KR101530127B1 - 가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법 - Google Patents

가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법 Download PDF

Info

Publication number
KR101530127B1
KR101530127B1 KR1020130120172A KR20130120172A KR101530127B1 KR 101530127 B1 KR101530127 B1 KR 101530127B1 KR 1020130120172 A KR1020130120172 A KR 1020130120172A KR 20130120172 A KR20130120172 A KR 20130120172A KR 101530127 B1 KR101530127 B1 KR 101530127B1
Authority
KR
South Korea
Prior art keywords
gaussian process
building
bas
data
function
Prior art date
Application number
KR1020130120172A
Other languages
English (en)
Other versions
KR20150041526A (ko
Inventor
박철수
김영진
강지은
Original Assignee
성균관대학교산학협력단
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 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020130120172A priority Critical patent/KR101530127B1/ko
Publication of KR20150041526A publication Critical patent/KR20150041526A/ko
Application granted granted Critical
Publication of KR101530127B1 publication Critical patent/KR101530127B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

본 발명은 가우시안 프로세스 에뮬레이터를 이용하여 건물 운영의 확률적 제어를 위한 방법을 제안한다. 본 발명에 의하여 전산적인 해석시간을 비약적으로 줄이면서도, 불확실한 입력변수 및 데이터의 확률적 특성을 반영한 확률적 예측평가가 가능하다.

Description

가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법{Method for operation of building using Gaussian process emulator}
본 발명은 가우시안 프로세스 에뮬레이터를 이용하여 건물 운영의 확률적 제어를 위한 방법에 관한 것이다.
건물 에너지 절약을 위한 노력은 지속적으로 시행되어왔다. 그러나 기후 변화, 건물 연면적 증가 등으로 건축물 분야의 에너지 소비량은 지속적으로 증가하여 온 것이 사실이다.
건물 에너지 소비량의 감소를 위하여, 빌딩 성능 시뮬레이션(BPS; building performance simulation)이라 불리는 해석 도구가 널리 사용되고 있다. 특히, 컴퓨터 전산처리속도, 해석 알고리즘, 모델링 구조의 향상 등으로 인하여 시뮬레이션 툴의 정확성이 높아지고 신속한 의사 결정에 많은 도움을 준다.
그러나, 이러한 시뮬레이션을 기반으로 건물을 실제 운영하는 경우에 대한 연구는, 건물 에너지 운영 시스템(BEMS: building energy management system), 센서 네트워크(BACnet, RS-485 등), BAS(building automation system), 비용함수(cost function), 최적화 알고리즘(예를 들어, 시행착오법(trial and error), 소모적 탐색법(exhaustive search), 구배법(gradient method), GA(genetic algorithm), PSO(particle swarm optimization) 등), 운영 관리 센터 등을 이용한 결정적 접근(deterministic approach)의 최적 운영에 집중되어 있다. 여기에서, 결정적 접근은 실제 건물의 복잡한 물리적 거동을 '단 한 번의 시뮬레이션 해석결과'를 이용하여 최적화 알고리즘을 통해 최적의 제어 변수를 도출함을 의미한다.
하지만, 기존의 접근방식을 이용한 실시간 건물 최적 운영은 (1)시뮬레이션 모델 내의 미지변수(예를 들어, 재실자 행동패턴, 기상 데이터(온도, 습도, 풍속, 일사량 등), 실내부하(인체, 조명, 기기)의 대류/복사 비율, 플랜트(칠러/보일러) 또는 반송장비(팬, 펌프)들의 성능곡선 등)들의 미반영의 문제, (2)센서들의 오차 및 오작동(실제 약 3~5% 오차가 존재함)의 문제, 및 (3)최적화 알고리즘의 수렴 조건 등의 문제를 내포하고 있다.
즉, 기존의 접근방식은 불확실한 데이터 또는 모델링 정보를 고려하지 않고, 복잡하고 다양한 시스템을 예측, 평가, 제어하고 있으며, 이는 정확하고 신뢰성 있는 건물 운영을 할 수 없다.
이러한 문제점을 해결하고자, 확률적 특성을 반영하고 그 결과를 모델링으로 제시할 수 있다는 점에서 유용한 몬테카를로 시뮬레이션이 수행될 수 있다. 다만, 몬테카를로 시뮬레이션의 큰 약점은 '상당히 많은 전산 해석시간을 요구'한다는 점이다. 요컨대, 정확도를 높일 수 있으나, 매 시계마다 최적 변수를 도출해야 실시간이며 자동으로 건물이 운영되어야 하는 시뮬레이션 목적을 감안할 경우 매우 큰 문제이다.
이와 관련한 선행기술은 다음과 같다.
한국출원번호 제10-2012-0022630호는, 베이즈 이론을 이용하여 측정값들의 확률 분포를 계산함으로써 에너지 플랜트의 위험을 예측하는 방법을 개시한다. 측정값의 보정을 위하여 베이즈 이론을 적용하였을 뿐, 시뮬레이션과 측정값의 간극을 좁히는 고찰, 시뮬레이션을 에너지 성능 평가에 대한 고찰이 없어서, 본 기술분야에 바로 적용하기 어렵다.
한국공개번호 제10-2011-0116690호 및 제10-2011-0109039호는, 건물에 대한 실시간 환경 정보를 계측하여 최적의 운전 운행을 수행하는 방법을 제시하나, 전술한 바와 같이 정확도를 높이지 못한다는 점에서 여전히 문제점을 안고 있다.
(특허문헌 1) KR10-2012-0022639 A
(특허문헌 2) KR10-2011-0116690 A
(특허문헌 3) KR10-2011-0109039 A
이에, 본 발명은 상기와 같은 과제를 해결하기 위하여 안출된 것이다.
보다 구체적으로, 전산적인 시간과 노력을 해결함과 동시에 정확도를 상승시켜 성능의 품질을 확보할 수 있는 시뮬레이션 모델을 개발하고, 이를 통하여 확률적 기반의 최적 제어를 실시할 수 있는 건물 운영 방법을 제안하고자 한다.
상기와 같은 과제를 해결하기 위하여, 본 발명은, (a) 데이터 수집부(11)가 건물(10)로부터 BEMS(building energy management system) 데이터를 수집하는 단계; (b) BAS(building automation system)(100)가, 상기 수집된 BEMS 데이터를 이용하여 훈련 데이터(D)를 설정하는 단계; (c) GPE(Gaussian process emulator) 모듈(310)이, 상기 설정된 훈련 데이터(D)를 이용하여 가우시안 프로세스 회귀모델(Gaussian process regression model)을 설정하는 단계; (d) 비용함수(cost function) 모듈(320)이 비용함수(즉, 초기투자비, 에너지, 온열감, 실내공기질 등으로 이루어진 목적함수)를 계산함으로써 상기 설정된 가우시안 프로세스 회귀모델에서 제어변수를 연산하는 단계; 및 (e) 상기 BAS(100)가 상기 연산된 제어변수를 이용하여 건물(10)을 운영하는 단계를 포함하는, 가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법을 제공한다.
또한, 상기 (b) 단계에서 상기 훈련 데이터는 후술하는 수학식 1과 같이 설정하는 것이 바람직하다.
또한, 상기 (c) 단계는, (c1) 상기 GPE 모듈(310)이 상기 설정된 훈련 데이터(D)를 이용하여 가중치 벡터와 노이지 함수를 포함하는 가우시안 프로세스 회귀모델을 1차로 설정하는 단계; (c2) 베이지안 추정 모듈(315)이 상기 가중치 벡터와 노이지 함수에 포함된 미지 파라미터를 베이지안 이론(Bayesian theory)에 따라 추정하는 단계; 및 (c3) 상기 GPE 모듈(310)이 상기 추정된 미지 파라미터를 상기 가중치 벡터와 노이지 함수에 적용함으로써 가우시안 프로세스 회귀모델을 최종 설정하는 단계를 포함하는 것이 바람직하다.
여기에서, 상기 (c3) 단계에서 최종 설정된 가우시안 프로세스 회귀모델은 후술하는 수학식 2와 같이 설정하는 것이 바람직하다.
또한, 수학식 2의 스케일 파라미터와 길이 파라미터는 베이지안 추정을 이용하여 추정되는 미지 파라미터인 것이 바람직하다.
또한, 상기 (d) 단계에서 비용함수를 계산하는 것은 최적화 알고리즘을 통하여 계산되며, 상기 최적화 알고리즘은 시행착오법(trial and error), 소모적 탐색법(exhaustive search), 구배법(gradient method), GA(generic algorithm), 및 PSO(particle swarm optimization) 중 어느 하나인 것이 바람직하다.
또한, 상기 BEMS 데이터는, 건물(10)과 관련된 온도, 습도, 풍속, 풍향, 유량 및 압력 중 어느 하나 이상을 포함하는 것이 바람직하다.
또한, 상기 (b) 단계 이후, 상기 BAS(100)가 컨버터(200)를 통하여 상기 훈련 데이터(D)를 상기 GPE 모듈(310)에 입력하는 단계를 더 포함하는 것이 바람직하다.
또한, 상기 (d) 단계 이후, 상기 비용함수 모듈(320)이 상기 컨버터(200)를 통하여 상기 연산된 제어변수를 상기 BAS(100)에 입력하는 단계를 더 포함하는 것이 바람직하다.
또한, 상기 (e) 단계는, 상기 BAS(100)가 건물(10)의 조명, 실내설정온도, 블라인드, HVAC 시스템, 및 플랜트 중 어느 하나 이상을 자동으로 제어하는 단계를 포함하는 것이 바람직하다.
또한, 상기 (e) 단계는, 상기 BAS(100)가 상기 연산된 제어변수를 사용자 단말기(20)를 통하여 출력하는 단계를 더 포함하는 것이 바람직하다.
또한, 상기 BAS(100)가 상기 연산된 제어변수를 데이터베이스(30)에 저장하는 단계를 더 포함하는 것이 바람직하다.
본 발명에 의하여, 확률적 최적 제어를 실시간 건물 운영 단계에 적용함으로써 건물 에너지 절감을 달성할 수 있음은 물론이거니와, BEMS, 확률적 예측모델, 보정 기법 및 최적화 알고리즘이 함께 적용되어 실시간으로 최적 변수 도출이 가능하다.
또한, 종래의 시뮬레이션 기반 건물 운영 방법들의 문제점은, 신속성과 정확도를 동시에 가져올 수 있다. 즉, 기존의 방식에 비해 전산적인 해석시간을 비약적으로 줄이면서도, 불확실한 입력변수 및 데이터의 확률적 특성을 반영한 확률적 예측평가가 가능하다.
아울러, 홈 네트워크, 월드와이드웹 또는 스마트폰 및 태블릿 PC와의 연동 작업이 가능하여, 자동 모드 선정 내지 데이터 모니터링이 가능하다.
도 1은 본 발명에 따른 건물 운영의 확률적 제어 방법을 수행하기 위한 시스템을 도시하는 개념도이다.
도 2는 본 발명에 따른 건물 운영의 확률적 제어 방법을 설명하기 위한 순서도이다.
도 3 내지 도 5는 본 발명에 따른 본 발명에 따른 건물 운영의 확률적 제어 방법의 검증 결과를 도시한다.
이하. 도 1 및 도 2를 함께 참조하여 본 발명에 따른 건물 운영의 확률적 제어 방법을 상세히 설명한다.
S100 단계: BEMS 데이터 측정 및 입력
먼저, 본 발명에 따라 건물(10)에 구비된 데이터 수집부(11)가 BEMS 데이터를 측정한다.
데이터 수집부(11)는 건물에 부설된 센서, 계측기 등일 수 있으며, 또는 건물 관련 BEMS 데이터를 수집하기 위한 실시간 네트워크망일 수도 있다.
이렇게 수집된 정보는 BACnet, 시리얼 통신 등을 통한 개방형 네트워크를 이용하여 BAS(100)에 입력된다.
또한, 이와 동시에 사용자 단말기(20)에 제공되거나 데이터베이스(30)에 저장될 수도 있다.
여기에서 사용자 단말기(20)는, PC, 스마트폰, 태블릿PC 등 어떠한 정보 처리 장치여도 무관하다.
S200 단계: 훈련 데이터 설정
BAS(100)는 S100 단계에서 입력된 BEMS 데이터를 이용하여 훈련 데이터(D)를 설정한다. 이는 하기의 수학식 1과 같이 표현될 수 있다.
Figure 112013091236773-pat00001
여기에서, xi는 입력변수로서 BEMS 데이터이고, yi는 출력변수로서 가우시안 프로세스 회귀모델에 의하여 시뮬레이션 해석된 BEMS 데이터이고, 그리고 i는 1 내지 n의 정수이고, n는 BEMS 데이터의 개수이다.
이렇게 설정된 훈련 데이터(D)는 컨버터(200)를 통하여 GPE(가우시안 프로세스 에뮬레이터. Gaussian process emulator) 모듈(310)에 인가된다.
S300 단계: 가우시안 프로세스 회귀모델 1차 설정
GPE 모듈(310)은 인가된 훈련 데이터(D)를 이용하여 가우시안 프로세스 회귀모델을 설정한다. 여기에서 사용되는 수식은 다음과 같다.
Figure 112013091236773-pat00002
Figure 112013091236773-pat00003
Figure 112013091236773-pat00004
Figure 112013091236773-pat00005
xi는 입력변수이고, yi는 출력변수이며, 이는 인가된 훈련 데이터(D)에서 이미 설정된 값이다.
f(xi)는 가우시안 프로세스(gp)로 표현되는 노이지 함수이며, εi는 정규분포(N)인 가중치 벡터이다. 다시 말하면, S300 단계에서 1차 설정되는 가우시안 프로세스 회귀모델은 노이지 함수와 가중치 벡터로 이루어진다.
한편, 정규분포(N)인 εi는 평균을 0으로 분산을 vi로 표현한다.
또한, 노이지 함수인 f(xi)는 가우시안 프로세스(gp)로서 평균함수를 0으로 공분산함수를 k(xi, xj')로 표현한다. 여기에서 공분산함수인 k(xi, xj')의 연산을 위하여 스케일 파라미터인 σ2 se가 설정되고 길이 파라미터인 lk가 설정된다.
그런데, 스케일 파라미터(σ2 se)와 길이 파라미터(lk)는 미지 파라미터(unknown parameter)이다. 즉, 1차 설정되는 가우시안 프로세스 회귀모델은 불완전한 모델이다. 따라서, 이러한 미지 파라미터를 추정하기 위하여 베이지안 이론이 적용된다.
S400 단계: 베이지안 이론을 이용하여 미지 파라미터 추정
베이지안 추정 모듈(315)은 베이지안 이론을 이용하여 미지 파라미터인 스케일 파라미터(σ2 se)와 길이 파라미터(lk)를 추정한다. 여기에서 사용되는 수식은 다음과 같다.
Figure 112013091236773-pat00006
베이지안 이론은 종래 기술인바, 다음과 같이 간략히 설명한다.
베이지안 이론은
Figure 112013091236773-pat00007
로 간단하게 정리할 수 있는데, 여기에서
Figure 112013091236773-pat00008
는 사후분포함수로서 관측값이 y인 경우 입력변수 θ의 확률분포이며,
Figure 112013091236773-pat00009
는 우도함수로서, 특정 θ가 주어진 경우 관측값 y의 확률분포이다.
둘 사이에는
Figure 112013091236773-pat00010
의 비례관계가 성립되는데, 이는 입력변수 θ의 사전확률분포로서 보정전 기존 문헌이나 실험을 통해 얻는 분포인데, 이에 대하여서는 기존에 널리 구축된 데이터베이스에서 확인할 수 있는 값이다.
다시 전술한 수학식3으로 돌아오면, 기존에 구축된 데이터베이스에서 비례관계에 대한 값을 확인하고 이를 전술한 베이지안 이론에 적용함으로써 스케일 파라미터(σ2 se)와 길이 파라미터(lk 또는 ll :d )의 미지 파라미터를 추정할 수 있음을 알 수 있다.
요컨대, 베이지안 추정 모듈(315)은 가중치 벡터와 노이지 함수에 포함된 미지 파라미터를 베이지안 이론(Bayesian theory)에 따라 추정할 수 있는바, GPE 모듈(310)이 추정된 미지 파라미터를 가중치 벡터와 노이지 함수에 적용함으로써 가우시안 프로세스 회귀모델을 최종 설정된다.
S500 단계: 비용함수 계산으로 가우시안 프로세스 회귀모델에서 제어변수 연산
비용함수 모듈(320)이 비용함수를 계산함으로써 상기 설정된 가우시안 프로세스 회귀모델에서 제어변수를 연산한다. 비용함수는, 초기투자비, 에너지, 온열감, 실내공기질 등으로 이루어진 목적함수를 의미하는데, 이는 종래기술인바 구체적인 생략은 생략한다.
비용함수의 계산은 시행착오법(trial and error), 소모적 탐색법(exhaustive search), 구배법(gradient method), GA(generic algorithm), 또는 PSO(particle swarm optimization)와 같은 최적화 알고리즘(optimization algorithm)에 의하여 수행된다. 각각의 계산 방법은 종래 기술들인바 구체적인 설명은 생략한다.
이를 통하여, 건물(10)을 제어하는 제어변수를 최종 획득할 수 있다.
S600 단계: 제어변수로서 건물 운영
비용함수 모듈(320)에서 연산된 제어변수는 컨버터(200)를 통하여 BAS(100)에 인가되며, 이를 통하여 건물(10)이 자동으로 운영된다.
구체적으로, BAS(100)는 건물(10)의 조명, 실내설정온도, 블라인드, HVAC 시스템, 및 플랜트 중 어느 하나 이상을 자동으로 제어할 수 있으나, 이에 제한되지 않음은 물론이다.
또한, 이와 동시에 BAS(100)가 제어변수를 사용자 단말기(20)를 통하여 출력할 수도 있으며, 데이터베이스(30)에 저장할 수도 있다.
검증
전술하였던 방법을 사용하여 실재 건물을 운영함으로써 본 발명의 효과를 검증하였다.
가우시안 프로세스 회귀모델의 구현을 위하여 MATLAB toolbox의 GPstuff 프로그램을 이용하였다. 본 검증에서는 사후추정으로서 미지 파라미터인 스케일 파라미터와 길이 파라미터 연산을 위하여 구배법을 사용하여 비용함수에 대한 미분방정식을 연산하였다. 연산된 미지 파라미터 결과가 도 3에 도시된다.
교차 검증(cross-validation)은 가우시안 프로세스 회귀모델을 통한 값의 정확도를 나타낼 수 있다. 본 검증에서는 k-묶음 교차 검증(k-fold cross-validation)을 사용하였다. 즉, 검증하고자 하는 표본을 k개의 집합으로 구분한 뒤, 검증을 위해 선정된 하나의 표본 집합을 제외하여 k-1개의 표본으로 가우시안 프로세스 회귀모델을 구축하였다.
다음, 평균 절대치 오차(MAE; mean absolute error)와 평균 제곱근 편차(RMSE: root mean square error)를 이용하여 가우시안 프로세스 회귀모델을 검증하였다. 또한, k개의 모든 표본 집합이 검증용 데이터로 사용될 때까지 이를 k회 반복하였다.
가우시안 프로세스 회귀모델의 반복적인 검증으로 인하여, MAE와 RMSE는 평균과 분산으로 표현되는데, k-묶음 교차 검증을 위하여 10개로 구분하였다. 그 결과, 도 4에 도시된 바와 같이 표본에 의하여 구축된 가우시안 프로세스 회귀모델의 MAE와 RMSE가 상당히 작음을 확인하였다. 다시 말해, 충분히 정확한 확률적 예측결과를 제시한 것이다.
또한, 이와 동일한 조건에서 이용한 종래 기술의 시뮬레이션 모델 중 하나인 EnergyPlus를 이용한 결과와 비교하였다.
500회 반복 실시한 결과, 도 5에 도시된 바와 같이, EnergyPlus를 이용한 경우와 본 발명에 따라 가우시안 프로세스 회귀모델을 이용한 경우 평균은 1.04, 분산은 0.03의 차이를 보여주었다. 도 5에서 "확률적 에뮬레이터"가 본 발명에 의한 가우시안 프로세스 회귀모델을 위해 가우시안 프로세스 에뮬레이터를 적용한 경우를 의미한다.
또한, 해석시간의 경우, EnergyPlus를 이용한 종래 기술의 경우에는 약 5시간이 소요되는데 반하여 본 발명에 따라 가우시안 프로세스 회귀모델을 사용하는 경우 약 1분이 소요되었다.
요컨대, 종래 기술인 EnergyPlus를 이용한 경우와 비교해보건대, 해석시간이 대폭 감소하였음에도 불확실성 결과가 유사함을 확인할 수 있었다.
상기에서는 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 당업계에서 통상의 지식을 가진 자라면 이하의 특허 청구범위에 기재된 본 발명의 사상 및 영역을 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
10: 건물(building)
11: 데이터 수집부
20: 사용자 단말기
30: 데이터베이스
100: BAS(building automation system)
200: 컨버터
300: 확률적 제어 시스템
310: GPE(Gaussian process emulator) 모듈
315: 베이지안 추정 모듈
320: 비용함수(cost function) 모듈

Claims (12)

  1. (a) 데이터 수집부(11)가 건물(10)로부터 BEMS(building energy management system) 데이터를 수집하는 단계;
    (b) BAS(building automation system)(100)가, 상기 수집된 BEMS 데이터를 이용하여 훈련 데이터(D)를 설정하는 단계;
    (c) GPE(Gaussian process emulator) 모듈(310)이, 상기 설정된 훈련 데이터(D)를 이용하여 가우시안 프로세스 회귀모델(Gaussian process regression model)을 설정하는 단계;
    (d) 비용함수(cost function) 모듈(320)이 비용함수를 계산함으로써 상기 설정된 가우시안 프로세스 회귀모델에서 제어변수를 연산하는 단계; 및
    (e) 상기 BAS(100)가 상기 연산된 제어변수를 이용하여 건물(10)을 운영하는 단계를 포함하며,
    상기 (c) 단계는,
    (c1) 상기 GPE 모듈(310)이 상기 설정된 훈련 데이터(D)를 이용하여 가중치 벡터와 노이지 함수를 포함하는 가우시안 프로세스 회귀모델을 1차로 설정하는 단계;
    (c2) 베이지안 추정 모듈(315)이 상기 가중치 벡터와 노이지 함수에 포함된 미지 파라미터를 베이지안 이론(Bayesian theory)에 따라 추정하는 단계; 및
    (c3) 상기 GPE 모듈(310)이 상기 추정된 미지 파라미터를 상기 가중치 벡터와 노이지 함수에 적용함으로써 가우시안 프로세스 회귀모델을 최종 설정하는 단계를 포함하며,
    상기 (d) 단계에서 비용함수를 계산하는 것은 최적화 알고리즘을 통하여 계산되며,
    상기 최적화 알고리즘은 시행착오법(trial and error), 소모적 탐색법(exhaustive search), 구배법(gradient method), GA(generic algorithm), 및 PSO(particle swarm optimization) 중 어느 하나인 것을 특징으로 하는,
    가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법.
  2. 제 1 항에 있어서,
    상기 (b) 단계에서 상기 훈련 데이터(D)는 하기와 같이 설정되며,
    Figure 112013091236773-pat00011

    여기에서, xi는 상기 BEMS 데이터이고,
    yi는 가우시안 프로세스 회귀모델에 의하여 시뮬레이션 해석된 BEMS 데이터이고, 그리고
    i는 1 내지 n의 정수이고, n는 BEMS 데이터의 개수인 것을 특징으로 하는,
    가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법.
  3. 삭제
  4. 제 1 항에 있어서,
    상기 (c3) 단계에서 최종 설정된 가우시안 프로세스 회귀모델은 하기와 같이 표현되며,
    Figure 112015020444734-pat00012
    ,
    Figure 112015020444734-pat00013
    ,
    Figure 112015020444734-pat00014
    , 및
    Figure 112015020444734-pat00015
    ,
    여기에서,
    f(xi)는 가우시안 프로세스(gp)로 표현되는 상기 노이지 함수이고,
    εi는 정규분포(N)인 상기 가중치 벡터로서, 평균을 0으로 분산을 vi로 표현한 것이고,
    gp(0, k(xi, xj'))는 가우시안 프로세스로서, 평균함수를 0으로 공분산함수를 k(xi, xj')로 표현한 것이고,
    σ2 se는 공분산함수에 적용되는 스케일 파라미터이고,
    lk는 공분산함수에 적용되는 길이 파라미터인 것을 특징으로 하는,
    가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법.
  5. 제 4 항에 있어서,
    상기 스케일 파라미터와 길이 파라미터는 베이지안 추정을 이용하여 추정되는 상기 미지 파라미터인 것을 특징으로 하는,
    가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법.
  6. 삭제
  7. 제 1 항, 제 2 항, 제 4 항 및 제 5 항 중 어느 한 항에 있어서,
    상기 BEMS 데이터는, 건물(10)과 관련된 온도, 습도, 풍속, 풍향, 유량 및 압력 중 어느 하나 이상을 포함하는 것을 특징으로 하는,
    가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법.
  8. 제 1 항, 제 2 항, 제 4 항 및 제 5 항 중 어느 한 항에 있어서,
    상기 (b) 단계 이후,
    상기 BAS(100)가 컨버터(200)를 통하여 상기 훈련 데이터(D)를 상기 GPE 모듈(310)에 입력하는 단계를 더 포함하는 것을 특징으로 하는,
    가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법.
  9. 제 8 항에 있어서,
    상기 (d) 단계 이후,
    상기 비용함수 모듈(320)이 상기 컨버터(200)를 통하여 상기 연산된 제어변수를 상기 BAS(100)에 입력하는 단계를 더 포함하는 것을 특징으로 하는,
    가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법.
  10. 제 1 항, 제 2 항, 제 4 항 및 제 5 항 중 어느 한 항에 있어서,
    상기 (e) 단계는,
    상기 BAS(100)가 건물(10)의 조명, 실내설정온도, 블라인드, HVAC 시스템, 및 플랜트 중 어느 하나 이상을 자동으로 제어하는 단계를 포함하는 것을 특징으로 하는,
    가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법.
  11. 제 10 항에 있어서,
    상기 (e) 단계는,
    상기 BAS(100)가 상기 연산된 제어변수를 사용자 단말기(20)를 통하여 출력하는 단계를 더 포함하는 것을 특징으로 하는,
    가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법.
  12. 제 11 항에 있어서,
    상기 (e) 단계는,
    상기 BAS(100)가 상기 연산된 제어변수를 데이터베이스(30)에 저장하는 단계를 더 포함하는 것을 특징으로 하는,
    가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법.
KR1020130120172A 2013-10-08 2013-10-08 가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법 KR101530127B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130120172A KR101530127B1 (ko) 2013-10-08 2013-10-08 가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130120172A KR101530127B1 (ko) 2013-10-08 2013-10-08 가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법

Publications (2)

Publication Number Publication Date
KR20150041526A KR20150041526A (ko) 2015-04-16
KR101530127B1 true KR101530127B1 (ko) 2015-06-18

Family

ID=53034995

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130120172A KR101530127B1 (ko) 2013-10-08 2013-10-08 가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법

Country Status (1)

Country Link
KR (1) KR101530127B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018016776A1 (ko) * 2016-07-21 2018-01-25 성균관대학교 산학협력단 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Darrell D.Massie, ‘Optimization of a building’s cooling plant for operating cost and energy use’, International Journal of Thermal Sciences 41, 2002, pp.1121-1129*
Darrell D.Massie, 'Optimization of a building's cooling plant for operating cost and energy use', International Journal of Thermal Sciences 41, 2002, pp.1121-1129 *
J. Zico Kolter 외 1인, ‘A Large-scale Study on Predicting and Contextualizing Building Energy Usage’, Association for the Advacement of Artificial Intelligence, 2011.*
J. Zico Kolter 외 1인, 'A Large-scale Study on Predicting and Contextualizing Building Energy Usage', Association for the Advacement of Artificial Intelligence, 2011. *

Also Published As

Publication number Publication date
KR20150041526A (ko) 2015-04-16

Similar Documents

Publication Publication Date Title
EP3137865B1 (en) System and method for monitoring a state of a fluid in an indoor space as well as a climate control system
Shamsi et al. A framework for uncertainty quantification in building heat demand simulations using reduced-order grey-box energy models
CN103389472B (zh) 一种基于nd-ar模型的锂离子电池循环寿命的预测方法
CN103983453A (zh) 一种航空发动机的执行机构和传感器故障诊断的区分方法
CN107084714A (zh) 一种基于RoboCup3D的多机器人协作目标定位方法
CN103324798B (zh) 基于区间响应面模型的随机模型修正方法
JP6216294B2 (ja) 重回帰分析装置および重回帰分析方法
JP2011137627A (ja) システムのグレーボックスモデルを構築するための方法
CN113587172A (zh) 供水温度延迟时间预测方法、装置及电子设备
CN115270239A (zh) 基于动力特性和智能算法响应面法的桥梁可靠性预测方法
CN104794332B (zh) 一种高层建筑风致响应分析模型的不确定性分析方法
CN103885867A (zh) 一种模拟电路性能的在线评价方法
Lahariya et al. Physics-informed LSTM network for flexibility identification in evaporative cooling system
JP7459935B2 (ja) 推定方法、シミュレーション方法、推定装置、及び推定プログラム
CN113849943A (zh) 一种耦合压力先验信息的供水管网节点需水量校核方法
KR101530127B1 (ko) 가우시안 프로세스 에뮬레이터를 이용한 건물 운영의 확률적 제어 방법
Ma et al. Feature extraction of constrained dynamic latent variables
Antoniou et al. A framework for the benchmarking of OD estimation and prediction algorithms
CN109635358A (zh) 一种基于滑动窗口多尺度主元分析的机组故障检测方法
KR101549349B1 (ko) 데이터 기반 모델의 건물 에너지 모델링 방법과 이를 이용한 에너지 최적관리와 제어 방법
Kim et al. Multi-criterion stochastic optimal selection of a double glazing system
EP3913547A1 (en) Modelling input-output relation of computer-controlled entity
Henderson et al. Issues related to parameter estimation in model accuracy assessment
Brastein et al. Sensor placement and parameter identifiability in grey-box models of building thermal behaviour
Vollant et al. Optimal estimator and artificial neural network as efficient tools for the subgrid-scale scalar flux modeling

Legal Events

Date Code Title Description
A201 Request for 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: 20180508

Year of fee payment: 4