KR20240031508A - Pem과 ddm의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법 - Google Patents

Pem과 ddm의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법 Download PDF

Info

Publication number
KR20240031508A
KR20240031508A KR1020220109209A KR20220109209A KR20240031508A KR 20240031508 A KR20240031508 A KR 20240031508A KR 1020220109209 A KR1020220109209 A KR 1020220109209A KR 20220109209 A KR20220109209 A KR 20220109209A KR 20240031508 A KR20240031508 A KR 20240031508A
Authority
KR
South Korea
Prior art keywords
building
energy
data
model
pem
Prior art date
Application number
KR1020220109209A
Other languages
English (en)
Inventor
김정욱
이태규
Original Assignee
상명대학교산학협력단
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 상명대학교산학협력단 filed Critical 상명대학교산학협력단
Priority to KR1020220109209A priority Critical patent/KR20240031508A/ko
Publication of KR20240031508A publication Critical patent/KR20240031508A/ko

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법이 개시된다. PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법은, (a) 데이터 기반 모델(DDM)에 따라, 대상 건물의 냉난방 장비에 대해 수년 동안의 에너지 사용량 데이터를 일별 단위 또는 요일별 단위 또는 월별 단위로 나누어 묶어 해당 단위별로 시계열 패턴 형태의 군집화 데이터를 획득하고, 상기 각각의 군집화된 시계열 패턴에서 평균값을 얻어 각 군집화 데이터 별로 대표성을 가지는 대표 에너지 프로파일을 생성하며, 상기 에너지 프로파일을 건물의 물리적 에너지 모델(PEM)의 시뮬레이션 모델로 제공하는 제1단계; (b) 건물의 물리적 에너지 모델(PEM)을 통해 건물의 에너지 수요량을 도출하되 상기 제1단계에서 생성한 에너지 프로파일을 활용하여 전달받아 시뮬레이션 결과(에너지 수요량)을 도출하는 제2단계; 및 (c) 선형회귀분석 모델을 사용하여 대상건물의 과거 에너지 사용량 데이터와 상기 건물의 물리적 에너지 모델(PEM)에서 도출한 에너지 수요량의 선형 상관관계를 분석하고, 대상건물의 에너지 사용량을 예측하고 평가하는 단계를 포함한다.

