설명가능한 인공지능을 이용한 건물 에너지 사용량 민감도 분석 (Sensitivity Analysis Using Explainable AI for Building Energy Use)

서지정보

· 발행기관 : 대한건축학회
· 수록지 정보 : 대한건축학회논문집 / 38권 / 11호 / 279 ~ 287페이지
· 저자명 : 추한경, 신한솔, 조성권, 유영서, 박철수

초록

민감도 분석은 입력변수가 모델 예측값에 미치는 영향력을 분석하는 방법으로, 건물의 열적 성능을 분석하여 최적 설계 및 리트로핏 대안 마련을 위해 광범위하게 사용되고 있다. 본 연구에서는 설명가능한 AI (Explainable AI, 이하 XAI)를 이용한 민감도 분석 방법을 제시하고자 한다. 이를 위해, 중규모 사무실 건물을 대상으로 하여, 연간 총 에너지 사용량 (Energy Usage Intensity (kWh/m2·yr))에 대한 16개 변수의 민감도 분석을 수행하였다. 기존 민감도 분석 방법으로 가장 많이 사용되는 방법 중의 하나인 Morris 방법 및 Sobol 방법을 채택하였고, XAI 기반의 민감도 분석 방법으로 특성 중요도, LIME 및 SHAP 방법을 선정하였다. 대리모델 작성을 위해 LHS(Latin Hypercube  ampling) 방법을 이용해 1,000개의 샘플을 만들었고, 생성한 훈련 및 테스트 데이터를 기반으로, XGBoost 학습기법을 사용하여 대리 모델을 작성하였다. 결과로써, 기존 민감도 분석 방법과 XAI 기반 민감도 분석 방법 간의 비교를 통해, XAI 기법의 유용성을 제시하고자 한다.

영어초록

Classical sensitivity methods such as Morris and Sobol methods have been widely used in the decision making of building design andretrofit. However, these methods require a large number of samples to obtain reliable results as well as detailed information on inputvariables. On the other hand, the explainable AI technique can convert the relationship between input and output variables to a degree thatcan be understood by humans as well as provide more meaningful sensitivity analysis results for rational decision-making. In this paper, threeXAI-based analyses were selected including Feature Importance, LIME, and SHAP. The five methods of Morris, Sobol, Feature Importance,LIME, and SHAP were applied to a medium office building provided by US DOE. As a result, it was found that XAI-based sensitivityanalyses could provide better results than the classical methods.

참고자료

· 없음