ZEMCH 2019 International Conference Proceedings April.2020 | Page 152

1. Introduction 
Energy performance indicators have been extensively discussed in numerous studies worldwide. 
For  example,  Pérez‐Lombard  et  al.[9],  Borgstein  et  al.[1]  have  presented  well‐organized  reviews  of 
these studies. In summary, the Total Energy Use Intensity (TEUI; e.g. kWh/㎡·a), which the sum of all 
annual  energy  sources’  consumption  divided  by  gross  floor  area,  is  still  commonly  used  as  a 
performance indicator due to its feasibility. The sole dependence of the government on the TEUI may 
be attributable to the fact that other prospective performance indicators require too much information 
that is difficult to collect within limited time and resources. The TEUI is an aggregated quantity of all 
end  uses,  however,  its  meaning  is  non‐indicative  and  not  useful  for  identifying  opportunities  and 
prioritizing potential actions in a more detailed diagnosis (Mathew et al., 2008). In an assessment, not 
only  TEUI  but  also  an  end‐use  related  indicator  should  be  considered  to  ensure  confidence  of  the 
assessment. 
The development of IoT technology has made the price of their related instruments cheaper;    the 
cost of power meter, gas meter have been lowered so far (roughly 100–300 dollars in USD) However, 
in order to know (measure) how much energy is consumed at end‐uses, it still costs a certain level. The 
problem is the installation (labor) cost that consists of approximately 50% or higher of the total cost. 
This is one of the major impeding factors for the promotion of end‐uses metering in small‐ and medium‐
sized buildings (<3,000 m2) (Wang et al., 2012; Katipamula et al., 2012). The total cost is relatively high, 
and  only  a  few  buildings  (>10,000  m2)  are  worthwhile  for  trials.  In  other  words,  most  small‐  and 
medium‐sized buildings (<3,000 m2) may not have worthwhile, and end uses in such buildings have 
remained  a  national  blind  spot  to  those  promoting  policies  related  to  energy  efficiency,  or  those 
promoting a business.   
Another problem is that even if each end‐use is sub‐metered, there is no national benchmark of 
similar buildings due to the lack of samples, so it is difficult to determine whether the amount of end 
uses is appropriate. Only by addressing the shortage of samples can a national benchmark be set. This 
means that the cost barrier must be solved first. 
This study proposes a cost‐effective method for generating such practical indicators, by dividing 
the  monthly  total  energy  consumption  into  cooling‐related  energy  (summer‐sensitive  energy,  Ec), 
heating‐related energy (winter‐sensitive energy, Eh), and baseload energy (weather‐insensitive energy, 
Eb). Our method utilizes inflection points (or shoulder months) that occurred in spring and autumn, 
when  the  main  energy  use  shifted  from  heating  to  cooling,  and  from  cooling  back  to  heating,  to 
represent the whole year.   
The cost for collecting monthly utility bills nationwide is now nearly zero from the benefit of the 
national energy database (Kwak et al., 2017). Due to the merits of cost‐effectiveness, it is expected that 
three end uses (Ec, Eh, Eb) be easily accumulate and cumulative frequency distributions also be made. 
It  is  a  favorable  starting  point  to  for  uncovering  energy  inefficiencies  in  small‐  and  medium‐sized 
building stock by Ec, Eh, Eb benchmarking.   
The  idea  of  disaggregating  the  baseload,  heating,  and  cooling  loads  using  monthly  total 
consumption data has been studied, for example in regression‐based (Kissock et al., 2002), simulation‐
based (NBI, 2017), and rule‐based (Iyer et al., 2015) approaches. The rule‐based approach simply splits 
the  total  energy  use  into  weather‐insensitive  energy  use  (i.e.,  baseload  energy  use)  and  weather‐
sensitive energy use (i.e., cooling and heating energy uses) using a set of rules considering the monthly 
variation. The merit of such a rule‐based approach emerges in real‐life situations in which the end‐uses 
information is required, but difficult to obtain.   
The set of rules for disaggregation is often criticized due to its simplicity; therefore, verification 
(pros and cons) was conducted in this study. As a preliminary validation study, eight end‐uses (cooling, 
heating, domestic hot water, lighting, ventilation (fan), appliances, indoor transportation, and water 
supply) of two office buildings were measured and the data were pre‐ and post‐processed for validation. 

141
ZEMCH 2019 International Conference l Seoul, Korea