Description

PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법{Method for Predicting Power Consumption in Buildings appled for a hybryd model of PEM and DDM}
본 발명은 건물의 에너지 사용량 예측 방법에 관한 것으로, 보다 상세하게는 PEM(Physical energy model)과 DDM(Data-driven model)의 하이브리드 모델을 사용하여 시뮬레이션을 통해 건물의 에너지 사용량을 정확하게 예측하는, PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법에 관한 것이다.
건물의 에너지 사용량은 냉방, 난방, 환기, 조명, 취사, 급탕, 사무 기기 등 다양한 기기에서 사용되며, 건물 에너지 관리 시스템(Building Energy Management System, BEMS)은 건물의 에너지 사용량, 물리적 특성(위치, 방향, 단열재, 창문면적 등), 기상정보 등의 데이터를 이용하여 현재의 에너지 사용량을 평가하고, 합리적인 에너지 사용이 가능하도록 건물 에너지 사용량을 제어, 관리하며, 미래의 에너지 사용량을 예측하는 수단으로 사용되고 있다.
이와 관련된 선행기술1로써, 특허 공개번호 10-2016-0077740에서는 "건물 에너지 사용량 예측시스템과 예측방법"이 공개되어 있으며, 건물에 설치된 기본적인 계량장치에 의한 열원별 에너지 사용량 데이터와 기상정보에 의한 월평균 외기온도 데이터에 의해 건물 열원별, 용도별 에너지 사용량을 산출하고, 표준년의 외기온도에 따른 건물 열원별, 용도별 에너지 사용량을 예측할 수 있는 건물 에너지 사용량 예측시스템과 예측방법을 제공한다.
건물에 사용되는 열원별(전기, 가스, 유류 등) 에너지 사용량과 월평균 외기온도 데이터를 데이터 수집 모듈에 의해 수집, 정리하고, 이들 상호간의 상관관계를 회귀분석 모듈에 의해 회귀분석하며, 예측 모델에 의해 최적의 회귀분석 패턴을 결정하고, 상기 최적의 회귀분석 패턴을 이용하여 건물 열원별, 용도별 에너지 사용량 산출과 성능평가를 할 수 있으며, 또한 표준년의 외기온도를 적용하여 건물의 열원별, 용도별 에너지 사용량을 예측한다.
이와 관련된 선행기술2로써, 특허등록번호 10-2064877에서는 "건물 에너지 사용량 및 절감률 분석 시스템 및 그 방법"을 개시하고 있다.
건물의 에너지 사용량을 예측하기 위해, 건물의 물리적 에너지 모델(Physical energy model, PEM)과 데이터 기반 모델(Data-driven model, DDM)에 대한 많은 연구가 수행되었다. PEM은 시뮬레이션 툴을 활용하여 열전달 프로세스를 해석하고, 건물의 에너지 사용량을 예측하는 모델이다. PEM은 EnergyPlus, TRNSYS 등 상용 소프트웨어를 활용하여 구축할 수 있고, 사용자가 입력하는 정보(건물의 구조 정보, 재실 정보, 냉난방 공조 설비의 가동 스케줄 등)를 기반으로 건물의 열 전달 방정식을 해석하여 건물의 에너지 사용량을 예측할 수 있다.
DDM은 과거의 에너지 사용량과 독립 변수의 상관 관계를 기반으로 에너지 사용량을 예측하는 방법으로 건물 에너지 사용량 예측 시, 실제 건물의 에너지 사용량과 입력 변수의 관계를 분석하고, 독립 변수 값을 관계식에 대입하여 예측값을 추정하기 때문에, 건물의 상세 정보가 없어도 건물의 에너지 사용량을 예측할 수 있다.
DDM은 건물의 상세정보가 없어도 에너지 사용량을 예측할 수 있는 장점이 있지만, 건물의 특성 변화를 반영할 수 없는 한계가 있다. 건물의 에너지 소비는 다양한 물리 시스템의 복합적인 영향에 의해 결정되는데, DDM은 건물의 시스템 일부가 변경되어 에너지 사용량의 경향에 영향을 주게 되면, 예측 결과의 근거를 이해하기 어렵고, 충분한 양의 데이터를 확보하지 못하거나 수집한 데이터의 품질이 떨어질 경우에 예측 성능이 떨어질 수 있다.
PEM은 시뮬레이션모델의 신뢰성 문제를 동반한다. 미국 그린빌딩위원회(U.S Green Building Council)의 보고서에 따르면 실제 에너지 사용량과 에너지 시뮬레이션을 통한 예측값은 많게는 2.75배의 차이를 보이는 것으로 나타났다. 또한, Anna Carolina Menezes 외(2012)의 연구에 따르면 시뮬레이션 예측값과 에너지 사용량 간의 편차는 건물의 재실정보와 열 성능 저하 등과 같이 시뮬레이션에서 반영할 수 없는 확률적 변수, 사용자의 전문지식 부족과 소프트웨어 숙련도, 건물 정보의 부족에 의해 발생한다고 기술하였다. 시뮬레이션 예측값과 에너지 사용량 간의 편차를 줄이기 위해 정교한 시뮬레이션 모델이 필요하지만 이는 상당한 시간이 소요되는 문제점이 있다.
따라서 건물의 에너지 사용량을 정확이 예측하기 위해, 기존의 PEM, DDM을 활용한 새로운 에너지 사용량 예측시스템이 필요한 실정이다.
특허 공개번호 10-2016-0077740 (공개일자 2016년 07월 04일), "건물 에너지 사용량 예측시스템과 예측방법", 대림산업 주식회사 특허 등록번호 10-2064877 (등록일자 2020년 01월 06일), "건물 에너지 사용량 및 절감률 분석 시스템 및 그 방법", 주식회사 에코시안
상기 문제점을 해결하기 위한 본 발명의 목적은 건물의 에너지 사용량을 정확히 예측하기 위해 PEM과 DDM의 장점을 적요한 하이브리드 모델을 제시한다.
이를 위해 본 발명에서는 건물의 에너지 시뮬레이션을 실시하고 실제 건물의 에너지 사용량과 에너지 시뮬레이션 결과를 선형회귀분석 모델을 사용하여 분석하고 정확하게 건물의 에너지 사용량을 예측하는 방법을 제시한다.
또한 본 발명은 기존의 PEM과 DDM을 적용한 하이브리드 모델을 사용하여 시뮬레이션 결과와 실제 에너지 사용량 간의 편차가 발생하더라도 에너지 사용량 예측값을 보정하여 PEM의 취약점을 보완하고, 예측 정확도를 정량적으로 평가하여 건물의 에너지 사용량을 정확하게 예측하는, PEM과 DDM를 적용한 하이브리드 모델 에너지 사용량 예측 방법을 제공한다.
본 발명의 목적을 달성하기 위해, PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법은, (a) 데이터 기반 모델(DDM)에 따라, 대상 건물의 냉난방 장비에 대해 수년 동안의 에너지 사용량 데이터를 일별 단위 또는 요일별 단위 또는 월별 단위로 나누어 묶어 해당 단위별로 시계열 패턴 형태의 군집화 데이터를 획득하고, 상기 각각의 군집화된 시계열 패턴에서 평균값을 얻어 각 군집화 데이터 별로 대표성을 가지는 대표 에너지 프로파일을 생성하는 제1단계; (b) 건물의 물리적 에너지 모델(PEM)을 통해 건물의 에너지 수요량을 도출하되 상기 제1단계에서 생성한 에너지 프로파일을 활용하여 전달받아 에너지 수요량을 도출하는 제2단계; 및 (c) 선형회귀분석 모델을 사용하여 대상건물의 과거 에너지 사용량 데이터와 상기 건물의 물리적 에너지 모델(PEM)에서 도출한 에너지 수요량의 선형 상관관계를 분석하고, 대상건물의 에너지 사용량을 예측하고 평가하는 단계를 포함한다.
본 발명의 PEM과 DDM을 적용한 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법은 PEM과 DDM의 하이브리드 모델을 사용하여 시뮬레이션 결과값을 얻고 실제 에너지 사용량 간의 편차가 발생하더라도 에너지 사용량 예측값을 보정하여 PEM의 취약점을 보완함으로써 정확한 에너지 사용량을 예측하는 효과가 기대된다.
또한 동적 시뮬레이션 툴을 활용하여 건물의 환경변화를 반영할 수 있도록 함으로써 DDM의 취약점을 동시에 보완하였으며, 기존의 PEM과 DDM과의 예측 정확도를 정량적으로 평가하여 건물의 에너지 사용량을 정확하게 예측하는 효과가 기대된다.
또한 봉 발명은 제안된 PEM과 DDM의 하이브리드 모델은 기존의 PEM, DDM과의 예측 정확도를 정량적으로 평가하여 건물의 에너지 사용량 예측 모델로써의 효용성을 입증하였다.
도 1a는 본 발명에 따른 PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법의 순서도이다.
도 1b는 PEM과 DDM의 하이브리드 모델의 구축 절차를 나타낸다.
도 2는 건물의 에너지 사용량 계측 데이터의 결측치 보정: (a) 보정 전, (b) 보정 후 결측치 대체 샘플이다.
도 3은 연도별 건물의 전력사용량 프로파일링 결과이다.
도 4는 3D 건물의 향별 평면도이다.
도 5는 PEM 방식, TRNSYS 시뮬레이션 모델이다.
도 6은 PEM과 DDM의 하이브리드 모델 기반 선형회귀 모델이다.
도 7은 PEM과 DDM의 하이브리드 모델 기반 에너지 사용량 예측결과이다.
도 8은 냉방도일 기반 선형회귀 모델(cooling degree day based linear regression model).
도 9는 냉방도일 기반 에너지 사용량 예측결과.
도 10은 건물의 실제 에너지 사용량과 TRNSYS 시뮬레이션 결과 비교.
이하, 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 발명의 구성 및 동작을 상세하게 설명한다.
본 발명은 개시되는 실시예들에 한정되는 것이 아니라 해당 기술분야에서 통상의 지식을 가진 자가 서로 다른 다양한 형태로 구현될 수 있다. 본 발명의 설명에 있어서 관련된 공지의 기술 또는 공지의 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 자세한 설명을 생략한다. 또한, 첨부된 도면 번호는 동일한 구성을 표기할 때에 다른 도면에서 동일한 도면번호를 부여한다.
본 연구 개발을 통한 특정한 실시 형태에 대해 한정하지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명의 PEM과 DDM의 단점을 극복하고 건물의 에너지 사용량을 예측하기 위해 기존의 건물의 물리적 에너지 모델(Physical energy model, PEM)과 데이터 기반 모델(Data-driven model, DDM)의 하이브리드 모델을 제시한다.
PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법은 본 발명에서 제시하는 PEM과 DDM의 하이브리드 모델은 DDM의 과거에 사용한 에너지 프로파일링을 참조하에 PEM을 적용하여 에너지 시뮬레이션 결과를 계산하고 상기 결과값이 건물의 실제 에너지 사용량 간의 편차가 발생하는 경우 에너지 사용량 예측값을 보정하여 PEM의 취약점을 보완한다.
이하에서 도 1b를 통해 PEM과 DDM의 하이브리드 모델의 구축 절차를 설명한다. 먼저, 대상 건물의 과거 에너지 사용량 데이터를 기반으로 데이터 전처리를 수행하고(예 : 건물의 에너지 사용량의 3년치 평균 계산) 상기 전처리를 통해 얻은 결과로부터 대표성을 가지는 에너지 프로파일을 생성한다. 다음으로 동적 시뮬레이션 툴인 TRNSYS 패키지를 활용하여 건물의 3D 모델과 건물의 공기조화시스템(HVAC)을 구현한다. 또한, TRNSYS 시뮬레이션 모델을 활용하여 에너지 프로파일과 건물의 3D 구조정보, 기상청 관측 기상 정보(외기 온도, 상대 습도, 일사량, 지면 온도)를 입력받아 건물의 에너지 수요량을 도출한다. 건물의 실제 에너지 사용량 데이터와 시뮬레이션 데이터의 선형 상관 관계를 분석하고, 관계식을 기반으로 에너지 사용량을 예측 및 검증한다.
도 1a를 참조하여 본 발명에 따른 PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법을 설명하면 아래와 같다.
(a) 건물의 조명 기기/전기 기기/전열 기구/냉난방 설비와 관련 없이, 데이터 기반 모델(DDM)에 따라, 대상 건물의 냉난방 설비에 대해 수년 동안의 에너지 사용량 데이터를 일별 단위 또는 요일별 단위 또는 월별 단위로 나누어 묶어 해당 단위별로 시계열 패턴 형태의 군집화 데이터를 획득하고, 상기 각각의 군집화된 시계열 패턴에서 평균값을 얻어 각 군집화 데이터 별로 대표성을 가지는 대표 에너지 프로파일을 생성하며, 상기 에너지 프로파일을 건물의 물리적 에너지 모델(PEM)의 시뮬레이션 모델로 제공하는 제1단계;
(b) 상기 건물의 물리적 에너지 모델(PEM)에 따라, 시뮬레이션 툴(TRNSYS 패키지)를 활용하여 건물의 3D 모델(면적과 높이, 벽체의 구조, 창의 면적, 유리의 형태, 공간 구분)을 구현하며, TRNSYS 시뮬레이션 모델을 활용하여 상기 에너지 프로파일과 건물의 3D 구조 정보, 기상청 관측 외기 데이터를 입력받아 건물의 조명 기기/전기 기기/전열 기구의 ON/OFF 시각과 냉난방 설비의 사용시간대(from-to)에 따라 건물의 물리적 에너지 모델(PEM)을 통해 건물의 에너지 수요량을 도출하되 상기 제1단계에서 생성한 에너지 프로파일을 활용하여 전달받아 시뮬레이션 결과(에너지 수요량)을 도출하는 제2단계; 및
(c) 선형회귀분석 모델을 사용하여 대상건물의 과거 에너지 사용량 데이터와 상기 건물의 물리적 에너지 모델(PEM)에서 도출한 에너지 수요량의 선형 상관관계를 분석하고, 대상건물의 에너지 사용량을 예측하고 평가하는 단계를 포함한다.
또한 도 1b를 참조하면, 상기 2단계의 건물의 물리적 에너지 모델(PEM)은
건축 도면(2D, 3D)의 충고와 바닥 넓이 창문의 크기를 활용하여 건물의 3D 모델을 구축하는 제2-1단계;
건물의 3D 모델에 기상 정보(예 : 외기 온도, 상대 습도, 일사량, 지면 온도, 태양 고도)와 건축단열정보(예 : 유리/벽체의 단열용량)와 설비 가동 스케줄 정보(예 : 재실 정보, 조명기기/전기기기 운전정보)를 포함하여 건물의 환경을 구현하는 제2-2단계;
상기 구현된 건물 환경에 설비규격 정보를 입력시켜 열원설비 계통을 구현하는 제2-3단계; 및
상기 구현된 건물 환경과 상기 설비규격 정보를 활용하여 시뮬레이션을 수행하여 대상 건물의 에너지 수요량을 산출하는 제2-4단계를 포함한다.
또한 상기 1단계는 대상 건물에서 냉방 및 난방기기의 에너지 사용량을 시계열로 수년간 획득하는 제1-1단계;
상기 획득된 에너지 사용량을 일별 단위 또는 요일별 단위 또는 주별 단위 또는 월별 단위 또는 계절별 단위로 나누어 군집화 하는 1-2단계;
상기 1-2단계에서 주별 단위로 군집화 하는 경우 시계열로 수년동안 획득한 시계열 데이터중에 월요일에 해당하는 모든 데이터를 시계열화하여 제1군집데이터를 얻고, 화요일에 해당하는 모든 데이터를 시계열화 하여 제2군집데이터를 얻고, 수요일에 해당하는 모든 데이터를 시계열화하여 제3군집데이터를 얻으며, 목요일에 해당하는 모든 데이터를 시계열화 하여 제4군집데이터를 얻고, 금요일에 해당하는 모든 데이터를 시계열화 하여 제5군집데이터를 얻으며, 토요일에 해당하는 모든 데이터를 시계열화 하여 제7군집데이터를 얻고, 일요일에 해당하는 모든 데이터를 시계열화 하여 제7군집데이터를 얻는 제1-3단계; 및
상기 프로파일링 된 제1 내지 제7군집데이터들 각각에 대해 평균값을 획득하여 각 군집데이터별로 대표 에너지 프로파일을 획득하는 제1-4단계를 포함한다.
상기 각 군집 데이터별로 획득한 대표 에너지 프로파일에서 가장 큰 값을 f1 이라하고 가장 작은 값을 f2라 했을 때, 가장 큰 값을 1로 환산하고 가장 작은 값을 0으로 환산하며 그 사이의 중간값이 f(k)라 할 때, 상기 중간값의 환산값은 f(k)/(f1-f2) 로 환산함에 따라 상기 대표 에너지 프로파일의 모든 값에 대한 환산값은 0 과 1 사이의 값으로 환산되는 것을 특징으로 한다.
상기 2-2단계의 스케줄 정보는 전기기기 중 냉난방 설비의 운전정보 인 제1스케줄 정보와 나머지 전기기기의 운전정보인 제2스케줄정보로 나누어지되,
상기 제1스케줄 정보는 상기 제1단계에서 각 군집 데이터별로 획득한 대표 에너지 프로파일의 환산값을 시계열로 입력하고,
상기 제2스케줄 정보는 0 또는 1을 입력하는 것을 특징으로 한다.
실시예에서는, 상기 건물의 물리적 에너지 모델(PEM)의 시뮬레이션 툴은 TRNSYS 패키지를 사용하였다.
데이터 기반 모델(DDM)은 건물의 조명 기기/전기 기기/전열기기/냉난방 설비와 관련 없이, 예를 들면 건물 에너지 사용량의 3년치 평균에 따라 산출된 과거의 건물의 에너지 사용량 데이터를 참조하여 에너지 프로파일을 PPM의 시뮬레이션 모델로 제공한다.
건물의 물리적 에너지 모델(PPM)은 상기 기상청의 관측 외기 데이터(외기 온도, 상대 습도, 일사량, 지면 온도, 태양 고도 등)에 기초하여 외기 온도와 실내 온도(냉난방 설정 온도)에 따라 난방/냉방/급수 제어가 이루어지며, 건물의 전력 부하에서 사용 시간대의 조명 기기/전기 기기/전열 기구 설비의 ON/OFF 시각과 조명 기기/전기 기기/전열 기구 동작 상태, 냉난방/환기 시간별 운전상태를 추출하고 0과 1 사이의 최대-최소 정규화하며, 과거의 건물의 에너지 사용량이 포함된 에너지 프로파일을 참조하여 에너지 사용량 시뮬레이션을 하여 건물의 조명 기기/전기 기기/전열 기구의 ON/OFF 시각과 HVAC 시스템/냉난방 설비의 사용시간대(from-to)에 따라 상기 DDM에 의해 제공된 에너지 프로파일의 과거의 에너지 사용량에 따른 건물의 실내의 room 온도 설정에 따라 건물의 에너지 사용량을 예측한다.
이에 따라 외기 온도와 실내 온도를 참조하여 설비를 가동하는 PEM과 DDM의 하이브리드 모델을 적용하여 '선형회귀분석 모델'을 기반으로 건물의 실제 에너지 사용량과 시뮬레이션 값을 비교/분석하여 건물의 에너지 사용량을 예측하였으며, 실제 건물내 에너지 사용량과 에너지 시뮬레이션의 편차를 최소화하여 실제 적용가능 하도록 한다.
특히, 건물의 외기 온도와 실내 온도를 참조하여 건물의 조명 기기/전기 기기/전열 기구의 ON/OFF 시각과 냉난방 설비의 사용시간대(from-to)와 상기 DDM에 의해 제공된 에너지 프로파일의 과거의 에너지 사용량에 따라 PEM과 DDM의 하이브리드 모델을 적용하여 '선형회귀분석 모델'을 사용하여 건물의 실제 에너지 사용량과 시뮬레이션 값을 비교/분석하여 건물의 에너지 사용량을 예측한다.
이때 기상청 관측 외기 데이터는 외기 온도, 상대 습도, 일사량, 지면 온도, 태양 고도를 포함한다.
건물의 물리적 에너지 모델(Physical energy model, PEM) 구축 절차는
1) Google Sketchup TRNSYS 3D Plugin을 활용하여 건축 도면(2D,3D)을 사용하여 건축 도면의 면적과 높이(층고)에 의해 벽체의 구조, 창의 면적, 유리의 형태를 스케치업하여 건물의 3D 모델을 구축하고,
2) TRNBuild를 활용하여 기상청의 관측 외기 데이터(외기 온도, 상대 습도, 일사량, 지면 온도, 태양 고도 등), 건물 단열 정보(열관류율, 유리/벽체의 열용량 등), 실제 에너지 사용량 기반의 에너지 프로파일을 사용하여 설비의 가동 스케쥴 정보(건물/room별 재실 정보/재실 인원수, 조명 기기, 전기 기기 운전 정보, 냉난방 설비 운전정보), 냉난방 설정 온도 정보, 환기/침기 정보를 포함하는 건물 환경 데이터를 구축하며,
3) Simulation Studio를 활용하여 조명 기기/전기 기기/전열 기구/냉난방 설비 규격 및 정보를 참조하여 외부 열원 설비 계통을 구현하고, TRNSYS 시뮬레이션이 수행된 시뮬레이션 결과를 분석하는 단계를 포함한다.
에너지 프로파일은 그 근거로써, 건물의 전력 부하 중 기기와 조명 부하는 ON/OFF 제어에 의해 동작하며, 변동성이 적은 부하이지만 공조기는 팬의 속도로 유량을 제어하는 방식이므로 변동성이 큰 부하이며, 따라서 건물의 실제 에너지 사용량을 기반으로 냉난방기의 운전정보를 추출할 수 있으며,
건물의 전력 부하에서 냉난방/환기를 위한 공조기의 시간별 운전상태를 추출하고, 0과 1 사이의 값으로 최대-최소 정규화한다.
이하에서 에너지 프로파일 추출과정을 설명한다.
정확한 PEM 모델을 구축하려면, 건물의 시스템 운전 데이터를 확보하기 위해 많은 시간과 인력을 투입해야 하는 것이 현실이다. 특히, 설비 시스템이 복잡한 대형 건물의 경우, 더 많은 시간과 비용이 소요될 수 밖에 없다. 본 발명에서는 소요되는 시간과 노력을 최소화하고, 시스템의 운전 데이터를 확보하기 위한 방안으로 에너지 프로파일을 추출한다. 건물의 전체 에너지 사용량 중 공조기의 에너지 사용비중은 전체의 약 50%를 차지하고, 그 중 약 40%가 반송동력으로 사용되기 때문에 건물의 에너지 사용량과 반송동력에 사용되는 에너지 사용량의 상관 관계는 크다고 볼 수 있다. 본 발명에서는 수집한 에너지 사용량 데이터를 기반으로 대표성을 갖는 에너지 프로파일을 추출한다. 에너지 프로파일은 상시 건물이 에너지를 소비하는 평균적인 경향을 반영하고 있다. 에너지 프로파일은 에너지 사용 비중이 높은 반송동력에 소요되는 에너지 소비경향과 유사할 것이고 즉, 건물의 HVAC의 운전상태를 나타내는 지표로 볼 수 있다. 따라서, 본 발명은 에너지 프로파일의 경향을 최소-최대 정규화를 통해 정량적인 값으로 도출하고, HVAC의 운전 스케줄로 적용하였다.
에너지 프로파일 추출의 데이터 전처리 과정으로 선행 단계에서 건물의 에너지 사용량 계측 데이터의 결측치(Yt) 보정을 수행하되 데이터의 결측 구간은 간단한 평균값을 활용하여 대체하였다.
식(1)과 같이 결측구간의 대체값은 전날과 다음날 동일시간의 에너지 사용량 평균값으로 정의한다. 이는 전날과 다음날의 같은시간 건물의 운영상태와 외기상태가 결측 구간에서 유사할 것이라 가정하고, 결측 구간이 연속되는 경우에도 적용할 수 있다.
도 2는 건물의 에너지 사용량 계측 데이터의 결측치 보정의 예시를 나타낸 그래프이다.
(1)
여기서,
이하에서 시계열 패턴 군집화에 대해 설명한다.
시간별 에너지 사용량 데이터를 일일 시간단위로 24개씩 묶은 것을 시계열 패턴으로 정의한다. 시계열 패턴은 클러스터링 기반의 k-평균 군집화(k-means clustering) 알고리즘을 통해 군집화한다. 본 발명에서는 군집의 수(β)를 k=7로 설정하고, 유사한 경향을 가지는 시계열 패턴들이 밀집될 수 있도록 식(2)에 따라 최소-최대 정규화(Min-max normalization)를 선행하였다.
(2)
여기서, x는 에너지 사용량 데이터, y는 정규화 데이터이며,
식(3), (4)에서 데이터셋의 총 길이(ℓ)는 시간단위 에너지 사용량 데이터의 총 갯수를 의미한다.
ℓ: 데이터셋의 총 길이 (3)
Figure pat00004
: 시계열 패턴의 수 (4)
k-평균 군집화는 다음 식(5), (6)을 따른다. 시계열 패턴들은 무작위 분할에 의해 총 7개의 군집으로 나누고, 각 군집 내 시계열 패턴들의 평균값(μ)을 군집의 초기 평균값으로 정의한다. 전체 시계열 패턴은 7개의 군집 초기 평균값과의 유클리디언 거리(Euclidean Distance, ED)를 계산하고 유클리디언 거리(ED)가 가장 가까운 군집에 속하게 된다. 유클리디언 거리(ED)는 다음 식(5)와 같이 계산할 수 있다. 각 시계열 패턴의 군집은 식(6)에 따라 결정된다.
(5)
(6)
여기서,
(7)
여기서,
- 시계열 패턴 프로파일링
각 군집에 속한 시계열 패턴들을 기반으로 하나의 대표성을 갖는 에너지 프로파일을 도출하였다. 에너지 프로파일 도출 과정은 다음 식(8)에 따른다.
도 3의 검은색 표시선이 각 군집에 속한 시계열 패턴을 나타내고, 붉은색 표시선이 에너지 프로파일이다.
(8)
여기서,
다음은 PEM 모델 구축에 대해 설명한다.
- 건물 3D 모델 구축
건물의 구조적 특성은 에너지 사용량과의 관련성이 높다. 대상 건물의 정확한 구조 모사를 위해 실제 건물의 건축도면을 기반으로 3D 모델을 구축하고, 벽체의 구조, 창의 면적, 공간구분 등의 건축정보는 TRNSYS 패키지를 활용하여 구현하였다.
도 4는 건물의 3D 모델의 향별 평면도이고 시뮬레이션에 반영한 건축 정보는 표 1과 같다.
- TRNSYS 모델 구축
TRNSYS 시뮬레이션은 미국의 공조냉동학회(American society of heating, refrigeration and air-conditioning engineers, ASHRAE)의 전달 함수법을 기본 알고리즘으로 사용하며, 모듈 형식의 프로그램 구조를 사용하여 사용자가 건물과 시스템 정보를 비교적 자세히 입력할 수 있는 장점이 있다. TRNSYS 지원 라이브러리 중 멀티 존 빌딩 모듈, 일사 프로세서 모듈, 유닛 HVAC 모듈, 데이터 리더 모듈을 활용하여 시뮬레이션 모델을 구축하였다.
도 5는 PEM 방식, TRNSYS 시뮬레이션 모델의 계통을 나타낸다. 멀티 존 빌딩 모듈은 기상청의 관측 기상 데이터인 기상 정보(외기 온도, 상대 습도, 일사량, 지면 온도)와 에너지 프로파일을 입력받아 실내의 온습도를 계산하고, 여름철 실내 적정 설정온도 26℃를 기준으로 HVAC 모듈의 운전 여부를 결정한다. HVAC 모듈은 멀티 존 빌딩 모듈에서 제공하는 가동 신호에 따라 환기와 냉방/난방을 가동한다.
이하에서 에너지 예측결과의 평가에 대해 설명한다.
- PEM과 DDM의 하이브리드 모델의 에너지 사용량 예측
PEM과 DDM의 하이브리드 모델의 에너지 사용량 예측은 동적 시뮬레이션 모델의 결과()
Figure pat00013
와 실제 에너지 사용량(
Figure pat00014
)의 상관관계 분석을 통한 선형회귀식을 기반으로 수행하였다. 본 발명의 대상 건물은 겨울철 가스식 온풍기를 사용하여 난방하고 여름철에는 전기식 시스템 에어컨을 사용하여 냉방하고 있다. 따라서, 본 연구에서 활용한 에너지 사용량 데이터는 전력사용량 데이터임을 감안하여 예측 범위를 여름철로 한정하였다.
건물의 에너지 사용량 시뮬레이션의 결과와 건물의 실제 에너지 사용량 간의 상관성은 식(10)에 따라 피어슨 상관계수(
Figure pat00015
)로 평가하였다. 피어슨 상관계수(
Figure pat00016
)는 0.8100으로 강한 상관성(
Figure pat00017
> 0.8, 강한 상관 관계)을 보이는 것으로 나타났다[12]. 에너지 사용량 예측을 위한 선형회귀식은 식(11)~(13)에 따라 PEM과 DDM의 하이브리드 모델 기반 에너지 사용량 예측값을 도출하였다
PEM과 DDM의 하이브리드 모델의 상관관계는 도 6과 같이 도시하였으며, 선형회귀식은 식(10), (11)-(13)을 기반으로 에너지 사용량 예측을 수행한 결과는 도 7에 도시하였다.
(9)
도 6은 PEM과 DDM의 하이브리드 모델 기반 선형회귀 모델을 나타내며, Y축은 실제 에너지 사용량(
Figure pat00019
), X축은 동적 시뮬레이션 모델의 결과(
Figure pat00020
)를 나타낸다.
건물의 에너지 사용량 시뮬레이션 결과의 선형회귀 모델(linear regression model)을 사용하여 선형회귀식을 기반으로 에너지 사용량 예측을 수행한 결과는 도 7에 도시하였다.
도 7은 PEM과 DDM의 하이브리드 모델 기반 에너지 사용량 예측 결과이다.
(10)
(11)
(12)
(13)
여기서,
- 비교모델의 예측 수행
본 발명의 PEM과 DDM의 하이브리드 모델의 성능 평가를 위해 냉방도일 기반의 예측을 비교모델로 사용하였다. 냉방도일 기반의 예측은 DDM의 일종으로 건물의 에너지 사용량을 예측하기 위한 방법 중 하나이다. 냉방도일은 다음 식(14)에 따라 기준 온도와 일일 평균 외기온도의 차로 도출할 수 있다. 냉방도일 기반의 예측은 하이브리드 모델의 예측 수행방법과 마찬가지로 냉방도일과 에너지 사용량 간의 상관관계를 분석하고 선형회귀식을 기반으로 에너지 사용량을 예측하였다.
냉방 도일과 에너지 사용량의 상관관계는 도 8에 도시하였다. 냉방 도일과 에너지 사용량과의 피어슨 상관 계수(
Figure pat00026
)는 0.6687로 계산되어 약한 상관성(
Figure pat00027
< 0.7, 약한 상관 관계)을 보였다. 냉방 도일 기반의 선형회귀식은 식(15)와 같았다. 냉방 도일 기반의 에너지 사용량 예측을 수행한 결과는 도 9에 나타냈다.
도 8은 냉방도일 기반 선형회귀 모델(linear regression model), 도 9는 냉방도일 기반 에너지 사용량 예측결과를 도시하였다.
(14)
여기서,
Figure pat00029
: 외기 온도[℃],
Figure pat00030
= 18.3 [℃]
(15)
- PEM과 DDM의 하이브리드 모델의 성능평가
PEM과 DDM의 하이브리드 모델의 성능평가는 평균 제곱근 오차(Root Mean Squared Error, RMSE)와 평균 제곱근 오차의 변동계수(Coefficient of variation of the RMSE, CVRMSE)로 평가하였다.
MAPE와 CVRMSE는 각각 식 (16)과 (17)에 따라 계산할 수 있다.
(16)
(17)
여기서,
PEM과 DDM의 하이브리드 모델의 성능평가는 두 단계로 나누어 수행하였다. 먼저, TRNSYS 시뮬레이션의 결과와 PEM과 DDM의 하이브리드 모델의 예측결과를 비교하였다. 도 10은 1년 동안 건물의 실제 에너지 사용량과 TRNSYS 시뮬레이션 결과를 비교한 그림이다. TRNSYS 시뮬레이션 결과에 따르면, PEM과 DDM의 하이브리드 모델의 에너지 사용량 시뮬레이션 결과는 건물의 실제 에너지 사용량과 유사한 경향을 보였다. 다만, 정량적인 에너지 사용량을 정확하게 예측하기에는 한계가 있었다.
표 2는 TRNSYS 시뮬레이션과 하이브리드 모델의 성능평가 결과를 나타났다.
TRNSYS 시뮬레이션의 경우 일일 1175.93[kW]의 RMSE(Root Mean Square Error)를 가지며, CVRMSE 기준 19.09%의 성능을 보였다. PEM과 DDM의 하이브리드 모델의 경우, TRNSYS 시뮬레이션 결과에 비해 RMSE는 24% 낮았고, CVRMSE는 12% 수준으로 나타났다. 결과적으로, TRNSYS 시뮬레이션 결과를 기반으로 하이브리드 모델을 구축 시 실제 에너지 사용량 간의 편차를 줄여 건물의 에너지 사용량의 예측 성능을 높일 수 있다.
다음으로 냉방도일 기반의 예측과 PEM과 DDM의 하이브리드 모델의 예측 결과를 비교하였다. 상기 3.1과 3.2에 기술한 바와 같이, PEM과 DDM의 하이브리드 모델의 예측 결과가 냉방도일 기반의 예측 결과에 비해 더 우수한 것으로 나타났다.
냉방도일 기반의 예측과 PEM과 DDM의 하이브리드 모델의 성능 평가에서는 냉방도일 기반의 예측이 DDM의 일종임을 감안하여 예측 성능을 평가하기 위한 지표로 훈련 데이터셋의 비율을 추가하였다.
본 발명에서는 전체 데이터 대비 훈련데이터의 비율을 훈련 데이터셋 비율로 정의하였다. 두 모델의 성능평가 결과에 따르면 훈련 데이터셋의 비율이 20%일 때 하이브리드 모델의 평균제곱근 오차의 변동계수(CVRMSE)는 23%로 나타났고, 냉방도일 기반 모델의 CVRMSE 34%로 하이브리드 모델의 예측 정확도가 더 높은 것으로 나타났다.
훈련 데이터의 비중을 30%로 높일 경우, 하이브리드 모델과 냉방도일 기반 모델의 CVRMSE 편차는 약 7%로 하이브리드 모델이 더 우수한 성능을 보였다. 특히, 훈련데이터의 비중이 30% 이하일 경우에서는 표 2와 표 3에서 보이는 바와 같이 TRNSYS 시뮬레이션의 오차율이 냉방도일 기반 예측 모델에 비해 더 낮은 것으로 나타났다.
훈련 데이터의 비중이 40% ~ 60%에서는 두 모델 모두에서 예측 성능의 변화가 거의 없었고, PEM과 DDM의 하이브리드 모델이 4.5% 우수한 예측 정확도를 보였다. 훈련 데이터의 비중이 70%일 때는 PEM과 DDM의 하이브리드 모델의 성능이 약 5% 우수한 것으로 나타났다.
종합적으로, PEM과 DDM의 하이브리드 모델은 냉방도일 기반의 예측 모델에 비해 예측 성능이 우수했고, 훈련 데이터의 비중이 작을 경우에서도 평균 20% 내외의 오차 범위에서 에너지 사용량을 예측할 수 있었다.
표 3은 하이브리드 모델의 성능평가 결과2를 나타낸다.
건물의 에너지 사용량을 예측하기 위해 PEM과 DDM의 하이브리드 모델을 사용하여 건물의 에너지 사용량 시뮬레이션을 실시하여 실제 건물의 에너지 사용량과 에너지 시뮬레이션 결과를 선형회귀분석 모델을 사용하여 분석하고 정확하게 건물의 에너지 사용량을 예측하였으며, PEM과 DDM의 하이브리드 모델을 사용하여 시뮬레이션 결과와 실제 에너지 사용량 간의 편차가 발생하더라도 에너지 사용량 예측값을 보정하여 PEM의 취약점을 보완하고 동적 시뮬레이션 툴을 활용하여 건물의 환경 변화를 반영하여 DDM의 취약점을 동시에 보완하였으며, PEM과 DDM과의 예측 정확도를 정량적으로 평가하여 건물의 에너지 사용량을 정확하게 예측하였다.
이상에서 설명한 바와 같이, 본 발명의 방법은 프로그램으로 구현되어 컴퓨터의 소프트웨어를 이용하여 읽을 수 있는 형태로 기록매체(CD-ROM, RAM, ROM, 메모리 카드, 하드 디스크, 광자기 디스크, 스토리지 디바이스 등)에 저장될 수 있다.
본 발명의 구체적인 실시예를 참조하여 설명하였지만, 본 발명은 상기와 같이 기술적 사상을 예시하기 위해 구체적인 실시 예와 동일한 구성 및 작용에만 한정되지 않고, 본 발명의 기술적 사상과 범위를 벗어나지 않는 한도 내에서 다양하게 변형하여 실시될 수 있으며, 본 발명의 범위는 후술하는 특허청구범위에 의해 결정되어야 한다.

Claims (14)

  1. (a) 건물의 데이터 기반 모델(DDM)에 따라, 대상 건물의 에너지 사용량 데이터를 시계열 패턴 형태의 군집화 데이터를 획득하고, 상기 각각의 군집화된 시계열 패턴에서 대표성을 가지는 대표 에너지 프로파일을 생성하는 제1단계;
    (b) 건물의 물리적 에너지 모델(PEM)을 통해 건물의 에너지 수요량을 도출하되 상기 제1단계에서 생성한 에너지 프로파일을 활용하여 전달받아 에너지 수요량을 도출하는 제2단계; 및
    (c) 대상건물의 과거 에너지 사용량 데이터와 상기 건물의 물리적 에너지 모델(PEM)에서 도출한 에너지 수요량의 패턴을 분석하여, 대상건물의 에너지 사용량을 예측하고 평가하는 단계;
    를 포함하는 PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법.
  2. 제1항에 있어서,
    상기 2단계의 건물의 물리적 에너지 모델(PEM)은
    건축 도면의 충고와 바닥넓이 창문의 크기를 활용하여 건물의 3D 모델을 구축하는 제2-1단계;
    건물의 3D 모델에 기상정보와 건축단열정보와 전기기기의 운전 스케줄정보를 포함하여 건물의 환경을 구현하는 제2-2단계;
    상기 구현된 건물 환경에 설비규격 정보를 입력시켜 열원설비 계통을 구현하는 제2-3단계; 및
    상기 구현된 건물 환경과 상기 설비규격 정보를 활용하여 시뮬레이션을 수행하여 대상 건물의 에너지 수요량을 산출하는 제2-4단계;
    를 포함하는 PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법.
  3. 제2항에 있어서,
    상기 1단계는 대상 건물에서 냉방 및 난방기기의 에너지 사용량을 시계열로 획득하는 제1-1단계;
    상기 획득된 에너지 사용량을 일정단위로 나누어 군집화 하는 1-2단계;
    상기 1-2단계에서 월별 단위로 군집화 하는 경우 모든 데이터를 시계열화 하여 군집데이터를 얻는 제1-3단계; 및
    상기 프로파일링 된 군집데이터들 각각에 대해 평균값을 획득하여 대표 에너지 프로파일을 획득하는 제1-4단계;
    를 포함하는 PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법.
  4. (a) 데이터 기반 모델(DDM)에 따라, 대상 건물의 냉난방 장비에 대해 수년 동안의 에너지 사용량 데이터를 일정주기로 묶어 해당 단위별로 시계열 패턴 형태의 군집화 데이터를 획득하고, 상기 각각의 군집화된 시계열 패턴에서 평균값을 얻어 각 군집화 데이터 별로 대표성을 가지는 대표 에너지 프로파일을 생성하는 제1단계;
    (b) 건물의 물리적 에너지 모델(PEM)을 통해 건물의 에너지 수요량을 도출하되 상기 제1단계에서 생성한 에너지 프로파일을 활용하여 전달받아 에너지 수요량을 도출하는 제2단계; 및
    (c) 선형회귀분석 모델을 사용하여 대상건물의 과거 에너지 사용량 데이터와 상기 건물의 물리적 에너지 모델(PEM)에서 도출한 에너지 수요량의 선형 상관관계를 분석하는 단계;
    를 포함하는 PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법.
  5. 제4항에 있어서,
    상기 2단계의 건물의 물리적 에너지 모델(PEM)은
    건축 도면의 충고와 바닥넓이 창문의 크기를 활용하여 건물의 3D 모델을 구축하는 제2-1단계;
    건물의 3D 모델에 기상정보인 외기온도, 상대습도와 건축단열정보인 유리의 단열용량)와 스케줄정보인 재실 정보, 전기기기 운전정보를 포함하여 건물의 환경을 구현하는 제2-2단계;
    상기 구현된 건물 환경에 설비규격 정보를 입력시켜 열원설비 계통을 구현하는 제2-3단계; 및
    상기 구현된 건물 환경과 상기 설비규격 정보를 활용하여 시뮬레이션을 수행하여 대상 건물의 에너지 수요량을 산출하는 제2-4단계;
    를 포함하는 PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법.
  6. 제5항에 있어서,
    상기 1단계는 대상 건물에서 냉방 및 난방기기의 에너지 사용량을 시계열로 획득하는 제1-1단계;
    상기 획득된 에너지 사용량을 일정 주기로 나누어 군집화 하는 1-2단계;
    상기 1-2단계에서 주별 단위로 군집화 하는 경우 모든 데이터를 시계열화 하여 군집데이터를 얻는 제1-3단계; 및
    상기 프로파일링 된 군집데이터들 각각에 대해 평균값을 획득하여 대표 에너지 프로파일을 획득하는 제1-4단계;
    를 포함하는 PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법.
  7. (a) 데이터 기반 모델(DDM)에 따라, 대상 건물의 냉난방 장비에 대해 수년 동안의 에너지 사용량 데이터를 일별 단위 또는 요일별 단위 또는 월별 단위로 나누어 묶어 해당 단위별로 시계열 패턴 형태의 군집화 데이터를 획득하고, 상기 각각의 군집화된 시계열 패턴에서 평균값을 얻어 각 군집화 데이터 별로 대표성을 가지는 대표 에너지 프로파일을 생성하는 제1단계;
    (b) 건물의 물리적 에너지 모델(PEM)을 통해 건물의 에너지 수요량을 도출하되 상기 제1단계에서 생성한 에너지 프로파일을 활용하여 전달받아 에너지 수요량을 도출하는 제2단계; 및
    (c) 선형회귀분석 모델을 사용하여 대상건물의 과거 에너지 사용량 데이터와 상기 건물의 물리적 에너지 모델(PEM)에서 도출한 에너지 수요량의 선형 상관관계를 분석하고, 대상건물의 에너지 사용량을 예측하고 평가하는 단계;
    를 포함하는 PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법.
  8. 제7항에 있어서,
    상기 2단계의 건물의 물리적 에너지 모델(PEM)은
    건축 도면의 충고와 바닥넓이 창문의 크기를 활용하여 건물의 3D 모델을 구축하는 제2-1단계;
    건물의 3D 모델에 기상정보(예 : 외기온도, 상대습도, 일사량, 지면온도, 태양고도)와 건축단열정보(예 : 유리/벽체의 단열용량)와 스케줄정보(예 : 재실 정보, 조명기기/전기기기 운전정보)를 포함하여 건물의 환경을 구현하는 제2-2단계;
    상기 구현된 건물 환경에 설비규격 정보를 입력시켜 열원설비 계통을 구현하는 제2-3단계; 및
    상기 구현된 건물 환경과 상기 설비규격 정보를 활용하여 시뮬레이션을 수행하여 대상 건물의 에너지 수요량을 산출하는 제2-4단계;
    를 포함하는 PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법.
  9. 제8항에 있어서,
    상기 1단계는 대상 건물에서 냉방 및 난방기기의 에너지 사용량을 시계열로 수년간 획득하는 제1-1단계;
    상기 획득된 에너지 사용량을 일별 단위 또는 요일별 단위 또는 주별 단위 또는 월별 단위 또는 계절별 단위로 나누어 군집화 하는 1-2단계;
    상기 1-2단계에서 주별 단위로 군집화 하는 경우 시계열로 수년동안 획득한 시계열 데이터중에 월요일에 해당하는 모든 데이터를 시계열화 하여 제1군집데이터를 얻고, 화요일에 해당하는 모든 데이터를 시계열화 하여 제2군집데이터를 얻고, 수요일에 해당하는 모든 데이터를 시계열화 하여 제3군집데이터를 얻고, 목요일에 해당하는 모든 데이터를 시계열화 하여 제4군집데이터를 얻고, 금요일에 해당하는 모든 데이터를 시계열화 하여 제5군집데이터를 얻고, 토요일에 해당하는 모든 데이터를 시계열화 하여 제7군집데이터를 얻고, 일요일에 해당하는 모든 데이터를 시계열화 하여 제7군집데이터를 얻는 제1-3단계; 및
    상기 프로파일링 된 제1 내지 제7군집데이터들 각각에 대해 평균값을 획득하여 각 군집 데이터별로 대표 에너지 프로파일을 획득하는 제1-4단계;
    를 포함하는 PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법.
  10. 제9항에 있어서,
    상기 각 군집 데이터별로 획득한 대표 에너지 프로파일에서 가장 큰 값을 f1 이라하고 가장 작은 값을 f2라 했을 때, 가장 큰 값을 1로 환산하고 가장 작은 값을 0으로 환산하며 그 사이의 중간값이 f(k)라 할 때, 상기 중간값의 환산값은 f(k)/(f1-f2) 로 환산함에 따라 상기 대표 에너지 프로파일의 모든 값에 대한 환산값은 0 과 1 사이의 값으로 환산되는 것을 특징으로 하는 PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법.
  11. 제7항에 있어서,
    상기 2-2단계의 스케줄 정보는 전기기기 중 냉난방 설비의 운전정보 인 제1 스케줄 정보와 나머지 전기기기의 운전정보 인 제2 스케줄 정보로 나누어지되,
    상기 제1 스케줄정보는 상기 제1단계에서 각 군집데이터별로 획득한 대표 에너지 프로파일의 환산값을 시계열로 입력하고,
    상기 제2 스케줄 정보는 0 또는 1을 입력하는 것을 특징으로 하는 PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법.
  12. 제7항에 있어서,
    상기 건물의 물리적 에너지 모델(PEM)의 시뮬레이션 툴은 TRNSYS 패키지를 사용하는, PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법.
  13. 제12항에 있어서,
    상기 건물의 물리적 에너지 모델(PEM) 구축 절차는
    1) Google Sketchup TRNSYS 3D Plugin 활용하여 건축 도면(2D,3D)을 사용하여 건축 도면의 면적과 높이(층고)에 의해 벽체의 구조, 창의 면적, 유리의 형태를 스케치업하여 건물의 3D 모델을 구축하는 단계;
    2) TRNBuild를 활용하여 기상청의 관측 외기 데이터(외기 온도, 상대 습도, 일사량, 지면 온도, 태양 고도 등), 건물 단열 정보(열관류율, 유리/벽체의 열용량 등), 실제 에너지 사용량 기반의 에너지 프로파일을 사용하여 설비의 가동 스케쥴 정보(건물/room별 재실 정보/재실 인원수, 조명 기기, 전기기기 운전 정보, 냉난방 설비 운전정보), 냉난방 설정 온도 정보, 환기/침기 정보를 포함하는 건물 환경 데이터를 구축하는 단계; 및
    3) Simulation Studio를 활용하여 조명 기기/전기 기기/전열 기구/냉난방 설비 규격 및 정보를 참조하여 외부 열원 설비 계통을 구현하고, TRNSYS 시뮬레이션 결과를 분석하는 단계;
    를 포함하는 PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법.
  14. 제7항에 있어서,
    상기 에너지 프로파일 추출 과정은
    (a1) 건물의 에너지 사용량 계측 데이터의 결측치(Yt) 보정을 수행하며, 데이터의 결측 구간은 전날과 다음날 동일시간의 에너지 사용량 평균값을 사용하는 데이터 전처리 단계;
    (1)
    여기서,
    (b1) 시간별 에너지 사용량 데이터를 일일 시간단위로 24개씩 묶은 것을 클러스터링 기반의 시계열 패턴으로 k-평균 군집화(k-means clustering) 알고리즘을 통해 군집화하며, 실시예에서는 군집의 수(β)를 k=7로 설정하고, 유사한 경향을 가지는 시계열 패턴들이 밀집될 수 있도록 식(2)에 따라 최소-최대 정규화(Min-max normalization)를 실행하며, (2)
    여기서, x는 에너지 사용량 데이터, y는 정규화 데이터이며,
    데이터셋의 총 길이(ℓ)는 시간단위 에너지 사용량 데이터의 총 갯수를 의미하며,
    ℓ: 데이터셋의 총 길이 (3)
    Figure pat00040
    : 시계열 패턴의 수 (4)
    k-평균 군집화는 다음 식(5), (6)을 따르며, 시계열 패턴들은 무작위 분할에 의해 총 7개의 군집으로 나누고, 각 군집 내 시계열 패턴들의 평균값(μ)을 군집의 초기 평균값으로 정의하며, 전체 시계열 패턴은 7개의 군집 초기 평균값과의 유클리디언 거리(ED)를 계산하고, 유클리디언 거리(ED)가 가장 가까운 군집에 속하게 되며, 유클리디언 거리(ED)는 식(5)와 같이 계산하고, 각 시계열 패턴의 군집은 식(6)에 따라 결정되며,
    (5)
    (6)
    여기서,
    (7)
    여기서,
    군집화가 한번 수행되면, 식(7)에 의해 군집의 평균값 재조정을 통해 다시 계산하고, 군집화를 반복하며, 군집화는 군집의 평균값의 변화가 없을 때까지 반복하는 시계열 패턴 군집화 단계; 및
    (c1) 각 군집에 속한 시계열 패턴들을 기반으로 식(8)에 의해 하나의 대표성을 갖는 에너지 프로파일을 도출하는 시계열 패턴 프로파일링 단계;
    (8)
    여기서,
    을 나타내는 PEM과 DDM의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법.








KR1020220109209A 2022-08-30 2022-08-30 Pem과 ddm의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법 KR20240031508A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220109209A KR20240031508A (ko) 2022-08-30 2022-08-30 Pem과 ddm의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220109209A KR20240031508A (ko) 2022-08-30 2022-08-30 Pem과 ddm의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법

Publications (1)

Publication Number Publication Date
KR20240031508A true KR20240031508A (ko) 2024-03-08

Family

ID=90236111

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220109209A KR20240031508A (ko) 2022-08-30 2022-08-30 Pem과 ddm의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법

Country Status (1)

Country Link
KR (1) KR20240031508A (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160077740A (ko) 2014-12-24 2016-07-04 대림산업 주식회사 건물 에너지 사용량 예측시스템과 예측방법
KR102064877B1 (ko) 2019-08-21 2020-01-10 주식회사 에코시안 건물 에너지 사용량 및 절감률 분석 시스템 및 그 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160077740A (ko) 2014-12-24 2016-07-04 대림산업 주식회사 건물 에너지 사용량 예측시스템과 예측방법
KR102064877B1 (ko) 2019-08-21 2020-01-10 주식회사 에코시안 건물 에너지 사용량 및 절감률 분석 시스템 및 그 방법

Similar Documents

Publication Publication Date Title
Mavromatidis et al. A review of uncertainty characterisation approaches for the optimal design of distributed energy systems
Harish et al. A review on modeling and simulation of building energy systems
De Coninck et al. Quantification of flexibility in buildings by cost curves–Methodology and application
Ascione et al. A real industrial building: Modeling, calibration and Pareto optimization of energy retrofit
US8977405B2 (en) Continuous optimization energy reduction process in commercial buildings
Henze et al. Experimental analysis of model-based predictive optimal control for active and passive building thermal storage inventory
Jang et al. Prediction of optimum heating timing based on artificial neural network by utilizing BEMS data
Kim et al. Sequence-to-sequence deep learning model for building energy consumption prediction with dynamic simulation modeling
Swan Residential sector energy and GHG emissions model for the assessment of new technologies
Liu et al. Model predictive control under forecast uncertainty for optimal operation of buildings with integrated solar systems
Fang et al. Identification of the optimal control strategies for the energy-efficient ventilation under the model predictive control
US10359206B1 (en) System and method for forecasting seasonal fuel consumption for indoor thermal conditioning with the aid of a digital computer
CN114764521A (zh) 基于遗传算法的园区建筑形体优化方法及系统
CN116205425A (zh) 一种基于典型数据库的低碳园区冷热电气负荷预测方法
Lei et al. Prediction method of energy consumption for high building based on LMBP neural network
Hong et al. Operational signature-based symbolic hierarchical clustering for building energy, operation, and efficiency towards carbon neutrality
Lee et al. Modeling and simulation of building energy performance for portfolios of public buildings
Peng et al. Investigation on spatial distributions and occupant schedules of typical residential districts in South China's Pearl River Delta
Weng et al. RNN-based forecasting of indoor temperature in a naturally ventilated residential building
Yu Mining hidden knowledge from measured data for improving building energy performance
KR20240031508A (ko) Pem과 ddm의 하이브리드 모델을 적용한 건물의 에너지 사용량 예측 방법
CN115271168A (zh) 用电负荷响应潜力的预测方法、装置及存储介质
Avotins et al. IoT Solution Approach for Energy Consumption Reduction in Buildings: Part 3. Mathematical Model of Building and Experimental Results
Dakyen et al. Energy models for cost-optimal analysis: Development and calibration of residential reference building models for Northern Cyprus
Kalogeras et al. Verification and validation of a simulation model for energy use in buildings