http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
딥러닝을 활용한 가정 에너지 사용량 데이터로부터 재실자 행동 패턴 식별
고윤담(Yun-Dam Ko),신한솔(Hansol Shin),조성권(Seongkwon Cho),최영식(Youngsik Choi),박철수(Cheol-Soo Park) 한국통신학회 2021 한국통신학회 학술대회논문집 Vol.2021 No.2
재실자 행동(설정온도, 환기, 조명 조절 등)은 건물 에너지 사용량에 큰 영향을 미치며, 실제 사용량과 시뮬레이션 예측의 차이(Performance gap)를 유발한다. 최근 건물 시뮬레이션 학계는 데이터 기반 재실자 행동 모델을 개발하려는 노력이 활발하다. 재실자 행동 모델 개발을 위해서는 냉방 설정 온도, 냉방 개시 온도, 창문 개폐 등의 데이터 수집이 필요하지만, 이러한 데이터는 사생활 침해, 센서 설치 등의 문제로 수집이 쉽지 않다. 본 연구에서는 가정 전기 사용량 데이터에서 재실자 행동 패턴을 식별하는 딥러닝 기반 방법론을 제안한다. 서울 공동 주택 건물의 한 세대를 대상으로 동적 건물 시뮬레이션 툴인 EnergyPlus로 모델링 하였다. 실내 환경에 따른 3가지 재실자 행동 패턴(냉방 설정 온도[˚C], 냉방 개시 온도[˚C], 실내 CO<sub>2</sub> 농도[ppm]에 따른 창문 개폐)을 건물 에너지 모델과 연동하여 42,000개 샘플을 생성하였다. 생성된 데이터 셋으로 ResNet(Residual network) 모델을 훈련하고 검증하였다. 개발된 ResNet 모델은 시간별 전기 사용량 데이터로부터 재실자 행동 패턴을 충분히 정확히 식별할 수 있음을 보였다(정확도 = 86.5%).
강건 회귀 및 시계열 군집 분석 기반 건물 에너지 패턴 분류
이동혁(Yi, Dong-Hyuk),유영서(Yoo, Young-Seo),고윤담(Ko, Yun-Dam),조형곤(Jo, Hyeong-Gon),박철수(Park, Cheol-Soo) 대한건축학회 2020 대한건축학회 학술발표대회 논문집 Vol.40 No.2
For efficient energy management of building stocks, it is important to classify building energy pattern where dominant design variables could be identified. In this regard, the authors present a classification method of building energy pattern using RANSAC (robust regression) and K-shape algorithm (time series clustering). A reference office building was chosen and populated using the Sobol sequence method, resulting in 1,000 samples. Energy use data of 1,000 sample buildings were obtained from EnergyPlus simulations. The relationship between outdoor temperature and building energy use was selected as building energy pattern. It is shown that 1,000 buildings can be classified into two clusters (heating dominant vs. cooling dominant) and corresponding four architectural design variables.