지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2023.5
- 수록면
- 133 - 140 (8page)
이용수
DBpia Top 10%동일한 주제분류 기준으로최근 2년간 이용수 순으로 정렬했을 때
해당 논문이 위치하는 상위 비율을 의미합니다.
초록· 키워드
오류제보하기
To prepare basic data for the use of machine learning in the building energy field, this study examined the characteristics of each model and compared the prediction performance, calculation efficiency and output result aspects of the machine learning model according to the input parameters. Outdoor temperature was used as a basic input to consider input differences for six machine learning models, MLR, SVM, GPR, ANN, DNN and DT, which are mainly used in the building energy field, and the building energy consumption was predicted and compared depending on whether the indoor temperature was additionally reflected. The predictive performance of most models improved when the outdoor temperature and the indoor temperature were reflected as inputs rather than when the outdoor temperature was reflected as an input in the influence of the input parameters. In the comparison of the predictive performance of the model, DNN(5-Layer) showed the most dominant predictive results with RMSE, MSE, MAE, and R2 (0.190, 0.036, 0.139, 0.88). Next, ANN showed predictive performance of RMSE, MSE, MAE, R2 (0.203, 0.041, 0.142, 0.86), and GPR provided efficient prediction with RMSE, MSE, MAE, R2 (0.211, 0.044, 0.150, 0.85). DNN and ANN improved their prediction performance as the number of hidden layers increased, but the training time increased from 4.8 seconds to 16.5 seconds. In terms of computational efficiency considering training time, MLR showed the best result with 1.4s. As a result, DNN showed 14% better predictive performance than MLR, and MLR were trained 11.8 times faster than DNN. With indoor temperature being further reflected as input parameters, most models better represent actual building energy consumption in aspects of the forecast results. Machine learning model selection should be reviewed not only for predictive performance for errors but also for calculation cost and the discernment provided by predictive results. Since this study was conducted on a single building, research on the selection and development of models with high reproducibility in various models based on big data in terms of utilization should be continued.
목차
Abstract
1. 서론
2. 기계학습 모델
3. 건물에너지 소비 예측
4. 분석결과
5. 결론
REFERENCES
참고문헌 (22)
참고문헌 신청
Ahmad, A. S., Hassan, M. Y., Abdullah, M. P., Rahman, H. A., Hussin, F., Abdullah, H., & Saidur, R. (2014). A review on applications of ANN and SVM for building electrical energy consumption forecasting. Renewable and Sustainable Energy Reviews, 33, 102-1
Amasyali, K., & El-Gohary, N. M. (2018). A review of data-driven building energy consumption prediction studies. Renewable and Sustainable Energy Reviews, 81, 1192-1205.
Beckman, W. A., Broman, L., Fiksel, A., Klein, S. A., Lindberg, E., Schuler, M., & Thornton, J. (1994). TRNSYS The most complete solar energy system modeling and simulation software, Renewable energy, 5(1-4), 486-488.
Bourhnane, S., Abid, M. R., Lghoul, R., Zine-Dine, K., Elkamoun, N., & Benhaddou, D. (2020). Machine learning for energy consumption prediction and scheduling in smart buildings. SN Applied Sciences, 2(2), 1-10.
Cholewa, T., Siuta-Olcha, A., Smolarz, A., Muryjas, P., Wolszczak, P., Anasiewicz, R., & Balaras, C. A. (2021). A simple building energy model in form of an equivalent outdoor temperature. Energy and Buildings, 236, 110766.
Amasyali, K., & El-Gohary, N. M. (2018). A review of data-driven building energy consumption prediction studies. Renewable and Sustainable Energy Reviews, 81, 1192-1205.
Beckman, W. A., Broman, L., Fiksel, A., Klein, S. A., Lindberg, E., Schuler, M., & Thornton, J. (1994). TRNSYS The most complete solar energy system modeling and simulation software, Renewable energy, 5(1-4), 486-488.
Bourhnane, S., Abid, M. R., Lghoul, R., Zine-Dine, K., Elkamoun, N., & Benhaddou, D. (2020). Machine learning for energy consumption prediction and scheduling in smart buildings. SN Applied Sciences, 2(2), 1-10.
Cholewa, T., Siuta-Olcha, A., Smolarz, A., Muryjas, P., Wolszczak, P., Anasiewicz, R., & Balaras, C. A. (2021). A simple building energy model in form of an equivalent outdoor temperature. Energy and Buildings, 236, 110766.
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
건물에너지 소비 예측을 위한 기계학습 접근 방식
대한설비공학회 학술발표대회논문집
2022 .11
-
A temperature prediction model for library building based on LSTM
대한설비공학회 학술발표대회논문집
2019 .11
-
실내 이산화탄소 농도 예측을 위한 기계학습 모델 검증
한국건축친환경설비학회 논문집
2020 .12
-
숙박시설 냉방 시스템의 최적 작동 시점 예측 모델 개발을 위한 입력 변수 선정
KIEAE Journal
2015 .08
-
건물에너지 수요예측 기계학습 모델 비교 분석
대한건축학회 학술발표대회 논문집
2022 .10
-
건물에너지 최적제어를 위한 실내온도 분포 예측 모델
설비공학논문집
2021 .03
-
건물유형별 에너지소비 예측성능 향상을 위한 변수중요도 및 기계학습모델 평가
한국건축친환경설비학회 논문집
2017 .12
-
클러스터링 기반의 인공신경망을 이용한 건축물 가스에너지소비량 예측 및 평가
KIEAE Journal
2018 .10
-
Machine Learning-based Predictive Models of Chemical Process
한국생물공학회 학술대회
2021 .10
-
유방암 분류를 위한 전이학습 기반 DNN-SVM 하이브리드 모형
한국컴퓨터정보학회논문지
2023 .11
-
그린리모델링 사전진단을 위한 실내온도 센서기반 건물에너지 예측 모델
대한설비공학회 학술발표대회논문집
2022 .06
-
Python을 이용한 냉동기 에너지소비량 예측 모델의 성능 개선 및 비교 평가
한국건축친환경설비학회 논문집
2021 .06
-
자율주행 자동차에서 DNN 기반 안전 필수 응용의 성능 저하 방지
전자공학회논문지
2020 .09
-
건강한 성인에서 피검사 결과와 환경적 요인에 의한 중증 우울도 데이터 예측
한국통신학회논문지
2018 .08
-
실내온도 예측을 통한 공장 건물의 실시간 난방 제어
대한건축학회 학술발표대회 논문집
2021 .04
-
인공지능 기반 헬스케어 건물의 에너지 효율 예측 모델
설비공학논문집
2022 .07
-
셋백기간 중 건물 냉방시스템 부하 예측을 위한 인공신경망모델 성능 평가
KIEAE Journal
2017 .08
-
인버터시스템 적용 지역난방 시스템의 2차측 공급수 온도 제어방안에 따른 에너지사용량 실증 비교
설비공학논문집
2015 .04
이 논문의 저자 정보
이 논문과 함께 이용한 논문
FEMS 적용을 위한 LSTM 기반의 식품공장 에너지 소비 예측 모델의 최적화
이형아
,
김동주
,
조우진
외 1명
환경에너지공학
2023
.07
랜덤 포레스트 기반 서울시 노인보호구역 입지선정 방안
박지연
,
장윤진
,
김태헌
외 2명
대한공간정보학회 학술대회
2023
.12
랜덤 포레스트 모델을 활용한 균열 진단 연구
김경수
,
이현아
한국자동차공학회 추계학술대회 및 전시회
2023
.11
폐수처리 공정에서의 기계학습 및 심층학습 알고리즘의 성능 비교
김재일
,
이효섭
,
장진욱
외 3명
대한환경공학회지
2023
.12
이수식 TBM 데이터와 랜덤포레스트를 이용한 일축압축강도 분류 예측에 관한 연구
강태호
,
최순욱
,
이철호
외 1명
터널과 지하공간
2023
.12
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2023-540-001567138