KR101629809B1 - 대형건물 실내공기질 예측 서비스 제공 시스템 - Google Patents
대형건물 실내공기질 예측 서비스 제공 시스템 Download PDFInfo
- Publication number
- KR101629809B1 KR101629809B1 KR1020140035403A KR20140035403A KR101629809B1 KR 101629809 B1 KR101629809 B1 KR 101629809B1 KR 1020140035403 A KR1020140035403 A KR 1020140035403A KR 20140035403 A KR20140035403 A KR 20140035403A KR 101629809 B1 KR101629809 B1 KR 101629809B1
- Authority
- KR
- South Korea
- Prior art keywords
- air quality
- indoor air
- indoor
- information
- time
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 12
- 238000009423 ventilation Methods 0.000 claims abstract description 9
- 238000003905 indoor air pollution Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 5
- 238000011109 contamination Methods 0.000 claims abstract description 4
- 239000003344 environmental pollutant Substances 0.000 claims description 27
- 231100000719 pollutant Toxicity 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000001179 sorption measurement Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 3
- 230000009257 reactivity Effects 0.000 claims description 3
- 238000004378 air conditioning Methods 0.000 claims 1
- 239000000356 contaminant Substances 0.000 abstract description 14
- 238000007726 management method Methods 0.000 abstract description 11
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000005399 mechanical ventilation Methods 0.000 abstract description 2
- 239000000758 substrate Substances 0.000 abstract 1
- 210000002569 neuron Anatomy 0.000 description 11
- 238000012546 transfer Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 2
- 238000004887 air purification Methods 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 2
- 238000011403 purification operation Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 239000004566 building material Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003795 desorption Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Air Conditioning Control Device (AREA)
- Ventilation (AREA)
Abstract
본 발명은 대형건물 실내 공기질 예측 서비스 제공 시스템에 관한 것으로서, 대형 건물의 실내 공간에 설치되어 해당 대형건물 실내의 기질에 관련된 정보들을 취득하는 다수의 센서들을 포함하는 실내 공기질 감지부, 사물통신을 통해 상기 다수의 센서로부터 취득된 정보를 수집하는 사물통신부, 상기 사물통신부로부터 수신되는 정보에 기초하여 실내공기 오염 상태를 실시간으로 모델링하여 실내 공기질의 오염을 예측하는 실내 공기질 모델링부 및 상기 오염 예측 결과에 기초하여 상기 대형건물의 실내 공기질을 관리 및 제어하는 실내 공기질 관리부를 포함한다.
본 발명은 실내공기질의 실시간 자료를 이용한 실내공기질 관리 방안, 실내외에서 유입 또는 발생한 오염물질을 효과적으로 제거하는 기술의 평가 및 적용기법, 자연환기 및 기계환기 시스템 계획 및 적용방안 등 실내공기질에 대한 다각적 측면에서 활용될 수 있는 효과가 있다.
본 발명은 실내공기질의 실시간 자료를 이용한 실내공기질 관리 방안, 실내외에서 유입 또는 발생한 오염물질을 효과적으로 제거하는 기술의 평가 및 적용기법, 자연환기 및 기계환기 시스템 계획 및 적용방안 등 실내공기질에 대한 다각적 측면에서 활용될 수 있는 효과가 있다.
Description
본 발명은 대형건물에서 측정되는 센서데이터를 바탕으로 실내공기질을 예측하여 대형건물을 능동적으로 관리할 수 있는 기초정보를 제공해주는 시스템에 관한 것이다.
대부분의 도시민들은 건축물 내에서 하루의 대부분을 보내기 때문에, 실내공기질은 도시민의 건강에 직접적인 영향을 줄 수 있다. 즉, 한정된 공간 속에서 인공적인 설비를 통하여 계속적으로 순환되는 오염된 공기에 노출되거나, 환기설비가 없는 밀폐된 공간에서 오랫동안 생활함으로써 각종 인체유해 오염물질들을 흡입하게 됨으로써 각종 호흡기 관련 질환에 시달리고 있는 현대인이 증가하고 있다.
최근 실내 환경문제가 국민건강의 주요 이슈로 부각되면서 주요 오염물질에 대한 실시간 관리의 필요성이 대두되고 있다. 특히, 최근 경제적 수준과 과학의 발달에 따라 복잡하고 다양한 생활용품, 건축 내장재 등으로부터 다양한 오염물질이 방출되는 등 실내공간에서 생활하는 거주자들로부터 빌딩증후군 증상을 호소하는 사례가 증가하고 있다.
실내공기질 관리법에 포함되는 법적 대상 시설인 주요 다중이용시설을 대상으로 2006년부터 국립환경과학원과 한국환경공단에서 실내공기질 자동측정망(TMS)을 운영하여 측정결과를 실시간으로 제공하고 있다. 그러나, 대형건물에서 오염도를 측정할 수 있는 지점 한정되어 있으며, 실내공기질을 예측할 수 있는 프로그램 등이 마련되어 있지 않고 있는 실정이다.
