KR101894541B1 - 인공지능 기반의 특성인자 예측방법 및 이를 이용한 빌딩 에너지 소모량 예측방법 - Google Patents

인공지능 기반의 특성인자 예측방법 및 이를 이용한 빌딩 에너지 소모량 예측방법 Download PDF

Info

Publication number
KR101894541B1
KR101894541B1 KR1020170155488A KR20170155488A KR101894541B1 KR 101894541 B1 KR101894541 B1 KR 101894541B1 KR 1020170155488 A KR1020170155488 A KR 1020170155488A KR 20170155488 A KR20170155488 A KR 20170155488A KR 101894541 B1 KR101894541 B1 KR 101894541B1
Authority
KR
South Korea
Prior art keywords
characteristic factor
characteristic
value
predictive
factor
Prior art date
Application number
KR1020170155488A
Other languages
English (en)
Inventor
이태동
최상민
이승도
Original Assignee
주식회사 나라컨트롤
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 주식회사 나라컨트롤 filed Critical 주식회사 나라컨트롤
Priority to KR1020170155488A priority Critical patent/KR101894541B1/ko
Application granted granted Critical
Publication of KR101894541B1 publication Critical patent/KR101894541B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • H02J2003/003—

Abstract

본 발명은 인공지능 기반의 특성인자 예측방법에 있어서, 서로 연관성이 있는 제1 특성인자 및 제2 특성인자를 포함하는 특성인자 모집단이 설정되는 모집단 설정단계; 상기 특성인자 모집단 중 상기 제1 특성인자에 대하여 서로 다른 시점에서 측정된 복수 개의 제1 특성인자 실제값들을 갖는 검증모집단이 설정되는 검증모집단 설정단계; 예측 알고리즘을 통하여 상기 복수 개의 제1 특성인자 실제값들과 각각 대응되는 복수 개의 제1 특성인자 검증 예측값들이 예측되는 검증 예측값 산출단계; 각각의 제1 특성인자 실제값과 각각의 제1 특성인자 검증 예측값의 차이에 해당하는 각각의 차이값을 바탕으로 개별 오차율이 산출되는 오차율 산출단계; 상기 개별 오차율들의 합산값을 상기 복수 개의 제1 특성인자 실제값들의 개수로 나누어 상기 개별 오차율들의 평균에 해당하는 특성상수가 산출되는 특성상수 산출단계; 그리고, 상기 예측 알고리즘과 상기 특성상수를 바탕으로 실제값이 존재하지 않는 제1 특성인자인 예측대상 특성인자의 최종 예측값이 예측되는 예측값 산출단계를 포함하는 인공지능 기반의 특성인자 예측방법을 제공한다.

