KR102325989B1 - Prediction Method of Building Heating and Cooling Load Based on Multiple Artificial Intelligence Learning Models - Google Patents

Prediction Method of Building Heating and Cooling Load Based on Multiple Artificial Intelligence Learning Models Download PDF

Info

Publication number
KR102325989B1
KR102325989B1 KR1020200134941A KR20200134941A KR102325989B1 KR 102325989 B1 KR102325989 B1 KR 102325989B1 KR 1020200134941 A KR1020200134941 A KR 1020200134941A KR 20200134941 A KR20200134941 A KR 20200134941A KR 102325989 B1 KR102325989 B1 KR 102325989B1
Authority
KR
South Korea
Prior art keywords
load
heating
cooling
learning model
data
Prior art date
Application number
KR1020200134941A
Other languages
Korean (ko)
Inventor
신규상
윤홍익
김중권
최덕신
강형철
Original Assignee
성한 주식회사
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 성한 주식회사 filed Critical 성한 주식회사
Priority to KR1020200134941A priority Critical patent/KR102325989B1/en
Application granted granted Critical
Publication of KR102325989B1 publication Critical patent/KR102325989B1/en

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/10—Weather information or forecasts

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

The present invention relates to a method for predicting the heating and cooling load of a building based on a multi-artificial intelligence (AI) learning model. More particularly, the present invention relates to a method for predicting the heating and cooling load of a building based on a multi-AI learning model that searches for the best machine-learning model with the best load prediction performance for each area of the building whenever the load prediction is made based on the actual load of heating and cooling facilities, and through this, applies different machine-learning models to each area of the building, so that it can more accurately predict tomorrow's heating and cooling load and apply it to actual operation. Since the method applies the predicted load for heating and cooling in units of time even on the day of operation, it is possible to increase the efficiency of heating and cooling by optimally operating the heating and cooling facilities and reduce the energy required for heating and cooling.

Description

다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법{Prediction Method of Building Heating and Cooling Load Based on Multiple Artificial Intelligence Learning Models}Prediction Method of Building Heating and Cooling Load Based on Multiple Artificial Intelligence Learning Models

본 발명은 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법에 관한 것으로서, 더욱 상세하게는 냉난방 설비의 실측부하를 기반으로 하여 부하 예측을 할 때마다, 여러 가지 인공지능 머신러닝 학습 알고리즘 중에서 건물의 구역별로 부하 예측 성능이 가장 좋은 최선의 머신러닝 학습모델을 탐색하고, 이를 통해 건물의 구역마다 서로 다른 머신러닝 학습모델을 적용함으로써, 내일의 냉난방 부하를 더욱 정확하게 예측하여 실제 운전에 적용시킬 수 있으며, 운전 당일에도 냉난방 예측부하를 시간단위로 보정하면서 적용시키므로, 최적으로 냉난방 설비를 작동시켜 냉난방의 효율을 증가시키고, 냉난방에 소요되는 에너지를 감소시킬 수 있는 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법에 관한 것이다.The present invention relates to a method of predicting the heating and cooling load of a building based on a multi-AI learning model, and more particularly, whenever the load is predicted based on the actual load of the heating and cooling facility, various artificial intelligence machine learning learning algorithms Among them, by searching for the best machine learning learning model with the best load prediction performance for each building area, and applying a different machine learning learning model to each building area, it more accurately predicts tomorrow's heating and cooling load and applies it to actual operation. It is based on a multi-AI learning model that can increase the efficiency of heating and cooling by optimally operating heating and cooling facilities and reducing the energy required for heating and cooling, as it is applied while correcting the predicted load for heating and cooling on the day of operation. It relates to a method of predicting the heating and cooling load of a building.

일반적으로 전체 에너지 수요 중 많은 부분이 냉난방 공조시스템 운전에 사용되고 있으므로, 에너지 절감을 위해서는 공조시스템에 대한 경제적이며 효율적인 운전방법의 개발이 필요하다. 공조시스템의 효율적 운전을 달성하기 위해서는 먼저 건물의 냉난방 부하에 대한 정확한 예측이 선행되어야 한다.In general, since a large portion of the total energy demand is used for the operation of the air conditioning system, it is necessary to develop an economical and efficient operation method for the air conditioning system in order to save energy. In order to achieve efficient operation of the air conditioning system, an accurate prediction of the heating and cooling load of a building must be preceded.

그러나, 건물의 냉난방 부하를 예측하기가 쉽지 않기 때문에 불필요한 에너지가 소모되거나 냉난방 공급량이 부족하여 사용자의 불편을 초래하는 경우가 발생되는 문제점이 있었다.However, since it is not easy to predict the heating and cooling load of a building, there is a problem in that unnecessary energy is consumed or the supply amount of heating and cooling is insufficient, causing inconvenience to users.

이러한 문제를 해결하는 동시에 냉난방 공조시스템을 좀 더 경제적으로 운전하기 위해 냉난방 부하 예측 방법에 관한 연구가 활발하게 진행되어 왔다. In order to solve these problems and to operate the heating and cooling system more economically, research on the method of predicting the heating and cooling load has been actively conducted.

선행특허 1은 기존의 냉난방 부하 예측 방법이 가지는 문제점을 해결하기 위하여 새로운 냉난방 부하 예측 방법을 제시하고 있는데 이러한 방법은 기상정보와 공조 장비의 실측부하 간에는 단순한 선형관계가 있다고 가정하고 다중선형회귀(Multiple Linear Regression) 모델식을 이용하여 건물의 시간별 냉난방 부하를 예측할 수 있도록 한 구성이 기재되어 있다.Prior Patent 1 presents a new heating and cooling load prediction method to solve the problems of the existing heating and cooling load prediction method. This method assumes that there is a simple linear relationship between the weather information and the actual load of the air conditioning equipment, and multiple linear regression (Multiple Linear Regression) A configuration is described so that the hourly heating and cooling load of a building can be predicted using the Linear Regression) model equation.

그러나 선행특허 1은 냉난방 설비의 냉난방 부하를 예측할 때에 정확성이 떨어지는 문제점이 있으며, 운전 당일에는 예측한 냉난방 부하를 보정하기 어려운 문제점이 있다.However, Prior Patent 1 has a problem in that the accuracy is poor when predicting the heating and cooling load of the heating and cooling equipment, and there is a problem in that it is difficult to correct the predicted heating and cooling load on the day of operation.

선행특허 2는 공조대상 건물의 창호와 벽체를 구분하여 전열부하와 일사부하 특성을 고려하고, 방위별 일사특성 등을 반영하며, 부하계산서에 의존하지 않고 부하특성계수를 구하는 구성이 기재되어 있다.Prior Patent 2 describes a configuration in which the heat transfer load and solar load characteristics are considered by dividing the windows and walls of the air conditioning target building, the solar characteristics by direction are reflected, and the load characteristic coefficient is obtained without relying on the load statement.

그러나 선행특허 2는 예측되는 일사량을 가지고 냉난방의 부하를 산출하게 되므로, 일사량은 많지만 추운 날씨인 경우 또는 일사량은 없지만 더운 날씨인 경우 등에는 정확한 부하를 예상하여 산출할 수 없는 문제점이 있으며, 운전 당일에는 예측한 냉난방 부하를 보정하기 어려운 문제점이 있다.However, in Prior Patent 2, since the load of heating and cooling is calculated with the predicted amount of insolation, there is a problem in that it is not possible to predict and calculate the exact load in the case of cold weather although there is a lot of insolation or when there is no insolation but in hot weather, etc. There is a problem in that it is difficult to correct the predicted heating and cooling load.

선행특허 1 : 한국 등록특허공보 제10-1840738호(2018.03.15.)Prior Patent 1: Korean Patent Publication No. 10-1840738 (2018.03.15.) 선행특허 2 : 한국 등록특허공보 제10-1506215호(2015.03.20.)Prior Patent 2: Korean Patent Publication No. 10-1506215 (2015.03.20.)

본 발명은 냉난방 설비의 실측부하를 기반으로 하여 부하 예측을 할 때마다, 여러 가지 인공지능 머신러닝 학습 알고리즘 중에서 건물의 구역별로 부하 예측 성능이 가장 좋은 최선의 머신러닝 학습모델을 탐색하고, 이를 통해 건물의 구역마다 서로 다른 머신러닝 학습모델을 적용함으로써, 내일의 냉난방 부하를 더욱 정확하게 예측하여 실제 운전에 적용시킬 수 있으며, 운전 당일에도 냉난방 예측부하를 시간단위로 보정하면서 적용시키므로, 최적으로 냉난방 설비를 작동시켜 냉난방의 효율을 증가시키고, 냉난방에 소요되는 에너지를 감소시킬 수 있는 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법을 제공하는데 그 목적이 있다.The present invention searches for the best machine learning learning model with the best load prediction performance for each area of the building among various artificial intelligence machine learning learning algorithms whenever the load is predicted based on the actual load of the heating and cooling equipment, and through this By applying different machine learning learning models to each building area, it is possible to more accurately predict tomorrow's heating and cooling load and apply it to actual operation. The purpose is to provide a method of predicting the heating and cooling load of a building based on a multi-AI learning model that can increase the efficiency of heating and cooling by operating

상기 과제를 달성하기 위한 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법은, 기상청 서버에서 통신을 통해 과거의 기상 실황 데이터와 미래의 기상 예측 데이터를 통신부로 전송받는 단계; 상기 기상청 서버에서 전송받은 과거 실황 및 미래 예측 기상 데이터를 통해 부하예측 판단부에서 부하 예측 대상이 냉방부하인지 난방부하인지 결정하는 단계; 건물의 구역별 냉난방 설비 제어부에서 전송되는 시간에 따른 부하를 관제서버로 전송하여 실측부하 산출부를 통해 실측부하를 산출하는 단계; 상기 기상청 서버에서 전송되는 과거 및 미래의 기상데이터와, 냉난방 부하 예측값 및 실측부하를 통해 학습모델 결정부에서 부하 예측 성능이 가장 좋은 최선의 머신러닝 학습모델을 선정하고 훈련하는 단계; 상기 학습모델 결정부를 통해 결정된 머신러닝 학습모델을 예측부하 산출부에서 적용하여 예측부하를 산출하는 단계; 상기 산출된 실측부하와 예측부하를 간의 오차를 예측부하 보정부를 통해 검증하여 예측부하를 보정하는 단계 및 상기 예측부하 산출부를 통해 산출된 예측부하를 통해 냉난방 설비의 제어부를 제어하여 냉난방 설비를 제어하는 단계를 포함하는 것을 특징으로 한다.The method for predicting the heating and cooling load of a building based on a multi-AI learning model according to the present invention for achieving the above object includes the steps of receiving past live weather data and future weather prediction data from the Meteorological Administration server through communication to the communication unit. ; determining whether a load prediction target is a cooling load or a heating load in a load prediction determination unit based on the past live and future prediction weather data received from the Meteorological Administration server; transmitting a load according to time transmitted from the heating and cooling facility control unit for each zone of the building to a control server, and calculating an actual load through an actual measurement load calculation unit; selecting and training the best machine learning learning model with the best load prediction performance in the learning model determiner through the past and future weather data transmitted from the Meteorological Administration server, the predicted value of heating and cooling load, and the actual load; calculating a predictive load by applying the machine learning learning model determined through the learning model determining unit in a predictive load calculating unit; Correcting the predicted load by verifying the error between the calculated actual measured load and the predicted load through the predicted load correcting unit, and controlling the heating and cooling equipment through the predicted load calculated through the predicted load calculating unit to control the heating and cooling equipment It is characterized in that it comprises a step.

상기 관제서버는, 외부의 기상 서버에서 전송되는 과거 및 미래의 기상정보를 수신하는 통신부; 부하 예측 대상이 냉방부하인지 난방부하인지 결정하는 부하 예측 판단부; 건물의 구역별로 시간별 실측부하를 산출하는 실측부하 산출부; 부하 예측 성능이 가장 좋은 최선의 머신러닝 학습모델을 선정하고 훈련하는 학습모델 결정부 결정된 머신러닝 학습모델을 적용하여 예측부하를 산출하는 예측부하 산출부 및 예측부하와 실측부하 간의 오차를 검증하여 예측부하를 보정하는 예측부하 보정부를 포함하는 것을 특징으로 한다.The control server may include: a communication unit configured to receive past and future weather information transmitted from an external weather server; a load prediction determining unit that determines whether the load prediction target is a cooling load or a heating load; an actual load calculation unit that calculates an hourly measured load for each zone of the building; Learning model decision unit that selects and trains the best machine learning learning model with the best load prediction performance A prediction load calculation unit that calculates the predicted load by applying the determined machine learning learning model, and a prediction by verifying the error between the predicted load and the actual load It is characterized in that it includes a predictive load correcting unit for correcting the load.

상기 학습모델을 선정하고 훈련하는 단계에서 머신러닝 학습모델은 내일의 부하 예측을 할 때마다, 여러 가지 머신러닝 학습 알고리즘 중에서 건물의 구역별로 부하 예측 성능이 가장 좋은 최선의 머신러닝 학습모델을 탐색하여, 건물의 구역마다 서로 다른 머신러닝 학습모델을 적용하는 것을 특징으로 한다.In the step of selecting and training the learning model, the machine learning learning model searches for the best machine learning learning model with the best load prediction performance for each building area among various machine learning learning algorithms whenever it predicts tomorrow's load. , it is characterized by applying different machine learning learning models to each area of the building.

상기 통신부를 통해 전송받는 단계는, 상기 기상청 서버에서 통신부를 통해 과거 기상정보를 수신하는 단계; 상기 기상청 서버에서 통신부를 통해 미래 기상정보를 수신하는 단계 및 상기 관제서버에 과거 및 미래 예측 기상정보 데이터를 저장하는 단계를 포함하는 것을 특징으로 한다.The step of receiving the transmission through the communication unit may include: receiving past weather information from the Meteorological Agency server through the communication unit; Receiving future weather information from the Meteorological Agency server through a communication unit and storing past and future forecast weather information data in the control server.

상기 실측부하를 산출하는 단계는, 냉난방을 하는 시기에 냉난방 설비별 실측부하를 구하기 위해, 냉난방 설비가 설치된 현장의 관제서버의 데이터베이스에서 제공되는 MMI(Man Machine Interface) 센싱정보를 수집하는 단계; 상기 변환된 MMI 계측정보를 실측 냉난방 설비 부하로 환산하는 단계; 상기 환산된 실측 냉난방 설비 부하를 구역별 시간별 실측부하로 배분하는 단계 및 상기 실측부하 데이터를 저장하는 단계를 포함하는 것을 특징으로 한다. The calculating of the actual load may include: collecting MMI (Man Machine Interface) sensing information provided from a database of a control server at the site where the heating and cooling equipment is installed in order to obtain the actual measured load for each heating and cooling facility at the time of heating and cooling; converting the converted MMI measurement information into an actual heating/cooling facility load; It characterized in that it comprises the steps of distributing the converted actual measured heating and cooling facility load to the actual measured load by time for each zone and the step of storing the measured load data.

상기 머신러닝 학습모델을 선정하고 훈련하는 단계는, 상기 관제서버에 저장된 과거 데이터들을 가져오는 단계; 상기 관제서버에서 가져온 과거 기상정보와 냉난방 기간 실측부하 데이터를 전처리하는 단계; 상기 학습모델 결정부를 통해 훈련 데이터와 시험 데이터를 생성하는 단계; 상기 학습모델 결정부를 통해 최선의 머신러닝 학습모델을 선정하는 단계; 상기 학습모델 결정부를 통해 선정된 머신러닝 학습모델을 훈련하는 단계를 포함하는 것을 특징으로 한다.The step of selecting and training the machine learning learning model includes: bringing past data stored in the control server; pre-processing the historical weather information and actual load data of the heating and cooling period retrieved from the control server; generating training data and test data through the learning model determiner; selecting the best machine learning learning model through the learning model determining unit; It characterized in that it comprises the step of training the selected machine learning learning model through the learning model determiner.

상기 예측부하를 산출하는 단계는, 상기 예측부하 산출부를 통해 미래 기상정보 데이터를 가져오는 단계; 상기 예측부하 산출부를 통해 속성 예측 데이터를 전처리하는 단계; 상기 결정된 머신러닝 학습모델을 적용하여 냉난방 부하를 예측하는 단계; 상기 예측부하 산출부를 통해 예측된 예측부하 데이터를 관제서버에 저장하는 단계를 포함하는 것을 특징으로 한다. The calculating of the predicted load may include: importing future weather information data through the predicted load calculating unit; pre-processing the attribute prediction data through the prediction load calculation unit; predicting a heating and cooling load by applying the determined machine learning learning model; and storing the predicted load data predicted through the prediction load calculation unit in a control server.

