기계학습 기반 자동화 알고리즘을 활용한 공조기 급기 온도 예측

안유선,홍구표,김병선 대한설비공학회 2020 설비공학 논문집 Vol.32 No.1

본 연구는 기계 학습 및 매개 변수를 자동으로 설정하여 공조기 급기 온도를 예측할 수 있는 방안을 제시 하고자 하였다. 병원건물을 대상으로, 방위별 부하를 담당하는 4대의 공조기의 7개월간의 실측 데이터를 사용하였다. 최적화 예측모델을 발견하기 위해, 자동화 데이터 분석 알고리즘 AutoML인 Auto-sklearn을 활용하였다. 비교를 위해 건물 에너지 분야에서 가장 많이 쓰이고 인공지능 개념인 ANN 모델과 선행 연구에서 반복적인 튜닝을 통해 도출된 매개 변수를 사용하였으며 결론은 다음과 같다. (1) 공조기 데이터별로 각각 다른 모델이 최적화 모델로 선정되었다. 남측공조기의 경우 추천된 기계 학습 모델은 Gradient Boosting, 남서측은 SVR, 남동측은 Adaboosting, 북측은 RandomForest이다. (2) 각각의 모델로 ANN과 비교한 결과 약 0.03%~1.16% 더 높은 정확도로 예측되는 것으로 분석되었다. (3) 추천된 모델과 ANN을 비교해 보았을 때, 추천된 모델의 정확도가 CvRMSE 평균 0.53%, MBE 0.54% 더 높게 나타났다. 뿐만 아니라, 자동화 데이터 분석 알고리즘을 통한 모델과 매개 변수를 적용하는 것이 시간 효율적인 것을 알 수 있다. (4) 건물 내 같은 공간 속에서 방위에 따라 공조기 운전 예측에 필요한 알고리즘과 매개 변수는 각각 다르게 나타남을 알 수 있다. 본 연구를 통해 설비시스템의 운전 예측 분야에 자동화 데이터 분석 알고리즘 모델이 적극 활용될 수 있을 것으로 판단된다. 또한 예측된 데이터를 실제 건물에 적용함으로써 에너지 절감의 정량적인 분석의 연구가 기대된다. More than 50% of the energy used in commercial buildings is consumed by building cooling, heating, and ventilation energy. To conserve building energy, some of the new buildings have begun to operate through the BEMS (Building Energy Management System). But, existing buildings are operated based on the empirical judgment of the building manager. The purpose of this study was to predict air supply temperature of air-handling units by applying an automatically implementation machine learning model and hyper-parameters suitable for non-professional users. The building used for the experiment was a large hospital building, using four AHU (Air Handling Unit) measured data from same floor on the different zones. The automated-data algorithm for analysis uapplies Auto-sklearn, which is AutoML (Automated Machine Learning) as finding an optimal model. As a result, various models (Gradient Boosting, Support Vector Regressor, Adaboosting, Random Forest) were recommended. For comparison, the ANN (Artificial Neural Network) model, used most frequently in the field of building energy, was compared with the hyper-parameters derived through iterative tuning in previous studies. Comparing ANNs with the recommended models and parameters, the accuracy of similar or recommended models was 0.53% higher on average with CvRMSE and 0.54% with MBE. It is reasonable to apply models and parameters through an automated data analysis algorithm.

전자종이용 입자의 표면특성 제어에 관한 연구

안유선,최경호,이상국,임은희,김성욱,이충호 한국고분자학회 2010 한국고분자학회 학술대회 연구논문 초록집 Vol.2010 No.4

건물 내 화재 발생 시 사물 인터넷과 강화 학습을 활용한 실시간 안전 대피 경로 방안 개발

안유선,최하늘,Ahn, Yusun,Choi, Haneul 한국안전학회 2022 한국안전학회지 Vol.37 No.2

Human casualties from fires are increasing worldwide. The majority of human deaths occur during the evacuation process, as occupants panic and are unaware of the location of the fire and evacuation routes. Using an Internet of Things (IoT) sensor and reinforcement learning, we propose a method to find the safest evacuation route by considering the fire location, flame speed, occupant position, and walking conditions. The first step is detecting the fire with IoT-based devices. The second step is identifying the occupant's position via a beacon connected to the occupant's mobile phone. In the third step, the collected information, flame speed, and walking conditions are input into the reinforcement learning model to derive the optimal evacuation route. This study makes it possible to provide the safest evacuation route for individual occupants in real time. This study is expected to reduce human casualties caused by fires.

Preparation and Characterization of Polymer/TiO₂ core-shell particles

안유선,최경호,이상국,임은희,박인,김성욱,이충호,한다혜,박은수 한국고분자학회 2009 한국고분자학회 학술대회 연구논문 초록집 Vol.2009 No.10

푸리에 변환 기반 스케줄 분석 알고리즘을 적용한 건물 에너지 소비량 예측 모델

안유선,이용준,오은주,김병선 대한설비공학회 2020 설비공학 논문집 Vol.32 No.8

Building energy demand currently accounts for 40% of the total energy demand, which has a great influence on the planning and operation of the energy market by energy suppliers, and its importance has increased significantly with the advent of the smart grid. Variables affecting the use of building energy include the identification of environmental conditions, historical conditions, and schedule conditions, and these factors have a sophisticated effect on buildings. One of the most influential variables is the building schedule. Because each building has its own schedule, standardized schedules cannot be applied to various buildings, and it is difficult for non-experts to analyze or predict schedules in these cases. The aim of this paper is to propose a high-precision building energy demand prediction model by using a Fourier transform-based time series prediction model, that automatically analyzes and predicts the schedule to be applied when predicting building energy demand. In order to compare with the existing method, the six buildings are divided into schedules when they are not scheduled, weekdays/weekends, days of week and when schedule analysis algorithm are applied. Machine learning is performed using the LSTM model, and prediction accuracy is verified through the CvRMSE and MBE. There was an average difference of 15.37% based on the CvRMSE, and all predictions were predictable when the automated prediction model was applied. This study can be used as a building energy operation plan for the creation and implementation of a future energy-efficient smart grid system. 본 연구는 건물 에너지 예측 시 입력 데이터로 적용하는 스케줄 데이터를 자동으로 분석하여 예측하는 모델을 적용하여 정확도가 보장된 예측 방안을 제안하고자 하였다. 어린이집, 고등학교, 도서관, 소규모 의료시설, 문화의집, 통합관제센터 여섯 개의 건물을 대상으로 1년간의 전력 소비량 데이터를 수집하여 사용하였다. 학습을 위해 사용된 기계 학습 모델은 LSTM 모델이었으며, 입력 데이터는 환경 데이터, 과거 데이터 총 8개의 데이터와 스케줄 데이터를 적용하였다. 스케줄 데이터는 스케줄이 없을 때, 주중/주말로 구분했을 때, 요일별로 나누었을 때, 스케줄 분석 알고리즘을 적용했을 때로 네 가지 Case로 구분하여 비교 검증하였다. 해당 데이터는 동절기와 하절기로 나누어 총 12개로 분류 후 진행하였다. 본 연구를 통한 결론은 다음과 같다. (1) Prophet 모델을 적용하여 스케줄 분석을 진행할 때, 분석된 스케줄이 실제 데이터와 비교하여 비슷한 양상을 보이는 것으로 다양한 건물에 분석이 가능한 것으로 나타난다. (2) Prophet 모델을 입력 데이터에 적용하여 새로운 기계 학습 모델을 생성 및 예측 시, 12개의 검증한 모델 중 8개의 모델이 자동화 알고리즘을 활용하였을 때 기존 적용 방법과 비교하여 CvRMSE 기준 최소 2.38%에서 최대 37.78% 차이가 발생하는 것으로 나타났다. (3) 12개의 모델 중 4개의 모델은 기존 적용 방법과 비교하여 낮은 정확도를 보였는데, 이는 전력 소비량의 편차가 클수록 예측율이 CvRMSE 기준 최소 1.79%에서 최대 4.13%까지 떨어지는 양상을 보였으며, 반대로 편차가 적을수록 높은 정확도를 나타냈다. (4) 전력 소비량 데이터의 최대값과 최소값의 분포 간격이 좁은 특징을 가진 건물들은 자동화 스케줄 알고리즘을 적용한 모델이 기존 적용 방식보다 향상된 예측 성능으로 나타났으며, 이는 다양한 건물에 적용하여도 유의미한 결과를 나타낼 수 있다고 판단된다. 스케줄의 예측 알고리즘 활용을 통해 건물 에너지 예측 정확도를 높일 수 있음을 확인하였다. 이는 건물의 사용 패턴 변화에도 대응 가능한 예측 모델을 확보할 수 있음을 나타내었다. 본 연구는 향후 스마트 그리드를 위한 신재생 에너지 시스템의 발전량과 다양한 건물에서 사용되는 에너지 소비량의 차이를 예측하는 모델의 정확도 향상 방안으로 사용될 수 있으며 더 나아가 마이크로 그리드의 기초 자료로 활용될 수 있다. 단, 본 연구는 블랙박스 모델을 적용한 것으로 한계가 있으며, 해당 건물이 모든 건물을 대표할 수 없다는 한계를 가지고 있다. 이를 해결하기 위해 향후 온라인 기계 학습을 기반으로 더 다양한 실제 건물에 적용 하여 다음 연구를 진행하고자 한다.

화재 발생 시 정량적 유독 가스 예측을 위한 다중 출력 모델 개발

안유선,이강복 한국화재소방학회 2024 한국화재소방학회 학술대회 논문집 Vol.2024 No.1

어머니의 자기분화, 심리적 통제 양육 관계에서 자녀수반자기가치와 불안의 이중매개효과 검증

안유선,유성경 한국여성심리학회 2019 한국심리학회지 여성 Vol.24 No.2

The purpose of this study was to understand the relations among self differentiation and psychological control parenting based on domain specific theory of self worth. The present study hypothesize a model of the mediating mechanisms of child contingent self worth and anxiety in the relationship between self differentiation and psychological control parenting. Associations among four variables were examined through a correlation analysis. The mediation effect of self differentiation and psychological control parenting was evaluated by structural equation modeling(SEM). A survey was conducted to 217 Korean mothers who have children of elementary school, middle school or high school. The current study concluded as follows: Child Contingent Self Worth and Anxiety showed positive relation with psychological control parenting. Lower self differentiation predicted higher psychological controlling parenting. The relation between self differentiation and psychological control parenting was mediated by child contingent self worth and anxiety. Implications for counseling practice and future research were discussed.

기계 학습과 주요 변수를 활용한 열병합발전 시스템 열 수요량 예측

안유선,김혜진,이상규,김병선 대한설비공학회 2019 설비공학 논문집 Vol.31 No.8

This study aimed to minimize the wasted heat by predicting the amount of heat energy consumed a day before heating. The flow rate and schedule variables data were measured in the apartment using cogeneration system. This study used ANN and SVM as machine learning prediction algorithms and was verified by CvRMSE and MBE based on the criteria provided by ASHRAE Guideline 14. As a result, ANN derived an error of CvRMSE 8.75% and MBE 7.13%, respectively. The SVM was classified into three cases, which satisfied all the criteria except for linear of CvRMSE. Thus, using the actual measured heating energy usage data, machine learning can be used to predict a reliable level of thermal energy usage. 본 연구 결과로 열 에너지 사용량을 미리 예측하여 하루 단위로 미리 운영 방식을 계획해 적용한다면 외기 온도를 이용하여 운전을 하는 기존과 달리, 계획적인 운전으로 열 에너지 공급과 사용량 차이를 최소화하여 환경적, 효율적으로 합리적인 결과를 도출할 수 있다. 또한 사용자의 만족도를 높일 뿐만 아니라 열 관리자에게 원활한 의사결정 판단에 도움을 줄 수 있다. 다만 본 연구 결과 도출을 위한 데이터 수집 시 스케줄 및 전날 열 에너지 사용량 데이터화는 실측 및 수기로 작성하기에 번거로움이 따른다. 또한, 예측 모델을 개발하는 기초 연구로서 열병합 발전시스템을 사용하는 특정 건물의 데이터를 사용하였는데 실증을 고려한 향후 연구에서는 특정 건물이 아닌 다양성이 확보된 연구로 진행되어야 한다. 본 연구의 결과는 실제 측정된 열 에너지 수요량 데이터를 활용해 신뢰할 수 있는 수준의 다음 날 열 에너지 수요량을 예측할 수 있었다. 향후 예측한 모델이 열병합 발전시스템에서 적용하여 낭비되는 폐열을 최소화하여 에너지 절약을 도모하고, 전날 측정 가능한 간단한 데이터들을 이용해 열 공급자들의 열량 예측 및 운영 계획에 편의를 기여할 것으로 기대한다.

도시 열섬 완화를 위환 쿨 루프 기초 요소 조사

안유선(Ahn, Yu-Sun),김혜진(Kim, Hye Jin),홍준(Hong, Jun),김혜원(Kim, Hye Won),김병선(Kim, Byungseon Sean) 대한건축학회 2018 대한건축학회 학술발표대회 논문집 Vol.38 No.2

초단기 기상 예보 데이터 기반 일사 계산을 통한 단기간 미래 건물 전력 소비량 예측

안유선(Yusun Ahn),이용준(Yong-jun Lee),오은주(Eun Joo Oh),김병선(Byungseon sean Kim) 대한설비공학회 2021 설비공학 논문집 Vol.33 No.3

With recent development of new and renewable systems and data processing technology, attention is being focused on the development of microgrid technology. One of key technologies of energy sharing is the prediction of power consumption of buildings for promoting economic and efficient energy use by providing decision making when sharing energy. Currently, studies that predict actual building power consumption by applying changed ultra-short weather forecast data from the Korea Meteorological Administration are insufficient. Studies that calculate and predict solar radiation without additional equipment are also insufficient. This study aims to predict power consumption of various buildings based on only meteorological data provided by the Korea Meteorological Administration. It is meaningful in that no additional devices are installed except for the power consumption data. Hourly solar radiation was derived using calculation formula. Accuracy was derived by applying meteorological data and calculated insolation as input data for predicting building power consumption. Solar radiation was derived with CVRMSE of 27.61%, MBE of -10.62%, and RMSE of 53.41 W/㎡ regarding the accuracy of calculated and measured data. Results of predicting building power consumption by applying input data to actual four buildings are presented by THE ASHRAE Guideline. They were found to fit the accuracy criterion.