[논문 리뷰] Development and application of a machine learning supported methodology for measurement and verification (M&V) 2.0

Colm Gallagher, Kevin Leahy외 3명|arXiv (Cornell University)|2018. 01. 24.

Building Energy and Comfort Optimization참고 문헌 27인용 수 6

한 줄 요약

이 논문은 기계학습 기반의 M&V 2.0 방법론을 제안하며, 산업 건물에 적용하여 특성 선택 및 회귀 모델(예: k-NN, ANN, SVM)을 사용해 에너지 절감량을 정확하게 정량화한다. 실제 사례 연구에서 604,527kWh의 절감량을 기록했으며, 68% 신뢰구간은 256,485–952,568kWh로, 열악한 데이터 및 제한된 미터링 조건에서도 뛰어난 성능을 입증했다.

ABSTRACT

The foundations of all methodologies for the measurement and verification (M&V) of energy savings are based on the same five key principles: accuracy, completeness, conservatism, consistency and transparency. The most widely accepted methodologies tend to generalise M&V so as to ensure applicability across the spectrum of energy conservation measures (ECM's). These do not provide a rigid calculation procedure to follow. This paper aims to bridge the gap between high-level methodologies and the practical application of modelling algorithms, with a focus on the industrial buildings sector. This is achieved with the development of a novel, machine learning supported methodology for M&V 2.0 which enables accurate quantification of savings. A novel and computationally efficient feature selection algorithm and powerful machine learning regression algorithms are employed to maximise the effectiveness of available data. The baseline period energy consumption is modelled using artificial neural networks, support vector machines, k-nearest neighbours and multiple ordinary least squares regression. Improved knowledge discovery and an expanded boundary of analysis allow more complex energy systems be analysed, thus increasing the applicability of M&V. A case study in a large biomedical manufacturing facility is used to demonstrate the methodology's ability to accurately quantify the savings under real-world conditions. The ECM was found to result in 604,527 kWh of energy savings with 57% uncertainty at a confidence interval of 68%. 20 baseline energy models are developed using an exhaustive approach with the optimal model being used to quantify savings. The range of savings estimated with each model are presented and the acceptability of uncertainty is reviewed. The case study demonstrates the ability of the methodology to perform M&V to an acceptable standard in challenging circumstances.

연구 동기 및 목표

• 복잡한 시스템과 열악한 데이터로 인해 전통적 방법이 실패하는 산업 건물에서 뚜렷하고 데이터 기반의 M&V 프로세스가 부족한 문제를 해결한다.
• 비거주용, 고복잡도 산업 에너지 시스템을 다룰 때 IPMVP 및 ASHRAE Guideline 14의 한계를 극복한다.
• 기계학습을 활용해 기준 모델 정확도와 불확실성 정량화를 향상시키는 예측형이며 계산 효율성이 높은 방법론을 개발한다.
• 제한된 미터링 인프라와 낮은 데이터 품질이 일반적인 산업 환경에서 신뢰할 수 있는 M&V를 가능하게 한다.
• 다양한 산업 에너지 절감 조치(ECM) 프로젝트와 호환되는 확장성 있고 투명하며 강건한 프레임워크를 제공한다.

제안 방법

• 가능한 에너지 및 운영 데이터에서 가장 관련성이 높은 예측 변수를 식별하기 위해 새로운 계산 효율성이 뛰어난 특성 선택 알고리즘을 사용했다.
• 시간대별 기준 기간 데이터를 기반으로 인공 신경망, 서포트 벡터 기반 기반, k-최근접 이웃, 일반 최소 제곱 회귀 등 다양한 기계학습 회귀 모델을 훈련시켰다.
• 모델 선택을 위해 철저한 접근 방식을 적용하여 20개의 별도 기준 모델을 평가하고 교차 검증 성능 기반으로 최적의 모델을 선정했다.
• 교차 검증(특히 10겹)을 통해 모델 불확실성을 추정하고, CV(RMSE)가 가장 낮은 모델을 선택하였으며, k-NN 모델의 경우 이 값은 11.23%였다.
• 선택된 모델을 사용해 보고 기간 동안의 에너지 소비를 정규화하여 조정된 기준 에너지 사용량을 추정하고 절감량 정량화를 가능하게 하였다.
• IPMVP 권장 방법을 사용해 불확실성 정량화를 수행하였으며, 절감량의 신뢰구간을 기준 추정치의 표준 오차의 두 배로 정의하였다.

실험 결과

연구 질문

• RQ1 제한된 미터링과 낮은 데이터 품질을 가진 산업 건물에서 기계학습 기반의 M&V 2.0 방법론이 신뢰성 있고 정확한 에너지 절감량 정량화를 달성할 수 있는가?
• RQ2 모델 선택 및 성능(예: CV(RMSE))이 최종 절감량 추정치와 관련된 불확실성에 어떤 영향을 미치는가?
• RQ3 전체 시설 수준의 데이터 기반 접근 방식이 기존의 시스템 중심 방법에 비해 복잡한 산업 환경에서 M&V 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 변동 요인과 완전하지 않은 데이터와 같은 실제 환경 조건에서도 이 방법론이 강건성과 신뢰성을 유지하는가?
• RQ5 정책 및 투자 목적에서 허용 가능한 불확실성 수준을 확보하면서도 추가적인 미터링 인프라의 필요성을 줄일 수 있는가?

주요 결과

• 최적의 기준 모델은 시간대별 데이터를 기반으로 훈련된 k-최근접 이웃(k-NN) 회귀 모델이었으며, 교차 검증된 평균 제곱근 오차(CV(RMSE))는 11.23%를 기록했다.
• 보고 기간 222일 동안의 총 에너지 절감량은 604,527kWh로 추정되었으며, 68% 신뢰구간은 256,485kWh에서 952,568kWh 사이였다.
• 20개의 모든 모델을 고려한 절감량 범위는 교차 검증 성능이 항상 절감량 추정치와 상관되지 않음을 시사했으며, 높은 절감량을 보고한 모델이 불확실성 기준을 충족할 경우 더 선호됨을 보여주었다.
• 최고 성능을 보인 모델(15분 주기)의 조정된 결정계수(R²)는 0.663이었으며, 이는 예측 변수와 냉각수 전기 부하 사이에 중간 정도이지만 통계적으로 유의미한 관계가 있음을 나타냈다.
• 이 방법론은 제한된 미터링, 데이터 품질 문제, 동적 요인 등 열악한 조건이 지속되는 실제 산업 시설에서도 M&V를 성공적으로 수행했으며, 도전적인 환경에서의 강건성을 입증했다.
• 이 접근 방식은 추가적인 미터링 인프라의 필요성을 크게 줄여 산업 에너지 프로젝트에서 정확한 M&V를 위한 자원 및 비용 장벽을 낮춘다.