선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문은 건축물의 에너지 소비패턴을 분석하기 위한 도구로써 데이터 마이닝 기법을 소개하고, 이 기법에 의해 에너지 사용패턴을 분석하는 과정을 실험적으로 제시하는 것을 목적으로 한다.
- 각 분야들은 서로 독립적이지 않고 상호 중복되거나 보완적인 면을 가지고 있다. 본 연구에서는 클러스터분석의 기법을 중점적으로 사용하여 데이터 마이닝을 수행할 것이다. 클러스터분석은 비슷한 값을 가지는 데이터들을 무리지어 분류하는 것으로, 여러 패턴들을 직관적으로 알기 쉽게 표현하여 유형화 하는 데에 유용하다.
제안 방법
- 1) 데이터 마이닝 기법의 사용 : 기존 건축분야 및 건축물 에너지 관련 연구에서는 데이터 마이닝의 활용이 드물었지만, 본 연구에서는 복잡하게 섞여있는 건축물 에너지 사용 데이터를 데이터 마이닝 기법을 사용하여 패턴화하고, 이로부터 의미 있는 정보를 도출하였다.
- 2) 전력사용 패턴분류 : 데이터 마이닝 기법 중 하나인 클러스터분석을 이용하여 거주자의 다양한 에너지 사용패턴을 분류하고, 각각의 분류별 특징을 분석하였다. 그 결과 일중 에너지 사용패턴은 크게 6가지의 사용패턴이 나타났으며, 이들 패턴은 요일과 기온에 따라 나타나는 빈도가 다름을 확인하였다.
- 3.1절에서 제시한 데이터를 가공하여 세대별로 일단위로 24시간 동안의 시계열 데이터로 변환하였다. 총 210(7*30)개의 시계열 데이터를 얻었다.
- 3.4절에서 분류한 C1∼C6클러스터 분류와 3.5절에서 분류한 D1∼D6클러스터 분류는 서로 별개의 것으로 두 가지 분류 간에 어떠한 관계가 있는지 분석하였다.
- 데이터 마이닝 기법 중 클러스터분석을 활용하여 건축물의 에너지 사용량의 패턴을 분류, 분석한 본 연구의 결과는 다음과 같다.
- 데이터 마이닝 기법을 활용하여, 대량의 데이터로부터 그 안에 숨어있는 새롭고, 가치 있고, 의사결정에 유용한 정보를 찾아 건축물 에너지 성능 등급의 분석 및 매칭기법으로 활용하여 에너지 소비량 예측 및 관리 모델을 작성하고자 한다. 데이터 마이닝에는 규칙발견, 분류 및 예측, 클러스터분석 등 다양한 분야(기능)가 존재한다.
- 데이터 마이닝을 위해서는 많은 수의 샘플로부터 데이터를 취득하는 것이 바람직하나, 비용 문제 등의 현실적인 제한으로 인하여 일주일 동안의 에너지 기기 사용량에 대한 현장조사를 실시하였다. 요일/시간/가전기기별로 사용시간을 기록하여, 1시간 단위로 에너지 사용량을 합산하였다.
- 본 절에서는 3.3, 3.4절의 일중 에너지 소비패턴을 분류한 것과는 별개로 가구별로 데이터를 구축하였다. 3.
- 데이터 마이닝을 위해서는 많은 수의 샘플로부터 데이터를 취득하는 것이 바람직하나, 비용 문제 등의 현실적인 제한으로 인하여 일주일 동안의 에너지 기기 사용량에 대한 현장조사를 실시하였다. 요일/시간/가전기기별로 사용시간을 기록하여, 1시간 단위로 에너지 사용량을 합산하였다. 취득기간은 2010년 8월 23일(월)∼8월29(일)이다.
- 총 210(7*30)개의 시계열 데이터를 얻었다. 이 데이터는 세대로 구분하지 않고 모두 동등하게 간주하여 클러스터 분석을 수행하였다. 총 6개의 클러스터로 분류하였으며, 각 클러스터에 대한 분포는 표 1과 같다.
