KR20140116619A - 에너지 사용량 예측 시스템 및 방법 - Google Patents

에너지 사용량 예측 시스템 및 방법 Download PDF

Info

Publication number
KR20140116619A
KR20140116619A KR1020130031377A KR20130031377A KR20140116619A KR 20140116619 A KR20140116619 A KR 20140116619A KR 1020130031377 A KR1020130031377 A KR 1020130031377A KR 20130031377 A KR20130031377 A KR 20130031377A KR 20140116619 A KR20140116619 A KR 20140116619A
Authority
KR
South Korea
Prior art keywords
time series
series analysis
module
energy usage
prediction
Prior art date
Application number
KR1020130031377A
Other languages
English (en)
Inventor
유창준
안평길
이광철
김지훈
Original Assignee
삼성에스디에스 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성에스디에스 주식회사 filed Critical 삼성에스디에스 주식회사
Priority to KR1020130031377A priority Critical patent/KR20140116619A/ko
Publication of KR20140116619A publication Critical patent/KR20140116619A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

에너지 사용량 예측 시스템 및 방법이 개시된다. 본 발명의 일 실시예에 따른 에너지 사용량 예측 시스템은, 일정 기간 동안의 특정 영역(area)의 에너지 사용량 데이터를 수집하는 데이터 수집 모듈, 수집된 상기 에너지 사용량 및 상기 일정 기간 동안의 기온 데이터간의 회귀분석을 수행하는 회귀분석 모듈, 하나 이상의 시계열 분석 모델을 이용하여, 수집된 상기 에너지 사용량 및 상기 일정 기간 동안의 기온 데이터간의 시계열 분석을 수행하는 시계열 분석 모듈, 및 상기 회귀분석에 따른 예측 적합도를 계산하고, 계산된 상기 예측 적합도에 따라 상기 상기 회귀분석 결과 또는 상기 시계열 분석 결과를 이용하여 상기 영역의 에너지 사용량을 예측하는 예측 모듈을 포함한다.

