[학위논문]업무용 건물의 M&V를 위한 일별 에너지 사용량 기반의 클러스터링 회귀모델 평가에 관한 연구 A study on The Evaluation of Regression Model based on Clustering for M&V by using Daily Energy Consumption in an Office Buildin원문보기
건물 에너지 소비의 증가율을 저감하기 위해서 2010년 업무용건축물 에너지효율등급 인증 시행 및 공공기관 업무용 건축물 에너지 효율등급 인증 취득 의무화(국토교통부, 산업통산자원부 공동고시)를 실시하였다. 따라서 건축물 에너지 절감 및 에너지 수요관리의 중요성 확대, 국제적 기후변화 규제강화, 목표관리제 본격 시행 등에 대응하기 위하여 에너지 절약전문기업(ESCO)을 실시하고 있다. 이러한 ESCO 사업계획 수립 시 에너지절약전문기업과 에너지 사용자가 상호 합의하여 목표절감량 및 보증절감량을 설정하고, 사업 완료 후 측정결과에 따라 차액보전 또는 초과절감분에 대한 성과배분 등 계약을 이행하여야 한다. 따라서 상호 합의하여 에너지 절감량을 산출하는 것은 아주 중요하다. 에너지 절감량을 산출하기 위해서는 리트로핏 이전의 건물에너지 사용량과 리트로핏 이후의 건물에너지 사용량이 필요하다. 그러나 리트로핏 이후 에너지 사용량은 측정하면 되지만, 리트로핏 이전의 에너지 사용량은 측정할 수 없으며 에너지 ...
건물 에너지 소비의 증가율을 저감하기 위해서 2010년 업무용건축물 에너지효율등급 인증 시행 및 공공기관 업무용 건축물 에너지 효율등급 인증 취득 의무화(국토교통부, 산업통산자원부 공동고시)를 실시하였다. 따라서 건축물 에너지 절감 및 에너지 수요관리의 중요성 확대, 국제적 기후변화 규제강화, 목표관리제 본격 시행 등에 대응하기 위하여 에너지 절약전문기업(ESCO)을 실시하고 있다. 이러한 ESCO 사업계획 수립 시 에너지절약전문기업과 에너지 사용자가 상호 합의하여 목표절감량 및 보증절감량을 설정하고, 사업 완료 후 측정결과에 따라 차액보전 또는 초과절감분에 대한 성과배분 등 계약을 이행하여야 한다. 따라서 상호 합의하여 에너지 절감량을 산출하는 것은 아주 중요하다. 에너지 절감량을 산출하기 위해서는 리트로핏 이전의 건물에너지 사용량과 리트로핏 이후의 건물에너지 사용량이 필요하다. 그러나 리트로핏 이후 에너지 사용량은 측정하면 되지만, 리트로핏 이전의 에너지 사용량은 측정할 수 없으며 에너지 시뮬레이션 등을 통하여 추정할 수밖에 없다. 리트로핏 이전의 에너지 사용량을 추정하는 것을 베이스라인 모델이라고 한다. 베이스라인 모델을 만들기 위해서는 보통 월별, 일별,시계열 등의 데이터를 통해 회귀모델을 생성한다. 월별데이터는 고지데이터로 특별한 측정 없이 기록되는 데이터이나, 가지고 있는 오차의 범위가 크다. 시계열 데이터는 특정한 측정 장비가 필요하여 데이터를 수집하는데 어려움이 많다. 일별 데이터의 경우 업무용건물에서 건물의 운영현황을 파악하기 위하여 기록되고, 냉동기 및 보일러의 가동시간 또한 수기로 기록된다. 본 논문에서는 일별 데이터를 통하여 회귀모델을 만들고, 회귀모델을 통해 예측한 에너지 사용량과 실측한 에너지 사용량을 비교하여 만들어진 베이스라인 모델의 적정성을 판단하였다. 따라서 본 논문에서 연구목적은 회귀모델을 통하여 만들어진 베이스라인의 모델이 에너지 절감량을 평가하는데 적절한 모델인지를 정량적으로 평가하는 것이다.
본 연구의 결과를 요약하면 다음과 같다.
1) 업무용 건물의 에너지 사용량은 주중과 주말 및 휴일에 의해 에너지 사용량의 차이가 나타났다. 이것은 업무용 건물의 특성상 건물의 사용자의 스케줄에 의한 것으로 분석되었다. 주중 및 주말 및 휴일에 의한 데이터 수집은 주요 포털사이트에 기록되어있는 주중과 주말 및 휴일의 데이터를 활용하여 연구에 활용하였다.
2) ASHREA 및 FEMP에서는 월별 그리고 시계열 데이터에 관한 베이스라인모델의 기준이 있으나, 일별 데이터의 기준은 없다. 따라서 본 논문에서는 그 사이 값을 보간하여 사용하였다. 보간된 기준은 MBE ≦ ±7%, CV(RMSE) ≦ 22%, R2 ≧ 0.75 이다. 기존 3P모델은 제시된 기준의 허용범위 내로 들어오지 못하였다.
3) 기존 3P 모델을 통해서는 일별 데이터를 통해 적절한 베이스라인 모델을 만들 수 없었다. 따라서 본 논문에서는 일별데이터를 온도에 따른 특성으로 분류하였다. 데이터를 분류하기 위해 활용된 알고리즘은 K-means 알고리즘이다. K-means 알고리즘은 데이터간의 거리를 통해 군집을 형성하는 알고리즘 이다. 본 논문에서는 K-meas 알고리즘을 활용하여 클러스터링을 수행하고 형성된 군집에 따라 회귀모델을 개발하였다. 개발된 회귀모델을 통하여 베이스라인 모델을 만들었으며, 그 결과 제시하고 있는 기준의 허용범위 내로 들어와 에너지 절감량을 평가하는 베이스라인 모델로 적합한 것으로 분석되었다.
향후 업무용 건물을 제외한 다른 건물도 추가적으로 분석하여 여러 건물에도 적용시킬 수 있다면, 현업에서 아주 손쉽게 에너지 절감량을 산출하고 평가할 수 있을 것으로 기대된다.
건물 에너지 소비의 증가율을 저감하기 위해서 2010년 업무용건축물 에너지효율등급 인증 시행 및 공공기관 업무용 건축물 에너지 효율등급 인증 취득 의무화(국토교통부, 산업통산자원부 공동고시)를 실시하였다. 따라서 건축물 에너지 절감 및 에너지 수요관리의 중요성 확대, 국제적 기후변화 규제강화, 목표관리제 본격 시행 등에 대응하기 위하여 에너지 절약전문기업(ESCO)을 실시하고 있다. 이러한 ESCO 사업계획 수립 시 에너지절약전문기업과 에너지 사용자가 상호 합의하여 목표절감량 및 보증절감량을 설정하고, 사업 완료 후 측정결과에 따라 차액보전 또는 초과절감분에 대한 성과배분 등 계약을 이행하여야 한다. 따라서 상호 합의하여 에너지 절감량을 산출하는 것은 아주 중요하다. 에너지 절감량을 산출하기 위해서는 리트로핏 이전의 건물에너지 사용량과 리트로핏 이후의 건물에너지 사용량이 필요하다. 그러나 리트로핏 이후 에너지 사용량은 측정하면 되지만, 리트로핏 이전의 에너지 사용량은 측정할 수 없으며 에너지 시뮬레이션 등을 통하여 추정할 수밖에 없다. 리트로핏 이전의 에너지 사용량을 추정하는 것을 베이스라인 모델이라고 한다. 베이스라인 모델을 만들기 위해서는 보통 월별, 일별,시계열 등의 데이터를 통해 회귀모델을 생성한다. 월별데이터는 고지데이터로 특별한 측정 없이 기록되는 데이터이나, 가지고 있는 오차의 범위가 크다. 시계열 데이터는 특정한 측정 장비가 필요하여 데이터를 수집하는데 어려움이 많다. 일별 데이터의 경우 업무용건물에서 건물의 운영현황을 파악하기 위하여 기록되고, 냉동기 및 보일러의 가동시간 또한 수기로 기록된다. 본 논문에서는 일별 데이터를 통하여 회귀모델을 만들고, 회귀모델을 통해 예측한 에너지 사용량과 실측한 에너지 사용량을 비교하여 만들어진 베이스라인 모델의 적정성을 판단하였다. 따라서 본 논문에서 연구목적은 회귀모델을 통하여 만들어진 베이스라인의 모델이 에너지 절감량을 평가하는데 적절한 모델인지를 정량적으로 평가하는 것이다.
본 연구의 결과를 요약하면 다음과 같다.
1) 업무용 건물의 에너지 사용량은 주중과 주말 및 휴일에 의해 에너지 사용량의 차이가 나타났다. 이것은 업무용 건물의 특성상 건물의 사용자의 스케줄에 의한 것으로 분석되었다. 주중 및 주말 및 휴일에 의한 데이터 수집은 주요 포털사이트에 기록되어있는 주중과 주말 및 휴일의 데이터를 활용하여 연구에 활용하였다.
2) ASHREA 및 FEMP에서는 월별 그리고 시계열 데이터에 관한 베이스라인모델의 기준이 있으나, 일별 데이터의 기준은 없다. 따라서 본 논문에서는 그 사이 값을 보간하여 사용하였다. 보간된 기준은 MBE ≦ ±7%, CV(RMSE) ≦ 22%, R2 ≧ 0.75 이다. 기존 3P모델은 제시된 기준의 허용범위 내로 들어오지 못하였다.
3) 기존 3P 모델을 통해서는 일별 데이터를 통해 적절한 베이스라인 모델을 만들 수 없었다. 따라서 본 논문에서는 일별데이터를 온도에 따른 특성으로 분류하였다. 데이터를 분류하기 위해 활용된 알고리즘은 K-means 알고리즘이다. K-means 알고리즘은 데이터간의 거리를 통해 군집을 형성하는 알고리즘 이다. 본 논문에서는 K-meas 알고리즘을 활용하여 클러스터링을 수행하고 형성된 군집에 따라 회귀모델을 개발하였다. 개발된 회귀모델을 통하여 베이스라인 모델을 만들었으며, 그 결과 제시하고 있는 기준의 허용범위 내로 들어와 에너지 절감량을 평가하는 베이스라인 모델로 적합한 것으로 분석되었다.
향후 업무용 건물을 제외한 다른 건물도 추가적으로 분석하여 여러 건물에도 적용시킬 수 있다면, 현업에서 아주 손쉽게 에너지 절감량을 산출하고 평가할 수 있을 것으로 기대된다.
This study was conducted to develop a baseline model for energy savings by using daily energy consumption. The government of Korea(Ministry of Land, infrastructure and transport and Ministry of Trade, inustry and energy) made a law called “Building Energy Efficiency Rating Certification in Office Bu...
This study was conducted to develop a baseline model for energy savings by using daily energy consumption. The government of Korea(Ministry of Land, infrastructure and transport and Ministry of Trade, inustry and energy) made a law called “Building Energy Efficiency Rating Certification in Office Building and Public Building” for building energy savings in 2010. The government conducted a ESCO(Energy Service Company) project for building energy savings, energy demand management etc. In ESCO project in Korea, retrofit savings can be estimated by comparing building energy use before and after installing Energy Conservation Measures(ECMs) in office buildings. The assumed energy consumption is made by using regression model or dynamic simulation called the Baseline model. This is because there are lack of information about energy consumption data of previous buildings. The Baseline model was made with regression model by using monthly, daily, hourly data. When the Baseline model was made with daily and hourly data, the model’s accuracy improved than monthly data model. Monthly data didn’t need sensors for energy monitoring data because of the energy billing data. But hourly data need lots of sensor. Daily data wrote down building operation document by building operator in office buildings. Therefore this study developed baseline model by using daily energy consumption and clustering regression model for calculate energy savings.
The results of the study can be summarized as follows:
(1) Energy consumption shows the difference between weekdays, weekends and holidays in office buildings. In this paper, the data of the weekdays, weekends and holidays was studied which is recorded in the major portal sites. (2) The daily data was applied to the existing 3P model. The baseline model is made from the results of the 3P model. ASHRAE and FEMP provided requirements for monthly and hourly baseline accuracy evaluated by indices such as R2, MBE, CV(RMSE). The required values of the daily model was interpolated from monthly and hourly models. The required values was R2 ≧ 0.75, MBE ≦ ±7%, CV(RMSE) ≦ 22%. The result of 3P model didn’t satisfy accuracy.
(3) K-means algorithm was used in order to categorize the characteristics of the daily data. K-means algorithm formed a cluster through a distance between data. This study made clusters by using K-means algorithm and linear regression model. If regression model didn’t satisfy accuracy, it was analyzed by adding an independent variable such as boiler and chiller hours of operation. As a result, clustering regression model satisfied accuracy.
This study has its limitations. An office building was analyzed in this paper. In the future, it requires the analysis of various buildings. Further analysis is also required for the uncertainty of the model.
This study was conducted to develop a baseline model for energy savings by using daily energy consumption. The government of Korea(Ministry of Land, infrastructure and transport and Ministry of Trade, inustry and energy) made a law called “Building Energy Efficiency Rating Certification in Office Building and Public Building” for building energy savings in 2010. The government conducted a ESCO(Energy Service Company) project for building energy savings, energy demand management etc. In ESCO project in Korea, retrofit savings can be estimated by comparing building energy use before and after installing Energy Conservation Measures(ECMs) in office buildings. The assumed energy consumption is made by using regression model or dynamic simulation called the Baseline model. This is because there are lack of information about energy consumption data of previous buildings. The Baseline model was made with regression model by using monthly, daily, hourly data. When the Baseline model was made with daily and hourly data, the model’s accuracy improved than monthly data model. Monthly data didn’t need sensors for energy monitoring data because of the energy billing data. But hourly data need lots of sensor. Daily data wrote down building operation document by building operator in office buildings. Therefore this study developed baseline model by using daily energy consumption and clustering regression model for calculate energy savings.
The results of the study can be summarized as follows:
(1) Energy consumption shows the difference between weekdays, weekends and holidays in office buildings. In this paper, the data of the weekdays, weekends and holidays was studied which is recorded in the major portal sites. (2) The daily data was applied to the existing 3P model. The baseline model is made from the results of the 3P model. ASHRAE and FEMP provided requirements for monthly and hourly baseline accuracy evaluated by indices such as R2, MBE, CV(RMSE). The required values of the daily model was interpolated from monthly and hourly models. The required values was R2 ≧ 0.75, MBE ≦ ±7%, CV(RMSE) ≦ 22%. The result of 3P model didn’t satisfy accuracy.
(3) K-means algorithm was used in order to categorize the characteristics of the daily data. K-means algorithm formed a cluster through a distance between data. This study made clusters by using K-means algorithm and linear regression model. If regression model didn’t satisfy accuracy, it was analyzed by adding an independent variable such as boiler and chiller hours of operation. As a result, clustering regression model satisfied accuracy.
This study has its limitations. An office building was analyzed in this paper. In the future, it requires the analysis of various buildings. Further analysis is also required for the uncertainty of the model.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.