KR102332122B1 - Building energy prediction model apparatus and Building energy prediction method - Google Patents
Building energy prediction model apparatus and Building energy prediction method Download PDFInfo
- Publication number
- KR102332122B1 KR102332122B1 KR1020200093469A KR20200093469A KR102332122B1 KR 102332122 B1 KR102332122 B1 KR 102332122B1 KR 1020200093469 A KR1020200093469 A KR 1020200093469A KR 20200093469 A KR20200093469 A KR 20200093469A KR 102332122 B1 KR102332122 B1 KR 102332122B1
- Authority
- KR
- South Korea
- Prior art keywords
- combination
- variable
- variables
- past
- combinations
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000001419 dependent effect Effects 0.000 claims abstract description 56
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000000284 extract Substances 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005265 energy consumption Methods 0.000 abstract description 19
- 238000010586 diagram Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000000116 mitigating effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
본 발명은 건축물 예측 모델 장치 및 건축물 예측 방법에 관한 것으로서, 보다 상세하게는, 과거의 실측데이터를 이용하여 실시간으로 또는 과거의 에너지 사용량을 예측할 수 있는 건축물 예측 모델 장치 및 건축물 예측 방법에 관한 것이다.The present invention relates to a building prediction model device and a building prediction method, and more particularly, to a building prediction model device and a building prediction method capable of predicting energy usage in real time or in the past using past actual data.
최근 IOT 기술을 기반으로 건축물에서 발생하는 에너지 소비를 줄이고, 건축물을 유지관리하기 위한 다양한 연구가 진행되고 있다. 그 중 하나로 시뮬레이션 프로그램을 이용하여 건축물의 에너지 사용량을 예측하고, 예측된 에너지 사용량과 건축물에서 실제 사용된 에너지를 비교하여 건축물을 관리하는 방식이 있다.Recently, various studies are being conducted to reduce energy consumption and maintain buildings based on IOT technology. One of them is a method of predicting the energy consumption of a building using a simulation program, and managing the building by comparing the predicted energy use with the energy actually used in the building.
기존의 시뮬레이션 프로그램을 이용하는 방식은 관리자가 건축물과 관련된 다양한 입력 변수를 수동으로 직접 입력하면, 설정된 함수들에 의해 에너지 사용량과 관련된 결과를 도출하는 방식이다.The method of using the existing simulation program is a method of deriving the results related to energy consumption by the set functions when the administrator manually inputs various input variables related to the building.
그러나, 기존의 시뮬레이션 프로그램을 이용하는 방식은 관리자가 직접 다양한 데이터를 입력하므로 입력 절차가 복잡하고, 오랜 시간이 소요되며, 관리자의 숙련도에 따라 시뮬레이션의 구동 결과가 관리자에 따라 다르게 도출되므로 결과값이 안정적이지 못 하고 신뢰도 역시 낮게 된다. 또한, 건축물에 실제로 발생하는 상황(예를 들어, 건물내의 사람들 수)을 기반으로 예측하는 것이 아니므로 시뮬레이션 결과와 실제 에너지 사용량의 값의 차이가 크게 발생하는 경우가 빈번하다.However, in the method of using the existing simulation program, the input procedure is complicated and takes a long time because the manager directly inputs various data, and the result value is stable because the driving result of the simulation is derived differently depending on the manager according to the manager's skill level. This is not possible and the reliability is also low. In addition, since the prediction is not based on a situation that actually occurs in a building (eg, the number of people in a building), a large difference between the simulation result and the actual energy consumption occurs frequently.
전술한 문제점을 해결하기 위하여 본 발명이 이루고자 하는 기술적 과제는, 건축물에서 실제로 발생한 데이터를 이용하여 건축물의 에너지 사용량을 예측할 수 있는 건축물 예측 모델 장치 및 건축물 예측 방법을 제시하는 데 있다. The technical problem to be achieved by the present invention in order to solve the above-described problems is to provide a building prediction model device and a building prediction method capable of predicting the energy consumption of a building using data actually generated in the building.
본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The problems to be solved of the present invention are not limited to those mentioned above, and other problems not mentioned will be clearly understood by those skilled in the art from the following description.
전술한 기술적 과제를 해결하기 위한 수단으로서, 본 발명의 실시 예에 따르면, 건축물 예측 모델 장치는, 건축물에서 실제로 측정된 실측데이터를 수집하여 예측하고자 하는 하나 이상의 종속변수와 상기 하나 이상의 종속변수를 예측하는데 필요한 독립변수들로 분류하는 데이터 전처리부; 상기 하나 이상의 종속변수와 다수의 독립변수들 간의 상관도를 산출하여 상관도가 높은 n개의 독립변수들을 주요 독립변수들로서 추출하는 주요 독립변수 추출부; 상기 n개의 주요 독립변수들 각각에 대해 실측데이터를 사전에 분류된 m개의 구간들 중 해당하는 구간으로 매핑하는 독립변수 구간화부; 및 예측하고자 하는 t 시점의 실측데이터에 매핑된 구간의 이름을 상기 n개의 주요 독립변수들 별로 읽어와 예측 상황 변수 조합을 생성하고, 상기 생성된 예측 상황 변수 조합과 동일한 과거 변수 조합을 검색하고, 상기 검색된 동일한 과거 변수 조합에 매칭된 종속변수의 실측데이터를 상기 예측하고자 하는 t 시점의 종속변수의 값으로서 예측하는 예측부;를 포함한다.As a means for solving the above-described technical problem, according to an embodiment of the present invention, the building prediction model device collects actual measured data actually measured in a building and predicts one or more dependent variables to be predicted and the one or more dependent variables a data pre-processing unit that classifies into independent variables necessary for a main independent variable extraction unit for calculating a degree of correlation between the one or more dependent variables and a plurality of independent variables to extract n independent variables with high correlations as main independent variables; an independent variable segmentation unit for mapping the measured data for each of the n main independent variables to a corresponding section among m sections classified in advance; and reading the name of the section mapped to the actual data at time t to be predicted for each of the n main independent variables to generate a predictive situation variable combination, and searching for the same combination of past variables as the generated predictive situation variable combination, and a prediction unit that predicts the measured data of the dependent variable matched with the same searched combination of the past variables as the value of the dependent variable at time t to be predicted.
상기 예측부는, 상기 예측하고자 하는 t 시점의 실측데이터에 매핑된 구간을 상기 n개의 주요 독립변수들 별로 읽어와 설정된 순서로 조합하여 n개의 구간이름으로 이루어진 예측 상황 변수 조합을 생성하는 예측 상황 변수 조합부; 과거 시점들마다 생성된 다수의 과거 변수 조합들 중 상기 예측 상황 변수 조합과 동일한 조합을 가지는 과거 변수 조합을 검색하는 변수 조합 검색부; 및 상기 동일한 조합을 가지는 과거 변수 조합이 1개 검색되면, 상기 과거 변수 조합에 매칭된 종속변수의 실측데이터를 상기 예측하고자 하는 t 시점의 값으로 매칭하는 매칭부;를 포함한다.The prediction unit reads the section mapped to the actual data at time t to be predicted, reads each of the n main independent variables, and combines them in a set order to generate a predictive context variable combination comprising n section names. wealth; a variable combination search unit that searches for a past variable combination having the same combination as the predicted situation variable combination among a plurality of past variable combinations generated for each past time point; and a matching unit that matches the measured data of the dependent variable matched to the past variable combination with the value at time t to be predicted when one combination of the past variables having the same combination is found.
상기 주요 독립변수 추출부는, 상기 추출된 n개의 주요 독립변수들에게 상관도가 높을수록 높은 우선순위를 설정하고, 상기 변수 조합 검색부는, 상기 동일한 조합을 가지는 과거 변수 조합이 0개 검색되면, 상기 예측 상황 변수 조합부에서 생성된 예측 상황 변수 조합 중 가장 낮은 우선순위가 설정된 주요 독립변수를 제거하여 n-1개로 이루어진 새로운 예측 상황 변수 조합을 생성하고, 상기 새로운 예측 상황 변수 조합과 동일한 조합을 가지는 과거 변수 조합을 재검색한다.The main independent variable extraction unit sets a higher priority to the extracted n main independent variables as the correlation is higher, and the variable combination search unit searches for 0 past variable combinations having the same combination, the Among the predicted situation variable combinations generated by the predictive situation variable combination unit, the main independent variable with the lowest priority is removed to generate n-1 new predictive situation variable combinations, and has the same combination as the new predictive situation variable combinations. Rescan past variable combinations.
상기 변수 조합 검색부는, 상기 동일한 조합을 가지는 과거 변수 조합이 2개 이상 검색되면, 상기 예측하고자 하는 t 시점의 바로 이전인 t-1 시점의 변수 조합(이하, '제1예측 상황 이전 변수 조합'이라 한다)과 상기 2개 이상 검색된 과거 변수 조합들이 생성된 시점의 바로 이전 시점에서 생성된 과거 변수 조합(이하, '제1과거 이전 변수 조합'이라 한다)들을 비교하여 동일한 변수 조합이 존재하는지 더 검색하고, 검색된 개수에 따라 검색 조건을 조정하여 상기 2개 이상 검색된 과거 변수 조합들 중 하나를 최종 선택한다.The variable combination search unit, when two or more combinations of past variables having the same combination are searched for, a combination of variables at time t-1 immediately before time t to be predicted (hereinafter, 'variable combination before the first prediction situation') ) and the past variable combinations (hereinafter referred to as 'first past previous variable combinations') generated at the time immediately preceding the time at which the two or more searched past variable combinations are created to determine whether the same variable combination exists Search, and finally select one of the two or more searched past variable combinations by adjusting the search condition according to the searched number.
상기 매칭부는, 상기 제1예측 상황 이전 변수 조합과 동일한 제1과거 이전 변수 조합이 1개 검색되면, 상기 검색된 2개 이상의 과거 변수 조합들 중, 상기 1개 검색된 제1과거 이전 변수 조합에 대응하는 과거 변수 조합에 매칭된 실측데이터를 상기 예측하고자 하는 t 시점의 값으로서 예측하여 매칭한다. The matching unit may be configured to, when one combination of a first past variable that is identical to the variable combination before the first prediction situation is searched for, one of the two or more searched past variable combinations that corresponds to the one searched combination of the first before past variable The measured data matched with the combination of the past variables is predicted and matched as the value of the time t to be predicted.
상기 변수 조합 검색부는, 상기 제1예측 상황 이전 변수 조합과 동일한 제1과거 이전 변수 조합이 0개 검색되면, 상기 제1예측 상황 이전 변수 조합 중 가장 낮은 우선순위가 설정된 주요 독립변수를 제거하여 n-1개로 이루어진 새로운 제1예측 상황 이전 변수 조합을 생성하고, 상기 새로운 제1예측 상황 이전 변수 조합과 동일한 조합을 가지는 제1과거 이전 변수 조합이 존재하는지 재검색한다. The variable combination search unit may be configured to remove the main independent variable with the lowest priority among the variable combinations before the first prediction condition when 0 first and previous variable combinations identical to the variable combination before the first prediction condition are searched for, and n A new combination of variables before the first prediction situation is generated, which consists of -1, and it is re-searched to see if there exists a combination of the variables before the first past having the same combination as the combination of the variables before the new first prediction situation.
상기 변수 조합 검색부는, 상기 제1예측 상황 이전 변수 조합과 동일한 제1과거 이전 변수 조합이 2개 이상 검색되면, 상기 t-1 시점의 바로 이전 시점인 t-2 시점의 변수 조합(이하, '제2예측 상황 이전 변수 조합'이라 한다)과 상기 2개 이상 검색된 과거 변수 조합들이 생성된 시점의 두 번째 이전 시점에서 생성된 과거 변수 조합(이하, '제2과거 이전 변수 조합'이라 한다)들을 더 비교하여 동일한 변수 조합이 존재하는지 검색하고, 검색된 개수에 따라 상기 2개 이상 검색된 과거 변수 조합들 중 하나를 최종 선택한다.The variable combination search unit is configured to, when two or more first and previous variable combinations identical to the variable combination before the first prediction situation are searched for, the variable combination at time t-2, which is immediately before time t-1 (hereinafter, ' The combination of the variables before the second prediction situation”) and the combination of the past variables generated at the second time prior to the time when the two or more searched past variable combinations were created (hereinafter referred to as the “second previous variable combination”) It is further compared to search whether the same variable combination exists, and one of the two or more searched past variable combinations is finally selected according to the number of searched variables.
한편, 본 발명의 다른 실시 예에 따르면, 건축물 예측 방법은, (A) 전자장치가, 건축물에서 실제로 측정된 실측데이터를 수집하여 예측하고자 하는 하나 이상의 종속변수와 상기 하나 이상의 종속변수를 예측하는데 필요한 독립변수들로 분류하는 단계; (B) 상기 전자장치가, 상기 하나 이상의 종속변수와 다수의 독립변수들 간의 상관도를 산출하여 상관도가 높은 n개의 독립변수들을 주요 독립변수들로서 추출하는 단계; (C) 상기 전자장치가, 상기 (B) 단계에서 추출된 n개의 주요 독립변수들 각각에 대해 실측데이터를 사전에 분류된 m개의 구간들 중 해당하는 구간으로 매핑하는 단계; 및 (D) 상기 전자장치가, 예측하고자 하는 t 시점의 실측데이터에 매핑된 구간의 이름을 상기 n개의 주요 독립변수들 별로 읽어와 예측 상황 변수 조합을 생성하고, 상기 생성된 예측 상황 변수 조합과 동일한 과거 변수 조합을 검색하고, 상기 검색된 동일한 과거 변수 조합에 매칭된 종속변수의 실측데이터를 상기 예측하고자 하는 t 시점의 종속변수의 값으로서 예측하는 단계;를 포함한다.On the other hand, according to another embodiment of the present invention, in the building prediction method, (A) the electronic device collects actually measured data from the building to predict one or more dependent variables and the one or more dependent variables required to predict the classifying into independent variables; (B) extracting, by the electronic device, n independent variables with high correlations as main independent variables by calculating a degree of correlation between the one or more dependent variables and a plurality of independent variables; (C) mapping, by the electronic device, measured data for each of the n main independent variables extracted in step (B) to a corresponding section among m sections classified in advance; and (D) the electronic device reads the name of the section mapped to the actual data at time t to be predicted for each of the n main independent variables to generate a predicted situation variable combination, and the generated predicted situation variable combination and and retrieving the same combination of past variables and predicting the measured data of the dependent variable matched with the searched same combination of past variables as the value of the dependent variable at time t to be predicted.
상기 (D) 단계는, (D1) 상기 예측하고자 하는 t 시점의 실측데이터에 매핑된 구간을 상기 n개의 주요 독립변수들 별로 읽어와 설정된 순서로 조합하여 n개의 구간이름으로 이루어진 예측 상황 변수 조합을 생성하는 단계; (D2) 과거 시점들마다 생성된 다수의 과거 변수 조합들 중 상기 예측 상황 변수 조합과 동일한 조합을 가지는 과거 변수 조합을 검색하는 단계; 및 (D3) 상기 동일한 조합을 가지는 과거 변수 조합이 1개 검색되면, 상기 과거 변수 조합에 매칭된 종속변수의 실측데이터를 상기 예측하고자 하는 t 시점의 값으로 매칭하는 단계;를 포함한다.In the step (D), (D1) the section mapped to the actual data at the time t to be predicted is read for each of the n main independent variables and combined in a set order, and a prediction situation variable combination consisting of n section names is obtained. generating; (D2) searching for a past variable combination having the same combination as the predicted situation variable combination from among a plurality of past variable combinations generated for each past time point; and (D3) matching the measured data of the dependent variable matched to the past variable combination with the value at time t to be predicted when one combination of past variables having the same combination is found.
상기 (B) 단계는, 상기 추출된 n개의 주요 독립변수들에게 상관도가 높을수록 높은 우선순위를 설정하고, 상기 (D2) 단계는, (D21) 상기 동일한 조합을 가지는 과거 변수 조합이 0개 검색되면, 상기 (D1) 단계에서 생성된 예측 상황 변수 조합 중 가장 낮은 우선순위가 설정된 주요 독립변수를 제거하여 n-1개로 이루어진 새로운 예측 상황 변수 조합을 생성하는 단계; 및 (D22) 상기 (D21)단계에서 생성되는 새로운 예측 상황 변수 조합과 동일한 조합을 가지는 과거 변수 조합을 재검색하는 단계;를 포함한다.In the step (B), a higher priority is set for the extracted n main independent variables as the correlation is higher, and in the step (D2), (D21) there are 0 combinations of past variables having the same combination. generating n-1 new predictive context variable combinations by removing the main independent variable having the lowest priority among the predictive context variable combinations generated in step (D1) when searched; and (D22) re-searching for a previous variable combination having the same combination as the new predictive situation variable combination generated in step (D21).
상기 (D2) 단계는, (D23) 상기 동일한 조합을 가지는 과거 변수 조합이 2개 이상 검색되면, 상기 예측하고자 하는 t 시점의 바로 이전인 t-1 시점의 변수 조합(이하, '제1예측 상황 이전 변수 조합'이라 한다)과 상기 2개 이상 검색된 과거 변수 조합들이 생성된 시점의 바로 이전 시점에서 생성된 과거 변수 조합(이하, '제1과거 이전 변수 조합'이라 한다)들을 비교하여 동일한 변수 조합이 존재하는지 더 검색하는 단계; 및 (D24) 상기 (D23) 단계에서 검색된 개수에 따라 검색 조건을 조정하여 상기 2개 이상 검색된 과거 변수 조합들 중 하나를 최종 선택하는 단계;를 포함한다.In step (D2), (D23) when two or more combinations of past variables having the same combination are searched for, the combination of variables at time t-1 immediately before the time t to be predicted (hereinafter, 'first prediction situation') The same variable combination by comparing the previous variable combination (hereinafter referred to as 'previous variable combination') and the past variable combination created at a point in time immediately before the time at which the two or more searched past variable combinations were created (hereinafter referred to as 'first past previous variable combination') further retrieving whether it exists; and (D24) finally selecting one of the two or more searched past variable combinations by adjusting a search condition according to the number searched in step (D23).
상기 (D3) 단계는, 상기 제1예측 상황 이전 변수 조합과 동일한 제1과거 이전 변수 조합이 1개 검색되면, 상기 검색된 2개 이상의 과거 변수 조합들 중, 상기 1개 검색된 제1과거 이전 변수 조합에 대응하는 과거 변수 조합에 매칭된 실측데이터를 상기 예측하고자 하는 t 시점의 값으로서 예측하여 매칭한다. In the step (D3), when one combination of a first past variable that is the same as the variable combination before the first prediction situation is searched for, one of the two or more searched past variable combinations The measured data matched with the combination of the past variables corresponding to are predicted and matched as the value of the time t to be predicted.