Description

에너지 사용량 예측 시스템 및 방법{SYSTEM AND METHOD FOR PREDICTING ENERGY CONSUMPTION}
본 발명의 실시예들은 건물 등 특정 영역의 에너지 사용량을 예측하기 위한 기술과 관련된다.
건물에너지관리시스템(BEMS; Building Energy Management System)에서 에너지 수요예측 알고리즘이란, 건물 내에서 측정된 과거의 에너지 사용량 데이터를 분석하여, 미래의 에너지 사용량을 예측하는 알고리즘을 의미한다.
BEMS가 구축되는 건물에서는 BEMS 설치 이후 에너지 사용 현황을 상세 모니터하여 해당 건물의 에너지 절감율을 산정하여야 한다. 즉, BEMS 설치 이전의 에너지 사용량 데이터를 기반으로 에너지 절감율의 기준이 되는 에너지 베이스라인(Baseline)을 산정하여야 한다.
이를 위하여, 종래에는 건물 내에 설치된 에너지 사용량 측정 수단으로부터 건물의 에너지 소비량과 관련된 데이터를 수집하고, 수집된 에너지 소비량과 해당 기간의 날씨데이터를 이용한 회귀분석을 통하여 미래의 에너지 사용량을 예측하는 알고리즘을 사용하였다. 그러나, 이와 같은 방법의 경우 에너지 데이터의 특성을 고려하지 않아, 에너지 데이터의 종류에 따라 예측 적합도의 편차가 매우 큰 문제가 있었다.
본 발명의 실시예들은 건물 등 소정의 영역(area) 내에서 측정되는 데이터의 특성에 맞는 최적의 예측 알고리즘을 적용함으로써, 최적의 에너지 사용량 예측 결과를 도출할 수 있는 에너지 사용량 예측 수단을 제공하기 위한 것이다.
본 발명의 일 실시예에 따른 에너지 사용량 예측 시스템은, 일정 기간 동안의 특정 영역(area)의 에너지 사용량 데이터를 수집하는 데이터 수집 모듈, 수집된 상기 에너지 사용량 및 상기 일정 기간 동안의 기온 데이터간의 회귀분석을 수행하는 회귀분석 모듈, 하나 이상의 시계열 분석 모델을 이용하여, 수집된 상기 에너지 사용량 및 상기 일정 기간 동안의 기온 데이터간의 시계열 분석을 수행하는 시계열 분석 모듈, 및 상기 회귀분석에 따른 예측 적합도를 계산하고, 계산된 상기 예측 적합도에 따라 상기 상기 회귀분석 결과 또는 상기 시계열 분석 결과를 이용하여 상기 영역의 에너지 사용량을 예측하는 예측 모듈을 포함한다.
본 발명의 일 실시예에 따른 에너지 사용량 예측 방법은, 데이터 수집 모듈에서 일정 기간 동안의 특정 영역(area)의 에너지 사용량 데이터를 수집하는 단계, 회귀분석 모듈에서 수집된 상기 에너지 사용량 및 상기 일정 기간 동안의 기온 데이터간의 회귀분석을 수행하는 단계, 예측 모듈에서 상기 회귀분석에 따른 예측 적합도를 계산하는 단계, 계산된 상기 예측 적합도가 기 설정된 값 미만일 경우, 시계열 분석 모듈에서 하나 이상의 시계열 분석 모델을 이용하여 수집된 상기 에너지 사용량 및 상기 일정 기간 동안의 기온 데이터간의 시계열 분석을 수행하는 단계, 및 상기 예측 모듈에서, 상기 시계열 분석 결과를 이용하여 상기 영역의 에너지 사용량을 예측하는 단계를 포함한다.
본 발명의 실시예들에 따를 경우, 특정 영역 내에서 측정되는 데이터의 특성에 따라 그에 맞는 최적의 예측 알고리즘을 적용함으로써, 에너지 사용량 예측의 정확도를 높일 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 에너지 사용량 예측 시스템(100)의 구성을 설명하기 위한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 에너지 사용량 예측 방법(200)을 설명하기 위한 순서도이다.
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 발명의 기술적 사상은 청구범위에 의해 결정되며, 이하의 실시예는 본 발명의 기술적 사상을 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 효율적으로 설명하기 위한 일 수단일 뿐이다.
도 1은 본 발명의 일 실시예에 따른 에너지 사용량 예측 시스템(100)의 구성을 설명하기 위한 블록도이다.
본 발명의 실시예에서, 에너지 사용량 예측 시스템(100)은 특정 영역에서의 과거 에너지 사용량 데이터를 수집하고, 이를 이용하여 해당 영역의 미래 에너지 사용량을 예측하도록 구성된다. 이때 상기 영역(area)이란, 건물(building), 하나 이상의 건물의 집합 또는 건물의 일부(예를 들어, 건물의 특정 층) 등 에너지 사용량 수집 및 예측의 단위가 될 수 있는 단위 공간을 의미한다. 예를 들어, 본 발명의 일 실시예에 따른 에너지 사용량 예측 시스템(100)은 특정 건물에 설치된 BEMS의 일부 또는 BEMS와 연계된 독립 시스템으로 구현될 수 있으며, 상기 BEMS를 통하여 수집된 해당 건물의 에너지 사용량 데이터를 기반으로 미래의 에너지 사용량을 예측하도록 구성될 수 있다. 또한, 본 발명의 일 실시예에 따른 에너지 사용량 예측 시스템(100)은 반드시 건물 등의 에너지 사용량 예측에만 사용되는 것은 아니며, 공원, 교량 등 독립적으로 에너지 사용량 측정이 가능한 구조물 또는 지역 등의 에너지 사용량을 예측하는 데에도 사용될 수 있다. 즉, 본 발명의 실시예에서의 영역은 반드시 건물에 한정되는 것은 아님을 유의한다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 에너지 사용량 예측 시스템(100)은 데이터 수집 모듈(102), 회귀분석 모듈(104), 시계열 분석 모듈(106) 및 예측 모듈(108)을 포함한다.
데이터 수집 모듈(102)은 일정 기간 동안의 특정 영역(area)의 에너지 사용량 데이터를 수집한다. 전술한 바와 같이, 상기 영역은 특정 건물, 하나 이상의 건물의 집합 또는 건물의 일부 구역이 될 수 있으며, 건물 외에 기타 에너지 측정이 가능한 구조물 등이 될 수도 있다. 또한, 상기 에너지 사용량 데이터는 해당 영역 내의 에너지 사용과 직접적으로 관계되거나, 또는 에너지 사용량을 유추할 수 있는 모든 종류의 데이터를 의미한다. 예를 들어, 해당 영역의 전력 사용량, 가스 사용량, 유류 사용량, 실내 온도, 해당 영역 내 조명 등 전기 기구의 사용 시간 등이 본 발명의 실시예에서의 에너지 사용량 데이터가 될 수 있으며, 이 밖에도 다양한 종류의 측정 가능한 데이터들이 에너지 사용량 데이터로 이용될 수 있다. 이와 같이 수집된 데이터들은 그 특성에 따라 다음과 같이 구분할 수 있다.
- 추세성분이 없고, 계절 패턴이 없는 경우
- 추세성분이 없고, 계절 패턴이 없으나 최근값에 가중치가 있는 경우
- 추세성분은 있으나, 계절 패턴이 없는 경우
- 계절 패턴은 있으나, 패턴의 크기가 데이터에 비례하지 않는 경우
상기와 같은 에너지 사용량 데이터를 수집하기 위하여, 데이터 수집 모듈(102)은 별도의 센서(sensor) 등을 포함하거나, 또는 외부의 센서로부터 상기 데이터를 수신할 수 있다. 상기 센서(sensor)는 측정하고자 하는 데이터의 종류에 따라 적절하게 선택될 수 있다. 예를 들어, 전력량계, 유량계, 온도계, 조도계, 또는 전류계 등의 센서들이 제한 없이 사용될 수 있다.
한편, 다양한 이유로 인하여 데이터 수집 모듈(102)에서 수집된 데이터에는 불완전성이 존재할 수 있다. 예를 들어, 센서 이상 또는 통신 이상 등으로 인해 특정 기간의 데이터가 누락되거나, 또는 특정 값이 비정상적으로 측정될 수 있다. 이와 같은 데이터의 불완전성은 이후 해당 데이터를 분석하고 미래의 에너지 사용량을 정확히 예측하는 데 장애가 될 수 있으므로, 데이터 수집 모듈(102)은 수집되는 에너지 사용량 데이터의 값들을 확인하여 비정상적인 값이 존재할 경우 이를 제외하거나 또는 적절한 값으로 보정하고, 결측치가 존재할 경우 이를 적당한 값으로 채워 넣는 전처리 작업을 수행할 수 있다. 이와 같은 전처리 작업을 위하여, 데이터 수집 모듈(102)은 기 설정된 각 센서들의 정상값 범위를 참조하거나, 기 수집된 데이터 중 유사한 패턴을 보이는 구간의 데이터를 참조하는 등의 방법으로 비정상 측정치 및 결측치를 보완할 수 있다. 이와 같은 데이터의 전처리에 관한 사항은 본 발명이 속한 기술분야에서 잘 알려져 있으므로, 여기서는 그 상세한 설명을 생략하기로 한다.
회귀분석 모듈(104)은 데이터 수집 모듈(102)에서 수집된 에너지 사용량 및 해당 기간 동안의 기온 데이터 간의 회귀분석을 수행한다. 본 발명의 실시예에서, 회귀분석이란 하나 이상의 독립 변수와 하나 이상의 종속 변수 사이의 상관관계를 도출하고 이를 모형화하여 미래의 값을 예측하는 알고리즘을 의미한다. 즉, 본 발명의 실시예에서 회귀분석 모듈(104) 기온 변화에 따른 에너지 사용량의 변화를 회귀분석을 통하여 분석하고, 이를 토대로 미래의 에너지 사용량을 예측하게 된다.
구체적으로, 회귀분석 모듈(104)은 기 설정된 시간 간격 별(예를 들어, 일별 또는 월별)로 영역에 설정된 기준 온도에 따른 난방지수(HDD; Heating Degree Days) 및 냉방지수(CDD; Cooling Degree Days)를 계산하고, 계산된 난방지수 및 냉방지수와 수집된 에너지 사용량간의 관계식을 도출하도록 구성될 수 있다. 또한, 상기 기온 데이터는 상기 에너지 사용량 데이터가 수집된 기간 동안 해당 영역의 날씨 데이터를 의미하는 것으로서, 예를 들어 해당 지역의 기상청 데이터 등을 이용할 수 있다.
시계열 분석 모듈(106)은 하나 이상의 시계열 분석 모델을 이용하여, 수집된 에너지 사용량 및 일정 기간 동안의 기온 데이터간의 시계열 분석을 수행한다. 본 발명의 실시예에서, 시계열 분석이란 관측되는 데이터가 시간에 따른 변화(trend, cycle, seasonality)를 가지고 있다는 전제 하에 과거 관측치를 이용하여 미래 값을 예측하기 위한 알고리즘을 의미한다. 즉, 본 발명의 실시예에서 시계열 분석 모듈(106)은 시간에 따른 과거 에너지 사용량의 변화에 따라 미래의 에너지 사용량에 대한 예측치를 도출하게 된다.
구체적으로, 시계열 분석 모듈(106)은 이동평균법, 지수평활법(단순지수 평활법, 이중지수 평활법 등) 또는 윈터스 방법 중 하나 이상의 시계열 분석 모델을 이용하여 수집된 에너지 사용량 및 일정 기간 동안의 기온 데이터간의 시계열 분석을 수행할 수 있다. 다만, 이는 단지 예시일 뿐으로서, 본 발명은 전술한 시계열 분석 모델에 한정되는 것은 아니며, 이 외에도 알려진 다양한 시계열 분석 모델을 이용하여 시계열 분석을 수행할 수 있다. 위에서 예시한 각 시계열 분석 모델들을 간략하게 설명하면 다음과 같다.
이동평균법(moving average)은 시계열적으로 측정된 과거의 연속적인 관측치의 평균으로 미래 값을 예측하는 방법이다. 일반적으로 이동평균법은 데이터에 추세 성분이나 계절 성분이 없는 경우에 사용될 수 있으나, 간혹 추세 또는 계절 성분이 있는 경우에 사용되기도 한다.
지수평활법(smoothing method)은 이동평균법과는 달리 최근 관측치에 큰 가중치를 부여하고 이전으로 감에 따라 가중치를 줄여가는 방법이다. 이중 단순지수 평활법은 가중치가 지수적으로 감소하도록 구성된 방법으로서, 일반적으로 데이터에 경향 또는 계절성이 없을 때 사용된다. 또한, 이중지수 평활법은 시계열 자료에 경향(trend)이 존재하는 경우 사용되는 방법으로서, 단순지수 평활법을 두 번 연속 적용한 것이다.
윈터스 방법(Winter's method)은 시계열 데이터에 추세와 계절성이 모두 존재하고, 이 두 성분이 가법적이거나 승법적일 때 사용되는 방법으로서, 데이터의 수준, 추세, 계절 성분에 대한 동적 추정치를 계산하도록 구성된다.
시계열 분석 모듈(106)은 수집된 에너지 사용량 데이터에 대하여 전술한 각 시계열 분석 모델을 병렬적으로 적용하여 각 시계열 분석 모델 별 분석 결과를 도출한다. 이후, 각 시계열 분석 결과에 따른 예측 정확도를 비교하고, 각 모델 중 예측 정확도가 가장 높은 시계열 분석 모델을 해당 에너지 사용량 데이터를 분석하기 위한 시계열 모델로 선택하게 된다.
상기 각 시계열 분석 결과에 따른 예측 정확도는 실측값 및 예측값 사이의 평균제곱편차(MSD; Mean Squared Deviation), 절대퍼센트오차평균(MAPE; Mean Absolute Percentage Error) 또는 평균절대편차(MAD; Mean Absolute Deviation) 중 하나 이상을 적용하여 계산될 수 있다. 예를 들어, 시계열 분석 모듈(106)은 각 시계열 모델 별 분석 결과의 MSD를 계산하고, 계산된 MSD 값이 가장 낮은 시계열 분석 모델을 선택할 수 있다. 만약 둘 이상의 시계열 분석 모델에 대하여 계산된 MSD 값이 동일할 경우, 시계열 분석 모듈(106)은 다음으로 MAPE 및 MAD를 순차적으로 적용하여 하나의 시계열 분석 모델을 선택할 수 있다. 다만, 상기 예측 정확도 비교 기준 및 이의 적용 순서는 예시적인 것으로서, 본 발명의 실시예들은 특정 비교 기준 및 적용 순서에 제한되는 것은 아님을 유의한다. 즉, 전술한 것 이외의 기준을 적용하거나, 이의 적용 순서를 달리하는 것 또한 본 발명의 권리범위에 포함되는 것으로 해석되어야 한다.
다음으로, 예측 모듈(108)은 회귀분석 모듈(104)에서의 회귀분석에 따른 예측 적합도를 계산하고, 계산된 예측 적합도에 따라 회귀분석 결과 또는 시계열 분석 결과를 이용하여 영역의 에너지 사용량을 예측한다.
먼저, 예측 모듈(108)은 회귀분석 모듈(104)에서 도출된 에너지 사용량과 기온 데이터 사이의 상관관계식의 예측 적합도를 계산한다. 이때 상기 예측 적합도로는 에너지 사용량 및 기온 데이터간의 결정계수(coefficient of determination, R2)가 사용될 수 있다. 결정계수는 회귀분석으로부터 도출된 회귀선이 실제로 관측된 표본을 어느 정도 설명해 주고 있는가, 즉 회귀선이 실제관측치를 어느 정도 대표하여 그 적합성(goodness of fit)을 보여주고 있는가를 측정하는 계수로서, 0과 1사이의 값을 가진다. 예를 들어, R²= 1 일 경우 모든 표본 관측치가 추정된 회귀선 상에만 있다는 것을 의미하며 따라서 추정된 회귀선이 변수 사이의 관계를 완전히 설명해 주고 있음을 의미한다. 반면, R²= 0 일 경우에는 추정된 회귀선이 변수 사이의 관계를 전혀 설명해 주지 못함을 의미한다. 다만, 본 발명의 실시예에서 예측 적합도로 반드시 결정계수만을 사용해야 하는 것은 아니며, 회귀분석에 따른 상관관계식의 적합도를 계산하기 위한 다양한 기준들 또한 제한 없이 사용될 수 있음을 유의한다.
상기와 같이 예측 적합도가 계산되면, 다음으로 예측 모듈(108)은 계산된 예측 적합도가 기 설정된 기준값 이상인지의 여부를 판단한다. 상기 기준값은 에너지 사용량 예측을 위하여 회귀분석 결과를 이용할 지의 여부를 결정하기 위한 값으로서, 이는 수집되는 에너지 사용량 데이터의 특성 등을 고려하여 적절히 정해질 수 있다. 만약 계산된 예측 적합도가 기준값 이상일 경우, 예측 모듈(108)은 회귀분석 모듈(104)에서의 회귀분석 결과를 이용하여 영역의 에너지 사용량을 예측하게 된다. 그러나 이와 반대로 계산된 예측 적합도가 기준값 미만일 경우, 예측 모듈(108)은 시계열 분석 모듈(106)에서의 시계열 분석 결과를 이용하여 영역의 에너지 사용량을 예측하게 된다. 이와 같이 예측된 에너지 사용량은 이후 해당 영역의 에너지성능지표의 기준이 되는 에너지사용량 베이스라인(baseline)으로 사용된다.
이와 같이 예측 모듈(108)에서는 회귀분석 결과의 예측 적합도에 따라 회귀분석 또는 시계열 분석 중 어느 하나를 선택함으로써 수집된 데이터의 특정에 맞는 적절한 분석 방법을 적용할 수 있게 되므로, 에너지 사용량 예측에 있어 정확도를 향상시킬 수 있는 장점이 있다. 또한, 시계열 분석에 있어서도 복수 개의 분석 모델에 따른 결과를 서로 비교하여 최적의 분석 모델을 결정하도록 구성되는 바, 에너지 사용량 예측의 정확도를 더욱 향상할 수 있게 된다.
도 2는 본 발명의 일 실시예에 따른 에너지 사용량 예측 방법(200)을 설명하기 위한 순서도이다.
먼저, 데이터 수집 모듈(102)에서 일정 기간 동안의 특정 영역(area)의 에너지 사용량 데이터를 수집한다(202). 전술한 바와 같이, 본 단계에서는 수집된 에너지 사용량 데이터에 대한 적절한 전처리(preprocessing) 단계를 포함할 수 있다.
다음으로, 회귀분석 모듈(104)에서 수집된 에너지 사용량 및 일정 기간 동안의 기온 데이터간의 회귀분석을 수행한다(204). 구체적으로, 본 단계는 기 설정된 시간 간격 별로 영역에 설정된 기준 온도에 따른 난방지수(HDD; Heating Degree Days) 및 냉방지수(CDD; Cooling Degree Days)를 계산하는 단계, 및 계산된 난방지수 및 냉방지수와 수집된 에너지 사용량간의 관계식을 도출하는 단계를 포함할 수 있다.
다음으로, 예측 모듈(108)에서 상기 204 단계에서 수행된 회귀분석에 따른 예측 적합도를 계산한다(206). 이때, 상기 예측 적합도는 예를 들어 에너지 사용량 및 기온 데이터간의 결정계수(coefficient of determination, R2)에 의해 계산될 수 있다.
다음으로, 계산된 예측 적합도가 기 설정된 기준값 이상인지의 여부를 판단한다(208). 만약 상기 206 단계에서 계산된 예측 적합도가 기 설정된 값 이상일 경우, 예측 모듈(108)은 상기 회귀분석 결과를 이용하여 영역의 에너지 사용량을 예측한다(210).
그러나, 이와 달리 상기 208 단계에서의 판단 결과 예측 적합도가 기 설정된 값 미만일 경우, 시계열 분석 모듈(106)은 하나 이상의 시계열 분석 모델(이동평균법, 지수평활법 및 윈터스 방법 등)을 이용하여 수집된 에너지 사용량 및 일정 기간 동안의 기온 데이터간의 시계열 분석을 수행하고(212, 214, 216, 218), 각 시계열 분석 모델 별 분석 결과에 따른 예측 정확도를 비교하여 계산된 예측 정확도가 가장 높은 시계열 분석 모델을 선택한다(220). 이후 예측 모듈(108)은 상기 220 단계에서 선택되니 시계열 분석 모델의 분석 결과를 이용하여 해당 영역의 에너지 사용량을 예측하게 된다.
한편, 본 발명의 실시예는 본 명세서에서 기술한 방법들을 컴퓨터상에서 수행하기 위한 프로그램을 포함하는 컴퓨터 판독 가능 기록매체를 포함할 수 있다. 상기 컴퓨터 판독 가능 기록매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야에서 통상의 지식을 가진 자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광 기록 매체, 플로피 디스크와 같은 자기-광 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
이상에서 대표적인 실시예를 통하여 본 발명에 대하여 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다.
그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100: 에너지 사용량 예측 시스템
102: 데이터 수집 모듈
104: 회귀분석 모듈
106: 시계열 분석 모듈
108: 예측 모듈

Claims (13)

  1. 일정 기간 동안의 특정 영역(area)의 에너지 사용량 데이터를 수집하는 데이터 수집 모듈;
    수집된 상기 에너지 사용량 및 상기 일정 기간 동안의 기온 데이터간의 회귀분석을 수행하는 회귀분석 모듈;
    하나 이상의 시계열 분석 모델을 이용하여, 수집된 상기 에너지 사용량 및 상기 일정 기간 동안의 기온 데이터간의 시계열 분석을 수행하는 시계열 분석 모듈; 및
    상기 회귀분석에 따른 예측 적합도를 계산하고, 계산된 상기 예측 적합도에 따라 상기 상기 회귀분석 결과 또는 상기 시계열 분석 결과를 이용하여 상기 영역의 에너지 사용량을 예측하는 예측 모듈을 포함하는 에너지 사용량 예측 시스템.
  2. 청구항 1에 있어서,
    상기 회귀분석 모듈은,
    기 설정된 시간 간격별로 상기 영역에 설정된 기준 온도에 따른 난방지수(HDD; Heating Degree Days) 및 냉방지수(CDD; Cooling Degree Days)를 계산하고, 계산된 상기 난방지수 및 상기 냉방지수와 수집된 상기 에너지 사용량간의 관계식을 도출하는, 에너지 사용량 예측 시스템.
  3. 청구항 1에 있어서,
    상기 시계열 분석 모듈은, 이동평균법, 지수평활법 및 윈터스 방법 중 하나 이상의 시계열 분석 모델을 이용하여 수집된 상기 에너지 사용량 및 상기 일정 기간 동안의 기온 데이터간의 시계열 분석을 수행하는, 에너지 사용량 예측 시스템.
  4. 청구항 3에 있어서,
    상기 시계열 분석 모듈은, 상기 각 시계열 분석 모델 별 분석 결과에 따른 예측 정확도를 비교하고, 이 중 상기 예측 정확도가 가장 높은 시계열 분석 모델을 선택하는, 에너지 사용량 예측 시스템.
  5. 청구항 4에 있어서,
    상기 예측 정확도는 실측값 및 예측값 사이의 평균제곱편차(MSD; Mean Squared Deviation), 절대퍼센트오차평균(MAPE; Mean Absolute Percentage Error), 평균절대편차(MAD; Mean Absolute Deviation) 중 하나 이상을 적용하여 계산되는, 에너지 사용량 예측 시스템.
  6. 청구항 1에 있어서,
    상기 예측 모듈은, 계산된 상기 예측 적합도가 기 설정된 값 이상일 경우 상기 회귀분석 결과를 이용하여 상기 영역의 에너지 사용량을 예측하고,
    계산된 상기 예측 적합도가 기 설정된 값 미만일 경우 상기 시계열 분석 결과를 이용하여 상기 영역의 에너지 사용량을 예측하는, 에너지 사용량 예측 시스템.
  7. 청구항 6에 있어서,
    상기 예측 적합도는 상기 에너지 사용량 및 상기 기온 데이터간의 결정계수(coefficient of determination, R2)에 의해 계산되는, 에너지 사용량 예측 시스템.
  8. 데이터 수집 모듈에서, 일정 기간 동안의 특정 영역(area)의 에너지 사용량 데이터를 수집하는 단계;
    회귀분석 모듈에서, 수집된 상기 에너지 사용량 및 상기 일정 기간 동안의 기온 데이터간의 회귀분석을 수행하는 단계;
    예측 모듈에서, 상기 회귀분석에 따른 예측 적합도를 계산하는 단계;
    계산된 상기 예측 적합도가 기 설정된 값 미만일 경우, 시계열 분석 모듈에서, 하나 이상의 시계열 분석 모델을 이용하여 수집된 상기 에너지 사용량 및 상기 일정 기간 동안의 기온 데이터간의 시계열 분석을 수행하는 단계; 및
    상기 예측 모듈에서, 상기 시계열 분석 결과를 이용하여 상기 영역의 에너지 사용량을 예측하는 단계를 포함하는 에너지 사용량 예측 방법.
  9. 청구항 8에 있어서,
    상기 회귀분석을 수행하는 단계는,
    기 설정된 시간 간격 별로 상기 영역에 설정된 기준 온도에 따른 난방지수(HDD; Heating Degree Days) 및 냉방지수(CDD; Cooling Degree Days)를 계산하는 단계; 및
    계산된 상기 난방지수 및 상기 냉방지수와 수집된 상기 에너지 사용량간의 관계식을 도출하는 단계를 포함하는, 에너지 사용량 예측 방법.
  10. 청구항 8에 있어서,
    상기 예측 적합도는 상기 에너지 사용량 및 상기 기온 데이터간의 결정계수(coefficient of determination, R2)에 의해 계산되는, 에너지 사용량 예측 방법.
  11. 청구항 8에 있어서,
    상기 예측 모듈은, 계산된 상기 예측 적합도가 기 설정된 값 이상일 경우 상기 회귀분석 결과를 이용하여 상기 영역의 에너지 사용량을 예측하는, 에너지 사용량 예측 방법.
  12. 청구항 8에 있어서,
    상기 시계열 분석 단계는, 이동평균법, 지수평활법 및 윈터스 방법 중 하나 이상의 시계열 분석 모델을 이용하여 수집된 상기 에너지 사용량 및 상기 일정 기간 동안의 기온 데이터간의 시계열 분석을 수행하는 단계;
    상기 각 시계열 분석 모델 별 분석 결과에 따른 예측 정확도를 계산하는 단계; 및
    계산된 상기 예측 정확도가 가장 높은 시계열 분석 모델을 선택하는 단계를 더 포함하는, 에너지 사용량 예측 방법.
  13. 청구항 12에 있어서,
    상기 예측 정확도는 실측값 및 예측값 사이의 평균제곱편차(MSD; Mean Squared Deviation), 절대퍼센트오차평균(MAPE; Mean Absolute Percentage Error), 평균절대편차(MAD; Mean Absolute Deviation) 중 하나 이상을 적용하여 계산되는, 에너지 사용량 예측 방법.

KR1020130031377A 2013-03-25 2013-03-25 에너지 사용량 예측 시스템 및 방법 KR20140116619A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130031377A KR20140116619A (ko) 2013-03-25 2013-03-25 에너지 사용량 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130031377A KR20140116619A (ko) 2013-03-25 2013-03-25 에너지 사용량 예측 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20140116619A true KR20140116619A (ko) 2014-10-06

Family

ID=51990328

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130031377A KR20140116619A (ko) 2013-03-25 2013-03-25 에너지 사용량 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20140116619A (ko)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732108A (zh) * 2015-04-09 2015-06-24 国家电网公司 线损计算方法、装置和线损计算器
KR20160050562A (ko) * 2014-10-30 2016-05-11 삼성에스디에스 주식회사 예측 모델 생성 장치 및 방법
KR20160077740A (ko) 2014-12-24 2016-07-04 대림산업 주식회사 건물 에너지 사용량 예측시스템과 예측방법
KR101677008B1 (ko) * 2015-11-20 2016-11-17 (주)엔키아 Tsd 기반 데이터 예측 방법
KR101688412B1 (ko) * 2015-09-01 2016-12-21 주식회사 에스원 종속 변수의 예측 모델링 방법 및 시스템
KR20170060361A (ko) * 2015-11-24 2017-06-01 주식회사 인코어드 테크놀로지스 전력 수요 분석 장치 및 이를 포함하는 전력 관리 시스템
KR20170078256A (ko) * 2015-12-29 2017-07-07 삼성에스디에스 주식회사 시계열의 데이터를 예측 하는 방법 및 그 장치
KR20170106686A (ko) * 2016-03-14 2017-09-22 삼성에스디에스 주식회사 가정의 에너지 사용량 예측 방법 및 장치
CN107730006A (zh) * 2017-09-13 2018-02-23 重庆电子工程职业学院 一种基于可再生能源大数据深度学习的建筑近零能耗控制器
KR20190006639A (ko) * 2017-07-11 2019-01-21 케빈랩 주식회사 에너지 관리 시스템 및 그 에너지 관리 방법
KR102028601B1 (ko) * 2019-03-20 2019-10-04 영남이공대학교 산학협력단 시설물의 에너지 사용량 예측 방법 및 장치
CN111210060A (zh) * 2019-12-30 2020-05-29 国网宁夏电力有限公司信息通信公司 一种工作日期间机房温度预测方法
KR102332122B1 (ko) * 2020-07-28 2021-12-02 (주)엔키아 건축물 예측 모델 장치 및 건축물 예측 방법
KR20220073144A (ko) * 2020-11-26 2022-06-03 (주)커넥탈리스트 난방도일과 냉방도일을 적용한 시계열 분석을 사용한 ami 고객기준부하 산정 방법
KR102430619B1 (ko) * 2021-12-07 2022-08-09 케빈랩 주식회사 데이터 관리 방법

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160050562A (ko) * 2014-10-30 2016-05-11 삼성에스디에스 주식회사 예측 모델 생성 장치 및 방법
KR20160077740A (ko) 2014-12-24 2016-07-04 대림산업 주식회사 건물 에너지 사용량 예측시스템과 예측방법
CN104732108A (zh) * 2015-04-09 2015-06-24 国家电网公司 线损计算方法、装置和线损计算器
KR101688412B1 (ko) * 2015-09-01 2016-12-21 주식회사 에스원 종속 변수의 예측 모델링 방법 및 시스템
KR101677008B1 (ko) * 2015-11-20 2016-11-17 (주)엔키아 Tsd 기반 데이터 예측 방법
KR20170060361A (ko) * 2015-11-24 2017-06-01 주식회사 인코어드 테크놀로지스 전력 수요 분석 장치 및 이를 포함하는 전력 관리 시스템
KR20170078256A (ko) * 2015-12-29 2017-07-07 삼성에스디에스 주식회사 시계열의 데이터를 예측 하는 방법 및 그 장치
KR20170106686A (ko) * 2016-03-14 2017-09-22 삼성에스디에스 주식회사 가정의 에너지 사용량 예측 방법 및 장치
KR20190006639A (ko) * 2017-07-11 2019-01-21 케빈랩 주식회사 에너지 관리 시스템 및 그 에너지 관리 방법
CN107730006A (zh) * 2017-09-13 2018-02-23 重庆电子工程职业学院 一种基于可再生能源大数据深度学习的建筑近零能耗控制器
CN107730006B (zh) * 2017-09-13 2021-01-05 重庆电子工程职业学院 基于可再生能源大数据深度学习的建筑近零能耗控制方法
KR102028601B1 (ko) * 2019-03-20 2019-10-04 영남이공대학교 산학협력단 시설물의 에너지 사용량 예측 방법 및 장치
CN111210060A (zh) * 2019-12-30 2020-05-29 国网宁夏电力有限公司信息通信公司 一种工作日期间机房温度预测方法
KR102332122B1 (ko) * 2020-07-28 2021-12-02 (주)엔키아 건축물 예측 모델 장치 및 건축물 예측 방법
KR20220073144A (ko) * 2020-11-26 2022-06-03 (주)커넥탈리스트 난방도일과 냉방도일을 적용한 시계열 분석을 사용한 ami 고객기준부하 산정 방법
KR102430619B1 (ko) * 2021-12-07 2022-08-09 케빈랩 주식회사 데이터 관리 방법
US12007730B2 (en) 2021-12-07 2024-06-11 Kevinlab Co. Method of managing data

Similar Documents

Publication Publication Date Title
KR20140116619A (ko) 에너지 사용량 예측 시스템 및 방법
KR102087843B1 (ko) 에너지 사용량 기준치의 시간 비용 및 정확도 개선 방법 및 시스템
US9740545B2 (en) Equipment evaluation device, equipment evaluation method and non-transitory computer readable medium
US9964932B2 (en) Virtual demand auditing of devices in a building
Yalcintas Energy-savings predictions for building-equipment retrofits
JP2019022442A5 (ko)
CN103793752B (zh) 一种基于退化建模的设备失效次数预测方法
KR20150128163A (ko) 건물 에너지 소비정보 분석 시스템
KR102041417B1 (ko) 기온 분포를 사용한 측정 및 검증 가중 방법 및 시스템
WO2013099323A1 (ja) 電力管理システム及び電力管理方法
KR20160077740A (ko) 건물 에너지 사용량 예측시스템과 예측방법
KR102358798B1 (ko) 에너지 수요 예측 방법 및 그 시스템
KR101588851B1 (ko) 오차 보정 알고리즘을 이용한 수용가 수요전력 예측 방법 및 시스템
US20170167741A1 (en) Air conditioning parameter generation apparatus, air conditioning operational evaluation apparatus, method and non-transitory computer readable medium
JP2017505890A (ja) Ｈｖａｃシステムの消費電力評価
US8949051B2 (en) Apparatus and method for sub-metering of household devices
JP2017130041A (ja) 情報処理装置、制御方法及び制御プログラム
JP2019097327A (ja) 電力需要予測装置、電力需要予測方法およびプログラム
JP2013214171A (ja) 性能監視装置、性能監視方法、及びそのプログラム
KR20180098179A (ko) 대상 건물에 대한 에너지 절감 가이드를 제공하는 시스템
EP2912477B1 (en) Device and method for determining an individual power representation of operation states
KR101828456B1 (ko) 부분 고장 데이터를 이용한 소프트웨어 신뢰도 평가모델 선택 시스템 및 방법
WO2017151113A1 (en) Estimating the impact of weather in electricity bills
Singh et al. Predicting Annual Energy Use in Buildings Using Short-Term Monitoring and Utility Bills: The Hybrid Inverse Model Using Daily Data (HIM-D).
T Agami Reddy PhD The nearest neighborhood method to improve uncertainty estimates in statistical building energy models

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application