서 론

최근 건물의 에너지수요 및 온실가스 감축뿐만 아니라 신재생에너지를 활용하는 제로에너지빌딩에 대한 관심이 증가하고 있다. 이에 정부는 제로에너지빌딩 의무화 로드맵을 수립하였으며, 2017년~2019년 제로에너지건축물 상용화 촉진, 2020년 공공건축물 의무화, 2025년에는 제로에너지 하우스 수준의 의무화 달성을 목표로 하고 있다(Schuetze, 2015). 건물의 에너지사용량을 낮추기 위해서는 설계단계에서 패시브 및 액티브 전략과 함께 건물운영의 효율성 향상이 반드시 수반 되어야 한다. 최근 ICT 기술의 발달로 실시간 건물 에너지사용량과 같은 직접적인 정보뿐만 아니라 외부기상과 실내 운전 상태, 장비 운전 등에 대한 연계정보를 활용하여 건물의 에너지수요를 예측하고 효율적으로 관리하는 방안에 대한 필요성이 확대되고 있다.

따라서 본 연구에서는 일반적인 초등학교와 상업용 건물에 대한 에너지소비 예측을 위해 입력변수의 중요도와 예측결과에 대한 민감도를 분석하고 건물 유형에 따른 에너지소비 예측에 적합한 기계학습모델 간 성능을 분석하여 최적안을 도출하고자 한다.

관련 연구 동향

최근 컴퓨터 능력의 향상과 다양한 센서/미터기기의 개발로 1시간 이내의 고분해능(high resolution)을 가진 건물 에너지소비량 예측에 대한 연구가 국내외에서 진행되고 있다. 국내의 경우 주로 표준 기상 데이터를 활용한 1시간 분해능 이상에서의 단일 기계학습 기반의 예측 연구가 주로 진행되고 있으며, 국외의 경우 단일 건물에서의 데이터 전처리 기법, 기계학습의 튜닝(tuning), 다양한 기계학습 기반의 1시간 이내 고분해능에서의 예측성능 비교분석 및 기계학습방법선정에 관한 연구가 진행되고 있다. 그러나 입력변수의 중요도에 따른 예측결과에 대한 민감도 분석과 데이터 전처리 과정에 따른 건물유형별 다양한 기계학습의 성능비교분석을 통한 최적안 선정에 관한 총체적인 연구는 아직 이루어지지 않고 있다.

Jeon and Kim (2017)은 ANN모델 기반 서울 지역 TRY 데이터를 활용하여 1시간 분해능에서의 단일 건물 부하 예측을 진행하였다. 학습기간(3일, 5일, 10일)별 건물 부하 예측 결과, 평균 CV (RMSE)=25%의 예측성능을 나타냈으며, 이는 ASHRAE 건물 에너지 성능평가 지침을 만족하는 수준이다(CV (RMSE)=30% 이내).

Ahmad et al. (2017)은 실제 기상데이터를 활용한 ANN, RF모델 기반 5분 분해능에서의 단일 건물 전력부하 예측성능 비교분석을 진행하였다. 예측성능 향상을 위해 ANN 모델의 경우 정규화 기법 및 입력변수 추출, 제거를 진행하였으며, RF 모델의 경우 트리깊이에 따른 예측성능평가를 진행하였다. 예측 결과, ANN 모델의 평균 CV (RMSE)=4.91%, RF 모델의 평균 CV (RMSE)=6.10%의 성능이 도출되었다.

Cheng et al. (2014)은 9가지의 기계학습모델 기반 15분 분해능에서의 단일 건물 부하 예측성능평가를 통해 최적 성능의 기계학습모델을 선정하였다. 선정 결과, ensemble model이 MAPE 기준 평균 6%미만의 우수한 성능을 보였다.

Javanovic et al. (2015)은 3가지 유형의 신경망 모델(FFNN, RBFN, ANFIS) 기반 건물 에너지소비 예측성능 향상연구를 진행하였으며, 모든 모델에 대해 MAPE 기준 평균 6%미만의 우수한 예측성능을 확보하였다.

데이터 수집-저장-활용

표준 기상 데이터의 활용

세계기상기구(WMO)는 해당 국가의 30년 기후평균값을 매 10년마다 산출하도록 권고하고 있다(Arguez et al., 2011). 이에 국내의 경우 10년 주기로 기후평년값을 갱신하여 표준기상데이터를 작성하고 있으며, 기온, 습도, 풍향, 풍속, 기압, 운량, 일사량 등 1시간 분해능의 다양한 기상데이터를 제공하고 있다. 반면 국내 기상청(KMA)은 일사량 등의 예측 신뢰성 확보 문제 등으로 인해 기온, 습도, 풍향, 풍속 등 3시간 분해능의 한정된 기상예보데이터를 제공하고 있다(Yun et al., 2011). 이에 활용된 표준 기상 데이터 항목의 경우 Table 1과 같이 기상청에서 제공되고 있는 기상데이터 항목과 표준 기상 데이터에서 제공되고 있는 기상데이터 항목의 비교를 통해 공통된 기상데이터 항목을 선정하였다. 공통된 항목을 활용하여 사전적으로 건물 에너지소비 데이터와의 상관분석을 진행하였다. 상관관계 결과, 천공상태(Total Sky Cover), 강수량(Precipitable Water), 적설량(Snow Depth)의 경우 -0.01~ 0.01의 상관관계가 거의 없는 결과가 도출되어 제외하였으며, 15분 분해능의 기온(Temperature (dry-bulb)), 상대습도(Relative humidity), 풍속(Wind speed), 풍향(Wind direction)을 활용한 데이터베이스를 구축하였다.

Table 1. Weather data selection compared with KMA and TMY

- Selected Input variable

건물유형별 에너지소비 데이터

미국 EIA (Energy Information Administration) (2017)는 4년마다 CBECS (Commercial Buildings Energy Consumption Survey)를 실시하고 있다. CBECS의 대상에는 상점, 식당, 사무용 건물과 같은 상업용 건물 외에 학교, 병원과 같이 상업적으로 간주되지 않는 건물이 포함된다 . 이에 본 연구에서는 CBECS에 근거한 초등학교 및 상업용 건물의 15분 분해능 표준모델 기반의 건물 에너지소비 데이터를 활용하였다.

초등학교 건물의 동절기 경우 가장 많은 에너지소비량을 보였으며, 소비 패턴이 불규칙한 특성을 나타냈다. 이에 에너지소비의 변동, 소비량 변화에 있어 기계학습의 예측성능평가를 진행하기 위해 동절기 에너지소비 예측을 진행하였으며, 상업용 건물의 경우 하절기는 다른 계절에 비해 비교적 에너지소비량은 적으나 요일별 소비량이 불규칙한 하절기에 대해 에너지소비 예측성능평가를 진행하였다.

학교 건물 에너지소비 데이터 분석

Table 2는 초등학교의 개요 및 냉난방 설정 조건을 나타낸 것이다. 설정 조건에 따른 분야별 실제 에너지소비 비율은 냉난방(38.78%) > 조명(30.64%) > 장비 및 기타(30.57%) 순으로 나타났으며, 초등학교의 전기 에너지소비에 있어 조명 에너지가 가장 높은 비율을 보이나 난방은 전기가 아닌 가스로 열원을 사용하기 때문에 전기 및 가스 에너지소비의 경우 냉·난방이 가장 높은 소비 비율을 나타냈다. 모든 기간에 대해 냉난방 스케줄이 소비 패턴에 가장 많은 영향을 미쳤으며, Figure 1은 동절기 1월 평균 실제 에너지소비 분포를 나타낸 것으로 주로 일별 평균 외기 온도에 따라 에너지소비량이 상이하였으며, 건물 에너지소비 패턴에 따라 계절별, 일별, 시간별로 분류할 수 있다.

Table 2. Set conditions of HVAC for primary school and commercial building

Figure 1.

Real energy consumption of primary school for winter season (January)

상업용 건물 에너지소비 데이터 분석

Table 2는 상업용 건물의 개요 및 냉난방 설정 조건을 나타낸 것이며, 설정 조건에 따른 분야별 실제 에너지소비 비율은 장비 및 기타(43.25%) > 냉난방(32.16%) > 조명(24.58%) 순으로 나타났다. 모든 기간에 대해 냉난방 스케줄이 소비 패턴에 가장 많은 영향을 미쳤다. 계절별 에너지소비량은 동절기 > 하절기 > 중간기 순의 소비량을 나타냈으며, Figure 2는 하절기 7월 평균 실제 에너지소비 분포를 나타낸 것으로 초등학교 건물과 마찬가지로 건물 에너지소비 패턴에 따라 계절별, 일별, 시간별로 분류할 수 있다. 계절별 및 월별 특성으로는 주로 기온, 상대습도에 따른 건물 에너지소비에 의해 피크 에너지소비, 소비량에 영향을 미쳤으며, 일별 특성으로는 주중, 주말, 공휴일로 패턴 분류가 가능하였다. 시간별 특성으로는 건물 운영 조건(냉난방 스케줄, 재실 상황)에 따라 냉난방 및 조명에너지에 많은 영향을 미쳤으며, 재실 상황에 따른 일별 소비량의 큰 변동폭이 확인되었다.

Figure 2.

Real energy consumption of commercial building for summer season (July)

시간 지표 데이터

초등학교 및 상업용 건물의 에너지소비 패턴의 경우 건물 내 공조 스케줄, 재실 상황 등에 의해 좌우된다. 특히 냉난방 공조기기의 스케줄에 많은 영향을 받으며, 에너지소비 예측성능 향상을 위해 건물 내부 조건을 고려한 주기를 가진 데이터가 필요하다. 이에 일별 주기를 가지는 시간 지표(Time flag) 데이터를 추가 구축하여 진행하였다.

기계학습모델 및 예측성능 지표

기계학습모델 및 예측성능 지표 개요

15분 분해능으로 구성된 데이터를 활용하여 4가지 기계학습모델 기반의 기상주요변수 추출 및 에너지소비 예측성능평가를 진행하여 건물유형별 기계학습모델을 선정하였다. 기계학습모델의 경우 각 알고리즘(예측, 분류, 의사결정)별 최근 가장 많이 활용되는 기계학습모델을 기준으로 선정하였다. 우수한 예측 성능을 보이는 모델인 ANN (Artificial Neural Network) 모델의 경우 크게 입력층(Input layer), 은닉층(Hidden layer), 출력층(Output layer)으로 구성되며 입력변수와 목표변수 간 노드를 통한 가중치(weight)에 의해 학습이 진행된다. 분류(Classification)에 강점을 갖는 SVM (Support vector Machine) 모델의 경우 기본적으로 두 개의 변수를 분류하는 기법으로 비선형 데이터의 분류를 위해 커널 트릭을 활용하여 보다 높은 성능을 보인다(Furey et al., 2000). 최근 의사결정나무(Decision Tree)알고리즘 내에서 가장 많이 활용되는 RF (Random Forest)모델의 경우 앙상블(Ensemble)학습의 한 모델로써 구성된 결정트리로부터 투표를 통해 다수결로 결과를 결정하는 방법으로 결과를 도출한다. 여러 트리를 통해 결과를 도출하기 때문에 기존의 의사결정나무 알고리즘에 비해 과적합(Overfitting)문제에 성능이 뛰어나다(Svetnik et al., 2003). 기본 의사결정나무 알고리즘의 CHAID (CHi-Square Automatic Interaction Detector) 모델의 경우 multi-way split 방식으로 학습을 진행하여 많은 변수에 대해 학습이 유용하다(Omar et al., 2014). 이상 4가지 기계학습모델을 활용하여 연구를 진행하였다.

ASHRAE (2012)와 DOE (1996)의 ASHRAE’s GUIDELINE과 DOE Uniform Methods Project에서는 건물에너지 성능 평가를 위해 CV (RMSE) 지표를 사용하고 있으며, Table 3과 같은 성능평가 기준을 제시하고 있다. CV (RMSE)의 경우 각 구간별 소비 패턴의 예측 정확성을 판별하기 용이하며, 식 (1)과 같이 계산된다. 는 예측 소비량, 는 실제 소비량, 은 실제 소비량 평균을 의미한다.

Table 3. Standard for building energy performance evaluation of ASHRAE and DOE

건물유형별 기상주요변수 추출

기상주요변수 추출 개요

변수중요도(Variable Importance)는 수학적, 통계적 모델을 활용하여 목표변수에 대한 입력변수의 상대적인 중요도를 0~+1까지 나타낸다. 변수중요도는 기계학습의 정확도와 상관없이 각 입력변수와 목표변수 간 중요도와 관련이 있다. 예측에 있어 변수의 중요도가 적은 기상데이터의 경우 예측성능 저하의 원인이 되기 때문에 불필요한 입력변수의 제거를 통해 예측 정확성 및 예측 속도향상에 기여한다.

학교 건물의 기상주요변수 추출

초등학교 건물의 변수중요도 판별을 위해 ANN 모델, SVM 모델, RF 모델, CHAID 모델, 총 4가지 기계학습모델을 활용하였다. 동절기에 해당하는 1월(총 31일)의 데이터를 적용하였으며, Table 4는 초등학교 건물의 변수중요도 판별 결과이다. 4가지 기계학습모델의 평균 중요도순위 결과, 시간 지표데이터(0.80) > 기온(0.23) > 상대습도(0.14) > 풍속(0.04) > 풍향(0.02) 순의 변수중요도 순위를 나타내었다. 순위를 고려한 추가 분석을 통해 에너지소비 패턴에 있어 시간 지표데이터의 영향이 가장 크며, 소비량에 있어 기온의 영향이 가장 큰 것을 확인할 수 있었다.

상업용 건물의 기상주요변수 추출

상업용 건물의 변수중요도 판별을 위해 초등학교 건물과 동일한 ANN 모델, SVM 모델, RF 모델, CHAID 모델, 총 4가지 기계학습모델 기반의 변수중요도 판별을 진행하였다. 기간은 동절기에 해당하는 1월(총 31일)의 데이터를 적용하였으며, Table 4는 변수중요도 판별 결과이다. 4가지 기계학습모델의 평균 중요도순위 결과, 시간 지표데이터(0.84) > 기온(0.20) > 상대습도(0.14) > 풍속(0.07) > 풍향(0.06) 순의 변수중요도 순위를 나타내었으며, 초등학교 건물과 같은 순위의 변수중요도 결과가 도출되었다. 이는 두 대상 건물의 계절별, 일별, 시간별 에너지소비패턴이 유사하며, 건물의 냉난방 스케줄 및 설정온도 등의 조건이 동등한 것으로 판단된다.

Table 4. Variable Importance of weather data for primary school and commercial building

기상주요변수별 학교 건물 에너지소비 예측

앞선 변수중요도 결과를 바탕으로 기상변수의 추가 및 제거, 시간 지표 데이터의 유무에 따른 해당 초등학교에 대해 가장 성능이 우수한 ANN 모델 기반 case별 초등학교 건물에너지소비 예측 성능비교분석을 진행하였다. case 1의 경우 변수중요도 수치가 0.20 미만의 기상변수를 제외한 후 예측을 진행, case 2의 경우 변수중요도 수치가 0.10 미만의 기상변수를 제외한 후 예측을 진행, case 3의 경우 시간 지표데이터를 제외한 후 예측을 진행, case 4의 경우 제공되는 기상변수와 시간 지표데이터를 모두 활용하여 예측을 진행한 경우를 나타내며, case별 입력변수는 Table 5와 같이 정리된다. 동절기에 해당하는 12월(총 31일)의 학습기간으로 1월 첫째 주에 해당하는 1월 2일 ~ 1월 8일, 한 주에 대한 초등학교 건물에너지소비 예측을 진행하였다. Figure 3은 case 별 예측결과이며, Table 6은 결과를 정리한 것이다. 예측 결과, 평균 CV (RMSE) 기준 case 4 (7.67%) > case 2 (11.17%) > case 1 (16.33%) > case 3 (50.12%)의 성능을 나타내었다. 기상주요변수에 따른 예측결과는 제공되는 4개의 변수를 활용할수록 예측 성능이 향상되었다. 이는 초등학교 건물의 기상변수인 상대습도, 풍속, 풍향의 변수중요도는 낮으나 15분 분해능에서의 변동폭이 큰 건물 에너지소비 데이터의 거동과 습도, 풍속, 풍향의 거동이 일치하는 구간이 다소 존재하며, case 1, case 2에 비해 예측된 소비 데이터 또한 큰 변동이 발생하여 향상된 예측결과가 도출된 것으로 판단된다. case 3과 case 4는 시간 지표 데이터의 유무에 따른 예측결과이며, case 3의 경우 약간의 소비 패턴은 형성되나 실제 에너지소비량에 비해 보다 심한 변동이 발생하고 구간 최대 에너지소비, 비 재실 구간 에너지소비의 예측 성능이 저하됨을 확인할 수 있었다. 이에 반해 case 4의 경우 오전 6시 난방으로 인한 최대 에너지소비 구간을 제외한 모든 구간에서 평균 CV (RMSE)=7.67 %의 우수한 예측 성능을 보였다.

Table 5. Input variables conditions by variable importance

Figure 3.

Forecasting results for energy consumption of primary school based on machine learning

Table 6. Forecasting results for primary school by case

건물유형별 기계학습모델 선정

건물 에너지소비 예측 개요

앞선 case 별 초등학교 건물 에너지소비 예측 성능비교분석을 통한 가장 성능이 우수한 case 4의 데이터베이스를 기준으로 4가지 기계학습 기반의 건물유형별 건물 에너지소비 예측성능평가를 진행하였다.

초등학교 건물의 경우 에너지소비량이 다른 계절에 비해 많고 소비 패턴이 더욱 불규칙한 동절기 기간에 대해 예측 성능평가를 진행 후 가장 우수한 성능의 기계학습모델을 선정하였다. 상업용 건물의 경우 에너지소비량이 다른 계절에 비해 비교적 적으나 일별 소비패턴이 불규칙적인 하절기 기간에 대해 예측 성능평가를 진행 후 가장 우수한 성능의 기계학습모델을 선정하였다. 학습 기간의 경우 계절을 고려하여 2개월의 기간으로 진행하였으며, 건물유형별 에너지소비 예측 개요는 Table 7과 같다.

Table 7. Set condition of energy consumption forecasting on different building types

학교 건물의 기계학습모델 선정

초등학교 건물의 경우 동절기에 해당하는 12월 1일 ~ 1월 31일, 총 62일의 학습기간으로 2월 6일 ~ 2월 12일, 총 7일간 에너지소비 예측을 진행하였다. Figure 4의 a)는 각 기계학습모델별 예측 결과를 나타낸 것이며, Table 8과 같이 결과가 정리된다. 예측 결과, ANN (5.44%) > CHAID (7.47%) > SVM (7.94%) > RF (8.35%) 순의 성능이 도출되었으며, 가장 우수한 기계학습모델인 ANN 모델의 경우 난방이 가동되는 오전 6시 최대 에너지소비 구간을 제외한 모든 구간에서 매우 우수한 성능을 나타내었다. ANN 모델의 변수중요도의 경우 시간 지표데이터(52%), 기온(25%), 상대습도(8%), 풍속(2%)의 수치를 나타내는데 특히 시간 지표데이터의 경우 다른 기계학습모델에 비해 낮은 변수중요도 수치를 나타내며, 기온, 풍속, 풍향의 변수중요도 수치 또한 낮지 않은 중요도수치를 나타내었다. 상기와 같이 변수중요도를 한 입력변수에만 치중하여 학습하는 형태가 아닌 비교적 편향(vias)이 적은 데이터 학습을 진행하여 에너지소비 데이터의 급격한 변동이 있는 구간에도 안정된 예측 성능을 보인 것으로 판단된다. CHAID, SVM, RF 모델의 경우 실제 에너지소비량의 큰 변동폭으로 인한 예측 성능이 저하되었다.

Figure 4.

Forecasting results of energy consumption on different building types

Table 8. Forecasting results of energy consumption on different building types

상업용 건물의 기계학습모델 선정

상업용 건물의 경우 하절기에 해당하는 6월 1일 ~ 7월 31일, 총 61일의 학습기간으로 8월 7일 ~ 8월 13일, 총 7일간 에너지소비 예측을 진행하였다. Figure 4의 b)는 각 기계학습모델별 예측 결과를 나타낸 것이며, Table 8과 같이 결과가 정리된다. 예측 결과, RF (10.96%) > SVM (13.64%) > ANN (13.65%) > CHAID (13.76%) 순의 성능이 도출되었으며, 가장 우수한 기계학습모델인 RF 모델의 경우 오후 구간 최대 에너지소비 구간을 제외한 구간에서 비교적 우수한 성능을 나타내었다. RF 모델의 변수중요도의 경우 시간 지표데이터(82%), 기온(45%), 상대습도(41%), 풍속(21%), 풍향(21%)의 수치를 나타내며, 다른 기계학습모델에 비해 매우 높은 변수중요도 수치를 나타냈다. 학습 시 기온과 상대습도 데이터를 최대한 활용하여 급격한 에너지소비 변동에 대응하는 것으로 판단된다. RF 모델 이외에 SVM, ANN, CHAID 모델의 경우 실제 에너지소비 데이터 내 큰 변동폭에서의 성능은 저하되나 최대 에너지소비 구간에서의 예측성능이 RF 모델에 비해 다소 높은 것으로 확인되었다.

결 론

본 연구에서는 일반적인 초등학교 및 상업용 건물에 대한 에너지소비 예측과 변수중요도 판별을 통한 에너지소비량 예측 향상 연구를 진행하였으며, 정리한 결과는 다음과 같다.

(1) 건물유형별(초등학교, 상업용) 에너지소비 예측 성능향상을 위한 변수중요도 판별결과, 시간 지표 > 기온 > 상대습도 > 풍속 > 풍향 순의 변수중요도 결과를 도출하였다.

(2) 입력변수의 추가 및 제거, 시간 지표데이터의 유무에 따른 case별 초등학교 건물에너지소비 예측 성능비교분석결과, 입력변수의 제거가 아닌 추가를 통해 예측 성능이 향상되었으며, 시간 지표데이터를 추가하여 기존 대비 CV (RMSE) 기준 42.45% 향상된 예측 성능을 확보하였다.

(3) 건물유형별 4가지 기계학습 기반의 에너지소비 예측 성능평가를 진행하였다. 초등학교 건물의 경우 ANN 모델이 평균 CV (RMSE)=5.44%의 가장 우수하였으며, 상업용 건물의 경우 RF 모델이 평균 CV (RMSE)=10.96%의 성능이 도출되었다.

상기 정리된 결과를 통해 기계학습모델 간 예측성능차이는 CV (RMSE) 기준 3% 미만으로 크게 없는 것으로 판단되었는데 이는 기계학습모델의 기본조건 적용 및 에너지소비 데이터의 규칙적인 패턴으로 인한 예측 성능차이가 미미한 것으로 판단된다. 변수중요도의 결과를 활용한 case별 에너지소비 예측 성능평가 결과를 통해 기상변수 및 시간 지표 데이터의 예측 기여도를 확인할 수 있었다. 향후 보다 에너지소비 변동이 불규칙한 실제 건물의 에너지소비량 데이터를 활용하여 다양한 기계학습모델의 예측성능 비교분석 연구와 입력변수에 대한 데이터 전처리 기법을 활용한 예측성능 향상에 관한 연구를 진행할 예정이다.