[논문 리뷰] Support Vector Machine in Prediction of Building Energy Demand Using Pseudo Dynamic Approach

Subodh Paudel, Phuong H. Nguyen외 4명|arXiv (Cornell University)|2015. 07. 17.

Building Energy and Comfort Optimization참고 문헌 19인용 수 31

한 줄 요약

이 논문은 고정밀도로 건물 에너지 수요를 예측하기 위해 의사동적 모델링과 동적 시간 왜곡(DTW)-기반 관련 일자 선택을 통합한 서포트 벡터 머신(SVM) 모델을 제안한다. 이 방법은 전체 데이터를 사용할 때의 학습 시간 116시간을 단 8분으로 단축시키면서도 열린성과 점유율 프로파일 전이를 포착함으로써 예측 성능을 향상시킨다.

ABSTRACT

Building's energy consumption prediction is a major concern in the recent years and many efforts have been achieved in order to improve the energy management of buildings. In particular, the prediction of energy consumption in building is essential for the energy operator to build an optimal operating strategy, which could be integrated to building's energy management system (BEMS). This paper proposes a prediction model for building energy consumption using support vector machine (SVM). Data-driven model, for instance, SVM is very sensitive to the selection of training data. Thus the relevant days data selection method based on Dynamic Time Warping is used to train SVM model. In addition, to encompass thermal inertia of building, pseudo dynamic model is applied since it takes into account information of transition of energy consumption effects and occupancy profile. Relevant days data selection and whole training data model is applied to the case studies of Ecole des Mines de Nantes, France Office building. The results showed that support vector machine based on relevant data selection method is able to predict the energy consumption of building with a high accuracy in compare to whole data training. In addition, relevant data selection method is computationally cheaper (around 8 minute training time) in contrast to whole data training (around 31 hour for weekend and 116 hour for working days) and reveals realistic control implementation for online system as well.

연구 동기 및 목표

• 최적의 에너지 관리를 위한 정확한 단기 건물 에너지 수요 예측에 도전한다.
• SVM와 같은 데이터 기반 모델이 학습 데이터 선택에 민감한 문제를 해결한다.
• 의사동적 접근을 통해 열적 관성과 점유율 역학을 에너지 예측에 통합한다.
• 실시간 건물 에너지 관리 시스템(BEMS)에 적합한 계산 효율성이 높고 온라인 기능을 갖춘 예측 시스템을 개발한다.

제안 방법

• 에너지 수요 예측을 위한 핵심 회귀 모델로 서포트 벡터 머신(SVM)을 사용한다.
• 목표 일자의 기상 및 점유율 패턴과 유사한 '관련 일자'를 식별하고 선택하기 위해 동적 시간 왜곡(DTW)을 적용한다.
• 에너지 소비와 점유율 프로파일의 시간적 전이를 포착하는 의사동적 모델을 통합한다.
• 전체 역사를 기반으로 한 데이터셋이 아닌, 선택된 관련 일자 데이터만을 사용해 SVM 모델을 학습시킨다.
• 관련 일자 선택 방법과 전체 역사를 기반으로 한 학습 간의 모델 성능 및 학습 시간을 비교한다.
• 검증 및 평가를 위해 낭스 공과대학의 오피스 빌딩에서 수집한 사례 연구 데이터를 사용한다.

실험 결과

연구 질문

• RQ1 DTW 기반의 관련 일자 선택은 건물 에너지 수요에 대한 SVM 예측 정확도를 향상시킬 수 있는가?
• RQ2 의사동적 모델링 접근법은 열적 관성과 점유율 영향을 어떻게 향상시킬 수 있는가?
• RQ3 관련 일자 사용과 전체 학습 데이터 사용 간에 예측 정확도와 계산 효율성 사이의 상충 관계는 어떠한가?
• RQ4 제안된 방법은 실무적인 BEMS 응용에서 실시간, 온라인 에너지 수요 예측을 가능하게 할 수 있는가?

주요 결과

• DTW 선택 기반의 관련 일자로 학습된 SVM 모델은 전체 데이터셋으로 학습한 모델보다 더 높은 예측 정확도를 달성했다.
• 관련 일자 방법을 사용할 경우 학습 시간이 약 8분으로 크게 단축되었으며, 전체 데이터 기반 학습 시 작업일 기준 116시간, 주말 기준 31시간과 비교해 압도적으로 빠르게 되었다.
• 의사동적 모델은 지연된 열적 영향과 점유율 프로파일 전이를 효과적으로 포착하여 예측의 현실성 향상을 이뤘다.
• 제안된 방법은 계산 효율성이 뛰어나 실시간 구현이 가능한 near real-time 구현이 가능하며, 온라인 건물 에너지 관리 시스템에 적합하다.
• DTW를 통한 시간적 유사성 기반 데이터 선택이 SVM 학습에 있어 전체 역사를 사용하는 것보다 더 효과적임을 입증했다.
• 정확도, 속도, 실용성의 균형을 고려할 때, 이 방법은 운영용 BEMS에의 구현 잠재력이 매우 높다.