Description

인공지능 기반의 특성인자 예측방법 및 이를 이용한 빌딩 에너지 소모량 예측방법{Prediction method for characteristic factor based on artificial intelligence and Prediction method for energy consumption of building using the same}
본 발명은 인공지능 기반의 특성인자 예측방법 및 이를 이용한 빌딩 에너지 소모량 예측방법에 관한 것으로서, 보다 구체적으로는 실제값이 존재하지 않은 예측대상 특성인자에 대하여 상기 실제값에 근사한 예측값을 산출할 수 있는 인공지능 기반의 특성인자 예측방법 및 이를 이용한 빌딩 에너지 소모량 예측방법에 관한 것이다.
빌딩 제어 시스템은 빌딩 내부, 외부를 쾌적하게 유지하기 위하여 빌딩 내부의 내 설치된 각종 전자 장치, 기계장치를 제어한다.
예를 들어 빌딩 내부의 온도가 상승하는 경우, 빌딩 제어 시스템은 에어컨을 동작 시킨다. 또한 빌딩 내부의 공기가 혼탁한 경우에, 빌딩 제어 시스템은 공조 장치를 동작 시킨다. 즉, 빌딩 제어 시스템은 빌딩 내부, 외부의 특정 조건에 따라서 전자 장치, 또는 기계 장치를 동작시켜 빌딩 내부, 외부를 쾌적하게 유지, 관리할 수 있다.
이를 위하여 빌딩 제어 시스템은 빌딩 내부 또는 외부에 적어도 하나 이상의 환경 센서를 설치하고, 동작 환경정보를 수집할 수 있다. 빌딩 내부의 온도, 습도에 대한 정보 및 빌딩이 위치한 지역의 날씨 정보 등이 동작 환경 정보일 수 있다.
고층 빌딩들은 특정 지역에 밀집해 있는 경우가 대부분이므로, 각 빌딩들의 동작 환경 정보는 유사하다. 따라서, 빌딩이 밀집해 있는 지역의 전력 사용량이 급상승할 수 있다. 만약 빌딩 밀집 지역에 전력을 공급하는 배전망의 능력 이상으로 전력 사용량이 급증한다면, 빌딩 밀집 지역에 충분한 전력을 공급할 수 없고, 이는 정전 사태를 초래할 수 있다.
따라서, 빌딩 제어 시스템은 빌딩 내에 설치된 전자 장치, 기계 장치 등의 지능형 전력 기기들이 미래에 사용할 전력량을 예측하고, 각 지능형 전력 기기들의 동작을 제어하여 과도한 전력 사용을 방지해야 한다.
한국공개특허공보 제10-2017-0069046호(발명의 명칭: 기상정보 기반의 전력수요 예측 시스템, 공개일: 2016년 6월 20일)
본 발명의 해결하고자 하는 과제는 실제값이 존재하지 않은 예측대상 특성인자에 대하여 상기 실제값에 근사한 예측값을 산출할 수 있는 인공지능 기반의 특성인자 예측방법 및 이를 이용한 빌딩 에너지 소모량 예측방법을 제공하는 것이다.
상술한 해결하고자 하는 과제를 달성하기 위하여 본 발명은 인공지능 기반의 특성인자 예측방법에 있어서, 서로 연관성이 있는 제1 특성인자 및 제2 특성인자를 포함하는 특성인자 모집단이 설정되는 특성인자 모집단 설정단계; 상기 특성인자 모집단 중 상기 제1 특성인자에 대하여 서로 다른 시점에서 측정된 복수 개의 제1 특성인자 실제값들을 갖는 검증모집단이 설정되는 검증모집단 설정단계; 예측 알고리즘을 통하여 상기 복수 개의 제1 특성인자 실제값들과 각각 대응되는 복수 개의 제1 특성인자 검증 예측값들이 예측되는 검증 예측값 산출단계; 각각의 제1 특성인자 실제값과 각각의 제1 특성인자 검증 예측값의 차이에 해당하는 각각의 차이값을 바탕으로 개별 오차율이 산출되는 오차율 산출단계; 상기 개별 오차율들의 합산값을 상기 복수 개의 제1 특성인자 실제값들의 개수로 나누어 상기 개별 오차율들의 평균에 해당하는 특성상수가 산출되는 특성상수 산출단계; 그리고, 상기 예측 알고리즘과 상기 특성상수를 바탕으로 실제값이 존재하지 않는 제1 특성인자인 예측대상 특성인자의 최종 예측값이 예측되는 예측값 산출단계를 포함하는 인공지능 기반의 특성인자 예측방법을 제공한다.
상기 검증 예측값 산출단계에서 상기 복수 개의 제1 특성인자 검증 예측값들 중 특정 제1 특성인자 검증 예측값은 상기 특성인자 모집단의 데이터 중 상기 특정 제1 특성인자 검증 예측값과 대응되는 해당 제1 특성인자 실제값을 제외한 데이터를 바탕으로 상기 예측 알고리즘에 의하여 산출될 수 있다.
상기 예측값 산출단계는 상기 특성인자 모집단의 데이터를 바탕으로 상기 예측 알고리즘을 통하여 상기 예측대상 특성인자의 초기 예측값을 예측하는 초기 예측값 예측단계와, 상기 특성상수를 바탕으로 상기 초기 예측값을 보정하여 상기 예측대상 특성인자의 최종 예측값을 산출하는 최종 예측값 예측단계를 포함할 수 있다.
상기 오차율 산출단계에서 상기 개별 오차율은 하기의 수학식 1에 의하여 산출될 수 있다.
[수학식 1]
Figure 112017115823215-pat00001
여기서, Ek은 k 번째의 개별 오차율을 의미하고, Rk은 k 번째의 제1 특성인자 실제값을 의미하고, Pk은 k 번째의 제1 특성인자 검증 예측값을 의미한다.
또한, 상기 최종 예측값 예측단계에서 상기 예측대상 특성인자의 최종 예측값은 상기 예측대상 특성인자의 초기 예측값이 상기 복수 개의 제1 특성인자 실제값들의 평균값보다 큰 경우에는 하기의 수학식 2에 의하여 산출될 수 있다.
[수학식 2]
Figure 112017115823215-pat00002
여기서, P는 상기 예측대상 특성인자의 최종 예측값이고, P1는 상기 예측대상 특성인자의 초기 예측값이며, f 는 상기 특성상수 이다.
또한, 상기 최종 예측값 예측단계에서 상기 예측대상 특성인자의 최종 예측값은 상기 예측대상 특성인자의 초기 예측값이 상기 복수 개의 제1 특성인자 실제값들의 평균값보다 작은 경우에는 하기의 수학식 3에 의하여 산출될 수 있다.
[수학식 3]
Figure 112017115823215-pat00003
여기서, P는 상기 예측대상 특성인자의 최종 예측값이고, P1는 상기 예측대상 특성인자의 초기 예측값이며, f 는 상기 특성상수 이다.
상기 예측 알고리즘으로는 피어슨 코릴레이션 알고리즘 및 회귀분석 알고리즘을 포함하는 예측 알고리즘 그룹 중에서 적어도 하나가 사용될 수 있으며, 상기 특성인자는 빌딩 내부에 설치되는 장비들의 특성값일 수 있다.
본 발명의 다른 실시 형태로 상술한 인공지능 기반의 특성인자 예측방법을 이용한 빌딩 에너지 소모량 예측방법에 있어서, 빌딩에 사용되는 에너지 소비유닛과 관련된 특성인자들을 설정하는 특성인자 설정단계; 상기 특성인자들에 대하여 상기 제1항 내지 제6항 중 어느 한 항에 따른 인공지능 기반의 특성인자 예측방법을 사용하여 상기 예측대상 특성인자의 최종 예측값을 예측하는 특성인자 예측단계; 상기 예측대상 특성인자의 최종 예측값을 바탕으로 해당 에너지 소비유닛에서 소모되는 에너지 소모량을 산출하는 단계; 그리고, 각각의 에너지 소비유닛의 에너지 소모량을 바탕으로 빌딩 전체에 사용되는 에너지 소모량을 산출하는 빌딩 에너지 소모량 산출단계를 포함하는 인공지능 기반의 특성인자 예측방법을 이용한 빌딩 에너지 소모량 예측방법을 제공한다.
본 발명에 따른 인공지능 기반의 특성인자 예측방법 및 이를 이용한 빌딩 에너지 소모량 예측방법은 특성인자 모집단 및 검증모집단의 데이터를 바탕으로 검증 예측값을 산출하고, 실제값과 검증 예측값의 차이를 바탕으로 오차율을 산출하고, 오차율을 바탕으로 특성상수를 산출하고, 특성상수를 바탕으로 예측대상 특성인자의 최종 예측값을 예측함으로써 실제값이 존재하지 않은 예측대상 특성인자에 대하여 상기 실제값에 근사한 최종 예측값을 산출할 수 있는 이점을 가진다.
특히, 예측대상 특성인자에 대한 정확한 예측을 통하여 에너지 소모유닛들의 에너지 소모량을 정확하게 예측함으로써 빌딩 전체의 에너지 소모량을 보다 정확하게 예측할 수 있을 뿐만 아니라, 이로 인하여 빌딩제어를 안정적으로 수행할 수 있는 이점이 있다.
도 1은 본 발명에 따른 인공지능 기반의 특성인자 예측방법의 일 실시 예를 나타내는 흐름도이다.
도 2는 본 발명에 따른 인공지능 기반의 특성인자 예측방법의 일 실시예를 통하여 예측대상 특성인자의 예측값에 대한 결과를 나타내는 도면이다.
이하, 상술한 해결하고자 하는 과제가 구체적으로 실현될 수 있는 본 발명의 바람직한 실시 예들이 첨부된 도면을 참조하여 설명된다. 본 실시 예들을 설명함에 있어서, 동일 구성에 대해서는 동일 명칭 및 동일 부호가 사용되며 이에 따른 부가적인 설명은 하기에서 생략된다.
도 1 및 도 2를 참조하여, 본 발명의 일 실시 예에 따른 인공지능 기반의 특성인자 예측방법을 설명하면 다음과 같다.
특정 제어 시스템(이하에서는, 빌딩 제어 시스템을 예로 설명한다.)에 구비된 제어서버는 미래 시점의 특정인자에 대한 예측값을 예측하게 된다.
먼저, 서로 연관성이 있는 제1 특성인자 및 제2 특성인자를 포함하는 특성인자 모집단이 설정되는 특성인자 모집단 설정단계가 수행된다(S10).
구체적으로, 사용자에 의하여 상기 제1 특성인자 및 상기 제2 특성인자를 포함하는 특성인자 모집단이 상기 제어서버의 저장부에 저장된다.
여기서, 상기 제1 특성인자 및 상기 제2 특성인자는 모두 실제값을 가진다. 즉, 상기 특성인자 모집단의 데이터는 현재 시점을 기준으로 과거에 측정된 실제값이다.
상기 제어서버의 제어부는 상기 예측대상 특성인자에 대한 예측값을 산출하기 위하여 상기 저장부로부터 상기 제1 특성인자 및 상기 제2 특성인자의 실제값들을 불러오게 된다.
