| 논문명 |
전기와 난방 복합 사용량 기반 공동주택 재실 확률 추정 / 전기와 난방 복합 사용량 기반 공동주택 재실 확률 추정 |
| 저자명 |
동현석(Hyun Seok Dong) ; 전재범(Jae Beom Jeon) ; 한혜린(Hye Rin Han) ; 전상현(Sang Hyun Jeon) ; 고배원(Brian Baewon Koh) ; 김선혜(Sean Hay Kim) |
| 수록사항 |
설비공학논문집, Vol.38 No.3 (2026-03) |
| 주제어 |
이산 푸리에 변환; 가우시안 혼합 모델; 난방; 은닉 마르코프 모델; 재실 확률; 공동주택 ; Fast Fourier Transform; Gaussian Mixture Model; Heating; Hidden Markov Model; Occupancy probability; Residential buildings |
| 요약1 |
본 연구는 408세대 규모의 공동주택을 대상으로 세대별 전기 및 난방 사용량 데이터를 활용한 재실 프로파일 추정 방법론을 개발하고자 수행되었다. 대상 건물군의 전기와 난방 사용량에 고속 푸리에 변환(FFT)을 적용하여 주파수 도메인 분석을 실시한 결과, 두 변수 간 피어슨 상관계수가 0.72로 산출되어 통계적으로 유의한 강한 양의 상관관계를 확인하였다. 이러한 상관성을 기반으로 세대별 및 시간대별 전기 사용량과 사용 시간을 입력변수로 하는 비지도학습 모델인 가우시안 혼합 모델(GMM) 및 은닉 마르코프 모델(HMM) 알고리즘을 적용하여 재실 확률을 산정하였으며, 난방 사용량 및 사용 시간에 따른 가중치를 부여하여 최종 재실 확률을 도출하였다. 산정된 재실 확률에 기반하여 임계값 0.5를 기준으로 각 세대의 재실 프로파일을 추정하였다. 모델의 신뢰성 검증을 위해 선행 연구에서 제시된 실측 재실 데이터와 비교 분석을 수행한 결과, GMM 알고리즘이 HMM 대비 실제 재실 패턴에 보다 근사한 결과를 제시하는 것으로 확인되었다. 그러나 각 모델의 추정 성능에 대한 정량적 평가를 위해서는 실측 재실 데이터와의 직접적인 비교를 통한 정확도(Accuracy) 및 정밀도(Precision) 평가가 필요하다.
본 연구는 국내 공동주택의 기존 에너지 인프라에서 수집 가능한 사용량 데이터만을 활용한 재실 프로파일 추출 방법론을 제시하였다. 특히 전기 사용량뿐만 아니라 난방 사용량으로도 재실 확률을 강화할 수 있는 세대별 난방 사용량 베이스라인을 도출할 수 있는 기술적 독창성을 확보하였다. 향후 다양한 에너지 소비 데이터의 융합 분석을 통한 재실 스케줄 추정의 정밀도와 정확도를 높여 거주자의 프라이버시 보호 및 추가적인 센서 설치·관리에 수반되는 비용 문제를 해결한 재실 프로파일 구축 분야의 기초연구에 기여할 것으로 기대된다.
본 연구를 통해 도출된 공동주택 재실 프로파일의 실용성 검증을 위해서는 실측 재실 정보와의 비교분석을 통한 모델 성능 평가가 선행되어야 한다. 또한 PIR(Passive Infrared) 센서, CO2 센서 등의 비침습적 물리센서 데이터와의 융합 및 GMM, HMM 외에도 다양한 머신러닝 및 딥러닝 알고리즘을 적용한 앙상블 모델 구축을 통해 실측 재실 정보와의 일치도 향상 및 추정 정확성 제고 방안을 모색할 필요가 있다. 나아가 재실 프로파일 추정 결과를 활용한 예냉(Pre-cooling), 예열(Pre-heating), 비재실 상태 감지 시 자동 전원 차단 등의 에너지 사용량 기반 건물 설비 및 가전기기 제어 시스템 개발에 관한 후속 연구를 진행할 계획이다. |
| 요약2 |
Determining occupancy status is crucial for effective facility control, particularly for optimizing thermal comfort and energy efficiency. However, occupancy detection based solely on baseline electrical energy values tends to be less accurate in residential buildings that do not rely on electrical heating during winter. This study aims to assess occupancy status and extract occupant schedules by analyzing energy consumption data from high-rise residential buildings. We collected energy data from actual apartments during the winter season and employed Fast Fourier Transform for correlation analysis with electricity usage. The results revealed that heating energy had the strongest correlation with electrical energy, yielding a correlation coefficient of 0.72. For data exhibiting low occupancy probabilities, we applied unsupervised learning models, specifically the Gaussian Mixture Model and Hidden Markov Model, to adjust existing occupancy probabilities using available heating energy data, ultimately calculating refined final occupancy probabilities. |
