푸리에 변환 기반 스케줄 분석 알고리즘을 적용한 건물 에너지 소비량 예측 모델 = Building Energy Demand Prediction Model using Fourier Transform based Schedule Analysis Algorithm

다국어 초록 (Multilingual Abstract)

Building energy demand currently accounts for 40% of the total energy demand, which has a great influence on the planning and operation of the energy market by energy suppliers, and its importance has increased significantly with the advent of the smart grid. Variables affecting the use of building energy include the identification of environmental conditions, historical conditions, and schedule conditions, and these factors have a sophisticated effect on buildings. One of the most influential variables is the building schedule. Because each building has its own schedule, standardized schedules cannot be applied to various buildings, and it is difficult for non-experts to analyze or predict schedules in these cases. The aim of this paper is to propose a high-precision building energy demand prediction model by using a Fourier transform-based time series prediction model, that automatically analyzes and predicts the schedule to be applied when predicting building energy demand. In order to compare with the existing method, the six buildings are divided into schedules when they are not scheduled, weekdays/weekends, days of week and when schedule analysis algorithm are applied. Machine learning is performed using the LSTM model, and prediction accuracy is verified through the CvRMSE and MBE. There was an average difference of 15.37% based on the CvRMSE, and all predictions were predictable when the automated prediction model was applied. This study can be used as a building energy operation plan for the creation and implementation of a future energy-efficient smart grid system.

국문 초록 (Abstract)

본 연구는 건물 에너지 예측 시 입력 데이터로 적용하는 스케줄 데이터를 자동으로 분석하여 예측하는 모델을 적용하여 정확도가 보장된 예측 방안을 제안하고자 하였다.
어린이집, 고등학교, 도서관, 소규모 의료시설, 문화의집, 통합관제센터 여섯 개의 건물을 대상으로 1년간의 전력 소비량 데이터를 수집하여 사용하였다. 학습을 위해 사용된 기계 학습 모델은 LSTM 모델이었으며, 입력 데이터는 환경 데이터, 과거 데이터 총 8개의 데이터와 스케줄 데이터를 적용하였다. 스케줄 데이터는 스케줄이 없을 때, 주중/주말로 구분했을 때, 요일별로 나누었을 때, 스케줄 분석 알고리즘을 적용했을 때로 네 가지 Case로 구분하여 비교 검증하였다. 해당 데이터는 동절기와 하절기로 나누어 총 12개로 분류 후 진행하였다.
본 연구를 통한 결론은 다음과 같다.
(1) Prophet 모델을 적용하여 스케줄 분석을 진행할 때, 분석된 스케줄이 실제 데이터와 비교하여 비슷한 양상을 보이는 것으로 다양한 건물에 분석이 가능한 것으로 나타난다.
(2) Prophet 모델을 입력 데이터에 적용하여 새로운 기계 학습 모델을 생성 및 예측 시, 12개의 검증한 모델 중 8개의 모델이 자동화 알고리즘을 활용하였을 때 기존 적용 방법과 비교하여 CvRMSE 기준 최소 2.38%에서 최대 37.78% 차이가 발생하는 것으로 나타났다.
(3) 12개의 모델 중 4개의 모델은 기존 적용 방법과 비교하여 낮은 정확도를 보였는데, 이는 전력 소비량의 편차가 클수록 예측율이 CvRMSE 기준 최소 1.79%에서 최대 4.13%까지 떨어지는 양상을 보였으며, 반대로 편차가 적을수록 높은 정확도를 나타냈다.
(4) 전력 소비량 데이터의 최대값과 최소값의 분포 간격이 좁은 특징을 가진 건물들은 자동화 스케줄 알고리즘을 적용한 모델이 기존 적용 방식보다 향상된 예측 성능으로 나타났으며, 이는 다양한 건물에 적용하여도 유의미한 결과를 나타낼 수 있다고 판단된다.
스케줄의 예측 알고리즘 활용을 통해 건물 에너지 예측 정확도를 높일 수 있음을 확인하였다. 이는 건물의 사용 패턴 변화에도 대응 가능한 예측 모델을 확보할 수 있음을 나타내었다.
본 연구는 향후 스마트 그리드를 위한 신재생 에너지 시스템의 발전량과 다양한 건물에서 사용되는 에너지 소비량의 차이를 예측하는 모델의 정확도 향상 방안으로 사용될 수 있으며 더 나아가 마이크로 그리드의 기초 자료로 활용될 수 있다.
단, 본 연구는 블랙박스 모델을 적용한 것으로 한계가 있으며, 해당 건물이 모든 건물을 대표할 수 없다는 한계를 가지고 있다. 이를 해결하기 위해 향후 온라인 기계 학습을 기반으로 더 다양한 실제 건물에 적용 하여 다음 연구를 진행하고자 한다.

참고문헌 (Reference)

• 1 전병기, "딥러닝을 이용한 재실정보 기반 건물의 전기 수요 예측 모델" 대한설비공학회 31 (31): 22-31, 2019
• 2 안유선, "기계학습 기반 자동화 알고리즘을 활용한 공조기 급기 온도 예측" 대한설비공학회 32 (32): 37-45, 2020
• 3 안유선, "기계 학습과 주요 변수를 활용한 열병합발전 시스템 열 수요량 예측" 대한설비공학회 31 (31): 352-360, 2019
• 4 우혜지, "건물의 실측 에너지 데이터를 통한 건물 에너지 소비 패턴 분류에 관한 연구" 대한건축학회 32 (32): 143-151, 2016
• 5 Ribeiro, M., "Transfer Learning with Seasonal and Trend Adjustment for Cross-Building Energy Forecasting" 165 : 352-363, 2018
• 6 Fan, C., "Statical Investigations of Transfer Learning-Based Methodology for Short-Term Building Energy Predictions" 262 : 114499-, 2020
• 7 "Short-Term Prediction of Electric Demand in Building Sector Via Hybrid Support Vector Regression" 204 : 1363-1374, 2017
• 8 Pedregosa, "Scikit-learn : Machine learning in Python" 12 : 2825-2830, 2011
• 9 Bourdeau, "Modeling and Forecasting Building Energy Consumption : A Review of Data-Driven Techniques" 48 : 101533-, 2019
• 10 Guo, "Machine Learning-Based Theraml Response Time Ahead Energy Demand Prediction For Building Heating Systems" 221 : 16-27, 2018
• 11 Hochreiter, S., "Long Short-Term Memory" 9 (9): 1735-1780, 1997
• 12 Lu, Y., "GMM Clustering for Heating Load Patterns in-Depth Identification and Prediction Model Accuracy Improvement of District Heating System" 190 : 49-60, 2019
• 13 Taylor, S. J., "Forecasting at Scale" 1-25, 2018
• 14 Do, H., "Evaluation of the Causes and Impact of Outliers on Residential Building Energy Use Prediction Using Inverse Modeling" 138 : 194-206, 2018
• 15 Huang, W. Z., "Dynamic Simulation of Energy Management Control Functions for HVAC Systems in Buildings" 47 (47): 926-943, 2006
• 16 Spiliots, K., "Demand Flexibility Versus Physical Network Expansions in Distribution Girds" 182 : 613-624, 2016
• 17 Xiao, F., "Data Mining in Building Automation System for Improving Building Operational Performance" 75 (75): 109-118, 2014
• 18 UNEP, "Cities and Climate Change"
• 19 "ASHRAE GUIDELINE 14-2002 Measurement of Energy and Demand Savings"
• 20 Perez-Lombard, L., "A Review on Building Energy Consumption Information" 40 (40): 394-398, 2008
• 21 Somu, N., "A Hybrid Model for Building Energy Consumption Forecasting Using Long Short Term Memory Networks" 261 : 114131-, 2020