KR101899667B1 - 실내 재실자의 수 연산 방법 - Google Patents

실내 재실자의 수 연산 방법 Download PDF

Info

Publication number
KR101899667B1
KR101899667B1 KR1020160167979A KR20160167979A KR101899667B1 KR 101899667 B1 KR101899667 B1 KR 101899667B1 KR 1020160167979 A KR1020160167979 A KR 1020160167979A KR 20160167979 A KR20160167979 A KR 20160167979A KR 101899667 B1 KR101899667 B1 KR 101899667B1
Authority
KR
South Korea
Prior art keywords
indoor
carbon dioxide
dioxide concentration
power consumption
measured
Prior art date
Application number
KR1020160167979A
Other languages
English (en)
Other versions
KR20170124431A (ko
Inventor
문현준
유승호
Original Assignee
단국대학교 산학협력단
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 단국대학교 산학협력단 filed Critical 단국대학교 산학협력단
Publication of KR20170124431A publication Critical patent/KR20170124431A/ko
Application granted granted Critical
Publication of KR101899667B1 publication Critical patent/KR101899667B1/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
    • F24F11/62—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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/497—Physical analysis of biological material of gaseous biological material, e.g. breath
    • G01N33/4975—Physical analysis of biological material of gaseous biological material, e.g. breath other than oxygen, carbon dioxide or alcohol, e.g. organic vapours
    • G06F15/18—
    • 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
    • G06F17/50—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N99/005—
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2120/00—Control inputs relating to users or occupants
    • F24F2120/10—Occupancy
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2120/00—Control inputs relating to users or occupants
    • F24F2120/10—Occupancy
    • F24F2120/12—Position of occupants
    • G01N2033/4975—
    • Y02B70/3275—
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Mathematics (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Signal Processing (AREA)
  • Architecture (AREA)

Abstract

본 발명은 실내 재실자의 수 연산 방법을 제공하여, 정확한 재실자의 수를 예측함으로써 건물 에너지의 효율적인 관리가 가능하다.

Description

실내 재실자의 수 연산 방법{A prediction method for the number of occupancy}
본 발명은 실내 재실자의 수 연산 방법에 관한 것으로서, 보다 상세하게는 기계학습 기법을 활용한 실내 환경 데이터 기반 재실 상태 예측 모델을 활용한 실내 재실자의 수 연산 방법에 관한 것이다.
건물 내의 재실자의 수는 건물 에너지 소비에 직접적인 영향을 미치는 중요한 인자이다.
정확한 건물 에너지 소비량을 예측하는 것은 건물 에너지 관리 측면에서 매우 중요하기에 건물 에너지 소비량을 정확하게 예측하기 위해서는 재실사의 수를 정확하게 예측하는 모델을 적용하는 것이 필수적이라 할 것이다.
그러나, 종래의 재실자 수 예측 방법은 재실 상태의 감지 및 직접적인 측정 방식이 주를 이루었다.
이와 같은 직접 측정 방식은 카메라 등을 이용한 것이 대부분이었다.
이는 개인 프라이버시의 침해 문제나, 모션 센서 등의 측정 한계로 인한 실제 재실자 수의 정확한 예측을 수행하는 것에는 일정한 한계점이 있었다.
결국, 이와 같은 종래의 재실자 수 측정 방법은 실제 사무용 공간에 적용하기가 곤란한 사정이 있었던 것이다.
(특허문헌 1) US2014-0277763 A1
(특허문헌 2) US8788448 B2
이에 본 발명은 상기한 바와 같은 종래 기술의 문제점을 극복하기 위하여 안출된 것으로, 카메라 등 직접적인 재실자 수 측정이 아니면서도 재실 상태의 감지 및 예측을 위한 실내 환경 데이터를 기반으로 한 실내 재실자의 수 연산 방법을 제공하는 것에 그 목적이 있다.
상기와 같은 문제점을 해결하기 위한 본 발명은 (a) 전열 전력 소비량 측정 센서(201)에서 전열 전력 소비량(AP)이 측정되고, 측정된 전열 전력 소비량(AP) 값이 제어부(100)의 수신 모듈(110)에 전달되는 단계; (b) 실내 조명 전력 소비량 측정 센서(202)에서 실내 조명 전력 소비량(LP)이 측정되고, 측정된 실내 조명 전력 소비량(LP)값이 제어부(100)의 수신 모듈(110)에 전달되는 단계; (c) 실내 이산화탄소 농도 측정 센서(301)에서 실내 이산화탄소 농도가 측정되고, 측정된 실내 이산화탄소 농도 값이 제어부(100)의 수신 모듈(110)에 전달되는 단계; (d) 실외 이산화탄소 농도 측정 센서(302)에서 실외 이산화탄소 농도가 측정되고, 측정된 실외 이산화탄소 농도가 제어부(100)의 수신 모듈(110)에 전달되는 단계; (e) 상기 전달된 전열 전력 소비량(AP)과 실내 조명 전력 소비량(LP)이 상기 제어부(100)의 전력 소비량 합산 모듈(120)에 의해 합산되면서 총전력 소비량(LAP)이 계산되는 단계; (f) 상기 전달된 실내 이산화탄소 농도와 실외 이산화탄소 농도는 상기 제어부(100)의 실내외 이산화탄소 농도비 계산 모듈(130)에 의해 실내외 이산화탄소 농도비(CO2_IO)로 계산되는 단계; 및 (g) 상기 연산된 총전력 소비량(LAP)과 실내외 이산화탄소 농도비(CO2_IO)가 상기 제어부(100)의 연산 모듈(140)에 의해 미리 설정된 은닉 마르코프 모델(Hidden Markov Model, HMM)에 대입되어 재실자의 수가 연산되는 단계를 포함하는 실내 재실자의 수 연산 방법을 제공할 수 있다.
또한, 상기 재실자의 수는 폐-공간(closed space)이며, 상기 실내 이산화탄소 농도 측정 센서(301)은 상기 폐-공간 내에 위치하고, 상기 실외 이산화탄소 농도 측정 센서(302)는 상기 폐-공간 외에 위치하는 실내 재실자의 수 연산 방법을 포함할 수 있다.
또한, 상기 재실자의 수는 폐-공간(closed space)이며, 상기 실내 이산화탄소 농도 측정 센서(301)은 상기 폐-공간 내에 위치하고, 상기 실외 이산화탄소 농도 측정 센서(302)는 상기 폐-공간 외에 위치하는 실내 재실자의 수 연산 방법을 포함할 수 있다.
또한, 상기 전열 전력 소비량(AP)은, 상기 폐-공간 내에 위치하는 전기 이용 기기에서 사용되는 전력인 실내 재실자의 수 연산 방법을 제공할 수도 있다.
또한, 상기 (g) 단계 이후 상기 연산된 재실자의 수가, 상기 폐-공간을 포함하는 건물의 HVAC 시스템에 입력되는 단계를 더 포함하는 실내 재실자의 수 연산 방법을 제공할 수도 있다.
상기한 바와 같은 본 발명은 다음과 같은 효과가 있다.
첫째, 정확한 재실자의 수를 예측함으로써 건물 에너지의 효율적인 관리가 가능해지는 강점이 있다.
둘째, 실시간 재실자 수를 정확히 예측하여 환기시스템(HVAC)의 효율적인 제어가 가능해지는 장점이 있다.
셋째, 실재 재실자 수에 근사한 재실자 수 예측을 통하여 공기조화 시스템의 모델 예측 제어(MPC)에 활용 가능한 이점이 있다.
넷째, 건물 별 재실자 수의 감지 및 예측을 위한 효과적인 정보 도출이 가능해지는 효과가 있다.
도 1은 본 발명의 바람직한 실시 예에 따른 폐-공간(400) 및 외부 공간(500)의 일부를 나타낸 것이다.
도 2는 본 발명의 바람직한 실시 예에 따른 수집 간격별 재실 인원을 나타낸 그래프이다.
도 3은 본 발명의 바람직한 실시 예에 따른 수집 간격별 실내 이산화탄소 농도(상부에 위치된 그래프) 및 전기 소비량(하부에 위치된 그래프)을 함께 나타낸 그래프이다.
도 4는 본 발명의 바람직한 실시 예에 따른 현재 시점의 재실 상태 예측 모델 개발에 활용된 예측모델의 예시의 표이다.
도 5는 정보이득 분석 결과를 바탕으로 예측 변수들의 조합 예로서, 현재 시점의 재실 상태 예측 모델 개발에 활용된 조합의 예시의 표이다.
도 6은 개별 모델 간의 평가 결과의 차이 분석을 수행한 결과의 표이다.
도 7은 개별 모델 간의 평가 결과의 차이 분석을 위하여 사후검증(Post-hoc, tukey HSD test)를 수행한 결과의 분포를 나타낸 그래프이다.
도 8은 본 발명의 바람직한 실시 예에 따른 판단 트리 모델을 활용한 재실자 수 감지 결과와 실제 재실자의 수를 비교한 그래프이다.
이하 첨부된 도면을 참조하여 상세히 설명한다.
이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술 되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 기술되어야 할 것이다.
1. 구성의 설명
본 발명의 바람직한 실시 예에 따른 용어를 간단히 정리한다.
도 1과 같이 "실내"라 함은 벽체 등으로 둘러 싸여 외부와 실질적으로 분리된 폐-공간(400) 내부를 가리키며, "실외"라 함은 폐-공간(400)에 인접한 외부 공간(500)로 정의한다.
이하에서 설명될 재실자는 실내에 존재하는 사람의 수를 가리키는 것으로 이해하면 된다.
실내에는 전열기구(200)가 마련될 수 있으며, 조명(미도시)이 마련될 수 있다.
전열 전력 소비량(AP) 측정 센서(201)는 전열 전력 소비량(AP)을 측정하는 센서로서 실내에 마련될 수 있다.
전열 전력 소비량(AP)은 폐-공간(400) 내에 위치하는 전기 이용 기기에서 사용된 총전력일 수 있다.
실내 조명 전력 소비량(LP) 측정 센서(202)는 실내 조명 전력 소비량(LP)을 측정하는 센서로서 실내에 마련될 수 있다.
총전력 소비량(LAP)은 전열 전력 소비량(AP)과 실내 조명 전력 소비량(LP)의 총합이다.
실내에는 실내 이산화탄소 농도 측정 센서(301)가 마련될 수 있다.
보다 상세하게는 실내 이산화탄소 농도 측정 센서(301)는 폐-공간(400)에 위치되고, 실외 이산화탄소 농도 측정 센서(302)는 외부 공간(500)에 위치된다.
실외에서도 실외의 이산화탄소 농도를 측정하기 위한 실외 이산화탄소 농도 측정 센서(302)가 마련될 수 있다.
실내외 이산화탄소 농도비(CO2_IO)는 실내 이산화탄소 농도와 실외 이산화탄소 농도의 농도 비를 가리킨다.
전열 전력 소비량(AP) 측정 센서(201)는 제어부(100)의 수신 모듈(110)에 연결되어 전열 전력 소비량(AP) 값 신호를 전송한다.
실내 조명 전력 소비량(LP) 측정 센서(202)는 제어부(100)의 수신 모듈(110)에 연결되어 실내 조명 전력 소비량(LP) 값 신호를 전송한다.
한편, 실내 이산화탄소 농도 측정 센서(301)는 제어부(100)의 수신 모듈(110)에 연결되어 실내 이산화탄소 농도 값 신호를 전송한다.
또한, 실외 이산화탄소 농도 측정 센서(302)는 제어부(100)의 수신 모듈(110)에 연결되어 실외 이산화탄소 농도 값 신호를 전송한다.
전력 소비량 합산 모듈(120)은 제어부(100)에 구비되어, 전열 전력 소비량(AP)과 실내 조명 전력 소비량(LP)를 합산하여 총전력 소비량(LAP)을 계산한다.
실내외 이산화탄소 농도비 계산 모듈(130)은 제어부(100)에 구비되며, 수신 모듈(110)에 전달된 실내 이산화탄소 농도 값 및 실외 이산화탄소 농도 값을 이용하여 실내외 이산화탄소 농도비(CO2_IO)를 계산한다.
연산 모듈(140)은 제어부(100)에 구비되며, 총전력 소비량(LAP)과 실내외 이산화탄소 농도비(CO2_IO)를 미리 설정된 은닉 마르코프 모델(HMM)에 대입하여 재실자의 수를 연산할 수 있다.
여기서 은닉 마르코프 모델(HMM)은 통계적 마르코프 모델의 하나로서, 시스템이 은닉된 상태와 관찰 가능한 결과의 두 가지 요소로 이루어졌다고 보는 모델을 말한다.
은닉 마르코프 모델(HMM)은 이미 널리 알려진 모델이기에 당해 기술분야의 통상의 지식을 가진 자라면 이해할 수준이므로 설명은 생략하기로 한다.
한편, HVAC 시스템(150)은 제어부(100)에 연결되어 연산 모듈(140)에서 연산된 재실자 수를 입력 받아, 건물 제어에 사용할 수 있다.
HVAC 시스템은 Heating, Ventilation, Air Conditioning을 포함하는 공기조화 시스템을 가리킨다.
2. 작동 예
먼저, 전열 전력 소비량(AP) 측정 센서(201)에서 전열 전력 소비량(AP)이 측정되고, 측정된 전열 전력 소비량(AP) 값이 제어부(100)의 수신 모듈(110)에 전달된다.
다음, 실내 조명 전력 소비량(LP) 측정 센서(202)에서 실내 조명 전력 소비량(LP)이 측정되고, 측정된 실내 조명 전력 소비량(LP) 값이 제어부(100)의 수신 모듈(110)에 전달된다.
다음, 실내 이산화탄소 농도 측정 센서(301)에서 실내 이산화탄소 농도가 측정되고, 측정된 실내 이산화탄소 농도 값이 제어부(100)의 수신 모듈(110)에 전달된다.
다음, 실외 이산화탄소 농도 측정 센서(302)에서 실외 이산화탄소 농도가 측정되고, 측정된 실외 이산화탄소 농도 값이 제어부(100)의 수신 모듈(110)에 전달된다.
위의 단계들은 순차적으로 수행되거나 동시에 수행될 수도 있다.
다음으로 제어부(100)의 전력 소비량 합산 모듈(120)이 전달받은 전열 전력 소비량(AP) 값과 실내 조명 전력 소비량(LP) 값이 합산되어 총전력 소비량(LAP)이 계산된다.
다음으로 제어부(100)의 실내외 이산화탄소 농도비 계산 모듈(130)이 전달받은 실내 이산화탄소 농도 값과 실외 이산화탄소 농도 값을 이용하여 실내외 이산화탄소 농도비(CO2_IO)가 계산된다.
다음으로 연산된 총전력 소비량(LAP)과 실내외 이산화탄소 농도비(CO2_IO) 값이 제어부(100)의 연산 모듈(140)에 의해 미리 설정된 은닉 마르코프 모델(HMM)에 대입되면서 재실자의 수를 연산한다.
본 발명의 바람직한 또 다른 실시 예에 따르면, 위의 단계들 이후에 연산된 재실자의 수가 폐-공간(400)을 포함하는 건물의 HVAC 시스템에 입력되는 단계를 더 포함할 수 있다.
은닉 마르코프 모델(HMM)을 이용하여 재실자의 수를 연산함에 있어서, 재실자의 수는 폐-공간(400)에 존재하고, 실내 이산화탄소 농도 측정 센서(301)는 폐-공간(400)내부에 위치하며, 실외 이산화탄소 농도 측정 센서(302)는 외부 공간(500)에 위치된다.
한편, 전열 전력 소비량(AP)은 폐-공간(400) 내에 위치하는 전기 이용 기기에 사용된 전력을 가리킨다.
3. 검증실험
본 발명의 바람직한 실시 예에 따른 검증실험을 하였다.
본 검증실험은 재실자 수 감지 및 예측 모델 개발을 위한 실험이었다.
측정 대상 공간은 단국대학교 Building Integrated Control test-bed(BICT)로 하였다.
수집 데이터는 수집 간격 별 재실 인원(ground truth로 활용되었다.) 및 실내 이산화탄소 농도, 실외 이산화탄소 농도, 그리고 실내조명 및 기기 전력 소비량으로 하였다.
상기 수집 데이터는 2015년 10월 21일, 같은 해 10월 30일, 같은 해 11월 3일, 같은 해 11월 6일, 같은 해 11월 11일, 같은 해 11월 13일 총 7일에 걸쳐 수집되었으며, 수집 간격은 1분으로 하였다.
도 2는 본 검증실험에 따른 수집 간격별 재실 인원을 나타낸 그래프이다.
한편, 도 3은 본 발명의 바람직한 실시 예에 따른 수집 간격 별 실내 이산화탄소 농도(상부에 위치된 그래프) 및 전기 소비량(하부에 위치된 그래프)을 함께 나타내고 있다.
다음으로 판단 트리(Decision tree) 알고리즘을 활용한 현재 시점의 재실자 수 감지 모델을 개발하였다.
여기서는 판단 트리 알고리즘 중에서 Classification and Regression tree(CART) 알고리즘을 활용하였다.
이는 다양한 입력 변수들의 조합을 활용하여 현재 재실자 수를 감지하는 모델이었다.
이를 통하여 개별 예측 변수들의 정보이득(Information Gain) 분석이 수행되었다.
도 4는 본 검증실험에서 확인된 정보이득 분석결과를 나타낸다.
정보 타입이 시간정보(TI)일 경우 다음과 같이 설정되었다.
첫 번째 밤 12시에서 새벽 6시까지의 제1 시간정보, 이른 아침인 새벽 6시부터 오전 9시까지의 제2 시간정보, 오전인 아침 9시에서 정오인 12시까지의 제3 시간정보, 그리고 오후인 정오 12시에서 오후 3시까지의 제4 시간정보, 그리고 오후 3시에서 오후 6시까지의 제5 시간정보, 그리고 저녁인 오후 6시에서 밤 9시까지인 제6 시간정보, 그리고 마지막으로 두 번째 밤인 밤 9시에서 자정인 12시까지의 제7 시간정보를 설정하여 실험한 결과 정보이득이 0.1487 로 분석되었다.
다음으로 데이터 타입이 에너지 정보인 경우 크게 실내 조명 전력 소비량(LP), 전열 전력 소비량(AP), 총전력 소비량(LAP) 로 나뉘어 실험되었다.
실내 조명 전력 소비량(LP)의 경우 정보이득이 0.2803으로 분석되었으며, 전열 전력 소비량(AP)의 경우 정보이득이 0.3855 로 분석되었고, 총전력 소비량(LAP)의 경우 0.5036으로 분석되었다.
다음으로 데이터 타입이 환경 정보인 경우 실내 이산화탄소 농도에 따른 정보이득은 0.5514 로 분석되었고, 두 번째 전 타임 스텝과 현재 시점의 실내 이산화탄소 농도 차이(CO2_D)의 경우 정보이득은 0.1797 로 다소 낮게 분석되었다.
한편, 실내 이산화탄소 농도의 15분 이동 평균(CO2_MA)에 따른 정보이득은 0.5408 로 분석되었고, 실내 이산화탄소 농도 의15분 변화율에 따른 정보이득은 0.4609 로 분석되었으며, 실내외 이산화탄소 농도비(CO2_IO)에 따른 정보이득은 0.4651 로 분석되었다.
다음으로 위와 같이 얻어진 정보이득 분석 결과를 바탕으로 예측 변수들을 도 5와 같이 조합하여 은닉 마르코프 모델에 적용해 보았다.
위와 같은 정보이득 분석 결과를 바탕으로 예측 변수들의 조합에 따른 모델의 성능을 평가하기 위하여 10-fold Cross-validation 을 50회 반복하여 수행하였다.
이를 통하여 도출된 Cross-validation Error의 분산분석(ANOVA)를 수행하였다.
그 결과, F-statistic이 24563.61 이었으며, P-value 값이 0.05 미만으로 나타나 위와 같은 본 발명의 분석 방법이 전체 모델 평가 결과가 통계적으로 유의미함이 입증되었다.
다음으로 개별 모델 간의 평가 결과의 차이 분석을 위하여 사후검증(Post-hoc, tukey HSD test)를 수행하였으며, 그 결과값은 도 6 내지 7과 같다.
도 6 내지 7은 개별 모델 간의 평가 결과의 차이 분석을 위하여 사후검증(Post-hoc, tukey HSD test)를 수행한 결과 값 및 분포 그래프를 각각 나타내고 있다.
PS_04, PS_07, PS_12, PS15가 각각 보다 유의미한 결과값으로 나타났다.
사후검증(Post-hoc, tukey HSD test)를 수행한 결과 Predictor 의 수가 증가 할 수록 에러는 줄어드는 것으로 확인되었다.
또한, Predictor 의 수가 증가할수록 에러의 감소폭은 줄어들며 그 개수가 3개 이상인 경우에는 유의미한 차이가 없는 것으로 확인되었다.
대상 공간의 경우 PS_12 방안, 즉 본 발명과 같이 실내 이산화탄소 농도, 실내외 이산화탄소 농도비(CO2_IO), 실내의 전열 전력 소비량(AP)의 합을 사용하여 은닉 마르코프 모델에 적용함이 가장 적합하였던 것으로 판단되었다.
도 8은 본 발명의 바람직한 실시 예에 따른 판단 트리 모델을 활용한 재실자 수 감지 결과와 실제 재실자의 수를 비교한 그래프이다.
마찬가지로, 본 발명에 따른 방법인 PS_12방안을 적용한 결과 대부분의 재실 구간에서 높은 예측 정확도를 나타내고 있음을 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 않은 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 제어부
110: 수신 모듈
120: 전력 소비량 합산 모듈
130: 실내외 이산화탄소 농도비 계산 모듈
140: 연산 모듈
150: HVAC 시스템
200: 전열기구
201: 전열 전력 소비량(AP) 측정 센서
202: 실내 조명 전력 소비량(LP) 측정 센서
301: 실내 이산화탄소 농도 측정 센서
302: 실외 이산화탄소 농도 측정 센서
400: 폐-공간
500: 외부 공간

Claims (5)

  1. (a) 전열 전력 소비량 측정 센서(201)에서 전열 전력 소비량(AP)이 측정되고, 측정된 전열 전력 소비량(AP) 값이 제어부(100)의 수신 모듈(110)에 전달되는 단계;
    (b) 실내 조명 전력 소비량 측정 센서(202)에서 실내 조명 전력 소비량(LP)이 측정되고, 측정된 실내 조명 전력 소비량(LP)값이 제어부(100)의 수신 모듈(110)에 전달되는 단계;
    (c) 실내 이산화탄소 농도 측정 센서(301)에서 실내 이산화탄소 농도가 측정되고, 측정된 실내 이산화탄소 농도 값이 제어부(100)의 수신 모듈(110)에 전달되는 단계;
    (d) 실외 이산화탄소 농도 측정 센서(302)에서 실외 이산화탄소 농도가 측정되고, 측정된 실외 이산화탄소 농도가 제어부(100)의 수신 모듈(110)에 전달되는 단계;
    (e) 상기 전달된 전열 전력 소비량(AP)과 실내 조명 전력 소비량(LP)이 상기 제어부(100)의 전력 소비량 합산 모듈(120)에 의해 합산되면서 총전력 소비량(LAP)이 계산되는 단계;
    (f) 상기 전달된 실내 이산화탄소 농도와 실외 이산화탄소 농도는 상기 제어부(100)의 실내외 이산화탄소 농도비 계산 모듈(130)에 의해 실내외 이산화탄소 농도비(CO2_IO)로 계산되는 단계; 및
    (g) 예측 변수(predictor)는 조명 전력 사용량(LP), 실내 조명 전력 소비량(LP), 총전력 소비량(LAP), 실내 이산화탄소 농도(CO2), 실내외 이산화탄소 농도비(CO2_IO) 및 실내 이산화탄소 농도 15분 이동 평균(CO2_MA)를 포함하고,
    상기 예측 변수가 3일 때는, 상기 예측 변수 중 상기 (c) 단계에서 측정된 실내 이산화탄소 농도(CO2), 상기 (f) 단계에서 계산된 실내외 이산화탄소 농도비(CO2_IO) 및 상기 (e) 단계에서 계산된 총전력 소비량(LAP)이 상기 제어부(100)의 연산 모듈(140)에 의해 미리 설정된 은닉 마르코프 모델(Hidden Markov Model, HMM)에 대입되며,
    상기 예측 변수가 4일 때는, 상기 예측 변수 중 상기 (c) 단계에서 측정된 실내 이산화탄소 농도(CO2), 상기 (f) 단계에서 계산된 실내외 이산화탄소 농도비(CO2_IO), 상기 (e) 단계에서 계산된 총전력 소비량(LAP) 및 실내 이산화탄소 농도 15분 이동 평균(CO2_MA)이 상기 제어부(100)의 연산 모듈(140)에 의해 미리 설정된 은닉 마르코프 모델에 대입되어 재실자의 수가 연산되는 단계를 포함하며,
    상기 재실자의 수는 폐-공간(closed space)이며,
    상기 실내 이산화탄소 농도 측정 센서(301)은 상기 폐-공간 내에 위치하고, 상기 실외 이산화탄소 농도 측정 센서(302)는 상기 폐-공간 외에 위치하는,
    실내 재실자의 수 연산 방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 전열 전력 소비량(AP)은, 상기 폐-공간 내에 위치하는 전기 이용 기기에서 사용되는 전력인,
    실내 재실자의 수 연산 방법.
  5. 제1항에 있어서,
    상기 (g) 단계 이후,
    상기 연산된 재실자의 수가, 상기 폐-공간을 포함하는 건물의 HVAC 시스템에 입력되는 단계를 더 포함하는,
    실내 재실자의 수 연산 방법.
KR1020160167979A 2016-04-29 2016-12-09 실내 재실자의 수 연산 방법 KR101899667B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20160053573 2016-04-29
KR1020160053573 2016-04-29

Publications (2)

Publication Number Publication Date
KR20170124431A KR20170124431A (ko) 2017-11-10
KR101899667B1 true KR101899667B1 (ko) 2018-09-18

Family

ID=60386620

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160167979A KR101899667B1 (ko) 2016-04-29 2016-12-09 실내 재실자의 수 연산 방법

Country Status (1)

Country Link
KR (1) KR101899667B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110953687B (zh) * 2019-10-10 2021-11-02 珠海派诺科技股份有限公司 一种空调的健康度评价方法、系统及存储介质

Also Published As

Publication number Publication date
KR20170124431A (ko) 2017-11-10

Similar Documents

Publication Publication Date Title
Yang et al. Review of occupancy sensing systems and occupancy modeling methodologies for the application in institutional buildings
Pedersen et al. Method for room occupancy detection based on trajectory of indoor climate sensor data
Pan et al. A model based on Gauss Distribution for predicting window behavior in building
KR101591735B1 (ko) 실내공기질의 예측을 통한 오염 정보 제공 방법
EP3412982B1 (en) Air conditioning control evaluation device, air conditioning system, air conditioning control evaluation method and program
Figueiredo et al. Comparison between monitored and simulated data using evolutionary algorithms: Reducing the performance gap in dynamic building simulation
Beltran et al. Thermosense: Occupancy thermal based sensing for hvac control
JP5406006B2 (ja) 人数推定装置及び人数推定方法
Wolf et al. Carbon dioxide-based occupancy estimation using stochastic differential equations
Huang et al. Rapid Internet of Things (IoT) prototype for accurate people counting towards energy efficient buildings.
Wang et al. Predicting plug loads with occupant count data through a deep learning approach
Wang et al. Benchmarking energy performance of residential buildings using two-stage multifactor data envelopment analysis with degree-day based simple-normalization approach
Pereira et al. Methodology for detection of occupant actions in residential buildings using indoor environment monitoring systems
Gianniou et al. Estimation of temperature setpoints and heat transfer coefficients among residential buildings in Denmark based on smart meter data
Pereira et al. Occupant behaviour motivations in the residential context–An investigation of variation patterns and seasonality effect
Wang et al. Cross-source sensing data fusion for building occupancy prediction with adaptive lasso feature filtering
Kim Methodology for rating a building's overall performance based on the ASHRAE/CIBSE/USGBC performance measurement protocols for commercial buildings
Shin et al. Optimal heating start and stop control based on the inferred occupancy schedule in a household with radiant floor heating system
Lozinsky et al. Improving energy model calibration of multi-unit residential buildings through component air infiltration testing
KR101519734B1 (ko) 실시간 재실 정보를 이용한 건물 에너지 시뮬레이션 시스템
KR20160001023A (ko) 건물 정보 검출 방법 및 장치
KR20160077740A (ko) 건물 에너지 사용량 예측시스템과 예측방법
Zaeri et al. Disaggregation of electricity and heating consumption in commercial buildings with building automation system data
KR102313465B1 (ko) 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템 및 방법
Zhuang et al. Probabilistic occupancy forecasting for risk-aware optimal ventilation through autoencoder Bayesian deep neural networks

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