KR102212663B1 - 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치 - Google Patents
목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치 Download PDFInfo
- Publication number
- KR102212663B1 KR102212663B1 KR1020180128271A KR20180128271A KR102212663B1 KR 102212663 B1 KR102212663 B1 KR 102212663B1 KR 1020180128271 A KR1020180128271 A KR 1020180128271A KR 20180128271 A KR20180128271 A KR 20180128271A KR 102212663 B1 KR102212663 B1 KR 102212663B1
- Authority
- KR
- South Korea
- Prior art keywords
- temperature
- building
- optimal
- sequence
- supply
- Prior art date
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
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- 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
- F24F11/47—Responding to energy costs
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- 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
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
-
- 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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- 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
- F24F2140/00—Control inputs relating to system states
- F24F2140/60—Energy consumption
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2614—HVAC, heating, ventillation, climate control
Abstract
목표 온도를 기반으로 하는 빌딩의 열·공조 (Heating, ventilating, and air-conditioning, HVAC) 시스템에 대한 공급 전력 제어 장치가 제공된다. 장치는 프로세서 및 메모리를 포함하며, 프로세서는, 복수의 제 1 훈련 데이터들을 기반으로 인공 신경망을 훈련시키는 것에 의해, 제 1 시간 간격을 가지는 예측 시각 이전의 복수 시점들에서의, 빌딩 실내 온도, 공급 전력 및 빌딩 환경 정보를 입력받아 상기 예측 시각에서의 실내 온도를 예측하는 구역 온도 예측 모델을 생성하고, 그리고 상기 제 1 시간 간격을 가지는 현재 시점 이후의 하나 이상의 시점들에서의, 미리 결정된 목표 온도들의 시퀀스와 상기 구역 온도 예측 모델을 기반으로 예측된 예측 온도들의 시퀀스 사이의 차이에 관한 손실 함수의 값을 최소화시키도록하는, 상기 현재 시점 이후의 하나 이상의 시점에 대한 최적 공급 전력들의 시퀀스를 결정하도록 구성된다.
Description
본 발명은 공급 전력 제어에 관한 것으로서, 보다 구체적으로는 빌딩의 HVAC 시스템의 공급 전력을 제어하기 위한 방법 및 장치에 관한 것이다.
주거용, 상업용 및 산업용 빌딩들 내부의 둘러쌓인 공간들의 환경을 조정하기 위해 다양한 유형의 열·공조 (Heating, ventilating, and air-conditioning, HVAC) 시스템이 사용된다. HVAC 시스템은 상업용 빌딩의 전력 사용량의 대략 30 % 를 차지하며, 여름 및 겨울 전력 사용 부하 집중의 주요한 원인이다. 특히, 전력 사용의 주요한 부분은 일반적으로 증발기 (evaporator), 압축기 (compressor), 응축기 (condenser), 및 팽창 밸브 (expansion valve) 로 구성되는 칠러 (chiller) 를 위해 사용된다. 증발기는 작동 유체 (working fluid) 로서 사용되는 냉매와 냉각될 공기 또는 물 사이에서 열을 교환한다. 압축기가 냉매의 온도 및 압력을 증가시킨 후에, 증발기 및 압축기 양쪽 모두에 수집된 열은 냉매로부터 제거되어 응축기를 통해 주변 공기를 향한다. 칠러는 냉각 공기 또는 물을 복수의 열 영역들 (thermal zone) 로 각각 분배하기 위해 사용되는 공기 공급 팬 또는 워터 펌프와 함께 동작한다.
HVAC 유닛들의 최적의 동작은 특히 가열 또는 냉각 에너지의 낭비를 감소시키고 빌딩의 에너지 소비의 유연성을 향상시키기 위해 널리 연구되어 왔다. 최적의 동작을 위해, 모델 예측 제어 (Model Predictive control, MPC) 접근이 에너지 사용의 최소화를 위한 최적 스케쥴링 문제들을 공식화 (formulate) 하기 위한 이전의 연구들에서 널리 채용되었다. 그러나, MPC 접근은 예를 들어, 냉매, 냉각 공기 또는 물, 및 주변 공기 사이의 열 전달과 같은 빌딩 환경의 열 동적 설계 (Thermal dynamics) 및 상기 언급한 바와 같은 HVAC 유닛들의 구성에 대한 복잡한 이해를 요구한다. 공기 수송관 (air duct) 및 급수관 (water pipe) 내부의 압력 역시 신중하게 고려되어야할 필요가 있다. 그러나, 계산의 복잡성 및 요구되는 파라미터들의 많은 개수 때문에, HVAC 시스템 및 빌딩 환경의 동적 모델들은 예를 들어 종래의 MPC 방법에서 1 차 (first order) 근사 가정들을 이용하여 단순화되었다. 이러한 단순화는, 특히 복수의 열적 영역들이 존재하고 함께 상호작용하는 복잡하고 큰 규모의 빌딩들 내에서 스케쥴링된 온도와 실제 온도 사이에 무시할 수 없는 차이를 초래한다. 실제로, HVAC 시스템들의 최적 운영 스케쥴은 온도 오류들을 수정하고 사용자들의 불만을 방지하기 위해 종종 무시된다. 가열 또는 냉각 에너지의 낭비에 대한 이러한 이슈들은 아직까지 해결되지 못한 채로 남아있다.
추가로, 최적 스케쥴링 문제들은 예를 들어, Tz,min ≤ Tz(t) ≤ Tz,max 와 같은 구역 온도들 상의 비등가 제약 (Inequality constraint) 들로 공식화된다. 그러나, 이전 연구에서 Tz,min 및 Tz,max 의 경계들은 사용자들의 열적 쾌적성 (Thermal comfort) 을 충분히 고려하지 않은 임의적인 세트들이었다. 사용자들은 그들의 신체적 조건들에 따라 상이한 열적 선호들을 가질 수 있다. 일부는 23 도에서 춥다고 느낄 수 있는 반면 다른 사람들은 동일한 온도의 구역에서 따뜻하다고 느낄 수 있다. 열적 선호들은 또한 하루 동안의, 또한 계절적인 날씨에 대한 단기 및 장기적 변화들 각각에 의해 변화할 수 있다. 사용자의 열적 응답들에 대한 집중의 부족은 사용자들로 하여금 불편을 느끼도록 할 수 있고, 또한 HVAC 유닛들의 최적 스케쥴링에 대하여, 사람에 의한 중단을 야기할 수 있다. 이전의 연구들에서, 복수 사용자 공간들에 대한 HVAC 유닛들의 제어는 주로 PMV (Predicted mean vote) 모델을 사용하여, 열적 쾌적성의 그룹-레벨의 표현에 의존하였다. PMV 모델은 열적 환경들에 적응하기 위한 개인적인 사용자들 중의 행위의 변화 (예를 들어, 개인용 선풍기의 사용) 에 대한 반영의 제약들을 포함하여, 몇몇의 단점들을 가진다. 더 나아가, HVAC 유닛들의 최적 운영은, 구역 온도의 최대 및 최저 한계와 같은 PMV 인덱스들의 수용 가능한 범위에 기초하여 달성될 필요가 있다.
전술한 문제점을 해결하기 위한 본 발명의 일 예시적인 목적은 시공간에 따른 변화를 반영한 빌딩 사용자가 편안함을 느낄 수 있는 미리 결정된 목표 온도의 스케쥴과 실제 온도 사이의 차이를 최소화할 수 있는, 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법을 제공하는 것이다.
전술한 문제점을 해결하기 위한 본 발명의 다른 예시적인 목적은 시공간에 따른 변화를 반영한 빌딩 사용자가 편안함을 느낄 수 있는 미리 결정된 목표 온도의 스케쥴과 실제 온도 사이의 차이를 최소화할 수 있는, 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 장치를 제공하는 것이다.
다만, 본 발명의 해결하고자 하는 과제는 이에 한정되는 것이 아니며, 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위에서 다양하게 확장될 수 있을 것이다.
전술한 목적을 달성하기 위한 본 발명의 일 실시예에 따른 목표 온도를 기반으로 하는 빌딩의 열·공조 (Heating, ventilating, and air-conditioning, HVAC) 시스템에 대한 공급 전력 제어 방법은, 복수의 제 1 훈련 데이터들을 기반으로 인공 신경망을 훈련시키는 것에 의해, 제 1 시간 간격을 가지는 예측 시각 이전의 복수 시점들에서의, 빌딩 실내 온도, 공급 전력 및 빌딩 환경 정보를 입력받아 상기 예측 시각에서의 실내 온도를 예측하는 구역 온도 예측 모델을 생성하는 단계; 및 상기 제 1 시간 간격을 가지는 현재 시점 이후의 하나 이상의 시점들에서의, 미리 결정된 목표 온도들의 시퀀스와 상기 구역 온도 예측 모델을 기반으로 예측된 예측 온도들의 시퀀스 사이의 차이에 관한 손실 함수의 값을 최소화시키도록하는, 상기 현재 시점 이후의 하나 이상의 시점에 대한 최적 공급 전력들의 시퀀스를 결정하는 단계를 포함할 수 있다.
일 측면에 따르면, 상기 빌딩은 복수의 구역을 포함하고, 상기 실내 온도, 빌딩 환경 정보, 목표 온도 및 예측 온도 중 적어도 하나는 상기 복수의 구역들 각각에 대해 결정될 수 있다.
일 측면에 따르면, 상기 복수의 제 1 훈련 데이터들 각각은, 종래의 빌딩 실내 온도, 공급 전력 및 빌딩 환경 정보와, 상기 종래의 빌딩 실내 온도, 공급 전력 및 빌딩 환경 정보에 따른 상기 복수의 구역 각각에 대한 빌딩 실내 온도를 포함할 수 있다.
일 측면에 따르면, 상기 빌딩 환경 정보는, 인접 구역 온도, 빌딩 주변 온도, 상기 HVAC 시스템의 냉각률, 구역 내부 대류성 부하의 열 이득 및 구역 내부 방사성 부하의 열 이득 중 적어도 하나를 포함할 수 있다.
일 측면에 따르면, 상기 손실 함수의 값은, 복수의 구역들 각각에 대한 미리 결정된 목표 온도들의 시퀀스와 상기 구역 온도 예측 모델을 기반으로 예측된 예측 온도들의 시퀀스 사이의 차이에 관한 값의 합을 기반으로 결정될 수 있다.
일 측면에 따르면, 상기 손실 함수의 값은, 상기 복수의 구역들 중 온도 민감도가 높은 거주자를 포함하는 적어도 하나의 구역에서의 상기 목표 온도와 예측 온도의 차이 값에 가중치를 부여하여 결정될 수 있다.
일 측면에 따르면, 상기 인공 신경망은, 순환 신경망 (Recurrent Neural Network, RNN) 일 수 있고, 또한 일 측면에 따르면, 상기 인공 신경망은, 순환 신경망의 단점을 보완한 모델인 (발전된) LSTM (Long Short Term Memory) 일 수 있다.
일 측면에 따르면, 상기 손실 함수의 값은, 미리 결정된 목표 온도들의 시퀀스에 포함된 목표 온도들과, 상기 목표 온도들과 각각 대응되는 시점의 예측 온도들 사이의 차이들의 합을 기반으로 결정될 수 있다.
일 측면에 따르면, 상기 최적 공급 전력들의 시퀀스를 결정하는 단계는, 상기 최적 공급 전력들의 시퀀스에 포함된 상기 제 1 시간 간격을 가지는 하나 이상의 시점들 각각에 대한 최적 공급 전력들을 초기화하는 단계; 상기 손실 함수의 값을 최소화시키도록 하는, 상기 제 1 시간 간격을 가지는 하나 이상의 시점들 중 제 1 시점의 제 1 최적 공급 전력을 결정하는 단계; 및 상기 제 1 최적 공급 전력을 상기 제 1 시점의 공급 전력으로 설정하여 계산된 상기 손실 함수의 값을 최소화시키도록 하는, 상기 제 1 시점 이후의 제 2 시점의 제 2 최적 공급 전력을 결정하는 단계를 포함할 수 있다.
일 측면에 따르면, 상기 초기화하는 단계는, K-근접 이웃 (K-Nearest Neighbor, KNN) 기법을 기반으로 상기 최적 공급 전력들을 초기화할 수 있다.
일 측면에 따르면, 상기 초기화하는 단계는, 상기 목표 온도와의 유클리드 (Euclidean) 거리를 기반으로 결정된 K 근접 입력 전력들의 평균을 기반으로 상기 최적 공급 전력들을 초기화할 수 있다.
일 측면에 따르면, 상기 제 1 최적 공급 전력을 결정하는 단계 및 상기 제 2 최적 공급 전력을 결정하는 단계 각각은, niter 회의 반복에 걸친 확률적 기울기 강하 (Stochastic gradient descent, SGD) 기법을 기반으로 상기 제 1 최적 공급 전력 및 제 2 최적 공급 전력을 각각 결정할 수 있다.
일 측면에 따르면, 상기 제 1 최적 공급 전력을 결정하는 단계 및 상기 제 2 최적 공급 전력을 결정하는 단계 각각에서, 상기 인공 신경망을 훈련시킨 구역 온도 예측 모델의 상기 공급 전력에 대한 변수들만 변화 가능하고 나머지 변수들은 고정될 수 있다.
전술한 문제점을 해결하기 위한 본 발명의 다른 실시예에 따른 목표 온도를 기반으로 하는 빌딩의 열·공조 (Heating, ventilating, and air-conditioning, HVAC) 시스템에 대한 공급 전력 제어 장치는, 프로세서 및 메모리를 포함하고, 상기 프로세서는, 복수의 제 1 훈련 데이터들을 기반으로 인공 신경망을 훈련시키는 것에 의해, 제 1 시간 간격을 가지는 예측 시각 이전의 복수 시점들에서의, 빌딩 실내 온도, 공급 전력 및 빌딩 환경 정보를 입력받아 상기 예측 시각에서의 실내 온도를 예측하는 구역 온도 예측 모델을 생성하고; 그리고 상기 제 1 시간 간격을 가지는 현재 시점 이후의 하나 이상의 시점들에서의, 미리 결정된 목표 온도들의 시퀀스와 상기 구역 온도 예측 모델을 기반으로 예측된 예측 온도들의 시퀀스 사이의 차이에 관한 손실 함수의 값을 최소화시키도록하는, 상기 현재 시점 이후의 하나 이상의 시점에 대한 최적 공급 전력들의 시퀀스를 결정하도록 구성될 수 있다.
일 측면에 따르면, 상기 빌딩은 복수의 구역을 포함하고, 상기 실내 온도, 빌딩 환경 정보, 목표 온도 및 예측 온도 중 적어도 하나는 상기 복수의 구역들 각각에 대해 결정될 수 있다.
일 측면에 따르면, 상기 최적 공급 전력들의 시퀀스를 결정하는 것은, 상기 최적 공급 전력들의 시퀀스에 포함된 상기 제 1 시간 간격을 가지는 하나 이상의 시점들 각각에 대한 최적 공급 전력들을 초기화하는 것; 상기 손실 함수의 값을 최소화시키도록 하는, 상기 제 1 시간 간격을 가지는 하나 이상의 시점들 중 제 1 시점의 제 1 최적 공급 전력을 결정하는 것; 및 상기 제 1 최적 공급 전력을 상기 제 1 시점의 공급 전력으로 설정하여 계산된 상기 손실 함수의 값을 최소화시키도록 하는, 상기 제 1 시점 이후의 제 2 시점의 제 2 최적 공급 전력을 결정하는 것을 포함할 수 있다.
전술한 문제점을 해결하기 위한 본 발명의 다른 실시예에 따른 프로세서에 의해 실행 가능한 명령어들을 포함하는 컴퓨터 판독 가능한 저장 매체에 있어서, 상기 명령어들은 목표 온도를 기반으로 빌딩의 열·공조 (Heating, ventilating, and air-conditioning, HVAC) 시스템에 대한 공급 전력을 제어하기 위해, 상기 프로세서에 의해 실행되었을 때 상기 프로세서로 하여금, 복수의 제 1 훈련 데이터들을 기반으로 인공 신경망을 훈련시키는 것에 의해, 제 1 시간 간격을 가지는 예측 시각 이전의 복수 시점들에서의, 빌딩 실내 온도, 공급 전력 및 빌딩 환경 정보를 입력받아 상기 예측 시각에서의 실내 온도를 예측하는 구역 온도 예측 모델을 생성하고; 그리고 상기 제 1 시간 간격을 가지는 현재 시점 이후의 하나 이상의 시점들에서의, 미리 결정된 목표 온도들의 시퀀스와 상기 구역 온도 예측 모델을 기반으로 예측된 예측 온도들의 시퀀스 사이의 차이에 관한 손실 함수의 값을 최소화시키도록하는, 상기 현재 시점 이후의 하나 이상의 시점에 대한 최적 공급 전력들의 시퀀스를 결정하게 하도록 구성될 수 있다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
전술한 본 발명의 일 실시예에 따른 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치에 따르면, 시공간에 따른 변화를 반영한 빌딩 사용자가 편안함을 느낄 수 있는 미리 결정된 목표 온도의 스케쥴과 실제 온도 사이의 차이를 최소화할 수 있다.
따라서, 빌딩 사용자의 불편 및 그에 따른 HVAC 시스템 자동 제어 유닛에 대한 임의적인 작동 중단의 위험성을 감소시킬 수 있으며, 그에 따라 HVAC 유닛의 실제 에너지 소비가 미리 스케쥴링된 소비와 일치할 가능성을 증가시킬 수 있다.
또한, 빌딩 내부 온도 예측을 위한 인공 신경망의 초기 훈련 이후, 사용자의 열적 선호에 대한 시공간적 변화에도 인공 신경망에 대한 재훈련을 요구하지 않고 적응적으로 HVAC 시스템을 제어하도록 할 수 있다.
도 1 은 본 발명의 일 측면에 따른 테스트 빌딩 (HVAC 시스템에 의해 제어되는 다중 구역 온도) 을 나타낸다.
도 2 는 다중 구역 온도들을 위한 제어 시스템인 HVAC 시스템을 나타낸다.
도 3a 및 도 3b 는 LSTM 네트워크를 기반으로 하는 HVAC 시스템 제어를 최적화하기 위한 모델의 아키텍쳐를 나타낸다.
도 4 는 본 발명의 일 실시예에 따른 HVAC 입력 전력 스케쥴링 알고리즘의 흐름도를 나타낸다.
도 5 는 본 발명의 일 실시예에 따른 전력 스케쥴링 알고리즘을 나타낸다.
도 6 은 본 발명의 일 실시예에 따른 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법의 흐름도이다.
도 7 은 도 6 의 최적 공급 전력들의 시퀀스를 결정하는 단계의 상세 흐름도이다.
도 8 은 본 발명의 일 실시예에 따른 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 장치의 구성을 나타내는 블록도이다.
도 2 는 다중 구역 온도들을 위한 제어 시스템인 HVAC 시스템을 나타낸다.
도 3a 및 도 3b 는 LSTM 네트워크를 기반으로 하는 HVAC 시스템 제어를 최적화하기 위한 모델의 아키텍쳐를 나타낸다.
도 4 는 본 발명의 일 실시예에 따른 HVAC 입력 전력 스케쥴링 알고리즘의 흐름도를 나타낸다.
도 5 는 본 발명의 일 실시예에 따른 전력 스케쥴링 알고리즘을 나타낸다.
도 6 은 본 발명의 일 실시예에 따른 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법의 흐름도이다.
도 7 은 도 6 의 최적 공급 전력들의 시퀀스를 결정하는 단계의 상세 흐름도이다.
도 8 은 본 발명의 일 실시예에 따른 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 장치의 구성을 나타내는 블록도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
몇몇의 연구들은 딥 러닝 (Deep learning, DL) 및 강화 학습 (Reinforcement learning, RL) 을 이용하여 구역 온도들 및 그에 따른 사용자의 열적 쾌적성에 대한 최적 제어를 달성하고자 하는 시도들을 개시한 바 있다. 그러나, 이것들은 여전히 테스트 빌딩들 내의 모든 열적 구역들에 대해 임의적이고 불균일한 세트들인 구역 온도들의 수용 가능한 범위에 대해서 달성되었다. 사용자들의 열적 선호들에 대한 시간적 및 공간적 변화들은 이러한 연구들에서 고려되지 않았다. 종래 연구들에서 개시된 인공 신경망 (Artificial neural network, ANN) 들은 요구되는 계산 시간 및 빌딩 데이터에 대한 상당한 증가로 이어지는, 복수 구역 온도들 내의 바람직한 변화들을 위한 HVAC 시스템의 최적의 전력 입력들을 결정하기 위해 다시 훈련될 것이 필요하다. 이는 종래 연구들의 제어 방법을 사용자들의 수, 유형들 및 활동 스케쥴들이 연속적으로 변화하는 현실의 큰 규모의 다중 구역 빌딩들에 적용하는 것을 제한할 것이다.
본 발명의 일 실시예에 따른 제어 방법은, 빌딩 정보 모델링 시스템 (Building information modeling system, BIMS) 으로 하여금 단지 HVAC 시스템의 운영 비용에 집중하는 것이 아니라, 사용자가 열적 쾌적성을 느끼도록 미리 스케쥴링된 구역 온도 (이하, '목표 온도'라고도 함) 와 실제 구역 온도 사이의 차이를 최소화하도록 HVAC 시스템을 운영하도록 할 수 있다. 사용자들의 열적 쾌적성은 그들의 생산성과 직접적으로 연관되고, 생산성은 에너지 소비보다 최대 13 배까지도 크게 평가된다. 나아가, 본 발명의 일 실시에에 따른 제어 방법은, 사용자들의 불편 및 사람에 의한 중단의 위험을 감소시킬 것으로 기대되고, 그에 따라 HVAC 유닛의 실제 에너지 소비가 스케쥴링된 소비와 일치할 가능성을 증가시킬 것이다. 이는 본 발명의 일 실시예에 따른 제어 전략이 실용적인 적용에 있어서, 개별적인 사용자의 열적 선호에 대한 고려 없이 단지 구역의 온도들이 균일하게 제어되는 종래의 제어 방법에 비해 보다 비용 효율적이고 사용자에게 친화적인 것을 나타낸다.
통신, 센싱, 및 컴퓨팅 기술들의 발전으로 인해, BIMS 들은 실내 및 실외 환경들 (예들 들어, 구역 온도, 주변 온도, 지면 온도, 태양의 일사량, 및 대류 및 잠열 이득) 과 HVAC 시스템 운영 (예를 들어, 입력 전력, 냉각률, 압축기 회전 속도, 및 팬 속도) 에 대한 방대한 양의 데이터를 저장하는 클라우드 또는 현장의 데이터 서버들에 접속할 수 있다. 데이터들을 이용하여, HVAC 유닛들의 최적 전력 입력이 구역 온도들을 대응하는 세트 포인트 (이하, '목표 온도'라고도 함) 들로 유지하게 하도록 결정될 수 있다. 그러나, 종래의 연구에서, 사용자들의 열적 선호들에 대한 시간적 및 공간적 변화들은 고려 대상이 되지 않았다. 그에 따라 종래 연구들에서 개시된 인공 신경망들은 요구되는 계산 시간 및 빌딩 데이터에 대한 상당한 증가로 이어지는, 복수 구역 온도들 내의 바람직한 변화들을 위한 HVAC 시스템의 최적의 전력 입력들을 결정하기 위해 다시 훈련되는 것이 필요하다. 이는 종래 연구들의 제어 방법을 사용자들의 수, 유형들 및 활동 스케쥴들이 연속적으로 변화하는 현실의 큰 규모의 다중 구역 빌딩들에 적용하는 것을 제한할 것이다.
이러한 관찰에 기초하여, 본 발명의 일 측면에 따르면, 구역 온도들의 목표 온도들이 사용자들의 활동들, 일기 예보, 및 빌딩의 에너지 정책들과 같은 빌딩 내부 및 외부의 다양한 조건들에 의해 변화해야만 한다는 것을 고려하여, HVAC 시스템의 최적 전력 입력 (또는 제어가능한 입력) 을 결정하기 위한 신규한 방법이 제공된다. 최적의 전력 입력은 훈련된 ANN 들을 다시 훈련시키지 않고 추산될 수 있으며, 그러므로 본 발명의 일 측면에 따른 제어 방법은 사용자들 및 빌딩 환경에 대한 데이터가 충분하게 축적되지 않은 조건의 HVAC 시스템에 대한 일일 운영 스케쥴을 결정하는 데에 있어서도 효과적이다.
본 발명의 일 측면에 따르면, 먼저 환경 변수 및 제어 변수를 입력으로서, 실내 온도를 출력으로서 사용하는 심층 신경망 모델이 훈련될 수 있다. RL 알고리즘들에 대한 실질적인 제한들을 고려하여 RNN 이 구현되고, 훈련되며, 그리고 사용될 수 있다. 즉, 복수의 제 1 훈련 데이터들을 기반으로 인공 신경망을 훈련시키는 것에 의해, 빌딩의 실내 온도를 예측할 수 있는 구역 온도 예측 모델을 생성할 수 있다. 구역 온도 예측 모델은, 실내 온도를 예측하고자 하는 시각보다 이전의, 제 1 시간 간격을 가지는 복수 시점들 각각에 대응되는 빌딩 실내 온도, 공급 전력 및 빌딩 환경 정보를 입력받아, 실내 온도를 예측하고자 하는 예측 시각에서의 실내 온도를 출력하도록 훈련될 수 있다.
다음으로, 사용자의 열적 쾌적성을 달성할 수 있도록 하는 최적의 전력 공급 스케쥴을 결정할 수 있다. 현재 시점 이후의, 제 1 시간 간격을 가지는 하나 이상의 시점들에서 각각 미리 설정된 목표 온도와 구역 온도 예측 모델을 기반으로 예측된 예측 온도 사이의 차가 최소화되도록 최적의 공급 전력이 결정될 수 있다. 구체적으로, 실시간으로 수신된 적절한 실내 온도와 함께 손실 함수 (loss function) (예를 들어, 목표 온도와 예측 온도의 차이를 기반으로 결정) 가 공식화되고, 손실 함수를 최적화하는 제어 변수 (예를 들어, 최적 공급 전력) 들이 실시간으로 계산될 수 있다. 변수들을 획득하기 위해, 학습 파라미터들을 수정하고 제어 변수들에 대해 구별짓는 기울기 강하 (gradient descent, GD) 알고리즘이 사용될 수 있다.
도 1 은 본 발명의 일 측면에 따른 테스트 빌딩 (HVAC 시스템에 의해 제어되는 다중 구역 온도) 을 나타낸다. 본 발명의 일 측면에 따른 빌딩 모델은 도 1 에 도시된 바와 같은 동일한 층에 5 개의 구역 (11, 12, 13, 14, 15) 을 가지는 다중 구역 빌딩 (10) 일 수 있다. 열적 구역들이 하루 동안의 내부 및 외부 열 이득 (gain) 에 대한 상이한 프로파일 (profile) 을 가짐에 따라, 테스트 빌딩은 비대칭의 열적 부하를 가질 수 있다.
도 2 는 다중 구역 온도들을 위한 제어 시스템인 HVAC 시스템을 나타낸다. 도 2 에 도시된 바와 같이, HVAC 시스템은 각 구역 (11, 12, ... , 15) 의 열 이득에 대한 비율로, 공급 공기 
를 
(여기서, z = 1, 2, , NZ) 로 나누기 위한 VAV 박스들 (20) 및 공기 공급 팬 (30) 과 함께 동작한다. 그러므로, 동일한 시간 구간 내에서 모든 구역들이 온도를 유지하도록 하는 것은 불가능하다. 따라서, 각각의 구역에 대한 온도 차이에 대해 상이한 가중치를 부여할 수 있다. 이러한 제약을 가진 최적화 문제를 해결하기 위해, 전술한 바와 같이 HVAC 유닛의 입력 전력에 대해 반복적인 기울기 강하 단계들을 수행할 수 있다. 이러한 접근은 전도, 대류 또는 방사 프로세스 내의 복잡한 상호작용들에 대한 분석을 요구하지 않는다. 따라서, 큰 규모의 빌딩들에 대해서도 적용될 수 있다. 단순화를 위해, 공기 공급 팬이 정격의 전력 및 속도에서 동작한다는 가정 하에서, 단지 칠러가 제어 가능한 리소스로서 고려될 수 있다. 칠러의 공기 공급 팬과의 조화는 에너지 소비의 감소에 효율적일 수 있다.
종래의 연구에서는, HVAC 시스템의 효율적인 동작을 위한 최소 열 펌프 입력을 스케쥴링하기 위한 알고리즘이 개시된 바 있다. 효율성을 넘어서는, 본 발명의 일 측면에 따른 유리한 효과는 하기와 같다.
·본 발명의 일 측면에 따르면, 각 구역에 대한 각각의 적절한 온도를 선택할 수 있고 사용자의 열적 불쾌감을 최소화하기 위한 HVAC 입력 전력을 스케쥴링할 수 있는 하나의 모델이 제공될 수 있다.
·본 발명의 일 측면에 따르면, 시간에 따라 변화하는, 또는 계절적인, 적절한 온도들 및 가중화된 계수를 가지는 구역별 우선 순위들을 모델에 부여할 수 있다.
·본 발명의 일 측면에 따르면, 상기와 같은 이점들은 점유되어 운영되는 빌딩들에 적용될 수 있다. 온도 변화에 민감한 사용자들이 있는 경우, 빌딩 관리자는 이러한 사용자들을 가중화된 계수가 크거나, 또는 우선 순위가 높은 특정한 구역에 위치시킬 수 있다. 반대로, 민감한 사용자들을 가지는 구역들의 계수들이 열적 불쾌감을 더욱 최소화하기 위해 다른 구역들의 계수보다 크게 가중화될 수 있다. 이는 향후 더욱 더 중요하게 평가될 수 있는 사용자들의 생산성에 집중하여 빌딩들이 운영될 수 있음을 의미한다.
이하, 시뮬레이션된 빌딩 환경 모델 및 빌딩 모델 내의 데이터 특성들이 설명되고, 데이터를 훈련하기 위한 알고리즘 및 HVAC 시스템의 최적 운영이 개시된다. 또한, 이러한 알고리즘이 검증된다.
HVAC 시스템 운영에 대한 빌딩의 열적 응답
본 발명의 일 측면에 따르면, 다중 구역 빌딩의 열적 응답은 도 1 에 도시된 바와 같이 소형 오피스들을 위한 DOE 상업적 참조 빌딩에 기초하여 모델링될 수 있다. 테스트 룸은 라이트 및 사람들과 같은 몇몇의 열원을 포함한다고 가정되고, 이는 열 이득 (heat gain) 으로서 시뮬레이션될 수 있다. 이러한 열적 응답 모델은 과거 및 현재 시간 구간 동안의 내부 및 외부 환경 파라미터들에 대한 선형 의존성 (Linear dependencies) 을 반영하기 위해 하기의 수학식 1 과 같이 역 전달 함수 (inverse transfer function) 을 이용하여 구현될 수 있다.
여기서, TZ 는 HVAC 시스템에 의해 제어되는 실내 온도이다. 온도는 열적 불쾌감에 영향을 미칠 수 있으므로, 설정 온도 (또는, 목표 온도) 와 유사하게 만드는 것이 필요하다. Tadj 는 인접한 룸 (구역) 의 온도이고 Tamb 는 빌딩 주변 온도를 나타낼 수 있다. Qcool 은 HVAC 유닛으로부터의 냉각률, Qhgc 및 Qhgr 은 각각 내부 대류성 부하 및 방사성 부하들로부터의 열 이득을 나타낼 수 있다. at 내지 ft 의 계수들은 빌딩의 구조 및 배향에 따라 상이할 수 있다. 인접 및 주변 온도들, 및 내부 열 이득들은 빌딩 운영 기록 데이터를 이용하여 계산될 수 있다. 빌딩에 걸친 환경 파라미터를 나타내는 gt 를 이용하여, 수학식 1 은 하기의 수학식 2 로 단순화될 수 있다.
이러한 열적 응답 모델은 수학식 1 의 상이한 계수들이 적절하게 선택되면 대규모의 다중 구역 및 단일 구역 빌딩 양쪽 모두에 대해서 적용하는 것이 가능하다. 열적 응답 모델은 입력 전력 스케쥴링 알고리즘을 시뮬레이션하도록 발전될 수 있다. 시뮬레이션 알고리즘 및 결과들이 이후 개시된다.
빌딩의 열 동적 설계 (Thermal dynamics) 를 위한 심층 신경망
본 발명의 일 측면에 따라, 빌딩의 HVAC 시스템을 모델링하고 최적화하기 위한 2 단계의 방법이 제안된다. 도 3 은 상기 방법의 개략적인 프로세스를 도시한다. 구체적으로, 도 3a 및 도 3b 는 LSTM 네트워크를 기반으로 하는 HVAC 시스템 제어를 최적화하기 위한 모델의 아키텍쳐를 나타낸다.
데이터에 의해 구동되는 딥 러닝 접근은 빌딩 모델이 어떠한 물리적 가정 없이도 빌딩의 열 동적 설계 (Thermal dynamics) 를 나타내도록 할 수 있다. 빌딩 운영 기록 데이터를 고려하여, 구체적인 입력들을 이용하여 적절한 출력들을 생성하는 것을 목표로 하는 회귀 문제 (regression problem) 를 풀 수 있다. 주어진 시간 t 에서 빌딩 구역 온도 Tz (z = 1, … , 5) 를 예측하도록 심층 신경망을 훈련시켜, 본 발명의 일 측면에 따른 심층 신경망은 빌딩의 열 동적 설계 (Thermal dynamics) 를 성공적으로 나타낼 수 있다. 구역 온도들은 이전 시간 스텝들의 빌딩 환경 측정들 및 HVAC 시스템에 공급되는 전력의 양에 의해 영향을 받기 때문에, 시계열적인 입력들 및 출력들 간의 관계를 캡쳐 (capture) 하기 위해서는 LSTM (Long Short Term Memory) 가 사용될 수 있다.
LSTM 은 장기적인 의존성들을 다루기 위해 설계된 순환 신경망 (Recurrent Neural Network, RNN) 의 일종이다. 통상적인 RNN 은 기울기 소실 문제 (Vanishing gradient problem) 에 기인하여 장기적인 의존성을 학습하는 것이 불가능하다. 에러가 레이어들을 통해 역전파 (backprogate) 됨에 따라, 그것은 정방향 전파 (forward propagation) 에서의 출력을 복구 (recover) 하기에 지나치게 작게 된다. 주어진 입력 시퀀스들 x0, … , xl 에 대해서, 네트워크는 대응하는 은닉 상태 (hidden state) 들 및 출력 (output) 들을 출력한다. 각각의 타임 스텝 t 에서, 은닉 상태 ht 는 이전의 상태 ht-1 및 현재 입력 xt 에 의해 결정된다. 출력 yt 는 ht 에 의해 결정된다. 본 발명의 일 측면에서, 입력은 시간에 걸친 빌딩의 각 구역의 태양 에너지, 주변 온도, 열 이득과 같은 빌딩 환경 측정들 및 HVAC 시스템으로 공급되는 전력의 시퀀스이다. 출력은 구역의 온도들이다.
하기의 수학식 3 과 같이, 훈련을 위한 손실 함수 LLSTM 은 에러의 제곱의 합이다.
여기서, 
는 심층 신경망에 의해 예측된 값을 나타내고, 
는 목표를 나타낸다.
일 측면에 따르면, 손실을 최소화하는 최적의 네트워크 파라미터 
를 찾기 위해 SGD (Stochastic gradient descent) 방법이 사용될 수 있다.
SGD 는 GD (Gradient Descent) 알고리즘의 변형이다. 기울기 계산 단계에서, GD 가 모든 데이터 포인트들에 대해서 기울기들을 적용하는 반면에, SGD 는 미니-배치 (mini-batch) 라고 지칭되는 전체 데이터 포인트들의 일부의 기울기들을 계산한다. SGD 의 결과는 GD 가 수행하는 것과 유사한 포인트로 수렴한다. 그것은 심지어 국부적인 최적값 (otpima) 을 버리고 더 나은 최적의 포인트로 수렴하도록 할 수 있다.
훈련이 완료되면, 본 발명의 일 측면에 따른 LSTM 네트워크는 빌딩의 열 동적 설계 (Thermal dynamics) 를 성공적으로 나타낼 수 있다.
도 3a 에 도시된 바와 같이, 본 발명의 일 실시예에 따른 구역 온도 예측 모델은 인공 신경망 (예를 들어 LSTM) 을 훈련시켜 피팅하는 것에 의해 생성될 수 있다. 즉, 구역 온도 예측 모델은, 복수의 제 1 훈련 데이터들을 기반으로 인공 신경망 (340) 을 훈련시키는 것에 의해, 제 1 시간 간격 (도 3 에서 제 1 시간 간격의 경과는 + 1 로서 나타낼 수 있음) 을 가지는 예측 시각 이전의 복수 시점들 (t-l 내지 t) 에서의, 환경 변수 (예를 들어, 빌딩 실내 온도 및 빌딩 환경 정보를 포함하는 빌딩 데이터) (310) 및 제어 변수 (예를 들어, 이전 시각들의 입력 전력 프로파일) (320) 를 입력받아 예측 시각 (t+1) 에서의 실내 온도를 예측하도록 구성될 수 있다. 예측 시각 (t+1) 에서의 온도가 미리 설정한 목표 온도와의 차이를 최소화할 수 있는 최적의 계산된 입력 전력 (370) 이 기울기 강하 (360) 기법에 의해 계산될 수 있다. 예측된 온도 (350) 및 계산된 입력 전력 (370) 은, 시점 t+1 로부터 제 1 시간 간격 경과 후의 시점 t+2 의 예측된 온도를 결정하기 위한 LSTM 네트워크 (340) 의 t+1 시점의 온도 (331) 및 공급 전력 (333) 의 입력으로서 사용될 수 있다.
도 3b 에 도시된 바와 같이, 본 발명의 일 측면에 따라 전력 공급을 최적화하기 위해, 실제 온도 Tactual 은 구역 온도 예측 모델 (381) 로 입력되고, 예측 온도를 기반으로 기울기 강하 (385) 기법에 의해 최적의 공급 전력이 결정되면, 그에 따라 빌딩 (385) 의 실내 온도는 미리 설정한 목표 온도 TSET 으로 제어될 수 있다.
HVAC 시스템의 최적 전력 스케쥴링
획득된 빌딩 모델 (구역 온도 예측 모델) 과 함께, 구역 온도가 미리 설정한 온도 세트 포인트 (목표 온도) 가 되도록 하는, 시간 구간 l 에 걸친 최적의 전력 스케쥴을 결정할 수 있다. 이러한 미리 설정된 목표 온도는 HVAC 시스템의 운영자가 제공하는 사용자 파라미터일 수 있다. 요구되는 온도가 빌딩 내의 상이한 구역들 및 시간에 따라 변화할 수 있기 때문에, 스케쥴링 시간 구간 l 에 걸친 미리 설정된 온도들을 나타내기 위해 행렬 
을 채용할 수 있다. 여기서, 
는 시간 t 에서 z 번째 구역의 미리 설정된 목표 온도일 수 있다.
최적의 입력 전력을 찾기 위해, 최소화되어야할 손실 함수가 먼저 정의될 수 있다. 일 측면에 따르면, 손실 함수는 미리 설정된 구역별 목표 온도들과 예측된 구역 온도들과 관련된 에러의 제곱의 형태일 수 있다. 구역 온도들을 예측하기 위해, 전술한 본 발명의 일 측면에 따른 미리 훈련된 LSTM 네트워크를 이용할 수 있다. 그리하여, 손실 함수 Lp 는 하기의 수학식 5 와 같이 정의될 수 있다.
여기서, fLSTM,z(·) 는 미리 훈련된 LSTM 에 의해 생성된 z 번째 구역의 온도를 나타내고, 
는 시간 t 에서의 z 번째 구역의 미리 설정한 온도 세트 포인트를 나타낼 수 있으며, 
= 
이다. 즉, LSTM 모델의 입력은 이전 시간 구간들의 공급 전력, 빌딩 환경 정보, 구역 온도일 수 있다.
하기의 수학식 6 의 손실 Lp 를 최소화하는 HVAC 시스템의 최적의 입력 전력 스케쥴은 
로서 표현될 수 있다. 여기서, τ = 0, … , l-1 이다. 따라서, 일 측면에 따른 최적의 입력 전력 스케쥴은 시점 t 내지 t+l-1 까지의 각각의 최적 입력 전력들의 시퀀스일 수 있다.
여기서, τ = 0, … , l-1 이다.
최적의 전력 스케쥴을 획득하기 위해, P t , …, P t+l -1 에 관하여 SGD (Stochastic gradient descent) 알고리즘을 적용할 수 있다. SGD 는 반복적인 (iterative) 방법이므로, 먼저 입력 전력 P t , …, P t+l -1 을 초기화할 수 있다. 신경망의 가중치들을 초기화하기 위해 널리 사용되는 방법은 Xavier 초기화 (initialization) 이나, 본 발명의 일 측면에 따르면, 입력 전력에 대한 새로운 초기화 방법이 사용될 수 있다. 아래에서, 먼저 초기화 방법을 설명하고, 이어서 SGD 에 대한 업데이트 규칙을 설명한다.
k-d 트리 구조를 이용한
K
-근접 이웃 (
K
-Nearest Neighbor) 기반 초기화
SGD 를 입력 전력 Pt+τ 에 적용하는 것은 초기 값들에 의존하여 상이한 국부적 최적값 (optima) 으로 이어질 수 있다. 다시 말해, 양호한 초기화는 Pt+τ 로 하여금 더 좋은 최적값으로 수렴하도록 할 수 있다. 본 발명의 일 측면에 따르면, Pt+τ 들을 초기화하기 위한 K-근접 이웃 (K-Nearest Neighbor, KNN) 기반의 방법이 사용될 수 있다.
빌딩 내의 n 개의 구역들의 미리 설정된 온도들 
을 고려하여, P t , …, P t+l -1 을 초기화할 수 있다. n 차원 공간 내의 KNN 을 찾기 위해, k-d 트리가 충분히 작은 n, 즉 n < 20 을 위한 계산 비용을 감소시키도록 사용될 수 있다. KNN 탐색을 위해 미리 설정된 구역 온도들을 사용함에 따라, k-d 트리를 이용하도록 n 은 작게 (즉, 본 발명의 일 측면에서 n = 5) 남아있게 된다. 먼저, 
들을 가지는 k-d 트리를 구성할 수 있다. N 은 데이터세트 내의 데이터 포인트들의 총 개수일 때, i = 1, … , N 임을 주목한다. k-d 트리가 구성되면, 쿼리 및 데이터 포인트들 간의 거리가 평균 O (log N) 번 계산된다. K 근접 이웃들을 결정하기 위해 사용되는 거리 측정은 
으로서 정의되는 유클리드 (Euclidean) 거리이다. 데이터세트 그 자체가 참조 테이블이므로, 획득된 
의 K 근접 이웃들을 가지고, 동일한 엔트리 (entry) 내에서 그들의 대응하는 입력 전력들을 간단하게 식별할 수 있다. 이러한 K 입력 전력들은 초기화될 Pt+τ 의 K 근접 이웃으로서 기능한다. 일 측면에 따르면, K 근접 입력 전력들의 평균으로서 초기 전력을 설정할 수 있다.
주어진 데이터의 특성을 반영하기 위해 원래의 데이터세트를 참조하므로, 본 발명의 일 측면에 따른 KNN 기반의 초기화 방법은 입력 전력들의 데이터에 의해 구동되는 사전 훈련으로서 간주될 수 있다.
SGD 를 위한 업데이트 규칙
본 발명의 일 측면에 따른 방법에서, 미리 훈련된 LSTM 의 가중치 파라미터들은 고정되어 단계적인 하강 동안에 단지 입력 전력 변수들만 변화 가능하도록 남게 될 수 있다. Pt+τ 는 하기의 수학식 7 에 따른 업데이트 규칙에 따라 순서대로 업데이트될 수 있다.
여기서, 
은 학습률 (learning rate) 이다. 이러한 단계는 niter 회의 반복들에 거쳐 수행되어, Pt+τ 는 최적값으로 수렴하게 된다.
본 발명의 일 측면에 따른 방법의 중요한 포인트 중 하나는, 다음 타임 스텝의 구역 온도 
에 대한 Pt+τ 의 영향을 반영하기 위해, 손실 함수 Lp 는 Pt+τ 의 niter 단계의 업데이트들 이후에 반드시 다시 계산되어야 한다는 것이다. fLSTM,z 의 입력 변수 
가 Pt 를 포함함에 따라, 예측된 온도는 Pt 가 SGD 에 의해 계산된 최적값 
가 된 이후로 지속적으로 변화한다.
도 4 는 본 발명의 일 실시예에 따른 HVAC 입력 전력 스케쥴링 알고리즘의 흐름도를 나타내고, 도 5 는 본 발명의 일 실시예에 따른 전력 스케쥴링 알고리즘을 나타낸다. 도 5 의 알고리즘 1 은 본 발명의 일 측면에 따른 빌딩 HVAC 시스템 제어를 위한 전체적인 최적화 방법을 개시한다. 이하, 도 4 를 참조하여 알고리즘의 흐름을 보다 설명한다.
도 4 에 도시된 바와 같이, 초기화 단계 (S410) 에서는 먼저 입력 전력들을 적절한 값으로 초기화한 후 입력 데이터, D 에 입력되도록 할 수 있다. 일 측면에 따르면, 최적 공급 전력들의 시퀀스에 대한 초기화를 위해 전술한 KNN 기법을 이용할 수 있다.
이후 입력 (업데이트) 단계 (S420) 에서는 학습된 모델로 입력될 입력 데이터, D 를 결정할 수 있다. 도 4 에서, 예시적으로 하루의 24 시간에 대해서 D = {D0, D1, ... , D23} 이 입력될 수 있다. 즉, 도 4 의 시간 구간 l 은 24 의 값을 가질 수 있다.
여기서, 
는 시간 k 에서의 입력 전력, 
는 시간 k 에서의 환경 변수 (예를 들어, 냉각률, 열 이득, 인접 구역 온도 등), 
는 시간 k 에서의 구역 i 에서의 온도 (i = 1, ... , 5) 를 나타낼 수 있다.
이후, 구역 온도 결정 모델을 이용한 온도 예측 단계 (S430) 에서는 학습된 구역 온도 모델을 이용하여 구역 별 예상 온도를 계산할 수 있다.
일 예시적으로, 0 내지 23 시 까지의 구역 1 내지 구역 5 각각의 온도가 예측 될 수 있다.
최적화 단계 (S440) 에서, 기울기 강하 알고리즘을 적용하여 예상 온도와 구역별 목표 온도의 차이를 최소화할 수 있는 입력 전력, Pτ 를 계산할 수 있다. 여기에서, τ+ 1 은 반복 (Iteration) 횟수를 나타낼 수 있다. 예를 들어, 첫번째 반복일 경우 P0 를 계산하고, 5 번째 반복일 경우 P4 를 계산할 수 있다. 최적화 단계는 예상 온도와 구역별 목표 온도의 차이 L 을 계산하는 단계 (S451) 및 niter 회의 반복을 통한 기울기 강하 알고리즘을 이용하여 최적 전력을 업데이트 하는 단계 (S453) 를 포함할 수 있다.
반복 단계 (S450) 에서는, 미리 설정한 시간 구간 l 동안의 최적 공급 전력들의 시퀀스를 구하기 위해, τ 가 l-1 이 될 때까지 단계 420 내지 440 을 반복하도록 할 수 있다. 즉, 단계 440 에서 계산된 Pτ 를 다음 반복에서의 단계 420 의 입력 데이터, D 의 해당 입력 전력에 업데이트하고, 단계 420 내지 440 을 l 번 (예를 들어, 24 번) 반복하여 새로운 P0, ... , P23 을 계산하여, 최적 공급 전력들의 시퀀스를 결정할 수 있다.
출력 단계 (S460) 에서는 알고리즘의 최종 출력을 위해, 최적 공급 전력들의 시퀀스들을 최적화된 입력 프로파일로서 출력할 수 있다. 계산된 전력 입력을 최적 공급 전력으로 설정 (S461) 하는 것을 t 시점부터 t + l - 1 시점까지 반복 (S463) 하여, 최종적으로 최적화된 입력 프로파일을 출력 (S465) 하는 것을 포함할 수 있다.
알고리즘 검증
본 발명의 일 측면에 따른 알고리즘은 하기의 두 방안에 따라 검증될 수 있다.
· 기존의 방법과 본 발명의 일 실시예에 따른 온도 예측 모델의 회귀 결과를 비교
· 이어서, 기존의 방법과 본 발명의 모델에 의해 생성된 최적의 전력 스케쥴을 비교
본 발명의 일 측면에 따른 LSTM 네트워크는 딥 러닝을 위한 오픈소스 프레임워크인 PyTorch 를 이용하여 구현될 수 있다. 네트워크는, 1 개의 완전히 결합된 (Fully connected, FC) 레이어들이 후속되는, LSTM 내의 1 개의 레이어로 구성될 수 있다. 각각의 FC 레이어는 100 개의 뉴론들을 가진다. FC 레이어들에 대한 활성 함수는 ReLU (Rectified Linear Unit) 일 수 있다. 시뮬레이터로부터 추출된 전체 데이터세트는 1 시간의 시간 간격을 가지는 51,240 개의 엔트리들로 구성될 수 있다. 일 측면에 따르면, 전체 데이터의 80 % 를 훈련 세트로서 사용하고, 10 % 를 Validation 세트로, 나머지 10 % 를 테스트 세트로서 사용할 수 있다.
본 발명의 일 측면에 따르면, 현존하는 데이터로부터 학습하고 다음 날에 얼마나 많은 입력 전력이 적용될 것인지 여부를 예측하는 것에 의해 RNN 알고리즘을 사용하여 전기 소비 및 열적 불편감을 최소화하기 위한 최적의 HVAC 제어 알고리즘이 제공된다. 빌딩 HVAC 유닛이 충분한 데이터 세트를 가진다면, 이러한 접근에 의해, 각각의 빌딩의 HVAC 시스템을 제어하는 것이 더욱 효율적이 될 수 있다. 시뮬레이션 결과는 본 발명의 일 측면에 따른 알고리즘이 열 동적 설계 (Thermal dynamics) 및 경제적 측면에 있어서 잘 작동하고 있음을 나타낸다.
HVAC 시스템에 대한 공급 전력 제어 방법
도 6 은 본 발명의 일 실시예에 따른 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법의 흐름도이다. 도 6 을 참조하여, 본 발명의 일 실시예에 따른 HVAC 시스템의 공급 전력 제어 방법을 설명한다.
도 6 에 도시된 바와 같이, 본 발명의 일 실시예에 따른 제어 방법은, 먼저 구역 온도 예측 모델을 생성 (S610) 할 수 있다. 구체적으로, 복수의 제 1 훈련 데이터들을 기반으로 인공 신경망을 훈련시키는 것에 의해, 제 1 시간 간격을 가지는 예측 시각 이전의 복수 시점들에서의, 빌딩 실내 온도, 공급 전력 및 빌딩 환경 정보를 입력받아 상기 예측 시각에서의 실내 온도를 예측하는 구역 온도 예측 모델을 생성할 수 있다. 일 측면에 따르면, 구역 온도 예측 모델의 훈련은, 앞서 "빌딩의 열 동적 설계를 위한 심층 신경망" 부분에서 설명한 바에 따를 수 있다.
예를 들어, 도 3 에 도시된 바와 같이, 구역 온도 예측 모델은, 온도를 예측하고자 하는 예측 시각 t+1 에 대해서, 그 이전의 시점 t-l 로부터 시점 t 까지의 제 1 시간 간격을 가지는 복수의 시점들에서의 빌딩 실내 온도, 빌딩 환경 정보와 공급된 전력들을 입력받아, 예측 시각 t+1 에서의 실내 온도 Tt+1 을 출력하도록 훈련될 수 있다. 앞서 설명한 바와 같이, 본 발명의 일 측면에 따른 빌딩은 복수의 구역을 포함할 수 있으므로, 실내 온도, 빌딩 환경 정보 및 예측 온도 중 적어도 하나는 상기 복수의 구역들 각각에 대해 결정될 수 있다. 이전 시점들에서의 실내 온도는 각각의 구역 별로 각각 획득되어 입력될 수 있고, 빌딩 환경 정보 역시 각각의 구역 별로 획득될 수 있다. 따라서, 구역 온도 예측 모델의 출력인 예측 온도 역시 각 구역별로 각각 예측될 수 있다.
구역 온도 결정 모델을 훈련하기 위한 복수의 제 1 훈련 데이터들 각각은, 종래의 빌딩 실내 온도, 공급 전력 및 빌딩 환경 정보와, 이러한 종래의 빌딩 실내 온도, 공급 전력 및 빌딩 환경 정보에 따른 복수의 구역 각각에 대한 빌딩 실내 온도를 포함할 수 있다.
구역 온도 결정 모델을 훈련하기 위한 인공 신경망은, 앞서 살핀 바와 같이 종래 온도 및 환경 변수, 그리고 입력 전력들이 예측 시점의 온도에 영향을 미치므로, 순환 신경망 (RNN) 을 사용하는 것이 유리하며, 특히 LSTM 이 사용될 수 있다.
다시 도 6 을 참조하면, 생성된 구역 온도 모델을 이용하여 예측된 예측 온도와, 빌딩 사용자들이 열적 쾌적감을 느낄 수 있도록 시공간에 따른 변화를 반영하여 미리 결정된 목표 온도와의 차이를 최소화시킬 수 있는 최적의 전력 공급 스케쥴을 결정할 수 있다 (S620). 현재 시점 이후의 하나 이상의 시점들에서의, 미리 결정된 목표 온도들의 시퀀스와, 구역 온도 예측 모델을 기반으로 예측된 예측 온도들의 시퀀스 사이의 차이에 관한 손실 함수의 값을 최소화시키도록하는, 현재 시점 이후의 하나 이상의 시점들에 대한 최적 공급 전력들의 시퀀스를 결정할 수 있다. 하나 이상의 시점들은 제 1 시간 간격을 가질 수 있다. 일 측면에 따르면, 최적의 전력 공급 스케쥴의 결정은 앞서 "HVAC 시스템의 최적 전력 스케쥴링" 부분에서 설명한 바에 따를 수 있다.
예를 들어, 도 4 를 기반으로 설명된 바와 같이, 현재시점 t 로부터 t + l - 1 까지의 제 1 시간 간격을 가지는 복수의 시점들에 대해서, 각각의 시점 및 구역 별로 미리 결정된 목표 온도와, 앞서 설명한 구역 온도 예측 모델에 의해 예측된 각각의 시점 및 구역 별로 예측된 예측 온도와의 차이를 나타내는 손실 함수 L 의 값을 최소화시키도록하는, 최적 공급 전력들의 시퀀스 
(여기서 τ는 0, …, l-1 (0 부터 l-1)) 를 결정할 수 있다.
일 측면에 따르면, 손실 함수의 값은, 미리 결정된 목표 온도들의 시퀀스에 포함된 목표 온도들과, 상기 목표 온도들과 각각 대응되는 시점의 예측 온도들 사이의 차이들의 합을 기반으로 결정될 수 있고, 앞서 예를 들어 설명한 바와 같이 이러한 각각의 시점별 차이의 제곱들을 합한 값으로서 결정될 수도 있다.
또한, 본 발명의 일 측면에 따라 복수 구역을 포함하는 건물에 대해, 손실 함수의 값은 복수의 구역들 각각에 대한 미리 결정된 목표 온도들의 시퀀스와 상기 구역 온도 예측 모델을 기반으로 예측된 예측 온도들의 시퀀스 사이의 차이에 관한 값의 합을 기반으로 결정되도록 할 수 있다. 여기서, 각각의 구역에 대한 빌딩 이용자들의 열적 민감도가 상이할 수 있으므로, 손실 함수의 값은, 복수의 구역들 중 온도 민감도가 높은 거주자를 포함하는 적어도 하나의 구역에서의 상기 목표 온도와 예측 온도의 차이 값에 가중치를 부여하여 결정될 수도 있다. 따라서, 열적 민감도가 높은 이용자가 위치한 제 1 구역에 대해서는, 목표 온도와 예측 온도의 차이가 손실 함수의 값을 더욱 크게 증가시키게 되므로, 최적 공급 전력의 결정은 제 1 구역에 대해서 온도 차이를 더 낮추는 방향으로 진행될 수 있다.
도 7 은 도 6 의 최적 공급 전력들의 시퀀스를 결정하는 단계의 상세 흐름도이다. 도 7 에 도시된 바와 같이, 최적 공급 전력들의 시퀀스를 결정하는 단계 (S620) 는, 먼저 최적 공급 전력들의 시퀀스에 포함된 제 1 시간 간격을 가지는 하나 이상의 시점들 각각에 대한 최적 공급 전력들 (Pt, ... , Pt+l-1) 을 초기화할 수 있다 (S621). 일 측면에 따르면 초기화 단계 (S621) 는 K-근접 이웃 (K-Nearest Neighbor, KNN) 기법을 기반으로 최적 공급 전력들을 초기화할 수 있다. 보다 구체적으로는, 목표 온도와의 유클리드 (Euclidean) 거리를 기반으로 결정된 K 근접 입력 전력들의 평균을 기반으로 최적 공급 전력들을 초기화할 수 있다. 일 측면에 따르면, 초기화 단계 (S621) 는 앞서 도 4 의 단계 410 와 관련하여 개시되거나, "k-d 트리 구조를 이용한 K-근접 이웃 (K-Nearest Neighbor) 기반 초기화" 부분에서 개시된 바에 따를 수 있다.
다시 도 7 을 참조하면, 초기화 이후에는, 먼저 손실 함수의 값을 최소화시키도록 하는, 제 1 시간 간격을 가지는 하나 이상의 시점들 중 제 1 시점 (예를 들어, t 시점) 의 제 1 최적 공급 전력 (
) 을 결정 (S623) 하고, 이후 결정된 제 1 최적 공급 전력을 제 1 시점의 공급 전력으로 업데이트하여 계산된 손실 함수의 값을 최소화시키도록 하는, 제 1 시점 이후의 제 2 시점 (t+1) 의 제 2 최적 공급 전력을 결정할 수 있다 (S625). 즉, 이전 시간 스텝인 제 1 시점에서 결정된 최적 공급 전력은, 다음 시간 스텝인 제 2 시점에서의 구역 온도에 영향을 미치므로, 이전 시간 스텝 제 1 시점에서 결정된 최적 공급 전력을 제 1 시점의 입력 전력으로 업데이트하여 제 2 시점에 대한 손실 함수를 다시 계산하여, 다시 계산된 손실 함수의 값을 최소화시키는 제 2 시점에 대한 공급 전력을 제 2 시점에 대한 최적 공급 전력으로서 결정하도록 할 수 있다.
전력 공급 스케쥴 결정을 위해 최적 공급 전력들의 시퀀스를 결정하는 각각의 반복들 (S623 내지 S625) 들에서, 최적 공급 전력은 확률적 기울기 강하 (Stochastic gradient descent, SGD) 기법을 이용하여 결정될 수 있다. 즉, 제 1 최적 공급 전력을 결정하는 단계 (S623) 및 제 2 최적 공급 전력을 결정하는 단계 (S625) 각각은, niter 회의 반복에 걸친 확률적 기울기 강하 (Stochastic gradient descent, SGD) 기법을 기반으로 제 1 최적 공급 전력 및 제 2 최적 공급 전력을 각각 결정하도록 구성될 수 있다.
나아가, 앞서 설명한 바와 같이, 제 1 최적 공급 전력을 결정하는 단계 (S623) 및 제 2 최적 공급 전력 (S625) 을 결정하는 단계 각각에서, 인공 신경망을 훈련시킨 구역 온도 예측 모델의 공급 전력에 대한 변수들만 변화 가능하고 나머지 변수들은 고정될 수 있다. 즉, 구역 온도 예측 모델은 한번 훈련되어, 시간 및 공간적으로 변화될 수 있는 사용자의 열적 선호도를 고려한 목표 온도에 대해 적응적으로 HVAC 공급 전력을 제어하도록 할 수 있다.
HVAC 시스템에 대한 공급 전력 제어 장치
도 8 은 본 발명의 일 실시예에 따른 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 장치의 구성을 나타내는 블록도이다. 도 8 에 도시된 바와 같이, 공급 전력 제어 장치 (800) 는 프로세서 (810), 메모리 (820) 및 송수신부 (830) 를 포함할 수 있다.
일 측면에 따르면, 프로세서 (810) 는, 복수의 제 1 훈련 데이터들을 기반으로 인공 신경망을 훈련시키는 것에 의해, 제 1 시간 간격을 가지는 예측 시각 이전의 복수 시점들에서의, 빌딩 실내 온도, 공급 전력 및 빌딩 환경 정보를 입력받아 상기 예측 시각에서의 실내 온도를 예측하는 구역 온도 예측 모델을 생성하고, 그리고 상기 제 1 시간 간격을 가지는 현재 시점 이후의 하나 이상의 시점들에서의, 미리 결정된 목표 온도들의 시퀀스와 상기 구역 온도 예측 모델을 기반으로 예측된 예측 온도들의 시퀀스 사이의 차이에 관한 손실 함수의 값을 최소화시키도록하는, 상기 현재 시점 이후의 하나 이상의 시점에 대한 최적 공급 전력들의 시퀀스를 결정하도록 구성될 수 있다. 프로세서 (810) 의 구체적인 동작은, 앞서 설명한 본 발명의 일 실시예에 따른 공급 전력 제어 방법에 따를 수 있다.
일 측면에 따르면, 메모리 (820) 는 상기 프로세서의 동작을 위한 명령어들을 저장할 수 있다. 또한, 생성된 구역 온도 예측 모델은 메모리 (820) 에 저장될 수도 있고, 송수신부 (830) 를 통해 정보를 송수신하는 것에 의해 별도의 원격 또는 근거리 서버에 저장되어 작동하도록 구성될 수도 있다.
본 발명의 일 실시예에 따른 장치 (800) 는, 빌딩 정보 모델링 시스템 (Building information modeling system, BIMS) 과 일체로서 형성될 수도 있고, 별도의 장치로서 구비될 수도 있다. 별도의 장치로서 구비될 경우, 송수신부 (830) 를 통해 BIMS 와의 정보를 송수신하도록 구성될 수도 있다.
상술한 본 발명에 따른 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래시 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터로 판독 가능한 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.
이상, 도면 및 실시예를 참조하여 설명하였지만, 본 발명의 보호범위가 상기 도면 또는 실시예에 의해 한정되는 것을 의미하지는 않으며 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
구체적으로, 설명된 특징들은 디지털 전자 회로, 또는 컴퓨터 하드웨어, 펌웨어, 또는 그들의 조합들 내에서 실행될 수 있다. 특징들은 예컨대, 프로그래밍 가능한 프로세서에 의한 실행을 위해, 기계 판독 가능한 저장 디바이스 내의 저장장치 내에서 구현되는 컴퓨터 프로그램 제품에서 실행될 수 있다. 그리고 특징들은 입력 데이터 상에서 동작하고 출력을 생성함으로써 설명된 실시예들의 함수들을 수행하기 위한 지시어들의 프로그램을 실행하는 프로그래밍 가능한 프로세서에 의해 수행될 수 있다. 설명된 특징들은, 데이터 저장 시스템으로부터 데이터 및 지시어들을 수신하기 위해, 및 데이터 저장 시스템으로 데이터 및 지시어들을 전송하기 위해 결합된 적어도 하나의 프로그래밍 가능한 프로세서, 적어도 하나의 입력 디바이스, 및 적어도 하나의 출력 디바이스를 포함하는 프로그래밍 가능한 시스템 상에서 실행될 수 있는 하나 이상의 컴퓨터 프로그램들 내에서 실행될 수 있다. 컴퓨터 프로그램은 소정 결과에 대해 특정 동작을 수행하기 위해 컴퓨터 내에서 직접 또는 간접적으로 사용될 수 있는 지시어들의 집합을 포함한다. 컴퓨터 프로그램은 컴파일된 또는 해석된 언어들을 포함하는 프로그래밍 언어 중 어느 형태로 쓰여지고, 모듈, 소자, 서브루틴(subroutine), 또는 다른 컴퓨터 환경에서 사용을 위해 적합한 다른 유닛으로서, 또는 독립 조작 가능한 프로그램으로서 포함하는 어느 형태로도 사용될 수 있다.
지시어들의 프로그램의 실행을 위한 적합한 프로세서들은, 예를 들어, 범용 및 특수 용도 마이크로프로세서들 둘 모두, 및 단독 프로세서 또는 다른 종류의 컴퓨터의 다중 프로세서들 중 하나를 포함한다. 또한 설명된 특징들을 구현하는 컴퓨터 프로그램 지시어들 및 데이터를 구현하기 적합한 저장 디바이스들은 예컨대, EPROM, EEPROM, 및 플래쉬 메모리 디바이스들과 같은 반도체 메모리 디바이스들, 내부 하드 디스크들 및 제거 가능한 디스크들과 같은 자기 디바이스들, 광자기 디스크들 및 CD-ROM 및 DVD-ROM 디스크들을 포함하는 비휘발성 메모리의 모든 형태들을 포함한다. 프로세서 및 메모리는 ASIC들(application-specific integrated circuits) 내에서 통합되거나 또는 ASIC들에 의해 추가되어질 수 있다.
이상에서 설명한 본 발명은 일련의 기능 블록들을 기초로 설명되고 있지만, 전술한 실시 예 및 첨부된 도면에 의해 한정되는 것이 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경 가능하다는 것이 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 명백할 것이다.
전술한 실시 예들의 조합은 전술한 실시 예에 한정되는 것이 아니며, 구현 및/또는 필요에 따라 전술한 실시예들 뿐 아니라 다양한 형태의 조합이 제공될 수 있다.
전술한 실시 예들에서, 방법들은 일련의 단계 또는 블록으로서 순서도를 기초로 설명되고 있으나, 본 발명은 단계들의 순서에 한정되는 것은 아니며, 어떤 단계는 상술한 바와 다른 단계와 다른 순서로 또는 동시에 발생할 수 있다. 또한, 당해 기술 분야에서 통상의 지식을 가진 자라면 순서도에 나타난 단계들이 배타적이지 않고, 다른 단계가 포함되거나, 순서도의 하나 또는 그 이상의 단계가 본 발명의 범위에 영향을 미치지 않고 삭제될 수 있음을 이해할 수 있을 것이다.
전술한 실시 예는 다양한 양태의 예시들을 포함한다. 다양한 양태들을 나타내기 위한 모든 가능한 조합을 기술할 수는 없지만, 해당 기술 분야의 통상의 지식을 가진 자는 다른 조합이 가능함을 인식할 수 있을 것이다. 따라서, 본 발명은 이하의 특허청구범위 내에 속하는 모든 다른 교체, 수정 및 변경을 포함한다고 할 것이다.
Claims (18)
- 목표 온도를 기반으로 하는 빌딩의 열·공조 (Heating, ventilating, and air-conditioning, HVAC) 시스템에 대한 공급 전력 제어 방법으로서,
복수의 제 1 훈련 데이터들을 기반으로 인공 신경망을 훈련시키는 것에 의해, 제 1 시간 간격을 가지는 예측 시각 이전의 복수 시점들에서의, 빌딩 실내 온도, 공급 전력 및 빌딩 환경 정보를 입력받아 상기 예측 시각에서의 실내 온도를 예측하는 구역 온도 예측 모델을 생성하는 단계; 및
상기 제 1 시간 간격을 가지는 현재 시점 이후의 하나 이상의 시점들에서의, 미리 결정된 목표 온도들의 시퀀스와 상기 구역 온도 예측 모델을 기반으로 예측된 예측 온도들의 시퀀스 사이의 차이에 관한 손실 함수의 값을 최소화시키도록하는, 상기 현재 시점 이후의 하나 이상의 시점에 대한 최적 공급 전력들의 시퀀스를 결정하는 단계를 포함하고,
상기 빌딩은 복수의 구역을 포함하고,
상기 실내 온도, 빌딩 환경 정보, 목표 온도 및 예측 온도 중 적어도 하나는 상기 복수의 구역들 각각에 대해 결정되고,
상기 손실 함수의 값은,
복수의 구역들 각각에 대한 미리 결정된 목표 온도들의 시퀀스와 상기 구역 온도 예측 모델을 기반으로 예측된 예측 온도들의 시퀀스 사이의 차이에 관한 값의 합을 기반으로 결정되는, HVAC 시스템에 대한 공급 전력 제어 방법.
- 삭제
- 제 1 항에 있어서,
상기 복수의 제 1 훈련 데이터들 각각은,
종래의 빌딩 실내 온도, 공급 전력 및 빌딩 환경 정보와, 상기 종래의 빌딩 실내 온도, 공급 전력 및 빌딩 환경 정보에 따른 상기 복수의 구역 각각에 대한 빌딩 실내 온도를 포함하는, HVAC 시스템에 대한 공급 전력 제어 방법.
- 제 1 항에 있어서,
상기 빌딩 환경 정보는,
인접 구역 온도, 빌딩 주변 온도, 상기 HVAC 시스템의 냉각률, 구역 내부 대류성 부하의 열 이득 및 구역 내부 방사성 부하의 열 이득 중 적어도 하나를 포함하는, HVAC 시스템에 대한 공급 전력 제어 방법.
- 삭제
- 제 1 항에 있어서,
상기 손실 함수의 값은,
상기 복수의 구역들 중 온도 민감도가 높은 거주자를 포함하는 적어도 하나의 구역에서의 상기 목표 온도와 예측 온도의 차이 값에 가중치를 부여하여 결정되는, HVAC 시스템에 대한 공급 전력 제어 방법.
- 제 1 항에 있어서,
상기 인공 신경망은, 순환 신경망 (Recurrent Neural Network, RNN) 인, HVAC 시스템에 대한 공급 전력 제어 방법.
- 제 7 항에 있어서,
상기 인공 신경망은, LSTM (Long Short Term Memory) 인, HVAC 시스템에 대한 공급 전력 제어 방법.
- 삭제
- 제 1 항에 있어서,
상기 최적 공급 전력들의 시퀀스를 결정하는 단계는,
상기 최적 공급 전력들의 시퀀스에 포함된 상기 제 1 시간 간격을 가지는 하나 이상의 시점들 각각에 대한 최적 공급 전력들을 초기화하는 단계;
상기 손실 함수의 값을 최소화시키도록 하는, 상기 제 1 시간 간격을 가지는 하나 이상의 시점들 중 제 1 시점의 제 1 최적 공급 전력을 결정하는 단계; 및
상기 제 1 최적 공급 전력을 상기 제 1 시점의 공급 전력으로 설정하여 계산된 상기 손실 함수의 값을 최소화시키도록 하는, 상기 제 1 시점 이후의 제 2 시점의 제 2 최적 공급 전력을 결정하는 단계를 포함하는, HVAC 시스템에 대한 공급 전력 제어 방법.
- 제 10 항에 있어서,
상기 초기화하는 단계는, K-근접 이웃 (K-Nearest Neighbor, KNN) 기법을 기반으로 상기 최적 공급 전력들을 초기화하는, HVAC 시스템에 대한 공급 전력 제어 방법.
- 제 11 항에 있어서,
상기 초기화하는 단계는,
상기 목표 온도와의 유클리드 (Euclidean) 거리를 기반으로 결정된 K 근접 입력 전력들의 평균을 기반으로 상기 최적 공급 전력들을 초기화하는, HVAC 시스템에 대한 공급 전력 제어 방법.
- 제 10 항에 있어서,
상기 제 1 최적 공급 전력을 결정하는 단계 및 상기 제 2 최적 공급 전력을 결정하는 단계 각각은,
niter 회의 반복에 걸친 확률적 기울기 강하 (Stochastic gradient descent, SGD) 기법을 기반으로 상기 제 1 최적 공급 전력 및 제 2 최적 공급 전력을 각각 결정하는, HVAC 시스템에 대한 공급 전력 제어 방법.
- 제 10 항에 있어서,
상기 제 1 최적 공급 전력을 결정하는 단계 및 상기 제 2 최적 공급 전력을 결정하는 단계 각각에서, 상기 인공 신경망을 훈련시킨 구역 온도 예측 모델의 상기 공급 전력에 대한 변수들만 변화 가능하고 나머지 변수들은 고정되는, HVAC 시스템에 대한 공급 전력 제어 방법.
- 목표 온도를 기반으로 하는 빌딩의 열·공조 (Heating, ventilating, and air-conditioning, HVAC) 시스템에 대한 공급 전력 제어 장치로서,
상기 장치는 프로세서 및 메모리를 포함하고, 상기 프로세서는,
복수의 제 1 훈련 데이터들을 기반으로 인공 신경망을 훈련시키는 것에 의해, 제 1 시간 간격을 가지는 예측 시각 이전의 복수 시점들에서의, 빌딩 실내 온도, 공급 전력 및 빌딩 환경 정보를 입력받아 상기 예측 시각에서의 실내 온도를 예측하는 구역 온도 예측 모델을 생성하고; 그리고
상기 제 1 시간 간격을 가지는 현재 시점 이후의 하나 이상의 시점들에서의, 미리 결정된 목표 온도들의 시퀀스와 상기 구역 온도 예측 모델을 기반으로 예측된 예측 온도들의 시퀀스 사이의 차이에 관한 손실 함수의 값을 최소화시키도록하는, 상기 현재 시점 이후의 하나 이상의 시점에 대한 최적 공급 전력들의 시퀀스를 결정하도록 구성되고,
상기 빌딩은 복수의 구역을 포함하고,
상기 실내 온도, 빌딩 환경 정보, 목표 온도 및 예측 온도 중 적어도 하나는 상기 복수의 구역들 각각에 대해 결정되고,
상기 손실 함수의 값은,
복수의 구역들 각각에 대한 미리 결정된 목표 온도들의 시퀀스와 상기 구역 온도 예측 모델을 기반으로 예측된 예측 온도들의 시퀀스 사이의 차이에 관한 값의 합을 기반으로 결정되는, HVAC 시스템에 대한 공급 전력 제어 장치.
- 삭제
- 제 15 항에 있어서,
상기 최적 공급 전력들의 시퀀스를 결정하는 것은,
상기 최적 공급 전력들의 시퀀스에 포함된 상기 제 1 시간 간격을 가지는 하나 이상의 시점들 각각에 대한 최적 공급 전력들을 초기화하는 것;
상기 손실 함수의 값을 최소화시키도록 하는, 상기 제 1 시간 간격을 가지는 하나 이상의 시점들 중 제 1 시점의 제 1 최적 공급 전력을 결정하는 것; 및
상기 제 1 최적 공급 전력을 상기 제 1 시점의 공급 전력으로 설정하여 계산된 상기 손실 함수의 값을 최소화시키도록 하는, 상기 제 1 시점 이후의 제 2 시점의 제 2 최적 공급 전력을 결정하는 것을 포함하는, HVAC 시스템에 대한 공급 전력 제어 장치.
- 프로세서에 의해 실행 가능한 명령어들을 포함하는 컴퓨터 판독 가능한 저장 매체로서, 상기 명령어들은 목표 온도를 기반으로 빌딩의 열·공조 (Heating, ventilating, and air-conditioning, HVAC) 시스템에 대한 공급 전력을 제어하기 위해, 상기 프로세서에 의해 실행되었을 때 상기 프로세서로 하여금,
복수의 제 1 훈련 데이터들을 기반으로 인공 신경망을 훈련시키는 것에 의해, 제 1 시간 간격을 가지는 예측 시각 이전의 복수 시점들에서의, 빌딩 실내 온도, 공급 전력 및 빌딩 환경 정보를 입력받아 상기 예측 시각에서의 실내 온도를 예측하는 구역 온도 예측 모델을 생성하고; 그리고
상기 제 1 시간 간격을 가지는 현재 시점 이후의 하나 이상의 시점들에서의, 미리 결정된 목표 온도들의 시퀀스와 상기 구역 온도 예측 모델을 기반으로 예측된 예측 온도들의 시퀀스 사이의 차이에 관한 손실 함수의 값을 최소화시키도록하는, 상기 현재 시점 이후의 하나 이상의 시점에 대한 최적 공급 전력들의 시퀀스를 결정하게 하도록 구성되고,
상기 빌딩은 복수의 구역을 포함하고,
상기 실내 온도, 빌딩 환경 정보, 목표 온도 및 예측 온도 중 적어도 하나는 상기 복수의 구역들 각각에 대해 결정되고,
상기 손실 함수의 값은,
복수의 구역들 각각에 대한 미리 결정된 목표 온도들의 시퀀스와 상기 구역 온도 예측 모델을 기반으로 예측된 예측 온도들의 시퀀스 사이의 차이에 관한 값의 합을 기반으로 결정되는, 컴퓨터 판독 가능한 저장 매체.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862675136P | 2018-05-22 | 2018-05-22 | |
| US62/675,136 | 2018-05-22 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190140810A KR20190140810A (ko) | 2019-12-20 |
| KR102212663B1 true KR102212663B1 (ko) | 2021-02-05 |
Family
ID=68614401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180128271A KR102212663B1 (ko) | 2018-05-22 | 2018-10-25 | 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20190360711A1 (ko) |
| KR (1) | KR102212663B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102430621B1 (ko) | 2021-11-16 | 2022-08-09 | 케빈랩 주식회사 | 실내 공간의 열 쾌적성 조절 시스템 및 방법 |
Families Citing this family (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11859856B1 (en) | 2019-01-04 | 2024-01-02 | Renu, Inc. | HVAC system with single piece body |
| US11859845B1 (en) | 2019-01-04 | 2024-01-02 | Renu, Inc. | Networked HVAC system having local and networked control |
| US11384950B2 (en) * | 2019-01-16 | 2022-07-12 | Airviz Inc. | Proactive building air quality management |
| US11385605B2 (en) * | 2019-11-12 | 2022-07-12 | Johnson Controls Tyco IP Holdings LLP | Building control system with features for operating under intermittent connectivity to a cloud computation system |
| CN110865666A (zh) * | 2019-12-09 | 2020-03-06 | Oppo广东移动通信有限公司 | 温度控制方法、装置、存储介质及电子设备 |
| CN111460610B (zh) * | 2020-02-27 | 2022-04-08 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种换流阀tvm板发热预测方法、系统、装置及介质 |
| CN111397117A (zh) * | 2020-03-10 | 2020-07-10 | 珠海派诺科技股份有限公司 | 基于大数据的舒适度预测方法、智能终端、存储装置 |
| US11719458B2 (en) * | 2020-04-16 | 2023-08-08 | Robert Bosch Gmbh | HVAC control fine-grained occupancy pattern estimation |
| CN111461466B (zh) * | 2020-05-18 | 2023-06-23 | 瑞纳智能设备股份有限公司 | 基于lstm时间序列的供暖户阀调节方法、系统及设备 |
| US20210383200A1 (en) * | 2020-06-05 | 2021-12-09 | PassiveLogic, Inc. | Neural Network Methods for Defining System Topology |
| KR20220023007A (ko) * | 2020-08-20 | 2022-03-02 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
| KR102395966B1 (ko) * | 2020-08-20 | 2022-05-10 | 주식회사 하나지엔씨 | Bim 연계 및 기반 통합 수배관 시스템 설계 장치 및 방법 |
| KR102514463B1 (ko) * | 2020-08-31 | 2023-03-27 | (주)클라우드앤 | 쾌적존을 이용한 건물통합관리장치 |
| US11692750B1 (en) | 2020-09-15 | 2023-07-04 | Renu, Inc. | Electronic expansion valve and superheat control in an HVAC system |
| CN112303840A (zh) * | 2020-09-17 | 2021-02-02 | 珠海格力电器股份有限公司 | 一种空调器及其出风温度控制方法 |
| KR102234270B1 (ko) * | 2020-10-29 | 2021-03-31 | 주식회사 마키나락스 | 강화학습 기반 에너지 관리 시스템 제어 방법 및 장치 |
| KR20220057396A (ko) | 2020-10-29 | 2022-05-09 | 주식회사 마키나락스 | 강화학습 기반 에너지 관리 시스템 제어 방법 및 장치 |
| KR102439453B1 (ko) * | 2021-02-22 | 2022-09-01 | 포항공과대학교 산학협력단 | 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템 및 운영 방법 |
| CN113110057A (zh) * | 2021-04-20 | 2021-07-13 | 北京硕人时代科技股份有限公司 | 一种基于人工智能的热力站节能控制方法及智能决策系统 |
| CN113203187B (zh) * | 2021-04-28 | 2022-03-01 | 清华大学 | 基于部分线性模型的建筑暖通空调负荷优化控制方法 |
| US20220404056A1 (en) * | 2021-06-17 | 2022-12-22 | Research Products Corporation | Whole building air quality control system |
| CN113673039B (zh) * | 2021-09-06 | 2023-12-12 | 江南造船(集团)有限责任公司 | 基于热环境仿真的船舶通风系统设计方法、系统、介质及终端 |
| CN114279061B (zh) * | 2021-11-26 | 2023-07-14 | 国网北京市电力公司 | 控制空调的方法、装置和电子设备 |
| CN114234370B (zh) * | 2021-12-14 | 2022-12-23 | 珠海格力电器股份有限公司 | 一种多联机空调控制方法、装置及多联机空调 |
| KR102634553B1 (ko) * | 2021-12-20 | 2024-02-08 | 주식회사 스피랩 | 강화학습을 이용한 건물의 에너지를 관리하는 장치 및 방법 |
| CN114838470A (zh) * | 2022-03-04 | 2022-08-02 | 五邑大学 | 一种暖通空调的控制方法和系统 |
| CN114625229A (zh) * | 2022-03-18 | 2022-06-14 | 苏州浪潮智能科技有限公司 | 一种浸没液冷散热调控优化方法、装置和一种数据中心 |
| CN114707711B (zh) * | 2022-03-23 | 2022-09-16 | 特斯联科技集团有限公司 | 园区制冷机组多时间尺度最优调度方法及系统 |
| CN114777192B (zh) * | 2022-04-22 | 2024-01-19 | 浙江英集动力科技有限公司 | 基于数据关联和深度学习的二级网供热自主优化调控方法 |
| CN114909707B (zh) * | 2022-04-24 | 2023-10-10 | 浙江英集动力科技有限公司 | 一种基于智能平衡装置和强化学习的供热二级网调控方法 |
| CN115218366A (zh) * | 2022-07-22 | 2022-10-21 | 中瑞恒（北京）科技有限公司 | 一种基于控制预测模型的暖通空调的节能方法 |
| WO2024031177A1 (en) * | 2022-08-12 | 2024-02-15 | BrainBox AI Inc. | Reduced-data training of neural networks for hvac control |
| CN115513940B (zh) * | 2022-10-13 | 2023-04-07 | 深圳鸿富城建设集团有限公司 | 一种数据中心暖通供电系统及其供电方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101261199B1 (ko) | 2013-01-10 | 2013-05-10 | 동국대학교 산학협력단 | 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 예약냉각 제어방법 |
| JP2016099910A (ja) * | 2014-11-26 | 2016-05-30 | アズビル株式会社 | 関数生成装置、制御装置、熱源システム、関数生成方法、およびプログラム |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1490941A4 (en) * | 2002-03-28 | 2007-01-10 | Robertshaw Controls Co | ENERGY MANAGEMENT SYSTEM AND METHOD |
| EP2513568A4 (en) * | 2009-12-16 | 2013-09-18 | Commw Scient Ind Res Org | HVAC CONTROL SYSTEM AND METHOD |
| US9459018B2 (en) * | 2010-11-19 | 2016-10-04 | Google Inc. | Systems and methods for energy-efficient control of an energy-consuming system |
| US8843238B2 (en) * | 2011-09-30 | 2014-09-23 | Johnson Controls Technology Company | Systems and methods for controlling energy use in a building management system using energy budgets |
| US10001792B1 (en) * | 2013-06-12 | 2018-06-19 | Opower, Inc. | System and method for determining occupancy schedule for controlling a thermostat |
| KR101581501B1 (ko) * | 2013-08-30 | 2015-12-30 | 제주대학교 산학협력단 | 전력 예측 기반의 통합 쾌적지수 및 에너지 효율을 동시에 고려한 지능형 빌딩 에너지 최적화 관리 시스템 및 방법 |
| US20160032729A1 (en) * | 2014-08-04 | 2016-02-04 | United Technologies Corporation | Composite Fan Blade |
| US10291292B2 (en) * | 2014-09-02 | 2019-05-14 | Johnson Controls Technology Company | Wireless sensor with near field communication circuit |
| US9732977B2 (en) * | 2014-09-02 | 2017-08-15 | Johnson Controls Technology Company | Systems and methods for configuring and communicating with HVAC devices |
| US20160146497A1 (en) * | 2014-11-20 | 2016-05-26 | Honeywell International Inc. | Maintaining an attribute of a building |
| GB2535769B (en) * | 2015-02-27 | 2019-03-06 | Energy Tech Institute Llp | Method and apparatus for controlling an environment management system within a building |
| PE20181535A1 (es) * | 2015-12-16 | 2018-09-26 | Gritstone Oncology Inc | Identificacion, fabricacion y uso de neoantigeno |
| KR20170122043A (ko) * | 2016-04-26 | 2017-11-03 | 인천대학교 산학협력단 | 실시간 실내 공기질 이상치 제거 방법 및 장치 |
| KR101779797B1 (ko) | 2016-04-29 | 2017-09-19 | (주) 씨이랩 | 빅 데이터를 이용한 자기학습형 havc 에너지 관리 시스템 및 그 구동 방법 |
-
2018
- 2018-10-25 KR KR1020180128271A patent/KR102212663B1/ko active IP Right Grant
- 2018-10-31 US US16/177,418 patent/US20190360711A1/en not_active Abandoned
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101261199B1 (ko) | 2013-01-10 | 2013-05-10 | 동국대학교 산학협력단 | 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 예약냉각 제어방법 |
| JP2016099910A (ja) * | 2014-11-26 | 2016-05-30 | アズビル株式会社 | 関数生成装置、制御装置、熱源システム、関数生成方法、およびプログラム |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102430621B1 (ko) | 2021-11-16 | 2022-08-09 | 케빈랩 주식회사 | 실내 공간의 열 쾌적성 조절 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20190360711A1 (en) | 2019-11-28 |
| KR20190140810A (ko) | 2019-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102212663B1 (ko) | 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치 | |
| Ding et al. | OCTOPUS: Deep reinforcement learning for holistic smart building control | |
| Li et al. | Intelligent multi-zone residential HVAC control strategy based on deep reinforcement learning | |
| Afram et al. | Artificial neural network (ANN) based model predictive control (MPC) and optimization of HVAC systems: A state of the art review and case study of a residential HVAC system | |
| Ahn et al. | Application of deep Q-networks for model-free optimal control balancing between different HVAC systems | |
| Shi et al. | Energy efficient building HVAC control algorithm with real-time occupancy prediction | |
| Moon et al. | Comparative study of artificial intelligence-based building thermal control methods–Application of fuzzy, adaptive neuro-fuzzy inference system, and artificial neural network | |
| US20180081330A1 (en) | Method and Apparatus for Controlling an Environment Management System within a Building | |
| CN111795484B (zh) | 一种智慧空调控制方法和系统 | |
| Kusiak et al. | Modeling and optimization of HVAC energy consumption | |
| Ghahramani et al. | Energy trade off analysis of optimized daily temperature setpoints | |
| Homod et al. | Dynamics analysis of a novel hybrid deep clustering for unsupervised learning by reinforcement of multi-agent to energy saving in intelligent buildings | |
| Wahid et al. | An efficient approach for energy consumption optimization and management in residential building using artificial bee colony and fuzzy logic | |
| Minakais et al. | Database-driven iterative learning for building temperature control | |
| Mofidi et al. | Personalized energy costs and productivity optimization in offices | |
| Lissa et al. | Transfer learning applied to reinforcement learning-based hvac control | |
| Salque et al. | Neural predictive control for single-speed ground source heat pumps connected to a floor heating system for typical French dwelling | |
| Haniff et al. | Optimized scheduling for an air-conditioning system based on indoor thermal comfort using the multi-objective improved global particle swarm optimization | |
| US20220268479A1 (en) | Hvac system using interconnected neural networks and online learning and operation method thereof | |
| Chen et al. | Adaptive model predictive control with ensembled multi-time scale deep-learning models for smart control of natural ventilation | |
| Ding et al. | Exploring deep reinforcement learning for holistic smart building control | |
| Avendano et al. | Data-driven optimization of energy efficiency and comfort in an apartment | |
| Robillart et al. | Derivation of simplified control rules from an optimal strategy for electric heating in a residential building | |
| Biemann et al. | Data centre HVAC control harnessing flexibility potential via real-time pricing cost optimisation using reinforcement learning | |
| Yang | Optimization of operation times of a heating system in office building |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application | ||
| E601 | Decision to refuse application | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |