[논문]머신러닝 기법을 활용한 공장 에너지 사용량 데이터 분석

성종훈; 조영식

doi:10.3745/ktccs.2019.8.4.87

머신러닝 기법을 활용한 공장 에너지 사용량 데이터 분석
Machine Learning Approach for Pattern Analysis of Energy Consumption in Factory 원문보기

정보처리학회논문지. KIPS transactions on computer and communication systems 컴퓨터 및 통신 시스템, v.8 no.4, 2019년, pp.87 - 92

성종훈 ((주)에스더블유엠 부설연구소) , 조영식 ((주)AMEP 기술연구소)

초록
AI-Helper

본 연구에서는 머신 러닝 기법을 활용하여 공장에서 발생하는 에너지 사용량에 대한 데이터 분석 및 패턴 추출에 대해 다룬다. 통계학이나 기존의 방법들은 몇 가지 물리적 특성을 반영하는 수학적 모델을 구축하는 반면, 머신 러닝을 통한 접근방법은 데이터 학습을 통하여 모델의 계수들을 결정하게 된다. 기존의 방법들은 특정한 구조를 갖는 수학적 모델을 구축해야 한다는 어려움이 있으며 과연 데이터의 특징들을 잘 반영하는지에 대한 의문이 존재했다. 그러나 머신 러닝을 통한 방법은 사람이 구축하기 어려운 작업들을 용이하게 구축한다는 장점을 가지고 있기 때문에 데이터 간의 관계를 파악하기에 더 효율적이라는 장점을 가지고 있다. 공장의 에너지 소비에 직접적으로 영향을 끼치는 요소들이 존재하며 이러한 전력 소비는 시간에 따른 데이터로 나타나게 된다. 각 요소들로부터 발생하는 소비 전력을 계측하고 데이터 베이스를 구축하기 위해 각 요소에 센서를 장착하였다. 취득된 데이터에 대해 전처리 과정 및 통계적인 분석을 거친 뒤, 머신 러닝을 통해 패턴을 분석하는 과정을 거쳤다. 이를 통해 공장에서 발생하는 소비 전력 데이터에 대한 패턴 분석을 진행하였다.

Abstract ▼ AI-Helper

This paper describes the pattern analysis for data of the factory energy consumption by using machine learning method. While usual statistical methods or approaches require specific equations to represent the physical characteristics of the plant, machine learning based approach uses historical data and calculate the result effectively. Although rule-based approach calculates energy usage with the physical equations, it is hard to identify the exact equations that represent the factory's characteristics and hidden variables affecting the results. Whereas the machine learning approach is relatively useful to find the relations quickly between the data. The factory has several components directly affecting to the electricity consumption which are machines, light, computers and indoor systems like HVAC (heating, ventilation and air conditioning). The energy loads from those components are generated in real-time and these data can be shown in time-series. The various sensors were installed in the factory to construct the database by collecting the energy usage data from the components. After preliminary statistical analysis for data mining, time-series clustering techniques are applied to extract the energy load pattern. This research can attributes to develop Factory Energy Management System (FEMS).

주제어

표/그림 (11)

그림 Fig. 1. Other Electricity Consumption Components
표 Table 1. Power Consuming Components
그림 Fig. 2. Energy Consumption Data Example
그림 Fig. 3. Similarity Computation Using DTW[11]
그림 Fig. 4. Power Consumption According to Time
그림 Fig. 5. BIC Score for K-means Clustering
그림 Fig. 6. Clustered Result When k=6
그림 Fig. 7. Normalized Data of All Elements
그림 Fig. 8. Normalized Data of Total Power Consumption
그림 Fig. 9. Weekly Normalized Data of Total Power Consumption
그림 Fig. 10. Correlation Matrix Between Components

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

공장은 일반 사무용 건물과는 달리 생산설비 라인을 갖추고 있고 이들은 공장만의 특수한 전력 소모 요소들이다. 따라서 본 연구에서는 일반 사무용 건물과 가장 차별화되는 요소들인 생산 설비들에 대해서 우선적으로 데이터 취득을 진행하였고 각 설비들의 종류 및 수량은 다음과 같다.
본 연구에서는 각 벡터가 time-series 데이터가 되는 것이고 k-means clustering을 통해 이러한 시간에 따른 데이터들이 어떠한 패턴 k개로 나눌 수 있는지 확인한다.
본 연구에서는 대상 공장의 대표 설비요소들에 대해 데이터를 취득하고, 기계 학습 기법을 기반으로 각 설비요소의 소비 전력 데이터에 대해서 분석해보았다. 머신러닝 방법을 적용하여 대표 설비요소들의 대표적인 전력 소비 패턴들을 도출하였으며 이러한 패턴을 몇 개로 정의하는 것이 적절하는지 검토하였다.
앞서 대상 공장의 대표 소비 요소들에 대한 전력 소모 패턴을 알아보았다. 이 장에서는 공장에서 소모되는 총 전력소모량이 요일에 따라서 어떠한 패턴을 갖는지 확인해보도록 한다. 다음 Fig.
전력 소비 패턴 뿐 아니라 본 연구에서는 대상 공장에서 발생하는 소비 전력이 주중, 주말, 요일에 따라서 어떠한 상관 관계를 지니는지 알아보았다. 이러한 상관계수를 통하여 추후 요일에 따른 대상 공장의 전력 소모양상을 추정할 수 있을 것 으로 보인다.

제안 방법

각 전력 소모 요소들에서 소비되는 전력 소모량 데이터에 대해 우선 전처리를 진행하였다. 누락값(NaN)의 경우, 전반적인 값이 0 근처인 경우에는 합리적일 수 있으나 그렇지 않은 경우 0으로 처리한다면 데이터 왜곡이 되어 올바른 처리를 할 수 없다.
공장에서 발생하는 전력소모량이 주중, 주말 등에 따라 어떻게 운영되는지 보기 위해 데이터를 특정 요일, 주중, 주말에 따라 구분하고 일주일에서 각 요일의 사용 퍼센티지로 데이터를 전처리 하였다. 이 때 요일, 주중, 주말의 전력 소비율에 대한 상관관계를 분석하면 다음과 같다.
군집화(Clustering) 혹은 군집분석(Cluster analysis)는 비지도학습의 한 방법으로서, 데이터 분포들 중에서 유사하다고 판단되는 값들끼리 묶어 몇 가지 군집으로 나누는 작업을 의미한다. 군집분석을 통해서 에너지 소비 패턴과 공장 내의 장비 및 시설들의 사용 패턴이 어떻게 나타나는지 살펴보았다.
따라서 업무용 PC, 공장 내 조명, 공기조화설비 등 생산설비 이외에도 추가적인 전력 소비 요소들이 존재한다. 그러나 아직 충분한 데이터 취득 환경이 갖추어 지지 않았으므로 본 논문에서는 표에 제시된 생산설비에 대해서 데이터 취득을 진행하였다. 생산 설비들은 디지털화식인 비교적 최신 장비 외에도 오래된 장비들이 존재한다.
대상 공장의 대표적인 전력 소모 요소들을 선정하였고, 각 시설 장비들로부터 유효한 데이터들을 얻기 위해 설비 기계 센서 등을 부착하여 데이터 취득 환경을 구축하였다. 그 결과 다음과 같이 작업에 관련된 정보(압력, 에러 Count 등)를 얻어낼 수 있었다.
따라서 본 연구에서는 대상 공장에서 얻어진 샘플 데이터를 기반으로 데이터 분석을 진행하고, 나아가 기계 학습(Machine Learning) 기법을 활용, 취득한 에너지들 간의 관계 분석 및 데이터 패턴 분석을 진행하였다.
따라서 앞 뒤 데이터 값을 통한 보간값으로 채워 넣었다. 또한 각 요소에서 발생하는 소비 전력량의 레벨이 너무 다른 경우 개형을 직접적으로 비교할 수 없기 때문에, 각 값을 0과 1사이의 level로 normalize 하였다.
본 연구에서는 대상 공장의 대표 설비요소들에 대해 데이터를 취득하고, 기계 학습 기법을 기반으로 각 설비요소의 소비 전력 데이터에 대해서 분석해보았다. 머신러닝 방법을 적용하여 대표 설비요소들의 대표적인 전력 소비 패턴들을 도출하였으며 이러한 패턴을 몇 개로 정의하는 것이 적절하는지 검토하였다. 기존의 통계학적 분석방법론과는 달리 머신러닝 적용방법을 적용함으로써 추후 더욱 누적될 데이터양 및 확장될 데이터 취득 요소들에 대해서 효율적인 분석이 이루어질 것으로 보인다.
또한 나아가 추후 데이터의 값을 예측할 때 패턴 정보를 활용할 수도 있다. 본 연구에서는 데이터 군집화를 통해 소비 패턴을 몇 가지 군집으로 추출하였다.
앞서 대상 공장의 대표 소비 요소들에 대한 전력 소모 패턴을 알아보았다. 이 장에서는 공장에서 소모되는 총 전력소모량이 요일에 따라서 어떠한 패턴을 갖는지 확인해보도록 한다.
얻어진 데이터들을 군집분류하기 위해 BIC를 사용하였고, 그 결과는 다음과 같다.

대상 데이터

본 연구에서는 공장에서 발생하는 데이터를 대상으로 분석 및 연구를 진행하였기 때문에 적절한 대상 공장을 선정하고 그에 따른 적절한 전력 소비 요소를 파악하는 것이 중요했다. 본 연구의 대상 공장은 다섯 개의 층으로 이루어져있으며, 조명 관련 제품 생산을 위한 생산 설비 라인을 갖추고 있다. 그 외에도 직원들의 업무를 위한 사무 공간 또한 존재하 였다.

이론/모형

k-means 알고리즘의 군집 수 k는 hyper parameter로 유도되거나 도출되는 값이 아닌, 사용자가 임의로 정하는 값이다. try and error를 통해서 적절한 값을 선정할 수도 있지만 본 연구에서는 Bayesian information criterion(이하 BIC)을 k값을 결정하는 기준으로 활용한다. BIC는 통계학에서 모델을 결정하는 기준 으로 많이 사용되며 수학적으로 다음과 같이 정의된다.
이 때 n은 데이터 개수, k는 k-means에서의 k값을, L hat은 likelihood function의 최댓값을 의미한다. 본 연구에서는 likelihood function으로 Gaussian mixture model을 사용하였다. 따라서 BIC가 가장 작은 값을 k값으로 결정하여 사용할 수 있다.

성능/효과

9와 같다. 결과에 의하면 주말인 토요일, 일요일에는 공장을 거의 가동하지 않는 것으로 보이며 주중동안에 규칙적으로 공장을 가동하는 것으로 보인다.
이러한 에너지 문제에 대한 관심은 국내에서도 마찬가지이며 그에 따른 에너지 문제에 관련된 연구 또한 그 동안 꾸준히 진행되어 왔다. 그 결과 에너지 의존도가 높은 우리나라는 특히 전기 에너지에 대한 사용량 및 의존도가 매우 높은 것으로 나타났다[1]. 실제로 2007년에는 기록된 에너지 사용 수요의 3분의 2가 전기 에너지 생성을 위한 것으로 기록되었다.
상관관계 결과를 살펴보면, 전체 총 전력 소비량과 가장 밀접한 관계가 있는 것은 화요일과 주중으로 나타났다. 또한 주말과 수요일부터 일요일까지는 총 소비전력량과 음의 상관 관계가 있는 것으로 나타났는데, 이는 공장의 총 소비전력량이 늘었을 경우 대부분의 업무는 주간에 처리하기 때문에, 그에 따라 상대적으로 주중에 비해 주말 가동은 줄어든 것으로 해석할 수 있다.

후속연구

머신러닝 방법을 적용하여 대표 설비요소들의 대표적인 전력 소비 패턴들을 도출하였으며 이러한 패턴을 몇 개로 정의하는 것이 적절하는지 검토하였다. 기존의 통계학적 분석방법론과는 달리 머신러닝 적용방법을 적용함으로써 추후 더욱 누적될 데이터양 및 확장될 데이터 취득 요소들에 대해서 효율적인 분석이 이루어질 것으로 보인다.
이러한 상관계수를 통하여 추후 요일에 따른 대상 공장의 전력 소모양상을 추정할 수 있을 것 으로 보인다. 또한 추후 데이터 취득 요소가 증가하고 다량의 데이터가 누적되었을 경우 더욱 효과적인 분석이 가능할 것으로 보이며, 나아가 각 전력 데이터 간의 상관관계 및 경향성 분석을 통해 소비 전력 예측도 가능할 것으로 보인다.
전력 소비 패턴 뿐 아니라 본 연구에서는 대상 공장에서 발생하는 소비 전력이 주중, 주말, 요일에 따라서 어떠한 상관 관계를 지니는지 알아보았다. 이러한 상관계수를 통하여 추후 요일에 따른 대상 공장의 전력 소모양상을 추정할 수 있을 것 으로 보인다. 또한 추후 데이터 취득 요소가 증가하고 다량의 데이터가 누적되었을 경우 더욱 효과적인 분석이 가능할 것으로 보이며, 나아가 각 전력 데이터 간의 상관관계 및 경향성 분석을 통해 소비 전력 예측도 가능할 것으로 보인다.
그 외에도 직원들의 업무를 위한 사무 공간 또한 존재하 였다. 즉 본 연구의 대상 건물(공장)은 생산 설비 라인과 사무 공간 모두를 지니고 있기 때문에 추후 공장의 특성과 일반 사무용 건물의 에너지 소모 비중을 비교하는 데도 적절할 것으로 판단된다. 본 연구에서는 아직 충분한 데이터 베이스의 구축이 완료되지 않았으므로, 취득된 샘플 데이터에서만 연구를 진행하였다.

질의응답

핵심어	질문	논문에서 추출한 답변
	군집분석은 무엇을 의미하는가?	군집화(Clustering) 혹은 군집분석(Cluster analysis)는 비지도학습의 한 방법으로서, 데이터 분포들 중에서 유사하다고 판단되는 값들끼리 묶어 몇 가지 군집으로 나누는 작업을 의미한다. 군집분석을 통해서 에너지 소비 패턴과 공장 내의 장비 및 시설들의 사용 특성을 알 수 있다.
	머신러닝의 장점은 무엇인가?	한편 GPU 등의 하드웨어 기술 고도화와 더불어 머신러닝에 대한 연구가 활발해졌다. 머신러닝은 사람이 찾아내기 어려운 수많은 데이터들 간의 패턴 및 관계를 찾아내는 데 용이하다는 것이 장점이며, 다양한 분야에 적용되고 있다. 최근에는 머신러닝 기법을 에너지 효율 분야에 적용하려는 연구 또한 진행되고 있으며, 실제로 이러한 건물 운용 과정에서 발생하는 에너지를 효율적으로 관리하기 위해 건물에너지관리시스템(Building Energy Management System)의 도입이 아직은 미비하지만 시범적으로 적용되는 등, 점차 늘어가고 있다[8].
	동적 시간 굽힘이 시간 값 외에 주변의 다른 값과도 비교하는 이유는 무엇인가?	그러나 시계열 데이터는 거의 동일한 양상을 갖는 데이터가 시간만 옆으로 shift 되는 경우도 많기 때문에 단순 y 축값들의 차이로 계산하는 것은 적절하지 않을 수 있다. 실제로 시계열 데이터 간의 유사도를 측정할 때에도 단순히 동일한 시간에서의 데이터 간 차이로 계산하게 되는 경우 적절한 결과를 얻지 못하는 경우가 많다.

참고문헌 (11)

Il-Su Seol, Sun-Woong Kim, and Dong-You Choi, "A Study of the Current Status of Domestic Building Energy Management System and the Correct way for Improvement," Proceedings of KIIT Summer Conference, 2015.
Ji-Young Eum, Soo-Hwan Choi, Si-Sam Park, and Yong-Ki Kim, "Development of Mathmatical Model for the Energy Demand Pattern Analysis of City Buildings," The Korean Institute of Electical Engineers, 2015.
Ki-Ho Kim and Bae Kim, "Sustainable Developement for the City : City Design Initiatives through Greenways," Asia Design Journal, Vol.5, pp.136-165, 2010.
L.P. Lombard, J. Ortiz, and C. Pout, "A review on buildings energy consumption information," Energy and Buildings, Vol.40, pp.394-398, 2008.

상세보기
K. Amarasingle, D. Wijayasekara, H. Carey, M. Manic, D. He, and W. Chen, "Artificial Neural Networks based Thermal Energy Storage Control for Buildings," Proc. 41st Annual Conference of the IEEE Industrial Electronics Society, IEEE IECON 2015, Yokohama, Japan, Nov.09-12, 2015.
D. Wijayasekara and M. Manic, "Data-Fusion for Increasing Temporal Resoultion of Building Energy Management System Data," Proc. 41st Annual Conference of the IEEE Industrial Electronics Society, IEEE IECON 2015, Yokohama, Japan, Nov. 09-12, 2015.
Tae-Won Lee, Yong-Ki Kim, and Jae-Sang Seo, "The Major Functions and Using Method of the Building & Energy Management and Information System(BEMIS)," The Society of Air-Conditioning and Refrigerating Engineers of Korea, 2012.
Hyeun Jun Moon, Sung Kwon Jung, and Seung Ho Ryu, "Building Cooling and Heating Energy Consumption Pattern Analysis Based on Building Energy Management System (BEMS) Data Using Machine Learning Techniques," The Society of Air-Conditioning And Refrigerating Engineers of Korea, 2015.
M. Steinbach, G. Karypis, and V. Kumar, "A comparison of document clustering techniques," KDD workshop on text mining, 2000.
Xiaoyue Wang, Abdullah Mueen, Hui Ding, Goce Trajcevski, Peter Scheuermann, and Eamonn Keogh, "Experimental comparison of representation methods and distance measures for time series data," Data in, Knowl, 2013.
J Paparrizos and L Gravano, "Fast and accurate time-series clustering," ACMTranscations on Database System, vol. 42, 2017.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증