KR102315669B1 - 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템 및 이를 이용한 고장 진단 방법 - Google Patents

건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템 및 이를 이용한 고장 진단 방법 Download PDF

Info

Publication number
KR102315669B1
KR102315669B1 KR1020200102027A KR20200102027A KR102315669B1 KR 102315669 B1 KR102315669 B1 KR 102315669B1 KR 1020200102027 A KR1020200102027 A KR 1020200102027A KR 20200102027 A KR20200102027 A KR 20200102027A KR 102315669 B1 KR102315669 B1 KR 102315669B1
Authority
KR
South Korea
Prior art keywords
building
value
temperature data
heating
schedule
Prior art date
Application number
KR1020200102027A
Other languages
English (en)
Inventor
김우현
이유성
Original Assignee
전남대학교산학협력단
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 전남대학교산학협력단 filed Critical 전남대학교산학협력단
Priority to KR1020200102027A priority Critical patent/KR102315669B1/ko
Application granted granted Critical
Publication of KR102315669B1 publication Critical patent/KR102315669B1/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
    • F24F11/32—Responding to malfunctions or emergencies
    • F24F11/38—Failure diagnosis
    • 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
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

본 발명은 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템 및 이를 이용한 고장 진단 방법에 관한 것으로, 본 발명에 따르면, 적어도 하나 이상의 냉난방설비가 설치된 건물에서 온도 센서부로부터 측정된 건물 온도 데이터를 수집하여 저장하는 데이터베이스; 상기 건물 온도 데이터의 잡음을 제거하고 정규화하는 전처리부; 정규화된 건물 온도 데이터의 마루 값과 골 값을 탐색하는 피크탐색부; 상기 마루 값과 골 값을 이용하여 운전 사이클을 탐색하고, 정규화된 건물 온도 데이터를 통해 냉난방설비의 운전 일정을 예측하여 일정 예측 정보를 생성하는 운전탐색부; 상기 마루 값과 골 값을 이용하여 설정 온도 예측값을 계산하는 설정온도예측부 및 상기 운전 사이클, 일정 예측 정보, 설정 온도 예측값을 종합하고, 종합한 결과를 통해 냉난방설비의 이상 여부를 진단하는 고장진단부를 포함하는 진단 서버를 포함하는 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템을 제공할 수 있다.
또한, 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템을 이용한 고장 진단 방법에 있어서, 온도 센서부로부터 측정된 건물 온도 데이터의 잡음을 제거하고 정규화하는 전처리단계; 정규화된 건물 온도 데이터의 마루 값과 골 값을 탐색하는 피크탐색단계; 상기 마루 값과 골 값을 이용하여 운전 사이클을 탐색하고, 정규화된 건물 온도 데이터를 통해 냉난방설비의 운전 일정을 예측하여 일정 예측 정보를 생성하는 운전탐색단계; 상기 마루 값과 골 값을 이용하여 설정 온도 예측값을 계산하는 설정온도예측단계 및 상기 운전 사이클, 일정 예측 정보, 설정 온도 예측값을 종합하고, 종합한 결과를 통해 건물의 냉난방설비의 이상 여부를 진단하는 고장진단단계를 포함하는 고장 진단 방법을 제공할 수 있다.

Description

건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템 및 이를 이용한 고장 진단 방법{Fault diagnosis system based on virtual sensor to improve energy efficiency of building heating and cooling facilities and Fault diagnosis method using the same}
본 발명은 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템 및 이를 이용한 고장 진단 방법에 관한 것으로, 더욱 자세하게는 냉난방설비가 설치된 건물의 건물 온도 데이터를 수집하고 가상센서 기반의 설정 온도 예측 알고리즘과 운전 사이클 및 일정 탐색 알고리즘을 통합 적용하여 건물 냉난방설비의 일정 예측 및 고장 진단을 수행함으로써, 건물의 냉난방설비를 효율적으로 유지/보수할 수 있고, 에너지 활용이 효율적으로 이루어지도록 하는 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템 및 이를 이용한 고장 진단 방법에 관한 것이다.
최근 에너지 수요가 빠르게 증가하면서 상업용 건물에 대한 에너지 시스템 관리에 대한 중요성은 날이 갈수록 커지고 있다.
2010년 미국의 상업용 빌딩 전기 소비량은 미국 전체 전기 소비량의 35% 가량을 차지하고 있고, 상업용 빌딩 내에 공조 장치는 빌딩 전기 소비량에 30% 가량을 차지하고 있다.
또한, 각국 정부는 도시의 첨단화와 지속 가능성을 추구하려는 시도로써 스마트 시티에 대한 연구를 적극적으로 수행하고 있으며, 스마트 시티 조성을 위해서는 에너지를 줄이고 효율적으로 관리하는 것이 중요하다.
전세계적으로 보면 에너지 소비량 중 건물 영역의 소비 비중이 약 36%이며, 온실가스 배출량 중 건물 에너지 관련 온실가스 배출량이 약 39%를 차지하고 있다.
우리나라 또한 전체 에너지 소비량 중 30%를 건물에서 차지하고 있어 세계 평균에 비해 낮은 편이나 단위 면적으로 보면 미국이나 일본 같은 선진국 대비 훨씬 많은 에너지를 소비하고 있는 실정이다.
건물 자체의 에너지 효율을 높이는 것뿐만 아니라 건물 내부에서 사용하는 각종 설비를 효율적으로 관리하는 것이 필요하다. 특히, 상업용 건물의 경우 실내 환경을 쾌적하게 유지하기 위해 사용되는 에너지가 건물 에너지 사용량의 약 75%를 차지하므로, 이를 효율적으로 통합 관리하면 기존 에너지 사용에 대비해 연간 30% 이상의 에너지 운영 비용을 절감할 수 있을 것으로 사료된다.
이에 따라, 건물을 구성하는 다양한 시스템에 대한 건축, 기계, 제어시스템 관련 하드웨어 및 소프트웨어 기술개발이 지난 10여 년간 진행되어 왔으나, 단위 기술 위주의 개발에 집중되어 왔다.
그러나, 건물은 다양한 시스템으로 구성되어 있기 때문에 실질적인 에너지 효율 향상을 위해서는 건물 설비들의 상호정보의 교환을 통한 상황인식과 목적함수에 따른 최적의 제어판단이 필요하다.
따라서, 구체적인 기술개발 측면에서 보면 상황인식을 위한 상태 정보의 수집, 처리기술, 분석 및 예측 기술이 필요하며, 최종 예측된 상태와 목표에 따른 최적 제어 방향을 결정하는 기술이 필요하다.
상기와 같은 문제를 해결하고자, 본 발명은 냉난방설비가 설치된 건물의 건물 온도 데이터를 수집하고 가상센서 기반의 설정 온도 예측 알고리즘과 운전 사이클 및 일정 탐색 알고리즘을 통합 적용하여 건물 냉난방설비의 일정 예측 및 고장 진단을 수행함으로써, 건물의 냉난방설비의 최적화된 에너지 활용이 가능하며 기계적 고장을 직관적으로 감지할 수 있도록 하는 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템 및 이를 이용한 고장 진단 방법을 제공하는데 목적이 있다.
상기와 같은 과제를 해결하기 위하여 본 발명의 실시예에 따른 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템은 적어도 하나 이상의 냉난방설비가 설치된 건물에서 온도 센서부로부터 측정된 건물 온도 데이터를 수집하여 저장하는 데이터베이스; 상기 건물 온도 데이터의 잡음을 제거하고 정규화하는 전처리부; 정규화된 건물 온도 데이터의 마루 값과 골 값을 탐색하는 피크탐색부; 상기 마루 값과 골 값을 이용하여 운전 사이클을 탐색하고, 정규화된 건물 온도 데이터를 통해 냉난방설비의 운전 일정을 예측하여 일정 예측 정보를 생성하는 운전탐색부; 상기 마루 값과 골 값을 이용하여 설정 온도 예측값을 계산하는 설정온도예측부 및 상기 운전 사이클, 일정 예측 정보, 설정 온도 예측값을 종합하고, 종합한 결과를 통해 냉난방설비의 이상 여부를 진단하는 고장진단부를 포함하는 진단 서버를 포함하는 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템을 제공할 수 있다.
여기서, 상기 전처리부는 상기 건물 온도 데이터의 잡음을 저역 필터(Low pass filter)를 통해 제거하는 것을 특징으로 한다.
또한 상기 피크탐색부는 정규화된 건물 온도 데이터의 기울기 부호가 바뀌는지 파악하여 (+)에서 (-)로 바뀌는 지점을 마루 값으로 인식하고, (-)에서 (+)로 바뀌는 지점을 골 값으로 인식하는 것을 특징으로 한다.
또한 상기 운전탐색부는 상기 마루 값과 골 값을 이용하여 운전 사이클을 탐색하고, 탐색된 운전 사이클이 올바른지 판단하는 운전 사이클 탐색부 및 정규화된 건물 온도 데이터를 통해 냉난방설비의 운전 일정을 예측하여 일정 예측 정보를 생성하고, 일정 예측 정보를 실제 운전 정보와 비교하여 성능을 평가하는 운전 일정 예측부를 포함할 수 있다.
또한 상기 운전 일정 예측부는 정규분포 구간을 나누고 정규분포 구간별 정규화된 건물 온도 데이터를 매핑하여 일정 예측 정보를 생성하는 것을 특징으로 한다.
또한 상기 운전 일정 예측부는 각 정규화된 건물 온도 데이터와 온도 평균값을 비교하여 건물 이용 상태와 건물 비이용 상태로 구분해 정규분포 구간별로 정규화된 건물 온도 데이터를 매핑하는 것을 특징으로 한다.
