캐싱 │
└───┬──────────────┬───────────────┬─────────────┘
│ │ │
InfluxDB PostgreSQL Spring AI ── LLM (GPT/Claude/Ollama)
(전력·예측 (메타·집계· · 지표/에너지 효율 분석
시계열) 이상치·요금) │
└── 예측 시그널 ──> FastAPI 예측 서버 (PyTorch LSTM)
· APScheduler 주기적 재학습
· InfluxDB 자동 갱신
│ REST / WebSocket
▼
Next.js BEMS Website (실시간 모니터링 대시보드)
- 실시간 에너지 모니터링 — 건물·에너지원별(전기/물/가스) 실시간 데이터, 이상치 표시
- 통계 분석 — 월별 사용량 추세, 전월 동일 날짜 대비 비교, 용도별(교육용/산업용) 전기세, 누적 금액
- 지표 관리 & AI 분석 — 원단위·목표 설정, LLM 기반 에너지 효율 분석 요약
- AI 사용량 예측 — LSTM 기반 미래 에너지 사용량 예측 및 시각화
전력 시계열 예측을 위해 4개 모델(ARIMA · Prophet · LightGBM · LSTM)을 비교한 뒤, 장기 시계열의 변동성·불확실성 대응에 유리한 LSTM(PyTorch) 을 선정했습니다.
- ETL 파이프라인 — 결측 구간 탐지(누락 포인트 56개), 이상치 처리(Z-score>3, 선형보간),
MinMaxScaler정규화로 LSTM 학습 안정성 확보 - 하이퍼파라미터 튜닝 — Grid Search / Random Search / AutoML 비교 후 Grid Search 채택
- 예측 성능 — MAPE 14.21, RMSE 15 (원 단위) / RMSE 0.1217 · MAE 0.0697 (정규화 기준)
- 서빙 — FastAPI 예측 API, APScheduler 기반 자동 재학습, h5 모델 on-premise 배포, InfluxDB 갱신 및 Spring 서버와 실시간 통신
| 영역 | 스택 |
|---|---|
| Frontend | Next.js 14 (TypeScript), TanStack Query, TailwindCSS, shadcn/ui, Jotai, ECharts |
| Backend | Java / Spring (Controller–Service–Repository), STOMP WebSocket, Spring AI (LLM 추상화) |
| AI / 예측 | Python, PyTorch (LSTM), FastAPI, APScheduler |
| Database | InfluxDB(시계열), PostgreSQL(메타·집계), Redis(캐싱) |
| Source | MSSQL Server (인하대 실시간 전력 DB) |
| Infra | Docker / Docker Compose |
| 협업 | GitHub Projects, PR 코드리뷰, 주간 스크럼, commit/branch convention |
- 실시간성 보장 —
DynamicScheduler가 건물별BuildingScheduler를 개별 스레드로 운영. 평소 600초 폴링하다가 데이터 미수신 시 10초 빠른 폴링으로 전환, 수신되면 다시 600초로 복귀하는 적응형 폴링으로 실시간성과 부하를 동시에 관리. - 재학습 ↔ 예측 충돌 (핫스왑 아키텍처) — 24시간 주기 재학습이 4시간 주기 예측을 침범하면 예측 데이터에 갭이 발생. 재학습 중에도 '기존 모델'로 예측 적재를 멈추지 않고, 무거운 재학습이 끝나면 동일 타임스탬프의 예측값을 '새 모델' 결과로 자동 덮어쓰기(Overwrite) 하는 핫스왑 방식으로 충돌을 해소.
is_training플래그로 중복 재학습도 차단. - 다건물 비동기 병렬 서빙 —
httpx·asyncio.gather로 다수 건물·에너지원의 예측을 병렬 처리해 서빙 속도 확보. - 예측 신뢰성 — 예측 구간이 길수록 오류가 누적되므로, 주기적 재학습으로 최신 분포를 반영하고 사용자 요청으로 재학습되더라도 기존 스케줄 주기(예: 매일 정해진 시각)는 유지하도록 설계.
- 프론트엔드 렌더링 — Lighthouse 점수 44 → 85 (약 2배 향상)
- 조회 성능 — InfluxDB로 시계열 데이터를 분리하고 Redis 캐싱 + 월 단위 집계 저장을 도입해 모니터링 응답 속도 개선
- AI 예측 — LSTM 기반 MAPE 14.21 / RMSE 15(원 단위)·0.1217(정규화) 달성
- 배포 최적화 — Docker 이미지 12.5GB → 2.2GB (5.7× 경량화), 빌드 시간 약 7× 단축
Docker Compose 기반으로 bems-network 위에 서비스를 구성합니다.
| 서비스 | 포트 |
|---|---|
| bems-view (Next.js) | 3000 |
| bems-server (Spring) | 8080 |
| bems-ai (FastAPI) | 8000 |
| InfluxDB | 8086 |
| PostgreSQL | 5432 |
| Redis | 6379 |
탄소중립 아카데미 2기 / ATG 인턴십 팀 프로젝트 (기여자 4명)
| 이름 | 역할 |
|---|---|
| 김용진 (본인) | Frontend · AI 모델 · InfluxDB 연동 (약 33% 기여) |
| 김용빈 | 서버 개발, 문서 작업, GitHub 관리 |
| 이시현 | Frontend, 디자인 |
이 저장소는 ATG 인턴십 기간의 산출물을 하나로 통합한 모노레포입니다. BEMS 본체와 더불어 FEMS 프로젝트, 학습·실험 자료를 함께 담고 있습니다.
.
├── bems/ # ★ BEMS 본체
│ ├── fast/ # FastAPI 예측 서버 (PyTorch LSTM, APScheduler)
│ ├── server/ # Spring 메인 서버 (InfluxDB/PostgreSQL/Redis/MSSQL 연동)
│ └── view/ # Next.js 실시간 모니터링 대시보드
├── fems/ # SIMMTECH FEMS 프론트엔드 (Next.js)
├── experiments/ # 학습·실험 과정 산출물
│ ├── study/ # BEMS 기초 개발 (데이터 전처리·분석, LSTM/GRU 연습)
│ ├── node-red/ # Node-RED 데이터 수집 + InfluxDB 스트리밍
│ ├── dvc/ # 데이터 버전 관리(DVC) 실험
│ ├── timeseries-models/ # 시계열 예측 모델 실험
│ └── cursor-lib/ # 진동 데이터 커서 라이브러리 (ATG)
└── docs/ # 발표 자료 (BEMS최종PPT.pdf)
비밀값(DB 비밀번호, InfluxDB 토큰, API 키, 외부 서버 주소 등)은 모두 환경변수(
.env)로 분리되어 있으며, 각 서비스의.env.example을 참고해 구성합니다. 실제.env는 저장소에 포함되지 않습니다.
탄소중립 아카데미 2기 · ATG 인턴십 BEMS 구축 프로젝트 (2024)