KR101251873B1 - 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법 - Google Patents

지능형 제어 알고리즘을 이용한 건물 공조 제어 방법 Download PDF

Info

Publication number
KR101251873B1
KR101251873B1 KR1020120149185A KR20120149185A KR101251873B1 KR 101251873 B1 KR101251873 B1 KR 101251873B1 KR 1020120149185 A KR1020120149185 A KR 1020120149185A KR 20120149185 A KR20120149185 A KR 20120149185A KR 101251873 B1 KR101251873 B1 KR 101251873B1
Authority
KR
South Korea
Prior art keywords
neural network
network model
time
air conditioning
building
Prior art date
Application number
KR1020120149185A
Other languages
English (en)
Inventor
양인호
정홍구
Original Assignee
동국대학교 산학협력단
현대건설주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 동국대학교 산학협력단, 현대건설주식회사 filed Critical 동국대학교 산학협력단
Priority to KR1020120149185A priority Critical patent/KR101251873B1/ko
Application granted granted Critical
Publication of KR101251873B1 publication Critical patent/KR101251873B1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

본 발명은, 신경망 모델을 이용한 지능형 제어 알고리즘에 의하여 공조 설비를 제어함으로써, 건물 내부를 쾌적한 환경으로 유지할 수 있도록 함과 동시에 공조에 사용되는 에너지를 절약할 수 있도록 하는 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법을 제공하는 것을 목적으로 한다. 본 발명에 따른 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법은, 학습자료 데이터베이스를 구축하는 단계와, 상기 학습자료 데이터베이스를 이용하여 최적화된 역전파 신경망 모델을 결정하는 단계와, 적용대상 건물의 공조설비에서의 설정된 작동절차를 따른 운전을 통하여 수집된 학습 자료를 이용하여 상기 신경망 모델을 학습하여 적용대상 건물에 적응된 신경망 모델을 결정하는 단계와, 적응된 상기 신경망 모델에 따라 상기 적용대상 건물의 공조설비를 운전하는 단계와, 상기 공조설비의 운전을 통하여 수집된 학습 자료를 입력하는 적응된 상기 신경망 모델을 재학습하여 상기 신경망 모델을 갱신하는 단계를 포함한다.

Description

지능형 제어 알고리즘을 이용한 건물 공조 제어 방법{Method for controlling building air conditioning system by using intelligent control algorithm}
본 발명은 에너지 관리 시스템(Energy Management System, EMS)을 사용하여 건물 내의 공조 시스템을 제어하는 제어 방법에 관한 것으로, 보다 상세하게는 신경망 모델을 활용하여 공조 시스템을 제어함으로써, 건물 내부를 쾌적한 환경으로 유지할 수 있도록 함과 동시에 공조에 사용되는 에너지를 절약할 수 있도록 하는 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법에 관한 것이다.
공조 설비는 사무용 빌딩, 공장, 호텔, 식당, 병원, 창고형 상점, 백화점 등을 포함하는 광범위한 분야의 다양한 건물에 설치되어 적용되고 있다. 종래의 공조 설비의 운전은 일반적으로 관리자가 판단하여 기동으로부터 정지시키기 까지 장시간 또는 심지어 하루 종일 운전되는 등 에너지를 낭비하고 있다. 이렇게 공조 설비에 의해 소비되는 에너지는 사용 공간, 온도, 습도, 창을 통한 일사열, 재실 밀도와 같이 다양한 인자에 종속적이며, 특히 운전 시간에 많은 영향을 받게 된다.
한편, 공조를 하는 경우에는 열원과 동력에 대한 에너지가 소비되기 때문에 공조 시간을 최소화하기 위하여 일반적인 사무용 건물은 근무 시간대에는 공조를 실시하며, 근무 시간이 아닌 경우 또는 사무실 내에 재실자가 없는 경우에는 공조를 하지 않는다.
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 설정온도 도달할 수 있는 지를 산정하기 어렵다.
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.
대한민국공개특허 10-2011-0100895
본 발명은, 신경망 모델을 이용한 지능형 제어 알고리즘에 의하여 공조 설비를 제어함으로써, 건물 내부를 쾌적한 환경으로 유지할 수 있도록 함과 동시에 공조에 사용되는 에너지를 절약할 수 있도록 하는 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법을 제공하는 것을 목적으로 한다.
본 발명에 따른 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법은, 실내온도, 실내온도 기울기, 외기온도, 및 외기온도 기울기를 입력변수로 하고, 예약 시간을 출력변수로 하여 학습되어 적응된 역전파 신경망 모델을 불러오는 단계; 설정된 시간 간격으로 상기 실내온도 및 외기온도를 포함하는 측정변수를 측정하는 단계; 상기 측정변수로부터 상기 실내온도 기울기 및 상기 외기온도 기울기를 포함하는 산출변수를 계산하는 단계; 상기 입력변수를 상기 신경망 모델에 입력하여 측정 시점에서의 상기 예약 시간을 계산하는 단계; 및 상기 예약 시간과 목표 설정시간과의 차를 계산하여 설정값 이내에 있으면 설정된 작동 절차에 따라 작동을 수행하는 단계를 포함한다.
본 발명에 있어서, 상기 예약 시간이, 본 발명의 제어 알고리즘이 적용되는 건물의 실내 온도가 설정된 시간 전에 설정된 실내 목표 온도에 도달하기 위하여 미리 난방을 미리 시작하는 예열 시간일 수 있다.
본 발명의 다른 측면에 따른 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법은, 학습자료 데이터베이스를 구축하는 단계; 상기 학습자료 데이터베이스를 이용하여 최적화된 역전파 신경망 모델을 결정하는 단계; 적용대상 건물의 공조설비에서의 설정된 작동절차를 따른 운전을 통하여 수집된 학습 자료를 이용하여 상기 신경망 모델을 학습하여 적용대상 건물에 적응된 신경망 모델을 결정하는 단계; 적응된 상기 신경망 모델에 따라 상기 적용대상 건물의 공조설비를 운전하는 단계; 및 상기 공조설비의 운전을 통하여 수집된 학습 자료를 입력하는 적응된 상기 신경망 모델을 재학습하여 상기 신경망 모델을 갱신하는 단계를 구비하는 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법을 포함한다.
본 발명에 따른 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법은, 신경망 모델을 이용한 지능형 제어 알고리즘에 의하여 공조 설비를 제어함으로써, 건물 내부를 쾌적한 환경으로 유지할 수 있도록 함과 동시에 공조에 사용되는 에너지를 절약할 수 있다.
도 1은 본 발명의 일 실시예에 따른 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법을 도시한 흐름도이다.
도 2는 도 1의 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법에서, 최적화된 역전파 신경망 모델을 결정하는 단계를 개략적으로 도시한 흐름도이다.
도 3은 도 1의 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법에서, 적용대상 건물에 적응된 신경망 모델을 결정하는 단계를 개략적으로 도시한 흐름도이다.
도 4는 도 1의 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법이 적용되는 공조 설비의 시스템 계통도의 일 실시예이다.
도 5는 도 4의 공조 설비의 제어 및 정보수집 계통도의 일 실시예이다.
도 6은 도 1의 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법에서, 예열시간에 영향을 미치는 인자 및 수준을 개략적으로 도시한 테이블이다.
도 7은 도 6의 예열시간에 영향을 미치는 인자 및 수준에서 인접조건의 3가지 수준에 대한 실시예를 도시한 도면이다.
도 8은 도 6의 예열시간에 영향을 미치는 인자 및 수준에서 벽체구조의 3가지 수준에 대한 실시예를 도시한 도면이다.
도 9는 도 1의 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법에서, 역전파 신경망 모델의 구조를 개략적으로 도시한 도면이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세히 설명한다. 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략한다. 본 발명에서는 도면에 도시된 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법을 예로 들어 설명할 것이나, 본 발명은 도면에 도시된 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법에 한정되는 것은 아니다.
도 1에는 본 발명의 일 실시예에 따른 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법을 도시한 흐름도가 도시되어 있다. 도 2에는 도 1의 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법에서, 최적화된 역전파 신경망 모델을 결정하는 단계를 나타내는 흐름도가 도시되어 있다. 도 3에는 도 1의 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법에서, 적용대상 건물에 적응된 신경망 모델을 결정하는 단계를 나타내는 흐름도가 도시되어 있다.
도면을 참조하면, 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법은 학습자료 데이터베이스 구축 및 신경망 모델 결정단계(S200); 대상건물에 적응된 신경망 모델 결정단계(S300); 및 공조설비 운전 및 신경망 모델 갱신단계(S100)를 포함할 수 있다. 이때, 학습자료 데이터베이스 구축 및 신경망 모델 결정단계(S200)는 학습자료 데이터베이스 구축단계(S201~S203)와 신경망 모델 결정단계(S204~S210)를 포함할 수 있다. 공조설비 운전 및 신경망 모델 갱신단계(S100)는 공조설비 운전단계(S101~S109) 및 신경망 모델 갱신단계(S110~S114)를 포함할 수 있다.
학습자료 데이터베이스 구축단계(S201~S203)에는 학습자료 데이터베이스를 구축할 수 있다. 신경망 모델 결정단계(S204~S210)에는 학습자료 데이터베이스를 이용하여 최적화된 역전파 신경망 모델을 결정할 수 있다. 대상건물에 적응된 신경망 모델 결정단계(S300)에는 적용대상 건물의 공조설비에서의 설정된 작동절차를 따른 운전을 통하여 수집된 학습 자료를 이용하여 신경망 모델을 학습하여 적용대상 건물에 적응된 신경망 모델을 결정할 수 있다. 공조설비 운전단계(S101~S109)에는 적응된 상기 신경망 모델에 따라 상기 적용대상 건물의 공조설비를 운전할 수 있다. 신경망 모델 갱신단계(S110~S114)에는 공조설비의 운전을 통하여 수집된 학습 자료를 입력하는 적응된 상기 신경망 모델을 재학습하여 상기 신경망 모델을 갱신할 수 있다.
본 발명에 따르면, 신경망 모델을 이용한 지능형 제어 알고리즘에 의하여 공조 설비를 제어함으로써, 건물 내부를 쾌적한 환경으로 유지할 수 있도록 함과 동시에 공조에 사용되는 에너지를 절약할 수 있다.
공조설비 운전단계(S101~S109)에는 적응된 상기 신경망 모델에 따라 상기 적용대상 건물의 공조설비를 운전할 수 있다. 공조설비 운전단계(S101~S109)는 적응 신경망 모델을 불러오는 단계(S101), 측정변수 측정단계(S102), 노이즈 제거단계(S103), 산출변수 계산단계(S104), 입력변수 입력단계(S105), 예약시간 계산단계(S106), 및 작동 개시 단계(S107 내지 S109)를 포함할 수 있다.
공조설비 운전단계(S101~S109)에는 적응된 신경망 모델을 이용하여 일별 예열시간 결정모드에 의하여 구현될 수 있다. 즉, 일별 예열시간 결정모드에 의하여 해당 일의 예열 시간을 결정하여 공조설비 설정된 운전 개시시간보다 일찍 운전을 개시함으로써, 사용자에 의하여 본격적으로 사용되는 시간 전에 사용자가 해당 건물을 사용할 준비를 함으로써, 사용자 편이성을 향상시킬 수 있다. 또한, 지능형 제어 알고리즘에 의하여 최적의 예열 시간을 계산함으로써, 사용자 편이성을 확보하면서도 에너지를 절감할 수 있게 된다.
적응 신경망 모델을 불러오는 단계(S101)에는 실제 운전할 대상 건물에 대하여 학습되어 적응된 신경망 모델을 불러온다. 일별 예열시간 결정모드는 적응 신경망 모델을 불러오는 단계(S101)를 수행함으로써 개시될 수 있다.
이때, 적응된 신경망 모델은 학습자료 데이터베이스 구축 및 신경망 모델 결정단계(S200)에 결정된 신경망 모델을 대상건물에 적응된 신경망 모델 결정단계(S300)에 실제 운행할 대상 건물에서 학습되어 적응되도록 결정된 역전파 신경망 모델이 될 수 있다.
여기서, 신경망 모델은 실내온도, 실내온도 기울기, 외기온도, 및 외기온도 기울기를 입력변수로 하고, 예약 시간을 출력변수로 하여 학습되어 적응된 역전파 신경망 모델이 될 수 있다. 이때, 예약 시간은 설정된 시간 전에 미리 난방을 시작하는 예열 시간이 될 수 있다. 이하에서는, 본 발명에 대하여 주로 예약 시간이 예열 시간이 되고, 역전파 신경망 모델을 이용한 최적 기동 알고리즘에 의하여 공조 설비를 운영하는 실시예를 중심으로 설명한다.
이 경우, 본 발명에 따른 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법은 최적 기동 알고리즘에 의하여 구현될 수 있다. 공조를 하는 경우에는 열원과 동력에 대한 에너지가 소비되기 때문에 공조 시간을 최소화하기 위하여 일반적인 사무용 건물은 근무 시간대에는 공조를 실시하며, 근무 시간이 아닌 경우 또는 사무실 내에 재실자가 없는 경우에는 공조를 하지 아니할 수 있다. 이를 위하여, 재실자에 맞추어 공조를 하는 경우 아침 재실 시작 시각이 되었을 때 실내 온도가 설정 온도에 도달할 수 있도록 재실 시작 시각 이전부터 공조를 시작할 수 있다.
이를 위하여, 언제부터 공조를 시작해야 재실 시작 시각에 설정온도 도달할 수 있는 지를 산정할 필요가 있다. 이때, 재실 시작 시각에 설정온도 도달할 수 있도록 예열하는 시간이 예열 시간이 될 수 있다. 이 경우, 예약 시간이 예열 시간이 되어 최적 기동 알고리즘에 의하여 미리 설정된 스케줄에 따라 공조 설비가 기동될 수 있다.
그에 따라, 역전파 신경망 모델을 이용하여 예열 시간을 계산하여 재실 시작 시간 전에 예열 시간에 해당하는 시간 전에 미리 공조설비의 가동을 시작함으로써, 공조에 사용되는 에너지를 절약하면서도 건물 내부를 쾌적한 환경으로 유지하도록 할 수 있게 된다.
본 발명의 명세서에서는 주로 예약시간이 예열 시간인 실시예를 중심으로 기술한다. 다만, 본 발명은 이에 한정되지 아니하고, 예약 시간이 설정된 시간 전에 미리 냉방을 시작하는 예약 냉방시간, 설정된 시간 전에 미리 난방을 정지하거나 설정된 시간 전에 미리 냉방을 정지하는 예약 정지 시간 중의 어느 하나가 될 수도 있다.
측정변수 측정단계(S102)에는 설정된 시간 간격으로 실내온도 및 외기온도 중의 적어도 어느 하나를 포함하는 측정변수를 측정할 수 있다. 이때, 본 실시예에서는 측정변수로서 실내온도 및 외기온도를 측정할 수 있다.
이때, 설정된 시간 간격으로 측정변수를 측정하고, 동일한 시간 간격으로 예열 시간을 계산할 수 있다. 그에 따라, 시스템을 효율적으로 제어할 수 있게 된다. 다만, 본 발명은 이에 한정되지 아니하고 효율적인 제어를 위해서 측정변수 측정 주기와 예열 시간의 계산 주기를 다르게 가져갈 수도 있다.
또한, 본 실시예에서는 1분의 시간 간격으로 실내 온도 및 외기 온도를 측정할 수 있다. 즉, 1분의 시간 간격으로 측정 변수를 측정하고, 예열 시간을 1분의 시간 간격으로 계산할 수 있다. 이 경우, 인간의 느낌을 반영하여 공조 설비의 운영을 더욱 효율적으로 운영할 수 있게 된다. 다만, 본 발명은 이에 한정되지 아니하고, 건물의 상태, 측정 변수의 값 또는 그 변화량에 따라 다르게 및/또는 적응적으로 제어함으로써, 공조 설비를 더욱 효율적으로 제어하도록 할 수 있다.
노이즈 제거단계(S103)에는 측정된 측정변수의 노이즈 여부를 판단하여 노이즈를 제거할 수 있다. 따라서, 예약 시간 계산 시에 측정변수에 노이즈가 포함된 경우를 제외함으로써, 잘못된 제어가 되는 것을 방지할 수 있게 된다.
이때, 측정된 데이터에 노이즈가 있는지 여부를 판단하여(S103), 노이즈가 없는 것으로 판단되는 경우에는 산출변수 계산단계(S104)를 수행하고, 노이즈가 있는 것으로 판단되는 경우에는 측정변수 측정단계(S102)를 수행하여 측정변수를 다시 측정할 수 있다. 이때, 기준 값 범위를 설정하고, 측정변수가 해당 기준 값 범위를 벗어나는 경우에 측정변수에 노이즈가 포함된 것으로 판단할 수 있다.
산출변수 계산단계(S104)에는 측정변수로부터 실내온도 기울기 및 외기온도 기울기 중의 적어도 어느 하나를 포함하는 산출변수를 계산할 수 있다. 이때, 본 실시예에서는 산출변수로서 실내온도 기울기 및 외기온도 기울기를 계산할 수 있다. 다만, 본 발명은 이에 한정되지 아니하고, 실내온도 기울기 및 외기온도 기울기 중의 어느 하나, 또는 다른 값은 산출변수로서 계산할 수 있다.
입력변수 입력단계(S105)에는 입력변수를 신경망 모델에 입력할 수 있다. 또한, 예약시간 계산단계(S106)에는 입력변수를 사용하여 신경망 모델에 의하여 측정 시점에서의 예열 시간을 계산할 수 있다. 이 경우, 실내온도, 외기온도, 실내온도 기울기, 및 외기온도 기울기를 입력변수로 역전파 신경망 모델에 입력하여 출력변수로 예열 시간을 계산할 수 있다.
작동 개시 단계(S107 내지 S109)에는 예열 시간과 목표 설정시간과의 차를 계산하여 설정값 이내에 있으면 설정된 작동 절차에 따라 작동을 수행할 수 있다. 이때, 예열 시간과 목표 설정시간과의 차를 계산하고(S107), 계산된 예열 시간과 목표 설정시간과의 차가 설정값 이내에 있는가를 판단하여(S108), 설정값 이내에 있는 경우에 난방설비를 가동할 수 있다(S109). 이때, 계산된 예열 시간과 목표 설정시간과의 차가 설정값의 범위를 벗어나는 경우에는 측정변수 측정단계(S102)를 수행하여 측정변수를 다시 측정하고 이후의 단계(S103)를 수행할 수 있다. 따라서, 잘못 계산되어 잘못된 시점에 난방설비가 가동되어 에너지가 낭비되는 것을 방지할 수 있게 된다.
신경망 모델 갱신단계(S110~S114)에는 공조설비의 운전을 통하여 수집된 학습 자료를 입력하는 적응된 신경망 모델을 재학습하여 역전파 신경망 모델을 갱신할 수 있다. 즉, 대상 건물에서 실제 공조 설비를 운전하면서, 그 결과를 다시 신경망 모델에 반영함으로써, 적응된 신경망 모델의 학습 데이터를 보강하여 그 정확도를 향상시킬 수 있게 된다. 통상적으로 신경망 모델은 그 학습 데이터가 증가함에 따라, 그 예측의 정확도가 향상될 수 있다.
신경망 모델 갱신단계(S110~S114)는 전출력 운전단계(S110), 입력변수 저장단계(S111), 도달시간 저장단계(S112), 및 재학습 및 저장단계(S113, S114)를 포함할 수 있다.
전출력 운전단계(S110)에는 공조 설비를 전출력(full load)으로 운전을 개시할 수 있다. 이때, 전출력으로 운전함으로써 입력변수를 신속하게 얻을 수 있으며, 그에 따라 공조 설비의 운행에 따른 데이터를 신속하게 반영하여 대상 건물과 운행 조건에 적응된 역전파 신경망 모델을 신속하고 더욱 정확하게 얻을 수 있게 된다.
입력변수 저장단계(S111)에는 운전 시작 시점에 운전 개시 시간, 측정변수, 및 산출변수를 저장할 수 있다. 도달시간 저장단계(S112)에는 운전 개시 시간으로부터 설정된 온도에 도달하는데 걸리는 도달시간을 저장할 수 있다. 이때, 현재 주어진 조건에서의 도달 시간은 다음의 예열 시간을 구하는 데 반영될 수 있게 된다.
이때, 실내온도, 외기온도, 실내온도 기울기, 외기온도 기울기, 및 도달 시간을 포함하는 학습 자료를 측정 및/또는 계산하여 저장할 수 있도록 함으로써, 그에 따라 현재의 운영 조건 및 상태를 학습 자료로 반영하여 신경망 모델을 재학습하여 갱신할 수 있도록 한다.
재학습 및 저장단계(S113, S114)에는 운전을 통해 수집된 학습 자료를 입력하여 적응된 역전파 신경망 모델을 재학습하여 저장할 수 있다. 재학습 및 저장단계(S113, S114)에는 운전을 통해 수집된 학습 자료를 입력하여 신경망 모델을 재학습하고(S113), 역전파 신경망 모델의 학습 정보를 추가적으로 저장함으로써 학습 정보를 보강하여 역전파 신경망 모델을 갱신할 수 있다.
학습자료 데이터베이스 구축단계(S201~S203)에는 학습자료 데이터베이스를 구축할 수 있다. 학습자료 데이터베이스 구축단계(S201~S203)에 역전파 신경망 모델을 학습하기 위한 기준 데이터베이스를 구축함으로써, 신경망 모델 결정단계(S204~S210)에 최적화된 신경망 모델을 결정할 수 있도록 한다.
학습자료 데이터베이스 구축단계(S201~S203)는 영향인자 및 수준 결정단계(S201), 인자설정 및 조합단계(S202), 및 학습자료 수집단계(S203)를 포함할 수 있다. 영향인자 및 수준 결정단계(S201)에는 예열 시간에 영향을 미치는 인자와 그 수준을 결정할 수 있다. 인자설정 및 조합단계(S202)에는 예열 시간에 영향을 미치는 각각의 인자들의 수준을 설정하여 조합할 수 있다. 학습자료 수집단계(S203)에는 학습 자료를 수집하여 학습자료 데이터베이스를 구축할 수 있다.
이때, 학습자료 데이터베이스는 시뮬레이션 및/또는 실험을 통하여 구축될 수 있다. 여기서, 본 실시예에서는 시뮬레이션을 통하여 학습자료 데이터베이스를 구축함으로써, 실제 실험 없이도 용이하게 최적의 역전파 신경망 모델 구축을 위한 학습을 위하여 필요한 개략적인 데이터베이스를 구축할 수 있게 된다. 다만, 본 발명은 이에 한정되지 아니하고, 실험 또는 다른 방법에 의하여 학습 자료를 얻음으로써, 더욱 정확한 학습 자료를 얻을 수 있게 된다.
영향인자 및 수준 결정단계(S201)에는 예열 시간에 영향을 미치는 인자와 그 수준을 결정할 수 있다. 먼저, 학습자료 데이터베이스를 구축하기 위하여, 예약 시간에 영향을 미치는 인자와 그 수준을 결정할 수 있다.
본 발명의 일 실시예에서는 예열 시간에 영향을 미치는 인자가 외기조건, 바닥면적, 목표온도, 창면적비, 차폐계수, 벽체구조, 인접조건, 실내 열용량, 및 실내 발열부하 중의 적어도 어느 하나를 포함할 수 있다. 최적의 역전파 신경망 모델을 구축할 수 있도록, 도 6에 도시된 바와 같이 외기조건, 바닥면적, 목표온도, 창면적비, 차폐계수, 벽체구조, 인접조건, 실내 열용량, 및 실내 발열부하 9개의 인자를 포함할 수 있다.
이때, 도 6에 도시된 바와 같이 최적의 역전파 신경망 모델을 구축할 수 있도록, 각각의 예열 시간에 영향을 미치는 인자가 3개의 수준을 가질 수 있다. 여기서, 외기 조건은 서울, 대전, 및 부산의 수준을 가질 수 있다. 바닥 면적(㎡)은 100, 250, 및 500의 수준을 가질 수 있다. 목표온도(℃)는 20, 21, 및 22의 수준을 가질 수 있다. 창면적비는 0.40, 0.65, 및 0.90의 수준을 가질 수 있다. 차폐계수는 0.40, 0.60, 및 0.80의 수준을 가질 수 있다. 벽체구조는 도 8에 도시된 바와 같이 A, B, 및 C의 수준을 가질 수 있다. 인접조건은 도 7에 도시된 바와 같이 a, b, 및 c의 수준을 가질 수 있다. 실내 열용량(KJ/㎥K)은 9, 12, 및 15의 수준을 가질 수 있다. 실내 발열부하(W/㎡)는 50, 60, 및 70의 수준을 가질 수 있다.
인접조건은, 도 7에 도시된 바와 같이, a 수준이 대상 공간을 공조 공간이 3면에서 둘러싸고, b 수준은 대상 공간을 공조 공간이 2면에서 둘러싸고, c 수준은 대상 공간이 모두 외기에 둘러싸인 조건이 될 수 있다.
한편, 벽체구조는, 도 8에 도시된 바와 같이, A 수준이 모르타르-시멘트 벽돌-스티로폼-시멘트 벽돌-모르타르의 순서로 적층되는 벽체구조가 될 수 있으며, B 수준은 화강석-콘크리트-유리면-석고보드의 순서로 적층되는 벽체구조가 될 수 있으며, C 수준은 유리-공기층-유리-유리면-석고보드의 순서로 적층되는 벽체구조가 될 수 있다.
인자설정 및 조합단계(S202)에는 예열 시간에 영향을 미치는 각각의 인자들의 수준을 설정하여 조합할 수 있다. 이때, 실험계획법에 의하여 각각의 상기 인자의 수준을 설정하여 조합할 수 있다. 따라서, 적은 수의 시뮬레이션 및/또는 실험에 의해서도 최적의 역전파 신경망 모델을 결정하기 위한 학습 자료를 수집하도록 할 수 있다.
학습자료 수집단계(S203)에는 학습자료를 수집하여 학습자료 데이터베이스를 구축할 수 있다. 이때, 유한차분법을 이용한 전열해석을 통하여 측정변수, 산출변수, 및 예약시간 중의 적어도 어느 하나를 포함하는 학습 자료를 수집하여 학습자료 데이터베이스를 구축할 수 있게 된다.
이때, 유한차분법에 의하여 실내온도, 외기온도, 실내온도 기울기, 외기온도 기울기 및 예열 시간에 대한 학습 자료를 수집할 수 있게 된다. 따라서, 유한차분법의 시뮬레이션을 이용하여 실제 실험을 하지 않고서도 편리하게 최적의 역전파 신경망 모델 구축을 위한 학습자료 데이터베이스를 구축할 수 있게 된다.
신경망 모델 결정단계(S204~S210)에는 학습자료 데이터베이스를 이용하여 최적화된 역전파 신경망 모델을 결정할 수 있다. 신경망 모델 결정단계(S204~S210)에는 최적의 역전파 신경망 모델 학습을 위한 입력변수 및 출력변수를 결정하고(S204), 역전파 신경망 모델 프로그램에 학습자료 데이터베이스 구축단계(S201~S203)에 수집된 학습 자료를 입력하고(S205), 이로부터 최적의 역전파 신경망 모델을 결정할 수 있다(S206~S210).
이때, 최적의 역전파 신경망 모델 학습을 위한 입력변수는 실내온도, 외기온도, 실내온도 기울기, 및 외기온도 기울기가 될 수 있다. 또한, 최적의 역전파 신경망 모델 학습을 위한 출력변수는 예열 시간이 될 수 있다.
한편, 최적의 역전파 신경망 모델은 학습률, 모멘트, 바이어스, 은닉층 수, 및 은닉층 노드수 중의 적어도 어느 하나의 최적값을 계산하여 결정될 수 있다. 본 실시예에서는 학습률, 모멘트, 바이어스, 은닉층 수, 및 은닉층 노드수 각각의 최적값을 계산하여 결정될 수 있다.
이를 위하여, 신경망 모델 결정단계(S204~S210)에 최적의 예열시간 결정을 위한 역전파 신경망 모델의 학습률의 최적값을 계산하고(S206), 최적의 예열시간 결정을 위한 역전파 신경망 모델의 모멘트의 최적값을 계산하고(S207), 최적의 예열시간 결정을 위한 역전파 신경망 모델의 바이어스의 최적값을 계산하고(S208), 최적의 예열시간 결정을 위한 역전파 신경망 모델의 은닉층의 수의 최적값을 계산하고(S209), 최적의 예열시간 결정을 위한 역전파 신경망 모델의 은닉층 노드수의 최적값을 계산할 수 있다(S206). 이때, 최적의 예열 시간을 결정하기 위한 각각의 최적값은 에러 최소화 기법을 통하여 계산될 수 있다. 따라서, 본 발명의 일 실시예에 따른 지능형 제어 알고리즘을 이용하여 에러를 최소화하는 최적의 예열 시간을 구할 수 있도록 할 수 있다.
대상건물에 적응된 신경망 모델 결정단계(S300)에는 적용대상 건물의 공조설비에서의 설정된 작동절차를 따른 운전을 통하여 수집된 학습 자료를 이용하여 신경망 모델을 학습하여 적용대상 건물에 적응된 신경망 모델을 결정할 수 있다. 따라서, 실제 건물 적용에 따라 역전파 신경망 모델을 조정함으로써 적응된 역전파 신경망 모델을 구축하여, 더욱 정확한 예열 시간을 구할 수 있도록 할 수 있다.
대상건물에 적응된 신경망 모델 결정단계(S300)에는 실내온도, 외기온도를 설정된 시간 간격 예를 들어 1분 단위로 측정하여 저장하고(S301), 스케줄 제어를 통하여 난방설비를 기동하고(S302), 신경망 모델 조정단계(S303~S309)에서 역전파 신경망 모델을 실제 건물에 맞추어 조정한다.
이때, 설정된 작동절차에 따른 스케줄 제어를 통하여 난방 설비를 운전하여 학습 자료를 수집하여 적용대상 건물에 적응된 신경망 모델을 결정할 수 있다. 따라서, 실제 난방 설비의 운전 상황을 반영한 학습 자료를 수집함으로써, 실제 건물에 대한 난방 설비의 운전 시에 더욱 정확한 예열 시간을 구할 수 있는 신경망 모델을 결정할 수 있게 된다.
신경망 모델 조정단계(S303~S309)에는 실제 건물에서 공조설비의 운전을 통하여 수집된 학습 자료를 입력하여 적응된 신경망 모델을 학습하여 역전파 신경망 모델을 결정할 수 있다. 즉, 대상 건물에서 실제 공조 설비를 운전하여 학습 자료를 수집하여 신경망 모델을 결정함으로써, 그 정확도를 향상시킬 수 있게 된다. 그에 따라, 주어진 입력 변수의 조건에 대하여 더욱 정확한 예열 시간을 구할 수 있도록 한다.
신경망 모델 조정단계(S303~S309)는 전출력 운전단계(S303), 입력변수 저장단계(S304), 도달시간 저장단계(S305), 신경망 모델 로딩 단계(S307), 및 신경망 모델 학습 및 결정단계(S308, S309)를 포함할 수 있다.
전출력 운전단계(S303)에는 공조 설비를 전출력(full load)으로 운전을 개시할 수 있다. 이때, 보일러, 공조기, FCU(Fan Coil Unit)을 전출력으로 운전함으로써 입력변수를 신속하게 얻을 수 있으며, 그에 따라 공조 설비의 운행에 따른 데이터를 신속하게 반영하여 대상 건물과 운행 조건에 적응된 역전파 신경망 모델을 신속하고 더욱 정확하게 얻을 수 있게 된다.
입력변수 저장단계(S304)에는 운전 시작 시점에 운전 개시 시간, 실내온도, 외기온도, 실내온도 기울기, 및 외기온도 기울기를 저장할 수 있다. 도달시간 저장단계(S305)에는 운전 개시 시간으로부터 설정된 온도에 도달하는데 걸리는 도달시간을 저장할 수 있다. 이때, 현재 주어진 조건에서의 도달 시간은 다음의 예열 시간을 구하는 데 반영될 수 있게 된다.
이때, 실내온도, 외기온도, 실내온도 기울기, 외기온도 기울기, 및 도달 시간을 포함하는 학습 자료를 측정 및/또는 계산하여 저장할 수 있도록 함으로써, 그에 따라 현재의 운영 조건 및 상태를 학습 자료로 반영하여 신경망 모델을 학습하여 결정할 수 있도록 한다.
이때, 20일 이상의 스케줄 제어 운전을 통하여 20개 이상의 학습 자료를 수집하여 적용대상 건물에 적응된 신경망 모델을 결정할 수 있다. 이를 위하여, 학습 자료의 개수를 판단하여(S306) 20개 이상의 학습 자료가 수집된 경우에 신경망 모델 로딩 단계(S307)가 수행될 수 있다. 따라서, 충분한 개수의 학습 자료에 의하여 의미 있는 신경망 모델을 구축할 수 있게 된다.
신경망 모델 로딩 단계(S307)에는 신경망 모델 결정단계(S204~S210)에서 최적화된 신경망 모델을 불러올 수 있다.
신경망 모델 학습 및 결정단계(S308, S309)에는 운전을 통해 수집된 학습 자료를 입력하여 적응된 역전파 신경망 모델을 학습하여 결정할 수 있다. 신경망 모델 학습 및 결정단계(S308, S309)에는 운전을 통해 수집된 학습 자료를 입력하여 신경망 모델을 학습하고(S308), 역전파 신경망 모델의 학습 정보를 저장함으로써 적용대상 건물에 적응된 신경망 모델을 결정할 수 있게 된다. 따라서, 적응된 신경망 모델을 이용하여 주어진 입력변수의 조건에 대하여 더욱 정확한 예열 시간을 구할 수 있게 된다.
도 4는 본 발명의 일 실시예에 따른 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법이 적용되는 공조 설비의 시스템 계통도가 도시되어 있다. 도 5에는 도 4의 공조 설비의 제어 및 정보수집 계통도의 일 실시예가 도시되어 있다.
도면을 참조하면, 공조 설비는 냉동기/보일러(R/B), 팬 코일 유닛(Fan Coil Unit, FCU), 냉각탑, 공기 조화기(AHU)를 포함할 수 있다. 도면에서 EA(exhasut air)는 외부 배출 공기를 의미하고, OA(outdoor air)는 외기를 의미하고, SA(supply air)는 공급공기를 의미하고, RA(return air)는 외부 배출을 위하여 실내에서 유입된 공기 중 일부를 다시 실내로 공급하는 공기를 의미하고, INV는 인버터를 나타낸다.
또한, 공기조화기(air handling unit, AHU)는 공급되는 공기의 가열, 냉각 등을 수행하는 장치이다. HD는 습도센서를 의미하고, FMS1은 유량센서를 의미하고, FMS2는 풍량 센서를 의미하고, TD는 온도센서를 의미하고, CV는 제어밸브를 의미하고, CO2는 이산화탄소 센서를 의미한다.
또한, HCWR(Hot Cold Water Return)은 냉수 및 온수의 회수를 의미하고, HCWS(Hot Cold Water Supply)는 냉수 및 온수의 공급을 의미하고, AI(Analog Input)는 아날로그 입력을 의미하고, AO(Analog Output)는 아날로그 출력을 의미하고, SA(Supply Air)는 공급 공기를 의미하고, SF(Supply Fan)는 공급 팬을 의미한다.
도 9에는 도 1의 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법에서, 역전파 신경망 모델의 구조가 개략적으로 도시한 되어 있다.
도면을 참조하면, 지능형 제어 알고리즘은 건물 자동제어 시스템에 적용되는 다양한 제어 방법들을 최적화하여 최적의 에너지 절감 효과를 얻어 낼 수 있는 에너지 절약 제어 알고리즘이 활용될 수 있다. 특히, 건물 자동제어 시스템의 공기 조화 시스템 제어에 적용하여 건물 내 재실 공간의 쾌적성은 유지하면서도 에너지를 절감하도록 적용될 수 있으며, 디지털 직접 제어(Digital Direct Control, DDC)에 해당 알고리즘이 탑재되어 그 기능이 수행될 수 있다.
지능형 제어 알고리즘은 건물 내의 공실시간과 재실시간의 두 부분으로 구분되며, 시간 영역에 따라 독립적인 알고리즘이 적용되어 공조시스템을 운영할 수 있다. 공실시간의 제어 알고리즘은 야간운전, 야간 외기 취입 제어, 최적 기동으로 구성될 수 있으며, 재실시간의 알고리즘은 듀티 사이클, 절전운전, 엔탈피 제어, 최적 정지로 구성될 수 있다.
이를 구현하기 위하여, 도 1에 도시된 바와 같은 인공 신경망이 사용될 수 있는데, 인공 신경망은 소프트웨어에 의해 구현이 되며, 네트워크에 의해 연결된 뉴런들로 구성될 수 있다.
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. 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.
본 발명에서는 도 1 에서 보는 것과 같이 외기 온도, 실내 온도, 외기온도 기울기, 실내온도 기울기의 4개 입력층과, 공조설비 기동시각(본 실시예에서는 예열 시간) 또는 공조설비 정지시각의 출력층으로 구성될 수 있다. 즉, 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 정지가 사용될 수 있다.
이때, 예약시간이 설정된 시간 전에 미리 난방을 시작하는 예열 시간인 경우에, 최적의 신경망 모델은 2개의 은닉층과 7개의 은닉층 노드수를 가질 수 있으며, 학습률이 0.45, 모멘트는 0.90, 바이어스가 1.0이 될 수 있다. 그에 따라, 최적의 신경망 모델에 의하여 예열 시간을 더욱 정확하게 구할 수 있게 된다. 따라서, 최적의 신경망 모델을 이용한 지능형 제어 알고리즘에 의하여 공조 설비를 제어함으로써, 건물 내부를 쾌적한 환경으로 유지할 수 있도록 함과 동시에 공조에 사용되는 에너지를 절약할 수 있다.
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.
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.
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 하한 범위를 벗어날 것인가를 결정하기 위한 것이다.
본 발명의 실시예에서는 다층 인공 신경망을 사용하여 최적 기동 시각 및 최적 정지 시각을 결정하는 알고리즘을 적용할 수 있다. 우선 인공 신경망을 학습시키기 위해서는 학습 데이터가 필요하기 때문에 건물에 처음부터 바로 적용될 수 없다.
따라서, 인공 신경망의 학습을 위하여 자료를 수집해야 하는데, 이를 위하여 매분 단위로 신경망의 입력 변수 값을 측정할 수 있다. 여기서 입력 변수 값은 실내 온도, 외기 온도, 외기온도 기울기, 및 실내온도 기울기를 포함하며, 실내 온도 및 외기 온도는 일정시각마다 측정되고, 외기온도 기울기 및 실내온도 기울기는 일정시각마다 측정되는 실내 온도 및 외기 온도의 일정 시간당 변동률을 의미한다.
수학적 모델의 경우에도 입출력 관계를 알기 위해 수많은 시뮬레이션과 실험을 필요로 한다. 신경망 모델의 경우, 공조설비 운전시간 결정과 같은 비선형 다변량 시스템의 모델링에 있어서도 입출력 사이의 관계를 결정하는 데 있어서 전문적인 지식이나 실험 같은 것을 덜 필요로 한다.
수학적 모델에 있어서는 많은 매개변수의 사용은 수학적인 해결 상의 어려움을 일으킬 수 있다. 신경망 모델의 경우, 신경망의 학습관련 변수값이 최적값에서 어느 정도 벗어난 경우, 또는 온라인 학습에서 노이즈(noise)신호의 경우에도 현저한 성능의 저하를 일으키지는 않는다.
수학적 모델을 실제건물에 적용할 경우, 해를 구하기 위해, 실제 건물과 똑같이 입력한다는 것은 어렵고, 시뮬레이션에 많은 시간이 걸리므로 다양한 변수 사이의 관계를 모델링 하는데 어려움이 있다. 신경망 모델은 선행경험 자료를 토대로 학습을 하여 입출력관계를 모델링하게 되므로 제어대상에 대한 별도의 입력 자료가 불필요하다.
신경망을 주어진 네트워크 내에 일단 학습시키면, 주어진 목표치에 대한 제어입력을 매우 짧은 시간 동안에 얻을 수 있기 때문에 응답성이 향상된다. 실제로 대상을 제어하면서 그 특성을 온라인으로 학습할 수 있는 점이 신경망에 의한 제어의 특징이고, 아울러 유연한 제어방식이 구현될 수 있다.
본 발명에 따르면, 상기 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법은, 신경망 모델을 이용한 지능형 제어 알고리즘에 의하여 공조 설비를 제어함으로써, 건물 내부를 쾌적한 환경으로 유지할 수 있도록 함과 동시에 공조에 사용되는 에너지를 절약할 수 있다.
지금까지 본 발명의 바람직한 실시예 및 응용예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정 실시예 및 응용예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들이 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안 될 것이다.

Claims (12)

  1. 실내온도, 실내온도 기울기, 외기온도, 및 외기온도 기울기를 입력변수로 하고, 예약 시간을 출력변수로 하여 학습되어 적응된 역전파 신경망 모델을 불러오는 단계;
    설정된 시간 간격으로 상기 실내온도 및 외기온도를 포함하는 측정변수를 측정하는 단계;
    상기 측정변수로부터 상기 실내온도 기울기 및 상기 외기온도 기울기를 포함하는 산출변수를 계산하는 단계;
    상기 입력변수를 상기 신경망 모델에 입력하여 측정 시점에서의 상기 예약 시간을 계산하는 단계; 및
    상기 예약 시간과 목표 설정시간과의 차를 계산하여 설정값 이내에 있으면 설정된 작동 절차에 따라 작동을 수행하는 단계를 구비하는 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법.
  2. 제1항에 있어서,
    상기 예약 시간이, 설정된 시간 전에 미리 난방을 시작하는 예열 시간인 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법.
  3. 제1항에 있어서,
    측정된 상기 측정변수의 노이즈 여부를 판단하여 노이즈를 제거하는 단계를 더 포함하는 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법.
  4. 제1항에 있어서,
    학습자료 데이터베이스를 구축하는 단계;
    상기 학습자료 데이터베이스를 이용하여 최적화된 역전파 신경망 모델을 결정하는 단계;
    적용대상 건물의 공조설비에서의 설정된 작동절차에 따른 운전을 통하여 수집된 학습 자료를 이용하여 상기 신경망 모델을 학습하여 적용대상 건물에 적응된 신경망 모델을 결정하는 단계;
    적응된 상기 신경망 모델에 따라 상기 적용대상 건물의 공조설비를 운전하는 단계; 및
    상기 공조설비의 운전을 통하여 수집된 학습 자료를 입력하는 적응된 상기 신경망 모델을 재학습하여 상기 신경망 모델을 갱신하는 단계를 더 구비하는 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법.
  5. 제4항에 있어서,
    상기 학습자료 데이터베이스를 구축하는 단계는,
    상기 예약 시간에 영향을 미치는 인자와 그 수준을 결정하는 단계,
    실험계획법에 의하여 각각의 상기 인자의 수준을 설정하여 상기 조합하는 단계, 및
    유한차분법을 이용한 전열해석을 통하여 상기 측정변수, 상기 산출변수, 및 상기 예약시간 중의 적어도 어느 하나를 포함하는 학습 자료를 수집하여 상기 학습자료 데이터베이스를 구축하는 단계를 구비하는 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법.
  6. 제4항에 있어서,
    상기 신경망 모델을 학습하여 적용대상 건물에 적응된 신경망 모델을 결정하는 단계는,
    상기 측정변수를 설정된 시간 간격으로 측정하는 단계;
    상기 적용대상 건물에 설치된 공조 설비를 전출력으로 운전을 개시하는 단계;
    운전 시작 시점에 운전 개시 시간, 상기 측정변수, 및 상기 산출변수를 저장하는 단계;
    상기 운전 개시 시간으로부터 설정된 온도에 도달하는데 걸리는 도달시간을 저장하는 단계; 및
    운전을 통해 수집된 학습 자료를 입력하여 적응된 역전파 신경망 모델을 학습하는 단계를 구비하는 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법.
  7. 제4항에 있어서,
    상기 인자가 외기조건, 바닥면적, 목표온도, 창면적비, 차폐계수, 벽체구조, 인접조건, 실내 열용량, 및 실내 발열부하 중의 적어도 어느 하나를 포함하는 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법.
  8. 제4항에 있어서,
    각각의 상기 인자가 3개의 수준을 갖는 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법.
  9. 제4항에 있어서,
    상기 역전파 신경망 모델이, 학습률, 모멘트, 바이어스, 은닉층 수, 및 은닉층 노드수의 최적값을 계산하여 결정되되,
    상기 역전파 신경망 모델의 최적값이 에러 최소화 기법을 통하여 계산되는 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법.
  10. 제9항에 있어서,
    상기 예약시간이 설정된 시간 전에 미리 난방을 시작하는 예열 시간인 경우에, 2개의 은닉층과 7개의 은닉층 노드수를 가지며, 학습률이 0.45, 모멘트는 0.90, 바이어스가 1.0인 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법.
  11. 제4항에 있어서,
    설정된 작동절차에 따른 스케줄 제어를 통하여 상기 공조설비를 운전하여 적용대상 건물에 적응된 신경망 모델을 결정하는 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법.
  12. 삭제
KR1020120149185A 2012-12-20 2012-12-20 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법 KR101251873B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120149185A KR101251873B1 (ko) 2012-12-20 2012-12-20 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120149185A KR101251873B1 (ko) 2012-12-20 2012-12-20 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법

Publications (1)

Publication Number Publication Date
KR101251873B1 true KR101251873B1 (ko) 2013-04-10

Family

ID=48442564

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120149185A KR101251873B1 (ko) 2012-12-20 2012-12-20 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법

Country Status (1)

Country Link
KR (1) KR101251873B1 (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103807988A (zh) * 2014-03-12 2014-05-21 侯春海 预约舒适性环境温度的空调控制方法
WO2018092957A1 (ko) * 2016-11-21 2018-05-24 주식회사 알고리고 신경망 모델에서 입력값에 대한 재학습 여부 결정 방법, 장치 및 프로그램
KR102089719B1 (ko) * 2019-10-15 2020-03-16 차호권 기계 설비 공사 공정을 위한 제어 방법 및 장치
CN110986308A (zh) * 2019-11-05 2020-04-10 青岛海尔空调器有限总公司 空调器的制热控制方法及空调器
KR102111043B1 (ko) * 2019-10-08 2020-05-14 전제항 전자 장비 및 기계 장비의 제조를 위한 제어 방법
CN111339716A (zh) * 2020-02-19 2020-06-26 浙江大学 一种锅炉高温烟气流场在线代理模型构建方法
CN111797980A (zh) * 2020-07-20 2020-10-20 房健 一种个性化地暖使用习惯的自适应学习方法
KR20210012672A (ko) * 2019-07-26 2021-02-03 한국생산기술연구원 인공지능 기반 로봇 매니퓰레이터의 자동 제어 시스템 및 방법
KR102325989B1 (ko) * 2020-10-19 2021-11-12 성한 주식회사 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR950001227A (ko) * 1993-06-25 1995-01-03 김광호 신경회로망을 이용한 공조 시스템
JP2001221481A (ja) * 2000-02-10 2001-08-17 Takenaka Komuten Co Ltd 空調制御装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR950001227A (ko) * 1993-06-25 1995-01-03 김광호 신경회로망을 이용한 공조 시스템
JP2001221481A (ja) * 2000-02-10 2001-08-17 Takenaka Komuten Co Ltd 空調制御装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103807988A (zh) * 2014-03-12 2014-05-21 侯春海 预约舒适性环境温度的空调控制方法
CN103807988B (zh) * 2014-03-12 2016-09-14 侯春海 预约舒适性环境温度的空调控制方法
WO2018092957A1 (ko) * 2016-11-21 2018-05-24 주식회사 알고리고 신경망 모델에서 입력값에 대한 재학습 여부 결정 방법, 장치 및 프로그램
KR20210012672A (ko) * 2019-07-26 2021-02-03 한국생산기술연구원 인공지능 기반 로봇 매니퓰레이터의 자동 제어 시스템 및 방법
KR102239186B1 (ko) * 2019-07-26 2021-04-12 한국생산기술연구원 인공지능 기반 로봇 매니퓰레이터의 자동 제어 시스템 및 방법
KR102111043B1 (ko) * 2019-10-08 2020-05-14 전제항 전자 장비 및 기계 장비의 제조를 위한 제어 방법
KR102089719B1 (ko) * 2019-10-15 2020-03-16 차호권 기계 설비 공사 공정을 위한 제어 방법 및 장치
CN110986308A (zh) * 2019-11-05 2020-04-10 青岛海尔空调器有限总公司 空调器的制热控制方法及空调器
CN111339716A (zh) * 2020-02-19 2020-06-26 浙江大学 一种锅炉高温烟气流场在线代理模型构建方法
CN111339716B (zh) * 2020-02-19 2022-07-22 浙江大学 一种锅炉高温烟气流场在线代理模型构建方法
CN111797980A (zh) * 2020-07-20 2020-10-20 房健 一种个性化地暖使用习惯的自适应学习方法
KR102325989B1 (ko) * 2020-10-19 2021-11-12 성한 주식회사 다중 인공지능 학습모델을 기반으로 한 건물 냉난방 부하의 예측 방법

Similar Documents

Publication Publication Date Title
KR101251873B1 (ko) 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법
KR101261199B1 (ko) 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 예약냉각 제어방법
KR101261198B1 (ko) 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 실내온도 하강 제어방법
Zhang et al. A deep reinforcement learning approach to using whole building energy model for hvac optimal control
KR102212663B1 (ko) 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치
Ascione et al. Simulation-based model predictive control by the multi-objective optimization of building energy performance and thermal comfort
Hu et al. A state-space modeling approach and multi-level optimization algorithm for predictive control of multi-zone buildings with mixed-mode cooling
Goyal et al. Zone-level control algorithms based on occupancy information for energy efficient buildings
Kurian et al. Robust control and optimisation of energy consumption in daylight—artificial light integrated schemes
Gruber et al. Model-based controllers for indoor climate control in office buildings–complexity and performance evaluation
KR102170522B1 (ko) 관람객 수와 환경 변화를 고려한 전시홀 에너지 관리 시스템
Moon et al. Algorithm for optimal application of the setback moment in the heating season using an artificial neural network model
JP2011038718A (ja) 人為的操作を許容できる建築物省エネルギーシステム
Nikovski et al. A method for computing optimal set-point schedules for HVAC systems
Zhu et al. Online optimal control of variable refrigerant flow and variable air volume combined air conditioning system for energy saving
Kim et al. Performance evaluation of artificial neural network-based variable control logic for double skin enveloped buildings during the heating season
Chen et al. Investigation of practical issues in building thermal parameter estimation
Villar et al. A fuzzy logic based efficient energy saving approach for domestic heating systems
Reynolds et al. A smart heating set point scheduler using an artificial neural network and genetic algorithm
Peng et al. Case study review: Prediction techniques in intelligent HVAC control systems
Scarcello et al. Pursuing energy saving and thermal comfort with a human-driven DRL approach
CN105759629A (zh) 环境控制方法及其系统
Kuntze et al. A new fuzzy-based supervisory control concept for the demand-responsive optimization of HVAC control systems
ES2891351T3 (es) Método y sistema de gestión de climatización inteligente
CN114017904B (zh) 一种建筑物hvac系统的运行控制方法及装置

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20160211

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20170202

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20190327

Year of fee payment: 7