KR101762061B1 - 클라우드 기반 에너지 사용량 예측 시스템 및 방법 - Google Patents

클라우드 기반 에너지 사용량 예측 시스템 및 방법 Download PDF

Info

Publication number
KR101762061B1
KR101762061B1 KR1020160007111A KR20160007111A KR101762061B1 KR 101762061 B1 KR101762061 B1 KR 101762061B1 KR 1020160007111 A KR1020160007111 A KR 1020160007111A KR 20160007111 A KR20160007111 A KR 20160007111A KR 101762061 B1 KR101762061 B1 KR 101762061B1
Authority
KR
South Korea
Prior art keywords
building
individual
group
prediction
prediction model
Prior art date
Application number
KR1020160007111A
Other languages
English (en)
Other versions
KR20170080384A (ko
Inventor
이재중
구경호
이재만
Original Assignee
주식회사 포스코아이씨티
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 포스코아이씨티 filed Critical 주식회사 포스코아이씨티
Publication of KR20170080384A publication Critical patent/KR20170080384A/ko
Application granted granted Critical
Publication of KR101762061B1 publication Critical patent/KR101762061B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • A—HUMAN NECESSITIES
    • A43—FOOTWEAR
    • A43C—FASTENINGS OR ATTACHMENTS OF FOOTWEAR; LACES IN GENERAL
    • A43C15/00—Non-skid devices or attachments
    • A43C15/12—Small releasable non-slip straps
    • A—HUMAN NECESSITIES
    • A43—FOOTWEAR
    • A43C—FASTENINGS OR ATTACHMENTS OF FOOTWEAR; LACES IN GENERAL
    • A43C15/00—Non-skid devices or attachments
    • A43C15/02—Non-skid devices or attachments attached to the sole
    • A—HUMAN NECESSITIES
    • A43—FOOTWEAR
    • A43C—FASTENINGS OR ATTACHMENTS OF FOOTWEAR; LACES IN GENERAL
    • A43C15/00—Non-skid devices or attachments
    • A43C15/06—Ice-gripping devices or attachments, e.g. ice-spurs, ice-cleats, ice-creepers, crampons; Climbing devices or attachments, e.g. mountain climbing irons
    • A43C15/061—Ice-gripping devices or attachments, e.g. ice-cleats, ice-creepers
    • A—HUMAN NECESSITIES
    • A43—FOOTWEAR
    • A43C—FASTENINGS OR ATTACHMENTS OF FOOTWEAR; LACES IN GENERAL
    • A43C15/00—Non-skid devices or attachments
    • A43C15/10—Non-skid attachments made of wire, chain, or other meshed material
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/14—Payment architectures specially adapted for billing systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Accounting & Taxation (AREA)
  • Computer Hardware Design (AREA)
  • Finance (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 클라우드 기반 에너지 사용량 예측 시스템 및 방법에 관한 것이다.
본 발명의 일 형태에 따른 클라우드 기반 에너지 사용량 예측 시스템은, 빌딩에 구비된 적어도 하나의 개별 설비에 대한 설비상태정보를 제공하는 적어도 하나의 설비 관리 장치; 상기 적어도 하나의 설비 관리 장치 및 상기 빌딩 중 적어도 하나와 관련된 빅데이터를 제공하는 클라우드 서버; 및 상기 설비상태정보 및 빅데이터를 수신하여, 상기 적어도 하나의 개별 설비 및 상기 빌딩에 대한 에너지 사용량을 예측하는 에너지 관리 장치를 포함하는 것을 특징으로 한다.

Description

클라우드 기반 에너지 사용량 예측 시스템 및 방법 {System and method for predicting energy consumption based on cloud}
본 발명은 클라우드 기반 에너지 사용량 예측 시스템 및 방법에 관한 것으로, 보다 상세하게는 클라우드 기반 빅데이터(big data)를 활용하여 건물, 공장 등에서 소비되는 에너지 사용량을 예측하고 관리하는 클라우드 기반 에너지 사용량 예측 시스템 및 방법에 관한 것이다.
BEMS(Building Energy Management System)는 건물, 공장 등에서 소비되는 에너지 사용량을 예측하고 이를 효율적으로 관리하는 시스템이다.
종래기술에 따른 BEMS의 에너지 사용량 예측 방법은 예컨대 건물, 공장 등에서 가동되고 있는 개별 설비(냉동기, 열교환기, 냉각탑 등)의 가동상태, 가동시간 등과 같은 운영정보와 외기 온도, 습도 등과 같은 기상정보에 기초하여 개별 설비의 에너지 사용량을 예측하였으며, 그리고 이들 개별 설비의 에너지 사용량 예측값들을 단순 합산하여 빌딩에서 소비되는 총 에너지 사용량을 예측하였다.
그러나, 종래기술에 따른 BEMS의 에너지 사용량 예측 방법은 개별 설비에 대한 에너지 사용량 예측값들 사이에 상관관계를 전혀 고려하지 않아 예측 정확도가 다소 떨어졌으며, 이에 따라 건물, 공장 등에서 소비되는 총 에너지 사용량 예측값도 정확도가 떨어져 에너지 관리 시스템의 효율이 상대적으로 떨어졌다.
또한, 종래기술에 따른 에너지 사용량 예측 방법은 과거 데이터를 기반으로 에너지 사용량 예측값을 생성하기 때문에, 개별 설비와 관련하여 실시간으로 변화되는 다양한 요인들을 고려하지 않아 예측 정확도가 시간이 지날수록 떨어지게 되며, 특히 냉난방의 전력소비량이 많아지는 계절인 여름과 겨울에 오차가 커지면 사용자에게 효율적인 에너지 사용량 예측 기능을 제공할 수 없는 문제점이 있었다.
한국 공개특허공보 제10-2014-0116619호
본 발명은 전술한 바와 같은 문제점을 해결하기 위해 창안된 것으로, 본 발명의 목적은 클라우드 기반 빅데이터를 활용하여 개별 설비와 관련하여 실시간으로 변화되는 다양한 요인들을 반영함으로써 건물, 공장 등(이하 '빌딩'이라 함)에서 소비되는 에너지 사용량을 보다 정확하게 예측하는 클라우드 기반 에너지 사용량 예측 시스템 및 방법을 제공하는 것이다.
본 발명의 다른 목적은 빌딩에서 가동되고 있는 개별 설비에 대한 에너지 사용량 사이에 상관관계를 분석하여 에너지 사용량에 대한 예측 정확도를 높일 수 있는 클라우드 기반 에너지 사용량 예측 시스템 및 방법을 제공하는 것이다.
상기 목적을 위하여, 본 발명의 일 형태에 따른 클라우드 기반 에너지 사용량 예측 시스템은, 빌딩에 구비된 적어도 하나의 개별 설비에 대한 설비상태정보를 제공하는 적어도 하나의 설비 관리 장치; 상기 적어도 하나의 설비 관리 장치 및 상기 빌딩 중 적어도 하나와 관련된 빅데이터를 제공하는 클라우드 서버; 및 상기 설비상태정보 및 빅데이터를 수신하여, 상기 적어도 하나의 개별 설비 및 상기 빌딩에 대한 에너지 사용량을 예측하는 에너지 관리 장치를 포함하는 것을 특징으로 한다.
그리고, 본 발명의 일 실시예에 따른 클라우드 기반 에너지 사용량 예측 시스템을 위한 에너지 관리 장치는, 클라우드 서버로부터 전송된 정보를 분석하는 데이터 분석부; 및 빌딩에 구비된 적어도 하나의 개별 설비에 대한 예측모델 및 상기 빌딩에 대한 예측모델을 설정하고, 상기 데이터 분석부에서 분석된 결과에 기초하여 상기 적어도 하나의 개별 설비에 대한 예측모델 및 상기 빌딩에 대한 예측모델을 시뮬레이션하여 에너지 사용량을 예측하는 예측모델 관리부를 포함하는 것을 특징으로 한다.
한편, 본 발명의 일 실시예에 따른 클라우드 기반 에너지 사용량 예측 방법은, 빌딩에 구비된 적어도 하나의 개별 설비에 대한 예측모델 및 상기 빌딩에 대한 예측모델을 설정하는 단계; 클라우드 서버로부터 전송된 정보에 기초하여, 상기 적어도 하나의 개별 설비에 대한 예측모델을 시뮬레이션하여 상기 적어도 하나의 개별 설비에 대한 에너지 사용량을 1차 예측하는 단계; 상기 적어도 하나의 개별 설비에 대한 에너지 사용량 1차 예측 결과에 기초하여, 상기 빌딩에 대한 예측모델을 시뮬레이션하여 상기 빌딩에 대한 에너지 사용량을 1차 예측하는 단계; 및 상기 적어도 하나의 개별 설비 및 상기 빌딩에 대한 에너지 사용량 1차 예측 결과에 기초하여 도출된 보정 변수를 반영하여, 상기 적어도 하나의 개별 설비 및 상기 빌딩에 대한 에너지 사용량을 최종 예측하는 단계를 포함하는 것을 특징으로 한다.
본 발명에 따르면, 클라우드 기반 빅데이터를 활용하여 개별 설비와 관련하여 실시간으로 변화되는 다양한 요인들을 반영함으로써 빌딩에서 소비되는 에너지 사용량을 보다 정확하게 예측하고 이에 따른 최적의 설비운전 가이던스(guidance)를 제공함으로써 에너지를 효율적으로 관리할 수 있는 효과를 가진다.
그리고, 본 발명에 따르면, 빌딩에서 가동되고 있는 개별 설비들에 대한 에너지 사용량 사이에 상관관계를 분석하여 이를 반영함으로써 에너지 사용량에 대한 예측 정확도를 더욱더 높일 수 있는 효과를 가진다.
도 1은 본 발명의 일 실시예에 따른 클라우드 기반 에너지 사용량 예측 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 에너지 관리 장치의 구성도이다.
도 3은 본 발명의 일 실시예에 따른 예측모델 관리부의 구성도이다.
도 4는 본 발명의 일 실시예에 따른 클라우드 기반 에너지 사용량 예측 방법의 흐름도이다.
도 5는 도 4의 단계 S410에 대한 상세 흐름도이다.
도 6은 도 4의 단계 S420에 대한 상세 흐름도이다.
도 7은 도 4의 단계 S430에 대한 상세 흐름도이다.
도 8은 도 4의 단계 S440에 대한 상세 흐름도이다.
이하에서는 첨부 도면 및 바람직한 실시예를 참조하여 본 발명을 상세히 설명한다. 참고로, 하기 설명에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략한다.
먼저, 도 1은 본 발명의 일 실시예에 따른 클라우드 기반 에너지 사용량 예측 시스템의 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 클라우드 기반 에너지 사용량 예측 시스템은 적어도 하나의 설비 관리 장치(110, 120, 130), 클라우드 서버(200), 에너지 관리 장치(300) 등을 포함한다.
설비 관리 장치(110, 120, 130)는 빌딩에 구비된 개별 설비들을 관리하는 장치이다. 빌딩에 구비되는 개별 설비의 예로는 냉동기, 열교환기, 냉각탑, 에어컨, 조명, 출입문, 승강장, 주차장 등 다양하며, 설비 관리 장치(110, 120, 130)는 해당 빌딩에 구비된 개별 설비로부터 가동상태, 가동시간 등의 정보를 직접 수신하거나 또는 빌딩에 설치된 각종 센서로부터 개별 설비의 가동상태 등을 센싱하여 개별 설비와 관련된 상태 정보(이하, '설비상태정보'라 함)를 수집하고 관리한다. 그리고, 설비 관리 장치(110, 120, 130)는 이와 같이 수집된 설비상태정보를 클라우드 서버(200)를 통해 에너지 관리 장치(300)로 전송한다. 물론, 설비상태정보는 설비 관리 장치(110, 120, 130)에서 직접 에너지 관리 장치(300)로 전송되도록 구현될 수도 있다.
참고로, 하기 표 1은 설비 관리 장치(110, 120, 130)와 에너지 관리 장치(300) 사이의 구체적인 데이터 연계를 예시한 것이다.
[표 1]
Figure 112016006586040-pat00001

한편, 클라우드 서버(200)는 설비 관리 장치(110, 120, 130)로부터 전송되는 설비상태정보를 포함하여 클라우드 서비스(cloud service) 환경에서 얻을 수 있는 다양한 정보(이하 '빅데이터'라 한다)를 수집하고 제공하는 장치이다.
빅데이터는 예컨대, 빌딩에 근무하거나 현재 위치하고 있는 사용자의 단말기(예, 스마트폰)로부터 전송되는 정보, 빌딩과 관련성이 있는 인터넷 상의 정보, 에너지와 관련성이 있는 인터넷 상의 정보 등을 포함하며, 특히 본 발명의 경우, 현재 빌딩 내부에 있는 사람들의 수 및 구체적 위치와 관련된 빌딩인적현황정보, 빌딩이 위치하는 장소의 날씨, 온도, 습도 및/또는 빌딩 내부의 온도, 습도 등과 관련된 빌딩환경정보, 빌딩의 위치, 방향, 외장, 단열, 창문, 열용량(heat capacity) 등에 따른 빌딩 고유의 에너지 효율과 관련된 빌딩에너지특성정보, 빌딩의 사용 목적, 용도, 업종 등과 관련된 빌딩업종정보, 에너지 자원별 효율, 전력단가 등과 관련된 에너지자원정보 등을 포함한다.
그리고, 에너지 관리 장치(300)는 예컨대 소정 지역(region)의 전체 빌딩(건물, 공장 등)을 관리하는 에너지 통합관리 센터에 구비되어, 클라우드 서버(200)로부터 빌딩과 관련된 다양한 정보(예, 설비상태정보, 빌딩인적현황정보, 빌딩환경정보, 빌딩에너지특성정보, 빌딩업종정보, 에너지자원정보)를 수신하고 이에 기초하여 빌딩 전체 및/또는 개별 설비에 대한 에너지 사용량을 예측한다. 그리고, 에너지 관리 장치(300)는 에너지 사용량 예측값에 기초하여 설비운전 가이던스를 생성하고 이를 개별 설비 관리 장치(110, 120, 130)로 전송함으로써 빌딩 전체 및/또는 개별 설비에서 소비되는 에너지를 효율적으로 관리한다.
구체적으로, 에너지 관리 장치(300)는 클라우드 기술을 이용하여 고객 관점에서 저비용으로 고품질의 서비스를 제공하며, 소정 지역 내 빌딩들의 에너지 소비 상황을 실시간으로 감시하고, 빅데이터 분석 기술을 적용하여 동종 업종별 단위 빌딩 에너지 사용량 예측모델 및 단위 설비별 에너지 사용량 예측모델을 적용하여 분석 및 예측을 수행한다. 그리고, 빌딩 군으로 등록된 빌딩들을 가시화하고 각 빌딩에서 소비하고 있는 에너지원 소비현황을 모니터링하며, 이에 의해 특정 지역 내에서 소비되는 전체 에너지량을 산출할 수 있다.
이와 관련하여, 도 2는 본 발명의 일 실시예에 따른 에너지 관리 장치의 구성도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 에너지 관리 장치(300)는 예측모델 관리부(310), 데이터 분석부(320), 데이터 저장부(330), 디스플레이부(340), 통신부(350) 등을 포함한다.
예측모델 관리부(Prediction Model Manager)(310)는 클라우드 서버(200)를 통해 수집된 다양한 정보에 기초하여 빌딩에 구비된 개별 설비에 대한 예측모델(이하 '개별 설비 예측모델'이라 함) 및 빌딩 전체에 대한 예측모델(이하 '빌딩 예측모델'이라 함)을 시뮬레이션하여 에너지 소비량을 예측하고 절감항목과 가이던스를 생성하여 효율적인 빌딩 내 설비 운용 계획, 변경 등을 수행한다.
이와 관련하여, 도 3은 본 발명의 일 실시예에 따른 예측모델 관리부의 구성도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 예측모델 관리부(310)는 라이프사이클(Life Cycle) 관리 모듈(311), 상관관계 설정 모듈(312), 입출력 변수 관리 모듈(313), 보정 변수 관리 모듈(314), 필터링 모듈(315), 시뮬레이션 모듈(316), 단위 통합 모듈(317), MES 연동 모듈(318) 등을 포함한다.
라이프사이클 관리 모듈(311)은 적어도 하나의 개별 설비(하위레벨) 예측모델 및/또는 빌딩(상위레벨) 예측모델의 생성, 수정, 삭제 등 라이프사이클을 관리한다. 라이프사이클 관리 모듈(311)은 예컨대 예측모델 생성시 개별 설비 예측모델들을 우선순위화하고 관련 예측모델들을 결합하여 하나의 상위레벨 예측모델로 정의할 수 있다.
상관관계 설정 모듈(312)은 개별 설비 예측모델들 및/또는 빌딩 예측모델 사이에 상관관계를 분석하여 상관계수를 설정한다. 상관관계 분석은 예컨대, 각 예측모델의 입출력 변수들에 대해 피어슨 상관분석(Pearson correlation analysis), 스피어맨 순위상관분석(Sprearman's rank correlation analysis), 편상관분석(Partial correlation analysis) 등을 이용하여 수행될 수 있다.
입출력 변수 관리 모듈(313)은 개별 설비 및/또는 빌딩 예측모델에 적용되는 입력 변수와 출력 변수를 설정하고 그 변수값을 산출한다. 예컨대, 하위레벨인 냉동기 예측모델의 경우 입력 변수는 냉동기의 가동 상태, 가동 시간 등이 될 수 있고 출력 변수는 냉동기의 소비전력량이 될 수 있다. 또한, 본 발명의 경우 개별 설비(예, 냉동기, 열교환기, 냉각탑) 예측모델들 사이의 상관관계를 적용하여, 제1 설비 예측모델의 출력 변수가 제2 설비 예측모델의 입력 변수로 설정될 수 있다. 예컨대, 열교환기 예측모델의 출력 변수인 소비전력량이 냉동기 예측모델의 입력 변수로 사용될 수 있다. 한편, 상위레벨인 빌딩 예측모델의 입력 변수는 그 건물에 속해 있는 하위레벨 예측모델들의 출력 변수가 될 수 있다.
보정 변수 관리 모듈(314)은 빅데이터 분석을 통해 얻어진 정보에 기초하여 개별 설비 예측모델 및/또는 빌딩 예측모델에 적용되는 보정 변수를 설정하고 그 변수값을 산출한다. 보정 변수의 예로는, 빌딩이 위치하는 장소의 날씨, 온도, 습도, 빌딩 내부의 온도, 습도 날씨, 현재 빌딩 내부에 있는 사람들의 수, 빌딩의 위치, 방향, 외장, 단열, 창문, 열용량(heat capacity), 빌딩의 사용 목적, 용도, 업종 등이 될 수 있다.
필터링 모듈(315)은 입출력 변수 및/또는 보정 변수에 대해 필터링이 필요한 경우 칼만 필터(Kalman Filter), 가우스 필터(Gaussian Filter) 등을 이용하여 필터링한 결과를 생성한다. 참고로, 칼만 필터(Kalman Filter)는 특정 시점에서의 상태는 이전 시점의 상태와 선형적인 관계를 가지고 있다고 가정하여 연속적으로 측정하는 값들을 생성할 수 있으며, 가우스 필터(Gaussian Filter)는 입력 변수에 대한 결과의 확률적 표현을 얻을 수 있다.
시뮬레이션 모듈(316)은 개별 설비 및/또는 빌딩 예측모델에 적용되는 알고리즘(Algorithm)(예컨대, 에너지 사용량을 예측하는 알고리즘, 실시간 에너지 종류별 단가를 산출하는 알고리즘, 시간별 작동설비의 원가를 산출하는 알고리즘)을 실행하여 개별 설비 및/또는 빌딩 예측모델을 시뮬레이션한다.
단위 통합 모듈(315)은 예측모델들간 통일된 단위기준(예, TOE(Tonnage of Oil Equivalent), 탄소배출량(kgCo2/kWh))을 적용하여 에너지 사용량 등을 산출한다.
MES 연동 모듈(318)은 MES(Manufacturing Execution System)와 연동할 수 있는 독립 변수를 설정한다.
다시 도 2를 참조하면, 데이터 분석부(320)는 클라우드 서버(200)로부터 수신된 정보를 분석한다. 전술한 바와 같이, 클라우드 서버(200)로부터 수신된 정보에는 설비 관리 장치(110, 120, 130)가 전송한 설비상태정보와 클라우드 서비스(cloud service) 환경에서 얻어진 빅데이터가 있으며, 빅데이터에는 빌딩인적현황정보, 빌딩환경정보, 빌딩에너지특성정보, 빌딩업종정보, 에너지자원정보 등이 포함되어 있다. 이에, 데이터 분석부(320)는 빅데이터 분석 기술 등을 이용하여 개별 설비 및/또는 건물에 대한 입력 변수 및/또는 보정 변수의 변수값 산출을 위한 구체적 정보를 추출한다.
데이터 저장부(330)는 예측모델 관리부(310)에서 관리하는 정보(예, 예측모델, 입력 변수, 출력 변수, 보정 변수)와 데이터 분석부(320)에서 분석된 정보를 저장한다.
디스플레이부(340)는 사용자가 빌딩 전체 및/또는 개별 설비별 실시간 에너지 사용량 및 그 예측결과를 보고 관리할 수 있도록 에너지 관리 장치(300)에서 구현되고 있는 각종 결과(예, 에너지 사용량, 에너지 사용량 비교, 에너지 사용량 통계분석, 관리비 원가분석, 설비운용 비용)를 디스플레이한다.
통신부(350)는 유무선 통신 모듈을 구비하여 클라우드 서버(200), 설비 관리 장치(110, 120, 130) 등과 통신을 수행하며, 또한 웹(Web), 모바일(Mobile) 등을 통해 개별 단말기와 통신하여 사용자 또는 관리자가 언제 어디서나 관련 정보를 볼 수 있도록 제공한다.
제어부(360)는 예측모델 관리부(310), 데이터 분석부(320), 데이터 저장부(330), 디스플레이부(340), 통신부(350) 등을 전반적으로 제어하여 빌딩 전체 및/또는 개별 설비별 에너지 관리 및 사용량 예측을 수행한다.
한편, 도 4는 본 발명의 일 실시예에 따른 클라우드 기반 에너지 관리 방법의 흐름도이다. 그리고, 도 5는 도 4의 단계 S410에 대한 상세 흐름도이고, 도 6은 도 4의 단계 S420에 대한 상세 흐름도이며, 도 7은 도 4의 단계 S430에 대한 상세 흐름도이고, 도 8은 도 4의 단계 S440에 대한 상세 흐름도이다.
단계 S410에서, 에너지 관리 장치는 개별 설비(하위레벨) 및 빌딩(상위레벨)에 대한 예측모델을 설정한다.
구체적으로, 도 5를 참조하면, 단계 S412에서, 에너지 관리 장치는 개별 설비 예측모델의 입출력 변수를 설정한다. 예컨대, 하위레벨인 냉동기 예측모델의 경우 냉동기의 가동 상태, 가동 시간 등을 입력 변수로 설정하고 냉동기의 소비전력량을 출력 변수로 설정한다. 그리고, 하위레벨인 열교환기 예측모델의 경우 열교환기의 가동 상태, 가동 시간 등을 입력 변수로 설정하고 열교환기의 소비전력량을 출력 변수로 설정한다. 또한, 하위레벨인 냉각탑 예측모델의 경우 냉각탑의 가동 상태, 가동 시간 등을 입력 변수로 설정하고 냉각탑의 소비전력량을 출력 변수로 설정한다.
단계 S414에서, 에너지 관리 장치는 개별 설비 예측모델간 상관관계를 설정한다. 예컨대, 냉동기 예측모델의 소비전력량, 열교환기 예측모델의 소비전력량, 냉각탑 예측모델의 소비전력량 사이의 상관관계를 각각 분석하여 상관계수를 설정한다. 그리고, 개별 설비 예측모델간 상관관계에 상응하여 예컨대 열교환기(제1 설비) 예측모델의 출력 변수를 냉동기(제2 설비) 예측모델의 입력 변수로 설정한다. 참고로, 단계 S414는 단계 S412보다 선행되거나 또는 동시에 수행될 수도 있다.
단계 S416에서, 에너지 관리 장치는 빌딩 예측모델의 입출력 변수를 설정한다. 예컨대, 냉동기 예측모델의 출력 변수, 열교환기 예측모델의 출력 변수, 냉각탑 예측모델의 출력 변수를 빌딩 예측모델의 입력 변수로 설정하고, 빌딩 전체의 소비전력량을 빌딩 예측모델의 출력 변수로 설정한다.
다시 도 4를 참조하면, 단계 S420에서, 에너지 관리 장치는 개별 설비 예측모델에 대해 에너지 사용량 예측(1차 예측)을 수행한다.
구체적으로, 도 6을 참조하면, 단계 S422에서, 에너지 관리 장치는 클라우드 서버(200)로부터 전송된 정보를 분석한다. 전술한 바와 같이, 클라우드 서버(200)로부터 전송된 정보에는 설비 관리 장치(110, 120, 130)가 전송한 설비상태정보와 클라우드 서비스(cloud service) 환경에서 얻어진 빅데이터가 있으며, 빅데이터에는 빌딩인적현황정보, 빌딩환경정보, 빌딩에너지특성정보, 빌딩업종정보, 에너지자원정보 등이 포함되어 있다.
단계 S424에서, 에너지 관리 장치는 단계 S422에서 분석된 정보에 기초하여 개별 설비 예측모델에 대한 입력 변수값을 산출한다.
그리고, 단계 S426에서, 에너지 관리 장치는 단계 S424에서 산출된 입력 변수값을 적용하여 개별 설비 예측모델을 시뮬레이션하여 개별 설비에 대한 에너지 사용량을 1차 예측한다.
다시 도 4를 참조하면, 단계 S430에서, 에너지 관리 장치는 빌딩 예측모델에 대해 에너지 사용량 예측(1차 예측)을 수행한다.
구체적으로, 도 7을 참조하면, 단계 S432에서, 에너지 관리 장치는 단계 S422에서 분석된 정보 및 단계 S426에서 산출된 개별 설비의 대한 에너지 사용량 1차 예측 결과에 기초하여 빌딩 예측모델에 대한 입력 변수값을 산출한다.
그리고, 단계 S434에서, 에너지 관리 장치는 단계 S432에서 산출된 입력 변수값을 적용하여 빌딩 예측모델을 시뮬레이션하여 빌딩 전체에 대한 에너지 사용량을 1차 예측한다.
다시 도 4를 참조하면, 단계 S440에서, 에너지 관리 장치는 보정 변수를 반영하여 개별 설비 및 빌딩 예측모델에 대해 에너지 사용량을 최종 예측한다.
구체적으로, 도 8을 참조하면, 단계 S442에서, 에너지 관리 장치는 단계 S426 및 단계 S434에서 예측된 결과를 기초로 개별 설비 및/또는 빌딩 예측모델의 에너지 사용패턴을 도출한다. 참고로, 에너지 사용패턴은 소정 시간 단위(예, 10분 단위, 1시간 단위, 일 단위, 1주 단위, 1개월 단위, 1년 단위)로 도출될 수 있다.
그리고, 단계 S444에서, 에너지 관리 장치는 단계 S442에서 도출된 개별 설비 및/또는 빌딩 예측모델의 에너지 사용패턴에 기초하여 보정 변수를 설정(선택)하고 해당 보정 변수값을 산출한다. 예컨대, 에너지 관리 장치는 단계 S442에서 도출된 개별 설비 및/또는 빌딩 예측모델의 에너지 사용패턴에 있어 현재 이전 시간(즉, 과거)에 대한 에너지 사용패턴을 실제 에너지 사용량과 비교하고 그 오차와 관련된 변수(즉, 보정 변수)를 빅데이터에 포함된 정보를 분석하여 추출한다. 구체적으로, 에너지 관리 장치는 예컨대 빌딩 근처의 날씨, 온도, 습도 등의 변화와 실제 에너지 사용량과의 상관관계, 빌딩 내부에 있는 사람들 수 등의 변화와 실제 에너지 사용량과의 상관관계, 빌딩의 위치, 방향, 외장, 단열, 창문, 열용량(heat capacity) 등과 실제 에너지 사용량과의 상관관계, 빌딩의 사용 목적, 용도, 업종 등과 실제 에너지 사용량과의 상관관계 등을 분석하여 보정 변수 및 그 가중치를 설정하고 해당 보정 변수값을 산출한다.
그리고, 단계 S446에서, 에너지 관리 장치는 보정 변수를 반영하여 개별 설비 및 빌딩 예측모델에 대해 에너지 사용량 최종 예측을 수행한다
지금까지 본 발명을 바람직한 실시예를 참조하여 상세히 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명의 기술적 사상이나 필수적 특징들을 변경하지 않고서 다른 구체적인 다양한 형태로 실시할 수 있는 것이므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다.
그리고, 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 특정되는 것이며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태는 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (16)

  1. 클라우드 기반 에너지 사용량 예측 시스템으로서,
    복수의 빌딩의 각 빌딩에 구비된 복수의 개별 설비에 대한 설비상태정보를 제공하는 설비 관리 장치;
    상기 설비 관리 장치 및 빌딩 중 적어도 하나와 관련된 빅데이터를 제공하는 클라우드 서버; 및
    상기 복수의 개별 설비 및 복수의 빌딩에 대한 예측모델을 관리하며, 상기 설비상태정보 및 빅데이터를 수신하여 상기 복수의 개별 설비 및 복수의 빌딩에 대한 에너지 사용량을 예측하는 에너지 관리 장치를 포함하고,
    상기 에너지 관리 장치는,
    제1 빌딩에 구비된 제1 그룹의 개별 설비에 대한 예측모델을 설정하고, 상기 제1 그룹의 개별 설비에 대한 예측모델을 우선순위화한 후 상호 관련된 개별 설비에 대한 예측모델을 결합하여 상기 제1 빌딩에 대한 예측모델을 설정하며, 상기 빅데이터의 분석 결과에 기초하여 상기 제1 그룹의 개별 설비에 대한 예측 모델 및 상기 제1 빌딩에 대한 예측모델에 적용되는 보정 변수를 설정하여 상기 제1 그룹의 개별 설비 및 상기 제1 빌딩에 대한 에너지 사용량을 예측하는 예측모델 관리부를 포함하는 것을 특징으로 하는 클라우드 기반 에너지 사용량 예측 시스템.
  2. 제1항에 있어서,
    상기 에너지 관리 장치는 상기 제1 그룹의 개별 설비에 대한 예측모델 및 상기 제1 빌딩에 대한 예측모델을 설정하고, 상기 설비상태정보 및 빅데이터에 기초하여 상기 제1 그룹의 개별 설비 및 상기 제1 빌딩에 대한 예측모델을 시뮬레이션하여 에너지 사용량을 1차 예측한 후, 에너지 사용량 1차 예측 결과에 기초하여 도출된 보정 변수를 반영하여 상기 제1 그룹의 개별 설비 및 상기 제1 빌딩에 대한 에너지 사용량을 최종 예측하는 것을 특징으로 하는 클라우드 기반 에너지 사용량 예측 시스템.
  3. 제2항에 있어서,
    상기 에너지 관리 장치는 상기 제1 그룹의 개별 설비에 대한 예측모델간 상관관계를 설정하여 상기 제1 그룹의 개별 설비 및 상기 제1 빌딩에 대한 에너지 사용량을 1차 예측하는 것을 특징으로 하는 클라우드 기반 에너지 사용량 예측 시스템.
  4. 제2항에 있어서,
    상기 에너지 관리 장치는 상기 에너지 사용량 1차 예측 결과에 기초하여 상기 제1 그룹의 개별 설비 및 상기 제1 빌딩에 대한 예측모델의 에너지 사용패턴을 도출하고, 상기 도출된 에너지 사용패턴 중 과거 시간에 대한 에너지 사용패턴을 실제 에너지 사용량과 비교하여 상기 보정 변수를 도출하는 것을 특징으로 하는 클라우드 기반 에너지 사용량 예측 시스템.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서,
    상기 빅데이터는 빌딩 고유의 에너지 효율과 관련된 빌딩에너지특성정보 및 빌딩의 업종과 관련된 빌딩업종정보를 포함하는 것을 특징으로 하는 클라우드 기반 에너지 사용량 예측 시스템.
  6. 클라우드 기반 에너지 사용량 예측 시스템을 위한 에너지 관리 장치로서,
    클라우드 서버로부터 전송된 빅데이터를 분석하는 데이터 분석부; 및
    복수의 빌딩의 각 빌딩에 구비된 복수의 개별 설비 및 상기 복수의 빌딩에 대한 예측모델을 관리하며, 제1 빌딩에 구비된 제1 그룹의 개별 설비에 대한 설비상태정보 및 상기 빅데이터의 분석 결과에 기초하여 상기 제1 그룹의 개별 설비 및 상기 제1 빌딩에 대한 예측모델을 시뮬레이션하여 에너지 사용량을 예측하는 예측모델 관리부를 포함하고,
    상기 예측모델 관리부는,
    상기 제1 그룹의 개별 설비에 대한 예측모델을 설정하고, 상기 제1 그룹의 개별 설비에 대한 예측모델을 우선순위화한 후 상호 관련된 개별 설비에 대한 예측모델을 결합하여 상기 제1 빌딩에 대한 예측모델을 설정하고 관리하는 라이프사이클 관리 모듈;
    상기 제1 그룹의 개별 설비에 대한 예측모델간 상관관계를 분석하여 설정하는 상관관계 설정 모듈; 및
    상기 빅데이터 분석 결과에 기초하여 상기 제1 그룹의 개별 설비 및 상기 제1 빌딩에 대한 예측모델에 적용되는 보정 변수를 설정하고 관리하는 보정 변수 관리 모듈을 포함하는 것을 특징으로 하는 클라우드 기반 에너지 사용량 예측 시스템을 위한 에너지 관리 장치.
  7. 제6항에 있어서,
    상기 예측모델 관리부는,
    상기 제1 그룹의 개별 설비 및 상기 제1 빌딩에 대한 예측모델의 입출력 변수를 관리하는 입출력 변수 관리 모듈; 및
    상기 제1 그룹의 개별 설비 및 상기 제1 빌딩에 대한 예측모델에 대하여 에너지 사용량 예측 알고리즘을 실행하는 시뮬레이션 모듈을 더 포함하는 것을 특징으로 하는 클라우드 기반 에너지 사용량 예측 시스템을 위한 에너지 관리 장치.
  8. 제7항에 있어서,
    상기 예측모델 관리부는,
    상기 제1 그룹의 개별 설비 및 상기 제1 빌딩에 대한 예측모델의 입력 변수에 대해 필터링을 수행하는 필터링 모듈을 더 포함하는 것을 특징으로 하는 클라우드 기반 에너지 사용량 예측 시스템을 위한 에너지 관리 장치.
  9. 제7항에 있어서,
    상기 예측모델 관리부는,
    상기 제1 그룹의 개별 설비 예측모델간 입출력 변수의 단위를 통일하는 단위 통합 모듈을 더 포함하는 것을 특징으로 하는 클라우드 기반 에너지 사용량 예측 시스템을 위한 에너지 관리 장치.
  10. 제6항 내지 제9항 중 어느 한 항에 있어서,
    상기 빅데이터는 빌딩 고유의 에너지 효율과 관련된 빌딩에너지특성정보 및 빌딩의 업종과 관련된 빌딩업종정보를 포함하는 것을 특징으로 하는 클라우드 기반 에너지 사용량 예측 시스템을 위한 에너지 관리 장치.
  11. 클라우드 기반 에너지 사용량 예측 방법으로서,
    복수의 빌딩 중 제1 빌딩에 구비된 제1 그룹의 개별 설비에 대한 예측모델을 설정하고, 상기 제1 그룹의 개별 설비에 대한 예측모델을 우선순위화한 후 상호 관련된 개별 설비에 대한 예측모델을 결합하여 상기 제1 빌딩에 대한 예측모델을 설정하는 단계;
    상기 제1 그룹의 개별 설비에 대한 설비상태정보 및 클라우드 서버로부터 전송된 빅데이터에 기초하여, 상기 제1 그룹의 개별 설비에 대한 예측모델을 시뮬레이션하여 상기 제1 그룹의 개별 설비에 대한 에너지 사용량을 1차 예측하는 단계;
    상기 제1 그룹의 개별 설비에 대한 에너지 사용량 1차 예측 결과에 기초하여, 상기 제1 빌딩에 대한 예측모델을 시뮬레이션하여 상기 제1 빌딩에 대한 에너지 사용량을 1차 예측하는 단계; 및
    상기 제1 그룹의 개별 설비 및 상기 제1 빌딩에 대한 에너지 사용량 1차 예측 결과에 기초하여 도출된 보정 변수를 반영하여, 상기 제1 그룹의 개별 설비 및 상기 제1 빌딩에 대한 에너지 사용량을 최종 예측하는 단계를 포함하는 것을 특징으로 하는 클라우드 기반 에너지 사용량 예측 방법.
  12. 제11항에 있어서,
    상기 예측모델을 설정하는 단계는,
    상기 제1 그룹의 개별 설비에 대한 예측모델간 상관관계를 설정하고, 상기 제1 그룹의 개별 설비에 대한 예측모델의 입출력 변수를 설정하는 과정; 및
    상기 제1 빌딩에 대한 예측모델의 입출력 변수를 설정하는 과정을 포함하는 것을 특징으로 하는 클라우드 기반 에너지 사용량 예측 방법.
  13. 제11항에 있어서,
    상기 제1 그룹의 개별 설비에 대한 에너지 사용량을 1차 예측하는 단계는,
    상기 클라우드 서버로부터 전송된 빅데이터에 기초하여, 상기 제1 그룹의 개별 설비에 대한 예측모델의 입력 변수값을 산출하는 과정; 및
    상기 제1 그룹의 개별 설비에 대한 예측모델의 입력 변수값을 반영하여, 상기 제1 그룹의 개별 설비에 대한 예측모델을 시뮬레이션하는 과정을 포함하는 것을 특징으로 하는 클라우드 기반 에너지 사용량 예측 방법.
  14. 제11항에 있어서,
    상기 제1 빌딩에 대한 에너지 사용량을 1차 예측하는 단계는,
    상기 클라우드 서버로부터 전송된 빅데이터 및 상기 제1 그룹의 개별 설비에 대한 에너지 사용량 1차 예측 결과에 기초하여, 상기 제1 빌딩에 대한 예측모델의 입력 변수값을 산출하는 과정; 및
    상기 제1 빌딩에 대한 예측모델의 입력 변수값을 반영하여, 상기 제1 빌딩에 대한 예측모델을 시뮬레이션하는 과정을 포함하는 것을 특징으로 하는 클라우드 기반 에너지 사용량 예측 방법.
  15. 제11항 내지 제14항 중 어느 한 항에 있어서,
    상기 제1 그룹의 개별 설비 및 상기 제1 빌딩에 대한 에너지 사용량을 최종 예측하는 단계는,
    상기 제1 그룹의 개별 설비 및 상기 제1 빌딩에 대한 에너지 사용량 1차 예측 결과에 기초하여 에너지 사용패턴을 도출하는 과정;
    상기 도출된 에너지 사용패턴에 기초하여 보정 변수를 설정하고 해당 보정 변수값을 산출하는 과정; 및
    상기 보정 변수를 반영하여 상기 제1 그룹의 개별 설비 및 상기 제1 빌딩에 대한 에너지 사용량을 최종 예측하는 과정을 포함하는 것을 특징으로 하는 클라우드 기반 에너지 사용량 예측 방법.
  16. 제15항에 있어서,
    상기 보정 변수는 상기 도출된 에너지 사용패턴과 상기 클라우드 서버로부터 전송된 빅데이터를 비교 분석하여 설정되는 것을 특징으로 하는 클라우드 기반 에너지 사용량 예측 방법.
KR1020160007111A 2015-12-31 2016-01-20 클라우드 기반 에너지 사용량 예측 시스템 및 방법 KR101762061B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20150191705 2015-12-31
KR1020150191705 2015-12-31

Publications (2)

Publication Number Publication Date
KR20170080384A KR20170080384A (ko) 2017-07-10
KR101762061B1 true KR101762061B1 (ko) 2017-07-27

Family

ID=59356470

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160007111A KR101762061B1 (ko) 2015-12-31 2016-01-20 클라우드 기반 에너지 사용량 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101762061B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210123714A (ko) 2020-04-03 2021-10-14 상명대학교산학협력단 에너지 공급 효율성 향상을 위한 클라우드 기반의 발전 플랫폼 분양 시스템
KR20210125833A (ko) 2020-04-09 2021-10-19 상명대학교산학협력단 클라우드 기반의 에너지 분양형 플랫폼 및 분양방법

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102124190B1 (ko) * 2018-05-25 2020-06-17 (주)씨이랩 실시간 에너지데이터 분석을 위한 환경 요인 데이터 수집 시스템
CN108572562A (zh) * 2018-07-23 2018-09-25 长沙理工大学 一种基于物联网和qt图形界面的智能家居智慧能源管理***
KR102035818B1 (ko) * 2019-01-07 2019-10-24 주식회사 나라컨트롤 클라우드 기반 건물 냉난방 제어로직 자동 생성방법
KR102589383B1 (ko) * 2019-03-12 2023-10-17 한국전력공사 마이크로그리드의 전력 수급 예측 장치 및 그 방법
CN110084415A (zh) * 2019-04-19 2019-08-02 苏州尚能物联网科技有限公司 一种基于边云协同混合建模策略的建筑能耗预测***及方法
KR102395440B1 (ko) 2021-07-12 2022-05-10 주식회사 넥스트케이 클라우드 기반 건물 관리 시스템 및 방법
CN117458450B (zh) * 2023-10-25 2024-04-02 青岛德士朗电气有限公司 电力数据能耗预测分析方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210123714A (ko) 2020-04-03 2021-10-14 상명대학교산학협력단 에너지 공급 효율성 향상을 위한 클라우드 기반의 발전 플랫폼 분양 시스템
KR20210125833A (ko) 2020-04-09 2021-10-19 상명대학교산학협력단 클라우드 기반의 에너지 분양형 플랫폼 및 분양방법

Also Published As

Publication number Publication date
KR20170080384A (ko) 2017-07-10

Similar Documents

Publication Publication Date Title
KR101762061B1 (ko) 클라우드 기반 에너지 사용량 예측 시스템 및 방법
US10794608B2 (en) Air-conditioning control evaluation apparatus, air-conditioning control evaluation method, and computer readable medium
US10558180B2 (en) Building control system with empirical uncertainty determination for energy use model parameters
KR101649658B1 (ko) 설비를 관제하는 중앙 제어 장치, 이를 포함하는 설비 제어 시스템 및 설비 제어 방법
Leung et al. The use of occupancy space electrical power demand in building cooling load prediction
KR101448453B1 (ko) 건물 에너지에 대한 예측제어, 실시간제어, 운영 및 관리에 따른 통합 솔루션 시스템
CN104864548A (zh) 一种空调运行的控制方法及***
US20080082183A1 (en) Building automation system with automated component selection for minimum energy consumption
KR101641258B1 (ko) 설비를 관제하는 중앙 제어 장치, 이를 포함하는 설비 제어 시스템 및 설비 제어 방법
CN106817909A (zh) 空调控制方法、空调控制装置以及空调控制程序
US9983653B2 (en) Central control apparatus for controlling facilities, facility control system including the same, and method of controlling facilities
KR20150128163A (ko) 건물 에너지 소비정보 분석 시스템
KR101588851B1 (ko) 오차 보정 알고리즘을 이용한 수용가 수요전력 예측 방법 및 시스템
US20170219241A1 (en) Data Center Infrastructure Management (DCIM) system comprising predictive analytics
KR101633969B1 (ko) 상황인식 기반의 빌딩 에너지 관리 시스템 및 그를 이용한 빌딩 에너지 관리 방법
US20140188571A1 (en) Apparatus and method for evaluating energy saving based on simulation
Touretzky et al. Building-level power demand forecasting framework using building specific inputs: Development and applications
Naspi et al. Measuring occupants’ behaviour for buildings’ dynamic cosimulation
US20240167711A1 (en) Simulation system and method for predicting heating and cooling load in building
KR101692533B1 (ko) 전력 사용량 예측 시스템 및 방법
EP4040063A1 (en) Remaining value calculation system for air conditioner and assistance system for air conditioner
Campos et al. A decision support system for energy-efficiency investments on building renovations
KR101894541B1 (ko) 인공지능 기반의 특성인자 예측방법 및 이를 이용한 빌딩 에너지 소모량 예측방법
Ozoh et al. Modeling Electricity Consumption using Modified Newton's Method
Moreno Cano et al. Context-aware energy efficiency in smart buildings

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant