KR102064918B1 - 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템 및 이의 방법 - Google Patents

Abstract

본 발명은 기축 건물에 대한 건물 조건 데이터와 건물 특성 데이터를 포함하는 건물 에너지 데이터를 수집하는 데이터 수집 모듈과 상기 건물 에너지 데이터를 저장하는 데이터 저장부와 상기 건물 에너지 데이터를 각 항목 또는 요인별로 분류하는 데이터 분류부 및 분류된 각각의 건물 조건 데이터와 상기 건물 특성 테이터 간의 관계를 정의하여 데이터 분류 맵을 형성하는 데이터 맵 형성부를 포함하는 데이터 처리 모듈 및 상기 각 항목 또는 요인별 데이터 분류 맵을 조합하여 에너지 소비 유형 및 생산 유형을 도출하는 에너지 진단 모듈을 포함하는 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템 및 이의 방법으로 진단 대상인 기축 건물이 소비하는 에너지와 건물 내 신재생 에너지 발전량이 동일하거나 이들의 합이 0에 근접하는 제로 에너지 건물이 될 수 있는 진단 및 개선 방안 등을 도출할 수 있는 장점이 있다.

Description

제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템 및 이의 방법{ENERGY DIAGNOSIS SYSTEM AND METHOD WITH HIGH ACCURACY FOR REALIZATION OF ZERO ENERGY BUILDING}

본 발명은 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템 및 이의 방법에 관한 것으로 보다 상세하게는 건물이 소비하는 에너지와 건물 내 신재생 에너지 발전량이 동일하거나 이들의 합이 0에 근접하는 건물인 제로 에너지 빌딩 구축을 위하여 빅데이터 기반의 딥러닝을 이용한 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템 및 이의 방법에 관한 것이다.

일반적으로 제로 에너지 빌딩(Zero Energy Building, ZEB)이란 빌딩 운영을 위하여 소비하는 에너지와 빌딩 내 구비되는 신재생 에너지 설비에 의한 발전량의 합산이 0(Zero)이 되는 빌딩을 의미한다. 즉, 에너지를 자급자족할 수 있는 빌딩을 의미하지만 기술적, 경제적 한계가 존재하므로 에너지 소비량과 발전량의 합산이 0에 근접하는 것을 제로 에너지 빌딩으로 규정하고 있다.

상기한 바와 같은 제로 에너지 빌딩을 구축하기 위한 방법에는 크게 '패시브(Passive) 기술'과 '액티브(Active) 기술' 두 가지를 들 수 있으며, 패시브 기술이란 단열재, 이중창 등을 적용하여 건물 외피를 통하여 외부로 유출되는 에너지 양을 최소화하는 것이며, 액티브 기술은 지열, 태양광 같은 신재생 에너지를 활용하여 전력 공급, 냉난방, 취사 등 모든 에너지 소비를 자체적으로 해결하는 것을 의미한다.

이는 에너지 절감은 물론 온실가스 감축에도 기여하는 바가 크기에 현재 전 세계적으로 제로 에너지 빌딩에 대한 관심이 크게 높아져 증가 추세를 보일 뿐 아니라 국가 차원의 금융 지원 및 기술 개발, 시장 선점을 위한 다양한 정책과 지원을 확대시키고 있다.

우리나라의 경우 2014년부터 이에 대한 기본 계획을 수립하고 건축물 에너지 효율 등급 인증 시스템을 통하여 2017년부터 '제로 인증제' 시행과 함께 상용화를 촉진하고 있으며, 특히 2020년까지 공공 건축물 의무화, 2025년까지 민간 건축물 의무화를 계획하고 있다.

이를 위하여 한국등록특허 제1,571,695호에는 렌즈 또는 반사경을 이용하여 광원을 증폭하여 태양광 에너지를 전기 에너지로 변환시키는 집광형 태양광 발전장치와 상기 집광형 태양광 발전장치와 열교환되는 열매체를 구비하는 태양열 집열장치와, 지열의 열원(heat source) 또는 열싱크(heat sink)를 이용하여 온열 또는 냉열 에너지를 공급하는 제1 지열 히트펌프장치를 구비하여 급탕용 에너지를 공급하는 온수급탕 공급장치 및 지열의 열원(heat source) 또는 열싱크(heat sink)를 이용하여 온열 또는 냉열 에너지를 공급하는 제2 지열 히트펌프장치를 구비하여 냉/난방용 에너지를 공급하는 냉/난방용 에너지 공급장치를 포함하는 제로에너지 건물 구현을 위한 신재생 에너지 공급 시스템 및 그 제어방법이 개시되어 있으나 이는 건물에 열 에너지 및 전기 에너지를 공급하는 수단에 관한 것으로 빌딩의 세부 조건 및 특성에 따라 적용하기에는 한계가 있다.

또한, 기축된 건물에 신재생 에너지 설비를 추가로 구비하고자 하는 경우 해당 건물의 정확한 에너지 소비량과 환경 조건 등을 고려해야 이에 알맞은 신재생 에너지 설비 수단을 결정할 수 있다. 따라서, 기축 건물을 제로 에너지화하기 위해서는 각 기축 건물에 대하여 정확하고 신속하게 에너지 소비 유형을 진단하는 시스템의 개발이 요구되며, 더 나아가 건물의 에너지 진단을 통한 에너지 소비 최적화, 신재생 에너지 설비 구축 방안 등을 포함한 제로 에너지 구축 방안을 제안하는 통합 시스템의 개발도 요구 되고 있는 실정이다.

이에 따라, 기축 건물을 제로 에너지화하기 위해서는 각 기축 건물에 대하여 정확하고 신속하게 에너지 소비 및 생산 유형을 진단하는 시스템의 개발이 요구되며, 더 나아가 건물의 에너지 진단을 통한 에너지 소비 최적화, 신재생 에너지 설비 구축 방안 등과 같은 제로 에너지 구축 방안을 제안하는 시스템의 개발도 요구되고 있으며, 상기한 시스템을 형성하기 위한 건물의 에너지 관련 데이터 처리 장치 및 방법 개발의 중요성도 함께 증대되고 있다.

