Mobile QR Code QR CODE : Korean Journal of Air-Conditioning and Refrigeration Engineering
Korean Journal of Air-Conditioning and Refrigeration Engineering

Korean Journal of Air-Conditioning and Refrigeration Engineering

ISO Journal TitleKorean J. Air-Cond. Refrig. Eng.
  • Open Access, Monthly
Open Access Monthly
  • ISSN : 1229-6422 (Print)
  • ISSN : 2465-7611 (Online)

  1. 연세대학교 건축공학과 석박사 통합과정 ( M.D. Integration, Department of Architectural Engineering, Yonsei University, 50 Yonsei-ro Seodaemun-gu, Seoul, 03722, Korea )
  2. 세대학교 건축공학과 박사과정 ( Ph.D. Candidate, Department of Architectural Engineering, Yonsei University, 50 Yonsei-ro Seodaemun-gu, Seoul, 03722, Korea )
  3. 연세대학교 건축공학과 석사과정 ( M.S Student, Department of Architectural Engineering, Yonsei University, 50 Yonsei-ro Seodaemun-gu, Seoul, 03722, Korea )
  4. 연세대학교 건축공학과 교수 ( Professor, Department of Architectural Engineering, Yonsei University, 50 Yonsei-ro Seodaemun-gu, Seoul, 03722, Korea )



Prediction of heating energy usage(난방 에너지 수요량 예측), CHP(열병합 발전), Energy saving(에너지 절약), Apartment houses(공동주택), Machine learning(기계 학습)

기호설명

$S$ :인공신경망을 활용한 에너지 수요량 예측 값

$M$ :측정된 에너지 수요량

$A$ :측정된 기간의 평균 에너지 수요량

1. 연구배경 및 목적

1.1 연구배경

세계적으로 온실가스 배출량이 증가하며 세계 곳곳에 이상기후 현상이 발생하고 있다. 이에 따라 대기 중 온실가스 안정화를 위해 2015년 12월 프랑스 파리에서 제 21차 유엔기후변화협약(United Nations Framework Convention on Climate Change : UNFCCC) 당사국 총회에서 최종 합의문인 파리협정을 발효하였다. 파리협정에 앞서 제출한 각국의 온실가스 저감목표(INDC)에서 우리나라는 2030년 국가 온실가스 배출전망치(Business As Usual : BAU) 대비 37% 저감을 목표로 국제 사회에 공표하였다.(1) 하지만 2018 에너지 경제연구원의 연구 결과에 따르면 우리나라의 최종에너지 소비량은 계속해서 매년 증가하고 있으며 90% 이상을 해외 에너지 수입에 의존하고 있는 실정이다. 따라서, 온실가스 배출 저감뿐만 아니라 국가 에너지 안보를 위한 에너지 절감 시스템 구축이 필요하다.

이러한 문제점에 대한 대응의 일환으로, 분산형 전원 중 하나이며 에너지 절약에 효과가 있는 열병합발전 시스템이 제시되고 있다. 열병합발전이란 CHP(Combined Heat and Power Generation) 및 Cogeneration으로 불리우고, 하나의 연료를 사용하여 열과 전기를 동시에 생산하는 종합 에너지 시스템을 말한다.(2) 전기를 생산하는 과정 에서 남은 열은 보일러, 흡수식 냉동기 등에 이용하여 이산화탄소 억제 및 환경 공해 문제에 기여할 수 있다.(3) 열병합발전시스템의 발전효율은 종류에 따라 다르며 약 25~40% 범위를 유지하고, 배열은 발전량의 1.5~2배 정도 발생한다. 약 65~85% 효율을 가지고 있으며 기존에 있는 화력발전소보다 높은 에너지 효율 형태를 띄고 있다.(4)

열병합발전 시스템 운영 시 우리나라는 사계절이 뚜렷한 나라에 속하기에 계절별 열 에너지 수요의 특징을 고려해야 한다. 아파트나 오피스 빌딩은 하절기엔 냉방으로 인한 전기, 동절기엔 급탕을 위한 가스를 주요 에너지원으로 사용한다. 즉, 하나의 건물에서 1년 동안 계절에 따라 다른 방식의 냉⋅난방 에너지원을 사용 하게 된다. 특히, 동절기엔 급탕 수요량이 증가하고 여름철엔 급탕 수요량이 줄어들게 되어 하절기 냉방을 위한 전기 사용량에 맞춰 열병합 발전시스템을 운영할 경우 발생된 폐열 처리가 어려워진다. 따라서 현재 열 공급자들은 폐열 처리 및 운전비용 손실의 최소화를 위해 동절기엔 열추종방식을 이용하며, 하절기엔 전기 추종방식을 이용하거나 운전을 아예 정지하는 두 가지 방향으로 운영하는 실정이다.(5)

