Annual Conference of KIPS (한국정보처리학회:학술대회논문집)

  • 2024.10a
  • /
  • Pages.630-633
  • /
  • 2024
  • /
  • 2005-0011(pISSN)
  • /
  • 2671-7298(eISSN)
Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

A Study on the Applicability of Spatiotemporal Prediction Model for Building Energy Management

건물 에너지 관리를 위한 시공간 예측 모델의 적용 가능성에 관한 연구

  • Hyeonseok Jin (Dept. of Artificial Intelligence Convergence, Chonnam National University) ;
  • Kyungbaek Kim (Dept. of Artificial Intelligence Convergence, Chonnam National University)
  • 진현석 (전남대학교 인공지능융합학과) ;
  • 김경백 (전남대학교 인공지능융합학과)
  • Published : 2024.10.31
Download PDF
⟨ Previous Next ⟩

Abstract

최근 에너지 소비량의 상승과 함께 효율적으로 에너지를 관리하는 것에 대한 중요성이 높아지고 있다. 이러한 관점에서 볼 때, 전 세계 에너지 소비량의 약 40%를 차지하는 건물 에너지의 수요와 공급을 예측하는 것은 매우 중요한 과제이며 딥러닝 모델을 기반으로 에너지 소비량을 예측하는 연구가 수행되고 있다. 그러나 기존 예측 모델은 여러 구역의 에너지 소비량을 예측하기 위해 필요한 시공간 상관 관계를 온전히 포착하기 어렵거나 에너지 사용량에 영향을 미치는 요인들을 활용하기 위해 복잡한 구조를 활용해야 한다는 한계가 있다. 본 논문에서는 이러한 한계를 극복하기 위해 데이터를 비디오 데이터 형식으로 변환하고 시공간 예측 모델을 사용하여 건물 에너지 예측을 수행하고, 비교 실험을 통해 적용 가능성에 대해 검토하고 가능성을 제시한다.

Keywords

Acknowledgement

이 논문은 정부(과학기술정보통신부)의 재원으로 정보통신기획평가원의 지원을 받아 수행된 지역지능화혁신인재양성사업임(IITP-2024-RS-2022-00156287, 50%). 본 연구는 과학기술정보통신부 및 정보통신기획평가원의 인공지능융합혁신인재양성사업연구 결과로 수행되었음(IITP-2023-RS-2023-00256629, 50%)

References

  1. Sulo, Idil, et al. "Energy efficient smart buildings: LSTM neural networks for time series prediction." 2019 International conference on deep learning and machine learning in emerging applications(Deep-ML). IEEE, 2019.
  2. Wang, Xiwen, et al. "Distributed LSTM-GCN-Based Spatial-Temporal Indoor Temperature Prediction in Multizone Buildings." IEEE Transactions on Industrial Informatics 20.1 (2023): 482-491.
  3. Pipattanasomporn, Manisa, et al. "CU-BEMS, smart building electricity consumption and indoor environmental sensor datasets." Scientific Data 7.1 (2020): 241.
  4. Wang, Xin, et al. "LSTM-based short-term lo ad forecasting for building electricity consumption. " 2019 IEEE 28th international symposium on industrial electronics (ISIE). IEEE, 2019.
  5. Bai, Shaojie, J. Zico Kolter, and Vladlen Koltun. "An empirical evaluation of generic convolution al and recurrent networks for sequence modeling." arXiv preprint arXiv:1803.01271 (2018).
  6. Lara-Benitez, Pedro, et al. "Temporal convolutional networks applied to energy-related time series forecasting." applied sciences 10.7 (2020): 2322.
  7. 진현석, and 김경백. "이상 전력 탐지를 위한 TCN-USAD." 스마트미디어저널 13.7 (2024): 9-17.
  8. Shi, Xingjian, et al. "Convolutional LSTM net work: A machine learning approach for precipitation nowcasting." Advances in neural information processing systems 28 (2015).