한편, 기존 에너지 진단기술의 경우 시뮬레이션 툴의 상세하고 광범위한 입력 변수와 모델링 과정에서 적용되는 수많은 가정들에도 불구하고 표준적 절차의 부재로 인한 시뮬레이션 수행자의 기술적 수준과 주관적 해석 차이에서 오는 시뮬레이션 결과의 편차로 인해 실제 건물 에너지 분석에 대한 적용에 어려움을 겪고 있는 실정이다.

특히 가장 많이 활용되는 에너지 플러스(EnergyPlus) 등과 같은 동적 시뮬레이션 툴의 정밀성과 계산 능력은 상당히 신뢰할만한 수준 임에도 불구하고 툴을 사용하는 사용자의 활용능력과 모델링에 대한 지식 수준, 모델링 과정에서 적용되는 가정과 입력 변수의 불확실성은 많은 경우 간과되고 이와 함께 시스템적인 검증 절차가 없다는 점이 문제점으로 지적되고 있다.

이러한 문제들로 인해, 현재는 시뮬레이션 기반 에너지 진단기술의 예측치와 실제 에너지 사용량은 많게는 200~300% 이상의 차이를 보이며 시뮬레이션 결과와 실제 에너지 사용량과의 차, Energy Performance Gap을 줄이기 위한 다양한 시도와 연구가 이루어지고 있고, Energy Performance Gap을 줄이기 위한 연구들의 공통적인 주제는 시뮬레이션 툴이 간과하고 있는 수많은 건물의 조건과 특성을 정의할 수 있는 정보의 획득과 활용에 집중되고 있는 실정이다.

한국등록특허 제1,571,695호

본 발명은 상술한 문제점을 해결하기 위하여 소비하는 에너지와 건물 내 신재생 에너지 발전량이 동일하거나 이들의 합이 0에 근접하는 제로 에너지 건물 구축을 위하여 기축된 건물의 에너지 소비 및 생산 유형을 분류하고 개선 방안을 도출할 수 있는 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템을 구성하기 위하여 데이터를 수집하고 저장 및 관리하기 위한 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템 및 이의 방법을 제공하는 것이다.

또한, 본 발명은 수집된 기축 건물의 에너지 관련 데이터를 빅데이터 플랫폼화하여 수십만 가지의 유형으로 분류하기 위한 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템 및 이의 방법을 제공하는 것이다.

본 발명의 일측면에 따르면, 기축 건물에 대한 건물 조건 데이터와 건물 특성 데이터를 포함하는 건물 에너지 데이터를 수집하는 데이터 수집 모듈과 상기 건물 에너지 데이터를 저장하는 데이터 저장부와 상기 건물 에너지 데이터를 각 항목 또는 요인별로 분류하는 데이터 분류부 및 분류된 각각의 건물 조건 데이터와 상기 건물 특성 테이터 간의 관계를 정의하여 데이터 분류 맵을 형성하는 데이터 맵 형성부를 포함하는 데이터 처리 모듈 및 상기 각 항목 또는 요인별 데이터 분류 맵을 조합하여 에너지 소비 유형 및 생산 유형을 도출하는 에너지 진단 모듈을 포함하는 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템이다.

본 발명의 다른 측면에 따르면, 상기 건물 조건 데이터는 재실자 수, 출입자수, 출입 빈도, 재실자 행동량, 재실자 행동 패턴을 포함하는 사용자 요인 데이터와 건물의 면적 및 체적, 용도, 건물 내부의 온도와 습도 및 조도, 건물 내부의 공기질, 일사 투과량을 포함하는 공간 및 건물 요인 데이터와 건물의 위도, 경도, 고도, 주변환경, 대기환경, 대기질, 유동인구수, 주변 교통량을 포함하는 지역 및 환경 요인 데이터 및 건물이 위치한 지역의 온도, 습도, 기압. 풍향, 풍속, 일조량, 강우, 강설, 계절을 포함하는 날씨 및 계절 요인 데이터를 포함하며, 상기 건물 특성 데이터는 냉난방 설비, 조명 설비, 공조 설비를 포함하는 에너지 설비 데이터와 신재생 에너지 설비 데이터와 에너지 소비량 데이터 및 에너지 생산량 데이터를 포함하는 것을 특징으로 한다.

본 발명의 또 다른 측면에 따르면, 상기 데이터 수집 모듈은 센서, BAS(Building Automation System), BEMS(Building Energy Management System), 직접 입력 수단, 인터넷 망으로 연결되는 정보 데이터베이스 중 어느 하나 이상인 것을 특징으로 하며, 상기 에너지 진단 모듈은 딥러닝 초과밀 데이터 분석(Hyperdense, HD Data Discrimanative Analysis)에 의하여 에너지 소비 유형 및 생산 유형을 도출하는 것을 특징으로 한다.

본 발명의 또 다른 측면에 따르면, 상기 에너지 진단 모듈에서 도출된 에너지 소비 유형 및 생산 유형에 따라 신재생 에너지 구축 방안과 건물 에너지 효율 개선 방안을 각각 적어도 하나 이상 도출하고 이들 각각에 대하여 의사 결정을 지원하는 신재생 에너지 구축 의사결정 지원 모듈 및 건물 에너지 효율개선 의사결정 지원 모듈을 더 포함하는 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템이다.

본 발명의 또 다른 측면에 따르면, 기축 건물의 건물 조건 데이터와 건물 특성 데이터를 포함하는 건물 에너지 데이터를 수집하는 데이터 수집 단계와 상기 수집된 건물 에너지 데이터를 DB에 저장하는 데이터 저장 단계와 상기 저장된 건물 에너지 데이터를 각 항목 또는 요인별로 분류하는 데이터 분류 단계와 상기 분류된 건물 조건 데이터와 상기 건물 특성 테이터 간의 관계를 정의하여 데이터 분류 맵을 형성하는 데이터 맵 구축 단계 및 상기 항목 또는 요인별데이터 분류 맵을 조합하여 상기 기축 건물의 에너지 소비 유형 및 생산 유형을 도출하는 에너지 진단 단계를 포함하는 제로에너지 구축을 위한 에너지 진단 방법이다.

본 발명의 또 다른 측면에 따르면, 상기 데이터 수집 단계는 기축 건물 내부 또는 외부에 설치된 센서, 기 구축된 BAS(Building Automation System), 기 구축된 BEMS(Building Energy Management System), 직접 입력 수단, 인터넷 망으로 연결되는 정보 데이터베이스 중 적어도 어느 하나 이상의 수단에 의하여 수집하는 것을 특징으로 한다.

본 발명의 또 다른 측면에 따르면, 상기 에너지 진단 단계(S500)에서 딥러닝 초과밀 데이터 분석(Hyperdense, HD Data Discrimanative Analysis)에 의하여 상기 기축 건물의 에너지 소비 유형 및 생산 유형을 도출하는 것을 특징으로 하며, 상기 에너지 진단 단계에서 도출된 에너지 소비 유형 및 생산 유형에 따라 신재생 에너지 구축 방안과 건물 에너지 효율 개선 방안을 각각 적어도 하나 이상 도출하고 이들 각각에 대하여 의사 결정을 지원하는 신재생 에너지 구축 의사결정 지원 단계 및 건물 에너지 효율개선 의사결정 지원 단계를 더 포함하는 것을 특징으로 한다.

본 발명에 따른 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템 및 이의 방법은 진단 대상이 되는 기축 건물의 에너지 관련 데이터를 통하여 건물이 소비하는 에너지와 건물 내 신재생 에너지 발전량이 동일하거나 이들의 합이 0에 근접하는 제로 에너지 건물이 될 수 있는 진단 및 개선 방안 등을 도출할 수 있는 이점을 가진다.

또한, 본 발명은 건물 에너지에 관련한 방대한 데이터를 빅데이터 플랫폼화하여 각 데이터를 저장 및 관리하고 분류하며 딥러닝을 통하여 보다 구체적이고 진화된 에너지 진단과 개선 방안을 도출할 수 있는 이점을 가진다.

또한, 본 발명은 방대한 데이터를 통하여 구축되는 다양한 유형에 따라 진단 대상인 기축 건물의 에너지 수요 및 생산 유형을 분류하고 이의 개선 방안 등을 보다 구체적이고 정확하게 제공할 수 있는 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템을 구축할 수 있는 이점을 가진다.

또한, 본 발명은 건물 사용자의 행동 분석(Occupancy behavior)를 반영함으로써, 건물 전체에 대한 보다 정확한 에너지 소비 분석결과를 도출해 낼 수 있는 이점을 가진다.

도 1은 본 발명의 일 실시예에 따른 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템의 데이터 처리 모듈 데이터 내 데이터 처리 개념도이다.
도 3은 본 발명의 일 실시예에 따른 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템의 데이터 처리 모듈의 데이터 분류 맵 형성 개념도이다.
도 4는 본 발명의 일 실시예에 따른 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템의 세부 구성도이다.
도 5는 본 발명의 일 실시예에 따른 제로에너지 구축을 위한 에너지 진단 방법의 순서도이다.
도 6은 본 발명의 일 실시예에 따른 제로에너지 구축을 위한 에너지 진단 방법의 세부 순서도이다.
도 7은 본 발명의 일 실시예에 따른 데이터 분류부(220)를 통해 ETRI 12동 건물의 건물 정보와 주변 환경 데이터를 이용하여 EnergyPlus 동적 시뮬레이션 방식과 LSTM 방식을 서로 결합한 새로운 딥러닝 분석 모델을 생성하여 이를 학습한 결과를 도시한 도면이다.

본 발명은 다양한 변환을 가할 수 있고 여러가지 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 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 이하, 본 발명의 실시예를 첨부한 도면들을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 기축 건물의 에너지 데이터 처리장치의 구성도로서 이를 참고하여 본 발명에 따른 기축 건물의 에너지 데이터 처리장치의 상세 구성을 설명하면 하기와 같다.

기축 건물에 대한 건물 조건 데이터(111)와 건물 특성 데이터(112)를 포함하는 건물 에너지 데이터(110)를 수집하는 데이터 수집 모듈(100)과 상기 건물 에너지 데이터(110)를 저장하는 데이터 저장부(210)와 상기 건물 에너지 데이터(110)를 각 항목 또는 요인별로 분류하는 데이터 분류부(220) 및 분류된 각각의 건물 조건 데이터(111)와 상기 건물 특성 테이터(112) 간의 관계를 정의하여 데이터 분류 맵을 형성하는 데이터 맵 형성부(230)를 포함하는 데이터 처리 모듈(200); 및 상기 각 항목 또는 요인별 데이터 분류 맵을 조합하여 에너지 소비 유형 및 생산 유형을 도출하는 에너지 진단 모듈(300)을 포함하는 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템이다.

이때, 상기 건물 조건 데이터(111)는 재실자 수, 출입자수, 출입 빈도, 재실자 행동량, 재실자 행동 패턴을 포함하는 사용자 요인 데이터(111a), 건물의 면적 및 체적, 용도, 건물 내부의 온도와 습도 및 조도, 건물 내부의 공기질, 일사 투과량을 포함하는 공간 및 건물 요인 데이터(111b), 건물의 위도, 경도, 고도, 주변환경, 대기환경, 대기질, 유동인구수, 주변 교통량을 포함하는 지역 및 환경 요인 데이터(111c) 및 건물이 위치한 지역의 온도, 습도, 기압. 풍향, 풍속, 일조량, 강우, 강설, 계절을 포함하는 날씨 및 계절 요인 데이터(111d)를 포함하며, 상기 건물 특성 데이터(112)는 냉난방 설비, 조명 설비, 공조 설비를 포함하는 에너지 설비 데이터(112a)와 태양열 발전 설비, 태양광 발전 설비, 지열 발전 설비, 풍력 발전 설비 등을 포함하는 신재생 에너지 설비 데이터(112b)와 에너지 소비량 데이터(112c) 및 에너지 생산량 데이터(112d)를 포함할 수 있다.

그리고, 상기 데이터 수집 모듈(100)은 센서, BAS(Building Automation System), BEMS(Building Energy Management System), 직접 입력 수단, 인터넷 망으로 연결되는 정보 데이터베이스 중 어느 하나 이상인 것을 특징으로 한다.

보다 상세하게는 상기 사용자 요인 데이터는 진단 대상 기축 건물에 각종 센서를 설치하고 이를 통해 감지되는 데이터를 수집할 수 있다. 사물 인터넷을 적용하여 각종 센서에서 감지되는 데이터를 유무선으로 직접 빅데이터 플랫폼(200)으로 전송하여 저장되도록 설정할 수 있음은 물론이다.

이러한 사용자 요인 데이터(111a)의 일 예로는, 특정 구역에 대한 출입, 창분 여닫기, 공조 장치에 대한 인터페이스, 컴퓨터, 모니터, 노트북 등을 비롯한 개인적 에너지 소비 기기의 사용 여부, 건물 사용 용도에 대한 상황의 변화 등 다양한 데이터가 포괄적으로 포함될 수 있다.

또한, 사용자 요인 데이터(111a)는 거주자 만족도 조사(Post Occupancy Evaluation) 방법을 통해 수집된 사용자 행동 데이터를 포함할 수 있다.

그리고, 상기 공간 및 건물 요인 데이터 중 진단 대상 기축 건물의 면적, 체적, 공간, 건물 용도 등은 모바일 기기나 PC를 통하여 직접 입력할 수 있다. 이때, 상기 건물 요인 데이터는 건물의 벽체 정보, 구조 정보 등도 포함될 수 있다.

또한, 건물 요인 데이터(111b)는 동적 시뮬레이션 툴인 에너지플러스(EnergyPlus)의 시뮬레이션 결과를 활용할 수 있다.

또한, 상기 지역 및 환경 요인 데이터는 국토지리정보원의 GIS(Geographic Information System), 환경공단의 API(Application Program Interface), 환경공단을 통해 수집된 대기질 등을 포함하는 환경데이터, 기상청의 API(Application Program Interface), 전국 700여개 이상의 AWS 상세 실시간 데이터 등과 같은 다양한 서버나 데이터베이스에 인터넷에 의한 연결로 수집될 수 있으며, 이외에도 공지되어 있는 다양한 데이터 수집을 위한 수단이 적용될 수 있음은 물론이다.

그리고, 상기 데이터 처리 모듈(200)은 대규모 이종 데이터를 수집, 저장, 관리 체계 구축을 위하여 하부 플랫폼을 위한 공개 비관계형 분산 데이터 베이스인 Apache Hbase, 오픈 소스 클러스터 컴퓨팅 프레임워크인 Apache Spark, 소프트웨어 시스템 간 데이터 흐름을 자동화하는 Apache Nifi, 대량의 자료를 처리할 수 있는 큰 컴퓨터 클러스터에서 동작하는 분산 응용 프로그램을 지원하는 프리웨어 자바 소프트웨어 프레임워크인 Apache Hadoop 등을 통하여 구성할 수 있으며 이외에도 공지되어 있는 다양한 빅데이터 플랫폼을 적용할 수 있음은 물론이다.

여기에서, 데이터 처리 모듈(200)에서 대규모 이종 데이터를 수집, 저장, 관리 체계를 구축하는 과정에 대해 보다 구체적으로 살펴보면 다음과 같다.

데이터 처리 모듈(200)에서 대규모 이종 데이터를 수집, 저장, 관리하기 위한 대규모 에너지, 환경 이종데이터 매쉬업 플랫폼은 멀티 채널 데이터 커넥터를 통해 다양한 방식(예컨대, DB 접속, TCP/IP, 웹 API, 크롤링, 파일 전송 등)의 데이터를 수집하게 된다.

이때, 데이터 클렌징을 위한 자동화 전처리가 이루어지는데, 이는 기상성 AWS, 환경공단 API 등의 데이터를 크롤링 및 파싱하고 다양한 포멧(XML, json, csv, binary, excel 등)의 데이터를 수집해 DB에 저장할 수 있는 형식으로 전처리하여 NifI를 이용하여 데이터 수집부터 전처리까지를 자동화하는 과정을 의미한다.

또한, 데이터 처리 모듈(200)에서는 상세 지역 날씨 및 주변 지역 환경 데이터 수집을 하게 되는데, 기상청 AWS에서 제공되는 지역코드와 환경공단에서 제공되는 지역코드를 맵핑할 수 있는 맵핑 테이블을 생성하여 한가지 코드로 통합하여 관리할 수 있는 수집 모듈을 생성하며, 이를 토대로 기상청, 환경공단 각각의 데이터를 통합 코드로 변환 관리하여 각각의 상세 지역별 날씨 및 환경 데이터를 수집하여 HBase에 저장하게 된다.

또한, 상기 에너지 진단 모듈(300)은 TensorFlow, keras, Jupyter, CUDA(Compute Unified Device Architecture), cuDNN 등과 같이 딥 러닝(Deep Learning)과 머신 러닝(Machine Learning)에 활용할 수 있는 공지되어 있는 다양한 기술의 적용이 가능하다.

도 2와 3은 각각 본 발명의 일 실시예에 따른 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템의 데이터 처리 모듈 데이터 내 데이터 처리 개념도와 데이터 분류 맵 형성 개념도로서 이를 참고하여 본 발명에 따른 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템의 데이터 처리 모듈(200)의 작동 예시는 하기와 같다.

데이터 수집 모듈(100)에 의하여 수집된 건물 조건 데이터(111)와 건물 특성 데이터(112)는 각각 데이터 저장부(210)에 저장된다. 이때, 상기 데이터 저장부(210)는 하부 클러스터 서버 등과 같이 작업 로드의 균형을 맞추거나 하나의 서버가 실패한 경우 지속적인 작동을 보장하기 위하여 서로 연결된 두 개 이상의 서버 그룹으로 형성되는 것이 바람직하다.

상기와 같이 데이터 저장부(210)에 저장된 건물 조건 데이터(111)와 건물 특성 데이터(112)는 데이터 분류부(220)에 의하여 각각 분리되어 정렬된다.

여기에서, 데이터 분류부(220)는 건물 특성에 초정밀, 초과밀 에너지 소비유형을 분석하게 되는데, 수천만 에너지 소비유형 분류를 위해 HD Data Discriminative 분석이 가능한 딥러닝 분석 방법(예컨대, RNN, LSTM 등)을 통해 건물 특성 별 에너지 소비유형을 분석하게 된다.

예를 들어, RNN 방식은 히든 노드가 순환구조를 이루는 인공신경망의 한 종류로써, 시퀀스 길이에 관계없이 인풋과 아웃풋을 받아들일 수 있는 네트워크 구조를 의미한다. 이때, 은닉층(hidden layer)에서의 출력값을 다음 학습 때 다시 입력에 추가하는 형태를 가지며, 음성, 문자, 시계열 자료 등 순차적으로 이루어진 형태의 데이터 처리에 적합한 모델이다. 이때, RNN도 다양한 방식을 가진다. 예를 들어, 하나의 입력을 받아 여러 개를 출력하는 구조인 one to many 방식, 여러개의 입력을 받아 하나를 출력하는 구조인 many to one 방식, 여러개의 입력을 받아 여러 개를 출력하는 구조인 many to many 방식, output layer 근처의 gradient 들은 값이 존재하지만, input layer에서는 그 값이 0에 가까워지는 문제, RNN의 layer 층이 깊어 질수록 문제가 심화되는 vanishing gradient 방식 등이 있다.

LSTM 방식은 RNN은 정보와 사용하는 지점 사이 거리가 멀 경우 학습능력이 크게 저하(vanishing gradient problem)되는데, LSTM 방식은은 이러한 RNN vanishing gradient problem을 해결하기 위하여 RNN의 히든 state에 cell-state를 추가한 구조로 이를 이용하여 vanishing gradient problem을 해결하게 된다.

예를 들어 살펴보면, 본 발명에서는 데이터 분류부(220)를 통해 ETRI 12동 건물의 건물 정보와 주변 환경 데이터를 이용하여 EnergyPlus 동적 시뮬레이션 방식과 LSTM 방식을 서로 결합한 새로운 딥러닝 분석 모델을 생성하여 이를 학습하였는데, 그 결과는 다음과 같다.

먼저 EnergyPlus 시뮬레이션을 위한 전처리 작업을 수행하고, 이때 EnergyPlus 시뮬레이션을 위한 인풋 파라메터(input parameter) 포맷을 변환하며 시간 형식(datatime format) 일치 작업을 수행하였다.

또한, EnergyPlus 시뮬레이션을 수행하였는데, 이때 입력 데이터는 ETRI 12동 건물 정보와 2015년 대전지역 기상청 데이터(1시간 간격)를 입력하였고, 출력 데이터는 ETRI 12동 설비 전력 사용량, 내부 장비 전력 사용량, 설비 가스 사용량(1시간 간격)을 획득하였다. 이렇게 획득된 출력 데이터는 normalization을 통한 변수 정규화를 수행하였다.

그 다음, 딥러닝 모델인 LSTM 방식 학습을 위한 전처리 작업을 수행하였는데, 마찬가지로 시간 형식(datatime format) 일치 작업을 수행하였다.

다음으로 딥러닝 모델 학습을 수행하였으며, 결과물로서는 ETRI 12동 설비 전력 사용량, 내부 장비 전력 사용량, 설비 가스 사용량(1시간 간격) 등을 획득하였다.

이때, 딥러닝 모델의 구성은 입력 데이터의 값을 받는 입력층, 모델 연산을 위한 은닉층, 결과값을 도출하는 출력층으로 구성된다.

입력층은 날씨 데이터, 환경 데이터, 사용자 행동 데이터, EnergyPlus 결과값을 입력값으로 입력하게 되고, 은닉층은 실제 모델 연산을 위한 층으로서 5개의 레이어 층으로 구성된다.

이러한 데이터 분류부(220)를 통해 ETRI 12동 건물의 건물 정보와 주변 환경 데이터를 이용하여 EnergyPlus 동적 시뮬레이션 방식과 LSTM 방식을 서로 결합한 새로운 딥러닝 분석 모델을 생성하여 이를 학습한 결과를 도면으로 살펴보면 다음과 같다.

도 7은 본 발명의 일 실시예에 따른 데이터 분류부(220)를 통해 ETRI 12동 건물의 건물 정보와 주변 환경 데이터를 이용하여 EnergyPlus 동적 시뮬레이션 방식과 LSTM 방식을 서로 결합한 새로운 딥러닝 분석 모델을 생성하여 이를 학습한 결과를 도시한 도면이다.

도 7을 살펴보면, EnergyPlus 동적 시뮬레이션 방식과 LSTM 방식을 서로 결합한 새로운 딥러닝 분석 모델으로 예측한 결과 예측 정확도가 84% 이상을 보임에 따라, EnergyPlus 동적 시뮬레이션으로 예측한 결과에 비해 관측값에 보다 유사한 형태를 보임을 알 수 있다.

즉, 데이터 처리 모듈(200)은 건물 조건 데이터(111)나 건물 특성 데이터(112)에 상관없이 EnergyPlus 동적 시뮬레이션 방식과 LSTM 방식을 서로 결합한 새로운 딥러닝 분석 모델을 이용하여 데이터를 처리함으로써 보다 높은 예측도를 가짐을 알 수 있다.

이후, 데이터 맵 형성부(230)에 의하여 상기 건물 조건 데이터(111) 각각의 요인 또는 항목과 건물 특성 데이터(112) 각각의 항목은 기 설정된 관계에 따라 합성되어 요인별로 데이데 맵이 형성된다.

예를 들어 날씨 및 계절 요인 데이터(111d)에 따라 냉난방 설비, 공조 설비 사용 변화에 따른 에너지 소비량 데이터(112c)가 합성되어 날씨 및 계절에 따른 에너지 소비량 관련 데이터 맵이 형성될 수 있으며, 동시에 상기 날씨 및 계절 요인 데이터(111d)는 태양열 발전 설비, 태양광 발전 설비, 지열 발전 설비, 풍력 발전 설비와 같은 신재생 에너지 설비에 따른 에너지 생산량 데이터(112d)와 합성되어 날씨 및 계절에 따른 에너지 생산량 관련 데이터 맵을 형성할 수 있으며, 이에 시간 변수를 더 포함하여 각 데이터 간의 관계에 따라 수십만 개 이상되는 대량의 데이터 맵을 형성할 수 있으며, 상기 건물 특성 데이터(112)를 제외하고 상기 건물 조건 데이터(111) 간의 관계를 통해서도 대량의 데이터 맵을 형성할 수 있음은 물론이다.

이때, 상기 데이터 처리 모듈(200)은 CNN(Convolutional Neural Network) 등과 같이 공지되어 있는 적어도 하나 이상의 콘볼루션 계층(convolution layer)와 통합 계층(pooling layer) 및 완전하게 연결된 계층(fully connected layer)들로 구성된 신경망으로 구성되는 것이 바람직하다.

일 실시예에서, 본원발명의 날씨 및 계절 요인 데이터(111d)에 있어서, 본 발명에서는 EnergyPlus 동적 시뮬레이션 방식을 적용함에 있어 창관련 변수를 정의할 수 있으며, 이를 날씨 및 계절 요인 데이터(111d)에 적용할 수 있다. 이에 관해 보다 구체적으로 살펴보면 다음과 같다.

EnergyPlus 동적 시뮬레이션 방식의 건물 설비 변수 중 창(window)에 대한 변수는 창의 열 저항(R value)을 알고있는 경우에 정의될 수 있다.

이때, 창에 대한 변수 항목은 재질이 정해지 않는 경우(No Mass), Simple Glazing System인 경우, Glazing인 경우, Glass인 경우 등으로 나뉠 수 있다.

예를 들어, 창에 대한 변수 항목이 No Mass인 경우는 거칠기, 열 저항, 창에 흡수되는 파장 방사 비율, 창에 흡수되는 태양 복사열 비율, 창에 흡수되는 입사 가시 광선 파장의 비율 등이 포함된다.

창에 대한 변수 항목이 Simple Glazing System인 경우는 성능 지표로써 U-Factor, 태양열 이득 계수 및 가시적 투과율 등을 포함할 수 있다.

창에 대한 변수 항목이 Glazing인 경우는 창의 앞면, 뒷면을 고려하여야 하는데, 앞면은 외부창에 대한 앞면을 의미하며 외기에 가장 가까운 유리면을 의미하고, 뒷면은 창을 정의한 영역에 가장 가까운 면을 의미한다. 이때는 데이터 형식이 Spectra Average 태양 광선 투과율과 반사율에 대해 입력한 값은 태양 스펙트럼에 대해 평균화 된 것으로 가정하고 가시 광선 투과율과 반사율에 대해 입력한 값은 태양 스펙트럼에 대해 평균화되고 응답에 의해 가중치가 부여된 것으로 가정할 수 있다.

또한 창에 대한 변수 항목이 Glass인 경우는 여러가지 유형의 유리에 대한 스펙트럼 평균 속성을 포함하게 된다.

예를 들어, 유리의 표면 두께, 수직선에서의 투과율, 수직 입사각에서의 전면 반사율, 수직 입사각에서의 후면 반사율, 수직 입사각에서의 장파 투과율, 전방 측 장파 방사율, 후방 측 장파 방사율, 열 전도율 등을 포함하게 된다.

한편, 데이터 처리 모듈(200)은 CNN(Convolutional Neural Network) 등과 같이 공지되어 있는 적어도 하나 이상의 콘볼루션 계층(convolution layer)와 통합 계층(pooling layer) 및 완전하게 연결된 계층(fully connected layer)들로 구성된 신경망으로 구성되는 것이 바람직하다.

즉, 상기 콘볼루션 계층(convolution layer)은 상기 건물 조건 데이터(111)와 건물 특성 데이터(112)의 각각의 요인 또는 항목이 분류된 계층이 될 수 있으며, 상기 통합 계층(pooling layer)은 상기 건물 조건 데이터(111)와 건물 특성 데이터(112) 간 합성되어 형성되는 계층이 될 수 있으며, 완전하게 연결된 계층(fully connected layer)은 상기 콘볼루션 계층(convolution layer)과 통합 계층(pooling layer)이 각각 완전히 결합된 형태로 구성될 수 있다.

이에따라, 상기 데이터 처리 모듈(200)은 데이터 학습에 적합한 구조를 가지며, 역전달을 통하여 데이터 학습이 수행될 수 있으며, 상기한 CNN(Convolutional Neural Network)을 제외한 다양한 인공 신경망(ANN, Artificial Neural Network) 컴퓨팅 시스템이 적용될 수도 있다.

이후, 상기 에너지 진단 모듈(300)에 의하여 상기와 같이 형성되는 데이터 분류 맵을 조합하여 진단 대상이 되는 기축 건물의 에너지 소비 유형 및 생산 유형이 도출된다. 이때, 에너지 진단 모듈(300)은 도3에 도시되어 있는 바와 같이 딥러닝 초과밀 데이터 분석(Hyperdense, HD Data Discrimanative Analysis)을 통하여 각 데이터 분류 맵을 조합하는 것이 바람직하다. 이때, 상기 데이터 처리 모듈(200)과 에너지 진단 모듈(300)은 하나의 서버 내에 구성되거나 각각의 서버로 구성될 수도 있다.

도 4는 각각 본 발명의 일 실시예에 따른 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템의 세부 구성도로서 이를 참고하면 본 발명에 따른 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템은 상기 에너지 진단 모듈(300)에서 도출된 에너지 소비 유형 및 생산 유형에 따라 신재생 에너지 구축 방안과 건물 에너지 효율 개선 방안을 각각 적어도 하나 이상 도출하고 이들 각각에 대하여 의사 결정을 지원하는 신재생 에너지 구축 의사결정 지원 모듈(400) 및 건물 에너지 효율개선 의사결정 지원 모듈(500)을 더 포함하여 구성할 수도 있다.

이때, 상기 신재생 에너지 구축 의사결정 지원 모듈(400) 및 건물 에너지 효율개선 의사결정 지원 모듈(500)은 상기 에너지 진단 모듈(300)에서 적어도 하나 이상 씩 각각 도출되는 에너지 소비 유형과 에너지 생산 유형을 컴퓨터나 모바일 단말기 등과 같은 디스플레이 수단 등을 통하여 개시하고 이 중 사용자가 선택할 수 있도록 구성할 수 있다.

또한, 상기한 신재생 에너지 구축 의사결정 지원 모듈(400) 및 건물 에너지 효율개선 의사결정 지원 모듈(500)을 통하여 실제로 적용되는 신재생 에너지 설비 및 이의 운영 방안 등과 에너지 효율 개선을 위한 에너지 설비 및 운영 방안 등이 실제로 진단 대상 기축 건물에 적용되어 나타난 결과를 수집하여 본 시스템을 검증할 수 있는 검증 모듈(600)을 추가로 구비할 수 있음은 물론이다.

특히, 상기 신재생 에너지 구축 의사결정 지원 모듈(400) 및 건물 에너지 효율개선 의사결정 지원 모듈(500)은 하나의 통합관제 모듈로 구성하여 사용자 접근성을 더욱 향상시킬 수 있으며, 상기 신재생 에너지 구축 의사결정 지원 모듈(400)은 진단 대상인 기축 건물에 이미 신재생 에너지 설비가 구축되어 있는 경우 이의 효율을 향상시키거나 비용을 절감시킬 수 있는 방안들을 도출할 수 있다.

또한, 상기 검증 모듈(600)은 성능 검증은 물론 이에 대하여 평가를 수행하고 이를 기반으로 검증 데이터 맵을 형성하도록 구성할 수도 있다.

도 5는 본 발명의 일 실시예에 따른 제로에너지 구축을 위한 에너지 진단 방법의 순서도로서 이를 참고하여 본 발명에 따른 제로에너지 구축을 위한 에너지 진단 방법을 설명하면 하기와 같다.

기축 건물의 건물 조건 데이터(111)와 건물 특성 데이터(113)를 포함하는 건물 에너지 데이터(110)를 수집하는 데이터 수집 단계(S100)와 상기 수집된 건물 에너지 데이터(110)를 DB에 저장하는 데이터 저장 단계(S200)와 상기 저장된 건물 에너지 데이터(110)를 각 항목 또는 요인별로 분류하는 데이터 분류 단계(S300)와 상기 분류된 건물 조건 데이터(111)와 상기 건물 특성 테이터(112) 간의 관계를 정의하여 데이터 분류 맵을 형성하는 데이터 맵 구축 단계(S400) 및 상기 항목 또는 요인별데이터 분류 맵을 조합하여 상기 기축 건물의 에너지 소비 유형 및 생산 유형을 도출하는 에너지 진단 단계(S500)를 포함하는 제로에너지 구축을 위한 에너지 진단 방법이다.

이때, 상기 건물 조건 데이터(111)는 재실자 수, 출입자수, 출입 빈도, 재실자 행동량, 재실자 행동 패턴을 포함하는 사용자 요인 데이터(111a)와 건물의 면적 및 체적, 용도, 건물 내부의 온도와 습도 및 조도, 건물 내부의 공기질, 일사 투과량을 포함하는 공간 및 건물 요인 데이터(111b)와 건물의 위도, 경도, 고도, 주변환경, 대기환경, 대기질, 유동인구수, 주변 교통량을 포함하는 지역 및 환경 요인 데이터(111c) 및 건물이 위치한 지역의 온도, 습도, 기압. 풍향, 풍속, 일조량, 강우, 강설, 계절을 포함하는 날씨 및 계절 요인 데이터(111d)를 포함하며, 상기 건물 특성 데이터(112)는 냉난방 설비, 조명 설비, 공조 설비를 포함하는 에너지 설비 데이터(112a)와 신재생 에너지 설비 데이터(112b)와 에너지 소비량 데이터(112c) 및 에너지 생산량 데이터(112d)를 포함할 수 있다.

그리고, 상기 데이터 수집 단계(S100)는 기축 건물 내부 또는 외부에 설치된 센서, 기 구축된 BAS(Building Automation System), 기 구축된 BEMS(Building Energy Management System), 직접 입력 수단, 인터넷 망으로 연결되는 정보 데이터베이스 중 적어도 어느 하나 이상의 수단에 의하여 수집하는 것을 특징으로 한다.

또한, 상기 에너지 진단 단계(S500)에서 딥러닝 초과밀 데이터 분석(Hyperdense, HD Data Discrimanative Analysis)에 의하여 상기 기축 건물의 에너지 소비 유형 및 생산 유형을 도출되며 보다 상세하게는 전술한 본 발명에 따른 전술한 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템의 작동 개념과 동일하다.

도 6은 본 발명의 일 실시예에 따른 제로에너지 구축을 위한 에너지 진단 방법의 세부 순서도로서 이를 참고하여 본 발명에 따른 제로에너지 구축을 위한 에너지 진단 방법의 보다 상세하게 설명하면 하기와 같다.

상기 에너지 진단 단계(S500)에서 도출된 에너지 소비 유형 및 생산 유형에 따라 신재생 에너지 구축 방안과 건물 에너지 효율 개선 방안을 각각 적어도 하나 이상 도출하고 이들 각각에 대하여 의사 결정을 지원하는 신재생 에너지 구축 의사결정 지원 단계(S600); 및 건물 에너지 효율개선 의사결정 지원 단계(S700);를 더 포함하여 구성될 수 있다.

그리고, 상기 신재생 에너지 구축 의사결정 지원 단계(S600); 및 건물 에너지 효율개선 의사결정 지원 단계(S700) 이후, 검증 단계를 더 포함하여 상기 신재생 에너지 구축 의사결정 지원 단계(S600); 및 건물 에너지 효율개선 의사결정 지원 단계(S700)에 의하여 결정된 지원 방안이 적용된 후 진단 대상 건물의 에너지 관련 데이터를 통하여 본 발명에 따른 제로에너지 구축을 위한 에너지 진단 방법의 결과를 검증하는 검증 단계를 더 포함할 수 있음은 물론이다.

상기한 본 발명의 바람직한 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.

100. 데이터 수집 모듈
110. 건물 에너지 데이터
111. 건물 조건 데이터
111a. 사용자 요인 데이터
111b. 건물 요인 데이터
111c. 지역 및 환경 요인 데이터
111d. 날씨 및 계절 데이터
112. 건물 특성 데이터
112a. 에너지 설비 데이터
112b. 신재생 에너지 설비 데이터
112c. 에너지 소비량 데이터
112d. 에너지 생산량 데이터
200. 데이터 처리 모듈
210. 데이터 저장부
220. 데이터 분류부
230. 데이터 맵 형성부
300. 에너지 진단 모듈
400. 신재생 에너지 구축 의사결정 지원 모듈
500. 건물 에너지 효율개선 의사결정 지원 모듈
600. 검증 모듈
S100. 데이터 수집 단계
S200. 데이터 저장 단계
S300. 데이터 분류 단계
S400. 데이터 관계 맵 구축 단계
S500. 에너지 진단 단계
S600. 신재생 에너지 구축 의사결정 지원 단계
S700. 건물 에너지 효율개선 의사결정 지원 단계

Claims (11)

1. 기축 건물에 대한 재실자 수, 출입자수, 출입 빈도, 재실자 행동량, 재실자 행동 패턴을 포함하는 사용자 요인 데이터, 건물의 면적 및 체적, 용도, 건물 내부의 온도와 습도 및 조도, 건물 내부의 공기질, 일사 투과량을 포함하는 공간 및 건물 요인 데이터, 건물의 위도, 경도, 고도, 주변환경, 대기환경, 대기질, 유동인구수, 주변 교통량, 국토지리원의 GIS, 환경공단의 API, 환경공단을 통해 수집된 대기질을 포함하는 환경데이터, 기상청의 API를 포함하는 지역 및 환경 요인 데이터 및 건물이 위치한 지역의 온도, 습도, 기압. 풍향, 풍속, 일조량, 강우, 강설, 계절을 포함하는 날씨 및 계절 요인 데이터를 포함하는 건물 조건 데이터와 냉난방 설비, 조명 설비, 공조 설비를 포함하는 에너지 설비 데이터, 신재생 에너지 설비 데이터, 에너지 소비량 데이터 및 에너지 생산량 데이터를 포함하는 건물 특성 데이터를 포함하는 건물 에너지 데이터를 수집하며, 센서, BAS(Building Automation System), BEMS(Building Energy Management System), 직접 입력 수단, 인터넷 망으로 연결되는 정보 데이터베이스 중 어느 하나 이상에 해당하는 데이터 수집 모듈;
   상기 건물 에너지 데이터를 저장하는 데이터 저장부와 상기 건물 에너지 데이터를 각 항목 또는 요인별로 분류하는 데이터 분류부 및 분류된 각각의 건물 조건 데이터와 상기 건물 특성 데이터 간의 관계를 정의하여 데이터 분류 맵을 형성하며, 대규모 이종 데이터를 수집, 저장, 관리 체계 구축을 위하여 하부 플랫폼을 위한 공개 비관계형 분산 데이터 베이스인 Apache Habse, 오픈 소스 클러스터 컴퓨팅 프레임워크인 Apache Spark, 소프트웨어 시스템 간 데이터 흐름을 자동화하는 Apache Nifi, 프리웨어 자바 소프트웨어 프레임워크인 Apache Hadoop를 통해 구성되는 데이터 맵 형성부를 포함하는 데이터 처리 모듈;
   상기 각 항목 또는 요인별 데이터 분류 맵을 조합하여 딥러닝 초과밀 데이터 분석(Hyperdense, HD Data Discrimanative Analysis)에 의하여 에너지 소비 유형 및 생산 유형을 도출하는 에너지 진단 모듈;
   상기 에너지 진단 모듈에서 도출된 에너지 소비 유형 및 생산 유형에 따라 신재생 에너지 구축 방안과 건물 에너지 효율 개선 방안을 각각 적어도 하나 이상 도출하고 이들 각각에 대하여 의사 결정을 지원하는 신재생 에너지 구축 의사결정 지원 모듈; 및
   건물 에너지 효율개선 의사결정 지원 모듈;을 포함하는 것을 특징으로 하는, 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템.
   
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 삭제
7. 기축 건물의 재실자 수, 출입자수, 출입 빈도, 재실자 행동량, 재실자 행동 패턴을 포함하는 사용자 요인 데이터, 건물의 면적 및 체적, 용도, 건물 내부의 온도와 습도 및 조도, 건물 내부의 공기질, 일사 투과량을 포함하는 공간 및 건물 요인 데이터, 건물의 위도, 경도, 고도, 주변환경, 대기환경, 대기질, 유동인구수, 주변 교통량, 국토지리원의 GIS, 환경공단의 API, 환경공단을 통해 수집된 대기질을 포함하는 환경데이터, 기상청의 API를 포함하는 지역 및 환경 요인 데이터 및 건물이 위치한 지역의 온도, 습도, 기압. 풍향, 풍속, 일조량, 강우, 강설, 계절을 포함하는 날씨 및 계절 요인 데이터를 포함하는 건물 조건 데이터와 냉난방 설비, 조명 설비, 공조 설비를 포함하는 에너지 설비 데이터, 신재생 에너지 설비 데이터, 에너지 소비량 데이터 및 에너지 생산량 데이터를 포함하는 건물 특성 데이터를 포함하는 건물 에너지 데이터를 수집하며, 센서, BAS(Building Automation System), BEMS(Building Energy Management System), 직접 입력 수단, 인터넷 망으로 연결되는 정보 데이터베이스 중 어느 하나 이상에 해당하는 데이터 수집 단계;
   상기 수집된 건물 에너지 데이터를 DB에 저장하는 데이터 저장 단계;
   상기 저장된 건물 에너지 데이터를 각 항목 또는 요인별로 분류하는 데이터 분류 단계;
   상기 분류된 건물 조건 데이터와 상기 건물 특성 테이터 간의 관계를 정의하여 데이터 분류 맵을 형성하며, 대규모 이종 데이터를 수집, 저장, 관리 체계 구축을 위하여 하부 플랫폼을 위한 공개 비관계형 분산 데이터 베이스인 Apache Habse, 오픈 소스 클러스터 컴퓨팅 프레임워크인 Apache Spark, 소프트웨어 시스템 간 데이터 흐름을 자동화하는 Apache Nifi, 프리웨어 자바 소프트웨어 프레임워크인 Apache Hadoop를 통해 구성되는 데이터 맵 구축 단계;
   상기 항목 또는 요인별데이터 분류 맵을 조합하여 딥러닝 초과밀 데이터 분석(Hyperdense, HD Data Discrimanative Analysis)에 의하여 상기 기축 건물의 에너지 소비 유형 및 생산 유형을 도출하는 에너지 진단 단계;
   상기 에너지 진단 단계에서 도출된 에너지 소비 유형 및 생산 유형에 따라 신재생 에너지 구축 방안과 건물 에너지 효율 개선 방안을 각각 적어도 하나 이상 도출하고 이들 각각에 대하여 의사 결정을 지원하는 신재생 에너지 구축 의사결정 지원 단계; 및
   건물 에너지 효율개선 의사결정 지원 단계;를 포함하는 것을 특징으로 하는, 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 방법.
8. 삭제
9. 삭제
10. 삭제
11. 삭제

Images