건물 간 에너지 예측을 위한 불확실성 인지 전이 학습: 견고하고 확장 가능한 구역 단위 에너지 관리를 향하여

데이터 기반 에너지 예측 (data-driven energy forecasting)을 구역 (district) 단위로 확장하려면, 최소한의 타겟 도메인 (target-domain) 데이터만으로 여러 건물에 재사용할 수 있고 정직한 불확실성 추정 (uncertainty estimates)이 가능한 모델이 필요합니다. 본 논문에서는 Temporal Fusion Transformer (TFT)를 기반으로 한 건물 간 에너지 예측을 위한 불확실성 인지 전이 학습 (uncertainty-aware transfer learning, TL) 프레임워크를 제시하며, 이를 새롭게 공개된 고해상도 실제 서브 미터 (sub-meter) 데이터셋인 덴마크 Aalborg University의 교육용 건물 (소스) 및 스위스 EMPA의 다중 유형 NEST 건물 (타겟)을 통해 평가합니다. 우리는 도메인 간극 (domain gaps) 사이의 일반화 품질을 정량화하기 위한 아키텍처 불가지론적 (architecture-agnostic) 지표인 전이 견고성 지수 (Transfer Robustness Index, TRI)를 도입합니다. 4가지 전략의 레이어 동결 (layer-freezing) 어블레이션 (ablation) 연구 결과, 806K 개의 파라미터 중 단 455개의 출력 레이어 파라미터만 업데이트하는 Probe-Only 미세 조정 (fine-tuning)이 가장 우수한 전이 품질 (TRI = 3,097)을 달성하였으며, 이는 전체 미세 조정 (full fine-tuning)보다 뛰어난 성능을 보였습니다. 이는 TFT 인코더 (encoders)가 전이 가능한 시간적 표현 (temporal representations)을 학습함을 시사합니다. Monte Carlo Dropout은 명목상의 목표치인 95%에 근접한 93.2%의 예측 구간 커버리지 확률 (prediction interval coverage probability)을 생성합니다. 데이터 부족 (data-scarcity) 분석은 타겟 도메인 데이터가 증가함에 따라 단조로운 개선을 보임을 추가로 입증하며, 이는 구역 에너지 배치를 위한 실질적인 가이드를 제공합니다.