또한, 실내공기질의 개선을 통하여 다중시설을 이용하는 국민에게 쾌적한 실내 환경을 제공하기 위해서 제정된 "다중이용시설등의 실내공기질관리법"이 실질적인 효과를 거두기 위해서는 다중시설의 실내공기질에 대한 기초자료를 과학적이고 체계적으로 축적하여야 한다. 과학적이고 효율적인 실내공기질 관리를 위해서는 다양한 실내공간의 공기질에 대한 기초자료의 확보가 선행되어야 한다. 하지만, 실내공기질은 시간에 따른 편차가 심하기 때문에 간헐적인 시료 채취 및 분석을 통해서는 의미있는 자료의 축적에 많은 인력과 시간이 요구된다. 이는 시설에 따라서 시설을 이용하는 사람의 수가 시간 별, 계절별로 차이가 있기 때문이다. 이러한 간헐적인 수동 측정의 단점을 극복하고 효과적인 자료의 수집을 위해서는 실시간 정보수집 체제의 구축이 필요하며, 측정된 데이터를 바탕으로 능동적인 대처할 수 있도록 실내 오염도 정보를 예측하고 제공해주는 시스템의 필요성이 대두되고 있다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 창안된 것으로서, 본 발명의 목적은 다양한 유형의 오염원에 따라 오염물질을 측정하는 센서로부터 생산되는 데이터를 기초로하여 오염물질의 농도를 예측하여 정보를 제공해주어 능동적으로 대형건물의 실내공기질을 관리할 수 있는 정보제공 시스템 구현할 수 있도록 하는 것이다.
본 발명의 다른 목적은 실내공기질 오염도의 위해성 평가기술을 도입하여 인체에 형향을 많이 주는 오염물질에 대하여 보다 적극적인 대처를 할 수 있는 정보를 제공하는 것이다.
본 발명의 또 다른 목적은 오염물질별, 유형별 대형건물의 공기질을 관리할 수 있도록 하는 관리지침 정보를 제공할 수 있도록 하는 것이다.
본 발명의 또 다른 목적은 대형건물의 오염물질 정보 분석을 통해 현재뿐만 아니라 미래의 오염도 특성 변화를 반영한 예측정보를 제공함으로써 환기시설 조절 등을 통해 에너지를 효율을 향상시킬 수 있도록 하는 것이다.
상기와 같은 목적을 달성하기 위한 본 발명의 바람직한 일 실시예에 따르면,
대형 건물의 실내 공간에 설치되어 해당 대형건물 실내의 공기질에 관련된 정보들을 취득하는 다수의 센서들을 포함하는 실내 공기질 감지부, 사물통신을 통해 상기 다수의 센서로부터 취득된 정보를 수집하는 사물통신부, 상기 사물통신부로부터 수신되는 정보에 기초하여 실내공기 오염 상태를 실시간으로 모델링하여 실내 공기질의 오염을 예측하는 실내 공기질 모델링부 및 상기 오염 예측 결과에 기초하여 상기 대형건물의 실내 공기질을 관리 및 제어하는 실내 공기질 관리부를 포함하는 것을 특징으로 하는 대형건물 실내 공기질 예측 서비스 제공 시스템이 제공된다.
여기서, 상기 실내 공기질 모델링부는 실내 환경조건에서 시간 경과에 따른 오염원의 방출량 변화를 예측하는 방출 모델링부, 환기, 흡착 및 재방출 효과, 방출 특성을 고려하여 실내 오염 농도를 예측하는 오염 농도 예측 모델링부, 미리 결정된 재실자의 재실정보와 재실자의 행동 패턴 정보를 반영하여 재실자에 노출되는 오염물질의 농도를 예측하는 노출 모델링부 및 미리 결정된 재실자의 흡입률과 재실자의 오염물질 반응도를 고려하여 위해도를 평가하는 위해도 모델링부를 포함하는 것이 바람직하다.
그리고, 오염 농도 예측 모델링부는 압력차에 의한 실내공기의 유동해석을 통해 실내 오염물질의 수송을 해석 및 모델링하는 오염물질 수동 모델링부와, 오염물질이 자재에 흡착 및 재방출되는 영향을 모델링하는 싱크 모델링부를 포함하여 구성될 수 있다.
또한, 각 실내공간에 대한 이용형태 및 구조적인 정보에 관한 정보 데이터를 저장하는 데이터베이스부가 더 포함되고, 상기 실내 공기질 모델링부는 미래의 실내공기질 예측 시 상기 실내공간에 따른 이용형태 또는 구조적인 정보 및 이의 변경 사항을 반영하는 것이 바람직하다.
