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
- 학위논문
- 저자정보
- 지도교수
- 박철수
- 발행연도
- 2019
- 저작권
- 성균관대학교 논문은 저작권에 의해 보호받습니다.
이용수3
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 건물 에너지 절감에 대한 관심이 증가하면서 BEMS(Building Energy Management System) 수요가 확산되고 있다. 이에 따라 BEMS에 축적되는 데이터를 활용하여 기기 행동을 예측하는 데이터 기반 모델 에 대한 연구가 진행되고 있다. 그러나 기존 BEMS 수준은 설비기기 모니터링에 그치고 있으며, 운영자의 경험 및 직관에 의해 건물이 운영되고 있다. 건물의 에너지 효율을 높이기 위해서는, 건물의 상태를 예측하고 이를 바탕으로 최적제어를 구현하는 데 필수적인 시뮬레이션 모델이 필요하다(서원준, 2016).
시뮬레이션 모델 제작 방법은 크게 제 1법칙 기반 (first-principles based) 접근 및 기계학습 접근 방법으로 나뉜다. 제 1법칙 기반 접근 방법은 모델 개발에 많은 시간과 노력이 요구되고, 미지변수를 다루는데 있어 어려움이 존재하는 반면, 기계학습 접은 방법은 적은 입력변수를 요구하여 모델 개발에 드는 시간과 노력을 절감 가능하다(김영민 외, 2016).
기계학습 방법은 업데이트 유무 여부에 따라 크게 오프라인 모델과 온라인 모델로 구분된다. 오프라인 모델의 경우, 일정 기간의 훈련 데이터를 수집한 후, 모델을 생성하고, 모델 개발 후에는 더 이상 모델을 업데이트 하지 않아 데이터가 시간에 따라 변할 때 유용한 접근 방법이 아닐 수 있다. 반면 온라인 모델은 새로운 데이터 입력이 발생할 경우 모델 업데이트를 진행하여 모델 정확도를 유지 가능하다. 그러나 훈련 데이터 길이에 따라 연산시간이 증가할 수 있으며, 모델 업데이트를 매 시간 간격마다 수행할 경우 의미없는 연산이 반복될 수 있으므로 업데이트 기준을 도입하여 이를 예방할 수 있다.
본 연구에서는 대상 건물 공기조화기에 대하여 점진적 샘플링 방법을 이용하여 훈련 데이터 양을 줄이고 정규 상호정보량을 이용하여 모델 업데이트 여부를 판단하는 공조기 급기온도 온라인 기계학습 모델을 개발하였다. 점진적 샘플링을 적용하여 온라인 모델에 요구되는 데이터 수를 60개로 줄이면서, 적절한 정확도를 확보할 수 있었다(오프라인 모델 MBE : 2.6%, 온라인 모델 MBE : 5.4%).
매 시간 간격마다 업데이트를 수행하는 기존 온라인 모델과 달리 본 연구에서는 실시간 모델 업데이트를 적용하여 모델 정확도를 유지하였다. 점진적 샘플링 결과 발생한 모델 정확도가 저하되는 구간에 대하여. 모델 예측값과 측정 데이터 간의 상관성을 정규 상호정보량(NMI)으로 정량화하면서 모델 업데이트 필요 여부를 판단하였다. 그 결과 정확도가 저하된 구간의 예측 정확도가 크게 개선되었으며 검증기간동안의 MBE 또한 5.4%에서 1.3%로 개선되었다.
본 연구결과를 통해 점진적 샘플링을 통해 온라인 기계학습 모델에 필요한 훈련 데이터의 양을 크게 줄이는 방법을 제시하였으며, 정규 상호정보량을 이용한 업데이트 여부 판단을 통해 변수간 분포 비교에 따른 온라인 모델 업데이트 방법을 제시하였다. 또한, 기계학습 훈련 데이터 선정 시 데이터의 양적 확보보다 질적 확보가 유용함을 보여 주었다. 본 연구에서 개발된 온라인 기계학습 모델 개발 방법은 온라인 기계학습 모델의 훈련 데이터 샘플링 방법과 모델 업데이트 방법 및 모델 정확도 판단에 관하 연구에 도움이 될 수 있을것으로 판단된다.
시뮬레이션 모델 제작 방법은 크게 제 1법칙 기반 (first-principles based) 접근 및 기계학습 접근 방법으로 나뉜다. 제 1법칙 기반 접근 방법은 모델 개발에 많은 시간과 노력이 요구되고, 미지변수를 다루는데 있어 어려움이 존재하는 반면, 기계학습 접은 방법은 적은 입력변수를 요구하여 모델 개발에 드는 시간과 노력을 절감 가능하다(김영민 외, 2016).
기계학습 방법은 업데이트 유무 여부에 따라 크게 오프라인 모델과 온라인 모델로 구분된다. 오프라인 모델의 경우, 일정 기간의 훈련 데이터를 수집한 후, 모델을 생성하고, 모델 개발 후에는 더 이상 모델을 업데이트 하지 않아 데이터가 시간에 따라 변할 때 유용한 접근 방법이 아닐 수 있다. 반면 온라인 모델은 새로운 데이터 입력이 발생할 경우 모델 업데이트를 진행하여 모델 정확도를 유지 가능하다. 그러나 훈련 데이터 길이에 따라 연산시간이 증가할 수 있으며, 모델 업데이트를 매 시간 간격마다 수행할 경우 의미없는 연산이 반복될 수 있으므로 업데이트 기준을 도입하여 이를 예방할 수 있다.
본 연구에서는 대상 건물 공기조화기에 대하여 점진적 샘플링 방법을 이용하여 훈련 데이터 양을 줄이고 정규 상호정보량을 이용하여 모델 업데이트 여부를 판단하는 공조기 급기온도 온라인 기계학습 모델을 개발하였다. 점진적 샘플링을 적용하여 온라인 모델에 요구되는 데이터 수를 60개로 줄이면서, 적절한 정확도를 확보할 수 있었다(오프라인 모델 MBE : 2.6%, 온라인 모델 MBE : 5.4%).
매 시간 간격마다 업데이트를 수행하는 기존 온라인 모델과 달리 본 연구에서는 실시간 모델 업데이트를 적용하여 모델 정확도를 유지하였다. 점진적 샘플링 결과 발생한 모델 정확도가 저하되는 구간에 대하여. 모델 예측값과 측정 데이터 간의 상관성을 정규 상호정보량(NMI)으로 정량화하면서 모델 업데이트 필요 여부를 판단하였다. 그 결과 정확도가 저하된 구간의 예측 정확도가 크게 개선되었으며 검증기간동안의 MBE 또한 5.4%에서 1.3%로 개선되었다.
본 연구결과를 통해 점진적 샘플링을 통해 온라인 기계학습 모델에 필요한 훈련 데이터의 양을 크게 줄이는 방법을 제시하였으며, 정규 상호정보량을 이용한 업데이트 여부 판단을 통해 변수간 분포 비교에 따른 온라인 모델 업데이트 방법을 제시하였다. 또한, 기계학습 훈련 데이터 선정 시 데이터의 양적 확보보다 질적 확보가 유용함을 보여 주었다. 본 연구에서 개발된 온라인 기계학습 모델 개발 방법은 온라인 기계학습 모델의 훈련 데이터 샘플링 방법과 모델 업데이트 방법 및 모델 정확도 판단에 관하 연구에 도움이 될 수 있을것으로 판단된다.
목차
제1장 서론 11.1. 연구배경 및 목적 11.2. 연구절차 및 방법 3제2장 ANN 및 온라인 기계학습 모델 52.1. ANN 52.2 온라인 모델 8제3장 온라인 모델 보완 방법 113.1. 점진적 샘플링 113.2. 정규 상호정보량 16제4장 점진적 샘플링과 정규 상호정보량을 이용한 기계학습 모델 194.1. 대상건물 194.2. 점진적 샘플링을 이용한 훈련데이터 선정 224.3 정규 상호정보량을 이용한 업데이트 31제5장 결론 34
최근 본 자료
댓글(0)
0