이에 따라, 열병합발전 시스템의 열 공급자들은 계절 등 여러 요인을 고려해 전력거래소에 열과 전기 에너지 공급 스케줄을 미리 등록한다. 예측이 부정확할 경우 운영 계획이 변경되어지며, 기존수익이 변경되어 감소되고 추가적으로 발생하는 기동 정지로 인해 시스템 운전비용 손실이 발생하게 된다. 이 때문에 열 관리자는 주변의 대규모 건물의 열 수요량을 하루 단위로 정확히 예측해야 하며, 운영비용을 미리 산정하여 환경적, 경제적으로 합리적인 운영 계획을 사전에 수립해야 한다.(6)

1.2 문헌고찰

이에 따라, 정확한 열 수요 예측을 위해 많은 연구가 진행 중에 있는데, 선행 연구에서 송기범(7)은 다중 회귀분석을 통해 외기 온도, 예측 7일 전까지의 열량, 월별, 주별(금요일, 토요일, 일요일) 변수로 열 수요를 예측하였다. 이재승(8)은 외기 AR을 통해 외기 온도, 열량으로 열 수요 예측모델을 개발하였고, 김민영(9)의 경우 ANN을 통해 열 수요 예측을 진행하였다. 김향민(10)의 경우 AR을 활용해 외기 온도, 강수량, 풍속, 전날 열량과 절기를 구분하여 열병합발전을 위한 열 수요 예측 모델을 개발하였으며, 백종관(11)은 선형회귀모형을 이용하여 외기 온도, 체감온도, 풍속, 열량을 이용하여 겨울철 열 수요 예측을 위한 선형회귀모형을 개발하였다. 서병선(12)은 상태구분모형을 이용해 외기 온도, 열량, 월별, 주별, 일별을 절기마다 구분하여 지역난방 열에너지 수요를 예측하였다.

1.3 연구목적

선행 연구에서도 알 수 있듯이, 기존 문헌들은 대부분 외기 온도를 고려하여 측정하였다. 외기 온도는 과거 측정 데이터를 기반으로 한 온도 수정계수와 기상예보를 사용하여 외기 온도를 예측하는 모델을 주로 사용 하는데,(14) 이는 실시간으로 측정하는 외기 온도 정보를 이용하여 오차와 온도를 보정하기 때문에 실시간 최적 운전에 강점을 가진다. 하지만 하루 전에 시스템의 운전 계획을 세우기에는 어려움이 따른다.(13) 또한 기상 데이터를 고려한 외기 온도 예측은 현재 기상 예보가 제공하지 못하는 청명계수 등 입력 값을 포함하고 있어 기상 예측 모델에 적용하기 어렵다.(14) 따라서 현장에서 열 에너지 수요량 예측을 위해 측정이 간단하면서도 신뢰할 수 있는 결과를 얻을 수 있는 예측 방법이 필요하다.

기존 각 세대로 열 에너지를 공급하는 대상 열병합발전 시스템의 운영방식은 외기 온도에 따른 프로그램을 이용하여 운전하는 방식을 사용하고 있다. 외기 온도에 따라 변유량, 변온도 공급방식을 이용하며, 각 외기 온도 -10℃, -5℃, 0℃, 5℃, 10℃에 따라 공급온도를 60℃, 56℃, 53℃, 49℃, 45℃도 등으로 설정하여 외기온도별 적정 온도로 단지별 실정에 맞게 실시간으로 조정하는 방식을 채택하고 있다.(15) 이러한 방식은 수요량과 공급량에 차이가 발생할 수 있으며, 하루 전 운전 계획을 세우기에 어려움이 따른다. 만약 에너지 공급량과 수요량에 차이가 발생한다면 순환 펌프의 동력비가 증가하여 공동난방비가 증가하고 사용자의 만족도 품질이 저하되는 등 여러 결과를 초래한다.

위에 언급했듯이, 건물의 열 수요량을 하루 단위로 미리 예측하여 운영 방식을 정확히 산정해 수요량과 공급량의 차이를 최소화 한다면, 환경적, 경제적으로 합리적인 결과를 도출할 수 있다. 또한, 사용자의 만족도를 높이고, 열 관리자에게 원활한 의사결정 판단에 도움을 줄 수 있다. 따라서, 사용자의 스케줄과 필요 여건에 맞는 최적의 운전 모드를 찾아 효율적인 운전을 해야한다.

또한 국내에서 기계 학습에 대한 관심이 많아지고 있으나 이를 활용해 열 수요량 예측 연구는 매우 적은 실정이다. 특히 열병합발전 시스템을 위한 열 에너지 사용량 예측 활용에는 연구가 미비하다. 따라서, 본 연구는 열병합 발전시스템을 이용하는 공동주택 건물에서 장비를 사용하여 측정이 필요한 외기 온도와 습도, 일교차, 평균값 데이터 등은 모두 제외하고, 전날 기록된 일별 열, 유량 에너지 그리고 스케줄 데이터 등 비교적 측정이 간단한 데이터를 활용하였다. 예측을 위해 기계 학습 중 ANN, SVR(Linear, RBF, Polynomial)으로 다음 날 열 에너지 수요량을 예측하고자 하며, 정확도 검증을 위한 방안으로 CvRMSE, MBE를 활용해 열병합 발전시스템 폐열 생산 최소화를 도모해 보고자 한다.

2. 연구방법 및 범위

앞서 언급했듯이 본 연구의 목적은 열병합발전 시스템을 이용하는 공동주택 건물에서 외기 온도 데이터를 사용하지 않고, 과거 실측 데이터와 쉽게 측정할 수 있는 스케줄 정보만으로 다음 날의 열 에너지 사용량을 예측하는 모델을 제안하는 데 있다. 이를 위해 기계 학습 중 ANN과 SVR알고리즘을 이용하였고 모델 입력 값으로 날짜(Month), 전날 열 에너지 사용량, 전날 급수량 등 비교적 손쉽게 수집이 가능한 데이터만을 사용해 간단하고 편의성을 고려한 모델로 진행한다.

대상 데이터의 열 에너지 사용량과 급수량은 일별 사용량을 기록하는 일지를 통하여 확보하였다. 대상 건물은 지역난방 중 열병합 발전 시스템을 이용하는 전라남도 나주시에 위치한 여덟 개의 단지로 이루어진 아파트 이며, 2018년 01월 01일부터 2019년 01월 29일까지의 일별 데이터이다. 사용된 데이터는 일별 열량, 유량이며 모두 현장에서 매일 일정한 시간에 실측 및 수기로 작성된 데이터이다.

열 에너지 사용량 예측에 적합한 입력 변수를 선정하기 위해 건물에서 수집한 데이터들을 확보하여 상관 관계 분석을 실시하였다. 수집된 데이터는 날짜와 열 에너지 사용량, 유량이었으며, 수집이 간단한 데이터들을 활용하기 위해 장비를 사용해 측정이 필요한 외기 온도와 습도, 일교차, 평균값 등은 모두 제외하였다. 스케줄 활용을 위해 날짜 데이터는 요일별(월․화․수․목․금․토․일요일)로 나눈 데이터와 주중(월․화․수․목․ 금요일) 주말(토․일요일)로 나눈 데이터 그리고 월(Month)과 일(Day)로 표시한 데이터로 세분화하였다. 상관관계 분석은 Minitab을 활용한 Pearson 상관관계로 구현되었다.

본 연구에서는 기계 학습 중 에너지 및 환경 예측 연구에서 쓰이고 있는 ANN(Artificial Neural Network)과 SVR(Support Vector Regression) 알고리즘을 이용하여 열병합 공동주택의 다음 날 일별 열 수요량을 예측하였다. 학습은 ANN 중 가장 보편적인 형태인 다중 레이어 퍼셉트론(Multi-layer Perceptron : MLP) 알고리즘을 통해 진행하였으며 정확도가 가장 높았던 두 개의 Hidden layer 구조로 구성해 학습, 예측 성능을 분석하였다. SVR은 SVM의 회귀분석을 위해 파생된 형태로 정확도를 높이기 위해 Linear, RBF, Polynomial 커널로 세분화하여 구성하였다. 2018년 01월 01일부터 12월 31일까지 학습 데이터로 활용되었으며 2019년 01월 01일부터 01월 29일까지 예측 및 실측 비교 도출을 위한 검증 데이터로 이용되었다. 본 연구에서 제안된 모델은 Python 3.7 에서 제공하는 함수를 통해 구현되었다.

대상 건물의 열 에너지 수요량 검증 방법은 ASHRAE Guideline 14(16) 기준으로 MBE(Mean Bias Error), CvRMSE(Coefficient of Variation of Root Mean Square Error)를 이용하여 타당성 검정을 진행하고자 한다.

3. 열 에너지 수요량 분석

3.1 연간 열 에너지 수요량 분석

기계 학습 모델을 학습하고 테스트하기 위한 측정 대상은 여덟 단지로 이루어진 공동주택이다. Fig. 1은 앞서 언급한 공동주택의 2018년 1월 1일부터 12월 31일까지 일별 열 에너지 수요량의 2018년 연중 변화를 나타낸다. 측정 대상은 일별 열 에너지 사용량, 사용 유량 그리고 스케줄이며 모두 현장에서 매일 일정한 시간에 실측 및 수기로 작성한다. Fig. 1 그래프를 보면 동절기인 11월부터 4월까지는 10 Gcal 이상의 에너지를 사용하지만 하절기인 5월부터 10월까지는 10 Gcal 이하의 에너지만 사용하는 특징을 볼 수 있다.

Fig. 1 2018 Daily heat energy consumption pattern.
../../Resources/sarek/KJACR.2019.31.8.352/fig1.png

Table 1. Correlation analysis of heat demand

Parameter

Pearson Correlation

P-Value

Month

-0.442

0.000

Date

-0.118

0.020

Week_1 (weekdays & weekends)

-0.066

0.197

Week_2 (Mon, Tues, Wed, Thur, Fri, Sun)

-0.018

0.720

Heat Energy Demand the Previous day

0.920

0.000

Flow Energy Demand the Previous day

0.928

0.000

3.2 열 에너지 수요량 상관성 분석

열 에너지 수요량 예측에 적합한 입력 변수를 조사하기 위해 Pearson 상관관계 분석을 실시하였다. 상관 분석은 미국 Minitab 사에서 개발된 통계 소프트웨어인 Minitab 18을 활용하여 평가하였다. 앞서 언급했듯이, 이 연구의 목적인 편의성을 위해 기기 이용 실측이 필요한 외기 온도와 습도, 일교차, 외기 온도 평균값 등은 모두 제외하였다. 변수 중 Week_1은 주중(월․화․수․목․금요일)과 주말(토․일요일)로 분리한 값이며 Week_2는 각 요일(월․화․수․목․금․토․일요일)별로 나눈 데이터이다.

열 에너지 수요량과 각 변수들의 Pearson 상관관계 분석을 진행한 결과는 Table 1과 같다. Month는 -0.442로 변수 사이에 음의 관계가 적절하게 있다. Date, Week_1, Week_2의 경우 0에 가까운 값으로 변수 사이에 상관 관계가 없다. Heat Energy Demand the Previous day, Flow Energy Demand the Previous day는 1에 가까운 값으로 강한 양의 관계가 있다. 즉, 에너지 사용량이 증가하면 이 변수 또한 증가하는 상관관계를 가지고 있다. 상관 관계가 있는 데이터 Month, Heat Energy Demand the Previous day, Flow Energy Demand the Previous day는 모두 P-value가 0.05 이하이므로 모두 유의한 상관관계를 가지고 있음을 알 수 있다.

따라서, 본 연구에서는 Month, Heat Energy Demand the Previous day, Flow Energy Demand the Previous day의 세 가지 변수를 기계 학습 모델 입력 변수로 적용하였다.

4. 기계 학습 기반 열 에너지 수요량 예측 모델

4.1 기계 학습 개요

기계 학습은 지난 몇 십 년 동안 다양한 공학 분야의 문제를 해결하기 위해 사용되었다. 이러한 방법의 대부분 분류 문제를 해결하기 위해 개발되었는데, 현재에는 건물 에너지 소비 예측과 같은 회귀 문제까지 확대되었다.(17)

본 연구에서는 데이터 기반 접근방식 중 ANN, SVR 알고리즘을 이용하며 다음 날의 열 에너지 사용량을 미리 예측하였다. 먼저, ANN은 블랙박스 방법에 속하며, 자체 학습 능력 등 다양한 가능성 때문에 여러 유형의 예측에 가장 많이 사용되는 인공지능 모델이다. 지난 10년 동안 건물 에너지 예측 적용 가능성에 대해 조사 되었으며 비선형 매핑 능력으로 건물의 부하를 예측하기 위해 널리 적용되고 있다.(18, 19, 20) SVM은 요즘 인기를 끌고 있는 기계 학습 방식이다. 소위 비모수 회귀 모델로서 변수들은 미리 정의되어 있지 않으며, 사용된 학습 데이터에 따라 달라진다. 다른 인공지능 알고리즘과 유사하게 SVM을 분류하기 위해 사용하는 경우가 많다. SVM의 발단은 1964/65년에 Vpanik에 의해 분류 문제를 해결하기 위해 개발되어 왔지만 실용적인 적용에 적합 하지 않다는 의견이 널리 퍼져 있었다. 하지만 최근에는 회귀 영역까지 확장되어 이를 SVR(Support Vector Regression)이라고 하며(21) 다른 통계 모델과 유사한 또는 더 나은 결과를 보여주고 있다.(22)

ANN과 SVR이 두 가지 통계 기법에는 차이가 있다. ANN은 실제 적용과 광범위한 실험에서 이론에 이르기 까지 역순으로 진행되었으며, SVR은 이론에서 개발되었고, 실제와 실험에서 이후에 구현되었다. 다양한 선행 연구로 예측 가능성을 증명했는데, 선행 연구에서 사무실 건물의 냉각 부하 예측을 위해 두 모델을 비교했고,(23) 건물 전력 소비 예측을 위한 두 모델 적용에 대한 검토(24)뿐만 아니라 태양열 공기 난방기 효율 예측에 성공적 으로 사용되었다.(25) 건물 전력 소비 예측을 위한 두 알고리즘 적용에 대한 검토(26)는 많이 이루어 졌지만 건물 에너지 사용량 예측에 대한 모델은 아직까지 부족한 실정이다.

본 연구에서 사용한 SVR(26, 27)과 ANN의 학습 및 예측은 Pedregosa가 개발한 Python과 오픈 소스 라이브 러리를 기반으로(28) Numpy, Pandas, Matplotlib, Scikit-learn 그리고 Keras를 이용해 데이터 분석을 구현하였다. 본 연구에서 활용한 ANN은 인공신경망 모델 중 가장 기본적인 구조인 Rosenblatt(1958)의 퍼셉트론(Perceptron) 모델을 적용했다. 입력층, 정확도가 높았던 두 개의 은닉층, 출력층으로 구성된 다중 레이어 신경망을 이용 하였다.(29) SVM 모델에서 회귀 영역을 위해 파생된 SVR(Support Vector Regression) 모델을 이용했다. 정확도가 가장 높았던 C를 1,000으로 설정하고 를 0.01로 설정하여 진행한다. 또한, Linear, RBF(radial basis function network, RBF), Polynomial 세 가지 커널로 분류하여 열병합발전 시스템 예측 값의 정확도를 높이고자 진행 했다.

4.2 열 에너지 수요량 예측 검증

열 에너지 수요량 예측을 검증하기 위한 데이터는 일별 열량, 유량이며 모두 현장에서 매일 일정한 시간에 실측 및 수기로 작성된 데이터이다. 2018년 01월 01일부터 12월 31일까지 학습 데이터로 활용되었으며 2019년 01월 01일부터 01월 29일까지 예측 및 실측 비교 도출을 위한 검증 데이터로 이용되었다. 도출되는 열 에너지 수요량 예측 값을 평가하기 위해 CvRMSE(Coefficient of Variation of Root Mean Square Error)와 MBE(Mean Bias Error)를 이용하여 정확도를 평가하였다. MBE는 예측값의 치우친 정도를 의미하며, CvRmse는 분산 정도를 통해 오차를 분석하는 방법으로 모두 \%로 나타난다. Table 2에서 ASHRAE Guideline 14에서 제공하는 기준을 사용하여 다음 식(1), 식(2)와 같이 CvRMSE(Coefficient of Variation of Root Mean Square Error)와 MBE(Mean Bias Error)를 이용하여 정확도를 평가하였다.

Table 2. Acceptable tolerances defined by ASHRAE Guideline 14

Parameter

CvRMSE

MBE

Monthly

10%

±5

Hourly

30%

±10

(1)
$Cv({R MSE})[\%]=\dfrac{{R MSE}}{{A}}\times 100$

(2)
$MBE[\%]=\dfrac{\sum_{Period}(S-M)}{\sum_{Period}M}$

5. 비교 결과

앞서 언급했듯이, 제안된 모델은 2018년 01월 01일부터 2019년 01월 29일까지 측정된 일별 데이터이다. 여기서 과거의 일별 에너지 사용량 변동 패턴을 비슷하게 유추하는 모델을 구축하게 될 경우 다음 날의 열 에너지 사용량을 예측할 수 있다. 따라서, 본 연구에서는 예측 모델에 앞서 모델의 학습 성능을 먼저 분석하였다. 비교를 위해 ANN은 인공신경망 모델 중 가장 기본적인 구조인 퍼셉트론 모델에 입력층, 두 개의 hidden layer, 출력층으로 구성된 다중 레이어 퍼셉트론 신경망을 이용하였다. SVM 모델에서 회귀 영역을 위해 파생된 SVR (Support Vector Regression) 모델을 이용했는데 Linear, RBF(radial basis function network, RBF), Polynomial 세 가지 커널로 분류하여 진행하였다.

Table 3에는 각 두 모델 예측 결과를 나타내었다. Fig. 2는 ANN을 이용해 예측한 결과와 실측 데이터의 비교 그래프이며, Fig. 3는 SVR을 이용한 각 커널의 예측값과 실측값의 비교를 그래프로 나타냈다. ANN은 CvRMSE 8.75%, MBE 7.13%의 오차를 보였다. SVR은 3가지 커널 중 Polynomial 커널이 가장 정확도가 높았으며 Linear 커널은 CvRMSE 10.40%, MBE -1.29%였으며, RBF 커널은 CvRMSE 9.94%, MBE 3.71%, Polynomial 커널은 CvRMSE 8.93%, MBE -3.16%로 기준에 만족하는 결과를 보였다.

Table 3. Learning error result of ANN and SVR

ANN

SVR

Linear

RBF

Polynomial

CvRMSE

8.7490

10.3970

9.9411

8.9261

MBE

7.1298

-1.2917

3.7073

-3.1589

Fig. 2 Validation of ANN.
../../Resources/sarek/KJACR.2019.31.8.352/fig2.png

Fig. 3 Validation of SVR.
../../Resources/sarek/KJACR.2019.31.8.352/fig3.png

6. 결 론

현재 각 세대로 열 에너지를 공급하는 대상 열병합발전 시스템의 운영 방식은 외기 온도에 따른 프로그램을 이용하여 운전하고 있다. 사용자의 열 사용량 및 외기 온도에 따라 변유량, 변온도 공급방식을 이용하며, 각 외기온도 -10℃, -5℃, 0℃, 5℃, 10℃에 따라 난방공급온도를 60℃, 56℃, 53℃, 49℃, 45℃도 등으로 설정하여 외기온도별 적정 난방온도로 단지별 실정에 맞게 조정하는 방식을 채택하고 있다. 이러한 방식은 외기 온도를 현장에서 실시간으로 측정해야 하며, 하루 전 운전 계획을 세우기에 어려움이 따른다. 또한 정확한 수요량이 아니기에 오차가 발생한다. 다른 방법으로 기상청의 데이터를 가져올 경우 현장과는 오차가 발생할 수 있다. 따라서, 사용자의 스케줄과 필요 여건에 맞으며 편의성을 고려한 최적의 운전 모드를 찾아 효율 적인 운전 방안을 모색해야 한다. 본 연구에서는 외기 온도를 제외하고 간단하게 측정할 수 있는 변수로 다음 날 열 에너지 수요량을 미리 예측하여 낭비되는 폐열을 최소화 하고자 연구를 제안하였으며, 예측 정확도를 높이기 위해 기계 학습 중 ANN, SVR(Linear, RBF, Polynomial)을 활용하였다. 학습을 위해 사용된 입력데이터는 전날 열 에너지 사용량, 전날 유량 그리고 월 데이터로 비교적 단순한 데이터를 사용하였으며 실제 사용하고 있는 공동주택의 열 에너지 수요량 데이터를 사용하였다. 도출되는 열 에너지 수요량 예측 값을 평가하기 위해 CvRMSE(Coefficient of Variation of Root Mean Square Error)와 MBE(Mean Bias Error)를 이용하여 정확도를 평가하였다. 그 결과는 다음과 같다.

(1) 열 에너지 수요량 상관관계 분석을 진행해본 결과 주중과 주말을 나눈 주와 각 요일별로 나눈 Date, Week_1, Week_2의 경우 Pearson 상관 관계 계수가 0에 가까운 값으로 변수 사이에 상관관계가 없다. 이는 열병합 발전시스템을 사용하는 공동주택 재실자들은 주별 또는 일별 주기적인 특성에 따라 실내 온도를 조정하기 보다는 일정한 실내 온도로 유지하는 특징 때문에 나타난 결과로 판단된다.

(2) 열 에너지 수요량 상관 관계 분석을 통해 Month는 -0.442로 음의 관계가 적절하게 있으며, 이전 사용 열량과 유량은 1에 가까운 값으로 강한 양의 상관관계가 있다. Month와 전날 유량, 전날 열 에너지 사용량은 모두 유의한 상관관계로 나타났다. 이는 전날 열 에너지 사용량, 유량 또는 월 데이터는 다음 날의 열 에너지 사용량에 영향을 주기에 입력 변수로 적용되기에 충분하다고 판단된다.

(3) 선정된 입력 데이터를 통해 기계 학습을 진행한 결과 ANN은 CvRMSE 8.75%, MBE 7.13%의 오차를 보였다. SVM은 3가지 커널 중 Polynomial 커널이 가장 정확도가 높았으며 Linear 커널은 CvRMSE 10.40%, MBE -1.29%였으며, RBF 커널은 CvRMSE 9.94%, MBE 3.71%, Polynomial 커널은 CvRMSE 8.93%, MBE -3.16%로 기준에 만족하는 결과를 보였다. 따라서, 열병합 발전시스템을 사용하는 공동주택에서 외기 온도, 습도 등 실측 또는 예보 데이터를 활용하지 않아도 다음 날의 열 에너지 사용량을 예측할 수 있는 것으로 판단된다.

본 연구 결과로 열 에너지 사용량을 미리 예측하여 하루 단위로 미리 운영 방식을 계획해 적용한다면 외기 온도를 이용하여 운전을 하는 기존과 달리, 계획적인 운전으로 열 에너지 공급과 사용량 차이를 최소화하여 환경적, 효율적으로 합리적인 결과를 도출할 수 있다. 또한 사용자의 만족도를 높일 뿐만 아니라 열 관리자 에게 원활한 의사결정 판단에 도움을 줄 수 있다. 다만 본 연구 결과 도출을 위한 데이터 수집 시 스케줄 및 전날 열 에너지 사용량 데이터화는 실측 및 수기로 작성하기에 번거로움이 따른다. 또한, 예측 모델을 개발 하는 기초 연구로서 열병합 발전시스템을 사용하는 특정 건물의 데이터를 사용하였는데 실증을 고려한 향후 연구에서는 특정 건물이 아닌 다양성이 확보된 연구로 진행되어야 한다.

본 연구의 결과는 실제 측정된 열 에너지 수요량 데이터를 활용해 신뢰할 수 있는 수준의 다음 날 열 에너지 수요량을 예측할 수 있었다. 향후 예측한 모델이 열병합 발전시스템에서 적용하여 낭비되는 폐열을 최소화하여 에너지 절약을 도모하고, 전날 측정 가능한 간단한 데이터들을 이용해 열 공급자들의 열량 예측 및 운영 계획에 편의를 기여할 것으로 기대한다.

후 기

1. 본 연구는 산업통상자원부(MOTIE)와 한국에너지기술평가원(KETEP)의 지원을 받아 수행한 연구과제입니다 (No. 20194010201850).

2. 이 논문(저서)는 2019년도 연세대학교 연구비의 지원을 받아 수행된 것임(2018-22-0038).

References

1 
2018, 2030 Amendment to the GHG Reduction Roadmap and Plan for the allocation of emission allowances from 2018 to 2020, Ministry of Environment.Google Search
2 
2017, 2018 Intergrated Energy Supply Manual, KOREA ENERGY AGENCY.Google Search
3 
ASHRAE , 2015, COMBINED HEAT AND POWER DESIGN GUIDE.Google Search
4 
Joeng J., 2003, Cogeneration Technology Guidebook, Korea Energy Management Corporation.Google Search
5 
Im Y., 2010, A diagnostic simulation for the optimal system configuration of cogeneration systems, The Korean Society of Mechanical Engineers, pp. 3708-3713.Google Search
6 
Kim H., 2017, Forecasting of heat demand for combined heat and power plant, Soongsil University.Google Search
7 
Song K., 2011, Heat Demand Forecasting for Local District Heating, IE Interfaces, Vol. 24, No. 4, pp. 373-378.DOI
8 
Lee J., 2015, A Study on the Deduction of Additional Key Factor for Heat Supply Forecast using the Analysis of Heat Demand Characteristics, The Society of Air-Conditioning and Refrigerating Engineers of Korea, pp. 659-662.Google Search
9 
Kim M., 2008, Development of heat demand forecasting model for district energy management system, Korean Society for Energy, pp. 193-198.Google Search
10 
Dotzauer E., 2002, Simple model for prediction of loads in district-heating system, Applied Energy, pp. 277-284.DOI
11 
Kim H., 2017, Forecasting of heat demand for combined heat and power plant, Soongsil University.Google Search
12 
Back J. K., Han J. H., 2011, Forecasting of Heat Demand in Winter Using Linear Regression Models for Korea District Heating Corporation, Korea Academy Industrial Cooperation Society, pp. 1488-1494.DOI
13 
Han D., Youn H. B., 2002, Study on Air Handling Unit Control Algorithms by Using Building Load Prediction, The Society of Air-Conditioning and Refrigerating Engineers of Korea.Google Search
14 
Jeon B., 2018, Development of Weather Forecast Models for a Short-term Building Load Prediction, Journal of the Korean Solar Energy Society, Vol. 38, No. 1, pp. 1-11.DOI
15 
2015, Practical Practice of District Heating System, KOREA DISTRICT HEATING CORP.Google Search
16 
2002, Measurement of Energy and Demand Saving, ASHRAE Guideline 14Google Search
17 
Aleksandra A. S., Jovanovic R. Z., Novakovic V. M., Nord N. M., Zivkovic B. D., 2018, Support Vector Machine for the Prediction of Heating Energy Use, Vol. 22, suppl. 4, pp. S1171-S1181.DOI
18 
Kumar R., Aggarwal R. K., Sharma J. D., 2013, Energy analysis of a building using artificial neural network : A review, Energy and Buildings, Vol. 64, pp. 352-358.DOI
19 
Kreider J. F., Wan X. A., 1991, Artificial neural network demonstration for automated generation of energy use predictors for commercial buildings, ASHRAE Transaction, Vol. 97, No. 2, pp. 775-779.Google Search
20 
Anstett M., Kreider J. F., 1992, Application of neural networking models to predict energy use, ASHRAE Transactions, No. 3672, pp. 505-517.Google Search
21 
Smola A. J., Scholkopf B., 2004, Statistics and Computing-A Tutorial on Support Vector Regression, Vol. 14, No. 3, pp. 199-222.Google Search
22 
Nguyen P. H., Kling W. L., Elmitri M., Lacarrière B., Le Corre O., 2015, Support Vector Machine in Prediction of Building Energy Demand Using Pseudo Dynamic Approach, Proceedings of Ecos 2015.Google Search
23 
Mager J., Paasche U., Sick B., 2008, Forecasting financial time series with support vector machines based on dynamic kernels, IEEE Conference on soft Computing Industrial Application, 25-27 June, Muroran, Japan, pp. 252-257.DOI
24 
Wang L., 1998, Support Vector Machines for Classification and Regression, ISIS technical report, University of Sauthampton, Sauthampton, UK.DOI
25 
Esen H., Inalli M., Sengur A., Esen M., 2008, Modeling a Ground-Coupled Heat Pump System by a Support Vector Machine, Renewable Energy, Vol. 33, No. 8, pp. 1814-1823.DOI
26 
Cortes C., Vapnik V., 1995, Support-vector networks, Machine Learning, Vol. 20, No. 3, pp. 273-297.DOI
27 
Pedregosa et al., 2011, Scikit-learn: Machine learning in Python, Journal of Machine Learning Research, Vol. 12, pp. 2825-2839.Google Search
28 
Vapnik V., 2000, The nature of statistical learning theory, springer.DOI