빌딩의 경우, 상기 제1 특성인자는 실내온도, 상기 제2 특성인자는 외기온도가 될 수 있다. 물론, 상기 특성인자 모집단은 상기 제1 특성인자의 미래 시점의 예측값을 예측하는데 사용될 수 있는 다른 특성인자들, 예를 들면 실내습도, 외기습도 등을 포함할 수 있다. 또한, 본 발명은 이에 한정되지 않고, 상기 특성인자는 빌딩 내부에 설치되는 장비들의 특성값 일 수 있다.
다음으로, 상기 특성인자 모집단 중 상기 제1 특성인자에 대하여 서로 다른 시점에서 측정된 복수 개의 제1 특성인자 실제값들을 갖는 검증모집단이 설정되는 검증모집단 설정단계가 수행된다(S20).
구체적으로, 상기 제어부는 상기 제1 특성인자 중 미래 시점의 예측대상 특성인자의 예측값을 측정하기 위하여 상기 복수 개의 제1 특성인자 실제값들을 검증모집단으로 설정하게 된다.
이때 제어부는 현재 시점을 기준으로 가장 가까운 과거 실제값들을 상기 검증모집단으로 설정하게 된다.
예를 들면, 상기 예측대상 특성인자가 내일 오전 10시의 실내온도라면, 상기 검증 모집단의 제1 특성인자 실제값들은 현재를 기준으로 과거 11일간의 오전 10시의 실내온도 측정값들이 될 수 있다.
다음으로, 예측 알고리즘을 통하여 상기 복수 개의 제1 특성인자 실제값들과 각각 대응되는 복수 개의 제1 특성인자 검증 예측값들이 예측되는 검증 예측값 산출단계가 수행된다(S30).
상기 제어부는 상기 복수 개의 제1 특성인자 검증 예측값들 중 특정 제1 특성인자 검증 예측값은 상기 특성인자 모집단의 데이터 중 상기 특정 제1 특성인자 검증 예측값과 대응되는 해당 제1 특성인자 실제값을 제외한 데이터를 바탕으로 상기 예측 알고리즘을 사용하여 산출하게 된다.
예를 들면, 도 2의 순번 1에 해당하는 제1 특성인자 검증예측값(실내온도의 검증예측값)을 예측하는데 사용되는 데이터는 도 2의 순번 2 ~ 순번 11의 제1 특성인자 실제값들(실내온도 실제값들)과, 제2 특성인자들의 실제값들(외기온도의 실제값들)이다.
물론, 본 발명은 이에 한정되지 않고, 상기 순번 1에 해당하는 제1 특성인자 검증예측값을 예측함에 있어서, 도 2의 순번 2 ~ 순번 11의 제1 특성인자 실제값들, 제2 특성인자들의 실제값들 및 상기 특성인자 모집단 중의 다른 특성인자들의 실제값들이 사용될 수도 있을 것이다.
상기 예측 알고리즘으로는 피어슨 코릴레이션(Pearson correlation) 알고리즘 및 회귀분석(Regression analysis) 알고리즘을 포함하는 예측 알고리즘 그룹 중에서 적어도 하나가 사용될 수 있다.
여기서, 도 2에 도시된 제1 특성인자 검증예측값들, 즉 실내온도의 검증예측값들은 피어슨 코릴레이션 알고리즘에 의하여 예측된 값들이고, 상기 예측 알고리즘에 사용된 제2 특성인자의 실제값들은 외기온도의 실제값들이다.
다음으로, 각각의 제1 특성인자 실제값과 각각의 제1 특성인자 검증 예측값의 차이에 해당하는 각각의 차이값을 바탕으로 개별 오차율이 산출되는 오차율 산출단계가 수행된다(S40). 여기서, 상기 차이값은 상기 제1 특성인자 실제값에서 상기 제1 특성인자 검증예측값을 뺀 값의 절대값이다.
상기 오차율 산출단계에서 상기 개별 오차율은 하기의 수학식 1에 의하여 산출될 수 있다.
[수학식 1]
Figure 112017115823215-pat00004
여기서, Ek은 k 번째의 개별 오차율을 의미하고, Rk은 k 번째의 제1 특성인자 실제값을 의미하고, Pk은 k 번째의 제1 특성인자 검증 예측값을 의미한다. 그리고, k는 상기 검증모집단의 제1 특성인자 개수만큼 검증모집단 순번에 따라 가변된다. 즉, 도 2에서와 같이, k는 1 ~ 11까지 가변된다.
다음으로, 상기 개별 오차율들의 합산값을 상기 복수 개의 제1 특성인자 실제값들의 개수로 나누어 상기 개별 오차율들의 평균에 해당하는 특성상수가 산출되는 특성상수 산출단계가 수행된다(S50).
즉, 특성상수(f)는 하기의 수학식에 의하여 산출된다.
Figure 112017115823215-pat00005
여기서, Ek은 k 번째의 개별 오차율을 의미하고, k는 1에서 n까지 가변된다. 도 2를 참조하면, n은 11의 값을 가진다.
다음으로, 상기 예측 알고리즘과 상기 특성상수를 바탕으로 실제값이 존재하지 않는 제1 특성인자인 예측대상 특성인자의 최종 예측값이 예측되는 예측값 산출단계가 수행된다.
상기 예측값 산출단계는 상기 특성인자 모집단의 데이터를 바탕으로 상기 예측 알고리즘을 통하여 상기 예측대상 특성인자의 초기 예측값을 예측하는 초기 예측값 예측단계(S60)와, 상기 특성상수를 바탕으로 상기 초기 예측값을 보정하여 상기 예측대상 특성인자의 최종 예측값을 산출하는 최종 예측값 예측단계(S70)를 포함할 수 있다.
상기 최종 예측값 예측단계에서 상기 예측대상 특성인자의 최종 예측값은 상기 예측대상 특성인자의 초기 예측값이 상기 복수 개의 제1 특성인자 실제값들의 평균값보다 큰 경우에는 하기의 수학식 2에 의하여 산출될 수 있다.
[수학식 2]
Figure 112017115823215-pat00006
여기서, P는 상기 예측대상 특성인자의 최종 예측값이고, P1는 상기 예측대상 특성인자의 초기 예측값이며, f 는 상기 특성상수 이다.
또한, 상기 최종 예측값 예측단계에서 상기 예측대상 특성인자의 최종 예측값은 상기 예측대상 특성인자의 초기 예측값이 상기 복수 개의 제1 특성인자 실제값들의 평균값보다 작은 경우에는 하기의 수학식 3에 의하여 산출될 수 있다.
[수학식 3]
Figure 112017115823215-pat00007
여기서, P는 상기 예측대상 특성인자의 최종 예측값이고, P1는 상기 예측대상 특성인자의 초기 예측값이며, f 는 상기 특성상수 이다.
도 2를 참조하면, 검증모집단에 속하는 11개의 제1 특성인자 실제값들을(실내온도 실제값들)바탕으로 산출된 특성상수는 10.20631218을 가진다.
또한, 상기 예측대상 특성인자 1차 예측값(15.30028512)이 상기 복수 개의 제1 특성인자 실제값들의 평균값(17.44409364)보다 작기 때문에 상기 예측대상 특성인자의 최종 예측값은 상기 수학식 3에 의하여 산출된다.
따라서, 예측대상 특성인자 실제값(실내온도 실제값)은 17.51080334 ℃이고, 특성상수를 사용하지 않고 상기 예측 알고리즘만을 사용한 경우에 예측대상 특성인자 1차 예측값(1차 실내온도 예측값)은 15.30028512 ℃이며, 특성상수와 예측 알고리즘을 사용한 경우에 예측대상 특성인자 최종 예측값(최종 실내온도 예측값)은 16.86187998 ℃이 된다.
도 2를 참조하면, 단순히 예측 알고리즘만을 사용한 경우(예측대상 특성인자 1차 예측값)보다 특성상수와 예측 알고리즘을 함께 사용한 경우(예측대상 특성인자 최종 예측값)가 예측 정확도가 더 높은 것을 알 수 있다.
즉, 예측 알고리즘만을 사용한 경우에는 예측정확도가 87.38% 인 반면, 특성상수와 예측 알고리즘을 함께 사용한 경우에는 예측 정확도가 96.29% 인 것으로 확인되어 본 발명의 경우에 특성인자에 대한 예측 정확도가 8.91% 향상됨을 알 수 있다.
결과적으로, 특성인자 모집단 및 검증모집단의 데이터를 바탕으로 검증 예측값을 산출하고, 실제값과 검증 예측값의 차이를 바탕으로 오차율을 산출하고, 오차율을 바탕으로 특성상수를 산출하고, 특성상수를 바탕으로 예측대상 특성인자의 최종 예측값을 예측함으로써 실제값이 존재하지 않은 예측대상 특성인자에 대하여 상기 실제값에 근사한 최종 예측값을 산출할 수 있게 된다.
상술한 인공지능 기반의 특성인자 예측방법을 이용하여 빌딩 에너지 소모량 예측방법을 설명하면 다음과 같다.
먼저, 빌딩에 사용되는 에너지 소비유닛과 관련된 특성인자들을 설정하는 특성인자 설정단계가 수행된다.
여기서, 상기 에너지 소비유닛은 냉난방기기, 조명기기, 전자기기 등을 포함한다. 상기 냉난방기기와 관련된 특성인자로는 실내온도, 외기온도, 실내습도, 외기습도 등을 포함하고, 상기 조명기기와 관련된 특성인자로는 실내조도 등을 포함하며, 상기 전자기기와 관련된 특성인자로는 대기전력, 재실자 수 등을 포함할 수 있다.
다음으로, 상기 특성인자들에 대하여 상술한 인공지능 기반의 특성인자 예측방법을 사용하여 상기 예측대상 특성인자의 최종 예측값을 예측하는 특성인자 예측단계가 수행된다.
다음으로, 상기 예측대상 특성인자의 최종 예측값을 바탕으로 해당 에너지 소비유닛에서 소모되는 에너지 소모량을 산출하는 단계가 수행된다.
다음으로, 각각의 에너지 소비유닛의 에너지 소모량을 바탕으로 빌딩 전체에 사용되는 에너지 소모량을 산출하는 빌딩 에너지 소모량 산출단계가 수행된다.
결과적으로, 예측대상 특성인자에 대한 정확한 예측을 통하여 에너지 소모유닛들의 에너지 소모량을 정확하게 예측함으로써 빌딩 전체의 에너지 소모량을 보다 정확하게 예측할 수 있을 뿐만 아니라, 이로 인하여 빌딩제어를 안정적으로 수행할 수 있게 된다.
이상 설명한 바와 같이, 본 발명은 상술한 특정한 바람직한 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형의 실시가 가능하고 이러한 변형은 본 발명의 범위에 속한다.
S 10: 특성인자 모집단 설정단계 S 20: 검증모집단 설정단계
S 30: 검증예측값 산출단계 S 40: 오차율 산출단계
S 50: 특성상수 산출단계 S 60: 초기 예측값 예측단계
S 70: 최종 예측값 예측단계

Claims (8)

  1. 인공지능 기반의 특성인자 예측방법에 있어서,
    제어부가 서로 연관성이 있는 제1 특성인자 및 제2 특성인자를 포함하는 특성인자 모집단을 설정하는 특성인자 모집단 설정단계;
    상기 제어부가 상기 특성인자 모집단 중 상기 제1 특성인자에 대하여 서로 다른 시점에서 측정된 복수 개의 제1 특성인자 실제값들을 갖는 검증모집단을 설정하는 검증모집단 설정단계;
    상기 제어부가 예측 알고리즘을 통하여 상기 복수 개의 제1 특성인자 실제값들과 각각 대응되는 복수 개의 제1 특성인자 검증 예측값들을 예측하는 검증 예측값 산출단계;
    상기 제어부가 각각의 제1 특성인자 실제값과 각각의 제1 특성인자 검증 예측값의 차이에 해당하는 각각의 차이값을 바탕으로 개별 오차율을 산출하는 오차율 산출단계;
    상기 제어부가 상기 개별 오차율들의 합산값을 상기 복수 개의 제1 특성인자 실제값들의 개수로 나누어 상기 개별 오차율들의 평균에 해당하는 특성상수를 산출하는 특성상수 산출단계; 그리고,
    상기 제어부가 상기 예측 알고리즘과 상기 특성상수를 바탕으로 실제값이 존재하지 않는 제1 특성인자인 예측대상 특성인자의 최종 예측값을 예측하는 예측값 산출단계를 포함하고,
    상기 검증 예측값 산출단계에서, 상기 제어부는 상기 복수 개의 제1 특성인자 검증 예측값들 중 특정 제1 특성인자 검증 예측값을 상기 특성인자 모집단의 데이터 중 상기 특정 제1 특성인자 검증 예측값과 대응되는 해당 제1 특성인자 실제값을 제외한 데이터를 바탕으로 상기 예측 알고리즘을 사용하여 산출하며,
    상기 예측값 산출단계는 상기 제어부가 상기 특성인자 모집단의 데이터를 바탕으로 상기 예측 알고리즘을 통하여 상기 예측대상 특성인자의 초기 예측값을 예측하는 초기 예측값 예측단계와, 상기 제어부가 상기 특성상수를 바탕으로 상기 초기 예측값을 보정하여 상기 예측대상 특성인자의 최종 예측값을 산출하는 최종 예측값 예측단계를 포함하고,
    상기 최종 예측값 예측단계에서 상기 예측대상 특성인자의 최종 예측값은 상기 예측대상 특성인자의 초기 예측값이 상기 복수 개의 제1 특성인자 실제값들의 평균값보다 큰 경우에는 하기의 수학식 2에 의하여 산출되고,
    [수학식 2]
    Figure 112018027604664-pat00013

    상기 최종 예측값 예측단계에서 상기 예측대상 특성인자의 최종 예측값은 상기 예측대상 특성인자의 초기 예측값이 상기 복수 개의 제1 특성인자 실제값들의 평균값보다 작은 경우에는 하기의 수학식 3에 의하여 산출되며,
    [수학식 3]
    Figure 112018027604664-pat00014

    여기서, P는 상기 예측대상 특성인자의 최종 예측값이고, P1는 상기 예측대상 특성인자의 초기 예측값이며, f 는 상기 특성상수인 것을 특징으로 하는 인공지능 기반의 특성인자 예측방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 오차율 산출단계에서 상기 개별 오차율은 하기의 수학식 1에 의하여 산출되는 것을 특징으로 하는 인공지능 기반의 특성인자 예측방법.
    [수학식 1]
    Figure 112018027604664-pat00008

    여기서, Ek은 k 번째의 개별 오차율을 의미하고, Rk은 k 번째의 제1 특성인자 실제값을 의미하고, Pk은 k 번째의 제1 특성인자 검증 예측값을 의미한다.
  5. 삭제
  6. 삭제
  7. 제1항 또는 제4항에 있어서,
    상기 예측 알고리즘으로는 피어슨 코릴레이션 알고리즘 및 회귀분석 알고리즘을 포함하는 예측 알고리즘 그룹 중에서 적어도 하나가 사용되는 것을 특징으로 하며,
    상기 특성인자는 빌딩 내부에 설치되는 장비들의 특성값인 것을 특징으로 하는 인공지능 기반의 특성인자 예측방법.
  8. 제1항 또는 제4항에 따른 인공지능 기반의 특성인자 예측방법을 이용한 빌딩 에너지 소모량 예측방법에 있어서,
    상기 제어부가 빌딩에 사용되는 에너지 소비유닛과 관련된 특성인자들을 설정하는 특성인자 설정단계;
    상기 제어부가 상기 특성인자들에 대하여 상기 제1항 또는 제4항에 따른 인공지능 기반의 특성인자 예측방법을 사용하여 상기 예측대상 특성인자의 최종 예측값을 예측하는 특성인자 예측단계;
    상기 제어부가 상기 예측대상 특성인자의 최종 예측값을 바탕으로 해당 에너지 소비유닛에서 소모되는 에너지 소모량을 산출하는 단계; 그리고,
    상기 제어부가 각각의 에너지 소비유닛의 에너지 소모량을 바탕으로 빌딩 전체에 사용되는 에너지 소모량을 산출하는 빌딩 에너지 소모량 산출단계를 포함하는 인공지능 기반의 특성인자 예측방법을 이용한 빌딩 에너지 소모량 예측방법.
KR1020170155488A 2017-11-21 2017-11-21 인공지능 기반의 특성인자 예측방법 및 이를 이용한 빌딩 에너지 소모량 예측방법 KR101894541B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170155488A KR101894541B1 (ko) 2017-11-21 2017-11-21 인공지능 기반의 특성인자 예측방법 및 이를 이용한 빌딩 에너지 소모량 예측방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170155488A KR101894541B1 (ko) 2017-11-21 2017-11-21 인공지능 기반의 특성인자 예측방법 및 이를 이용한 빌딩 에너지 소모량 예측방법

Publications (1)

Publication Number Publication Date
KR101894541B1 true KR101894541B1 (ko) 2018-10-04

Family

ID=63863138

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170155488A KR101894541B1 (ko) 2017-11-21 2017-11-21 인공지능 기반의 특성인자 예측방법 및 이를 이용한 빌딩 에너지 소모량 예측방법

Country Status (1)

Country Link
KR (1) KR101894541B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023153571A1 (ko) * 2022-02-11 2023-08-17 주식회사 엘지화학 Rto의 voc 유입량 측정 가상센서 시스템 및 이를 이용한 voc 측정센서 검증 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101764673B1 (ko) * 2016-06-02 2017-08-03 주식회사 아이콘트롤스 에너지부하예측장치, 방법, 및 컴퓨터-판독가능 매체

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101764673B1 (ko) * 2016-06-02 2017-08-03 주식회사 아이콘트롤스 에너지부하예측장치, 방법, 및 컴퓨터-판독가능 매체

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023153571A1 (ko) * 2022-02-11 2023-08-17 주식회사 엘지화학 Rto의 voc 유입량 측정 가상센서 시스템 및 이를 이용한 voc 측정센서 검증 방법

Similar Documents

Publication Publication Date Title
JP5572799B2 (ja) 空調システム制御装置
US10180672B2 (en) Demand control device and computer readable medium
US9568519B2 (en) Building energy consumption forecasting procedure using ambient temperature, enthalpy, bias corrected weather forecast and outlier corrected sensor data
CN112484230B (zh) 用于控制空调设备或空调系统的舒适温度的装置和方法
US11585549B1 (en) Thermal modeling technology
Christantoni et al. Implementation of demand response strategies in a multi-purpose commercial building using a whole-building simulation model approach
US20150378373A1 (en) Data-driven hvac optimization
US20160041574A1 (en) Consumer electric power control system and consumer electric power control method
KR101762061B1 (ko) 클라우드 기반 에너지 사용량 예측 시스템 및 방법
EP3134860A1 (en) Operating method and apparatus of smart system for power consumption optimization
JP6605181B2 (ja) 運転制御装置、空気調和システム、運転制御方法および運転制御プログラム
KR101633969B1 (ko) 상황인식 기반의 빌딩 에너지 관리 시스템 및 그를 이용한 빌딩 에너지 관리 방법
JP6581490B2 (ja) 空調パラメータ生成装置、空調運用評価装置、空調パラメータ生成方法およびプログラム
KR101589262B1 (ko) 건물 에너지 모델의 보정을 이용한 에너지 관리 방법
WO2015004742A1 (ja) 熱負荷予測装置、配信システム、熱負荷予測方法及びプログラム
JP2012124188A (ja) 太陽光発電量予測装置，太陽光発電量予測方法，系統電圧制御装置，系統電圧制御方法
KR102028601B1 (ko) 시설물의 에너지 사용량 예측 방법 및 장치
KR101894541B1 (ko) 인공지능 기반의 특성인자 예측방법 및 이를 이용한 빌딩 에너지 소모량 예측방법
JP2017003192A (ja) エネルギー管理装置、エネルギー管理方法及びエネルギー管理プログラム
EP3767190A1 (en) Air-conditioning control device, air-conditioning system, air-conditioning control method, and program
KR101942331B1 (ko) 에너지 관리 시스템 및 그 에너지 관리 방법
CN108917134B (zh) 一种体感风量调节方法、装置及空调器
JP2020149209A (ja) 残差特性推定モデル作成方法および残差特性推定モデル作成システム
JPH07123589A (ja) 需要予測装置
KR20170060361A (ko) 전력 수요 분석 장치 및 이를 포함하는 전력 관리 시스템

Legal Events

Date Code Title Description
GRNT Written decision to grant