PCA 적용 데이터 차원 변화에 따른 LSTM 기반 건물 전력 소비량 예측 - 대전 캠퍼스 건물을 중심으로 - (LSTM-based Prediction of Building Power Consumption with PCA Based Data Dimension Change - Centered on a Campus Building in Daejeon -)

서지정보

· 발행기관 : 대한건축학회
· 수록지 정보 : 대한건축학회논문집 / 37권 / 9호 / 137 ~ 144페이지
· 저자명 : 백정엽, 민세웅, 백대화, 장성주

초록

건축물 에너지 수요는 현재 전체 에너지 소비량의 30%를 차지하며 에너지 공급업체가 관리하는 에너지 시장의 계획과 운영에 큰 영향을 미치고 있다. 또한 스마트 그리드의 등장으로 그 중요성이 크게 높아졌다. 건물 에너지 소비에 영향을 미치는 변수에는 건물의 에너지 성능에 정교한 영향을 미치는 다양한 환경 조건이 포함된다. 그러나 잠재적으로 연관된 환경변수가 많기 때문에 입력 데이터 차원을 줄일 수 있는 주성분 분석을 채택하여 건물 에너지 예측 능력을 향상시키기 위해 내재된 입력변수를 도출해야 한다. 본 연구의 주된 목적은 PCA를 통해 차원을 감소 혹은 확장시킴으로써 고정밀 빌딩 에너지 수요 예측 모델을 제안하는 것이다. 기계학습은 LSTM 모델을 활용해 구현되며, 연산시간뿐만 아니라 RMSE, MAE를 통해 예측 정확도와 성능을 검증한다. 차원 축소 데이터셋과 정규화된 원시 데이터를 결합했을 때 정규화된 원시 데이터만 사용하여 테스트한 예측 사례에 비해 개선 비율은 14.93% 증가했다. 본 연구는 향후 에너지 효율적인 스마트 그리드 시스템의 구축 및 구현을 촉진함으로써 최적의 건물 에너지 운영 계획 및 설계를 지원할 수 있다.

영어초록

Building energy demand currently accounts for 30% of the total energy consumption, which has a great influence on the planning and operation of the energy market managed by energy suppliers. Furthermore, its importance has increased significantly with the advent of smart grid. Variables affecting building energy consumption include identified various environmental conditions that cast sophisticated effect on the energy performance of the buildings. However, due to a large number of potentially associated environmental variables, it is needed to extract embedded features so as to improve building energy prediction capability through adopting Principle Component Analysis which could reduce input data dimension. The primary objective of this study is to propose a high-precision building energy demand prediction model by reducing the dimensionality through PCA. Machine learning is implemented by using LSTM model, and prediction accuracy and performance are verified through R2, RMSE, MAE, as well as computation time. The improvement ratio showed 14.93% increase when dimension-reduced dataset and normalized raw data were combined in comparison with the predicted case tested by using only normalized raw data. This study could support optimum building energy operation planning and design by promoting the creation and implementation of energy-efficient smart grid systems in the future.

참고자료

· 없음