KR102515423B1 - System and method thereof for predicting performance of new heat pump by using experience knowledge of existing products and transfer learning of small scale measurement data for new products - Google Patents
System and method thereof for predicting performance of new heat pump by using experience knowledge of existing products and transfer learning of small scale measurement data for new products Download PDFInfo
- Publication number
- KR102515423B1 KR102515423B1 KR1020220092453A KR20220092453A KR102515423B1 KR 102515423 B1 KR102515423 B1 KR 102515423B1 KR 1020220092453 A KR1020220092453 A KR 1020220092453A KR 20220092453 A KR20220092453 A KR 20220092453A KR 102515423 B1 KR102515423 B1 KR 102515423B1
- Authority
- KR
- South Korea
- Prior art keywords
- heat pump
- neural network
- artificial neural
- data
- prediction
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000013526 transfer learning Methods 0.000 title claims abstract description 45
- 238000005259 measurement Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 194
- 230000008569 process Effects 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 43
- 238000013480 data collection Methods 0.000 claims abstract description 39
- 238000010276 construction Methods 0.000 claims abstract description 23
- 238000013076 uncertainty analysis Methods 0.000 claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 58
- 238000001816 cooling Methods 0.000 claims description 33
- 238000010438 heat treatment Methods 0.000 claims description 33
- 210000002569 neuron Anatomy 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000013075 data extraction Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 230000007786 learning performance Effects 0.000 claims 1
- 239000000047 product Substances 0.000 description 33
- 238000010586 diagram Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 4
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B49/00—Arrangement or mounting of control or safety devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B30/00—Heat pumps
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/002—Thermal testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B2700/00—Sensing or detecting of parameters; Sensors therefor
- F25B2700/21—Temperatures
Abstract
Description
본 발명의 실시예는 기존 제품의 사용경험지식과 신규 제품에 대한 소규모 측정데이터의 전이학습을 이용하여 신규 히트펌프의 성능을 예측하는 시스템 및 방법에 관한 것이다.Embodiments of the present invention relate to a system and method for predicting the performance of a new heat pump using transfer learning of use experience knowledge of an existing product and small-scale measurement data of a new product.
인공신경망은 지도학습 방법 중 하나로, 사전에 확보된 입출력 데이터 세트를 이용하여 시스템에서 관측되지 않은 수학적 구조를 재구성하는 방법론에 해당한다. 그리고, 인공신경망은 센싱 기술, 데이터 저장 기술 및 컴퓨팅 기술의 발전에 의해 생산되는 데이터 양이 증가함에 따라 예측 문제의 주요 수단으로 활용되고 있다. An artificial neural network is one of the supervised learning methods, and corresponds to a methodology for reconstructing unobserved mathematical structures in a system using a previously secured input/output data set. In addition, as the amount of data produced by the development of sensing technology, data storage technology, and computing technology increases, artificial neural networks are used as a major method for prediction problems.
공기-물 히트펌프 또는 물-물 히트펌프는 외기 또는 외부의 물로부터 열을 공급받아 물을 냉각 또는 가열하는 공조장비로서, 에너지 효율화를 위해서는 실내외 환경변화를 고려하여 제품 성능을 정확하게 예측하는 것은 중요하다. An air-water heat pump or water-water heat pump is an air conditioning equipment that cools or heats water by receiving heat from outside air or outside water. It is important to accurately predict product performance in consideration of changes in indoor and outdoor environments for energy efficiency. do.
기존 히트펌프 제품의 경우, 에너지관리시스템 또는 제품 내장 센서로부터 수집된 대량의 히트펌프 운영 데이터와 신경망 기법을 연계하여 예측 성능이 확보된 성능 예측 시스템을 쉽게 얻을 수 있고, 히트펌프 운영 과정에서 신경망을 중심으로 한 모델 예측 제어(model predictive control)를 활용한다면 자동제어를 통해 불필요한 에너지 소비를 상당부분 줄일 수 있기 때문에 에너지 효율화를 극대화할 수 있다. In the case of existing heat pump products, it is possible to easily obtain a performance prediction system with predictive performance by linking a large amount of heat pump operation data collected from an energy management system or a built-in sensor with a neural network technique. If model predictive control is used, energy efficiency can be maximized because unnecessary energy consumption can be significantly reduced through automatic control.
그러나, 히트펌프 운영 데이터를 충분히 확보하는 것이 현실적으로 어렵기 때문에 이러한 경우에는 상기 예측 시스템의 성능을 보장받는 것 역시 어려울 수 있다. However, since it is practically difficult to secure sufficient heat pump operation data, it may also be difficult to guarantee the performance of the prediction system in this case.
인공신경망 기법을 활용하여 히트펌프 성능 예측 시스템을 구축하기 위해서는 대량의 히트펌프 운영 데이터가 사전에 확보되어 있어야 한다.In order to build a heat pump performance prediction system using artificial neural network techniques, a large amount of heat pump operation data must be secured in advance.
그러나, 신규 히트펌프 제품의 경우 이에 대한 과거 운영 기록이 부재하기 때문에 별도의 챔버 추가 시험이 수반되고, 인건비, 시험 소요시간 등 경제적 비용이 발생한다. However, in the case of a new heat pump product, since there is no record of past operation, a separate chamber additional test is accompanied, and economic costs such as labor cost and test time are incurred.
따라서, 신규 히트펌프 제품에 대해 요구되는 학습 데이터 양을 줄여 히트펌프 성능 예측 시스템 구축에 소요되는 비용을 줄이는 방법을 개발할 필요가 있고, 추가 챔버 시험 없이 신경망 학습 기반 정보를 증강시켜 히트펌프 성능 예측 시스템의 일반화 (generalization) 성능을 높일 수 있어야 한다.Therefore, it is necessary to develop a method to reduce the cost of constructing a heat pump performance prediction system by reducing the amount of learning data required for new heat pump products, and to augment neural network learning-based information without additional chamber tests to predict heat pump performance. should be able to improve the generalization performance of
본 발명의 실시예는, 인공신경망을 활용하여 신규 히트펌프 제품의 성능 예측 시스템을 구축함에 있어, 기존 히트펌프 제품의 사용경험지식을 신규 히트펌프 제품의 학습데이터를 보조하는 정보로 활용하여 학습데이터 수의 부족문제를 극복할 수 있는 신규 히트펌프 성능 예측 시스템 및 방법을 제공한다.In an embodiment of the present invention, in constructing a performance prediction system of a new heat pump product using an artificial neural network, use experience knowledge of an existing heat pump product is used as information to assist the learning data of a new heat pump product, Provided is a novel heat pump performance prediction system and method that can overcome the shortage of numbers.
본 발명의 일 실시예에 따른 신규 히트펌프 성능 예측 시스템은, 기존 히트펌프로부터 수집된 운전기록데이터를 기초로 기존 히트펌프 성능 예측을 위한 인공신경망의 입력데이터와 출력데이터를 갖는 데이터베이스를 구축하는 기존 히트펌프 데이터베이스 구축부; 상기 데이터베이스를 기반으로 인공신경망의 훈련 및 예측 과정을 수행하되, 상기 예측 과정에서 인공신경망 예측 샘플을 생성하고, 상기 인공신경망 예측 샘플을 기초로 신규 히트펌프 성능 예측에 대한 불확실성 분석 과정을 수행하여 상기 인공신경망 예측 샘플의 평균 백터를 도출하는 기존 히트펌프 성능 예측부; 표준시험환경의 챔버장치를 활용하여 신규 히트펌프의 측정데이터를 수집하는 신규 히트펌프 데이터 수집부; 및 상기 데이터베이스의 입력데이터 및 상기 기존 히트펌프 성능 예측부의 평균 벡터를 출력데이터로 포함하는 시스템 초기정보를 구축하고, 상기 시스템 초기정보에 상기 신규 히트펌프의 측정데이터를 결합하는 전이학습을 수행하여 상기 시스템 초기정보를 업데이트 하는 전이학습 수행부를 포함한다.A novel heat pump performance prediction system according to an embodiment of the present invention builds a database having input data and output data of an artificial neural network for predicting heat pump performance based on operation record data collected from existing heat pumps. Heat pump database construction unit; Training and prediction of the artificial neural network are performed based on the database, and in the prediction process, an artificial neural network prediction sample is generated, and an uncertainty analysis process for new heat pump performance prediction is performed based on the artificial neural network prediction sample. An existing heat pump performance prediction unit for deriving an average vector of artificial neural network prediction samples; a new heat pump data collection unit that collects measurement data of the new heat pump by utilizing a chamber device in a standard test environment; and constructing initial system information including the input data of the database and the average vector of the existing heat pump performance predictor as output data, and performing transfer learning combining the measured data of the new heat pump with the initial system information. It includes a transfer learning execution unit that updates system initial information.
또한, 사용현장에서 기존 히트펌프의 내장센서로부터 측정된 운전기록데이터 및 기존 히트펌프에 대한 표준시험환경에서 챔버장치를 통해 측정된 운전기록데이터를 중 적어도 하나를 수집하여 상기 기존 히트펌프 데이터베이스 구축부로 제공하는 기존 히트펌프 데이터 수집부를 더 포함할 수 있다.In addition, at least one of the operation record data measured from the built-in sensor of the existing heat pump at the site of use and the operation record data measured through the chamber device in the standard test environment for the existing heat pump is collected to the existing heat pump database construction unit. An existing heat pump data collection unit provided may further be included.
또한, 상기 챔버장치는, 표준시험환경에서 운전기록데이터를 상기 기존 히트펌프 데이터 수집부로 제공하기 위해, 기존 히트펌프가 설치되는 실외 측 챔버; 실내 측 수조; 열원 측 수열교환기; 상기 실내 측 수조의 입구에 설치된 제1 유량조절밸브; 상기 제1 유량조절밸브 및 상기 열원 측 수열교환기의 출구 사이에 설치된 제1 온도계; 상기 실내 측 수조의 출구에 설치된 제2 유량조절밸브; 및 상기 제2 유량조절밸브와 상기 열원 측 수열교환기의 입구 사이에 설치된 제2 온도계를 포함하고, 상기 기존 히트펌프 데이터 수집부는, 실내 냉난방 부하 및 실외 냉난방 부하를 각각 변화시킬 수 있도록 상기 실내 측 수조의 입구 수온 및 물 유량과, 상기 열원 측 수열교환기의 실외 측 건구온도, 실내 측 건구온도, 열원 측 물 온도 및 열원 측 물 유량에 대한 시계열 방식 및 비시계열 방식 중 적어도 하나의 방식으로 추종 제어를 각각 실시하여, 상기 실내 측 수조로의 기존 히트펌프의 공급 열량 산출에 필요한 정보인 물의 입출구 온도차 및 유량정보를 수집할 수 있다.In addition, the chamber device may include an outdoor chamber in which an existing heat pump is installed in order to provide operation record data to the existing heat pump data collection unit in a standard test environment; indoor water tank; Heat source side water heat exchanger; a first flow control valve installed at the inlet of the indoor water tank; a first thermometer installed between the first flow control valve and the outlet of the heat source-side water heat exchanger; a second flow control valve installed at the outlet of the indoor water tank; and a second thermometer installed between the second flow control valve and an inlet of the heat source-side water heat exchanger, wherein the existing heat pump data collection unit changes the indoor cooling and heating load and the outdoor cooling and heating load, respectively, in the indoor water tank. At least one of a time series method and a non-time series method for the inlet water temperature and water flow rate, outdoor dry bulb temperature, indoor dry bulb temperature, heat source side water temperature, and heat source water flow rate of the heat source side water heat exchanger By performing each operation, it is possible to collect information on the temperature difference between the inlet and outlet of water and the flow rate, which are information necessary for calculating the amount of heat supplied by the existing heat pump to the indoor water tank.
또한, 상기 기존 히트펌프 데이터 수집부는, 제품고유정보, 냉난방 부하정보 및 히트펌프 제어정보 중 적어도 하나를 인공신경망의 입력데이터로 수집하고, 히트펌프 성능정보를 출력데이터로 수집하고, 상기 제품고유정보는, 냉난방 정격용량정보 및 냉난방 정격 성적계수정보를 포함하고, 상기 냉난방 부하정보는, 기존 히트펌프를 이용하는 이용 측 실내 수조의 수온 및 유량정보 및 실외 온/습도정보를 포함하는 실내외 열환경정보이고, 상기 히트펌프 제어정보는, 기존 히트펌프에 대한 기동정보, 정지정보 및 가동율정보를 포함하는 히트펌프 가동상태정보이고, 상기 히트펌프 성능정보는, 기존 히트펌프의 운전환경에서 측정된 냉난방 용량정보 및 냉난방 성정계수정보를 포함하는 예측대상정보일 수 있다.In addition, the existing heat pump data collection unit collects at least one of product-specific information, cooling and heating load information, and heat pump control information as input data of an artificial neural network, collects heat pump performance information as output data, and collects the product-specific information includes heating and cooling rated capacity information and cooling and heating rating coefficient information, and the cooling and heating load information is indoor/outdoor thermal environment information including water temperature and flow rate information and outdoor temperature/humidity information of an indoor water tank using an existing heat pump, , The heat pump control information is heat pump operation state information including start information, stop information, and operation rate information for the existing heat pump, and the heat pump performance information is cooling and heating capacity information measured in the operating environment of the existing heat pump. And it may be prediction target information including cooling and heating property coefficient information.
또한, 상기 기존 히트펌프 데이터베이스 구축부는, 상기 운전기록데이터를 기초로 인공신경망의 입력데이터와 출력데이터를 행렬 형태의 데이터베이스를 구축하되, 입력데이터와 출력데이터의 각 행을 단일시험에 대응되도록 구성하고, 각 열을 인공신경망의 입출력 변수에 대응되도록 구성하여 데이터베이스를 구축할 수 있다.In addition, the existing heat pump database construction unit builds a database of input data and output data of the artificial neural network in the form of a matrix based on the operation record data, and configures each row of the input data and output data to correspond to a single test, , a database can be constructed by configuring each column to correspond to the input/output variable of the artificial neural network.
또한, 상기 데이터베이스는 훈련용 데이터베이스와 검증용 데이터베이스를 포함하고, 상기 기존 히트펌프 성능 예측부는, 상기 훈련용 데이터베이스를 이용한 인공신경망의 훈련을 수행하는 인공신경망 훈련 수행부; 상기 인공신경망 훈련 수행부를 통한 훈련 완료 후 인공신경망의 예측 과정을 수행하고, 예측 수행 과정에서 인공신경망 뉴런의 일부를 무작위로 누락시키는 몬테카를로 드랍아웃(Monte Carlo dropout) 기술을 병행하여 예측 불확실성 분석을 수행하기 위한 상기 인공신경망 예측 샘플을 생성하는 인공신경망 예측 샘플 생성부; 및 상기 인공신경망 예측 샘플을 기초로 인공신경망의 출력 변수에 대한 분산 및 출력변수 간 공분산을 추정하는 과정을 통해 상기 평균 벡터를 도출하여 신규 히트펌프 성능의 예측 불확실성을 정량화하는 예측 불확실성 분석부를 포함할 수 있다.In addition, the database includes a database for training and a database for verification, and the conventional heat pump performance prediction unit includes: an artificial neural network training unit performing training of the artificial neural network using the training database; After completing the training through the artificial neural network training unit, the prediction process of the artificial neural network is performed, and predictive uncertainty analysis is performed in parallel with Monte Carlo dropout technology in which some of the artificial neural network neurons are randomly omitted during the prediction process. an artificial neural network prediction sample generating unit for generating the artificial neural network prediction sample; and a prediction uncertainty analyzer for quantifying prediction uncertainty of performance of a new heat pump by deriving the mean vector through a process of estimating variance for output variables of the artificial neural network and covariance between output variables based on the artificial neural network prediction sample. can
또한, 상기 몬테카를로 드랍아웃의 하이퍼 파라미터는 드랍아웃의 확률(0-1)로서 0.5를 적용할 수 있다.In addition, 0.5 may be applied as a dropout probability (0-1) as a hyperparameter of the Monte Carlo dropout.
또한, 상기 전이학습 수행부는, 기 구축된 시계열 인공신경망을 이용하여 상기 신규 히트펌프의 측정데이터로부터 입력 시계열 데이터와 출력 시계열 데이터를 포함하는 시계열 특징 데이터를 추출하는 시계열 특징 데이터 추출부; 상기 신규 히트펌프의 측정데이터 중 비시계열 데이터의 경우 특정 시간에 기록된 데이터로 간주하여 기 구축된 비시계열 인공신경망을 통해 입력 비시계열 데이터와 출력 비시계열 데이터를 포함하는 비시계열 특징 데이터를 추출하는 비시계열 특징 데이터 추출부; 및 상기 시스템 초기정보를 기반으로 신규 히트펌프 성능 예측을 위한 인공신경망 학습을 수행하되, 상기 시계열 특징 데이터와 상기 비시계열 특징 데이터를 이용하여 인공신경망의 뉴런 가중치를 미세 조정하는 전이학습을 통해 인공신경망의 업데이트를 수행하는 인공신경망 업데이트 수행부를 포함할 수 있다.The transfer learning performing unit may include: a time-series feature data extractor extracting time-series feature data including input time-series data and output time-series data from measurement data of the new heat pump using a pre-constructed time-series artificial neural network; Among the measured data of the new heat pump, non-time-series data is regarded as data recorded at a specific time, and non-time-series feature data including input non-time-series data and output non-time-series data is extracted through a pre-built non-time-series artificial neural network. a non-time series feature data extraction unit; and performing artificial neural network learning for predicting performance of a new heat pump based on the initial system information, but using the time-series feature data and the non-time-series feature data to fine-tune the neuron weights of the artificial neural network through transfer learning. It may include an artificial neural network update performer that performs an update of .
또한, 상기 시계열 인공신경망은, 다층의 합성곱 레이어; 마지막 합성곱 레이어의 출력단으로부터 신경 출력 레이어까지 완전 결합되는 전 결합 레이어; 및 상기 합성곱 레이어에 각각 적용되는 풀링 레이어를 포함하고, 상기 비시계열 인공신경망은 전 결합 레이어를 포함할 수 있다.In addition, the time-series artificial neural network may include a multi-layered convolutional layer; a pre-combined layer that is completely combined from the output end of the last convolution layer to the neural output layer; and pooling layers respectively applied to the convolutional layer, and the non-time-series artificial neural network may include a full combining layer.
또한, 상기 인공신경망 업데이트 수행부는, 상기 시계열 인공신경망에서 뉴런의 위치가 상기 시계열 인공신경망의 입력 레이어에 가까울수록 상기 시계열 인공신경망의 업데이트를 미리 설정된 기준 업데이트 수준 보다 상대적으로 낮게 설정하여 수행하고, 상기 시계열 인공신경망의 뉴런의 위치가 상기 시계열 인공신경망의 출력 레이어에 가까울수록 상기 시계열 인공신경망의 업데이트를 미리 설정된 기준 업데이트 수준 보다 높게 설정하여 수행하고, 상기 비시계열 인공신경망에서 뉴런의 위치가 출력 레이어에 가까울수록 상기 비시계열 인공신경망의 업데이트를 미리 설정된 기준 업데이트 수준보다 높게 설정하여 수행할 수 있다.In addition, the artificial neural network update performing unit sets and performs the update of the time-series artificial neural network relatively lower than a preset reference update level as the position of the neuron in the time-series artificial neural network is closer to the input layer of the time-series artificial neural network, As the position of the neuron of the time-series artificial neural network is closer to the output layer of the time-series artificial neural network, the update of the time-series artificial neural network is set higher than the preset reference update level, and the position of the neuron in the non-time-series artificial neural network is in the output layer As it is closer, the update of the non-time-series artificial neural network may be performed by setting it higher than a preset reference update level.
또한, 상기 전이학습 수행부를 통해 제공되는 학습데이터를 기반으로 신규 히트펌프에 대한 성능을 예측하는 신규 히트펌프 성능 예측부를 더 포함할 수 있다.The new heat pump performance predictor may further include a new heat pump performance predictor for predicting performance of the new heat pump based on the learning data provided through the transfer learning performer.
본 발명의 다른 실시예에 따른 신규 히트펌프 성능 예측 방법은, 기존 히트펌프 데이터 수집부가, 사용현장에서 기존 히트펌프의 내장센서로부터 측정된 운전기록데이터 및 기존 히트펌프에 대한 표준시험환경에서 챔버장치를 통해 측정된 운전기록데이터를 중 적어도 하나를 수집하여 기존 히트펌프 데이터베이스 구축부로 제공하는 기존 히트펌프 데이터 수집 단계; 상기 기존 히트펌프 데이터베이스 구축부가, 기존 히트펌프로부터 수집된 운전기록데이터를 기초로 기존 히트펌프 성능 예측을 위한 인공신경망의 입력데이터와 출력데이터를 갖는 데이터베이스를 구축하는 기존 히트펌프 데이터베이스 구축 단계; 기존 히트펌프 성능 예측부가, 상기 데이터베이스를 기반으로 인공신경망의 훈련 및 예측 과정을 수행하되, 상기 예측 과정에서 인공신경망 예측 샘플을 생성하고, 상기 인공신경망 예측 샘플을 기초로 신규 히트펌프 성능 예측에 대한 불확실성 분석 과정을 수행하여 상기 인공신경망 예측 샘플의 평균 백터를 도출하는 기존 히트펌프 성능 예측 단계; 신규 히트펌프 데이터 수집부가, 표준시험환경의 챔버장치를 활용하여 신규 히트펌프의 측정데이터를 수집하는 신규 히트펌프 데이터 수집 단계; 전이학습 수행부가, 상기 데이터베이스의 입력데이터 및 상기 기존 히트펌프 성능 예측 단계의 평균 벡터를 출력데이터로 포함하는 시스템 초기정보를 구축하고, 상기 시스템 초기정보에 상기 신규 히트펌프의 측정데이터를 결합하는 전이학습을 수행하는 전이학습 수행 단계; 및 신규 히트펌프 성능 예측부가, 상기 전이학습 수행 단계를 통해 제공되는 학습데이터를 기반으로 신규 히트펌프에 대한 성능을 예측하는 신규 히트펌프 성능 예측 단계를 포함한다.A novel heat pump performance prediction method according to another embodiment of the present invention is a chamber device in a standard test environment for an existing heat pump data collection unit, operating record data measured from a built-in sensor of an existing heat pump at a use site, and an existing heat pump. Existing heat pump data collection step of collecting at least one of the operation record data measured through and providing it to an existing heat pump database building unit; an existing heat pump database construction step of constructing, by the existing heat pump database construction unit, a database having input data and output data of an artificial neural network for predicting performance of an existing heat pump based on operation record data collected from existing heat pumps; An existing heat pump performance prediction unit performs a process of training and predicting an artificial neural network based on the database, generates an artificial neural network prediction sample in the prediction process, and performs a new heat pump performance prediction based on the artificial neural network prediction sample. Existing heat pump performance prediction step of deriving an average vector of the artificial neural network prediction samples by performing an uncertainty analysis process; A new heat pump data collection step in which the new heat pump data collection unit collects measurement data of the new heat pump using a chamber device in a standard test environment; A transition learning unit constructs initial system information including the input data of the database and the mean vector of the existing heat pump performance prediction step as output data, and combines the measurement data of the new heat pump with the initial system information. Transfer learning performing step of performing learning; and a new heat pump performance predicting step of predicting performance of the new heat pump based on the learning data provided through the transfer learning performing step by the new heat pump performance predicting unit.
본 발명에 따르면, 공기-물 히트펌프 또는 물-물 히트펌프에 대하여 실제 사용 현장에서도 챔버시험조건(실내외 환경이 통제된 표준시험조건)에서 측정한 제품 성능(냉난방 용량, 냉난방 성적계수 등)을 예측할 수 있는 인공신경망을 구축하고, 히트펌프와 유무선 통신이 가능한 단말기에 해당 인공신경망을 탑재하여 히트펌프의 활용도를 높일 수 있다.According to the present invention, product performance (cooling and heating capacity, cooling and heating performance coefficient, etc.) measured under chamber test conditions (standard test conditions in which the indoor and outdoor environments are controlled) is measured even at the actual use site for the air-water heat pump or the water-water heat pump. It is possible to increase the utilization of the heat pump by constructing a predictable artificial neural network and installing the artificial neural network in a terminal capable of wired and wireless communication with the heat pump.
또한, 신규 히트펌프 제품의 인공신경망 학습 데이터를 얻기 위해 요구되는 챔버시험 횟수를 줄임으로써 학습데이터 획득에 소요되는 시간, 인적자원 및 비용을 줄일 수 있고, 기존 히트펌프 제품의 사용 기록을 재활용하기 때문에 신경망 학습에 소요되는 시간을 저감할 수 있고, 신경망 예측 정확도 및 일반화 성능 역시 높일 수 있다.In addition, by reducing the number of chamber tests required to obtain artificial neural network learning data for new heat pump products, the time, human resources, and cost required for acquiring learning data can be reduced, and the use records of existing heat pump products can be recycled. The time required for neural network training can be reduced, and the accuracy of neural network prediction and generalization performance can also be improved.
또한, 히트펌프 성능 예측 시스템을 구축하는 과정에서 실내외 열 환경에 대한 다양성을 반영함으로써 성능 예측 단계에서 냉난방 부하의 가변성에 유연하게 대응할 수 있다.In addition, by reflecting the diversity of indoor and outdoor thermal environments in the process of building a heat pump performance prediction system, it is possible to flexibly respond to the variability of heating and cooling loads in the performance estimation stage.
도 1은 본 발명의 일 실시예에 따른 신규 히트펌프 성능 예측 시스템의 구성 및 동작 방식을 나타낸 개요도이다.
도 2는 본 발명의 일 실시예에 따른 신규 히트펌프 성능 예측 시스템의 구성을 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따른 기존 히트펌프 데이터 수집부의 기존 히트펌프 운전기록데이터 수집 방식을 나타낸 블록도이다.
도 4는 본 발명의 일 실시예에 따른 기존 히트펌프 운전기록데이터의 구성을 나타낸 블록도이다.
도 5는 본 발명의 일 실시예에 따른 기존 히트펌프 데이터베이스 구축부의 데이터베이스 구성을 나타낸 블록도이다.
도 6은 본 발명의 일 실시예에 따른 기존 히트펌프 운전기록데이터를 측정하기 위한 챔버장치의 구성을 나타낸 블록도이다.
도 7은 본 발명의 일 실시예에 따른 기존 히트펌프 데이터 수집부를 통한 챔버장치의 이용 측 및 열원 측 추종 제어 구성을 나타낸 블록도이다.
도 8은 본 발명의 일 실시예에 따른 기존 히트펌프 성능 예측부의 구성 및 동작 프로세스를 나타낸 블록도이다.
도 9는 본 발명의 일 실시예에 따른 제품 자체적으로 측정한 성능을 예측하는 기존 히트펌프 성능 예측부를 나타낸 블록도이다.
도 10은 본 발명의 일 실시예에 따른 신규 표준시험환경(챔버시험환경)에서 측정한 성능을 예측하는 기존 히트펌프 성능 예측부를 나타낸 블록도이다.
도 11은 본 발명의 일 실시예에 따른 신규 히트펌프 데이터와 기존 히트펌프 데이터를 결합하는 전이학습 수행부의 동작 프로세스를 나타낸 블록도이다.
도 12는 본 발명의 일 실시예에 따른 시계열 특징 데이터 추출부(시계열 인공신경망 구조)를 나타낸 도면이다.
도 13은 본 발명의 일 실시예에 따른 비시계열 특징 데이터 추출부(비시계열 인공신경망 구조)를 나타낸 도면이다.
도 14는 본 발명의 일 실시예에 따른 신규 히트펌프 성능 예측 시스템과 신규 제품(히트펌프) 간 연동 프로세스와 구성을 나타낸 블록도이다.
도 15는 본 발명의 다른 실시예에 따른 신규 히트펌프 성능 예측 방법의 구성을 나타낸 순서도이다.1 is a schematic diagram showing the configuration and operation method of a novel heat pump performance prediction system according to an embodiment of the present invention.
2 is a block diagram showing the configuration of a novel heat pump performance prediction system according to an embodiment of the present invention.
3 is a block diagram showing an existing heat pump operation record data collection method of an existing heat pump data collection unit according to an embodiment of the present invention.
4 is a block diagram showing the configuration of existing heat pump operation record data according to an embodiment of the present invention.
5 is a block diagram showing a database configuration of an existing heat pump database construction unit according to an embodiment of the present invention.
6 is a block diagram showing the configuration of a chamber device for measuring existing heat pump operation record data according to an embodiment of the present invention.
FIG. 7 is a block diagram showing a control configuration of a use side and a heat source side tracking of a chamber device through an existing heat pump data collection unit according to an embodiment of the present invention.
8 is a block diagram showing the configuration and operation process of an existing heat pump performance predictor according to an embodiment of the present invention.
9 is a block diagram showing a conventional heat pump performance predictor for predicting performance measured by the product itself according to an embodiment of the present invention.
10 is a block diagram showing an existing heat pump performance prediction unit for predicting performance measured in a new standard test environment (chamber test environment) according to an embodiment of the present invention.
11 is a block diagram illustrating an operation process of a transfer learning performer combining new heat pump data and existing heat pump data according to an embodiment of the present invention.
12 is a diagram showing a time-series feature data extraction unit (time-series artificial neural network structure) according to an embodiment of the present invention.
13 is a diagram showing a non-time-series feature data extractor (non-time-series artificial neural network structure) according to an embodiment of the present invention.
14 is a block diagram showing an interlocking process and configuration between a new heat pump performance prediction system and a new product (heat pump) according to an embodiment of the present invention.
15 is a flowchart showing the configuration of a novel heat pump performance prediction method according to another embodiment of the present invention.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.The terms used in this specification will be briefly described, and the present invention will be described in detail.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.The terms used in the present invention have been selected from general terms that are currently widely used as much as possible while considering the functions in the present invention, but these may vary depending on the intention of a person skilled in the art or precedent, the emergence of new technologies, and the like. In addition, in a specific case, there is also a term arbitrarily selected by the applicant, and in this case, the meaning will be described in detail in the description of the invention. Therefore, the term used in the present invention should be defined based on the meaning of the term and the overall content of the present invention, not simply the name of the term.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나 이상의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.When it is said that a certain part "includes" a certain component throughout the specification, it means that it may further include other components without excluding other components unless otherwise stated. In addition, terms such as "...unit" and "module" described in the specification mean a unit that processes at least one function or operation, which may be implemented as hardware or software or a combination of hardware and software. .
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. Hereinafter, with reference to the accompanying drawings, embodiments of the present invention will be described in detail so that those skilled in the art can easily carry out the present invention. However, the present invention may be embodied in many different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.
도 1은 본 발명의 일 실시예에 따른 신규 히트펌프 성능 예측 시스템의 구성 및 동작 방식을 나타낸 개요도이고, 도 2는 본 발명의 일 실시예에 따른 신규 히트펌프 성능 예측 시스템의 구성을 나타낸 블록도이고, 도 3은 본 발명의 일 실시예에 따른 기존 히트펌프 데이터 수집부의 기존 히트펌프 운전기록데이터 수집 방식을 나타낸 블록도이고, 도 4는 본 발명의 일 실시예에 따른 기존 히트펌프 운전기록데이터의 구성을 나타낸 블록도이고, 도 5는 본 발명의 일 실시예에 따른 기존 히트펌프 데이터베이스 구축부의 데이터베이스 구성을 나타낸 블록도이고, 도 6은 본 발명의 일 실시예에 따른 기존 히트펌프 운전기록데이터를 측정하기 위한 챔버장치의 구성을 나타낸 블록도이고, 도 7은 본 발명의 일 실시예에 따른 기존 히트펌프 데이터 수집부를 통한 챔버장치의 이용 측 및 열원 측 추종 제어 구성을 나타낸 블록도이고, 도 8은 본 발명의 일 실시예에 따른 기존 히트펌프 성능 예측부의 구성 및 동작 프로세스를 나타낸 블록도이고, 도 9는 본 발명의 일 실시예에 따른 제품 자체적으로 측정한 성능을 예측하는 기존 히트펌프 성능 예측부를 나타낸 블록도이고, 도 10은 본 발명의 일 실시예에 따른 신규 표준시험환경(챔버시험환경)에서 측정한 성능을 예측하는 기존 히트펌프 성능 예측부를 나타낸 블록도이고, 도 11은 본 발명의 일 실시예에 따른 신규 히트펌프 데이터와 기존 히트펌프 데이터를 결합하는 전이학습 수행부의 동작 프로세스를 나타낸 블록도이고, 도 12의 (a)는 본 발명의 일 실시예에 따른 시계열 특징 데이터 추출부(시계열 인공신경망 구조)를 나타내고, 도 12는 본 발명의 일 실시예에 따른 시계열 특징 데이터 추출부(시계열 인공신경망 구조)를 나타낸 도면이고, 도 13은 본 발명의 일 실시예에 따른 비시계열 특징 데이터 추출부(비시계열 인공신경망 구조)를 나타낸 도면이다.1 is a schematic diagram showing the configuration and operation method of a novel heat pump performance prediction system according to an embodiment of the present invention, and FIG. 2 is a block diagram showing the configuration of a novel heat pump performance prediction system according to an embodiment of the present invention. FIG. 3 is a block diagram showing a conventional heat pump operation record data collection method of an existing heat pump data collection unit according to an embodiment of the present invention, and FIG. 4 is an existing heat pump operation record data according to an embodiment of the present invention. 5 is a block diagram showing the configuration of a database of an existing heat pump database construction unit according to an embodiment of the present invention, and FIG. 6 is an existing heat pump operation record data according to an embodiment of the present invention. 7 is a block diagram showing the configuration of a chamber device for measuring , and FIG. 7 is a block diagram showing a control configuration of the use side and the heat source side tracking of the chamber device through an existing heat pump data collection unit according to an embodiment of the present invention. 8 is a block diagram showing the configuration and operation process of a conventional heat pump performance predictor according to an embodiment of the present invention, and FIG. 9 is a conventional heat pump performance predicting performance measured by the product itself according to an embodiment of the present invention. FIG. 10 is a block diagram showing a prediction unit, and FIG. 10 is a block diagram showing an existing heat pump performance prediction unit that predicts performance measured in a new standard test environment (chamber test environment) according to an embodiment of the present invention, and FIG. 11 is a block diagram showing the present invention. It is a block diagram showing an operating process of a transfer learning performing unit combining new heat pump data and existing heat pump data according to an embodiment of the present invention, and FIG. (time-series artificial neural network structure), FIG. 12 is a diagram showing a time-series feature data extractor (time-series artificial neural network structure) according to an embodiment of the present invention, and FIG. 13 is a non-time-series feature according to an embodiment of the present invention. It is a diagram showing the data extraction unit (non-time series artificial neural network structure).
도 1을 참조하면, 본 발명의 일 실시예에 따른 신규 히트펌프 성능 예측 시스템(1000)은 인공신경망 학습 과정에서 기존 히트펌프 운영 기록으로부터 사전 학습된 기존 히트펌프 성능 예측 데이터를 생성하고, 생성된 데이터를 시스템의 초기정보로 활용하고, 소규모 챔버시험으로부터 수집된 신규 히트펌프 데이터를 이용하여 시스템의 초기정보를 업데이트를 함으로써 구축될 수 있으며, 시스템 초기정보로서 기존 히트펌프에 대한 사용경험지식을 활용하고, 신규 히트펌프 정보로서 신규 히트펌프에 대한 소규모 시험정보를 활용하며, 이에 따라 신규 히트펌프의 성능 예측부(600)는 함수 형태로 구조화된 기존 사용경험지식이 신규 히트펌프의 소규모 시험정보로 전이된 결과와 같다고 할 수 있다.Referring to FIG. 1, a novel heat pump
인공신경망 기법을 활용하여 신규 히트펌프의 성능 예측 시스템을 구축하기 위해서는 해당 제품의 사용 기록 또는 사전 챔버 시험을 통해 충분한 양의 학습 데이터가 확보되어야 하나, 기존의 사용 기록이 부재하여 데이터 확보 과정에서 소요되는 비용, 시간 및 인적자원이 예측 시스템 구축의 현실적인 어려움으로 작용할 수 있다. In order to build a performance prediction system for a new heat pump using artificial neural network techniques, a sufficient amount of learning data must be secured through usage records or pre-chamber tests of the product. The cost, time, and human resources required can act as realistic difficulties in constructing a prediction system.
또한, 학습 데이터 수가 부족한 상황에서 신경망 학습이 이루어진 경우, 신경망 가중치의 초기 설정에 따라 상기 신경망의 예측 성능이 민감하게 변화할 수 있고, 센서 잡음에 기인한 물리적 상태 및 학습 데이터 간 간극(discrepancy)이 모델에 반영되는 과적합(overfitting) 문제 역시 발생할 수 있으므로, 신경망 학습 정보의 부족분을 외부로부터 도입할 필요가 있다. In addition, when neural network learning is performed in a situation where the number of training data is insufficient, the prediction performance of the neural network can be sensitively changed according to the initial setting of the neural network weights, and the discrepancy between the physical state and the learning data due to sensor noise is reduced. Since an overfitting problem reflected in the model may also occur, it is necessary to introduce a lack of neural network training information from the outside.
이런 관점에서, 센서, 통신 및 저장장치를 통해 수집된 기존 히트펌프들의 운영기록을 데이터베이스로 변환하면 기존 히트펌프 데이터베이스를 얻을 수 있고, 이로부터 구축된 인공신경망은 학습 데이터 부족문제를 보완하는 의사 정보 (pseudo-information)이자 신규 히트펌프 성능 예측 시스템의 초기정보로 활용 가능하다. 여기서, 시스템 초기정보는 인공신경망 아키텍처, 신경망 가중치, 인공신경망 학습 하이퍼 파라미터 등 신경망 학습에 개입되는 전반적인 정보를 모두 포함할 수 있다. 기존 히트펌프에 대한 경험 지식과 신규 제품에 대한 정보를 결합하는 일련의 과정을 전이학습(transfer learning)이라고 한다. 이러한 전이학습은 기계학습 프레임워크 중 하나로, 사전 학습된 인공신경망 정보를 학습할 인공신경망의 초기정보로 적용함으로써 새로 확보해야 하는 학습 데이터의 수집 부담을 줄이는 방법으로, 기존 제품의 사용 경험을 다양한 문제에 재활용할 수 있고, 적은 수의 신규 데이터를 확보하는 것만으로도 준수한 성능의 예측 시스템을 얻을 수 있는 장점을 지니고 있다.From this point of view, the existing heat pump database can be obtained by converting the operation records of existing heat pumps collected through sensors, communication and storage devices into a database, and the artificial neural network built from this can provide pseudo information to supplement the problem of lack of learning data. (pseudo-information) and can be used as initial information for a new heat pump performance prediction system. Here, the system initial information may include all general information involved in neural network learning, such as an artificial neural network architecture, neural network weights, and artificial neural network learning hyperparameters. A series of processes that combine empirical knowledge about existing heat pumps with information about new products is called transfer learning. Transfer learning is one of the machine learning frameworks. It reduces the burden of collecting new learning data by applying pre-learned artificial neural network information as the initial information of the artificial neural network to be learned. It has the advantage of being able to be reused and obtaining a prediction system with satisfactory performance only by securing a small number of new data.
이하, 전이학습은 기존 정보가 신규 정보와 유사함을 전제로 하므로, 예측하고자 하는 본 일 실시예에 따른 신규 제품 군을 공기-물 히트펌프 또는 물-물 히트펌프인 것으로 한정하여 설명한다.Hereinafter, since transfer learning assumes that existing information is similar to new information, the new product group according to the present embodiment to be predicted will be limited to an air-water heat pump or a water-water heat pump.
본 발명의 일 실시예에 따른 신규 히트펌프 성능 예측 시스템(1000)은 도 1 및 도 2에 도시된 바와 같이, 기존 히트펌프 데이터 수집부(110), 기존 히트펌프 데이터베이스 구축부(200), 기존 히트펌프 성능 예측부(130), 신규 히트펌프 데이터 수집부(400), 전이학습 수행부(500) 및 신규 히트펌프 성능 예측부(600) 중 적어도 하나를 포함할 수 있다.As shown in FIGS. 1 and 2 , the novel heat pump
상기 기존 히트펌프 데이터 수집부(110)는, 사용현장에서 기존 히트펌프의 내장센서로부터 측정된 운전기록데이터 및 기존 히트펌프에 대한 표준시험환경에서 챔버장치를 통해 측정된 운전기록데이터를 중 적어도 하나를 수집하여 기존 히트펌프 데이터베이스 구축부(200)로 데이터베이스 구축을 위해 제공할 수 있다. 즉, 기본 히트펌프 데이터를 수집하는 방법은 히트펌프 관련 제품에 내장된 센서를 활용하는 현장측정방법과 챔버장치를 활용하는 표준시험기반의 측정방법으로 구분될 수 있다.The existing heat pump data collection unit 110 is configured to store at least one of driving record data measured from a built-in sensor of the existing heat pump at the site of use and operating record data measured through a chamber device in a standard test environment for the existing heat pump. may be collected and provided to the existing heat pump
상기 기존 히트펌프 데이터 수집부(110)는, 제품고유정보, 냉난방 부하정보 및 히트펌프 제어정보 중 적어도 하나를 인공신경망의 입력데이터로 수집하고, 히트펌프 성능정보를 출력데이터로 수집할 수 있다. The conventional heat pump data collection unit 110 may collect at least one of product-specific information, cooling/heating load information, and heat pump control information as input data of an artificial neural network, and heat pump performance information as output data.
도 4에 도시된 바와 같이, 히트펌프 별로 제품 고유정보, 냉난방 부하정보, 히트펌프 제어정보 등 인공신경망 입력정보(A1)가 수집되며, 히트펌프 성능정보(A2)가 인경신경망 출력정보로서 수집될 수 있다. As shown in FIG. 4, artificial neural network input information (A1) such as product-specific information, cooling and heating load information, and heat pump control information is collected for each heat pump, and heat pump performance information (A2) is collected as artificial neural network output information. can
도 5에 도시된 바와 같이, 제품고유정보에는 냉난방 정격 용량, 냉난방 정격 성적계수 등이 포함될 수 있다. 냉난방 부하정보 및 히트펌프 제어정보만으로는 히트펌프 성능정보를 예측할 수 없는 식별 불가능 문제(unidentifiable problem)가 발생될 수 있어, 제품고유정보는 이러한 식별 불가능 문제에 대응하기 위한 보조 정보 역할을 수행할 수 있다. 냉난방 부하정보에는 기존 히트펌프를 이용하는 이용 측 수온 및 유량, 실외 온/습도 등 실내외 열 환경정보가 포함될 수 있다. 히트펌프 제어정보에는 히트펌프 기동, 정지 및 가동율 등 히트펌프 가동상태정보가 포함될 수 있다. 제품성능정보에는 각 히트펌프의 운전환경에서 측정된 냉난방 용량 및 냉난방 성적계수 등 예측대상정보가 포함될 수 있다. 인공신경망의 입력 및 출력정보들은 사용자 요구 조건에 따라 에너지관리시스템(energy management system, EMS) 또는 히트펌프의 내장센서(built-in sensor)를 통해 수집되거나, 챔버장치를 활용한 표준시험환경(챔버시험환경)에서 수집될 수 있다. As shown in FIG. 5 , product-specific information may include a rated capacity for heating and cooling, a rated performance coefficient for heating and cooling, and the like. An unidentifiable problem in which heat pump performance information cannot be predicted with only heating and cooling load information and heat pump control information can occur, so product-specific information can serve as auxiliary information to cope with this unidentifiable problem. . The cooling and heating load information may include indoor/outdoor thermal environment information such as water temperature and flow rate at the user side using an existing heat pump and outdoor temperature/humidity. The heat pump control information may include heat pump operation state information such as start, stop, and operation rate of the heat pump. Product performance information may include prediction target information such as cooling and heating capacity and cooling and heating performance coefficient measured in the operating environment of each heat pump. The input and output information of the artificial neural network is collected through an energy management system (EMS) or a built-in sensor of a heat pump according to user requirements, or in a standard test environment (chamber) using a chamber device. test environment).
상기 표준시험환경에서 운전기록데이터를 수집하기 위한 챔버장치(10)는, 도 6에 도시된 바와 같이, KS (Korean Standards) B 6275:2018, KS B 8292:2015, ISO (International Organization for Standardization) 14511-2 등 국내외 표준시험규격을 기초로 하며, 기존 히트펌프가 설치되는 실외 측 챔버(11), 실내 측 수조(12), 열원 측 수열교환기(13), 실내 측 수조(12)의 입구에 설치된 제1 유량조절밸브(14), 제1 유량조절밸브(14) 및 열원 측 수열교환기(13)의 출구 사이에 설치된 제1 온도계(15), 실내 측 수조(12)의 출구에 설치된 제2 유량조절밸브(16), 및 제2 유량조절밸브(16)와 열원 측 수열교환기(13)의 입구 사이에 설치된 제2 온도계(17)를 포함할 수 있다.As shown in FIG. 6, the
상기 기존 히트펌프 데이터 수집부(200)는, 이러한 표준시험환경에서의 챔버장치(10)를 이용하여 학습데이터 내에 실내외 열 환경의 다양성을 포함시키기 위해 실내 냉난방 부하 및 실외 냉난방 부하를 각각 변화시킬 수 있도록, 도 7에 도시된 바와 같이 실내 측 수조(12)의 입구 수온 및 물 유량과, 열원 측 수열교환기(13)의 실외 측 건구온도, 실내 측 건구온도, 열원 측 물 온도 및 열원 측 물 유량에 대한 시계열 방식 및 비시계열 방식 중 적어도 하나의 방식으로 추종 제어를 각각 실시함으로써 실내 및 실외 열 환경의 동적 변화를 통해 실내 측 수조(12)로의 기존 히트펌프의 공급 열량 산출에 필요한 정보인 물의 입출구 온도차 및 유량정보를 수집할 수 있다.The existing heat pump
한편, 기존 히트펌프 데이터 수집부(200)를 통해 수집되는 입력정보 샘플은 인공신경망의 입력 차원이 작은 경우에는 요인배치법(factorial design)을 활용하여 생성하고, 인공신경망 입력 차원이 큰 경우에는 라틴 하이퍼큐브 샘플링(Latin hypercube sampling) 및 소볼 수열(Sobol sequence)을 포함한 몬테카를로 방법(Monte Carlo method) 또는 준-몬테카를로 방법(quasi-Monte Carlo method)을 적용하여 생성될 수 있다. KS B 6275:2018을 기준으로 실시한 경우 상기한 챔버시험에서의 총 냉방 용량, 총 난방 용량, 냉방 성적계수 및 난방 성적계수 산출 방법은 하기의 수학식과 같이 각각 정리될 수 있다.On the other hand, the input information sample collected through the existing heat pump
[수학식 1][Equation 1]
수학식 1에서, 
[수학식 2][Equation 2]
수학식 2에서, 
[수학식 3][Equation 3]
수학식 3에서 
[수학식 4][Equation 4]
수학식 4에서, 
상기 기존 히트펌프 데이터베이스 구축부(200)는, 기존 히트펌프로부터 수집된 운전기록데이터를 기초로 기존 히트펌프 성능 예측을 위한 인공신경망의 입력데이터와 출력데이터를 갖는 데이터베이스를 구축할 수 있다. The existing heat pump
상기 기존 히트펌프 데이터베이스 구축부(200)는, 기존 히트펌프 데이터 수집부(100)를 통해 수집된 운전기록데이터를 기초로 인공신경망의 입력데이터와 출력데이터를 행렬 형태의 데이터베이스를 구축하되, 입력데이터와 출력데이터의 각 행을 단일시험에 대응되도록 구성하고, 각 열을 인공신경망의 입출력 변수에 대응되도록 구성하여 인공신경망 학습에 필요한 데이터베이스를 구축할 수 있다. 이때, 데이터베이스는 도 8에 도시된 바와 같이 인공신경망의 훈련을 위한 훈련용 데이터베이스와 인공신경망의 훈련 후 검증을 위한 검증용 데이터베이스로 분리되어 구성될 수 있다. 여기서, 훈련용 데이터베이스 및 검증용 데이터베이스의 비율은 사용자 별로 달리 설정할 수 있으나, 80:20 또는 70:30 비율(%)로 설정되는 것이 바람직하며, 훈련용 데이터베이스를 이용하여 인공신경망을 훈련하되, 인공신경망의 예측 단계에서 드랍아웃(dropout)이 가능하도록 설정하는 것이 바람직하다.The existing heat pump
상기 기존 히트펌프 성능 예측부(130)는, 기존 히트펌프 데이터베이스 구축부(200)를 통해 구축된 데이터베이스(훈련용, 검증용 데이터베이스)를 기반으로 인공신경망의 훈련 및 예측 과정을 수행하되, 해당 예측 과정에서 인공신경망 예측 샘플을 생성하고, 인공신경망 예측 샘플을 기초로 신규 히트펌프 성능 예측에 대한 불확실성 분석 과정을 수행하여 인공신경망 예측 샘플의 평균 백터를 도출할 수 있다.The existing heat pump performance prediction unit 130 performs the process of training and predicting the artificial neural network based on the database (database for training and verification) built through the existing heat pump
이를 위해 기존 히트펌프 성능 예측부(130)는 도 8에 도시된 바와 같이, 인공신경망 훈련 수행부(310), 인공신경망 예측 샘플 생성부(320) 및 예측 불확실성 분석부(330) 중 적어도 하나를 포함할 수 있다.To this end, as shown in FIG. 8 , the conventional heat pump performance predictor 130 uses at least one of an artificial neural
상기 인공신경망 훈련 수행부(310)는, 훈련용 데이터베이스를 이용한 인공신경망의 훈련을 수행할 수 있으며, 훈련용 데이터베이스에 구성된 입출력 데이터를 이용하여 기존 히트펌프 성능에 대한 예측 훈련을 실시할 수 있다. The artificial neural
상기 인공신경망 예측 샘플 생성부(320)는, 인공신경망 훈련 수행부(310)를 통한 훈련 완료 후 인공신경망의 예측 과정을 수행하고, 예측 수행 과정에서 인공신경망 뉴런의 일부를 무작위로 누락시키는 몬테카를로 드랍아웃(Monte Carlo dropout) 기술을 병행하여 예측 불확실성 분석을 수행하기 위한 인공신경망 예측 샘플을 생성할 수 있다.The artificial neural network prediction
여기서, 드랍아웃은, 인공신경망 연산 과정에서 신경망 뉴런의 일부를 무작위로 누락시키는 기술로서, 이러한 기술을 활용하면 인공신경망의 일반화 (generalization) 성능이 개선됨과 동시에 인공신경망에 내재된 예측 불확실성 (predictive uncertainty) 역시 추정할 수 있다. 이러한 드랍아웃은 몬테카를로 드랍아웃(Monte Carlo dropout)이라고 하며, 인공신경망의 예측 단계에서 몬테카를로 드랍아웃을 적용하는 것은 기존의 인공신경망을 가우시안 과정으로 근사(Gaussian process approximation)시키는 것과 같으므로, 예측 불확실성 분석이 가능한 신경망 (deep Gaussian process model, 확률모델)을 도출할 수 있다. 몬테카를로 드랍아웃의 하이퍼 파라미터는 드랍아웃 확률(0-1)이며, 이에 대해 학계 권장치인 0.5(50%)를 적용하는 것이 바람직하다. Here, dropout is a technology that randomly omits some of the neural network neurons in the artificial neural network calculation process. When this technology is used, the generalization performance of the artificial neural network is improved and the predictive uncertainty inherent in the artificial neural network is improved. ) can also be estimated. This dropout is called Monte Carlo dropout, and applying Monte Carlo dropout in the prediction stage of an artificial neural network is the same as approximating an existing artificial neural network with a Gaussian process, so predictive uncertainty analysis This possible neural network (deep Gaussian process model, probability model) can be derived. The hyperparameter of Monte Carlo dropout is the dropout probability (0-1), and it is desirable to apply the academic recommendation of 0.5 (50%) to this.
상술한 바와 같이 인공신경망 훈련을 마친 후, 검증용 데이터베이스를 이용하여 인공신경망 예측 과정을 수행하는데, 이러한 예측 과정을 수행하면서 몬테카를로 드랍아웃을 병행하고, 예측 과정을 충분히 반복(100회 이상)하여 예측 불확실성 분석을 위한 신경망 예측 샘플을 생성할 수 있다.After completing the artificial neural network training as described above, the artificial neural network prediction process is performed using the database for verification. While performing this prediction process, Monte Carlo dropout is performed in parallel, and the prediction process is sufficiently repeated (more than 100 times) to make predictions. You can create neural network prediction samples for uncertainty analysis.
상기 예측 불확실성 분석부(330)는, 인공신경망 예측 샘플을 기초로 인공신경망의 출력 변수에 대한 분산 및 출력변수 간 공분산을 추정하는 과정을 통해 상기 평균 벡터를 도출하여 신규 히트펌프 성능의 예측 불확실성을 정량화할 수 있다. 예측 불확실성 분석 과정은 인공신경망 예측 샘플을 이용하여 각 출력변수의 분산(variance) 및 출력변수 간 공분산(covariance)을 각 입력 샘플 별로 도출하는 것과 같으며, 인공신경망 예측 샘플의 평균벡터는 기존 히트펌프 성능 예측부(300)의 출력정보로 활용 가능하다. The
이러한 기존 히트펌프 성능 예측부(300)는, 해당 시스템 사용 목적에 따라 도 9에 도시된 바와 같이 제품 자체 성능 예측 방법과, 도 10에 도시된 바와 같이 표준시험조건에서 측정한 성능 예측 방법으로 구분될 수 있다.The conventional heat pump
상기 신규 히트펌프 데이터 수집부(400)는, 표준시험환경의 챔버장치를 활용하여 신규 히트펌프의 측정데이터(입출력데이터)를 수집할 수 있으며, 표준시험환경의 챔버장치를 활용한 신규 측정데이터를 수집하는 방법은 상술한 표준시험환경에서의 데이터 수집방법과 대동소이하므로 그에 따른 상세한 설명은 생략한다.The new heat pump
상기 전이학습 수행부(500)는, 데이터베이스의 입력데이터 및 기존 히트펌프 성능 예측부(300)의 평균 벡터를 출력데이터로 포함하는 시스템 초기정보를 구축하고, 시스템 초기정보에 신규 히트펌프의 측정데이터를 결합할 수 있다. The transfer
상술한 바와 같이, 신규 히트펌프 제품에 대해 적은 횟수의 챔버시험을 수행하여 최소한의 인공신경망 학습 데이터를 수집한 다음, 예측 문제 유형을 고려하여 인공신경망 아키텍처를 선정 후 이에 대응되는 일반화된 히트펌프 예측 모델(기존 히트펌프 경험지식의 입출력 구조)을 시스템의 초기정보로 반영할 수 있는데 이때, 입력데이터에 대한 시계열 데이터와 비시계열 데이터를 구분하여 그에 대한 특징데이터를 추출한 후, 그에 따른 시스템의 초기정보를 업데이트 할 수 있다.As described above, a small number of chamber tests are performed on the new heat pump product to collect the minimum artificial neural network learning data, and then the artificial neural network architecture is selected in consideration of the type of prediction problem, and the corresponding generalized heat pump prediction is performed. The model (input/output structure of existing heat pump experience knowledge) can be reflected as the initial information of the system. At this time, after distinguishing time-series data and non-time-series data for the input data and extracting feature data for them, the initial information of the system accordingly can be updated.
이를 위해 전이학습 수행부(500)는 도 11에 도시된 바와 같이, 시계열 특징 데이터 추출부(510), 비시계열 특징 데이터 추출부(520) 및 인공신경망 업데이트 수행부(530) 중 적어도 하나를 포함할 수 있다.To this end, as shown in FIG. 11, the
상기 시계열 특징 데이터 추출부(510)는, 기 구축된 시계열 인공신경망(timeseries neural network)을 이용하여 신규 히트펌프의 측정데이터로부터 입력 시계열 데이터와 출력 시계열 데이터를 포함하는 시계열 특징 데이터를 추출할 수 있다.The time-series
상기 시계열 인공신경망(timeseries neural network)은, 도 12에 도시된 바와 같이 특징을 추출하는 합성곱 레이어(511, convolution layer)와 마지막 합성곱 레이어의 출력단부터 신경망 출력 레이어(output layer)까지 완전 결합되는 전 결합 레이어(513, fully connected layer)의 결합 구조를 가질 수 있다. 합성곱 레이어(511)는 데이터 필터의 일종으로, 해당 레이어에 인가된 입력정보로부터 특징을 추출하고, 여러 층을 가질 수 있고, 신경망 구조가 깊어짐에 따라(합성곱 레이어의 수가 늘어남에 따라) 증가되는 연산을 줄이기 위해 데이터 압축 레이어인 풀링 레이어 (512, Pooling layer)가 수반될 수 있다.As shown in FIG. 12, the time series neural network is completely combined from a convolution layer (511) for extracting features and an output end of the last convolution layer to a neural network output layer. It may have a combination structure of a fully connected layer (513). The
상기 비시계열 특징 데이터 추출부(520)는, 신규 히트펌프의 측정데이터 중 비시계열 데이터로 분류된 데이터의 경우 특정 시간에 기록된 데이터로 간주하여 기 구축된 비시계열 인공신경망(non-timeseries neural network)을 통해 입력 비시계열 데이터와 출력 비시계열 데이터를 포함하는 비시계열 특징 데이터를 추출할 수 있다. The non-time-series
이와 같이 비시계열 예측 문제의 경우, 각 입력 세트는 특정 시간에서 기록된 신경망 입출력 샘플에 해당되며, 시계열 인공신경망 문제와는 달리 시계열 패턴을 추출하는 과정이 요구되지 않는다. 이에 따라, 도 13에 도시된 바와 같이 비시계열 신경망(non-timeseries neural network)은 100% 전 결합 레이어(521)로 구성될 수 있다. In the case of such a non-time series prediction problem, each input set corresponds to a neural network input/output sample recorded at a specific time, and unlike the time series artificial neural network problem, a process of extracting a time series pattern is not required. Accordingly, as shown in FIG. 13 , a non-timeseries neural network may be composed of 100%
상기 인공신경망 업데이트 수행부(530)는, 시스템 초기정보를 기반으로 신규 히트펌프 성능 예측을 위한 인공신경망 학습을 수행하되, 시계열 특징 데이터와 비시계열 특징 데이터를 이용하여 인공신경망의 뉴런 가중치를 미세 조정(fine tuning)하는 전이학습을 통해 인공신경망의 업데이트를 수행할 수 있다.The artificial neural
상기 인공신경망 업데이트 수행부(530)는, 시계열 인공신경망에서 뉴런의 위치가 시계열 인공신경망의 입력 레이어에 가까울수록 시계열 인공신경망의 업데이트를 미리 설정된 기준 업데이트 수준 보다 상대적으로 낮게 설정하여 수행하고, 시계열 인공신경망의 뉴런의 위치가 시계열 인공신경망의 출력 레이어에 가까울수록 시계열 인공신경망의 업데이트를 미리 설정된 기준 업데이트 수준 보다 높게 설정하여 수행할 수 있으며, 비시계열 인공신경망에서 뉴런의 위치가 출력 레이어에 가까울수록 비시계열 인공신경망의 업데이트를 미리 설정된 기준 업데이트 수준보다 높게 설정하여 수행할 수 있다.The artificial neural
본 일 실시예에 따른 신규 히트펌프 측정데이터는 기존 히트펌프 성능 예측 기능을 업데이트하는 과정에서 관측 정보로 역할을 하고, 해당 업데이트는 기존 데이터로부터 미리 학습한 인공신경망의 가중치를 미세조정(fine tuning)하는 것과 같다. 다만, 미세조정 과정에서 이미 축적된 히트펌프 정보가 과다하게 소실 또는 왜곡되는 것을 방지해야 하므로, 이공신경망 가중치는 기존 정보의 포함 정도를 고려하여 차별적으로 업데이트 되도록 하는 것이 바람직하다. The new heat pump measurement data according to this embodiment serves as observation information in the process of updating the existing heat pump performance prediction function, and the update fine-tunes the weights of the artificial neural network learned in advance from the existing data. It's like doing However, since it is necessary to prevent excessive loss or distortion of already accumulated heat pump information during the fine-tuning process, it is desirable to differentially update the weights of the sci-fi neural network in consideration of the degree of inclusion of existing information.
통상적으로, 히든 레이어(합성곱 레이어, 풀링 레이어, 전 결합 레이어 등)가 입력 레이어에 가까울수록 학습 데이터 내 일반화된 정보(저급 특징)가 많이 반영되어 있으며, 이와 반대로 히든 레이어가 입력 레이어에서 멀어질수록 학습 데이터 내 특수화된 정보(고급 특징)가 많이 반영되어 있다. 기존 히트펌프의 사용경험지식을 재활용하여 신규 히트펌프 측정데이터의 부족 문제를 보완하는 것이 주 목적임을 고려해 볼 때, 뉴런의 위치가 입력 레이어에 가까울수록 낮은 수준으로 업데이트하는 것이 바람직하다.Typically, the closer the hidden layer (convolutional layer, pooling layer, full combining layer, etc.) is to the input layer, the more generalized information (low-level features) in the training data is reflected. A lot of specialized information (advanced features) is reflected in the learning data. Considering that the main purpose is to compensate for the lack of new heat pump measurement data by recycling the experience knowledge of the existing heat pump, it is desirable to update the neuron at a lower level as the position of the neuron is closer to the input layer.
또한, 시계열 예측 문제의 경우, 데이터 특징을 추출하는 합성곱 레이어(511)에 대해서는 낮은 수준으로 업데이트하여 초기 정보를 최대한 활용하고, 예측 레이어에 해당하는 전 결합 레이어(513)에 대해서는 높은 수준으로 업데이트하여 신규 데이터에 포함된 정보를 적극 반영할 수 있도록 한다. 그리고, 비시계열 예측 문제의 경우, 뉴런 위치가 출력 레이어에 가까울수록 업데이트 수준을 높게 설정할 수 있다. In addition, in the case of a time series prediction problem, the
상기 신규 히트펌프 성능 예측부(600)는, 전이학습 수행부(500)를 통해 제공되는 학습데이터(입출력데이터)를 기반으로 신규 히트펌프에 대한 성능을 보다 정확히 예측할 수 있다.The
도 14는 본 발명의 일 실시예에 따른 신규 히트펌프 성능 예측 시스템과 신규 제품(히트펌프) 간 연동 프로세스와 구성을 나타낸 블록도이다.14 is a block diagram showing an interlocking process and configuration between a new heat pump performance prediction system and a new product (heat pump) according to an embodiment of the present invention.
도 14를 참조하면, 신규 히트펌프 성능 예측 시스템은 별도의 단말기(331)에 프로그램 형태로 탑재 가능하며, 해당 단말기와 신규 히트펌프 제품의 내장 센서 및 제품 제어부가 유선 또는 무선으로 통신하여 성능 예측 결과를 사용자에게 실시간으로 제공할 수 있도록 구현 가능하다. Referring to FIG. 14, the new heat pump performance prediction system can be installed in a separate terminal 331 in the form of a program, and the terminal and the built-in sensor of the new heat pump product and the product controller communicate by wire or wirelessly to predict performance. It can be implemented to provide the user in real time.
도 15는 본 발명의 다른 실시예에 따른 신규 히트펌프 성능 예측 방법의 구성을 나타낸 순서도이다.15 is a flowchart showing the configuration of a novel heat pump performance prediction method according to another embodiment of the present invention.
도 1과 함께 도 15를 참조하면, 본 발명의 다른 실시예에 따른 신규 히트펌프 성능 예측 방법(S1000)은, 기존 히트펌프 데이터 수집부(100)가, 사용현장에서 기존 히트펌프의 내장센서로부터 측정된 운전기록데이터 및 기존 히트펌프에 대한 표준시험환경에서 챔버장치를 통해 측정된 운전기록데이터를 중 적어도 하나를 수집하여 기존 히트펌프 데이터베이스 구축부(200)로 제공하는 기존 히트펌프 데이터 수집 단계(S100); 기존 히트펌프 데이터베이스 구축부(200)가, 기존 히트펌프로부터 수집된 운전기록데이터를 기초로 기존 히트펌프 성능 예측을 위한 인공신경망의 입력데이터와 출력데이터를 갖는 데이터베이스를 구축하는 기존 히트펌프 데이터베이스 구축 단계(S200); 기존 히트펌프 성능 예측부(300)가, 데이터베이스를 기반으로 인공신경망의 훈련 및 예측 과정을 수행하되, 예측 과정에서 인공신경망 예측 샘플을 생성하고, 인공신경망 예측 샘플을 기초로 신규 히트펌프 성능 예측에 대한 불확실성 분석 과정을 수행하여 인공신경망 예측 샘플의 평균 백터를 도출하는 기존 히트펌프 성능 예측 단계(S300); 신규 히트펌프 데이터 수집부(400)가, 표준시험환경의 챔버장치를 활용하여 신규 히트펌프의 측정데이터를 수집하는 신규 히트펌프 데이터 수집 단계(S400); 전이학습 수행부(500)가, 데이터베이스의 입력데이터 및 기존 히트펌프 성능 예측 단계의 평균 벡터를 출력데이터로 포함하는 시스템 초기정보를 구축하고, 시스템 초기정보에 신규 히트펌프의 측정데이터를 결합하는 전이학습을 수행하는 전이학습 수행 단계(S500); 및 신규 히트펌프 성능 예측부(600)가, 전이학습 수행 단계(S500)를 통해 제공되는 학습데이터를 기반으로 신규 히트펌프에 대한 성능을 예측하는 신규 히트펌프 성능 예측 단계(S600)를 중 적어도 하나를 포함할 수 있다.Referring to FIG. 15 together with FIG. 1 , in the new heat pump performance prediction method (S1000) according to another embodiment of the present invention, the existing heat pump
본 발명의 다른 실시예에 따른 신규 히트펌프 성능 예측 방법(S1000) 상술한 시스템(1000)의 구성과 대동소이하므로, 그에 대한 상세한 설명은 생략한다.New Heat Pump Performance Prediction Method (S1000) According to Another Embodiment of the Present Invention Since the configuration of the above-described
이상에서 설명한 것은 본 발명에 의한 기존 제품의 사용경험지식과 신규 제품에 대한 소규모 측정데이터의 전이학습을 이용한 신규 히트펌프 성능 예측 시스템 및 그 방법을 실시하기 위한 하나의 실시예에 불과한 것으로서, 본 발명은 상기 실시예에 한정되지 않고, 이하의 특허청구범위에서 청구하는 바와 같이 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변경 실시가 가능한 범위까지 본 발명의 기술적 정신이 있다고 할 것이다.What has been described above is only one embodiment for implementing a new heat pump performance prediction system and method using transfer learning of use experience knowledge of existing products and small-scale measurement data for new products according to the present invention. is not limited to the above embodiment, and as claimed in the following claims, anyone of ordinary skill in the field to which the present invention pertains without departing from the gist of the present invention to the extent that various changes can be made. It would be said that there is a technical spirit of invention.
1000: 신규 히트펌프 성능 예측 시스템
100: 기존 히트펌프 데이터 수집부
110: 이용 측 추종 제어부
120: 열원 측 추종 제어부
200: 기존 히트펌프 데이터베이스 구축부
300: 기존 히트펌프 성능 예측부
310: 인공신경망 훈련 수행부
320: 인공신경망 예측 샘플 생성부
330: 예측 불확실성 분석부
400: 신규 히트펌프 데이터 수집부
500: 전이학습 수행부
510: 시계열 특징 데이터 추출부
511: 합성곱 레이어
512: 풀링 레이어
513: 전 결합 레이어
520: 비시계열 특징 데이터 추출부
521: 전 결합 레이어
530: 인공신경망 업데이트 수행부
600: 신규 히트펌프 성능 예측부
10: 챔버장치
11: 실외 측 챔버
12: 실내 측 수조
13: 열원 측 수열교환기
14: 제1 유량조절밸브
15: 제1 온도계
16: 제2 유량조절밸브
17: 제2 온도계
B: 유량계1000: New heat pump performance prediction system
100: Existing heat pump data collection unit
110: Use-side follow-up control unit
120: heat source side follow-up control unit
200: Existing heat pump database construction unit
300: Existing heat pump performance prediction unit
310: artificial neural network training unit
320: artificial neural network prediction sample generation unit
330: prediction uncertainty analysis unit
400: new heat pump data collection unit
500: transfer learning execution unit
510: time series feature data extraction unit
511: convolution layer
512: pooling layer
513: pre-bonding layer
520: non-time series feature data extraction unit
521: pre-bonding layer
530: artificial neural network update unit
600: new heat pump performance prediction unit
10: chamber device
11: outdoor side chamber
12: indoor side water tank
13: heat source side water heat exchanger
14: first flow control valve
15: first thermometer
16: second flow control valve
17: second thermometer
B: flow meter
Claims (12)
상기 데이터베이스를 기반으로 인공신경망의 훈련 및 예측 과정을 수행하되, 상기 예측 과정에서 인공신경망 예측 샘플을 생성하고, 상기 인공신경망 예측 샘플을 기초로 신규 히트펌프 성능 예측에 대한 불확실성 분석 과정을 수행하여 상기 인공신경망 예측 샘플의 평균 백터를 도출하는 기존 히트펌프 성능 예측부;
표준시험환경의 챔버장치를 활용하여 신규 히트펌프의 측정데이터를 수집하는 신규 히트펌프 데이터 수집부; 및
상기 데이터베이스의 입력데이터 및 상기 기존 히트펌프 성능 예측부의 평균 벡터를 출력데이터로 포함하는 시스템 초기정보를 구축하고, 상기 시스템 초기정보에 상기 신규 히트펌프의 측정데이터를 결합하는 전이학습을 수행하여 상기 시스템 초기정보를 업데이트 하는 전이학습 수행부를 포함하고,
상기 데이터베이스는 훈련용 데이터베이스와 검증용 데이터베이스를 포함하고,
상기 기존 히트펌프 성능 예측부는,
상기 훈련용 데이터베이스를 이용한 인공신경망의 훈련을 수행하는 인공신경망 훈련 수행부;
상기 인공신경망 훈련 수행부를 통한 훈련 완료 후 인공신경망의 예측 과정을 수행하고, 예측 수행 과정에서 인공신경망 뉴런의 일부를 무작위로 누락시키는 몬테카를로 드랍아웃(Monte Carlo dropout) 기술을 병행하여 예측 불확실성 분석을 수행하기 위한 상기 인공신경망 예측 샘플을 생성하는 인공신경망 예측 샘플 생성부; 및
상기 인공신경망 예측 샘플을 기초로 인공신경망의 출력 변수에 대한 분산 및 출력변수 간 공분산을 추정하는 과정을 통해 상기 평균 벡터를 도출하여 신규 히트펌프 성능의 예측 불확실성을 정량화하는 예측 불확실성 분석부를 포함하는 것을 특징으로 하는 기존 제품의 사용경험지식과 신규 제품에 대한 소규모 측정데이터의 전이학습을 이용한 신규 히트펌프 성능 예측 시스템.
an existing heat pump database construction unit for constructing a database having input data and output data of an artificial neural network for predicting performance of existing heat pumps based on operation record data collected from existing heat pumps;
Training and prediction of the artificial neural network are performed based on the database, and in the prediction process, an artificial neural network prediction sample is generated, and an uncertainty analysis process for new heat pump performance prediction is performed based on the artificial neural network prediction sample. An existing heat pump performance prediction unit for deriving an average vector of artificial neural network prediction samples;
a new heat pump data collection unit that collects measurement data of the new heat pump by utilizing a chamber device in a standard test environment; and
System initial information including the input data of the database and the average vector of the existing heat pump performance prediction unit as output data is constructed, and transfer learning is performed to combine the measured data of the new heat pump with the initial system information. Including a transfer learning performance unit that updates initial information,
The database includes a training database and a verification database,
The conventional heat pump performance prediction unit,
an artificial neural network training unit performing training of the artificial neural network using the training database;
After completing the training through the artificial neural network training unit, the prediction process of the artificial neural network is performed, and predictive uncertainty analysis is performed in parallel with Monte Carlo dropout technology in which some of the artificial neural network neurons are randomly omitted during the prediction process. an artificial neural network prediction sample generating unit for generating the artificial neural network prediction sample; and
A prediction uncertainty analyzer for quantifying prediction uncertainty of new heat pump performance by deriving the average vector through a process of estimating variance and covariance between output variables of the artificial neural network based on the artificial neural network prediction sample; A new heat pump performance prediction system using transfer learning of the use experience knowledge of existing products and small-scale measurement data of new products.
사용현장에서 기존 히트펌프의 내장센서로부터 측정된 운전기록데이터 및 기존 히트펌프에 대한 표준시험환경에서 챔버장치를 통해 측정된 운전기록데이터를 중 적어도 하나를 수집하여 상기 기존 히트펌프 데이터베이스 구축부로 제공하는 기존 히트펌프 데이터 수집부를 더 포함하는 것을 특징으로 하는 기존 제품의 사용경험지식과 신규 제품에 대한 소규모 측정데이터의 전이학습을 이용한 신규 히트펌프 성능 예측 시스템.
According to claim 1,
At least one of the operation record data measured from the built-in sensor of the existing heat pump at the site of use and the operation record data measured through the chamber device in the standard test environment for the existing heat pump is collected and provided to the existing heat pump database construction unit A new heat pump performance prediction system using transfer learning of use experience knowledge of an existing product and small-scale measurement data for a new product, further comprising an existing heat pump data collection unit.
상기 챔버장치는,
표준시험환경에서 운전기록데이터를 상기 기존 히트펌프 데이터 수집부로 제공하기 위해, 기존 히트펌프가 설치되는 실외 측 챔버; 실내 측 수조; 열원 측 수열교환기; 상기 실내 측 수조의 입구에 설치된 제1 유량조절밸브; 상기 제1 유량조절밸브 및 상기 열원 측 수열교환기의 출구 사이에 설치된 제1 온도계; 상기 실내 측 수조의 출구에 설치된 제2 유량조절밸브; 및 상기 제2 유량조절밸브와 상기 열원 측 수열교환기의 입구 사이에 설치된 제2 온도계를 포함하고,
상기 기존 히트펌프 데이터 수집부는,
실내 냉난방 부하 및 실외 냉난방 부하를 각각 변화시킬 수 있도록 상기 실내 측 수조의 입구 수온 및 물 유량과, 상기 열원 측 수열교환기의 실외 측 건구온도, 실내 측 건구온도, 열원 측 물 온도 및 열원 측 물 유량에 대한 시계열 방식 및 비시계열 방식 중 적어도 하나의 방식으로 추종 제어를 각각 실시하여, 상기 실내 측 수조로의 기존 히트펌프의 공급 열량 산출에 필요한 정보인 물의 입출구 온도차 및 유량정보를 수집하는 것을 특징으로 하는 기존 제품의 사용경험지식과 신규 제품에 대한 소규모 측정데이터의 전이학습을 이용한 신규 히트펌프 성능 예측 시스템.
According to claim 2,
The chamber device,
an outdoor chamber in which an existing heat pump is installed to provide operation record data to the existing heat pump data collection unit in a standard test environment; indoor water tank; Heat source side water heat exchanger; a first flow control valve installed at the inlet of the indoor water tank; a first thermometer installed between the first flow control valve and the outlet of the heat source-side water heat exchanger; a second flow control valve installed at the outlet of the indoor water tank; And a second thermometer installed between the second flow control valve and the inlet of the heat source-side water heat exchanger,
The existing heat pump data collection unit,
The inlet water temperature and water flow rate of the indoor water tank, the outdoor dry-bulb temperature of the heat source-side water heat exchanger, the indoor dry-bulb temperature, the heat-source-side water temperature, and the heat-source-side water flow rate to change the indoor cooling and heating load and the outdoor cooling and heating load, respectively. At least one of a time series method and a non-time series method is performed for follow-up control, respectively, to collect the inlet/outlet temperature difference and flow rate information of the water, which is information necessary for calculating the amount of heat supplied by the existing heat pump to the indoor water tank. A new heat pump performance prediction system using transfer learning of the use experience knowledge of existing products and small-scale measurement data for new products.
상기 기존 히트펌프 데이터 수집부는, 제품고유정보, 냉난방 부하정보 및 히트펌프 제어정보 중 적어도 하나를 인공신경망의 입력데이터로 수집하고, 히트펌프 성능정보를 출력데이터로 수집하고,
상기 제품고유정보는, 냉난방 정격용량정보 및 냉난방 정격 성적계수정보를 포함하고,
상기 냉난방 부하정보는, 기존 히트펌프를 이용하는 이용 측 실내 수조의 수온 및 유량정보 및 실외 온/습도정보를 포함하는 실내외 열환경정보이고,
상기 히트펌프 제어정보는, 기존 히트펌프에 대한 기동정보, 정지정보 및 가동율정보를 포함하는 히트펌프 가동상태정보이고,
상기 히트펌프 성능정보는, 기존 히트펌프의 운전환경에서 측정된 냉난방 용량정보 및 냉난방 성정계수정보를 포함하는 예측대상정보인 것을 특징으로 하는 기존 제품의 사용경험지식과 신규 제품에 대한 소규모 측정데이터의 전이학습을 이용한 신규 히트펌프 성능 예측 시스템.
According to claim 2,
The existing heat pump data collection unit collects at least one of product-specific information, cooling and heating load information, and heat pump control information as input data of an artificial neural network, and collects heat pump performance information as output data,
The product-specific information includes heating and cooling rated capacity information and heating and cooling rated performance coefficient information,
The heating and cooling load information is indoor/outdoor thermal environment information including water temperature and flow rate information and outdoor temperature/humidity information of an indoor water tank using an existing heat pump,
The heat pump control information is heat pump operation state information including start information, stop information, and operation rate information for an existing heat pump,
The heat pump performance information is prediction target information including cooling and heating capacity information and cooling and heating performance coefficient information measured in the operating environment of the existing heat pump, and the use experience knowledge of the existing product and the small-scale measurement data for the new product. A novel heat pump performance prediction system using transfer learning.
상기 기존 히트펌프 데이터베이스 구축부는,
상기 운전기록데이터를 기초로 인공신경망의 입력데이터와 출력데이터를 행렬 형태의 데이터베이스를 구축하되, 입력데이터와 출력데이터의 각 행을 단일시험에 대응되도록 구성하고, 각 열을 인공신경망의 입출력 변수에 대응되도록 구성하여 데이터베이스를 구축하는 것을 특징으로 하는 기존 제품의 사용경험지식과 신규 제품에 대한 소규모 측정데이터의 전이학습을 이용한 신규 히트펌프 성능 예측 시스템.
According to claim 1,
The existing heat pump database construction unit,
Based on the driving record data, a database of input data and output data of the artificial neural network in the form of a matrix is constructed, each row of the input data and output data is configured to correspond to a single test, and each column is assigned to the input and output variables of the artificial neural network. A new heat pump performance prediction system using transfer learning of use experience knowledge of existing products and small-scale measurement data for new products, characterized in that the database is constructed by configuring to correspond.
상기 몬테카를로 드랍아웃의 하이퍼 파라미터는 드랍아웃의 확률(0-1)로서 0.5를 적용하는 것을 특징으로 하는 기존 제품의 사용경험지식과 신규 제품에 대한 소규모 측정데이터의 전이학습을 이용한 신규 히트펌프 성능 예측 시스템.
According to claim 1,
Prediction of new heat pump performance using transfer learning of use experience knowledge of existing products and small-scale measurement data of new products, characterized in that 0.5 is applied as the dropout probability (0-1) for the hyperparameter of the Monte Carlo dropout. system.
상기 전이학습 수행부는,
기 구축된 시계열 인공신경망을 이용하여 상기 신규 히트펌프의 측정데이터로부터 입력 시계열 데이터와 출력 시계열 데이터를 포함하는 시계열 특징 데이터를 추출하는 시계열 특징 데이터 추출부;
상기 신규 히트펌프의 측정데이터 중 비시계열 데이터의 경우 특정 시간에 기록된 데이터로 간주하여 기 구축된 비시계열 인공신경망을 통해 입력 비시계열 데이터와 출력 비시계열 데이터를 포함하는 비시계열 특징 데이터를 추출하는 비시계열 특징 데이터 추출부; 및
상기 시스템 초기정보를 기반으로 신규 히트펌프 성능 예측을 위한 인공신경망 학습을 수행하되, 상기 시계열 특징 데이터와 상기 비시계열 특징 데이터를 이용하여 인공신경망의 뉴런 가중치를 미세 조정하는 전이학습을 통해 인공신경망의 업데이트를 수행하는 인공신경망 업데이트 수행부를 포함하는 것을 특징으로 하는 기존 제품의 사용경험지식과 신규 제품에 대한 소규모 측정데이터의 전이학습을 이용한 신규 히트펌프 성능 예측 시스템.
According to claim 1,
The transfer learning execution unit,
a time-series feature data extractor extracting time-series feature data including input time-series data and output time-series data from the measurement data of the new heat pump using a pre-constructed time-series artificial neural network;
Among the measured data of the new heat pump, non-time-series data is regarded as data recorded at a specific time, and non-time-series feature data including input non-time-series data and output non-time-series data is extracted through a pre-built non-time-series artificial neural network. a non-time series feature data extraction unit; and
Based on the initial system information, artificial neural network learning is performed to predict performance of a new heat pump, and transfer learning is performed to fine-tune the neuron weights of the artificial neural network using the time-series feature data and the non-time-series feature data. A new heat pump performance prediction system using transfer learning of use experience knowledge of an existing product and small-scale measurement data for a new product, comprising an artificial neural network update execution unit performing update.
상기 시계열 인공신경망은, 다층의 합성곱 레이어; 마지막 합성곱 레이어의 출력단으로부터 신경 출력 레이어까지 완전 결합되는 전 결합 레이어; 및 상기 합성곱 레이어에 각각 적용되는 풀링 레이어를 포함하고,
상기 비시계열 인공신경망은 전 결합 레이어를 포함하는 것을 특징으로 하는 기존 제품의 사용경험지식과 신규 제품에 대한 소규모 측정데이터의 전이학습을 이용한 신규 히트펌프 성능 예측 시스템.
According to claim 8,
The time-series artificial neural network includes a multi-layered convolutional layer; a pre-combined layer that is completely combined from the output end of the last convolution layer to the neural output layer; And a pooling layer applied to each of the convolution layers,
The new heat pump performance prediction system using transfer learning of use experience knowledge of existing products and small-scale measurement data for new products, characterized in that the non-time-series artificial neural network includes a full coupling layer.
상기 인공신경망 업데이트 수행부는,
상기 시계열 인공신경망에서 뉴런의 위치가 상기 시계열 인공신경망의 입력 레이어에 가까울수록 상기 시계열 인공신경망의 업데이트를 미리 설정된 기준 업데이트 수준 보다 상대적으로 낮게 설정하여 수행하고, 상기 시계열 인공신경망의 뉴런의 위치가 상기 시계열 인공신경망의 출력 레이어에 가까울수록 상기 시계열 인공신경망의 업데이트를 미리 설정된 기준 업데이트 수준 보다 높게 설정하여 수행하고,
상기 비시계열 인공신경망에서 뉴런의 위치가 출력 레이어에 가까울수록 상기 비시계열 인공신경망의 업데이트를 미리 설정된 기준 업데이트 수준보다 높게 설정하여 수행하는 것을 특징으로 하는 기존 제품의 사용경험지식과 신규 제품에 대한 소규모 측정데이터의 전이학습을 이용한 신규 히트펌프 성능 예측 시스템.
According to claim 8,
The artificial neural network update unit,
As the position of the neuron in the time-series artificial neural network is closer to the input layer of the time-series artificial neural network, the update of the time-series artificial neural network is set to be relatively lower than a preset reference update level, and the position of the neuron in the time-series artificial neural network is As it is closer to the output layer of the time-series artificial neural network, the update of the time-series artificial neural network is set higher than a preset reference update level, and
In the non-time-series artificial neural network, as the position of the neuron is closer to the output layer, the update of the non-time-series artificial neural network is set higher than a preset reference update level. A novel heat pump performance prediction system using transfer learning of measurement data.
상기 전이학습 수행부를 통해 제공되는 학습데이터를 기반으로 신규 히트펌프에 대한 성능을 예측하는 신규 히트펌프 성능 예측부를 더 포함하는 것을 특징으로 하는 기존 제품의 사용경험지식과 신규 제품에 대한 소규모 측정데이터의 전이학습을 이용한 신규 히트펌프 성능 예측 시스템.
According to claim 1,
Based on the learning data provided through the transfer learning performing unit, a new heat pump performance prediction unit for predicting the performance of the new heat pump is obtained by combining the use experience knowledge of the existing product and the small-scale measurement data of the new product. A novel heat pump performance prediction system using transfer learning.
상기 기존 히트펌프 데이터베이스 구축부가, 기존 히트펌프로부터 수집된 운전기록데이터를 기초로 기존 히트펌프 성능 예측을 위한 인공신경망의 입력데이터와 출력데이터를 갖는 데이터베이스를 구축하는 기존 히트펌프 데이터베이스 구축 단계;
기존 히트펌프 성능 예측부가, 상기 데이터베이스를 기반으로 인공신경망의 훈련 및 예측 과정을 수행하되, 상기 예측 과정에서 인공신경망 예측 샘플을 생성하고, 상기 인공신경망 예측 샘플을 기초로 신규 히트펌프 성능 예측에 대한 불확실성 분석 과정을 수행하여 상기 인공신경망 예측 샘플의 평균 백터를 도출하는 기존 히트펌프 성능 예측 단계;
신규 히트펌프 데이터 수집부가, 표준시험환경의 챔버장치를 활용하여 신규 히트펌프의 측정데이터를 수집하는 신규 히트펌프 데이터 수집 단계;
전이학습 수행부가, 상기 데이터베이스의 입력데이터 및 상기 기존 히트펌프 성능 예측 단계의 평균 벡터를 출력데이터로 포함하는 시스템 초기정보를 구축하고, 상기 시스템 초기정보에 상기 신규 히트펌프의 측정데이터를 결합하는 전이학습을 수행하는 전이학습 수행 단계; 및
신규 히트펌프 성능 예측부가, 상기 전이학습 수행 단계를 통해 제공되는 학습데이터를 기반으로 신규 히트펌프에 대한 성능을 예측하는 신규 히트펌프 성능 예측 단계를 포함하고,
상기 데이터베이스는 훈련용 데이터베이스와 검증용 데이터베이스를 포함하고,
상기 기존 히트펌프 성능 예측 단계는,
상기 훈련용 데이터베이스를 이용한 인공신경망의 훈련을 수행하는 인공신경망 훈련 수행 단계;
상기 인공신경망 훈련 수행 단계를 통한 훈련 완료 후 인공신경망의 예측 과정을 수행하고, 예측 수행 과정에서 인공신경망 뉴런의 일부를 무작위로 누락시키는 몬테카를로 드랍아웃(Monte Carlo dropout) 기술을 병행하여 예측 불확실성 분석을 수행하기 위한 상기 인공신경망 예측 샘플을 생성하는 인공신경망 예측 샘플 생성 단계; 및
상기 인공신경망 예측 샘플을 기초로 인공신경망의 출력 변수에 대한 분산 및 출력변수 간 공분산을 추정하는 과정을 통해 상기 평균 벡터를 도출하여 신규 히트펌프 성능의 예측 불확실성을 정량화하는 예측 불확실성 분석 단계를 포함하는 것을 특징으로 하는 기존 제품의 사용경험지식과 신규 제품에 대한 소규모 측정데이터의 전이학습을 이용한 신규 히트펌프 성능 예측 방법.The existing heat pump data collection unit collects at least one of the operation record data measured from the built-in sensor of the existing heat pump at the site of use and the operation record data measured through the chamber device in the standard test environment for the existing heat pump to collect the existing heat pump data. Existing heat pump data collection step provided by the pump database construction unit;
an existing heat pump database construction step of constructing, by the existing heat pump database construction unit, a database having input data and output data of an artificial neural network for predicting performance of an existing heat pump based on operation record data collected from existing heat pumps;
An existing heat pump performance prediction unit performs a process of training and predicting an artificial neural network based on the database, generates an artificial neural network prediction sample in the prediction process, and performs a new heat pump performance prediction based on the artificial neural network prediction sample. Existing heat pump performance prediction step of deriving an average vector of the artificial neural network prediction samples by performing an uncertainty analysis process;
A new heat pump data collection step in which the new heat pump data collection unit collects measurement data of the new heat pump using a chamber device in a standard test environment;
A transition learning unit constructs initial system information including the input data of the database and the mean vector of the existing heat pump performance prediction step as output data, and combines the measurement data of the new heat pump with the initial system information. Transfer learning performing step of performing learning; and
The new heat pump performance prediction unit includes a new heat pump performance prediction step of predicting performance of the new heat pump based on the learning data provided through the transfer learning execution step,
The database includes a training database and a verification database,
The conventional heat pump performance prediction step,
an artificial neural network training step of performing training of an artificial neural network using the training database;
After completing the training through the artificial neural network training step, the prediction process of the artificial neural network is performed, and predictive uncertainty analysis is performed in parallel with the Monte Carlo dropout technique in which some of the artificial neural network neurons are randomly omitted during the prediction process. an artificial neural network prediction sample generating step of generating the artificial neural network prediction sample to be performed; and
A prediction uncertainty analysis step of quantifying the prediction uncertainty of new heat pump performance by deriving the mean vector through a process of estimating the variance of the output variables of the artificial neural network and the covariance between the output variables based on the artificial neural network prediction sample. A new heat pump performance prediction method using transfer learning of use experience knowledge of existing products and small-scale measurement data for new products, characterized in that.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220092453A KR102515423B1 (en) | 2022-07-26 | 2022-07-26 | System and method thereof for predicting performance of new heat pump by using experience knowledge of existing products and transfer learning of small scale measurement data for new products |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220092453A KR102515423B1 (en) | 2022-07-26 | 2022-07-26 | System and method thereof for predicting performance of new heat pump by using experience knowledge of existing products and transfer learning of small scale measurement data for new products |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102515423B1 true KR102515423B1 (en) | 2023-03-29 |
Family
ID=85800114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220092453A KR102515423B1 (en) | 2022-07-26 | 2022-07-26 | System and method thereof for predicting performance of new heat pump by using experience knowledge of existing products and transfer learning of small scale measurement data for new products |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102515423B1 (en) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190104926A (en) * | 2019-08-22 | 2019-09-11 | 엘지전자 주식회사 | Air conditioning system and controlling method thereof |
| KR20200040116A (en) * | 2018-10-08 | 2020-04-17 | 에스케이텔레콤 주식회사 | Method and Apparatus for Controlling Building Equipment |
| KR102114989B1 (en) * | 2019-12-10 | 2020-05-26 | 한국산업기술시험원 | System for precision training of air conditioning device using deep reinforcement learning algorithm and method thereof |
| KR102373827B1 (en) * | 2021-09-17 | 2022-03-14 | 주식회사 에이아이네이션 | An Industrial Facility Operating Device Based on Standard Operation Level Evaluations and a Method for Operating It |
| KR20220041690A (en) | 2020-09-25 | 2022-04-01 | 이광호 | Air heat pump with machine-learned data set and its control methods |
| KR20220089541A (en) * | 2020-12-21 | 2022-06-28 | 주식회사 엠앤디 | Monitoring system and method for nuclear power plant |
-
2022
- 2022-07-26 KR KR1020220092453A patent/KR102515423B1/en active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200040116A (en) * | 2018-10-08 | 2020-04-17 | 에스케이텔레콤 주식회사 | Method and Apparatus for Controlling Building Equipment |
| KR20190104926A (en) * | 2019-08-22 | 2019-09-11 | 엘지전자 주식회사 | Air conditioning system and controlling method thereof |
| KR102114989B1 (en) * | 2019-12-10 | 2020-05-26 | 한국산업기술시험원 | System for precision training of air conditioning device using deep reinforcement learning algorithm and method thereof |
| KR20220041690A (en) | 2020-09-25 | 2022-04-01 | 이광호 | Air heat pump with machine-learned data set and its control methods |
| KR20220089541A (en) * | 2020-12-21 | 2022-06-28 | 주식회사 엠앤디 | Monitoring system and method for nuclear power plant |
| KR102373827B1 (en) * | 2021-09-17 | 2022-03-14 | 주식회사 에이아이네이션 | An Industrial Facility Operating Device Based on Standard Operation Level Evaluations and a Method for Operating It |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ahmad et al. | A review on machine learning forecasting growth trends and their real-time applications in different energy systems | |
| Hong et al. | State-of-the-art on research and applications of machine learning in the building life cycle | |
| CN110866528B (en) | Model training method, energy consumption use efficiency prediction method, device and medium | |
| Mechaqrane et al. | A comparison of linear and neural network ARX models applied to a prediction of the indoor temperature of a building | |
| Kim et al. | Electricity load forecasting using advanced feature selection and optimal deep learning model for the variable refrigerant flow systems | |
| Fannou et al. | Modeling of a direct expansion geothermal heat pump using artificial neural networks | |
| KR102103006B1 (en) | Method and Apparatus for Operating Optimal of Equipment based on Machine Learning Model | |
| CN109784574A (en) | The prediction technique and device of equipment state, storage medium, electronic device | |
| Delcroix et al. | Autoregressive neural networks with exogenous variables for indoor temperature prediction in buildings | |
| CN110866592B (en) | Model training method, device, energy efficiency prediction method, device and storage medium | |
| CN107430388A (en) | Method and apparatus for controlling the environmental management system in building | |
| CN110826784B (en) | Method and device for predicting energy use efficiency, storage medium and terminal equipment | |
| Benzaama et al. | A data-driven methodology to predict thermal behavior of residential buildings using piecewise linear models | |
| CN107644297B (en) | Energy-saving calculation and verification method for motor system | |
| CN116557787B (en) | Intelligent evaluation system and method for pipe network state | |
| KR20210055992A (en) | Artificial intelligence model managing method and apparatus therefor | |
| Singaravel et al. | Component-based machine learning modelling approach for design stage building energy prediction: weather conditions and size | |
| Wang et al. | An evolving learning-based fault detection and diagnosis method: Case study for a passive chilled beam system | |
| KR102515423B1 (en) | System and method thereof for predicting performance of new heat pump by using experience knowledge of existing products and transfer learning of small scale measurement data for new products | |
| Aurna et al. | Predicting periodic energy saving pattern of continuous IoT based transmission data using machine learning model | |
| Lazrak et al. | Numerical and experimental results of a novel and generic methodology for energy performance evaluation of thermal systems using renewable energies | |
| Singaravel et al. | Deep neural network architectures for component-based machine learning model in building energy predictions | |
| Abbass | A comprehensive framework based on Bayesian optimization and skip connections artificial neural networks to predict buildings energy performance | |
| CN116166886A (en) | Application system of vector index smoothing new classification method in season time sequence prediction | |
| CN114065646B (en) | Energy consumption prediction method based on hybrid optimization algorithm, cloud computing platform and system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |