안유선
(Yusun Ahn)
1
홍구표
(Goopyo Hong)
†
김병선
(Byungseon Sean Kim)
3
-
연세대학교 건축공학과 석박사 통합과정
(
M.D. Integration, Department of Architectural Engineering, Yonsei University, Seoul
03722, Korea
)
-
강원대학교 건설융합학부 교수
(
Professor Department of Architectural Engineering, Kangwon National University, 346
Joongang-ro, Samcheok-si, Korea
)
-
연세대학교 건축공학과 교수
(
Professor, Department of Architectural Engineering, Yonsei University, Seoul 03722,
Korea
)
Copyright © 2016, Society of Air-Conditioning and Refrigeration Engineers of Korea
Key words
Air handling unit(공조기), Prediction(예측), Supply air temperature(급기온도), AutoML(Automated Machine Learning), Auto-sklearn(Auto-sklearn), ANN(Artificial Neural Networks)
MBE：
평균 편향 오차 [Mean bias error]
Cv(RMSE)：
평균 제곱근 오차 변동계수 [Coefficient of variation of the root mean square error]
P：
예측값 [predicted data]
O：
실제값 [observed data]
$O_{ave}$：
평균 실제값 [average of the observed data]
1. 연구배경 및 목적
국토교통부 통계에 따르면 국내 건축물 667만 개 중 20년 이상 된 건축물이 58%, 10~20년 된 건축물이 24%, 10년 미만의 건축물이 18%로서
전체건물 중 82%가 10년 이상 된 건축물이다. ‘건축물의 에너지절약설계기준’이 최근 8년(‘12~’19)간 11번 개정되면서 신축건물에 대한 건축물의
에너지절약 기준이 크게 강화되고 있다. 하지만 기존 건물은 리모델링을 제외한 뚜렷한 에너지 절감 방안을 찾아보기 어려운 실정이다.
최근 연구에 따르면 상업용 건물에서 사용되는 에너지의 50% 이상은 건물의 냉․난방과 환기로 인해 소비되고 있다.(1,2) 따라서, 기존 건물의 운영 방법에서 불필요한 냉․난방 에너지 소비량을 절감한다면 에너지 절감에 큰 영향을 미칠 수 있다. 그 중에서 열원설비와 반송설비,
실내로 공급해주는 공조기 등의 합리적인 운영은 건물에너지소비에 가장 큰 요소를 차지하고 있다.(3)
최근 신축되는 일부 건물은 BEMS(Builidng Energy Management System)를 통해 건물 운영이 이루어지기 시작하였으나, 최신
시스템이 설치되지 않은 기존 건물들은 건물 관리자의 경험적 판단에 의해 운영되고 있는 실정이며, 실내의 온열환경과 공기질을 담당하는 공조기 운영이
체계적으로 이루어지고 있지 않고 있다.(4,5) 건물의 공조기는 자동제어로 설정되어 일부 운영되고 있으나, 대부분 건물관리자가 외기 상태, 실내 온도와 CO2 등의 모니터링을 통해 주관적으로 설정하여
운영을 실시하고 있다.
건물 관리자는 쾌적한 실내 환경을 유지하기 위해 공조기 (Air Handling Unit, AHU) 운전으로 실내 환경 및 온도를 일정하게 유지시킨다.
실내 온도는 외기 온도, 재실자의 수, 시간 등 다양한 변수에 따라 유동적으로 영향을 받기 때문에 실내 온도를 적절하게 유지하기 위해서는 급기 온도를
여러 변수에 맞춰 알맞게 공급해야 한다. 급기 온도를 미리 알 수 있다면 냉․난방 코일로 들어오는 에너지 부하 즉, 열원설비의 에너지를 절감을 도모할
수 있다. 이를 위해 많은 선행 연구에서 기계 학습을 통해 건물 운영을 예측하여 에너지를 절감하려는 시도를 해왔으며, 그 연구들은 다음과 같다.
Zhao et al.(6)은 예측에 사용되는 수많은 기법들을 분석하였다. 컴퓨터 시뮬레이션을 이용해 물리적 열역학을 계산하는 공학적 방법(engineering method),
에너지 소비 또는 에너지에 영향을 미치는 변수와 상관관계 통한 통계적 방법(statistical method), 인공지능의 개념을 이용하는 ANN(Artificial
Neural Network), 작은 양의 데이터
에도 불구하고 정확한 예측을 이루는 SVR(Support Vector Regression), 불확실한 데이터들이 있을 때 사용하는 grey models등의
예측기법 및 활용들을 소개하고 있다. Yang et al.(7)의 연구에 의하면 ANN 예측 모델을 이용하여 냉방기에 최적기동과 최적정지 운전방안을 연구하여 각각 3%, 18%로 에너지 절감을 발표하였다. 이전의
건물 운전자료를 이용하여 학습의 개념을 도입하고, 선행경험을 패턴화하여 운전을 예측 및 분석하였다. 또 Kim et al.(8)은 기존에 누적되는 건물운전 자료를 이용하여 각 존의 온도를 예측하였다. Dong et al.(9)은 외부기상
데이터를 입력변수로 하여 SVR 예측 모델을 이용하여 건물 부하를 살펴보았고, 오차율은 4% 미만인 것으로 나타났다.
위와 같이 최근 기계 학습은 건축설비 부문의 연구에서 사용되고 있으며 이에 대한 활용도가 점점 증가 하고 있다.(10) 하지만 특정 알고리즘, 매개 변수 설정 등 아직까지는 정확성과 시간 효율을 전문가의 직감 또는 반복에 의한 튜닝에 의존하고 있어서 이에 대한 검토가
필요하다.(11)
본 연구에서는 기존 건물의 AHU 운영 시 저장된 실제 데이터들을 활용하고 자동화 알고리즘을 적용해 추천된 알고리즘과 매개 변수를 AHU 온도 예측에
적용하는 데 목적이 있다. 또한 건물 에너지 분야에서 주로 사용하는 알고리즘과 튜닝한 매개 변수를 비교해 AHU 급기 온도 예측을 비교 및 검토하고자
한다. 본 연구에서 이용한 AHU들은 방위별로 조닝이 되어 있어 방위별 AHU의 알고리즘과 매개변수의 변화를 분석
하고자 하였다.
2. 연구방법 및 범위
알고리즘 모델 선택에 있어서 기존 연구자들은 경험이나 해당 분야에 많이 사용되고 있는 모델을 선택한다. 해당 알고리즘을 선택한 후, 매개 변수 조정은
반복적인 튜닝을 통해 진행된다. 이는 사용자뿐만 아니라 전문가들
에게도 많은 시간 투자를 필요로 한다.(11) 이를 해결하기 위해 본 논문에서는 Auto-sklearn(12) 방법을 공조기 데이터에 적용해 보기로 하며, 선행 연구에서 연구자의 판단과 튜닝으로 선택한 데이터와의 정확도 차이를 알아보기로 한다.
본 연구에서는 Linux 기반 Pedregosa가 개발한 Python 3.6.8을 활용하여 다양한 기계 학습 모델을 구현하였고, 수학적, 통계적 계산은
오픈 소스 라이브러리 기반(13) Pandas와 Numpy를 사용하였다. 자동화 된 기계 학습 방법과 비교하기 위해 예측 연구에서 가장 많이 쓰이고 있는 ANN 알고리즘을 이용한다.(11) 학습은 ANN 중 간단한 형태인 Rosenblatt(20)의 다중 레이어 퍼셉트론(Multi-Layer Perceptron, MLP) 알고리즘(14)을 활용하였으며, 매개 변수는 선행 연구에서 튜닝을 통해 선택되었던 두 개의 Hidden layer 구조로 적용하였다.
대상건물은 지하 6층부터 지상 15층으로 구성된 대형병원이며, 본 연구에서는 24시간 운영하는 병동부위 대상으로 하나의 층에 4대의 AHU가 설치되어
있다. 데이터는 2015년 12월~2016년 7월까지이며, 날짜, 외기
온도, 실내온도, 급기온도, 혼합온도 등으로 이루어져 있다. 본 대상 건물의 급기 온도 예측 검증 방법은 ASHRAE Guideline 14(18)
기준으로 MBE(Mean Bias Error), CvRMSE(Coefficient of Variation of Root Mean Square Error)를
활용하였다.
3. 예측 기법
3.1 AutoML
최근 기계 학습의 활용 범위는 증가하고 있다. 건물 에너지 소비와 관련된 예측 기법 또한 증가하고 있으며, 자주 활용되는 모델은 2007년~2019년
기간 동안 ANN(20편), SVM(18편), Statical Regression(16편), Ensemble (11편)(11)순으로 나타났다. 뿐만 아니라 퍼지 시스템(Fuzzy Inference System, FIS), 적응뉴로-퍼지 시스템(Adaptive Neuro-Fuzzy
Inference System, ANFIS) 등 다양한 모델이 적용되고 있다.
위와 같은 기계 학습 구현을 위해 모델 선정, 훈련 및 최적화 단계가 필요하며, 이를 수행하기 위해서 많은 시간과 전문 지식 그리고 컴퓨터 기능이
요구된다. 입력 데이터에 최적화된 결과를 효율적으로 도출하기 위해 많은 연구자들이 자동화 기계 학습(Automated Machine Learning,
AutoML)에 주목하고 있다. AutoML이란 자동화된 기계 학습으로 불리우며, 최신 기계 학습 기술인 ‘전이학습(Transfer learning)’
등을 이용한 인공지능이 인공지능을 가르치는 방법이다. 전이학습이란 맞춤 기계 학습이라고도 하며 학습 데이터가 풍부한 분야의 알고리즘을 강화하여 데이터가
부족한 분야에 재사용하는 기법을 말한다. 본 기술은 AutoML 중 하나인 Auto-sklearn 모델을 활용한다.
3.2 Auto-Sklearn
Auto-sklearn(12) 모델은 AutoML 중 하나로 자동화 된 Linux 기반 기계 학습 라이브러리이다. Auto-sklearn은 독일 Freiburg 대학의 기계 학습
연구소 팀이 Scikit-learn 라이브러리를 중심으로 구축하였으며, 전문가가 아닌 사용자가 자신의 응용 분야에 적합한 기계 학습 및 매개 변수
설정을 보다 효과적으로 선택하여 성능 향상을 도모하기 위해 개발되었다. 입력 데이터를 통해 모델의 알고리즘과 매개 변수 튜닝 추천까지 머신 러닝의
모든 과정을 자동화함으로써 일반 사용자를 대상으로 하는 Meta-machine Learning 방법으로, 이미 저장된 Meta- feature들의
알고리즘과 변수에 따른 결과를 기록해두어 새로운 데이터와 가장 유사한 기존 데이터를 찾아낸다. 최적의 매개 변수를 찾기 위해 Bayesian Optimization(16)이 활용되었으며 기존 데이터에 함께 기록한다. 이후, 새로운 데이터가 들어오게 되면 기존 데이터에 매칭되어 있는 알고리즘과 매개 변수의 조합을 추천한다.
본 연구에서는 Auto-sklearn regression 모델을 사용하여 최적의 알고리즘을 AHU 실측 데이터에 적용하였다.
3.3 예측모델의 적합성 검토
각 모델들의 적합성을 검토하기 위하여 아래의 통계적 비교 기술을 적용하였다. CvRMSE(Coefficient of variation of the
Root Mean Square Error)는 예측값과 실제 데이터 값이 얼마나 잘 맞는지 결정할 수 있는 지표이며 CvRMSE값이 낮을수록 좋은 예측모델이
된다. MBE(Mean Bias Error)는 평균 편향오차로서, 오차 평균값을 의미한다.
