KR102593813B1 - 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템 및 비교평가방법 - Google Patents
건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템 및 비교평가방법 Download PDFInfo
- Publication number
- KR102593813B1 KR102593813B1 KR1020230051922A KR20230051922A KR102593813B1 KR 102593813 B1 KR102593813 B1 KR 102593813B1 KR 1020230051922 A KR1020230051922 A KR 1020230051922A KR 20230051922 A KR20230051922 A KR 20230051922A KR 102593813 B1 KR102593813 B1 KR 102593813B1
- Authority
- KR
- South Korea
- Prior art keywords
- building
- energy
- quantile
- information
- deep learning
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 62
- 238000005265 energy consumption Methods 0.000 title claims abstract description 56
- 238000011156 evaluation Methods 0.000 title claims abstract description 39
- 238000005516 engineering process Methods 0.000 title description 4
- 238000010835 comparative analysis Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000001816 cooling Methods 0.000 claims description 10
- 238000010438 heat treatment Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 238000009418 renovation Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000013316 zoning 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Library & Information Science (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
Abstract
본 발명은 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템 및 비교평가방법에 관한 것으로, 보다 상세하게는 건물에너지 비교평가시스템으로서, 용도별로 분류하여 건축특성정보와 건물에너지 사용량정보가 저장되는 통합데이터베이스; 통합데이터베이스 내의 건물용도에 따른 건물군데이터를 기반으로 딥러닝 분위회귀모델을 생성하는 모델생성부; 사용자가 입력한 대상건물 정보에 따라 상기 딥러닝 분위회귀모델을 기반으로 n분위별 각각의 예상 에너지사용량을 산출하는 예상에너지 사용량산출부; 및 대상건물에 대한 실제 에너지사용량과 분위별 예상 에너지사용량을 비교하여 에너지 사용량을 평가하는 에너지평가부;를 포함하는 것을 특징으로 하는 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템에 관한 것이다.
Description
본 발명은 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템 및 비교평가방법에 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 수요예측 방법 및 그 시스템” 및 대한민국 공개특허공보 제10-2015-0087986호의 “가우시안 프로세스 모델링기반에너지 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
또한, 국내외 여러 연구기관에서 개발된 EnergyPlus, DOE, TRANSYS 및 ECO2와 같은 동적 건물 에너지 시뮬레이션 프로그램은 정확성이 높은 예측 결과를 사용자에게 제공한다. 하지만, 건물의 에너지사용량에 대한 수준을 객관적이고 정확하게 예측 결과를 도출하기위해서는 건축적 전문지식을 요구하여 일반 사용자에게는 접근성이 떨어진다. 또한, 동적 건물 에너지 시뮬레이션은 해당 건물의 실제 사용량과 비교분석하기에는 용이하지만, 동일한 규모 및 용도를 가진 다른 건물군과 비교 분석하기에는 용이하지 못하다.
그리고, 건물에너지성능평가를 위한 건물에너지 모델은 주로 계획 및 설계단계에서 건물의 대지 정보, 건물 또는 구조체에 대한 상세한 3D 모델링, 건물 자료의 열적 물성치, 열적 조닝, 환기 침입외기, 건물 설비 등을 포함하는 각종 입력부를 필요로 하며, 정확한 정의가 없을 때 쉽게 오류가 발생한다.
건물의 준공연도가 오래되어 건물의 설계도면 및 대장 정보들이 소실되어 건물에 대하여 자세히 알 수 없는 경우 동적 시뮬레이션으로 대상 건물의 에너지 평가를 진행함에 있어 문제가 생긴다. 이러한 건물들에 대해 간편하고 손쉽게 건물 에너지 평가를 진행하기 위한 기술이 필요하다.
건물의 에너지 벤치마킹 모델을 기반하여 미국의 환경청에서 개발한 ENERGYSTAR portfolio는 각각 건물 용도에 대하여 Sample로 지정된 건물을 선형회귀모델을 이용하여 에너지 벤치마킹 점수 및 등급을 사용자에게 제공하나, 에너지 벤치마킹 점수 및 등급을 도출함에 있어서 사용되는 다양한 입력 요소들은 비선형적 요소를 내포함으로써 실제 건물의 에너지 사용량과 비교하는 방법론에는 한계가 있다.
따라서 본 발명은 상기와 같은 종래의 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 실시예에 따르면, 공공데이터포탈에서 제공하는 API 서비스를 기반으로 건물 및 에너지 정보 통합 데이터베이스를 구축하는 방법과 기상청 API 허브에서 기상청AWS지점별 기상정보를 획득하고 각 정보를 이용하여 딥러닝기반의 분위 회귀 모델의 예상 에너지사용량과 대상 건물의 에너지 소비량에 대하여 에너지 평가를 도출하는 방법을 제공하는데 그 목적이 있다.
그리고 건축데이터개방 건축데이터 민간시스템에서 제공하는 API와 기상청 API허브에 제공하는 서비스를 연동하여 기축물에 대한 통합 데이터베이스를 구축하고, 1분위부터 99분위까지 각 분위에 대한 예상 에너지사용량을 딥러닝 분위회귀모델로 산출하여 건물 에너지 평가가 필요한 건물의 에너지사용량과 비교하여 점수 및 등급을 이용한 객관적인 평가를 제공하는데 그 목적이 있다.
본 발명의 실시예에 따르면, 딥러닝기반 분위회귀모델은 통합 데이터베이스의 건물 정보와 에너지 정보, 대상 건물의 기상정보를 이용하여 건물 예상 에너지사용량을 99개의 각 분위별로 산출하며, 실제 건물 에너지 사용량과 비교하여 평가할 수 있는, 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템 및 비교평가방법을 제공하는데 그 목적이 있다.
그리고 본 발명의 실시예에 따르면, 국내에 위치한 각종 건물을 용도에 맞게 분류한 통합 데이터베이스를 이용하여 건물의 에너지사용량을 정규화하여 객관적인 평가의 기준 모델을 개발하고 이를 바탕으로 신뢰성이 높은 에너지 벤치마크 모델을 제공하는데 그 목적이 있다.
한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 제1목적은 건물에너지 비교평가시스템으로서, 용도별로 분류하여 건축특성정보와 건물에너지 사용량정보가 저장되는 통합데이터베이스; 통합데이터베이스 내의 건물용도에 따른 건물군데이터를 기반으로 딥러닝 분위회귀모델을 생성하는 모델생성부; 사용자가 입력한 대상건물 정보에 따라 상기 딥러닝 분위회귀모델을 기반으로 n분위별 각각의 예상 에너지사용량을 산출하는 예상에너지 사용량산출부; 및 대상건물에 대한 실제 에너지사용량과 분위별 예상 에너지사용량을 비교하여 에너지 사용량을 평가하는 에너지평가부;를 포함하는 것을 특징으로 하는 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템으로서 달성될 수 있다.
그리고 상기 통합데이터베이스는, 건축데이터개방 건축데이터 민간 개방시스템에서 제공하는 건축물대장정보 서비스와 건물에너지정보 서비스의 API를 이용하여 건물의 상기 건축특성정보와 상기 건물에너지 사용량정보를 취합하는 것을 특징으로 할 수 있다.
또한 전국 기상청 AWS 위치의 좌표값과 지점번호를 검색하여 기상청 AWS 지점번호를 기반하여 구축되는 기상정보가 저장되는 기상정보 데이터베이스;를 포함하는 것을 특징으로 할 수 있다.
그리고 상기 통합데이터베이스 내의 이상치 데이터를 정리하는 데이터전처리부;를 더 포함하는 것을 특징으로 할 수 있다.
또한 상기 데이터전처리부는, 각 건물 용도의 단위 면적당 에너지 사용량에 대하여 에너지 사용량이 가장 높은 상위 특정% 및 에너지 소비량이 가장 낮은 하위 특정%에 한정하여 국토교통부에서 제공하는 API를 이용하여 건물의 연면적과 비교하여 특정 %이상의 차이를 보이는 데이터를 검출하고 정리하는 것을 특징으로 할 수 있다.
그리고 상기 예상에너지 사용량산출부는 사용자가 입력한 상기 대상건물의 건물특성정보, 건물에너지정보와, 상기 기상정보 데이터베이스에서 선택된 기상정보를 기반으로 상기 딥러닝 분위회귀모델을 통해 n분위별 예상 에너지 사용량을 산출하는 것을 특징으로 할 수 있다.
또한 상기 예상에너지 사용량산출부의 기반데이터인 상기 기상정보는, 상기 대상 건물의 경위도 체계의 XY좌표값으로 변환한 뒤 대상 건물과 근접한 기상AWS 위치를 3차원 피타고라스 공식에 따라 기상청 AWS 지점번호를 호출하여 상기 기상정보 데이터베이스에서 외부온도, 난방기간, 및 냉방기간을 출력하는 것을 특징으로 할 수 있다.
그리고 상기 예상에너지 사용량산출부는, 입력한 전체기간, 난방기간, 냉방기간 각각에 대해 상기 딥러닝 분위회귀모델을 통해 n분위별 예상 에너지 사용량을 산출하는 것을 특징으로 할 수 있다.
또한 상기 에너지 평가부는, 상기 n분위별 예상 에너지사용량과 실제 에너지 사용량을 비교하여 가장 근접한 분위를 도출하고, 도출된 분위에 기반한 점수 및/또는 등급을 산출하는 것을 특징으로 할 수 있다.
그리고 산출된 상기 점수 및/또는 등급을 사용자에게 제공하는 출력부;를 더 포함하는 것을 특징으로 할 수 있다.
또한 상기 에너지 평가부와 상기 출력부는, 각 분위별 예상 에너지사용량을 기반하여 대상 건물의 에너지 평가 등급을 높이고자 할 때, 대상 건물의 실제 에너지사용량과 비교하여 필요 에너지 절감량을 도출하여 사용자에게 제공하는 것을 특징으로 할 수 있다.
본 발명의 제2목적은, 건물에너지 비교평가방법으로서, 용도별로 분류하여 건축특성정보와 건물에너지 사용량정보를 수집하여 통합데이터베이스를 구축하고, 기상정보데이터 베이스를 구축하는 제1단계; 모델생성부가 통합데이터베이스 내의 건물용도에 따른 건물군데이터와 기상정보데이터를 기반으로 용도별 딥러닝 분위회귀모델을 생성하는 제2단계; 사용자가 평가 대상건물의 정보를 입력하는 제3단계; 예상에너지 사용량 산출부가 용도에 따른 상기 딥러닝 분위회귀모델을 기반으로 상기 대상건물에 대한 n분위별 각각의 예상 에너지사용량을 산출하는 제4단계; 및 에너지 평가부가 대상건물에 대한 실제 에너지사용량과 상기 분위별 예상 에너지사용량을 비교하여 에너지 사용량을 평가하는 제5단계;를 포함하는 것을 특징으로 하는 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가방법으로서 달성될 수 있다.
그리고 상기 제1단계에서, 건축데이터개방 건축데이터 민간 개방시스템에서 제공하는 건축물대장정보 서비스와 건물에너지정보 서비스의 API를 이용하여 건물의 상기 건축특성정보와 건물에너지 사용량정보를 취합하여 통합데이터베이스를 구축하고, 전국 기상청 AWS 위치의 좌표값과 지점번호를 검색하여 기상청 AWS 지점번호를 기반하여 기상정보 데이터를 구축하는 것을 특징으로 할 수 있다.
또한 상기 제1단계 후에, 데이터전처리부가 상기 통합데이터베이스 내의 이상치 데이터를 정리하는 단계를 더 포함하는 것을 특징으로 할 수 있다.
그리고 상기 제4단계에서, 사용자가 입력한 상기 대상건물의 건물특성정보, 건물에너지정보, 및 기상정보 선정부에서 선정한 기상정보를 기반으로, 상기 딥러닝 분위회귀모델을 통해 n분위별 예상 에너지 사용량을 산출하는 것을 특징으로 할 수 있다.
또한 입력한 전체기간, 난방기간, 냉방기간 각각에 대해 상기 딥러닝 분위회귀모델을 통해 n분위별 예상 에너지 사용량을 산출하는 것을 특징으로 할 수 있다.
그리고 상기 에너지 평가부는, 상기 n분위별 예상 에너지 사용량과 실제 에너지 사용량을 비교하여 가장 근접한 분위를 도출하고, 도출된 분위에 기반한 점수 및/또는 등급을 산출하는 것을 특징으로 할 수 있다.
또한 상기 제5단계 후에, 각 분위별 예상 에너지사용량을 기반하여 대상 건물의 에너지 평가 등급을 높이고자 할 때, 대상 건물의 실제 에너지사용량과 비교하여 필요 에너지 절감량을 도출하여 사용자에게 제공하는 제6단계;를 더 포함하는 것을 특징으로 할 수 있다.
본 발명의 제3목적은 컴퓨터에, 용도별로 분류하여 건축특성정보와 건물에너지 사용량정보를 수집하여 통합데이터베이스를 구축하고, 기상정보데이터 베이스를 구축하는 기능, 모델생성부가 통합데이터베이스 내의 건물용도에 따른 건물군데이터와 기상정보데이터를 기반으로 용도별 딥러닝 분위회귀모델을 생성하는 기능, 사용자가 평가 대상건물의 정보를 입력하는 기능, 예상에너지 사용량 산출부가 용도에 따른 상기 딥러닝 분위회귀모델을 기반으로 상기 대상건물에 대한 n분위별 예상 에너지사용량을 산출하는 기능, 에너지 평가부가 대상건물에 대한 실제 에너지사용량과 상기 분위별 예상 에너지사용량을 비교하여 에너지 사용량을 평가하는 기능;을 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체로서 달성될 수 있다.
본 발명의 실시예에 따른 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템 및 비교평가방법에 따르면, 본 기술은 전문적인 지식 없이도 사용자가 일반적인 정보를 이용하여 에너지 평가에 필요한 정보들을 입력할 수 있고 결과값을 도출할 수 있으며, 신축되는 건물뿐만 아니라 기축물에도 쉽게 적용하여 에너지 평가 등급 및 점수를 확보할 수 있는 장점이 있다.
본 발명의 실시예에 따른 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템 및 비교평가방법에 따르면, 미국의 에너지국(DoE)과 환경보호국(EPA)에서 개발한 ENERGYSTAR portfolio의 컨셉을 활용하여 개발한 건물 에너지 벤치마킹 모델이지만, 국내 상황에 적합하도록 국내 건물 특성 정보와 건물 에너지 정보 그리고 기상청에서 제공하는 실시간 기상정보를 사용함에 따라 정확도가 높은 소프트웨어 또는 웹프로그램 등으로 개발될 수 있는 장점을 갖는다.
본 발명의 실시예에 따른 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템 및 비교평가방법에 따르면, 공조 면적, 재실자의 수, 운영시간, 건물 재료의 물성치와 같은 건물의 세부적인 정보 및 전문적인 지식들을 요구하지 않으며, 누구나 접근가능한 간편한 정보들만을 이용함에 따라 건물의 노후화에 따른 건물 특정 정보가 분실되었다하더라도 건물 에너지 평가를 진행할 수 있는 장점이 있다.
본 발명의 실시예에 따른 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템 및 비교평가방법에 따르면, 기 건축물의 에너지 성능을 진단하고 평가하는 단계에서 해당 건물의 에너지사용량 수준을 쉽게 파악할 수 있어서, 에너지 절감을 위한 리모델링 또는 개보수에 적절히 활용할 수 있고, 건축데이터 민간개방시스템과 기상청 API 허브에서 제공하는 API를 기반으로 통합 데이터베이스가 구축됨에 따라 손쉬운 업데이트와 대상 건물의 실시간대의 기상정보를 이용함으로써 정확한 건물에너지 평가를 제공하여 다양한 건물에너지 평가에도 활용될 수 있는 장점이 있다.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술적 사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석 되어서는 아니 된다.
도 1은 본 발명의 실시예에 따른 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가방법의 흐름도,
도 2는 본 발명의 실시예에 따른 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템의 블록도,
도 3은 본 발명의 실시예에 따른 통합데이터베이스 구축 과정의 흐름도,
도 4는 본 발명의 실시예에 따른 사용자가 평가 대상건물 정보 입력후, 딥러닝 분위회귀모델을 기반으로 한 분위별 예상 에너지 사용량 도출 및 비교평가 방법의 흐름도,
도 5는 본 발명의 실시예에 따라 대상 건물정보를 입력하는 입력부 UI,
도 6a 및 도 6b는 본 발명의 실시예에 따라 도출된 점수, 등급을 출력하는 UI, 목표등급에 따른 필요 에너지 절감량 출력 UI를 도시한 것이다.
도 1은 본 발명의 실시예에 따른 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가방법의 흐름도,
도 2는 본 발명의 실시예에 따른 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템의 블록도,
도 3은 본 발명의 실시예에 따른 통합데이터베이스 구축 과정의 흐름도,
도 4는 본 발명의 실시예에 따른 사용자가 평가 대상건물 정보 입력후, 딥러닝 분위회귀모델을 기반으로 한 분위별 예상 에너지 사용량 도출 및 비교평가 방법의 흐름도,
도 5는 본 발명의 실시예에 따라 대상 건물정보를 입력하는 입력부 UI,
도 6a 및 도 6b는 본 발명의 실시예에 따라 도출된 점수, 등급을 출력하는 UI, 목표등급에 따른 필요 에너지 절감량 출력 UI를 도시한 것이다.
이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 통상의 기술자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.
본 명세서에서, 어떤 구성요소가 다른 구성요소 상에 있다고 언급되는 경우에 그것은 다른 구성요소 상에 직접 형성될 수 있거나 또는 그들 사이에 제 3의 구성요소가 개재될 수도 있다는 것을 의미한다. 또한 도면들에 있어서, 구성요소들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다.
본 명세서에서 기술하는 실시예들은 본 발명의 이상적인 예시도인 단면도 및/또는 평면도들을 참고하여 설명될 것이다. 도면들에 있어서, 막 및 영역들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다. 따라서 제조 기술 및/또는 허용 오차 등에 의해 예시도의 형태가 변형될 수 있다. 따라서 본 발명의 실시예들은 도시된 특정 형태로 제한되는 것이 아니라 제조 공정에 따라 생성되는 형태의 변화도 포함하는 것이다. 예를 들면, 직각으로 도시된 영역은 라운드지거나 소정 곡률을 가지는 형태일 수 있다. 따라서 도면에서 예시된 영역들은 속성을 가지며, 도면에서 예시된 영역들의 모양은 소자의 영역의 특정 형태를 예시하기 위한 것이며 발명의 범주를 제한하기 위한 것이 아니다. 본 명세서의 다양한 실시예들에서 제1, 제2 등의 용어가 다양한 구성요소들을 기술하기 위해서 사용되었지만, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprises)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
아래의 특정 실시예들을 기술하는데 있어서, 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다. 어떤 경우에는, 발명을 기술하는 데 있어서 흔히 알려졌으면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는데 있어 별 이유 없이 혼돈이 오는 것을 막기 위해 기술하지 않음을 미리 언급해 둔다.
이하에서는 본 발명의 실시예에 따른 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템의 구성, 기능 및 비교평가방법에 대해 설명하도록 한다.
도 1은 본 발명의 실시예에 따른 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가방법의 흐름도를 도시한 것이다.
그리고 도 2는 본 발명의 실시예에 따른 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템의 블록도를 도시한 것이다.
먼저, 본 발명의 실시예에 따른 통합데이터베이서 구축과 딥러닝 분위회귀모델 생성방법에 대해 설명하도록 한다.
본 발명의 실시예에 따른 통합데이터베이스(10)는 용도별로 분류하여 건축특성정보와 건물에너지 사용량정보가 저장되도록 구성된다. 그리고 기상정보 데이터베이스(20)는 전국 기상청 AWS 위치의 좌표값과 지점번호를 검색하여 기상청 AWS 지점번호를 기반하여 구축되는 기상정보가 저장되도록 구성된다(S1). 도 3은 본 발명의 실시예에 따른 통합데이터베이스 구축 과정의 흐름도를 도시한 것이다.
본 발명의 실시예에 따른 통합데이터베이스(10)는 건물특성정보수집부(11)를 통해 건축데이터개방 건축데이터 민간 개방시스템에서 제공하는 건축물대장정보 서비스의 API를 이용하여 건물 특성정보를 수집하게 된다. 그리고 건물에너지정보수집부(12)를 통해 건물에너지정보 서비스의 API를 이용하여 건물 에너지 사용량정보를 취합하도록 구성된다.
또한 데이터전처리부(13)는 통합데이터베이스 내의 이상치 데이터를 정리하도록 구성된다(S2). 본 발명의 구체적 실시예에서는 통합 데이터베이스(10)의 데이터의 이상치들을 정리하기 위해 각 건물 용도의 단위면적당 에너지 소비량에 대하여 에너지 소비량이 가장 높은 상위 5%와 에너지 소비량이 가장 낮은 하위 5%의 데이터셋에 대하여 국토교통부에 제공하는 Vworld의 API에서 제공하는 건축물의 연면적과 통합 데이터베이스에 저장된 건물의 연면적과 비교하여 50%이상의 차이를 보이는 데이터를 이상치(Outlier)를 기준으로 설정하여 데이터 전처리를 진행할 수 있다.
그리고 분류부(14)는 이러한 통합데이터베이스 내에 존재하는 데이터를 건물용도별로 분류하도록 구성된다.
그리고 모델생성부(30)는 통합데이터베이스(10) 내의 건물용도에 따른 건물군데이터를 기반으로 건물용도별 딥러닝 분위회귀모델을 생성하게 된다(S3).
통합데이터베이스(10), 기상정보 데이터베이스(20), 딥러닝 분위회귀모델 구축이 완료된 상태에서, 사용자는 평가 대상이 되는 건물에 대한 건물정보를 입력하게 된다.
도 4는 본 발명의 실시예에 따른 사용자가 평가 대상건물 정보 입력후, 딥러닝 분위회귀모델을 기반으로 한 분위별 예상 에너지 사용량 도출 및 비교평가 방법의 흐름도를 도시한 것이다. 또한 도 5는 본 발명의 실시예에 따라 대상 건물정보를 입력하는 입력부 UI를 나타낸 것이다.
사용자는 건물 정보로서, 주소, 용도, 면적, 층수, 기간 등을 입력하며, 과거 월별 에너지 사용량을 입력하게 된다(S4).
그리고 기상정보 선정부(21)는 입략한 주소에 기반하여 대상 건물에 대한 기상정보를 출력하도록 구성된다(S5).
본 발명의 구체적 실시예에서는 건물 에너지 평가가 필요한 대상 건물의 건물 주소를 네이버맵 API 중 Geocode 서비스를 이용하여 WGS84 경위도 방식의 XY좌표값으로 변환하고, 3차원 피타고라스 공식을 이용하여 대상 건물과 가장 근접한 기상청 AWS의 지점번호를 획득하여, 통합 데이터베이스의 기상정보 중 AWS의 지점번호를 호출하여 대상 건물 위치의 외부온도, 냉방도일, 및 난방도일을 수집하게 된다.
그리고 예상에너지 사용량산출부(40)는 사용자가 입력한 대상건물 정보에 따라 해당 용도에 따른 딥러닝 분위회귀모델을 기반으로 1 ~ 99개 분위별 예상 에너지사용량을 산출하게 된다(S6).
그리고 에너지평가부(50)는 대상건물에 대한 실제 에너지사용량과 상기 분위별 예상 에너지사용량을 비교하여(S7) 에너지 사용량을 평가한다(S8)
즉, 예상에너지 사용량산출부(40)는 사용자가 입력한 대상건물의 건물특성정보, 건물에너지정보, 및 기상정보를 기반으로 딥러닝 회귀모델을 통해 1~99 분위별 예상 에너지 사용량을 산출하게 된다.
예상에너지 사용량산출부(40)는 전체기간, 난방기간, 냉방기간 각각에 대해 딥러닝 회귀모델을 통해 1 ~99 분위별 예상 에너지 사용량을 산출한다.
즉, 데이터 전처리가 완료된 통합 데이터베이스(10)를 이용하여 사용자가 입력한 대상 건물의 정보에 따라 건물 용도에 따른 건물군 데이터와 대상 건물의 기상정보 선정부의 데이터를 호출하고 냉방기간과 난방기간 그리고 전체기간의 예상 에너지사용량을 딥러닝 분위회귀모델을 이용하여 산출하게 된다.
딥러닝 분위회귀모델기반 예상 에너지 사용량산출부(40)에서 산출된 데이터를 바탕으로 1분위에서 99분위까지의 99개의 분위회귀모델에 적용한 에너지 벤치마킹 모델을 기반하여 사용자가 입력한 대상 건물의 난방 에너지사용량과 냉방 에너지사용량 그리고 전체 에너지사용량을 비교하고, 가장 근접한 분위를 가진 에너지사용량을 가진 에너지 벤치마킹 모델을 도출하게 된다.
그리고 에너지 평가부(50)는, 이러한 1분위 ~ 99분위별 예상 에너지 사용량과 실제 에너지 사용량을 비교하여 가장 근접한 분위를 도출하고, 도출된 분위에 기반한 점수 및/또는 등급을 산출한다.
도 6a 및 도 6b는 본 발명의 실시예에 따라 도출된 점수, 등급을 출력하는 UI, 목표등급에 따른 필요 에너지 절감량 출력 UI를 도시한 것이다.
즉, 가장 근접한 분위를 가진 에너지 벤치마킹 모델을 선정한 뒤 분위를 기반한 점수를 도출하고 점수에 맞는 등급을 사용자에게 제공한다. 분위의 계수가 낮을수록 에너지 벤치마킹 모델의 점수는 높으며, 예를 들어, 건물 에너지 평가의 등급은 1등급(90~100점), 2등급(75~90), 3등급(60~75점), 4등급(45~60점), 5등급(30~45점), 6등급(15~30점), 7등급(0~15점)일 수 있다.
그리고 출력부(60)는 산출된 상기 점수 및/또는 등급을 사용자에게 제공한다.
또한 도 6b에 도시된 바와 같이, 각 분위(등급)별 예상 에너지사용량을 기반하여 대상 건물의 에너지 평가 등급을 높이고자 할 때, 대상 건물의 실제 에너지사용량과 비교하여 필요 에너지 절감량을 도출하여 사용자에게 제공할 수 있다.
또한, 상기와 같이 설명된 장치 및 방법은 상기 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
1:대상건물 정보입력부
10:통합데이터베이스
11:건물특성정보수집부
12:건물에너지정보수집부
13:전처리부
14:분류부
20:기상정보 데이터베이스
21:기상정보 선정부
30:모델생성부
40:예상에너지 사용량산출부
50:에너지 평가부
60:출력부
100:건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템
10:통합데이터베이스
11:건물특성정보수집부
12:건물에너지정보수집부
13:전처리부
14:분류부
20:기상정보 데이터베이스
21:기상정보 선정부
30:모델생성부
40:예상에너지 사용량산출부
50:에너지 평가부
60:출력부
100:건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템
Claims (19)
- 용도별로 분류하여 건축특성정보와 건물에너지 사용량정보가 저장되고, 건축데이터개방 건축데이터 민간 개방시스템에서 제공하는 건축물대장정보 서비스와 건물에너지정보 서비스의 API를 이용하여 건물의 상기 건축특성정보와 상기 건물에너지 사용량정보를 취합하는 통합데이터베이스; 통합데이터베이스 내의 건물용도에 따른 건물군데이터를 기반으로 딥러닝 분위회귀모델을 생성하는 모델생성부; 사용자가 입력한 대상건물 정보에 따라 상기 딥러닝 분위회귀모델을 기반으로 n분위별 각각의 예상 에너지사용량을 산출하는 예상에너지 사용량산출부; 및 대상건물에 대한 실제 에너지사용량과 분위별 예상 에너지사용량을 비교하여 에너지 사용량을 평가하는 에너지평가부; 및 전국 기상청 AWS 위치의 좌표값과 지점번호를 검색하여 기상청 AWS 지점번호를 기반하여 구축되는 기상정보가 저장되는 기상정보 데이터베이스;를 포함하고,
상기 예상에너지 사용량산출부는 사용자가 입력한 상기 대상건물의 건물특성정보, 건물에너지정보와, 상기 기상정보 데이터베이스에서 선택된 기상정보를 기반으로 상기 딥러닝 분위회귀모델을 통해 n분위별 예상 에너지 사용량을 산출하고,
상기 예상에너지 사용량산출부의 기반데이터인 상기 기상정보는, 상기 대상 건물의 경위도 체계의 XY좌표값으로 변환한 뒤 대상 건물과 근접한 기상AWS 위치를 3차원 피타고라스 공식에 따라 기상청 AWS 지점번호를 호출하여 상기 기상정보 데이터베이스에서 외부온도, 난방기간, 및 냉방기간을 출력하며,
상기 예상에너지 사용량산출부는, 입력한 전체기간, 난방기간, 냉방기간 각각에 대해 상기 딥러닝 분위회귀모델을 통해 n분위별 예상 에너지 사용량을 산출하고,
상기 에너지 평가부는, 상기 n분위별 예상 에너지사용량과 실제 에너지 사용량을 비교하여 가장 근접한 분위를 도출하고, 도출된 분위에 기반한 점수 및 등급 중 적어도 어느 하나를 산출하는 것을 특징으로 하는 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템.
- 삭제
- 삭제
- 제 1항에 있어서,
상기 통합데이터베이스 내의 이상치 데이터를 정리하는 데이터전처리부;를 더 포함하는 것을 특징으로 하는 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템.
- 제 4항에 있어서,
상기 데이터전처리부는,
각 건물 용도의 단위 면적당 에너지 사용량에 대하여 에너지 사용량이 가장 높은 상위 특정% 및 에너지 소비량이 가장 낮은 하위 특정%에 한정하여 국토교통부에서 제공하는 API를 이용하여 건물의 연면적과 비교하여 특정 %이상의 차이를 보이는 데이터를 검출하고 정리하는 것을 특징으로 하는 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 제 1항에 있어서,
산출된 상기 점수 및 등급 중 적어도 어느 하나를 사용자에게 제공하는 출력부;를 더 포함하는 것을 특징으로 하는 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템.
- 제 10항에 있어서,
상기 에너지 평가부와 상기 출력부는,
각 분위별 예상 에너지사용량을 기반하여 대상 건물의 에너지 평가 등급을 높이고자 할 때, 대상 건물의 실제 에너지사용량과 비교하여 필요 에너지 절감량을 도출하여 사용자에게 제공하는 것을 특징으로 하는 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템.
- 제 1항에 따른 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템을 이용한, 건물에너지 비교평가방법으로서,
건물특성정보 수집부가 건축특성정보를 수집하고, 건물에너지정보 수집부가 건물에너지 사용량정보를 수집하며 분류부가 상기 건축특성정보와 상기 건물에너지 사용량정보를 용도별로 분류하여 통합데이터베이스를 구축하고, 기상정보 수집부가 기상정보데이터 베이스를 구축하는 제1단계;
모델생성부가 통합데이터베이스 내의 건물용도에 따른 건물군데이터와 기상정보데이터를 기반으로 용도별 딥러닝 분위회귀모델을 생성하는 제2단계;
사용자가 평가 대상건물의 정보를 입력하는 제3단계;
예상에너지 사용량 산출부가 용도에 따른 상기 딥러닝 분위회귀모델을 기반으로 상기 대상건물에 대한 n분위별 각각의 예상 에너지사용량을 산출하는 제4단계; 및
에너지 평가부가 대상건물에 대한 실제 에너지사용량과 상기 예상 에너지사용량을 비교하여 에너지 사용량을 평가하는 제5단계;를 포함하는 것을 특징으로 하는 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가방법.
- 제 12항에 있어서,
상기 제1단계에서,
상기 건물특성정보 수집부와 상기 건물에너지정보 수집부는 건축데이터개방 건축데이터 민간 개방시스템에서 제공하는 건축물대장정보 서비스와 건물에너지정보 서비스의 API를 이용하여 건물의 상기 건축특성정보와 건물에너지 사용량정보를 취합하여 통합데이터베이스를 구축하고, 상기 기상정보 수집부는 전국 기상청 AWS 위치의 좌표값과 지점번호를 검색하여 기상청 AWS 지점번호를 기반하여 기상정보 데이터를 구축하는 것을 특징으로 하는 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가방법.
- 제 12항에 있어서,
상기 제1단계와 상기 제2단계 사이에,
데이터전처리부가 상기 통합데이터베이스 내의 이상치 데이터를 정리하는 단계를 더 포함하는 것을 특징으로 하는 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가방법.
- 제 12항에 있어서,
상기 제4단계에서
사용자가 입력한 상기 대상건물의 건물특성정보, 건물에너지정보, 및 기상정보 선정부에서 선정한 기상정보를 기반으로, 상기 딥러닝 분위회귀모델을 통해 n분위별 예상 에너지 사용량을 산출하는 것을 특징으로 하는 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가방법.
- 제 15항에 있어서,
입력한 전체기간, 난방기간, 냉방기간 각각에 대해 상기 딥러닝 분위회귀모델을 통해 n분위별 예상 에너지 사용량을 산출하는 것을 특징으로 하는 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가방법.
- 제 15항에 있어서,
상기 에너지 평가부는,
상기 n분위별 예상 에너지 사용량과 실제 에너지 사용량을 비교하여 가장 근접한 분위를 도출하고, 도출된 분위에 기반한 점수 및 등급 중 적어도 어느 하나를 산출하는 것을 특징으로 하는 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가방법.
- 제 17항에 있어서,
상기 제5단계 후에,
각 분위별 예상 에너지사용량을 기반하여 대상 건물의 에너지 평가 등급을 높이고자 할 때, 대상 건물의 실제 에너지사용량과 비교하여 필요 에너지 절감량을 도출하여 사용자에게 제공하는 제6단계;를 더 포함하는 것을 특징으로 하는 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가방법.
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230051922A KR102593813B1 (ko) | 2023-04-20 | 2023-04-20 | 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템 및 비교평가방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230051922A KR102593813B1 (ko) | 2023-04-20 | 2023-04-20 | 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템 및 비교평가방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102593813B1 true KR102593813B1 (ko) | 2023-10-24 |
Family
ID=88515080
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230051922A KR102593813B1 (ko) | 2023-04-20 | 2023-04-20 | 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템 및 비교평가방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102593813B1 (ko) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140048515A (ko) * | 2012-10-16 | 2014-04-24 | 한국전자통신연구원 | 건물에너지 소비성능 평가장치 및 평가방법 |
| KR20180124223A (ko) * | 2017-05-11 | 2018-11-21 | 한국건설기술연구원 | 증거기반의 건물 냉난방 에너지사용량 평가 방법 |
| KR20190064343A (ko) | 2017-11-30 | 2019-06-10 | 한국에너지기술연구원 | 플러그앤플레이가 가능한 에너지 관리 시스템 및 방법 |
| KR101976784B1 (ko) * | 2018-10-10 | 2019-08-29 | 이화여자대학교 산학협력단 | 공공데이터 및 다중회귀분석을 이용한 비주거 건축물에서의 연간, 월간 에너지용도별 사용량 추정 방법 |
| KR102086008B1 (ko) | 2019-08-28 | 2020-03-06 | 주식회사 에코시안 | 회귀모델을 이용한 건물 에너지 분석 시스템 |
| KR102098356B1 (ko) | 2019-08-21 | 2020-04-07 | 주식회사 비앤비네트웍스 | 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템 |
| KR20210011745A (ko) | 2019-07-23 | 2021-02-02 | (주) 씨이랩 | 제로에너지 타운 구축을 위한 빅데이터 기반의 에너지 수요 및 공급 예측 시스템 그리고 방법 |
| KR20210047507A (ko) * | 2019-10-22 | 2021-04-30 | 한국전력공사 | 건물 에너지 통합 관리 장치 및 그 방법 |
-
2023
- 2023-04-20 KR KR1020230051922A patent/KR102593813B1/ko active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140048515A (ko) * | 2012-10-16 | 2014-04-24 | 한국전자통신연구원 | 건물에너지 소비성능 평가장치 및 평가방법 |
| KR20180124223A (ko) * | 2017-05-11 | 2018-11-21 | 한국건설기술연구원 | 증거기반의 건물 냉난방 에너지사용량 평가 방법 |
| KR20190064343A (ko) | 2017-11-30 | 2019-06-10 | 한국에너지기술연구원 | 플러그앤플레이가 가능한 에너지 관리 시스템 및 방법 |
| KR101976784B1 (ko) * | 2018-10-10 | 2019-08-29 | 이화여자대학교 산학협력단 | 공공데이터 및 다중회귀분석을 이용한 비주거 건축물에서의 연간, 월간 에너지용도별 사용량 추정 방법 |
| KR20210011745A (ko) | 2019-07-23 | 2021-02-02 | (주) 씨이랩 | 제로에너지 타운 구축을 위한 빅데이터 기반의 에너지 수요 및 공급 예측 시스템 그리고 방법 |
| KR102098356B1 (ko) | 2019-08-21 | 2020-04-07 | 주식회사 비앤비네트웍스 | 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템 |
| KR102086008B1 (ko) | 2019-08-28 | 2020-03-06 | 주식회사 에코시안 | 회귀모델을 이용한 건물 에너지 분석 시스템 |
| KR20210047507A (ko) * | 2019-10-22 | 2021-04-30 | 한국전력공사 | 건물 에너지 통합 관리 장치 및 그 방법 |
Non-Patent Citations (1)
| Title |
|---|
| 최문선 외 2명, '분위회귀 분석을 통한 가정부문 용도별 에너지 소비량 분포 및 특성 분석', 에너지경제연구원 기본연구보고서* * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ali et al. | A data-driven approach to optimize urban scale energy retrofit decisions for residential buildings | |
| Nouvel et al. | Combining GIS-based statistical and engineering urban heat consumption models: Towards a new framework for multi-scale policy support | |
| Nikolaou et al. | Review on methodologies for energy benchmarking, rating and classification of buildings | |
| Liu et al. | Energy-saving potential prediction models for large-scale building: A state-of-the-art review | |
| US20120072187A1 (en) | System for evaluating energy consumption | |
| Ali et al. | GIS-based residential building energy modeling at district scale | |
| Heidelberger et al. | Inclusive urban building energy modeling through socioeconomic data: A persona-based case study for an underrepresented community | |
| Chokor et al. | Data-driven approach to investigate the energy consumption of LEED-certified research buildings in climate zone 2B | |
| Rathnasiri et al. | Green building information modelling technology adoption for existing buildings in Sri Lanka. Facilities management perspective | |
| Wang et al. | An innovative method to predict the thermal parameters of construction assemblies for urban building energy models | |
| Ye et al. | Development of new baseline models for US medium office buildings based on commercial buildings energy consumption survey data | |
| Wederhake et al. | Benchmarking building energy performance: Accuracy by involving occupants in collecting data-A case study in Germany | |
| Nikolaou et al. | Review and state of the art on methodologies of buildings’ energy-efficiency classification | |
| Saad et al. | Investigating the reliability of building energy models: Comparative analysis of the impact of data pipelines and model complexities | |
| Yu et al. | A bottom-up approach for community load prediction based on multi-agent model | |
| Zorn et al. | Replacing energy simulations with surrogate models for design space exploration | |
| KR102593813B1 (ko) | 건물용도별 딥러닝 분위회귀모델기반 건물에너지 비교평가시스템 및 비교평가방법 | |
| Fathi et al. | Campus energy use prediction (CEUP) using artificial intelligence (AI) to study climate change impacts | |
| Nayak et al. | A review of residential building archetypes and their applications to study building energy consumption | |
| Kong et al. | Urban building energy modeling (UBEM): a systematic review of challenges and opportunities | |
| Xi Cheng | Applying Machine Learning Based Data-Driven Approach in Commercial Building Energy Prediction | |
| Gilani et al. | A simulation-based evaluation of the absolute and comparative approaches in a code compliance process from the energy use perspective: Cold-climate case study | |
| Prina et al. | Clustering of Building Stock | |
| Lefort et al. | Development of a methodology of validation for urban building energy models and application to French residential consumption | |
| Lefort et al. | Tacit collusion in the santiago housing market |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |