[논문 리뷰] Times Series Forecasting for Urban Building Energy Consumption Based on Graph Convolutional Network

Yuqing Hu, Xiaoyuan Cheng외 4명|arXiv (Cornell University)|2021. 05. 27.

Energy Load and Power Forecasting참고 문헌 53인용 수 5

한 줄 요약

이 논문은 상호 건물 간 의존성과 시간-공간 역학을 포착함으로써 도시 건물 에너지 소비 예측을 향상시키기 위해 그래프 컬러지언 네트워크 기반 모델(ST-GCN)을 제안한다. 애틀랜타 시내 대학 캠퍼스에서 평가된 결과, ST-GCN 모델은 기존의 시계열 모델보다 우수한 정확도와 해석 가능성으로 뛰어난 성능을 보였다. 이는 내장된 물리적 지식 덕분이었다.

ABSTRACT

The world is increasingly urbanizing and the building industry accounts for more than 40% of energy consumption in the United States. To improve urban sustainability, many cities adopt ambitious energy-saving strategies through retrofitting existing buildings and constructing new communities. In this situation, an accurate urban building energy model (UBEM) is the foundation to support the design of energy-efficient communities. However, current UBEM are limited in their abilities to capture the inter-building interdependency due to their dynamic and non-linear characteristics. Those models either ignored or oversimplified these building interdependencies, which can substantially affect the accuracy of urban energy modeling. To fill the research gap, this study proposes a novel data-driven UBEM synthesizing the solar-based building interdependency and spatial-temporal graph convolutional network (ST-GCN) algorithm. Especially, we took a university campus located in downtown Atlanta as an example to predict the hourly energy consumption. Furthermore, we tested the feasibility of the proposed model by comparing the performance of the ST-GCN model with other common time-series machine learning models. The results indicate that the ST-GCN model overall outperforms all others. In addition, the physical knowledge embedded in the model is well interpreted. After discussion, it is found that data-driven models integrated engineering or physical knowledge can significantly improve the urban building energy simulation.

연구 동기 및 목표

• 기존의 도시 건물 에너지 모델이 동적인 비선형 상호 건물 간 의존성을 포착하지 못하는 한계를 해결하기 위해.
• 물리적 지식을 그래프 컬러지언 네트워크와 통합하여 개선된 정확도를 얻는 데이터 기반 모델을 개발하기 위해.
• 실제 도시 에너지 환경에서 기존의 시계열 기계학습 모델과 비교하여 제안된 ST-GCN 모델의 성능을 평가하기 위해.

제안 방법

• 태양 조사와 거리 기반으로 건물 간 관계를 나타내는 공간 그래프를 구축하여 물리적 상호의존성을 인코딩한다.
• 시간-공간 그래프 컬러지언 네트워크(ST-GCN)를 사용하여 건물 간의 시간적 동적 변화와 공간적 상관관계를 모델링한다.
• 애틀랜타 시내에 위치한 대학 캠퍼스의 시간별 에너지 소비 데이터를 기반으로 모델을 훈련시킨다.
• 태양 복사량과 건물 방향성 등의 물리적 지식을 그래프 구조에 통합하여 모델의 해석 가능성과 성능을 향상시킨다.
• ST-GCN 프레임워크는 이웃 건물의 특징을 시간에 따라 특징 집합 기반으로 집계하는 데 그래프 컬러지언 레이어를 사용한다.
• RMSE 및 MAE와 같은 지표를 사용하여 LSTM, GRU, XGBoost와 같은 표준 시계열 모델과의 성능 비교를 수행한다.

실험 결과

연구 질문

• RQ1 그래프 컬러지언 네트워크가 도시 에너지 소비 예측에서 상호 건물 간 의존성을 효과적으로 모델링할 수 있는가?
• RQ2 태양 조사 등의 물리적 지식 통합이 데이터 기반 에너지 모델의 정확도와 해석 가능성에 어떻게 기여하는가?
• RQ3 제안된 ST-GCN 모델이 도시 건물 에너지 소비 예측에서 기존의 시계열 모델을 능가하는가?

주요 결과

• ST-GCN 모델은 비교된 모든 모델 중에서 가장 낮은 RMSE와 MAE를 기록하여 뛰어난 예측 정확도를 입증했다.
• 그래프 구조에 물리적 지식을 통합함으로써 모델의 해석 가능성과 성능이 향상되었다.
• 기존의 모델이 표현하지 못한 복잡한 비선형 건물 간 의존성을 효과적으로 포착했다.
• 사례 연구에서 다양한 시간 간격과 기상 조건에 걸쳐 ST-GCN 모델이 뛰어난 강건성을 보였다.
• 공 ing 및 물리적 지식을 데이터 기반 모델에 통합하면 도시 에너지 시뮬레이션의 정확도가 크게 향상됨을 확인했다.