Research Article

Journal of Korean Institute of Architectural Sustainable Environment and Building Systems. October 2021. 537-548
https://doi.org/10.22696/jkiaebs.20210045

ABSTRACT


MAIN

  • 서 론

  • OpenAPI를 통한 건물에너지 분야 공공개방데이터 활용

  •   건축물 에너지 공공개방데이터의 연계

  • 데이터 기반 건물에너지 분석

  •   데이터 드리븐(Data Driven) 건물에너지 분석 방법론

  •   클러스터 분석(Cluster analysis)

  • 클러스터링을 통한 아파트 전기소모패턴 분류

  •   클러스터링을 통한 전기소모패턴 도출

  •   클러스터별 패턴영향인자 도출

  • 결 론

서 론

국내 온실가스 배출량은 2009년 597.98백만톤부터 2018년 727.63백만톤에 이르기까지 지속적인 증가세를 보이고 있다(Greenhouse Gas Inventory and Research Center, 2020). 대한민국 정부는 2020년 12월 범부처 ‘2050 탄소중립 추진전략’을 통해 온실가스 배출량 절감 목표를 설정하였다. 건축물은 온실가스 배출량이 많은 4가지 부문의 하나로, 국내 에너지의 최종사용량 중 20%의 비중을 차지하고 있다(Korea Energy Economics Institute, 2019). 특히 가정용 주택은 건축물의 에너지 사용량 중 2018년 기준 56%를 차지하는데, 해당 주택 유형 중에서는 공동주택이 약 77%이며, 이 중 아파트의 비중은 81%에 달한다(Statistics Korea, 2019). 따라서 온실가스 배출량의 저감을 위해서 아파트에 대한 에너지 분석 및 데이터에 기반한 절감 대책 마련이 필요하며, 이는 기존의 꾸준한 건축물 데이터와 에너지 데이터에 대한 선행 연구의 기록으로 뒷받침된다(Kim and Sohn, 2010; Lee et al., 2015; Mun et al., 2017; Mun et al., 2018; Lee, 2018a; Lee, 2018b).

그러나, 상술한 연구들은 보편적인 건축물 전반에 대한 연구이거나 아파트 단지 내 특정 세대들을 선정하여 시간 단위, 혹은 일 단위의 에너지소비패턴 분석을 시행하였다. 특히, 국내 아파트를 대상으로 단지별 연간 전기 에너지사용량에 대한 패턴분석을 시도한 사례는 존재하지 않았다. 또한, 한국전력공사(Korea Electric Power Corporation,2018)에서 언급된 바와 같이, 월별 부하패턴의 분석은 전력수요 예측, 조정을 가능케 하며 더 나아가 전력부하 변화에 대한 정책 및 다양한 서비스 구축 및 연구개발의 근거로도 활용 가능하다. 특히 우리나라는 하절기에 냉방부하로 인한 전력수요가 집중되는 형태이므로, 이를 관리하기 위해 주거의 대부분을 차지하는 아파트 건축물에 대한 하절기 월별 패턴분석은 중요하다.

따라서 본 연구는 아파트에 대한 에너지의 정밀한 분석을 수행하는 기반을 마련하기 위해, 에너지 소비패턴에 근거한 전국 아파트단지의 분류기준을 마련하고자 하였다. 이를 위해 국내 공공개방데이터를 활용하여 전국 아파트단지의 전기에너지 사용량 데이터를 분석하여 클러스터링을 통해 아파트 단지의 전기 사용량에 대한 패턴분석을 수행하였다.

OpenAPI를 통한 건물에너지 분야 공공개방데이터 활용

건축물 에너지 공공개방데이터의 연계

본 연구에서는 건축물 관련 데이터를 연계하는 데 있어 도로명주소를 연계의 기준으로 활용하였다. 구체적으로는 공동주택의 전기, 가스, 급탕, 수도, 난방에너지 사용량 및 요금 정보를 제공하는 공동주택관리시스템(K-APT)의 에너지사용량 OpenAPI, 동일한 K-APT 공동주택 시스템 내부의 공동주택기본정보 OpenAPI, 그리고 국토교통부에서 제공하는 건축물대장 정보 OpenAPI와 공시지가 제공 OpenAPI를 사용하였다.

활용되는 OpenAPI서비스들은 동일하게 주소 기반으로 식별이 가능한 데이터를 제공함에도 불구하고, 서비스를 활용하기 위해 요구되는 입력값의 형태가 서비스별로 상이하다. 가령, 건축물대장정보 서비스를 활용하기 위해 필요한 검색 값은 시군구, 법정동의 코드로, 주소 문자열과는 다른 형태를 지닌다. 일반적 사용자는 모든 주소 코드에 익숙지 않으므로, 행정안전부의 OpenAPI서비스를 연계 활용하여 주소를 코드화하는 절차가 요구된다(Lee et al., 2021). 또한 K-APT의 경우에는 내부적으로 아파트 코드를 사용하며, 해당 코드를 별도의 서비스로 조회하여야 하는데, 해당 서비스에서는 행정구역 단위까지만을 검색한 뒤 결과 내부에서 단지명을 통해 단지코드를 구분하기 때문에 별도의 식별 절차가 필요하며, 마찬가지로 주소 문자열을 통해 조회할 수 없다. 따라서 선행연구를 기반으로(Kim and Lee, 2021) 상이한 입력값의 형태를 맞추기 위한 처리 절차를 Figure 1과 같이 구축하였다.

/media/sites/kiaebs/2021-015-05/N0280150510/images/Figure_KIAEBS_15_5_10_F1.jpg
Figure 1.

Process for acquiring Apartment code through OpenAPI service

건축물 주소를 행정안전부의 주소검색 API서비스에 통과시켜 해당 주소에 대한 다양한 주소데이터를 획득한다. 해당 주소데이터에는 시군구, 법정동, 지번, 건물번호, 산여부, 건물명, 도로명 등의 값들이 포함되어 있으며, 해당 정보에 대한 코드 또한 제공한다. 이 중 시군구, 법정동, 지번본번/부번, 산여부에 관한 코드를 합하여 PNU코드를 얻어낼 수 있으며, 도로명주소의 코드화된 지번주소로의 변경이 이루어진다. 해당 주소를 통해서 건물에너지 API를 조회하여 필지 단위로 건축물의 에너지 데이터를 얻어낼 수 있다.

또한, 주소데이터 중 시군구/법정동 코드를 활용하여 K-APT 단지목록제공 API서비스를 조회하면 해당 행정구역 내부의 모든 아파트단지의 단지명-코드의 쌍(pair) 데이터를 얻을 수 있다. 그 뒤 이 중에서 입력된 단지명, 혹은 행정안전부의 주소데이터에 있는 건물명과 일치하는 것을 최종적인 아파트단지로 선정하여 아파트 코드를 얻어내고, 해당 아파트 코드를 이용하여 K-APT시스템 내부의 에너지사용량을 포함한 관리비, 단지 기본정보, 보수공사내역 등 다양한 서비스를 조회할 수 있다. 본 연구에서는 연구의 목적상 단지 기본정보제공 서비스를 통한 면적 및 세대수 등 기본정보 조회와 에너지사용량 서비스를 통한 에너지 사용량 데이터의 추출만이 이루어졌다.

데이터 기반 건물에너지 분석

데이터 드리븐(Data Driven) 건물에너지 분석 방법론

Sohn et al. (2018)에 따르면, 건축물 에너지의 분석 및 예측 모델은 두 종류로 구분할 수 있는데, 시뮬레이션 기법과 데이터 기반 방식이다. 그 중 데이터 기반 방법론은 분석을 위한 대량의 데이터가 필요하다는 한계점이 존재하는데, 이는 빅데이터의 도입을 통해 해결될 수 있다. 최근 ICT (Information and Communications Technology)와 자동화, 실시간 모니터링 등의 다양한 분야의 기술 발달로 인해 데이터 과학(Data Science)은 데이터 추출부터 분석까지의 전 과정을 포함한다(Molina-Solana et al., 2017). 본 논문은 정부에서 개방하는 방대한 양의 공공개방데이터를 활용한 아파트의 전기에너지 사용패턴에 대한 분석을 시도하므로, 적합한 데이터 기반 방식으로 클러스터 분석을 선정하였다.

클러스터 분석(Cluster analysis)

클러스터 분석(Cluster analysis)이란 주어진 데이터의 특성에 따른 집단(클러스터)를 정의하고, 이의 대표점을 찾는 것이다. 클러스터링 분석은 전력 부하를 예측하기 위해 사용되어 왔으며(Molina-Solana et al., 2017), 학술적 연구들을 통해 부하 패턴 데이터셋의 군집화에 사용된 사례가 있다(Chicco, 2012). Prahastono et al. (2007)는 사용자 분류와 전력 사용량 프로필의 클러스터 분석 기법들의 상호 비교를 수행하였다. Yu et al.(2010)은 의사결정 트리(Decision tree)를 사용해 건물 에너지 수요 예측 모델을 작성하였으며, Fan et al.(2014)의 연구에서 비정상적 에너지 소모패턴을 보이는 실험대상의 제거에도 클러스터링이 활용된 바 있다. 국내에서도 Yoon et al. (2017), Choi et al. (2018)등 클러스터링 기법을 활용한 건축물 에너지 분석에 대한 연구가 진행되었으며, 소비패턴을 분석한다는 점이 동일하므로 본 논문 또한 클러스터 분석을 사용할 것이다.

클러스터링을 통한 아파트 전기소모패턴 분류

클러스터링을 통한 전기소모패턴 도출

클러스터링의 대상 자료는 K-APT API를 통해 수집된 전국의 아파트단지의 월별 전기사용량이었으며, 2020년 12개월치의 데이터가 전부 존재하는 15,842개의 아파트 단지를 대상으로 선정하였다. 결측치가 존재하는 경우는 분석에서 제외되었으며, 음수 값의 전기사용량이 기록되어 있는 데이터의 경우에는 기입 시 발생한 오류로 추정하여 이상치로 간주해 마찬가지로 제외되었다. 단위면적당 에너지사용량을 분석하기 위해 K-APT 기본정보 API를 통해 획득한 전용면적으로 월별 전기사용량을 나눈 뒤, 개별 아파트단지의 월별 전기사용량 Emonth, 연간 전기 총사용량 Eannual을 통해 아래와 같이 정규화(normalization)를 진행한 Nmonth를 클러스터링 기준 데이터로 사용하였다.

(1)
Nmonth=Emonth/Eannual

최종적으로 아파트 단지 당 1년간 전기사용량의 월별비중을 데이터 1세트로 간주한 총 15,842개의 아래 Table 1과 같은 데이터를 입력해 클러스터링 분석을 진행하였다.

Table 1.

Sample Data of a dataset for the clustering analysis

Dataset Consumption of electricity energy (Normalized)
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
One Dataset 0.09 0.09 0.08 0.09 0.08 0.08 0.07 0.08 0.10 0.07 0.08 0.08

클러스터링 알고리즘은 K-means를 사용하였으며, 상술한 바와 같이 본 논문은 적은 세대의 일별 사용량이 아닌 단지 단위의 연간사용량을 조사하고자 하기 때문에 전기사용의 피크지점(월)을 구분하기 위해 동적 타임 워프가 아닌 유클리디언 비교를 수행하였다. 최적의 클러스터 수를 도출하기 위해 클러스터 내의 오차제곱합(SSE: Sum of Square Error)을 검증하며 1개부터 9개까지의 클러스터 수에 따른 결과값을 비교하였다.

Figure 2의 그래프 상에서 클러스터 수의 증가에 따른 오차제곱합의 감소율이 줄어드는 엘보우 포인트(elbow point)를 기준으로 클러스터 수를 선정하였으며, 3, 6, 8의 클러스터 수가 이에 해당하였다. 이 중 최적의 값을 판단하기 위해 각각의 포인트에 대해 클러스터링을 수행하여 아래 Figure 3과 같은 결과를 얻었으며, 월별 소비패턴이 확연히 드러나는 8개의 클러스터 수를 기준으로 선정하였다.

/media/sites/kiaebs/2021-015-05/N0280150510/images/Figure_KIAEBS_15_5_10_F2.jpg
Figure 2.

Values of SSE along the number of clusters

/media/sites/kiaebs/2021-015-05/N0280150510/images/Figure_KIAEBS_15_5_10_F3.jpg
Figure 3.

Clustering result for each case of different number of clusters. (a) 3 clusters, (b) 6 clusters, (c) 8 clusters

클러스터링의 결과는 아래 Figure 4와 같았다. 개별 클러스터에서 나타나는 하절기 전력소모 집중도의 패턴을 비교하여 크게 3종류로 분류하였다. 1, 6, 7번 클러스터와 같이 전기 사용량이 8월에 집중되는 경우(8월 집중형), 2, 5, 8번 클러스터와 같이 전기 사용량이 9월에 집중되는 경우(9월 집중형), 그리고 3, 4번 클러스터와 같이 전반적으로 전기사용량이 고르게 분포하며 하절기에 집중적인 사용구간이 크게 드러나지 않는 경우(비집중형)로 분류하였다.

/media/sites/kiaebs/2021-015-05/N0280150510/images/Figure_KIAEBS_15_5_10_F4.jpg
Figure 4.

Clustering result of electricity usage per private area of apartment complex

분류별로 드러나는 클러스터별 패턴의 차는 아래 Table 2, Figure 5와 같이 나타났다. 8월 집중형의 경우 겨울에 전기 사용량이 증가하는 정도에 따라 순서대로 7, 1, 6번의 3개의 클러스터로 나뉜 모습을 보였으며, 9월 집중형의 경우는 전기사용량이 9월에만 상승한 경우(2번 클러스터)와 7~9월을 거치며 점진적으로 전기사용량이 상승한 경우(8번 클러스터)로 나뉘었다. 비집중형의 경우 상대적 전기사용량 상승구간이 드러나지 않는 경우(4번 클러스터), 겨울에 전기사용량이 증가하는 경우(3번 클러스터)와 여름에 전기사용량이 증가하는 경우(5번 클러스터)로 구분되었다. 3번 클러스터는 겨울 집중형으로 별도로 분류하는 것 또한 가능하지만, 부하가 집중되는 하절기의 패턴을 집중적으로 분석하기 위해 비집중형으로 분류하였다.

Table 2.

Detailed characteristics of each clusters

Type Cluster Characteristic
Aug_focused Cluster 1 Slight more electricity consumption in winter (Nov, Dec, Jan)
Cluster 6 Substantial electricity consumption in winter
Cluster 7 Almost no more electricity consumption in winter
Sep_focused Cluster 2 Concentrated electricity consumption in Sep
Cluster 5 Gradually increased consumption with low intensity
Cluster 8 Gradually increased electricity consumption from Jul to Sep
Equally_distributed Cluster 3 Concentrated electricity consumption in winter
Cluster 4 Equally distributed electricity consumption through an year

/media/sites/kiaebs/2021-015-05/N0280150510/images/Figure_KIAEBS_15_5_10_F5.jpg
Figure 5.

Average electricity consumption per private area of each cluster (normalized)

연중 사용비율이 아닌 전용면적당 에너지 사용량의 경우 또한 위 Figure 6과 같은 경향을 보였고, 클러스터링 결과와 유사하게 8월 집중, 9월 집중 및 비집중 형태로 구분되는 것이 확인되었다.

/media/sites/kiaebs/2021-015-05/N0280150510/images/Figure_KIAEBS_15_5_10_F6.jpg
Figure 6.

Average electricity consumption per private area of each cluster (not normalized)

클러스터별 패턴영향인자 도출

하절기 전력소모량의 전체 평균값은 8월, 9월에 사용량이 모두 증가하는 모습을 보이지만, 클러스터링을 통해 실제 아파트 단지별 사용패턴은 8월, 혹은 9월에 분리되어 집중되는 소모형태를 보인다는 것이 확인되었다.

이러한 패턴의 분화 원인을 탐색하기 위해 요인으로 작용 가능한 아파트 단지의 인자들을 조사하였다. 공시지가를 Noh and Lee (2013)의 연구를 근거로 대상의 소득수준이 전기 에너지 사용량에 미치는 영향력을 고려하고자 선정하였으며, 분양 방식 또한 소득수준을 고려하기 위한 별도의 인자로서 Song and Hong (2013)의 연구를 근거로 일종의 구간화된 소득수준의 구별인자로서 기능하는지를 검증하기 위해 선정하였다. 복도방식은 Kim and Kim (2014)의 연구를 근거로 채택되었다.

이 중 수치화가 가능한 값에 대한 조사를 수행하고자 클러스터별로 전용면적당 전기에너지 사용량(AverageEUI), 공시지가(LandPrice), 건축물 사용승인 이후 경과연도(BldgAge), 세대수(HHCount), 세대당 전용면적(Privarea/HH)의 평균값을 산출하였으며, 해당 값은 아래 Table 3과 같았다.

Table 3.

Average attribute values of each clusters

Type Cluster Average EUI LandPrice BldgAge HHCount Privarea/HH
Aug Cluster 1 625.5626 2,906,685 11.69841 710.4201 118.191
Cluster 6 532.7121 2,410,377 19.3998 578.5285 76.89784
Cluster 7 748.1839 5,540,369 14.50636 622.9725 74.74256
Sep Cluster 2 572.1445 2,355,124 17.93026 595.2656 77.85194
Cluster 5 460.5685 1,887,976 19.86694 584.9533 76.73694
Cluster 8 736.8089 5,262,955 13.40698 598.4209 73.8442
Equal Cluster 3 272.9361 2,927,956 20.07813 600.8828 72.96769
Cluster 4 196.2708 1,922,620 20.11932 582.9905 76.74951

이에 대해 8월, 9월 집중형과 비집중형의 형태별로 평균치를 구해 상대적 비율을 비교한 결과 아래 그래프와 같은 결과를 얻을 수 있었다. 비교 결과, Figure 7과 같이 평균 EUI, 공시지가, 세대당 전용면적 및 연간 전력소모량은 비집중형-9월 집중형-8월 집중형의 순서로 상승하였다. 특히 공시지가와 건축물 사용승인 이후 경과연수의 2개 요인이 높은 상관관계를 나타내었다.

/media/sites/kiaebs/2021-015-05/N0280150510/images/Figure_KIAEBS_15_5_10_F7.jpg
Figure 7.

Relative ratio of each attributes for consumption type

8, 9월 집중형 클러스터들에서는 하절기 전기사용량 집중도가 높을수록 전기사용량이 높았으며, 건축물 사용승인 이후의 경과연수 또한 낮았다. 또한 세대당 전용면적은 8, 9월 집중형의 두 분류의 평균치 사이에서 뚜렷한 차이가 나타났으나, 분류별 내부 클러스터 간에서는 상관관계를 보이지 않았다. 집중형태별 내부 클러스터들에 대한 해당 값 분포는 아래 Figure 8과 같이 나타났다.

/media/sites/kiaebs/2021-015-05/N0280150510/images/Figure_KIAEBS_15_5_10_F8.jpg
Figure 8.

Relative ratio of attributes for each cluster. (a) Aug-focused type, (b)Sep-focused type, (c) Equally distributed type

아파트의 분양 방식 및 복도형태 또한 분석하였다. 클러스터별 비중은 위 Table 4와 같았다. 분양 방식에서 집중형 간의 차이는 크게 드러나지 않았지만, 비집중형이 나타난 3번, 4번 클러스터는 일반 분양 방식의 비중이 각각 84.97%, 88.57%로 전체 평균인 91.73%보다 낮은 수치를 보였으며, 이에 따라 임대/분양 혼합 및 영구임대, 국민임대의 비율이 높게 나타났다. 또한 동일한 집중형 클러스터 내부에서도, 집중도가 높아지고 하절기 전기소모량이 높아질수록 영구임대 및 국민임대의 비중이 낮아지는 것이 확인되었다. 복도 형태에 따른 차이는 아래 Figure 9와 같이 존재했지만, 집중형태별 유의미한 차이는 나타나지 않았다.

Table 4.

Apartment sales type of the each cluster

Type Cluster Type of the sale Type of the hallway
parcel-out mixed lease* corridor stair mixed
Aug Cluster 1 95.47% 3.41% 1.12% 6.89% 82.95% 10.16%
Cluster 6 91.04% 5.25% 3.71% 15.26% 60.34% 24.40%
Cluster 7 97.54% 2.46% 0.00% 12.64% 77.98% 9.39%
Sep Cluster 2 94.52% 4.13% 1.35% 10.48% 75.20% 14.32%
Cluster 5 89.75% 6.08% 4.17% 20.29% 56.02% 23.70%
Cluster 8 93.98% 4.82% 1.20% 34.96% 51.63% 13.41%
Equal Cluster 3 88.57% 9.52% 1.90% 25.00% 63.46% 11.54%
Cluster 4 84.97% 11.06% 3.98% 36.02% 46.83% 17.14%

*permanent lease and national lease

/media/sites/kiaebs/2021-015-05/N0280150510/images/Figure_KIAEBS_15_5_10_F9.jpg
Figure 9.

Hall type of each focus type

결 론

본 연구는 지금까지 이루어져 온 포괄적 일반 건축물에 대한 연구, 혹은 개별 세대의 일별 데이터 상세분석이 아닌 전국 아파트 단지를 대상으로 공공데이터 기반의 클러스터링 분석을 수행해 연간 전기에너지의 월별 사용 패턴을 도출한데 의의를 가진다.

도출된 클러스터는 크게 하절기 소모패턴을 기준으로 8월 집중형, 9월 집중형과 비집중형의 3가지로 분류되었으며, 공시지가와 건축물 사용승인 이후 경과연수의 2개 요인이 분류에 따라 달라지는 것을 확인할 수 있었다. 또한 분양 방식별로 분류해 보았을 때도 비집중형에서 영구임대 및 국민임대의 비중이 높았으며, 집중형 클러스터 내부에서도 해당 비중이 증가할수록 8, 9월의 전력소모 집중도가 낮아지는 것이 확인되었다.

아파트의 공시지가, 건축물 사용승인 이후 경과연수 및 분양 방식이라는 요인은 거주자의 자산 및 소득수준과 밀접한 관련이 있는 항목이므로, 클러스터의 집중 형태 및 집중도는 거주자의 자산 및 소득수준과 밀접한 관련이 있다고 판단된다.

본 연구에서는 하절기 소모패턴을 기준으로 8월과 9월의 집중도를 구분하였으나, 원인 분석에 한계를 가지기에 후속연구를 통해 추가 세부적인 다른 인자들을 고려하고자 한다. 또한, 건축물 자체의 특성뿐만 아니라 외기 온도, 아파트단지의 위치 등 외부 환경변수 및 재실자의 행태 특성을 고려할 수 있는 연구로 발전하고자 한다. 또한 본 논문에서는 하절기의 전기사용량에 대해 집중적인 분석만이 수행되었으며, 아파트 단지별 사례를 고려한 해당 요인들의 영향도 평가 혹은 전반적인 건물 에너지사용량에 대한 분석은 이루어지지 않았다. 전기뿐만 아니라 가스, 중앙난방인 경우의 급탕, 광열비를 포함한 총체적 아파트의 에너지사용패턴에 대한 분석과 패턴별 에너지사용 예측 모델을 개발하는 후속연구가 이루어져야 할 것이다.

Acknowledgements

본 논문은 2021년도 한국건설기술연구원 주요사업(과제코드 : 20210204-001)의 재원으로 수행한 연구임.

References

1
Chicco, G. (2012). Overview and performance assessment of the clustering methods for electrical load pattern grouping. Energy, 42(1), 68-80. 10.1016/j.energy.2011.12.031
2
Choi, D.S., Lee, Y.J., Ko, M.J. (2018). The Prediction and Valuation of Gas Consumption in Building using Artificial Neural Networks Based on Clustering Method, KIEAE Journal, 18(5), 69-74. 10.12813/kieae.2018.18.5.069
3
Fan, C., Xiao, F., Wang, S. (2014). Development of prediction models for next-day building energy consumption and peak power demand using data mining techniques. Appl Energy, 127, 1-10. 10.1016/j.apenergy.2014.04.016
4
Kim, S.J., Kim, H.J. (2014). A Study on Reducing the public electricity of the Renewable Energy Apartments. Journal of The Residential Environment Institute of Korea, 12(4), 109-117.
5
Kim, Y.M., Sohn, J.Y. (2010). LCCO2 Comparison of Existing Apartment Housing and Environment-Friendly Apartment Housing. Korea Journal of Air-Conditioning and Refrigeration Engineering, 22(4), 234-240.
6
Lee, A.Y. (2018a). Integrated Research for Realization of Zero Energy in High-rise Apartment. Korean Institute of Architencural Sustainable environment and Building Systems, 12(4), 15-27.
7
Lee, J.W., Kim, S.H., Lee, S.E., Kim, D.W. (2021). Address-based Integration of Building Open Data Using OpenAPI - A Case Study of the Korean Public Institution Building List -. Journal of the Architectural Institute of Korea, 37(4), 11-22.
8
Lee, J.Y. (2018b). Facility Planning for Realization of Zero Energy in High-rise Apartment Complex. Korean Institute of Architencural Sustainable environment and Building Systems, 12(4), 37-47.
9
Lee, S.H., Kim, H.Y., Rhee, E.K., Park, J.C. (2015). A Prediction Model for Energy Consumption in Apartment Buildings. Journal of The Korean Society of Living Environmental System, 22(3), 442-453. 10.21086/ksles.2015.06.22.3.442
10
Molina-Solana, M., Ros, M., Ruiz, M.D., Gómez-Romero, J., Martín-Bautista, M.J. (2017). Data science for building energy management: A review. Renewable and Sustainable Energy Reviews, 70, 598-609. 10.1016/j.rser.2016.11.132
11
Mun, S.H., Kwak, I.K., Park, K.I., Huh, J.H. (2018). A Case Study on the Air-conditioner Use of Occupant Behavior in Apartment. Journal of Korean Institute of Architectural Sustainable Environment and Building Systems, 12(1), 27-38. 10.12972/jkiaebs.20180003
12
Noh, S.C., Lee, H.Y. (2013). Analysis of the Residential,Transportation Energy Consumption Structure of the Household Sector. Journal of the Korean Regional Science Association, 29(2), 47-67.
13
Yoon, Y.R., Shin, S.H., Moon, H.J. (2017). Analysis of Building Energy Consumption Patterns according to Building Types Using Clustering Methods. Journal of The Korean Society of Living Environmental System, 24(2), 232-237. 10.21086/ksles.2017.04.24.2.232
14
Yu, Z., Haghighat, F., Fung, B.C.M., Yoshino, H. (2010). A decision tree method for building energy demand modeling. Energy Build, 42(10), 1637-1646. 10.1016/j.enbuild.2010.04.006
15
Kim, S.H., Lee, J.W. (2021). Case Study of Energy Use Comparison in the Apartments through OpenAPI, Proceedings of the SAREK 2021 Summer Anenual Conference, 915-920.
16
Mun, S.H., Kang, M.H., Huh, J.H. (2017). Air conditioner use behaviour of residents. Proceeding of Annual Conference of the Architectural Institute of Korea, 37(2), 513-516.
17
Prahastono, I., King, D., Ozveren, C.S. (2007). A review of electricity load profile classification methods. In: Proceedings of the 42nd International Universities Power Engineering Conference, 2007. UPEC 2007, 1187-91. 10.1109/UPEC.2007.4469120
18
Sohn, E.J., Kim, G.S., Leigh, S.B. (2018). Study on the Convergence of Simulation and Data-Driven Techniques in Building Energy Analysis and Prediction. Proceedings of the SAREK 2018 Summer Anenual Conference, 196-199.
19
Song, H.A., Hong, H.O. (2013). A Study on Awareness about Social Mix in Housing supply and Consciousness of Social Class Integration - Comparison between Residents and Non-residents in Social Mix housing -. Proceeding of Autumn Annual Conference of HKA 2013, 489-494.
20
Greenhouse Gas Inventory and Research Center. (2020). 2020 National Greenhouse Gas Inventory Report of Korea.
21
Korea Electric Power Corporation. (2018). An Analysis of Electricity Consumption Trend.
22
Korea Energy Economics Institute. (2019). 2019 Yearbook of Energy Statistics.
23
Statistics Korea. (2019). 2019 Census. 10.1787/7bf9c2d7-en
페이지 상단으로 이동하기