[논문 리뷰] DECODE: Data-driven Energy Consumption Prediction leveraging Historical Data and Environmental Factors in Buildings

Aditya Mishra, Haroon R. Lone외 1명|arXiv (Cornell University)|2023. 09. 06.

Energy Load and Power Forecasting참고 문헌 38인용 수 5

한 줄 요약

이 논문은 역사적 에너지 소비, 점유율 동역학, 환경 요인(온도, 습도)을 통합하여 건물 에너지 소비 예측을 위한 데이터 기반 Long Short-Term Memory (LSTM) 모델인 DECODE를 제안한다. 이 모델은 실제 주거 및 상업용 건물에서 단기, 중기, 장기 예측 전반에 걸쳐 선형 회귀, 의사결정나무, 랜덤 포레스트보다 뛰어난 성능을 보이며, R² 점수 0.97과 평균 절대 오차(MAE) 0.007을 기록한다.

ABSTRACT

Energy prediction in buildings plays a crucial role in effective energy management. Precise predictions are essential for achieving optimal energy consumption and distribution within the grid. This paper introduces a Long Short-Term Memory (LSTM) model designed to forecast building energy consumption using historical energy data, occupancy patterns, and weather conditions. The LSTM model provides accurate short, medium, and long-term energy predictions for residential and commercial buildings compared to existing prediction models. We compare our LSTM model with established prediction methods, including linear regression, decision trees, and random forest. Encouragingly, the proposed LSTM model emerges as the superior performer across all metrics. It demonstrates exceptional prediction accuracy, boasting the highest R2 score of 0.97 and the most favorable mean absolute error (MAE) of 0.007. An additional advantage of our developed model is its capacity to achieve efficient energy consumption forecasts even when trained on a limited dataset. We address concerns about overfitting (variance) and underfitting (bias) through rigorous training and evaluation on real-world data. In summary, our research contributes to energy prediction by offering a robust LSTM model that outperforms alternative methods and operates with remarkable efficiency, generalizability, and reliability.

연구 동기 및 목표

• 다양한 소비 패턴을 보이는 주거 및 상업용 건물에 대해 강건하고 일반화 가능한 에너지 예측 모델을 개발하기 위해.
• 딥 러닝을 통해 순차적 데이터 의존성을 활용하여 기존 기계학습 모델보다 예측 정확도를 향상시키기 위해.
• 제한된 학습 데이터에서도 효과적인 성능를 확보할 수 있도록 모델 신뢰도 및 낮은 샘플 복잡도를 보장하기 위해.
• 실제 데이터셋을 통한 철저한 학습 및 평가를 통해 과적합 및 과소적합 문제를 해결하기 위해.
• 실제 빌딩 에너지 관리 시스템(BEMS)에의 구현을 고려한 단기, 중기, 장기 에너지 소비 예측을 가능하게 하기 위해.

제안 방법

• 제안된 DECODE 모델은 순차적 에너지 소비 데이터의 시간적 의존성을 포착하기 위해 Long Short-Term Memory (LSTM) 네트워크를 활용한다.
• 입력 특징으로는 역학적 에너지 소비, 실시간 점유율 수, 외부 온도, 습도, 캘린더 특징(예: 주중/주말)이 포함된다.
• 모델은 7개의 인도 대학 건물에서 확보한 실제 데이터셋을 기반으로 52개월 간의 에너지 데이터를 대상으로 엔드 투 엔드로 학습된다.
• 과적합 및 과소적합을 완화하기 위해 하이퍼파ram터 튜닝과 교차 검증이 적용되어 다양한 건물 유형 간 일반화를 보장한다.
• 성능 평가는 표준 회귀 지표인 R², 평균 절대 오차(MAE), 및 제곱근 평균 제곱 오차(RMSE)를 사용하여 평가된다.
• 모델은 단기, 중기, 장기 예측 수준을 모두 아우르는 다양한 예측 수평에서 테스트되어, 예측 기간에 대한 유연성을 입증한다.

실험 결과

연구 질문

• RQ1 LSTM 기반 모델은 다양한 건물 유형에서 전통적 기계학습 모델(예: 선형 회귀, 랜덤 포레스트)보다 건물 에너지 소비 예측 성능을 뛰어나게 할 수 있는가?
• RQ2 특히 편향과 분산 제어 측면에서, 제한된 데이터셋으로 학습했을 경우 모델의 성능은 어떠한가?
• RQ3 점유율 동역학 및 환경 요인의 포함이 예측 정확도 향상에 어느 정도 기여하는가?
• RQ4 왜 일부 건물, 예를 들어 시설 건물 및 여자 기숙사에서는 모델 성능이 낮게 나타나는가?
• RQ5 다른 소비 패턴을 보이는 주거 및 상업용 건물 간에 일반화가 가능한가?

주요 결과

• 제안된 LSTM 모델은 모든 건물에서 가장 높은 R² 점수 0.97과 가장 낮은 평균 절대 오차(MAE) 0.007을 기록하여 선형 회귀, 의사결정나무, 랜덤 포레스트를 모두 앞선다.
• 전체 데이터셋의 10%만으로도 모델은 강력한 성능 유지를 보이며, R² 0.83과 MAE 0.05를 기록하여 제한된 학습 데이터에 대한 강건성을 입증한다.
• 모델은 단기, 중기, 장기 예측 수준 전반에서 뛰어난 성능을 보이며, 이는 그 유연성과 신뢰성의 근거가 된다.
• 건물 유형에 따라 성능이 다름: 명확한 사용 패턴을 보이는 건물(예: 도서관, 학술 건물)에서는 가장 높은 정확도를 기록하지만, 비정규적 또는 비결정론적 소비 패턴을 보이는 건물(예: 시설 건물, 여자 기숙사)에서는 성능이 낮아진다.
• 시설 건물 및 여자 기숙사에서의 낮은 성능는 에너지 소비와 점유율, 온도 등의 입력 특징 간 일관되지 않은 상관관계 때문으로 분석된다.
• 모델은 시간이 지남에 따라 동적으로 적응하며, 예측 오차에서 학습하여 새로운 데이터에 대한 지속적인 추론을 통해 정확도를 향상시킨다.