상기 예측부하를 보정하는 단계는, 상기 예측부하를 산출하는 단계를 통해 산출된 예측부하를 검증하는 단계; 상기 기상청 서버에서 전송되는 오늘 데이터를 가져오는 단계; 상기 예측부하 보정부에서 진행할 보정 머신러닝 학습모델을 결정하는 단계 및 상기 예측부하 보정부에서 보정 예측부하를 산출하는 단계를 포함하는 것을 특징으로 한다.The step of correcting the predicted load may include: verifying the predicted load calculated through the calculating of the predicted load; Getting today's data transmitted from the Meteorological Agency server; It characterized in that it comprises the steps of determining a corrected machine learning learning model to be performed by the predictive load correcting unit and calculating the corrected predictive load in the predictive load correcting unit.

상기 관제서버의 학습모델 결정부는, 상기 머신러닝 학습 훈련과 예측을 수행하는 기계학습 엔진 및 학습된 모델을 저장하는 학습모델 저장부를 더 포함하는 것을 특징으로 한다. The learning model determining unit of the control server is characterized in that it further comprises a machine learning engine for performing the machine learning training and prediction and a learning model storage unit for storing the learned model.

상기 기계학습 엔진은, 머신러닝의 앙상블(Ensemble) 모델인 그레디언트부스팅(Gradient Boosting) 모델, 랜덤포레스트(Random Forest) 모델, 에이다부스트(AdaBoost) 모델, XG부스트(XGBoost) 모델, LightGBM(Light Gradient Boosting Methods) 모델과 규제가 있는 선형회귀 모델인 엘라스틱넷(Elastic net) 모델을 참조해 학습하며, 건물의 구역별로 학습 결과에 따라 부하 예측 성능이 가장 좋은 서로 다른 최선의 머신러닝 학습모델을 적용하는 것을 특징으로 한다.The machine learning engine is an ensemble model of machine learning, which is a gradient boosting model, a random forest model, an AdaBoost model, an XG boost (XGBoost) model, and a Light Gradient Boosting (LightGBM) model. Methods) It learns by referring to the model and the elastic net model, a linear regression model with regulation, and applies the best machine learning learning model with the best load prediction performance according to the learning results for each building area. characterized.

본 발명은 냉난방설비의 실측부하를 기반으로 하여 부하 예측을 할 때마다, 여러 가지 인공지능 머신러닝 학습 알고리즘 중에서 건물의 구역별로 부하 예측 성능이 가장 좋은 최선의 머신러닝 학습모델을 탐색하고, 이를 통해 건물의 구역마다 서로 다른 머신러닝 학습모델을 적용함으로써, 내일의 냉난방 부하를 더욱 정확하게 예측하여 실제 운전에 적용시킬 수 있는 효과가 있다.The present invention searches for the best machine learning learning model with the best load prediction performance for each area of the building among various artificial intelligence machine learning learning algorithms whenever the load is predicted based on the actual load of the heating and cooling facilities, and through this By applying different machine learning learning models to each building area, it has the effect of predicting tomorrow's heating and cooling load more accurately and applying it to actual operation.

또한, 운전 당일에도 냉난방 예측부하를 시간단위로 보정하면서 적용시키므로, 최적으로 냉난방 설비를 작동시켜 냉난방의 효율을 증가시키고, 냉난방에 소요되는 에너지를 감소시킬 수 있는 효과가 있다.In addition, since the predicted load for heating and cooling is applied while correcting the heating and cooling load in units of time even on the day of operation, it is possible to increase the efficiency of heating and cooling by optimally operating the heating and cooling equipment, and to reduce the energy required for heating and cooling.

도 1은 본 발명의 일 실시예에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법의 전체 순서를 나타낸 도면이다.
도 2는 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법의 관제서버와 주변 구성을 나타낸 도면이다.
도 3은 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법의 통신부를 통해 전송받는 단계를 상세하게 나타낸 순서도이다.
도 4는 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 대상이 냉방부하인지 난방부하인지 결정하는 단계를 상세하게 나타낸 순서도이다.
도 5는 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법의 실측부하를 산출하는 단계를 상세하게 나타낸 도면이다.
도 6은 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법의 학습모델을 선정하고 훈련하는 단계를 상세하게 나타낸 도면이다.
도 7은 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법의 예측부하를 산출하는 단계를 상세하게 나타낸 도면이다.
도 8은 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법에 의해 산출된 예측부하와 오늘의 실측부하간의 오차를 검증하여 예측부하를 보정하는 예측부하 보정부의 작동과정을 나타내는 순서도이다.
도 9는 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법의 각 수요장비별로 부하를 환산하는 공식을 나타내는 도면이다.
도 10은 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법에 따라 이루어지는 제주도 소재 공공기관 건물 2개동(A, B)의 2018년 8월 8일부터 2018년 9월 7일까지 1달간의 후보 머신러닝 학습모델 중에서 예측 일자별 건물별로 성능이 가장 좋은 학습모델로 결정된 결과를 나타낸 도면이다.
도 11은 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법에 따라 이루어지는 제주도 소재 공공기관 건물의 2018년 8월 8일부터 2018년 9월 7일까지 1달간의 인공지능 기반 부하 예측 방법과 회귀분석 기반 부하 예측의 성능을 비교한 도면이다.
도 12는 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법에 따라 이루어지는 제주도 소재 공공기관 건물의 2018년 8월 8일부터 2018년 9월 7일까지 1달간의 인공지능 기반 부하 예측 결과와 회귀분석 기반 부하 예측 결과를 실측부하와 일자별로 비교한 그래프이다. 1 is a view showing an overall sequence of a method for predicting a building heating and cooling load based on a multi-AI learning model according to an embodiment of the present invention.
2 is a diagram illustrating a control server and surrounding configuration of a method for predicting a building heating/cooling load based on a multi-AI learning model according to the present invention.
3 is a flowchart illustrating in detail a step of receiving a transmission through a communication unit of a method for predicting a building heating/cooling load based on a multi-AI learning model according to the present invention.
4 is a flowchart showing in detail the step of determining whether the prediction target of the building heating/cooling load based on the multi-AI learning model according to the present invention is a cooling load or a heating load.
5 is a view showing in detail the step of calculating the actual load of the building heating/cooling load prediction method based on the multi-AI learning model according to the present invention.
6 is a view showing in detail the step of selecting and training a learning model of the method for predicting the heating and cooling load of a building based on the multi-AI learning model according to the present invention.
7 is a view showing in detail the step of calculating the predicted load of the building heating/cooling load prediction method based on the multi-AI learning model according to the present invention.
8 is an operation process of a predicted load correcting unit that corrects the predicted load by verifying the error between the predicted load calculated by the method for predicting the heating and cooling load of a building based on the multi-AI learning model according to the present invention and today's actual load. is a flowchart showing
9 is a diagram illustrating a formula for converting a load for each demand equipment in a method for predicting a building heating/cooling load based on a multi-AI learning model according to the present invention.
10 is from August 8, 2018 to September 7, 2018 of two public institution buildings (A, B) located in Jeju-do made according to the method of predicting the heating and cooling load of a building based on the multi-AI learning model according to the present invention; It is a diagram showing the results determined as the learning model with the best performance for each building by predicted date among the candidate machine learning learning models for one month up to the date.
11 is an artificial intelligence for one month from August 8, 2018 to September 7, 2018 of a public institution building located in Jeju Island, which is made according to the method of predicting the heating and cooling load of a building based on the multi-AI learning model according to the present invention. This is a diagram comparing the performance of the load prediction method based on the regression analysis and the load prediction based on the regression analysis.
12 is an artificial intelligence for one month from August 8, 2018 to September 7, 2018 of a public institution building located in Jeju Island, which is made according to the method of predicting the heating and cooling load of a building based on the multi-AI learning model according to the present invention. It is a graph comparing the load prediction result based on the load prediction and the load prediction result based on the regression analysis with the actual load by date.

이하 본 발명의 실시를 위한 구체적인 실시예를 도면을 참고하여 설명한다. 본 발명의 실시예는 하나의 발명을 설명하기 위한 것으로서 권리범위는 예시된 실시예에 한정되지 아니하고, 예시된 도면은 발명의 명확성을 위하여 핵심적인 내용만 확대 도시하고 부수적인 것을 생략하였으므로 도면에 한정하여 해석하여서는 아니 된다.Hereinafter, specific embodiments for carrying out the present invention will be described with reference to the drawings. The embodiment of the present invention is intended to explain one invention, and the scope of rights is not limited to the illustrated embodiment, and the illustrated drawings are limited to the drawings because only the essential content is enlarged and illustrated for the clarity of the invention and incidental elements are omitted. should not be interpreted as such.

본 발명은 기상청 서버(100)에서 통신을 통해 과거의 기상 데이터와 미래의 기상 예측 데이터를 통신부(20)로 전송받는 단계(S10); 상기 기상청 서버(100)에서 전송받은 과거 실황 및 미래 예측 기상 데이터를 통해 부하예측 판단부(40)에서 부하 예측 대상이 냉방부하인지 난방부하인지 결정하는 단계(S20); 건물의 구역별 냉난방 설비 제어부(200)에서 전송되는 시간에 따른 부하를 관제서버(10)로 전송하여 실측부하 산출부(50)를 통해 실측부하를 산출하는 단계(S30); 상기 기상청 서버(100)에서 전송되는 과거 및 미래의 기상데이터와, 냉난방 부하 예측값 및 실측부하를 통해 학습모델 결정부(70)에서 부하 예측 성능이 가장 좋은 최선의 머신러닝 학습모델을 선정하고 훈련하는 단계(S40); 상기 학습모델 결정부(70)를 통해 결정된 머신러닝 학습모델을 예측부하 산출부(60)에서 적용하여 예측부하를 산출하는 단계(S50); 상기 산출된 실측부하와 예측부하를 간의 오차를 예측부하 보정부(80)를 통해 검증하여 예측부하를 보정하는 단계(S60) 및 상기 예측부하 산출부(60)를 통해 산출된 예측부하를 통해 냉난방 설비(210)의 제어부(200)를 제어하여 냉난방 설비(210)를 제어하는 단계(S70)를 포함하는 것을 특징으로 한다.The present invention includes the steps of receiving past weather data and future weather forecast data from the Korea Meteorological Administration server 100 through communication to the communication unit 20 (S10); Determining whether the load prediction target is a cooling load or a heating load in the load prediction determination unit 40 through the past live and future prediction weather data received from the Meteorological Agency server 100 (S20); Transmitting the load according to the time transmitted from the heating and cooling facility control unit 200 for each zone of the building to the control server 10 and calculating the actual load through the measured load calculation unit 50 (S30); Selecting and training the best machine learning learning model with the best load prediction performance in the learning model determiner 70 through the past and future weather data transmitted from the Meteorological Agency server 100, the heating and cooling load prediction value, and the actual load step (S40); calculating a predictive load by applying the machine learning learning model determined through the learning model determining unit 70 in the predictive load calculating unit 60 (S50); Correcting the predicted load by verifying the error between the calculated actual measured load and the predicted load through the predicted load correcting unit 80 (S60) and heating and cooling through the predicted load calculated through the predicted load calculating unit 60 and controlling the control unit 200 of the facility 210 to control the heating/cooling facility 210 (S70).

상기 관제서버(10)는, 외부의 기상 서버에서 전송되는 과거 및 미래의 기상정보를 수신하는 통신부(20); 부하 예측 대상이 냉방부하인지 난방부하인지 결정하는 부하예측 판단부(40); 건물의 구역별로 시간별 실측부하를 산출하는 실측부하 산출부(50); 부하 예측 성능이 가장 좋은 최선의 머신러닝 학습모델을 선정하고 훈련하는 학습모델 결정부(70); 결정된 머신러닝 학습모델을 적용하여 예측부하를 산출하는 예측부하 산출부(60) 및 예측부하와 실측부하 간의 오차를 검증하여 예측부하를 보정하는 예측부하 보정부(80)를 포함하는 것을 특징으로 한다.The control server 10 includes: a communication unit 20 for receiving past and future weather information transmitted from an external weather server; a load prediction determination unit 40 that determines whether the load prediction target is a cooling load or a heating load; an actual measurement load calculation unit 50 for calculating an actual measurement load by time for each zone of the building; a learning model determining unit 70 for selecting and training the best machine learning learning model with the best load prediction performance; It is characterized by comprising a prediction load calculation unit 60 for calculating a prediction load by applying the determined machine learning learning model, and a prediction load correction unit 80 for correcting the prediction load by verifying an error between the predicted load and the actual load. .

상기 학습모델을 선정하고 훈련하는 단계(S40)에서 머신러닝 학습모델은 내일의 부하 예측을 할 때마다, 여러 가지 머신러닝 학습 알고리즘 중에서 건물의 구역별로 부하 예측 성능이 가장 좋은 최선의 머신러닝 학습모델을 탐색하여, 건물의 구역마다 서로 다른 머신러닝 학습모델을 적용하는 것을 특징으로 한다.In the step (S40) of selecting and training the learning model, the machine learning learning model is the best machine learning learning model with the best load prediction performance for each building area among various machine learning learning algorithms whenever it predicts tomorrow's load. It is characterized by applying a different machine learning learning model to each area of the building.

상기 통신부(20)로 전송받는 단계(S10)는, 상기 기상청 서버(100)에서 통신부(20)를 통해 과거 기상정보를 수신하는 단계(S11); 상기 기상청 서버(100)에서 통신부(20)를 통해 미래 기상정보를 수신하는 단계(S12) 및 상기 관제서버(10)에서 과거 및 미래 예측 기상정보 데이터를 저장하는 단계(S13)를 포함하는 것을 특징으로 한다.The step of receiving the transmission to the communication unit 20 (S10) may include: receiving past weather information from the Meteorological Agency server 100 through the communication unit 20 (S11); Receiving future weather information from the Meteorological Agency server 100 through the communication unit 20 (S12) and storing past and future forecast weather information data in the control server 10 (S13) do it with

상기 실측부하를 산출하는 단계(S30)는, 냉난방을 하는 시기에 냉난방 설비(210)별 실측부하를 구하기 위해, 냉난방 설비(210)가 설치된 현장의 관제서버(10)의 데이터베이스(30)에서 제공되는 MMI(Man Machine Interface) 센싱정보를 수집하는 단계(S31); 상기 변환된 MMI 계측정보를 실측 냉난방 설비(210) 부하로 환산하는 단계(S32); 상기 환산된 실측 냉난방 설비(210) 부하를 구역별 시간별 실측부하로 배분하는 단계(S33) 및 상기 실측부하 데이터를 저장하는 단계(S34)를 포함하는 것을 특징으로 한다. The step (S30) of calculating the actual load is provided from the database 30 of the control server 10 at the site where the heating and cooling facility 210 is installed, in order to obtain the actual measured load for each heating and cooling facility 210 at the time of heating and cooling. collecting MMI (Man Machine Interface) sensing information (S31); converting the converted MMI measurement information into an actual measured heating/cooling facility 210 load (S32); It is characterized in that it comprises the steps of distributing the converted load of the measured heating and cooling equipment 210 to the actual measured load for each zone and time (S33) and storing the measured load data (S34).

상기 학습모델을 선정하고 훈련하는 단계(S40)는, 상기 관제서버(10)에 저장된 과거 데이터들을 가져오는 단계(S41); 상기 관제서버(10)에서 가져온 과거 기상정보와 냉난방 기간 실측부하 데이터를 전처리하는 단계(S42); 상기 학습모델 결정부(70)를 통해 훈련 데이터와 시험 데이터를 생성 단계(S43); 상기 학습모델 결정부(70)를 통해 최선의 머신러닝 학습모델을 선정하는 단계(S44); 상기 학습모델 결정부(70)를 통해 선정된 머신러닝 학습모델을 훈련하는 단계(S45)를 포함하는 것을 특징으로 한다.The step of selecting and training the learning model (S40) includes: bringing past data stored in the control server 10 (S41); pre-processing the historical weather information and actual load data of the heating and cooling period brought from the control server 10 (S42); generating training data and test data through the learning model determining unit 70 (S43); selecting the best machine learning learning model through the learning model determining unit 70 (S44); It characterized in that it comprises the step (S45) of training the machine learning learning model selected through the learning model determining unit (70).

상기 예측부하를 산출하는 단계(S50)는, 상기 예측부하 산출부(60)를 통해 미래 기상정보 데이터를 가져오는 단계(S51); 상기 예측부하 산출부(60)를 통해 속성 예측 데이터를 전처리하는 단계(S52); 상기 결정된 머신러닝 학습모델을 적용하여 냉난방 부하를 예측하는 단계(S53); 상기 예측부하 산출부(60)를 통해 예측된 예측부하 데이터를 관제서버(10)의 데이터베이스(30)에 저장하는 단계(S54)를 포함하는 것을 특징으로 한다. Calculating the predicted load (S50) may include: importing future weather information data through the predictive load calculating unit (60) (S51); pre-processing the attribute prediction data through the prediction load calculation unit 60 (S52); Predicting the heating and cooling load by applying the determined machine learning learning model (S53); and storing (S54) the predicted load data predicted by the predictive load calculating unit 60 in the database 30 of the control server 10.

상기 예측부하를 보정하는 단계(S60)는, 상기 예측부하를 산출하는 단계(S50)를 통해 산출된 예측부하를 검증하는 단계(S61); 상기 기상청 서버(100)에서 전송되는 오늘 데이터를 가져오는 단계(S62); 상기 예측부하 보정부(60)에서 진행할 보정 머신러닝 학습모델을 결정하는 단계(S63) 및 상기 예측부하 보정부(60)에서 보정 예측부하를 산출하는 단계(S64)를 포함하는 것을 특징으로 한다.The step of correcting the predicted load (S60) may include: verifying the predicted load calculated through the step of calculating the predicted load (S50) (S61); Step (S62) of getting today's data transmitted from the Meteorological Agency server 100; It characterized in that it comprises a step (S63) of determining a corrected machine learning learning model to be performed by the predictive load correcting unit (60) and a step (S64) of calculating a corrected predictive load by the predictive load correcting unit (60).

상기 관제서버(10)의 학습모델 결정부(70)는, 상기 머신러닝 학습 훈련과 예측을 수행하는 기계학습 엔진(71) 및 학습된 모델을 저장하는 학습모델 저장부(72)를 더 포함하는 것을 특징으로 한다. The learning model determining unit 70 of the control server 10 further includes a machine learning engine 71 for performing the machine learning learning training and prediction, and a learning model storage unit 72 for storing the learned model. characterized in that

상기 기계학습 엔진(71)은, 머신러닝의 앙상블(Ensemble) 모델인 그레디언트부스팅(Gradient Boosting) 모델, 랜덤포레스트(Random Forest) 모델, 에이다부스트(AdaBoost) 모델, XG부스트(XGBoost) 모델, LightGBM(Light Gradient Boosting Methods) 모델과 규제가 있는 선형회귀 모델인 엘라스틱넷(Elastic net) 모델을 참조해 학습하며, 건물의 구역별로 학습 결과에 따라 부하 예측 성능이 가장 좋은 서로 다른 최선의 머신러닝 학습모델을 적용하는 것을 특징으로 한다.The machine learning engine 71 is an ensemble model of machine learning, a gradient boosting model, a random forest model, an AdaBoost model, an XG boost (XGBoost) model, a LightGBM ( It learns by referring to the Light Gradient Boosting Methods model and the elastic net model, which is a linear regression model with regulation, and finds the best machine learning learning model with the best load prediction performance according to the learning results for each building area. characterized by application.

도 1은 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법의 전체 순서를 나타낸 도면으로서, 기상청 서버(100)에서 통신을 통해 과거의 기상 데이터와 미래의 기상 예측 데이터를 통신부(20)로 전송받는 단계(S10), 기상청 서버(100)에서 전송받은 과거 실황 및 미래 예측 기상 데이터를 통해 부하예측 판단부(40)에서 부하 예측 대상이 냉방부하인지 난방부하인지 결정하는 단계(S20), 건물의 구역별 냉난방 설비 제어부(200)에서 전송되는 시간에 따른 부하를 관제서버(10)로 전송하여 실측부하 산출부(50)를 통해 실측부하를 산출하는 단계(S30), 기상청 서버(100)에서 전송되는 과거 및 미래의 기상데이터와, 냉난방 부하 예측값 및 실측부하를 통해 학습모델 결정부(70)에서 부하 예측 성능이 가장 좋은 최선의 머신러닝 학습모델을 선정하고 훈련하는 단계(S40), 학습모델 결정부(70)를 통해 결정된 머신러닝 학습모델을 예측부하 산출부(60)에서 적용하여 예측부하를 산출하는 단계(S50), 산출된 실측부하와 예측부하를 간의 오차를 예측부하 보정부(80)를 통해 검증하여 예측부하를 보정하는 단계(S60) 및 예측부하 산출부(60)를 통해 산출된 예측부하를 통해 냉난방 설비(210)의 제어부(200)를 제어하여 냉난방 설비(210)를 제어하는 단계(S70)를 포함한다.1 is a diagram showing the overall sequence of a method for predicting the heating and cooling load of a building based on a multi-AI learning model according to the present invention. Step of receiving the transmission to the communication unit 20 (S10), a step of determining whether the load prediction target is a cooling load or a heating load in the load prediction determination unit 40 through the past live conditions and future prediction weather data transmitted from the Meteorological Administration server 100 (S20), transmitting the load according to the time transmitted from the heating and cooling facility control unit 200 for each zone of the building to the control server 10 and calculating the actual load through the measured load calculation unit 50 (S30), the Korea Meteorological Administration Step ( S40), calculating the predicted load by applying the machine learning learning model determined through the learning model determiner 70 in the predictive load calculating unit 60 (S50), Predicting an error between the calculated actual load and the predicted load By controlling the control unit 200 of the heating and cooling facility 210 through the step of correcting the predicted load by verifying through the load correction unit 80 (S60) and the predicted load calculated through the prediction load calculation unit 60, the heating and cooling facility and controlling the 210 ( S70 ).

도 2는 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법의 관제서버와 주변 구성을 나타낸 도면이다.2 is a diagram illustrating a control server and surrounding configuration of a method for predicting a building heating/cooling load based on a multi-AI learning model according to the present invention.

도 3은 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법의 통신부를 통해 전송받는 단계를 상세하게 나타낸 순서도이다.3 is a flowchart illustrating in detail a step of receiving a transmission through a communication unit of a method for predicting a building heating/cooling load based on a multi-AI learning model according to the present invention.

도 4는 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 대상이 냉방부하인지 난방부하인지 결정하는 단계를 상세하게 나타낸 순서도이다.4 is a flowchart showing in detail the step of determining whether the prediction target of the building heating/cooling load based on the multi-AI learning model according to the present invention is a cooling load or a heating load.

도 5는 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법의 실측부하를 산출하는 단계를 상세하게 나타낸 도면이다.5 is a view showing in detail the step of calculating the actual load of the building heating/cooling load prediction method based on the multi-AI learning model according to the present invention.

도 6은 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법의 학습모델을 선정하고 훈련하는 단계를 상세하게 나타낸 도면이다.6 is a view showing in detail the step of selecting and training a learning model of the method for predicting the heating and cooling load of a building based on the multi-AI learning model according to the present invention.

도 7은 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법의 예측부하를 산출하는 단계를 상세하게 나타낸 도면이다.7 is a view showing in detail the step of calculating the predicted load of the building heating/cooling load prediction method based on the multi-AI learning model according to the present invention.

도 8은 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법에 의해 산출된 예측부하와 오늘의 실측부하간의 오차를 검증하여 예측부하를 보정하는 예측부하 보정부의 작동과정을 나타내는 순서도이다.8 is an operation process of a predicted load correcting unit that corrects the predicted load by verifying the error between the predicted load calculated by the method for predicting the heating and cooling load of a building based on the multi-AI learning model according to the present invention and today's actual load. is a flowchart showing

도 9는 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법의 각 수요장비별로 부하를 환산하는 공식을 나타내는 도면이다.9 is a diagram illustrating a formula for converting a load for each demand equipment in a method for predicting a building heating/cooling load based on a multi-AI learning model according to the present invention.

도 10은 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법에 따라 이루어지는 제주도 소재 공공기관 건물 2개동(A, B)의 2018년 8월 8일부터 2018년 9월 7일까지 1달간의 후보 머신러닝 학습모델 중에서 예측 일자별 건물별로 성능이 가장 좋은 학습모델로 결정된 결과를 나타낸 도면이다.10 is from August 8, 2018 to September 7, 2018 of two public institution buildings (A, B) located in Jeju-do made according to the method of predicting the heating and cooling load of a building based on the multi-AI learning model according to the present invention; It is a diagram showing the results determined as the learning model with the best performance for each building by predicted date among the candidate machine learning learning models for one month up to the date.

도 11은 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법에 따라 이루어지는 제주도 소재 공공기관 건물의 2018년 8월 8일부터 2018년 9월 7일까지 1달간의 인공지능 기반 부하 예측 방법과 회귀분석 기반 부하 예측의 성능을 비교한 도면이다. 11 is an artificial intelligence for one month from August 8, 2018 to September 7, 2018 of a public institution building located in Jeju Island, which is made according to the method of predicting the heating and cooling load of a building based on the multi-AI learning model according to the present invention. This is a diagram comparing the performance of the load prediction method based on the regression analysis and the load prediction based on the regression analysis.

도 12는 본 발명에 따른 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법에 따라 이루어지는 제주도 소재 공공기관 건물의 2018년 8월 8일부터 2018년 9월 7일까지 1달간의 인공지능 기반 부하 예측 결과와 회귀분석 기반 부하 예측 결과를 실측부하와 일자별로 비교한 그래프이다.12 is an artificial intelligence for one month from August 8, 2018 to September 7, 2018 of a public institution building located in Jeju Island, which is made according to the method of predicting the heating and cooling load of a building based on the multi-AI learning model according to the present invention. It is a graph comparing the load prediction result based on the load prediction and the load prediction result based on the regression analysis with the actual load by date.

상기 통신부(20)로 전송받는 단계(S10)는 기상청 서버(100)에서 통신을 통해 과거의 기상 실황 데이터와 미래의 기상 예측 데이터를 관제서버(10)에서 통신부(20)를 통해 전송받게 된다.In the step (S10) of receiving the transmission to the communication unit 20, the weather service server 100 communicates with the past live weather data and future weather prediction data through the communication unit 20 from the control server 10.

도 2를 참조하면, 이때, 상기 관제서버(10)는, 외부의 기상 서버에서 전송되는 과거 및 미래의 기상정보를 수신하는 통신부(20), 부하 예측 대상이 냉방부하인지 난방부하인지 결정하는 부하예측 판단부(40), 건물의 구역별로 시간별 실측부하를 산출하는 실측부하 산출부(50), 부하 예측 성능이 가장 좋은 최선의 머신러닝 학습모델을 선정하고 훈련하는 학습모델 결정부(70)결정된 머신러닝 학습모델을 적용하여 예측부하를 산출하는 예측부하 산출부(60) 및 예측부하와 실측부하 간의 오차를 검증하여 예측부하를 보정하는 예측부하 보정부(80)를 포함한다.Referring to FIG. 2 , in this case, the control server 10 includes a communication unit 20 that receives past and future weather information transmitted from an external weather server, and a load that determines whether a load prediction target is a cooling load or a heating load. The prediction determination unit 40, the actual measurement load calculation unit 50 for calculating the actual load by time for each zone of the building, and the learning model determination unit 70 for selecting and training the best machine learning learning model with the best load prediction performance are determined It includes a prediction load calculation unit 60 for calculating a predicted load by applying a machine learning learning model, and a prediction load correcting unit 80 for correcting the prediction load by verifying an error between the predicted load and the actual load.

상기 실측부하 산출부(50)는 필요에 따라 구비될 수 있지만, 없어도 예측 부하 산출부의 결과값을 통해 부하를 예측하여 냉난방 설비(210)를 제어할 수 있다.The measured load calculating unit 50 may be provided as needed, but without it, the load may be predicted through the result value of the predicted load calculating unit to control the heating and cooling equipment 210 .

그리고, 상기 관제서버(10)는 입력부재와 표시부재를 구비하여 관리자가 제어신호를 입력하고, 제어부(200)의 제어값, 과거의 기상 실황 데이터, 미래 예측 기상 데이터, 실측부하 데이터, 예측부하 데이터 등을 표시부재로 표시할 수 있도록 한다.And, the control server 10 is provided with an input member and a display member, the manager inputs a control signal, the control value of the control unit 200, past weather real-time data, future forecast weather data, measured load data, predicted load Data, etc. can be displayed with a display member.

도 1 내지 도 3을 참조하면, 이러한 상기 통신부(20)로 전송받는 단계(S10)는 기상청 서버(100)에서 통신부(20)를 통해 과거 기상정보를 수신하는 단계(S11), 기상청 서버(100)에서 통신부(20)를 통해 미래 기상정보를 수신하는 단계(S12) 및 관제서버(10)에서 과거 및 미래 예측 기상정보 데이터를 저장하는 단계(S13)를 포함한다.1 to 3, the step of receiving the transmission to the communication unit 20 (S10) is a step of receiving past weather information through the communication unit 20 from the Meteorological Agency server 100 (S11), the Meteorological Agency server 100 ), receiving future weather information through the communication unit 20 (S12) and storing past and future forecast weather information data in the control server 10 (S13).

상기 과거의 기상정보를 수신하는 단계(S11)는 냉난방 설비(210) 운영 당시에 일자별 시간별로 기상청 서버(100)로부터 인터넷을 통해 기상정보를 수신하는 단계이다.The step (S11) of receiving the past weather information is a step of receiving the weather information through the Internet from the weather service server 100 for each day and time at the time of operation of the heating and cooling facility 210 .

이러한 기상청 서버(100)에서 전송되는 기상정보는 실황 외기온도, 실황 일사량, 실황 엔탈피, 예보 외기온도, 예보 일사량, 예보 엔탈피를 포함한다. 실황 외기온도 및 예보 외기온도는 기상청 서버(100)에서 제공받으며, 실황 엔탈피는 기상청 서버(100)에서 제공받는 실황 외기온도와 실황 상대습도로부터 계산되며, 예보 엔탈피는 기상청 서버(100)에서 제공받는 예보 외기온도와 예보 상대습도로부터 계산된다. The meteorological information transmitted from the meteorological office server 100 includes live outdoor air temperature, live solar radiation, live enthalpy, forecast outdoor temperature, forecast solar radiation, and forecast enthalpy. The real outdoor air temperature and forecasted outdoor temperature are provided by the Korea Meteorological Administration server 100, the live enthalpy is calculated from the real outdoor air temperature and the live relative humidity provided from the Korea Meteorological Administration server 100, and the forecast enthalpy is the forecast provided by the Korea Meteorological Administration server 100. It is calculated from the outside temperature and forecast relative humidity.

상기 실황 일사량은 기상청 서버(100)에서 제공받는 실황 운량, 실황 상대습도와 냉난방 설비(210)가 설치되어 있는 건물의 위도에 따른 일자별 태양의 고도와 대기권 밖 일사량 등으로부터 관계식을 만들고, 필요한 데이터를 대입하여 구한다. The live insolation is the amount of cloud cover provided by the Korea Meteorological Administration server 100, the relative humidity of the live air and the altitude of the sun per day according to the latitude of the building where the heating and cooling equipment 210 is installed, and the amount of solar insolation outside the atmosphere, etc. Save by substituting

상기 예보 일사량은 기상청 서버(100)에서 제공받는 예보 운량, 예보 상대습도와 냉난방 설비(210)가 설치되어 있는 건물의 위도에 따른 일자별 태양의 고도와 대기권밖 일사량 등으로부터 관계식을 만들고, 필요한 데이터를 대입하여 구한다. The forecast solar radiation is a relational expression from the forecast cloud amount received from the Meteorological Administration server 100, the forecast relative humidity, and the daily solar altitude and extra-atmospheric solar radiation according to the latitude of the building where the heating and cooling equipment 210 is installed, and the necessary data Save by substituting

상기 실황 일사량 및 예보 일사량을 구하는 방법은 여러 가지가 있으며, 이러한 방법들 중 어느 하나를 이용하여 계산하게 된다.There are several methods for obtaining the live insolation and forecast solar radiation, and any one of these methods is used for calculation.

상기 냉난방을 하는 하절기와 동절기에 필요한 기상정보는 실황 외기온도, 실황 일사량 및 실황 엔탈피이며, 냉난방을 하지 않는 봄철과 가을철 환절기에 필요한 기상정보는 예보 외기온도, 예보 일사량 및 예보 엔탈피이다.The meteorological information required for the summer and winter seasons for heating and cooling is the real outdoor air temperature, real solar insolation, and live enthalpy, and the weather information required for the changing seasons in the spring and autumn seasons without air conditioning is forecast outdoor temperature, forecast solar radiation and forecast enthalpy.

이때 상기 엔탈피는 '열'이 일정한 압력에서 반응(변화)이 일어날 때, 반응 전후의 온도를 같게 하기 위하여 열역학적 계가 흡수하거나 방출하는 열(에너지)을 의미한다. 이와 같은 열을 다른 말로 엔탈피(enthalpy: H)라 부른다. In this case, the enthalpy refers to heat (energy) absorbed or released by the thermodynamic system in order to equalize the temperature before and after the reaction when a reaction (change) occurs at a constant pressure of 'heat'. Such heat is also called enthalpy (H).

엔탈피는 엔트로피와 더불어 물질계의 안정성과 변화의 방향, 그리고 화학 평형의 위치와 이동을 결정하는 핵심적인 요소이다Enthalpy, along with entropy, is a key factor in determining the stability and direction of change in the material system, and the position and movement of chemical equilibrium.

(출처 : 네이버 지식백과 : 엔탈피 - 열역학의 핵심 함수 (화학산책, 박준우))(Source: Naver Knowledge Encyclopedia: Enthalpy - A key function of thermodynamics (Chemical Walk, Park Jun-woo))

상기 미래의 기상정보를 수신하는 단계(S12)는 냉난방 부하를 예측할 내일의 시간별로 기상청 서버(100)에서 인터넷을 통해 기상 예보정보를 수신하는 단계이다.The step of receiving the future weather information (S12) is a step of receiving weather forecast information through the Internet from the Korea Meteorological Administration server 100 for each time tomorrow to predict the heating and cooling load.

이러한 상기 기상 예보정보는 예보 외기온도(

Figure 112020110032362-pat00001
), 예보 일사량(
Figure 112020110032362-pat00002
), 예보 엔탈피(
Figure 112020110032362-pat00003
)를 포함한다. The weather forecast information is the forecasted outdoor temperature (
Figure 112020110032362-pat00001
), the forecast insolation (
Figure 112020110032362-pat00002
), forecast enthalpy (
Figure 112020110032362-pat00003
) is included.

상기 예보 외기온도는 기상청 서버(100)에서 제공받으며, 예보 엔탈피는 기상청 서버(100)에서 제공받는 예보 외기온도와 예보 상대습도로부터 관제서버(10)에서 계산한다.The forecasted outdoor temperature is provided by the Korea Meteorological Administration server 100 , and the forecast enthalpy is calculated by the control server 10 from the forecasted outdoor temperature and forecasted relative humidity provided from the Korea Meteorological Administration server 100 .

상기 예보 일사량은 기상청 서버(100)에서 제공받는 예보 운량, 예보 상대습도와 냉난방 설비(210)가 설치되어 있는 건물의 위도에 따른 내일의 태양의 고도와 대기권 밖 일사량 등으로부터 관계식을 만들고, 필요한 데이터를 대입하여 구한다. The forecast solar insolation is the forecast cloud amount provided by the Meteorological Administration server 100, the forecast relative humidity, and the altitude of tomorrow according to the latitude of the building where the heating and cooling equipment 210 is installed. is obtained by substituting

상기 예보 일사량을 구하는 방법은 여러 가지가 있으며, 이들 중 임의의 방법을 사용하여 예보 일사량을 구하게 된다.There are several methods for obtaining the forecast solar insolation, and any one of these methods is used to obtain the forecast solar radiation.

상기 기상정보 데이터를 저장하는 단계(S13)는 실황 외기온도, 실황 일사량, 실황 엔탈피, 예측 외기온도, 예측 일사량, 예측 엔탈피 등을 데이터베이스(30)에 저장하는 단계이다.The step (S13) of storing the weather information data is a step of storing the live outdoor temperature, the live solar radiation, the live enthalpy, the predicted outdoor temperature, the predicted solar radiation, the predicted enthalpy, and the like in the database 30 .

도 4를 참조하면, 상기 통신부(20)로 전송받는 단계(10)를 통해 과거 실황 및 미래의 예측 기상정보를 수신 받아 저장하게 되면, 냉방부하인지 난방부하인지 결정하는 단계(S20)를 통해 기상청 서버(100)에서 전송받은 과거 실황 및 미래 예측 기상 데이터를 통해 부하예측 판단부(40)에서 부하 예측 대상이 냉방부하인지 난방부하인지 결정하게 된다.Referring to FIG. 4 , when receiving and storing past live conditions and future predicted weather information through the receiving step 10 of the communication unit 20, determining whether the cooling load or the heating load is performed (S20) through the Meteorological Agency The load prediction determination unit 40 determines whether the load prediction target is a cooling load or a heating load through the past live conditions and future prediction weather data received from the server 100 .

이를 통해 실제 냉방을 하고 있는지 여부를 판단(S21)하며, 실제 냉방을 하고 있다면 실측부하 기반의 냉방부하 예측을 하고, 실제 냉방을 하지 않고 있다면 실제 난방을 하고 있는지 여부를 판단(S22)하여, 실제 난방을 하고 있다면 실측부하 기반 난방부하 예측을 하고, 실제 난방을 하고 있지 않다면 봄철 환절기인지 여부를 판단(S23)한다.Through this, it is determined (S21) whether or not the actual cooling is being performed, and if the actual cooling is being performed, the cooling load is predicted based on the measured load. If heating is being performed, the heating load is predicted based on the measured load.

상기 냉방부하인지 난방부하인지 결정하는 단계(S20)에서 봄철 환절기인지 여부의 판단(S23)에서 냉난방을 하지 않는 봄철 환절기에 해당한다면, 최근 3일간의 평균기온이 냉방 기준온도를 넘었는지 여부를 판단(S24)하며, 최근 3일간의 오전 9시 평균기온이 냉방 기준온도(예: 섭씨 14도) 이상이라면 오늘이 실제 냉방시작일 이전 날짜인지 여부를 판단(S25)하고, 그렇지 않다면 예측부하 기반 냉방부하 예측을 한다. In the step of determining whether it is the cooling load or the heating load in the step (S20) of determining whether it is a spring changing season (S23), if it corresponds to a spring changing season without air conditioning, it is determined whether the average temperature of the last 3 days has exceeded the cooling standard temperature (S24), and if the average temperature at 9 am for the last 3 days is above the cooling standard temperature (eg, 14 degrees Celsius), it is determined whether today is the date before the actual cooling start date (S25); otherwise, the predicted load-based cooling load make predictions

만약 오늘이 실제 냉방시작일 이전 날짜라면 예측부하 기반 냉방부하 예측을 하고, 그렇지 않다면 실측부하 기반 냉방부하 예측을 한다.If today is the date before the actual cooling start date, the cooling load prediction based on the predicted load is performed.

상기 냉방부하인지 난방부하인지 결정하는 단계(S20)에서 봄철 환절기인지 여부의 판단에서 냉난방을 하지 않는 봄철 환절기에 해당하지 않는 다면, 가을철 환절기이므로, 최근 3일간의 평균기온이 난방 기준온도를 넘지 않았는지 여부를 판단(S26)하며, 최근 3일간의 오전 9시 평균기온이 난방 기준온도(예: 섭씨 18도) 이상이라면 오늘이 실제 난방시작일 이전 날짜인지 여부를 판단(S27)하고, 그렇지 않다면 예측부하 기반 난방부하 예측을 한다. If the determination of whether it is a spring changing season in the step (S20) of determining whether it is the cooling load or the heating load does not correspond to the spring changing season without air conditioning, since it is the autumn changing season, the average temperature of the last 3 days did not exceed the heating standard temperature. (S26), and if the average temperature of 9 am for the last three days is above the heating standard temperature (eg, 18 degrees Celsius), it is determined whether today is the date before the actual heating start date (S27), and if not, it is predicted Load-based heating load prediction.

만약, 오늘이 실제 난방시작일 이전 날짜라면 예측부하 기반 난방부하 예측을 하고, 그렇지 않다면 실측부하 기반 난방부하 예측을 한다.If today is the date before the actual heating start date, the heating load prediction is performed based on the predicted load. Otherwise, the heating load prediction is performed based on the measured load.

도 5를 참조하면, 상기 실측부하를 산출하는 단계(S30)는 건물의 구역별 냉난방설비 제어부(200)에서 전송되는 시간에 따른 부하를 관제서버(10)로 전송하여 실측부하 산출부(50)를 통해 실측부하를 산출한다.Referring to FIG. 5 , the step of calculating the actual load ( S30 ) transmits the load according to the time transmitted from the heating and cooling facility control unit 200 for each zone of the building to the control server 10 to the actual measurement load calculation unit 50 . Calculate the actual load through

이때 상기 실측부하를 산출하는 단계(S30)는 관제서버(10)에 실측부하 산출부(50)가 구비되는 경우에만 진행하고, 실측부하 산출부(50)의 구성이 없을 경우 진행하지 않게 된다.In this case, the step of calculating the measured load ( S30 ) is performed only when the actual measured load calculating unit 50 is provided in the control server 10 , and does not proceed when there is no configuration of the measured load calculating unit 50 .

이러한, 상기 실측부하를 산출하는 단계(S30)는, 냉난방을 하는 시기에 냉난방 설비(210)별 실측부하를 구하기 위해, 냉난방 설비(210)가 설치된 현장의 관제서버(10)의 데이터베이스(30)에서 제공되는 MMI(Man Machine Interface) 센싱정보를 수집하는 단계(S31), 변환된 MMI 계측정보를 실측 냉난방 설비(210) 부하로 환산하는 단계(S32), 환산된 실측 냉난방 설비(210) 부하를 구역별 시간별 실측부하로 배분하는 단계(S33) 및 실측부하 데이터를 저장하는 단계(S34)를 포함한다.In the step (S30) of calculating the actual measured load, the database 30 of the control server 10 at the site where the heating and cooling equipment 210 is installed in order to obtain the actual measured load for each heating and cooling facility 210 at the time of heating and cooling. Collecting MMI (Man Machine Interface) sensing information provided by (S31), converting the converted MMI measurement information into an actual measured heating and cooling facility 210 load (S32), converting the converted actual measured heating and cooling facility 210 load It includes the step of distributing the actual measured load for each zone by time (S33) and the step of storing the measured load data (S34).

상기 관제서버(10)에서 MMI 센싱정보를 수집하는 단계(S31)는 관제서버(10)의 데이터베이스(30)에 있는 각각의 냉난방 설비(210)의 MMI 센싱정보를 수집하는 단계(S31)이다.The step (S31) of collecting the MMI sensing information in the control server 10 is a step (S31) of collecting the MMI sensing information of each air conditioning equipment 210 in the database 30 of the control server 10.

이때, 상기 냉난방 설비(210)의 제어부(200)인 건물자동제어시스템(BAS)이 운영되는 현장에 있는 관제서버(10)의 데이터베이스(30)에서 MMI 센싱정보를 제공하며, MMI 센싱정보의 주요 속성은 센싱시간, MMI장비ID, 실내온도, 가동상태, 기기상태 및 센싱정보로 구성되고, 센싱시간은 년, 월, 일, 시, 분, 초로 구성되며, 센싱시간 간의 간격은 1분, 5분, 10분 등으로 임의로 설정할 수 있다.At this time, the MMI sensing information is provided from the database 30 of the control server 10 at the site where the automatic building control system (BAS), which is the control unit 200 of the heating and cooling facility 210, is operated, and is the main source of the MMI sensing information. Attributes consist of sensing time, MMI equipment ID, room temperature, operation status, device status and sensing information, sensing time consists of year, month, day, hour, minute, and second, and the interval between sensing times is 1 minute It can be set arbitrarily to minutes, 10 minutes, etc.

상기 냉난방 설비(210)의 제어부(200)인 건물자동제어시스템(BAS)에서 전송되는 분단위로 센싱된 MMI 센싱정보는 1시간 단위로 부하를 실측할 수 있도록 1시간 단위의 MMI 계측정보로 변환되어야 하며, MMI 계측정보의 주요 속성은 계측일자, 계측시각, 장비분류코드, 장비번호, 기기상태, 계측정보이고, 계측일자와 계측시각은 MMI 센싱정보의 센싱시간에서 추출하며, 장비분류코드와 장비번호는 MMI장비ID와 장비분류코드 및 장비번호를 매핑해 놓은 장비매핑정보에서 얻어지고, 기기상태와 계측정보는 MMI 센싱정보의 기기상태와 센싱정보로부터 각각 얻게 된다.The MMI sensing information sensed in minutes transmitted from the automatic building control system (BAS), which is the control unit 200 of the heating and cooling facility 210, is converted into MMI measurement information in units of one hour so that the load can be measured in units of one hour. The main attributes of MMI measurement information are measurement date, measurement time, equipment classification code, equipment number, equipment state, and measurement information. The measurement date and measurement time are extracted from the sensing time of MMI sensing information, and equipment classification code and equipment The number is obtained from the equipment mapping information in which the MMI equipment ID, equipment classification code, and equipment number are mapped, and the equipment state and measurement information are respectively obtained from the equipment state and sensing information of the MMI sensing information.

특히 계측정보는 1시간 동안(예: 9시부터 10시 이전까지) MMI 센싱정보의 평균값이다. 관제서버(10)에서 MMI 센싱정보를 수집하여 MMI 계측정보로 변환하면 방법은 여러 가지가 있으며, 이주 하나 또는 하나 이상의 방법으로 변환하고, 검증할 수 있다.In particular, the measurement information is the average value of the MMI sensing information for one hour (eg, from 9:00 to before 10:00). When MMI sensing information is collected from the control server 10 and converted into MMI measurement information, there are several methods, and it can be converted and verified by one or more migration methods.

상기 실측 냉난방 설비(210) 부하로 환산하는 단계(S32)는 상기의 MMI 계측정보를 부하 환산공식을 이용하여 시간별로 실측 냉난방 설비(210) 부하로 환산하는 단계(S32)이다.The step (S32) of converting the actual measured heating and cooling facility 210 load is a step (S32) of converting the MMI measurement information into the actual measured heating and cooling facility 210 load by time using a load conversion formula (S32).

도 9에 도시된 바와 같이 다수의 냉난방 설비(210)에 대한 부하 환산식이 제공되며, 상황에 따라 제공된 부하 환산식 중에서 냉난방 설비(210)에 설치되어 있는 계측기와 센서의 종류에 따라 도 8에 도시되어 있는 부하 측정 환산식을 사용하여 시간별로 실측 냉난방 설비(210) 부하로 환산할 수 있다.As shown in FIG. 9 , a load conversion formula for a plurality of heating and cooling facilities 210 is provided, and it is shown in FIG. 8 according to the types of measuring instruments and sensors installed in the heating and cooling facility 210 among the load conversion formulas provided according to the situation. It can be converted to the actual measured heating and cooling facility 210 load by time using the load measurement conversion formula.

예를 들어, 공조기(AHU)에 풍량계가 2개 설치된 경우에 냉난방 부하 환산식은 방법 1, 풍량계가 1개만 설치된 경우에 냉난방 부하 환산식은 방법 2, 풍량계가 설치되어 있지 않고 온도센서만 설치된 경우 냉난방 부하 환산식은 방법 3, 온도센서도 설치되지 않은 경우 냉난방 부하 환산식은 방법 4의 환산식을 사용한다. For example, when two air volume meters are installed in an air conditioner (AHU), the conversion equation for heating and cooling load is Method 1, when only one air volume meter is installed, method 2 for converting the heating and cooling load, and when only a temperature sensor is installed without an air flow meter, the heating and cooling load Method 3 is the conversion formula, and if the temperature sensor is not installed, the conversion formula of method 4 is used as the conversion formula for heating and cooling loads.

이와 같이 냉난방 설비(210)의 부하 환산식이 다수의 경우에 따라 다르게 적용되는데 이러한 다른 경우로 이루어지는 13가지 냉난방 설비(210) 별로 냉난방 설비(210)에 설치되어 있는 계측기와 센서의 종류에 따라 사용할 수 있는 부하 환산식은 도 9에 도시된 바와 같다.As such, the load conversion equation of the heating and cooling facility 210 is applied differently depending on a number of cases. The load conversion formula is as shown in FIG.

상기 구역별 시간별 실측부하로 배분하는 단계(S33)는 환산된 시간별 실측 냉난방 설비(210) 부하와 건물의 구역별로 지원되는 냉난방 설비(210) 정보와 매핑하여 구역별 시간별로 실측부하로 분배하는 단계이다.The step (S33) of distributing the actual measured load for each zone by time (S33) is a step of mapping the converted hourly actual measured heating and cooling equipment 210 load and the heating and cooling equipment 210 information supported by each zone of the building, and distributing it as the actual measured load for each zone by time am.

이때, 상기 건물의 구역별로 지원되는 냉난방 설비(210) 정보의 주요 속성은 장비분류코드, 장비번호, 구역번호, 장비부하비율로 구성되고, 시간별로 실측된 냉난방 설비(210)별 부하를 해당 냉난방 설비(210)가 담당하고 있는 건물의 구역들 각각에 미리 설정된 장비부하비율에 따라 냉난방 설비(210)별로 부하를 분배하여 건물의 구역별로 시간별 실측부하를 산출한다. At this time, the main properties of the information on the heating and cooling equipment 210 supported by each zone of the building are composed of an equipment classification code, an equipment number, a zone number, and an equipment load ratio. The load is distributed for each heating and cooling facility 210 according to the equipment load ratio set in advance in each of the areas of the building that the facility 210 is in charge of to calculate the actual load for each hour of the building area.

상기 실측부하 데이터를 저장하는 단계(S34)는 건물의 구역별 시간별 실측부하 데이터를 데이터베이스(30)에 저장하는 단계이다.The step of storing the measured load data ( S34 ) is a step of storing the measured load data for each zone of the building by time in the database 30 .

상기 냉난방을 하지 않는 시기인 봄과 가을 같은 환절기에는 실측부하를 산출할 수 없으므로 실측부하 산출부(50)가 작동하지 않는다.Since the measured load cannot be calculated during the changing seasons such as spring and autumn, which are periods in which heating and cooling are not performed, the measured load calculating unit 50 does not operate.

도 6을 참조하면, 상기 실측부하를 산출하는 단계(S30)에서 냉난방 설비(210)의 실측 부하를 산출하게 되면, 학습모델을 선정하고 훈련하는 단계(S40)를 통해 기상청 서버(100)에서 전송되는 과거 및 미래의 기상데이터와, 냉난방 부하 예측값 및 실측부하를 통해 학습모델 결정부(70)에서 부하 예측 성능이 가장 좋은 최선의 머신러닝 학습모델을 선정하고 훈련하게 된다.Referring to FIG. 6 , when the measured load of the heating and cooling equipment 210 is calculated in the step of calculating the measured load ( S30 ), the learning model is selected and transmitted from the server 100 through the training step ( S40 ) The learning model determining unit 70 selects and trains the best machine learning learning model with the best load prediction performance through the past and future weather data, the heating and cooling load predicted value, and the actual load.

이러한 상기 학습모델을 선정하고 훈련하는 단계(S40)는, 관제서버(10)에 저장되는 과거 데이터들을 가져오는 단계(S41), 관제서버(10)에서 가져온 과거 기상정보와 냉난방 기간 실측부하 데이터를 전처리하는 단계(S42), 학습모델 결정부(70)를 통해 훈련 데이터와 시험 데이터를 생성하는 단계(S43), 학습모델 결정부(70)를 통해 최선의 머신러닝 학습모델을 선정하는 단계(S44), 학습모델 결정부(70)를 통해 선정된 머신러닝 학습모델을 훈련하는 단계(S45)를 포함한다.In the step (S40) of selecting and training the learning model, the step (S41) of bringing the past data stored in the control server 10, the past weather information brought from the control server 10 and the actual load data of the heating and cooling period Pre-processing (S42), generating training data and test data through the learning model determining unit 70 (S43), selecting the best machine learning learning model through the learning model determining unit 70 (S44) ), and training the machine learning learning model selected through the learning model determining unit 70 (S45).

이때, 상기 관제서버(10)의 학습모델 결정부(70)는, 인공지능 학습 훈련과 예측을 수행하는 기계학습 엔진(71) 및 학습된 모델을 저장하는 학습모델 저장부(72)를 더 포함한다. At this time, the learning model determining unit 70 of the control server 10 further includes a machine learning engine 71 for performing artificial intelligence learning training and prediction, and a learning model storage unit 72 for storing the learned model. do.

상기 과거 데이터들을 가져오는 단계(S41)는 관제서버(10)의 데이터베이스(30)에 저장되어 있는 과거의 구역별 일자별로 공조시기(냉방기, 난방기, 봄환절기, 가을환절기), 요일, 시간, 실측부하(

Figure 112020110032362-pat00004
), 예측부하(
Figure 112020110032362-pat00005
), 실황 외기온도(
Figure 112020110032362-pat00006
), 실황 일사량(
Figure 112020110032362-pat00007
), 실황 엔탈피(
Figure 112020110032362-pat00008
), 예보 외기온도(
Figure 112020110032362-pat00009
), 예보 일사량(
Figure 112020110032362-pat00010
), 예보 엔탈피(
Figure 112020110032362-pat00011
), 실내 설정온도(
Figure 112020110032362-pat00012
), 실내 설정엔탈피(
Figure 112020110032362-pat00013
) 데이터를 가져오는 단계이다.In the step (S41) of bringing the past data, the air conditioning period (air conditioner, heater, spring turning season, autumn turning season), day of the week, time, and actual measurement by date for each area in the past stored in the database 30 of the control server 10 is Load(
Figure 112020110032362-pat00004
), the predicted load (
Figure 112020110032362-pat00005
), live outside air temperature (
Figure 112020110032362-pat00006
), live insolation (
Figure 112020110032362-pat00007
), running enthalpy (
Figure 112020110032362-pat00008
), forecast outdoor temperature (
Figure 112020110032362-pat00009
), the forecast insolation (
Figure 112020110032362-pat00010
), forecast enthalpy (
Figure 112020110032362-pat00011
), indoor set temperature (
Figure 112020110032362-pat00012
), indoor setting enthalpy (
Figure 112020110032362-pat00013
) to fetch the data.

상기 냉난방을 하는 냉방기 및 난방기에는 구역별 일자별로 공조시기, 요일, 시간, 실측부하(

Figure 112020110032362-pat00014
), 실황 외기온도(
Figure 112020110032362-pat00015
), 실황 일사량(
Figure 112020110032362-pat00016
), 실황 엔탈피(
Figure 112020110032362-pat00017
), 실내 설정온도(
Figure 112020110032362-pat00018
), 실내 설정엔탈피(
Figure 112020110032362-pat00019
) 데이터를 가져오며, 수학식 1에 의해 실측부하(
Figure 112020110032362-pat00020
)를 과거 부하(
Figure 112020110032362-pat00021
)로 대체하고, 실황 일사량(
Figure 112020110032362-pat00022
)을 과거 일사량(
Figure 112020110032362-pat00023
)으로 대체한다.For the air conditioners and heaters for heating and cooling, the air conditioning period, day of the week, time, actual load (
Figure 112020110032362-pat00014
), live outside air temperature (
Figure 112020110032362-pat00015
), live insolation (
Figure 112020110032362-pat00016
), running enthalpy (
Figure 112020110032362-pat00017
), indoor set temperature (
Figure 112020110032362-pat00018
), indoor setting enthalpy (
Figure 112020110032362-pat00019
) Gets the data, the measured load by the equation (1) (
Figure 112020110032362-pat00020
) to the past load(
Figure 112020110032362-pat00021
), and the live insolation (
Figure 112020110032362-pat00022
) to past insolation (
Figure 112020110032362-pat00023
) is replaced with

수학식 1Equation 1

Figure 112020110032362-pat00024
Figure 112020110032362-pat00024

여기서, i는 과거 데이터의 행 개수이다.here, i is the number of rows of past data.

상기 냉난방을 하지 않는 봄환절기 및 가을환절기에는 구역별 일자별로 공조시기, 요일, 시간, 예측부하(

Figure 112020110032362-pat00025
), 예보 외기온도(
Figure 112020110032362-pat00026
), 예보 일사량(
Figure 112020110032362-pat00027
), 예보 엔탈피(
Figure 112020110032362-pat00028
), 실내 설정온도(
Figure 112020110032362-pat00029
), 실내 설정엔탈피(
Figure 112020110032362-pat00030
) 데이터를 가져오며, 수학식 2와 같이 예측부하(
Figure 112020110032362-pat00031
)를 과거 부하(
Figure 112020110032362-pat00032
)로 대체하고, 예보 일사량(
Figure 112020110032362-pat00033
)을 과거 일사량(
Figure 112020110032362-pat00034
)으로 대체한다.In the spring and autumn seasons without air conditioning, the air conditioning period, day of the week, time, predicted load (
Figure 112020110032362-pat00025
), forecast outdoor temperature (
Figure 112020110032362-pat00026
), the forecast insolation (
Figure 112020110032362-pat00027
), forecast enthalpy (
Figure 112020110032362-pat00028
), indoor set temperature (
Figure 112020110032362-pat00029
), indoor setting enthalpy (
Figure 112020110032362-pat00030
) Gets the data, the load prediction as in the equation (2) (
Figure 112020110032362-pat00031
) to the past load(
Figure 112020110032362-pat00032
), and the forecast insolation (
Figure 112020110032362-pat00033
) to past insolation (
Figure 112020110032362-pat00034
) is replaced with

수학식 2Equation 2

Figure 112020110032362-pat00035
Figure 112020110032362-pat00035

여기서, i는 과거 데이터의 행 개수이다.here, i is the number of rows of past data.

상기 냉난방을 하는 냉방기 및 난방기에는 수학식 3에 의해, 과거 온도차(

Figure 112020110032362-pat00036
)는 실황 외기온도(
Figure 112020110032362-pat00037
)에서 실내 설정온도(
Figure 112020110032362-pat00038
)를 빼서 산출하며, 과거 엔탈피차(
Figure 112020110032362-pat00039
)는 실황 엔탈피(
Figure 112020110032362-pat00040
)에서 실내 설정엔탈피(
Figure 112020110032362-pat00041
)를 빼서 산출한다.In the air conditioner and heater for heating and cooling , by Equation 3 , the past temperature difference (
Figure 112020110032362-pat00036
) is the actual outside air temperature (
Figure 112020110032362-pat00037
) at the room set temperature (
Figure 112020110032362-pat00038
) by subtracting the past enthalpy difference (
Figure 112020110032362-pat00039
) is the running enthalpy (
Figure 112020110032362-pat00040
) in the room setting enthalpy (
Figure 112020110032362-pat00041
) is subtracted.

수학식 3Equation 3

Figure 112020110032362-pat00042
Figure 112020110032362-pat00042

여기서, i는 과거 데이터의 행 개수이다.here, i is the number of rows of past data.

상기 냉난방을 하지 않는 봄환절기 및 가을환절기에는 수학식 4에 의해, 과거 온도차(

Figure 112020110032362-pat00043
)는 예보 외기온도(
Figure 112020110032362-pat00044
)에서 실내 설정온도(
Figure 112020110032362-pat00045
)를 빼서 산출하며, 과거 엔탈피차(
Figure 112020110032362-pat00046
)는 예보 엔탈피(
Figure 112020110032362-pat00047
)에서 실내 설정엔탈피(
Figure 112020110032362-pat00048
)를 빼서 산출한다.In the spring and autumn seasons without air conditioning , by Equation 4 , the past temperature difference (
Figure 112020110032362-pat00043
) is the forecast outside temperature (
Figure 112020110032362-pat00044
) at the room set temperature (
Figure 112020110032362-pat00045
) by subtracting the past enthalpy difference (
Figure 112020110032362-pat00046
) is the forecast enthalpy (
Figure 112020110032362-pat00047
) in the room setting enthalpy (
Figure 112020110032362-pat00048
) is subtracted.

수학식 4Equation 4

Figure 112020110032362-pat00049
Figure 112020110032362-pat00049

여기서, i는 과거 데이터의 행 개수이다.here, i is the number of rows of past data.

상기 가져온 데이터를 전처리하는 단계(S42)는 가져온 데이터를 원핫 인코딩(one-hot encoding)하고, 데이터를 스케일링(scaling)하여 데이터를 정돈하는 단계이다.The pre-processing of the imported data ( S42 ) is a step of one-hot encoding the imported data and arranging the data by scaling the data.

상기 데이터의 공조시기 속성 및 요일 속성은 문자형 데이터이고, 시간 속성은 수치형 데이터이므로, 이를 범주형 데이터로 변환하기 위해서 원핫 인코딩(one-hot encoding)을 한다. Since the air conditioning time attribute and the day attribute of the data are character data, and the time attribute is numeric data, one-hot encoding is performed to convert the data into categorical data.

이때, 상기 원핫 인코딩 후에 공조시기 속성은 냉방기, 난방기, 봄환절기, 가을환절기의 4개의 속성으로 분리되어 해당되는 시기의 속성 값은 1을 부여하고, 해당되지 않는 시기의 속성 값은 0을 부여한다.At this time, after the one-hot encoding, the air conditioning period attribute is divided into four attributes of air conditioner, heating period, spring turning season, and autumn turning season. .

상기 원핫 인코딩 후에 요일 속성은 일요일부터 토요일까지 7개의 속성으로 분리되어 해당되는 요일의 속성 값은 1을 부여하고, 해당되지 않는 요일의 속성 값은 0을 부여한다.After the one-hot encoding, the day attribute is divided into seven attributes from Sunday to Saturday, and an attribute value of a corresponding day is given as 1, and an attribute value of a non-corresponding day of the week is assigned as 0.

상기 원핫 인코딩 후에 시간 속성은 냉난방 설비(210) 가동시간에 따라 분리되는 속성 개수가 달라지지만 냉난방 설비(210) 가동시간이 0시부터 23시까지인 경우에는 24개의 속성으로 분리되어 해당되는 시간의 속성 값은 1을 부여하고, 해당되지 않는 시간의 속성 값은 0을 부여한다. After the one-hot encoding, the time attribute varies according to the operating time of the heating and cooling equipment 210, but is divided into 24 attributes when the operating time of the heating and cooling equipment 210 is from 0 to 23:00. A value of 1 is given, and an attribute value of time that does not apply is assigned a value of 0.

이때, 과거 온도차(

Figure 112020110032362-pat00050
), 과거 일사량(
Figure 112020110032362-pat00051
), 과거 엔탈피차(
Figure 112020110032362-pat00052
) 속성은 서로 특성이 달라서 값의 범위가 다르므로 속성 간의 서로 다른 특성들을 일정한 값의 범위로 맞춰주기 위하여 속성 데이터를 스케일링(scaling)을 한다. At this time, the past temperature difference (
Figure 112020110032362-pat00050
), past solar radiation (
Figure 112020110032362-pat00051
), past enthalpy difference (
Figure 112020110032362-pat00052
) properties have different properties, so the range of values is different, so the property data is scaled to match the different properties between properties to a certain range of values.

상기 속성 데이터 스케일링은 Min-Max 정규화, 로버스트(Robust) 정규화, 표준화 방법을 사용할 수 있고, 원핫 인코딩한 데이터와 스케일링한 데이터를 결합하여 정돈을 하며, 본 발명에서는 속성 데이터를 Min-Max 정규화를 수학식 5에 의해 구한다.The attribute data scaling can use Min-Max normalization, robust normalization, and standardization methods, and it is arranged by combining one-hot encoded data and scaled data, and in the present invention, Min-Max normalization of attribute data is performed. It is calculated|required by Equation (5).

수학식 5Equation 5

Figure 112020110032362-pat00053
Figure 112020110032362-pat00053

여기서,

Figure 112020110032362-pat00054
는 과거 외기온도(
Figure 112020110032362-pat00055
)를 스케일링한 과거 외기온도,
Figure 112020110032362-pat00056
는 과거 일사량(
Figure 112020110032362-pat00057
)을 스케일링한 과거 일사량,
Figure 112020110032362-pat00058
는 과거 엔탈피(
Figure 112020110032362-pat00059
)를 스케일링한 과거 엔탈피이며,
Figure 112020110032362-pat00060
는 과거 외기온도(
Figure 112020110032362-pat00061
)의 최솟값,
Figure 112020110032362-pat00062
는 과거 외기온도(
Figure 112020110032362-pat00063
)의 최댓값,
Figure 112020110032362-pat00064
는 과거 일사량(
Figure 112020110032362-pat00065
)의 최솟값,
Figure 112020110032362-pat00066
는 과거 일사량(
Figure 112020110032362-pat00067
)의 최댓값,
Figure 112020110032362-pat00068
는 과거 엔탈피(
Figure 112020110032362-pat00069
)의 최솟값,
Figure 112020110032362-pat00070
는 과거 엔탈피(
Figure 112020110032362-pat00071
)의 최댓값, i는 과거 데이터의 행 개수이다.here,
Figure 112020110032362-pat00054
is the past outdoor temperature (
Figure 112020110032362-pat00055
) scaled past outdoor temperature,
Figure 112020110032362-pat00056
is the past solar radiation (
Figure 112020110032362-pat00057
) scaled past solar radiation,
Figure 112020110032362-pat00058
is the past enthalpy (
Figure 112020110032362-pat00059
) is the scaled past enthalpy,
Figure 112020110032362-pat00060
is the past outdoor temperature (
Figure 112020110032362-pat00061
), the minimum value of
Figure 112020110032362-pat00062
is the past outdoor temperature (
Figure 112020110032362-pat00063
), the maximum value of
Figure 112020110032362-pat00064
is the past solar radiation (
Figure 112020110032362-pat00065
), the minimum value of
Figure 112020110032362-pat00066
is the past solar radiation (
Figure 112020110032362-pat00067
), the maximum value of
Figure 112020110032362-pat00068
is the past enthalpy (
Figure 112020110032362-pat00069
), the minimum value of
Figure 112020110032362-pat00070
is the past enthalpy (
Figure 112020110032362-pat00071
), the maximum value of i is the number of rows of past data.

상기 훈련 데이터와 시험 데이터 생성 단계(S43)는 데이터를 층화 샘플링 방법으로 표본을 추출하여 속성과 레이블(label)을 분리하여 훈련 데이터와 시험 데이터를 생성하는 단계이다.The training data and test data generation step ( S43 ) is a step of generating training data and test data by extracting a sample using a stratified sampling method to separate attributes and labels.

상기 속성은 스케일링된 과거 온도차(

Figure 112020110032362-pat00072
), 과거 일사량(
Figure 112020110032362-pat00073
), 과거 엔탈피차(
Figure 112020110032362-pat00074
), 요일 속성, 시간 속성이 되며, 레이블은 과거 부하(
Figure 112020110032362-pat00075
)가 된다. The property is a scaled historical temperature difference (
Figure 112020110032362-pat00072
), past solar radiation (
Figure 112020110032362-pat00073
), past enthalpy difference (
Figure 112020110032362-pat00074
), the day of the week attribute, the time attribute, and the label is the past load (
Figure 112020110032362-pat00075
) becomes

상기 훈련 데이터와 시험 데이터가 특정 요일과 시간에 편향되지 않고 특정 요일과 특정 시간이 동일한 비율로 훈련 데이터와 시험 데이터에 포함되도록 층화 샘플링 방법을 사용하여 표본을 추출한다.A sample is extracted using a stratified sampling method so that the training data and the test data are not biased on a specific day and time, and the training data and the test data are included in the training data and the test data at the same ratio on a specific day and time.

상기 추출된 표본 데이터를 분리한 부분 집합인 속성 훈련 데이터(

Figure 112020110032362-pat00076
), 레이블 훈련 데이터(
Figure 112020110032362-pat00077
), 속성 시험 데이터(
Figure 112020110032362-pat00078
), 레이블 시험 데이터(
Figure 112020110032362-pat00079
)를 생성한다.Attribute training data (
Figure 112020110032362-pat00076
), the label training data (
Figure 112020110032362-pat00077
), attribute test data (
Figure 112020110032362-pat00078
), label test data (
Figure 112020110032362-pat00079
) is created.

상기 최선의 머신러닝 학습모델을 선정하는 단계(S44)는 기계학습 엔진(71)을 통해 후보 머신러닝 학습 알고리즘들에서 부하 예측 성능이 가장 좋은 최선의 머신러닝 학습모델을 선정하는 단계(S44)이다.The step of selecting the best machine learning learning model (S44) is a step of selecting the best machine learning learning model with the best load prediction performance from the candidate machine learning learning algorithms through the machine learning engine 71 (S44). .

상기 후보 머신러닝 학습 알고리즘(algorithm)들을 선택하고, 후보 학습 알고리즘들에서 요구하는 하이퍼파라미터(hyper parameter) 후보값들을 정의하며, 상기 하이퍼파라미터는 머신러닝 학습 알고리즘을 구성하는 주요 구성 요소이며, 이 값을 조정해 학습 알고리즘의 예측 성능을 개선할 수 있다.Select the candidate machine learning algorithms (algorithms), define hyper parameter candidate values required by the candidate learning algorithms, the hyper parameter is a main component constituting the machine learning learning algorithm, this value can be adjusted to improve the predictive performance of the learning algorithm.

예를 들어, 상기 기계학습 엔진(71)에서 선정된 후보 머신러닝 알고리즘들은 머신러닝의 앙상블(Ensemble) 모델인 그레디언트부스팅(Gradient Boosting) 모델, 랜덤포레스트(Random Forest) 모델과 에이다부스트(AdaBoost) 모델, XG부스트(XGBoost) 모델, LightGBM(Light Gradient Boosting Methods) 모델과 규제가 있는 선형회귀 모델인 엘라스틱넷(Elastic Net) 모델을 선택할 수 있다.For example, the candidate machine learning algorithms selected by the machine learning engine 71 include a gradient boosting model, a random forest model, and an AdaBoost model, which are ensemble models of machine learning. , XGBoost model, LightGBM (Light Gradient Boosting Methods) model, and Elastic Net model, which is a linear regression model with regulation.

상기 후보 학습 알고리즘인 그레디언트부스팅(Gradient Boosting) 모델에서 후보값의 범주를 정하는 대상 하이퍼파라미터는 수행해야 하는 증폭 단계수(n_estimators), 학습율(learning_rate), 트리의 깊이(max_depth), 최대 속성의 개수(max_features) 등이다.The target hyperparameter for determining the category of candidate values in the gradient boosting model, which is the candidate learning algorithm, is the number of amplification steps to be performed (n_estimators), the learning rate (learning_rate), the depth of the tree (max_depth), and the maximum number of attributes ( max_features) and so on.

예를 들면, 그레디언트부스팅(Gradient Boosting)의 하이퍼파라미터 후보값은, n_estimators : [30, 50, 100, 150], learning_rate : [0.01, 0.02, 0.1, 0.15], max_depth : [2, 3, 4], max_features : [5, 10, 18]와 같이 범주를 정할 수 있다.For example, the candidate hyperparameter values of gradient boosting are: n_estimators: [30, 50, 100, 150], learning_rate: [0.01, 0.02, 0.1, 0.15], max_depth: [2, 3, 4] , max_features : [5, 10, 18].

상기 후보 학습 알고리즘인 랜덤포레스트(Random Forest) 모델에서 후보값의 범주를 정하는 대상 하이퍼파라미터는 결정트리의 개수(n_estimators), 트리의 깊이(max_depth), 노드를 분할하기 위한 최소 데이터 개수(min_samples_splits) 등이다.The target hyperparameter for determining the category of candidate values in the random forest model, which is the candidate learning algorithm, is the number of decision trees (n_estimators), the depth of the tree (max_depth), the minimum number of data for splitting nodes (min_samples_splits), etc. am.

예를 들면, 랜덤포레스트(Random Forest) 모델의 하이퍼파라미터 후보값은, n_estimators : arange(50, 100, 10), max_depth : [2, 3, 4, 5], max_features : [5, 10, 18]와 같이 범주를 정할 수 있다.For example, the hyperparameter candidate values of the random forest model are: n_estimators: arange(50, 100, 10), max_depth: [2, 3, 4, 5], max_features: [5, 10, 18] categories can be defined as

상기 후보 학습 알고리즘인 에이다부스트(AdaBoost) 모델에서 후보값의 범주를 정하는 대상 하이퍼파라미터는 증폭이 종료되는 최대 추정 횟수(n_estimators), 학습율(learning_rate), 손실함수(loss) 등이다.In the AdaBoost model, which is the candidate learning algorithm, the target hyperparameter for determining the category of the candidate value is the maximum number of estimations at which amplification is terminated (n_estimators), the learning rate (learning_rate), the loss function (loss), and the like.

예를 들면, 에이다 부스트(AdaBoost) 모델의 하이퍼파라미터 후보값은, n_estimators : [100, 200, 300, 400], learning_rate : [0.01, 0.02, 0.1, 0.2, 0.3], loss : ['square', 'exponential']와 같이 범주를 정할 수 있다.For example, the hyperparameter candidates of the AdaBoost model are: n_estimators: [100, 200, 300, 400], learning_rate: [0.01, 0.02, 0.1, 0.2, 0.3], loss: ['square', 'exponential'], you can define a category.

상기 후보 학습 알고리즘인 XG부스트(XGBoost) 모델에서 후보값의 범주를 정하는 대상 하이퍼파라미터는 결정트리의 개수(n_estimators), 학습율(learning_rate), 트리의 깊이(max_depth) 등이다.In the XG-boost model, which is the candidate learning algorithm, the target hyperparameter for determining the category of the candidate value is the number of decision trees (n_estimators), the learning rate (learning_rate), the depth of the tree (max_depth), and the like.

예를 들면, XG부스트(XGBoost) 모델의 하이퍼파라미터 후보값은, n_estimators : [20, 30, 40, 50], learning_rate : [0.01, 0.02, 0.1, 0.2], max_depth : [2, 3, 4, 5]와 같이 범주를 정할 수 있다.For example, the hyperparameter candidate values of the XGboost model are: n_estimators: [20, 30, 40, 50], learning_rate: [0.01, 0.02, 0.1, 0.2], max_depth: [2, 3, 4, 5], the categories can be determined.

상기 후보 학습 알고리즘인 LightGBM(Light Gradient Boosting Methods) 모델에서 후보값의 범주를 정하는 대상 하이퍼파라미터는 결정트리의 개수(n_estimators), 학습율(learning_rate), 트리의 깊이(max_depth) 등이다.The target hyperparameter for determining the category of candidate values in the Light Gradient Boosting Methods (LightGBM) model, which is the candidate learning algorithm, is the number of decision trees (n_estimators), the learning rate (learning_rate), the depth of the tree (max_depth), and the like.

예를 들면, 상기 LightGBM 모델의 하이퍼파라미터 후보값은, n_estimators : [50, 100, 150, 200], learning_rate : [0.01, 0.05, 0.75, 0.1], max_depth : [2, 3, 4, 5]와 같이 범주를 정할 수 있다.For example, the hyperparameter candidate values of the LightGBM model are: n_estimators: [50, 100, 150, 200], learning_rate: [0.01, 0.05, 0.75, 0.1], max_depth: [2, 3, 4, 5] and You can set categories together.

상기 후보 학습 알고리즘인 엘라스틱넷(Elastic Net) 모델에서 후보값의 범주를 정하는 대상 하이퍼파라미터는 제약조건 비중(alpha), 규제 혼합비율(l1_ratio) 등이다.Target hyperparameters for determining the category of candidate values in the Elastic Net model, which is the candidate learning algorithm, are constraint weight ratio (alpha), regulation mixing ratio (l1_ratio), and the like.

예를 들면, 엘라스틱넷(Elastic Net) 모델의 하이퍼파라미터 후보값은, alpha : [0.1, 0.2, 0.3], l1_ratio : [0, 0.5, 1]와 같이 범주를 정할 수 있다.For example, the hyperparameter candidate values of the Elastic Net model can be categorized as alpha: [0.1, 0.2, 0.3], l1_ratio: [0, 0.5, 1].

상기 후보 학습 알고리즘들에 사용되는 상기 하이퍼파라미터를 순차적으로 입력하면서 최적의 하이퍼파라미터를 도출하기 위하여 그리드 탐색(grid search) 객체를 생성(443)하고, 상기 속성 훈련 데이터(

Figure 112020110032362-pat00080
)와 레이블 훈련 데이터(
Figure 112020110032362-pat00081
)를 사용하여 그리드 탐색을 수행(444)하면 예측 성능이 가장 좋은 최선의 머신러닝 학습모델(
Figure 112020110032362-pat00082
)을 확인(445)할 수 있다.In order to derive the optimal hyperparameter while sequentially inputting the hyperparameters used in the candidate learning algorithms, a grid search object is created (443), and the attribute training data (
Figure 112020110032362-pat00080
) and the label training data (
Figure 112020110032362-pat00081
) to perform grid search (444), the best machine learning learning model with the best prediction performance (
Figure 112020110032362-pat00082
) can be checked (445).

상기 부하 예측 성능을 측정하는 지수는 평균제곱오차(mean squared error; MSE), 평균제곱근오차(Root Mean Squared Error; RMSE), 평균절대오차(Mean Absolute Error; MAE) 등 여러 가지 측정 지수가 있지만, 일반적으로 건물 냉난방 예측부하와 실측부하 간의 오차를 최소로 하는 성능 지수인 평균제곱오차(MSE)는 수학식 6에 의해 산출한다.The index for measuring the load prediction performance includes several measurement indices such as mean squared error (MSE), root mean squared error (RMSE), and mean absolute error (MAE). In general, the mean square error (MSE), which is a performance index that minimizes the error between the predicted load for heating and cooling of a building and the measured load, is calculated by Equation (6).

수학식 6Equation 6

Figure 112020110032362-pat00083
Figure 112020110032362-pat00083

여기서,

Figure 112020110032362-pat00084
는 예측부하이고,
Figure 112020110032362-pat00085
은 실측부하이며, i는 데이터의 행 개수이다.here,
Figure 112020110032362-pat00084
is the predicted load,
Figure 112020110032362-pat00085
is the actual load, i is the number of rows of data.

상기 그리드 탐색 객체는 그리드 탐색을 사용하여 자동으로 여러 개의 내부 학습모델을 생성하고 이를 모두 실행시켜서 수학식 7의 평균제곱오차(MSE)를 최소로 하는 학습 알고리즘과 최적의 하이퍼파라미터를 갖는 최선의 머신러닝 학습모델(

Figure 112020110032362-pat00086
)을 찾을 수 있다.The grid search object automatically generates several internal learning models using grid search and executes them all to minimize the mean square error (MSE) of Equation 7 and the best machine with optimal hyperparameters Learning learning model (
Figure 112020110032362-pat00086
) can be found.

수학식 7Equation 7

Figure 112020110032362-pat00087
(학습 알고리즘, 하이퍼파라미터) = argminMSE(k)
Figure 112020110032362-pat00087
(learning algorithm, hyperparameter) = argmin MSE(k)

Figure 112020110032362-pat00088
Figure 112020110032362-pat00088

여기서,

Figure 112020110032362-pat00089
는 후보 학습모델별로 실행한 후의 평균제곱오차,
Figure 112020110032362-pat00090
은 후보 학습모델(k)의 실측부하인 레이블 훈련 데이터,
Figure 112020110032362-pat00091
는 후보 학습모델(k)에 속성 훈련 데이터(
Figure 112020110032362-pat00092
)를 적용해서 생성된 예측부하, k는 특정 후보 학습모델, i는 훈련 데이터의 행 개수이다.here,
Figure 112020110032362-pat00089
is the mean square error after running for each candidate learning model,
Figure 112020110032362-pat00090
is the label training data that is the actual load of the candidate learning model (k),
Figure 112020110032362-pat00091
is the attribute training data (
Figure 112020110032362-pat00092
) is applied to the predicted load, k is a specific candidate learning model, i is the number of rows in the training data.

상기 선정된 머신러닝 학습모델을 훈련하는 단계(S45)는 상기에서 선정된 최선의 머신러닝 학습모델(

Figure 112020110032362-pat00093
)에 상기 속성 훈련 데이터(
Figure 112020110032362-pat00094
), 레이블 훈련 데이터(
Figure 112020110032362-pat00095
)를 적용하여 최선의 머신러닝 학습모델을 훈련하며, 훈련된 학습모델에 속성 시험 데이터(
Figure 112020110032362-pat00096
), 레이블 시험 데이터(
Figure 112020110032362-pat00097
)를 적용하여 검증을 하여 수학식 8에 의해 평균제곱오차(MSE)가 가장 적은 최종 머신러닝 학습모델(
Figure 112020110032362-pat00098
)이 일자별, 구역별로 결정된다.The step of training the selected machine learning learning model (S45) is the best machine learning learning model (S45) selected above.
Figure 112020110032362-pat00093
) in the attribute training data (
Figure 112020110032362-pat00094
), the label training data (
Figure 112020110032362-pat00095
) to train the best machine learning learning model, and attribute test data (
Figure 112020110032362-pat00096
), label test data (
Figure 112020110032362-pat00097
) To apply to verification by the least mean square error (MSE) by equation (8) the final machine-learning model (
Figure 112020110032362-pat00098
) is determined by date and area.

수학식 8Equation 8

Figure 112020110032362-pat00099
Figure 112020110032362-pat00099

여기서,

Figure 112020110032362-pat00100
는 최선의 머신러닝 학습모델(
Figure 112020110032362-pat00101
)을 검증한 후의 평균제곱오차,
Figure 112020110032362-pat00102
은 실측부하인 레이블 시험 데이터,
Figure 112020110032362-pat00103
는 최선의 머신러닝 학습모델에 속성 시험 데이터(
Figure 112020110032362-pat00104
)를 적용해서 생성된 예측부하, i는 검증 데이터의 행 개수이다.here,
Figure 112020110032362-pat00100
is the best machine learning learning model (
Figure 112020110032362-pat00101
) after verifying the mean square error,
Figure 112020110032362-pat00102
is the actual load, the label test data,
Figure 112020110032362-pat00103
is the attribute test data (
Figure 112020110032362-pat00104
), the predicted load generated by applying i is the number of rows of verification data.

도 7을 참조하면, 상기 학습모델을 선정하고 훈련하는 단계(S40)를 통해 머신러닝 학습모델을 선정하고 훈련하게 되면, 예측부하를 산출하는 단계(S50)를 통해 학습모델 결정부(70)를 통해 결정된 머신러닝 학습모델을 예측부하 산출부(60)에서 적용하여 예측부하를 산출하게 된다.Referring to FIG. 7 , when a machine learning learning model is selected and trained through the step of selecting and training the learning model ( S40 ), the learning model determining unit 70 through the step of calculating the predictive load ( S50 ) The predicted load is calculated by applying the machine learning learning model determined through the prediction load calculation unit 60 .

이러한 상기 예측부하를 산출하는 단계(S50)는, 예측부하 산출부(60)를 통해 미래 기상정보 데이터를 가져오는 단계(51), 예측부하 산출부(60)를 통해 속성 예측 데이터를 전처리하는 단계(S52), 결정된 머신러닝 학습모델을 적용하여 냉난방 부하를 예측하는 단계(S53), 예측부하 산출부(60)를 통해 예측된 예측부하 데이터를 관제서버(10)의 데이터베이스(30)에 저장하는 단계(S54)를 포함한다.The step of calculating the predicted load (S50) includes the steps of importing future weather information data through the prediction load calculation unit 60 (51), and pre-processing the attribute prediction data through the prediction load calculation unit 60 (S52), applying the determined machine learning learning model to predict the heating and cooling load (S53), and storing the predicted load data predicted through the prediction load calculation unit 60 in the database 30 of the control server 10 Step S54 is included.

상기 미래 기상정보 데이터를 가져오는 단계(51)는 관제서버(10)의 데이터베이스(30)에 저장되어 있는 내일의 예보 외기온도(

Figure 112020110032362-pat00105
), 예보 일사량(
Figure 112020110032362-pat00106
), 예보 엔탈피(
Figure 112020110032362-pat00107
), 실내 설정온도(
Figure 112020110032362-pat00108
), 실내 설정엔탈피(
Figure 112020110032362-pat00109
) 데이터를 가져오는 단계이다.In the step 51 of bringing the future weather information data, the forecast outdoor temperature (
Figure 112020110032362-pat00105
), the forecast insolation (
Figure 112020110032362-pat00106
), forecast enthalpy (
Figure 112020110032362-pat00107
), indoor set temperature (
Figure 112020110032362-pat00108
), indoor setting enthalpy (
Figure 112020110032362-pat00109
) to fetch the data.

이때, 수학식 9에 의해, 미래 온도차(

Figure 112020110032362-pat00110
)는 예보 외기온도(
Figure 112020110032362-pat00111
)에서 실내 설정온도(
Figure 112020110032362-pat00112
)를 빼서 산출하며, 미래 엔탈피차(
Figure 112020110032362-pat00113
)는 예보 엔탈피(
Figure 112020110032362-pat00114
)에서 실내 설정엔탈피(
Figure 112020110032362-pat00115
)를 빼서 산출하고, 예보 일사량(
Figure 112020110032362-pat00116
)을 미래 일사량(
Figure 112020110032362-pat00117
)으로 대체한다.At this time, by Equation 9 , the future temperature difference (
Figure 112020110032362-pat00110
) is the forecast outside temperature (
Figure 112020110032362-pat00111
) at the room set temperature (
Figure 112020110032362-pat00112
) is calculated by subtracting the future enthalpy difference (
Figure 112020110032362-pat00113
) is the forecast enthalpy (
Figure 112020110032362-pat00114
) in the room setting enthalpy (
Figure 112020110032362-pat00115
) is calculated by subtracting the forecast solar radiation (
Figure 112020110032362-pat00116
) to future insolation (
Figure 112020110032362-pat00117
) is replaced with

수학식 9Equation 9

Figure 112020110032362-pat00118
Figure 112020110032362-pat00118

여기서, i는 미래 데이터의 행 개수이다.here, i is the number of rows of future data.

상기 속성 예측 데이터를 전처리하는 단계(S52)는 내일의 기상정보를 포함한 속성 예측 데이터를 전처리하는 단계(S52)이다. The pre-processing of the attribute prediction data (S52) is a step (S52) of pre-processing the attribute prediction data including tomorrow's weather information.

상기 속성 예측 데이터(

Figure 112020110032362-pat00119
)는 구역별로 공조시기, 요일, 시간, 미래 온도차(
Figure 112020110032362-pat00120
), 미래 일사량(
Figure 112020110032362-pat00121
), 미래 엔탈피차(
Figure 112020110032362-pat00122
)로 구성된다. 공조시기, 요일, 시간 속성의 데이터는 원핫 인코딩(one-hot encoding)을 하며, 예보 온도차, 예보 일사량 및 예보 엔탈피 속성의 데이터는 수학식 10에 의해 Min-Max 정규화 스케일링(scaling)을 하여 속성 예측 데이터를 정돈한다.The attribute prediction data (
Figure 112020110032362-pat00119
) is the air conditioning period, day of the week, time, future temperature difference (
Figure 112020110032362-pat00120
), future insolation (
Figure 112020110032362-pat00121
), future enthalpy (
Figure 112020110032362-pat00122
) is composed of One-hot encoding is performed on the data of the air conditioning period, day of the week, and time attribute, and the data of the forecast temperature difference, forecast solar radiation and forecast enthalpy attributes are predicted by performing Min-Max normalized scaling according to Equation 10. Organize your data.

수학식 10Equation 10

Figure 112020110032362-pat00123
Figure 112020110032362-pat00123

여기서,

Figure 112020110032362-pat00124
는 미래 온도차(
Figure 112020110032362-pat00125
)를 스케일링한 미래 온도차,
Figure 112020110032362-pat00126
는 미래 일사량(
Figure 112020110032362-pat00127
)을 스케일링한 미래 일사량,
Figure 112020110032362-pat00128
는 미래 엔탈피(
Figure 112020110032362-pat00129
)를 스케일링한 과거 엔탈피이며,
Figure 112020110032362-pat00130
는 과거 외기온도(
Figure 112020110032362-pat00131
)의 최솟값,
Figure 112020110032362-pat00132
는 과거 외기온도(
Figure 112020110032362-pat00133
)의 최댓값,
Figure 112020110032362-pat00134
는 과거 일사량(
Figure 112020110032362-pat00135
)의 최솟값,
Figure 112020110032362-pat00136
는 과거 일사량(
Figure 112020110032362-pat00137
)의 최댓값,
Figure 112020110032362-pat00138
는 과거 엔탈피(
Figure 112020110032362-pat00139
)의 최솟값,
Figure 112020110032362-pat00140
는 과거 엔탈피(
Figure 112020110032362-pat00141
)의 최댓값, i는 미래 데이터의 행 개수이다.here,
Figure 112020110032362-pat00124
is the future temperature difference (
Figure 112020110032362-pat00125
) scaled future temperature difference,
Figure 112020110032362-pat00126
is the future insolation (
Figure 112020110032362-pat00127
) scaled future insolation,
Figure 112020110032362-pat00128
is the future enthalpy (
Figure 112020110032362-pat00129
) is the scaled past enthalpy,
Figure 112020110032362-pat00130
is the past outdoor temperature (
Figure 112020110032362-pat00131
), the minimum value of
Figure 112020110032362-pat00132
is the past outdoor temperature (
Figure 112020110032362-pat00133
), the maximum value of
Figure 112020110032362-pat00134
is the past solar radiation (
Figure 112020110032362-pat00135
), the minimum value of
Figure 112020110032362-pat00136
is the past solar radiation (
Figure 112020110032362-pat00137
), the maximum value of
Figure 112020110032362-pat00138
is the past enthalpy (
Figure 112020110032362-pat00139
), the minimum value of
Figure 112020110032362-pat00140
is the past enthalpy (
Figure 112020110032362-pat00141
), where i is the number of rows of future data.

상기 속성 예측 데이터의 속성은 스케일링한 미래 온도차(

Figure 112020110032362-pat00142
), 미래 일사량(
Figure 112020110032362-pat00143
), 미래 엔탈피차(
Figure 112020110032362-pat00144
)와 원핫 인코딩된 공조시기 속성, 요일 속성 및 시간 속성이 된다.The property of the property prediction data is a scaled future temperature difference (
Figure 112020110032362-pat00142
), future insolation (
Figure 112020110032362-pat00143
), future enthalpy (
Figure 112020110032362-pat00144
) and one-hot-encoded air conditioning time attribute, day attribute, and time attribute.

상기 속성 예측 데이터를 적용하여 냉난방 부하를 예측하는 단계(S53)는 상기 전처리된 속성 예측 데이터를 상기 최종 머신러닝 학습모델에 적용하여 냉난방 예측부하를 산출하는 단계(S50)이다.Predicting the heating/cooling load by applying the attribute prediction data (S53) is a step of calculating the heating/cooling prediction load by applying the preprocessed attribute prediction data to the final machine learning learning model (S50).

상기 냉난방 예측부하(

Figure 112020110032362-pat00145
)는 스케일링한 속성 예측 데이터를 구역별로 생성된 최종 머신러닝 학습모델(
Figure 112020110032362-pat00146
)에 수학식 11에 적용하여 구역별, 시간별로 산출된다.The heating and cooling predicted load (
Figure 112020110032362-pat00145
) is the final machine learning learning model (
Figure 112020110032362-pat00146
) by applying Equation 11 to each area and by time.

수학식 11Equation 11

Figure 112020110032362-pat00147
Figure 112020110032362-pat00147

여기서,

Figure 112020110032362-pat00148
는 예측부하,
Figure 112020110032362-pat00149
는 최종 머신러닝 학습모델,
Figure 112020110032362-pat00150
는 속성 예측 데이터이다.here,
Figure 112020110032362-pat00148
is the predicted load,
Figure 112020110032362-pat00149
is the final machine learning learning model,
Figure 112020110032362-pat00150
is attribute prediction data.

상기 예측부하 데이터를 저장하는 단계(S54)는 건물의 구역별 시간별 예측부하 데이터를 데이터베이스(30)에 저장하여 이를 통해 냉난방 설비(210)를 예측 부하로 제어할 수 있도록 한다.In the storing of the predicted load data (S54), the predicted load data for each zone of the building is stored in the database 30 so that the heating and cooling facility 210 can be controlled as a predicted load.

도 8을 참조하면, 상기 예측부하를 산출하는 단계(S50)를 통해 예측부하를 산출하게 되면, 예측부하를 보정하는 단계(S60)를 통해 산출된 실측부하와 예측부하를 간의 오차를 예측부하 보정부(80)를 통해 검증하여 예측부하를 보정하게 된다.Referring to FIG. 8 , when the predicted load is calculated through the step of calculating the predicted load ( S50 ), the error between the measured load and the predicted load calculated through the step of correcting the predicted load ( S60 ) is calculated using the predicted load information. It is verified through the government 80 to correct the predicted load.

이러한 상기 예측부하를 보정하는 단계(S60)는, 상기 예측부하를 산출하는 단계(S50)를 통해 산출된 예측부하를 검증하는 단계(S61), 기상청 서버(100)에서 전송되는 오늘 데이터를 가져오는 단계(S62), 예측부하 보정부(60)에서 진행할 보정 머신러닝 학습모델을 결정하는 단계(S63) 및 예측부하 보정부(60)에서 보정 예측부하를 산출하는 단계(S64)로 이루어진다.This step of correcting the predicted load (S60), verifying the predicted load calculated through the step (S50) of calculating the predicted load (S61), bringing today's data transmitted from the Meteorological Administration server 100 It consists of a step (S62), a step (S63) of determining a corrected machine learning learning model to be performed by the predictive load correcting unit (60), and a step (S64) of calculating a corrected predictive load by the predicting load correcting unit (60).

상기 예측부하 산출부(60)에서 산출된 예측부하와 오늘 공조장비를 가동하여 상기 실측부하 산출부(50)에서 산출된 실측부하간의 오차를 검증하여 예측부하를 보정하는 예측부하 보정부(80)에 대해 추가로 설명하기로 한다.The predicted load correcting unit 80 that corrects the predicted load by verifying the error between the predicted load calculated by the predicted load calculating unit 60 and the actual measured load calculated by the measured load calculating unit 50 by operating the air conditioning equipment today will be further described.

상기 예측부하를 검증하는 단계(S61)는 오늘의 예측부하와 냉난방을 하기 위해 공조장비 가동하여 산출된 오늘의 실측부하간의 오차를 비교하여 허용오차율(예를 들어 15%)을 넘는지 여부를 검증하는 단계이다.The step of verifying the predicted load (S61) is to compare the error between today's predicted load and today's actual load calculated by operating the air conditioning equipment for heating and cooling, and verifying whether it exceeds the allowable error rate (for example, 15%) is a step to

상기 예측부하 검증은 1시간 간격으로 오늘 특정 시각의 예측부하와 실측부하간의 오차값을 대상으로 수행하며 평균제곱근오차 변동계수인 오차율

Figure 112020110032362-pat00151
는 수학식 12에 의해 산출된다.The prediction load verification is performed on the error value between the predicted load and the measured load at a specific time today at one-hour intervals, and the error rate is the root mean square error coefficient of variation.
Figure 112020110032362-pat00151
is calculated by Equation (12).

수학식 12Equation 12

Figure 112020110032362-pat00152
Figure 112020110032362-pat00152

여기서,

Figure 112020110032362-pat00153
는 특정 시각(
Figure 112020110032362-pat00154
)의 오차율,
Figure 112020110032362-pat00155
는 특정 시각(
Figure 112020110032362-pat00156
)에서 특정 구역(
Figure 112020110032362-pat00157
)의 실측부하,
Figure 112020110032362-pat00158
는 특정 시각(
Figure 112020110032362-pat00159
)에서 특정 구역(
Figure 112020110032362-pat00160
)의 예측부하,
Figure 112020110032362-pat00161
는 구역의 개수,
Figure 112020110032362-pat00162
는 특정 시각이다.here,
Figure 112020110032362-pat00153
is a specific time (
Figure 112020110032362-pat00154
) of the error rate,
Figure 112020110032362-pat00155
is a specific time (
Figure 112020110032362-pat00156
) in a specific area (
Figure 112020110032362-pat00157
) of the actual load,
Figure 112020110032362-pat00158
is a specific time (
Figure 112020110032362-pat00159
) in a specific area (
Figure 112020110032362-pat00160
) of the predicted load,
Figure 112020110032362-pat00161
is the number of zones,
Figure 112020110032362-pat00162
is a specific time.

상기 오차율

Figure 112020110032362-pat00163
가 허용오차율(얘를 들어 15%)보다 클 경우에는 다음 단계인 오늘 데이터를 가져오는 단계(S62)부터 이후의 단계(S63, S64)에서 오늘에 대한 부하 예측을 다시 수행하여 예측부하를 보정하게 되며, 오차율
Figure 112020110032362-pat00164
가 허용오차율(얘를 들어 15%) 이하일 경우에는 오늘에 대한 예측부하를 보정하지 않기 때문에 다음 단계인 오늘 데이터를 가져오는 단계(S62)부터 이후의 단계(S63, S64)를 수행하지 않는다.the error rate
Figure 112020110032362-pat00163
If is greater than the allowable error rate (for example, 15%), from the next step of getting today's data (S62) to the subsequent steps (S63, S64), the load prediction for today is performed again to correct the predicted load. and the error rate
Figure 112020110032362-pat00164
If is less than the allowable error rate (for example, 15%), the predicted load for today is not corrected.

상기 오늘 데이터를 가져오는 단계(S62)는 데이터베이스(30)에 저장되어 있는 예측부하를 검증한 시각인 오늘의 특정 시각(

Figure 112020110032362-pat00165
)까지의 구역별 일자별로 공조시기, 요일, 시간, 실측부하(
Figure 112020110032362-pat00166
), 실황 외기온도(
Figure 112020110032362-pat00167
), 실황 일사량(
Figure 112020110032362-pat00168
), 실황 엔탈피(
Figure 112020110032362-pat00169
), 실내 설정온도(
Figure 112020110032362-pat00170
), 실내 설정온도(
Figure 112020110032362-pat00171
), 실내 설정엔탈피(
Figure 112020110032362-pat00172
) 데이터를 가져와서 학습모델 결정부(400)의 과거 데이터들을 가져오는 단계(S41)에서 가져온 데이터와 병합하여 머신러닝 학습모델을 결정하는데 필요한 보정용 과거 데이터를 구성하며, 오늘의 특정 시각(
Figure 112020110032362-pat00173
) 이후의 예보 외기온도(
Figure 112020110032362-pat00174
), 예보 일사량(
Figure 112020110032362-pat00175
), 예보 엔탈피(
Figure 112020110032362-pat00176
), 실내 설정온도(
Figure 112020110032362-pat00177
), 실내 설정엔탈피(
Figure 112020110032362-pat00178
) 데이터를 가져와서 예측부하를 보정하기 위해서 다시 부하를 예측하는데 필요한 보정용 속성 예측 데이터를 구성한다.The step of importing today's data (S62) is a specific time of the day (
Figure 112020110032362-pat00165
Air conditioning period, day of the week, time, actual load (
Figure 112020110032362-pat00166
), live outside air temperature (
Figure 112020110032362-pat00167
), live insolation (
Figure 112020110032362-pat00168
), running enthalpy (
Figure 112020110032362-pat00169
), indoor set temperature (
Figure 112020110032362-pat00170
), indoor set temperature (
Figure 112020110032362-pat00171
), indoor setting enthalpy (
Figure 112020110032362-pat00172
) by importing the data and merging the data brought in in the step (S41) of bringing the past data of the learning model determining unit 400 to compose the past data for correction necessary to determine the machine learning learning model, and at a specific time today (
Figure 112020110032362-pat00173
) the forecast outside temperature (
Figure 112020110032362-pat00174
), the forecast insolation (
Figure 112020110032362-pat00175
), forecast enthalpy (
Figure 112020110032362-pat00176
), indoor set temperature (
Figure 112020110032362-pat00177
), indoor setting enthalpy (
Figure 112020110032362-pat00178
) data and composes the attribute prediction data for correction necessary to predict the load again in order to correct the predicted load.

상기 보정 학습모델 결정 단계(S63)는 오늘 데이터를 가져오는 단계(620)에서 구성된 보정용 과거 데이터를 바탕으로 학습모델 결정부(400)의 과거 데이터를 가져오는 단계(S41)부터 머신러닝 학습모델을 훈련하는 단계(S45)까지 수행하여 보정된 머신러닝 학습모델을 결정한다.The correction learning model determination step (S63) is a machine learning learning model from the step (S41) of importing the past data of the learning model determiner 400 based on the past data for correction configured in the step 620 of importing today's data. A calibrated machine learning learning model is determined by performing up to the training step (S45).

상기 보정 예측부하 산출 단계(S64)는 오늘 데이터를 가져오는 단계(S62)에서 구성된 보정용 속성 예측 데이터를 보정 학습모델 결정 단계(S63)에서 결정된 보정 머신러닝 학습모델을 적용하여 예측부하 산출부(60)의 미래 데이터를 가져오는 단계(S51)부터 예측부하를 저장하는 단계(S54)까지 수행하여 보정된 예측부하를 산출하여 데이터베이스(30)에 저장한다. The corrected predictive load calculation step (S64) is a prediction load calculation unit (60) by applying the corrected machine learning learning model determined in the corrected learning model determining step (S63) to the correction attribute prediction data configured in the step (S62) of bringing today's data. ) from the step (S51) of bringing the future data to the step (S54) of storing the predicted load to calculate the corrected prediction load and store it in the database (30).

도 10 내지 도 12를 참조하면, 본 발명에 개시된 실시예에 따라 제주도 소재 공공기관 2개 건물의 2018년 8월 8일부터 2018년 9월 7일까지 1달간의 냉방부하 데이터에 적용을 하였으며, 도 9는 후보 머신러닝 학습모델 중에서 예측 일자별로 건물별로 성능이 가장 좋은 학습모델로 결정된 학습모델이다.10 to 12, according to the embodiment disclosed in the present invention, it was applied to the cooling load data for one month from August 8, 2018 to September 7, 2018 of two public institutions located in Jeju Island, 9 is a learning model determined as a learning model with the best performance for each building by prediction date among candidate machine learning learning models.

이와 같이 이루어지는 본 발명은 냉난방 설비의 실측부하를 기반으로 하여 부하 예측을 할 때마다, 여러 가지 인공지능 머신러닝 학습 알고리즘 중에서 건물의 구역별로 부하 예측 성능이 가장 좋은 최선의 머신러닝 학습모델을 탐색하고, 이를 통해 건물의 구역마다 서로 다른 머신러닝 학습모델을 적용함으로써, 내일의 냉난방 부하를 더욱 정확하게 예측하여 실제 운전에 적용시킬 수 있는 효과가 있다.The present invention made in this way searches for the best machine learning learning model with the best load prediction performance for each area of the building among various artificial intelligence machine learning learning algorithms whenever the load is predicted based on the actual load of the heating and cooling facilities. , through this, by applying different machine learning learning models to each area of the building, it is possible to more accurately predict tomorrow's heating and cooling load and apply it to actual operation.

또한, 운전 당일에도 냉난방 예측부하를 시간단위로 보정하면서 적용시키므로, 최적으로 냉난방 설비를 작동시켜 냉난방의 효율을 증가시키고, 냉난방에 소요되는 에너지를 감소시킬 수 있는 효과가 있다.In addition, since the predicted load for heating and cooling is applied while correcting the heating and cooling load in units of time even on the day of operation, it is possible to increase the efficiency of heating and cooling by optimally operating the heating and cooling equipment, and to reduce the energy required for heating and cooling.

상기와 같은 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법은 위에서 설명된 실시예들의 구성과 작동 방식에 한정되는 것이 아니다. 상기 실시예들은 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 다양한 변형이 이루어질 수 있도록 구성될 수도 있다.The method of predicting the heating and cooling load of a building based on the multi-AI learning model as described above is not limited to the configuration and operation method of the above-described embodiments. The above embodiments may be configured so that various modifications can be made by selectively combining all or part of each of the embodiments.

10 : 관제서버 20 : 통신부
30 : 데이터베이스 40 : 부하예측 판단부
50 : 실측부하 산출부 60 : 예측부하 산출부
70 : 학습모델 결정부 71 : 기계학습 엔진
72 : 학습모델 저장부
80 : 예측부하 보정부
100 : 기상청 서버
200 : 제어부 210 : 냉난방 설비10: control server 20: communication department
30: database 40: load prediction judgment unit
50: actual load calculation unit 60: predicted load calculation unit
70: learning model determining unit 71: machine learning engine
72: learning model storage unit
80: predictive load correction unit
100: Meteorological Agency Server
200: control unit 210: heating and cooling equipment

Claims (10)

기상청 서버(100)에서 통신을 통해 과거의 기상 데이터와 미래의 기상 예측 데이터를 통신부(20)로 전송받는 단계(S10);
상기 기상청 서버(100)에서 전송받은 과거 및 미래 예측 기상 데이터를 통해 부하예측 판단부(40)에서 부하 예측 대상이 냉방부하인지 난방부하인지 결정하는 단계(S20);
건물의 구역별 냉난방설비 제어부(200)에서 전송되는 시간에 따른 부하를 관제서버(10)로 전송하여 실측부하 산출부(50)를 통해 실측부하를 산출하는 단계(S30);
상기 기상청 서버(100)에서 전송되는 과거 및 미래의 기상데이터와, 냉난방 부하 예측값 및 실측부하를 통해 학습모델 결정부(70)에서 부하 예측 성능이 가장 좋은 최선의 머신러닝 학습모델을 선정하고 훈련하는 단계(S40);
상기 학습모델 결정부(70)를 통해 결정된 머신러닝 학습모델을 예측부하 산출부(60)에서 적용하여 예측부하를 산출하는 단계(S50)
상기 산출된 실측부하와 예측부하를 간의 오차를 예측부하 보정부(80)를 통해 검증하여 예측부하를 보정하는 단계(S60) 및
상기 예측부하 산출부(60)를 통해 산출된 예측부하를 통해 냉난방 설비(210)의 제어부(200)를 제어하여 냉난방 설비(210)를 제어하는 단계(S70)를 포함하고,
상기 실측부하를 산출하는 단계(S30)는,
냉난방을 하는 시기에 냉난방 설비(210)별 실측부하를 구하기 위해, 냉난방 설비(210)가 설치된 현장의 관제서버(10)의 데이터베이스(30)에서 제공되는 MMI(Man Machine Interface) 센싱정보를 수집하는 단계(S31);
상기 MMI 센싱정보의 수집단계(S31) 후, 변환된 MMI 계측정보를 실측 냉난방 설비(210) 부하로 환산하는 단계(S32);
상기 환산된 실측 냉난방 설비(210) 부하를 구역별 시간별 실측부하로 배분하는 단계(S33) 및
상기 실측부하 데이터를 저장하는 단계(S34)를 포함하되,
상기 학습모델을 선정하고 훈련하는 단계(S40)는,
상기 관제서버(10)에 저장되는 과거 데이터들을 가져오는 단계(S41);
상기 관제서버(10)에서 가져온 과거 기상정보와 냉난방 기간 실측부하 데이터를 전처리하는 단계(S42);
상기 학습모델 결정부(70)를 통해 훈련 데이터와 시험 데이터를 생성 단계(S43);
상기 학습모델 결정부(70)를 통해 최선의 머신러닝 학습모델을 선정하는 단계(S44);
상기 학습모델 결정부(70)를 통해 선정된 머신러닝 학습모델을 훈련하는 단계(S45)를 포함하는 것을 특징으로 하는 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법.
Receiving past weather data and future weather forecast data from the Korea Meteorological Administration server 100 through communication to the communication unit 20 (S10);
Determining whether a load prediction target is a cooling load or a heating load in the load prediction determination unit 40 through the past and future prediction weather data received from the Meteorological Administration server 100 (S20);
Transmitting the load according to the time transmitted from the heating and cooling facility control unit 200 for each zone of the building to the control server 10, and calculating the measured load through the measured load calculation unit 50 (S30);
Selecting and training the best machine learning learning model with the best load prediction performance in the learning model determiner 70 through the past and future weather data transmitted from the Meteorological Agency server 100, the heating and cooling load prediction value, and the actual load step (S40);
Calculating a predictive load by applying the machine learning learning model determined by the learning model determiner 70 in the predictive load calculating unit 60 (S50)
Correcting the predicted load by verifying the error between the calculated actual load and the predicted load through the predicted load correcting unit 80 (S60) and
Controlling the heating and cooling equipment 210 by controlling the control unit 200 of the heating and cooling equipment 210 through the predicted load calculated by the predicted load calculation unit 60 (S70),
The step of calculating the actual load (S30),
In order to obtain the actual load for each heating and cooling facility 210 at the time of heating and cooling, MMI (Man Machine Interface) sensing information provided from the database 30 of the control server 10 of the field where the heating and cooling facility 210 is installed is collected. step (S31);
After the collecting step (S31) of the MMI sensing information, converting the converted MMI measurement information into an actual measured heating and cooling facility 210 load (S32);
Distributing the converted load of the measured heating and cooling facility 210 to the actual load for each zone and time (S33) and
Including the step (S34) of storing the measured load data,
The step of selecting and training the learning model (S40) is,
retrieving past data stored in the control server 10 (S41);
pre-processing the historical weather information and actual load data of the heating and cooling period brought from the control server 10 (S42);
generating training data and test data through the learning model determining unit 70 (S43);
selecting the best machine learning learning model through the learning model determining unit 70 (S44);
A method of predicting a building heating/cooling load based on a multi-AI learning model, characterized in that it comprises the step (S45) of training the machine learning learning model selected through the learning model determining unit (70).
 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 제1항에 있어
상기 예측부하를 산출하는 단계(S50)는,
상기 예측부하 산출부(60)를 통해 미래 기상정보 데이터를 가져오는 단계(51);
상기 예측부하 산출부(60)를 통해 속성 예측 데이터를 전처리하는 단계(S52);
상기 결정된 머신러닝 학습모델을 적용하여 냉난방 부하를 예측하는 단계(S53);
상기 예측부하 산출부(60)를 통해 예측된 예측부하 데이터를 관제서버(10)의 데이터베이스(30)에 저장하는 단계(S54)를 포함하는 것을 특징으로 하는 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법.
The method of claim 1
The step of calculating the predicted load (S50),
importing future weather information data through the prediction load calculating unit 60 (51);
pre-processing the attribute prediction data through the prediction load calculation unit 60 (S52);
Predicting the heating and cooling load by applying the determined machine learning learning model (S53);
A building based on a multi-AI learning model, characterized in that it comprises the step (S54) of storing the predicted load data predicted through the prediction load calculation unit 60 in the database 30 of the control server 10 A method of predicting heating and cooling loads.
 제1항에 있어서,
상기 예측부하를 보정하는 단계(S60)는,
상기 예측부하를 산출하는 단계(S50)를 통해 산출된 예측부하를 검증하는 단계(S61);
상기 기상청 서버(100)에서 전송되는 오늘 데이터를 가져오는 단계(S62);
상기 예측부하 보정부(80)에서 진행할 보정 머신러닝 학습모델을 결정하는 단계(S63) 및
상기 예측부하 보정부(80)에서 보정 예측부하를 산출하는 단계(S64)를 포함하는 것을 특징으로 하는 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법.
According to claim 1,
The step of correcting the predicted load (S60),
verifying the predicted load calculated through the step of calculating the predicted load (S50) (S61);
Step (S62) of getting today's data transmitted from the Meteorological Agency server 100;
Determining a corrected machine learning learning model to proceed in the predictive load correcting unit 80 (S63) and
A method of predicting the heating and cooling load of a building based on a multi-AI learning model, characterized in that it comprises the step (S64) of calculating the corrected predicted load in the predictive load correcting unit (80).
 제1항에 있어서,
상기 관제서버(10)의 학습모델 결정부(70)는
상기 머신러닝 학습 훈련과 예측을 수행하는 기계학습 엔진(71) 및 학습된 모델을 저장하는 학습모델 저장부(72)를 더 포함하는 것을 특징으로 하는 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법.
According to claim 1,
The learning model determining unit 70 of the control server 10 is
Building heating and cooling load based on a multi-AI learning model, characterized in that it further comprises a machine learning engine 71 for performing the machine learning learning training and prediction, and a learning model storage unit 72 for storing the learned model. prediction method.
 제9항에 있어서
상기 기계학습 엔진(71)은,
머신러닝의 앙상블(Ensemble) 모델인 그레디언트부스팅(Gradient Boosting) 모델, 랜덤포레스트(Random Forest) 모델, 에이다부스트(AdaBoost) 모델, XG부스트(XGBoost) 모델, LightGBM(Light Gradient Boosting Methods) 모델과 규제가 있는 선형회귀 모델인 엘라스틱넷(Elastic net) 모델을 참조해 학습하며, 건물의 구역별로 학습 결과에 따라 부하 예측 성능이 가장 좋은 서로 다른 최선의 머신러닝 학습모델을 적용하는 것을 특징으로 하는 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법.10. The method of claim 9
The machine learning engine 71,
Ensemble models of machine learning, Gradient Boosting model, Random Forest model, AdaBoost model, XGboost model, LightGBM (Light Gradient Boosting Methods) model and regulation It learns by referring to the elastic net model, a linear regression model with A method of predicting the heating and cooling load of a building based on a learning model.
KR1020200134941A 2020-10-19 2020-10-19 Prediction Method of Building Heating and Cooling Load Based on Multiple Artificial Intelligence Learning Models KR102325989B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200134941A KR102325989B1 (en) 2020-10-19 2020-10-19 Prediction Method of Building Heating and Cooling Load Based on Multiple Artificial Intelligence Learning Models

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200134941A KR102325989B1 (en) 2020-10-19 2020-10-19 Prediction Method of Building Heating and Cooling Load Based on Multiple Artificial Intelligence Learning Models

Publications (1)

Publication Number Publication Date
KR102325989B1 true KR102325989B1 (en) 2021-11-12

Family

ID=78497473

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200134941A KR102325989B1 (en) 2020-10-19 2020-10-19 Prediction Method of Building Heating and Cooling Load Based on Multiple Artificial Intelligence Learning Models

Country Status (1)

Country Link
KR (1) KR102325989B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114661011A (en) * 2022-03-17 2022-06-24 国网(苏州)城市能源研究院有限责任公司 Building comprehensive energy system optimization operation method and device and storage medium

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101251873B1 (en) * 2012-12-20 2013-04-10 동국대학교 산학협력단 Method for controlling building air conditioning system by using intelligent control algorithm
KR101448453B1 (en) * 2014-03-31 2014-10-14 주식회사 나라컨트롤 The Integrated solution system for Building-energy according to Predictive control, Real-time control, Operation and Management
KR101506215B1 (en) 2015-01-16 2015-03-26 (주)가교테크 Prediction Method of Cooling and Heating Loads Using Predicted Solar Insolation
KR101840738B1 (en) 2017-09-28 2018-03-21 (주)가교테크 Method for predicting heating and cooling load of buildings based on actual load of air conditioning equipments

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101251873B1 (en) * 2012-12-20 2013-04-10 동국대학교 산학협력단 Method for controlling building air conditioning system by using intelligent control algorithm
KR101448453B1 (en) * 2014-03-31 2014-10-14 주식회사 나라컨트롤 The Integrated solution system for Building-energy according to Predictive control, Real-time control, Operation and Management
KR101506215B1 (en) 2015-01-16 2015-03-26 (주)가교테크 Prediction Method of Cooling and Heating Loads Using Predicted Solar Insolation
KR101840738B1 (en) 2017-09-28 2018-03-21 (주)가교테크 Method for predicting heating and cooling load of buildings based on actual load of air conditioning equipments

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114661011A (en) * 2022-03-17 2022-06-24 国网(苏州)城市能源研究院有限责任公司 Building comprehensive energy system optimization operation method and device and storage medium

Similar Documents

Publication Publication Date Title
Rasifaghihi et al. Forecast of urban water consumption under the impact of climate change
Soldo et al. Improving the residential natural gas consumption forecasting models by using solar radiation
EP2944891B1 (en) Room temperature estimating device, program
WO2013099323A1 (en) Power control system and method for controlling power
Delcroix et al. Autoregressive neural networks with exogenous variables for indoor temperature prediction in buildings
CN102859550A (en) Energy demand prediction device and method
KR102194002B1 (en) energy operation management system by using optimized physical learning model and machine learning methods
Liu et al. Heating load forecasting for combined heat and power plants via strand-based LSTM
Bansal et al. Energy consumption forecasting for smart meters
KR20220094523A (en) Solar power generation forecasting system for participation in the photovoltaic power generation brokerage market
KR101838393B1 (en) Apparatus and method for 24 hour electrical load forecasting
KR20210026447A (en) Apparatus and method for Deep neural network based power demand prediction
Lee Low-cost and simple short-term load forecasting for energy management systems in small and middle-sized office buildings
KR102325989B1 (en) Prediction Method of Building Heating and Cooling Load Based on Multiple Artificial Intelligence Learning Models
Aliberti et al. Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions.
Chukwu et al. Analysis of some meteorological parameters using artificial neural network method for Makurdi, Nigeria
Kotsiantis et al. Using data mining techniques for estimating minimum, maximum and average daily temperature values
El Alani et al. Performance assessment of SARIMA, MLP and LSTM models for short-term solar irradiance prediction under different climates in Morocco
CN110084403A (en) The multi-period joint probability density prediction technique and system of aerial condutor current-carrying capacity
KR20220146158A (en) Apparatus for predicting solar radiation and method thereof
CN117277304A (en) Photovoltaic power generation ultra-short-term power prediction method and system considering sunrise and sunset time
Abdallah et al. A vector autoregressive methodology for short-term weather forecasting: tests for Lebanon
KR102351713B1 (en) System for creating weather intelligence using illuminometer and method thereof
Sarmas et al. Monitoring the impact of energy conservation measures with artificial neural networks
Rao Kasagani et al. Modeling of solar photovoltaic power using a two-stage forecasting system with operation and weather parameters

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant