KR101173823B1 - 공동주택의 에너지 사용량 예측 시스템 및 방법 - Google Patents

공동주택의 에너지 사용량 예측 시스템 및 방법 Download PDF

Info

Publication number
KR101173823B1
KR101173823B1 KR1020110065394A KR20110065394A KR101173823B1 KR 101173823 B1 KR101173823 B1 KR 101173823B1 KR 1020110065394 A KR1020110065394 A KR 1020110065394A KR 20110065394 A KR20110065394 A KR 20110065394A KR 101173823 B1 KR101173823 B1 KR 101173823B1
Authority
KR
South Korea
Prior art keywords
case
value
prediction
energy consumption
similarity
Prior art date
Application number
KR1020110065394A
Other languages
English (en)
Inventor
홍태훈
구충완
김지민
김현중
박성기
정광복
지창윤
Original Assignee
연세대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020110065394A priority Critical patent/KR101173823B1/ko
Application granted granted Critical
Publication of KR101173823B1 publication Critical patent/KR101173823B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 일 예에 따른 공동주택의 에너지 사용량 예측 시스템(100)은 공동주택의 에너지 사용량 데이터가 저장되어 있는 데이터 서버(110), 데이터 서버(110)에서 공동주택 단지별 에너지 사용량 데이터를 수집하는 데이터 수집 모듈(120), 데이터 수집 모듈(120)에서 수집된 에너지 사용량 데이터에 대하여 사례기반추론 모델, 인공신경망 모델, 다중회귀분석 모델 및 유전자알고리즘을 복합 적용하여 공동주택의 에너지 사용량을 예측하는 에너지 사용량 예측 모듈(130)을 포함한다.
본 발명을 통해 공동주택의 유지관리단계에서 에너지 사용량을 예측하고, 에너지 사용량 예측값을 근거로 시설물의 개선 여부를 판단할 수 있다.

Description

공동주택의 에너지 사용량 예측 시스템 및 방법{SYSTEM AND METHOD FOR PREDICTING AN ENERGY CONSUMPTION OF MULTI-FAMILY HOUSING}
본 발명은 공동주택과 같은 건축구조물에서의 에너지 사용량을 예측하는 시스템 및 방법에 관한 것이다. 특히 본 발명은 사례기반추론 모델을 기반으로, 의사결정나무(Decision Tree) 모델, 인공신경망 모델, 다중회귀분석 모델, 유전자 알고리즘을 복합 적용하여 예측 정확도가 향상된 에너지 사용량 예측 시스템 및 방법에 관한 것이다.
최근 전 세계적으로 온실가스 과다 배출로 인한 기후변화가 전 지구적 차원의 문제로 대두되면서, 에너지 절감 및 CO2 배출량 감축을 위한 노력이 전개되고 있다. 우리나라의 경우, "2020년까지 온실가스 배출 전망치(business-as-usual; BAU) 대비 30% 감축"을 온실가스 감축의 국가 목표치로 설정하였으며, 이에 따라 건축물 온실가스 배출량 감축과 관련된 각종 정책 수립이 빠르게 진행되고 있다.
상기와 같이 건축물 온실가스 감축과 관련된 각종 정책에 따라, 학계?업계에서는 다양한 에너지 절감기법을 연구하고, 실무에 적용하고자 노력하고 있다. 특히, 국내의 경우 전체 온실가스 배출량에서 건축물이 차지하는 비중이 약 20%로서 매우 높게 나타나고 있으며, 그 중 주거용 시설이 약 50%를 차지하고 있다. 또한 2015년 기준으로 준공 후 15년 이상 경과된 아파트의 누적 분포는 521만호로 추정되고 있다.
이러한 상황에서 기 건축된 아파트 또는 향후 계획 중인 아파트의 에너지 사용량을 예측하고, 이를 관리함으로써, 궁극적으로 온실가스 배출량을 감축시킬 수 있는 유지관리 프로세스를 구축하는 것이 시급하다고 할 수 있다. 이러한 인프라 구축을 위한 선행과제로서 아파트 단지 특성에 따른 에너지 사용량을 군집화(Clustering) 할 필요가 있으며, 이를 토대로 온실가스 배출량을 예측할 필요가 있다.
이러한 온실가스 배출량 예측 및 관리기술과 관련하여 국내외에서 다양한 연구가 진행되고 있다. 주거시설물의 대표적인 에너지원인 가스, 전기 등의 사용량을 기준으로 온실가스 배출량을 산출하고 있다. 대표적으로 사례기반추론 방법론, 통계적인 방법론(예: 다중회귀분석), 기계학습에 의한 방법론(예: 인공신경망) 등 다양한 방법론이 적용되고 있다.
그런데, 기존의 연구에서는 에너지 사용량을 단순히 예측만 하는 기술수준에 머물고 있고, 무엇보다도 예측 정확도 측면에서 한계가 나타나고 있다. 인공신경망 모델과 같이 예측정확도가 높은 경우에는 근거로서 제시할 자료가 없기 때문에 모델의 설명력이 떨어지는 단점이 있다.
건설 프로젝트는 제조업과는 달리 프로젝트마다 서로 다른 특성을 내포하고 있기 때문에, 사례에 근거한 결과물을 제시할 필요가 있다. 또한, 프로젝트 자체가 일회성이 아닌 30년 이상의 지속성을 갖기 때문에, 단순 예측보다는, 개선을 위한 목표치를 제시할 필요가 있다. 더불어 모델의 결과는 시설물 개선 여부를 판단하는 근거자료가 되기 때문에, 모델의 예측정확도는 매우 높아야만 한다.
따라서, 공동주택 유지관리단계에서 에너지 사용량을 예측하고, 이를 근거로 시설물 개선여부를 판단하며, 그 개선의 목표치를 제시하기 위해서는 예측정확도를 향상시킬 필요가 있다. 또한 시설물 유지관리단계에서 활용될 자료임을 감안하여, 에너지사용량에 따른 군집(Cluster)을 형성하여 단계별로 관리할 필요가 있다.
본 발명에 따른 공동주택의 에너지 사용량 예측 시스템 및 방법은 다음과 같은 해결과제를 목적으로 한다.
첫째, 공동주택의 유지관리단계에서 에너지 사용량을 예측하고, 에너지 사용량 예측값을 근거로 시설물의 개선 여부를 판단하고자 한다. 나아가 시설물 개선을 위한 목표치를 제시하기 위해 이용하고자 한다.
둘째, 공동주택의 에너지 사용량에 따라 시설물의 군집을 형성하고, 군집에 따른 에너지 사용량을 예측하고자 한다.
셋째, 에너지 사용량 예측을 위하여 사례기반추론 모델을 이용하고, 인공신경망 모델, 다중회귀분석 모델 및 유전자알고리즘을 복합 적용하여 에너지 사용량 예측의 정확도를 높이고자 한다.
본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명에 따른 공동주택의 에너지 사용량 예측 시스템은 공동주택의 에너지 사용량 데이터가 저장되어 있는 데이터 서버, 데이터 서버에서 공동주택 단지별 에너지 사용량 데이터를 수집하는 데이터 수집 모듈, 데이터 수집 모듈에서 수집된 에너지 사용량 데이터에 대하여 사례기반추론 모델, 인공신경망 모델, 다중회귀분석 모델 및 유전자알고리즘을 복합 적용하여 공동주택의 에너지 사용량을 예측하는 에너지 사용량 예측 모듈을 포함한다.
본 발명에 따른 공동주택의 에너지 사용량 예측 시스템은 데이터 수집 모듈이 수집한 에너지 사용량 데이터를 이용하여 군집을 형성하는 군집화 모듈을 더 포함할 수 있고, 이때 에너지 사용량 예측 모듈은 군집화 모듈에서 형성된 군집별로 에너지 사용량을 예측하는 것을 특징으로 한다.
본 발명에 따른 군집화 모듈은 종속 변수인 에너지 사용량과 통계적 상관 지수가 0.5 이상인 독립 변수를 이용하는 결정 트리로 군집을 결정하는 것을 특징으로 한다.
본 발명에 따른 에너지 사용량 예측 모듈은 사례기반추론 모델을 이용하여 사례 유사도를 산출하는 사례 유사도 산출부, 사례 유사도 산출부에서 산출된 사례 유사도를 통해 예측되는 에너지 사용량 예측값을 인공신경망 모델 및 다중회귀분석 모델을 이용하여 필터링하는 변수 필터링부 및 에너지 사용량 값에 영향을 주는 종속 파라미터를 유전자알고리즘을 이용하여 최적화하는 파라미터 최적화부를 포함한다.
본 발명에 따른 사례 유사도 산출부는 속성 유사도 및 속성 가중치를 이용하여 아래의 수학식으로 표현되는 사례 유사도를 산출하는 것을 특징으로 한다.
Figure 112011050482645-pat00001
여기서, f CS는 사례 유사도를 연산하는 함수, f AS는 속성 유사도를 연산하는 함수, f AW는 속성 가중치를 연산하는 함수, n은 속성의 개수이다.
f AS는 최근이웃조회방법(nearest-neighbor retrieval method)을 이용하여 속성 유사도가 연산되는 것으로, 아래의 수학식으로 표현되는 것을 특징으로 한다.
Figure 112011050482645-pat00002
여기서, AVtest _ case는 테스트 사례의 속성값, AVRetrieved _ case는 검색 사례의 속성값, MCAS는 속성 유사도 결정에 대한 최소 기준값이다.
MCAS는 파라미터 최적화부에서 유전자 알고리즘을 사용하여 0 ~ 100% 범위로 설정되고, 테스트 사례 및 검색 사례의 개수는 파라미터 최적화부에서 유전자 알고리즘을 사용하여 0 ~ 100% 범위를 갖는 특정 영역인 사례 선택 범위(RCS)에 의해 결정되며, 속성 가중치는 파라미터 최적화부에서 유전자 알고리즘을 사용하여 0.00 ~ 1.00 범위를 갖는 것으로 최적화되는 것을 특징으로 한다.
본 발명에 따른 필터링부는 인공신경망 모델을 적용하여 예측되는 값과 다중회귀분석 모델을 적용하여 예측되는 값이 교차하는 유효 예측 범위를 이용하여 에너지 사용량 예측값을 필터링하는 것을 특징으로 한다.
본 발명에 따른 인공신경망 모델을 적용하여 예측되는 값(PR ANN)은 아래의 수학식으로 표현되는 범위인 것을 특징으로 한다.
Figure 112011050482645-pat00003
여기서, PV ANN은 인공신경망 모델의 예측값, SER ANN은 인공신경망 모델의 표준 에러율이다.
본 발명에 따른 변수 다중회귀분석 모델을 적용하여 예측되는 값(PR MRA)은 아래의 수학식으로 표현되 범위인 것을 특징으로 한다.
Figure 112011050482645-pat00004
여기서, PV MRA은 다중회귀분석 모델의 예측값, SER MRA은 인공신경망 모델의 표준 에러율이다.
본 발명에 따른 유효 예측 범위(CRMA)는 아래의 수학식으로 표현되는 범위인 것을 특징으로 한다.
Figure 112011050482645-pat00005
여기서, PR ANN는 인공신경망 모델을 적용하여 예측되는 값, PR MRA는 다중회귀분석 모델을 적용하여 예측되는 값이다.
본 발명에 따른 유효 예측 범위는 허용 오차 유효 예측 범위(TRCRMA)를 이용하여 아래의 수학식과 같이 필터링된 값(CRMA*)인 것을 특징으로 한다.
Figure 112011050482645-pat00006
본 발명에 따른 TRCRMA는 파라미터 최적화부에서 유전자 알고리즘을 사용하여 0 ~ 100% 범위로 설정되는 것을 특징으로 한다.
본 발명에 따른 공동주택의 에너지 사용량 예측 방법은 공동주택의 에너지 사용량에 대한 테스트 사례 데이터 및 검색 사례 데이터가 입력되는 S10 단계, S10 단계에서 입력된 테스트 사례 데이터 및 검색 사례 데이터에 사례기반 추론 모델을 적용하여 사례 유사도가 산출되는 S20 단계, S20 단계에서 사례 유사도가 연산된 사례 중 사례 선택 범위(RCS)에 속한 사례가 선택되는 S30 단계, S30 단계에서 선택된 사례에 대해 S20 단계에서 산출된 사례 유사도를 통해 예측되는 에너지 사용량 예측값이 인공신경망 모델 및 다중회귀분석 모델을 이용하여 필터링되는 S40 단계 및 S30 단계에서 선택된 사례에 대해 S40 단계에서 필터링된 에너지 사용량 예측값에 대한 평균 예측 정확도가 산출되는 S50 단계를 포함한다.
본 발명에 따른 공동주택의 에너지 사용량 예측 방법 S50 단계에서 산출되는 평균 예측 정확도가 기준 정확도 미만인 경우, 에너지 사용량 예측값에 영향을 주는 종속 파라미터가 유전자알고리즘을 통하여 최적화되는 S60 단계를 더 포함하고, 최적화된 종속 파라미터를 이용하여 S20 단계부터 S50 단계가 반복 수행되는 것을 특징으로 한다.
본 발명에 따른 S10 단계에서 입력된 사례 데이터를 이용하여 군집이 형성되는 S15 단계를 더 포함하고, 에너지 사용량 예측값은 군집별로 예측되는 것을 특징으로 한다.
본 발명에 따른 S15 단계는 종속 변수인 에너지 사용량과 통계적 상관 지수가 0.5 이상인 독립 변수를 이용하는 결정 트리로 군집이 형성되는 것을 특징으로 한다.
본 발명에 따른 S20 단계는 속성 유사도 및 속성 가중치를 이용하여 아래의 수학식으로 표현되는 사례 유사도가 산출되는 것을 특징으로 한다.
Figure 112011050482645-pat00007
여기서, f CS는 사례 유사도를 연산하는 함수, f AS는 속성 유사도를 연산하는 함수, f AW는 속성 가중치를 연산하는 함수, n은 속성의 개수이다.
S40 단계는 인공신경망 모델을 적용하여 예측되는 값과 다중회귀분석 모델을 적용하여 예측되는 값이 교차하는 유효 예측 범위를 이용하여 에너지 사용량 예측값이 필터링 되는 것을 특징으로 한다.
본 발명에 따른 S60 단계에서 유전자알고리즘을 통하여 최적화되는 종속 파라미터는 S20 단계에서 사례 유사도 연산에 사용되는 속성 유사도를 결정하기 위한 최소 기준값(MCAS), S20 단계에서 사례 유사도 연산에 사용되는 속성 가중치의 범위(RAW), S30 단계에서의 사례 선택 범위(RCS), S40 단계에서 인공신경망 모델을 적용하여 예측되는 값과 다중회귀분석 모델을 적용하여 예측되는 값이 교차하는 유효 예측 범위(CRMA) 또는 CRMA에 허용 오차를 부가한 허용 오차 유효 예측 범위(TRCRMA) 중 하나 이상인 것을 특징으로 한다.
본 발명에 따른 공동주택의 에너지 사용량 예측 시스템 및 방법은 다음과 같은 효과를 갖는다.
첫째, 공동주택 유지관리단계에서 단지별 에너지 사용량에 근거하여 군집(Cluster)을 형성할 수 있기 때문에, 일상생활에서 개인, 세대별 또는 단지별 온실가스 감축을 위한 노력의 명확한 기준을 제시할 수 있다.
둘째, 단지별 에너지 사용량을 예측함에 있어서 기존의 사례를 근거자료로 제시할 수 있기 때문에, 상호간 의사소통을 명확히 할 수 있고, 시설물 개선의 목표를 수립함에 있어서도 뚜렷한 목표설정이 가능하여 온실가스 감축을 위한 노력을 적극 독려할 수 있다.
셋째, 단지별 에너지 사용량을 예측함에 있어서, 다양한 방법론의 장점을 복합적으로 적용하였기 때문에 예측정확도가 매우 향상되었다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명에 따른 공동주택의 에너지 사용량 예측 시스템에 대한 구성을 도시한 개략적인 블록도이다.
도 2는 본 발명에서 공동주택 단지별 에너지 사용량에 대한 분석을 토대로 군집을 형성하는 의사결정나무(Decision Tree)의 일 예를 도시한다.
도 3은 에너지 사용량을 기준으로 군집을 형성하는 예를 설명하기 위한 것으로, 지역에 따른 전기 에너지 사용량을 분석결과를 도시한 그래프이다.
도 4는 본 발명의 에너지 사용량 예측 모듈의 예측값 필터링부 또는 본 발명의 방법에 따른 S40 단계에서 수행되는 필터링 과정에 대한 일 예를 도시한다.
도 5는 본 발명에 따른 공동주택의 에너지 사용량 예측 방법에 대한 순서를 개략적으로 도시한 순서도이다.
도 6은 본 발명에 따른 공동주택의 에너지 사용량 예측 방법에서 사례기반추론 모델과 유전자 알고리즘을 사용한 최적화 과정을 주요하게 도시한 순서도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함한다" 등의 용어는 설시된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.
이하에서는 도면을 참조하면서 공동주택의 에너지 사용량 예측 시스템(100) 및 방법에 관하여 구체적으로 설명하겠다.
도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다. 따라서, 본 명세서를 통해 설명되는 각 구성부들의 존재 여부는 기능적으로 해석되어야 할 것이며, 이러한 이유로 본 발명의 공동주택의 에너지 사용량 예측 시스템(100)에 따른 구성부들의 구성은 본 발명의 목적을 달성할 수 있는 한도 내에서 도 1과는 상이해질 수 있음을 명확히 밝혀둔다.
먼저 사례기반추론에 대해 간략하게 설명하고자 한다. 사례기반추론은 과거에 해결된 사례를 근거로 하여 새로운 문제의 해를 구하는 기법으로 유사한 문제는 유사한 해법을 갖는 다는 것과 한번 발생한 문제는 자주 발생된다는 가정에 기초하고 있다. 인간의 문제해결방식과 동일한 방식을 활용하여 도출된 결과를 이해하기 쉽고, 새로운 사례를 데이터베이스에 저장하는 것 이외에 추가적인 작업 없이도 학습을 진행할 수 있다는 장점을 지니고 있다. 사례기반추론은 Retrieve, Reuse, Revise 및 Retain 과정으로 해를 도출하며, 새로운 문제를 해결하는데 가장 적합한 사례를 도출해 내는 것에 따라 시스템의 정확도가 크게 좌우된다.
1)Retrieve
새로운 사례와 유사한 특성을 갖는 과거사례를 데이터베이스에서 조회하는 과정으로, 유사사례를 조회하는 방법에는 귀납적 조회방법, 지식기반 조회방법, 최근이웃 조회방법이 있다. 귀납적 조회방법의 경우 목표가 명확히 정리되고 사례 데이터 자체에서 귀납된 결과에 대한 영향요소에 의하여 색인화되므로, 최근이웃 조회방법보다 사례조회의 속도가 빠른 장점을 가진다. 반면 사례데이터가 누락되면 사례조회가 전혀 불가능하게 되고, 사례가 증가할 때마다 의사결정 맵에 사례를 추가해야 되는 단점을 가지고 있다. 지식기반 조회방법은 규칙기반 시스템과 유사한 방식으로 사례를 조회하는 과정에서 기존의 분야별 지식을 적용한다. 마지막으로 최근이웃 조회방법은 데이터베이스에 축적되어 있는 사례들 중에서 유사성 척도에 의하여 새로운 사례와 유사한 사례를 조회하는 방법이며 특정 문제를 해결하는데 집중할 필요가 없는 경우에 적절한 방식으로, 사례의 수가 증가할수록 적합한 사례를 제시하는데 소요되어지는 시간이 증가하게 되므로 사례의 수가 다소 적은 경우에 적합하다.
2)Reuse
문제를 해결하기 위하여 조회된 사례를 이용하는 단계로 조회된 사례를 재사용하기 위해서는 이 사례가 새로운 문제를 해결하는데 적합한지에 대한 충분한 고려가 필요하다.
3)Revise
가장 유사한 사례를 조회한 후 새로운 문제의 특성을 반영하기 위하여 기존의 해를 수정하는 과정이다. 본 발명에서 사례기반추론 모델을 통해 예측되는 에너지 사용량에 대한 정확도를 높이기 위해 후술한 다양한 방법론이 적용된다.
4)Retain
문제를 해결한 이후에 사례를 데이터베이스에 저장하여 차후 발생하는 문제에도 이용할 수 있게 하기 위한 과정이다. 생성된 사례의 성공 여부에 관계없이 관련된 정보는 이후에 사용되기 위하여 유효한 형태의 정보로 저장되어야 한다.
도 1은 본 발명에 따른 공동주택의 에너지 사용량 예측 시스템(100)에 대한 구성을 도시한 개략적인 블록도이다.
본 발명의 일 예에 따른 공동주택의 에너지 사용량 예측 시스템(100)은 공동주택의 에너지 사용량 데이터가 저장되어 있는 데이터 서버(110), 데이터 서버(110)에서 공동주택 단지별 에너지 사용량 데이터를 수집하는 데이터 수집 모듈(120), 데이터 수집 모듈(120)에서 수집된 에너지 사용량 데이터에 대하여 사례기반추론 모델, 인공신경망 모델, 다중회귀분석 모델 및 유전자알고리즘을 복합 적용하여 공동주택의 에너지 사용량을 예측하는 에너지 사용량 예측 모듈(130)을 포함한다.
데이터 서버(110)가 사례기반추론에서 사용되는 종래의 유사한 사례가 저장되어 있는 서버이다. 공동주택에서의 에너지 사용량은 주로 전기 에너지 및 가스 에너지 등을 의미한다. 공동주택이라면 계약방식, 지역적 위치, 면적 등에 따라 기존에 한국전력이나 가스공사 등과 같은 기관에 저장되어 있은 공동주택별 에너지 사용량에 대한 데이터를 이용한다. 본 발명의 데이터 서버(110)는 종래의 자료가 저장되어 있는 별도의 서버일 수도 있고, 종래 자료가 저장되어 있는 기관의 서버와 연동된 별도의 장치일 수도 있다.
데이터 서버(110)에는 사례의 개수, 사례 이름, 입력 속성 및 출력 속성 등이 저장된다. 속성의 척도(scale)도 정의되는데 명목척도(nominal scale), 비율척도(ratio scale), 간격 척도(interval scale) 등이 있다. 데이터 서버(110)를 통해 사례기반추론 모델에서 사례 기반(case-base)가 마련되는 것이다.
한편 본 발명의 일 예에 따른 공동주택의 에너지 사용량 예측 시스템(100)은 데이터 수집 모듈(120)이 수집한 에너지 사용량 데이터를 이용하여 군집을 형성하는 군집화 모듈(140)을 더 포함할 수 있다. 이 경우 에너지 사용량 예측 모듈(130)은 군집화 모듈(140)에서 형성된 군집별로 에너지 사용량을 예측하게 된다.
도 1에서는 데이터 수집 모듈(120)로부터 데이터를 전달받아 군집화된 데이터를 다시 데이터 수집 모듈(120)로 전송한 후 처리하는 것으로 도시하였다. 그러나 데이터 수집 모듈(120)로부터 전달받은 데이터를 군집화 모듈(140)이 군집화한 후 이를 에너지 사용량 예측 모듈(130)에 전달할 수도 있다.
도 2는 본 발명에서 공동주택 단지별 에너지 사용량에 대한 분석을 토대로 군집을 형성하는 의사결정나무(Decision Tree)의 일 예를 도시한다.
군집화 모듈(140)은 종속 변수인 에너지 사용량과 통계적 상관 지수가 0.5 이상인 독립 변수를 이용하는 결정 트리로 군집을 결정한다. 도 2에 도시된 바와 같이, 에너지 종속 변수인 에너지 사용량과 통계적 상관 지수가 0.5 이상인 독립변수는 세대당면적, 경과년수, 관리비부과면적 등이 포함될 수 있다.
의사결정나무 방법은 비모수적 방법(Nonparametric method)으로서, 독립 변수와 종속 변수 간의 상관관계(Correlation)을 기반으로 하여 데이터를 군집화함으로써, 데이터의 구조를 간단 명료하게 설명할 수 있다. 의사결정나무 방법은 일반적으로, C4.5, CART, 및 CHAID의 3가지로 구분된다. C4.5와 CHAID 방법은 종속변수(Target variable)가 불연속(discrete)한 경우에만 사용하고, CART 방법은 종속변수가 불연속 또는 or 연속된(continuous) 경우에 모두 사용할 수 있다. CART의 경우, 종속변수가 명목척도(nominal scale)인 경우에는 Classification Tree를 사용하고, 연속척도(continuous variable)인 경우에는 Regression Tree를 사용한다 (Breiman et al. 1984). 본 연구에서는 종속변수인 에너지 사용량이 연속척도이므로, CART의 Regression Tree를 적용한다.
의사결정나무 방법을 적용하여, 데이터를 군집화(clustering)하기 위해서는 그 선행분석으로서 독립변수(independent variable)와 종속변수(Target variable) 간의 상관관계를 분석하여야 한다. 독립변수의 척도에 따라 명목척도(nominal scale)인 경우에는 일원배치 분산분석(One-way ANOVA)을, 연속척도(ratio scale)인 경우에는 Pearson correlation 분석을 실시한다.
도 3은 에너지 사용량을 기준으로 군집을 형성하는 예를 설명하기 위한 것으로, 지역에 따른 전기 에너지 사용량을 분석을 도시한 그래프이다. 도 3에서는 독립변수(independent variable) 중 지역(region)과 종속변수인 전기에너지 사용량(electric energy consumption) 간의 상관관계를 살펴보기 위하여 일원배치 분산분석(One-way ANOVA)을 실시한 결과이다. 좌측의 그래프는 지역(region)별 전기에너지 사용량의 평균값을 제시하고 있고, 우측의 그래프는 오차막대(error bar)를 활용하여, 지역별 전기에너지 사용량의 차이가 통계학적으로 유의수준(significance level) 내에 있는지 시각적으로 제시하고 있다. 두 그래프 분석 결과, 지역(region)에 따른 전기에너지 사용량은 3개의 군집(Cluster)으로 분류가 가능함을 알 수 있다. Cluster 1은 서울, 인천, Cluster 2은 부산, 광주, 울산, 그리고 Cluster 3는 대전, 대구로 분류될 수 있다. 각 군집(Cluster) 별 전기에너지 사용량은 Cluster 1, Cluster 2, Cluster 3 순으로 높게 나타난 것을 확인할 수 있다.
통계적 상관 지수(Pearson correlation coefficient)는 -1.0 ~ 1.0 사이의 값으로 제시되는데, 통계학적으로 절대값이 0.5 이상인 경우 두 변수간의 큰 상관관계가 높은 것으로 해석할 수 있다 (Cohen 1988). 따라서, 본 발명에서는 통계적 상관 지수가 0.5 이상인 경우 독립변수와 종속변수의 상관관계가 높은 것으로 정의하였다.
본 발명에 따른 에너지 사용량 예측 모듈(130)은 사례기반추론 모델을 이용하여 사례 유사도를 산출하는 사례 유사도 산출부(131), 사례 유사도 산출부(131)에서 산출된 사례 유사도를 통해 예측되는 에너지 사용량 예측값을 인공신경망 모델 및 다중회귀분석 모델을 이용하여 필터링하는 예측값 필터링부(132) 및 에너지 사용량 값에 영향을 주는 종속 파라미터를 유전자알고리즘을 이용하여 최적화하는 파라미터 최적화부(133)를 포함한다.
사례 유사도 산출부(131)는 사례기반추론 모델을 적용하여 사례 유사도를 산출하는 구성으로 속성 유사도(attribute similarity) 및 속성 가중치(attribute weight)를 연산하여, 최종적으로 사례 유사도(case similarity)를 연산하게 된다.
사례기반추론은 프로젝트 특성을 기반으로 Test-Case와 Case-Base상의 사례들 간의 비교분석을 통해, 사례유사도(Case Similarity)를 도출하고, 이에 따라 유사도가 높은 사례들을 순서대로 선별하는 방법론이다. 사례기반추론 모델에서는 속성 유사도, 속성 가중치 및 사례 유사도를 산정하는 일련의 프로세스가 적용되는데, 아래의 수학식 1과 같이, 간단한 행렬식으로 나타낼 수 있다
Figure 112011050482645-pat00008
여기서, AS는 속성 유사도를 의미하고, AW는 속성 가중치를 의미하며 CS는 사례 유사도를 나타내고, m은 사례의 개수, n은 속성의 개수를 의미한다.
속성 유사도(f AS)는 최근이웃조회방법(nearest-neighbor retrieval method)을 이용하여 속성 유사도가 연산되는 것으로, 아래의 수학식 2에서 표현되는 함수로 연산된다.
Figure 112011050482645-pat00009
여기서, fAS는 속성 유사도를 연산하는 함수이고, AVtest _ case는 테스트 사례의 속성값, AVRetrieved _ case는 검색 사례의 속성값을 나타낸다.
속성 유사도는 속성이 비율 척도 또는 간격 척도와 같은 연속척도로 정의되고, 속성 유사도 결정에 대한 최소 기준값(MCAS: Minimum Criterion for scoring Attribute Similarity) 이상인 경우 수학식 2에서 표현되는 값으로 연산되고, MCAS 미만인 경우 0으로 결정된다. 한편, 속성이 명목척도이고 속성값이 같다면 속성 유사도는 1이고, 속성값이 같지않다면 속성 유사도는 0이다.
속성 가중치는 유전자 알고리즘을 사용하여 결정된다. 유전자 알고리즘은 자연진화의 법칙인 적자생존과 자연도태의 원리를 토대로 적립한 최적화 알고리즘이다. 유전자 알고리즘의 경우 적합도 평가, 재생산, 교배 및 돌연변이의 4단계를 거치게 된다. 적합도 평가는 개체 집단 내에서 적합도를 평가하고 그 결과에 따라 개체를 선택하는 과정이며, 이후 재생산에서는 적합도가 높게 평가된 개채를 선택하여 다음 세대에 전이한다. 두 부모 염색체의 교차점을 기준으로 서로 조합하고 새로운 개체를 만들어 낸 후 돌연변이에서 새로운 개체를 만들어 내게 되는데 진화가 거듭될수록 개체들은 적합도가 높은 개체들로 변화하게 되고, 최적해로 수렴하게 된다.
사례 유사도는 아래의 수학식 3을 통해 연산된다. 속성 가중치와 속성 유사도를 곱하여 가중치가 부여된 속성 유사도가 도출되고, 누적된 합이 속성 가중치 합으로 나누어지면 사례 유사도가 연산된다.
Figure 112011050482645-pat00010
f CS는 사례 유사도를 연산하는 함수, f AS는 속성 유사도를 연산하는 함수, f AW는 속성 가중치를 연산하는 함수, n은 속성의 개수이다.
후술하겠지만, MCAS는 파라미터 최적화부(133)에서 유전자 알고리즘을 사용하여 0 ~ 100% 범위로 설정되고, 검색 사례의 개수는 파라미터 최적화부(133)에서 유전자 알고리즘을 사용하여 0 ~ 100% 범위를 갖는 특정 영역인 사례 선택 범위(RCS)에 의해 결정되며, 속성 가중치는 파라미터 최적화부(133)에서 유전자 알고리즘을 사용하여 0.00 ~ 1.00 범위를 갖는 것으로 최적화된다.
종래의 연구에서 사례기반추론 방법은 과거 자료(historical data)를 기반으로 새로운 값을 예측할 수 있고, 데이터베이스의 지속적인 축척에 따라 예측 성능이 향상될 수 있는 것으로 나타났다. 그러나 이러한 장점에도 불구하고, 인공신경망(Artificial Neural Network) 모델에 비하여 예측정확도가 다소 떨어지는 단점을 가지고 있다. 본 발명에서는, 이러한 사례기반추론 방법의 단점을 보완하고자, 인공신경망 모델과 다중회귀분석(Multiple Regression Analysis) 모델을 통해 예측된 값을 활용하여 유효 예측 범위를 설정하고, 이를 기반으로 예측값을 필터링 하여 예측정확도를 향상시키고자 한다.
도 4는 본 발명의 에너지 사용량 예측 모듈(130)의 예측값 필터링부(132) 또는 본 발명의 방법에 따른 S40 단계에서 수행되는 필터링 과정에 대한 일 예를 도시한다.
예측값 필터링부(132)는 인공신경망 모델을 적용하여 예측되는 값과 다중회귀분석 모델을 적용하여 예측되는 값이 교차하는 유효 예측 범위를 이용하여 에너지 사용량 예측값을 필터링한다.
인공신경망 모델을 적용하여 예측되는 값(PR ANN)은 아래의 수학식 4로 표현되는 범위이다.
Figure 112011050482645-pat00011
여기서, PV ANN은 인공신경망 모델의 예측값, SER ANN은 인공신경망 모델의 표준 에러율이다. 표준 에러율에 대한 수식 설명은 예측 정확도(prediction accuracy)에 대한 설명에서 후술한다.
한편, 다중회귀분석 모델을 적용하여 예측되는 값(PR MRA)은 아래의 수학식 5로 표현되는 범위이다.
Figure 112011050482645-pat00012
여기서, PV MRA은 다중회귀분석 모델의 예측값, SER MRA은 인공신경망 모델의 표준 에러율이다.
본 발명의 유효 예측 범위(CRMA)는 아래의 수학식 6으로 표현되는 범위이다.
Figure 112011050482645-pat00013
여기서, PR ANN는 인공신경망 모델을 적용하여 예측되는 값, PR MRA는 다중회귀분석 모델을 적용하여 예측되는 값이다.
나아가, 본 발명의 유효 예측 범위(CRMA)는 허용 오차 유효 예측 범위(TRCRMA:Tolerance Range of CRMA)를 이용하여 허용 오차를 갖는 유효 예측 범위로 필터링된 범위를 사용하는 것이 바람직하다. 아래의 수학식 7이 이를 표현한다.
Figure 112011050482645-pat00014
TRCRMA는 파라미터 최적화부(133)에서 유전자 알고리즘을 사용하여 0 ~ 100% 범위로 설정된다.
이하 본 발명에 따른 공동주택의 에너지 사용량 예측 방법을 설명하고자 한다. 전술한 공동주택의 에너지 사용량 예측과 중복되는 내용은 간략하게 설명하고, 예측 방법에 있어서 핵심적이 부분을 중심으로 설명하고자 한다.
도 5는 본 발명에 따른 공동주택의 에너지 사용량 예측 방법에 대한 순서를 개략적으로 도시한 순서도이다.
본 발명에 따른 공동주택의 에너지 사용량 예측 방법은 공동주택의 에너지 사용량에 대한 테스트 사례 데이터 및 검색 사례 데이터가 입력되는 S10 단계, S10 단계에서 입력된 테스트 사례 데이터 및 검색 사례 데이터에 사례기반 추론 모델을 적용하여 사례 유사도가 산출되는 S20 단계, S20 단계에서 사례 유사도가 연산된 사례 중 사례 선택 범위(RCS)에 속한 사례가 선택되는 S30 단계. S30 단계에서 선택된 사례에 대해 S20 단계에서 산출된 사례 유사도를 통해 예측되는 에너지 사용량 예측값이 인공신경망 모델 및 다중회귀분석 모델을 이용하여 필터링되는 S40 단계 및 S30 단계에서 선택된 사례에 대해 S40 단계에서 필터링된 에너지 사용량 예측값에 대한 평균 예측 정확도가 산출되는 S50 단계를 포함한다.
나아가 S50 단계에서 산출되는 평균 예측 정확도가 기준 정확도 미만인 경우, 에너지 사용량 예측값에 영향을 주는 종속 파라미터가 유전자알고리즘을 통하여 최적화되는 S60 단계를 더 포함할 수 있다. 최적화된 종속 파라미터를 이용하여 S20 단계부터 S50 단계가 반복 수행된다. 이 과정은 도 6에 자세하게 도시되어 있다.
S10 단계에서 입력된 사례 데이터를 이용하여 군집이 형성되는 S15 단계를 더 포함할 수 있고, 이 경우 에너지 사용량 예측값은 군집별로 예측된다.
S15 단계는 종속 변수인 에너지 사용량과 통계적 상관 지수가 0.5 이상인 독립 변수를 이용하는 결정 트리로 군집이 형성된다.
S20 단계는 속성 유사도 및 속성 가중치를 이용하여 상기 수학식 3으로 표현되는 사례 유사도가 산출된다.
f AS는 최근이웃조회방법(nearest-neighbor retrieval method)을 이용하여 속성 유사도가 연산되는 것으로, 상기의 수학식 2로 표현된다.
S40 단계는 인공신경망 모델을 적용하여 예측되는 값과 다중회귀분석 모델을 적용하여 예측되는 값이 교차하는 유효 예측 범위를 이용하여 에너지 사용량 예측값이 필터링 된다.
인공신경망 모델을 적용하여 예측되는 값(PR ANN), 다중회귀분석 모델을 적용하여 예측되는 값(PR MRA)은 전술한 공동주택의 에너지 사용량 예측 시스템(100)과 같은 수식으로 표현된다. 나아가 유효 예측 범위(CRMA)와 허용 오차 유효 예측 범위(TRCRMA)를 이용하여 아래의 수학식과 같이 필터링된 유효 예측 범위(CRMA*)도 전술한 공동주택의 에너지 사용량 예측 시스템(100)과 같은 수식으로 표현된다.
S50 단계에서 평균 예측 정확도는 각 사례에 대한 예측 정확도의 평균으로서, 각 사례에 대한 예측 정확도는 아래의 수학식 8을 이용하여 연산된다.
Figure 112011050482645-pat00015
여기서, f PA는 예측 정확도를 연산하는 함수, f SER은 표준 에러율을 연산하는 함수이다. f SER은 아래의 수학식 9와 같이 표현된다.
Figure 112011050482645-pat00016
여기서 AV 종속 변수인 에너지 사용량의 실제값, PV는 종속 변수의 예측값, m은 사례의 개수이다.
S60 단계에서 유전자알고리즘을 통하여 최적화되는 종속 파라미터는 공동주택의 에너지 사용량 예측 시스템(100)과 동일하다.
S20 단계에서 사례 유사도 연산에 사용되는 속성 유사도를 결정하기 위한 최소 기준값(MCAS), S20 단계에서 사례 유사도 연산에 사용되는 속성 가중치의 범위(RAW), S30 단계에서의 사례 선택 범위(RCS), S40 단계에서 인공신경망 모델을 적용하여 예측되는 값과 다중회귀분석 모델을 적용하여 예측되는 값이 교차하는 유효 예측 범위(CRMA) 또는 CRMA에 허용 오차를 부가한 허용 오차 유효 예측 범위(TRCRMA) 중 하나 이상일 수 있다.
도 6은 본 발명에 따른 공동주택의 에너지 사용량 예측 방법에서 사례기반추론 모델과 유전자 알고리즘을 사용한 최적화 과정을 주요하게 도시한 순서도이다.
(1)로 표기된 블록은 사례 유사도가 산출되는 과정, (2)로 표기된 블록은 종속 변수로서 예측 값이 선택되고 필터링되는 과정이고 (3)으로 표기된 블록은 유전자 알고리즘을 통해 종속 파라미터가 최적화되는 과정을 의미한다.
에너지 사용량 예측방법이 시작되면 사례-기반(case-base)가 구축된다. 시스템(100)에서 데이터 서버(110)에 사례가 구축되는 것을 의미한다. 예측 정확도의 평균(APA)이 기준 정확도 미만인지 여부를 판단하는 S60 단계는 도 6에서는 예측 정확도의 평균과 예측 사례의 개수(NPC)를 연산하는 과정, 예측 정확도의 평균(APA)과 예측 사례의 개수(NPC)가 전체 사례의 95%를 초과했는지 여부를 판단하는 과정 및 APA가 최대값을 만족하는지 여부를 판단하는 과정을 포함한다(도 6에서 곡선으로 각 단계를 표시하였음). 도 6에서는 NPC가 전체 사례의 95% 초과한 상태에서 APA가 최대값을 갖게 하기 위한 유전자 알고리즘을 사용하였고, APA가 최대값을 갖는지 여부를 점검하여 최대값을 갖지 않는다면 유전자 알고리즘으로 종속 파라미터를 새롭게 생성하고, 최대값을 갖는다면 종료하는 과정으로 넘어가게 된다.
실시예 및 본 명세서에 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시예는 모두 본 발명의 권리범위에 포함되는 것이 자명하다고 할 것이다.
100 : 공동주택의 에너지 사용량 예측 시스템
110 : 데이터 서버 120 : 데이터 수집 모듈
130 : 에너지 사용량 예측 모듈 131 : 사례 유사도 산출부
132 : 예측값 필터링부 133 : 파라미터 최적화부
140 : 군집화 모듈

Claims (25)

  1. 공동주택의 에너지 사용량 데이터가 저장되어 있는 데이터 서버;
    상기 데이터 서버에서 공동주택 단지별 에너지 사용량 데이터를 수집하는 데이터 수집 모듈;
    상기 데이터 수집 모듈에서 수집된 에너지 사용량 데이터에 대하여 사례기반추론 모델, 인공신경망 모델, 다중회귀분석 모델 및 유전자알고리즘을 복합 적용하여 공동주택의 에너지 사용량을 예측하는 에너지 사용량 예측 모듈을 포함하는 것을 특징으로 하는 공동주택의 에너지 사용량 예측 시스템.
  2. 제1항에 있어서,
    상기 데이터 수집 모듈이 수집한 에너지 사용량 데이터를 이용하여 군집을 형성하는 군집화 모듈을 더 포함하고,
    상기 에너지 사용량 예측 모듈은 상기 군집화 모듈에서 형성된 군집별로 에너지 사용량을 예측하는 것을 특징으로 하는 공동주택의 에너지 사용량 예측 시스템.
  3. 제2항에 있어서,
    상기 군집화 모듈은 종속 변수인 에너지 사용량과 통계적 상관 지수가 0.5 이상인 독립 변수를 이용하는 결정 트리로 군집을 결정하는 것을 특징으로 하는 공동주택의 에너지 사용량 예측 시스템.
  4. 제1항에 있어서,
    상기 에너지 사용량 예측 모듈은
    사례기반추론 모델을 이용하여 사례 유사도를 산출하는 사례 유사도 산출부;
    상기 사례 유사도 산출부에서 산출된 사례 유사도를 통해 예측되는 에너지 사용량 예측값을 인공신경망 모델 및 다중회귀분석 모델을 이용하여 필터링하는 예측값 필터링부; 및
    상기 에너지 사용량 값에 영향을 주는 종속 파라미터를 유전자알고리즘을 이용하여 최적화하는 파라미터 최적화부를 포함하는 것을 특징으로 하는 공동주택의 에너지 사용량 예측 시스템.
  5. 제4항에 있어서,
    상기 사례 유사도 산출부는
    속성 유사도 및 속성 가중치를 이용하여 아래의 수학식으로 표현되는 사례 유사도를 산출하는 것을 특징으로 하는 공동주택의 에너지 사용량 예측 시스템.
    Figure 112011050482645-pat00017

    (여기서, f CS는 사례 유사도를 연산하는 함수, f AS는 속성 유사도를 연산하는 함수, f AW는 속성 가중치를 연산하는 함수, n은 속성의 개수임)
  6. 제5항에 있어서,
    상기 f AS는 최근이웃조회방법(nearest-neighbor retrieval method)을 이용하여 속성 유사도가 연산되는 것으로, 아래의 수학식으로 표현되는 것을 특징으로 하는 공동주택의 에너지 사용량 예측 시스템.
    Figure 112011050482645-pat00018

    (여기서, AVtest _ case는 테스트 사례의 속성값, AVRetrieved _ case는 검색 사례의 속성값, MCAS는 속성 유사도 결정에 대한 최소 기준값임)
  7. 제6항에 있어서,
    상기 MCAS는 상기 파라미터 최적화부에서 유전자 알고리즘을 사용하여 0 ~ 100% 범위로 설정되고, 검색 사례의 개수는 상기 파라미터 최적화부에서 유전자 알고리즘을 사용하여 0 ~ 100% 범위를 갖는 특정 영역인 사례 선택 범위(RCS)에 의해 결정되며, 상기 속성 가중치는 상기 파라미터 최적화부에서 유전자 알고리즘을 사용하여 0.00 ~ 1.00 범위를 갖는 것으로 최적화되는 것을 특징으로 하는 공동주택의 에너지 사용량 예측 시스템.
  8. 제4항에 있어서,
    상기 예측값 필터링부는
    인공신경망 모델을 적용하여 예측되는 값과 다중회귀분석 모델을 적용하여 예측되는 값이 교차하는 유효 예측 범위를 이용하여 상기 에너지 사용량 예측값을 필터링하는 것을 특징으로 하는 공동주택의 에너지 사용량 예측 시스템.
  9. 제8항에 있어서,
    상기 인공신경망 모델을 적용하여 예측되는 값(PR ANN)은 아래의 수학식으로 표현되는 범위인 것을 특징으로 하는 공동주택의 에너지 사용량 예측 시스템.
    Figure 112011050482645-pat00019

    (여기서, PV ANN은 인공신경망 모델의 예측값, SER ANN은 인공신경망 모델의 표준 에러율임)
  10. 제8항에 있어서,
    상기 다중회귀분석 모델을 적용하여 예측되는 값(PR MRA)은 아래의 수학식으로 표현되 범위인 것을 특징으로 하는 공동주택의 에너지 사용량 예측 시스템.
    Figure 112011050482645-pat00020

    (여기서, PV MRA은 다중회귀분석 모델의 예측값, SER MRA은 인공신경망 모델의 표준 에러율임)
  11. 제8항에 있어서,
    상기 유효 예측 범위(CRMA)는 아래의 수학식으로 표현되는 범위인 것을 특징으로 하는 공동주택의 에너지 사용량 예측 시스템.
    Figure 112011050482645-pat00021

    (여기서, PR ANN는 인공신경망 모델을 적용하여 예측되는 값, PR MRA는 다중회귀분석 모델을 적용하여 예측되는 값임)
  12. 제11항에 있어서,
    상기 유효 예측 범위는 허용 오차 유효 예측 범위(TRCRMA)를 이용하여 아래의 수학식과 같이 필터링된 값(CRMA*)인 것을 특징으로 하는 공동주택의 에너지 사용량 예측 시스템.
    Figure 112011050482645-pat00022
  13. 제12항에 있어서,
    상기 TRCRMA는 상기 파라미터 최적화부에서 유전자 알고리즘을 사용하여 0 ~ 100% 범위로 설정되는 것을 특징으로 하는 공동주택의 에너지 사용량 예측 시스템.
  14. 공동주택의 에너지 사용량에 대한 테스트 사례 데이터 및 검색 사례 데이터가 입력되는 S10 단계;
    상기 S10 단계에서 입력된 테스트 사례 데이터 및 검색 사례 데이터에 사례기반 추론 모델을 적용하여 사례 유사도가 산출되는 S20 단계;
    상기 S20 단계에서 사례 유사도가 연산된 사례 중 사례 선택 범위(RCS)에 속한 사례가 선택되는 S30 단계;
    상기 S30 단계에서 선택된 사례에 대해 상기 S20 단계에서 산출된 사례 유사도를 통해 예측되는 에너지 사용량 예측값이 인공신경망 모델 및 다중회귀분석 모델을 이용하여 필터링되는 S40 단계; 및
    상기 S30 단계에서 선택된 사례에 대해 상기 S40 단계에서 필터링된 에너지 사용량 예측값에 대한 평균 예측 정확도가 산출되는 S50 단계를 포함하되,
    상기 S50 단계에서 산출되는 평균 예측 정확도가 기준 정확도 미만인 경우, 상기 에너지 사용량 예측값에 영향을 주는 종속 파라미터가 유전자알고리즘을 통하여 최적화되는 S60 단계를 더 포함하고, 상기 최적화된 종속 파라미터를 이용하여 상기 S20 단계부터 상기 S50 단계가 반복 수행되는 것을 특징으로 하는 공동주택의 에너지 사용량 예측 방법.
  15. 제14항에 있어서,
    상기 S10 단계에서 입력된 사례 데이터를 이용하여 군집이 형성되는 S15 단계를 더 포함하고, 상기 에너지 사용량 예측값은 상기 군집별로 예측되는 것을 특징으로 하는 공동주택의 에너지 사용량 예측 방법.
  16. 제15항에 있어서,
    상기 S15 단계는 종속 변수인 에너지 사용량과 통계적 상관 지수가 0.5 이상인 독립 변수를 이용하는 결정 트리로 군집이 형성되는 것을 특징으로 하는 공동주택의 에너지 사용량 예측 방법.
  17. 제14항에 있어서,
    상기 S20 단계는
    속성 유사도 및 속성 가중치를 이용하여 아래의 수학식으로 표현되는 사례 유사도가 산출되는 것을 특징으로 하는 공동주택의 에너지 사용량 예측 방법.
    Figure 112011050482645-pat00023

    (여기서, f CS는 사례 유사도를 연산하는 함수, f AS는 속성 유사도를 연산하는 함수, f AW는 속성 가중치를 연산하는 함수, n은 속성의 개수임)
  18. 제17항에 있어서,
    상기 f AS는 최근이웃조회방법(nearest-neighbor retrieval method)을 이용하여 속성 유사도가 연산되는 것으로, 아래의 수학식으로 표현되는 것을 특징으로 하는 공동주택의 에너지 사용량 예측 방법.
    Figure 112011050482645-pat00024

    (여기서, AVtest _ case는 테스트 사례의 속성값, AVRetrieved _ case는 검색 사례의 속성값, MCAS는 속성 유사도 결정에 대한 최소 기준값임)
  19. 제14항에 있어서,
    상기 S40 단계는
    인공신경망 모델을 적용하여 예측되는 값과 다중회귀분석 모델을 적용하여 예측되는 값이 교차하는 유효 예측 범위를 이용하여 상기 에너지 사용량 예측값이 필터링 되는 것을 특징으로 하는 공동주택의 에너지 사용량 예측 방법.
  20. 제19항에 있어서,
    상기 인공신경망 모델을 적용하여 예측되는 값(PR ANN)은 아래의 수학식으로 표현되는 범위인 것을 특징으로 하는 공동주택의 에너지 사용량 예측 방법.
    Figure 112011050482645-pat00025

    (여기서, PV ANN은 인공신경망 모델의 예측값, SER ANN은 인공신경망 모델의 표준 에러율임)
  21. 제19항에 있어서,
    상기 다중회귀분석 모델을 적용하여 예측되는 값(PR MRA)은 아래의 수학식으로 표현되 범위인 것을 특징으로 하는 공동주택의 에너지 사용량 예측 방법.
    Figure 112011050482645-pat00026

    (여기서, PV MRA은 다중회귀분석 모델의 예측값, SER MRA은 인공신경망 모델의 표준 에러율임)
  22. 제14항에 있어서,
    상기 유효 예측 범위(CRMA)는 아래의 수학식으로 표현되는 범위인 것을 특징으로 하는 공동주택의 에너지 사용량 예측 방법.
    Figure 112011050482645-pat00027

    (여기서, PR ANN는 인공신경망 모델을 적용하여 예측되는 값, PR MRA는 다중회귀분석 모델을 적용하여 예측되는 값임)
  23. 제22항에 있어서,
    상기 유효 예측 범위는 허용 오차 유효 예측 범위(TRCRMA)를 이용하여 아래의 수학식과 같이 필터링된 값(CRMA*)인 것을 특징으로 하는 공동주택의 에너지 사용량 예측 방법.
    Figure 112011050482645-pat00028
  24. 제14항에 있어서,
    상기 S50 단계에서 평균 예측 정확도는 각 사례에 대한 예측 정확도의 평균으로서, 각 사례에 대한 예측 정확도는 아래의 수학식을 이용하여 연산되는 것을 특징으로 하는 공동주택의 에너지 사용량 예측 방법.
    Figure 112011050482645-pat00029

    (여기서, f PA는 예측 정확도를 연산하는 함수, f SER은 표준 에러율을 연산하는 함수로서,
    Figure 112011050482645-pat00030
    로 표현되고, 여기서 AV 종속 변수인 에너지 사용량의 실제값, PV는 종속 변수의 예측값, m은 사례의 개수임)
  25. 제14항에 있어서,
    상기 S60 단계에서 유전자알고리즘을 통하여 최적화되는 종속 파라미터는
    상기 S20 단계에서 사례 유사도 연산에 사용되는 속성 유사도를 결정하기 위한 최소 기준값(MCAS), 상기 S20 단계에서 사례 유사도 연산에 사용되는 속성 가중치의 범위(RAW), 상기 S30 단계에서의 사례 선택 범위(RCS), 상기 S40 단계에서 인공신경망 모델을 적용하여 예측되는 값과 다중회귀분석 모델을 적용하여 예측되는 값이 교차하는 유효 예측 범위(CRMA) 또는 상기 CRMA에 허용 오차를 부가한 허용 오차 유효 예측 범위(TRCRMA) 중 하나 이상인 것을 특징으로 하는 공동주택의 에너지 사용량 예측 방법.
KR1020110065394A 2011-07-01 2011-07-01 공동주택의 에너지 사용량 예측 시스템 및 방법 KR101173823B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110065394A KR101173823B1 (ko) 2011-07-01 2011-07-01 공동주택의 에너지 사용량 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110065394A KR101173823B1 (ko) 2011-07-01 2011-07-01 공동주택의 에너지 사용량 예측 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR101173823B1 true KR101173823B1 (ko) 2012-08-20

Family

ID=46887237

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110065394A KR101173823B1 (ko) 2011-07-01 2011-07-01 공동주택의 에너지 사용량 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101173823B1 (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140119930A (ko) * 2013-03-29 2014-10-13 삼성에스디에스 주식회사 통합 관리 서버 및 이를 이용한 건물 관리 시스템
KR101522306B1 (ko) * 2013-05-09 2015-05-26 서울대학교산학협력단 유사도 특성을 이용한 메타휴리스틱 알고리즘에 기반한 시스템 및 그 제어방법
KR101549349B1 (ko) * 2014-09-26 2015-09-02 성균관대학교산학협력단 데이터 기반 모델의 건물 에너지 모델링 방법과 이를 이용한 에너지 최적관리와 제어 방법
CN108319134A (zh) * 2018-01-15 2018-07-24 沈阳大学 一种基于极限学习机网络的温室环境智能控制方法
JP2019513001A (ja) * 2016-03-05 2019-05-16 パノラミック・パワー・リミテッドＰａｎｏｒａｍｉｃ Ｐｏｗｅｒ Ｌｔｄ． 電流消費モニタリングおよびその機械学習に基づくデバイス状態の決定のためのシステムおよびその方法
CN109828623A (zh) * 2018-12-28 2019-05-31 北京农业信息技术研究中心 温室作物情景感知的生产管理方法及装置
CN110046743A (zh) * 2019-03-06 2019-07-23 上海交通大学 基于ga-ann的公共建筑能耗预测方法和系统
KR20220023373A (ko) * 2020-08-21 2022-03-02 한국에너지기술연구원 에너지 관리 시스템 및 방법
CN116596279A (zh) * 2023-07-14 2023-08-15 中通服建设有限公司 一种智慧园区能源消耗调度系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
논문 : ELSEVIER
논문 : ENERGY 2009
논문 : 한국지능시스템학회

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101989962B1 (ko) * 2013-03-29 2019-06-18 삼성에스디에스 주식회사 통합 관리 서버 및 이를 이용한 건물 관리 시스템
KR20140119930A (ko) * 2013-03-29 2014-10-13 삼성에스디에스 주식회사 통합 관리 서버 및 이를 이용한 건물 관리 시스템
KR101522306B1 (ko) * 2013-05-09 2015-05-26 서울대학교산학협력단 유사도 특성을 이용한 메타휴리스틱 알고리즘에 기반한 시스템 및 그 제어방법
KR101549349B1 (ko) * 2014-09-26 2015-09-02 성균관대학교산학협력단 데이터 기반 모델의 건물 에너지 모델링 방법과 이를 이용한 에너지 최적관리와 제어 방법
JP2019513001A (ja) * 2016-03-05 2019-05-16 パノラミック・パワー・リミテッドＰａｎｏｒａｍｉｃ Ｐｏｗｅｒ Ｌｔｄ． 電流消費モニタリングおよびその機械学習に基づくデバイス状態の決定のためのシステムおよびその方法
CN108319134A (zh) * 2018-01-15 2018-07-24 沈阳大学 一种基于极限学习机网络的温室环境智能控制方法
CN109828623A (zh) * 2018-12-28 2019-05-31 北京农业信息技术研究中心 温室作物情景感知的生产管理方法及装置
CN110046743A (zh) * 2019-03-06 2019-07-23 上海交通大学 基于ga-ann的公共建筑能耗预测方法和系统
CN110046743B (zh) * 2019-03-06 2021-06-04 上海交通大学 基于ga-ann的公共建筑能耗预测方法和系统
KR20220023373A (ko) * 2020-08-21 2022-03-02 한국에너지기술연구원 에너지 관리 시스템 및 방법
KR102503577B1 (ko) * 2020-08-21 2023-02-28 한국에너지기술연구원 에너지 관리 시스템 및 방법
CN116596279A (zh) * 2023-07-14 2023-08-15 中通服建设有限公司 一种智慧园区能源消耗调度系统
CN116596279B (zh) * 2023-07-14 2024-04-26 中通服建设有限公司 一种智慧园区能源消耗调度系统

Similar Documents

Publication Publication Date Title
KR101173823B1 (ko) 공동주택의 에너지 사용량 예측 시스템 및 방법
CN108491969B (zh) 基于大数据的空间负荷预测模型构建方法
KR101322504B1 (ko) 시공단계에서의 건설 공사비용 및 이산화탄소 배출량 예측 시스템 및 방법
CN101556464A (zh) 基于关联规则的城市电力负荷预测模型自动推荐方法
CN106529708A (zh) 一种基于云平台的配电网规划系统
CN112241607B (zh) 一种基于仿真并考虑气候变化的水资源规划方法
CN110555058A (zh) 基于改进决策树的电力通信设备状态的预测方法
CN115423301A (zh) 一种基于物联网的电力能源智能管控方法、装置及系统
CN117539726B (zh) 绿色智算中心能效优化方法及系统
KR100760625B1 (ko) 시설물 관리 시스템
KR101049405B1 (ko) 교량 자산관리 시스템
Cecconi et al. Data-driven decision support system for building stocks energy retrofit policy
Yuill et al. Application of Adaptive Neuro Fuzzy Inference System (ANFIS) based short term load forecasting in South African power networks
Konstantinos et al. Smart cities data classification for electricity consumption & traffic prediction
CN112101673B (zh) 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统
CN114626655A (zh) 一种区域综合能源系统多标准综合评价方法
Kee et al. Impact of nonintrusive load monitoring on CO 2 emissions in Malaysia
CN112365082A (zh) 一种基于机器学习的公共能源消耗预测方法
CN107239853A (zh) 一种基于云计算的智慧管家系统及其工作方法
CN111144628A (zh) 一种分布式供能的冷热电负荷预测模型系统及方法
CN116662860A (zh) 一种基于能源大数据的用户画像与分类方法
CN115994459A (zh) 一种海量电网基建项目建设时序优化方法、系统及设备
CN116227817A (zh) 一种动态车辆路径全链路问题分析与模型求解方法
CN114648163A (zh) 一种适用于智慧城市的能耗数据管理系统及方法
Yuill et al. Management of short term load forecasting in South African power networks

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20150922

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20170804

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20180801

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20190805

Year of fee payment: 8