KR101077369B1

KR101077369B1 - The building mutual assistance control method which uses an optimization energy management system

Info

Publication number: KR101077369B1
Application number: KR1020100019974A
Authority: KR
Inventors: 양인호; 선종명
Original assignee: 삼성물산 주식회사
Priority date: 2010-03-05
Filing date: 2010-03-05
Publication date: 2011-10-26
Also published as: KR20110100895A

Abstract

본 발명은 인공 신경망의 개념을 적용한 에너지 절감 알고리즘을 사용하여 빌딩 제어시스템을 구현함으로써 최적화된 에너지 활용을 통해 빌딩 에너지 관리를 효율적으로 운용할 수 있도록 하는 데에 그 목적이 있다.
상기한 목적을 달성하기 위한 본 발명은 빌딩 내부의 공조 시스템의 제어방법에 있어서, 설정된 재실시각에 맞추어 환경에 따른 공조 시스템의 기동시각을 결정해주는 최적 기동 알고리즘; 설정된 공실시각에 맞추어 환경에 따른 공조 시스템의 정지시각을 결정해주는 최적 정지 알고리즘; 실내와 외부 공기의 엔탈피를 비교하여 엔탈피 제어 운전을 실시하는 엔탈피 제어 알고리즘; 일출 전에 찬 외기를 유입하여 실내 온도를 낮추도록 하는 나이트 퍼지 알고리즘; 실내 온도를 감시하여 미리 정하여진 쾌적 온도 범위 내에서 실내 온도를 유지 시키면서 공조가 불필요한 때에는 공조기를 일시 정지하도록 하는 듀티 사이클 제어 알고리즘;을 포함하여 에너지를 최대로 절약하면서 공조 시스템을 제어하여 최소의 에너지로 최대의 쾌적한 열환경을 제공해 줄 수 있도록 하는 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 시스템을 제공하는 것을 그 기술적 요지로 한다. An object of the present invention is to implement a building control system using an energy saving algorithm applying the concept of artificial neural network to efficiently operate building energy management through optimized energy utilization.
According to an aspect of the present invention, there is provided a control method of an air conditioning system in a building, the method including: an optimal starting algorithm for determining a starting time of an air conditioning system according to an environment according to a set re-starting time; An optimal stop algorithm for determining the stop time of the air conditioning system according to the environment according to the set air running time; An enthalpy control algorithm for performing an enthalpy control operation by comparing an enthalpy of indoor and outdoor air; A night fuzzy algorithm for introducing cold outside air before sunrise to lower the room temperature; A duty cycle control algorithm that monitors the room temperature and maintains the room temperature within a predetermined comfort temperature range and pauses the air conditioner when no air conditioning is necessary; It is a technical point of the present invention to provide a building air conditioning control system using an optimized energy management system that can provide the maximum comfortable thermal environment.

Description

The building mutual assistance control method which uses an optimization energy management system}

본 발명은 에너지 메니지먼트 시스템(EMS)를 사용하여 빌딩 내의 공조시스템을 제어하는 제어 방법에 관한 것으로, 보다 상세하게는 인공 신경망을 통하여 빌딩 내의 쾌적한 환경을 유지하기 위한 조건을 학습한 후 그 결과에 따라 공조 시스템을 제어함으로써 빌딩 내부는 항상 쾌적한 환경을 유지할 수 있도록 함과 동시에 공조 시스템에 들어가는 에너지를 줄여 절약할 수 있도록 하는 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 방법에 관한 것이다.
The present invention relates to a control method for controlling an air conditioning system in a building using an energy management system (EMS), and more particularly, after learning a condition for maintaining a pleasant environment in a building through an artificial neural network, By controlling the air conditioning system, the interior of the building relates to a method for controlling the air conditioning of the building using an optimized energy management system that allows the interior of the building to always maintain a comfortable environment and at the same time reduce and save energy in the air conditioning system.

공조 설비는 사무용 빌딩, 공장, 호텔, 식당, 병원, 창고형 상점, 백화점 등을 포함하는 광범위한 분야의 빌딩에서 설치되고 적용되고 있다.The air conditioning equipment is installed and applied in a wide range of buildings including office buildings, factories, hotels, restaurants, hospitals, warehouse shops, department stores and the like.

종래의 공조 설비의 운전은 일반적으로 관리자가 판단하여 기동으로부터 정지시키기 까지는 장시간 또는 심지어 하루 종일 운전되는 등 에너지를 낭비하고 있다. 이렇게 공조 설비에 의해 소비되는 에너지는 사용 공간, 온도, 습도, 창을 통한 일사열, 재실밀도와 같은 다양한 인자에 종속적이며 특히 운전시간에 많은 영향을 받게 된다.The operation of the conventional air conditioning equipment generally wastes energy, such as being operated for a long time or even all day until it is determined by a manager and stopped from starting. The energy consumed by the HVAC system is dependent on various factors such as space used, temperature, humidity, solar radiation through windows, and density of ash, and is particularly affected by operating time.

한편 공조를 하는 경우에는 열원과 동력에 대한 에너지가 소비되기 때문에 공조 시간을 최소화 하기위하여 일반적인 사무용 건물은 근무 시간대에는 공조를 실시하며, 근무 시간이 아닌 경우 또는 사무실 내에 재실자가 없는 경우에는 공조를 하지 않는다.In the case of air conditioning, energy for heat source and power is consumed. Therefore, in order to minimize air conditioning time, general office buildings are air-conditioned during working hours, but not during working hours or when there are no occupants in the office. Do not.

이렇게 재실자에 맞추어 공조를 하는 경우 아침 재실 시작 시각이 되었을 때 실내 온도가 설정 온도에 도달할 수 있도록 재실 시작 시각 이전부터 공조를 시작해야 하나, 언제부터 공조를 시작해야 재실 시작 시각에 설정 온도에 도달할 수 있는지를 산정하기는 어렵기 때문에 보통 최악의 경우를 대비하여 작성된 고정적인 스케줄 예약을 이용하여 충분히 이른 시각에 미리 공조를 시작하는 것이 보통이다. 이 경우 겨울철인 경우 가장 추운 날씨를 기준으로 하고, 여름철인 경우 가장 더운 날씨를 기준으로 공조 시작 시각을 결정하는데, 기후 조건과 실내 환경에 따라 불필요하게 일찍 공조를 시작하는 경우가 발생하기 때문에 에너지 낭비의 요소가 되고 있어 언제 공조 설비를 가동하는 것이 에너지 관점에서 최적의 가동 시각인가를 결정해야 하는 문제가 있다. When air conditioning is performed according to the occupants, air conditioning should be started before the room starting time so that the room temperature can reach the set temperature when the morning occupancy time arrives. Since it is difficult to estimate whether or not it can be done, it is common to start air conditioning early enough using a fixed schedule reservation prepared for the worst case. In this case, the air conditioning start time is determined based on the coldest weather in winter and the hottest weather in summer, and energy is wasted because air conditioning starts unnecessarily early according to climatic conditions and indoor environment. As a result, it is necessary to determine when operating the air conditioning equipment is the best time to operate from an energy perspective.

한편 일반적으로 공조 설비의 정지 시각은 재실 종료 시각에 맞추게 되는데 빌딩 구조물 자체가 갖는 열 관성과 열원기기의 예열 부하 등으로 인해 결국 불필요한 에너지를 낭비하는 경우가 발생하게 된다. 이러한 에너지 낭비를 피하는 방법은 재실 종료 시각이 되기 전에 공조 설비를 정지하는 것인데, 이 역시 언제 공조 설비를 정지하는 것이 에너지 관점에서 최적의 정지 시각인가를 결정해야 하는 문제가 있다. On the other hand, in general, the stop time of the air conditioning equipment is adjusted to the end of the room, and the waste energy is eventually wasted due to the heat inertia of the building itself and the preheating load of the heat source equipment. The way to avoid such waste of energy is to stop the air conditioning system before the end of the room, which also has a problem of deciding when to stop the air conditioning system from the energy point of view.

이렇게 빌딩 에너지 절약을 위해서는 빌딩의 에너지를 사용하는 각종 설비를 효율적으로 운용해야 하며 이를 위한 구체적인 적용 방법이 도출되어 현장에 적용되어야 한다. 그러나, 현실적으로 이를 구현 및 적용한다는 것은 시스템상의 기능이 부족하거나 또는 적용하기 위해 많은 시간과 노력을 필요로 하기 때문에 그리 쉬운 일이 아니다.
In order to save energy in buildings like this, it is necessary to efficiently operate various facilities that use energy of buildings, and a specific application method for this must be derived and applied to the site. However, in reality, implementing and applying it is not so easy because it lacks system functions or requires a lot of time and effort to apply.

본 발명은 이와 같은 종래의 제반 문제점을 해소하기 위하여 안출한 것으로, 인공 신경망의 개념을 가지고 있는 에너지 절감 알고리즘을 사용하여 빌딩 제어시스템을 구현함으로써 최적화된 에너지 활용을 통해 빌딩 에너지 관리를 효율적으로 운용할 수 있도록 하는 데에 그 목적이 있다.
The present invention has been made to solve such a conventional problem, it is possible to efficiently manage building energy management through the use of optimized energy by implementing a building control system using an energy saving algorithm having the concept of artificial neural network. Its purpose is to make it possible.

상기 목적달성을 위한 본 발명은 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 방법에 있어서, 일정시각마다 실온, 외기온을 측정하는 단계(S11); 일정시간 단위의 외기온 변동율 및 실온 변동율을 산출하는 단계(S12); 측정한 입력변수(실온, 외기온, 외기온 변동율,실온 변동율)를 0.1에서 0.9사이의 값으로 정규화 시키는 단계(S13)를 포함하는 자료수집단계(S10)와; 상기 수집된 정규화값을 인공신경망에 적용하여 현재의 조건에서 공조시작시 목표온도까지 도달하는 시간인 출력값을 계산하는 단계(S21); 상기 출력값과 현재부터 출근까지의 시간을 비교하여 오차를 계산하는 단계(S22); 상기 오차가 허용범위 내에 있으면 공조를 시작하는 단계(S23); 상기 공조 시작시의 입력값과 시각을 저장하는 단계(S24); 목표온도에 도달했을 때의 시간을 측정하여 저장하는 단계(S25); S25단계에서의 목표온도 도달시간과 출근시간을 비교하여 실제 오차를 계산하는 단계(S26); 목표온도까지 도달할 때 시간을 정규화하여 저장하는 단계(S27); 공조시작시의 실온, 외기온, 외기온 변동율,실온 변동율 등 4개의 정규화 값과 S27단계에서 계산된 목표온도 도달 시간 정규화 값을 이용하여 인공신경망에 학습을 실시하는 단계(S28)를 포함하는 공조실행단계(S20)로 이루어진 최적 기동 알고리즘을 포함하는 것을 특징으로 한다. In accordance with another aspect of the present invention, there is provided a method for controlling air conditioning in a building using an optimized energy management system, the method including: measuring room temperature and ambient temperature at a predetermined time (S11); Calculating an outside temperature change rate and a room temperature change rate in a predetermined time unit (S12); A data collection step (S10) including a step (S13) of normalizing the measured input variables (room temperature, outside temperature, outside temperature variation rate, room temperature variation rate) to a value between 0.1 and 0.9; Applying the collected normalized value to the artificial neural network to calculate an output value which is a time for reaching the target temperature at the start of air conditioning under the current condition (S21); Calculating an error by comparing the output value with a time from work to work (S22); Starting air conditioning if the error is within an allowable range (S23); Storing an input value and a time at the start of air conditioning (S24); Measuring and storing the time when the target temperature is reached (S25); Computing the actual error by comparing the arrival time and the target temperature reached in step S25 (S26); Normalizing and storing the time when reaching the target temperature (S27); Air conditioning execution step comprising the step of learning to the artificial neural network using the four normalized values, such as room temperature at the start of the air conditioning, outside air temperature, outside temperature fluctuation rate, room temperature fluctuation rate and the target temperature arrival time normalization value calculated in step S27 (S28) And an optimal starting algorithm made up of S20.

또한, 상기 인공 신경망은 연산 처리를 하는 단위인 뉴런과, 하나 이상의 뉴런들이 이루는 입력층 및 출력층과, 상기 입력층과 출력창 사이에 다수의 뉴런으로 구성된 은닉층을 형성하여 구성하도록 하되, 난방 기동시각시 인공신경망의 경우 상기 은닉층은 9개의 뉴런을 가지고 있으며, 3개의 은닉층을 가지고, 학습률은 0.55, 모멘트는 0.80인 것을 특징으로 한다.The artificial neural network may be configured by forming a neuron, which is a unit for processing, an input layer and an output layer formed by one or more neurons, and a hidden layer composed of a plurality of neurons between the input layer and the output window. In the case of a visual artificial neural network, the hidden layer has nine neurons, has three hidden layers, a learning rate of 0.55, and a moment of 0.80.

또한, 상기 인공 신경망은 연산 처리를 하는 단위인 뉴런과, 하나 이상의 뉴런들이 이루는 입력층 및 출력층과, 상기 입력층과 출력창 사이에 다수의 뉴런으로 구성된 은닉층을 형성하여 처리하도록 하되, 냉방 기동시각시 인공신경망의 경우 상기 은닉층은 9개의 뉴런을 가지고 있으며, 1개의 은닉층을 가지고, 학습률은 0.90, 모멘트는 0.80인 것을 특징으로 한다. In addition, the artificial neural network to process by forming a neuron, which is a unit for arithmetic processing, an input layer and an output layer formed by one or more neurons, and a hidden layer composed of a plurality of neurons between the input layer and the output window. In the case of the visual artificial neural network, the hidden layer has 9 neurons, has one hidden layer, a learning rate is 0.90, and a moment is 0.80.

또한, 공조기 정지 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 방법에 있어서, 일정시각마다 실온, 외기온을 측정하는 단계(S31); 일정시간 단위의 외기온 변동율 및 실온 변동율을 산출하는 단계(S32); 측정한 입력변수(실온, 외기온, 외기온 변동율,실온 변동율)를 0.1에서 0.9사이의 값으로 정규화 시키는 단계(S33)를 포함하는 자료수집단계(S30)와; 상기 수집된 정규화값을 인공신경망에 적용하여 현재의 조건에서 공조정지시 목표온도까지 도달하는 시간인 출력값을 계산하는 단계(S41); 상기 출력값과 현재부터 퇴근(공실시작)시각까지의 시간을 비교하여 오차를 계산하는 단계(S42); 상기 오차가 허용범위 내에 있으면 공조를 정지하는 단계(S43); 상기 공조 정지시의 입력값과 시각을 저장하는 단계(S44); 목표온도에 도달했을 때의 시간을 측정하여 저장하는 단계(S45); S45단계에서의 목표온도 도달시간과 퇴근시간을 비교하여 실제 오차를 계산하는 단계(S46); 목표온도까지 도달할 때 시간을 정규화하여 저장하는 단계(S47); 공조 정지시의 실온, 외기온, 외기온 변동율,실온 변동율 등 4개의 정규화 값과 S47단계에서 계산된 목표온도 도달 시간 정규화 값을 이용하여 인공신경망에 학습을 실시하는 단계(S48)를 포함하는 공조정지단계(S40)로 이루어진 최적 정지 알고리즘을 포함하는 것을 특징으로 한다. In addition, the air conditioning control method of the building air conditioning using the optimized energy management system, comprising: measuring the room temperature and the outside air at a predetermined time (S31); Calculating an outside temperature change rate and a room temperature change rate in a predetermined time unit (S32); A data collection step (S30) including a step (S33) of normalizing the measured input variable (room temperature, outside temperature, outside temperature variation rate, room temperature variation rate) to a value between 0.1 and 0.9; Applying the collected normalized value to the artificial neural network to calculate an output value which is a time for reaching the target temperature for co-ordination under the current conditions (S41); Calculating an error by comparing the output value with a time from the present to the time of leaving the office (vacation start) (S42); Stopping air conditioning if the error is within an allowable range (S43); Storing an input value and time when the air conditioning is stopped (S44); Measuring and storing the time when the target temperature is reached (S45); Computing the actual error by comparing the target temperature reaching time and the leaving time in step S45 (S46); Normalizing and storing the time when reaching the target temperature (S47); Coordination paper step including the step of learning to the artificial neural network using the four normalized values such as room temperature, outside air temperature, outside temperature fluctuation rate, room temperature fluctuation rate at the air conditioning stop and the target temperature arrival time normalization value calculated in step S47 (S48). (S40) characterized in that it comprises an optimal stop algorithm.

또한, 상기 인공 신경망은 연산 처리를 하는 단위인 뉴런과, 하나 이상의 뉴런들이 이루는 입력층 및 출력층과, 상기 입력층과 출력창 사이에 다수의 뉴런으로 구성된 은닉층을 형성하여 처리하도록 하되, 난방 정지시 인공신경망의 경우 상기 은닉층은 11개의 뉴런을 가지고 있으며, 2개의 은닉층을 가지고, 학습률은 0.45, 모멘트는 0.70인 것을 특징으로 한다. In addition, the artificial neural network to process by forming a neuron, which is a unit that performs arithmetic processing, an input layer and an output layer formed by one or more neurons, and a hidden layer composed of a plurality of neurons between the input layer and the output window. In the case of artificial neural network, the hidden layer has 11 neurons, has two hidden layers, the learning rate is 0.45, and the moment is 0.70.

또한, 상기 빌딩 공조 제어 방법에는 실내와 외부 공기의 엔탈피를 비교하는 단계; 실내 온도와 외기 온도, 실내 습도와 외기 습도를 측정하는 단계; 실내 온도와 외기 온도, 실내 습도와 외기 습도를 사용하여 엔탈피를 연산하는 단계; 가동 시간대, 엔탈피 제어 알고리즘 사용 유무, 냉방/난방 설정을 입력 인자로 받아들이는 단계; 연산된 실내 엔탈피가 실외 엔탈피보다 크면 열원기기로부터 오는 부하를 잠그고 모든 부하를 외기를 도입하여 냉방운전을 수행하도록 하는 단계로 구성되는 엔탈피 제어 알고리즘을 더 포함하는 것을 특징으로 한다. In addition, the building air conditioning control method comprises the steps of comparing the enthalpy of the interior and the outside air; Measuring room temperature and outside temperature, room humidity and outside humidity; Calculating enthalpy using the room temperature and the outside temperature, the room humidity and the outside humidity; Accepting an operating time, whether an enthalpy control algorithm is used, and a cooling / heating setting as an input factor; When the calculated indoor enthalpy is larger than the outdoor enthalpy, the enthalpy control algorithm is configured to lock the load from the heat source device and introduce all the loads to perform the cooling operation.

또한, 상기 빌딩 공조 제어 방법에는 외기와 실내의 엔탈피 차이를 측정하는 단계; 실내 온도를 측정하는 단계; 엔탈피가 지정 이상인 경우와, 실내온도가 지정 이상일 경우에 동작하여 실외의 외기를 실내에 도입하는 단계; 실내온도의 변화가 없으면 가동을 중지하는 단계로 이루어져 외기를 사용하여 실내의 온도를 낮추어 주간 시간대의 냉방 열원기기의 가동시간을 줄인 수 있도록 하는 나이트 퍼지 알고리즘을 더 포함하는 것을 특징으로 한다. In addition, the building air conditioning control method includes the steps of measuring the enthalpy difference between the outside and the room; Measuring room temperature; Operating when the enthalpy is greater than or equal to a predetermined temperature and the indoor temperature is greater than or equal to a predetermined temperature, thereby introducing outdoor outdoor air into the indoor room; If there is no change in the room temperature is made to stop the operation further comprises a night purge algorithm to reduce the operating time of the cooling heat source device during the day by lowering the temperature of the room using the outside air.

또한, 상기 빌딩 공조 제어 방법에는 실내 온도를 감시하여 매시 일정한 시간동안 온도를 만족하였으면 공조기를 정지하는 단계; 공조기가 정지된 후 온도를 체크하여 온도가 변화 허용 범위를 벗어나는 경우 정지된 공조기를 다시 가동하는 단계; 온도가 변화 허용 범위 내에 있는 경우에는 그 다음 주기가 시작될 때까지 정지 상태를 유지하며, 새로운 듀티 사이클 주기가 시작될 때 정지된 공조기를 다시 기동하도록 하는 단계;를 포함하는 듀티 사이클 제어 알고리즘을 더 포함하는 것을 특징으로 한다.
In addition, the building air conditioning control method includes monitoring the indoor temperature and stopping the air conditioner if the temperature is satisfied for a predetermined time every hour; Checking the temperature after the air conditioner is stopped and restarting the stopped air conditioner if the temperature is outside the allowable range of change; If the temperature is within the allowable range of change, the vehicle remains stationary until the next cycle begins, and restarting the stopped air conditioner when the new duty cycle cycle begins; further comprising a duty cycle control algorithm comprising a It is characterized by.

이상에서 설명한 바와 같이 본 발명에 의하면, 기존의 설정값에 의해 기동 및 정지되고, 기동시에는 온도를 유지하기 위하여 지속적으로 공조 시스템이 기동한 것과는 달리 에너지를 절약하기 위하여 최소의 에너지를 사용하여 공조 시스템을 기동하는 다양한 알고리즘을 사용하여 최적의 기동시간 및 정지시간을 학습하고, 외기 도입을 적극적으로 함으로써 에너지는 절약하면서 실내의 쾌적함은 그대로 유지할 수 있도록 하는 효과가 있다. As described above, according to the present invention, the air conditioner is started and stopped by the existing set value, and the air conditioner uses the minimum energy to save energy, unlike the air conditioning system which is continuously started to maintain the temperature at the start. By learning the optimal start and stop times using various algorithms for starting the system, and actively introducing outside air, it is possible to save energy while maintaining the comfort of the room.

또한, 인공 신경망을 사용하여 학습을 진행함으로써 학습에 의한 제어가 계속될 때마다 새로 얻는 데이터를 사용하여 좀 더 에너지를 절약하는 제어를 할 수 있는 효과가 있다.
In addition, by performing the learning using the artificial neural network there is an effect that can be more energy-saving control using the newly obtained data each time the control by the learning continues.

도 1 은 본 발명인 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 시스템의 인공 신경망의 뉴런 모델을 나타낸 개략도,
도 2 은 초기조건 변화에 따른 난방시 기동시간의 변화를 나타낸 그래프,
도 3 는 난방시 기동시각 학스바료 작성을 위한 정규화식을 나타낸 표,
도 4 은 냉방시 기동시각 학습자료 작성을 위한 정규화식을 나타낸 표,
도 5 은 초기조건 변화에 따른 정지시각의 변화를 나타낸 그래프,
도 6 은 난방시 정지시각 학습자료 작성을 위한 정규화식을 나타낸 표,
도 7 는 공조기 기동시각 및 정지시각 결정을 위한 신경망 학습요소들의 최적값을 나타낸 표,
도 8 은 본 발명인 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 시스템의 난방 최척기동시 사용되는 인공신경망 모델,
도 9 는 본 발명인 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 시스템의 난방 최척정지시 사용되는 인공신경망 모델,
도 10 은 본 발명인 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 시스템의 냉방 최척기동시 사용되는 인공신경망 모델,
도 11 는 본 발명인 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 시스템의 최적기동시 논리적 흐름도,
도 12 는 본 발명인 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 시스템의 최적정지시 논리적 흐름도,
도 13 은 본 발명인 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 시스템에서 듀티 사이클의 적용 가능 시간을 나타낸 개략도,
도 14 은 본 발명인 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 시스템의 엔탈피 제어의 순서를 나타낸 흐름도,
도 15 은 본 발명인 공조 시스템의 재실시간 및 공실시간에 대한 공조 시스템의 최적기동 및 최적정지 시간과, 기동시간중에 제어 알고리즘을 나타낸 개략도.1 is a schematic diagram showing a neuron model of an artificial neural network of a building air conditioning control system using the present inventors optimized energy management system,
2 is a graph showing a change in starting time during heating according to a change in initial conditions;
3 is a table showing a normalized equation for preparing a starting time Hazard during heating;
4 is a table showing a normalized expression for creating a cooling time learning time during cooling,
5 is a graph showing a change in the stop time according to the change in the initial condition;
6 is a table showing a normalized formula for preparing a stop time learning data during heating;
7 is a table showing the optimal value of the neural network learning elements for determining the start time and stop time of the air conditioner,
8 is an artificial neural network model used at the maximum heating start of the building air conditioning control system using the inventors optimized energy management system,
9 is an artificial neural network model used in the closest heating stop of the building air conditioning control system using the inventors optimized energy management system,
10 is an artificial neural network model used in the maximum cooling start of the building air conditioning control system using the inventors optimized energy management system,
11 is a logical flow chart during optimal start of the building air conditioning control system using the inventor optimized energy management system,
12 is a logical flow diagram of optimal stopping of a building air conditioning control system using the inventor's optimized energy management system;
Figure 13 is a schematic diagram showing the applicable time of the duty cycle in the building air conditioning control system using the inventor optimized energy management system,
14 is a flowchart showing a procedure of enthalpy control of a building air conditioning control system using the inventor's optimized energy management system;
Fig. 15 is a schematic diagram showing the control algorithm during the starting time and the optimum stopping time of the air conditioning system with respect to the real time and the empty time of the present invention air conditioning system;

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하면 다음과 같다. Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.

에너지 절약 제어(EMS) 알고리즘이란, 빌딩 자동제어 시스템에 적용되는 다양한 제어 방법들을 최적화하여 최적의 에너지 절감 효과를 얻어 낼 수 있는 에너지 절약 제어 기법을 말한다. 특히, 빌딩 자동제어 시스템의 공기조화 시스템 제어에 적용하여 빌딩 내 재실 공간의 쾌적성은 유지하면서도 에너지를 절감할 수 있도록 하는데 그 목적이 있으며 주로 디지털 직접 제어(Digital Direct Control, DDC)에 해당 알고리즘이 탑재되어 그 기능을 수행하게 된다. The energy saving control (EMS) algorithm refers to an energy saving control technique that can achieve optimal energy savings by optimizing various control methods applied to an automatic building control system. In particular, it is applied to the control of the air conditioning system of the building automatic control system to save energy while maintaining the comfort of the indoor space in the building, and the algorithm is mainly installed in the digital direct control (DDC). To perform its function.

본 발명의 EMS 알고리즘은 빌딩 내의 공실시간과 재실시간의 두 부분으로 구분되며 시간 영역에 따라 독립적인 알고리즘이 적용되어 공조시스템을 운영한다. 공실시간의 제어 알고리즘은 야간운전, 야간 외기 취입 제어, 최적 기동으로 구성되며 재실시간의 알고리즘은 듀티 사이클, 절전운전, 엔탈피 제어, 최적 정지로 구성된다.
The EMS algorithm of the present invention is divided into two parts, a vacancy time and a real time in a building, and an independent algorithm is applied according to a time domain to operate an air conditioning system. The control algorithm of vacancy is composed of night operation, night air blowing control, and optimal start. The algorithm of re-real time consists of duty cycle, power saving operation, enthalpy control and optimal stop.

이를 구현하기 위하여 인공 신경망이 사용되는데, 인공 신경망은 소프트웨어에 의해 구현이 되며, 네트워크에 의해 연결된 뉴런들로 구성된다.An artificial neural network is used to implement this, which is implemented by software and is composed of neurons connected by a network.

도 1 은 본 발명인 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 시스템에 사용되는 인공 신경망의 뉴런 모델을 나타낸 개략도이다. 1 is a schematic diagram showing a neuron model of an artificial neural network used in a building air conditioning control system using the inventor's optimized energy management system.

상기 도 1 에서 보는 바와 같이 인공 신경망은 연산 처리를 하는 단위인 뉴런을 복수개 연결하여 연결된 다른 뉴런들의 출력들을 적절한 연결 강도에 따라 가중치를 두어 입력 받아 자신의 활성화 함수에 의해 출력을 산출하는 기능을 갖는다. As shown in FIG. 1, the artificial neural network has a function of connecting a plurality of neurons that are arithmetic processing units and inputting the outputs of other neurons connected to each other by weighting them according to an appropriate connection strength to calculate an output by its activation function. .

하나 이상의 뉴런들은 계층을 구성하며, 이러한 계층은 입력층, 은닉층, 출력층의 세가지로 구분된다. 인공 신경망의 입력은 입력 계층에 있는 뉴런에 전달되며, 입력 계층의 뉴런의 출력은 은닉층에 있는 뉴런에 전달된다. 마지막으로 은닉층에 있는 뉴런의 출력은 출력층에 있는 뉴런에게 전달되고, 출력층에 있는 뉴런의 출력이 바로 인공 신경망의 출력이 된다. 입력층과 출력층은 각각 1개씩 있지만, 은닉층은 없을 수도 있고, 1개 이상 있을 수도 있다. One or more neurons make up a layer, which is divided into three layers: the input layer, the hidden layer, and the output layer. The input of the artificial neural network is delivered to neurons in the input layer, and the output of neurons in the input layer is delivered to neurons in the hidden layer. Finally, the output of the neurons in the hidden layer is delivered to the neurons in the output layer, and the output of the neurons in the output layer is the output of the artificial neural network. There is one input layer and one output layer, but there may be no hidden layer or one or more layers.

본 발명에서는 도 1 에서 보는 것과 같이 외기온, 실온, 외기온 변동률, 실온 변동률의 4개 입력층과, 공조설비 기동시각 도는 공조설비 정지시각의 출력층으로 구성되어 있다. In the present invention, as shown in FIG. 1, four input layers of outside temperature, room temperature, outside temperature fluctuation rate, and room temperature fluctuation rate are included, and the air conditioner start time is output layer of the air conditioner stop time.

즉, 상기 인공 신경망을 이용하여 재실 시작 시각 이전에 공조 시스템을 기동하는 시각을 조절하여 에너지를 절약할 수 있도록 하는 최적 기동과, 공실 시작 시각 이전에 공조 시스템을 정지하는 시각을 조절하여 에너지를 절약할 수 있도록 하는 최적 정지를 사용한다.In other words, by using the artificial neural network to adjust the time to start the air conditioning system before the start of the room to save energy, and the energy saving by adjusting the time to stop the air conditioning system before the start of the vacancy Use an optimal stop to make it possible.

도 2 는 본 발명인 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 시스템의 입력 조건의 변화에 따라 공조 설비 기동 시각을 결정하여 공조기를 기동하도록 하는 경우를 나타낸 예시도이다. 2 is an exemplary view showing a case in which the air conditioning equipment is started by determining the air conditioning facility starting time according to the change in the input condition of the building air conditioning control system using the inventors' optimized energy management system.

최적 기동과 최적 정지를 위해서는 반복적인 시행착오를 거쳐 최적의 기동 시간 또는 최적의 정지 시간을 결정해야 한다. 이를 위하여 본 발명은 인공 신경망을 반복적인 역전파 학습 방식에 의해 내부 계수를 조정하여 최적의 결과를 도출하도록 되어 있다. For optimal start and stop, it is necessary to determine the optimum start time or stop time by repeated trial and error. To this end, the present invention is to adjust the internal coefficients of the artificial neural network by the repetitive back-propagation learning method to derive the optimum result.

인공 신경망은 올바르게 학습이 되어야만 본래의 취지에 맞게 적용할 수 있기 때문에 이를 적용하기 위해서는 사전 학습이 선행되어야 한다. 선행 학습을 위해서는 충분만 학습 데이터가 필요하다. 인공 신경망은 궁극적으로 입력 패턴과 출력 패턴 쌍으로 구성된 학습 결과를 바탕으로 임의의 입력에 대하여 적절한 출력을 산출하도록 동작하며, 이 산출된 결과를 다시 학습에 이용하여 내부 계수를 최적화 하도록 동작한다. Artificial neural network can be applied according to the original intention only if it is properly learned, and prior learning is required to apply it. Sufficient learning data is required for prior learning. The artificial neural network ultimately operates to calculate an appropriate output for any input based on a learning result composed of an input pattern and an output pattern pair, and then uses the calculated result for learning to optimize an internal coefficient.

최적 기동 및 최적 정지 알고리즘을 살펴보면, 최적 기동은 재실 시작 시각이 되기 전 어느 시각에 공조기를 기동하면 가장 재실 시각에 가깝게 실내 온도가 설정 온도에 도달할 것인가를 결정하기 위한 것이며, 최적 정지는 재실 종료 시각이 되기 전 어느 시각에 공조 설비를 정지할 때 재실 종료 시각에 가깝게 실내 온도가 설정 온도의 하안 범위를 벗어날 것인가를 결정하기 위한 것이다. 본 발명의 실시예 에서는 다층 인공 신경망을 사용하여 최적 기동 시각 및 최적 정지 시각을 결정하는 알고리즘을 적용한다. Looking at the best start and best stop algorithms, the best start is to determine when the air conditioner starts up before the start of the room, and the room temperature will reach the set temperature closest to the room. This is to determine whether the room temperature is outside the lower limit of the set temperature near the end of the occupancy at the time when the air conditioning equipment is stopped before the time is reached. In the embodiment of the present invention, an algorithm for determining an optimal starting time and an optimal stopping time using a multilayer artificial neural network is applied.

우선 인공 신경망을 학습시키기 위해서는 학습 데이터가 필요하기 때문에 빌딩에 처음부터 바로 적용될 수 없다. 따라서, 인공 신경망의 학습을 위하여 자료를 수집해야 하는데, 이를 위하여 매분 단위로 신경망의 입력 변수 값을 측정한다. 여기서 입력 변수 값은 실온, 외기온, 외기온 변동율, 실온 변동율을 의미하며, 상기 외기온 및 실온은 일정시각마다 측정되고, 변동율은 상기 일정시각마다 측정되는 외기온 및 실온의 일정시간당 변동율을 의미한다. First of all, learning data is required to train artificial neural networks, so it cannot be applied directly to a building from the beginning. Therefore, it is necessary to collect data for learning artificial neural network. For this, the value of neural network input variable is measured every minute. Here, the value of the input variable means room temperature, outside temperature, outside temperature fluctuation rate, room temperature fluctuation rate, and the outside air temperature and room temperature are measured at certain times, and the change rate means the rate of change of the outside temperature and room temperature measured at regular time intervals.

최적 기동 및 최적 정지 알고리즘의 경우 측정한 입력변수를 0.1에서 0.9사이의 값으로 정규화 시켜 정규화값을 인공신경망에 적용하여 출력값을 계산한다. 또한, 현재부터 출근시간까지 남은 시간을 목표값으로 사용한다. In the case of the optimal start and stop algorithm, the measured input variable is normalized to a value between 0.1 and 0.9 and the normalized value is applied to the artificial neural network to calculate the output value. In addition, the remaining time from the present time to work is used as the target value.

상기 정규화는 다음 수식1에 의해 계산된다.
The normalization is calculated by the following equation.

[수식 1][Equation 1]

여기에서 x는 측정값이고, x_min은 x의 최소값이고, x_max는 x의 최대값이다. Where x is the measured value, x _min is the minimum value of x, and x _max is the maximum value of x.

상기와 같이 정규화된 값을 사용하여 계산된 출력값과, 현재부터 출근시간까지 남은 시간인 목표값을 비교하여 오차를 계산하고, 상기 오차가 허용범위 안에 들어올 경우 공조시스템을 작동시킨다. The error is calculated by comparing the output value calculated using the normalized value as described above with the target value, which is the time remaining from the present time to work, and operates the air conditioning system when the error is within the allowable range.

한편, 상기 목표 온도는 최적 기동시에는 설정온도를 나타내며, 최적 정지시에는 설정 온도 하안값을 나타낸다. On the other hand, the target temperature indicates a set temperature at the optimum start and a set temperature lower limit value at the optimum stop.

신경망 모델의 최적화를 위해서 학습 요소들을 변화시켜 신경망의 성능을 평가한 결과를 종합하면, 기동시각 및 정지시각 결정을 위한 신경망 학습요소들의 최적값은 도 7 의 표와 같다.
To summarize the results of evaluating the performance of the neural network by changing the learning elements for the optimization of the neural network model, the optimal values of the neural network learning elements for determining the start time and stop time are shown in the table of FIG. 7.

도 8 은 최적 난방 기동시 최적값을 적용한 인공 신경망을 나타낸 것이고, 도 9 는 최적 난방 정지시 최적값을 적용한 인공 신경망을 나타낸 것이고, 도 10 은 냉방 기동시 최적값을 적용한 인공 신경망을 나타낸 것이다.
FIG. 8 shows an artificial neural network to which an optimum value is applied at an optimum heating start, FIG. 9 is an artificial neural network to which an optimum value is applied at an optimum heating stop, and FIG. 10 is an artificial neural network to which an optimum value is applied at a cooling start.

한편, 공조실행단계는 인공 신경망을 통하여 계산된 출력값을 사용하여 공조 시스템을 제어하고, 이때 얻어지는 데이터를 사용하여 지속적인 학습이 가능하도록 하는 단계로, 매 시간 입력 변수 값을 취득하고, 이를 토대로 신경망의 출력 값을 계산한다. 신경망의 출력값의 의미는 현재 조건에서 최적 기동 시 공조 설비를 기동할 경우 설정 온도에 도달할 때까지 걸리는 시간과, 최적 정지 시 공조 설비를 정지할 경우 설정 온도의 하안에 도달할 때까지 걸리는 시간이다. On the other hand, the air conditioning execution step is to control the air conditioning system using the output value calculated through the artificial neural network, and to enable continuous learning using the data obtained at this time, to obtain the input variable value every hour, based on the Calculate the output value. The meaning of the output value of neural network is the time taken to reach the set temperature when starting the air conditioner at the optimum start under the current condition, and the time to reach the set temperature of the set temperature when the air conditioner is stopped at the optimum stop. .

이것을 현재 시각과 출근시각, 재실 종료 시각의 시간 간격과 비교하여 오차를 구한 후 현재 시점에서 공조기를 기동할 것인지 정지할 것인지의 여부를 결정한다. This is compared with the time interval between the present time, the time of commencement, and the end of the occupancy time to determine the error and determine whether to start or stop the air conditioner at the present time.

상기 오차가 허용범위 내에 들어오는 경우 공조기를 가동하게 되며, 오차가 허용범위를 벗어난 경우 오차가 허용범위 내에 들어올 때 까지 지속적으로 계산되는 출력값과 출근시각, 재실 종료 시각의 시간간격과 비교하게 된다. When the error is within the allowable range, the air conditioner is operated. When the error is out of the allowable range, the air conditioner is continuously compared with the output value and the time interval between the commencement time and the end of the occupancy time until the error is within the allowable range.

오차가 허용범위 내에 들어와 공조기를 가동할 경우 공조기가 가동되는 시점의 4개의 입력값 및 시각을 저장하고, 목표온도에 도달했을 때 까지의 시간을 측정하고 저장하고, 목표 도달시간과 출근시간의 차를 계산하여 실제오차를 계산하여 저장한다. 상기 저장값들은 정규화 값으로 계산되어 저장되고, 이 데이터들은 신경망을 통하여 학습이 이루어져 시간이 지나 데이터가 많이 늘어날 수록 공조제어가 정확하게 이루어지도록 하는 효과가 있는 것이다.
If the error is within the allowable range and the air conditioner is operated, the four input values and the time when the air conditioner is started are stored, the time until the target temperature is reached is measured and stored, and the difference between the target arrival time and the working time Calculate and calculate and store the actual error. The stored values are calculated and stored as normalized values, and the data are learned through neural networks, so that the air conditioning control becomes more accurate as time increases.

최적 기동을 위한 논리적인 흐름도는 도 11 와 같으며, 최적 정지를 위한 논리적인 흐름도는 도 12 과 같다. The logical flow chart for the optimal start is shown in FIG. 11 and the logical flow chart for the optimum stop is shown in FIG.

우선 도 11 을 보면 최적 기동을 위한 플로우챠트가 나타나 있다. First, referring to FIG. 11, a flowchart for optimum startup is shown.

도면에서 보는 바와 같이 일정시각마다 입력변수인 실온, 외기온 및 일정시간 단위의 실온 변동률 및 외기온 변동률을 측정하고, 상기 측정값을 0.1에서 0.9까지의 값으로 정규화시킨다. 데이터는 학습을 위한 최소의 데이터가 될 때까지 측정을 계속하게 되며, 필요한 학습 데이터의 양을 만족하게 되면 학습을 통하여 공조시간을 계산하여 제어할 수 있다.
As shown in the figure, the room temperature fluctuation rate and the outside temperature fluctuation rate of the input variables room temperature, outside air temperature and constant time unit are measured at regular time intervals, and the measured values are normalized to values from 0.1 to 0.9. The data is measured until the minimum data for learning is achieved. If the required amount of learning data is satisfied, the air conditioning time can be calculated and controlled through the learning.

상기 수집된 정규화값을 인공신경망에 적용하여 공조시작시 목표온도까지 도달하는 시간인 출력값을 계산한다. 계산된 출력값은 현재부터 출근시간까지 남은 시간과 비교하여 오차를 계산하게 된다. 상기와 같이 계산된 오차가 허용범위(-5≤오차≤5) 내에 있는 경우 공조기를 가동하게 된며, 허용범위를 벗어나는 경우 출력값과 현재부터 출근시간까지 남은 시간을 지속적으로 비교하여 오차를 계산한다. The collected normalized value is applied to an artificial neural network to calculate an output value which is a time to reach a target temperature at the start of air conditioning. The calculated output value is calculated by comparing the remaining time from the present time to work. If the calculated error is within the tolerance range (-5 ≤ error ≤ 5), the air conditioner is operated. If the error is out of the tolerance range, the error is calculated by continuously comparing the output value with the time remaining from the present time to the rush hour.

오차가 허용범위 안에 들어서 공조기를 가동하는 경우 공조기 가동시점에서의 실온, 외기온, 실온 변동률, 외기온 변동률, 가동시각을 저장한다. 또한, 목표온도에 도달했을 때의 목표온도 도달 시각을 저장하고 실제 출근시간과 비교하여 실제 오차를 계산한다. When operating the air conditioner because the error is within the allowable range, the room temperature at the time of operation of the air conditioner, the outside temperature, the room temperature variation rate, the outside air temperature variation rate, and the operating time are stored. In addition, the time when the target temperature is reached when the target temperature is reached is stored and compared with the actual working time to calculate the actual error.

상기와 같이 저장된 입력변수를 정규화 하여 저장하고, 목표온도 도달 시각 및 실제 오차를 저장하여 신경망의 학습 데이터로 사용함으로서 시간이 지남에 따라 공조 시스템의 제어가 보다 정확해 질 수 있도록 하는 것이다.
As described above, the stored input variables are normalized and stored, and the time and actual error of the target temperature are stored and used as learning data of the neural network so that the control of the air conditioning system can be more accurate over time.

한편, 도 12 를 보면 최적 정지를 위한 플로우챠트가 나타나 있다. Meanwhile, referring to FIG. 12, a flowchart for optimal stop is shown.

상기 수집된 정규화값을 인공신경망에 적용하여 공조 정지시 목표온도까지 도달하는 시간인 출력값을 계산한다. 계산된 출력값은 현재부터 퇴근(재실종료)시간까지 남은 시간과 비교하여 오차를 계산하게 된다. 상기와 같이 계산된 오차가 허용범위(-5≤오차≤5) 내에 있는 경우 공조기를 정지하게 되며, 허용범위를 벗어나는 경우 출력값과 현재부터 퇴근시간까지 남은 시간을 지속적으로 비교하여 오차를 계산한다. The collected normalized value is applied to an artificial neural network to calculate an output value which is a time to reach a target temperature when air conditioning is stopped. The calculated output value calculates the error by comparing the time remaining from the present time to the end of work (residence) time. When the error calculated as described above is within the allowable range (-5 ≤ error ≤ 5), the air conditioner is stopped. If the error is out of the allowable range, the error is calculated by continuously comparing the output value with the time remaining from the present time to the leaving time.

오차가 허용범위 안에 들어서 공조기를 가동하는 경우 공조기 정지시점에서의 실온, 외기온, 실온 변동률, 외기온 변동률, 정지시각을 저장한다. 또한, 목표온도에 도달했을 때의 목표온도 도달 시각을 저장하고 실제 퇴근시간과 비교하여 실제 오차를 계산한다. When operating the air conditioner because the error is within the allowable range, the room temperature at the time of stopping the air conditioner, the outside temperature, the room temperature change rate, the outside air temperature change rate, and the stop time are stored. In addition, the time at which the target temperature is reached when the target temperature is reached is stored and compared with the actual leave time to calculate the actual error.

엔탈피 제어 알고리즘은 실내와 외부 공기의 엔탈피를 비교하여 엔탈피 제어 운전의 여부를 판단한다. 도 14 에 나타나 있는 순서도와 같이 실내 온도와 외기 온도, 실내 습도와 외기 습도를 측정하여 가동 시간대, 엔탈피 제어 알고리즘 사용 유무, 냉방/난방 설정을 입력 인자로 받아서 댐퍼 및 송풍기 제어를 수행한다. 즉, 연산된 실내 엔탈피가 실외 엔탈피보다 크고, 엔탈피 제어 운전을 사용하도록 운전자가 허용했을 때, 열원기기로부터 오는 부하를 잠그고 모든 부하를 외기를 도입하여 냉방운전을 수행하도록 한다. The enthalpy control algorithm determines whether enthalpy control operation is performed by comparing the enthalpy of indoor and outdoor air. As shown in the flowchart of FIG. 14, the indoor temperature and the outside temperature, the indoor humidity and the outside humidity are measured, and the operation time, the use of the enthalpy control algorithm, the cooling / heating setting are received as input parameters, and the damper and the blower control are performed. That is, when the calculated indoor enthalpy is larger than the outdoor enthalpy and the driver allows the enthalpy control operation, the load from the heat source device is locked and all the loads are introduced to perform the cooling operation.

봄, 가을 및 장마철에는 실내보다 외기 온도가 낮은 경우가 많이 있으며, 이런 조건에서 냉방이 필요하다면 외기를 최대한 유입하여 실내 온도를 조절할 수 있다. In the spring, fall, and rainy seasons, the outside air temperature is often lower than the room, and if cooling is necessary under these conditions, the outside temperature can be controlled to maximize the indoor temperature.

즉, 엔탈피는 온도와 습도를 통해 연산되며, 엔탈피가 클수록 습공기가 함유하고 있는 에너지 양이 크다는 것을 의미한다. 따라서, 실내 엔탈피 수치가 외기의 엔탈피 수치보다 클 때, 엔탈피 제어가 시작된다. 이렇듯 열원기기를 통해 기계적인 냉방으로 공급하는 급기량을 최소로 하고, 차가운 외기를 실내로 공급함으로써 효과적으로 빌딩의 냉방 비용을 줄일 수 있다.
In other words, the enthalpy is calculated through temperature and humidity, and the larger the enthalpy, the greater the amount of energy contained in the wet air. Therefore, when the indoor enthalpy value is larger than the enthalpy value of the outside air, enthalpy control is started. As such, the amount of air supplied to the mechanical cooling through the heat source device is minimized, and the cooling cost of the building can be effectively reduced by supplying cool outdoor air to the room.

나이트 퍼지 알고리즘은 일출 전에 찬 외기를 유입하여 실내 온도를 낮추는 기술로 냉방시간과 냉방부하를 줄이는 것이 목적이다. 이 알고리즘은 냉방기에만 제어되는 것으로 이른 아침의 외기를 이용하여 기계적인 냉방이 시작되기 전에 건물을 예냉하는 운전 방법이다. 해가 뜨기 전에 외기를 적극적으로 실내에 도입하여 건물구조체 및 실내의 온도를 낮추어 주간 시간대의 냉방 열원기기의 가동시간을 줄인다. 즉 외기 댐퍼를 100%로 유지하여 공조기를 가동하는 것이다. The Night Fuzzy Algorithm is a technology that lowers room temperature by introducing cold outside air before sunrise, and aims to reduce cooling time and cooling load. This algorithm is controlled only in the air conditioner and is an operation method in which the building is pre-cooled before mechanical cooling starts using the early morning air. Actively introduce the outside air into the room before the sun rises to reduce the temperature of the building structure and the room to reduce the operating time of the cooling heat source equipment during the daytime. In other words, the air conditioner is operated by keeping the outdoor damper at 100%.

단 나이트 퍼지 알고리즘 제어의 적용요건은 겨울철과 휴일에는 적용이 되지 않아야 하며, 외기와 실내의 엔탈피 차가 지정 이상인 경우와, 실내온도가 지정 이상알 경우에 적용되어 동작하도록 한다.
However, the application requirements of the Night Fuzzy Algorithm Control should not be applied during winter and holidays, and should be applied when the enthalpy difference between the outside and the room is over the specified and the room temperature is over the specified.

듀티 사이클 제어 알고리즘은 일반적으로 공조를 시작하게 되면, 특별한 이유가 없는 이상 공조 정지 시각이 되기 전까지 공조기는 연속적으로 기동된다. 경우에 따라서 공조기를 일시적으로 정지하여도 실내 온도 조건은 크게 영향 받지 않을 수 있으나, 운영 상의 불편함 또는 혹시 모를 쾌적성 저해 가능성 때문에 수동으로 공조기를 일시 정지했다가 다시 기동하는 운영 방식을 취하는 경우는 드물다. 듀티 사이클은 실내 온도를 감시하여 미리 정하여진 쾌적 온도 범위 내에서 실내 온도를 유지 시키면서 공조가 불필요한 때에는 공조기의 급기 팬과 화기 팬을 일시 정지함으로써 에너지 절약의 효과를 얻는 제어 알고리즘이다. When the duty cycle control algorithm generally starts air conditioning, the air conditioners are continuously started until the air conditioning stop time is reached unless there is a special reason. In some cases, even if the air conditioner is temporarily stopped, the room temperature conditions may not be significantly affected. However, if the air conditioner is temporarily operated and restarted due to the inconvenience of operation or the possibility of uncomfortable comfort, rare. The duty cycle is a control algorithm that monitors the room temperature and maintains the room temperature within a predetermined comfort temperature range, and when the air conditioning is not necessary, temporarily stops the air supply fan and the fire fan of the air conditioner, thereby saving energy.

듀티 사이클 제어 알고리즘의 적용 시기는 공조를 시작한 후 워밍업이 끝나고 정상적인 공조를 들어간 이후에 시작된다. 예를 들면 도 4 에서 보는 바와 같이 듀티 사이클은 공조를 시작하여 워밍업이 끝난 후 재실 시간에 들어가면서 부터인 오전 10시부터 오후 6시까지 적용할 수 있다.The application period of the duty cycle control algorithm begins after warm-up after the start of air conditioning and after normal air conditioning. For example, as shown in FIG. 4, the duty cycle may be applied from 10 am to 6 pm, starting from the air conditioning and entering the occupancy time after the warm-up is finished.

듀티 사이클에 의한 공조기 정지 여부는 매시 일정한 시간동안 온도를 만족하였으면 공조기를 정지하며, 그렇지 않으면 공조기를 정지하지 않는다. 예를 들면, 매시 40분에 여부를 결정한다고 하면, 듀티 사이클 주기를 시작한 후 40분동안 설정 온도를 단 한번도 벗어나지 않았다면 공조기를 정지하고, 그렇지 않다면 공조기를 계속 기동하도록 한다. Whether the air conditioner is stopped by the duty cycle stops the air conditioner if the temperature is satisfied for a certain time every hour, otherwise the air conditioner is not stopped. For example, if the decision is made at 40 minutes every hour, the air conditioner is stopped if the set temperature has not been exceeded once for 40 minutes after the duty cycle period has started, otherwise the air conditioner continues to be started.

한편, 공조기가 정지된 후 온도를 체크하여 온도가 변화 허용 범위를 벗어나 실내 쾌적성을 나쁘게 한다고 판단된 경우 정지된 공조기를 다시 가동한다. 그러나, 온도가 변화 허용 범위 내에 있는 경우에는 그 다음 듀티 사이클 주기가 시작될 때까지 정지 상태를 유지하며, 새로운 듀티 사이클 주기가 시작될 때 정지된 공조기를 다시 기동한다.
On the other hand, when the air conditioner is stopped and the temperature is checked and it is determined that the temperature is out of the change allowable range and the room comfort is bad, the stopped air conditioner is restarted. However, if the temperature is within the allowable range of change, it remains stationary until the next duty cycle period begins and restarts the stopped air conditioner when the new duty cycle period begins.

이와 같은 단계로 이루어진 된 본 발명의 작용효과를 설명하면 다음과 같다. Referring to the effect of the present invention made of such steps are as follows.

도 15 은 본 발명의 공조 시스템의 재실시간 및 공실시간에 대한 공조 시스템의 최적기동 및 최적정지 시간과, 기동시간중에 제어 알고리즘을 나타낸 것이다. Fig. 15 shows the control algorithm during the start time and the optimum stop time and the start time of the air conditioning system for the real time and the empty time of the air conditioning system of the present invention.

우선 재실 시작 시각이 되기 전에 어느 정도 공조 시스템을 가동하여 재실자가 빌딩 내부로 들어왔을 경우 쾌적함을 느낄 수 있도록 해야 한다. 이때 최적 기동 알고리즘을 사용하게 되는데, 최적 기동 알고리즘은 재실 시작 시각이 되기 전 어느 시각에 공조기를 기동하면 가장 재실 시각에 가깝게 실내 온도가 설정 온도에 도달할 것인가를 결정하기 위한 것이다. 이를 위하여 처음은 정해진 설정시간에 공조 시스템을 가동하여 목표한 온도까지 올라가는 시간을 측정하고 이를 저장한다. First, the air conditioning system should be operated to some extent before the start of the room so that the occupants can feel comfortable when they enter the building. At this time, the optimal starting algorithm is used. The optimal starting algorithm is to determine at which time the air conditioner starts to reach the set temperature closest to the occupancy time when the air conditioner is started before the occupancy start time. To do this, the air conditioning system is first operated at a predetermined set time to measure and store the time to reach the target temperature.

이러한 데이터의 저장을 반복하여 어느 정도 데이터가 쌓이게 되면, 이를 바탕으로 인공 신경망을 통하여 학습을 하게 된다. 즉, 최초 시작 온도에서 목표 온도까지 도달하는 시간에 대한 데이터를 분석하여 학습하게 되는 것이다. When the data is accumulated to some extent by repeating the storage of the data, the data is learned through an artificial neural network. In other words, it learns by analyzing data about the time from the initial start temperature to the target temperature.

이러한 학습단계가 끝나면 학습한 그대로 공조 시스템을 제어하여 목표 온도까지 올라가기 위한 최적의 시간을 분석하고, 재실 시작 시각 이전에 공조 시스템을 가동함으로써 재실 시작 시각에는 정확히 목표 온도에 도달할 수 있도록 함으로써 에너지를 절약할 수 있도록 한다. After this learning phase, control the air conditioning system as it was learned to analyze the optimal time to reach the target temperature, and operate the air conditioning system before the start of the room so that the target temperature can be reached exactly at the start of the room. To save money.

즉, 충분한 사전 쿨링 다운 시간을 확보하기 위해 다소 일직 공조를 시작한 것에 반해 최적 기동은 과거의 경험치를 토대로 동작하는 신경망에 의해 에너지 사용 관점에서 가장 최적의 시각에 공조를 시작하기 때문에 기존 방법에 비해 공조 시작 시간이 비교적 뒤로 늦춰지기 때문에 그만큼의 에너지가 절약되는 것을 알 수 있다. In other words, the optimal maneuvering is performed in order to secure sufficient pre-cooling down time, while the optimal maneuvering is performed at the most optimal time in terms of energy use by neural networks operating based on past experience. Since the start time is relatively slow, you can see that much energy is saved.

공조 시스템이 가동되기 시작하면 듀티 사이클 제어 알고리즘을 적용하여 제어를 하게 된다. 실내 온도를 감시하여 미리 정하여진 쾌적 온도 범위 내에서 실내 온도를 유지 시키면서 공조가 불필요한 때에는 공조기의 급기 팬과 화기 팬을 일시 정지하고, 공조기가 정지된 후 온도를 체크하여 온도가 변화 허용 범위를 벗어나 실내 쾌적성을 나쁘게 한다고 판단된 경우 정지된 공조기를 다시 가동한다. 그러나, 온도가 변화 허용 범위 내에 있는 경우에는 그 다음 듀티 사이클 주기가 시작될 때까지 정지 상태를 유지하며, 새로운 듀티 사이클 주기가 시작될 때 정지된 공조기를 다시 기동함으로써 함으로써 에너지 절약의 효과를 얻는 제어 알고리즘이다. When the air conditioning system starts to operate, it is controlled by applying a duty cycle control algorithm. Monitors the room temperature and maintains the room temperature within the predetermined comfort temperature range. When air conditioning is unnecessary, the air supply fan and the fire fan of the air conditioner are stopped. After the air conditioner is stopped, the temperature is checked to check the temperature. If it is determined that the indoor comfort is bad, restart the stopped air conditioner. However, when the temperature is within the allowable range of change, it is a control algorithm that maintains the stop state until the next duty cycle period starts, and achieves the energy saving effect by restarting the stopped air conditioner when the new duty cycle period starts. .

또한, 실내와 외부 공기의 엔탈피를 비교하여 엔탈피 제어 운전의 여부를 판단하는 엔탈피 제어 알고리즘을 사용함으로써 실내 온도와 외기 온도, 실내 습도와 외기 습도를 측정하여 가동 시간대, 엔탈피 제어 알고리즘 사용 유무, 냉방/난방 설정을 입력 인자로 받아서 댐퍼 및 송풍기 제어를 수행한다. 즉, 연산된 실내 엔탈피가 실외 엔탈피보다 크고, 엔탈피 제어 운전을 사용하도록 운전자가 허용했을 때, 열원기기로부터 오는 부하를 잠그고 모든 부하를 외기를 도입하여 냉방운전을 수행하도록 함으로써 공조 시스템의 기동을 인한 냉방이 아닌 외기를 도입하여 냉방을 할 수 있도록 하여 열원기기를 통해 기계적인 냉방으로 공급하는 급기량을 최소로 하고, 차가운 외기를 실내로 공급함으로써 효과적으로 빌딩의 냉방 비용을 줄일 수 있다. In addition, by using the enthalpy control algorithm that compares the enthalpy of the indoor and outdoor air to determine whether the enthalpy control operation is performed, by measuring the indoor temperature, the outside air temperature, the indoor humidity and the outdoor humidity, the operation time, use of the enthalpy control algorithm, cooling / Damper and blower control is performed by taking heating settings as input parameters. That is, when the calculated indoor enthalpy is larger than the outdoor enthalpy and the driver allows the enthalpy control operation to be used, the air conditioning system is started by locking the load from the heat source device and introducing all the loads to perform the cooling operation. By introducing air instead of air cooling to cool, the amount of air supply supplied by mechanical cooling through heat source equipment is minimized, and cooling air cost can be effectively reduced by supplying cold outdoor air indoors.

재실 시각이 끝나고 공조 시스템을 정지해야 할 경우 최적 정지 알고리즘을 적용한다. 최적 정지는 재실 종료 시각이 되기 전 어느 시각에 공조 설비를 정지할 때 재실 종료 시각에 가깝게 실내 온도가 설정 온도의 하안 범위를 벗어날 것인가를 결정하기 위한 것이다. 이를 위하여 처음은 정해진 설정시간에 공조 시스템을 정지하여 취득한 학습 데이터는 특정한 외기온, 실온, 외기온 변동율, 실온 변동율 조건건이며, 최적 기동시 공조 설비를 기동했을 때 실내 온도가 설정 온도까지 도달하는 시간의 데이터이고, 최적 정지시 공조 설비를 정지했을 때 실내 온도가 설정 온도의 하안까지 도달하는 시간의 데이터를 취득한다. If the air conditioning system needs to be stopped after the occupancy time, the optimal stop algorithm is applied. The optimum stop is for determining at which time the air conditioner stops close to the end of the room at the time of stopping the air conditioning equipment before the end of the room. For this purpose, the study data obtained by stopping the air conditioning system at the designated set time is the condition of specific outside temperature, room temperature, outside temperature fluctuation rate, and room temperature fluctuation rate condition. The data is obtained when the air conditioner is stopped at the optimum stop and the time when the room temperature reaches the bottom of the set temperature.

이러한 데이터의 저장을 반복하여 어느 정도 데이터가 쌓이게 되면, 이를 바탕으로 인공 신경망을 통하여 학습을 하게 된다. 즉, 설정 하안 온도까지 도달하는 시간에 대한 데이터를 분석하여 학습하게 되는 것이다. When the data is accumulated to some extent by repeating the storage of the data, the data is learned through an artificial neural network. That is, by learning the data about the time to reach the set river temperature.

이러한 학습단계가 끝나면 최적 정지 시 공조 설비를 정지할 경우 설정 온도의 하안에 도달할 때까지 걸리는 시간을 분석하여 현재 시각과 재실 시각, 재실 종료 시각의 시간 간격과 비교하여 현재 시점에서 공조기를 기동할 것인지 정지할 것인지의 여부를 결정함으로써 빌딩 내에 사람이 나가는 시점에 설정 하안온도가 되도록 하여 빌딩 내에 사람이 없을 때 공조 시스템이 기동되는 것을 줄임으로써 에너지 절약을 할 수 있도록 한다. At the end of this learning phase, when the air conditioning equipment is stopped at the optimum stop, the time taken to reach the lower limit of the set temperature is analyzed. By deciding whether to stop or stop, the set temperature is set at the time when people leave the building, and energy saving can be saved by reducing the start of the air conditioning system when no people are in the building.

한편, 나이트 퍼지 알고리즘은 일출 전에 찬 외기를 유입하여 실내 온도를 낮추는 기술로 냉방시간과 냉방부하를 줄이는 것이 목적이며, 최적 기동 알고리즘을 적용하기 전에 이른 아침의 외기를 이용하여 기계적인 냉방이 시작되기 전에 건물을 예냉하는 알고리즘이다. 즉, 해가 뜨기 전에 외기를 적극적으로 실내에 도입하여 건물구조체 및 실내의 온도를 낮추어 주간 시간대의 냉방 열원기기의 가동시간을 줄임으로써 에너지를 절약할 수 있도록 한다.
On the other hand, the night fuzzy algorithm is a technology that lowers the room temperature by introducing cold outside air before sunrise, and aims to reduce cooling time and cooling load, and mechanical cooling is started by using early morning air before applying the optimal start algorithm. Algorithm to precool the building before. In other words, it is possible to save energy by reducing the operating time of the cooling heat source device during the daytime by lowering the temperature of the building structure and the room by actively introducing the outdoor air into the room before the sun rises.

상술한 실시 예는 본 발명의 가장 바람직한 예에 대하여 설명한 것이지만, 상기 실시 예에만 한정되는 것은 아니며, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양한 변형이 가능하다는 것은 당업자에게 있어서 명백한 것이다.
It should be understood by those skilled in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined in the appended claims.

부호 없음Unsigned

Claims

In the building air conditioning control method using the optimized energy management system, the step of measuring the room temperature, the outside air temperature at a certain time (S11); measuring the room temperature, outside air temperature and the rate of change in room temperature and room temperature fluctuations measured at predetermined time intervals as input variables Step S12; A data collection step (S10) including a step (S13) of normalizing the measured input variable to a value between 0.1 and 0.9;
Calculating an output value which is a time for reaching the target temperature at the start of air conditioning by applying the collected normalized value to the artificial neural network (S21); Calculating an error by comparing the output value with a time from work to work (S22); Starting air conditioning if the error is within an allowable range (S23); Storing an input value and a time at the start of air conditioning (S24); Measuring and storing the time when the target temperature is reached (S25); Computing the actual error by comparing the arrival time and the target time to reach the target temperature in step S25 (S26); Calculating and storing time and normalized values when reaching the target temperature (S27); It includes an optimal starting algorithm consisting of the air conditioning execution step (S20) comprising the step (S28) of learning the existing neural network using the four normalization values at the start of the air conditioning and the target temperature arrival time normalization value calculated in step S27. Building air conditioning control method using an optimized energy management system, characterized in that.

The method according to claim 1,
The artificial neural network is configured to process by forming a neuron, a unit that performs arithmetic processing, an input layer and an output layer formed by one or more neurons, and a hidden layer composed of a plurality of neurons between the input layer and the output window. The hidden layer has nine neurons, has three hidden layers, the learning rate is 0.55, the moment is 0.80 building air conditioning control method using an optimized energy management system, characterized in that.

The method of claim 2,
In the artificial neural network, in the case of a cooling maneuver, the concealed layer has nine neurons, has one hidden layer, a learning rate is 0.90, and a moment is 0.80. The building air conditioning control method using the optimized energy management system.

In the building air conditioning control method using an optimized energy management system, the step of measuring the room temperature, the outside temperature at a certain time (S31); measuring the room temperature, outside air temperature and the outside temperature fluctuation rate and the room temperature fluctuation rate measured at a predetermined time as an input variable Step S32; A data collection step (S30) including a step (S33) of normalizing the measured input variable to a value between 0.1 and 0.9;
Calculating an output value which is an optimal stop time by calculating the interval from the vacancy start time by applying the collected normalized value to the artificial neural network (S41); Calculating an error by comparing the output value with a time from the present to the start of vacancy (S42); Stopping air conditioning if the error is within an allowable range (S43); Storing an input value and time when the air conditioning is stopped (S44); Measuring and storing the time when the target temperature is reached (S45); Computing the actual error by comparing the target temperature reaching time and the vacancy start time in step S45 (S46); Calculating and storing time and normalized values when reaching the target temperature (S47); It includes an optimal stopping algorithm consisting of the step of adjusting the coordinates (S40) comprising the step of performing a training on the existing neural network (S48) using the four normalized values at the air conditioning stop and the target temperature arrival time normalization value calculated in step S27. Building air conditioning control method using an optimized energy management system, characterized in that.

The method of claim 4,
The artificial neural network forms and processes a neuron which is a unit that performs arithmetic processing, an input layer and an output layer formed by one or more neurons, and a hidden layer composed of a plurality of neurons between the input layer and the output window. In the case of the hidden layer has 11 neurons, has two hidden layers, the learning rate is 0.45, the moment is 0.70 building air conditioning control method using an optimized energy management system, characterized in that.

The method according to any one of claims 1 to 4,
The building air conditioning control method includes comparing an enthalpy of indoor and outdoor air; Measuring room temperature and outside temperature, room humidity and outside humidity; Calculating enthalpy using the room temperature and the outside temperature, the room humidity and the outside humidity; Accepting an operating time, whether an enthalpy control algorithm is used, and a cooling / heating setting as an input factor; If the calculated indoor enthalpy is larger than the outdoor enthalpy, the enthalpy control algorithm further comprises a step of locking the load from the heat source device and introducing all the loads to perform the cooling operation. How to control building air conditioning.

The method according to any one of claims 1 to 4,
The building air conditioning control method includes measuring a difference in enthalpy between the outside and the room; Measuring room temperature; Operating when the enthalpy is greater than or equal to a predetermined temperature and the indoor temperature is greater than or equal to a predetermined temperature, thereby introducing outdoor air into the indoor area; Optimizing energy management, characterized in that it further comprises a night purge algorithm to stop the operation if there is no change in the room temperature to lower the temperature of the room using the outside air to reduce the operating time of the cooling heat source device during the daytime Building air conditioning control method using system.

The method according to any one of claims 1 to 4,
The building air conditioning control method includes monitoring an indoor temperature and stopping the air conditioner when the temperature is satisfied for a predetermined time every hour; Checking the temperature after the air conditioner is stopped and restarting the stopped air conditioner if the temperature is outside the allowable range of change; If the temperature is within the allowable range of change, the vehicle remains stationary until the next cycle begins, and restarting the stopped air conditioner when the new duty cycle cycle begins; further comprising a duty cycle control algorithm comprising a Building air conditioning control method using an optimized energy management system, characterized in that.