KR102560106B1 - 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법 및 시스템 - Google Patents

하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법 및 시스템 Download PDF

Info

Publication number
KR102560106B1
KR102560106B1 KR1020220020393A KR20220020393A KR102560106B1 KR 102560106 B1 KR102560106 B1 KR 102560106B1 KR 1020220020393 A KR1020220020393 A KR 1020220020393A KR 20220020393 A KR20220020393 A KR 20220020393A KR 102560106 B1 KR102560106 B1 KR 102560106B1
Authority
KR
South Korea
Prior art keywords
ventilation
time delay
search algorithm
delay compensation
indoor
Prior art date
Application number
KR1020220020393A
Other languages
English (en)
Inventor
유창규
베니테즈 호르해 라파엘 로이
허성구
Original Assignee
경희대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 경희대학교 산학협력단 filed Critical 경희대학교 산학협력단
Priority to KR1020220020393A priority Critical patent/KR102560106B1/ko
Application granted granted Critical
Publication of KR102560106B1 publication Critical patent/KR102560106B1/ko

Links

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
    • F24F11/0001—Control or safety arrangements for ventilation
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
    • E21F1/00—Ventilation of mines or tunnels; Distribution of ventilating currents
    • E21F1/003—Ventilation of traffic tunnels
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Mining & Mineral Resources (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Fuzzy Systems (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Ventilation (AREA)

Abstract

본 발명은 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법 및 시스템에 관한 것으로, 보다 상세하게는 환기시스템의 제어방법으로서, 상기 제1단계 전에 모델링부가 실내 공기질을 system identification하여 모델링하고, 모델링한 모델링 데이터가 데이터베이스에 저장되는 단계; 하모니 서치 알고리즘을 통해 환기시스템 제어기의 최적 설정치를 탐색하는 단계; 스미스 예측기를 통해 시간지연보상을 추정하는 단계; 및 상기 시간지연보상과 상기 최적 설정치를 기반으로 상기 환기시스템의 제어기를 제어하는 단계;를 포함하는 것을 특징으로 하는 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법에 대한 것이다.

Description

하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법 및 시스템{Multi-objective optimization of a time-delay compensated ventilation control system in a subway facility-A harmony search strategy }
본 발명은 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법 및 시스템에 관한 것이다.
급속한 도시화와 인구 증가로 거대 도시에서 이동성 수요를 충족시키는 것은 여러 문제를 야기했다. 예를 들어 지구 온난화는 운송 부문이 가장 큰 석유 소모 부문이며 많은 양의 CO2 배출을 발생시킨다. 또한 중국, 인도, 한국, 일본을 포함한 대부분의 아시아 국가에서 대기 오염은 중요한 문제이다. 다른 연소원과 결합된 도로 차량의 화석 연료 연소로 인한 직접 배출은 미세 입자 물질(PM2.5) 및 오존(O3)과 같은 오염 물질의 농도를 증가시켜 공중 보건을 위협한다. 특히 최근 미세먼지 등 실내 공기질에 대한 관심이 증가하면서 지하 역사 등 실내건물에서의 공기질 개선을 위한 환기시스템 개발 연구가 많이 이루어지고 있다.
지하철은 기존의 교통수단과 달리 온실가스(GHG) 배출을 제한하는 동시에 대규모 도시 이동 수요를 효율적으로 충족시키기 때문에 지속 가능한 이상적인 대안 교통수단이다. 그러나 지하철 역은 통근자 밀도가 높고 환기가 잘 안 되는 밀폐된 환경으로 먼지가 쌓이는 환경적 단점이 있다. 일반적으로 실내 미세먼지의 입자는 실외 공기 중 미세먼지와 다르게 레일, 바퀴, 브레이크 사이의 기계적 상호작용으로 인한 Fe 형태의 입자상 물질(PM)이 생성된다. 또한 기차와 승객의 움직임에 따라서 PM이 혼합되거나 비산되는 특성이 있다. 따라서 여러 조사에서 입자성 PM10 및 PM2.5가 건강에 미치는 부정적인 영향을 보고하고있다. PM10은 흉곽 외 및 기관지 상부에 침착될 수 있는 반면 PM2.5는 폐포에 도달하여 폐 순환에 영향을 미칠 수 있다. 또한 PM에 장기간 노출되면 심혈관 사망, 조산 및 폐 염증과 관련이 있다고 조사되고 있다.
실내 공기질(IAQ) 관리는 주로 외부에서 깨끗한 공기를 공급하여 실내 오염 물질을 희석시키는 기계식 팬을 사용하여 수행된다. 그럼에도 불구하고 공기 공급량 관리는 환기 에너지 낭비나 실내 공간의 갑작스러운 오염을 초래할 수 있다. 예를 들어, 서울 지하철 시스템은 IAQ 수준에 영향을 미치는 외부 시변 요인을 고려하지 않고 지하철역에서 IAQ를 관리하기 위해 고정된 환기 일정을 유지하고 있다. 이러한 이유로 과거 연구는 IAQ에 영향을 미칠 수 있는 사건을 고려하여 지하철 환기 관리에 대한 지속 가능한 대안을 찾는 데 초점을 맞추었다. 또한 실내공기질의 강한 시변성 때문에 동특성을 예측하기 어려우며 이에 다양한 운전 목적을 충족시키며 환기시스템을 운영하는 것은 매우 어려운 실정이다.
환기 시스템에 대한 효과적인 제어 전략을 설계하기 위해서는 지하철 공간에서 발생하는 실제 프로세스를 모방할 수 있는 IAQ 시스템을 식별하는 것이 중요하다. IAQ 시스템은 측정의 어려움이나 비용으로 인해 측정할 수 없는 많은 변수를 포함하기 때문에 복잡성을 가지고 있다. 이 문제를 해결하기 위해 데이터 기반 IAQ 모델이 환기 시스템을 제어하고 모니터링하는 데 널리 활용되었다. 이러한 모델은 일반적으로 프로세스를 설명하는 데 사용할 수 있지만 가장 중요한 문제 중 하나인 시간 지연에 관한 문제가 나타날 수 있다. 시간 지연은 입력 변수, 즉 조작 또는 교란이 출력 변수, 즉 제어 변수를 변경하는 데 걸리는 시간을 나타낸다. 따라서 제어 전략의 성능은 상당한 시간 지연의 존재에 의해 직접적인 영향을 받을 수 있다. 이 문제를 해결하기 위해 TDC(Time-Delay Compensator)를 사용하여 피드백 루프에서 시간 지연을 제거하여 빠른 설정값 응답을 유도한다.
본 발명의 주요 기여는 두 가지 주요 목표를 달성할 수 있는 적응형 환기 제어 시스템을 도입하는 것이다. 즉, (1) 시간 지연을 해결하여 환기 시스템의 제어 성능을 향상시키고, (2) 적절한 실내 공기 관리를 위해 시간에 따라 변하는 다양한 주변 조건에 적응하는 것이다.
이를 위해 IAQ 시스템의 피드백 제어에 TDC를 적용하여 시간 지연을 제거한 다음 환기 시스템에서 서로 다른 시간 간격으로 최적의 PM10 설정값 조절을 결정했다. 설정값 업데이트는 IAQ 수준과 환기 에너지 소비량을 목적 함수로 고려한 MOO(Multi-Objective Optimization) 방식을 통해 수행된다. 본 발명의 실시예에서 제안되는 환기 제어 시스템은 IAQ 시스템의 상충되는 목표를 충족하면서 시간에 따른 교란에 적응하는 능력을 평가하기 위해 세 가지 OAQ 조건(양호, 보통 및 비건강)에서 개발되었다. 또한 스미스 예측기(Smith predictor, S-P) 접근 방식을 TDC로 활용했다. 동시에 설정값 조절을 위한 MOO 방법은 모집단 기반 메타휴리스틱 방법인 하모니 서치 알고리즘(Harmony Search Algorithm, HSA)으로 공학적 문제에서 성공적으로 사용되었다.
우리나라의 경우 지하철 이동 수요는 수도권에서 매일 약 700만 명으로 등록되어 있다. 그럼에도 불구하고 지하철 환경의 환기 서비스는 플랫폼의 고정된 공기 공급 일정을 따르고 있다. 따라서 이러한 측면은 오염물질 농도를 과소평가하거나 과대평가할 때 공중보건 문제이자 에너지 낭비 문제가 발생된다. 이러한 이유로 지하철 역 실내 공기 관리에 대한 새로운 전략 제안은 당해 기술분야에서 특별한 관심을 받고 있다. 일반적으로 지하철 IAQ 연구는 환기 에너지 소비와 IAQ 수준 간의 상충 관계를 강조했다. 환기 시스템이 팬 속도를 높이면 에너지 소비 수요가 증가하고 실내 오염 물질 농도가 감소한다. 반면, 실내 공간에 낮은 팬 속도를 제공하면 실내 오염 물질 희석이 불충분할 수 있다.
다중 목표 최적화 기술, 실내 환경에 대한 OAQ 영향, 승객의 역동성을 포함하여 지난 10년 동안 다양한 접근 방식이 수행되었다. 표 1은 지하철 환경에서 환기 시스템의 제어 및 최적화에 대한 각각의 언급과 함께 몇 가지 조사를 포함한다.
[표 1]-지하 환경의 환기 제어 시스템에 대한 종래 연구 요약표
제시된 연구에서 환기 시스템을 제어하는 주요 목적은 공중 보건이 보존되고 에너지 낭비가 최소화되는 지속 가능한 지점에 도달하는 것이다. 지하철 환기 제어 방법 중 하나는 실내 환경에 영향을 줄 수 있는 외부 요인을 고려하는 것이다. 예를 들어 Lee et al.(2017)은 통근 시간(즉, 러시아워 및 비출퇴근 시간)을 명시적으로 고려하여 컨트롤러로 IAQ 역학을 해결하는 환기 제어 시스템을 개발했다. 이 접근 방식은 수동 시스템에 비해 에너지 소비를 4% 줄였다. 한편, Loy-Benitez et al.(2018)은 실외 공기질(OAQ) 조건에 따라 컨트롤러를 변경하여 환기를 조절하여 9%의 에너지 절약을 달성했다.
MOO 문제를 해결하면 상충되는 목표, 즉 환기 에너지 소비 수요와 실내 오염 물질 농도를 동시에 최소화할 수 있다. Liu et al.(2013)은 지하철 환기 시스템에서 MOGA(Multi-Objective Genetic Algorithm)를 활용하여 매일 설정값 업데이트로 모델 예측 컨트롤러(MPC)를 구현했다. 이 시스템은 에너지 절약과 수용 가능한 IAQ 수준을 제공했다. 그러나 IAQ 시스템에서 일년 내내 일정한 동작을 가정할 때 24시간마다 PM10 설정값 업데이트 시간이 길면 실내 공기 관리 문제가 발생한다. 예를 들어, 계절적 변화와 황사를 포함한 주기적인 상황은 주변 PM 농도를 변경하고 실내 공기 환경도 변경하게 된다. 따라서 실시간 최적화(RTO) 프레임워크에서 다양한 외부 조건 변화에 따라 공기 공급 속도를 조정하는 강력한 환기 제어 시스템은 지하철 환경에 필요하다. Li et al. (2019)은 OAQ의 다양한 조건에 따라 PM10 궤적을 수용하고 더 짧은 시간 간격으로 변수를 최소화하는 RTO 기반 환기 제어 시스템을 제안하여 이 문제를 해결했다. 이 연구는 오염 물질 농도를 허용 가능한 수준으로 유지하면서 12%의 에너지 절약을 달성했다.
마지막으로 머신 러닝과 인공 지능(AI) 기술의 발달로 지하철 환기 제어에서 이러한 방법의 효과를 조사한 연구는 거의 없었다. Heo et al.(2019)은 가상 IAQ 환경에서 에이전트를 훈련하기 위해 DQN(딥 Q-network)을 적용했다. 보상 기능은 제어 조치를 강화하여 허용 가능한 오염 수준으로 14.4%의 에너지 절약을 달성했다. 또한, Nam et al.(2020)은 실내 환경의 미래 반응(24시간 전)을 예측하기 위해 시간적 모델 구현을 제안한 반면, IDP는 환기율에 대한 조각별 운영 정책을 검색했다. 이 접근 방식은 8.68%의 에너지 절약에 도달하여 오염 물질의 건강한 수준을 유지한다.
제안된 지능형 방법의 견고성에도 불구하고 이러한 연구 중 일부는 IAQ 시스템의 모델링 문제를 고려하지 못했다. 이러한 연구의 대부분이 IAQ 시스템 모델링을 위해 데이터 기반 모델을 사용했음을 고려할 때 환경 및 제어 응답 정확도는 사용 가능한 데이터 세트에 크게 의존한다. IAQ 시스템은 오픈 소스 데이터 세트에 국한되어 많은 변수를 복잡하게 한다. 가장 눈에 띄는 문제 중 하나는 제어 시스템에 대한 시간 지연 효과이다. Tariq et al.(2020)은 스미스 예측기(S-P)를 환기 시스템의 피드백 제어에 통합하여 지연된 제어 응답을 피하면서 시간 지연을 제거했다. 이 접근 방식으로 에너지 소비가 10.33% 감소했으며 건강 위험 수준은 양호와 보통 사이이다.
본 발명에서는 두 가지 주요 측면을 고려하는 것을 목표로 하고 있다. (1) 피드백 컨트롤러에 S-P를 추가하여 IAQ 시스템의 모델링 문제를 해결하고, (2) MOO 기술이 에너지 소비와 건강 위험 수준을 최소화하기 위해 오염 물질 설정점의 최적 궤적을 검색하는 것이다.
대한민국 공개특허 10-2021-0062513 대한민국 등록특허 10-2196091 대한민국 공개특허 10-2020-0128226 대한민국 공개특허 10-2021-0108826
따라서 본 발명은 상기와 같은 종래의 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 실시예에 따르면, 지하역사 환기시스템의 시간 지연 보상 제어를 수행하기 위해 인공지능 기술 중 하모니 서치 알고리즘을 이용하여 다목적 최적화 방법을 제공하는데 그 목적이 있다.
본 발명의 실시예에 따르면, 지하역사 내 실내공기질 증대 및 에너지 저감을 위하여 AI-머신 러닝 방법론 중 하모니 서치 알고리즘을 활용하여 지하역사 환기시스템의 시간 지연 보상(time-delayed compensation)을 고려한 다목적 최적화 방법을 제공하는데 그 목적이 있다.
그리고 본 발명의 실시예에 따르면, 세부 기술 원리로는 인공지능 방법론 중 하모니 서치 알고리즘을 활용하여 지하역사 내 실내공기질 농도 최소화와 에너지를 저감할 수 있도록 로컬 제어기의 최적 설정치를 탐색하고, 또한 스미스 예측기(Smith predictor)를 이용해 실내공기질 시스템의 시간 지연 보상을 설명할 수 있는 방법론을 제공하는게 그 목적이 있다.
또한 본 발명의 실시예에 따르면, 실내공기질의 비선형성과 동특성에도 불구하고 실내공기질을 수용가능한 수준으로 유지시키면서 소모 에너지를 13% 가량 저감할 수 있고, 주요 실내 대기오염물질인 미세먼지의 환기 제어 시스템을 제안하여 국내 및 국외 대부분의 지하역사에서 발생하는 실내대기오염물질의 환기 시스템의 최적 제어가 가능하고 사업화가 가능성이 매우 높고, 국내외 지하역사, 엔지니어링 기업, 에너지 기업과 사업화가 용이한, 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법 및 시스템을 제공하는데 그 목적이 있다.
한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 제1목적은 환기 제어시스템으로서, 하모니 서치 알고리즘을 통해 환기시스템 제어기의 최적 설정치를 탐색하는 최적설정치 탐색모듈; 및 상기 환기시스템 제어기의 시간 지연 보상을 추정하는 시간지연 보상기;을 포함하여, 상기 시간지연보상과 상기 최적설정치를 기반으로 상기 환기시스템의 제어기를 제어하는 것을 특징으로 하는 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어시스템으로서 달성될 수 있다.
그리고 실내 공기질을 system identification하여 모델링하는 모델링부와, 상기 모델링부에서 모델링한 모델링 데이터를 저장하는 데이터베이스를 더 포함하는 것을 특징으로 할 수 있다.
또한 상기 모델링부는, 조작변수와 교란변수를 입력변수로 하고 제어변수를 출력변수로 고려하여 OE 방법을 통해 데이터 세트를 이용하여 환기 시스템을 identification하여 모델링하는 것을 특징으로 할 수 있다.
그리고 identified된 환기 시스템으로 서로 다른 조건의 서로 다른 OAQ 데이터 세트를 활용하여 각 시나리오의 실내 PM10 농도를 예측하고, PM10 설정값은 MOHS를 기반으로 업데이트되어 목적 함수에서 환기 시스템 응답을 평가하여 에너지 소비 및 미세먼지 농도를 최소화하는 것을 특징으로 할 수 있다.
또한 상기 시간지연보상기는 스미스 예측기를 포함하는 것을 특징으로 할 수 있다.
그리고 상기 스미스 예측기는 피드백 루프에 구현되어 현재 제어동작에 대한 미래 응답을 예측하여 실내 공간에서 dilution action의 데드타입을 제거하는 것을 특징으로 할 수 있다.
또한 상기 최적설정치 탐색모듈은, 하모니 서치 알고리즘을 통해 환기시스템의 에너지소모량, 평균미세먼지농도, 인체위해성 지수를 기반으로 최적설정치를 탐색하는 것을 특징으로 할 수 있다.
그리고 상기 하모니 서치 알고리즘은 PM10 농도와 환기 에너지 소비의 최소화를 고려하여 최적의 설정값을 찾는 것을 특징으로 할 수 있다.
본 발명의 제2목적은 환기시스템의 제어방법으로서, 하모니 서치 알고리즘을 통해 환기시스템 제어기의 최적 설정치를 탐색하는 제1단계; 스미스 예측기를 통해 시간지연보상을 추정하는 제2단계; 및 상기 시간지연보상과 상기 최적 설정치를 기반으로 상기 환기시스템의 제어기를 제어하는 제3단계;를 포함하는 것을 특징으로 하는 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법으로서 달성될 수 있다.
그리고 상기 환기시스템은 지하역사 환기시스템이고, 상기 제1단계 전에 모델링부가 실내 공기질을 system identification하여 모델링하고, 모델링한 모델링 데이터가 데이터베이스에 저장되는 단계를 더 포함하는 것을 특징으로 할 수 있다.
또한 상기 모델링부는, 조작변수와 교란변수를 입력변수로 하고 제어변수를 출력변수로 고려하여 OE 방법을 통해 데이터 세트를 이용하여 환기 시스템을 identification하여 모델링하는 것을 특징으로 할 수 있다.
그리고 상기 제2단계에서, 상기 스미스 예측기는 피드백 루프에 구현되어 현재 제어동작에 대한 미래 응답을 예측하여 실내 공간에서 dilution action의 데드타입을 제거하는 것을 특징으로 할 수 있다.
또한 상기 제1단계에서, 에너지소모량, 평균미세먼지농도, 인체위해성 지수를 기반으로 최적설정치를 탐색하는 것을 특징으로 할 수 있다.
그리고 상기 하모니 서치 알고리즘은 PM10 농도와 환기 에너지 소비의 최소화를 고려하여 최적의 설정값을 찾는 것을 특징으로 할 수 있다.
본 발명의 실시예에 따르면, 지하역사 환기시스템의 시간 지연 보상 제어를 수행하기 위해 인공지능 기술 중 하모니 서치 알고리즘을 이용하여 다목적 최적화 방법을 제공할 수 있다.
본 발명의 실시예에 따르면, 지하역사 내 실내공기질 증대 및 에너지 저감을 위하여 AI-머신 러닝 방법론 중 하모니 서치 알고리즘을 활용하여 지하역사 환기시스템의 시간 지연 보상(time-delayed compensation)을 고려한 다목적 최적화 방법을 제공할 수 있다.
그리고 본 발명의 실시예에 따르면, 세부 기술 원리로는 인공지능 방법론 중 하모니 서치 알고리즘을 활용하여 지하역사 내 실내공기질 농도 최소화와 에너지를 저감할 수 있도록 로컬 제어기의 최적 설정치를 탐색하고, 또한 스미스 예측기(Smith predictor)를 이용해 실내공기질 시스템의 시간 지연 보상을 설명할 수 있는 방법론을 제공할 수 있다.
또한 본 발명의 실시예에 따른 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법 및 시스템에 따르면, 실내공기질의 비선형성과 동특성에도 불구하고 실내공기질을 수용가능한 수준으로 유지시키면서 소모 에너지를 13% 가량 저감할 수 있고, 주요 실내 대기오염물질인 미세먼지의 환기 제어 시스템을 제안하여 국내 및 국외 대부분의 지하역사에서 발생하는 실내대기오염물질의 환기 시스템의 최적 제어가 가능하고 사업화가 가능성이 매우 높고, 국내외 지하역사, 엔지니어링 기업, 에너지 기업과 사업화가 용이한 장점이 있다.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술적 사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석 되어서는 아니 된다.
도 1은 IAQ 데이터 수집과 관련된 D-지하철 역 특성의 개략도,
도 2는 본 발명의 실시예에 따른 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어시스템의 블록도,
도 3은 D-지하철 역의 IAQ 측정값의 변화: (a) 실내 PM10 농도, (b) 환기 시스템의 주파수 변환기, (c) 승객 수, (d) 통과하는 열차 수 , 그리고 (e) 실외 PM10 농도,
도 4는 조작 및 교란 변수와 제어 변수 간의 관계를 보여주는 IAQ 시스템의 개략도,
도 5는 FB, FF, S-P 제어기를 사용하는 D-지하철 역 환기 제어 시스템의 블록도,
도 6은 본 발명의 실시예에 따른 D-지하철 환기 제어 시스템에서 최적의 PM10 설정값을 설정하기 위한 흐름도,
도 7a는 본 발명의 실시예에 따른 세 가지 OAQ 시나리오의 변화, 도 7b는 각 시나리오에 대한 실외 오염 농도 분포,
도 8은 중간 OAQ 조건에서 D-지하철역의 실제 및 OE 기반 추정 실내 PM10 농도 그래프,
도 9는 세 가지 다른 OAQ 조건에서 D-subway 역의 실내 PM10 농도의 변화: (a) 양호, (b) 보통 및 (c) 건강에 해로운 수준,
도 10은 (a) 실내 PM10 농도 및 (b) 양호한 OAQ 조건에서 환기 시스템의 주파수 인버터 측면에서 RB-VS 및 C-VS의 성능,
도 11은 양호한 OAQ 조건에서 (a) 실내 PM10 농도 및 (b) 환기 시스템의 주파수 인버터 측면에서의 C-VS 및 SP-VS의 성능, 그리고 (c) 세 가지 다른 환기 제어 시스템에 대한 다중 목표 측면 간의 관계,
도 12는 보통 OAQ 조건에서 (a) 실내 PM10 농도 및 (b) 환기 시스템의 주파수 인버터 측면에서 RB-VS 및 C-VS의 성능,
도 13은 보통 QAQ 조건에서 (a) 실내 PM10 농도 및 (b) 환기 시스템의 주파수 인버터 측면에서 C-VS 및 SP-VS의 성능, 및 (c) 세 가지 다른 목표에 대한 다중 목표 측면 간의 관계,
도 14는 건강에 해로운 OAQ 조건에서 (a) 실내 PM10 농도 및 (b) 환기 시스템의 주파수 인버터 측면에서 RB-VS 및 C-VS의 성능,
도 15는 건강에 해로운 QAQ 조건에서 (a) 실내 PM10 농도 및 (b) 환기 시스템의 주파수 인버터 측면에서 C-VS 및 SP-VS의 성능, 및 (c) 세 가지 다른 목표에 대한 다중 목표 측면 간의 관계,
도 16은 (a) 양호, (b) 보통 및 (c) 건강에 해로운 OAQ 조건에 대한 다양한 환기 제어 시스템의 건강 위험 평가 그래프를 도시한 것이다.
이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 통상의 기술자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.
본 명세서에서, 어떤 구성요소가 다른 구성요소 상에 있다고 언급되는 경우에 그것은 다른 구성요소 상에 직접 형성될 수 있거나 또는 그들 사이에 제 3의 구성요소가 개재될 수도 있다는 것을 의미한다. 또한 도면들에 있어서, 구성요소들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다.
본 명세서에서 기술하는 실시예들은 본 발명의 이상적인 예시도인 단면도 및/또는 평면도들을 참고하여 설명될 것이다. 도면들에 있어서, 막 및 영역들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다. 따라서 제조 기술 및/또는 허용 오차 등에 의해 예시도의 형태가 변형될 수 있다. 따라서 본 발명의 실시예들은 도시된 특정 형태로 제한되는 것이 아니라 제조 공정에 따라 생성되는 형태의 변화도 포함하는 것이다. 예를 들면, 직각으로 도시된 영역은 라운드지거나 소정 곡률을 가지는 형태일 수 있다. 따라서 도면에서 예시된 영역들은 속성을 가지며, 도면에서 예시된 영역들의 모양은 소자의 영역의 특정 형태를 예시하기 위한 것이며 발명의 범주를 제한하기 위한 것이 아니다. 본 명세서의 다양한 실시예들에서 제1, 제2 등의 용어가 다양한 구성요소들을 기술하기 위해서 사용되었지만, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprises)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
아래의 특정 실시예들을 기술하는데 있어서, 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다. 어떤 경우에는, 발명을 기술하는 데 있어서 흔히 알려졌으면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는데 있어 별 이유 없이 혼돈이 오는 것을 막기 위해 기술하지 않음을 미리 언급해 둔다.
이하에서는 본 발명의 실시예에 따른 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어시스템의 구성, 기능 및 제어방법에 대해 설명하도록 한다. 도 1은 IAQ 데이터 수집과 관련된 D-지하철 역 특성의 개략도를 도시한 것이고, 도 2는 본 발명의 실시예에 따른 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어시스템의 블록도를 도시한 것이다.
먼저, 실내공기질을 system identification 하여 모델링하는 방법에 대해 설명하도록 한다. IAQ 시스템은 실제로 온도, 습도 및 실내 공간의 다른 종류의 오염 물질 농도와 같은 수많은 변수가 관련되는 복잡한 시스템이다. 그럼에도 불구하고 데이터 가용성을 감안할 때 PM10은 지하철역에서 IAQ의 선행 지표로 간주된다.
본 발명의 실시예에서 IAQ 시스템은 서울지하철 3호선에 위치한 D-지하철 역의 가용 데이터를 활용하여 입출력 관계를 갖는 데이터 중심 모델로 고려하였다. 도 1은 몇 가지 중요한 특징이 있는 지하철역을 도시한 것으로, 3가지 레벨로 구성되어 있다. 1층은 통근자가 이용할 수 있는 탑승동(B-1)이고, 2층(동 B-2)은 지하철 사무실이 있는 대기실이다. 지하철 승강장은 3층(동 B-3)에 위치하며, 한 방향으로 이동하려는 통근자들과 반대 방향으로 이동하는 통근자들과 철도로 분리되어 있는 '페이스형' 승강장으로 구성되어 있다. 실내 오염물질 정보는 탑승동 B-3, B-2(플랫폼, 대기실)에 위치한 원격 모니터링 시스템을 통해 수집된다. 역 주변 지역의 센서를 통해 실외 대기 오염 물질을 수집한다. D-지하철 역의 환기 시스템의 특성은 표 2와 같다.
[표 2] D-지하철 역 환기 시스템의 특성
도 3은 D-지하철 역의 IAQ 측정값의 변화그래프로서, (a) 실내 PM10 농도, (b) 환기 시스템의 주파수 변환기, (c) 승객 수, (d) 통과하는 열차 수 , 그리고 (e) 실외 PM10 농도이다. IAQ 시스템을 모델링하기 위해 선택된 변수는 도 3과 같이 2011년에 연속 5일 동안 매시간 측정되었다. 데이터세트는 서울오픈데이터포털 플랫폼(서울오픈데이터프라자, http://data.seoul.go.kr)에서 추출할 수 있다. 고려해야 할 첫 번째 변수는 지하철역의 IAQ 수준을 추적하는 플랫폼 PM10 농도이다(도 3(a)). 이것은 제어되어야 하는 출력 변수(즉, 제어 변수)로 간주된다. 반면에 입력 변수는 두 가지 범주로 나누어진다. 첫째, 조작 변수(실내 오염 물질을 희석하기 위해 조절할 수 있음)는 환기 팬 속도를 조절하는 인버터 주파수이다(도 3(b)). 이 변수는 고정된 일정 규칙과 환기 팬 속도를 따른다. 1일 최대 용량(60Hz)은 오후 6시부터 오후 9시까지 표시된다. 단, 밤 10시부터 오전 12시까지 40Hz로 줄인다. 나머지 시간 동안은 45Hz로 증가한다. 둘째, 실내오염물질의 변화를 나타내는 외란변수는 (1) 열차에 승하차하는 승객의 수(도 3(c)), (2) 역을 통과하는 열차의 수(도 3(d)), (3) 실외 PM10 농도(도 3(e))이다.
프로세스 모델링은 제어 전략의 적용에서 기본적인 역할을 한다. 산업 또는 환경 시스템의 복잡성을 감안할 때 프로세스를 완벽하게 모방하는 정확한 모델을 얻는 것은 문제가 있거나 심지어 불가능한 작업이다. 그럼에도 불구하고 프로세스 변수 간의 기계적 관계를 무시하는 데이터 기반 블랙박스 모델은 단순성으로 인해 최근 많은 엔지니어링 응용 프로그램에서 개발되고 있다. 최근 퍼지 모델, GPR(가우시안 프로세스 회귀) 및 시계열 모델링의 특성 변형이 있는 신경망과 같은 새로운 블랙박스 모델이 개발되었다.
프로세스 엔지니어링 분야에서 OE(출력 오류) 모델은 보다 안정적인 모델과 다단계 선행 예측 변수를 생성하기 때문에 널리 사용되고 있다. OE 모델의 구조는 다음의 수학식 1과 같다.
[수학식 1]
여기서 Δt는 샘플링 시간, 는 시간 지연, n은 모델 차수, (pΔt) 및 u(pΔt)는 p번째 시간의 예측 출력(제어 변수) 및 프로세스 입력(조작 및 외란 변수)이다. 는 0으로 가정하는 편향항이고, (i = 1, 2, …, n)는 OE 모델의 매개변수이다. OE 모델의 매개변수는 예측 오차 방법을 사용하여 최적화 문제(수학식 2)를 해결하여 얻는다.
[수학식 2]
여기서 y(iΔt)는 i번째 샘플링 시간에서 프로세스 출력의 실제 값이다. 또한, 이 문제에 대한 해는 허용오차 내로 수렴될 때까지 이하의 수학식 3을 반복하여 Levenberg-Marquardt(LM) 방법으로 얻을 수 있다.
[수학식 3]
여기서 j는 반복 횟수이고 λ는 알고리즘의 수렴 속도를 제어하는 작은 업데이트 매개변수이다. 수치적 유도는 수학식 3의 매개변수에 대한 수학식 2의 편도함수가 주어진 최적화 솔루션을 찾기 위해 사용되었다. 마지막으로, 식별된(identified) 시스템은 수학식 4와 같이 FOPTD(First-order Plus Time Delay) 모델의 형태로 전달 함수로 표현될 수 있다.
[수학식 4]
여기서 y(s)와 u(s)는 각각 프로세스 출력과 입력, k는 정적 이득, τ는 시간 상수, 는 시간 지연 항입니다.
특히, IAQ 시스템은 주파수 인버터와 실내 PM10 농도의 관계라는 하나의 주요 프로세스(Gp)와 승객 수, 열차 수, 실내 PM10 농도(각각 Gd1, Gd2, Gd3)를 갖는 실외 PM10 농도 간의 관계로 추적되는 세 가지 교란으로 정의된다. 도 4는 조작 및 교란 변수와 제어 변수 간의 관계를 보여주는 IAQ 시스템의 개략도이다.
다음으로 환기 시스템의 주파수 인버터를 조작하여 실내 PM10 농도를 제어하기 위해 채택된 제어 전략에 대해 설명하도록 한다. 먼저 FB 및 FF 컨트롤러 세트를 구현했다. 둘째, SP 컨트롤러가 FB 루프에 도입되었다. 제어 엔지니어링에서 FB 컨트롤러는 설정값 추적(즉, PM10 설정값 도달)을 위한 우수한 제어 성능으로 인해 가장 일반적으로 사용된다. FB 컨트롤러에는 구현의 용이성으로 인해 산업계에서 널리 사용되는 비례 적분(PI) 컨트롤러가 포함된다. 반면에 FF 컨트롤러는 IAQ 시스템의 측정 가능한 외란과 같은 경우 제어 시스템의 외란 제거 특성을 향상시키는 데 사용된다. FF 컨트롤러는 측정된 방해 신호의 영향이 제어 변수에 나타나기 전에 작업을 실행한다.
본 발명의 실시예에서 환기 제어 시스템의 설계는 FB 컨트롤러 1개와 FF 컨트롤러 3개로 구성된다. PI 컨트롤러는 수학식 5에 설명된 대로 두 가지 구성요소(즉, 비례 및 적분)의 합으로 인해 생성된다.
[수학식 5]
여기서 ys(t), y(t) 및 u(t)는 각각 컨트롤러의 설정값, 프로세스 출력 및 제어 출력이다. 또한 PI 컨트롤러의 매개변수는 Ziegler-Nichols 규칙을 사용하여 조정된다. FF 컨트롤러는 수학식 6에 의해 설명된다.
[수학식 6]
여기서 GFF, Gd(s), Gp(s)는 각각 FF 제어기의 전달함수, 외란에 대한 프로세스 모델, 조작변수를 나타낸다.
TDC 접근법은 시간 지연을 무시하고 미래 프로세스 출력에 대한 현재 제어 조치의 영향을 예측하는 예측 컨트롤러로 사용된다. 스미스 예측기(S-P) 컨트롤러는 시간 지연(Gp = Gm + exp())이 있는 메인 프로세스에서 얻은 지연 없는 프로세스 모델(Gm)을 활용하여 원하는 것과 제어 동작을 결정하기 위한 설정점을 비교하기 위한 지연 없는 응답(ym)을 예측한다. 또한 실제 공정 출력과 시간 지연을 고려한 예측값을 비교하여 드리프트 및 외란을 방지한다. 이 간격은 피드백이 전파되어 전체 오류 신호에 기여한다.
도 5는 FB, FF, S-P 제어기를 사용하는 D-지하철 역 환기 제어 시스템의 전체 제어전략을 도시한 것이다. 여기서 블록 다이어그램은 설정값 추적 및 방해 제거를 위한 FB 및 FF 컨트롤러와 시간 지연 보상을 위한 S-P 구현을 고려한다. .
본 발명의 실시예에서는 외부 요인의 변화를 고려하여 IAQ 시스템의 조건에 따라 차별화된 방식으로 제어 조치를 적용하는 것을 목적으로 한다. 이를 위해 환기 제어 시스템의 PM10 설정값은 MOO 방법을 사용하여 원하는 시간 간격으로 업데이트할 수 있다. 이러한 방법에서는 IAQ 시스템의 두 가지 상충되는 측면, 즉 플랫폼 PM10 농도와 환기 에너지 소비를 최소화하는 것이 목표이다. 본 발명의 실시예에서 MOHS 접근 방식은 실제 문제의 다양한 적용을 위해 선택되었다. 이 프로세스는 완벽한 조화를 찾는 것과 유사하기 때문이다. 이진 문자열 인코딩을 사용하는 유전 알고리즘(GA)과 달리 하모니 서치 알고리즘(HSA)은 실제 인코딩을 사용한다. 또한 HAS는 최적의 세트를 저장하기 위한 메모리 용량을 채택한다. HSA는 메모리 고려 및 피치 조정으로 인한 최적 결과의 탐색과 활용 사이의 균형이 잘 잡혀 있기 때문이다. HSA의 최적화 절차는 다음과 같다.
1. 할당된 매개변수로 최적화 문제 초기화
2. 하모니 메모리(HM) 설정
3. 새로운 HM improvise
4. HM 업데이트
5. 중지 기준 고려, 그렇지 않으면 3 ~ 4단계 반복,
본 발명의 실시예에서 고려한 HSA에 대한 파라미터는 HM의 솔루션 벡터의 수를 나타내는 10개 벡터의 조화 메모리 크기(HMS), 조화 메모리 고려율(HMCR, 0.8로 설정), 피치 조정 비율(PAR, 0.75로 설정), 대역폭(BW, 0.9로 설정), improvisations 횟수(NI, 500회 반복으로 설정)로 정의된다.
본 발명의 실시예에 따라 설계된 환기 제어 시스템에서 제안하는 전략은 실내 PM10 농도와 환기 에너지 소비의 최소화를 고려하여 최적의 설정값을 찾는 것으로 구성된다. MOHS 접근법의 목적 함수는 수학식 7에 설명되어 있습니다.
[수학식 7]
여기서 n은 설정값이 업데이트되는 시간 간격을 나타낸다. Lp(t) 및 En(t)는 각각 플랫폼의 PM10 농도와 시간 t에서의 환기 에너지 소비이다. kWh 단위의 환기 에너지 소비량은 수학식 8에서 설명한 3차 다항식을 사용하여 추정할 수 있다.
[수학식 8]
여기서 Hz는 환기 팬 속도의 주파수 인버터를 나타낸다. 팬이 작동하지 않을 경우 발생할 수 있는 실내 공간의 급격한 열화를 고려하여 주파수 인버터의 최소 용량을 20Hz로 제한했다.
또한 w1과 w2는 각각 플랫폼 PM10 농도와 환기 에너지 소비의 상대적 중요성을 결정하기 위해 주어진 가중치이다. 지하 환경의 열악한 조건을 고려할 때 모든 환기 제어 시스템 설계의 우선 순위는 공중 보건 보존에 있어야 한다. 이러한 이유로 w1은 목적 함수에서 w2보다 크게 유지된다.
특히, w1은 미국 환경보호청(EPA)이 종합 실내 공기질 지수(CIAI)에서 제안한 건강 위험 임계값을 기반으로 지정되며, 150μg/m3를 초과하는 수준은 노인과 어린이와 같은 민감한 그룹에 대한 위험한 환경을 나타낸다. 결과적으로 플랫폼 PM10 농도의 가중치 값은 임계 농도에 도달하거나 초과할 때 오염물의 희석에 초점을 맞추기 위해 15로 설정된다. 반면에 IAQ 수준이 임계값 미만인 경우 에너지 소비 가중치 값을 1로 유지하면서 w1을 1.5로 낮추는 에너지 절약 메커니즘을 고려했다. 목적 함수에 추가된 가중치 값은 건강 위험과 에너지 소비 사이의 상충되는 균형을 고려하여 실내 오염 물질 유지 관리를 가능한 가장 낮은 수준으로 우선 순위를 지정한다.
도 6은 본 발명의 실시예에 따른 D-지하철 환기 제어 시스템에서 최적의 PM10 설정값을 설정하기 위한 4단계로 구분되는 흐름도를 도시한 것이다. 앞서 언급한 바와 같이, 과거 IAQ 데이터 세트의 전처리를 수행했다. 데이터는 D- 지하철 역에서 5 일 동안의 시간당 측정으로 구성되며 누락된 데이터 포인트를 대치하고 Rosner의 테스트를 사용하여 이상치를 제거했다. 둘째, 입력변수인 조작변수와 교란변수와 출력변수인 제어변수를 고려한 OE 방법을 통해 기술된 데이터세트를 이용하여 IAQ 시스템을 식별(identified)하였다. 셋째, 식별된 IAQ 시스템으로 서로 다른 조건의 서로 다른 OAQ 데이터 세트를 활용하여 각 시나리오의 실내 PM10 농도를 예측했다. PM10 설정값은 MOHS를 기반으로 업데이트되어 목적 함수에서 환기 제어 시스템 응답을 평가하여 에너지 소비 및 IAQ 수준을 최소화했다.
3, 6, 12 및 24시간마다 업데이트 시간이 변경된 네 가지 시나리오가 고려된다. 마지막으로 제안된 환기 제어 시스템(SP-VS)은 두 개의 다른 환기 제어 시스템에 대해 평가되었다. (1) 그림 2(b)와 같이 공기 공급량에 대한 특정 일일 일정을 따르는 규칙 기반(RB-VS) 환기 시스템, 및 (2) 제어된 환기 시스템(C-VS), MOHS를 통한 설정값 업데이트를 고려하지만 제어 루프에서 SP의 사용은 무시한다. 평가는 인간의 건강에 미치는 영향(CIAI를 사용한 평균 플랫폼 PM10 농도 및 관련 건강 위험 수준) 및 환기 에너지 소비에 대해 수행되었다.
도 7a는 본 발명의 실시예에 따른 세 가지 OAQ 시나리오의 변화, 도 7b는 각 시나리오에 대한 실외 오염 농도 분포를 나타낸 것이다. 다양한 교란 조건에서 제안된 환기 제어 시스템의 적응성을 평가하기 위해 OAQ 수준에 따라 IAQ 시스템에 대한 세 가지 시나리오를 정의했다. 이는 황사 폭풍과 같은 계절적 사건으로 악화되거나 폭우와 같은 사건으로 저하될 수 있다. 환경부(MOE)에서 제안한 종합 대기질 지수(CAI)는 다양한 건강 영향 수준에서 주변 공기 상태를 특성화한다. 본 발명의 실시예에서는 CAI의 breakpoints에 따라 세 가지 측정 간격을 고려했다. 변형 및 해당 분포는 도 7a 및 도 7b에 나와 있다. 모든 간격은 5일 간의 측정으로 구성된다. 좋은 OAQ 시나리오는 30μg/m3 미만의 값을 가진 실외 PM10 농도로 구성되었다. 이 측정은 7월 11일부터 15일까지 수행되었다. IAQ 시스템 모델링에도 사용된 보통 OAQ 시나리오는 11월 21일부터 25일까지의 간격에 해당하는 30μg/m3에서 80μg/m3 사이의 값을 보여주었다. 마지막으로, 건강에 해로운 시나리오에는 1월 31일부터 2월 4일까지 농도가 80μg/m3보다 높은 측정값이 포함된다.
본 발명의 실시예에 따라 제안된 환기시스템의 구현은 다음의 기능을 가진 컴퓨터(Intel ® CoreTM I3-6100 CPU @ 3.70GHz, 16.0GB RAM, × 64 기반 프로세서)에서 MATLAB R2020a/Simulink를 통해 수행되었다.
이하에서는 본 발명의 실시예에 따라 구현된 환기시스템의 결과에 대해 설명하도록 한다. IAQ 시스템은 보통의 OAQ 조건에서 사용 가능한 TMS 데이터를 사용하여 OE 모델을 사용하여 설명했다. 입력 변수에 따른 실내 PM10 농도의 역학을 설명하기 위해 4가지 전달 함수를 얻을 수 있다. 도 8은 중간 OAQ 조건에서 D-지하철역의 실제 및 OE 기반 추정 실내 PM10 농도 비교그래프를 도시한 것이고, 표 3은 IAQ 시스템에 존재하는 전달 함수와 관련된 파라미터를 정리한 것이다.
[표 3] 메인 및 교란 프로세스에 대한 IAQ 시스템 식별(identification)을 기반으로 하는 매개변수
IAQ 시스템 역학의 복잡성과 희소한 오픈 소스 데이터 세트로 제한된다는 점을 감안할 때, OE 모델은 실제 프로세스를 완벽하게 모방할 수 없으며 32.9%의 적합도를 보여준다. 오차 범위는 95% 신뢰 구간을 추가하여 고려된다. 한편, 주요 IAQ 프로세스(실내 PM10 농도와 환기 시스템의 주파수 인버터 간의 관계)는 Gp로 정의됩니다. 이에 반해 교란변수(승객수, 열차수, 실외 PM10 농도)는 각각 Gd1, Gd2, Gd3으로 표현된다.
획득한 매개변수는 IAQ 시스템의 실제 프로세스와 밀접한 관련이 있다. 예를 들어 매개변수 k는 입력 변수의 변화에 따른 실내 PM10 농도 변화의 크기이다. Gp의 음수 값은 환기 시스템의 모든 주파수 인버터 장치에 대해 실내 PM10 농도가 0.829배 감소함을 나타낸다. 이에 반해 Gd1, Gd2, Gd3 과정을 통해 얻은 k의 양의 값은 교란 단위마다 실내 PM10 농도가 1.012, 0.00042, 0.674배씩 증가함을 의미한다. Gd1은 승객수 변수에 해당하며, 실내 PM10 농도 증가에 가장 큰 영향을 미친다는 점에 유의해야 한다. 이것은 PM을 통근자 때문에 발생할 수 있으며, 특히 러시아워 동안 지하철역을 이동할 때 방출된다. 가장 낮은 효과는 역에 도착하는 열차의 수에 따라 결정된다. 플랫폼에 오염 물질이 실내 공간으로 이동하는 것을 부분적으로 제어할 수 있는 스크린 도어가 장착되어 있기 때문에 이 효과가 더 낮을 수 있다. 여러 요인에 따라 달라지는 실외 PM10 농도에 의해 중간 정도의 효과가 나타난다. 그러나 이 변수는 통근자 밀도에 비해 주변 공기 조건이 좋지 않은 경우 공기 전달 속도를 제한하여 IAQ 제어 도구로 활용할 수 있다.
매개변수 τ는 각 입력변수가 실내 최대 PM10 농도의 63%에 도달하는 데 필요한 시간을 나타낸다. 따라서 주파수 인버터, 승객수, 열차수, 실외 PM10 농도 각각 출력 변수의 최대값의 63%에 도달하는데 0.00248일(3.57분), 0.0164일(23.61분), 0.9901일(23.76시간), 0.11일(158.4분)이 소요된. 마지막으로 는 입력변수가 처음으로 실내 PM10 농도에 영향을 미치는 데 필요한 시간을 나타낸다. 최초 실내 PM10 농도에 영향을 미치는 시간은 주파수 인버터, 승객수, 열차운행량, 실외 PM10 농도 변수 각각의 경우 0.0644일(92.73분), 0.0275일(39.6분), 0.1일(144분), 0일이다. 이 경우 실외 PM10 농도는 실내 PM10 농도에 거의 즉시 영향을 미친다는 점에 유의해야 한다.
실내 PM10 농도는 이 측정을 사용할 수 없는 시나리오, 즉 좋은 OAQ와 건강에 해로운 OAQ에 대해 OE 기반 IAQ 시스템을 활용하여 모델링되었다. 도 9는 이러한 조건에서 RB-VS 응답을 포함하여 세 가지 다른 OAQ 조건((a) 양호, (b) 보통 및 (c) 건강에 해로운 수준)에서 IAQ 시스템의 출력(D-subway 역의 실내 PM10 농도의 변화)을 보여준다.
이하에서는 본 발명에 따라 제안된 환기 제어시스템의 평가에 대해 설명하도록 한다. 본 발명의 실시예에 따른 환기 제어 시스템은 앞서 설명된 대로 평가되고 RB-VS 및 C-VS와 비교되었다. 각 환기 시스템의 성능은 개발된 각 시나리오를 고려하여 설명된다. 또한, 본 발명의 목적은 지하철 공기 제어 분야의 의사 결정자들에게 실행 가능한 솔루션을 제공하는 것이다. 이하에서는 모든 설정값 업데이트 간격의 분석을 보여준다. 그러나 수치는 24시간마다 설정값 업데이트의 경우를 나타낸다.
먼저 양호한 OAQ 조건에서 본 발명의 실시예에 따른 환기 제어 시스템의 성능 평가에 대해 설명한다. OAQ 건강 위험 수준이 양호한 경우 지하철 환경의 공기는 오염 물질의 상당한 희석을 필요로 하지 않을 것으로 예상된다. 그러나 이러한 오염물질을 통근자에 의한 운송 및 이동을 제외하고는 특히 통근자가 2배 또는 3배인 출퇴근 시간에 오염물질 축적을 방지하기 위해 일정한 기류를 제공해야 한다. 에너지 소비 및 실내 오염물질 농도 최적화 대상인 환기 시스템은 에너지 절약 메커니즘을 채택할 것으로 예상된다.
표 4는 OAQ가 좋은 시나리오에 해당하는 각 환기제어시스템의 성능을 보여준다. 도 10은 (a) 실내 PM10 농도 및 (b) 양호한 OAQ 조건에서 환기 시스템의 주파수 인버터 측면에서 RB-VS 및 C-VS의 성능을 나타낸 것이다. 24시간(도 10(b)) 및 12시간(도 10(a)) 간격으로 설정값을 업데이트할 때 C-VS와 RB-VS를 비교하면 4.03%(도 10(a)) 및 5.18%의 에너지 소비 감소로 에너지 절감 효과를 볼 수 있다. 이러한 감소는 평균 실내 오염물질 농도가 각각 2.24%(도 10(b)) 및 2.64% 증가했음을 나타낸다. 그러나 PM10 수준은 이 수준이 여전히 양호한 실내 공기 상태로 허용되기 때문에 공중 보건에 위협이 되지 않았다. 반면, 6시간과 3시간 간격으로 설정치를 업데이트하면 에너지 소비량과 실내 오염물질 농도가 모두 증가하는 것으로 나타났다. 이것은 시스템이 더 많은 에너지를 필요로 하는 업데이트 윈도우의 시간 분해능을 감소시킬 때 시간을 엄수하는 방해를 포착하기 때문일 수 있다. 다른 때에는 환풍기 속도를 낮추는 것이 적절해 보이며, 이는 실내 오염물질을 증가시킨다. 환기 제어 시스템에 S-P가 없으면 제어 시스템이 장애를 예상할 수 없어 피드백이 지연될 수 있으므로 이러한 종류의 응답이 촉진될 수 있다. 전반적으로 C-VS는 24시간 및 12시간의 업데이트 간격 동안 에너지 절약 가능성을 제공한다. 나머지 경우에는 두 가지 측면에서 모두 증가하여 매력적이지 않은 옵션이다.
[표 4] 양호한 OAQ 조건에서 D-지하철 역의 3가지 다른 환기 제어 시스템의 성능.
(증가 계수의 음수 값은 분석된 매개변수의 감소를 나타냄)
표에서 설명한 값에 따르면 SP-VS는 C-VS에 비해 에너지 절약 가능성이 더 높다. 구체적으로, SP-VS는 모든 업데이트 주기에서 에너지 소모량 감소를 보였으며, 24h의 윈도우에서 12.76%의 가장 현저한 감소를 보였다. 이에 따라 평균 실내 PM10 농도는 6.63% 증가하여 중간 수준의 IAQ 수준을 유지하면서 평균 60.77μg/m3를 산출했다. 또한, 도 11은 실내 PM10 농도(도 11(a))와 주파수 인버터 성능(도 11(b)) 측면에서 양호한 OAQ 조건에 대한 C-VS와 제안된 SP-VS의 응답을 보여주고 있다. 처음 이틀 동안은 OAQ 방해가 나머지 날보다 상대적으로 낮았기 때문에 제안된 환기 제어 시스템이 팬 속도를 낮추도록 설정되었다는 점에 유의해야 한다. 두 시스템 모두 매일 시작 시(24:00 ~ 06:00) 비작동 시간을 인식했으며, 환기 속도는 RB-VS 이후 45Hz로 유지되었다. 따라서 통근 교통량이 적은 이 시간에는 공기 전달 률을 감소시킬 수 있다.
도 11은 양호한 OAQ 조건에서 (a) 실내 PM10 농도 및 (b) 환기 시스템의 주파수 인버터 측면에서의 C-VS 및 SP-VS의 성능, 그리고 (c) 세 가지 다른 환기 제어 시스템에 대한 다중 목표 측면 간의 관계를 도시한 것이다. 도 11(c)는 다른 제어 시스템에 대한 평균 PM10 농도와 환기 에너지 소비 사이의 관계를 보여준다. 이를 통해 제안된 환기 제어 시스템이 제공하는 모든 옵션이 이러한 조건에서 예상되는 에너지 절약 전략을 달성했음을 관찰할 수 있다. 반면에 S-P 프리(free) 제어에서 두 가지 옵션(즉, 24시간 및 12시간 업데이트)은 에너지 절약을 나타냈다. 이에 반해 나머지 2개(6시간, 3시간 업데이트)는 시간 지연을 감안할 때 미래의 제어 전략을 고려하지 않는다는 단점으로 인해 일부 불필요한 간격으로 환기 에너지가 증가하는 현상을 보였다. 실내 PM10 농도가 유사한 건강 위험 수준으로 유지됨에 따라 에너지 소비가 이 시나리오에서 결정적인 역할을 했다. 모든 업데이트 간격에서 선호하는 환기 제어 시스템은 환기 에너지 소비가 낮은 시스템, 즉 24시간 간격 업데이트가 있는 시스템이다.
이하에서는 적당한(보통 정도) OAQ 조건에서 본 발명의 실시예에 따른 환기 제어 시스템의 성능평가를 설명한다. OAQ는 다양한 조건에서 악화되기 때문에 지하철의 밀폐된 공간으로 먼지가 침투하면 IAQ 수준을 허용 가능한 범위로 유지해야 한다. 이러한 특정 시나리오의 경우 OAQ 조건은 보통 수준이었고 D-지하철역에서 IAQ 시스템의 두 가지 상충되는 측면 간의 지속 가능한 균형을 찾아야 한다. 표 5는 D-지하철역의 다양한 환기 제어 시스템의 성능을 보여준다.
[표 5] 보통 OAQ 조건에서 D-지하철 역에서 세 가지 다른 환기 제어 시스템의 성능
도 12는 보통 OAQ 조건에서 (a) 실내 PM10 농도 및 (b) 환기 시스템의 주파수 인버터 측면에서 RB-VS 및 C-VS의 성능을 도시한 것이다. 도 13은 보통 QAQ 조건에서 (a) 실내 PM10 농도 및 (b) 환기 시스템의 주파수 인버터 측면에서 C-VS 및 SP-VS의 성능, 및 (c) 세 가지 다른 목표에 대한 다중 목표 측면 간의 관계를 도시한 것이다.
도입된 사례의 경우 실내 평균 PM10 농도 간에는 큰 차이가 없지만 모두 여전히 인체 건강에 적합한 수준인 것이 분명하다. 반면, C-VS(도 12)는 환기에너지 소비량에서 2% 미만의 감소를 보였다. 이로 인해 RB-VS에 비해 실내 오염 물질이 증가했다. SP-VS(도 13(a)(b))는 24시간과 12시간의 업데이트 주기가 주어졌을 때 RB-VS와 비교하여 실내 오염물질 농도를 1.41%와 0.48% 증가시키는 옵션에 대한 에너지 소비 감소를 나타낸다.두 시나리오 모두 비운영 시간에 공기 전달을 줄임으로써 IAQ를 관리하는 것과 동일한 양상을 보여주었다.
도 13(c)는 IAQ 시스템의 다중 목표 간의 관계를 보여준다. 모든 옵션은 C-VS 케이스의 경우 RB-VS 왼쪽 상단에 있다. 즉, 이러한 시스템은 실내 공기를 오염시키는 동시에 에너지를 절약한다. 대조적으로 SP-VS 케이스는 실내 공간 오염을 허용하면서 에너지 절약 가능성이 있는 두 가지 옵션(즉, RB-VS 왼쪽 상단에 위치)을 보여준다. 다른 두 옵션은 RB-VS의 오른쪽에 있으며, 이는 오염 물질 농도를 줄이기 위한 환기 에너지 소비 증가를 나타낸다. 평균 실내 오염 물질의 증가는 SP-VS의 경우보다 C-VS의 경우 더 높았으며, 이는 평균 오염 농도를 증가시키면서 에너지를 절약하는 동시에 24시간 업데이트 간격을 갖는 SP-VS가 실행 가능한 옵션임을 나타내며 여전히 C-VS 케이스보다 낮다.
이하에서는 건강에 해로운 OAQ 조건에서 본 발명의 실시예에 따른 환기 제어 시스템의 성능 평가에 대해 설명한다. 도 14는 건강에 해로운 OAQ 조건에서 (a) 실내 PM10 농도 및 (b) 환기 시스템의 주파수 인버터 측면에서 RB-VS 및 C-VS의 성능을 도시한 것이다. 도 15는 건강에 해로운 QAQ 조건에서 (a) 실내 PM10 농도 및 (b) 환기 시스템의 주파수 인버터 측면에서 C-VS 및 SP-VS의 성능, 및 (c) 세 가지 다른 목표에 대한 다중 목표 측면 간의 관계를 도시한 것이다.
이 경우는 계절적 변화나 동아시아에서 자주 발생하는 황사 폭풍과 같은 기상 이변으로 인해 대기 중 PM 농도가 증가하는 것과 관련이 있다. 이러한 이벤트는 OAQ 수준을 악화시켜 실내 공간 조건에 따라 IAQ 수준에 영향을 미친다. 지하철역의 경우 앞서 언급한 바와 같이 지하철 내부에서도 PM이 생성되기 때문에 이러한 시나리오는 문제가 된다. 따라서 주변 공기 중 PM 농도 증가를 인지할 때 환기 제어 시스템의 노력은 팬 속도를 높여 실내 오염 농도를 희석하는 데 집중해야 한다. 위험한 OAQ 조건에서 IAQ 수준을 과소평가하는 RB-VS와 달리 환기 에너지 소비는 증가할 것으로 예상된다.
표 6은 이러한 조건에서 D-지하철역의 다양한 환기 제어 시스템의 성능을 보여준다. C-VS와 RB-VS를 비교하면 24시간과 12시간의 업데이트 주기로 에너지 소비가 4.60%와 28.32% 사이에서 증가하여 평균 실내 대기 오염물질 농도가 3.7%와 4.02% 감소하는 것을 관찰할 수 있다. 나머지 경우는 RB-VS와 달리 환기에너지를 증가시켜도 평균 실내오염물질 농도의 증가를 관찰할 수 있다. 그러나 이는 실외 PM10 농도가 점차 증가하여 분석구간에서 60h 이후 CAI에 따른 중간 중단지점을 넘어서기 때문이다. 이 시점 이전에 환기 제어 시스템에 에너지 절약 메커니즘을 채택하여 실내 PM10 농도를 높이려는 노력이 수행된다.
[표 6] 건강에 해로운 OAQ 조건에서 D 지하철역의 세 가지 다른 환기 제어 시스템의 성능
도 14는 실내 PM10 농도(도 14(a))와 환기 에너지 소비(도 14(b)) 측면에서 C-VS와 RB-VS의 성능을 비교한 것으로, 도 14(a)에서 OAQ 수준이 같은 기간 동안 건강 위험이 중간정도 미만이었기 때문에 실내 PM10 농도가 약 하루 반 동안 증가하여 환기 제어 시스템이 도 14(b)와 같이 최소로 감소시켜 에너지를 절약할 수 있음을 알 수 있다. 반면, 남은 분석 시간 동안 환풍기 속도를 최대로 설정하여 OAQ가 가장 위험한 건강 위험 수준을 나타내는 기간에 IAQ를 개선할 수 있다.
도 15는 본 발명의 실시예에 따라 제안된 S-VS의 응답을 C-VS와 비교하여 보여주고 있다. 도 15(a)는 실내 PM10 농도를 보여준다. 환기 제어 시스템이 취하는 제어 조치는 3일째부터 분석 간격이 끝날 때까지 유사하므로 결과적으로 실내 오염 농도에서 유사한 응답을 산출하고 있다. 그러나 이 시점 이전에는(C-VS와 달리) 도 15(b)와 같이 팬 속도 변화가 첫날부터 증가하였다. 이 시점 이후 환기 속도는 최대 용량으로 설정된 3일까지 C-VS보다 낮게 유지되었다. 이는 환기 제어 시스템이 현재 제어 조치를 고려할 때 미래 대응을 고려하여 결정된 설정값에 도달하기 위한 노력 때문이다. 이 경우 SP-VS는 6.16%~18.61% 범위에서 에너지 소비가 증가한 C-VS와 유사한 경향을 보였다. 이에 비해 24시간 업데이트 주기와 12시간 업데이트 주기의 평균 실내 PM10 농도는 각각 2.07%에서 1.67%로 감소했다. 6시간 및 3시간 업데이트 주기를 제공하는 시스템의 경우 실내 오염물질의 평균 농도가 각각 1.58% 및 2.70% 증가했다.
마지막으로 도 15(c)는 IAQ 시스템의 다목적 측면 간의 관계를 보여준다. 도입된 모든 환기 제어 시스템은 이 시나리오에 대처하기 위한 대안으로 팬 속도의 증가를 고려한다는 점에 유의해야 한다. 그러나 RB-VS 우측 상단에 위치한 일부는 환기에너지와 실내 평균 PM10 농도를 높이는 경향을 보였다. 반면, RB-VS의 우측 하단에 위치한 시스템은 실내 PM10 농도의 평균을 낮추면서 환기 에너지를 증가시키는 것으로 나타났다. 그 중 3곳은 환기 에너지를 2200kWh/일 이상으로 늘리는 것을 고려하고 있다. 이러한 측면을 고려하여 SP-VS는 12시간마다 설정값을 업데이트하여 평균 실내 오염 물질 농도를 낮추는 적절한 옵션을 제공한다.
이하에서는 본 발명의 실시예에 따라 제안된 환기제어시스템의 건강 위험 노출평가에 대해 설명한다. 도 16은 (a) 양호, (b) 보통 및 (c) 건강에 해로운 OAQ 조건에 대한 다양한 환기 제어 시스템의 건강 위험 평가 그래프를 도시한 것이다.
실내 PM10 농도의 평균은 도입된 환기 제어 시스템의 성능을 평가하기 위한 결정적인 지표가 되지 않을 수 있다. 건강위험 노출평가에서는 오염물질에 대한 CIAI 값을 기반으로 IAQ 수준 변화를 분석하는 것을 목표로 한다. 도 16은 설정값 업데이트 간격이 24시간인 분석된 환기 제어 시스템에 대한 CIAI 값이 다양한 OAQ 시나리오에 대해 시간에 따라 어떻게 변하는지 보여준다.
도 16(a)는 양호한 OAQ 조건에서 다양한 환기 제어 시스템을 고려한 CIAI 변화를 보여준다. C-VS 및 SP-VS는 대부분의 경우 팬 속도 감소로 인해 양호에서 중간(보통) IAQ 수준으로 전환된다. 첫째, 두 시스템 모두 IAQ 수준을 크게 변경하지 않으면서 에너지를 절약할 수 있다는 결론을 내릴 수 있다. 반면 SP-VS는 첫 번째 분석일과 네번째 분석일에서 알 수 있듯이 양호한 IAQ 수준에서 더 많은 시간을 산출함을 알 수 있다.
도 16(b)는 보통(적당한) OAQ 조건에서 다양한 환기 제어 시스템을 고려한 CIAI 변화를 보여준다. 양호한 조건의 OAQ와 유사하게 본 발명의 실시예에 따른 환기 제어 시스템에 대해 위험 수준이 종종 양호에서 보통으로 개선되었음을 알 수 있다. 이전 결과에 따르면 이러한 시스템은 이러한 조건에서도 에너지를 절약하는 경향이 있다. 그러나 제안된 SP-VS는 11시간 동안 IAQ를 양호한 수준으로 유지함을 알 수 있다. 반면에 C-VS는 IAQ를 7시간 동안 이 수준으로 유지한다. 이로부터 SP-VS는 C-VS보다 장기간 IAQ를 수용 가능한 수준으로 유지하면서 에너지 절약 메커니즘을 채택했다는 결론을 내릴 수 있다.
마지막으로, 도 16(c)는 건강에 해로운 OAQ 조건에서 다양한 환기 제어 시스템을 고려한 CIAI 변화를 보여준다. 이 경우 RB-VS의 일부 지점은 분석된 시간 간격의 시작 부분에서 양호한 IAQ 수준에 위치하다가 마지막에 CIAI가 비정상 영역으로 변경된다. 도입된 환기 제어 시스템에 대해 IAQ가 보통 수준으로 유지되고 있음을 알 수 있다. 이는 도입된 두 환기 제어 시스템이 이 시나리오에서 실내 PM10 농도 감소를 우선시했음을 나타내며, 이는 이러한 시스템이 IAQ를 적절하게 관리할 수 있음을 보여준다. 도입된 두 환기 제어 시스템 모두 환기의 에너지 소비를 증가시켰지만 SP-VS는 보다 보수적인 에너지 수요를 유지하면서 가장 많은 환기 에너지 소비를 나타낸 C-VS와 유사한 건강 위험 수준을 얻었다.
본 발명의 실시예에서는 MOHS를 통한 실내 PM10 농도 설정값의 동적 조절을 기반으로 D-지하철역의 적응형 환기 제어 시스템을 제공할 수 있다. 또한 스미스 예측기(S-P)는 피드백 루프에 구현되어 현재 제어 동작에 대한 미래 응답을 예측하여 실내 공간에서 dilution action의 데드 타임을 제거한다. PI 컨트롤러 1개와 FF 컨트롤러 3개로 구성된 세트가 제어 시스템을 설계하는데 사용되었으며 설정값을 업데이트하는 시간 간격은 3, 6, 12 및 24시간 증분으로 분석되었다. 제안된 환기 제어 시스템, 즉 SP-VS는 건강 위험 수준을 제어하고 환기 에너지 소비를 줄이는 능력을 평가하기 위해 다양한 OAQ 수준 시나리오에 대해 RB-VS 및 S-P가 없는 다른 시스템과 대조되었다.
본 발명의 실시예에 따른 환기 제어 시스템인 C-VS 및 SP-VS는 OAQ 시나리오, 특히 24시간 및 12시간의 업데이트 간격에서 작동할 때 뛰어난 적응성을 보여주었다. 그들은 양호한 OAQ 수준으로 에너지 절약 메커니즘을 활성화했으며 건강에 해로운 OAQ에 대한 제어 조치는 실내 오염 물질을 희석하는 데 중점을 두게 된다. RB-VS와 비교하여 C-VS 및 SP-VS는 24시간 업데이트로 각각 4% 및 13%의 에너지를 절약한 반면 양호한 OAQ 조건에서 허용 가능한 조건에서 실내 PM10 농도를 유지했다. SP-VS는 건강에 해로운 OAQ 사례에 대한 건강 위험 수준을 줄였다. 본 발명의 실시예는 건물 환경의 지속 가능성에 대한 현재 요구에 따라 공공 지하 공간에서 IAQ 관리를 위한 몇 가지 옵션을 제시했다. 제안된 SP-VS는 도전적인 실외 시나리오에서도 에너지 절약 가능성과 IAQ 수준 향상 모두에서 강력한 성능을 보였다.
또한, 상기와 같이 설명된 장치 및 방법은 상기 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.

Claims (15)

  1. 환기 제어시스템으로서,
    하모니 서치 알고리즘을 통해 환기시스템 제어기의 최적 설정치를 탐색하는 최적설정치 탐색모듈; 및
    상기 환기시스템 제어기의 시간 지연 보상을 추정하는 시간지연 보상기;을 포함하여,
    상기 시간지연보상과 상기 최적설정치를 기반으로 상기 환기시스템의 제어기를 제어하고,
    실내 공기질을 system identification하여 모델링하는 모델링부와, 상기 모델링부에서 모델링한 모델링 데이터를 저장하는 데이터베이스를 포함하며,
    상기 모델링부는, 조작변수와 교란변수를 입력변수로 하고 제어변수를 출력변수로 고려하여 OE 방법을 통해 데이터 세트를 이용하여 환기 시스템을 identification하여 모델링하는 것을 특징으로 하는 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어시스템.
  2. 삭제
  3. 삭제
  4. 제 1항에 있어서,
    identified된 환기 시스템으로 서로 다른 조건의 서로 다른 OAQ 데이터 세트를 활용하여 각 시나리오의 실내 PM10 농도를 예측하고, PM10 설정값은 MOHS를 기반으로 업데이트되어 목적 함수에서 환기 시스템 응답을 평가하여 에너지 소비 및 미세먼지 농도를 최소화하는 것을 특징으로 하는 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어시스템.
  5. 제 1항에 있어서,
    상기 시간지연보상기는 스미스 예측기를 포함하는 것을 특징으로 하는 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어시스템.
  6. 제 5항에 있어서,
    상기 스미스 예측기는 피드백 루프에 구현되어 현재 제어동작에 대한 미래 응답을 예측하여 실내 공간에서 dilution action의 데드타입을 제거하는 것을 특징으로 하는 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어시스템.
  7. 제 6항에 있어서,
    상기 최적설정치 탐색모듈은, 하모니 서치 알고리즘을 통해 환기시스템의 에너지소모량, 평균미세먼지농도, 인체위해성 지수를 기반으로 최적설정치를 탐색하는 것을 특징으로 하는 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어시스템.
  8. 제 7항에 있어서,
    상기 하모니 서치 알고리즘은 PM10 농도와 환기 에너지 소비의 최소화를 고려하여 최적의 설정값을 찾는 것을 특징으로 하는 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어시스템.
  9. 환기시스템의 제어방법으로서,
    하모니 서치 알고리즘을 통해 환기시스템 제어기의 최적 설정치를 탐색하는 제1단계;
    스미스 예측기를 통해 시간지연보상을 추정하는 제2단계; 및
    상기 시간지연보상과 상기 최적 설정치를 기반으로 상기 환기시스템의 제어기를 제어하는 제3단계;를 포함하고,
    상기 제1단계 전에, 모델링부가 실내 공기질을 system identification하여 모델링하고, 모델링한 모델링 데이터가 데이터베이스에 저장되는 단계를 포함하며,
    상기 모델링부는, 조작변수와 교란변수를 입력변수로 하고 제어변수를 출력변수로 고려하여 OE 방법을 통해 데이터 세트를 이용하여 환기 시스템을 identification하여 모델링하는 것을 특징으로 하는 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법.
  10. 제 9항에 있어서,
    상기 환기시스템은 지하역사 환기시스템인 것을 특징으로 하는 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법.
  11. 삭제
  12. 제 9항에 있어서,
    상기 제2단계에서, 상기 스미스 예측기는 피드백 루프에 구현되어 현재 제어동작에 대한 미래 응답을 예측하여 실내 공간에서 dilution action의 데드타입을 제거하는 것을 특징으로 하는 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법.
  13. 제 12항에 있어서,
    상기 제1단계에서, 에너지소모량, 평균미세먼지농도, 인체위해성 지수를 기반으로 최적설정치를 탐색하는 것을 특징으로 하는 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법.
  14. 제 13항에 있어서,
    상기 하모니 서치 알고리즘은 PM10 농도와 환기 에너지 소비의 최소화를 고려하여 최적의 설정값을 찾는 것을 특징으로 하는 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법.


  15. 삭제
KR1020220020393A 2022-02-16 2022-02-16 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법 및 시스템 KR102560106B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220020393A KR102560106B1 (ko) 2022-02-16 2022-02-16 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220020393A KR102560106B1 (ko) 2022-02-16 2022-02-16 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102560106B1 true KR102560106B1 (ko) 2023-07-26

Family

ID=87427554

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220020393A KR102560106B1 (ko) 2022-02-16 2022-02-16 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102560106B1 (ko)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001350503A (ja) * 2000-06-09 2001-12-21 Toshiba Corp Ｐｉｄ制御装置
KR20180104413A (ko) * 2017-03-13 2018-09-21 주식회사 유앤유 하모니서치 알고리즘을 이용한 활성슬러지 공정의 산소공급량 제어 시스템
JP2019003291A (ja) * 2017-06-12 2019-01-10 株式会社東芝 制御装置、制御方法、およびプログラム
KR20200128226A (ko) 2019-04-18 2020-11-12 에코스솔루션(주) 미세먼지 농도 예측 시스템
KR102196091B1 (ko) 2020-04-27 2020-12-29 주식회사 세스코 공기질 분석 시스템
KR20210062513A (ko) 2019-11-21 2021-05-31 순천향대학교 산학협력단 센서기반 미세먼지 정보 처리 고도화를 위한, 보간 및 이상데이터 탐지 및 수정 시스템
KR20210108826A (ko) 2020-02-26 2021-09-03 조선대학교산학협력단 미세먼지 농도 예측 방법, 컴퓨터 프로그램 및 시스템과 공기 정화 장치

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001350503A (ja) * 2000-06-09 2001-12-21 Toshiba Corp Ｐｉｄ制御装置
KR20180104413A (ko) * 2017-03-13 2018-09-21 주식회사 유앤유 하모니서치 알고리즘을 이용한 활성슬러지 공정의 산소공급량 제어 시스템
JP2019003291A (ja) * 2017-06-12 2019-01-10 株式会社東芝 制御装置、制御方法、およびプログラム
KR20200128226A (ko) 2019-04-18 2020-11-12 에코스솔루션(주) 미세먼지 농도 예측 시스템
KR20210062513A (ko) 2019-11-21 2021-05-31 순천향대학교 산학협력단 센서기반 미세먼지 정보 처리 고도화를 위한, 보간 및 이상데이터 탐지 및 수정 시스템
KR20210108826A (ko) 2020-02-26 2021-09-03 조선대학교산학협력단 미세먼지 농도 예측 방법, 컴퓨터 프로그램 및 시스템과 공기 정화 장치
KR102196091B1 (ko) 2020-04-27 2020-12-29 주식회사 세스코 공기질 분석 시스템

Similar Documents

Publication Publication Date Title
Kim et al. Indoor air quality control for improving passenger health in subway platforms using an outdoor air quality dependent ventilation system
Lu et al. Air pollutant parameter forecasting using support vector machines
Yan et al. Moving horizon optimization of dynamic trajectory planning for high-speed train operation
May-Ostendorp et al. Model-predictive control of mixed-mode buildings with rule extraction
Khayyam Adaptive intelligent control of vehicle air conditioning system
Loy-Benitez et al. A dynamic gain-scheduled ventilation control system for a subway station based on outdoor air quality conditions
Yin et al. Smart train operation algorithms based on expert knowledge and ensemble CART for the electric locomotive
Loy-Benitez et al. Multi-objective optimization of a time-delay compensated ventilation control system in a subway facility–A harmony search strategy
CN108216311B (zh) 一种基于大数据和物联网的轨道交通调度方法
Lee et al. In search for modeling predictive control of indoor air quality and ventilation energy demand in subway station
Tariq et al. Energy-efficient time-delay compensated ventilation control system for sustainable subway air quality management under various outdoor conditions
Jiang et al. Deep transfer learning for thermal dynamics modeling in smart buildings
Homod et al. Deep clustering of cooperative multi-agent reinforcement learning to optimize multi chiller HVAC systems for smart buildings energy management
Zhuang et al. Probabilistic occupancy forecasting for risk-aware optimal ventilation through autoencoder Bayesian deep neural networks
Gao et al. A multilayer Bayesian network approach-based predictive probabilistic risk assessment for overhead contact lines under external weather conditions
KR102560106B1 (ko) 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법 및 시스템
KR102383991B1 (ko) 사전 대응 환기 시스템, 및 그 장치와 방법
Wang et al. Physics-informed hierarchical data-driven predictive control for building HVAC systems to achieve energy and health nexus
Gomathi et al. Real time air pollution prediction in urban cities using deep learning algorithms and IoT
As et al. Estimation of travel time variability using bus probe data
Kowalski et al. The comparison of linear models for PM10 and PM2. 5 forecasting
Le et al. Optimal control of shading system using hybrid model predictive control
Purnomo et al. Achieving sustainable environment through prediction of air pollutants in Yogyakarta using adaptive neuro fuzzy inference system
Zhang et al. The Intelligent Brain of the Passenger Station for China Railway High-Speed (CRH)
Chen Study on fuzzy determination of indoor environmental quality in the intelligent building

Legal Events

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