As the building sector accounts for a considerable portion of global energy consumption and greenhouse gas emissions, effective management of building energy is of great importance. In this regard, forecasting building energy consumption is essential to use and manage the energy efficiently. It enables faster and more accurate energy analysis and an effective energy utilization plan. Various models are developed using traditional statistical approaches such as ARIMA, ARIMAX and artificial intelligence approaches such as neural network and deep learning. In this thesis, energy consumption forecasting model for commercial reference buildings provided by the U.S. Department of Energy(DOE) is developed using Long Short-Term Memory(LSTM) network model which is a special kind of RNN model that is capable of learning the long-term dependencies. Forecasting models for three regions in the U.S. with different climates are considered, reflecting the location of the selected reference building. Through weather input variable selection process, the model with one weather information input which is outdoor temperature and the model with three weather information inputs which are outdoor temperature, relative humidity and solar radiation are separately developed. The proposed LSTM model is compared with typical Artificial Neural Network model and NARX Neural Network model. The accuracy of the model is evaluated by MBE and CvRMSE and it is confirmed that all tested models satisfy the acceptable error range proposed by ASHRAE guideline 14. Although error varies from the seasons, areas to the forecasting techniques, not always but over half cases, LSTM models fit better than other network models. The results also showed that it’s not always better to reflect more weather input variables as the more cases showed better performances when applying outdoor temperature only as a weather information input when compared with the cases applying three weather information inputs which are outdoor temperature, humidity and solar radiation. The reliability of the simplified model only applying outdoor temperature for weather input is verified.
건물 부문이 전체 에너지 소비 및 온실가스 배출의 상당 부분을 차지함에 따라 건물 부문에서의 에너지 사용절감과 효율성 향상을 위한 기술이 중요해지고 있다. 건물 에너지 소비량을 예측하는 것은 에너지를 효율적으로 사용하고 관리하는데 매우 중요한 요소이다. 에너지 사용량 예측을 통해 더욱 빠르고 정확한 에너지 분석이 가능하며 효과적인 에너지 활용 계획을 수립할 수 있다. 이에 따라, ARIMA, ARIMAX와 같은 전통적인 통계적 기법의 적용부터 최근에는 인공신경망, 딥러닝 등의 적용까지 다양한 예측 모형들이 개발되었다. 본 논문에서는 순환신경망 구조에 장기 의존성 문제를 보완한 모델인 LSTM(Long Short-Term Memory)을 이용하여 DOE(Department of Energy)에서 제공하는 사무소 표준모델에 대한 에너지 사용량 예측 모형을 개발하였으며, 참조건물이 미국의 건물임을 감안하여 미국의 서로 다른 기후적 특성을 가지는 세가지 지역에 대한 표준모델을 이용하였다. 입력 변수 선정 과정을 통해 기상 정보로는 외기온도, 상대습도, 일사량을 선정하였으며 모형의 단순화를 위해서 외기온도만을 반영한 모형도 함께 비교하였다. 기본 인공신경망, NARX 신경망 그리고 LSTM 모형을 비교하였고 세가지 모형 모두 MBE 와 CvRMSE 값이 ASHRAE guideline14에서 규정한 허용오차범위를 만족하여 모형의 적절성을 검증하였다. 지역별, 계절별로 가장 좋은 예측 성능을 보이는 모형이 서로 달랐지만 대체적으로 LSTM 모형의 예측 성능이 우수하였고 기상 입력 변수로 외기온도만을 반영한 모형이 외기온도, 상대습도, 일사량을 모두 반영한 모형보다 더 많은 case에서 더 좋은 예측 성능을 보이면서 단순화된 모형의 적절성을 함께 검증하였다.