Table 1. Acceptable tolerances defined by ASHRAE Guideline 14
|
Parameter
|
CvRMSE
|
MBE
|
|
Hourly
|
30%
|
±10%
|
이러한 지표들은 시뮬레이션 등의 수학적 모델을 이용한 예측값과 측정데이터 값의 변동성을 가장 잘 표현하는 지표이다. 본 연구에서는 공조기 급기 온도를
예측하는 것이며 이에 대한 예측값과 실제값의 오차
범위의 기준은 ASHRAE Guideline 14(18)에서 제공하는 기준을 이용한다. ASHRAE Guideline 14에서는 Table 1과 같이 시간별 에너지소비량 데이터의 경우 CvRMSE는 30% 이내, MBE는 ±10% 이내이며, 월별 데이터의 경우 CvRMSE는 15%, MBE는
±5%를 언급하였고, 좋은 실증모델은 CvRMSE가 20% 이내인 것으로 표현하였다. 본 논문의 경우 시간별 기준에 따라 참고하여 평가하였으며, 다음
식은 아래와 같다.
4. 대상 건물 공조기 운영 데이터 분석
4.1 입력 데이터 및 공조 조닝
Fig. 1은 대상 공조기들의 대표적 구성 요소들을 나타내었다. 공조기 내에 부착된 센서들을 통해 모니터링 되며, 데이터는 시간별로 기록되고 있다. 이 중에서
시간 (month, hour), 급기 온도(1시간 전․2시간 전․ 3시간 전), 외기 온도(해당 시간․1시간 전․2시간 전․3시간 전) 총 9개 데이터를
활용하였다. 데이터의 개수는 각 5,130개씩의 12월부터 6월까지 시간별 데이터이며, 이 중에서 80%는 학습을 위해 사용되고, 20%는 예측 검정을
위해 사용된다.
Fig. 2는 대상 모델 평면 조닝 (zoning)을 나타내고 있다. 난방 부하와 냉방 부하 변동에 쉽게 대응할 수 있도록 방위별(남동, 남, 남서, 북)로
조닝이 되어 있다. 한 층에 네 개의 조닝이 구획되어 있으며, 각 조닝 별로 다섯 층씩 각각의 AHU가 담당하고 있다. 즉, AHU 1(AHU 1-S)은
남측 조닝 다섯 층을 담당하게 된다.
Fig. 3 Analysis of the measured data.
4.2 조닝별 공조기 데이터 검토
Fig. 3은 12월부터 2월까지 급기 온도(Supply Air Temperature, SAT), 실내 온도(Retrun Air Temperature, RAT)
그리고 외기 온도(Outdoor Air Temperature, OAT)를 나타내고 있다. 대상 건물의 조닝별로 구성된 4대의 공조기에서 외기온도는
비슷한 분포를 나타내고 있으며, 실내 설정 온도(set point)는 26℃로 네 개의 AHU가 동일한 실내 설정온도를 가지고 있다. 급기 온도에서는
각 AHU마다 다양한 온도 분포를 보이고 있다. 북측 지역을 담당하는 공조기4(AHU4-N)의 급기온도가 40℃이상 공급되는 구간도 있으며, 남측과
남동측의 공조기 (AHU1-S, AHU-3-SE)는 낮에는 실내설정온도 26℃보다 낮은 급기온도가 공급된다. 급기온도 평균은 남측지역을 담당하는 공조기는
30.2℃, 남서측 지역의 공조기는 27.4℃, 남동측 지역의 공조기는 27.2℃이며 북측은 가장 높은 34.3℃로 산정되었다. 즉, 같은 건물 같은
층 같은 공간임에도 불구하고 각 방위별 실내발열획득(internal heat gain)과 태양열 획득(solar heat gain)에 따라 시각별
AHU 급기 온도는 다르게 분포함을 알 수 있다. 따라서 겨울철 일별 평균 부하량은 남측 조닝의 공조기 부하가 가장 낮고 북측 조닝의 AHU 부하가
가장 높게 나타나며 약 4.5배정도 차이가 나는 것으로 나타났다. 따라서, 방위별 AHU 설치 시 적절한 운영관리 방안이 필요하다.
5. 비교 결과
5.1 자동화 알고리즘을 통한 모델
입력 데이터는 시간별 외기온도, 과거 급기 온도, 날짜로 이루어져 있으며, 12월부터 6월까지의 기존 이력데이터를 이용하여 총 5,130개의 데이터가
활용되었다. 입력 데이터를 Auto-sklearn에 적용하여 최적의 모델과 매개 변수를 선택되었다. Auto-sklearn에서 추천한 최적의 알고리즘은
AHU1, AHU2, AHU3, AHU4에 따라 각각 GradientBoosting, SVR, Adaboosting, RandomForest으로 나타났다.
추천된 모델과 매개 변수의 세부 사항은 Table 2~Table 5와 같다.
Table 2. Selected Model for AHU1-S
|
Model
|
Gradient Boosting
|
|
Hyper
parameter
|
‘learning_rate’: 0.5101563056871512,
‘loss’: ‘lad’, ‘max_depth’: 6,
‘max_features’: 0.18965055088610153,
‘max_leaf_nodes’: ‘None’,
‘min_impurity_decrease’: 0.0,
‘min_samples_leaf’: 3,
‘min_samples_split’: 20,
‘min_weight_fraction_leaf’: 0.0,
‘n_estimators’: 326,
‘subsample’: 0.3569105701127783
|
Table 3. Selected Model for AHU2-SW
|
Model
|
Libsvm_SVR
|
|
Hyper
parameter
|
‘C’: 901.4197896781916,
‘epsilon’: 0.6868904688546649, ‘kernel’: ‘rbf’,
‘max_iter’: -1,
‘shrinking’: ‘False’,
‘tol’: 0.0444869768471271,
‘degree’: 2,
‘gamma’: 6.317329391327131e-05
|
Table 4. Selected Model for AHU1-S
|
Model
|
Adaboosting
|
|
Hyper
parameter
|
‘learning_rate’: 0.01048490159949248, ‘loss’: ‘exponential’,
‘max_depth’: 9,
‘n_estimators’: 190
|
Table 5. Selected Model for AHU4-N
|
Model
|
RandomForest
|
|
Hyper
parameter
|
‘bootstrap’: ‘True’, ‘criterion’: ‘mse’,
‘max_depth’: ‘None’,
‘max_features’: 1.0,
‘max_leaf_nodes’: ‘None’, ‘min_impurity_decrease’: 0.0, ‘min_samples_leaf’: 1, ‘min_samples_split’:
2, ‘min_weight_fraction_leaf’: 0.0, ‘n_estimators’: 100
|
5.2 ANN 모델과의 비교
추천된 모델과 기존 모델의 정확성에 차이를 비교해 보고자 한다. 비교를 위해 사용된 기존 모델은 건물 에너지 소비량 예측 방법에 관한 논문에서 2007년부터
2019년까지 가장 많이 쓰였던 ANN을 적용하였다.(11) 선행 연구에서 AHU 급기 온도를 예측하기 위해 매개 변수를 반복적인 튜닝으로 조정했던 두 개의 hidden layer로 설정하였으며, 세부 사항은
앞서 말한 Auto-sklearn의 비교를 위해 선택한 조건과 같다. 각 알고리즘과 ANN이 비교된 정확도 결과는 다음 Table 6~Table 9와 같으며, 실측 데이터와 예측 데이터를 시각적으로 비교하기 위해 x축은 시간 y축은 온도 그래프로 Fig. 4~Fig. 11에 나타내었다.
Table 6은 남측 공조기의 데이터이며, 추천된 모델은 Gradient Boosting으로 ANN과 정확도 차이를 비교하였다. CvRMSE는 각 4.75, 5.91로
Gradient Boosting이 1.16% 더 높은 정확도를 보였다. MBE는 0.06, 0.82로 Gradient Boosting이 ANN보다
0.76% 더 높은 정확도를 가졌다. 이 결과 값은 Gradient Boosting을 나타낸 Fig. 4와 ANN을 비교하여 나타낸 Fig. 5에 그래프를 활용하여 표현되었다.
Table 7은 남서측 공조기의 데이터이며, 추천된 모델은 SVR로 ANN과 정확도 차이를 비교하였다. CvRMSE는 각 4.81, 4.84로 SVR이 0.03%
더 높은 것으로 나타났다. MBE는 0.28, 1.12로 SVR이 ANN보다 0.84% 더 높게 나타났으며 Fig. 7에 결과 비교를 표현하였다.
Table 8은 남동측 공조기의 데이터이며, 추천된 모델은 Adaboosting으로 ANN과 정확도 차이를 비교하였다. CvRMSE는 각 5.28, 5.62으로
Adaboosting이 0.35% 로 나타났다. MBE는 -0.76, 0.79로 Adaboosting이 ANN보다 0.03% 높게 나타났다.
Table 9는 북측 공조기의 데이터이며, 추천된 모델은 RandomForest으로 ANN과 정확도 차이를 비교하였다. CvRMSE는 각 5.19, 5.76으로
RandomForest가 0.57% 높게 나타났다. MBE는 -0.19, 0.10으로 ANN이 Random Forest보다 0.09% 더 높은 정확도를
보였다.
Table 6. Compare each model of AHU1-S
|
|
Gradient Boosting
|
ANN
|
|
RMSE
|
1.284463
|
1.595352
|
|
CvRMSE
|
4.747643
|
5.912084
|
|
MBE
|
0.058940
|
0.816483
|
Table 7. Compare each model of AHU2-SW
|
|
Libsvm_SVR
|
ANN
|
|
RMSE
|
1.274536
|
1.262761
|
|
CvRMSE
|
4.812680
|
4.835286
|
|
MBE
|
0.282069
|
1.120561
|
Table 8. Compare each model of AHU-3-SE
|
|
Adaboosting
|
ANN
|
|
RMSE
|
1.333175
|
1.420602
|
|
CvRMSE
|
5.276208
|
5.623842
|
|
MBE
|
0.758940
|
0.788173
|
Table 9. Compare each model of AHU4-N
|
|
Random Forest
|
ANN
|
|
RMSE
|
1.5113512
|
1.689494
|
|
CvRMSE
|
5.1921120
|
5.760848
|
|
MBE
|
0.192540
|
0.102349
|
Fig. 4 GradientBoosting verification of AHU1-S
Fig. 5 ANN verification of AHU1-S
Fig. 6 SVR verification of AHU2-SW
Fig. 7 ANN verification of AHU2-SW
Fig. 8 Adaboosting verification of AHU-3-SE
Fig. 9 ANN verification of AHU-3-SE
Fig. 10 Randomforest verification of AHU4-N
Fig. 11 ANN verification of AHU4-N
6. 결 론
본 연구는 기계 학습 및 매개 변수를 자동으로 설정하여 공조기 급기 온도를 예측할 수 있는 방안을 제시 하고자 하였다. 병원건물을 대상으로, 방위별
부하를 담당하는 4대의 공조기의 7개월간의 실측 데이터를 사용하였다. 최적화 예측모델을 발견하기 위해, 자동화 데이터 분석 알고리즘 AutoML인
Auto-sklearn을 활용
하였다. 비교를 위해 건물 에너지 분야에서 가장 많이 쓰이고 인공지능 개념인 ANN 모델과 선행 연구에서 반복적인 튜닝을 통해 도출된 매개 변수를
사용하였으며 결론은 다음과 같다.
(1) 공조기 데이터별로 각각 다른 모델이 최적화 모델로 선정되었다. 남측공조기의 경우 추천된 기계 학습 모델은 Gradient Boosting,
남서측은 SVR, 남동측은 Adaboosting, 북측은 RandomForest이다.
(2) 각각의 모델로 ANN과 비교한 결과 약 0.03%~1.16% 더 높은 정확도로 예측되는 것으로 분석되었다.
(3) 추천된 모델과 ANN을 비교해 보았을 때, 추천된 모델의 정확도가 CvRMSE 평균 0.53%, MBE 0.54% 더 높게 나타났다. 뿐만
아니라, 자동화 데이터 분석 알고리즘을 통한 모델과 매개 변수를 적용하는 것이 시간 효율적인 것을 알 수 있다.
(4) 건물 내 같은 공간 속에서 방위에 따라 공조기 운전 예측에 필요한 알고리즘과 매개 변수는 각각 다르게 나타남을 알 수 있다.
본 연구를 통해 설비시스템의 운전 예측 분야에 자동화 데이터 분석 알고리즘 모델이 적극 활용될 수 있을 것으로 판단된다. 또한 예측된 데이터를 실제
건물에 적용함으로써 에너지 절감의 정량적인 분석의 연구가 기대된다.
후 기
1. This work was supported by the National Research Foundation of Korea(NRF) grant
funded by the Korea government(MSIT) (No.2015R1D1A1A01057928).
2. This work was supported by the Korea Institute of Energy Technology Evaluation
and Planning(KETEP) and the Ministry of Trade, Industry & Energy(MOTIE) of the Republic
of Korea(No. 20194010201850).
References
Pérez-lombard L., Ortiz J., Pout C., 2008, A review on buildings energy consumption
information, Energy and Buildings, Vol. 40, pp. 394-398
Huang W., Zaheeruddin M., Cho S. H., 2006, Dynamic simulation of energy management
control functions for HVAC systems in buildings, Energy Conversion and Management,
Vol. 47, pp. 926-943
Cheon S. H., Kwak Y. H., Jang C. Y., Huh J. H., 2012, Comparison with Energy Saving
Potential of Similar AHU Control Strategie, Proceeding of the AIK, Vol. 32, No. 2,
pp. 281-282
Suh W. J. Park C. S., 2012, Issues and Limitations on the Use of a Whole Building
Simulation Tool for Energy Diagnosis of a Real-life Building, Journal of AIK, Vol.
28. no. 1, pp. 273-283
Lee S. M., Hong J. P., Cho G. Y., Yeo M. S., Kim K. W., 2009, The Analysis of Free
Cooling Status through HVAC Operational Data Survey, Proceeding of the KIASEBS, pp.
279-282
Zhao H. Magoules F., 2012, A review on the prediction of building energy consumption,
Renewable and Sustainable Energy Reviews, Vol. 16, pp. 3586-3592
Park D. H., Nam H. M., Chung H. G., Yang I. H., 2014, Analysis of Energy Saving Effect
of Optimal Start/Stop with ANN on Heating and Cooling system, Proceeding of Korean
Journal of Air-Conditioning and Refrigerating Engineering, pp. 486-487
Yanga I. H. Kim K. W., 2004, Prediction of the time of room air temperature descending
for heating systems in buildings, Building and Environment, Vol. 39, pp. 19-29
Dong B., Cao C., Lee S. E., 2005, Applying support vector machines to predict building
energy consumption in tropical region, Energy and Buildings, Vol. 37, pp. 545-553
Feurer M., 2019, Auto-sklearn : Efficient and Robust Automated Machine Learning, Automated
Machine Learning, pp. 113-134
Bourdeau M., 2019, Modeling and forecasting building energy consumption : A review
of data-driven techniques, Sustainable Cities and Society, Vol. 48, pp. 101533
Feurer M., 2015, Efficient and robust automated machine learning, Advances in Neural
Information Processing Systems 28 (NIPS 2015), pp. 2962-2970
Pedregosa F., 2011, Scikit-learn : Machine learning in Python, Journal of Machine
Learning Research, Vol. 12, pp. 2825-2830
Vapnik V., 2000, The nature of statistical learning theory, Springer, Vol. 2
Hong G. P. Kim B. S., 2018, Development of a Data-Driven Predictive Model of Supply
Air Temperature in an Air-Handling Unit for Conserving Energy, Energies, Vol. 11,
No. 2, pp. 1-16
Snoek J., Larochelle H., Adams R. P., 2012, Practical Bayesian optimization of machine
learning algorithms, Advances in Neural Information Processing Systems, Vol. 25, pp.
2960-2968
Gil S.H., 2016, A Study on the Method of Energy Demand Prediction Using Deep Learning,
Proceeding of Symposium of the KICIS, pp. 1014-1015
ASHRAE GUIDELINE 14-2002 Measurement of Energy and Demand Savings.
Kim S. K., 2008, Design case of the cancer hospital, Magazine of the SAREC, Vol. 37,
No. 8, pp. 4-15
Rosenblatt F., 1958, The Perceptron: A probabilistic Model for Information Storage
and Organization in the Brain, Cornell Aeronautical Laboratory, Psychological Review,
Vol. 65, No. 6, pp. 386-408