김덕근
(Deokgeun Kim)
1
조아진
(Ajin Jo)
1
송재만
(Jaeman Song)
2
홍희기
(Hiki Hong)
2†
-
경희대학교 기계공학과 석사과정
(Graduate Student, Department of Mechanical Engineering, Kyung Hee University, Yongin-si,
17104, Korea)
-
경희대학교 기계공학과 교수
(Professor, Department of Mechanical Engineering, Kyung Hee University, Yongin-si,
17104, Korea)
Copyright © 2016, Society of Air-Conditioning and Refrigeration Engineers of Korea
키워드
딥러닝, 수치 시스템 관측, 수치 기상 관측, 수치 기상 예측, 태양열 시스템
Key words
Deep learning, Numerical system observation, Numerical weather observation, Numerical weather prediction, Solar thermal system
기호설명
$\hat{y}_{k}$ ：
시뮬레이션 예측값
$y_{k}$ ：
실제값
$n$ ：
데이터 수
$T_{{ci}}$ ：
집열기 입구온도 [℃]
$T_{{co}}$ ：
집열기 출구온도 [℃]
$T_{{st}}$ ：
축열조 상부온도 [℃]
$T_{{so}}$ ：
축열조 출구온도 [℃]
$T_{{load}}$ ：
부하측 공급온도 [℃]
$T_{{w}}$ ：
시수 온도 [℃]
$\dot{Q}_{{u}}$ ：
태양열 생산량 [kW]
$\dot{Q}_{{s}}$ ：
태양열 공급량 [kW]
$P_{\dot{{Q}}{u}}$ ：
태양열 생산량 예측값 [kW]
$P_{\dot{{Q}}{s}}$ ：
태양열 공급량 예측값 [kW]
$P_{{T}{st}}$ ：
축열조 상부온도 예측값 [℃]
$I_{{t}}$ ：
일사량 [W/㎡]
1. 서 론
산업혁명 이후 인류는 급격한 경제 성장과 생활 수준의 향상을 이루었으며, 에너지 사용이 점진적으로 증가함에 따라 탄소 배출량도 증가할 것으로 전망된다.(1) 이로 인해 온실가스 배출이 가속화되면서 기후변화 문제가 대두되었다.(2) 전 세계 최종 에너지 소비의 40%는 건물에서 발생하며(3), 이는 전체 이산화탄소 배출량의 8% 이상을 차지한다.(4) 이에 따라, 에너지 절약과 신재생에너지 활용은 국제 사회의 주요 과제로 자리 잡고 있다.(5) 건물 소비 에너지는 난방, 냉방, 조명, 환기, 급탕 등 다양한 용도로 사용되는데 이 중 급탕의 경우 다른 분야와 달리 에너지 절약이 어렵기 때문에
신재생에너지 활용이 필수적이다. 현재 주거용 건물에서는 태양광, 태양열, 지열이 주요 신재생에너지로 활용되며, 이 중 태양열 시스템은 급탕 공급을
위한 가장 현실적인 대안으로 평가받고 있다.(6) 태양열 시스템은 태양 복사 에너지를 열에너지로 변환하여 저장한 후, 건물의 냉․난방 및 급탕 용도로 활용하는 방식이다.(7)
경제성, 활용성, 효율성 측면에서 경쟁력을 갖춘 이 시스템은 풍력 및 태양광에 이어 전 세계에서 세 번째로 큰 설치 규모를 기록하고 있다.(8) 태양에너지는 에너지 밀도가 낮고 계절 및 시간에 따른 변동성이 크지만, 열에너지로 전환하기가 쉬워 연중 열이 필요한 관공서, 요양시설, 숙박시설,
공중목욕탕 등에 적용에 용이하고 온실가스 감축 효과도 있다.(9) 그러나 실외 설치로 인해 고장 감지가 어렵고, 배관 및 순환펌프의 고장으로 성능 저하 및 안전 문제가 발생할 수 있다. 이를 해결하기 위해 최근
IoT 기술을 활용한 스마트 유지보수 시스템이 도입되었으며, 센서를 통해 실시간 데이터를 수집․분석하여 유지보수 비용 절감과 운영 효율성을 높이고
있다. 다양한 설비 운영 데이터가 실시간으로 확보됨에 따라, 데이터 기반의 정밀 분석과 예측을 통해 유지보수 전략을 고도화할 수 있는 기술의 필요성이
대두되고 있다.
최근 인공지능 기술이 건축 설비 분야에 적용되면서 시스템 성능을 예측하고 평가하는 도구로 활용되고 있다.(10) 기존 연구에서는 경험적․물리적 실험식 기반 예측이 주를 이루었으나, 인공지능 기술 발전으로 데이터 학습을 통한 예측 방식이 도입되었다. Soon
et al.(11)은 LSTM(Long short-term memory)을 활용해 진도 태양광 발전소의 일일 발전량 예측을 위해 11개의 모델을 개발했으며, 이 중
일사량, 습도, 기온, 풍속, 풍향 등 변수를 활용한 모델이 NRMSE 0.1197로 가장 높은 성능을 보였다. Lee et al.(12)은 태양광 시설 증가로 인한 불안정을 해결하기 위해 CNN-LSTM(Convolutional neural network-LSTM) 기반 예측 모델을
개발하였다. 전라남도 2년간 기상 및 발전 데이터를 분석한 결과, RSME 15.72%, MAE 11.11%를 기록했으며, 구름이 적은 날 예측 성능이
우수했다. Choi et al.(13)은 LSTM을 기반으로 기상 및 태양광 데이터를 활용한 예측 모델을 개발하였다. 모로코 Safi 지역 데이터를 이용해 두 가지 예측 모델을 개발한
결과, 설비 데이터 포함 여부에 따라 RSME가 각각 0.066과 0.077로 나타나, 설비 데이터를 포함한 모델이 더 높은 예측 성능을 보였다.
태양광 발전량은 주로 일사량에 의해 결정되지만, 태양열 시스템은 축열탱크의 온도가 과거 생산량과 소비량에 따라 변동되기 때문에 예측이 더욱 복잡하다.
태양열 생산량 예측 연구는 태양광 발전 예측보다 상대적으로 부족한 실정이다. Yaïci and Entchev(14)는 ANN(Artificial neural networks)을 활용해 태양열 시스템과 성능을 예측하였으며, ±3% 오차 이내의 높은 정확도를 보여
실시간 성능 평가 및 유지보수 최적화에 활용 가능함을 확인하였다. Xie et al.(15)은 ANN을 활용해 기상 조건을 기반으로 태양열 집열기의 효율 및 가열 용량을 예측하였다. 베이징 지역 실험 데이터를 학습한 결과, RMSE 0.0075,
COV 0.3384로 나타나 신뢰도 높은 예측이 가능함을 확인하였다. 기존의 태양열 예측 연구는 주로 ANN을 기반으로 수행되었으나 ANN은 시계열
데이터에서 시간 의존성을 충분히 반영하지 못하는 한계가 있다.(16)
이에 본 연구에서는 태양열 시스템이 이전 상태에 영향을 받는 시계열 데이터 예측에 특화된 LSTM을 활용해 시스템의 생산량, 공급량, 축열조 상부
온도를 예측한다. 또한, 기존 태양열 생산량 예측 모델이 기상청의 수치 기상 예측(Numerical weather prediction, NWP) 데이터뿐만
아니라, 현장에서 관측한 일사량인 수치 기상 관측(Numerical weather observation, NWO) 및 기상 설비 관측(Numerical
system observation, NSO) 데이터를 추가하여 예측 성능을 향상시키는 모델을 제안한다. 나아가, 입력 변수에 따른 생산량, 소비량,
축열조 상부 온도의 예측 결과를 분석하여 태양열 시스템의 다양한 변수를 반영한 최적의 예측 방법을 제시하고자 한다.
2. 연구 방법
2.1 연구 대상
본 연구에서 실증 데이터를 확보하기 위해 대한민국 경기도 용인시 기흥구 덕영대로 1732 경희대학교 공과대학 6층 태양열실험실에 설치된 벽체일체형
강제순환 태양열 온수기를 활용하였다. 벽체일체형 강제순환 태양열 온수기는 건물 벽면을 활용하여 아파트, 빌라 등 집열기 설치가 어려운 주택이나 고층
건물에 적용 가능하다. 하절기 무부하 운전 시 축열조 상부 온도는 최대 66.7℃, 집열기 출구 온도는 최대 81.7℃로 과열 현상이 발생하지 않아
유지관리가 용이하다. 급탕 부하가 집중되는 동절기에도 집열효율 48.7%로 우수한 성능을 나타낸다.(17)
Fig. 1의 (a)는 벽면형 태양열 집열 시스템의 개략도를 보여준다. 축열조는 성층화를 촉진해 집열효율 등에 유리한 상․하부 집중 가열 방식을 사용하였다. 최대 집열효율
74%인 단일투과체 평판형 집열기(2 m2) 두 장을 직렬로 연결하여 건물 벽면에 정남향으로 설치하였으며, 이는 Fig. 1의 (b)와 같다. 또한, Fig. 1의 (c)는 부하측의 센서 및 배관 구성을 보여주며, 온수 공급 계통의 흐름과 주요 측정 지점의 구성을 나타낸다. 시스템의 상세 제원은 Table 1에서 확인할 수 있다. 일사량 측정을 위해 경사면 전천 일사량을 측정하였고, 온도 측정 및 제어를 위해 다양한 온도 지점에서 실시간 데이터를 수집하고
분석하여 시스템을 제어하였다. 주요 측정 지점은 집열기 입구 온도($T_{{ci}}$), 집열기 출구 온도($T_{{co}}$), 축열조 상부 온도($T_{{st}}$),
축열조 출구온도($T_{{so}}$), 부하측 공급 온도($T_{{load}}$), 시수 온도($T_{{w}}$) 등이며, 이를 통해 성능을 모니터링하고
제어하였다.
Fig. 1의 (a)에서 확인할 수 있듯이, 각종 센서와 장비는 시스템제어를 위해 실시간으로 온도 및 유량을 측정하며, 집열 펌프는 온도차에 따라 히스테리시스, 차온
제어를 적용하였다. 집열기 입․출구 온도의 차가 8℃ 이상일 때 펌프가 작동하고 3℃ 이하일 때 정지하도록 설정하였다.
본 연구에서 실제 급탕 부하를 사용하지 않고 급탕 소비 상황을 재현할 수 있도록 유사한 실험 환경을 구성하였다. 급탕 부하 측 배관에 설치된 제어
장치를 통해 급탕 부하 조건을 설정하였으며, 솔레노이드 밸브를 이용해 급탕 부하 유량을 제어하였다. 부하 패턴은 공동주택관리정보시스템(K-apt)의
3인 가구(84 m2) 급탕 사용량 데이터를 기반으로 설정하였다. 태양열 시스템의 성능 분석을 위해 획득량은 집열기 입․출구 온도차와 유량을 통해 계산하고, 공급량은
급탕 공급 온도와 시수 온도 차이를 기준으로 산출하였다. 이를 통해 실시간 계측 데이터를 획득하고, 최적의 시스템 운전 방식을 수행하였다.
Fig. 1 The facade solar thermal system used in the experiment.
Table 1 System configuration used in the experiment
|
Component
|
Specification
|
Value
|
|
Collector
|
Size
|
1,000 mm․2,000 mm․90 mm
|
|
Area
|
2.0 m2
|
|
Unit
|
2 EA
|
|
Tilt
|
90˚
|
|
Storge tank
|
Height
|
1,188 mm
|
|
Outer Diameter
|
609.4 mm
|
|
Capacity
|
200 L
|
|
Material
|
STS304, STS316
|
|
Heating coil
|
Upper coil
|
15.88 mm․5 m
|
|
Lower coil
|
15.88 mm․7 m
|
|
Material
|
STS304
|
|
Pump
|
Capacity
|
42 LPM
|
|
Total head
|
6 m
|
|
Output
|
100 W
|
2.2 데이터 수집
딥러닝 기반 예측 모델은 기상청의 NWP 데이터를 활용하여 개발되며, 데이터 품질은 모델 성능에 직접적인 영향을 미친다. 그러나 NWP 데이터는 기상
모형에 기반한 예측값으로 실제 관측값과 차이가 발생할 수 있어 신뢰성에 한계가 있다. 이를 보완하기 위해 NWO 및 NSO와 같은 실측 데이터를 활용하는
연구가 진행되고 있다. 실측 데이터는 모델의 신뢰도를 높이는 데 기여하지만 과거 데이터를 기반으로 하므로 미래 예측에는 한계가 존재한다.
따라서 본 연구에서는 NWP, NWO, NSO 데이터를 동시에 활용하여 모델을 학습함으로써, 개별 데이터의 한계를 보완하고 더욱 정확한 예측 모델을
구축하는 것을 목표로 한다. NWP 데이터는 기상청 기상자료개방포털에서 제공하는 초단기예보 데이터를 기반으로 하며, 연구 대상지인 경기도 용인시 기흥구
서농동의 강수량, 강수 형태, 습도, 기온, 풍향, 풍속, 동서 바람 성분, 남북 바람 성분, 하늘 상태 등 총 9개 요소로 구성된다. 해당 데이터는
1~6시간 후의 기상을 예측하며, 각 요소의 단위 및 세부 설명은 Table 2에서 확인할 수 있다.
NWO 데이터는 경사면 전천일사량($I_{{t}}$), NSO 데이터는 태양열 시스템의 생산량($\dot{Q_{{u}}}$), 공급량($\dot{Q}_{{s}}$),
축열조 상부온도($T_{{st}}$)를 포함한다. 해당 데이터들은 2024년 5월 7일부터 9월 24일까지 1시간 단위로 실시간 수집되었으며, 총
3,384개의 데이터를 확보하였다. Fig. 2는 2024년 8월 28일부터 2024년 8월 30일까지의 수집된 일부 데이터를 바탕으로, NWO 및 NSO의 각 요소의 수집 특성과 시간에 따른
변화 양상을 나타낸다. 일사량은 오전부터 증가하여 최고치를 기록한 뒤 점차 감소하는 일변 곡선을 보이며, 이에 따라 생산량도 유사한 시간대에 피크를
형성하였다. 축열조 상부온도는 에너지 저장 특성에 따라 보다 완만한 변화와 지연된 반응을 나타낸다.
Fig. 2 Numerical weather observation and numerical system observation.
Table 2 Features of numerical weather prediction data
|
Feature
|
Unit
|
Description
|
|
Rain
|
0.1 mm
|
-
|
|
Precipitation type
|
-
|
None(0), Rain(1),
Rain/Snow(2), Snow(3),
Drizzle(5),
Drizzle with Snow flurries(6),
Snow flurries(7)
|
|
Temperature
|
0.1℃
|
-
|
|
East-West wind component
|
0.1 m/s
|
East(+), West(-)
|
|
South-North wind component
|
0.1 m/s
|
South(+), North(-)
|
|
Wind speed
|
0.1 m/s
|
-
|
|
Wind direction
|
0 deg
|
North 360˚, East 90˚,
West 270˚, South 180˚
|
|
Relative humidity
|
1%
|
-
|
|
Sky condition
|
-
|
Clear(1), Mostly Cloudy(3),
Cloudy(4)
|
2.3 예측모델 개발
본 연구에서는 Python 언어를 활용하여 LSTM 기반 예측 모델을 구축하였으며, 6시간 후 태양열 시스템의 생산량, 공급량, 축열조 상부온도를
예측하는 모델을 개발하였다. 예측 모델 구현에는 Python의 라이브러리인 Sklearn과 TensorFlow의 Keras 모듈을 사용하였다. 이를
위해 전체 데이터를 학습, 검증, 테스트 세 부분으로 분할하여 사용하였다. 전체 데이터의 64%는 학습 데이터로 활용하여 모델이 패턴을 학습하도록
하였으며, 16%는 검증 데이터로 설정하여 모델의 일반화 성능을 평가하고 과적합을 방지하도록 하였다. 마지막으로, 20%는 테스트 데이터로 사용하여
학습이 완료된 모델의 최종 성능을 검증하였다.
기존의 NWP 데이터뿐만 아니라, NWO 및 NSO 데이터가 예측 성능에 미치는 영향을 분석하기 위해 세 가지 모델을 비교하였다. LSTM 1은 NWP
데이터만 사용한 모델이며, LSTM 2는 NWP와 NWO 데이터를 함께 사용한 모델이다. LSTM 3은 NWP, NWO, NSO 데이터 모두 사용한
모델이다. 각 LSTM 모델의 구조는 Fig. 3에서 확인할 수 있으며, 모든 모델은 Fig. 3의 우측 상단에 위치한 동일한 구조의 LSTM을 사용하였다.
적용된 구조는 기상 예측에 효과가 있다고 알려진 Multi layer LSTM이며, 5개의 층으로 구성되었다. 각 층은 400, 400, 200,
200, 50개의 뉴런을 포함하고 있다. 층 사이에 20%씩 드롭아웃을 적용하여 과적합을 방지하고, 모델의 일반화 성능을 향상시켰다.(18) 모델의 최적화를 위해 Hyperparameter를 적용하였다. 최적화 함수는 Adam을 사용하였으며, 이는 신경망의 가중치를 최적화하는 기법 중
하나로, 확률적 경사 하강법의 변형된 방식이다. 학습률을 자동으로 조정하여 빠르고 안정적인 학습을 지원한다. 손실함수는 MSE(Mean Squared
Error)를 적용하여, 예측값과 실제값 간의 차이를 제곱하여 평균을 계산함으로써 모델의 오차를 평가하였다. 학습 과정에서 Batch size는 16으로
설정하여, 매 반복마다 일정한 양의 데이터를 사용해 가중치를 업데이트하도록 하였다. 또한, 모델 학습을 위한 Epoch는 100으로 설정하여 충분한
학습이 이루어지도록 하였으며, Window size와 Step size는 각각 6으로 설정하여 입력 데이터의 시계열 패턴을 효과적으로 반영할 수 있도록
구성하였다.
Fig. 3 Architecture of models.
2.4 예측모델 성능 지표
각 LSTM 예측 모델의 예측 정확도를 평가하기 위한 평가 지표로서 MAE(Mean absolute error), RMSE(Root mean squared
error), R2(R-square)를 사용하였다. MAE의 계산은 식(1)과 같다.
RMSE(Root mean squared error)의 계산은 식(2)와 같다. MSE(Mean squared error)는 Error를 제곱함으로써 해당 loss를 좀 더 강력하게 제재하는 효과를 가진다. 따라서 이상치가
있을 때에 크게 측정되는 경향이 있다. MSE에 루트를 씌운 RMSE는 성능평가 수치가 예측값과 그 단위가 같으므로 직관적인 에러 수치이다. 에러에
따른 Loss가 기하급수적으로 올라가는 상황에서 쓰기에 적합하다. 해당 값이 작을수록 더 정확하게 예측한다고 볼 수 있다.
R2(R-square)는 예측 모델을 통해 예측된 값과 실제 측정값 사이의 상관관계를 나타내는 지표로, 1에 가까울수록 상관관계가 높고 0에 가까울수록
낮다. ASHRAE Guideline 14-2014에 의하면 1시간 단위 시계열에서 0.8 이상을 적정 기준으로 하며 계산식은 식(3)과 같다.(19)
3. 결과 및 분석
3.1 예측모델 성능 분석 및 비교
Fig. 4는 2.4절에서 언급한 MAE, RMSE, R2 지표를 기반으로 LSTM 1, 2, 3 모델의 예측 성능을 수염상자 차트로 나타낸다. 각 모델의 출력 변수인 생산량($P_{\dot{Q}_{u}}$),
공급량($P_{\dot{Q}_{s}}$), 축열조 상부온도($P_{{T}_{st}}$)에 대해 10번 실시하여 성능 지표의 분포를 비교하였다. LSTM
1은 NWP 데이터만을 입력으로 사용하였으며, 예보 데이터의 불확실성과 지역별 오차 누적 등의 한계로 인해 전반적인 예측 정확도가 다른 모델에 비해
낮게 나타났다. 공급량 예측 성능에서 LSTM 1의 MAE는 0.089, RMSE는 0.143으로, LSTM 2보다 높은 오차 값을 보였다. LSTM
3은 모든 출력 변수에서 가장 우수한 성능을 보였다. 공급량과 축열조 상부온도 예측에서는 성능 지표 기준으로 LSTM 1 대비 뚜렷한 성능 향상을
나타냈다. 공급량 예측의 경우, MAE는 28.2%, RMSE는 25.3% 감소하였으며, R²는 34.5% 향상되었다. 또한 축열조 상부온도 예측에서도
MAE는 27.3%, RMSE는 23.5% 감소하였고, R²는 12.2% 증가하였다. 이는 NWP 데이터와 NWO 및 NSO 데이터를 함께 활용함으로써
모델 성능이 크게 향상되었음을 보여준다. R2 값은 출력 변수에 따라 0.72 ~ 0.89 수준으로 나타났으며, 이는 시계열 예측 분야에서 일반적으로 신뢰 가능한 정확도로 간주된다. 이러한 범위는
입력 데이터의 불확실성, 시스템의 비선형 동작 특성 등의 복합적인 요인의 영향을 받은 결과로 해석된다.
Fig. 5는 일사 조건이 좋지 않았던 2024년 8월 25일 00시부터 2024년 8월 27일 23시까지의 기간 동안 각 모델의 예측값과 실측값의 변화를 비교하여
나타낸다. LSTM 3 모델은 모든 출력 변수에 대해 실측값의 추세를 가장 안정적으로 재현하였으며, 외부 환경 변화가 큰 구간에서도 예측값이 실측값의
변화를 효과적으로 따라가는 양상을 보였다.
Fig. 4 Prediction accuracy by model output.
Fig. 5 Comparison of predictions by model output.
3.2 기능 중요도 분석
본 연구에서는 태양열 시스템의 입력 변수 중요도를 평가하기 위해 PFI(Permutation feature importance)를 적용하였다.(20) 이를 통해 각 입력 변수가 예측 모델에 미치는 상대적인 영향을 분석하고, 가장 중요한 입력 변수를 도출하였다. PFI 분석은 학습된 LSTM 모델을
기반으로 각 입력 변수를 개별적으로 무작위 교체한 후 예측 성능 변화를 측정하는 방식으로 수행되며 성능 저하가 클수록 해당 변수의 중요도가 높다고
해석된다.
Fig. 6은 PFI를 통해 도출된 각 LSTM 모델의 상위 5개의 주요 입력 변수와 중요도를 나타낸다. LSTM 1 모델의 세 출력 변수에 대해 습도, 기온,
풍속, 하늘 상태의 변수가 공통적으로 높은 중요도를 보였다. 특히 습도는 생산량, 공급량, 축열조 상부온도 예측에서 0.068, 0.12, 0.08의
중요도를 기록하며, 세 변수 모두에서 가장 높은 값을 나타냈다. 이는 LSTM 1 모델에서 습도가 예측 성능에 가장 크게 기여한 변수임을 보여주며,
전체 출력 변수 예측에 일관된 영향력을 가진 입력 변수로 확인할 수 있다. LSTM 3 모델에서는 공급량과 축열조 상부온도 예측에서 해당 변수의 과거
시점 데이터가 가장 중요한 입력 변수로 나타났다. 이는 이전 시점 값에 의존하는 특성을 가지며, 입력 변수 간 기여도 분포가 비교적 단순하다는 점을
보여준다. 반면, 생산량 예측에서는 일사량이 0.068로 가장 큰 중요도를 보였고 공급량이 0.067, 축열조 상부온도는 0.057 순으로 나타났다.
이는 외부 환경 요인과 시스템 내부 변수 간의 복합적인 상호작용이 더 크게 작용했음을 보여준다. 이러한 결과는 출력 변수의 특성에 따라 주요 입력
변수의 조합과 중요도가 달라지며, 변수 간 상호 작용과 시계열 의존성이 예측 성능에 중요한 요소로 작용함을 보여준다.
Fig. 6 Top predictive features in each LSTM.
4. 결 론
본 연구에서는 LSTM 모델을 활용하여 태양열 시스템의 생산량, 공급량, 축열조 상부온도를 예측하는 모델을 개발하였으며, 예측 성능을 향상시키기 위해
NWP, NWO, NSO 데이터를 적용하였다. 또한, 다양한 입력 변수 조합에 따른 예측 성능 차이를 분석하고 모델 간 비교 평가를 수행하였다. 이에
대한 결론은 다음과 같다.
(1) 입력 변수 조합에 따른 성능 분석 결과, LSTM 1 모델 대비 LSTM 2, 3 모델에서 예측 성능이 향상되었다. LSTM 3 모델은 공급량
예측에서 MAE는 28.2%, RMSE는 25.3% 감소하였고, R²는 34.5% 향상되었으며, 축열조 상부온도 예측에서도 MAE는 27.3%, RMSE는
23.5% 감소하였고, R²는 12.2% 향상의 성능 개선을 보였다. 이러한 결과는 NWP뿐만 아니라 NWO 및 NSO 데이터를 입력 변수로 함께
활용하는 것이 예측 정확도 향상에 기여한다는 점을 보여주며, NSO 데이터가 축열조 관련 예측 정확도 향상에 중요한 영향을 미친다는 점을 확인할 수
있다.
(2) PFI 기법을 활용한 변수 중요도 분석 결과, LSTM 1 모델에서는 세 출력 변수 모두에서 습도가 가장 높은 중요도를 나타내며, NWP 변수
중 상대적으로 강한 영향력을 보였다. 반면, LSTM 3 모델에서는 공급량과 축열조 상부온도 예측에 있어 해당 변수의 과거 시점 데이터가 가장 높은
중요도를 기록하였고, 생산량 예측에서는 일사량이 0.068, 공급량은 0.067, 축열조 상부온도는 0.057 순으로 나타났다. 이는 출력 변수의
특성에 따라 입력 변수의 영향력이 달라지며, 변수 간 상호 작용과 시계열 의존성이 예측 정확도에 중요한 요인으로 작용함을 보여준다.
NWP 데이터와 NWO 및 NSO 데이터를 통합하여, 태양열 시스템의 생산량, 공급량, 축열조 상부온도를 예측하는 LSTM 기반 모델을 구현하고 성능을
분석하였다. 다양한 입력 변수 조합에 따른 예측 성능을 비교를 통해, NSO 데이터의 활용이 예측 정확도 향상에 핵심적인 역할을 한다는 점을 확인하였다.
또한 PFI 기법을 적용하여 입력 변수별 상대적 기여도를 평가하였으며, NSO 기반 변수들이 가장 높은 중요도를 가지는 것으로 나타났다. 다만 제한된
기간의 데이터를 바탕으로 이루어졌다는 점에서 일반화에 일정한 한계가 존재한다. 향후 연구에서는 계절별 특성을 반영한 추가적인 데이터 수집, 다양한
기상 요소 및 실시간 데이터의 적용, 그리고 LSTM 외 다양한 시계열 예측 기법의 적용 및 모델 간 비교를 통한 최적 구조 개발 등을 통해 예측
정밀도를 더욱 향상시킬 수 있을 것으로 기대된다.
후 기
본 연구는 2024년도 에너지기술평가원의 재원으로 산업공정용 열공급을 위한 태양열 융합 열공급시스템 개발 및 스마트 O&M시스템 구축 기술개발
과제의 지원을 받아 수행된 연구임(No.RS-2022-KP002831).
References
IEA, Statistics report 2022, Global Status Report for Buildings and Construction.
Le Quéré, C., Andrew, R. M., Friedlingstein, P., and Zhu, D., 2018, Global Carbon
Budget 2017, Earth System Science Data, Vol. 10, No. 1, pp. 405-448.
Costa, A., Keane, M. M., Torrens, J. I., and Corry, E., 2013, Building operation and
energy performance: Monitoring, analysis and optimisation toolkit, Applied Energy,
Vol. 101, No. 1, pp. 310-316.
IEA, 2022, Buildings, Available: https://www.iea.org/reports/buildings.
Shin, J. H. and Cho, Y. H., 2017, Predicting of the Geothermal Heat Pump System Coefficient
of Performance using Artificial Neural Network, Journal of The Korean Society of Living
Environmental System, Vol. 24, No. 5, pp. 562-567.
Mauthner, F. and Weeiss, W., 2014, Solar Heat Worldwide 2012, SHC, IEA.
Han, Y., 2018, Performance Evaluation of Solar Thermal Storage Tank with Heat Exchange
Coils (M.S. thesis), Kyung Hee University, Seoul, Korea.
Renewables 2015 Global Status Report, 2015, REN21, Paris, p. 19.
Hong, H. K., 2004, 3% Use of Alternative Energy in 2006 and Solar Thermal System,
Magazine of the SAREK, Vol. 33, No. 11, pp. 47-54.
Kang, I. S., Moon, J. W., and Park, J. C., 2017, Recent Research Trends of Artificial
Intelligent Machine Learning in Architectural Field - Review of Domestic and International
Journal Papers, Journal of the Architectural Institute of Korea Structure & Construction,
Vol. 33, No. 4, pp. 63-68.
Soon, H., Kim, S., and Jang, Y., 2020, LSTM-Based 24-Hour Solar Power Forecasting
Model Using Weather Forecast Data, KIISE Transactions on Computing Practices, Vol.
26, No. 10, pp. 435-441.
Lee, H. J., Yoon, S. C., Jung, H. H., Yoo, S. J., Kwak, Y. J., Kim, J. H., and Kim,
H. R., 2023, Photovoltaic Power Generation Forecasting for Wide-Area Power Systems
Using Deep Learning, Proceedings of the KIEE Conference, pp. 484-485.
Choi, J. H., Lim, J. T., and Yoo, J. S., 2023, LSTM-Based Photovoltaic Power Generation
Forecasting Considering Facility and Weather Data, Journal of the Korea Contents Association,
Vol. 23, No. 5, pp. 150-157.
Yaïci, W. and Entchev, E., 2014, Performance Prediction of a Solar Thermal Energy
System Using Artificial Neural Networks, Applied Thermal Engineering, Vol. 73, No.
1, pp. 1348-1359.
Xie, H., Liu, L., Ma, F., and Fan, H., 2009, Performance Prediction of Solar Collectors
Using Artificial Neural Networks, Conference on Artificial Intelligence and Computational
Intelligence, Vol. 2, pp. 573-576.
An, Y. J., Lee, T. K., and Kim, K. H., 2021, Prediction of Photovoltaic Power Generation
Based on LSTM Considering Daylight and Solar Radiation Data, The Transactions of The
Korean Institute of Electrical Engineers, Vol. 70, No. 8, pp. 1096-1101.
Choi, T. G., 2021, A Study on the Performance Evaluation of Building Integrated Forced
Circulation Solar Water Heater (M.S. thesis), Kyung Hee University, Seoul, Korea.
Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., and Salakhutdinov, R.,
2014, Dropout: A Simple Way to Prevent Neural Networks from Overfitting, The Journal
of Machine Learning Research, Vol. 15, No. 1, pp. 1929-1958.
ASHRAE, 2014, ASHRAE Guideline 14-2014: Measurement of Energy and Demand Savings,
ASHRAE, Atlanta, GA, USA.
Ramirez, S. G., Hales, R. C., Williams, G. P., and Jones, N. L., 2022, Extending SC-PDSI-PM
with Neural Network Regression Using GLDAS Data and Permutation Feature Importance,
Environmental Modelling & Software, Vol. 157, 105475.