국 문 초 록
최근 사회적으로 큰 이슈는 단연 “저탄소 녹색성장”이다. 저탄소 녹색성장을 이루기 위해서는 에너지를 효율적으로 사용해야 한다. 건물에서 효율적인 에너지사용을 위해서는 에너지사용계획에 근거한 에너지소비가 이루어져야한다. 이를 위해서는 필요한 에너지사용량을 정확히 예측 할 수 있는 기술인 에너지 수요예측기술이 필수적으로 수반되어야 한다.
에너지 수요예측은 도심지역 건물의 계획단계에서 뿐만 아니라 건물의 운영단계에서도 필요하다. 운영단계 시 매 시간별 에너지 수요예측을 할 수 있다면 에너지 이용 효율의 극대화는 물론이거니와 복합에너지 시스템(Hybrid Energy System)의 사용과 함께 효율적인 지역 에너지 수급 체계의 구축이 가능하다. 따라서 본 연구에서는 계획단계에서 수행하고 있는 에너지 수요예측에 대하여 운영단계에서의 에너지 수요예측을 수행할 수 있도록 한다.
한편, 선행 연구들은 에너지 수요예측량과 실제 에너지 사용량 사이에 높은 매칭률을 보이는 ...
국 문 초 록
최근 사회적으로 큰 이슈는 단연 “저탄소 녹색성장”이다. 저탄소 녹색성장을 이루기 위해서는 에너지를 효율적으로 사용해야 한다. 건물에서 효율적인 에너지사용을 위해서는 에너지사용계획에 근거한 에너지소비가 이루어져야한다. 이를 위해서는 필요한 에너지사용량을 정확히 예측 할 수 있는 기술인 에너지 수요예측기술이 필수적으로 수반되어야 한다.
에너지 수요예측은 도심지역 건물의 계획단계에서 뿐만 아니라 건물의 운영단계에서도 필요하다. 운영단계 시 매 시간별 에너지 수요예측을 할 수 있다면 에너지 이용 효율의 극대화는 물론이거니와 복합에너지 시스템(Hybrid Energy System)의 사용과 함께 효율적인 지역 에너지 수급 체계의 구축이 가능하다. 따라서 본 연구에서는 계획단계에서 수행하고 있는 에너지 수요예측에 대하여 운영단계에서의 에너지 수요예측을 수행할 수 있도록 한다.
한편, 선행 연구들은 에너지 수요예측량과 실제 에너지 사용량 사이에 높은 매칭률을 보이는 인공신경망을 이용하였다. 선행연구를 참고하여 본 연구에 적합한 동일한 인공신경망의 구성과 네트워크를 구성하여 운영단계에서의 실시간 데이터를 이용한 에너지 수요예측 방법을 수행하였다.
운영단계에서의 실시간 데이터를 이용한 에너지 수요예측 방법을 실제 운영중인 사무소 건물에 적용하였고, 실제 대상지역을 선정해 건물별, 에너지사용용도별로 구분하여 개별 에너지의 CV, RMSE, 프로파일을 분석하였다.
본 연구를 통해 얻은 주요 결과는 다음과 같다.
1) 운영단계에서의 에너지 수요예측은 실시간 데이터(실제 에너지 사용량 데이터)를 업데이트한 후 수요예측한다. 그 중에서 업데이트 방법은 다음과 같은 3가지의 방법이 있다. 첫 번째 업데이트 방법은 ‘실시간 데이터를 업데이트하지 않고’ 에너지 수요예측을 수행하는 방법이다. 두 번째 업데이트 방법은 예측된 데이터와 실시간 데이터간의 오차율의 계산을 통해 ‘오차율이 큰 실시간 데이터만 업데이트하는 방법’으로 에너지 수요예측을 수행하는 방법이다. 마지막 업데이트 방법은 오차율에 상관없이 ‘모든 실시간 데이터를 업데이트’하여 에너지 수요예측을 수행하는 방법이다.
2) 실제 운영중인 사무소 건물에 상용 프로그램을 이용하여 운영단계에서의 실시간 데이터를 이용한 에너지 수요예측 방법을 적용시켜 검증하였다. 2006년 시간, 환경조건 데이터와 실제 전기 에너지 사용량으로 신경망을 학습시켰다. 그리고 2007년 시간, 환경조건 데이터를 실시간 데이터로 가정하였다. 모든 실시간 데이터를 업데이트하는 방법이 에너지 수요예측을 반복 할수록 오차율이 가장 작게 나타났다.
3) 실제 대상지역을 선정하여 모든 실시간 데이터를 업데이트한 방법으로 운영단계에서의 에너지 수요예측을 수행하였다. 여름철, 가을철의 난방에너지와 봄철, 겨울철의 냉방에너지를 제외한 CV값의 전체 평균값[%]은 주거용 건물(APT, 14.72%)과 상업용 건물(호텔, 14.92%), 상업용 건물(식당, 21.87%), 의료용 건물(병원, 17.15%)에서 에너지 수요예측량과 실시간 데이터(실제 에너지 사용량(에너지 시뮬레이션 데이터))의 매칭률이 높았다.
4) 반면, 업무용 건물(대, 58.82%), 업무용 건물(중, 62.79%), 업무용 건물(소, 69.24%)과 상업용 건물(상가, 35.67%), 교육용 건물(학교, 80.55%)에서는 매칭률이 낮았다.
실시간 데이터를 이용한 운영단계에서 시간별 에너지 수요예측은 도심지역의 에너지 수급 체계를 구축할 때 시간별로 구축할 수 있고, 이는 시간별 복합에너지 시스템(Hybrid Energy System)의 최적화로 연결될 수 있을 것이다.
국 문 초 록
최근 사회적으로 큰 이슈는 단연 “저탄소 녹색성장”이다. 저탄소 녹색성장을 이루기 위해서는 에너지를 효율적으로 사용해야 한다. 건물에서 효율적인 에너지사용을 위해서는 에너지사용계획에 근거한 에너지소비가 이루어져야한다. 이를 위해서는 필요한 에너지사용량을 정확히 예측 할 수 있는 기술인 에너지 수요예측기술이 필수적으로 수반되어야 한다.
에너지 수요예측은 도심지역 건물의 계획단계에서 뿐만 아니라 건물의 운영단계에서도 필요하다. 운영단계 시 매 시간별 에너지 수요예측을 할 수 있다면 에너지 이용 효율의 극대화는 물론이거니와 복합에너지 시스템(Hybrid Energy System)의 사용과 함께 효율적인 지역 에너지 수급 체계의 구축이 가능하다. 따라서 본 연구에서는 계획단계에서 수행하고 있는 에너지 수요예측에 대하여 운영단계에서의 에너지 수요예측을 수행할 수 있도록 한다.
한편, 선행 연구들은 에너지 수요예측량과 실제 에너지 사용량 사이에 높은 매칭률을 보이는 인공신경망을 이용하였다. 선행연구를 참고하여 본 연구에 적합한 동일한 인공신경망의 구성과 네트워크를 구성하여 운영단계에서의 실시간 데이터를 이용한 에너지 수요예측 방법을 수행하였다.
운영단계에서의 실시간 데이터를 이용한 에너지 수요예측 방법을 실제 운영중인 사무소 건물에 적용하였고, 실제 대상지역을 선정해 건물별, 에너지사용용도별로 구분하여 개별 에너지의 CV, RMSE, 프로파일을 분석하였다.
본 연구를 통해 얻은 주요 결과는 다음과 같다.
1) 운영단계에서의 에너지 수요예측은 실시간 데이터(실제 에너지 사용량 데이터)를 업데이트한 후 수요예측한다. 그 중에서 업데이트 방법은 다음과 같은 3가지의 방법이 있다. 첫 번째 업데이트 방법은 ‘실시간 데이터를 업데이트하지 않고’ 에너지 수요예측을 수행하는 방법이다. 두 번째 업데이트 방법은 예측된 데이터와 실시간 데이터간의 오차율의 계산을 통해 ‘오차율이 큰 실시간 데이터만 업데이트하는 방법’으로 에너지 수요예측을 수행하는 방법이다. 마지막 업데이트 방법은 오차율에 상관없이 ‘모든 실시간 데이터를 업데이트’하여 에너지 수요예측을 수행하는 방법이다.
2) 실제 운영중인 사무소 건물에 상용 프로그램을 이용하여 운영단계에서의 실시간 데이터를 이용한 에너지 수요예측 방법을 적용시켜 검증하였다. 2006년 시간, 환경조건 데이터와 실제 전기 에너지 사용량으로 신경망을 학습시켰다. 그리고 2007년 시간, 환경조건 데이터를 실시간 데이터로 가정하였다. 모든 실시간 데이터를 업데이트하는 방법이 에너지 수요예측을 반복 할수록 오차율이 가장 작게 나타났다.
3) 실제 대상지역을 선정하여 모든 실시간 데이터를 업데이트한 방법으로 운영단계에서의 에너지 수요예측을 수행하였다. 여름철, 가을철의 난방에너지와 봄철, 겨울철의 냉방에너지를 제외한 CV값의 전체 평균값[%]은 주거용 건물(APT, 14.72%)과 상업용 건물(호텔, 14.92%), 상업용 건물(식당, 21.87%), 의료용 건물(병원, 17.15%)에서 에너지 수요예측량과 실시간 데이터(실제 에너지 사용량(에너지 시뮬레이션 데이터))의 매칭률이 높았다.
4) 반면, 업무용 건물(대, 58.82%), 업무용 건물(중, 62.79%), 업무용 건물(소, 69.24%)과 상업용 건물(상가, 35.67%), 교육용 건물(학교, 80.55%)에서는 매칭률이 낮았다.
실시간 데이터를 이용한 운영단계에서 시간별 에너지 수요예측은 도심지역의 에너지 수급 체계를 구축할 때 시간별로 구축할 수 있고, 이는 시간별 복합에너지 시스템(Hybrid Energy System)의 최적화로 연결될 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.