[논문] 사무용 빌딩의 효율적 에너지 관리를 위한 전력 사용량 예측 기반 수요 반응 알고리즘 연구

 

빌딩 에너지 분야는 국내 총 에너지 소비의 약 25% 이상을 차지하고 있으며 에너지 소비는 점차 늘어나 전체 에너지 소비량의 40% 이상으로 증가 할 것으로 예상되며, 이러한 문제를 해결하기 위해 종합적이고 체계적인 에너지 수요 관리 방법이 요구되고 있다.

 

사용 데이터

N빌딩의 실측 전력 사용량 데이터

 

빌딩 에너지, 빅 데이터 기반 전력 사용량 클러스터링 분석

데이터들 사이의 유사성 판단을 위해 클러스터링 분석을 수행 (R 프로그램)

 

클러스터링 결과

1. 평일, 휴일, 주말이 서로 다른 그룹으로 클러스터링 됐음.

2. 1시~8시 사이(업무 외 시간),

10 시~19시 사이(업무유형1-일반 업무 시간),

9시와 20~24시 사이(업무유형2-업무 준비 및 야근)

세 구역으로 클러스터링 됐음.  -> So. 시간별로 구분된 예측 기법 필요

3. 보다 정확한 예측을 위해 평일과 휴일에 대한 구분된 예측 기법이 사용되어야 함을 알 수 있다.

 

 

 

 

2. 사무용 빌딩의 효율적 에너지 관리를 위한 소비 예측 모델 및 검증

입력 데이터  : 2013년 1년 간 N빌딩의 전체 전력 사용량 데이터 ( 시계열 분석 )

계절적인 특성을 고려하여 정확한 예측을 위해 한 달 단위로 예측을 수행

오차지표 -> 절대 백분율 평균 (MAPE)

MAPE값은 10.09로 수용 가능한 범위의 오차율(10%)을 보여준다.

 

결론

전력 사용량 데이터의 유사성을 통해 평일과 휴일, 업무시간별 성향이 다르게 나타나는 것을 알 수 있었으며 이를 이용한 예측 모델을 제시하였고 검증을 통해 해당 예측 모델의 타당성을 보였다.

 

개념 정리

MAPE : 회귀 모델의 학습 평가 지표, 값이 작을 수록 성능이 좋다는걸 의미

장점

1. 지표 자체가 직관적
2. 비율 변수이기 때문에 MAE, MSE, RMSE에 비해 비교에 용이

단점

1. 실제 값에 대해 underestimates or overestimates 인지 파악하기 어려움
2. 비율로 해석이 의미있는 값에만 적용 가능
3. 실제 값에 0이 포함될 경우 MAPE를 계산할 수 없음

ESS :  태양광 · 풍력 발전으로 생산된 전기를 배터리에 저장했다가 일시적으로 전력이 부족할 때 쓸 수 있도록 하는 에너지 저장 시스템