KR101936136B1 - 기계 학습 기반의 온열 환경 예측 장치 및 그 방법 - Google Patents

기계 학습 기반의 온열 환경 예측 장치 및 그 방법 Download PDF

Info

Publication number
KR101936136B1
KR101936136B1 KR1020170004033A KR20170004033A KR101936136B1 KR 101936136 B1 KR101936136 B1 KR 101936136B1 KR 1020170004033 A KR1020170004033 A KR 1020170004033A KR 20170004033 A KR20170004033 A KR 20170004033A KR 101936136 B1 KR101936136 B1 KR 101936136B1
Authority
KR
South Korea
Prior art keywords
value
thermal
values
point
temperature
Prior art date
Application number
KR1020170004033A
Other languages
English (en)
Other versions
KR20180082764A (ko
Inventor
조재훈
윤현정
Original Assignee
인하대학교 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 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020170004033A priority Critical patent/KR101936136B1/ko
Publication of KR20180082764A publication Critical patent/KR20180082764A/ko
Application granted granted Critical
Publication of KR101936136B1 publication Critical patent/KR101936136B1/ko

Links

Images

Classifications

    • 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
    • G06N3/08—Learning methods
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D19/00—Details
    • F24D19/10—Arrangement or mounting of control or safety devices
    • 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
    • F24F11/62—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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D2220/00—Components of central heating installations excluding heat sources
    • F24D2220/04—Sensors
    • F24D2220/042—Temperature sensors
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2140/00—Control inputs relating to system states
    • F24F2140/50—Load

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)
  • Thermal Sciences (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 기계 학습 기반의 온열 환경 예측 장치 및 그 방법에 대한 것이다.
본 발명에 따른 기계 학습 기반의 온열 환경 예측 장치는 사용자로부터 예측하고자 하는 지점이 선택되면, 특정 공간 내 이격 배치된 다수의 실내표면온도 센서 및 실외공기온도 센서로부터 센싱된 온도값을 각각 입력받는 입력부; 상기 센싱된 실내표면온도값 및 실외공기온도값을 입력값으로 하고, 제1 신경망 모델을 이용하여 상기 선택된 지점의 복수의 온열인자에 대한 온열값을 각각 예측하는 제1 예측부; 상기 예측된 복수의 온열값과 기 고정된 복수의 온열인자의 온열값을 입력값으로 하고, 제2 신경망 모델을 이용하여 상기 지점의 온열환경 평가지표값(PMV)을 예측하는 제2 예측부; 및 예측된 상기 지점의 온열환경 평가지표값을 출력하는 출력부를 포함한다.
이와 같이 본 발명에 따르면, 기계학습을 통해 특정 지점의 온열값을 예측하고, 예측된 값으로부터 해당 지점의 온열 환경 평가지표값을 예측함으로써 쾌적한 실내 공간을 조성할 수 있는 효과가 있다.

Description

기계 학습 기반의 온열 환경 예측 장치 및 그 방법{APPARATUS FOR THERMAL ENVIRONMENT PREDICTION BASED ON MACHINE LEARNING AND METHOD THEREOF}
본 발명은 기계 학습 기반의 온열 환경 예측 장치 및 그 방법에 관한 것으로서, 더욱 상세하게는 기계학습을 통해 특정 지점의 온열값을 예측하고, 예측된 값으로부터 해당 지점의 온열 환경 평가지표값(Predicted Mean Vote, PMV)을 예측하는 기계 학습 기반의 온열 환경 예측 장치 및 그 방법에 관한 것이다.
건물에서 실내 공간은 건축 환경 설비 측면에서 실내외 환경 변화로부터 재실자의 쾌적함을 유지시켜주는 공간이다. 재실자의 쾌적감은 여러 온열 인자들의 조합으로 인해 실시간으로 변화될 수 있는데 이중 가장 대표적인 온열 인자는 온도이다. 따라서 재실자에게 쾌적한 실내 환경을 조성해주기 위한 온도 분포 평가가 필요하다.
종래의 온도 분포 평가는 건물의 설계 단계에서 수행되어 최적의 냉난방 설비 설계안을 결정하기 위한 용도로 이용되었다. 그러나 이는 고정된 값이므로 재실자의 쾌적감 유지를 위해서는 실시간으로 수행되는 온도 분포 평가가 필요하다.
특히 운동장 및 대 공연장 등과 같이 일반적인 공간에 비해 규모가 넓은 실내 공간의 경우 같은 공간일지라도 센싱하는 지점에 따라 온도차가 크게 발생하므로 종래의 온도 분포 평가 방법을 적용하기에는 복잡하고 한계가 있다.
일반적으로 온도 분포를 평가하는 방법으로는 실측 또는 시뮬레이션(CFD)이 있다. 그러나 사용중인 건물의 온도 분포를 실시간으로 측정하기에는 지점마다 다수 종류의 센서를 설치해야하므로 센서의 설치 장소 확보가 용이하지 않고, 많은 양의 센서가 필요하므로 유지 보수의 비용이 많이 발생되며, 데이터의 저장 과정에서 손실이 발생하는 등의 다수의 문제가 존재한다. 또한 시뮬레이션은 특정한 경계조건 하에서 유효한 결과값을 생성하기 때문에 실시간 온도 분표 평가에는 적합하지 않은 문제점이 있다.
본 발명의 배경이 되는 기술은 대한민국 등록특허공보 제10-1261198호(2013. 05. 10. 공고)에 개시되어 있다.
본 발명이 이루고자 하는 기술적 과제는 기계학습을 통해 특정 지점의 온열값을 예측하고, 예측된 값으로부터 해당 지점의 온열 환경 평가지표값을 예측하는 기계 학습 기반의 온열 환경 예측 장치 및 그 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시 예에 따른 기계 학습 기반의 온열 환경 예측 장치는, 사용자로부터 예측하고자 하는 지점이 선택되면, 특정 공간 내 이격 배치된 다수의 실내표면온도 센서 및 실외공기온도 센서로부터 센싱된 온도값을 각각 입력받는 입력부; 상기 센싱된 실내표면온도값 및 실외공기온도값을 입력값으로 하고, 제1 신경망 모델을 이용하여 상기 선택된 지점의 복수의 온열인자에 대한 온열값을 각각 예측하는 제1 예측부; 상기 예측된 복수의 온열값과 기 고정된 복수의 온열인자의 온열값을 입력값으로 하고, 제2 신경망 모델을 이용하여 상기 지점의 온열환경 평가지표값(PMV)을 예측하는 제2 예측부; 및 예측된 상기 지점의 온열환경 평가지표값을 출력하는 출력부를 포함한다.
상기 제1 신경망 모델은 각 지점별로 실내표면온도 센서 및 실외공기온도 센서를 배치하여 센싱되는 온도값을 인공신경망 구조로 학습하여 기 생성된 모델이고, 상기 제2 신경망 모델은 상기 예측된 복수의 온열값 및 상기 기 고정된 복수의 온열값을 인공신경망 구조로 기계 학습하여 기 생성된 모델일 수 있다.
상기 실내표면온도값, 상기 실외공기온도값, 상기 복수의 온열값 및 지점별 온열환경 평가지표값을 각각 저장하는 저장부를 더 포함할 수 있다.
상기 제1 예측부에 의해 예측되는 상기 복수의 온열인자는 공기온도, 평균복사온도, 착의량 및 습도 포함하고, 상기 기 고정된 복수의 온열인자는 기류속도 및 대사량를 포함할 수 있다.
상기 제2 예측부는, 다음의 수학식에 의해 온열환경 평가지표값을 예측할 수 있다.
Figure 112018104013349-pat00023
Figure 112018104013349-pat00024
Figure 112018104013349-pat00025
Figure 112018104013349-pat00026
Figure 112017003304451-pat00004
여기서, M은 대사량, W는 외부일, Icl은 착의량, ta는 공기온도, tr은 평균복사온도, fcl은 의류 표면적 계수, tcl은 의류 표면온도, var은 기류속도, pa는 수증기압, hc는 인체 표면의 대류 열전달율, PMV는 온열환경 평가지표값이다.
또한 본 발명의 실시 예에 따른 기계 학습 기반의 온열 환경 예측 장치를 이용한 예측 방법은, 사용자로부터 예측하고자 하는 지점이 선택되면, 특정 공간 내 이격 배치된 다수의 실내표면온도 센서 및 실외공기온도 센서로부터 센싱된 온도값을 각각 입력받는 단계; 상기 센싱된 실내표면온도값 및 실외공기온도값을 입력값으로 하고, 제1 신경망 모델을 이용하여 상기 선택된 지점의 복수의 온열인자에 대한 온열값을 각각 예측하는 단계; 상기 예측된 복수의 온열값과 기 고정된 복수의 온열인자의 온열값을 입력값으로 하고, 제2 신경망 모델을 이용하여 상기 지점의 온열환경 평가지표값(PMV)을 예측하는 단계; 및 예측된 상기 지점의 온열환경 평가지표값을 출력하는 단계를 포함한다.
이와 같이 본 발명에 따르면, 기계학습을 통해 특정 지점의 온열값을 예측하고, 예측된 값으로부터 해당 지점의 온열 환경 평가지표값을 예측함으로써 쾌적한 실내 공간을 조성할 수 있는 효과가 있다.
또한 본 발명에 따르면, 훈련에 의한 기계학습(Artificial Neural Network, ANN)을 이용하여 다수 개의 센서 설치 및 관리가 어려운 지점의 온열 환경을 용이하게 예측할 수 있고, 센서의 사용량을 절감시켜 유지 관리비가 절감되는 효과가 있다.
도 1은 본 발명의 실시예에 따른 기계 학습 기반의 온열 환경 예측 장치를 나타낸 블록구성도이다.
도 2는 본 발명의 실시예에 따른 기계 학습 기반의 온열 환경 예측 방법의 동작 흐름을 도시한 순서도이다.
도 3은 본 발명의 실시예에 따른 기계 학습 기반의 온열 환경 예측 방법에서 센서가 설치되는 지점을 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 기계 학습 기반의 온열 환경 예측 방법에 의해 예측된 실내공기온도와 실제 측정 온도를 비교한 그래프이다.
이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.
또한 후술되는 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 내려져야 할 것이다.
먼저, 도 1을 통해 본 발명의 실시예에 따른 기계 학습 기반의 온열 환경 예측 장치에 대하여 설명한다.
도 1은 본 발명의 실시예에 따른 기계 학습 기반의 온열 환경 예측 장치를 나타낸 블록구성도이다.
도 1에서와 같이 본 발명의 실시예에 따른 기계 학습 기반의 온열 환경 예측 장치(100)는 입력부(110), 제1 예측부(120), 제2 예측부(130), 저장부(140) 및 출력부(160)를 포함한다.
먼저, 입력부(110)는 사용자로부터 예측하고자 하는 지점이 선택되면, 특정 공간 내 이격 배치된 다수의 실내표면온도 센서(200) 및 실외공기온도 센서(300)로부터 센싱된 온도값을 각각 입력받는다.
여기서, 실내표면온도 센서(200)는 실내 표면의 온도 즉, 벽체의 온도를 측정하기 위한 센서이고, 실외공기온도 센서(300)는 외부 공기의 온도를 측정하기 위한 센서이다.
그리고, 제1 예측부(120)는 실내표면온도 센서(200) 및 실외공기온도 센서(300)로부터 센싱된 실내표면온도값 및 실외공기온도값을 입력값으로 하고, 제1 신경망 모델을 이용하여 사용자로부터 선택된 지점의 복수의 온열인자에 대한 온열값을 각각 예측한다.
여기서 신경망 모델이란 사람의 뇌 구조를 모방하여 과거의 데이터를 바탕으로 미래의 값을 예측하는 수학적 방법을 의미하며, 제1 신경망 모델은 각 지점별로 실내표면온도 센서(200) 및 실외공기온도 센서(300)를 배치하여 센싱되는 온도값을 인공신경망 구조로 학습하여 기 생성된 모델일 수 있다.
이때, 제1 예측부(120)에 의해 학습되는 복수의 온열인자는 공기온도, 평균복사온도, 착의량 및 습도를 포함한다. 여기서, 공기온도와 평균복사온도는 실외로부터 외벽과 같은 구조체에 전달된 열의 영향에 따라 실시간으로 값이 변하고, 착의량과 습도는 실외온도와의 물리적 관계에 변하는 값이므로 실내표면온도값 및 실외공기온도값에 따라 변화하는 공기온도, 평균복사온도, 착의량 및 습도를 각각 예측한다.
그리고 제2 예측부(130)는 제1 예측부(120)에서 예측된 복수의 온열값과 기 고정된 복수의 온열인자의 온열값을 입력값으로 하고, 제2 신경망 모델을 이용하여 사용자로부터 선택된 지점의 온열환경 평가지표값(PMV)을 예측한다.
여기서 기 고정된 복수의 온열인자는 기류속도 및 대사량를 포함한다.
즉, 제2 예측부(130)는 기 학습된 제2 신경망 모델을 이용하여 공기온도, 평균복사온도, 착의량 및 습도와 기류속도 및 대사량으로부터 온열환경 평가지표값(PMV)을 생성한다.
이때, 기류속도와 대사량은 다른 온열인자(공기온도, 평균복사온도, 착의량 및 습도)들에 비해 시간에 따른 동적 변화 특성이 작으므로 공간의 크기와 용도를 고려하여 기 고정된 값을 적용하여도 무방하다.
자세히는 제2 신경망 모델은 제1 예측부(120)에서 예측된 공기온도, 평균복사온도, 착의량 및 습도와 고정값인 기류속도 및 대사량을 인공신경망 구조로 기계 학습하여 기 생성된 모델일 수 있다.
더욱 자세히는, 제2 예측부(130)는 다음의 수학식 1 내지 4에 의해 온열환경 평가지표값을 예측할 수 있다.
이때 다음의 수학식 1에 의해 온열환경 평가지표값을 예측할 수 있다.
Figure 112018104013349-pat00027
Figure 112018104013349-pat00028
여기서, M은 대사량, W는 외부일, ta는 공기온도, tr은 평균복사온도, fcl은 의류 표면적 계수, tcl은 의류 표면온도, pa는 수증기압, hc는 인체 표면의 대류 열전달율, PMV는 온열환경 평가지표값이다.
이때, 의류 표면온도는 다음의 수학식 2에 의해 산출된다.
Figure 112018104013349-pat00029
여기서, tcl은 의류 표면온도이고, M은 대사량, W는 외부일, Icl은 착의량, fcl은 의류 표면적 계수, tcl은 의류 표면온도, tr은 평균복사온도, hc는 인체 표면의 대류 열전달율, ta는 공기온도이다.
또한, 인체 표면의 대류 열전달율은 다음의 수학식 3에 의해 산출된다.
Figure 112018104013349-pat00030
여기서, hc는 인체 표면의 대류 열전달율이고, tcl은 의류 표면온도, ta는 실외공기온도, var은 기류속도이다.
그리고, 의류 표면적 계수는 다음의 수학식 4에 의해 산출된다.
Figure 112018104013349-pat00031
여기서, fcl은 의류 표면적 계수이고, Icl은 착의량이다.
이때 저장부(140)는 입력부(110)를 통해 입력된 실내표면온도값과 실외공기온도값, 그리고 제1 예측부(120)에 의해 예측된 복수의 온열값, 그리고 제2 예측부(130)에 의해 생성된 온열환경 평가지표값 데이터를 각각 저장한다.
마지막으로 출력부(160)는 제2 예측부(130)에서 예측된 온열환경 평가지표값을 출력한다.
이하에서는 도 2 내지 도 4를 통해 본 발명의 실시예에 따른 기계 학습 기반의 온열 환경 예측 방법에 대하여 설명한다.
도 2는 본 발명의 실시예에 따른 기계 학습 기반의 온열 환경 예측 방법의 동작 흐름을 도시한 순서도로서, 이를 참조하여 본 발명의 구체적인 동작을 설명한다.
본 발명의 실시예에 따른 온열 환경 예측 방법은, 전체적으로 기계 학습 모델을 생성하기 위한 학습 단계와 생성된 모델을 통하여 예측하고자 하는 지점의 온열환경 평가지표값을 예측하기 위한 예측 단계를 포함한다. 도 2에 나타낸 것과 같이 학습단계는 S210 내지 S230 단계를 포함하고, 예측 단계는 S240 내지 S280 단계를 포함한다.
즉, 예측하고자 하는 지점의 온열환경 평가지표값을 예측하기 위하여 먼저 기계 학습을 통해 지점별 온열환경 평가지표값을 생성해야 한다.
지점별 온열환경 평가지표값을 생성하기 위하여 먼저, 온열 환경 예측 장치(100)는 특정 공간 내 이격 배치된 다수의 실내표면온도 센서(200) 및 실외공기온도 센서(300), PMV 온열인자 및 PMV 센서로부터 센싱된 값을 각각 입력받는다(S210).
도 3은 본 발명의 실시예에 따른 기계 학습 기반의 온열 환경 예측 방법에서 센서가 설치되는 지점을 설명하기 위한 도면이다.
학습 단계에서는 신경망 모델 생성을 위한 입력값을 입력받기 위해 도 3의 노란색 표시와 같이 실내표면온도 센서(200) 및 실외공기온도 센서(300)가 다수의 지점에 이격 배치되고, 도 3의 푸른색 표시와 같이 PMV 온열인자 및 PMV 센서가 공간 내부에 이격 배치될 수 있다.
이때, 신경망 모델 생성이 완료되면, 푸른색 표시의 PMV 온열인자 및 PMV 센서는 모두 제거되는 것이 바람직하다.
즉, 예측 단계에서는 기 학습된 신경망 모델을 이용하여 온열환경 평가지표값을 예측하기 때문에 PMV 온열인자 및 PMV 센서는 학습이 완료되면 불필요하게 된다.
그 다음 온열 환경 예측 장치(100)는 S210 단계에서 입력된 값을 인공신경망 구조로 학습하여, 복수의 온열인자에 대한 온열값을 지점별로 예측하기 위한 제1 신경망 모델을 생성한다(S220).
그 다음 온열 환경 예측 장치(100)는 S220단계에서 예측된 온열값을 인공신경망 구조로 학습하여, 지점별 온열환경 평가지표값을 예측하기 위한 제2 신경망 모델을 생성한다(S230).
이때, 온열환경 평가지표값은 1970년대 Fanger가 기후챔버를 이용한 실험값을 토대로 온열쾌적감을 예측하기 위해 ASHRAE 온열감 스케일인 -3 ~ +3에 대응하여 개발한 지표이다. 이러한 온열환경 평가지표값을 계산하는데 필요한 6가지 인자는 공기온도, 평균복사온도, 착의량 및 습도, 기류속도의 물리적 인자와 착의량 및 대사량의 개인적 인자로 구성되며, 6가지의 인자를 이용하여 앞의 수학식 1 내지 4에 의해 산출된다.
또한, 제1 및 제2 신경망 모델은 인공신경망 모델 중 하나인 다층 퍼셉트론 신경망을 이용하여 실내공기온도 예측 모델을 학습할 수 있다.
여기서 인공신경망은 데이터 기반 모델링 방법인 기계학습의 한 종류로 1943년 McCulloch과 Pitts의 논문에서 인간의 두뇌를 수많은 신경세포(뉴런)로 이루어진 컴퓨터로 여긴 것이 그 시초이다. 인공신경망 구조는 벡터 형태의 데이터를 병렬 분산 처리하여 짧은 시간에 대량의 정보를 안정적으로 처리할 수 있다는 장점이 있다. 따라서 실시간 동적 시스템을 모델링하기에 적합하며 감지된 상황에 대해 적응할 수 있도록 시스템을 설정할 수 있다.
또한, 인공신경망은 입력 패턴과 출력 패턴이 맵핑(mapping)되고, 이와 같은 과정의 반복을 통하여 신경망은 입력 패턴과 출력 패턴과의 관계에 대하여 학습하게 된다. 그리고 추후에 입력되는 패턴과 가장 유사한 패턴 그룹을 찾음으로써, 입력 패턴에 대응되는 출력 패턴에 대하여 모델링하는 것을 특징으로 한다.
또한, 도 3은 신경망 모델의 학습에 대한 이해를 돕기 위한 예시로, 300석 규모의 강당을 용도에 따라 무대(Tstage), 객석(Tseat), 통로(Thallway)와 같이 3개의 구역으로 구분하여 모델링했다. 그리고 한국태양에너지학회와 메테오놈, EnergyPlus 시뮬레이션 데이터를 이용하여 모델의 학습 데이터 세트를 구성하였다. 데이터 세트는 8760개로 도 4에서와 같이 방위 별 일사량(In, Iw, Is, Ie), 공기온도(Ta), 실내표면온도(Ten, Twn, Tws, Tes), 실내공기온도(Tstage, Tseat, Thallway)이다.
본 발명의 실시예에 따른 신경망 모델의 구조는 은닉층의 뉴런 수가 10개인 3개의 층으로 구성된다. Mustafaraj et al.(2011)에 따르면 은닉뉴런의 개수가 충분하다면 1개의 은닉층으로도 예측이 충분하며, 은닉뉴런은 최소 입력뉴런보다 하나 더 많은 것이 권장된다. 여기서 입력되는 데이터는 방위별 일사량, 실외공기온도, 실내표면온도이고, 출력하고자 하는 데이터는 실내공기온도이다. 입력 데이터의 조합을 달리하여 구역별로 16개의 신경망 모델을 구성하였으며 데이터 세트의 70%는 학습에, 나머지 30%는 검증 및 시험에 사용된다.
신경망 모델의 학습은 뉴런 간 학습 알고리즘을 통해 입력 데이터가 전방향으로 이동하면서 이루어진다. 정해진 신경망 구조를 통해 도출된 출력값과 기대되는 목표값과의 차이를 최소화시키는 것을 목적으로 매회 반복계산마다 가중치가 조정된다. 본 발명의 실시예에 적용되는 수치 최적화 기법은 지역 최적해를 안정적으로 찾을 수 있도록 뉴턴법이 수정된 Levenberg-Marquartdt(LM) 알고리즘이다. LM알고리즘은 최소자승문제에 특화된 최적화 기법으로 다층 퍼셉트론을 학습시키는데 성공적으로 적용되어왔으며 다음의 수학식 5와 같다.
Figure 112017003304451-pat00009
여기서, χk는 현재 가중치와 편차 벡터, αk는 학습률, gk는 현재 벡터의 구배를 의미한다.
도 3에 나타난 3개 구역의 실내공기온도를 예측하는 신경망 모델의 입력 데이터의 구성과 학습된 모델의 정확도를 아래의 표 1과 같이 결정계수(R2)와 평균제곱오차(Mean Square Error, MSE)로 평가했다. 결정계수는 1에 가까울수록, 평균제곱오차는 0에 가까울수록 모델의 정확도가 높음을 나타낸다. 아래의 표 1에서 대부분의 학습 모델에서 결정계수가 0.9이상으로 예측 성능이 높게 나타났으며, 동시에 평균제곱오차가 가장 작은 학습 모델은 실내표면온도와 외기온도, 일사량이 모두 학습된 모델 1-11임을 알 수 있다. 그러나 센서의 가격 및 취급의 어려움을 고려하면 모델 1-1이 측정이 쉬운 실내표면온도로부터 좋은 예측 성능을 나타내는 효율적인 학습 모델이라는 것을 알 수 있다.
Figure 112017003304451-pat00010
도 4는 본 발명의 실시예에 따른 기계 학습 기반의 온열 환경 예측 방법에 의해 예측된 실내공기온도와 실제 측정 온도를 비교한 그래프이다.
도 4는 실내표면온도를 입력 데이터로 이용하는 모델 1-1의 구조를 이용하여 1월의 데이터 세트 743개로 학습을 하고, 2월의 실내공기온도를 예측한 결과를 나타낸 그래프이다. 예측한 실내공기온도(ANN)와 실제값(Target)이 거의 동일한 것으로 보아 본 발명이 실시예에 따른 학습 모델은 큰 오차가 없음을 확인할 수 있다.
이상의 학습 모델 생성 과정(S210단계 내지 S230단계)은 본 발명의 일실시예일 뿐이며, 반드시 본 발명의 실시예에 따른 온열 환경 예측 장치(100)가 수행하는 것은 아니다. 즉, 이미 기 학습되어 생성된 제1 신경망 모델과 제2 신경망 모델을 온열 환경 예측 장치(100)에 적용시킬 수도 있다.
또한, 본 발명의 실시예에서 생성된 신경망 모델이 아닌 다른 학습 모델을 이용하여도 무방하며 반드시 이에 국한될 필요는 없다.
S210단계 내지 S230단계에서와 같이 학습 모델이 생성되면, 온열 환경 예측 장치(100)는 사용자로부터 선택되는 지점의 온열환경 평가지표값을 예측하기 위한 예측 단계를 수행한다.
먼저, 도 2와 같이 사용자로부터 예측하고자 하는 지점이 선택되면(S240), 입력부(110)는 실내표면온도 센서(200) 및 실외공기온도 센서(300)로부터 센싱된 온도값을 입력받는다(S250).
그 다음, 제1 예측부(120)는 S250 단계에서 센싱된 실내표면온도값 및 실외공기온도값을 입력값으로 하고, 기 생성된 제1 신경망 모델을 이용하여 사용자로부터 선택된 지점의 복수의 온열인자에 대한 온열값을 각각 예측한다(S260).
이때, 제1 예측부(120)에 의해 예측되는 복수의 온열인자는 공기온도, 평균복사온도, 착의량 및 습도를 포함한다.
따라서 각각의 센서 없이도 실내표면온도값 및 실외공기온도값을 이용하여 공기온도, 평균복사온도, 착의량 및 습도를 각각 예측할 수 있다.
그 다음 제2 예측부(130)는 S260 단계에서 예측된 복수의 온열값과 기 고정된 복수의 온열인자의 온열값을 입력값으로 하고, 기 생성된 제2 신경망 모델을 이용하여 사용자로부터 선택된 지점의 온열환경 평가지표값을 예측한다(S270).
이때, 기 고정된 복수의 온열인자는 기류속도 및 대사량를 포함한다.
즉, 제2 예측부(130)는 제2 신경망 모델을 이용하여 사용자로부터 선택된 지점의 공기온도, 평균복사온도, 착의량 및 습도와 기류속도 및 대사량을 통해 해당 지점에 대한 온열환경 평가지표값을 예측할 수 있다.
마지막으로 출력부(160)는 해당 지점의 온열환경 평가지표값을 출력한다(S280).
상술한 바와 같이, 본 발명의 실시예에 따른 기계 학습 기반의 온열 환경 예측 장치 및 그 방법은 기계학습을 통해 특정 지점의 온열값을 예측하고, 예측된 값으로부터 해당 지점의 온열 환경 평가지표값(PMV)을 예측함으로써 쾌적한 실내 공간을 조성할 수 있는 효과가 있다.
또한 본 발명의 실시예에 따르면, 훈련에 의한 기계학습(ANN)을 이용하여 다수 개의 센서 설치 및 관리가 어려운 지점의 온열 환경을 용이하게 예측할 수 있고, 센서의 사용량을 절감시켜 유지 관리비가 절감되는 효과가 있다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100 : 온열 환경 예측 장치 110 : 입력부
120 : 제1 예측부 130 : 제2 예측부
140 : 저장부 160 : 출력부
200 : 실내표면온도 센서 300 : 실외공기온도 센서

Claims (10)

  1. 사용자로부터 예측하고자 하는 지점이 선택되면, 특정 공간 내 이격 배치된 다수의 실내표면온도 센서 및 실외공기온도 센서로부터 센싱된 온도값을 각각 입력받는 입력부;
    상기 센싱된 실내표면온도값 및 실외공기온도값을 입력값으로 하고, 각 지점별로 실내표면온도 센서 및 실외공기온도 센서를 배치하여 센싱되는 온도값을 인공신경망 구조로 학습하여 기 생성된 제1 신경망 모델을 이용하여 상기 선택된 지점의 복수의 온열인자에 대한 온열값을 각각 예측하는 제1 예측부;
    상기 예측된 복수의 온열값과 기 고정된 복수의 온열인자의 온열값을 입력값으로 하고, 상기 예측된 복수의 온열값 및 상기 기 고정된 복수의 온열값을 인공신경망 구조로 기계 학습하여 기 생성된 제2 신경망 모델을 이용하여 상기 지점의 온열환경 평가지표값(PMV)을 예측하는 제2 예측부; 및
    예측된 상기 지점의 온열환경 평가지표값을 출력하는 출력부를 포함하고,
    상기 복수의 온열인자는 공기온도, 평균복사온도, 착의량 및 습도를 포함하고, 상기 기 고정된 복수의 온열인자는 기류속도 및 대사량를 포함하며,
    상기 제2 예측부는,
    다음의 수학식에 의해 온열환경 평가지표값을 예측하는 기계 학습 기반의 온열 환경 예측 장치:
    Figure 112018104013349-pat00032

    Figure 112018104013349-pat00033

    Figure 112018104013349-pat00034

    Figure 112018104013349-pat00035

    Figure 112018104013349-pat00036

    여기서, M은 대사량, W는 외부일, Icl은 착의량, ta는 공기온도, tr은 평균복사온도, fcl은 의류 표면적 계수, tcl은 의류 표면온도, var은 기류속도, pa는 수증기압, hc는 인체 표면의 대류 열전달율, PMV는 온열환경 평가지표값이다.
  2. 삭제
  3. 제1항에 있어서,
    상기 실내표면온도값, 상기 실외공기온도값, 상기 복수의 온열값 및 지점별 온열환경 평가지표값을 각각 저장하는 저장부를 더 포함하는 기계 학습 기반의 온열 환경 예측 장치.
  4. 삭제
  5. 삭제
  6. 기계 학습 기반의 온열 환경 예측 장치를 이용한 예측 방법에 있어서,
    사용자로부터 예측하고자 하는 지점이 선택되면, 특정 공간 내 이격 배치된 다수의 실내표면온도 센서 및 실외공기온도 센서로부터 센싱된 온도값을 각각 입력받는 단계;
    상기 센싱된 실내표면온도값 및 실외공기온도값을 입력값으로 하고, 각 지점별로 실내표면온도 센서 및 실외공기온도 센서를 배치하여 센싱되는 온도값을 인공신경망 구조로 학습하여 기 생성된 제1 신경망 모델을 이용하여 상기 선택된 지점의 복수의 온열인자에 대한 온열값을 각각 예측하는 단계;
    상기 예측된 복수의 온열값과 기 고정된 복수의 온열인자의 온열값을 입력값으로 하고, 상기 예측된 복수의 온열값 및 상기 기 고정된 복수의 온열값을 인공신경망 구조로 기계 학습하여 기 생성된 제2 신경망 모델을 이용하여 상기 지점의 온열환경 평가지표값(PMV)을 예측하는 단계; 및
    예측된 상기 지점의 온열환경 평가지표값을 출력하는 단계를 포함하고,
    상기 복수의 온열인자는 공기온도, 평균복사온도, 착의량 및 습도를 포함하고, 상기 기 고정된 복수의 온열인자는 기류속도 및 대사량을 포함하며,
    상기 온열환경 평가지표값을 생성하는 단계는,
    다음의 수학식에 의해 온열환경 평가지표값을 예측하는 온열 환경 예측 방법:
    Figure 112018104013349-pat00037

    Figure 112018104013349-pat00038

    Figure 112018104013349-pat00039

    Figure 112018104013349-pat00040

    Figure 112018104013349-pat00041

    여기서, M은 대사량, W는 외부일, Icl은 착의량, ta는 공기온도, tr은 평균복사온도, fcl은 의류 표면적 계수, tcl은 의류 표면온도, var은 기류속도, pa는 수증기압, hc는 인체 표면의 대류 열전달율, PMV는 온열환경 평가지표값이다.
  7. 삭제
  8. 제6항에 있어서,
    상기 실내표면온도값, 상기 실외공기온도값, 상기 복수의 온열값 및 지점별 온열환경 평가지표값을 각각 저장하는 단계를 더 포함하는 온열 환경 예측 방법.
  9. 삭제
  10. 삭제
KR1020170004033A 2017-01-11 2017-01-11 기계 학습 기반의 온열 환경 예측 장치 및 그 방법 KR101936136B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170004033A KR101936136B1 (ko) 2017-01-11 2017-01-11 기계 학습 기반의 온열 환경 예측 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170004033A KR101936136B1 (ko) 2017-01-11 2017-01-11 기계 학습 기반의 온열 환경 예측 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20180082764A KR20180082764A (ko) 2018-07-19
KR101936136B1 true KR101936136B1 (ko) 2019-01-09

Family

ID=63058274

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170004033A KR101936136B1 (ko) 2017-01-11 2017-01-11 기계 학습 기반의 온열 환경 예측 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR101936136B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111023254A (zh) * 2019-12-23 2020-04-17 北京华远意通热力科技股份有限公司 一种供热系统水温精细化控制方法与系统
KR20230075686A (ko) 2021-11-23 2023-05-31 경상국립대학교산학협력단 축사 실내 온습도 예측을 위한 기계학습 알고리즘 간 비교 및 제어 방법
KR102586298B1 (ko) 2023-07-11 2023-10-06 경희대학교 산학협력단 히트펌프 시스템 온도센서 예측모델, 그 예측모델을이용한 온도센서 예측, 진단시스템
KR102598352B1 (ko) * 2023-06-26 2023-11-03 한국토지주택공사 Pmv 예측 모델 생성 시스템 및 방법

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020062262A1 (en) * 2018-09-30 2020-04-02 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for generating a neural network model for image processing
CN109829561B (zh) * 2018-11-15 2021-03-16 西南石油大学 基于平滑处理与网络模型机器学习的事故预测方法
KR102208037B1 (ko) * 2018-12-21 2021-01-26 한국기술교육대학교 산학협력단 실내 대기 환경 개선을 위한 최적의 활동의 자동 추천 방법
CN110766132B (zh) * 2019-09-10 2020-09-25 淮阴工学院 一种基于物联网的果园产量智能预测系统
CN110895011B (zh) * 2019-11-08 2020-12-18 珠海格力电器股份有限公司 一种空调控制方法、装置、存储介质及空调
KR102323033B1 (ko) * 2019-11-19 2021-11-10 한국에너지기술연구원 기계 학습 기반 에너지 자동 제어 장치 및 그 방법
CN111780332B (zh) * 2020-07-14 2021-08-27 浙江广播电视大学 一种中央空调分户计量方法及装置
KR102383990B1 (ko) * 2020-11-25 2022-04-12 경희대학교 산학협력단 열회수 환기장치의 공기질 향상 및 에너지 절약을 위한 환기장치 제어방법
CN113465139B (zh) * 2021-05-28 2022-11-08 山东英信计算机技术有限公司 一种制冷优化方法、系统、存储介质及设备
CN113919588A (zh) * 2021-11-08 2022-01-11 日立楼宇技术（广州）有限公司 一种热舒适度预测方法、装置、设备及存储介质
CN114777193B (zh) * 2022-04-24 2023-05-30 浙江英集动力科技有限公司 一种供热系统二级网分户调控模式切换方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008057831A (ja) * 2006-08-30 2008-03-13 Toshiba Corp 空調制御システム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008057831A (ja) * 2006-08-30 2008-03-13 Toshiba Corp 空調制御システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Ferreira, Pedro M., et al. "Neural network PMV estimation for model-based predictive control of HVAC systems." Neural Networks (IJCNN), The 2012 International Joint Conference on. IEEE, 2012.*

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111023254A (zh) * 2019-12-23 2020-04-17 北京华远意通热力科技股份有限公司 一种供热系统水温精细化控制方法与系统
CN111023254B (zh) * 2019-12-23 2020-10-30 北京华远意通热力科技股份有限公司 一种供热系统水温精细化控制方法与系统
KR20230075686A (ko) 2021-11-23 2023-05-31 경상국립대학교산학협력단 축사 실내 온습도 예측을 위한 기계학습 알고리즘 간 비교 및 제어 방법
KR102598352B1 (ko) * 2023-06-26 2023-11-03 한국토지주택공사 Pmv 예측 모델 생성 시스템 및 방법
KR102586298B1 (ko) 2023-07-11 2023-10-06 경희대학교 산학협력단 히트펌프 시스템 온도센서 예측모델, 그 예측모델을이용한 온도센서 예측, 진단시스템

Also Published As

Publication number Publication date
KR20180082764A (ko) 2018-07-19

Similar Documents

Publication Publication Date Title
KR101936136B1 (ko) 기계 학습 기반의 온열 환경 예측 장치 및 그 방법
KR101905308B1 (ko) 실내 온열환경 평가지표값을 이용한 냉난방 제어 장치 및 그 방법
Castilla et al. Neural network and polynomial approximated thermal comfort models for HVAC systems
Ríos-Moreno et al. Modelling temperature in intelligent buildings by means of autoregressive models
Atthajariyakul et al. Neural computing thermal comfort index for HVAC systems
Chen et al. Model predictive control for indoor thermal comfort and energy optimization using occupant feedback
Holopainen et al. Comfort assessment in the context of sustainable buildings: Comparison of simplified and detailed human thermal sensation methods
Soleimani-Mohseni et al. Estimation of operative temperature in buildings using artificial neural networks
Goyal et al. Identification of multi-zone building thermal interaction model from data
Li et al. Development of a back-propagation neural network and adaptive grey wolf optimizer algorithm for thermal comfort and energy consumption prediction and optimization
KR20190062307A (ko) 열화상 카메라를 이용한 실내 온열 환경 평가 장치 및 그 방법
EP3137865A1 (en) System and method for monitoring a state of a fluid in an indoor space as well as a climate control system
Tse et al. A distributed sensor network for measurement of human thermal comfort feelings
Yang et al. Prediction of the time of room air temperature descending for heating systems in buildings
Kim et al. A study on the sensor calibration method using data-driven prediction in VAV terminal unit
Lu et al. Prediction of water evaporation rate for indoor swimming hall using neural networks
Shu et al. Thermal sensation modeling and experiments for liquid-cooled garments
Lee et al. A study of the predictive control of the ondol system in apartments
Chong et al. Sensitivity analysis of heat transfer rate for smart roof design by adaptive neuro-fuzzy technique
Ben-Nakhi et al. Inter-model comparison of CFD and neural network analysis of natural convection heat transfer in a partitioned enclosure
KR20200036978A (ko) 공조 제어 장치 및 방법
Ismail et al. A comprehensive optimization study of personal cooling radiant desks integrated to HVAC system for energy efficiency and thermal comfort in office buildings
Zhang et al. Multi-factor indicator of thic intelligent lighting system with bp neural network
KR102611880B1 (ko) 건물 에너지 최적 제어를 위해 실내온도를 포함한 환경변수 분포 예측 모델을 생성하는 방법
JP3805968B2 (ja) 空調システム

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