KR102103006B1 - 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치 - Google Patents

기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치 Download PDF

Info

Publication number
KR102103006B1
KR102103006B1 KR1020180119606A KR20180119606A KR102103006B1 KR 102103006 B1 KR102103006 B1 KR 102103006B1 KR 1020180119606 A KR1020180119606 A KR 1020180119606A KR 20180119606 A KR20180119606 A KR 20180119606A KR 102103006 B1 KR102103006 B1 KR 102103006B1
Authority
KR
South Korea
Prior art keywords
building
data
prediction model
freezer
performance prediction
Prior art date
Application number
KR1020180119606A
Other languages
English (en)
Other versions
KR20200039964A (ko
Inventor
윤상수
공동석
최선규
황승호
박철수
안기언
박성호
Original Assignee
에스케이 텔레콤주식회사
서울대학교 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 에스케이 텔레콤주식회사, 서울대학교 산학협력단 filed Critical 에스케이 텔레콤주식회사
Priority to KR1020180119606A priority Critical patent/KR102103006B1/ko
Publication of KR20200039964A publication Critical patent/KR20200039964A/ko
Application granted granted Critical
Publication of KR102103006B1 publication Critical patent/KR102103006B1/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
    • F24F11/30—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
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Air Conditioning Control Device (AREA)
  • Feedback Control In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치를 개시한다.
본 실시예는 건물 내의 설비를 최적 운전하기 위해 건물 내에 구비된 설비로부터 측정한 출력치를 데이터 기반 기계학습 모델에 입력하여 일반적인 시뮬레이션 모델의 한계점을 극복하고, 건물설비 시스템(특히 냉동기, 전력량 등)에 대하여 현재 운영상태 진단과 최적의 운영조건을 제시하도록 하는 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치를 제공한다.

Description

기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치{Method and Apparatus for Operating Optimal of Equipment based on Machine Learning Model}
본 실시예는 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치에 관한 것이다.
이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
건물에서 사용하는 에너지 소비가 증가됨에 따라 건물 에너지 효율 개선의 필요성이 커지고 있다. 건물 에너지 효율 개선 필요성이 증대됨에 따라, 고효율, 저에너지로 운전하고자 하는 대형 건물 위주로 BEMS(Building Energy Management System)의 도입이 확산되고 있다.
하지만, 대부분의 건물은 BEMS를 설비 시스템의 운전 상태를 단순히 확인하거나 데이터를 수집하는 정도로 사용하고 있다. 즉, 대부분의 건물은 운영 및 에너지 관리시 운영자의 경험적 지식(Rule of Thumb)에 의존하고 있다.
건물 에너지를 효율적으로 관리하기 위해서는 과학적, 정량적인 분석을 기반으로 설비 시스템을 제어해야 한다. 따라서, 건물을 고효율, 저에너지로 운전하기 위해서는 건물설비 제어를 위해 건물 시스템의 동적 거동할 수 있는 시뮬레이션 모델이 필요하다. 시뮬레이션 모델은 일반적으로 ‘제1법칙 기반(First Principles-Based, Physics-Based) 모델’과 ‘데이터 기반(Data-Driven) 모델’로 구분된다.
‘제1법칙 기반의 모델’은 일반적으로 사용하던 모델 제작 방법을 의미한다. ‘제1법칙 기반의 모델’은 열전달, 물질전달과 같은 물리적 수식을 이용한 시뮬레이션 모델이다. ‘제1법칙 기반의 모델’은 ① 대수방정식 모델(예: ISO-13790), ② 동적 시뮬레이션 툴(예: EnergyPlus, TRNSYS) 등을 포함한다. ‘제1법칙 기반의 모델’은 다수의 미지(Unknown) 변수로 인해 불확실성이 존재(예컨대, 침기, 기기효율, 인체, 조명, 기기 등의 내부발열 밀도 및 스케줄)한다.
‘데이터 기반(Data-Driven) 모델’은 건물의 동적 거동을 물리적 법칙(제1법칙: 열전달, 열역학)이 아닌, 입력 및 출력 데이터의 관계를 확률 및 통계적으로 정의한 모델이다. ‘데이터 기반 모델’은 물리 현상을 설명하기 위한 전문적 지식이 불필요하며, 미지의 입력변수에 대한 별도의 추정과정이 요구되지 않는다.
‘데이터 기반 모델’은 운영단계에서 데이터를 수집하는 일반적인 건물에 효과적으로 이용될 수 있다. ‘데이터 기반 모델’에는 다양한 유형이 존재한다. ‘데이터 기반 모델’에는 하나의 종속변수와 하나의 독립변수 사이의 관계를 설명하는 단순회귀분석(Simple Regression Analysis), 하나의 종속변수와 다수의 독립변수 사이의 관계를 설명하는 다중회귀분석(Multiple Regression Analysis), 변화의 시점을 구분하여 종속변수와 독립변수의 관계를 통계적으로 해석하는 변화시점 모형(Change Point Model), 시계열 데이터의 이전값과 이후값의 영향력에 대한 자기상관(Autocorrelation)을 고려하는 자기회귀(Autoregressive) 모형, 신경망(Neural Network) 모델, 서포트 벡터 머신(Support Vector Machine) 등과 같은 기계학습(Machine learning) 모델이 사용될 수 있다.
‘제1법칙 기반의 모델’은 일반적인 에너지 해석 프로그램(예컨대, EnergyPlus, TRNSYS)을 이용하는 경우가 많다. 하지만, 일반적인 에너지 해석 프로그램을 이용하는 경우, 에너지 해석 툴의 한계, 모델링 과정에서의 가정 및 단순화, 기기들의 노후화, 입력 변수의 불확실성 등으로 인한 신뢰성에 문제가 있다.
‘데이터 기반 모델’은 종속변수에 대한 독립변수의 개수에 제한을 받지 않으며, 독립변수와 종속변수의 비선형 관계에 대한 표현이 가능하기 때문에, 건물 및 시스템의 동역학(Dynamics)에 대한 표현에 적합하다.
따라서, ‘데이터 기반 모델’의 기계학습 능력을 활용하여, 일반적인 건물의 다양한 설비 시스템의 동적 거동을 표현하는 기술을 필요로 한다. 특히, 기계학습 모델의 예측 기반 설비 시스템의 최적 제어 구현(Model Predictive Control: MPC)을 수행하여 단순 정보 수집 및 운영자 경험 중심적인 현재의 BEMS 운영을 효과적으로 개선하는 기술을 필요로 한다.
본 실시예는 건물 내의 설비를 최적 운전하기 위해 건물 내에 구비된 설비로부터 측정한 출력치를 데이터 기반 기계학습 모델에 입력하여 일반적인 시뮬레이션 모델의 한계점을 극복하고, 건물설비 시스템(특히 냉동기, 전력량 등)에 대하여 현재 운영상태 진단과 최적의 운영조건을 제시하도록 하는 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치를 제공하는 데 목적이 있다.
본 실시예의 일 측면에 의하면, BEMS(Building Energy Management System)로부터 건물에 대한 측정항목 데이터를 수집하는 데이터 수집부; 상기 측정항목 데이터를 선별적으로 분석한 분석 데이터를 생성하는 데이터 분석부; 상기 분석 데이터를 기반으로 상기 건물에 대한 설비성능 예측모델을 생성하는 기계학습 모델제작부; 및 상기 설비성능 예측모델을 기반으로 상기 건물에 대한 최적설비 운전 조건을 탐색하여 최적 운전정보를 생성하는 효율운전 조건탐색부를 포함하는 것을 특징으로 하는 건물설비 최적장치를 제공한다.
본 실시예의 다른 측면에 의하면, BEMS로부터 건물에 대한 측정항목 데이터를 수집하는 과정; 상기 측정항목 데이터를 선별적으로 분석한 분석 데이터를 생성하는 과정; 상기 분석 데이터를 기반으로 현재 운영 상태를 진단한 운영 진단 정보를 생성하는 과정; 및 상기 설비성능 예측모델을 기반으로 상기 건물에 대한 최적설비 운전 조건을 탐색하여 최적 운전정보를 생성하는 과정을 포함하는 것을 특징으로 하는 기계학습모델 기반 설비기기의 최적 운전 방법을 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 건물 내의 설비를 최적 운전하기 위해 건물 내에 구비된 설비로부터 측정한 출력치를 데이터 기반 기계학습 모델에 입력하여 일반적인 시뮬레이션 모델의 한계점을 극복하고, 건물설비 시스템(특히 냉동기, 전력량 등)에 대하여 현재 운영상태 진단과 최적의 운영조건을 제시할 수 있는 효과가 있다.
본 실시예에 의하면, 기계학습 기반의 설비시스템 최적제어를 건물 운영단계에 적용함으로써 정량적이고 과학적인 분석이 가능한 효과가 있다. 본 실시예에 의하면, 데이터 기반 기계학습 모델을 기반으로 최적의 운영 지점 탐색을 하여, 건물의 주요 설비 시스템의 운전 효율을 향상시킬 수 있는 효과가 있다.
본 실시예에 의하면, 건물 내의 설비를 최적 운전하기 위해 실제 BEMS상의 실측 데이터를 이용하므로, 건물의 현재 운전 상태에 대한 진단이 가능한 효과가 있다.
도 1은 본 실시예에 따른 기계학습모델 기반의 건물설비 시스템을 개략적으로 나타낸 블럭 구성도이다.
도 2는 본 실시예에 따른 건물설비 최적장치를 개략적으로 나타낸 블럭 구성도이다.
도 3은 본 실시예에 따른 건물설비 중 냉동기 성능 그래프를 나타낸 도면이다.
도 4는 본 실시예에 따른 건물설비 중 냉동기 BEMS 측정 항목과 계측 지점을 나타낸 도면이다.
도 5는 본 실시예에 따른 인공신경망 모델 구조를 나타낸 도면이다.
도 6은 본 실시예에 따른 기계학습모델 기반 설비 기기의 최적 운전 방법을 설명하기 위한 순서도이다.
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 실시예에 따른 기계학습모델 기반의 건물설비 시스템을 개략적으로 나타낸 블럭 구성도이다.
본 실시예에 따른 건물설비 시스템은 건물(110), 건물설비 운영장치(120), BEMS(Building Energy Management System)(130), 건물설비 최적장치(140), 운영자 단말기(150)를 포함한다. 건물설비 시스템에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
기계학습모델 기반의 건물설비 시스템은 도 1에 도시된 바와 같이, 건물설비 시스템(특히, 냉동기, 전력량 등)의 현재 상태 진단과 기계학습 모델을 이용한 효율적 운전 조건 탐색하도록 하는 건물설비 운영을 수행한다.
건물(110)은 고효율, 저에너지로 운전하고자 하는 BEMS(130)를 포함한 대형 건물을 의미한다. 건물(110)에 포함된 건물 설비는 BEMS(130)와 연결되어 건물 운영 및 에너지 관련 데이터를 BEMS(130)로 전달한다. 건물(110)은 주로 건물 내 에너지 소비와 연관이 있는 설비 시스템과 관련된 항목 측정을 위한 센서, 계측기 등을 포함한다.
건물설비 운영장치(120)는 BEMS(130)와 건물설비 최적장치(140)를 포함한다. 건물설비 운영장치(120)는 BEMS(130)와 건물설비 최적장치(140)를 포함하여 하나의 장치로 구현될 수 있으나 반드시 이에 한정되는 것은 아니다.
BEMS(130)는 건설기술과 ICT(Information & Communication Technology) 기술, 에너지기술을 기반으로 건물(110)에 대한 각종 설비에 대한 출력치를 측정한 측정항목 데이터를 생성한다. BEMS(130)는 각종 설비에 대한 출력치를 모두 포함한 측정항목 데이터를 건물설비 최적장치(140)로 전송한다. 예컨대, BEMS(130)는 건물(110)에 구비된 설비로부터 약 929개의 항목을 측정할 수 있다.
건물설비 최적장치(140)는 BEMS(130)로부터 건물(110)에 대한 측정항목 데이터를 수집한다. 건물설비 최적장치(140)는 측정항목 데이터를 선별적으로 분석한 분석 데이터를 생성한다. 건물설비 최적장치(140)는 분석 데이터를 기반으로 현재 운영 상태를 진단한 운영 진단 정보를 생성한다. 건물설비 최적장치(140)는 분석 데이터를 기반으로 건물(110)에 대한 설비성능 예측모델을 생성한다. 건물설비 최적장치(140)는 설비성능 예측모델을 기반으로 건물(110)에 대한 최적설비 운전 조건을 탐색하여 최적 운전정보를 생성한다. 건물설비 최적장치(140)는 운영 진단정보와 최적 운전정보를 시각화하여 운영자 단말기(150)로 전송한다.
건물설비 최적장치(140)는 건물(110)에 구비된 설비 시스템에 대한 ‘데이터 기반 기계학습 모델’인 ‘냉동기 성능예측 모델’, ‘전력사용량 성능예측 모델’ 등을 구축하고, ‘냉동기 성능예측 모델’, ‘전력사용량 성능예측 모델’ 등을 이용하여 운영자가 효율적으로 건물 설비를 운영하도록 한다.
건물설비 최적장치(140)는 기계학습 모델의 일종인 인공신경망(ANN: Artificial Neural Network)을 이용하여 건물(110)에 구비된 설비 중 냉동기의 성능을 예측하는 모델(‘냉동기 성능예측 모델’), 전력사용량을 예측하는 모델(‘전력사용량 성능예측 모델’)을 구축한다.
건물설비 최적장치(140)는 ‘냉동기 성능예측 모델’, ‘전력사용량 성능예측 모델’ 등을 이용하여 건물(110)에 구비된 설비의 운영상태를 진단하고 효율적인 운영 방안을 시각화하여 운영자 단말기(150)로 전송한다. 운영자는 운영자 단말기(150)에 출력된 운영 방안을 기반으로 효율적인 운전방식으로 건물(110) 내 설비를 운영할 수 있다.
건물설비 최적장치(140)는 건물(110)에 구비된 설비로부터 측정한 측정항목 데이터를 이용한 ‘데이터 기반 기계학습 모델’을 이용하여, 일반적인 물리 모델의 한계점을 극복하고, 건물설비 시스템, 특히 냉동기에 대하여 현재 운영 상태 진단과 최적의 운영 조건 등을 탐색한다.
건물설비 최적장치(140)는 ‘데이터 기반 기계학습 모델’인 ‘설비성능 예측모델’을 기반으로 운영자가 건물(110)의 현재 운전 상태를 확인하고 최적의 운전 조건으로 운영할 수 있도록 한다. 건물설비 최적장치(140)에서 구축한 ‘데이터 기반 기계학습 모델’은 추후 자동제어의 영역으로의 확장이 용이하다.
운영자 단말기(150)는 운영자의 키 조작에 따라 네트워크를 경유하여 각종 웹 페이지 데이터를 수신할 수 있는 전자기기를 의미한다. 운영자 단말기(150)는 태블릿 PC(Tablet PC), 랩톱(Laptop), 개인용 컴퓨터(PC: Personal Computer), 스마트폰(Smart Phone), 개인휴대용 정보단말기(PDA: Personal Digital Assistant) 및 이동통신 단말기(Mobile Communication Terminal) 등 중 어느 하나일 수 있다.
운영자 단말기(150)는 네트워크를 경유하여 건물설비 운영장치(120)에 접속하기 위한 웹 브라우저와 프로그램을 저장하기 위한 메모리, 프로그램을 실행하여 연산 및 제어하기 위한 마이크로프로세서 등을 구비한다.
도 2는 본 실시예에 따른 건물설비 최적장치를 개략적으로 나타낸 블럭 구성도이다.
본 실시예에 따른 건물설비 최적장치(140)는 데이터 수집부(210), 데이터 분석부(220), 현재운영 상태진단부(230), 기계학습 모델제작부(240), 효율운전 조건탐색부(250), 시각화부(260)를 포함한다. 건물설비 최적장치(140)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
데이터 수집부(210)는 건물(110)에 구비된 BEMS(130)로부터 건물(110)로부터 측정한 측정항목 데이터를 수집한다. 데이터 수집부(210)는 건물(110)과 관련된 측정항목 데이터를 BEMS(130)로부터 수집하기 일종의 통신 모듈을 의미한다. 데이터 수집부(210)는 BEMS(130)로부터 수집한 측정항목 데이터를 메모리(저장부)에 저장한다. 데이터 수집부(210)는 메모리(저장부)에 저장된 건물(110)에 대한 대량의 측정항목 데이터들을 취합하고 가공한다.
데이터 수집부(210)는 BEMS(130)로부터 수집한 측정항목 데이터 중 냉동기의 성능예측 모델 제작을 위한 데이터를 수집 및 가공한다. 데이터 수집부(210)는 운영자에 의해 목표로 하는 건물(110)의 설비시스템의 데이터 기반 기계학습 모델 제작을 위한 데이터를 선택적으로 수집하고 가공한다.
데이터 수집부(210)는 목표 설비시스템에 대한 데이터의 선택적 수집과 가공을 수행한다. 데이터 수집부(210)는 해당 설비시스템의 효율(예컨대, 냉동기 성능(COP))을 계산할 수 있는 측정항목 데이터를 BEMS(130)로부터 수집한다. 데이터 수집부(210)는 설비 시스템의 계통도 및 BEMS 계측 지점 확인하여 기계학습 모델 개발에 사용할 데이터를 최종 결정한다.
데이터 분석부(220)는 데이터 수집부(210)에서 수집된 측정항목 데이터를 분석한 분석 데이터를 생성한다. 데이터 분석부(220)는 측정항목 데이터를 기반으로 건물(110)에 포함된 건물 설비 예측모델(예컨대, ‘냉동기 성능예측 모델’, ‘전력사용량 성능예측 모델’)을 제작하기 위한 데이터 선별 과정을 수행한다.
데이터 분석부(220)는 건물(110)에서 약 929개 항목을 측정한 다량의 측정 데이터를 포함한 측정항목 데이터를 BEMS(130)로부터 수집한다. 데이터 분석부(220)는 측정항목 데이터(다량의 측정 데이터) 중 ‘냉동기 성능예측 모델’, ‘전력사용량 성능예측 모델’ 등을 제작하기 위한 데이터를 선별한다.
예컨대, 데이터 분석부(220)는 냉동기에 대한 지식이나, 도 3과 같은 냉동기의 계통도 등을 측정항목 데이터(다량의 측정 데이터) 중 냉동기 관련 파라미터를 선별한다.
데이터 분석부(220)는 데이터 수집부(210)로부터 수신한 측정항목 데이터를 선별적으로 분석한 분석 데이터를 생성한다. 데이터 분석부(220)는 측정항목 데이터 중 기 설정된 목표 설비 정보, 효율치 및 설비 계통도 중 적어도 하나 이상에 대응하는 측정항목 파라미터만을 추출하여 선별 데이터를 생성한다. 데이터 분석부(220)는 선별 데이터만을 분석하여 분석 데이터를 생성한다.
데이터 분석부(220)는 기 설정된 목표 설비 정보가 냉동기인 경우, 측정항목 데이터 중 냉동기 효율치, 냉동기 계통도 중 적어도 하나 이상에 대응하는 측정항목 파라미터만을 추출하여 선별 데이터를 생성한다.
데이터 분석부(220)에서 측정항목 데이터(다량의 측정 데이터)로부터 추출하는 냉동기 성능(COP: Coefficient Of Performance) 예측 모델을 제작하기 위한 필요한 데이터는 도 3에 도시된 바와 같다.
도 3에 도시된 바와 같이, 데이터 분석부(220)는 BEMS(130)가 건물(110) 내의 냉각탑으로부터 측정한 항목 중 냉동기 전력량(Pchiller, x1)[kWh], 냉동기 운전상태(x2)[on/off], 외기온도(t0, x3)[℃]를 냉동기 성능예측 모델에 필요한 데이터로 선별한다. 데이터 분석부(220)는 BEMS(130)가 건물(110) 내의 냉각탑과 응축기 사이의 선로로부터 측정한 항목 중 냉각수 환수온도(tcond,l, x4)[℃], 냉각수 공급온도(tcond,e, x5)[℃], 냉각수 유량(m· cond, x6)[kg/s]를 냉동기 성능예측 모델에 필요한 데이터로 선별한다. 데이터 분석부(220)는 BEMS(130)가 건물(110) 내의 응축기와 팽창밸브와 압축기로 연결된 증발기로부터 측정한 항목 중 냉수 유량(m· cw , x7)[kg/s], 냉수 공급온도(tcw,l `, x8)[℃], 냉수 환수온도(tcw,e `, x9)[℃]를 냉동기 성능예측 모델에 필요한 데이터로 선별한다.
데이터 분석부(220)는 냉동기 공급 열량(Qsupply), 냉동기 전력량(Pchiller), 냉수 유량(m· cw ), 물의 비열(Cp), 냉수의 공급온도와 환수온도의 차이(|x9-x8|)을 기반으로 냉동기 성능(COP)을 산출한다.
데이터 분석부(220)는 전술한 냉동기 성능예측 모델에 필요한 데이터들은 냉동기 성능(COP)를 계산하기 위한 필수적 데이터이며, [수학식 1]을 이용하여 산출할 수 있다.
Figure 112018098872849-pat00001
여기에서, COP는 냉동기 성능, Qsupply는 냉동기의 공급 열량, Pchiller는 냉동기의 전력사용량, m· cw는 냉수의 유량, Cp는 물의 비열, |x9-x8| 는 냉수의 공급온도와 환수온도의 차이를 의미한다.
현재운영 상태진단부(230)는 분석 데이터를 기반으로 현재 운영 상태를 진단한다. 현재운영 상태진단부(230)는 데이터 분석부(220)에서 선정된 ‘냉동기 성능예측 모델’, ‘전력사용량 성능예측 모델’ 등에 필요한 데이터의 분석하여 해당 건물(110)의 운영 로직을 확인한다. 현재운영 상태진단부(230)는 실제 운영자들의 인터뷰 데이터를 기반으로 해당 건물(110)의 운영 로직을 확인할 수 있다.
현재운영 상태진단부(230)는 데이터 분석부(220)로부터 수신한 분석 데이터를 기반으로 현재 운영 상태를 진단한 운영 진단 정보를 생성한다. 현재운영 상태진단부(230)는 분석 데이터를 기반으로 건물(110)의 운영 로직을 확인한 후 분석 데이터 및 운영 로직을 기반으로 현재 운영 상태를 진단한 운영 진단 정보를 생성한다.
기계학습 모델제작부(240)는 데이터 분석부(220)로부터 수신한 분석 데이터를 기반으로 건물에 대한 설비성능 예측모델을 생성한다. 기계학습 모델제작부(240)는 기 설정된 목표 설비 정보가 냉동기인 경우, 분석 데이터를 인공신경망(ANN: Artificial Neural Network) 모델에 입력변수로 입력한 후 선행학습을 수행하여 냉동기 성능 예측 모델인 설비성능 예측모델을 생성한다.
기계학습 모델제작부(240)는 수집된 데이터를 이용하여, 해당 설비 시스템의 기계학습 모델을 제작한다. 기계학습 모델제작부(240)는 데이터 수집부(210)에서 수집된 데이터를 이용하여, 해당 설비 기기의 효율 혹은 전력사용량 등을 예측값(Output)으로 포함한 ‘냉동기 성능예측 모델’, ‘전력사용량 성능예측 모델’ 등을 제작한다. 기계학습 모델제작부(240)는 ‘냉동기 성능예측 모델’, ‘전력사용량 성능예측 모델’등의 변수 중에는 반드시 제어 가능한 변수를 포함한다.
기계학습 모델제작부(240)는 데이터 분석부(220)에서 선정된 냉동기 성능예측 모델에 필요한 데이터 기반으로 냉동기 성능(COP)을 예측하는 ‘냉동기 성능예측 모델’을 생성한다. 예컨대, 기계학습 모델제작부(240)는 냉동기의 동적 거동을 예측하는 인공신경망(ANN: Artificial Neural Network) 모델을 이용한다. 도 5에 도시된 바와 같이, 인공신경망 모델은 다층-퍼셉트론(Multi-Layer Perceptron)을 기본으로 한다.
인공신경망 모델에 포함되는 각 층(layer)은 파라미터(가중치)를 결정하기 위한 노드(node)를 포함한다. 은닉층(Hidden-Layers)과 노드(Node)는 모델의 성능에 영향을 주지만, 그 수에 대한 정형적인 결정 방법은 없다. 인공신경망 모델은 [수학식 2]에 기재된 역전파(Back Propagation) 방법을 이용하여 모델의 출력값(N(w,xi))과 측정값(yi)의 오차를 최소화하도록, 노드와 노드 사이의 가중치 파라미터가 갱신된다.
가중치의 학습 알고리즘으로는 경사 하강법(Gradient Descent), Levenberg-Marquardt 방법, Bayesian Regularization 방법 등이 활용된다.
Figure 112018098872849-pat00002
여기에서, w는 가중치, p는 데이터의 개수, x는 입력값, y는 측정값을 의미한다.
기계학습 모델제작부(240)는 냉동기 성능예측 모델의 파라미터를 다음과 같이 설정할 수 있다. 예컨대, 기계학습 모델제작부(240)는 ‘Number of hidden layers’를 ‘2’로 설정하고, ‘Number of nodes at each layer’를 ‘11’로 설정하고, ‘Epoch’를 ‘5,000’로 설정하고, ‘Batch size’를 ‘192’로 설정하고, ‘Optimization technique’를 ‘Adaptive moment estimation (Gradient descent)’로 설정하고, ‘Activation function’를 ‘Hyperbolic tangent’로 설정한다.
효율운전 조건탐색부(250)는 기계학습 모델제작부(240)에서 생성한 설비성능 예측모델을 기반으로 건물(110)에 대한 최적설비 운전 조건을 탐색하여 최적 운전정보를 생성한다. 효율운전 조건탐색부(250)는 설비성능 예측모델의 예측값(Output)이 냉동기 성능(COP)인 경우 냉동기 성능(COP)이 해당 제어변수 영역에서 최대의 값을 가지는 지점을 최적 운전 조건으로 탐색한 최적 운전정보를 생성한다. 효율운전 조건탐색부(250)는 설비성능 예측모델의 예측값(Output)이 전력사용량인 경우 전력사용량이 해당 제어변수 영역에서 최소값을 가지는 지점을 최적 운전 조건으로 탐색한 최적 운전정보를 생성한다.
효율운전 조건탐색부(250)는 생성된 기계학습 모델을 이용한 해당 설비 시스템의 효율 관점의 최적 운전을 탐색한다. 효율운전 조건탐색부(250)는 기계학습 모델제작부(240)에서 생성한 ‘냉동기 성능예측 모델’을 기반으로 기 설정된 조건을 기반으로 효율적인 운전을 위한 조건을 탐색한 효율운전 조건 정보를 생성한다.
효율운전 조건탐색부(250)는 기계학습 모델제작부(240)에서 설정한 제어변수(들)의 변화를 기반으로 예측값(냉동기 성능(COP) 또는 전력사용량)의 변화를 표현한다. 효율운전 조건탐색부(250)는 최적의 운전 조건을 탐색한다. 효율운전 조건탐색부(250)는 ‘냉동기 성능예측 모델’의 예측값(Output)이 냉동기 성능(COP)일 경우 냉동기 성능(COP)이 해당 제어변수 영역에서 최대의 값을 가지는 지점, ‘냉동기 성능예측 모델’의 예측값(Output)이 전력사용량일 경우 전력사용량이 해당 제어변수 영역에서 최소값을 가지는 지점이 최적의 운전 조건으로 탐색한다.
시각화부(260)는 현재 운영 상태 정보와 효율 최적 운전 정보를 시각화한다. 시각화부(260)는 현재운영 상태진단부(230)에서 생성한 현재 운영상태 정보와 기계학습 모델제작부(240)에서 생성한 효율 최적 운전 정보를 시각화한다. 시각화부(260)는 시각화 정보를 건물(110)의 운영하는 운영자 단말기(150)로 전송한다.
시각화부(260)는 기계학습 모델제작부(240)에서 생성한 ‘냉동기 성능예측 모델’을 이용하여, 제어변수의 변화, 설비 시스템의 성능 변화를 그래프 등으로 표현한다.
시각화부(260)는 도 3에 도시된 바와 같이, 현재 운영 조건을 시각화한 후 운영자 단말기(150)로 전송하여 운영자로 하여금 가장 성능이 좋은 최적의 운영지점과 비교할 수 있도록 한다. 운영자 단말기(150)는 시각화부(260)로부터 수신된 시각화된 결과를 출력하며, 운영자는 현재 상태와 최적 운영 지점을 동시에 파악하여 건물(110)의 운영에 반영할 수 있다.
시각화부(260)는 현재운영 상태진단부(230)로부터 수신한 운영 진단정보와 효율운전 조건탐색부(250)로부터 수신된 최적 운전정보를 시각화한다. 시각화부(260)는 설비성능 예측모델을 기반으로 운영 진단정보와 최적 운전정보에 대한 제어변수의 변화를 설비 성능 변화를 그래프로 시각화한 후 운영자 단말기(150)로 전송한다.
도 3은 본 실시예에 따른 건물설비 중 냉동기 성능 그래프를 나타낸 도면이다.
도 3은 건물설비 최적장치(140) 내의 효율운전 조건탐색부(250) 및 시각화부(260)에서 사용되는 제어변수의 변화에 따른 냉동기의 성능을 나타낸 그래프의 예시이다. 도 3은 본 실시예에 적용되는 예시로서 ‘냉동기 성능예측 모델’을 3D-콘타(Contour)로서 표현한 하였으며, 현재 운영 상태와 최적의 운영 조건을 비교할 수 있도록 시각화된다.
건물설비 최적장치(140) 내의 시각화부(260)는 기계학습 모델제작부(240)에서 생성한 ‘냉동기 성능예측 모델’을 이용하여, 제어변수의 변화를 통한 설비 시스템의 성능 변화를 그래프 등으로 표현한다. 건물설비 최적장치(140) 내의 시각화부(260)는 현재 운영 조건 또한 동시에 표현하여, 가장 성능이 좋은 최적의 운영지점과 비교할 수 있도록 시각화하여 운영자 단말기(150)로 전송한다.
도 4는 본 실시예에 따른 건물설비 중 냉동기 BEMS 측정 항목과 계측 지점을 나타낸 도면이다.
도 4는 냉동기의 효율을 예측하는 기계학습 모델 제작 시, 사용 가능한 BEMS의 측정 항목을 나타낸다. 도 4에 도시된 바와 같이, 건물설비 최적장치(140)는 BEMS(130)가 건물(110) 내의 냉각탑으로부터 측정한 항목 중 냉동기 전력량(Pchiller, x1)[kWh], 냉동기 운전상태(x2)[on/off], 외기온도(t0, x3)[℃]를 냉동기 성능예측 모델에 필요한 데이터로 선별한다.
건물설비 최적장치(140)는 BEMS(130)가 건물(110) 내의 냉각탑과 응축기 사이의 선로로부터 측정한 항목 중 냉각수 환수온도(tcond,l, x4)[℃], 냉각수 공급온도(tcond,e, x5)[℃], 냉각수 유량(m· cond, x6)[kg/s]를 냉동기 성능예측 모델에 필요한 데이터로 선별한다.
건물설비 최적장치(140)는 BEMS(130)가 건물(110) 내의 응축기와 팽창밸브와 압축기로 연결된 증발기로부터 측정한 항목 중 냉수 유량(m· cw , x7)[kg/s], 냉수 공급온도(tcw,l`, x8)[℃], 냉수 환수온도(tcw,e`, x9)[℃]를 냉동기 성능예측 모델에 필요한 데이터로 선별한다.
건물설비 최적장치(140)는 전술한 냉동기 성능예측 모델에 필요한 데이터들은 냉동기 성능(COP)을 계산하기 위한 필수적 데이터이며, [수학식 1]을 이용하여 산출할 수 있다.
도 5는 본 실시예에 따른 인공신경망 모델 구조를 나타낸 도면이다.
도 5는 대표적인 기계학습 모델인 인공신경망모델(ANN)에 대한 구조도로서, 인공신경망 모델은 다층-퍼셉트론(Multi-Layer Perceptron)을 기본으로 한다.
인공신경망 모델에 포함되는 각 층(layer)은 파라미터(가중치)를 결정하기 위한 노드(Node)를 포함한다. 은닉층(Hidden-Layers)과 노드(Node)는 모델의 성능에 영향을 주지만, 그 수에 대한 정형적인 결정 방법은 없다. 인공신경망 모델은 [수학식 2]에 기재된 역전파(Back Propagation) 방법을 이용하여 모델의 출력값(N(w,xi))과 측정값(yi)의 오차를 최소화하도록, 노드와 노드 사이의 가중치 파라미터가 갱신된다.
가중치의 학습 알고리즘으로는 경사 하강법(Gradient Descent), Levenberg-Marquardt 방법, Bayesian Regularization 방법 등이 활용된다. 기계학습 모델제작부(240)는 냉동기 성능예측 모델의 파라미터를 다음과 같이 설정할 수 있다. 예컨대, 기계학습 모델제작부(240)는 ‘Number of hidden layers’를 ‘2’로 설정하고, ‘Number of nodes at each layer’를 ‘11’로 설정하고, ‘Epoch’를 ‘5,000’로 설정하고, ‘Batch size’를 ‘192’로 설정하고, ‘Optimization technique’를 ‘Adaptive moment estimation (Gradient descent)’로 설정하고, ‘Activation function’를 ‘Hyperbolic tangent’로 설정한다.
도 6은 본 실시예에 따른 기계학습모델 기반 설비 기기의 최적 운전 방법을 설명하기 위한 순서도이다.
건물설비 최적장치(140)는 BEMS(130)로부터 건물(110)에 대한 측정항목 데이터를 수집한다(S610).
건물설비 최적장치(140)는 데이터 수집부(210)로부터 수신한 측정항목 데이터를 선별적으로 분석한 분석 데이터를 생성한다(S620). 단계 S620에서, 건물설비 최적장치(140)는 측정항목 데이터 중 기 설정된 목표 설비 정보, 효율치 및 설비 계통도 중 적어도 하나 이상에 대응하는 측정항목 파라미터만을 추출하여 선별 데이터를 생성한다. 건물설비 최적장치(140)는 선별 데이터만을 분석하여 분석 데이터를 생성한다.
건물설비 최적장치(140)는 기 설정된 목표 설비 정보가 냉동기인 경우, 측정항목 데이터 중 냉동기 효율치, 냉동기 계통도 중 적어도 하나 이상에 대응하는 측정항목 파라미터만을 추출하여 선별 데이터를 생성한다.
건물설비 최적장치(140)는 기 설정된 목표 설비 정보가 냉동기인 경우, 건물(110) 내의 냉각탑으로부터 측정한 항목 중 냉동기 전력량(Pchiller, x1)[kWh], 냉동기 운전상태(x2)[on/off], 외기온도(t0, x3)[℃]를 측정항목 파라미터로 추출한다. 건물설비 최적장치(140)는 건물(110) 내의 냉각탑과 응축기 사이의 선로로부터 측정한 항목 중 냉각수 환수온도(tcond,l, x4)[℃], 냉각수 공급온도(tcond,e, x5)[℃], 냉각수 유량(m· cond, x6)[kg/s]를 측정항목 파라미터로 추출한다. 건물설비 최적장치(140)는 건물(110) 내의 응축기와 팽창밸브와 압축기로 연결된 증발기로부터 측정한 항목 중 냉수 유량(m· cw , x7)[kg/s], 냉수 공급온도(tcw,l `, x8)[℃], 냉수 환수온도(tcw,e`, x9)[℃]를 측정항목 파라미터로 추출한다.
건물설비 최적장치(140)는 냉동기 공급 열량(Qsupply), 냉동기 전력량(Pchiller), 냉수 유량(m· cw ), 물의 비열(Cp), 냉수의 공급온도와 환수온도의 차이(|x9-x8|)을 기반으로 냉동기 성능(COP)을 산출한다.
건물설비 최적장치(140)는 분석 데이터를 기반으로 현재 운영 상태를 진단한 운영 진단 정보를 생성한다(S630). 단계 S630에서, 건물설비 최적장치(140)는 분석 데이터를 기반으로 건물(110)의 운영 로직을 확인한 후 분석 데이터 및 운영 로직을 기반으로 현재 운영 상태를 진단한 운영 진단 정보를 생성한다.
건물설비 최적장치(140)는 분석 데이터를 기반으로 건물(110)에 대한 설비성능 예측모델을 생성한다(S640). 단계 S640에서, 건물설비 최적장치(140)는 기 설정된 목표 설비 정보가 냉동기인 경우, 분석 데이터를 인공신경망(ANN) 모델에 입력변수로 입력한 후 선행학습을 수행하여 냉동기 성능 예측 모델인 설비성능 예측모델을 생성한다.
건물설비 최적장치(140)는 설비성능 예측모델을 기반으로 건물(110)에 대한 최적설비 운전 조건을 탐색하여 최적 운전정보를 생성한다(S640). 단계 S640에서, 건물설비 최적장치(140)는 설비성능 예측모델의 예측값(Output)이 냉동기 성능(COP)인 경우 냉동기 성능(COP)이 해당 제어변수 영역에서 최대의 값을 가지는 지점을 최적 운전 조건으로 탐색한 최적 운전정보를 생성한다. 건물설비 최적장치(140)는 설비성능 예측모델의 예측값(Output)이 전력사용량인 경우 전력사용량이 해당 제어변수 영역에서 최소값을 가지는 지점을 최적 운전 조건으로 탐색한 최적 운전정보를 생성한다.
건물설비 최적장치(140)는 현재운영 상태진단부(230)로부터 수신한 운영 진단정보와 효율운전 조건탐색부(250)로부터 수신된 최적 운전정보를 시각화한다(S650). 단계 S650에서, 건물설비 최적장치(140)는 설비성능 예측모델을 기반으로 운영 진단정보와 최적 운전정보에 대한 제어변수의 변화를 설비 성능 변화를 그래프로 시각화한 후 운영자 단말기(150)로 전송한다.
도 6에서는 단계 S610 내지 단계 S650을 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 6에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 6은 시계열적인 순서로 한정되는 것은 아니다.
전술한 바와 같이 도 6에 기재된 본 실시예에 따른 기계학습모델 기반 설비 기기의 최적 운전 방법은 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 기계학습모델 기반 설비 기기의 최적 운전 방법을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
이상에서 설명한 바와 같이 본 실시예는 기계학습모델 기반 설비 운영 분야에 적용되어, 건물 내의 설비를 최적 운전하기 위해 건물의 측정항목 데이터를 데이터 기반 기계학습 모델에 입력하여 건물설비 상태 진단과 최적의 운영 조건을 제시할 수 있도록 하는 효과를 발생하는 유용한 발명이다.
110: 건물 120: 건물설비 운영장치
130: BEMS 140: 건물설비 최적장치
150: 운영자 단말기
210: 데이터 수집부 220: 데이터 분석부
230: 현재운영 상태진단부 240: 기계학습 모델제작부
250: 효율운전 조건탐색부 260: 시각화부

Claims (12)

  1. BEMS(Building Energy Management System)로부터 건물에 대한 측정항목 데이터를 수집하는 데이터 수집부;
    상기 측정항목 데이터 중 냉동기 관련 파라미터와 전력 사용 파라미터를 선별적으로 분석한 분석 데이터를 생성하는 데이터 분석부;
    상기 분석 데이터를 기반으로 현재 운영 상태를 진단한 운영 진단 정보를 생성하는 현재운영 상태진단부;
    상기 분석 데이터를 다층-퍼셉트론(Multi-Layer Perceptron)을 기반으로 한 인공신경망(ANN: Artificial Neural Network) 모델에 입력변수로 입력하여, 입력층, 은닉층(Hidden-Layers), 출력층에 포함되는 각 노드와 노드 사이의 가중치 파라미터를 경사 하강법(Gradient Descent), 함수최적화 기법(Levenberg-Marquardt) 방법 또는 베이지안 정규화(Bayesian Regularization)를 기반으로 선행학습을 수행하여 냉동기 성능예측 모델, 전력사용량 성능예측 모델을 생성하는 기계학습 모델제작부; 및
    상기 냉동기 성능예측 모델, 상기 전력사용량 성능예측 모델을 기반으로 상기 건물에 대한 최적설비 운전 조건을 탐색하여 최적 운전정보를 생성하는 효율운전 조건탐색부
    를 포함하는 것을 특징으로 하는 건물설비 최적장치.
  2. 제1항에 있어서,
    상기 데이터 분석부는,
    상기 측정항목 데이터 중 기 설정된 목표 설비 정보, 효율치 및 설비 계통도 중 적어도 하나 이상에 대응하는 측정항목 파라미터만을 추출하여 선별 데이터를 생성하고, 상기 선별 데이터만을 분석하여 상기 분석 데이터를 생성하는 것을 특징으로 하는 것을 특징으로 하는 건물설비 최적장치.
  3. 제2항에 있어서,
    상기 데이터 분석부는,
    상기 기 설정된 목표 설비 정보가 냉동기인 경우, 상기 측정항목 데이터 중 냉동기 효율치, 냉동기 계통도 중 적어도 하나 이상에 대응하는 측정항목 파라미터만을 추출하여 상기 선별 데이터를 생성하는 것을 특징으로 하는 건물설비 최적장치.
  4. 제2항에 있어서,
    상기 데이터 분석부는,
    상기 기 설정된 목표 설비 정보가 냉동기인 경우, 상기 건물 내의 냉각탑으로부터 측정한 항목 중 냉동기 전력량(Pchiller, x1)[kWh], 냉동기 운전상태(x2)[on/off], 외기온도(t0, x3)[℃]를 상기 측정항목 파라미터로 추출하고, 상기 건물 내의 냉각탑과 응축기 사이의 선로로부터 측정한 항목 중 냉각수 환수온도(tcond,l, x4)[℃], 냉각수 공급온도(tcond,e, x5)[℃], 냉각수 유량(m· cond, x6)[kg/s]를 상기 측정항목 파라미터로 추출하고, 상기 건물 내의 응축기와 팽창밸브와 압축기로 연결된 증발기로부터 측정한 항목 중 냉수 유량(m· cw , x7)[kg/s], 냉수 공급온도(tcw,l `, x8)[℃], 냉수 환수온도(tcw,e`, x9)[℃]를 상기 측정항목 파라미터로 추출하는 것을 특징으로 하는 건물설비 최적장치.
  5. 제4항에 있어서,
    상기 데이터 분석부는,
    냉동기 공급 열량(Qsupply), 상기 냉동기 전력량(Pchiller), 상기 냉수 유량(m· cw), 물의 비열(Cp), 냉수의 공급온도와 환수온도의 차이(|x9-x8|)을 기반으로 냉동기 성능(COP: Coefficient Of Performance)을 산출하는 것을 특징으로 하는 건물설비 최적장치.
  6. 삭제
  7. 제1항에 있어서,
    상기 현재운영 상태진단부는,
    상기 분석 데이터를 기반으로 상기 건물의 운영 로직을 확인한 후 상기 분석 데이터 및 상기 운영 로직을 기반으로 현재 운영 상태를 진단한 운영 진단 정보를 생성하는 것을 특징으로 하는 건물설비 최적장치.
  8. 삭제
  9. 제1항에 있어서,
    상기 효율운전 조건탐색부는,
    상기 냉동기 성능예측 모델의 냉동기 성능(COP)이 해당 제어변수 영역에서 최대의 값을 가지는 지점,
    상기 전력사용량 성능예측 모델의 전력사용량이 해당 제어변수 영역에서 최소값을 가지는 지점을 최적 운전 조건으로 탐색한 상기 최적 운전정보를 생성하는 것을 특징으로 하는 건물설비 최적장치.
  10. ◈청구항 10은(는) 설정등록료 납부시 포기되었습니다.◈
    제1항에 있어서,
    상기 운영 진단정보와 상기 최적 운전정보를 시각화하는 시각화부를 추가로 포함하는 것을 특징으로 하는 건물설비 최적장치.
  11. ◈청구항 11은(는) 설정등록료 납부시 포기되었습니다.◈
    제10항에 있어서,
    상기 시각화부는,
    상기 냉동기 성능예측 모델, 상기 전력사용량 성능예측 모델을 기반으로 상기 운영 진단정보와 상기 최적 운전정보에 대한 제어변수의 변화를 설비 성능 변화를 그래프로 시각화한 후 운영자 단말기로 전송하는 것을 특징으로 하는 건물설비 최적장치.
  12. BEMS(Building Energy Management System)로부터 건물에 대한 측정항목 데이터를 수집하는 과정;
    상기 측정항목 데이터 중 냉동기 관련 파라미터와 전력 사용 파라미터를 선별적으로 분석한 분석 데이터를 생성하는 과정;
    상기 분석 데이터를 기반으로 현재 운영 상태를 진단한 운영 진단 정보를 생성하는 과정;
    상기 분석 데이터를 다층-퍼셉트론(Multi-Layer Perceptron)을 기반으로 한 인공신경망(ANN: Artificial Neural Network) 모델에 입력변수로 입력하여, 입력층, 은닉층(Hidden-Layers), 출력층에 포함되는 각 노드와 노드 사이의 가중치 파라미터를 경사 하강법(Gradient Descent), 함수최적화 기법(Levenberg-Marquardt) 방법 또는 베이지안 정규화(Bayesian Regularization)를 기반으로 선행학습을 수행하여 냉동기 성능예측 모델, 전력사용량 성능예측 모델을 생성하는 과정; 및
    상기 냉동기 성능예측 모델, 상기 전력사용량 성능예측 모델을 기반으로 상기 건물에 대한 최적설비 운전 조건을 탐색하여 최적 운전정보를 생성하는 과정;
    을 포함하는 것을 특징으로 하는 기계학습모델 기반 설비기기의 최적 운전 방법.
KR1020180119606A 2018-10-08 2018-10-08 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치 KR102103006B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180119606A KR102103006B1 (ko) 2018-10-08 2018-10-08 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180119606A KR102103006B1 (ko) 2018-10-08 2018-10-08 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20200039964A KR20200039964A (ko) 2020-04-17
KR102103006B1 true KR102103006B1 (ko) 2020-05-29

Family

ID=70460816

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180119606A KR102103006B1 (ko) 2018-10-08 2018-10-08 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102103006B1 (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102187327B1 (ko) * 2020-05-21 2020-12-04 에스텍아이앤씨(주) 자동기계학습 기반의 건물 부하 최적 관리 및 제어 시스템
KR102227514B1 (ko) * 2020-08-25 2021-03-12 한국산업기술시험원 심층 강화학습 알고리즘을 활용한 공기조화기 컴포넌트 운전포인트 서치 시스템
KR102410386B1 (ko) * 2021-06-04 2022-06-22 (주)후로스 히트펌프 열교환 장치가 적용된 ai cop센서를 포함하는 수열 에너지 제어 시스템
KR102463124B1 (ko) * 2021-06-18 2022-11-04 한국전자기술연구원 광역 열 네트워크망의 리턴수 및 공급수를 활용하는 분산 열원 융합 기반의 건물 냉난방 최적 운영 방법 및 시스템
KR102512506B1 (ko) * 2021-11-08 2023-03-22 콩테크 주식회사 기계학습모델을 이용한 에어컨 자동 쾌적제어방법, 시스템, 및 컴퓨터-판독가능 매체
KR102623325B1 (ko) * 2021-12-29 2024-01-10 주식회사 에코시안 인공지능 기반 건물에너지 절감 장치 및 방법
KR102520244B1 (ko) * 2022-04-29 2023-04-10 권은정 전력 사용량 감소를 위한 공조설비 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101727434B1 (ko) * 2016-08-02 2017-04-26 성균관대학교산학협력단 랜덤 포레스트 모델을 이용한 냉동기의 성능 판단 방법
KR101754536B1 (ko) * 2016-07-21 2017-07-07 성균관대학교산학협력단 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치
KR101875489B1 (ko) * 2018-03-23 2018-08-02 윤홍익 냉방 시스템을 자동으로 제어하는 장치 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101170743B1 (ko) * 2010-06-17 2012-08-03 삼성물산 주식회사 건물 에너지 관리 시스템을 통한 냉동기 최적 운전 시스템 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101754536B1 (ko) * 2016-07-21 2017-07-07 성균관대학교산학협력단 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치
KR101727434B1 (ko) * 2016-08-02 2017-04-26 성균관대학교산학협력단 랜덤 포레스트 모델을 이용한 냉동기의 성능 판단 방법
KR101875489B1 (ko) * 2018-03-23 2018-08-02 윤홍익 냉방 시스템을 자동으로 제어하는 장치 및 방법

Also Published As

Publication number Publication date
KR20200039964A (ko) 2020-04-17

Similar Documents

Publication Publication Date Title
KR102103006B1 (ko) 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치
Zhao et al. Remaining useful life prediction of aircraft engine based on degradation pattern learning
Ma et al. Deep-convolution-based LSTM network for remaining useful life prediction
Yan et al. Generative adversarial network for fault detection diagnosis of chillers
Xie et al. Prognostic for fuel cell based on particle filter and recurrent neural network fusion structure
Sun et al. Application of a state space modeling technique to system prognostics based on a health index for condition-based maintenance
Swider et al. Modelling of vapour-compression liquid chillers with neural networks
Chen et al. A review of data-driven fault detection and diagnostics for building HVAC systems
CN110555479A (zh) 基于1dcnn与gru融合的故障特征学习与分类方法
Hu et al. Remaining useful life model and assessment of mechanical products: a brief review and a note on the state space model method
Ayodeji et al. Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction
Sun et al. Optimization of support vector regression model based on outlier detection methods for predicting electricity consumption of a public building WSHP system
Liu et al. Quantitative selection of sensor data based on improved permutation entropy for system remaining useful life prediction
Jianfang et al. Multi‐Scale prediction of RUL and SOH for Lithium‐Ion batteries based on WNN‐UPF combined model
Lin et al. Sample adaptive aero-engine gas-path performance prognostic model modeling method
Zhou et al. Aero-engine gas path system health assessment based on depth digital twin
Zhou et al. Aero-engine prognosis strategy based on multi-scale feature fusion and multi-task parallel learning
US20220101198A1 (en) Automated generation of a machine learning model from computational simulation data
WO2019224750A1 (en) Methods and systems for an enhanced energy grid system
Sánchez et al. Simplified models of remaining useful life based on stochastic orderings
CN116596408B (zh) 一种储能集装箱温控能力评价方法及系统
Du et al. IoT intelligent agent based cloud management system by integrating machine learning algorithm for HVAC systems
Ren et al. Application of PSO-LSSVM and hybrid programming to fault diagnosis of refrigeration systems
Witczak et al. A fuzzy logic approach to remaining useful life estimation of ball bearings
KR20200101485A (ko) 건물설비 운영방법 및 장치

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant