KR102098356B1 - 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템 - Google Patents
기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템 Download PDFInfo
- Publication number
- KR102098356B1 KR102098356B1 KR1020190102143A KR20190102143A KR102098356B1 KR 102098356 B1 KR102098356 B1 KR 102098356B1 KR 1020190102143 A KR1020190102143 A KR 1020190102143A KR 20190102143 A KR20190102143 A KR 20190102143A KR 102098356 B1 KR102098356 B1 KR 102098356B1
- Authority
- KR
- South Korea
- Prior art keywords
- energy consumption
- weather forecast
- forecast data
- data
- weather
- Prior art date
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 134
- 238000001816 cooling Methods 0.000 title claims description 9
- 238000010438 heat treatment Methods 0.000 title description 3
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W2203/00—Real-time site-specific personalized weather information, e.g. nowcasting
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 기상청의 기상예보 데이터를 수집하고 건물에 설치된 냉, 열원 설비의 에너지 소비량을 측정하여 기상예보에 따른 냉, 열원 설비의 에너지 소비량을 반복 학습하고, 이를 기반으로 앞으로의 기상예보에 따른 냉, 열원 설비의 단위시간당 에너지 소비량을 예측할 수 있도록 구성되는 에너지 소비량 예측 에너지 관리 시스템에 관한 것이다.
본 발명에 의한 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템은 지정된 시간마다 기상청의 기상예보 데이터를 수집하는 수집부, 수집된 기상예보 테이터를 기반으로 단위시간당 추정 데이터를 생성하는 생성부, 건물에 하나 이상 설치된 각종 설비의 단위시간당 에너지 소비량을 측정하는 계측부, 생성된 추정 데이터를 포함한 기상예보 데이터와 측정된 에너지 소비량이 실시간으로 저장되는 데이터 베이스 및 저장된 과거의 기상예보 데이터와 에너지 소비량을 이용하여 기상예보에 따른 설비 각각의 에너지 소비량을 학습하고, 이를 기반으로 기상예보 데이터에 따른 단위시간당 에너지 소비량을 예측하는 기계 학습부를 포함하여 구성되는 것을 특징으로 한다.
본 발명에 의한 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템은 지정된 시간마다 기상청의 기상예보 데이터를 수집하는 수집부, 수집된 기상예보 테이터를 기반으로 단위시간당 추정 데이터를 생성하는 생성부, 건물에 하나 이상 설치된 각종 설비의 단위시간당 에너지 소비량을 측정하는 계측부, 생성된 추정 데이터를 포함한 기상예보 데이터와 측정된 에너지 소비량이 실시간으로 저장되는 데이터 베이스 및 저장된 과거의 기상예보 데이터와 에너지 소비량을 이용하여 기상예보에 따른 설비 각각의 에너지 소비량을 학습하고, 이를 기반으로 기상예보 데이터에 따른 단위시간당 에너지 소비량을 예측하는 기계 학습부를 포함하여 구성되는 것을 특징으로 한다.
Description
본 발명은 기상청의 기상예보를 이용한 건물 내 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템에 관한 것으로써, 보다 상세하게는 기상청의 기상예보 데이터를 수집하고 건물에 설치된 냉, 열원 설비의 에너지 소비량을 측정하여 기상예보에 따른 냉, 열원 설비의 에너지 소비량을 반복 학습하고, 이를 기반으로 앞으로의 기상예보에 따른 냉, 열원 설비의 단위시간당 에너지 소비량을 예측할 수 있도록 구성되는 에너지 소비량 예측 에너지 관리 시스템에 관한 것이다.
일반적으로, 독일, 덴마크 등의 유럽 국가들에서는 건물에서의 에너지 사용량이 전체 에너지 사용량의 40％ 이상을 차지하고 있고, 미국과 일본에서는 전체 에너지 사용량의 33％ 이상을 차지하고 있으며, 이들 선진국의 유형을 따라가는 우리나라에서도 이미 25％를 넘어 지속적으로 증가하는 추세에 있다.
이러한 이유로 유럽 등의 선진국에서는 건물에서의 에너지 사용량을 효율적으로 관리하여 에너지를 절약하기 위한 다양한 방안에 관한 연구가 진행되어 왔으며, 이에 대한 결과물 중의 하나로써 최대 40％의 에너지 절감 효과를 입증한 바 있는 BEMS(Building Energy Management System, 건물에너지 관리 시스템)는 우리나라에도 도입되어 일정면적 이상인 공공기관 건물에의 적용이 의무화되는 등 그 중요성이 점차 확대되고 있는 상태이다.
한편, 상기한 BEMS와 같이 건물 내부에 구비된 설비의 다양한 정보를 실시간으로 수집하고 분석하여 효율적으로 에너지를 관리하고자 하는 종래의 발명으로는 대한민국 등록특허공보 제10-1168153호의 “건물의 에너지 수요 예측 방법 및 그 시스템” 및 대한민국 공개특허공보 제10-2015-0087986호의 “가우시안 프로세스 모델링기반 에너지 사용량 예측 방법” 및 대한민국 공개특허공보 제10-2019-0054502호의 “단기 기상예측 알고리즘과 기축건물 FMS를 이용한 건물에너지 최적화 운영 솔루션 시스템” 등이 제안되어 공개된 바 있다.
상기 대한민국 등록특허공보 제10-1168153호의 “건물의 에너지 수요 예측 방법 및 그 시스템”에는 건물의 운영에 필요한 에너지 데이터를 소비원별로 구분하여 건물의 에너지 사용량 데이터를 구축하고, 구축된 데이터에 기상청의 장기예보를 반영하여 건물의 에너지 수요를 예측할 수 있는 방법 및 시스템에 관한 발명이 제안되었고, 상기 대한민국 공개특허공보 제10-2015-0087986호의 “가우시안 프로세스 모델링기반 에너지 사용량 예측 방법”에는 가정 및 아파트 단지의 과거 에너지 사용량 및 외부 온도 정보를 이용하여 가우시안 프로세스 모델링 기반의 에너지 사용량 모델을 구성하고, 이를 이용하여 미래의 에너지 사용량을 예측하는 방법에 관한 발명이 제안되었다.
또한, 상기 대한민국 공개특허공보 제10-2019-0054502호의 “단기 기상예측 알고리즘과 기축건물 FMS를 이용한 건물에너지 최적화 운영 솔루션 시스템”에는 단기기상 예측알고리즘과 기축건물의 기존 FMS를 활용하여 자동화된 건물에너지 시뮬레이션을 통해 BEMS와 같이 고비용이 발생하는 건물에너지 관리 시스템을 설치하지 않고도 에너지 절감 효과를 극대화하는 통합솔루션을 제공할 수 있는 시스템에 관한 발명이 제안되었다.
특히, 위와 같은 종래 발명들은 기상청의 장기예보, 외부 온도 정보 또는 기상예측 알고리즘 등 기상예보 또는 실측정에 따른 온도를 반영하는 구성을 채택하여 에너지 소비량 예측의 정확도를 향상시키고자 하고 있으나, 이를 뒷받침하기 위한 세부적인 구성이 부실하거나 그 구성에 따른 효과에 의문이 발생하는 경우가 있고, 실제 그러한 효과가 동일 또는 유사하게 발생한다 하여도 그 발명이 건물에서의 에너지 소비량을 가장 정확하게 예측할 수 있는 발명이라 단정지을 수는 없다.
따라서, 위와 같은 종래 발명들과 같이 기상청에서 제공하는 기상예보를 이용하되, 건물에서의 에너지 소비량을 종래 발명들보다 정확하게 예측할 수 있도록 하는 시스템 등에 관한 발명이 요구되는 실정이다.
본 발명에 의한 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템은 상기와 같은 종래 발명들의 문제점들을 해결하기 위해 제안된 기술로써,
종래의 발명들이 기상청의 장기예보, 외부 온도 정보 또는 기상예측 알고리즘 등을 활용하는 구성을 채택하여 에너지 소비량 예측의 정확도를 향상시키고자 하고 있으나, 이를 뒷받침하기 위한 세부적인 구성이 부실하거나 그 구성에 따른 효과에 의문이 발생하는 문제가 있고,
그러한 효과가 발생한다 하여도 그 발명이 건물에서의 에너지 소비량을 가장 정확하게 예측할 수 있는 발명이라 단정지을 수는 없는 문제가 있기 때문에, 이에 대한 해결책을 제시하는 것을 그 목적으로 한다.
본 발명에 의한 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템은 상기와 같은 목적을 실현하고자,
지정된 시간마다 기상청의 기상예보 데이터를 수집하는 수집부; 수집된 기상예보 테이터를 기반으로 단위시간당 추정 데이터를 생성하는 생성부; 건물에 하나 이상 설치된 각종 설비의 단위시간당 에너지 소비량을 측정하는 계측부; 생성된 추정 데이터를 포함한 기상예보 데이터와 측정된 에너지 소비량이 실시간으로 저장되는 데이터 베이스; 및 저장된 과거의 기상예보 데이터와 에너지 소비량을 이용하여 기상예보에 따른 설비 각각의 에너지 소비량을 학습하고, 이를 기반으로 기상예보 데이터에 따른 단위시간당 에너지 소비량을 예측하는 기계 학습부; 를 포함하여 구성되는 것을 특징으로 하는 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템을 제시한다.
본 발명에 의한 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템은,
건물에서의 단위시간당 에너지 소비량을 측정하기 위한 상세한 구성을 제공할 수 있는 효과가 발생하고,
지속적으로 저장되는 기상예보 데이터와 에너지 소비량을 이용하여 기상예보에 따른 설비 각각의 에너지 소비량을 반복 학습하도록 구성되므로, 데이터가 누적되고 학습량이 늘어남에 따라 건물에서의 에너지 소비량에 관한 예측 정확도가 향상될 수 있는 효과가 발생하며,
건물에 설치된 냉, 열원 설비의 에너지 소비량을 예측하는 독자적인 시스템으로 이용될 수 있으나, 건물 내에서 사용하는 에너지를 효율적으로 관리하기 위한 시스템인 BEMS 등에 적용되어 한정적으로 이용될 수 있는 효과가 발생한다.
도 1은 본 발명에 의한 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템의 시스템 구성도.
도 2는 기상청 홈페이지에서 날씨를 예보하는 양식을 나타낸 예시도.
도 3은 본 발명에 의한 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템의 계측부에 의하여 건물에 설치되는 설비 전체의 전체 소비량이 합산 및 측정되어 설비의 에너지 소비량 보정에 활용되는 실시예를 나타낸 예시도.
도 4는 본 발명에 의한 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템의 기계 학습부가 과거의 기상 상황에 따른 단위시간당 에너지 소비량의 상관 관계를 분석 및 학습하는 과정을 나타낸 개념도.
도 5는 본 발명에 의한 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템의 기계 학습부가 단위시간당 에너지 소비량을 예측하는 과정을 나타낸 개념도.
도 2는 기상청 홈페이지에서 날씨를 예보하는 양식을 나타낸 예시도.
도 3은 본 발명에 의한 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템의 계측부에 의하여 건물에 설치되는 설비 전체의 전체 소비량이 합산 및 측정되어 설비의 에너지 소비량 보정에 활용되는 실시예를 나타낸 예시도.
도 4는 본 발명에 의한 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템의 기계 학습부가 과거의 기상 상황에 따른 단위시간당 에너지 소비량의 상관 관계를 분석 및 학습하는 과정을 나타낸 개념도.
도 5는 본 발명에 의한 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템의 기계 학습부가 단위시간당 에너지 소비량을 예측하는 과정을 나타낸 개념도.
본 발명은 기상청의 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템에 관한 것으로써,
지정된 시간마다 기상청의 기상예보 데이터를 수집하는 수집부(100); 수집된 기상예보 테이터를 기반으로 단위시간당 추정 데이터를 생성하는 생성부(110); 건물에 하나 이상 설치된 각종 설비의 단위시간당 에너지 소비량을 측정하는 계측부(120); 생성된 추정 데이터를 포함한 기상예보 데이터와 측정된 에너지 소비량이 실시간으로 저장되는 데이터 베이스(130); 및 저장된 과거의 기상예보 데이터와 에너지 소비량을 이용하여 기상예보에 따른 설비 각각의 에너지 소비량을 학습하고, 이를 기반으로 기상예보 데이터에 따른 단위시간당 에너지 소비량을 예측하는 기계 학습부(140); 를 포함하여 구성되는 것을 특징으로 하는 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템에 관한 것이다.
이하에서는 첨부한 도면을 참조하여 본 발명의 실시예들을 상세히 설명하고자 하며, 본 발명에서의 기상예보 데이터라 함은 온도를 필수적으로 포함하여 구성되고, 습도, 풍속 또는 강수량 중 어느 하나 이상을 부가적으로 포함하여 구성될 수 있는 것으로써, 기상청 홈페이지 또는 기상청의 오픈 API인 동네예보 정보조회 서비스를 통해 수집 가능한 데이터를 의미한다.
우선, 도 1에 도시된 상기 수집부(100)는 기상청 홈페이지 또는 기상청의 오픈 API인 동네예보 정보조회 서비스를 통해 제공되는 기상예보 데이터를 지정된 시간마다 수집하는 역할을 수행하는 본 발명의 일 구성요소로써, 이러한 기능의 수행을 위해 유선 또는 무선 방식으로 인터넷에 연결된 상태로 기상청 홈페이지를 이용하도록 구성될 수 있고, 기상청의 오픈 API인 ‘동네예보 정보조회 서비스’를 이용하도록 구성될 수 있다.
