KIEAE Journal
[ Research Article ]
The International Journal of The Korea Institute of Ecological Architecture and Environment - Vol. 20, No. 5, pp.143-149
ISSN: 2288-968X (Print) 2288-9698 (Online)
Print publication date 31 Oct 2020
Received 28 Aug 2020 Revised 29 Sep 2020 Accepted 05 Oct 2020
DOI: https://doi.org/10.12813/kieae.2020.20.5.143

실시간 건물 성능 예측을 위한 기상청 초단기 예보 데이터 정확도 검증 : 서울, 부산, 대전, 광주, 제주 지역을 중심으로

안유선* ; 오은주** ; 이용준***
Verification of Accuracy of Ultra-short-term Forecast Data by the Korea Meteorological Administration for Predicting Building Performance : Focusing on Seoul, Busan, Daejeon, Gwangju, Jeju
Yusun Ahn* ; Eun Joo Oh** ; Yong-Jun Lee***
*Author, Researcher, BEL Technology, Seoul, Korea & Department of Architectural Engineering, Yonsei Univ., Seoul, Korea ahnew@yonsei.ac.kr
**Coauthor, CEO, BEL Technology, Seoul, Korea ohya@beltec.co.kr
***Corresponding author, CEO BEL Technology, Seoul, Korea leeyj@beltec.co.kr


ⓒ 2020. KIEAE all rights reserved.

Abstract

Purpose:

Recently, with the development of various data processing technologies, attention is focused on the development of data mining for buildings. To this end, researches on predicting the performance of buildings are increasing, but studies comparing or analyzing the accuracy of the weather forecast data used as input data are insufficient. In addition, the study compared with Korea is still incomplete. The purpose of this study is to compare short-term forecast data and observing data provided by the Korea Meteorological Administration and provide basic data that can be used to predict the validity of forecast data when predicting building performance.

Method:

Temperature, humidity, wind speed, cloud data of the weather forecast data and measurement data of five regions are classified and collected through the Korea Meteorological Administration, respectively, centering on five regions of Seoul, Busan, Daejeon, Gwangju, and Jeju, classified according to weather forecast time. The accuracy analysis is carried out using the CVRMSE, MBE.

Result:

The temperature and humidity forecast data for up to 4 hours show high accuracy compared to the measurement data, and forecast data for 5 to 6 hours vary depending on the region, but most show high accuracy. Through forecast data, up to 4 hours can be used as observing data, and data between 5 and 6 hours can be used by judging by region or purpose of use. In the case of wind speed and cloud, accuracy standards are not satisfied. This study is expected to be provided as basic data for various studies that apply forecast data.

Keywords:

Weather forecast, Korea Meteorological Administration, Weather observation, Accuracy, Regions

키워드:

일기 예보, 기상청, 기상 관측 데이터, 정확도 검증, 지역별

1. 서론

1.1. 연구의 배경 및 목적

최근 데이터 처리 기술의 발전으로 다양한 시스템 개발에 대한 이목이 집중되고 있으며 건물 성능을 예측할 수 있는 데이터마이닝 기법 연구 개발 또한 함께 증가하고 있다. 이러한 발전과 함께 단기 미래의 건물 성능을 예측하여 기기 제어와 건물 운영에 선제적으로 적용 시 재실자 쾌적 향상 또는 에너지 저감에 활용될 수 있다.

건물 성능은 물리적 요소, 환경적 요소, 스케줄 요소, 과거 사용 요소 등 다양한 변수에 복합적으로 영향을 받는다. 건물의 성능 예측 시 다양한 입력 데이터 요소가 출력 데이터의 정확도에 영향을 미칠 수 있으며 이에 따른 정확한 입력 요소에 대한 데이터를 필요로 하게 된다. 그 중 환경 데이터는 온도, 습도, 풍속, 운량, 일사량 등을 말하는데 단기 미래 데이터를 수집하기 위해 대부분 기상청에서 제공하는 예보 데이터를 사용한다[1,2]. 선행 연구에 따르면 건물의 부하를 예측하기 위해 기상청의 예보와 측정기를 사용하였고[3], 국내 기상청에서 제공하는 예보를 활용해 다음 날 시간대별 외기 온도와 일사량 예측 방안을 제안하였으며[4], 기계 학습을 활용하여 기상 예보를 통해 일사 데이터를 도출하고 이를 기반으로 태양광 발전량을 예측할 수 있는 기법을 개발하였다[5].

하지만 진행 중인 연구의 대부분은 온도, 습도, 풍속, 운량에 대하여 관측된 데이터를 예보 데이터로 가정하고 적용하였으며 확보 가능한 예보 데이터가 정확하다는 가정에 건물 성능 예측을 진행하고 있다[6,7]. 즉, 건물 성능 예측 시 필요한 예보 데이터의 신뢰성 검증이 부족하며 국내 관측 및 예보 데이터 기준으로 비교한 연구는 더욱 미비한 실정이다.

몇 시간 이후의 단기 미래 건물 성능을 예측하기 위해서는 기상 예보 데이터를 입력 데이터로서 사용할 수 있도록 데이터 분석 및 검증이 진행되어야 한다. 따라서, 본 연구는 기상청에서 제공하는 단기간 예보 데이터와 관측 데이터를 비교하고 예보 데이터의 타당성을 검증하여 건물 성능 예측 시 사용할 수 있는 기초 자료 제공에 목적이 있다.

1.2. 연구의 방법 및 범위

본 연구는 기상청에서 제공하는 예보 데이터와 관측 데이터의 오차를 비교하여 관측 데이터를 기반으로 예보 데이터의 정확성과 사용 적정성을 확인한다.

본 연구의 진행을 위해 먼저, 건물 성능 예측 평가 시 필요한 데이터인 해당 지역의 기온, 습도, 풍속, 운량의 예보 데이터, 관측 데이터를 수집하고 예보 데이터를 예보 시간(한 시간, 두 시간, 세 시간, 네 시간, 다섯 시간, 여섯 시간)에 따라 분류하여 관측 데이터와 비교를 진행한다. 이 때, 정확도를 위해 사용하는 분석 지표는 CVRMSE (the Coefficient of Variance of the Root Mean Square Error)와 MBE (the Mean Bias Error)를 통해 검증을 진행한다.

본 연구를 통해 예보 데이터가 관측 데이터와 비교하여 정확성이 검증된다면 건물 운용뿐만 아니라 신재생 에너지의 효율적인 운용방안을 위해 적용 가능한 예측 가능성과 한계를 판단할 수 있을 것으로 사료된다.


2. 기상청 예보 및 관측 데이터

2.1. 기상 예보 데이터

우리나라의 기상청은 2020년을 기준으로 날씨를 예보하는 동네 예보를 제공하고 있다. 동네 예보에는 초단기예보, 단기예보, 중기예보가 있는데 초단기예보는 예보 시점부터 6시간 이내에 행하는 예보를 말하며 한 시간 단위로 발표시간 1시간 후부터 최대 6시간까지 예보를 매시 30분마다 발표한다. 초단기 예보는 WRF (Weather Research and Forecasting) 시스템을 기반으로 제공 되고 있으며 WRF는 UCAR (National Center for Atmospheric Research)에서 1990년 후반부터 개발된 수치 해석 모델이다. 이를 지속적으로 개선하여 초단기 기상예측시스템 (KLAPS, Korea Local Analysis and Prediction System)을 새롭게 구축하였으며 이음새 없는 분석을 위하여 수평 해상도 5km, 수평격자수 283×235, 연직 40층으로 구성되어 있다.

초단기 예보 데이터는 강수형태, 습도, 운량(하늘 상태), 기온, 뇌전, 풍향, 풍속의 데이터를 제공하며 일 24회 발표한다. 그 중 기온, 풍속, 습도, 운량의 제공되는 형태는 다음 Table 1.과 같다.

Korea Meteorological Administration Form

기상청 홈페이지에 따르면 초단기 예보는 2019년 10월 10일 10시 30분부터 세 개의 순서로 예보 데이터를 반복하여 제공하고 있다. 첫 번째 6시간, 두 번째 5시간, 세 번째 4시간의 예보 데이터를 반복적으로 제공하여 총 하루 동안 120개의 데이터를 제공하고 있다. 해당 발표 시각과 예보 시간의 자세한 정보는 Table 2.와 같다.

Announcement Time of Korea Meteorological Administration Form

2.2. 기상 관측 데이터

기상청은 총 여덟 가지의 다양한 기상 관측 데이터를 제공한다. 그 중 정해진 시각의 대기 상태를 파악하기 위해 모든 관측소에서 같은 시각에 종관기상관측장비를 이용해 자동으로 지상 관측하는 종관기상관측 (ASOS, Automated Synoptic Observing System)은 지면 높이에 따른 온도와 기온, 강수, 바람, 습도, 기압, 일조, 일사, 눈, 구름 등 다양한 외기 조건을 제공한다.

초단기실황은 동네예보 구역에 대한 대표 방재기상관측 (AWS, Automatic Weather System) 관측 값을 의미 한다. 방재기상관측이란 기상현상에 따른 자연재해를 방지하기 위해 실시하는 지상관측으로 공백 해소 및 국지적인 기상 현상 파악을 위해 자동기상관측장비를 설치하여 자동으로 관측한다. 방재기상관측은 기온, 바람, 강수량, 습도, 기압이 측정된 데이터를 510 곳의 지역에 제공한다[8].


3. 조사대상 및 분석

3.1. 조사대상지 선정

기상 데이터를 수집하여 정확도를 판단할 수 있도록 국내 다섯 지역을 선정하였다. 선정한 다섯 지역은 서울, 부산, 대전, 광주, 제주이며 자세한 위치는 Table 3.과 같다.

Region

3.2. 분석 방법

초단기 예보는 Table 2.와 같이 각 시각별 예보 시간이 다르게 나타나고 있다. 따라서, 예보 시간을 1시간, 2시간, 3시간, 4시간, 5시간, 6시간으로 분류하여 각 정해진 예보 시각에 예보된 데이터와 이후 해당 시각에 실제로 관측되는 데이터를 비교하여 진행한다.

기상청에서 6시간 예보 데이터를 제공하는 2019년 10월 이후의 데이터를 기준으로 다섯 지역 데이터 중 온도, 습도, 풍속, 운량을 선별하여 2019년 11월 1일 0시부터 2020년 7월 31일 23시까지 9개월 간 총 26,300개의 각 지역 데이터를 기상청 기상자료개방포털을 통해 수집하였다.

온도, 습도, 풍속 데이터의 경우 방재기상관측 기반 초단기 실황 데이터를 적용하였으며 초단기 실황의 데이터 결측이 많은 운량의 경우 종관기상관측 데이터를 적용하였다.

운량은 초단기 예보의 경우 Table 1.과 같이 1(맑음), 3(구름 많음), 4(흐림)이며, 관측 데이터인 종관기상관측에서는 0에서 10 사이 정수로 제공되고 있다. 따라서, 관측 값의 0-2를 예보의 1로 표현하고, 3-7을 3으로, 8-10을 4로 임의로 구분하여 비교하였다.

3.3. 평가 방법

ASHRAE (American Society of Heating, Refrigerating and Air-Conditioning Engineers, 미국 냉난방 공조 협회)에서는 실제 값과 관측 값의 차이를 알아보기 위해 MBE, CVRMSE의 지표를 제공하고 있다. 해당 지표는 아래 각 식(Eq. 1), (Eq. 2)와 같다.

MBE=ΣVactual-VmodeledMean Vactual×100(Eq. 1) 
CVRMSE=ΣVactual-Vmodeled2N-1Mean Vactual×100%(Eq. 2) 

ASHRAE Guideline 14에서는 시간별 데이터의 경우 MBE < 10%, CVRMSE < 30% 로 두 지표의 허용 오차를 모두 만족할 경우 정확하게 예측한 것으로 판단하도록 기준을 제시하고 있다.


4. 비교 분석 결과

4.1. 데이터 개요

정확도 분석을 위해 온도, 습도, 풍속, 운량으로 나누어 각 다섯 지역에 따른 관측 데이터와 시간별 예보 데이터를 비교하였다.

각 데이터는 관측 데이터 총 6,575개의 데이터를 사용하였으며 한 시간에서 네 시간까지 예보 데이터 또한 각각 6,575개의 데이터와 비교하였다. 다섯 시간 예보 데이터는 총 4,384개의 데이터를 비교 및 검증하였으며 여섯 시간 예보 데이터는 총 2,192개의 데이터를 관측 데이터와 비교 및 검증하는데 사용하였다.

실선에 원형 표식은 관측 데이터를 의미하며 굵은 점선에 원형 표식은 한 시간 예보 데이터를 나타내고, 실선 얇은 두 줄에 원형 표식은 두 시간 예보 데이터, 얇은 점선에 원형 표식은 세 시간 예보 데이터, 점선과 실선이 혼용되어 있는 검은색 선에 세모 표식은 네 시간 데이터, 선을 제외한 네모 표식은 다섯 시간, 선을 제외한 원형 표식은 여섯 시간 예보 데이터를 나타내었다.

분석 초기에 하절기와 동절기로 나누어 진행하였으나 총 9개월 간 두 절기의 정확도의 분석 결과는 미비한 차이만 보일 뿐 비슷한 양상으로 나타났다. 다음 Fig. 1.- Fig. 20.은 시각적 편의를 위해 전체적인 분포와 비슷하다고 판단하여 임의로 선정한 2019년 11월 1일 24시간의 데이터를 선정하여 도출한 것이다.

4.2. 온도

Fig. 1.- Fig. 5.는 서울, 부산, 대전, 광주, 제주의 관측 온도와 예보 온도를 비교한 그림이다. x축은 시간(hour)을 나타내었고 y축은 온도(℃)를 나타낸다.

Fig. 1.

Comparison of Seoul Temperature

Fig. 2.

Comparison of Busan Temperature

Fig. 3.

Comparison of Daejeon Temperature

Fig. 4.

Comparison of Gwangju Temperature

Fig. 5.

Comparison of Jeju Temperature

Fig. 1.- Fig. 5.를 보면 관측 데이터와 예보 데이터의 차이가 크지 않은 것을 확인할 수 있으며 해당 일의 최고 온도와 최저 온도가 발생하는 시각에 예보 데이터의 정확도가 떨어지는 것으로 판단된다.

4.3. 습도

Fig. 6- Fig. 10.은 서울, 부산, 대전, 광주, 제주의 관측 습도와 예보 습도를 비교한 그림이다. x축은 시간(hour)을 나타내고 y축은 상대 습도(%RH)를 나타낸다.

Fig. 6.

Comparison of Seoul Humidity

Fig. 7.

Comparison of Busan Humidity

Fig. 8.

Comparison of Daejeon Humidity

Fig. 9.

Comparison of Gwangju Humidity

Fig. 10.

Comparison of Jeju Humidity

Fig. 6- Fig. 10.을 확인하였을 때, 관측 데이터와 예보 데이터 차이가 크지 않은 것을 확인할 수 있으나 대전과 광주는 상대적으로 큰 오차가 발생하는 것으로 보이는데 이는 온도 분석 경우와 마찬가지로 해당 지역 습도의 최저와 최고 데이터 차이가 폭이 큰 특징을 가질 경우 발생하는 것으로 판단된다.

4.4. 풍속

Fig. 11- Fig. 15.은 서울, 부산, 대전, 광주, 제주의 관측 풍속과 예보 풍속을 비교한 그림이다. x축은 시간(hour)을 나타내고 y축은 풍속(m/s)를 나타낸다.

Fig. 11.

Comparison of Seoul Wind Speed

Fig. 12.

Comparison of Busan Wind Speed

Fig. 13.

Comparison of Daejeon Wind Speed

Fig. 14.

Comparison of Gwangju Wind Speed

Fig. 15.

Comparison of Jeju Wind Speed

Fig. 11- Fig. 15를 확인할 수 있는 바와 같이, 풍속의 경우 관측 데이터와 예보 데이터 차이가 앞서 비교한 온/습도에 비하여 큰 것을 확인할 수 있으며 예보 시간과 관계없이 예보 데이터와 관측 데이터의 폭이 크게 나타나는 것을 확인할 수 있다.

4.5. 운량

Fig. 16- Fig. 20.은 서울, 부산, 대전, 광주, 제주의 관측 운량과 예보 운량을 비교한 그림이다. x축은 시간(hour)을 나타내고 y축은 1(맑음), 3(구름 많음), 4(흐림)이다.

Fig. 16.

Comparison of Seoul Cloud

Fig. 17.

Comparison of Busan Cloud

Fig. 18.

Comparison of Daejeon Cloud

Fig. 19.

Comparison of Gwangju Cloud

Fig. 20.

Comparison of Jeju Cloud

Fig. 16- Fig. 20.를 확인하였을 때, 운량 데이터도 관측 데이터와 예보 데이터 차이가 비교적 큰 것을 확인할 수 있다.

4.6. 정확도 정리

다섯 지역의 관측 데이터에 대한 예보 데이터의 정확도를 확인하기 위해 CVRMSE, MBE로 Table 4.에 나타내었다. 각 예보 시간 대에 해당하는 예보 데이터를 분류하였고 관측 데이터와 비교하는 방식을 활용하였다.

Accurcy of Results

Table 4.의 시각화를 위해 Fig. 21-24로 나타내었다. 각 그래프의 x축은 서울, 부산, 대전, 광주, 제주 순으로 정확도를 나열하였으며 세부적으로 CVRMSE, MBE를 예보 시간인 한 시간에서 여섯 시간까지 순서대로 나열하였다. y축은 CVRMSE와 MBE를 나타낼 수 있는 정확도(%)이다. 예를 들면, Fig. 21.의 가장 왼쪽의 첫 번째 막대 그래프는 서울 지역의 온도 데이터 중에서 1시간 예보 데이터와 해당 시간의 관측 데이터 정확도를 비교하여 나타낸 CVRMSE로 19.98인 약 20%를 표현하고 있다. 이는 ASHRAE Guideline 14에서 제시한 기준에 적합하며 예측 가능하다고 판단할 수 있다. 각 그래프에는 CVRMSE, MBE의 기준인 30%, 10%를 직관적으로 판단할 수 있도록 가로로 된 사각 모형을 그래프 내에 표현하였다.

Fig. 21.

M&V Indices Comparison of Temperature

Fig. 22.

M&V Indices Comparison of Humidity

Fig. 23.

M&V Indices Comparison of Wind Speed

Fig. 24.

M&V Indices Comparison of Cloud

먼저, 서울 지역의 경우 온도는 다섯 시간, 여섯 시간 예보 데이터의 경우 CVRMSE 30%를 초과하였으며 다섯 시간 예보 데이터의 MBE가 10%를 초과한 것을 확인할 수 있다. 해당 데이터를 기준으로 한 시간에서 네 시간의 예보 데이터는 관측 데이터를 타당하게 예측하는 것으로 판단된다. 습도에 대한 CVRMSE는 모두 조건에 만족하나 MBE는 두 시간에서 다섯 시간까지의 예보 데이터는 조건에 만족하지 않는 것으로 나타난다. 풍속과 운량은 모두 기준에 만족하지 않는 결과를 나타내고 있다.

부산 지역의 경우 온도와 습도 CVRMSE, MBE 모두 조건에 만족하는 결과를 보이기 때문에 해당 데이터를 기준으로 온도와 습도 데이터의 예보 데이터를 관측 데이터로서 타당하게 예측하는 것으로 판단된다. 풍속과 운량의 경우 CVRMSE, MBE 모두 기준에 만족하지 않는다.

대전 지역의 경우 온도는 다섯 시간, 여섯 시간 예보 데이터가 CVRMSE 30%를 초과하였으며, 여섯 시간 예보 데이터의 MBE를 제외한 모든 데이터가 10%를 초과한 것을 확인할 수 있다. 습도는 CVRMSE 모두 조건에 만족하는 것으로 나타났다. 습도 데이터는 모두 예보 데이터를 관측 데이터로서 사용할 수 있다고 판단된다. 풍속과 운량의 경우 CVRMSE, MBE 모두 기준에 만족하지 않는다.

광주 지역의 경우 온도는 여섯 시간 예보 데이터가 CVRMSE 기준에 초과하였으며 MBE는 다섯 시간 예보 데이터가 기준에 초과한 것을 나타내었다. 습도의 경우 네 시간에서 다섯 시간의 데이터가 기준에 적합하지 않은 것으로 나왔으며 이외의 모든 데이터가 기준에 적합한 것으로 나타났다. 즉, 네 시간과 다섯 시간을 제외한 모든 데이터가 관측 데이터로서 사용할 수 있다고 판단된다. 풍속과 운량의 경우 CVRMSE, MBE 모두 기준에 만족하지 않는다.

제주 지역의 경우 온도와 습도 CVRMSE, MBE 모두 조건에 만족하는 결과를 보이기 때문에 해당 데이터를 기준으로 온도와 습도 데이터의 예보 데이터를 관측 데이터로서 사용할 수 있다고 판단된다. 풍속과 운량의 경우 CVRMSE, MBE 모두 기준에 만족하지 않는다.


5. 결론

본 연구는 건물 성능 예측 시 사용하는 지역별 기상조건에 대한 예보 데이터의 정확도를 검증하기 위한 것으로 국내 다섯 지역을 선정하여 9개월간의 온도, 습도, 풍속 그리고 운량 데이터를 수집하였으며 이를 통해 예보 데이터를 관측 데이터로서 사용할 수 있는 타당성을 검증하였다. 이에 대한 결론은 아래와 같다.

  • (1) 해당 일의 최고 데이터와 최저 데이터의 폭이 크게 발생하는 특징을 가진 지역의 예보 데이터의 경우 관측 데이터와 비교하여 정확도가 떨어지는 것으로 판단되어 지역에 따라 예보 데이터 활용 여부를 판단하여야 한다.
  • (2) 온도와 습도의 경우 4시간까지의 예보 데이터는 관측 데이터와 비교하여 높은 정확도를 나타내고 있다. 5시간에서 6시간까지 예보 데이터는 지역에 따라 상이하나 대부분 높은 정확도를 보여주고 있다. 즉, 예보 데이터를 통해 4시간까지는 관측 데이터로 사용할 수 있으며 5~6시간 사이의 데이터는 지역별 또는 사용 목적에 따라 사용 가능하다고 판단된다.
  • (3) 풍속과 운량의 경우 대부분의 예보 데이터와 관측 데이터의 정확도가 기준에 만족하지 않기 때문에 풍속과 운량 예보 데이터는 관측 데이터로서 사용할 수 없다고 판단된다.

운량 예보 데이터와 관측 데이터의 주어지는 지표가 달라 임의로 관측데이터를 변경하여 설정하였기 때문에 한계점을 가지고 있으며 건물 성능 예측 시 결과 데이터에 큰 영향을 주는 일사데이터의 경우 기상청에서 예보로 제공되고 있지 않기 때문에 일사 데이터의 처리 방안의 한계를 가지고 있다. 또한, 각 지역에 따른 정확도 편차가 존재하기 때문에 지역에 따른 조정 방안 설정이 추가적으로 필요하다.

추후 연구를 통해 예보 데이터를 이용한 일사를 예측 식을 활용하여 계산하고 이를 실제 건물 성능 예측에 적용하여 예측 결과의 정확도를 도출하는 연구를 진행할 것이며 본 연구를 통해 예보 데이터를 적용하는 다양한 연구들의 기초 자료로 제공되기를 기대한다.

Acknowledgments

본 연구는 국토교통부 도시건축연구개발사업의 연구비지원(19AUDP-B079104-06)에 의해 수행되었습니다.

References

  • 김언용, 전한종, 기상데이터 종류별 건물 에너지 성능 분석 결과에 미치는 영향 연구, 대한건축학회논문집, 제29권 제3호, 2013, pp.317-326.
    E.Y. Kim, H.J. Jun, A Study on Influence of Type of Weather Data on Results of Buildings Energy Performances Simulation, Journal of the Architectural Institute of Korea Planning & Design, 29(3), 2013, pp.317-326.
  • 전병기 외 4인, 딥러닝을 이용한 재실정보 기반 건물의 전기 수요 예측 모델, 설비공학회논문집, 제31권 제1호, 2019, pp.22-31.
    B.K. Jeon et al., Short-Term Electricity Consumption Prediction based on Occupancy Information Using Deep-Learning Network Model, Korean Journal of Air-Conditioning and Refrigeration Engineering, 31(1), 2019, pp.22-31. [ https://doi.org/10.6110/KJACR.2019.31.1.022 ]
  • 전병기, 김의종, 인공신경망을 이용한 건물의 단기 부하 예측 모델, 설비공학회논문집, 제29권 제10호, 2017, pp.497-503.
    B.K. Jeon, E.J. Kim, Short-term Load Prediction Using Artificial Netwo가 Models, Korean Journal of Air-Conditioning and Refrigeration Engineering, 29(10), 2017, pp.497-503.
  • 전병기, 이경호, 김의종, 건물의 단기부하 예측을 위한 기상예측 모델 개발, 한국태양에너지학회 논문집, 제38권 제1호, 2018, pp.1-11.
    B.K. Jeon, K.H. Lee, E.J. Kim, Development of Weather Forecast Models for a Short-term Building Load Prediction, Journal of the Korean Solar Energy Society, 38(1), 2018, pp.1-11.
  • 정진화, 채영태, 기계학습을 활용한 기상예측자료 기반 태양광 발전량 예측 향상 기법, 한국생활환경학회지, 제25권 제1호, 2018, pp.119-125.
    J.H. Jeong, Y.T. Chae, Improvement for Forecasting of Photovoltaic Power Output using Real Time Weather Data based on Machine Learning, Journal of The Korean Society of Living Environmental System, 25(1), 2018, pp.119-125. [ https://doi.org/10.21086/ksles.2018.02.25.1.119 ]
  • 안유선 외 3인, 푸리에 변환 기반 스케줄 분석 알고리즘을 적용한 건물 에너지 소비량 예측 모델, 설비공학회 논문집, 제32권 제8호, 2020, pp. 386-397.
    Y.S. Ahn et al., Building Energy Demand Prediction Model using Fourier Transform based Schedule Analysis Algorith, Korean Journal of Air-Conditioning and Refrigeration Engineering, 32(8), 2020, pp.386-397. [ https://doi.org/10.6110/KJACR.2020.32.8.386 ]
  • 안유선 외 3인, 기계 학습과 주요 변수를 활용한 열병합발전 시스템 열 수요량 예측, 설비공학논문집, 제31권 제8호, 2019, pp.352-360.
    Y.S. Ahn et al., Prediction of Heating Energy Consumption Using Machine Learning and Parameters in Combined Heat and Power Generation, Korean Journal of Air-Conditioning and Refrigeration Engineering, 31(8), 2019, pp.352-360. [ https://doi.org/10.6110/KJACR.2019.31.8.352 ]
  • 기상청, 기상자료개방포털, www.data.kma.go.kr, , 2020.08.23.
    Korea Meteorological Administration, KMA, www.data.kma.go.kr, , 2020.08.23.

Fig. 1.

Fig. 1.
Comparison of Seoul Temperature

Fig. 2.

Fig. 2.
Comparison of Busan Temperature

Fig. 3.

Fig. 3.
Comparison of Daejeon Temperature

Fig. 4.

Fig. 4.
Comparison of Gwangju Temperature

Fig. 5.

Fig. 5.
Comparison of Jeju Temperature

Fig. 6.

Fig. 6.
Comparison of Seoul Humidity

Fig. 7.

Fig. 7.
Comparison of Busan Humidity

Fig. 8.

Fig. 8.
Comparison of Daejeon Humidity

Fig. 9.

Fig. 9.
Comparison of Gwangju Humidity

Fig. 10.

Fig. 10.
Comparison of Jeju Humidity

Fig. 11.

Fig. 11.
Comparison of Seoul Wind Speed

Fig. 12.

Fig. 12.
Comparison of Busan Wind Speed

Fig. 13.

Fig. 13.
Comparison of Daejeon Wind Speed

Fig. 14.

Fig. 14.
Comparison of Gwangju Wind Speed

Fig. 15.

Fig. 15.
Comparison of Jeju Wind Speed

Fig. 16.

Fig. 16.
Comparison of Seoul Cloud

Fig. 17.

Fig. 17.
Comparison of Busan Cloud

Fig. 18.

Fig. 18.
Comparison of Daejeon Cloud

Fig. 19.

Fig. 19.
Comparison of Gwangju Cloud

Fig. 20.

Fig. 20.
Comparison of Jeju Cloud

Fig. 21.

Fig. 21.
M&V Indices Comparison of Temperature

Fig. 22.

Fig. 22.
M&V Indices Comparison of Humidity

Fig. 23.

Fig. 23.
M&V Indices Comparison of Wind Speed

Fig. 24.

Fig. 24.
M&V Indices Comparison of Cloud

Table 1.

Korea Meteorological Administration Form

Element Number / Unit Element Number / Unit
1 hour Temperature 0.1 ℃ Wind speed 0.1 m/s
Cloud Sunny(1), Mostly cloudy(3), Cloudy(4) Humidity 1 %

Table 2.

Announcement Time of Korea Meteorological Administration Form

Time Forecast time
00, 03, 06, 09, 12, 15, 18, 21 hour 6
01, 04, 07, 10, 13, 16, 19, 22 hour 5
23, 02, 05, 08, 11, 14, 17, 20 hour 4

Table 3.

Region

Location Detailed
Seoul Cheongunhyojadong, Jongno-gu, Seoul
Busan Daecheong-dong, Jung-gu, Busan
Daejoen Oncheon 2-dong, Yuseong-gu, Daejoen
Gwangju Unam 2-dong, Buk-gu, Gwangju
Jeju Ildo 1-dong, Jeju

Table 4.

Accurcy of Results

Region Contents Index 1 hour 2 hour 3 hour 4 hour 5 hour 6 hour
Seoul Temperature CVRMSE 17.82 18.26 18.22 18.04 33.11 30.82
MBE 9.89 10.36 10.32 10.28 15.55 7.88
Humidity CVRMSE 13.33 14.69 15.29 16.15 24.74 25.53
MBE 9.78 10.90 11.64 12.57 12.84 6.66
Wind speed CVRMSE 50.91 52.19 51.82 52.60 60.17 61.06
MBE 39.73 40.31 39.50 38.86 31.03 15.47
Cloud CVRMSE 57.77 58.45 56.96 56.34 52.04 51.93
MBE 36.27 36.86 35.18 34.63 20.31 10.06
Busan Temperature CVRMSE 14.51 14.78 14.57 14.46 22.76 25.25
MBE 7.57 7.46 6.81 6.58 8.79 4.56
Humidity CVRMSE 9.33 11.13 12.15 13.07 15.63 16.51
MBE 6.33 7.90 8.94 9.83 7.76 4.11
Wind speed CVRMSE 53.91 65.02 71.94 80.44 64.96 74.36
MBE 37.08 42.85 46.81 51.42 29.88 16.50
Cloud CVRMSE 54.62 53.78 53.50 53.34 49.77 47.27
MBE 32.39 31.45 31.29 31.01 18.58 8.44
Daejeon Temperature CVRMSE 17.06 17.80 18.58 19.75 30.50 33.91
MBE 10.53 11.60 12.80 14.40 13.51 7.27
Humidity CVRMSE 9.10 10.78 11.73 12.32 19.91 21.30
MBE 6.95 8.23 8.96 9.45 10.01 5.27
Wind speed CVRMSE 64.32 66.96 67.77 72.36 77.17 80.02
MBE 47.35 48.78 48.76 50.07 37.73 19.82
Cloud CVRMSE 55.42 55.44 55.46 54.53 50.18 49.24
MBE 34.95 34.93 35.06 34.10 19.86 9.72
Gwangju Temperature CVRMSE 10.33 11.19 11.68 12.06 24.68 27.32
MBE 4.28 5.54 6.28 6.73 11.56 6.12
Humidity CVRMSE 9.70 11.65 12.80 13.72 21.19 22.28
MBE 6.94 8.61 9.74 10.69 10.89 5.69
Wind speed CVRMSE 62.65 67.35 70.78 75.96 81.99 86.30
MBE 46.35 50.07 52.17 54.23 40.65 21.53
Cloud CVRMSE 52.16 52.38 52.39 52.60 47.90 47.02
MBE 31.78 32.02 32.11 32.18 18.55 9.04
Jeju Temperature CVRMSE 10.91 11.25 10.90 10.62 16.30 18.80
MBE 6.71 6.87 6.27 5.91 6.89 3.65
Humidity CVRMSE 9.66 10.80 11.24 11.69 14.14 14.94
MBE 7.18 8.12 8.55 8.96 7.09 3.70
Wind speed CVRMSE 61.35 66.38 70.69 77.47 67.50 74.55
MBE 45.22 46.91 48.75 51.95 32.85 17.61
Cloud CVRMSE 45.44 45.39 44.57 44.01 41.50 41.17
MBE 26.92 26.78 25.96 25.47 15.56 7.68