24시간 예상 사용량
—
직전 24시간과 비교 중
STEP 01 / DATA PREPARATION
전력 데이터 업로드 및 품질 진단
시간대와 CSV를 입력하고 같은 화면에서 학습 가능 여부를 확인합니다.
ⓘ 어떤 CSV를 준비해야 하나요?
열 이름은
timestamp, kwh입니다. 각 행은 1시간 구간 시작 시각과 0 이상 전력 사용량(kWh)을 나타냅니다. 최소 90일 이상 데이터가 필요합니다.건물 ID는 서버가 자동 생성합니다. UTC 오프셋이 없으면 선택한 건물 시간대를 적용합니다.
CSV 파일을 선택하세요timestamp / kwh 필수 · 파일당 건물 1개
선택한 파일
브라우저에서 선택됨 · 아직 품질 진단 전
DATA QUALITY
데이터 품질 진단 결과
결측, 시간 연속성, 관측 기간과 학습 가능 여부를 확인합니다.
CSV를 선택하고 품질 진단을 실행해 주세요.
선택한 파일의 형식과 학습 가능 여부가 이곳에 표시됩니다.
- 선택한 파일
- 확인 전
- 관측 기간
- 진단 전
- 누락·연속성
- 진단 전
- 학습 가능 여부
- 진단 전
—
진단 상세 결과
추가 확인 사항
STEP 02 / MACHINE LEARNING
모델 학습 및 비교
XGBoost와 PatchTST를 학습한 뒤 다섯 예측 방식을 Validation에서 비교하고, Test는 최종 평가에만 사용합니다.
학습 설정
예측 대상향후 24시간 kWh
학습 모델XGBoost · PatchTST
비교 방식학습 모델 2개 · 50:50 평균 · 기준 2개
데이터 분할시간순 분할
TrainValidationTest
Train은 학습, Validation은 예측 방식 채택, 잠긴 Test는 최종 성능 검증에만 사용합니다.
ⓘ 데이터는 왜 나눠야 하나요?
미래 정보를 미리 보는 데이터 누수를 막고, 다섯 방식이 같은 시점의 동일한 24시간을 예측하도록 시간순으로 분리합니다.
모델 입력 정보 보기
피처 정보 불러오는 중
입력 기간을 확인하고 있습니다.
학습 진행 상태
STEP 01 데이터 품질 진단을 통과하면 학습을 시작할 수 있습니다.0%
현재 학습 중인 모델과 작업 단계 기준 진행률을 표시하며 실제 남은 시간과는 다를 수 있습니다.
24시간 예측 실행 전입니다.
채택된 예측 방식예측 방식 확인 중
학습 완료
저장된 Validation 결과에서 채택 이유를 확인하고 있습니다.
상세 평가 지표 보기
Validation 예측 방식 선정 결과
시간순 Validation 구간에서 다섯 후보를 같은 평가 시점으로 비교해 실제 예측에 사용할 방식을 채택했습니다.
| 예측 방식 | MAE kWh | WAPE % | RMSE kWh | 피크 크기 오차 kWh | 피크 시간 오차 h | 채택 결과 |
|---|
Test 최종 평가 결과
모델 선택에는 사용하지 않은 Test 구간의 최종 성능입니다.
| 모델 | MAE kWh | WAPE % | RMSE kWh | 피크 크기 오차 kWh | 피크 시간 오차 h | 평가 구분 |
|---|
Test는 Validation에서 선택한 모델의 최종 성능 확인에만 사용합니다.
STEP 03 / 24H FORECAST
24시간 전력 예측
예측 결과와 과거 사용량을 비교해 다음 운영 계획을 확인합니다.
결과 대기새 CSV로 예측하기
예측 결과를 만들기 위한 준비가 필요합니다.
CSV 업로드부터 모델 학습까지 순서대로 완료하면 실제 예측 결과가 표시됩니다.
- CSV 업로드시간별 전력 사용량 데이터를 준비합니다.현재 단계
- 품질 진단기간, 결측과 시간 연속성을 확인합니다.대기
- 모델 학습XGBoost와 기준 모델을 비교합니다.대기
- 24시간 예측준비된 모델로 실제 결과를 생성합니다.대기
예측 결과를 요약하고 있습니다.
저장된 모델로 생성한 실제 예측 결과입니다.
예상 피크 시간
예측 전
24시간 중 사용량이 가장 높은 시점
예상 피크 사용량
—
사용량 계산 전
시간별 예상 사용량
데이터 마지막 시점: 미설정 · 시간대: 미설정
미래 예측직전 24시간 실측
24시간 예측값을 표로 보기
| 예측 시각 | 사용량(kWh) |
|---|
과거 예측 성능 보기
- MAE (kWh)
- 평가 결과 없음
- WAPE (%)
- 평가 결과 없음
- RMSE (kWh)
- 평가 결과 없음
- 피크 크기 오차 (kWh)
- 평가 결과 없음
- 피크 시간 오차 (h)
- 평가 결과 없음
Validation으로 모델을 선택하고, Test는 선택을 바꾸지 않은 채 최종 성능 확인에만 사용했습니다.
최근 7일 일별 사용량
업로드 데이터 기준
시간대별 사용 비중
최근 7일 소비량 분포
최근 월별 사용량
예측 결과를 어떻게 활용할까요?
운영 보고서를 만들거나, AI 호출 없이 시간 변경 시나리오를 실험할 수 있습니다.
STEP 04 / OPERATIONS REPORT
전력 운영 보고서
예측 결과를 바탕으로 AI가 운영 의사결정을 위한 보고서를 생성합니다.
분석할 예측 결과
24시간 예측을 먼저 실행해 주세요.
예측 24개 시간값동일 요일 비교검증 지표
원본 CSV 전체가 아닌 서버에서 계산한 집계 수치와 비교 결과만 OpenAI API에 전달합니다.
24시간 예측 결과가 준비되면 생성할 수 있습니다.
전력 운영 보고서를 생성하고 있습니다.
서버가 정량 근거를 확인하고 AI 운영 해석을 구성합니다.
생성된 보고서 미리보기
현재 예측 결과와 생성 당시 분석 기준을 포함합니다.
로컬 수치 + AI 운영 해석운영 계획 참고
1. 핵심 판단
운영 판단
2. 사용량이 가장 높은 시간
사용량이 가장 높은 시간
24시간 예상 사용량——
가장 높은 시간——
최근 8주 같은 요일 평균 대비——
시간대별 예상 사용량
예측값과 최근 8주 같은 요일 평균을 비교합니다.
24시간 예측최근 8주 같은 요일 평균
3. 지금 확인할 사항
지금 확인할 사항
서버의 기존 조치 기준을 충족한 항목만 표시합니다.
4. 과거 예측 오차
과거 예측 오차
5. 참고사항 및 한계
참고사항 및 한계
6. 기술 지표 상세 보기
선택 모델 · Validation
- MAE
- 평가 결과 없음
- WAPE
- 평가 결과 없음
- RMSE
- 평가 결과 없음
- 피크 크기 오차
- 평가 결과 없음
- 피크 시간 오차
- 평가 결과 없음
선택 모델 · Test
- MAE
- 평가 결과 없음
- WAPE
- 평가 결과 없음
- RMSE
- 평가 결과 없음
- 피크 크기 오차
- 평가 결과 없음
- 피크 시간 오차
- 평가 결과 없음
- 기준모델별 Validation
- 평가 결과 없음
- 기존 예측 방식보다 정확도 개선
- 평가 결과 없음
- 이번 예측에 사용
- 평가 결과 없음
원본 CSV와 API 키는 OpenAI API 또는 다운로드 보고서에 포함하지 않습니다. PDF는 브라우저 인쇄 창에서 ‘PDF로 저장’을 선택합니다.
STEP 05 / LOAD SHIFT SIMULATOR
전력 사용 시간 변경 시뮬레이터
현재 예측값을 바꾸지 않고 시간 이동에 따른 부하와 가상 비용 변화를 실험합니다.
가상 시나리오 설정
실제 계약 요금제가 연결되지 않아 입력 단가를 이용한 실험 결과입니다.
변경 전 예상 비용단가 입력 필요
변경 후 예상 비용단가 입력 필요
예상 비용 변화—
변경 전 예상 피크—
변경 후 예상 피크—
이동할 사용량과 단가를 입력하면 시간대별 부하 변화를 계산합니다.
변경 전후 시간별 사용량
선택한 기존·변경 시간에는 감소·증가 지점을 함께 표시합니다.
변경 전변경 후사용량 감소사용량 증가
시간당 kWh 피크는 청구용 최대수요전력(kW)과 동일하지 않으며, 이 시뮬레이션은 원본 예측 데이터를 변경하지 않습니다.