또한 상기 운전 일정 예측부는 상기 건물 온도 데이터가 냉방의 온도일 경우, 건물 온도 데이터가 온도 평균값 미만이면 건물 이용 상태로, 건물 온도 데이터가 온도 평균값 이상이면 건물 비이용 상태로 구분하며, 상기 건물 온도 데이터가 난방의 온도일 경우, 건물 온도 데이터가 온도 평균값 미만이면 건물 비이용 상태로, 건물 온도 데이터가 온도 평균값 이상이면 건물 이용 상태로 구분하는 것을 특징으로 한다.
또한, 본 발명의 실시예에 따른 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템을 이용한 고장 진단 방법은 온도 센서부로부터 측정된 건물 온도 데이터의 잡음을 제거하고 정규화하는 전처리단계; 정규화된 건물 온도 데이터의 마루 값과 골 값을 탐색하는 피크탐색단계; 상기 마루 값과 골 값을 이용하여 운전 사이클을 탐색하고, 정규화된 건물 온도 데이터를 통해 냉난방설비의 운전 일정을 예측하여 일정 예측 정보를 생성하는 운전탐색단계; 상기 마루 값과 골 값을 이용하여 설정 온도 예측값을 계산하는 설정온도예측단계 및 상기 운전 사이클, 일정 예측 정보, 설정 온도 예측값을 종합하고, 종합한 결과를 통해 건물의 냉난방설비의 이상 여부를 진단하는 고장진단단계를 포함하는 고장 진단 방법을 제공할 수 있다.
여기서, 상기 운전탐색단계는 상기 마루 값과 골 값을 이용하여 운전 사이클을 탐색하는 운전 사이클 탐색단계 및 정규화된 건물 온도 데이터를 통해 냉난방설비의 운전 일정을 예측하여 일정 예측 정보를 생성하고, 일정 예측 정보와 실제 운전 정보를 비교하여 성능을 평가하는 운전 일정 예측단계를 포함할 수 있다.
또한 상기 운전 일정 예측단계는 정규분포 구간을 나누는 분할단계; 정규분포 구간별 정규화된 건물 온도 데이터를 매핑하여 일정 예측 정보를 생성하는 매핑단계 및 상기 일정 예측 정보를 실제 운전 정보와 비교하여 성능을 평가하는 성능평가단계를 포함할 수 있다.
또한 상기 매핑단계는 각 정규화된 건물 온도 데이터와 온도 평균값을 비교하여 건물 이용 상태와 건물 비이용 상태로 구분해 정규분포 구간별로 정규화된 건물 온도 데이터를 매핑하는 것을 특징으로 한다.
또한 상기 매핑단계는 상기 건물 온도 데이터가 냉방의 온도일 경우, 건물 온도 데이터가 온도 평균값 미만이면 건물 이용 상태로, 건물 온도 데이터가 온도 평균값 이상이면 건물 비이용 상태로 구분하며, 상기 건물 온도 데이터가 난방의 온도일 경우, 건물 온도 데이터가 온도 평균값 미만이면 건물 비이용 상태로, 건물 온도 데이터가 온도 평균값 이상이면 건물 이용 상태로 구분하는 것을 특징으로 한다.
또한 상기 설정온도예측단계는 상기 마루 값과 골 값을 이용하여 설정 온도 예측값을 계산하는 계산단계 및 상기 설정 온도 예측값이 신뢰구간에 있는지 판단하는 정확도판단단계를 포함할 수 있다.
상기와 같은 본 발명의 실시예에 따른 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템 및 이를 이용한 고장 진단 방법은 냉난방설비가 설치된 건물의 건물 온도 데이터를 수집하고 가상센서 기반의 설정 온도 예측 알고리즘과 운전 사이클 및 일정 탐색 알고리즘을 통합 구현하여 고장 진단함으로써, 최적화된 에너지 활용을 통해 냉난방설비의 효율적인 운영, 건물 에너지 절감 등이 가능하여 상업용 건물 등의 운용 효율을 크게 높일 수 있다.
또한, 고장을 정확하게 예측하고 단시간에 고장 원인을 직관적으로 파악할 수 있어 관리자가 빠르게 대응하도록 할 수 있다.
이에 따라, 유지/보수 과정에서 낭비되는 시간을 절약시킬 수 있고, 관리자의 만족도가 향상되며 건물 에너지를 최적의 조건으로 용이하게 관리할 수 있다.
또한 별도의 센서 설치나 학습이 필요하지 않은 건물 온도 데이터만을 필요로 하므로 추가적인 비용이 발생하지 않아 비용 절약 측면에서도 장점을 가진다.
도 1은 본 발명의 실시예에 따른 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템을 도시한 구성도.
도 2는 도 1의 진단 서버의 구성을 도시한 블록도.
도 3은 도 2의 운전탐색부의 구성을 도시한 블록도.
도 4는 본 발명의 실시예에 따른 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템을 이용한 고장 진단 방법을 개략적으로 나타낸 흐름도.
도 5는 도 4의 피크탐색단계를 순차적으로 나타낸 흐름도.
도 6은 도 4의 운전탐색단계를 순차적으로 나타낸 흐름도.
도 7은 도 6의 운전 일정 예측단계를 순차적으로 나타낸 흐름도.
도 8은 도 4의 설정온도예측단계를 순차적으로 나타낸 흐름도.
이하, 도면을 참조한 본 발명의 설명은 특정한 실시 형태에 대해 한정되지 않으며, 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있다. 또한, 이하에서 설명하는 내용은 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
이하의 설명에서 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용되는 용어로서, 그 자체에 의미가 한정되지 아니하며, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 명세서 전체에 걸쳐 사용되는 동일한 참조번호는 동일한 구성요소를 나타낸다.
본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 이하에서 기재되는 "포함하다", "구비하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로 해석되어야 하며, 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 갖고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 갖는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
이하, 본 발명의 실시 예를 첨부한 도 1 내지 도 8을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템을 도시한 구성도이고, 도 2는 도 1의 진단 서버의 구성을 도시한 블록도이며, 도 3은 도 2의 운전탐색부의 구성을 도시한 블록도이다.
본 발명의 실시예에 따른 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템(이하 '고장 진단 시스템'이라 함)은 하나 이상의 냉난방설비가 설치된 건물에 적용되어, 냉난방설비의 고장을 정확하게 예측하고 단시간에 고장원인을 파악할 수 있어 건물의 냉난방설비를 효율적으로 유지/보수하도록 할 수 있을 뿐만 아니라, 자동으로 일정 관리가 가능하여 건물 내부의 쾌적한 환경을 유지하도록 할 수 있다.
도 1을 참조하면, 본 발명의 실시예에 따른 고장 진단 시스템은 온도 센서부(1), 진단 서버(2) 및 관리자 단말(3)을 포함할 수 있다.
먼저, 온도 센서부(1)는 하나 이상의 범용 온도 센서로 이루어질 수 있으며, 하나 이상의 냉난방설비가 설치된 건물 내부에 설치되어 건물 실내의 온도를 각각 측정하여 하나 이상의 건물 온도 데이터를 획득하고, 이를 진단 서버(2)로 전송할 수 있다.
진단 서버(2)는 온도 센서부(1)로부터 건물 온도 데이터를 수신받고, 건물 온도 데이터를 이용하여 가상센서 기반의 설정 온도 예측 알고리즘과 운전 사이클 및 일정 탐색 알고리즘을 통합 구현하여 냉난방설비의 운전 사이클, 운전 일정 및 설정 온도를 예측하고, 이를 통해 냉난방설비의 고장 여부를 진단할 수 있다.
도 2를 참조하면, 진단 서버(2)는 데이터베이스(20), 전처리부(21), 피크탐색부(22), 운전탐색부(23), 설정온도예측부(24) 및 고장진단부(25)를 포함할 수 있다.
구체적으로, 데이터베이스(20)는 적어도 하나의 냉난방설비가 설치된 건물에서 온도 센서부(1)로부터 측정된 건물 온도 데이터를 수집하여 저장할 수 있다.
또한, 데이터베이스(20)는 전처리부(21), 피크탐색부(22), 운전탐색부(23), 설정온도예측부(24), 고장진단부(25)로부터 생성된 정규화된 건물 온도 데이터, 마루 값과 골 값, 운전 사이클, 일정 예측 정보, 성능 평가 결과, 예측 정확도, 설정 온도 예측값, 고장 진단 결과 등을 저장할 수 있다.
또한, 데이터베이스(20)는 냉난방설비의 실제 운전 정보를 실시간으로 획득하여 저장할 수 있으며, 이에 한정되지 않고 이 외에 시스템에서 필요한 다양한 정보를 저장할 수 있다.
전처리부(21)는 건물 온도 데이터의 잡음(Noise)을 제거하고 정규화하는 것으로, 건물 온도 데이터의 잡음을 저역 필터(Low pass filter)를 통해 제거할 수 있으나, 이에 한정되지 않는다.
상기 저역 필터(Low pass filter)는 특정 주파수보다 낮은 값만을 취하도록 하는 필터로, 이산시간 도메인에서 복소수 주파수 도메인으로 변환시키는 과정을 반복함으로써 건물 온도 데이터의 잡음을 제거할 수 있다.
또한 전처리부(21)는 잡음이 제거된 건물 온도 데이터의 상대적인 위치를 파악하기 위하여 정규화를 할 수 있다.
이때, 전처리부(21)는 건물 온도 데이터를 시계열로 정리하고, 온도 평균값을 추출하여 표준편차를 분석하여 정규화시킬 수 있다. 온도 평균값은 0이 바람직하나, 이에 한정되지는 않는다.
즉, 전처리부(21)는 시계열로 정리된 건물 온도 데이터에서 온도 평균값을 추출하고, 온도 평균값을 기준으로 건물 온도 데이터를 정리하여 상대적인 차이를 파악할 수 있도록 하는 것이다.
피크탐색부(22)는 정규화된 건물 온도 데이터의 마루 값과 골 값을 탐색할 수 있다.
여기서 마루(Peak) 값은 시간에 따라 변동하는 건물 온도 데이터의 변위가 가장 높은 지점으로 값의 기울기가 양(+)에서 음(-)으로 변화되는 지점을 의미하고, 골(Vaiiey) 값은 시간에 따라 변동하는 건물 온도 데이터의 변위가 가장 낮은 지점으로 값의 기울기가 음(-)에서 양(+)으로 변화되는 지점을 의미한다.
이에 피크탐색부(22)는 일정 구간(일정 시간 구간)의 정규화된 건물 온도 데이터를 입력받아 기울기 부호가 바뀌는지 파악할 수 있다. 기울기 부호가 바뀔 경우 (+)에서 (-)로 바뀌는 지점을 마루 값으로 인식하고, (-)에서 (+)로 바뀌는 지점을 골 값으로 인식할 수 있다.
한편, 피크탐색부(22)는 기울기 부호가 바뀌지 않을 경우 일정 구간의 정규화된 건물 온도 데이터를 다시 입력 받아 기울기 부호가 바뀌는지 다시 파악할 수 있다.
이와 같이 피크탐색부(22)는 일정 구간의 각 건물 온도 데이터의 마루 값과 골 값을 탐색하여 추출할 수 있다. 일정 구간은 하루(24시간)일 수 있으나, 이에 한정되지 않고, 다양하게 설정될 수 있다.
운전탐색부(23)는 운전 사이클 및 일정 탐색 알고리즘이 구현된 것으로, 마루 값과 골 값을 이용하여 운전 사이클을 탐색하고, 정규화된 건물 온도 데이터를 통해 냉난방설비의 운전 일정을 예측하여 일정 예측 정보를 생성할 수 있다
이러한 운전탐색부(23)는 도 3과 같이 운전 사이클 탐색부(230) 및 운전 일정 예측부(231)를 포함할 수 있다.
운전 사이클 탐색부(230)는 피크탐색부(22)로부터 탐색된 마루 값과 골 값을 이용하여 해당 냉난방설비의 운전 사이클을 탐색할 수 있다. 이를 통해 각 냉난방설비의 ON/OFF 운전 주기를 파악할 수 있는 것이다.
또한 운전 사이클 탐색부(230)는 탐색된 운전 사이클이 올바른지 판단하여, 올바르지 않을 경우 운전 사이클을 재탐색할 수 있다. 올바르다고 판단될 경우에는 운전 일정 예측부(231)를 통해 운전 일정 예측이 진행되도록 할 수 있다.
이 경우 운전 사이클 탐색부(230)는 베이지안 결정 이론(Bayesian decision theory)를 기반으로 탐색된 운전 사이클이 올바른지에 대해 판단할 수 있는데, 실제 냉난방설비의 운전 사이클에 대한 정보를 수집하여 통계적으로 얻은 운전 사이클의 기준 정보와 비교하여, 그 기준 정보에서 탐색된 운전 사이클이 포함되는 부분의 값이 일정 값 미만일 경우 올바르지 않다고 판단하고, 일정 값 이상일 경우 올바르다고 판단할 수 있다.
상기 베이지안 결정 이론(Bayesian decision theory)은 기존에 가지고 있던 사전 정보를 활용하여 의사 결정을 할 때에 사용되는 확률 이론이며, 불확실한 상황에서 통계적으로 얻은 정보를 가지고 의사 결정을 해야 하는 경우에 핵심적으로 이용되는 이론이다.
운전 일정 예측부(231)는 전처리부(21)로부터 정규화된 건물 온도 데이터를 통해 냉난방설비의 운전 일정을 예측하여 일정 예측 정보를 생성할 수 있다.
보다 구체적으로, 운전 일정 예측부(231)는 정규 분포 개념을 사용하여 정규분포 구간을 나눌 수 있다.
그 다음, 운전 일정 예측부(231)는 정규분포 구간별 정규화된 건물 온도 데이터를 매핑하여 일정 예측 정보를 생성할 수 있는데, 이때 운전 일정 예측부(231)는 각 정규화된 건물 온도 데이터와 온도 평균값을 비교하여 건물 이용 상태와 건물 비이용 상태로 구분해 정규분포 구간별로 정규화된 건물 온도 데이터를 매핑할 수 있다.
여기서 온도 평균값은 0이 바람직하나, 이에 한정되지는 않는다.
매핑 시 운전 일정 예측부(231)는 건물 온도 데이터가 난방 시 또는 냉방 시의 온도 데이터인지에 따라 건물 이용 상태와 건물 비이용 상태를 다르게 구분하여 매핑할 수 있다.
먼저, 건물 온도 데이터가 냉방의 온도일 경우, 건물 온도 데이터가 온도 평균값 미만이면 건물 이용 상태로, 건물 온도 데이터가 온도 평균값 이상이면 건물 비이용 상태로 구분할 수 있다.
또한 운전 일정 예측부(231)는 건물 온도 데이터가 난방의 온도일 경우, 건물 온도 데이터가 온도 평균값 미만이면 건물 비이용 상태로, 건물 온도 데이터가 온도 평균값 이상이면 건물 이용 상태로 구분할 수 있다.
또한 운전 일정 예측부(231)는 건물 이용 상태 및 건물 비이용 상태로 구분되어 매핑된 일정 예측 정보와 실제 운전 정보를 비교하여 성능을 평가할 수 있다. 이를 통해 성능 평가 결과를 생성할 수 있다. 이는 일정 예측 정보가 실제 냉난방설비가 운전된 것과 유사하게 예측되었는지 정량화하기 위한 것이다.
보다 구체적으로, 운전 일정 예측부(231)는 혼돈 행렬(Confusion matrix)을 통해 일정 예측 정보와 냉난방설비의 실제 운전 정보와 비교하여 동일한 경우와 다른 경우를 판단하여 성능 평가 결과를 생성할 수 있다.
이에 운전 일정 예측부(231)는 성능 평가 결과에 따라 예측 정확도를 판단할 수 있다. 이를 통해 고장 진단 결과의 정확도가 향상되어 신뢰도가 보다 높아지도록 할 수 있다.
구체적으로, 운전 일정 예측부(231)는 성능 평가 결과에서 동일한 경우의 비율을 산출하여 예측 정확도를 구할 수 있다.
설정온도예측부(24)는 가상센서 기반의 설정 온도 예측 알고리즘이 구현된 것으로, 피크탐색부(22)로부터 탐색된 마루 값과 골 값을 이용하여 설정 온도 예측값을 계산할 수 있다. 이때 마루 값과 골 값의 평균값을 계산하여 설정 온도 예측값을 구할 수 있다.
또한 설정온도예측부(24)는 계산된 설정 온도 예측값이 신뢰구간에 있는지 판단할 수 있다. 신뢰구간에 있을 경우 계산된 설정 온도 예측값을 고장진단부(25)에서 사용하도록 하며, 신뢰구간에 없을 경우 설정 온도 예측값을 다시 계산할 수 있다. 이를 통해 고장 진단 결과의 신뢰도를 보다 향상시킬 수 있다.
여기서 신뢰구간은 설정 온도 예측값이 어느 구간 내에 몇 %의 확률로 존재할 것이라고 추정하여 설정될 수 있으며, 관리자에 의해 변경될 수도 있다. 즉, 수집된 건물 온도 데이터에 따라 어느 온도 구간 내에 설정 온도 예측값이 존재할지를 추정하여 신뢰구간이 설정될 수 있는 것이다.
고장진단부(25)는 운전 사이클, 일정 예측 정보, 성능 평가 결과, 예측 정확도, 설정 온도 예측값을 종합하고, 종합한 결과를 통해 냉난방설비의 이상 여부를 진단할 수 있다.
또한 고장진단부(25)는 냉난방설비의 이상 여부를 진단한 진단 결과를 관리자 단말(3)로 전송하여, 이상 발생 시 관리자가 빠르게 대응하도록 할 수 있다.
관리자 단말(3)은 냉난방설비 사용인, 건물의 관리인, 거주자 등인 관리자의 단말기 일 수 있으며, 모바일 단말 외 PC, 태블릿, PDA(Personal Digital Assistant) 등으로 이루어질 수 있다.
이러한 관리자 단말(3)은 진단 서버(2)로부터 진단 결과를 수신받아 관리자에게 제공할 수 있으며, 이외에 실시간으로 다양한 정보를 모두 수신 받을 수 있어 관리자가 실시간으로 모니터링 할 수 있도록 한다.
또한, 관리자가 관리자 단말(3)을 이용하여 진단 서버(2)를 통해 냉난방설비를 제어하도록 할 수도 있다.
도 4는 본 발명의 실시예에 따른 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템을 이용한 고장 진단 방법을 개략적으로 나타낸 흐름도이고, 도 5는 도 4의 피크탐색단계를 순차적으로 나타낸 흐름도이고, 도 6은 도 4의 운전탐색단계를 순차적으로 나타낸 흐름도이고, 도 7은 도 6의 운전 일정 예측단계를 순차적으로 나타낸 흐름도이며, 도 8은 도 4의 설정온도예측단계를 순차적으로 나타낸 흐름도이다.
도 4를 참조하면, 본 발명의 실시예에 따른 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템을 이용한 고장 진단 방법(이하 '고장 진단 방법'이라 함)은 데이터수집단계(S1), 전처리단계(S2), 피크탐색단계(S3), 운전탐색단계(S4), 설정온도예측단계(S5) 및 고장진단단계(S6)를 포함할 수 있다.
구체적으로, 데이터수집단계(S1)는 진단 서버(2)가 온도 센서부(1)로부터 측정된 하나 이상의 건물 온도 데이터를 수신받아 저장할 수 있다.
전처리단계(S2)는 진단 서버(2)가 S1 단계로부터 수집된 측정된 건물 온도 데이터의 잡음을 저역 필터(Low pass filter)를 통해 제거하고 정규화할 수 있다.
S2 단계는 잡음이 제거된 건물 온도 데이터를 시계열로 정리하고, 온도 평균값을 추출하여 표준편차를 분석하여 온도 평균값을 기준으로 건물 온도 데이터를 정리하는 것으로 정규화시킬 수 있다.
피크탐색단계(S3)는 진단 서버(2)가 S2 단계를 통해 정규화된 건물 온도 데이터의 마루 값과 골 값을 탐색할 수 있다.
보다 구체적으로 도 5를 참조하면, S3 단계는 데이터입력단계(S30), 부호판단단계(S31) 및 피크인식단계(S32)를 포함할 수 있다.
데이터입력단계(S30)는 일정 구간(일정 시간 구간)의 정규화된 건물 온도 데이터를 입력받을 수 있다.
부호판단단계(S31)는 S30 단계에서 입력된 정규화된 건물 온도 데이터를 분석하여 기울기 부호가 바뀌는지 파악할 수 있다. 여기서 기울기 부호가 바뀔 경우 S32 단계로 진행될 수 있으며, 바뀌지 않을 경우 S31 단계가 다시 진행되어 일정 구간(일정 시간 구간)의 정규화된 건물 온도 데이터를 다시 입력 받고 S31 단계가 진행될 수 있다.
피크인식단계(S32)는 일정 구간(일정 시간 구간)의 정규화된 건물 온도 데이터에서 마루 값과 골 값을 인식할 수 있는데, (+)에서 (-)로 바뀌는 지점을 마루 값으로 인식하고, (-)에서 (+)로 바뀌는 지점을 골 값으로 인식할 수 있다.
운전탐색단계(S4)는 진단 서버(2)가 마루 값과 골 값을 이용하여 운전 사이클을 탐색하고, 정규화된 건물 온도 데이터를 통해 냉난방설비의 운전 일정을 예측하여 일정 예측 정보를 생성할 수 있다.
이를 위해, S4 단계는 도 6에 나타난 바와 같이, 운전 사이클 탐색단계(S40), 운전 사이클 판단단계(S41) 및 운전 일정 예측단계(S42)를 포함할 수 있다.
운전 사이클 탐색단계(S40)는 S3 단계에서 인식된 마루 값과 골 값을 이용하여 운전 사이클을 탐색할 수 있다.
운전 사이클 판단단계(S41)는 S40 단계에서 탐색된 운전 사이클이 올바르게 탐색되었는지 판단할 수 있는데, 운전 사이클의 기준 정보와 비교하여, 그 기준 정보에서 탐색된 운전 사이클이 포함되는 부분의 값이 일정 값 미만일 경우 올바르지 않다고 판단하고, 일정 값 이상일 경우 올바르다고 판단할 수 있다.
S41 단계는 올바르게 탐색되었을 경우 S42 단계가 진행되도록 하고, 올바르게 탐색되지 않았을 경우 S40 단계가 다시 진행되도록 하여 운전 사이클이 재 탐색되도록 할 수 있다.
운전 일정 예측단계(S42)는 S2 단계로부터 정규화된 건물 온도 데이터를 통해 냉난방설비의 운전 일정을 예측하여 일정 예측 정보를 생성하고, 일정 예측 정보와 실제 운전 정보를 비교해 성능을 평가하여 성능 평가 결과를 생성할 수 있다.
도 7을 참조하면, S42 단계는 분할단계(S420), 매핑단계(S421) 및 성능평가단계(S422)를 포함할 수 있다.
분할단계(S420)는 정규분포 구간을 나눌 수 있다.
매핑단계(S421)는 S420 단계에서 나눠진 정규분포 구간별로 정규화된 건물 온도 데이터를 매핑하여 일정 예측 정보를 생성할 수 있다.
보다 구체적으로 S421 단계는 각 정규화된 건물 온도 데이터와 온도 평균값을 비교하여 건물 이용 상태와 건물 비이용 상태로 구분해 정규분포 구간별로 정규화된 건물 온도 데이터를 매핑할 수 있다.
이때, S421 단계는 건물 온도 데이터가 냉방의 온도일 경우, 건물 온도 데이터가 온도 평균값 미만이면 건물 이용 상태로, 건물 온도 데이터가 온도 평균값 이상이면 건물 비이용 상태로 구분할 수 있다.
반대로, S421 단계는 건물 온도 데이터가 난방의 온도일 경우, 건물 온도 데이터가 온도 평균값 미만이면 건물 비이용 상태로, 건물 온도 데이터가 온도 평균값 이상이면 건물 이용 상태로 구분할 수 있다.
성능평가단계(S422)는 S421 단계에서 상기와 같이 생성된 일정 예측 정보를 혼돈 행렬(Confusion matrix)을 통해 실제 운전 정보와 비교하여 성능을 평가하고, 평가에 따른 성능 평가 결과를 생성할 수 있다.
또한, S422 단계는 성능 평가 결과에 따른 예측 정확도를 판단할 수 있다.
설정온도예측단계(S5)는 S3 단계에서 탐색된 마루 값과 골 값을 이용하여 설정 온도 예측값을 계산할 수 있다.
도 8을 참조하면, S5 단계는 계산단계(S50) 및 정확도판단단계(S51)를 포함할 수 있다.
계산단계(S50)는 진단 서버(2)가 마루 값과 골 값을 이용하여 설정 온도 예측값을 계산할 수 있다.
정확도판단단계(S51)는 S50 단계에서 계산된 설정 온도 예측값이 신뢰구간에 있는지 판단할 수 있다. 신뢰구간에 설정 온도 예측값이 포함되지 않을 경우 S50 단계가 다시 진행되도록 할 수 있다.
고장진단단계(S6)는 진단 서버(2)가 S4 단계에서 생성된 운전 사이클, 일정 예측 정보, 성능 평가 결과, 예측 정확도와 S5 단계에서 계산된 설정 온도 예측값을 종합하고, 종합한 결과를 통해 건물의 냉난방설비의 이상 여부를 진단할 수 있다.
S6 단계는 진단에 따라 진단 결과를 생성하고, 생성된 진단 결과를 관리자 단말(3)에 전송할 수 있다.
상기에서 설명한 바와 같이, 본 발명의 실시예에 따른 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템 및 이를 이용한 고장 진단 방법은 냉난방설비가 설치된 건물의 건물 온도 데이터를 수집하고 가상센서 기반의 설정 온도 예측 알고리즘과 운전 사이클 및 일정 탐색 알고리즘을 통합 구현하여 고장 진단함으로써, 최적화된 에너지 활용을 통해 냉난방설비의 효율적인 운영, 건물 에너지 절감 등이 가능하여 상업용 건물 등의 운용 효율을 크게 높일 수 있다.
또한, 고장을 정확하게 예측하고 단시간에 고장 원인을 직관적으로 파악할 수 있어 관리자가 빠르게 대응하도록 할 수 있다.
이에 따라, 유지/보수 과정에서 낭비되는 시간을 절약시킬 수 있고, 관리자의 만족도가 향상되며 건물 에너지를 최적의 조건으로 용이하게 관리할 수 있다.
또한 별도의 센서 설치나 학습이 필요하지 않은 건물 온도 데이터만을 필요로 하므로 추가적인 비용이 발생하지 않아 비용 절약 측면에서도 장점을 가진다.
이상에서 설명한 본 발명의 실시예는 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하기 위한 프로그램, 그 프로그램이 기록된 기록 매체 등을 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
1: 온도 센서부
2: 진단 서버
20: 데이터베이스
21: 전처리부
22: 피크탐색부
23: 운전탐색부
230: 운전 사이클 탐색부
231: 운전 일정 예측부
24: 설정온도예측부
25: 고장진단부
3: 관리자 단말

Claims (11)

  1. 적어도 하나 이상의 냉난방설비가 설치된 건물에서 온도 센서부로부터 측정된 건물 온도 데이터를 수집하여 저장하는 데이터베이스;
    상기 건물 온도 데이터의 잡음을 제거하고 정규화하는 전처리부;
    정규화된 건물 온도 데이터의 마루 값과 골 값을 탐색하는 피크탐색부;
    상기 마루 값과 골 값을 이용하여 운전 사이클을 탐색하고, 정규화된 건물 온도 데이터를 통해 냉난방설비의 운전 일정을 예측하여 일정 예측 정보를 생성하는 운전탐색부;
    상기 마루 값과 골 값을 이용하여 설정 온도 예측값을 계산하는 설정온도예측부 및
    상기 운전 사이클, 일정 예측 정보, 설정 온도 예측값을 종합하고, 종합한 결과를 통해 냉난방설비의 이상 여부를 진단하는 고장진단부를 포함하는 진단 서버를 포함하는 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템.
  2. 제1항에 있어서,
    상기 전처리부는,
    상기 건물 온도 데이터의 잡음을 저역 필터(Low pass filter)를 통해 제거하는 것을 특징으로 하는 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템.
  3. 제1항에 있어서,
    상기 피크탐색부는,
    정규화된 건물 온도 데이터의 기울기 부호가 바뀌는지 파악하여 (+)에서 (-)로 바뀌는 지점을 마루 값으로 인식하고, (-)에서 (+)로 바뀌는 지점을 골 값으로 인식하는 것을 특징으로 하는 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템.
  4. 제1항에 있어서,
    상기 운전탐색부는,
    상기 마루 값과 골 값을 이용하여 운전 사이클을 탐색하고, 탐색된 운전 사이클이 올바른지 판단하는 운전 사이클 탐색부 및
    정규화된 건물 온도 데이터를 통해 냉난방설비의 운전 일정을 예측하여 일정 예측 정보를 생성하고, 일정 예측 정보를 실제 운전 정보와 비교하여 성능을 평가하는 운전 일정 예측부를 포함하는 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템.
  5. 제4항에 있어서,
    상기 운전 일정 예측부는,
    정규분포 구간을 나누고 정규분포 구간별 정규화된 건물 온도 데이터를 매핑하여 일정 예측 정보를 생성하는 것을 특징으로 하는 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템.
  6. 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템을 이용한 고장 진단 방법에 있어서,
    온도 센서부로부터 측정된 건물 온도 데이터의 잡음을 제거하고 정규화하는 전처리단계;
    정규화된 건물 온도 데이터의 마루 값과 골 값을 탐색하는 피크탐색단계;
    상기 마루 값과 골 값을 이용하여 운전 사이클을 탐색하고, 정규화된 건물 온도 데이터를 통해 냉난방설비의 운전 일정을 예측하여 일정 예측 정보를 생성하는 운전탐색단계;
    상기 마루 값과 골 값을 이용하여 설정 온도 예측값을 계산하는 설정온도예측단계 및
    상기 운전 사이클, 일정 예측 정보, 설정 온도 예측값을 종합하고, 종합한 결과를 통해 건물의 냉난방설비의 이상 여부를 진단하는 고장진단단계를 포함하는 고장 진단 방법.
  7. 제6항에 있어서,
    상기 운전탐색단계는,
    상기 마루 값과 골 값을 이용하여 운전 사이클을 탐색하는 운전 사이클 탐색단계 및
    정규화된 건물 온도 데이터를 통해 냉난방설비의 운전 일정을 예측하여 일정 예측 정보를 생성하고, 일정 예측 정보와 실제 운전 정보를 비교하여 성능을 평가하는 운전 일정 예측단계를 포함하는 고장 진단 방법.
  8. 제7항에 있어서,
    상기 운전 일정 예측단계는,
    정규분포 구간을 나누는 분할단계;
    정규분포 구간별 정규화된 건물 온도 데이터를 매핑하여 일정 예측 정보를 생성하는 매핑단계 및
    상기 일정 예측 정보를 실제 운전 정보와 비교하여 성능을 평가하는 성능평가단계를 포함하는 고장 진단 방법.
  9. 제8항에 있어서,
    상기 매핑단계는,
    각 정규화된 건물 온도 데이터와 온도 평균값을 비교하여 건물 이용 상태와 건물 비이용 상태로 구분해 정규분포 구간별로 정규화된 건물 온도 데이터를 매핑하는 것을 특징으로 하는 고장 진단 방법.
  10. 제9항에 있어서,
    상기 매핑단계는,
    상기 건물 온도 데이터가 냉방의 온도일 경우,
    건물 온도 데이터가 온도 평균값 미만이면 건물 이용 상태로, 건물 온도 데이터가 온도 평균값 이상이면 건물 비이용 상태로 구분하며,
    상기 건물 온도 데이터가 난방의 온도일 경우,
    건물 온도 데이터가 온도 평균값 미만이면 건물 비이용 상태로, 건물 온도 데이터가 온도 평균값 이상이면 건물 이용 상태로 구분하는 것을 특징으로 하는 고장 진단 방법.
  11. 제6항에 있어서,
    상기 설정온도예측단계는,
    상기 마루 값과 골 값을 이용하여 설정 온도 예측값을 계산하는 계산단계 및
    상기 설정 온도 예측값이 신뢰구간에 있는지 판단하는 정확도판단단계를 포함하는 고장 진단 방법.
KR1020200102027A 2020-08-13 2020-08-13 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템 및 이를 이용한 고장 진단 방법 KR102315669B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200102027A KR102315669B1 (ko) 2020-08-13 2020-08-13 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템 및 이를 이용한 고장 진단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200102027A KR102315669B1 (ko) 2020-08-13 2020-08-13 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템 및 이를 이용한 고장 진단 방법

Publications (1)

Publication Number Publication Date
KR102315669B1 true KR102315669B1 (ko) 2021-10-20

Family

ID=78268047

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200102027A KR102315669B1 (ko) 2020-08-13 2020-08-13 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템 및 이를 이용한 고장 진단 방법

Country Status (1)

Country Link
KR (1) KR102315669B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220082597A (ko) 2020-12-10 2022-06-17 인천대학교 산학협력단 건물 내 에너지 시스템의 감시 방법 및 장치
CN117150414A (zh) * 2023-10-17 2023-12-01 广东迅扬科技股份有限公司 一种故障诊断方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200086889A (ko) * 2019-01-10 2020-07-20 엘지전자 주식회사 공기조화기

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200086889A (ko) * 2019-01-10 2020-07-20 엘지전자 주식회사 공기조화기

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220082597A (ko) 2020-12-10 2022-06-17 인천대학교 산학협력단 건물 내 에너지 시스템의 감시 방법 및 장치
CN117150414A (zh) * 2023-10-17 2023-12-01 广东迅扬科技股份有限公司 一种故障诊断方法
CN117150414B (zh) * 2023-10-17 2024-04-12 广东迅扬科技股份有限公司 一种故障诊断方法

Similar Documents

Publication Publication Date Title
CN107146004B (zh) 一种基于数据挖掘的矿渣粉磨系统健康状态识别系统及方法
KR102315669B1 (ko) 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템 및 이를 이용한 고장 진단 방법
KR101044744B1 (ko) 신뢰도 기반 배전기자재 유지보수 시스템과 방법
Sun et al. Optimization of support vector regression model based on outlier detection methods for predicting electricity consumption of a public building WSHP system
CN111140986A (zh) 空调系统的运行状态检测方法、装置、存储介质及空调
JP6427357B2 (ja) 診断支援システム及び診断支援方法
CN112097365A (zh) 基于预测和分类模型的空调故障检测与辩识方法及装置
CN111486555A (zh) 一种人工智能ai专家系统进行中央空调节能调控的方法
EP3944043B1 (en) Maintenance work assistance device
KR102447048B1 (ko) 에너지 시뮬레이션 모델 생성 장치 및 방법
CN111241683A (zh) 一种基于动态时间规整的设备工况故障预测方法和系统
Zucker et al. Improving energy efficiency of buildings using data mining technologies
CN116796043A (zh) 一种智能园区数据可视化方法及系统
Wang et al. Data-driven assessment of room air conditioner efficiency for saving energy
JP2003044123A (ja) プラント診断装置
CN113033913B (zh) 空调故障预测性维护方法、系统、电子设备及存储介质
KR20130065844A (ko) 지능형 빌딩 에너지 설비 효율 관리 시스템 및 그 방법
US20150357816A1 (en) Apparatus, server, system and method for energy measuring
CN117114454A (zh) 一种基于Apriori算法的直流套管状态评估方法及系统
CN116840658A (zh) 一种针对芯片固件的故障预测和诊断方法
CN116221037A (zh) 一种风电机组监测方法和装置
US11339763B2 (en) Method for windmill farm monitoring
Walker et al. Development of Short-Term Forecasting Models Using Plant Asset Data and Feature Selection
Choi et al. Change-point model-based clustering for urban building energy analysis
Balali et al. Essentials to develop data-driven predictive models of prognostics and health management for distributed electrical systems

Legal Events

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