1. 캠퍼스 내 건물별 전력 사용량 예측 모델 개발 및 시각화
2021년 11월 26일
<I.E>
김수희, 김종은, 이하은, 이호연
인천대학교 산업경영공학과
2. 목차
I. 연구 배경 및 목적
II. 관련 연구
III. 제안 기법
IV. 실험 환경
V. 연구 결과
VI. 결론
2
3. 1. 연구 배경 및 목적
● 스마트 에너지 캠퍼스 도입 확산
○ 캠퍼스 내에서 소비되는 에너지가 매년 증가함에 따라 에너지 소비 절감,
온실가스 배출 감소, 신재생 에너지 등 에너지 절감 산업에 대한
관심이 증가됨
○ 캠퍼스 내 소비 에너지 관리 및 절감을 위한 스마트 에너지 캠퍼스 도입 확산
○ 에너지의 효율적인 관리를 위해 에너지관리시스템(EMS), 최적 제어 시스템,
스마트 그리드 등의 시스템 활용이 증가됨
○ 효과적인 시스템 활용을 위해서는 캠퍼스 내에서 소비되는 에너지의
많은 부분을 차지하는 건물 에너지에 대한 정확한 수요 예측이 필요함
○ 그 중에서도 특히, 피크시간대의 부하 예측은 피크시간 에너지 감소 및
캠퍼스 내 에너지 관리에 중요한 요소로 고려됨
에너지관리시스템(EMS)
신재생 에너지
부하의
최적제어를 통한
전력 소모 감축
스마트 그리드
온실가스 배출 감소
출처: 인천대학교 캠퍼스 맵
출처: 그린포스트코리아
3
4. 2. 관련 연구
Index Title
Smart Energy
Campus
Peak-time
Prediction
Deep
Learning
1 A Study on Deep Learning Input Pattern for Summer Power Demand Prediction X X O
2
LSTM Based Method for Photovoltaic Power Prediction in Peak Times Without Future Meteorological
Information
X O O
3 Analysis of Load Forecasting Error For Improving the Accuracy of the Short-term Load Forecasting X X X
4
Power Consumption Forecasting Scheme for Educational Institutions Based on Analysis of Similar
Time Series Data
O X X
5 전력피크의 추정 및 예측에 대한 연구 X O X
6 AI-Based Campus Energy Use Prediction for Assessing the Effects of Climate Change O X O
7 AI-Based Campus Energy Use Prediction for Assessing the Effects of Climate Change O X O
8
An Electric Load Forecasting Scheme for University Campus Buildings Using Artificial Neural
Network and Support Vector Regression
O X O
● 캠퍼스내 건물의 전력 소비량을 예측한 연구가 활발하게 이루어지고 있지만, 다음과 같은 한계점이 존재
○ 기후 정보를 활용하여 건물별 전력 소비량을 예측한 연구는 많지만, 계절성 정보는 고려하지 않음
○ 전력 소비량이 많은 대학교 캠퍼스 건물 전력 예측이 중요함에도 불구하고 일반 건물에 대한 전력 소비량 예측에 대한 연구가 주로
이루어지고 있음
○ 따라서, 본 연구에서는 기후 및 계절 정보를 이용하여 대학교 캠퍼스 건물 전력 소비량 예측 모델을 개발하고자 함
4
5. 3. 제안 기법
Energy Data
건물별 피크시간 전력 소비량 예측 모델 개발
– 기후 정보
기온, 습도, 풍속, 전운량, 일사
– 계절 정보
월(month), 요일
데이터 수집 및 전처리 Feature Extraction
건물별 1시간 주기 전력소
비량 데이터
주요 인자
Input and output
values
GRU
LSTM
Neural Networks
Recurrent
Neural Networks
예측 성능 분석
ANN
DNN
전력 소비량 모니터링
대시보드를 통한 실시간
전력 모니터링
예측되는 피크시간 전력
소비량 모니터링
Machine Learning
Local Models
건물별로 독립적인
전력 소비량 예측
모델 개발
SVR
성능 및 소비량 모니터링
– Train : 2019.12 ~ 2021.07 (532일)
– Test : 2019.12 ~ 2021.07 기간 내
2020.03 14 일
2020.07 14 일
2020.09 14 일
2020.12 14 일
Train vs Test 데이터
Meteorological Data
기온(℃)
일사량(MJ/m2)
전운량(10분위)
강수량(mm)
…
28 일
모형 평가 및 비교
성능지표
: MAE, RMSE, MAPE
0
20
40
60
80
100
120
140
160
180
200
2019-12-19 0:00
2019-12-19 1:00
2019-12-19 2:00
2019-12-19 3:00
2019-12-19 4:00
2019-12-19 5:00
2019-12-19 6:00
2019-12-19 7:00
2019-12-19 8:00
2019-12-19 9:00
2019-12-19 10:00
2019-12-19 11:00
2019-12-19 12:00
2019-12-19 13:00
2019-12-19 14:00
2019-12-19 15:00
2019-12-19 16:00
2019-12-19 17:00
2019-12-19 18:00
2019-12-19 19:00
2019-12-19 20:00
2019-12-19 21:00
2019-12-19 22:00
2019-12-19 23:00
Electricity (kWh)
TIME
(1
hour)
직전시간
Input(43)
Peak
시간
전력
사용량(5)
Hidden(64)
Hidden(32)
Hidden(256)
Hidden(128)
1
2
3
4
5
요일
계절
40
-3
6
14
0
0
45
0
0
0
4
6
50
4
5
6
0
0
130
6
7
0
5
1
140
6
7
0
5
1
5
0
0
0
0
0
0
0
0
0
0
0
1
피크 시간
직전 시간
…
해당
시간의
기후
정보
기온
풍속
습도
일사
전운량
전력량 (kWh)
06시
전력량
07시
전력량
08시
전력량
09시
전력량
10시
전력량
요일 월 화 수 목 금 토 일
값 0 1 2 3 4 5 6
요일 정보
계절 정보 (월)
월 1 2 3 4 5 6 7 8 9 10 11 12
One-Hot
Encoding
전력량 140 160 120 145 150
시간 11 12 13 14 15
06시 07시 08시 09시 10시
11시 12시 13시 14시 15시
전력량 기후 요일 계절
150 -3 2 42 0 0 4 …
구현모델의 레이어 구성
레이어깊이 2층
학습대상 가중치수 207,489개
피크시간 전력 사용량 (5)
직전시간 Input (475 x 5 x 19)
● 연구 개요(Framework)
5
6. 3. 제안 기법
6
Categories Features
Inputs
기후 및 계절성 정보
기온
풍속
습도
일사량
전운량
요일
월
피크 이전시간
전력 소비량
전력 소비량
Output
피크시간
전력 소비량
예측되는
전력 소비량
● 본 연구에서 고려한 입력 및 출력 값 정보
피크 이전시간
피크시간
10. 4. 실험 환경
● 데이터셋
○ Training dataset : 2019.12.01 ~ 2021.07.16 (532일) – Test dataset(56일) = 476일
○ Test dataset : 2020-03-10 ~ 2020-03.23 (봄)
2020-07-10 ~ 2020-07.23 (여름)
2020-09-10 ~ 2020-09.23 (가을)
2020-12-10 ~ 2020-12.23 (겨울)
● 평가 지표
○ MAE (Mean Absolute Error)
실제 값과 예측 값의 평균 오차를 나타냄
○ RMSE (Root Mean Squared Error)
실제 값과 예측 값의 오차 제곱의 평균 실제 값과 예측 값의 차이가 클수록 오차 값을 크게 평가함
○ MAPE (Mean Absolute Percentage Error)
실제 값 대비 실제 값과 예측 값의 오차 비율 실제 값들의 크기가 달라도 예측오차를 객관적으로 평가함
○ 𝑹𝟐
(R-squared)
예측 값이 실제 값에 대한 설명력을 평가
56일
10
11. 5. 연구 결과
● 예측모델별 결과
건물명
SVR ANN DNN GRU LSTM
MAE RMSE MAPE R2 MAE RMSE MAPE R2 MAE RMSE MAPE R2 MAE RMSE MAPE R2 MAE RMSE MAPE R2
1호관 17.60 23.34 7.02 0.81 15.88 21.33 6.77 0.84 15.05 20.2 6.42 0.85 14.23 19.44 6.03 0.87 13.62 19.09 5.81 0.87
5호관 24.78 30.7 44.1 0.85 16.41 23.24 21.57 0.90 12.31 17.47 15.53 0.94 13.70 19.5 19.46 0.93 10.59 16.59 12.84 0.95
12호관 21.19 27.11 8.87 0.89 20.79 29.34 8.63 0.87 20.03 27.35 8.28 0.88 20.26 26.98 8.91 0.88 18.42 26.32 7.64 0.89
27호관 8.21 10.45 11.78 0.79 7.30 9.62 10.13 0.81 7.28 9.43 10.39 0.81 6.57 8.47 9.68 0.85 6.00 7.86 8.53 0.87
Avg 17.95 22.90 17.94 0.84 15.10 20.88 11.78 0.86 13.67 18.61 10.16 0.87 13.69 18.60 11.02 0.88 12.16 17.47 8.71 0.90
비교
모델
MAPE 개선율(%) RMSE 개선율(%)
SVR 105.97 31.08
ANN 35.25 19.52
DNN 16.65 6.53
GRU 26.52 6.49
• LSTM 모델이 SVR, ANN, DNN, GRU에 비해 모든 평가 지표에서 가장 좋은 성능을 보임
• 4개 건물 평균에 대한 성능 평과 결과, MAPE 관점에서 LSTM 모델이 SVR모델 대비
105.97% 성능 향상 전력 소비량 낮을 때도 잘 예측
• RMSE 관점에서 LSTM이 가장 좋은 성능을 보임 특히, 실제 전력량 높을 때 잘 예측
11
12. 5. 연구 결과
● 예측 모델별 잔차도(Residual)
● 실제 값과 예측 값과의 차이를 나타냄
12
13. 5. 연구 결과
● 계절별 예측 결과 분석 (LSTM)
○ MAE, RMSE, MAPE 세가지 예측오차 모두 여름에 가장 높고 봄에 가장 낮음
0
10
20
30
40
봄 여름 가을 겨울
MAE
계절
계절별 예측오차(MAE)
0
10
20
30
40
봄 여름 가을 겨울
RMSE
계절
계절별 예측오차(RMSE)
0
5
10
15
20
봄 여름 가을 겨울
MAPE
계절
계절별 예측오차(MAPE)
○ 여름이 다른 계절에 비해 시간당 전력 소비량의 변화가 가장 심함
1호관
5호관
12호관
27호관
7시 8시 9시 10시 11시 12시 13시 14시 15시
겨울 5.07 1.86 8.21 4.15 1.35 -0.28 3.93 -2.36 3.78
-12
-8
-4
0
4
8
12
7시 8시 9시 10시 11시 12시 13시 14시 15시
가을 -1.85 -3.25 11.71 4.18 4.36 -2.83 2.79 0.61 6
-12
-8
-4
0
4
8
12
7시 8시 9시 10시 11시 12시 13시 14시 15시
여름 -1 0 9 1.64 12 -10.14 4.07 2.71 -0.14
-12
-8
-4
0
4
8
12
7시 8시 9시 10시 11시 12시 13시 14시 15시
봄 -2.68 4.71 4.25 3.18 -2.07 -1.64 -0.82 0.68 -0.08
-12
-8
-4
0
4
8
12
봄
12
8
4
0
-4
-8
-12
시간
봄 여름 가을 겨울
1시간
전과의
전력량
차이
피크 시간
피크 이전 시간
13
14. 5. 연구 결과
● 대시보드를 통한 실시간 전력 및 피크시간대 예측 소모량 모니터링
● 스마트 캠퍼스의 효율적인 운영에 도움 관리자의 가독성 향상 및 부하 모니터링 가능
14
캠퍼스 맵 위에
에너지 사용량
모니터링 실행중인
건물을 노드
형식으로 표현
해당 지역의
기후 정보
캠퍼스 내 모든
건물의 월별 전력
사용량(합계)
당일 건물 별 전력
사용량(합계)
캠퍼스 전체의
실시간 전력
사용량 합계
15. 5. 연구 결과
● 각 건물의 전력 사용량 정보를 모니터링 하여 부하 관리 및 중단기 에너지 소비 계획 수립 가능
15
해당 건물의 시간별
전력 사용량,
피크시간 전력 예측량,
예측 오차
해당 건물의
월간 누적
전력 사용량
해당 건물의
전년 대비 10일단
전력 사용량
16. 6. 결론
● 피크 이전시간의 전력 소비량과 기후정보를 사용하여 딥러닝 기반의 캠퍼스 내 4개 건물의 피크시간 전력 소비량
예측모델 개발
● 본 연구에서 제안한 모델의 성능을 평가하기 위해 계절별 전력 소비량 실제 데이터를 사용
● 본 연구에서 제안한 LSTM 기반의 모델 계절과 관계없이 높은 성능을 보임
● 특히, MAPE, RMSE에서 우수한 성능을 보임
○ MAPE 관점 실제 전력 값이 작은 경우에 좋은 성능을 나타냄을 확인
○ RMSE 관점 실제 전력 값이 큰 경우에도 예측 값이 크게 벗어나지 않고 좋은 예측성능을 보임
● 따라서, 본 연구에서 제안한 모델을 통해 스마트 캠퍼스의 효율적인 운영을 위한 부하 모니터링 및 제어에 도움을
줄 수 있을 것으로 기대됨
● 향후 적용방향
○ 다양한 부하 발생지점(냉방기, 난방기)에 센서를 설치하여 예측 분야를 세분화 시켜 예측에 적용
○ 신재생에너지(태양열, 지열)를 통한 전기 생산이나 ESS를 통해 발전된 전기를 저장하는 시스템이 존재한다면 대시보드를 통해 발전량 및 저장상태를
모니터링 가능할 것으로 기대됨
16