또한, 상기 실내 공기질 모델링부는 일정시각마다 수집된 정보를 입력변수로서 정규화시키는 단계와, 상기 정규화된 입력변수를 인공신경망에 적용하여 실내 공기질 정화 동작 시 목표 공기질까지 도달하는 시간인 제 1 출력값과 현재 시점에서 위해도가 기준값까지 도달하는 시간인 제 2 출력값을 계산하고 이들 간의 시간차를 계산하는 단계와, 상기 시간차가 허용범위 내에 있는 경우 실내 공기질 정화 동작을 개시하고, 이때의 입력값과 시각정보 및 목표 공기질 도달 시의 시간정보를 저장하는 단계와, 실제 목표 공기질 도달 시간을 정규화하여 저장하는 단계와, 입력변수에 대한 정규화 값과 계산된 목표 공기질 도달 시간의 정규화 값을 이용하여 기존 신경망에 학습을 실시하는 단계를 통해 실내 공기질 정화 동작 시점을 결정하는 것이 보다 바람직하다.
그리고, 모바일 클라우드 서비스 제공을 위한 클라우드 어플리케이션을 저장 및 제공하는 모바일 클라우드 서버가 더 포함되고, 상기 모바일 클라우드 서버는 상기 사용자 단말기로서 모바일 단말기가 접속되는 경우, 실내공간의 위치 및 특성을 파악하여 모바일 클라우드 서비스를 파악하고, 파악된 모바일 클라우드 서비스에 따른 실내공기질 예측정보제공 서비스 어플리케이션을 상기 사용자 단말기로 제공하는 것도 가능하다.
실내공기질 오염 예측 프로그램은 실시간 예측 프로그램 기술 개발, 위해성을 고려한 예측 프로그램 개발, 환기를 고려한 실내공기질 예측기술 개발 등을 수행한다. 따라서, 실내공기질의 실시간 자료를 이용한 실내공기질 관리 방안, 실내외에서 유입 또는 발생한 오염물질을 효과적으로 제거하는 기술의 평가 및 적용기법, 자연환기 및 기계환기 시스템 계획 및 적용방안 등 실내공기질에 대한 다각적 측면에서 활용될 수 있다. 또한, 기존 실내공기질 개선방안뿐만 아니라 침투평가 기술들의 효율적이고 실질적인 적용이 가능케 될 것이다. 또한 다양한 정밀도의 수준으로 개발된 실내공기질 오염 예측 프로그램은 정량적으로 실내공기질을 예측할 수 있어 구체적인 수준의 실내공기질 진단과 대응방안을 준비할 수 있게 될 것이다. 이러한 실내공기질 오염 예측 프로그램은 대형건물의 통합관리 시스템과 상호 보완적으로 운영되어 더욱 효과가 크게 발휘될 것으로 판단되며, 국내의 실내공기질 대응 기술의 수준을 한층 끌어올릴 수 있을 것이다.
도 1은 본 발명에 따른 대형건물 실내공기질 예측 서비스 제공 시스템의 구성도이다.
도 2는 도 1의 실내 공기질 모델링부의 세부 구성을 도시한 블록도이다.
도 3은 본 발명에 따른 실내공기질 예측 시스템에 사용되는 인공 신경망의 뉴런 모델을 나타낸 개략도이다.
도 4는 인공신경망을 이용하여 실내공기실 정화 최적 기동 시점을 결정하는 방법을 도시한 흐름도이다.
도 5는 모바일 클라우드 서비스를 통해 모바일 단말기로 실내공기질 예측 서비스를 제공하기 위한 시스템 구성도이다.
도 2는 도 1의 실내 공기질 모델링부의 세부 구성을 도시한 블록도이다.
도 3은 본 발명에 따른 실내공기질 예측 시스템에 사용되는 인공 신경망의 뉴런 모델을 나타낸 개략도이다.
도 4는 인공신경망을 이용하여 실내공기실 정화 최적 기동 시점을 결정하는 방법을 도시한 흐름도이다.
도 5는 모바일 클라우드 서비스를 통해 모바일 단말기로 실내공기질 예측 서비스를 제공하기 위한 시스템 구성도이다.
이하에서는 첨부된 도면을 참조하여 본 발명의 바람직한 일 실시예를 상세하게 설명하기로 한다.
도 1은 본 발명에 따른 대형건물 실내공기질 예측 서비스 제공 시스템의 구성도이고, 도 2는 도 1의 실내 공기질 모델링부의 세부 구성을 도시한 블록도이다.
