전병기
(Byung Ki Jeon)
1
김의종
(Eui-Jong Kim)
2†
-
인하대학교 건축공학과 대학원
(Department of Architectural Engineering, Graduate school, Inha University, Incheon,
22212, Korea)
-
인하대학교 건축공학과
(Department of Architectural Engineering, Inha University, Incheon, 22212, Korea)
Copyright © 2016, Society of Air-Conditioning and Refrigeration Engineers of Korea
Key words
인공신경망(Artificial neural network), 건물 부하(Building load), 기상 데이터(Weather data)
기호설명
EP,i：예측 부하 [W]
EA,i：비교모델의 부하 [W]
Ev：비교모델의 부하 평균 [W]
n：데이터 수
1. 서론
1.1 연구 배경 및 목적
건물에서 에너지를 효율적으로 사용하기 위한 건물부하 예측에 관한 연구가 최근 활발히 진행되고 있다. 건물부하의 흐름을 정확히 예측한다면 에너지 사용
스케줄 관리 및 최적화된 에너지 거래 계획을 수립하는데 유리하다. 대부분 과거 에너지 사용 패턴에 근거하여 미래를 예측하는 것으로, 잘 알려진 기법으로는
인공신경망(ANN, Artificial Neural Network) 모델이 있다. Kim and Hong
(1)에 따르면 ANN 모델은 연산처리 속도가 빠르고 신경망이 수용 할 수 있는 범위 내에서 학습이 가능해 주위 환경에 대한 적응력이 뛰어나다고 밝힌 바
있다. 인공 신경망 모델은 주어진 데이터의 뉴런 사이의 연결강도를 조정하여 목표 값에 근접하도록 하는 학습모델이다. 따라서 입력 데이터의 종류와 개수에
따라 예측 성능이 결정되기 때문에 입력 데이터를 선정할 때 신중하여야 한다.
건물에너지 분야에서 인공신경망 모델 선행연구를 살펴보면 Yang and Kim
(2)은 ANN 모델을 통해 시스템 최적운전을 위한 실온 하강 시간을 예측하였고, Baik et al.
(3)은 셋백온도 적용시점을 예측해 쾌적한 열 환경을 제공하는 연구를 진행하였다. 또한, Baek et al.
(4)은 건물의 형태(유리창의 분포, 지붕 면적, 건물 높이 등)와 방위 등 건물의 물리적 요소를 입력 데이터로 설정하여 건물전체의 부하를 예측하였다.
제안된 방법은 새로 지어지는 건물전체의 초기 에너지 계획 수립에 적용이 가능하나, 단일세대 부하예측에 적용하기에는 어려움이 따른다. 그 외 Kong
et al.,
(5) Kim et al.
(6)에 의해 기상 데이터를 활용하여 도시 및 국가 단위 전력부하 예측 등 비교적 큰 단위의 부하 예측에 대한 연구는 활발히 이루어지고 있으나 단일세대
부하를 직접 예측하는 시도는 거의 없었다.
국외의 경우 기상 데이터를 기반으로 부하예측 ANN 모델을 개발하는 연구가 활발히 진행되었다. 예측 성능이 우수했던 해외 문헌을 조사 해본 결과 Chow
and Leung
(7)은 홍콩의 과거 4달 동안의 기상 데이터(외기온도, 습도, 강수, 운량, 요일 정보)와 에너지 사용량의 상관관계를 분석해 에너지 요구량을 예측하였다.
제안 모델은 4달 정도의 충분한 과거 데이터를 필요로 한다. 몇몇 기상 데이터의 경우 하루 단위 예보 체계에서는 시간별 정보를 얻기 어렵다는 단점이
있다. Peng et al.
(8)은 두 가지 ANN 모델을 병합한 학습 모델을 제안했는데, 마찬가지로 요일별 부하 패턴을 포함한 다양한 입력 데이터를 필요로 하였다. Ekici and
Aksoy
(9)는 창의 투명도, 건물 방위, 단열재의 두께처럼 쉽게 변하지 않는 건물의 특성을 입력변수로 난방부하를 예측하였다. 250가지 경우의 수에 해당하는
건물의 특성에 따른 부하 데이터를 학습하여 예측하고자 하는 대상 건물의 부하를 예측하였다. 제안된 모델은 250가지 경우에 해당하는 측정된 건물 부하
데이터를 모두 수집 되어야 하며 수집된 250가지 경우의 수 이외의 특성을 갖는 건물일 경우 예측 성능이 저하 될 수 있다.
조사된 선행연구들은 부하 예측범위에 따라 6개월에서 수년에 해당하는 충분한 측정 데이터를 필요로 하며, 모델에 따라 실시간으로 얻기 어려운 데이터를
사용하기 때문에 부하 예측을 통하여 단일 건물 및 세대의 다음날 운전 계획을 세우기에는 실용성이 떨어진다. 이에 본 연구에서는 과거 데이터가 충분치
않은 상황을 가정해 최소 측정 데이터와 기상 예보 등을 이용하여 쉽게 얻을 수 있는 데이터를 이용하여 다음날 시간대별 건물 열 부하를 예측하는 모델을
개발하고자 한다.
1.2 연구 방법 및 절차
본 예측모델에 사용된 입력된 데이터는 과거 계산된 건물 부하와 시간 정보(1~24시 라벨링), 외기온도, 수평면 전일사량이다. 여기서 외기온도는 기상예보를
통해 데이터를 쉽게 얻을 수 있으며, 수평면 전일사량은 측정 장비만 준비된다면 특별한 경계조건에 대한 고려 없이 단순 측정이 가능하다. 건물 부하
비교를 위해 동적에너지 해석 프로그램인 TRNSYS를 이용하여 바닥 면적이 84 m
2인 우리나라의 일반적인 공동주택 한 세대를 시뮬레이션 한 결과를 기준 값으로 설정하였다. 기상 데이터는 서울지역 기본 제공 데이터(Seoul. Try)를
사용하였으며, 실내 발열은 평일과 휴일에 대한 구분 없이 재실자(4인)와 조명 그리고 장비(컴퓨터 1대)에 대한 발열량을 프로그램 기본값으로 입력하였다.
그 외 모델링에 사용된 입력조건은
Table 1에 정리하였다. 학습에 사용되는 데이터량과 ANN 모델의 재구축 시간(학습 간격)에 따른 모델의 성능을 분석하기 위해 다양한 케이스를 설정하고 각
경우의 예측 성능을 비교하였다. 학습을 위해 Feed-Forward Back Prop(FFBP)과 Generalized Regression(GR)
두 종류의 ANN 학습 알고리즘을 통해 부하예측을 실시하였고, 예측 결과는 ASHRAE Guideline,
(10) DOE M&V Guidelines,
(11) IPMVP
(12)에서 제시한 건물 에너지 성능 검증 지침 충족 여부를 기준으로 예측모델의 적합성을 평가하였다.
Table 1. Building Information
|
Floor Area
|
84 m2
|
Heating set temperature
|
22℃
|
|
Window(North East)
|
3.6 m2, 3.6 m2, 7.2 m2
|
Weather Data
|
Seoul. Try
|
|
Window(South West)
|
2.5 m2, 2.2 m2
|
Ventilation rate[1/h]
|
0.5 ACH
|
2. 학습 알고리즘 및 변수 선정
Hikmet and Murat
(13)에 따르면 FFBP는 학습 성능이 우수한 통계학적 예측 방법으로 오랜 기간 꾸준히 사용되어왔으며, GR 모델은 별도의 뉴런과 은닉 층을 정할 필요
없는 가벼운 모델로 회귀분석 기반의 학습 모델이기 때문에 시계열 분석에 유리하다고 밝힌 바 있다. 이는 시간의 흐름에 따른 건물 부하를 예측 하는
본 연구의 목적에 부합함으로 GR과 일반적인 인공신경망 모델인 FFBP 알고리즘을 통해 학습을 진행하고자 한다. FFBP 학습 알고리즘은 뉴런 사이의
연결 가중치를 조절해 오차를 줄이는 구조로써 학습 변수 설정에 따라 결과 값이 조금씩 다르게 나타남으로 적절한 학습 변수를 설정하여야 한다.
본 연구에서 설정한 학습 변수로는 학습 횟수, 뉴런 개수, 목표성능이 있다. 학습 횟수는 목표 값을 얻기 위해 최대로 반복되는 횟수를 의미하며 최대
1,000번까지 반복 학습하게 설정하였다. 뉴런의 개수 설정에는 특정한 지침이나 규칙은 없다. 일반적으로 사용자의 경험에 의존하게 되는데 Kong
et al.
(5)은 뉴런의 개수가 많을수록 복잡한 데이터의 관계 분석에 유리하다고 하면서도 복잡한 정도에 대한 정보는 알려져 있지 않다고 하였다. 해당 연구에서는
에너지 수요 예측을 위해 6개의 물리적(건구온도, 상대습도, 풍속, 일사량), 시간(요일, 시간) 입력 변수를 사용하였는데, 이때 70개의 뉴런이
적용되었다. 성능은 케이스별로 다르게 나타났으나 CVRMSE 5%로 우수한 학습 성능을 보였기 때문에, 본 연구에서도 70개의 뉴런으로 학습을 진행하였다.
마지막으로 목표 성능은 인공신경망의 성능을 나타내는 변수로서 오차의 수렴정도를 의미한다. 즉 적용 값이 0에 수렴 할수록 최대 성능을 보일 수 있기
때문에 본 연구에서의 목표 성능은 0으로 설정하였다.
3. 인공 신경망 기반 건물 부하 예측 모델 작성
선행연구에서 살펴보았듯이 인공신경망 기반 예측 모델은 데이터 크기에 따라 성능이 결정된다. 하지만 본 연구의 목적은 제한된 수의 입력변수로 건물 부하
예측 가능성을 확인하는데 있기 때문에 최소의 데이터 세트로 인공신경망을 구축했으며, 예측에 사용된 입력 데이터로 언급했듯이 외기온도와 수평면 전일사량,
시각에 대한 정보만을 사용하고자 한다. 과거 3일, 5일, 10일 간의 서로 다른 측정 데이터 량을 이용하여 각 케이스별 학습을 진행 하였으며, 하루
단위 데이터 통신을 가정하여 측정 데이터는 24시간 마다 업데이트 하고 이를 MATLAB에서 제공하는 FFBP와 GR 학습 알고리즘을 사용해 ANN
모델을 구성하였으며 하루 단위로 부하를 예측하였다. 총 2주간의 예측 결과를 이용하여 성능을 평가하였다. 한번 학습된 인공신경망 모델은 입력 데이터가
동일할 때 같은 결과를 예측하기 때문에 외기 조건이 같을지라도 건물의 축열 효과에 따라 달라지는 부하패턴을 예측하기가 어렵다. 1시간마다 측정 데이터가
업데이트 되고 동시에 새롭게 ANN 학습이 이루어지는 경우도 함께 비교하였다. 설명된 시뮬레이션 조건은
Table 2에 간단히 정리하였다. 시뮬레이션 시간 경과에 따라 사용된 데이터는 과거 데이터 세트에 추가되었다. 그 외 오차의 원인이 될 수 있는 인공신경망 내부
구조에 대한 내용은 본 연구의 개선 대상에서 제외하였다.
Table 2. Simulation test cases and input/output
|
Learning Data
|
3 days, 5 days, 10 days, accumulated
|
Input Data
|
Time(1~24H), Weather Data
(Outdoor temperature, Horizontal Irradiance)
|
|
Data Update & learning Interval
|
24 hours, 1 hour
|
Output
|
Building Load
|
4. 시뮬레이션 결과 및 분석
4.1 성능 평가 지표
시뮬레이션 결과는 ASHRAE, DOE, IPMVP의 건물 에너지 성능 평가 지침 만족 여부로 모델의 적합성을 판단했으며, 위 언급된 기준들은 MBE(Mean
Bias Error)와 CVRMSE 성능지표를 사용하고 있다. MBE는 측정값에 비해 예측 값의 치우친 정도를 가리키며 결과가 0에 가까울수록 측정값에
근접하는 것을 의미한다. CVRMSE는 분산을 고려해 모델의 오차를 파악하는 오차분석방법으로 결과 값은 오차율(%)로 표현된다. 이는
식(1)과
식(2)를 통해 계산되고 기타 모델 평가의 자세한 기준은
Table 3에 정리하였다.
Table 3. Acceptable error levels by different guidelines
|
|
MBE(Monthly)
|
CVRMSE(Monthly)
|
|
ASHRAE
|
smaller than ± 10%
|
smaller than 30%
|
|
DOE
|
smaller than ± 7%
|
smaller than 25%
|
|
IPMVP
|
smaller than ± 20%
|
smaller than 20%
|
4.2 온도예측 모델
건물 부하 예측에 앞서 구축된 모델의 신뢰성을 검증하기 위해 냉난방기기가 가동되지 않았을 때 변화하는 실내온도를 예측하였다. 예측에 사용된 입력 데이터는
언급한 대로 외기온도와 수평면 전일사량, 시각에 대한 정보만을 사용하였다. 과거 10일간 비교 모델의 계산결과를 이용하여 학습을 수행하고, 학습된
모델로부터 다음날 실내온도를 예측하였다. 초기 학습된 모델을 그대로 사용하고 24시간마다 입력 데이터를 갱신하여 4주 동안 실내온도를 예측하였으며,
Fig. 1은 예측 결과 중 일부를 도식화한 것이다. 그림에서 알 수 있듯이 FFBP, GR 학습 알고리즘 모두 실내온도 거동을 비교모델과 유사하게 묘사하였으며,
산점도의 경우 점들이 대각선에 가까울수록 모델이 정확하다고 볼 수 있는데
Fig. 1의 우측그림에서 대부분 점들이 대각선 주변에 몰려있음을 확인 할 수 있다. 실내온도에 영향을 주는 모든 변수를 고려하거나 입력했던 과거 기상 데이터가
비교모델에 비해 충분하지 않았음에도 FFBP, GR 알고리즘은 CVRMSE에서 각각 13%, 10% MBE에서는 3%, 5% 정도의 오차 수준을 보였다.
이는 ASHRAE, DOE, IPMVP 의 기준을 모두 충족하는 값이다.
Fig. 1. Prediction of indoor air temperatures(FFBP vs. GR).
4.3 건물 부하 예측 모델
제 3.2절에서 제안한 다양한 조건에서 ANN 모델을 구성하고 건물부하를 예측하였다. 학습 결과는
Table 4에 정리하였으며, 모든 케이스에서 MBE는 우수한 성능을 보였지만 CVRMSE는 20% 내외 오차를 보였다. 이는 제안된 모델이 부하 패턴을 묘사하는
정규성은 갖고 있으나 정밀도는 다소 떨어짐을 의미한다.
Fig. 2는 학습용으로 사용되는 과거 데이터양이 적은 3일인 경우와 상대적으로 학습 데이터가 많은 10일인 경우의 부하 예측 결과를 비교한 것이다. 학습을
위해 과거 3일간의 데이터를 사용했을 때는 CVRMSE는 29%(FFBP), 24%(GR)로 ASHRAE 가이드라인만을 충족하였다.
Table 4. Errors of the proposed model on the building load prediction
|
Sequence learning interval
|
Data for learning
|
MBE(%)
|
CVRMSE(%)
|
ASHRAE
|
DOE
|
IPMVP
|
|
FFBP
|
GR
|
FFBP
|
GR
|
FFBP
|
GR
|
FFBP
|
GR
|
FFBP
|
GR
|
|
24 hours
|
3 days
|
-3.11
|
-4.45
|
29.17
|
24.88
|
O
|
O
|
X
|
O
|
X
|
X
|
|
5 days
|
-2.98
|
-3.87
|
27.81
|
24.73
|
O
|
O
|
X
|
O
|
X
|
X
|
|
10 days
|
-0.69
|
-3.3
|
25.0
|
22.62
|
O
|
O
|
O
|
O
|
X
|
X
|
|
Accumulated
|
0.11
|
-1.37
|
20.11
|
18.92
|
O
|
O
|
O
|
O
|
X
|
O
|
|
1 hour
|
10 days
|
-1.9
|
-0.77
|
16.11
|
18.2
|
O
|
O
|
O
|
O
|
O
|
O
|
Fig. 2. Predicted Building Load Comparison((a) FFBP, (b) GR) : Learning with 3 days vs. 10 days.
반면 학습에 사용한 데이터 크기를 10일로 늘렸을 때는 CVRMSE 25%(FFBP), 22%(GR)로 ASHRAE 기준과 DOE 기준을 충족하였다.
부하 예측모델의 오차원인은 다음과 같이 정리 할 수 있다. 먼저 건물부하는 실내온도와 달리 변동 편차가 크기 때문에 상대적으로 실내온도 예측모델보다
오차율이 상승한 것으로 보인다. 또한 실용적인 사용을 위해 입력 데이터와 과거 학습 데이터를 최소로 구성한 모델이기 때문에 데이터 부족에 기인한 것으로
보인다. 마지막으로 ANN 모델은 축열 효과 등을 고려 할 수 없기 때문에 지연 효과 등 건물의 열적 거동을 정확히 묘사하기 어려운 것으로 보인다.
4.4 건물 부하 예측 모델 개선
앞서 제안된 부하 예측 모델은 ASHRAE 지침을 만족하였지만, CVRMSE가 20% 이상 발생하면서 모델의 개선이 필요하다고 판단된다. 이는 언급한
바와 같이 학습 데이터를 간소화한 모델의 한계로 부터 오차의 일부가 발생한 것이다. 이에 과거 데이터를 누적하고 모델 학습 간격을 24시간에서 1시간으로
축소한 케이스에 대해 시뮬레이션을 진행하였고 결과는
Table 4와
Fig. 3에 정리하였다. 과거 데이터를 지속적으로 누적하여 학습을 수행하였을 때 CVRMSE는 20%(FFBP), 18%(GR), MBE는 0.11%(FFBP),
-1.37%(GR)의 오차 수준을 보였다. 두 학습 모델 모두 최고 성능을 보였던 모델보다 CVRMSE 오차가 4% 정도 감소하였다.
Fig. 3. Predicted Building Load Comparison((a) FFBP, (b) GR) : Accumulated data case vs. One-hour Sequencing.
모델 재 구축시간을 1시간 단위로 세분화 하였을 땐 CVRMSE 16%(FFBP), 18%(GR), MBE -1.9%(FFBP), -0.77%(GR)로
기준모델 대비 오차가 각각 CVRMSE 8.8%, 4.42% 정도 하락하였다. 이는 본 연구에서 사용한 세 가지 성능 평가 지표를 모두 만족하는 수준의
오차이다.
인공신경망 모델이 학습된 시점과과 예측하는 시점의 차이를 줄이면서 간접적으로 축열 효과 등을 고려하는 효과가 있어 모델 재구축 시간간격을 줄일수록
오차율은 하락 하지만 실시간으로 입력 데이터가 수집되고 동시에 학습도 이루어져야 되기 때문에 실용성에 대한 검증도 필요 할 것으로 판단된다.
5. 결 론
본 연구에서는 효율적인 건물 운전계획 측면에서 필요한 인공신경망 모델을 이용한 단기 부하 예측 방법을 제안하였다. 학습은 FFBP와 GR 알고리즘이
사용하였으며 많은 종류의 입력 데이터와 데이터 세트를 필요로 했던 기존 ANN 모델과는 달리 최소 입력 데이터로 건물 부하를 예측하는 방법을 제안하였다.
사용된 데이터 종류는 비교적 쉽게 얻을 수 있는 두 종류의 기상정보(외기온도, 수평면전일사량)와 시각(1~24시)에 대한 정보만 사용했으며, 과거
3일, 5일, 10일 간의 학습 케이스를 선정해 시뮬레이션을 진행하였다. 시뮬레이션 결과 ASHRAE, DOE, IPMVP에서 제시하는 성능 검증
지표에 따라 모델의 정확성을 분석하였다. 제안된 모델은 과거 10일간의 데이터로 학습을 진행하였을 때 CVRMSE에서는 25%(FFBP), 22%(GR),
MBE에서는 -0.69%(FFBP), -3.3%(GR)로 ASHRAE와 DOE 가이드라인을 충족했다. 학습을 위한 데이터의 종류와 양이 충분하지 못했고,
제안한 ANN 모델은 축열 효과와 같은 시계열 특성을 고려하기 어렵기 때문에 모델이 높은 설명력을 갖지는 못하였다. 이에 본 연구에서는 두 가지 오차
개선 방법을 제안하였는데, 첫 번째로 측정된 데이터를 지속적으로 누적시켜 학습에 필요한 과거 데이터의 크기를 증가시켰으며 결과적으로 CVRMSE 4%
정도 오차를 하락시킬 수 있었다. 다음으로, 24시간 마다 업데이트 및 학습되던 모델을 1시간마다 재구축하여, 기존 모델 대비 약 CVRMSE 8%
(FFBP), 4%(GR) 오차를 하락시킬 수 있었다. 이는 본 연구에서 사용한 세 가지 성능 평가 지표를 모두 만족하는 결과이다.
최소의 입력 및 수집데이터를 이용하여 학습된 ANN 모델의 부하 예측 결과, 신뢰할 수 있는 수준으로 단기 부하를 예측 할 수 있었다. 향후 데이터가
부족하거나 실시간 전력거래시장 출현에 따른 건물별 운전계획 목적으로 이용될 수 있을 거라 기대한다.
후 기
본 연구는 한국에너지기술연구원의 주요사업으로 수행한 결과입니다.(No.B7-2423-01)
References
Kim M. K., Hong C. U., 2016, The Aritificial Neural Network based Electric Power Demand
Forecast using a Season and Weather Informations, Journal of Institute of Electronics
and Information Engineers, Vol. 53, No. 1, pp. 71-78
Yang I. H., Kim K. W., 2000, Development of Artificial Neural Network Model for the
Prediction of Descending Time of Room Air Temperature, The Society Of Air-Conditioning
And Refrigerating Engineers of Korea, Vol. 12, No. 11, pp. 1038-1048
Baik Y. K., Yoon Y. J., Moon J. W., 2016, Development of Artificial Neural Network
Model for Predicting the Optimal Setback Application of the Heating Systems, Korea
Institute of Ecological Architecture And Environment, Vol. 16, No. 3, pp. 89-94
Baek C. I., Han H. T., Jang K. J., 2014, Estimation of Building Heating Load using
Machine Learning Technique, The Society Of Air-Conditioning And Refrigerating Engineers
of Korea, Vol. 16, No. 3, pp. 253-255
Kong D. S., Kwak Y. H., Huh J. H., 2010, Artificial Neural Network based Energy Demand
Prediction for the Urban District Energy Planning, Architectural Institute of Korea,
Vol. 26, No. 2, pp. 221-230
Kim H. S., Moon K. J., Park J. H., 1999, Development of Electric Load Forecasting
System Using Neural Network, The Korean Institute of Electrical Engineers, pp. 1522-1524
Chow T. W. S., Leung C. T., 1996, Neural Network based Short-Term Load Forecasting
Using Weather Compensation, IEEE Transactions on Power Systems, Vol. 11, No. 4, pp.
1736-1742
Peng T. M., Hubele N. F., Karady G. G., 1993, An Adaptive Neural Network Approach
To One-Week Ahead Load Forecasting, IEEE Transactions on Power Systems, Vol. 8, No.
3, pp. 1195-1203
Ekici B. B., Aksoy U. T., 2009, Prediction of Building energy consumption by using
artificial neural networks, Advances in Engineering Software, Vol. 40, pp. 356-362
ASHRAE , 2012, Measurement of energy and demand saving, ASHRAE.
DOE , 1996, Measurement and Verification Guideline for Federal Energy Projects, DOE.
IPMVP/DOE , 2002, International Performance Measurement & Verification Protocol, IPMVP.
Hikmet K. C., Murat A., 2006, Generalized regression neural network in modelling river
sediment yield, Advances in Engineering Software, Vol. 37, pp. 63-68