기상데이터를 활용한 기계학습 기반 상업용 건물 전력 부하 예측 = Electricity Load Forecasting with Weather Data for Commercial Buildings based on Machine Learning
저자
발행사항
청주 : 청주대학교, 2018
학위논문사항
학위논문(석사)-- 청주대학교 대학원 : 건축공학과 2018.2
발행연도
2018
작성언어
한국어
주제어
발행국(도시)
충청북도
형태사항
vii, 91p. : 삽도, 표; 26cm.
일반주기명
청주대학교 논문은 저작권에 의해 보호받습니다.
Electricity Load Forecasting with Weather Data for Commercial Buildings based on Machine Learning
지도교수:채영태
참고문헌: p 85-86.
UCI식별코드
I804:43007-200000005582
소장기관
정부는 기후변화대응, 수요관리 등 에너지 분야의 주요 현안과 온실가스 감축을 효과적으로 해결하기 위해 기존 에너지 산업에 시장의 흐름에 맞춰 사용 가능한 신기술, 정보통신기술(ICT)등을 신속하게 활용 및 다른 산업과 융합하여 사업 가능한 에너지 신산업 정책을 수립하였다. 에너지 관리의 목적은 삶의 질 향상 및 에너지 소비의 효율 향상이며, 에너지 신산업 정책으로 8개의 모델을 추진하고 있다. 건물의 전력 부하 예측은 효율적인 건물 에너지 관리의 중요한 부분이다. 건물의 전력 소비는 경제, 사회, 기상 조건과 밀접한 관련이 있다. 특히 기후 변화로 인해 전력 소비량과 패턴이 급변하여 예측 오차율 증가원인이 되고 있다. 이에 효율적인 예측을 위해 통계적, 수학적 기법을 활용한 전력 부하 예측 분석에 대한 많은 연구가 진행중에 있다. 그러나 예측 성능과 건물 유형에 따른 부하 패턴과 다양한 기계 학습 모델의 분석이 필요한 실정이다. 이에 본 연구에서는 데이터 수집-저장에 따른 상업용 건물의 규모별 전력 부하 예측, 데이터 전처리 기법 적용, 최적의 예측 모델 선정을 진행하였다. 또한 상업용 건물의 전력 부하 예측 성능을 향상시키기 위해 불연속 데이터 보간법, 주요 기상 데이터 특징 추출, 원 데이터 정규화, 슬라이딩 윈도우 기법 등이 데이터 처리 기법에 적용되었다. 데이터는 입력변수인 3시간 분해능의 기상예보데이터와 15분 분해능의 건물 전력 부하 데이터로 나뉘는데, 기계학습을 활용한 예측을 진행하기 위해서는 위 두 항목의 데이터에 대한 동일한 시간 분해능의 데이터가 필요하다. 이에 시간 분해능 통일을 위해 3가지의 보간 기법 간의 성능비교분석을 통해 1가지의 최적 보간 기법을 선정하여 데이터 보간을 실시하였다. 이후 다양한 데이터 범위 통일을
위해 정규화(Normalization) 기법을 적용하여 예측 성능 향상에 기여하였다. 앞서 전처리된 데이터를 활용하여 5가지 기계학습모델 기반의 최적 기계학습모델을 선정하였다. 활용된 기계학습모델로는 최근 예측모델로 주로 사용되는 ANN(Artificial Neural Network), 분류 모델로 많이 활용되는 SVM(Support Vector Machine)모델, 우수한 일반화 성능으로 각광받는 의사결정(Decision tree)모델, 기본 의사결정모델인 C&RT(Classification & Regression Tree)모델, CHAID(CHi-square Automatic Interaction Detection)모델을 활용하였다. 이후 선정된 최적 기계학습모델을 활용한 건물규모별 전력 부하 예측을 수행하였으며, 소형 상업용 건물(총 238일)의 경우 동절기( 총 58일) 평균 CV(RMSE)=10.69%, 중간기(총 92일) 평균 CV(RMSE)=14.94%, 하절기(총 88일) 평균 CV(RMSE)=16.43, 전체 평균 CV(RMSE)= 14.02%의 예측성능이 도출되었다. 초소형 상업용 건물(총 213일)의 경우 동절기( 총 58일) 평균 CV(RMSE)=12.49%, 중간기(총 85일) 평균 CV(RMSE)=19.42%, 하절기(총 70일) 평균 CV(RMSE)=15.54, 전체 평균 CV(RMSE)= 15.82%의 예측성능이 도출되었다. 향후 보다 불규칙한 전력 부하 데이터를 활용한 예측 성능에 대한 연구를 진행 예정이다.
Korean government established new industry policy as action of climate change, energy management and reducement green house gas by using available new technology or Information and Communication Technology(ICT). The purpose of energy management is to improve quality of life and enhance efficiency of energy consumption so that there are eight main models for the new industry related to energy.
Forecasting of electricity consumption in building is crucial part of efficient building energy management. The electricity consumption in building has interactive state such as economic, social, weather condition circumstances. Especially current climate change alters amount of electricity consumption and pattern so that forecasting error rates are increased. The analysis of electric load forecasting using statistical, mathematical method are constantly progressing for the efficient forecasting. However, there are shortage for analysis of machine learning model which vary forecasting performance and different load pattern in kind of buildings.
In this study, electric load forecasting according to size in buildings, development of data processing technique, selection of optimum forecasting model have been progressed by data collection and storage.
To enhance electric load forecasting performance in commercial building, discontinuous data interpolation method, main weather data feature extraction, normalization of raw data, sliding window method have been used for data processing technique.
Data’s interval for forecasting need to be same but weather data has 3 hour interval and building electric load data has 15 minute interval so that optimum interpolation method have been adopted for matching interval of those two data objects. Because of weather data’s large range, normalization of weather data proceeded to enhance forecasting performance and speed.
5 optimum machine learning models Based on processed data has been selected. Selected models are ANN(Artificial Neural Network) model, RF(Random Forest) model, C&RT (Classification&Regression Tree) model, CHAID(CHI-square Automatic Interaction Detection) model, SVM(Support Vector Machine) model. By using these 5 models, comparative analysis of forecasting performance are proceeded at small commercial building.
The small size building(238days) results winter season(58 days) CV(RMSE)=10.69%, intermediate season(92 days) CV(RMSE)=14.94%, summer season(88 days) CV(RMSE)=16.43%, annual average CV(RMSE)=14.02%. Super small size building(213 days) results winter season(58 days) CV(RMSE)=12.49%, intermediate season(85 days) CV(RMSE)=19.42%, summer season (70 days) CV(RMSE)=15.54%, annual average CV(RMSE)=15.82%. As future works, electric load forecasting performance for peak electricity load will be studied.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)