상기 (D2) 단계는, (D25) 상기 (D23) 단계에서 상기 제1예측 상황 이전 변수 조합과 동일한 제1과거 이전 변수 조합이 0개 검색되면, 상기 제1예측 상황 이전 변수 조합 중 가장 낮은 우선순위가 설정된 주요 독립변수를 제거하여 n-1개로 이루어진 새로운 제1예측 상황 이전 변수 조합을 생성하는 단계; 및 (D26) 상기 새로운 제1예측 상황 이전 변수 조합과 동일한 조합을 가지는 제1과거 이전 변수 조합이 존재하는지 재검색하는 단계;를 포함한다. In step (D2), (D25), if 0 combinations of variables before the first prediction condition are found in step (D23), the lowest priority among variable combinations before the first prediction condition is found. generating a new combination of variables before the first prediction situation made up of n-1 numbers by removing the major independent variables with the rank set; and (D26) re-searching whether there is a first previous previous variable combination having the same combination as the new first predictive situation previous variable combination.
상기 (D2) 단계는, (D27) 상기 (D23) 단계에서 상기 제1예측 상황 이전 변수 조합과 동일한 제1과거 이전 변수 조합이 2개 이상 검색되면, 상기 t-1 시점의 바로 이전 시점인 t-2 시점의 변수 조합(이하, '제2예측 상황 이전 변수 조합'이라 한다)과 상기 2개 이상 검색된 과거 변수 조합들이 생성된 시점의 두 번째 이전 시점에서 생성된 과거 변수 조합(이하, '제2과거 이전 변수 조합'이라 한다)들을 더 비교하여 동일한 변수 조합이 존재하는지 검색하는 단계; 및 (D28) 상기 (D27) 단계에서 검색된 개수에 따라 상기 2개 이상 검색된 과거 변수 조합들 중 하나를 최종 선택하는 단계;를 포함한다.In step (D2), (D27), when two or more combinations of variables before the first prediction situation are found in step (D23), t, which is a time immediately before time t-1 The combination of variables at time -2 (hereinafter referred to as 'variable combination prior to the second prediction situation') and the combination of past variables generated at the second time prior to the time at which the two or more searched past variable combinations were created (hereinafter referred to as the 'first variable combination') 2) further comparing the previous previous variable combinations') to search whether the same variable combination exists; and (D28) finally selecting one of the two or more searched past variable combinations according to the number searched in step (D27).
본 발명에 따르면, 건축물에서 실제로 발생한 데이터를 이용하여 건축물의 에너지 사용량을 예측함으로써 예측된 결과의 신뢰도를 높일 수 있다.According to the present invention, it is possible to increase the reliability of the predicted result by predicting the energy consumption of the building using the data actually generated in the building.
또한, 본 발명에 따르면, 관리자의 주관적인 판단 하에 입력되는 주관적인 데이터가 아닌 실제로 발생한 객관적인 데이터를 이용하여 예측함으로써 정확도뿐만 아니라 안정적인 결과를 유지할 수 있다. In addition, according to the present invention, it is possible to maintain not only accuracy but also stable results by predicting using objective data actually generated instead of subjective data input under the manager's subjective judgment.
또한, 본 발명에 따르면 현재 시점에서의 적정 에너지 사용량을 예측함으로써 실제 사용된 에너지가 과도한 경우 에너지 사용을 즉각적으로 확인하여 관리자에게 알려줄 수 있으며, 건축물의 실내외 환경 조건 변경 시에도 에너지 변화량을 보다 정확히 예측할 수 있다.In addition, according to the present invention, by predicting the appropriate energy usage at the current point in time, when the actual energy used is excessive, the energy use can be immediately checked and informed to the manager, and the amount of energy change can be predicted more accurately even when the indoor and outdoor environmental conditions of the building are changed. can
또한, 본 발명에 따르면 예측값과 실측값을 비교하여 정확도와 정밀도를 검증할 뿐만 아니라 에너지 사용량을 예측하는 학습 모델에 피드백하여 학습 모델의 정확도를 높일 수 있다.In addition, according to the present invention, accuracy and precision can be verified by comparing the predicted value with the actual value, and the accuracy of the learning model can be improved by feeding back the feedback to the learning model for predicting the energy consumption.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.Effects of the present invention are not limited to those mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the following description.
도 1은 본 발명의 실시 예에 따른 건축물 예측 모델 장치(100)를 도시한 도면,
도 2는 도 1에 도시된 예측부를 도시한 블록도,
도 3은 본 발명의 실시 예에 따른 전자장치의 건축물 예측 방법을 도시한 흐름도,
도 4는 도 3의 S350단계를 자세히 도시한 흐름도, 그리고,
도 5는 본 발명의 실시 예에 따른 건축물 예측 방법을 실행하는 컴퓨팅 시스템을 보여주는 블록도이다.1 is a view showing a building
2 is a block diagram illustrating the prediction unit shown in FIG. 1;
3 is a flowchart illustrating a method of predicting a building of an electronic device according to an embodiment of the present invention;
Figure 4 is a flowchart showing in detail step S350 of Figure 3, and,
5 is a block diagram illustrating a computing system executing a building prediction method according to an embodiment of the present invention.
이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시 예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시 예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시 예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.The above objects, other objects, features and advantages of the present invention will be easily understood through the following preferred embodiments in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments described herein and may be embodied in other forms. Rather, the embodiments introduced herein are provided so that the disclosed content may be thorough and complete, and the spirit of the present invention may be sufficiently conveyed to those skilled in the art.
어떤 경우에는, 발명을 기술하는 데 있어서 흔히 알려졌으면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는 데 있어 별 이유 없이 혼돈이 오는 것을 막기 위해 기술하지 않음을 미리 언급해 둔다.In some cases, it is mentioned in advance that in describing the invention, parts that are commonly known and not largely related to the invention are not described in order to avoid confusion for no reason in explaining the invention.
이하, 본 발명에서 실시하고자 하는 구체적인 기술내용에 대해 첨부도면을 참조하여 상세하게 설명하기로 한다.Hereinafter, specific technical contents to be practiced in the present invention will be described in detail with reference to the accompanying drawings.
도 1 및 도 2에 도시된 건축물 예측 모델 장치(100)의 각각의 구성은 기능 및/또는 논리적으로 분리될 수도 있음을 나타내는 것이며, 반드시 각각의 구성이 별도의 물리적 장치로 구분되거나 별도의 코드로 작성됨을 의미하는 것은 아님을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.Each component of the building
먼저 본 발명에서 사용되는 용어를 다음과 같이 정리한다.First, terms used in the present invention are summarized as follows.
- 
- 
- 
- 
- 
- 
- 
- 
- 
- 
- 
- 
- 
도 1은 본 발명의 실시 예에 따른 건축물 예측 모델 장치(100)를 도시한 도면이다. 1 is a diagram illustrating a building
도 1을 참조하면, 본 발명의 실시 예에 따른 건축물 예측 모델 장치(100)는 건축물에서 실제로 측정된 데이터, 즉, 과거의 실측데이터를 이용하여 건축물에서 소비되는 에너지 사용량을 학습 모델을 이용하여 예측할 수 있는 장치로서, 데이터 전처리부(110), 주요 독립변수 추출부(120), 독립변수 구간화부(130), 과거 변수 조합부(140) 및 예측부(150)를 포함할 수 있다.Referring to FIG. 1 , the building
데이터 전처리부(110)는 건축물에 구비된 센서들에 의해 실제로 측정된 실측데이터를 수집하여 예측하고자 하는 하나 이상의 종속변수와 하나 이상의 종속변수를 예측하는데 필요한 독립변수들로 분류하고, 분류된 각 종속변수의 실측데이터와 독립변수의 실측데이터를 다시 범주형인지 또는 연속형인지 속성을 분류한다. The data
종속변수는 독립변수들의 영향을 받아 변하는 변수이고, 독립변수는 종속변수에 영향을 주는 변수로서, 공조기의 경우 종속변수는 에너지 사용량이고, 독립변수들은 온도, 습도, 일사량, 풍량 등 다수 포함할 수 있다. 독립변수는 매개 변수를 포함할 수 있으며, 매개변수는 독립변수의 결과인 동시에 종속변수의 결정요인으로 작용하는 변수이며, 예를 들어 외부 온도가 높아짐에 따라 실내 에어컨디셔너의 온도를 낮게 설정하는 경우, 낮게 설정된 온도를 말한다.The dependent variable is a variable that changes under the influence of the independent variables, and the independent variable is a variable that affects the dependent variable. have. An independent variable can include a parameter, and a parameter is a variable that is both a result of the independent variable and a determinant of the dependent variable. refers to the low setting temperature.
범주형은 예를 들어 전원이 꺼진 경우는 오프, 켜진 경우는 온되는 것처럼 몇 개의 범주로 나누어진 형태를 갖는 속성이고, 연속형은 외기온과 같이 연속적인 값의 형태를 갖는 속성이다. 범주형의 독립변수는 후술할 구간화 시 범주 개수에 의존하여 구간화된다. 온오프의 경우 독립변수는 2개의 구간 중 하나에 매핑된다.The categorical type is an attribute that has a form divided into several categories, such as off when the power is turned off and on when the power is on, and the continuous type is an attribute that has a continuous value form such as outdoor temperature. Categorical independent variables are binned depending on the number of categories when binning, which will be described later. In the case of on/off, the independent variable is mapped to one of two intervals.
데이터 전처리부(110)는 분류된 결과를 데이터 테이블에 정해진 형태로 정렬 및 저장할 수 있다. 따라서, 데이터 테이블에는 실측데이터의 변수 종류, 속성(범주형 또는 연속형 여부), 실측 시점이 저장될 수 있다. 데이터 테이블을 DB(미도시)에 저장된다. The
주요 독립변수 추출부(120)는 데이터 전처리부(110)에서 분류된 하나 이상의 종속변수와 다수의 독립변수들 간의 상관도를 산출하여 상관도가 높은 n개의 독립변수들을 주요 독립변수들로서 추출할 수 있다. 그리고, 주요 독립변수 추출부(120)는 추출된 n개의 주요 독립변수들에게 종속변수와의 상관도가 높을수록 더 높은 우선순위를 설정한다. 종속변수는 공조기, 보일러 등 다수의 변수에 대해 존재하며, 그 종류는 예를 들어 다음과 같다.The main independent variable extraction unit 120 can extract n independent variables with high correlations as main independent variables by calculating a degree of correlation between one or more dependent variables classified by the
1. 공조기 Fan 전력소비량1. Air conditioner fan power consumption
2. 공조기 냉수코일 열제거량2. Heat removal amount of cold water coil of air conditioner
3. 각 실별 열 공급(낭방시)/제거(냉방시)량3. Amount of heat supplied (when empty)/removed (when cooled) for each room
4. 냉수 1차펌프 전력소비량4. Cold water primary pump power consumption
5. 냉수 2차펌프 전력소비량5. Cold water secondary pump power consumption
6. 냉각수 펌프 전력소비량6. Cooling water pump power consumption
7. 온수펌프(컨벡터) 전력소비량7. Hot water pump (convector) power consumption
8. 흡수식냉동기 증기소비량8. Absorption chiller steam consumption
10. 보일러 가스소비량10. Boiler gas consumption
[표 1]은 공조기의 종속변수 중 에너지 사용량과 종속변수 별로 추출된 주요 독립변수들의 종류를 보여준다. [Table 1] shows the types of main independent variables extracted by energy consumption and dependent variables among the dependent variables of the air conditioner.
2. 외기 온도(기상청)
3. 외기 온도(공조기 센서)
4. 급기 온도
5. 급기 풍량
6. 외기 댐퍼 개도(스케줄)1. Time (including parking, day and time)
2. Outside temperature (Meteorological Agency)
3. Outside temperature (air conditioner sensor)
4. Supply air temperature
5. Supply air volume
6. Outside air damper opening degree (schedule)
[표 1]의 경우, 주요 독립변수 추출부(120)는 공조기의 에너지 사용량과 다수의 독립변수들 간의 상관도를 산출하고, 산출된 다수의 상관도들 중 상관도가 가장 높은 6개의 독립변수들을 주요 독립변수들로서 추출한다. 6개는 일 예로서 변경가능하다.In the case of [Table 1], the main independent variable extraction unit 120 calculates the correlation between the energy consumption of the air conditioner and a plurality of independent variables, and among the calculated plurality of correlations, the six independent variables with the highest degree of correlation are extracted as the main independent variables. 6 are changeable as an example.
독립변수 구간화부(130)는 종속변수 별로 추출된 n개의 주요 독립변수들 각각에 대해 실측데이터를 전처리한다. 전처리 방식은 결측치 처리 방식과 이상치 완화 방식이 있다. 결측치 처리 방식의 경우, 독립변수 구간화부(130)는 센서의 센싱에 오류가 발생하여 실측데이터가 누락된 경우, 누락된 데이터를 산출하여 보간할 수 있다. 이상치 완화 방식의 경우, 독립변수 구간화부(130)는 센싱 오류에 의해 잘못 측정된 실측데이터를 보정할 수 있다.The independent
독립변수 구간화부(130)는 전처리된 n개의 주요 독립변수들의 실측데이터를 사전에 분류된 m개의 구간들 중 해당하는 구간으로 기설정된 기준에 따라 매핑할 수 있다. 예를 들어, m개는 10개일 수 있고, 10개의 구간은 각각 알파벳 A~J의 구간이름을 가질 수 있다.The independent
독립변수 구간화부(130)는 백분위 방식, 빈도 방식 및 스케일 방식 중 하나를 이용하여 실측데이터를 구간화할 수 있다.The independent
백분위 방식은 n개의 주요 독립변수들 별로 실측데이터를 랭킹화하고, 랭킹화된 실측데이터를 m분위로 균등하게 나누어 m개의 구간들 중 해당하는 구간에 매핑하는 방식이다. 예를 들어, 10분위로 균등하게 나누는 경우, 온도라는 독립변수에 대해 수집된 실측데이터가 200개라면, 백분위 방식은 200개의 온도데이터를 1번부터 200번까지 랭킹화하고, 10분위로 균등하게 나누어 1번부터 20번은 A 구간, 21번부터 30번은 B구간에 매핑한다. The percentile method ranks the measured data for each n main independent variables, and divides the ranked measured data equally into m percentiles and maps them to corresponding sections among m sections. For example, in the case of evenly dividing into deciles, if there are 200 measured data collected for the independent variable called temperature, the percentile method ranks 200 temperature data from 1 to 200, and equally Divide and map No. 1 to No. 20 to section A, and No. 21 to 30 to section B.
빈도 방식은 n개의 주요 독립변수들 별 실측데이터를 실측데이터의 발생빈도에 따라 비균등하게 m개로 나누어 m개의 구간들 중 해당하는 구간에 매핑하는 방식이다. 예를 들어, 구간을 10개로 나눈 경우, -5℃~35℃의 온도데이터 200개 중 25℃~27℃에 100개의 온도데이터가 조밀하게 군집되어 있는 경우, 다른 온도에 비해 조밀하게 분포되어 있으므로, -5℃~24.99℃는 A~D구간으로 랭킹화하여 나누고, 25℃~27℃는 E~H 구간으로 세밀하게 나누고, 27.01℃~35℃는 I~J 구간으로 랭킹화하여 나누어 매핑한다. The frequency method divides the measured data for each n main independent variables into m non-uniformly according to the frequency of occurrence of the measured data, and maps them to the corresponding section among the m sections. For example, if the section is divided into 10, if 100 temperature data is densely clustered at 25°C to 27°C out of 200 temperature data of -5°C to 35°C, it is densely distributed compared to other temperatures. , -5℃~24.99℃ are ranked and divided into A-D sections, 25℃~27℃ are finely divided into E-H sections, and 27.01℃~35℃ are ranked and divided into I-J sections and mapped .
스케일 방식은 백분위 방식과 빈도 방식을 혼용하는 방식이다.The scale method is a method in which the percentile method and the frequency method are mixed.
과거 변수 조합부(140)는 동일한 시점에서 측정된 주요 독립변수들의 실측데이터를 데이터 테이블에서 읽어와 조합하여 각 시점 별 과거 변수 조합을 생성하여 DB(미도시)에 저장할 수 있다.The past
[표 2]는 공조기의 에너지 사용량을 예측하고자 하는 시점(예를 들어, 현재 시점)을 t라고 하는 경우, t시점부터 100번째 이전 시점인 t-100 시점에서 측정된 주요 독립변수들의 실측데이터와 실측데이터의 구간화 결과의 예를 보여준다.[Table 2] shows that when the time point (for example, the current time point) at which the energy consumption of the air conditioner is to be predicted is t, the actual data and An example of the result of segmentation of actual data is shown.
과거 변수 조합부(140)는 주요 독립변수들의 실측데이터가 구간화된 구간 이름을 [표 2]의 우선순위 순서에 따라 조합한다. 따라서, [표 2]의 경우, 과거 변수 조합부(140)는 과거 t-100 시점에서 ADBDAA라는 과거 변수 조합을 생성한다.The past
예측부(150)는 예측하고자 하는 t 시점의 실측데이터에 매핑된 구간의 이름을 n개의 주요 독립변수들 별로 읽어와 예측 상황 변수 조합을 생성하고, 생성된 예측 상황 변수 조합과 동일한 과거 변수 조합을 검색하고, 검색된 동일한 과거 변수 조합에 매칭된 종속변수의 실측데이터(즉, 과거에 어느 시점에서 실제로 측정된 에너지 사용량)를 예측하고자 하는 t 시점의 종속변수의 값(즉, t 시점의 에너지 사용량)으로서 예측할 수 있다.The
도 2는 도 1에 도시된 예측부(150)를 도시한 블록도이다.FIG. 2 is a block diagram illustrating the
도 2를 참조하면, 예측부(150)는 예측 상황 변수 조합부(152), 변수 조합 검색부(154) 및 매칭부(156)를 포함할 수 있다.Referring to FIG. 2 , the
예측 상황 변수 조합부(152)는 예측하고자 하는 t 시점의 실측데이터에 매핑된 구간을 n개의 주요 독립변수들 별로 읽어와 설정된 순서로 조합하여 n개의 구간이름으로 이루어진 예측 상황 변수 조합을 생성할 수 있다. 설정된 순서는 주요 독립변수에 설정된 우선순위일 수 있으며 다른 기준으로도 변경가능하다.The predictive situation variable combination unit 152 reads the section mapped to the actual data at time t to be predicted for each n main independent variables and combines them in a set order to generate a predictive situation variable combination composed of n section names. have. The set order can be the priority set for the main independent variable, and it can be changed with other criteria as well.
예측하고자 하는 t 시점이 바로 현재 시점인 경우, 예측 상황 변수 조합부(152)는 실시간으로 현재 수집 및 추출된 주요 독립변수들의 구간화 결과를 이용하여 예측 상황 변수 조합(
변수 조합 검색부(154)는 과거 변수 조합부(140)에서 과거 시점들마다 생성된 다수의 과거 변수 조합들(
먼저, 변수 조합 검색부(154)에서 동일한 조합을 가지는 과거 변수 조합이 1개 검색되면, 변수 조합 검색부(154)는 검색된 과거 변수 조합(
매칭부(156)는 검색된 1개의 과거 변수 조합, 즉, 예측된 독립변수 조합(
다음, 동일한 조합을 가지는 과거 변수 조합(
자세히 설명하면, 변수 조합 검색부(154)는 예측 상황 변수 조합부(152)에서 생성된 예측 상황 변수 조합(
다음, 동일한 조합을 가지는 과거 변수 조합(
이를 위하여, 변수 조합 검색부(154)는 예측하고자 하는 t 시점의 바로 이전인 t-1 시점의 변수 조합(이하, '제1예측 상황 이전 변수 조합'이라 한다) (
이는 현재 시점에서 생성된 변수 조합과 동일한 변수 조합이 과거에도 존재한다면, 현재 시점의 바로 이전 시점에서 발생하는 변수 조합과 동일한 변수 조합이 과거 시점의 바로 이전 시점에서도 존재할 확률이 높기 때문이다.This is because, if the same variable combination as the variable combination created at the current point in time exists in the past, there is a high probability that the same variable combination as the variable combination occurring at the point immediately before the present point also exists at the point immediately before the past point in time.
자세히 설명하면, 변수 조합 검색부(154)에서 제1예측 상황 이전 변수 조합 (
매칭부(156)는, 예측 독립변수 조합(
다음, 동일한 조합을 가지는 과거 변수 조합이 2개 이상 검색되어 제1예측 상황 이전 변수 조합(
그리고, 변수 조합 검색부(154)는 n-1개로 이루어진 새로운 제1예측 상황 이전 변수 조합과 동일한 조합을 가지는 제1과거 이전 변수 조합이 존재하는지 재검색할 수 있다. In addition, the variable
다음, 동일한 조합을 가지는 과거 변수 조합이 2개 이상 검색되어 제1예측 상황 이전 변수 조합(
매칭부(156)는 변수 조합 검색부(154)에서 최종 추출된 1개의 과거 변수 조합, 즉, 예측된 독립변수 조합(
이로써, 상술한 본 발명에 의하면 실시간으로 현재 사용할 에너지를 예측하고, 실제 사용된 에너지와 예측된 에너지를 비교하여 차이가 오차범위를 넘을 경우 관리자는 공조기 또는 센서와 같은 기기에 결함이 발생하였다고 판단하고 신속히 대처할 수 있다.Accordingly, according to the present invention described above, the current energy to be used is predicted in real time, and the actual energy used and the predicted energy are compared and if the difference exceeds the error range, the manager determines that a defect has occurred in a device such as an air conditioner or a sensor, can respond quickly.
도 3은 본 발명의 실시 예에 따른 전자장치의 건축물 예측 방법을 도시한 흐름도, 도 4는 도 3의 S350단계를 자세히 도시한 흐름도이다.3 is a flowchart illustrating a method for predicting a building of an electronic device according to an embodiment of the present invention, and FIG. 4 is a flowchart illustrating step S350 of FIG. 3 in detail.
도 3의 건축물 예측 방법을 수행하는 전자장치는 도 1 및 도 2를 참조하여 설명한 건축물 예측 모델 장치(100)이므로 자세한 설명은 생략한다.Since the electronic device for performing the building prediction method of FIG. 3 is the building
도 3을 참조하면, 전자장치는 건축물에서 실제로 측정된 실측데이터를 수집하여 예측하고자 하는 하나 이상의 변수(이하, '종속변수'라 한다)와 하나 이상의 종속변수를 예측하는데 필요한 변수(이하, '독립변수'라 한다)들로 분류할 수 있다(S310).Referring to FIG. 3 , the electronic device collects actually measured data from a building to predict one or more variables (hereinafter referred to as 'dependent variables') and one or more variables required to predict one or more dependent variables (hereinafter, 'independent variables'). 'variables') (S310).
S310단계를 자세히 설명하면, 전자장치는 데이터 수집 및 저장을 위한 데이터 테이블을 작성하고(S312), 실측데이터를 수집한다(S314).When step S310 is described in detail, the electronic device creates a data table for data collection and storage (S312), and collects measured data (S314).
전자장치는 수집된 실측데이터를 실측된 시점과 함께 데이터 테이블에 정리 및 정렬한 후(S316), 데이터 속성에 따라 범주형과 연속형 데이터로 분류하고, 변수 종류에 따라 독립변수(IV: Independent Variable), 종속변수(SV: Subordination Variable) 및 매개변수로 분류한다(S318). 매개변수는 독립변수에 포함될 수 있다. 분류된 데이터 속성과 변수 종류는 데이터 테이블에 매핑 저장된다. The electronic device organizes and sorts the collected measured data in a data table together with the measured time (S316), classifies them into categorical and continuous data according to data properties, and divides them into categorical and continuous data according to the type of variable (IV: Independent Variable). ), a subordination variable (SV), and a parameter (S318). Parameters can be included in independent variables. Classified data properties and variable types are mapped and stored in a data table.
전자장치는 분류된 하나 이상의 종속변수와 다수의 독립변수들 간의 상관도(SV-IV 상관도)를 산출하여 상관도가 높은 n개의 독립변수들을 주요 독립변수들로서 추출한다(S320). The electronic device calculates a correlation (SV-IV correlation) between one or more classified dependent variables and a plurality of independent variables, and extracts n independent variables with high correlations as main independent variables (S320).
S320단계를 자세히 설명하면, 전자장치는 데이터 테이블에 저장된 종속변수의 실측데이터와 독립변수의 실측데이터를 이용하여 SV-IV 간 상관도를 산출한다(S322). 하나의 종속변수에 영향을 주는 독립변수가 a개라면, 산출되는 상관도는 최소 a개이다. In step S320, the electronic device calculates the correlation between SV-IV by using the measured data of the dependent variable and the measured data of the independent variable stored in the data table (S322). If there are a independent variables that affect one dependent variable, the calculated correlation is at least a.
전자장치는 산출된 SV-IV 간 상관도들 중 상관도가 높은 n개의 독립변수들을 주요 독립변수들로서 추출하고, 추출된 n개의 주요 독립변수들에게 종속변수와의 상관도가 높을수록 더 높은 우선순위를 설정한다(S324).The electronic device extracts n independent variables with high correlation among the calculated correlations between SV-IV as main independent variables, and gives the extracted n main independent variables a higher priority as the correlation with the dependent variable increases. The rank is set (S324).
전자장치는 S320단계에서 추출된 n개의 주요 독립변수들 각각에 대해 실측데이터를 사전에 분류된 m개의 구간들 중 해당하는 구간으로 기설정된 기준에 따라 매핑하여 구간화 작업을 수행한다(S330).The electronic device performs segmentation by mapping the measured data for each of the n main independent variables extracted in step S320 to a corresponding section among m sections classified in advance according to a preset criterion (S330).
S330단계를 자세히 설명하면, 전자장치는 주요 독립변수들의 실측데이터를 전처리(결측치 처리, 이상치 완화)한다(S332).Step S330 will be described in detail, the electronic device pre-processes (missing value processing, outlier mitigation) the measured data of the main independent variables (S332).
전자장치는 전처리된 주요 독립변수들의 실측데이터를 m개의 구간들 중 해당하는 구간으로 매핑하여 구간화한다(S334). S334단계는 백분위방식, 빈도방식 및 스케일방식 중 하나를 사용할 수 있다. 실측데이터마다 매핑된 구간의 이름은 데이터 테이블에 더 저장될 수 있다.The electronic device maps the measured data of the preprocessed main independent variables to a corresponding section among the m sections to segment the data (S334). In step S334, one of a percentile method, a frequency method, and a scale method may be used. The name of the section mapped for each actual measurement data may be further stored in the data table.
전자장치는 동일한 시점에서 측정된 주요 독립변수들의 실측데이터마다 매핑된 구간 이름을 데이터 테이블에서 읽어와 조합하여 각 시점 별 과거 변수 조합을 생성하여 DB(미도시)에 저장할 수 있다(S340). 이로써 데이터를 예측하기 위한 사전 작업이 완료될 수 있다.The electronic device may read and combine the section names mapped for each actual data of the main independent variables measured at the same time from the data table to generate a combination of past variables for each time point and store it in a DB (not shown) (S340). This can complete the preliminary work to predict the data.
전자장치는 예측하고자 하는 t 시점의 실측데이터에 매핑된 구간의 이름을 n개의 주요 독립변수들 별로 읽어와 예측 상황 변수 조합을 생성하고, 생성된 예측 상황 변수 조합과 동일한 과거 변수 조합을 이용하여 예측하고자 하는 t 시점의 값을 예측할 수 있다(S350). S350단계에서, 전자장치는 예측하고자 하는 t 시점의 실측데이터에 매핑된 구간의 이름을 n개의 주요 독립변수들 별로 읽어와 예측 상황 변수 조합을 생성하고, 생성된 예측 상황 변수 조합과 동일한 과거 변수 조합을 검색하고, 검색된 동일한 과거 변수 조합에 매칭된 종속변수의 실측데이터(예를 들어, 실제 에너지 사용량)를 예측하고자 하는 t 시점의 종속변수의 값(예를 들어, 에너지 사용량)으로서 예측한다.The electronic device reads the name of the section mapped to the actual data at time t to be predicted, for each n main independent variables, generates a predicted situation variable combination, and predicts using the same combination of past variables as the generated predicted situation variable combination. A desired value of time t may be predicted (S350). In step S350, the electronic device reads the name of the section mapped to the actual data at time t to be predicted, for each n main independent variables, generates a predicted situation variable combination, and a combination of the same past variables as the generated predictive situation variable combination is searched and predicted as the value (eg, energy consumption) of the dependent variable at time t to predict the actual data (eg, actual energy consumption) of the dependent variable matched to the same searched combination of past variables.
이하에서는 도 4를 참조하여 S350단계를 자세히 설명한다.Hereinafter, step S350 will be described in detail with reference to FIG. 4 .
도 4를 참조하면, 전자장치는 m을 1로 설정한다(S351). m은 전자장치가 변수들을 비교하는 시점을 변경할 때마다 누적되는 횟수로서, 처음 비교하는 시점의 경우 m=1이고, 현재 이전 시점을 비교하는 경우 m=2가 된다.Referring to FIG. 4 , the electronic device sets m to 1 ( S351 ). m is the number of times accumulated each time the electronic device changes a time point for comparing variables, m=1 for the first comparison time, and m=2 for the current previous time point.
전자장치는 예측하고자 하는 t 시점의 실측데이터에 매핑된 구간을 n개의 주요 독립변수들 별로 읽어와 설정된 순서로 조합하여 n개의 구간이름으로 이루어진 예측 상황 변수 조합(
전자장치는 S340단계에서 생성된 다수의 과거 변수 조합들(
S353단계에서 동일한 조합을 가지는 과거 변수 조합(
전자장치는 S355단계에서 추출된 예측 독립변수 조합(
반면, S354단계에서 동일한 조합을 가지는 과거 변수 조합(
그리고, 전자장치는 S352단계에서 생성된 새로운 예측 상황 변수 조합과 과거 변수 조합들을 비교하여 동일한 과거 변수 조합을 검색하고(S353, S354), 검색 결과에 따라 S355단계 또는 S360단계를 수행한다.Then, the electronic device compares the new predictive situation variable combination generated in step S352 with the past variable combinations to search for the same past variable combination (S353 and S354), and performs step S355 or S360 according to the search result.
한편, S353단계에서 동일한 조합을 가지는 과거 변수 조합(
그리고, 전자장치는 예측하고자 하는 t 시점의 바로 이전인 t-1 시점의 변수 조합(즉, 제1예측 상황 이전 변수 조합, 
전자장치는 S353단계에서 검색된 2개 이상의 동일한 과거 변수 조합들(
S364단계에서 동일한 과거 변수 조합(
반면, S364단계에서 동일한 과거 변수 조합(
전자장치는 S367단계에서 생성된 n-1개로 이루어진 새로운 제1예측 상황 이전 변수 조합과 동일한 조합을 가지는 n-1개로 이루어진 제1과거 이전 변수 조합이 존재하는지 재검색한다(S363). The electronic device re-searches whether there is a first previous previous variable combination of n-1 items having the same combination as the n−1 new first prediction condition previous variable combination generated in step S367 ( S363 ).
반면, S364단계에서 제1예측 상황 이전 변수 조합(
S364단계 내지 S366-NO, S362단계의 동작은, 제1예측 상황 이전 변수 조합과 동일한 제1과거 이전 변수 조합이 2개 이상 검색되어, 검색된 2개 이상의 과거 변수 조합들에 대응하는 과거 변수 조합들(
상술한 S351단계 내지 S357단계를 반복적으로 수행한 결과, 전자장치는 
도 5는 본 발명의 일 실시 예에 따른 건축물 예측 방법을 실행하는 컴퓨팅 시스템을 보여주는 블록도이다.5 is a block diagram illustrating a computing system executing a building prediction method according to an embodiment of the present invention.
도 5를 참조하면, 컴퓨팅 시스템(600)은 버스(620)를 통해 연결되는 적어도 하나의 프로세서(610), 메모리(630), 사용자 인터페이스 입력 장치(640), 사용자 인터페이스 출력 장치(650), 스토리지(660), 및 네트워크 인터페이스(670)를 포함할 수 있으며, 이는 상술한 건축물 예측 모델 장치(100) 또는 전자장치일 수 있다.Referring to FIG. 5 , the
프로세서(610)는 중앙 처리 장치(CPU) 또는 메모리(630) 및/또는 스토리지(660)에 저장된 명령어들에 대한 처리를 실행하는 반도체 장치일 수 있다. 메모리(630) 및 스토리지(660)는 다양한 종류의 휘발성 또는 비휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(630)는 ROM(Read Only Memory)(631) 및 RAM(Random Access Memory)(632)을 포함할 수 있다.The
따라서, 본 명세서에 개시된 실시 예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서(610)에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM과 같은 저장 매체(즉, 메모리(630) 및/또는 스토리지(660))에 상주할 수도 있다. 예시적인 저장 매체는 프로세서(610)에 커플링되며, 그 프로세서(610)는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서(610)와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.Accordingly, the steps of the method or algorithm described in relation to the embodiments disclosed herein may be directly implemented in hardware, software module, or a combination of the two executed by the
이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다. 이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다.In the above, even though all the components constituting the embodiment of the present invention are described as being combined or operating in combination, the present invention is not necessarily limited to this embodiment. That is, within the scope of the object of the present invention, all the components may operate by selectively combining one or more. In addition, although all of the components may be implemented as one independent hardware, some or all of the components are selectively combined to perform some or all functions of the combined components in one or a plurality of hardware program modules It may be implemented as a computer program having Codes and code segments constituting the computer program can be easily deduced by those skilled in the art of the present invention. Such a computer program is stored in a computer readable storage medium (Computer Readable Media), read and executed by the computer, thereby implementing the embodiment of the present invention.
한편, 이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시 예와 관련하여 설명하고 도시하였지만, 본 발명은 이와 같이 도시되고 설명된 그대로의 구성 및 작용에만 국한되는 것이 아니며, 기술적 사상의 범주를 일탈함이 없이 본 발명에 대해 다수의 변경 및 수정 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서, 그러한 모든 적절한 변경 및 수정과 균등물들도 본 발명의 범위에 속하는 것으로 간주하여야 할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.On the other hand, although described and illustrated in relation to a preferred embodiment for illustrating the technical idea of the present invention as described above, the present invention is not limited to the configuration and operation as shown and described as such, and deviates from the scope of the technical idea. It will be apparent to those skilled in the art that many changes and modifications to the present invention are possible without the above. Accordingly, all such suitable alterations and modifications and equivalents are to be considered as falling within the scope of the present invention. Accordingly, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.
100: 건축물 예측 모델 장치 110: 데이터 전처리부
120: 주요 독립변수 추출부 130: 독립변수 구간화부
140: 과거 변수 조합부 150: 예측부100: building prediction model device 110: data pre-processing unit
120: main independent variable extraction unit 130: independent variable binning unit
140: past variable combination unit 150: prediction unit
Claims (14)
상기 하나 이상의 종속변수와 다수의 독립변수들 간의 상관도를 산출하여 상관도가 높은 n개의 독립변수들을 주요 독립변수들로서 추출하는 주요 독립변수 추출부;
상기 n개의 주요 독립변수들 각각에 대해 실측데이터를 사전에 분류된 m개의 구간들 중 해당하는 구간으로 매핑하는 독립변수 구간화부; 및
예측하고자 하는 t 시점의 실측데이터에 매핑된 구간의 이름을 상기 n개의 주요 독립변수들 별로 읽어와 예측 상황 변수 조합을 생성하고, 상기 생성된 예측 상황 변수 조합과 동일한 과거 변수 조합을 검색하고, 상기 검색된 동일한 과거 변수 조합에 매칭된 종속변수의 실측데이터를 상기 예측하고자 하는 t 시점의 종속변수의 값으로서 예측하는 예측부;를 포함하고,
상기 예측부는,
상기 예측하고자 하는 t 시점의 실측데이터에 매핑된 구간을 상기 n개의 주요 독립변수들 별로 읽어와 설정된 순서로 조합하여 n개의 구간이름으로 이루어진 예측 상황 변수 조합을 생성하는 예측 상황 변수 조합부;
과거 시점들마다 생성된 다수의 과거 변수 조합들 중 상기 예측 상황 변수 조합과 동일한 조합을 가지는 과거 변수 조합을 검색하는 변수 조합 검색부; 및
상기 동일한 조합을 가지는 과거 변수 조합이 1개 검색되면, 상기 과거 변수 조합에 매칭된 종속변수의 실측데이터를 상기 예측하고자 하는 t 시점의 값으로 매칭하는 매칭부;를 포함하며,
상기 변수 조합 검색부는,
상기 동일한 조합을 가지는 과거 변수 조합이 2개 이상 검색되면, 상기 예측하고자 하는 t 시점의 바로 이전인 t-1 시점의 변수 조합(이하, '제1예측 상황 이전 변수 조합'이라 한다)과 상기 2개 이상 검색된 과거 변수 조합들이 생성된 시점의 바로 이전 시점에서 생성된 과거 변수 조합(이하, '제1과거 이전 변수 조합'이라 한다)들을 비교하여 동일한 변수 조합이 존재하는지 더 검색하고, 검색된 개수에 따라 검색 조건을 조정하여 상기 2개 이상 검색된 과거 변수 조합들 중 하나를 최종 선택하는 것을 특징으로 하는 건축물 예측 모델 장치. a data pre-processing unit for collecting actual measured data actually measured in a building and classifying it into one or more dependent variables to be predicted and independent variables necessary to predict the one or more dependent variables;
a main independent variable extracting unit that calculates a degree of correlation between the one or more dependent variables and a plurality of independent variables and extracts n independent variables with high correlations as main independent variables;
an independent variable segmentation unit for mapping the measured data for each of the n main independent variables to a corresponding section among m sections classified in advance; and
The name of the section mapped to the actual data at time t to be predicted is read for each of the n main independent variables to generate a predictive situation variable combination, and the same past variable combination as the generated predictive situation variable combination is searched for, and the a predictor that predicts the measured data of the dependent variable matched with the same searched combination of past variables as the value of the dependent variable at time t to be predicted;
The prediction unit,
a predictive situation variable combination unit that reads a section mapped to the actual data at time t to be predicted and combines them in a set order for each of the n main independent variables to generate a predicted situation variable combination composed of n section names;
a variable combination search unit that searches for a past variable combination having the same combination as the predicted situation variable combination among a plurality of past variable combinations generated for each past time point; and
and a matching unit that matches the measured data of the dependent variable matched to the past variable combination with the value at time t to be predicted when one combination of the past variables having the same combination is found; and
The variable combination search unit,
When two or more combinations of past variables having the same combination are searched for, the combination of variables at time t-1 immediately before the time t to be predicted (hereinafter referred to as 'variable combination before the first prediction situation') and the 2 By comparing past variable combinations (hereinafter referred to as 'first past previous variable combinations') generated at a time immediately preceding the time at which more than one searched past variable combinations are created, it is further searched whether the same variable combination exists, and the number of searched Building prediction model apparatus, characterized in that by adjusting the search conditions according to the final selection of one of the two or more searched past variable combinations.
상기 주요 독립변수 추출부는,
상기 추출된 n개의 주요 독립변수들에게 상관도가 높을수록 높은 우선순위를 설정하고,
상기 변수 조합 검색부는,
상기 동일한 조합을 가지는 과거 변수 조합이 0개 검색되면, 상기 예측 상황 변수 조합부에서 생성된 예측 상황 변수 조합 중 가장 낮은 우선순위가 설정된 주요 독립변수를 제거하여 n-1개로 이루어진 새로운 예측 상황 변수 조합을 생성하고, 상기 새로운 예측 상황 변수 조합과 동일한 조합을 가지는 과거 변수 조합을 재검색하는 것을 특징으로 하는 건축물 예측 모델 장치.According to claim 1,
The main independent variable extraction unit,
The higher the correlation to the extracted n main independent variables, the higher the priority,
The variable combination search unit,
When 0 combinations of past variables having the same combination are found, the main independent variable with the lowest priority among the predicted situation variable combinations generated by the predictive situation variable combination unit is removed, and n-1 new predictive situation variable combinations are found. and re-searching for a combination of past variables having the same combination as the new predictive situation variable combination.
상기 매칭부는,
상기 제1예측 상황 이전 변수 조합과 동일한 제1과거 이전 변수 조합이 1개 검색되면, 상기 검색된 2개 이상의 과거 변수 조합들 중, 상기 1개 검색된 제1과거 이전 변수 조합에 대응하는 과거 변수 조합에 매칭된 실측데이터를 상기 예측하고자 하는 t 시점의 값으로서 예측하여 매칭하는 것을 특징으로 하는 건축물 예측 모델 장치.According to claim 1,
The matching unit,
If one combination of the first past variables that is the same as the variable combination before the first prediction situation is searched for, among the two or more searched past variable combinations, the combination of the past variables corresponding to the one searched combination of the first prior variables in the past is selected. Building prediction model apparatus, characterized in that the matching by predicting the matched measured data as the value of the time t to be predicted.
상기 변수 조합 검색부는,
상기 제1예측 상황 이전 변수 조합과 동일한 제1과거 이전 변수 조합이 0개 검색되면, 상기 제1예측 상황 이전 변수 조합 중 가장 낮은 우선순위가 설정된 주요 독립변수를 제거하여 n-1개로 이루어진 새로운 제1예측 상황 이전 변수 조합을 생성하고, 상기 새로운 제1예측 상황 이전 변수 조합과 동일한 조합을 가지는 제1과거 이전 변수 조합이 존재하는지 재검색하는 것을 특징으로 하는 건축물 예측 모델 장치.According to claim 1,
The variable combination search unit,
If zero combinations of variables before the first prior to the first prediction situation are found, the main independent variable with the lowest priority among the combinations of variables before the first prediction situation is removed and a new n-1 number of combinations is found. A building prediction model device, characterized in that generating a variable combination before the first prediction situation, and re-searching whether a first previous variable combination having the same combination as the new first predicting situation previous variable combination exists.
상기 변수 조합 검색부는,
상기 제1예측 상황 이전 변수 조합과 동일한 제1과거 이전 변수 조합이 2개 이상 검색되면, 상기 t-1 시점의 바로 이전 시점인 t-2 시점의 변수 조합(이하, '제2예측 상황 이전 변수 조합'이라 한다)과 상기 2개 이상 검색된 과거 변수 조합들이 생성된 시점의 두 번째 이전 시점에서 생성된 과거 변수 조합(이하, '제2과거 이전 변수 조합'이라 한다)들을 더 비교하여 동일한 변수 조합이 존재하는지 검색하고, 검색된 개수에 따라 상기 2개 이상 검색된 과거 변수 조합들 중 하나를 최종 선택하는 상기 것을 특징으로 하는 건축물 예측 모델 장치.According to claim 1,
The variable combination search unit,
If two or more combinations of variables before the first past that are identical to the combination of variables before the first prediction situation are searched for, the combination of variables at time t-2, which is just before time t-1 (hereinafter, 'variables before the second prediction situation') Combination of the same variable by further comparing the two or more searched past variable combinations (hereinafter referred to as 'second past previous variable combination') with the two or more searched past variable combinations generated at a second time point prior to the creation time Searching whether there exists, and finally selecting one of the two or more searched past variable combinations according to the searched number.
(B) 상기 전자장치가, 상기 하나 이상의 종속변수와 다수의 독립변수들 간의 상관도를 산출하여 상관도가 높은 n개의 독립변수들을 주요 독립변수들로서 추출하는 단계;
(C) 상기 전자장치가, 상기 (B) 단계에서 추출된 n개의 주요 독립변수들 각각에 대해 실측데이터를 사전에 분류된 m개의 구간들 중 해당하는 구간으로 매핑하는 단계; 및
(D) 상기 전자장치가, 예측하고자 하는 t 시점의 실측데이터에 매핑된 구간의 이름을 상기 n개의 주요 독립변수들 별로 읽어와 예측 상황 변수 조합을 생성하고, 상기 생성된 예측 상황 변수 조합과 동일한 과거 변수 조합을 검색하고, 상기 검색된 동일한 과거 변수 조합에 매칭된 종속변수의 실측데이터를 상기 예측하고자 하는 t 시점의 종속변수의 값으로서 예측하는 단계;를 포함하고,
상기 (D) 단계는,
(D1) 상기 예측하고자 하는 t 시점의 실측데이터에 매핑된 구간을 상기 n개의 주요 독립변수들 별로 읽어와 설정된 순서로 조합하여 n개의 구간이름으로 이루어진 예측 상황 변수 조합을 생성하는 단계;
(D2) 과거 시점들마다 생성된 다수의 과거 변수 조합들 중 상기 예측 상황 변수 조합과 동일한 조합을 가지는 과거 변수 조합을 검색하는 단계; 및
(D3) 상기 동일한 조합을 가지는 과거 변수 조합이 1개 검색되면, 상기 과거 변수 조합에 매칭된 종속변수의 실측데이터를 상기 예측하고자 하는 t 시점의 값으로 매칭하는 단계;를 포함하며,
상기 (D2) 단계는,
(D23) 상기 동일한 조합을 가지는 과거 변수 조합이 2개 이상 검색되면, 상기 예측하고자 하는 t 시점의 바로 이전인 t-1 시점의 변수 조합(이하, '제1예측 상황 이전 변수 조합'이라 한다)과 상기 2개 이상 검색된 과거 변수 조합들이 생성된 시점의 바로 이전 시점에서 생성된 과거 변수 조합(이하, '제1과거 이전 변수 조합'이라 한다)들을 비교하여 동일한 변수 조합이 존재하는지 더 검색하는 단계; 및,
(D24) 상기 (D23) 단계에서 검색된 개수에 따라 검색 조건을 조정하여 상기 2개 이상 검색된 과거 변수 조합들 중 하나를 최종 선택하는 단계;를 포함하는 것을 특징으로 하는 건축물 예측 방법. (A) classifying, by the electronic device, one or more dependent variables to be predicted by collecting actual measured data actually measured in a building and independent variables necessary for predicting the one or more dependent variables;
(B) extracting, by the electronic device, n independent variables with high correlations as main independent variables by calculating a degree of correlation between the one or more dependent variables and a plurality of independent variables;
(C) mapping, by the electronic device, measured data for each of the n main independent variables extracted in step (B) to a corresponding section among m sections classified in advance; and
(D) the electronic device reads the name of a section mapped to the actual data at time t to be predicted, for each of the n main independent variables, generates a predicted situation variable combination, and the same as the generated predicted situation variable combination Searching for a combination of past variables, and predicting the actual data of the dependent variable matched with the searched same combination of past variables as the value of the dependent variable at time t to be predicted;
The step (D) is,
(D1) reading the section mapped to the actual data at time t to be predicted, reading each of the n main independent variables, and combining them in a set order to generate a predicted situation variable combination composed of n section names;
(D2) searching for a past variable combination having the same combination as the predicted situation variable combination from among a plurality of past variable combinations generated for each past time point; and
(D3) when one combination of past variables having the same combination is found, matching the measured data of the dependent variable matched to the combination of the past variables with the value at time t to be predicted;
The step (D2) is,
(D23) If two or more combinations of past variables having the same combination are searched for, the combination of variables at time t-1 immediately before the time t to be predicted (hereinafter referred to as 'variable combination before the first prediction situation') and comparing past variable combinations (hereinafter, referred to as 'first past previous variable combinations') generated immediately before the time at which the two or more searched past variable combinations were created to further search whether the same variable combination exists. ; and,
(D24) final selection of one of the two or more searched past variable combinations by adjusting the search conditions according to the number searched in step (D23);
상기 (B) 단계는,
상기 추출된 n개의 주요 독립변수들에게 상관도가 높을수록 높은 우선순위를 설정하고,
상기 (D2) 단계는,
(D21) 상기 동일한 조합을 가지는 과거 변수 조합이 0개 검색되면, 상기 (D1) 단계에서 생성된 예측 상황 변수 조합 중 가장 낮은 우선순위가 설정된 주요 독립변수를 제거하여 n-1개로 이루어진 새로운 예측 상황 변수 조합을 생성하는 단계; 및
(D22) 상기 (D21)단계에서 생성되는 새로운 예측 상황 변수 조합과 동일한 조합을 가지는 과거 변수 조합을 재검색하는 단계;를 포함하는 것을 특징으로 하는 건축물 예측 방법.9. The method of claim 8,
The step (B) is,
The higher the correlation to the extracted n main independent variables, the higher the priority,
The step (D2) is,
(D21) If 0 combinations of past variables having the same combination are found, the main independent variable with the lowest priority is removed from among the predictive situation variable combinations generated in step (D1), and n-1 new prediction situations are found. creating a variable combination; and
(D22) re-searching for a combination of past variables having the same combination as the new predicted situation variable combination generated in step (D21);
상기 (D3) 단계는,
상기 제1예측 상황 이전 변수 조합과 동일한 제1과거 이전 변수 조합이 1개 검색되면, 상기 검색된 2개 이상의 과거 변수 조합들 중, 상기 1개 검색된 제1과거 이전 변수 조합에 대응하는 과거 변수 조합에 매칭된 실측데이터를 상기 예측하고자 하는 t 시점의 값으로서 예측하여 매칭하는 것을 특징으로 하는 건축물 예측 방법.9. The method of claim 8,
The step (D3) is,
If one combination of the first past variables that is the same as the variable combination before the first prediction situation is searched for, among the two or more searched past variable combinations, the combination of the past variables corresponding to the one searched combination of the first prior variables in the past is selected. Building prediction method, characterized in that matching by predicting the matched measured data as the value of the time t to be predicted.
상기 (D2) 단계는,
(D25) 상기 (D23) 단계에서 상기 제1예측 상황 이전 변수 조합과 동일한 제1과거 이전 변수 조합이 0개 검색되면, 상기 제1예측 상황 이전 변수 조합 중 가장 낮은 우선순위가 설정된 주요 독립변수를 제거하여 n-1개로 이루어진 새로운 제1예측 상황 이전 변수 조합을 생성하는 단계; 및
(D26) 상기 새로운 제1예측 상황 이전 변수 조합과 동일한 조합을 가지는 제1과거 이전 변수 조합이 존재하는지 재검색하는 단계;를 포함하는 것을 특징으로 하는 건축물 예측 방법.9. The method of claim 8,
The step (D2) is,
(D25) If, in step (D23), zero combinations of variables before and before the first prediction are found identical to the combination of variables before the first prediction situation, the main independent variable with the lowest priority among the combinations of variables before the first prediction situation is selected generating n-1 new combinations of variables before the first prediction situation by removing them; and
(D26) re-searching to see if there is a first previous variable combination having the same combination as the new first predictive situation previous variable combination;
상기 (D2) 단계는,
(D27) 상기 (D23) 단계에서 상기 제1예측 상황 이전 변수 조합과 동일한 제1과거 이전 변수 조합이 2개 이상 검색되면, 상기 t-1 시점의 바로 이전 시점인 t-2 시점의 변수 조합(이하, '제2예측 상황 이전 변수 조합'이라 한다)과 상기 2개 이상 검색된 과거 변수 조합들이 생성된 시점의 두 번째 이전 시점에서 생성된 과거 변수 조합(이하, '제2과거 이전 변수 조합'이라 한다)들을 더 비교하여 동일한 변수 조합이 존재하는지 검색하는 단계; 및
(D28) 상기 (D27) 단계에서 검색된 개수에 따라 상기 2개 이상 검색된 과거 변수 조합들 중 하나를 최종 선택하는 단계;를 포함하는 것을 특징으로 하는 건축물 예측 방법.9. The method of claim 8,
The step (D2) is,
(D27) In the step (D23), if two or more combinations of variables before the first and before the first prediction are identical to the combination of variables before the first prediction situation, the combination of variables at time t-2, which is immediately prior to time t-1 ( Hereinafter, referred to as 'variable combination prior to the second prediction situation') and a combination of past variables generated at a second time prior to the time at which the two or more searched past variable combinations are created (hereinafter referred to as 'second prior variable combination') ) by further comparing them to search whether the same variable combination exists; and
(D28) final selection of one of the two or more searched past variable combinations according to the number searched in step (D27);
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200093469A KR102332122B1 (en) | 2020-07-28 | 2020-07-28 | Building energy prediction model apparatus and Building energy prediction method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200093469A KR102332122B1 (en) | 2020-07-28 | 2020-07-28 | Building energy prediction model apparatus and Building energy prediction method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102332122B1 true KR102332122B1 (en) | 2021-12-02 |
Family
ID=78866974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200093469A KR102332122B1 (en) | 2020-07-28 | 2020-07-28 | Building energy prediction model apparatus and Building energy prediction method |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102332122B1 (en) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070113558A (en) * | 2006-05-25 | 2007-11-29 | 이훈영 | Method for prediction using case based |
| KR20090047131A (en) * | 2007-11-07 | 2009-05-12 | 연세대학교 산학협력단 | Method and system for forecasting part demand |
| KR20120036569A (en) * | 2010-10-08 | 2012-04-18 | 주식회사 케이디파워 | A method of energy demand forecast using the least square method |
| KR20140116619A (en) * | 2013-03-25 | 2014-10-06 | 삼성에스디에스 주식회사 | System and method for predicting energy consumption |
| KR20170078256A (en) * | 2015-12-29 | 2017-07-07 | 삼성에스디에스 주식회사 | Method and apparatus for time series data prediction |
| KR101856170B1 (en) * | 2017-09-20 | 2018-05-10 | 주식회사 모비젠 | Apparatus for predicting error generation time of system based on time-series data and method thereof |
| KR20180110940A (en) | 2017-03-30 | 2018-10-11 | (주)우리젠 | Energy preformance profiling system for existing building |
| KR102051600B1 (en) * | 2018-11-28 | 2020-01-08 | 주식회사 한일엠이씨 | Real-time operation support methods to improve energy efficiency of building HVAC systems |
-
2020
- 2020-07-28 KR KR1020200093469A patent/KR102332122B1/en active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070113558A (en) * | 2006-05-25 | 2007-11-29 | 이훈영 | Method for prediction using case based |
| KR20090047131A (en) * | 2007-11-07 | 2009-05-12 | 연세대학교 산학협력단 | Method and system for forecasting part demand |
| KR20120036569A (en) * | 2010-10-08 | 2012-04-18 | 주식회사 케이디파워 | A method of energy demand forecast using the least square method |
| KR20140116619A (en) * | 2013-03-25 | 2014-10-06 | 삼성에스디에스 주식회사 | System and method for predicting energy consumption |
| KR20170078256A (en) * | 2015-12-29 | 2017-07-07 | 삼성에스디에스 주식회사 | Method and apparatus for time series data prediction |
| KR20180110940A (en) | 2017-03-30 | 2018-10-11 | (주)우리젠 | Energy preformance profiling system for existing building |
| KR101856170B1 (en) * | 2017-09-20 | 2018-05-10 | 주식회사 모비젠 | Apparatus for predicting error generation time of system based on time-series data and method thereof |
| KR102051600B1 (en) * | 2018-11-28 | 2020-01-08 | 주식회사 한일엠이씨 | Real-time operation support methods to improve energy efficiency of building HVAC systems |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112577161B (en) | Air conditioner energy consumption model training method and air conditioner system control method | |
| US9200591B2 (en) | Automatic identification of operating parameters for power plants | |
| KR102215690B1 (en) | Method and apparatus for time series data monitoring | |
| Paudel et al. | Support vector machine in prediction of building energy demand using pseudo dynamic approach | |
| CN105637432A (en) | Identifying anomalous behavior of a monitored entity | |
| JP2010055621A (en) | Search method and search system | |
| WO2015044860A1 (en) | System for optimizing workflow for efficient on-site data collection and determination of energy analysis and method of operation thereof | |
| CN111177568B (en) | Object pushing method based on multi-source data, electronic device and storage medium | |
| CN113868953B (en) | Multi-unit operation optimization method, device and system in industrial system and storage medium | |
| JP4043879B2 (en) | Plant optimum operation control system | |
| KR102332122B1 (en) | Building energy prediction model apparatus and Building energy prediction method | |
| KR20190004605A (en) | Apparatus and method for generating energy simulation model | |
| CN116027989B (en) | Method and system for storing file set based on storage management chip | |
| US10372719B2 (en) | Episode mining device, method and non-transitory computer readable medium of the same | |
| CN112925793B (en) | Distributed hybrid storage method and system for multiple structural data | |
| JP2000010989A (en) | Similar object retrieval method/device and recording medium recording similar object retrieval program | |
| Wang et al. | Combined sensitivity ranking of input parameters and model forms of building energy simulation | |
| JP2014215902A (en) | Data name extraction device and program | |
| Huang et al. | Processing continuous K-nearest skyline query with uncertainty in spatio-temporal databases | |
| KR102035818B1 (en) | Control methods for architectural heating and cooling system using cloud database | |
| Monfet et al. | Evaluation of a case-based reasoning energy prediction tool for commercial buildings | |
| KR101853386B1 (en) | Apparatus and method for predicting crime | |
| Chumnanvanichkul et al. | Three-level Classification of Air Conditioning Energy Consumption for Building Energy Management System Using Data Mining Techniques | |
| US10191938B2 (en) | Editing of volume of data | |
| KR102655250B1 (en) | Automatic control system capable of monitoring and controlling different types of devices |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |