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
- 2023.2
- 수록면
- 237 - 246 (10page)
이용수
초록· 키워드
오류제보하기
The data that fully reflects the dynamics of a building can only be collected after the building is completed. Therefore, the data for training machine learning models are not sufficient at the operation stage of buildings. In addition, the dynamics of buildings and energy systems frequently change due to age deterioration, commissioning, component replacement, and retrofitting. Thus, the retraining of deep learning models to reflect the changed system dynamics is required. Therefore, the performance benchmark of deep learning architecture should be designed in consideration of these specificities of the building-energy field. This study benchmarks the time-series forecasting performance of three deep learning architectures: the multilayer perceptron (MLP) and long short-term memory (LSTM), which are widely used architectures, and the transformer, which is relatively recently developed but has high potential. For reproducible benchmarks, a publicly accessible data generator and the open-source Python library DeepTimeSeries was developed. The performance dependence according to the training dataset size was evaluated by changing the training dataset size from 0.3 to 0.9 years. Forecasting targets were the zone air temperatures and thermal loads. Among the three architectures, the transformer had the best performance. In particular, when the training dataset size was small, the transformer exhibited better performance than other architectures in forecasting peaks and dips. Other architectures displayed unstable performance when the training dataset size was small. The results suggest that the transformer has a high potential for time series forecasting in the field of building energy, where the amount of data is limited in most cases.
목차
Abstract
1. 서론
2. 벤치마크용 데이터
3. 벤치마크의 조건 설정
4. 심층학습 아키텍처
5. 벤치마크 결과와 고찰
6. 결론
REFERENCES
참고문헌 (13)
참고문헌 신청
ANSI/ASHRAE/IES. (2019). ANSI/ASHRAE/IES Standard 90.1-2019: Energy standard for buildings except low-rise residential buildings, Atlanta, GA, ASHRAE
Bahdanau, D., Cho, K., & Bengio, Y. (2014). Neural machine translation by jointly learning to align and translate, International Conference on Learning Representations (ICLR) 2015, doi:10.48550/arXiv.1409.0473
Baek, J. Y., Min, S. W., Baek, D. H., & Chang, S. J. (2021). LSTM-based prediction of building power consumption with PCA based data dimension change - Centered on a campus building in Daejeon, Journal of the Architectural Institute of Korea, 37(9), 137-1
Elman, J. (1990). Finding structure in time, Cognitive Science, 14, 179–211, doi:10.1016/0364-0213(90)90002-E
EnergyPlus. (2022). Weather data by location: Chicago-O’ Hare International Airport 725300 (TMY3), Retrieved Au gust 10, 2022 from https://energyplus.net/weather-location/north_and_central_america_wmo_region_4/USA/IL/USA_IL_Chicago-OHare.Intl.AP.725300_TM
Bahdanau, D., Cho, K., & Bengio, Y. (2014). Neural machine translation by jointly learning to align and translate, International Conference on Learning Representations (ICLR) 2015, doi:10.48550/arXiv.1409.0473
Baek, J. Y., Min, S. W., Baek, D. H., & Chang, S. J. (2021). LSTM-based prediction of building power consumption with PCA based data dimension change - Centered on a campus building in Daejeon, Journal of the Architectural Institute of Korea, 37(9), 137-1
Elman, J. (1990). Finding structure in time, Cognitive Science, 14, 179–211, doi:10.1016/0364-0213(90)90002-E
EnergyPlus. (2022). Weather data by location: Chicago-O’ Hare International Airport 725300 (TMY3), Retrieved Au gust 10, 2022 from https://energyplus.net/weather-location/north_and_central_america_wmo_region_4/USA/IL/USA_IL_Chicago-OHare.Intl.AP.725300_TM
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
다양한 심층학습 아키텍처의 부하예측 성능 비교
대한설비공학회 학술발표대회논문집
2022 .06
-
Transformer 기반 일일 건물 수요부하 예측 연구
대한전기학회 학술대회 논문집
2024 .07
-
단기 전력 수요예측을 위한 트랜스포머 모델 구조
한국통신학회 학술대회논문집
2020 .02
-
여러 심층학습 아키텍처의 실내온도 예측성능 비교
한국태양에너지학회 학술대회논문집
2022 .10
-
BUILDING LOAD FORECASTING FOR ENERGY MANAGEMENT SYSTEM
AFORE
2015 .11
-
LSTM과 Transformer 기반 시계열 초미세먼지 예측 결과 비교 분석
한국정보과학회 학술발표논문집
2023 .06
-
딥러닝 기반 시설재배 생산량 예측 연구
방송공학회논문지
2023 .07
-
익명화된 데이터를 이용한 건물 전력 사용량 예측 모델의 전이학습 기법
대한설비공학회 학술발표대회논문집
2024 .06
-
Decision Transformer를 활용한 멀티 태스크 강화학습에서의 트랜스포머 아키텍처 비교 분석
한국통신학회 학술대회논문집
2025 .02
-
Performance Comparison of Data Driven-based Capacity Forecasting for Supercapacitor
한국통신학회 학술대회논문집
2021 .06
-
교차로 데이터셋을 이용한 트랜스포머 기반 궤적 예측 알고리즘 간의 비교 연구를 위한 특성 공간 및 예측시간 분석
한국자동차공학회 춘계학술대회
2024 .06
-
건물유형별 에너지소비 예측성능 향상을 위한 변수중요도 및 기계학습모델 평가
한국건축친환경설비학회 논문집
2017 .12
-
한국 전력시스템의 240시간 전력수요예측에 대한 딥러닝 모델과 학습기법
전기학회논문지
2022 .04
-
트랜스포머를 활용한 시계열 비행 데이터 예측
한국항공우주학회 학술발표회 초록집
2023 .04
-
기계 학습 및 시계열 분석 기반 건물 단기 전력 수요 예측 모델 개발
한국통신학회 학술대회논문집
2019 .11
-
시계열 예측 정확도 향상을 위한 Stacking Transformer
한국정보통신학회 종합학술대회 논문집
2024 .10
-
비전 트랜스포머를 활용한 이미지 분류 시스템 설계
한국정보통신학회 여성 ICT 학술대회 논문집
2021 .08
-
변압기 효율 적정화를 위한 변압기 부하율 조사 및 추정
조명·전기설비학회논문지
2016 .01
-
e단기 및 단기 다변수 시계열 결합모델을 이용한 24시간 부하예측
전기학회논문지
2017 .03
-
비지도 대조학습 시계열 인코더를 이용한 전이학습: 소스 데이터셋 선택에 따른 예측 성능 변화
대한설비공학회 학술발표대회논문집
2024 .11
이 논문의 저자 정보
이 논문과 함께 이용한 논문
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2023-540-000456272