- 1절에서 설명했듯이 가구별로 면적과 건물의 향 데이터가 갖추어져있다. 이 중 건물의 향은 조사대상 가구 대부분이 남향내지 남서, 남동향에 집중되어 있어 본 연구에서 분석에 활용하는 것이 어렵다고 판단하고, 건물 면적만을 사용하기로 하였다. 여기에 더불어 사용량 변동, 총 사용량 이라는 변수를 생성하였다.
- 이들 3변수의 값을 표 3에 나타내었다. 이들 값을 이용하여 30가구를 6개의 클러스터로 분류하였다. 각 클러스터에 대한 분포는 표 4와 같으며 클러스터별 변수의 평균값은 표 3과 같다.
- 최근 5년 이내의 국내 학술지(DBpia에서 열람가능한 학술지에 한함)에 등재된 논문을 검색하여 161개의 논문(데이터 마이닝을 타이틀 혹 키워드로 사용하며, 데이터 마이닝 기술을 활용한 논문)을 검토하여 최근의 데이터 마이닝의 활용에 관한 동향을 알아보았다. 이들 논문을 14개의 분야로 분류하고, 전체적인 동향 및 각 분야의 현황을 살펴보았다.
- 최근 5년 이내의 국내 학술지(DBpia에서 열람가능한 학술지에 한함)에 등재된 논문을 검색하여 161개의 논문(데이터 마이닝을 타이틀 혹 키워드로 사용하며, 데이터 마이닝 기술을 활용한 논문)을 검토하여 최근의 데이터 마이닝의 활용에 관한 동향을 알아보았다. 이들 논문을 14개의 분야로 분류하고, 전체적인 동향 및 각 분야의 현황을 살펴보았다.
대상 데이터
- 1절에서 제시한 데이터를 가공하여 세대별로 일단위로 24시간 동안의 시계열 데이터로 변환하였다. 총 210(7*30)개의 시계열 데이터를 얻었다. 이 데이터는 세대로 구분하지 않고 모두 동등하게 간주하여 클러스터 분석을 수행하였다.
이론/모형
- 본 연구에서는 세대별 에너지 소비패턴을 분석하기 위하여 클러스터 분석법을 사용하였다. 클러스터분석이란 데이터 집합에서 서로 비슷하거나 가까운 값을 하나의 그룹으로 묶어 데이터 집합을 복수의 그룹으로 분류하는 것을 말한다.
- 클러스터분석에는 여러 가지 기법이 존재하나, 데이터가 많거나 대량의 변수가 존재하는 경우 일반적으로 K-MEANS1)법이 많이 쓰인다. 본 연구에서도 K-MEANS법을 사용하여 에너지 사용패턴을 분류한다. K-MEANS법에서는 클러스터를 몇 개로 분류하는가를 사전에 지정할 필요가 있다.
성능/효과
- 그 결과 일중 에너지 사용패턴은 크게 6가지의 사용패턴이 나타났으며, 이들 패턴은 요일과 기온에 따라 나타나는 빈도가 다름을 확인하였다. 가구별 에너지 사용패턴에 대해서는 가구별 면적과 사용량의 변동폭, 총 사용량을 바탕으로 클러스터분석을 사용하여 6가지의 사용패턴이 나타나는 것을 확인하였다. 이 경우의 분류만으로는 특별히 의미 있는 정보를 얻기 어려웠으나, 앞서 분류한 일중 에너지 사용량 분류와 대조함에 따라 각 패턴의 특징을 추측할 수 있게 되었다.
- 2) 전력사용 패턴분류 : 데이터 마이닝 기법 중 하나인 클러스터분석을 이용하여 거주자의 다양한 에너지 사용패턴을 분류하고, 각각의 분류별 특징을 분석하였다. 그 결과 일중 에너지 사용패턴은 크게 6가지의 사용패턴이 나타났으며, 이들 패턴은 요일과 기온에 따라 나타나는 빈도가 다름을 확인하였다. 가구별 에너지 사용패턴에 대해서는 가구별 면적과 사용량의 변동폭, 총 사용량을 바탕으로 클러스터분석을 사용하여 6가지의 사용패턴이 나타나는 것을 확인하였다.
- 본 연구에서는 클러스터 분석을 사용하여 에너지 사용량의 패턴 및 특징을 알기 쉽게 분류할 필요가 있으므로, 지나치게 편중된 클러스터가 존재하거나, 반대로 비율이 현저하게 낮은 클러스터가 존재하면 그 특징을 제대로 파악하기 쉽지 않다. 따라서 어느 클러스터도 전체에서 5% 이상을 점유하며, 50% 이상을 점유하지 않도록 조건을 설정한 결과, 6가지로 분류하였을 때 이 조건을 충족하였으며 가장 고른 분포를 보였다.
- 전체적으로 높은 에너지 소비를 보이며 특히 아침시간과 저녁시간에 높은 소비가 뚜렷하다. 취사 및 전열에 의한 소비량이 높은 것으로 생각된다.
- 전체적으로 에너지 소비량이 높으며 C2와 비교하면 낮 시간대의 소비량은 높은 반면, 저녁시간대의 소비량은 낮다.
- 전체적인 에너지 소비량은 중간정도이나 시간대에 대하여 별다른 추세의 변화를 보이지 않고 안정적이다.
후속연구
- 1) 본 연구에서는 전기 에너지만을 대상으로 하였으나, 전기 외의 석유, 가스 등 종합적인 에너지 사용에 대한 연구를 진행할 필요가 있다. 이를 위해서는 각각에 데이터에 대한 정밀한 검침이 필요하다.
- 2) 본 연구에서는 클러스터분석을 사용하여 각 패턴에 대한 분석을 수행하였으나, 더 나아가 각 패턴에 대한 예측모델을 구축하고 그에 대한 에너지 사용량 예측한다면 더욱 의미 있는 정보를 제공할 것이다.
- 3) 본 연구의 데이터는 공간적(샘플 가구수), 시간적(일주일) 제한으로 인해 충분할 만한 데이터를 확보하지는 못했다. 데이터 마이닝의 관점에서는 보다 많은 데이터를 입력할 경우 보다 정확하고 다양한 결과를 얻을 수 있을 것이다.
- 3) 본 연구의 데이터는 공간적(샘플 가구수), 시간적(일주일) 제한으로 인해 충분할 만한 데이터를 확보하지는 못했다. 데이터 마이닝의 관점에서는 보다 많은 데이터를 입력할 경우 보다 정확하고 다양한 결과를 얻을 수 있을 것이다.
- 이에 따라 3에서부터 10까지 지정해가며 각각 분류해 보았다. 본 연구에서는 클러스터 분석을 사용하여 에너지 사용량의 패턴 및 특징을 알기 쉽게 분류할 필요가 있으므로, 지나치게 편중된 클러스터가 존재하거나, 반대로 비율이 현저하게 낮은 클러스터가 존재하면 그 특징을 제대로 파악하기 쉽지 않다. 따라서 어느 클러스터도 전체에서 5% 이상을 점유하며, 50% 이상을 점유하지 않도록 조건을 설정한 결과, 6가지로 분류하였을 때 이 조건을 충족하였으며 가장 고른 분포를 보였다.
- 단 사용량변동의 경향은 명확하게 드러나지 않았다. 이는 가구의 구성원의 수 및 구성원의 생활패턴에 대한 정보가 부족함에 따라 추가 조사가 필요할 것으로 보인다.
- 그러나 수많은 그래프가 복잡하게 어우러져 있어 인간의 지각능력으로는 그 이상의 별다른 정보를 얻기 어렵다. 이러한 데이터집합들로부터 정량적으로 패턴을 발견하여 비슷한 패턴을 보이는 것끼리 분류할 수 있다면, 보다 의미 있는 정보를 얻을 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.