도 1에 도시된 바와 같이, 본 발명에 따른 대형건물 실내공기질 예측 서비스 제공 시스템은 대형 건물의 실내 공간에 설치되어 해당 대형건물 실내의 공기질에 관련된 정보들을 취득하는 다수의 센서들을 포함하는 실내 공기질 감지부(10)와, 사물통신을 통해 다수의 센서로부터 취득된 정보를 수집하는 사물통신부(20)와, 사물통신부(20)로부터 수신되는 정보에 기초하여 실내공기 오염 상태를 실시간으로 모델링하여 실내 공기질의 오염을 예측하는 실내 공기질 모델링부(30) 및 오염 예측 결과에 기초하여 대형건물의 실내 공기질을 관리 및 제어하는 실내 공기질 관리부(40)를 포함하여 구성된다.
실내 공기질 감지부(10)는 대형건물 내부에 설치된 다수의 센서와 다수의 센서로부터 취득된 감지정보를 취합하는 센서 데이터 수집장치를 포함할 수 있으며, 또는 다수의 센서와 센서 데이터 수집장치가 일체로 구현된 통합 센서장치일 수 있다. 보다 정확한 실내 공기질 관리를 위해 실내 뿐만 아니라 실외의 환경정보를 검출하기 위한 센서들이 더 설치될 수도 있다.
실내 공기질을 감지하기 위한 환경정보로는 온도, 습도, 일산화탄소, 이산화질소, 이산화탄소, 미세먼지, 오존, 바이오 에어로졸 등의 정보를 포함할 수 있다.
사물통신부(20)는 대형건물의 각 층마다 설치되어 다수의 센서로부터 취득된 환경정보를 수신하는 사물통신 게이트웨이와 사물통신 게이트웨이들로부터 환경정보를 수집하는 수집 서버를 포함하여 구성된다.
실내 공기질 모델링부(30)는 세부적으로 도 2에 도시된 바와 같이, 방출 모델링부(31), 오염 농도 예측 모델링부(32), 노출 모델링부(33) 및 위해도 모델링부(34)를 포함하여 구성된다.
방출 모델링부(31)는 실내 환경조건에서 시간 경과에 따른 오염원의 방출량 변화를 예측하기 위한 것으로서, 방출 모델은 챔버 실험을 통해 획득한 방출속도의 분석, 실험 기간 이후의 방출속도 추정, 방출 실험 방법의 개발, 다양한 건축자재의 실내 오염물질 농도에 미치는 영향 평가를 위해 사용될 수 있다. 방출 모델링은 정상상태에서 자재의 총 방출량을 구하는 단순 방출량 계산 모델, 방출 챔버 실험을 통해 획득된 방출 데이터의 통계적 분석을 통해 오염물질의 방출량을 표현하는 경험적 모델, 자재내부 및 공기영역의 압력, 농도, 온도에 따른 확산 둥 물질전달이론을 기반으로 자재 내부의 오염물질 확산을 설명하기 위하여 사용되는 물질전달 모델 등이 사용될 수 있다.
물질전달 모델에서 물질전달 과정은 재료내부의 오염물질 확산과정과 재료표면과 인접공기와의 상호작용으로 인한 표면 물질전달 과정으로 구분하여 생각할 수 있다. 일반적으로 재료의 내부영향요소(자재의 물리적, 화학적 특성)는 재료 내부의 오염물질 확산을 지배하는 재료의 속성치(확산계수) 등의 결정에 기여하게 되며, 외부 영향요소(온도, 기류속도, 상대습도 둥)는 표변 물질전달에 영향을 미치게 된다.
오염 농도 예측 모델링부(32)는 환기, 흡착 및 재방출 효과, 방출 특성을 고려하여 실내 오염 농도를 예측하기 위한 것으로서, 압력차에 의한 실내 공기의 유동해석올 통한 실내오염물질의 수송올 해석하는 오염물질 수송모델링부(321)와 오염물질이 자재에 흡착 및 재방출 되는 현상을 표현하는 싱크 모델링부(322)를 포함하여 구성된다.
오염물질 수동모델은 실내의 완전혼합 가정을 바탕으로 한 네트워크 모델, 하나의 실을 몇 개의 작은 구역으로 나누어 기류 분포를 해석하는 존 모델, 국부적인 기류분포 분석이 가능한 CFD 모델 분류할 수 있고, 싱크모델은 자재표면에서의 오염물질 농도와 실내측 공기의 오염물질의 농도 사이의 관계를 경험식으로 표현한 반 경험적 모델(semi-empirical model)과 자재표면과 실내측 공기사이의 오염물질 흡착 및 탈착 현상을 질량전달이론에 기초한 수학적 표현의 수치해 산출을 통해 개발되는 물질전달 모델이다.
노출 모델링부(33)는 미리 결정된 재실자의 재실정보와 재실자의 행동 패턴 정보를 반영하여 재실자에 노출되는 오염물질의 농도를 예측하는 것으로서, 재실자의 특정한 오염물질 또는 오염된 실내공기에 대한 노출정도는 순간 노출도, 최대 노출도, 누적노출도로 평가할 수 있다. 순간 노출도는 임의의 시간에서 재실자가 오염물질에 순간 노출되는 농도로 표현되고, 이 값이 최대인 경우를 최대 노출 농도, 누적된 값을 누적 노출 농도라 한다. 최대 노출도는 특정 시간동안 재실자가 최고 농도에 노출될 때의 순간 노출 농도이며, 눈이나 목의 따끔거림 등의 일시적 신체 반응과 관련이 있다.
위해도 모델링부(34)는 미리 결정된 재실자의 흡입률과 재실자의 오염물질 반응도를 고려하여 위해도를 평가하는 것이다.
그리고, 도면에는 도시되어 있지 않으나, 각 실내공간에 대한 이용형태 및 구조적인 정보에 관한 정보 데이터를 저장하는 데이터베이스부가 더 포함될 수 있고, 실내 공기질 모델링부(30)는 미래의 실내공기질 예측 시 상기 실내공간에 따른 이용형태 또는 구조적인 정보 및 이의 변경 사항을 반영하는 것이 바람직하다.
도 3은 본 발명에 따른 실내공기질 예측 시스템에 사용되는 인공 신경망의 뉴런 모델을 나타낸 개략도이다.
도 3에 도시된 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.
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 온도, 습도, 일산화탄소, 이산화질소, 이산화탄소, 미세먼지, 오존, 바이오 에어로졸 등의 공기질과 관련된 환경정보에 관한 복수 개의 입력층과, 1개의 출력층으로 구성되어 있다. 출력층에 출력되는 정보는 프로그램의 구조에 따라 실내 오염물질의 예측 농도, 공기질 목표 도달시간, 위해도 등의 다양한 값이 될 수 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.
도 4는 실내 공기질 모델링부에서 인공신경망을 이용하여 실내공기실 정화 최적 기동 시점을 결정하는 방법을 도시한 흐름도이다.
도 4를 참조하면, 우선 실내 공기질 모델링부(30)는 일정시각마다 수집된 정보를 입력변수로서 정규화시킨다(S400).
그 다음, 정규화된 입력변수를 인공신경망에 적용하여 실내 공기질 정화 동작 시 목표 공기질까지 도달하는 시간인 제 1 출력값과 현재 시점에서 위해도가 기준값까지 도달하는 시간인 제 2 출력값을 계산하고 이들 간의 시간차를 계산한다(S410). 제 1 출력값은 현재 시점에서 환기, 공기 청정기 가동 등 실내 공기질 정화 동작이 개시된 후 미리 설정된 실내 공기질이 얻어질 때까지 소요되는 시간이고, 제 2 출력값은 현재 실내공기질 정보와 실내공기질 변화 패턴 학습 내용에 기초하여 실내공기질의 위해도가 위험값 수준으로 미리 설정된 기준값에 도달하는 시간을 의미한다.
만일 제 1 출력값과 제 2 출력값의 시간차가 허용범위 내에 있는 경우 즉, 시간차가 크지 않은 경우에는 실내 공기질 정화 전 또는 정화 중에 실내공기질의 위해도가 위험수준에 도달할 수 있으므로 실내 공기질 정화 동작을 개시한다(S420).
실내 공기질 정화 동작을 위한 입력값, 시각정보 및 목표 공기질 도달 시의 시간정보가 저장된다(S430).
그 다음, 실제 목표 공기질 도달 시간을 정규화하여 저장하고(S440), 입력변수에 대한 정규화 값과 계산된 목표 공기질 도달 시간의 정규화 값을 이용하여 기존 신경망에 학습을 실시하는 단계를 통해 실내 공기질 정화 동작 시점을 결정하게 된다(S450).
도 5는 모바일 클라우드 서비스를 통해 모바일 단말기로 실내공기질 예측 서비스를 제공하기 위한 시스템 구성도이다.
도 5에 도시된 바와 같이, 본 실시예에서는 모바일 클라우드 서비스를 위해 모바일 클라우드 서비스 제공을 위한 클라우드 어플리케이션을 저장 및 제공하는 모바일 클라우드 서버(4)가 더 포함되는 것이 특징이다.
모바일 클라우드 서버(4)는 사용자 단말기(1)로서 모바일 단말기가 접속되는 경우, 회원 서비스 모듈(60)로부터 수신된 사용자 정보에 기초하여 회원을 위한 모바일 클라우드 서비스를 파악하고, 파악된 모바일 클라우드 서비스에 따른 실내공기질 예측 서비스 어플리케이션을 상기 사용자 단말기(1)로 제공한다.
도 5에서 사용자 단말기(1)는 휴대전화, 스마트폰, 노트북, PMP 등의 모바일 단말기가 사용되는 경우에 관한 것으로서, 도면에 도시되어 있지는 않으나, 모바일 클라우드 서버(4)에 접속하여 클라우드 어플리케이션을 획득하고, 클라우드 어플리케이션을 이용하여 모바일 클라우드 서비스를 제공하는 모바일 클라우드 단말 플랫폼, 상기 모바일 단말에 내장된 로컬 어플리케이션을 실행하는 로컬 단말 플랫폼 및 사용자 설정 환경에 따라 상기 모바일 클라우드 단말 플랫폼과 상기 로컬 플랫폼 중 하나를 선택하여 구동시키는 운영 체제를 포함하여 구성된다.
이에 따라, 사용자 단말기(1)는 자원이 한정된 모바일 단말기에서 대기 모델링을 위한 대용량의 프로그램이나 데이터가 없더라도 모바일 클라우드 서버(4)에 접속하여 실시간으로 원하는 대형건물의 실내공기질 예측 등의 모델링 결과 데이터를 제공받을 수 있게 된다.
비록 본 발명이 상기 언급된 바람직한 실시예와 관련하여 설명되어졌지만, 발명의 요지와 범위로부터 벗어남이 없이 다양한 수정이나 변형을 하는 것이 가능하다. 따라서 첨부된 특허등록청구의 범위는 본 발명의 요지에서 속하는 이러한 수정이나 변형을 포함할 것이다.
1 : 사용자 단말기 2 : 인터넷
3 : 실내공기질 모델링 서비스 서버 4 : 모바일 클라우드 서버
10 : 실내 공기질 감지부 20 : 사물통신부
30 : 실내 공기질 모델링부 31 : 방출 모델링부
32 : 오염 농도 예측 모델링부 321 : 오염물질 수동 모델링부
322 : 싱크 모델링부 33 : 노출 모델링부
34 : 위해도 모델링부 40 : 실내 공기질 관리부
3 : 실내공기질 모델링 서비스 서버 4 : 모바일 클라우드 서버
10 : 실내 공기질 감지부 20 : 사물통신부
30 : 실내 공기질 모델링부 31 : 방출 모델링부
32 : 오염 농도 예측 모델링부 321 : 오염물질 수동 모델링부
322 : 싱크 모델링부 33 : 노출 모델링부
34 : 위해도 모델링부 40 : 실내 공기질 관리부
Claims (6)
- 대형 건물의 실내 공간에 설치되어 해당 대형건물 실내의 공기질에 관련된 정보들을 취득하는 다수의 센서들을 포함하는 실내 공기질 감지부;
사물통신을 통해 상기 다수의 센서로부터 취득된 정보를 수집하는 사물통신부;
각 실내공간에 대한 이용형태 및 구조적인 정보에 관한 정보 데이터를 저장하는 데이터베이스부;
상기 사물통신부로부터 수신되는 정보에 기초하되 상기 실내공간에 따른 이용형태 또는 구조적인 정보 및 이의 변경 사항을 반영하여 실내공기 오염 상태를 실시간으로 모델링하여 실내 공기질의 오염을 예측하는 실내 공기질 모델링부; 및
상기 오염 예측 결과에 기초하여 상기 대형건물의 실내 공기질을 관리 및 제어하는 실내 공기질 관리부를 포함하되,
상기 실내 공기질 모델링부는
실내 환경조건에서 시간 경과에 따른 오염원의 방출량 변화를 예측하는 방출 모델링부와, 환기, 흡착 및 재방출 효과, 방출 특성을 고려하여 실내 오염 농도를 예측하는 것으로서, 압력차에 의한 실내공기의 유동해석을 통해 실내 오염물질의 수송을 해석 및 모델링하는 오염물질 수동 모델링부와, 오염물질이 자재에 흡착 및 재방출되는 영향을 모델링하는 싱크 모델링부를 포함하는 오염 농도 예측 모델링부와, 미리 결정된 재실자의 재실정보와 재실자의 행동 패턴 정보를 반영하여 재실자에 노출되는 오염물질의 농도를 예측하는 노출 모델링부 및 미리 결정된 재실자의 흡입률과 재실자의 오염물질 반응도를 고려하여 위해도를 평가하는 위해도 모델링부를 포함하고,
일정시각마다 수집된 정보를 입력변수로서 정규화시키고, 상기 정규화된 입력변수를 인공신경망에 적용하여 실내 공기질 정화 동작 시 목표 공기질까지 도달하는 시간인 제 1 출력값과 현재 시점에서 위해도가 기준값까지 도달하는 시간인 제 2 출력값을 계산하고 이들 간의 시간차를 계산하고, 상기 시간차가 허용범위 내에 있는 경우 실내 공기질 정화 동작을 개시하고 이때의 입력값과 시각정보 및 목표 공기질 도달 시의 시간정보를 저장하며, 실내 공기질 정화 동작 후 실제 목표 공기질 도달 시간을 정규화하여 저장하고, 입력변수에 대한 정규화 값과 계산된 목표 공기질 도달 시간의 정규화 값을 이용하여 기존 신경망에 학습을 실시하여 실내공기질 정화 최적 기동시점을 결정하는 것을 특징으로 하는 대형건물 실내 공기질 예측 서비스 제공 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 제 1 항에 있어서,
모바일 클라우드 서비스 제공을 위한 클라우드 어플리케이션을 저장 및 제공하는 모바일 클라우드 서버가 더 포함되고,
상기 모바일 클라우드 서버는 사용자 단말기로서 모바일 단말기가 접속되는 경우, 실내공간의 위치 및 특성을 파악하여 모바일 클라우드 서비스를 파악하고, 파악된 모바일 클라우드 서비스에 따른 실내공기질 예측정보제공 서비스 어플리케이션을 상기 사용자 단말기로 제공하는 것을 특징으로 하는 실내공기질 예측 서비스 제공 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140035403A KR101629809B1 (ko) | 2014-03-26 | 2014-03-26 | 대형건물 실내공기질 예측 서비스 제공 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140035403A KR101629809B1 (ko) | 2014-03-26 | 2014-03-26 | 대형건물 실내공기질 예측 서비스 제공 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20150112118A KR20150112118A (ko) | 2015-10-07 |
| KR101629809B1 true KR101629809B1 (ko) | 2016-06-14 |
Family
ID=54343425
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020140035403A KR101629809B1 (ko) | 2014-03-26 | 2014-03-26 | 대형건물 실내공기질 예측 서비스 제공 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101629809B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101793594B1 (ko) * | 2016-08-17 | 2017-11-03 | 주식회사 이노템즈 | 공기질 측정기를 이용한 통합 안전 시스템 |
| US11631493B2 (en) | 2020-05-27 | 2023-04-18 | View Operating Corporation | Systems and methods for managing building wellness |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107884511B (zh) * | 2016-09-30 | 2022-01-21 | 日本电气株式会社 | 用于预测室内空气质量的设备和方法 |
| KR101915704B1 (ko) * | 2016-10-13 | 2018-11-06 | 우연정 | 미세먼지 측정 시스템 및 방법 |
| US10836639B1 (en) | 2016-10-26 | 2020-11-17 | Air Stations Llc/Elevated Analytics Llc Joint Venture | Air quality measurement system |
| US10866226B1 (en) | 2017-02-07 | 2020-12-15 | Air Stations Llc/Elevated Analytics Llc Joint Venture | Multi-point ground emission source sensor system |
| US10928371B1 (en) | 2017-03-31 | 2021-02-23 | Air Stations Llc/Elevated Analytics Llc Joint Venture | Hand-held sensor and monitor system |
| KR101975030B1 (ko) * | 2017-06-05 | 2019-05-03 | 네이버랩스 주식회사 | 대기 지수 기반 정보 제공 장치, 방법 및 컴퓨터 프로그램 |
| KR101989982B1 (ko) * | 2019-03-08 | 2019-06-17 | 이봉규 | 디지털 트윈 기반의 실내 공간 분석을 통한 모델링 시스템과 모델링 방법 |
| KR102346218B1 (ko) | 2019-05-29 | 2022-01-03 | 최우용 | 학습형 실내 미세먼지 순차적 저감시스템 |
| KR102253509B1 (ko) * | 2019-06-26 | 2021-05-17 | 경희대학교 산학협력단 | 지하역사 내 환기 시스템 및 그 제어 방법 |
| KR102665327B1 (ko) * | 2019-10-18 | 2024-05-17 | 주식회사 케이티 | 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램 |
| KR102313465B1 (ko) * | 2019-12-31 | 2021-10-15 | 제이씨스퀘어주식회사 | 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템 및 방법 |
| KR102424074B1 (ko) * | 2020-11-10 | 2022-07-25 | 그린에코스 주식회사 | 생활화학제품의 사용에 따른 유해물질의 실내거동정보 산출 시스템 |
| KR102408444B1 (ko) * | 2020-11-19 | 2022-06-13 | 전남대학교산학협력단 | 인공신경망을 이용한 실내공기질 가상 모니터링 방법 및 시스템 |
| KR102620397B1 (ko) * | 2021-10-26 | 2024-01-04 | 서울과학기술대학교 산학협력단 | 학교 교실 개보수를 위한 실내공기품질 모델의 보정 방법 |
| KR102521538B1 (ko) * | 2021-11-03 | 2023-04-17 | 은성화학(주) | 실내 공기질 예측모델 기반 실내환경 관리 시스템 |
| CN118233856A (zh) * | 2024-04-10 | 2024-06-21 | 深圳市芯伍科技有限公司 | 一种基于Wi-Fi的室内空气质量检测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5068040B2 (ja) * | 2005-06-22 | 2012-11-07 | ヴァレオ システム テルミク | 車室の空気汚染監視制御装置および車室の空気汚染監視制御方法 |
| KR101204328B1 (ko) * | 2011-11-30 | 2012-11-23 | 세종대학교산학협력단 | 지능형 환기제어 시스템 및 지능형 환기제어 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6059588A (ja) * | 1983-09-12 | 1985-04-05 | Hitachi Ltd | 半導体記憶装置 |
| KR101306434B1 (ko) | 2012-02-28 | 2013-09-09 | 경희대학교 산학협력단 | 실내 공기질 위해성 통합 분석 시스템 및 방법 |
| KR101507397B1 (ko) * | 2012-08-20 | 2015-04-07 | 주식회사 나인에코 | 대기 모델링 서비스 제공 시스템 |
-
2014
- 2014-03-26 KR KR1020140035403A patent/KR101629809B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5068040B2 (ja) * | 2005-06-22 | 2012-11-07 | ヴァレオ システム テルミク | 車室の空気汚染監視制御装置および車室の空気汚染監視制御方法 |
| KR101204328B1 (ko) * | 2011-11-30 | 2012-11-23 | 세종대학교산학협력단 | 지능형 환기제어 시스템 및 지능형 환기제어 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101793594B1 (ko) * | 2016-08-17 | 2017-11-03 | 주식회사 이노템즈 | 공기질 측정기를 이용한 통합 안전 시스템 |
| US11631493B2 (en) | 2020-05-27 | 2023-04-18 | View Operating Corporation | Systems and methods for managing building wellness |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20150112118A (ko) | 2015-10-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101629809B1 (ko) | 대형건물 실내공기질 예측 서비스 제공 시스템 | |
| KR101591735B1 (ko) | 실내공기질의 예측을 통한 오염 정보 제공 방법 | |
| Liu et al. | Inverse modeling methods for indoor airborne pollutant tracking: literature review and fundamentals. | |
| Breen et al. | A review of air exchange rate models for air pollution exposure assessments | |
| CN110009245A (zh) | 基于神经网络的室内空气质量预测方法、装置及电子设备 | |
| Chen et al. | Time series prediction of CO2, TVOC and HCHO based on machine learning at different sampling points | |
| Milner et al. | Modelling inhalation exposure to combustion-related air pollutants in residential buildings: Application to health impact assessment | |
| Yuan et al. | Indoor air quality management based on fuzzy risk assessment and its case study | |
| Emmerich et al. | Measurement and simulation of the IAQ impact of particle air cleaners in a single-zone building | |
| Vukovic et al. | Real-time identification of indoor pollutant source positions based on neural network locator of contaminant sources and optimized sensor networks | |
| Zheng et al. | A health performance evaluation model of apartment building indoor air quality | |
| Teleszewski et al. | The concentration of carbon dioxide in conference rooms: a simplified model and experimental verification | |
| Liu et al. | Protecting a whole building from critical indoor contamination with optimal sensor network design and source identification methods | |
| Rastogi et al. | An IoT-based discrete time Markov chain model for analysis and prediction of indoor air quality index | |
| Broitman et al. | Forecasting health effects potentially associated with the relocation of a major air pollution source | |
| Michaelides et al. | Contaminant event monitoring in multi-zone buildings using the state-space method | |
| KR102313465B1 (ko) | 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템 및 방법 | |
| Sofuoglu | Application of artificial neural networks to predict prevalence of building-related symptoms in office buildings | |
| Zhang et al. | Predictive control of HVAC by multiple output GRU-CFD integration approach to manage multiple IAQ for commercial heritage building preservation | |
| Molina et al. | CHAARM: A model to predict uncertainties in indoor pollutant concentrations, ventilation and infiltration rates, and associated energy demand in Chilean houses | |
| Palco et al. | IoT and IAQ monitoring systems for healthiness of dwelling | |
| Shao et al. | Long-term prediction of dynamic distribution of passive contaminant in complex recirculating ventilation system | |
| Jayjock et al. | Residential inter-zonal ventilation rates for exposure modeling | |
| Rastogi et al. | Context-aware IoT-enabled framework to analyse and predict indoor air quality | |
| Shan et al. | Sensitivity and uncertainty analysis of measurements in outdoor airflow control strategies |
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: 20190605 Year of fee payment: 4 |