전 세계적인 물 부족 심화로 상수관망의 효율적 운영 및 유지보수(O&M) 중요성이 커지고 있다. 특히 정확한 수압 예측은 잠재적 문제의 사전 감지와 대응에 필수적이다. 이에 본 연구는 전처리된 데이터를 활용하여 현장 적용성이 높은 수압 예측 모델을 개발하는 것을 목표로 하였다. 이를 위해 8개 블록시스템(DMA)의 10분 단위 시계열 데이터와 4종류의 딥러닝 모델(LSTM, GRU, CNN-LSTM, CNN-GRU)을 활용하였으며, optuna를 통해 하이퍼파라미터를 최적화하고 배치 정규화 등을 적용해 학습 안정성을 확보하였다. 평가 결과, CNN-GRU 모델이 가장 우수한 성능을 나타냈다. 해당 모델을 기반으로 입력 조건에 따른 성능을 비교한 결과, 단변수 대비 다변수 입력 조건에서 예측 정확도가 향상됨을 확인하였다. 또한, 10분 선행 시점에서 최고 신뢰도(R2 0.9678, RMSE 0.0375)를 기록했으며, 지속성 모델의 성능이 점진적으로 하락하여 상대적인 저점을 형성하는 7시간 및 17시간 선행 시점에서 CNN-GRU 모델은 지속성 모델 대비 RMSE 기준 각각 48.0% 및 42.1%의 오차 개선을 달성하였다. 결론적으로, 본 연구에서 제안하는 전처리 및 하이퍼파라미터 통합 최적화 프로세스는 DMA별로 상이한 운영 환경에서도 안정적인 예측 성능을 확보할 수 있음을 입증하였다. 이는 현장 엔지니어의 데이터 분석 및 의사결정을 지원함으로써, 상수관망의 안정적인 운영과 유지보수 효율성 향상에 기여할 수 있을 것으로 기대된다.

As global water scarcity intensifies, the efficient Operation and Maintenance (O&M) of Water Distribution Networks (WDNs) has become increasingly critical. In particular, accurate water pressure prediction is essential for the early detection of potential anomalies and proactive management. Therefore, this study aims to develop a water pressure prediction model with high practical applicability by utilizing preprocessed data. To this end, time-series data collected at 10-minute intervals from eight District Metered Areas (DMAs) were utilized to train four deep learning models: LSTM, GRU, CNN-LSTM, and CNN-GRU. Hyperparameters were optimized using the optuna library, and techniques such as batch normalization were applied to ensure training stability. Performance evaluation indicated that the CNN-GRU model exhibited superior predictive performance. A comparison based on input conditions using this model confirmed that predictive accuracy improved under multivariable conditions compared to univariable ones. Notably, the model achieved the highest reliability at the 10-minute forecast horizon (R2 of 0.9678 and RMSE of 0.0375). Furthermore, the CNN-GRU model recorded RMSE reductions of 48.0% and 42.1% at the 7-hour and 17-hour forecast horizons, corresponding to the points that are relatively low in the persistence model's performance. In conclusion, the integrated preprocessing and hyperparameter optimization process proposed in this study demonstrates that stable predictive performance can be secured even across the distinct operational environments of different DMAs. By supporting field engineers in data analysis and decision-making, this approach is expected to contribute to the operational stability and enhanced maintenance efficiency of WDNs.

요약문
ABSTRACT
1. 서 론
2. 연구방법
    2.1 연구 대상 지역 및 데이터 수집
    2.2 데이터 전처리
    2.3 딥러닝 기반 예측 모델 구축
    2.4 단변수 입력조건에서 시계열 모델별 성능 비교
    2.5 단변수/다변수 입력조건에 따른 성능 비교
    2.6 예측 시점에 따른 성능 비교
3. 결과 및 고찰
    3.1 데이터 특성 및 전처리 결과 분석
    3.2 시계열 모델 별 학습 결과 및 성능 분석
    3.3 단변수/다변수 모델 성능 비교 분석
    3.4 예측 시점 별 성능 비교 분석
    3.5 시사점 및 실제 적용 가능성 고찰
4. 결 론
References

• 김명선(전남대학교 환경에너지공학과) | Myeongseon Kim (Department of Environmental and Energy Engineering, Chonnam National University)
• 이형석(전남대학교 환경에너지공학과) | Hyeongseok Lee (Department of Environmental and Energy Engineering, Chonnam National University)
• 서지원(전남대학교 환경에너지공학과) | Jiwon Seo (Department of Environmental and Energy Engineering, Chonnam National University)
• 임영택(전남대학교 환경에너지공학과) | Youngteak Lim (Department of Environmental and Energy Engineering, Chonnam National University)
• 박용균(전남대학교 환경에너지공학과) | Yong-Gyun Park (Department of Environmental and Energy Engineering, Chonnam National University) Corresponding author