따라서, 상기한 기능의 수행을 위하여 상기 수집부(100)에는 지정된 시간마다 할당된 역할을 수행하기 위한 타이머 기능이 부가될 수 있고, 지정된 시간마다 인터넷을 통해 기상청 홈페이지 또는 동네예보 정보조회 서비스를 이용하기 위한 매크로 기능이 부가될 수 있으며, 기상청 홈페이지에 표시된 내용 또는 동네예보 정보조회 서비스에 포함된 내용 중 필요한 기상예보 데이터를 선별하여 수집하기 위한 데이터 선별 기능이 부가될 수 있다.
특히, 상기 데이터 선별 기능은 기상청 홈페이지에서 날씨를 예보하거나 동네예보 정보조회 서비스에서 날씨를 예보하는 각각의 일정한 양식을 이용하는 것으로써, 도 2에 도시된 바와 같은 날씨를 예보하는 일정한 양식 중 특정 부분의 숫자를 선별하거나 특정 부분의 숫자에 더하여 날씨의 상태를 표현하는 특정 부분의 이미지까지 선별하는 방식으로 구현될 수 있으며, 반드시 이러한 예에 한정되지 아니하고 다양한 방식으로 구현되어도 무방하다.
이와 같이, 상기 수집부(100)는 기상청 홈페이지 또는 동네예보 정보조회 서비스를 이용하여 특정 지역의 기상예보 데이터를 수집하는 과정을 기설정된 주기마다 반복적으로 수행할 수 있으며, 그 주기는 관리자에 의하여 언제든지 설정 변경될 수 있다.
다만, 기상청에서는 1시간 간격으로 기상예보를 갱신하여 기상청 홈페이지 등에 공식적으로 공지하고 있으므로, 기상예보 데이터를 수집하는 주기는 이와 동일하게 1시간 간격으로 설정되는 것이 바람직하다.
또한, 상기 수집부(100)를 통해 수집되는 기상예보 데이터는 기상청 홈페이지 또는 동네예보 정보조회 서비스를 통해 제공되는 전국의 다양한 지역의 기상예보 데이터 중 본 발명을 이용하여 내부설비의 에너지 소비량을 예측하고자 하는 건물이 위치하는 지역의 기상에 관한 데이터를 필수적으로 포함하거나, 그 지역의 기상에 관한 데이터만으로 구성됨이 바람직하며, 그 지역 또한 관리자에 의하여 설정 변경될 수 있다.
또한, 상기 수집부(100)에는 기상예보 데이터를 수집하는 주기와 기상예보 데이터의 수집을 위한 도메인 주소, IP 주소 등이 입력되고, 검색어 등이 상기 건물이 위치하는 지역에 따라 다르게 입력될 수 있으며, 상기한 도메인 주소, IP 주소 그리고 검색어 등은 기상예보 데이터의 수집이 가능하다면 일부만이 입력되어도 무방하나 수집 과정에서 발생하는 다양한 돌발 상황에 대응 가능하도록 되도록이면 다수가 입력됨이 바람직하다.
즉, 상기 수집부(100)는 기입력된 IP 주소를 이용하여 기상청 홈페이지 중 특정 지역의 기상을 예보하는 특정 페이지에 바로 접속하거나 동네예보 정보조회 서비스에 바로 접속하여 그 지역의 기상예보 데이터를 수집할 수 있고, 도메인 주소, IP 주소 등을 이용하여 기상청 홈페이지에 자동으로 접속한 후 특정 지역의 기상을 예보하는 특정 페이지로 접속하여 그 지역의 기상예보 데이터를 수집할 수 있으며, 검색어를 이용하여 기상청 홈페이지에 자동으로 접속한 후 특정 지역의 기상을 예보하는 특정 페이지로 접속하여 그 지역의 기상예보 데이터를 수집할 수 있다.
또한, 상기 수집부(100)는 상기한 방식이 아닌 다른 방식에 의하여도 특정 지역의 기상예보 데이터를 수집하도록 구성될 수 있으며, 이러한 각 방식에는 우선 순위가 부여되어 선순위의 방식으로 특정 지역의 기상예보 데이터가 수집되지 않는 경우 자동으로 후순위의 방식에 의해 기상예보 데이터가 수집되도록 할 수 있다.
따라서, 본 발명은 지정된 특정 경로를 통한 기상청 홈페이지 또는 동네예보 정보조회 서비스에의 접속이 불안정한 경우라도 즉시 다른 경로를 통해 기상예보 데이터의 수집이 가능한 효과가 발생하게 되며, 수집된 기상예보 데이터는 즉시 상기 데이터 베이스(130)에 저장되어 상기 생성부(110) 및 상기 기계 학습부(140) 등에서 필요에 따라 활용될 수 있도록 한다.
이에 더하여, 상기 수집부(100)는 상기한 방식들 중 어느 하나의 방식으로 특정 지역의 기상예보 데이터를 수집한 후 다른 하나 이상의 방식으로 동일한 지역의 기상예보 데이터를 순차적으로 수집하거나 복수 개의 방식으로 동시에 특정 지역의 기상예보 데이터를 수집하도록 구성될 수 있으며, 이러한 방식들로 수집된 복수 개의 기상예보 데이터 각각은 다른 기상예보 데이터와의 비교 검증을 위한 자료로써 활용될 수 있다.
즉, 본 발명은 기상청 홈페이지와 동네예보 정보조회 서비스 각각으로부터 기상예보 데이터를 수집하도록 구성될 수 있고, 상기 수집부(100)에서 일정시간 내 순차적으로 수집되거나 동시에 수집되는 복수 개의 기상예보 데이터를 비교하여 일치 여부를 파악하는 비교 분석부를 포함하여 구성될 수 있으며, 상기 비교 분석부에 의한 비교 결과, 복수 개의 기상예보 데이터 중 어느 하나 이상의 데이터가 다른 기상예보 데이터와 불일치하는 경우에는 소수의 기상예보 데이터가 배제되고 다수의 기상예보 데이터가 이용되도록 구성될 수 있고, 기설정된 시간이 경과 후 기상예보 데이터가 반복하여 재수집되도록 구성될 수 있다.
한편, 상기 수집부(100)는 상기 기상예보 데이터의 수집이 발생하는 시각을 기준으로 하여 1시간마다 기상예보 데이터를 수집하되, 기상청 홈페이지 또는 동네예보 정보조회 서비스에 게시된 특정 지역의 기상예보 데이터 중 3시간 간격으로 예측된 48시간 동안의 기상예보 데이터만을 수집하도록 구성되는 것을 특징으로 한다.
이는, 기상청에서 기상예보를 갱신하여 기상청 홈페이지 등에 공식적으로 공지하는 1시간 간격의 주기와 3시간 간격의 예측 범위를 모두 반영한 것이며, 이러한 구성에 의하여 상기 수집부(100)에 의하여 수집되는 기상예보 데이터는 그 데이터의 수집이 발생한 시각을 기준으로 하여 이후의 48 시간 내에 포함되는 총 16개의 고정 온도 값으로 구성된다.
이에 관한 본 발명의 실시예로써, 특정 날짜의 자정을 기준으로 하여 상기 수집부(100)를 통해 수집되는 48시간 동안의 기상예보 데이터는 동일 날짜의 3시, 6시, 9시, 12시, 15시, 18시 및 21시의 고정 온도 값, 다음 날짜의 0시, 3시, 6시, 9시, 12시, 15시, 18시 및 21시의 고정 온도 값 그리고 그 다음 날짜인 0시의 고정 온도 값을 포함한 총 16개의 고정 온도 값으로 구성될 수 있고, 특정 날짜의 오전 3시를 기준으로 하여 상기 수집부(100)를 통해 수집되는 48시간 동안의 기상예보 데이터는 동일 날짜의 6시, 9시, 12시, 15시, 18시 및 21시의 고정 온도 값, 다음 날짜의 0시, 3시, 6시, 9시, 12시, 15시, 18시 및 21시의 고정 온도 값 그리고 그 다음 날짜인 0시, 3시의 고정 온도 값을 포함한 총 16개의 고정 온도 값으로 구성될 수 있으며, 특정 날짜의 또 다른 시간을 기준으로 하여 수집부(100)를 통해 수집되는 48시간 동안의 기상예보 데이터는 위의 실시예들을 참고하여 그 수집 범위 내에 포함된 고정 온도 값의 전체 구성을 쉽게 유추할 수 있다.
다만, 상기한 바와 같이, 상기 수집부(100)를 통한 기사에보 데이터의 수집 주기 및 예측 범위는 기상청에서 기상예보를 갱신하여 기상청 홈페이지 등에 공식적으로 공지하는 1시간 간격의 주기와 3시간 간격의 예측 범위를 모두 반영한 것이므로, 이후 기상청의 예보 주기와 예측 범위가 변경되면 그에 맞게 설정 변경될 수 있음은 자명하다.
다만, 상기 수집부(100)에 의한 기상예보 데이터의 수집이 반드시 1시간마다 발생하여야 하는 것은 아니므로, 본 발명은 상기 수집부(100)가 1시간 이내의 짧은 주기로 기상청 홈페이지 또는 동네예보 정보조회 서비스를 이용하도록 구성되되, 기상예보 데이터의 갱신이 확인되는 경우에만 그 갱신된 기상예보 데이터를 수집하도록 설정될 수 있다.
또한, 이하에서는 설명의 편의를 위하여, 기상청 홈페이지를 통해 기상이 예보되는 시각에 포함되는 0시, 3시, 6시, 9시, 12시, 15시, 18시 및 21시를 예보 시각이라 지칭하고, 이러한 예보 시각에 포함되지 않는 그 외의 시각인 1시, 2시, 4시 및 5시 등의 시각을 미예보 시각이라 지칭하기로 한다.
상기 생성부(110)는 상기 수집부(100)를 통해 수집된 기상예보 데이터를 기반으로 단위시간당 추정 데이터를 생성하는 본 발명의 다른 일 구성요소로써, 도 1에 도시된 바와 같이 수집부(100)로부터 전송되는 기상예보 데이터를 즉시 수신할 수 있도록 구성되고, 수신된 기상예보 데이터를 분석하여 상기 미예보 시각들에 해당하는 온도 값을 예측할 수 있도록 구성된다.
즉, 상기한 바와 같이 상기 수집부(100)를 통해 1시간 간격마다 수집되는 48시간 동안의 기상예보 데이터는 3시간 간격으로 구분되는 16개의 고정 온도 값만으로 구성되나, 건물에서의 에너지 소비량을 분석하거나 예측하는 시간의 간격은 한 시간 간격 또는 30분 간격 등으로 다르게 구성될 수 있으므로, 상기 예보 시각들의 고정 온도 값만으로는 상기 미예보 시각들의 온도 값을 건물에서의 에너지 소비량 분석 및 예측에 정확하게 반영할 수 없는 문제가 발생한다.
따라서, 건물에서의 에너지 소비량을 분석 및 예측함에 있어서 상기 미예보 시각들의 온도 값으로는 상기 예보 시각들의 고정 온도 값을 그대로 반영하거나 공백으로 남겨둘 수 밖에 없고, 이러한 이유로 기상청의 기상예보를 활용하여 건물에서의 에너지 소비량을 분석하고 예측하는 종래의 발명들은 그 분석 및 예측 값과 실제 에너지 소비량 간에 상당한 오차가 발생하거나 에너지 소비량의 분석 및 예측 주기가 기상청의 기상예보 공지 주기 및 공지된 내용에 포함된 시간 간격에 따라 3시간 이상의 비교적 장시간으로 구성될 수 밖에 없는 문제가 발생한다.
구체적인 실시예를 통해 보다 상세하게 설명하자면, 상기 수집부(100)를 통해 수집된 예보 시각인 3시의 고정 온도 값이 16℃이고, 6시의 고정 온도 값이 18℃인 경우, 수집된 기상예보 데이터 상으로는 미예보 시각인 5시의 온도 또한 16℃이나, 5시의 실제의 온도는 6시의 고정 온도 값에 해당하는 18℃에 근접하였을 가능성이 상당하고, 이러한 이유로 기상청의 기상예보 데이터만을 이용하여 분석 또는/및 예측된 건물에서의 에너지 소비량은 일정수준 이상의 신뢰도가 보장된다고 할 수 없다.
따라서, 본 발명은 3시간 간격으로 구분되게 표시되는 기상예보의 한계를 극복하여 보다 세분화된 기상예보 데이터의 활용이 가능하도록 함으로써, 건물에서의 에너지 소비량의 측정 및 예측에 관한 신뢰도가 종래의 방식에 비해 일정수준 이상으로 보장될 수 있도록 하며, 이러한 효과의 실현을 위하여 상기 생성부(110)에서 추정 데이터를 생성하고, 상기 계측부(120)에서 에너지 소비량을 측정하며, 상기 기계 학습부(140)에서 에너지 소비량을 예측하는 단위시간을 15분 간격으로 구성하는 것을 특징으로 한다.
상기 생성부(110)가 상기 수집부(100)를 통해 3시간 간격마다 수집되는 16개의 고정된 고정 온도 값을 기준으로 하여 각 고정 온도 값 사이의 추정 데이터를 생성하는 과정은 다음과 같다.
우선, 상기 생성부(110)는 상기 수집부(100)를 통해 수집되어 순차적으로 배열된 16개의 고정 온도 값 간의 온도차를 계산하여 온도가 상승하는 경우에는 각 단위시간 마다 온도를 상승 보정하여 적용하고, 온도가 하강하는 경우에는 각 단위시간 마다 온도를 하강 보정하여 적용하며, 온도가 동일한 경우에는 각 단위시간 마다 온도를 동일하게 적용한다.
이때, 상기 생성부(110)가 각 고정 온도 값 사이의 추정 데이터를 생성함에 있어서는 공지의 라그랑주 보간법이 이용될 수 있으나, 반드시 이에 한정되는 것은 아니며, 보다 간편하게 각 고정 온도 값 간의 차이 값을 12로 나눈 보정 값을 생성 후 이를 각 단위시간마다 적용하는 방식이 이용될 수 있다.
이에 관한 본 발명의 일 실시예로써, 오후 12시의 고정 온도 값이 20℃ 이고, 오후 15시의 고정 온도 값이 26℃ 인 경우, 상기 생성부(110)는 오후 12시와 오후 15시의 고정 온도 값의 차이를 +6℃로 계산하고, 오후 12시와 오후 15시 사이에 15분 간격으로 상승 보정을 적용하여 아래의 표 1에 기재된 바와 같은 11개의 추정 데이터를 생성하며, 생성된 추정 데이터는 즉시 상기 데이터 베이스(130)에 저장되어 상기 기계 학습부(140) 등에서 필요에 따라 활용될 수 있도록 한다.
| 시각 |
12:00 |
12:15 |
12:30 |
12:45 |
13:00 |
13:15 |
| 기상예보 데이터 |
20℃ |
- |
- |
- |
- |
- |
| 보정 |
20℃ |
20.5℃ |
21℃ |
21.5℃ |
22℃ |
22.5℃ |
| 차이값 |
- |
0.5 |
0.5 |
0.5 |
0.5 |
0.5 |
| 13:30 |
13:45 |
14:00 |
14:15 |
14:30 |
14:45 |
15:00 |
| - |
- |
- |
- |
- |
- |
26℃ |
| 23℃ |
23.5℃ |
24℃ |
24.5℃ |
25℃ |
25.5℃ |
26℃ |
| 0.5 |
0.5 |
0.5 |
0.5 |
0.5 |
0.5 |
- |
또한, 본 발명의 다른 일 실시예로써, 오후 15시의 고정 온도 값이 26℃ 이고, 오후 18시의 고정 온도 값이 24℃ 인 경우, 상기 생성부(110)는 오후 15시와 오후 18시의 고정 온도 값의 차이를 -2℃로 계산하고, 오후 15시와 오후 18시 사이에 15분 간격으로 하강 보정을 적용하여 아래의 표 2에 기재된 바와 같은 11개의 추정 데이터를 생성하며, 생성된 추정 데이터는 즉시 상기 데이터 베이스(130)에 저장되어 상기 기계 학습부(140) 등에서 필요에 따라 활용될 수 있도록 한다.
| 시각 |
15:00 |
15:15 |
15:30 |
15:45 |
16:00 |
16:15 |
| 기상예보 데이터 |
26℃ |
- |
- |
- |
- |
- |
| 보정 |
26℃ |
25.833℃ |
25.666℃ |
25.499℃ |
25.332℃ |
25.165℃ |
| 차이값 |
- |
-0.167 |
-0.167 |
-0.167 |
-0.167 |
-0.167 |
| 16:30 |
16:45 |
17:00 |
17:15 |
17:30 |
17:45 |
18:00 |
| - |
- |
- |
- |
- |
- |
24℃ |
| 24.998℃ |
24.831℃ |
24.664℃ |
24.497℃ |
24.33℃ |
24.163℃ |
24℃ |
| -0.167 |
-0.167 |
-0.167 |
-0.167 |
-0.167 |
-0.167 |
- |
또한, 도 1 및 도 3에 도시된 바와 같이 상기 계측부(120)는 건물에 하나 이상 설치된 각종 설비의 단위시간당 에너지 소비량을 측정하는 본 발명의 또 다른 일 구성요소로써, 건물에 설치되는 각종 설비 각각의 에너지 소비량을 실시간으로 측정하고, 측정된 에너지 소비량을 단위시간마다 합산하는 방식 등으로 건물 설비의 단위시간당 전체 에너지 소비량을 도출할 수 있다.
따라서, 도 3에 도시된 바와 같이, 상기 계측부(120)는 건물에 설치되는 냉동기, 공조기, 보일러, 냉각탑 그리고 조명 등 건물에 설비되는 각종 설비에 설치되어 에너지 소비량을 측정하는 하나 이상의 계측기를 포함하여 구성됨으로써 설비 각각의 에너지 소비량을 실시간으로 측정할 수 있도록 구성되고, 계측기 각각에서 측정된 에너지 소비량을 단위시간마다 합산함으로써 단위시간당 전체 에너지 소비량을 도출할 수 있도록 구성된다.
다만, 상기 계측기를 이용하여 건물에 설치되는 모든 설비들의 에너지 소비량을 측정할 수 있는 것은 아니므로, 상기 계측부(120)는 건물에 설치되는 설비 중 계측기를 이용한 에너지 소비량의 측정이 불가한 팬과 펌프 등의 설비에 관해서는 센서를 통해 작동 여부만을 감지하고 각 설비의 스펙상의 소비전력에 단위시간을 반영하여 에너지 소비량을 추정하도록 구성되며, 추정된 에너지 소비량은 전체 에너지 소비량의 도출에 반영됨이 바람직하다.
즉, 상기 계측부(120)는 하나 이상의 계측기에 의하여 측정된 에너지 소비량과 추정된 에너지 소비량을 합산하여 전체 에너지 소비량을 도출하게 된다.
한편, 상기 계측부(120)는 건물 전체의 에너지 소비량을 측정하는 메인 계측기를 포함하여 구성됨으로써, 건물에 설치되는 모든 설비들의 전체 에너지 소비량을 일괄적으로 측정할 수 있다.
이때, 상기 메인 계측기에서 측정된 전체 에너지 소비량과 설비 각각에서 측정 또는 추정되어 합산된 전체 에너지 소비량은 서로 일치해야 함이 바람직하나, 불일치하는 경우에는 그 차이값이 계측기가 미설치되어 추정된 에너지 소비량의 보정에 이용되도록 할 수 있다.
또한, 도 1에 도시된 바와 같이, 상기 데이터 베이스(130)는 상기 수집부(100)에서 수집된 기상예보 데이터, 상기 생성부(110)에서 생성된 추정 데이터 그리고 상기 계측부(120)에서 측정된 에너지 소비량이 실시간으로 저장되는 본 발명의 또 다른 일 구성요소로써, 데이터의 입력 및 출력이 가능한 공지의 저장 장치 중 어느 하나가 이용될 수 있다.
이때, 상기 데이터 베이스(130)에는 본 발명의 이용하여 기상예보에 따른 설비의 단위시간당 에너지 소비량을 예측하고자 하는 건물의 종류가 아파트, 주택, 공장, 오피스텔, 상업 건물 등으로 입력되어 저장될 수 있고, 건물의 층수, 높이, 연면적 등 세부정보가 입력되어 저장될 수 있으며, 건물에 설치되는 각종 설비 각각의 설비제원 정보가 입력되어 저장될 수 있다.
또한, 도 1에 도시된 상기 기계 학습부(140)는 상기 데이터 베이스(130)에 저장된 과거의 기상예보 데이터와 에너지 소비량을 이용하여 기상예보에 따른 설비 각각의 에너지 소비량을 학습하고, 이를 기반으로 기상예보 데이터에 따른 단위시간당 에너지 소비량을 예측하는 본 발명의 또 다른 일 구성요소로써, 상기와 같은 기능의 실현을 위하여 구글(Google)사에서 제공하는 기계 학습 엔진인 텐서플로(Tensorflow)가 이용될 수 있고, 패턴인식, 자료 분석에 강점에 보이는 지도학습 모델인 서포트 벡터 머신(Support vector machine)이 이용될 수 있으며, 텐서플로 및 서포트 벡터 머신이 동시에 이용될 수도 있다.
즉, 상기 데이터 베이스(130)에는 상기 수집부(100)에 의하여 수집된 기상예보 데이터가 순차적으로 저장되어 누적되고, 상기 생성부(110)에서 생성된 추정 데이터가 순차적으로 저장되어 누적되며, 상기 계측부(120)에서 측정된 단위시간당 에너지 소비량이 순차적으로 저장되어 누적되므로, 도 4에 도시된 바와 같이, 상기 기계 학습부(140)는 데이터 베이스(130)에 저장된 추정 데이터를 포함한 기상예보 데이터와 단위시간당 에너지 소비량을 이용하여 과거의 기상 상황에 따른 단위시간당 에너지 소비량의 상관 관계를 분석 및 학습할 수 있도록 구성된다.
이때, 상기 기상예보 데이터는 온도를 필수적으로 포함하여 구성되고, 습도, 풍속 또는 강수량 중 어느 하나 이상을 더 포함하여 구성될 수 있는 것이므로, 상기 기계 학습부(140)는 기상예보 데이터에 포함되거나 포함될 수 있는 온도, 습도, 풍속, 강수량 각각을 입력 변수로 적용하여 과거의 기상 상황에 따른 단위시간당 에너지 소비량의 상관 관계를 분석할 수 있도록 구성되며, 이러한 과정의 반복을 통해 각 입력 변수가 에너지 소비량에 미치는 영향의 정도를 일정한 값으로써 도출할 수 있다.
또한, 건물 내부에서의 에너지 소비량은 시간 등이 동일한 경우에도 계절에 따라 다르게 측정될 수 있고, 계절 등이 동일한 경우에도 주간과 야간이 다르게 측정될 수 있으며, 주중과 주말이 다르게 측정될 수 있는 등 날씨 뿐 아니라 계절, 요일, 공휴일 등 다양한 요소가 복합적으로 작용하여 항상 변화될 수 있는 것이므로, 상기 기계 학습부(140)는 이러한 다양한 요소들 또한 입력 변수로 구분하고, 특정 날짜의 기상에 따른 단위시간당 에너지 소비량의 상관 관계를 분석함에 있어 계절, 요일, 공휴일 등을 입력 변수로 고려하여 그 인과관계를 분석 및 학습할 수 있다.
이러한 이유로, 상기 데이터 베이스(130)에는 각 날짜별 요일, 공휴일 등의 정보를 포함하는 날짜 데이터가 상기 계측부(120)에서 측정한 단위시간당 에너지 소비량과 함께 저장될 수 있으며, 상기 기계 학습부(140)는 에너지 소비량을 분석 및 학습함에 있어 상기 날짜 데이터를 반영할 수 있고, 상기 추정 데이터를 포함한 상기 기상예보 데이터를 이용하여 에너지 소비량을 예측할 때에도 상기 날짜 데이터를 반영할 수 있다.
이때, 상기 기계 학습부(140)는 특정 날짜의 기상에 따른 단위시간당 에너지 소비량의 상관 관계를 효과적으로 분석하기 위하여, 기본선형 회귀분석 방식을 이용하여 상기한 복수 개의 입력 변수 각각의 에너지 소비량과의 상관 관계를 분석하는 것을 특징으로 하고, 이후 다중선형 회귀분석 방식을 이용하여 복수 개의 입력 변수를 모두 종합하여 에너지 소비량과의 상관 관계를 분석하는 것을 특징으로 하며, 이러한 과정을 통해 y = a1x1 + a2x2 + … + anxn + b의 구조로 구성되는 예측 모델식을 도출가능한 구성이다.
상기 다중 예측 모델식에 포함되는 a는 기울기 값으로써,
로 구성될 수 있고, 상기 b는 절편 값으로써,
로 구성될 수 있으며, 상기 x는 입력변수를 의미하고, 상기 y는 출력변수를 의미한다.
따라서, 상기 기계 학습부(140)는 기상예보 데이터에 따른 단위시간당 에너지 소비량을 예측함에 있어 상기 예측 모델식을 이용할 수 있으며, 도 5에 도시된 바와 같이 수집된 48시간 동안의 기상예보 데이터 중 24시간 동안의 기상예보 데이터와 그에 따른 추정 데이터를 이용하여 에너지 소비량을 예측하되, 15분 간격의 96개의 예측 모델식을 건물에 설치되는 설비 전체에 대하여 생성하고, 건물에 설치되는 설비 각각에 대하여 구분하여 생성하는 것을 특징으로 한다.
이는, 건물 설비의 에너지 소비량을 예측하여 각 설비의 제어 스케쥴을 생성함에 있어, 에너지 소비량의 예측 기간이 하루 이상의 장기간으로 형성되는 경우에는 시간의 경과에 따라 기상예보의 예측 정확도가 감소하여 효율적인 제어 스케쥴의 수립이 어려움을 고려한 것이다.
한편, 상기 기계 학습부(140)가 96개의 예측 모델식을 생성하는 본 발명의 일 실시예로써, 특정 날짜의 현재 시각인 정오에 관한 예측 모델식은 기본 구조인 y = a1x1 + a2x2 + … + anxn + b를 기준으로 하여, 입력 변수로써 현재 온도인 30℃가 적용될 수 있고, 현재 계절인 하절기가 적용될 수 있으며, 현재 요일인 금요일이 적용될 수 있으며, 각 설비에 따른 다양한 입력 변수 및 출력 변수가 적용될 수 있다.
즉, 상기 예측 모델식에 적용 가능한 입력 변수로는 공조기의 경우, 혼합온도, 급기온도, 환기온도, 외기온도, 냉온수 공급온도, 냉온수 환수온도, 급기습도, 환기습도, 외기습도, 실내엔탈피, 외기엔탈피 등이 있을 수 있으며, 출력 변수로는 난방설정온도, 냉방설정온도, 이산화탄소 농도, 설정습도, 설정차압 등이 있을 수 있으며, 보일러의 경우에는 입력 변수로 기동온도, 환수온도 등이 있을 수 있고, 출력 변수로 급탕 설정온도, 난방 설정온도, 설정차압 등이 있을 수 있다.
또한, 동일 날짜의 자정에 관한 예측 모델식은 입력 변수로 예측 온도인 22℃가 적용될 수 있고, 하절기가 적용될 수 있으며, 토요일이 적용될 수 있으며, 각 설비에 따른 다양한 입력 변수 및 출력 변수가 적용될 수 있다.
따라서, 본 발명은 상기 기계 학습부(140)에 의하여 생성되되, 서로 다른 입력 변수 값에 따라 그 형태가 상이하게 구성되고 결과가 상이하게 도출될 수 있는 96개의 예측 모델식을 이용하여, 건물에 설치되는 설비 전체의 단위시간당 에너지 소비량을 예측할 수 있고, 설비 각각의 단위시간당 에너지 소비량을 예측할 수 있는 효과가 발생하며, 예측된 결과를 이용하여 건물에 설치되는 설비 전체의 제어 스케줄을 생성할 수 있고, 각 설비의 제어 스케줄을 생성할 수 있는 효과가 발생한다.
한편, 본 발명은 건물에 설치된 냉, 열원 설비의 에너지 소비량을 예측하는 독자적인 시스템으로 이용될 수 있으나, 건물 내에서 사용하는 에너지를 효율적으로 관리하기 위한 시스템인 BEMS(Building Energy Management System, 건물에너지 관리 시스템)에도 적용될 수 있으며, 이외에도 건물의 에너지를 관리하기 위한 다양한 종합 시스템에 적용되어 건물에 설치된 냉, 열원 설비의 에너지 소비량을 예측하는 부분에 한정적으로 사용될 수 있다.
위에서 소개된 실시예들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 기술적 사상이 충분히 전달될 수 있도록 하기 위해, 예로써 제공되는 것이며, 본 발명은 위에서 설명된 실시예들에 한정되지 않고, 다른 형태로 구체화 될 수도 있다.
또한, 명세서 전체에 걸쳐서 동일한 참조 번호들은 동일한 구성요소들을 나타낸다.
100 : 수집부
110 : 생성부
120 : 계측부
130 : 데이터 베이스
140 : 기계 학습부
110 : 생성부
120 : 계측부
130 : 데이터 베이스
140 : 기계 학습부
Claims (7)
- 지정된 시간마다 기상청의 기상예보 데이터를 수집하는 수집부(100);
수집된 기상예보 데이터를 기반으로 단위시간당 추정 데이터를 생성하는 생성부(110);
건물에 하나 이상 설치된 각종 설비의 단위시간당 에너지 소비량을 측정하는 계측부(120);
생성된 추정 데이터를 포함한 기상예보 데이터와 측정된 에너지 소비량이 실시간으로 저장되는 데이터 베이스(130); 및,
저장된 과거의 기상예보 데이터와 에너지 소비량을 이용하여 기상예보에 따른 설비 각각의 에너지 소비량을 분석 및 학습하고, 이를 기반으로 기상예보 데이터에 따른 단위시간당 에너지 소비량을 예측하는 기계 학습부(140); 를 포함하여 구성되되,
상기 수집부(100)는,
1시간을 주기로 기상청 홈페이지 또는 기상청의 오픈 API인 동네예보 정보조회 서비스에 접속하여,
3시간 간격으로 예측된 48시간 동안의 기상예보 데이터를 선별하여 수집하도록 구성되고,
상기 단위시간은 15분으로 구성되고,
상기 계측부(120)는,
건물에 설치되는 일부 설비의 에너지 소비량을 측정하는 하나 이상의 계측기를 포함하여 구성되어, 단위시간당 측정되는 에너지 소비량을 합산하도록 구성되고,
계측기가 미설치된 설비 각각의 소비전력을 이용하여 단위시간당 에너지 소비량을 추정하도록 구성되며,
합산된 에너지 소비량과 추정된 에너지 소비량을 다시 합산하여 전체 에너지 소비량을 도출하도록 구성되고,
상기 계측부(120)는,
건물에 설치되는 전체 설비의 전체 에너지 소비량을 일괄적으로 측정하는 메인 계측기를 포함하여 구성되어,
합산된 전체 에너지 소비량과 일괄적으로 측정된 전체 에너지 소비량의 차이값을 통해 추정된 에너지 소비량이 보정되도록 구성되고,
상기 수집부(100)는,
일정시간 내 순차적으로 수집되거나 동시에 수집되는 복수 개의 기상예보 데이터를 비교하여 일치 여부를 파악하는 비교 분석부를 포함하여 구성되고,
상기 비교 분석부에 의한 비교 결과 복수 개의 기상예보 데이터 중 어느 하나 이상의 데이터가 다른 기상예보 데이터와 불일치하는 경우에는 소수의 기상예보 데이터가 배제되고 다수의 기상예보 데이터가 이용되도록 구성되며, 기설정된 시간이 경과 후 기상예보 데이터가 반복하여 재수집되도록 구성되고,
상기 메인 계측기는,
측정된 전체 에너지 소비량과 설비 각각에서 측정 또는 추정되어 합산된 전체 에너지 소비량이 불일치하는 경우에는 그 차이값이 계측기가 미설치되어 추정된 에너지 소비량의 보정에 이용되도록 하는 것을 특징으로 하는 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 기계 학습부(140)는,
기계 학습 엔진인 텐서플로(Tensorflow) 또는 지도학습 모델인 서포트 벡터 머신(Support vector machine) 중 어느 하나 이상을 이용하여 기상예보에 따른 설비 각각의 에너지 소비량을 분석 및 학습할 수 있도록 구성되고,
분석 및 학습된 내용을 기반으로 기상예보 데이터에 따른 단위시간당 에너지 소비량을 예측할 수 있도록 구성되는 것을 특징으로 하는 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템.
- 제6항에 있어서,
상기 기계 학습부(140)는,
수집된 48시간 동안의 기상예보 데이터 중 24시간 동안의 기상예보 데이터와 그에 따른 추정 데이터를 이용하여 96개의 예측 모델식을 건물에 설치되는 설비 전체에 대하여 생성하고, 건물에 설치되는 설비 각각에 대하여 구분하여 생성하는 것을 특징으로 하는 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190102143A KR102098356B1 (ko) | 2019-08-21 | 2019-08-21 | 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190102143A KR102098356B1 (ko) | 2019-08-21 | 2019-08-21 | 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102098356B1 true KR102098356B1 (ko) | 2020-04-07 |
Family
ID=70291083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190102143A KR102098356B1 (ko) | 2019-08-21 | 2019-08-21 | 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102098356B1 (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102401823B1 (ko) | 2021-09-01 | 2022-05-24 | 한국외국어대학교 연구산학협력단 | 폭염 및 한파의 기상요소와 재해부문별 열환경 응용지수 산출 시스템 및 방법 |
| CN115166867A (zh) * | 2022-07-04 | 2022-10-11 | 安徽远航交通科技有限公司 | 一种基于作业区的全天候气象实时监控系统 |
| KR102514996B1 (ko) * | 2022-09-13 | 2023-03-29 | 성한 주식회사 | 머신러닝 비지도학습과 지도학습을 이용한 전력수요 예측 시스템 및 방법 |
| KR102593813B1 (ko) | 2023-04-20 | 2023-10-24 | 경희대학교 산학협력단 | 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템 및 비교평가방법 |
| CN117709637A (zh) * | 2023-12-11 | 2024-03-15 | 武汉本物科技股份有限公司 | 基于气象与能源价格耦合的热能管理方法及装置 |
| CN118115008A (zh) * | 2024-04-19 | 2024-05-31 | 三峡电能有限公司 | 基于风、光、水集成控制的智慧能源管理方法及平台 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101168153B1 (ko) | 2011-12-29 | 2012-08-07 | 지에스네오텍 주식회사 | 건물의 에너지 수요 예측 방법 및 그 시스템 |
| KR20150087986A (ko) | 2014-01-23 | 2015-07-31 | 한국전자통신연구원 | 가우시안 프로세스 모델링기반 에너지 사용량 예측 방법 |
| KR20180138371A (ko) * | 2017-06-21 | 2018-12-31 | 서울대학교산학협력단 | 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법 |
| KR20190054502A (ko) | 2017-11-13 | 2019-05-22 | 주식회사 에코다 | 단기 기상예측 알고리즘과 기축건물 fms을 이용한 건물에너지 최적화 운영 솔루션 시스템 |
-
2019
- 2019-08-21 KR KR1020190102143A patent/KR102098356B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101168153B1 (ko) | 2011-12-29 | 2012-08-07 | 지에스네오텍 주식회사 | 건물의 에너지 수요 예측 방법 및 그 시스템 |
| KR20150087986A (ko) | 2014-01-23 | 2015-07-31 | 한국전자통신연구원 | 가우시안 프로세스 모델링기반 에너지 사용량 예측 방법 |
| KR20180138371A (ko) * | 2017-06-21 | 2018-12-31 | 서울대학교산학협력단 | 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법 |
| KR20190054502A (ko) | 2017-11-13 | 2019-05-22 | 주식회사 에코다 | 단기 기상예측 알고리즘과 기축건물 fms을 이용한 건물에너지 최적화 운영 솔루션 시스템 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102401823B1 (ko) | 2021-09-01 | 2022-05-24 | 한국외국어대학교 연구산학협력단 | 폭염 및 한파의 기상요소와 재해부문별 열환경 응용지수 산출 시스템 및 방법 |
| CN115166867A (zh) * | 2022-07-04 | 2022-10-11 | 安徽远航交通科技有限公司 | 一种基于作业区的全天候气象实时监控系统 |
| CN115166867B (zh) * | 2022-07-04 | 2024-03-12 | 安徽远航交通科技有限公司 | 一种基于作业区的全天候气象实时监控系统 |
| KR102514996B1 (ko) * | 2022-09-13 | 2023-03-29 | 성한 주식회사 | 머신러닝 비지도학습과 지도학습을 이용한 전력수요 예측 시스템 및 방법 |
| KR102593813B1 (ko) | 2023-04-20 | 2023-10-24 | 경희대학교 산학협력단 | 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템 및 비교평가방법 |
| CN117709637A (zh) * | 2023-12-11 | 2024-03-15 | 武汉本物科技股份有限公司 | 基于气象与能源价格耦合的热能管理方法及装置 |
| CN118115008A (zh) * | 2024-04-19 | 2024-05-31 | 三峡电能有限公司 | 基于风、光、水集成控制的智慧能源管理方法及平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102098356B1 (ko) | 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템 | |
| Attia et al. | Developing two benchmark models for nearly zero energy schools | |
| Lee et al. | Probabilistic risk assessment of the energy saving shortfall in energy performance contracting projects–A case study | |
| Swan | Residential sector energy and GHG emissions model for the assessment of new technologies | |
| Naspi et al. | Measuring occupants’ behaviour for buildings’ dynamic cosimulation | |
| Khamma et al. | Generalized additive models: An efficient method for short-term energy prediction in office buildings | |
| Zhang et al. | High-resolution hourly surrogate modeling framework for physics-based large-scale building stock modeling | |
| Jradi et al. | An automated framework for buildings continuous commissioning and performance testing–A university building case study | |
| Pandey et al. | Prediction of window opening behavior and its impact on HVAC energy consumption at a residential dormitory using Deep Neural Network | |
| Attia et al. | Developing a benchmark model for renovated, nearly zero-energy, terraced dwellings | |
| Deb et al. | Identifying temporal properties of building components and indoor environment for building performance assessment | |
| Attia et al. | Developing two benchmark models for post-world war II residential buildings | |
| Derakhti et al. | Impact of measured data frequency on commercial building energy model calibration for retrofit analysis | |
| Lien et al. | Comparing model projections with reality: Experiences from modelling building stock energy use in Norway | |
| Pozas et al. | Iterative optimization of a social inmotics-based method in order to make buildings smart and resilient | |
| Yong et al. | Meta-models for building energy loads at an arbitrary location | |
| Ellis et al. | Matchstick: A room-to-room thermal model for predicting indoor temperature from wireless sensor data | |
| Baba et al. | Mitigating undercooling and overheating risk in existing desert schools under current and future climate using validated building simulation model | |
| Harputlugil et al. | A novel approach for renovation of current social housing stock based on energy consumption in Turkey: significance of occupant behaviour | |
| Bursill et al. | Proxy zone-level energy use estimation in a commercial building with a variable air volume system | |
| Al-Mufti et al. | Digital Twinning and ANN-based Forecasting Model for Building Energy Consumption | |
| Yilmaz | An automated building energy model calibration workflow to improve indoor climate controls | |
| Lewe et al. | Operating and certifying a net positive energy building during a pandemic | |
| Fil et al. | Maximizing Building Energy Efficiency Through Zone-Based Conditions: An Advanced Dynamic Simulation Approach | |
| Collinge et al. | Hybrid dynamic-empirical building energy modeling approach for an existing campus building |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |