KR20120123335A

KR20120123335A - Ｈｖａｃ 제어 시스템 및 방법

Info

Publication number: KR20120123335A
Application number: KR1020127018616A
Authority: KR
Inventors: 존 워드; 조슈아 월; 글렌 플래트
Original assignee: 코몬웰스 싸이언티픽 엔드 인더스트리얼 리서치 오가니제이션
Priority date: 2009-12-16
Filing date: 2010-12-15
Publication date: 2012-11-08
Also published as: US9429923B2; US20160327295A1; JP2013514510A; CN102812303B; EP2513568A4; WO2011072332A1; AU2010333708B2; AU2010333708A1; BR112012014622A2; US20120259469A1; CN102812303A; EP2513568A1; JP5663596B2

Abstract

건물의 난방(Heating), 환기(Ventilation) 및 공기조화(Air Conditioning)(HVAC) 시스템을 제어하는 방법이 제공된다. 상기 방법은 (a) 건물의 초기 열적 모델(initial thermal model)을 개발하고, 이 열적 모델을 시간이 경과함에 따라 지속적으로 업데이트하는 단계, (b) 건물을 위한 일일(daily) HVAC 작동 계획을 지속적으로 개발하기 위해 상기 열적 모델을 이용하는 단계 및 (c) 현재(current) HVAC 작동 계획을 지속적으로 점검(examining)하고 현재 HVAC 작동의 얼라인먼트(alignment)를 상기 현재 HVAC 작동 계획으로 최적화하는 단계를 포함한다.

Description

ＨＶＡＣ 제어 시스템 및 방법{HVAC CONTROL SYSTEM AND METHOD}

본 발명은 건물의 난방(Heating), 환기(Ventilation) 및 공기조화(Air Conditioning)(HVAC)를 위한 효율적인 시스템 및 방법에 관한 것이다. 특히, 본 발명은 건물에서 사용되는 더욱 효율적인 기후 제어 시스템(climate control system)을 제공한다.

난방(Heating), 환기(Ventilation) 및 공기조화(Air Conditioning)(HVAC) 시스템의 광범위한 보급은 건물의 디자인과 형태에 큰 유연성을 가져다 주었다. 극심한 기후 조건에서도 실내 쾌적성을 제공하였고, 열악한 열적 성능 하에서도 거주하기 적합한 건물들을 만드는데 일조하였다. 그러나, 이러한 유연성이 아무런 대가 없이 얻어진 것은 아니다. 예를 들어, 호주에서는, 대체적으로 HVAC가 상업 건물 에너지 사용량의 60% 이상을 차지[Australian Greenhouse Office, 1999]하고, 온실가스 배출의 주요 원인이 되고 있으며, 전력망(electricity network)에서 수요가 증가하고 있다.

최적의 HVAC 제어 전략들을 위하여 수행되는 주목할 만한 연구가 있다. 이들 전략들은 보통 각각 별개로 고려하는 것이기는 하나, 쾌적성, 전력망 상호작용 및 온실가스 배출 측면을 고려한다. 예를 들어, Braun et al. (1990, 2001)은 에너지 로드 형성(energy load shaping)을 위해 건물 열식 질량(building thermal mass)을 사용하는 것을 연구하였고, Eto (2007)는 전력망에 운전예비(spinning reserve)를 제공하는 것에 공기조화(air-conditioning)가 유용함을 밝혀내었다. Fanger (19617)는 열적 쾌적성(thermal comfort)에 대한 연구를 개척하였고, 열적 쾌적성이 생산성에 미치는 영향은 최근에 Seppanen et al. (2006)에 의하여 더 연구되었다. 온실가스 배출 문제는, 열병합발전 시스템(예를 들어, White and Ward(2006))이 배출을 줄이기 위해 폐열(waste heat)과 대체연료를 직접적으로 이용하기는 하였으나, 전체 에너지 절약 전략의 일부로서 달성되었다.

HVAC 시스템은 상업 건물의 제어 설정점(control set point)으로 보통 온도를 사용한다. 밸브와 댐퍼(damper)의 위치, 팬(fan)의 속도 등을 포함한 HVAC 플랜트는 주어진 온도 설정점을 달성하도록 제어된다. 최신식의 HVAC 시스템은 로드 차단 요구(load shedding request)에 근거하여 온도를 변화시킬 수는 있으나, 일반적으로 이 온도 설정점은 고정된다.

본 발명의 목적은 몇몇의 바람직한 특징들을 가지는 개선된 형태의 HVAC 제어 시스템을 제공하는 것에 있다.

본 발명의 일측에 따르면, 건물의 난방(Heating), 환기(Ventilation) 및 공기조화(Air Conditioning)(HVAC) 시스템을 제어하는 방법이 제공된다. 상기 방법은 (a) 건물의 초기 열적 모델(initial thermal model)을 개발(develop)하고, 이 열적 모델을 시간이 경과함에 따라 지속적으로 업데이트하는 단계, (b) 건물을 위한 일일(daily) HVAC 작동 계획을 지속적으로 개발하기 위해 상기 열적 모델을 이용하는 단계 및 (c) 현재(current) HVAC 작동 계획을 지속적으로 점검(examining)하고 현재 HVAC 작동의 얼라인먼트(alignment)를 이 계획으로 최적화하는 단계를 포함한다.

열적 모델은 건물의 이력 열적 데이터(historical thermal data)에 피팅된(fit) 일련의 파라미터를 사용한다. 열적 모델은 구간적 다항식(piecewise polynomial) 모델일 수 있다. 초기 열적 모델은 실질적으로 매일 반복적으로 업데이트된다. 일일 작동 계획은 사용자의 쾌적성(comfort), 소비전력 및 전력비용(power cost)을 포함하는 작동자 선호사항의 조합을 최적화한 것이다. 작동자 선호사항 외에, 외부 입력(external input)은 작동 계획이 전기 비용 데이터(electricity pricing data), 일기예보(weather forecast) 및 사용자 쾌적성 만족 데이터(occupant comfort satisfaction data)를 포함하도록 한다. 일일 HVAC 작동 계획은 실질적으로 매 5분 마다 다시 계산된다. 현재 HVAC 작동의 얼라인먼트(alignment)를 현재 HVAC 작동 계획으로 최적화시키는 것은 실질적으로 매 10초 마다 시도될 수 있다.

본 발명의 다른 일측에 따르면, 건물의 난방(Heating), 환기(Ventilation) 및 공기조화(Air Conditioning)(HVAC) 시스템을 제어하는 방법이 제공된다. 상기 방법은 (a) 건물의 열적 모델을 결정하는 단계, (b) 건물 사용자를 위한 예상 인체 쾌적성 모델(expected human comfort model)을 결정하는 단계, (c) 건물의 HVAC 작동 계획을 계산하는데 상기 예상 인체 쾌적성 모델을 주요 인자(prime factor)로 사용하는 단계를 포함한다.

인체 쾌적성 모델은 상업 건물의 사용자들로부터의 피드백 데이터에 의한 개인 쾌적성 데이터(personal comfort data)로 증강(augment)될 수 있다. 인체 쾌적성 모델은 ASHRAE(미국공조냉동공학회) 표준 쾌적성 모델로부터 유도될 수 있다.

일실시예에 따른 열적 모델은 다음의 형태를 가진다.

여기서,

는 건물 내부 평균 온도(average internal building temperature), 는 주위 온도(ambient temperature),

는 HVAC 냉방소비전력(HVAC cooling power consumption)이다.

는 전형적 HVAC 냉방소비전력(typical HVAC cooling power consumption)으로, 상기 수학식에서는 다른 파라미터들과 동일한 범위(ball park)의 파라미터

의 크기(magnitude)를 얻기 위해 조정 인자(scaling factor)로 사용되고, 또한 여러 BMS 시스템에서의 작동을 감안한 정규화(normalization) 메커니즘을 제공한다(이는 최적화 제약(optimization constraint)에 있어서 특히 중요하다.).

는 HVAC 난방소비전력(HVAC heating power consumption)이다.

는 전형적 HVAC 난방소비전력(typical HVAC heating power consumption)으로, 상기 수학식에서는 다른 파라미터들과 동일한 범위(ball park)의 파라미터

는 주위 온도에 대한 건물 내부 온도 응답을 획득(capture)한다.

는 HVAC 냉방전력에 대한 건물 내부 온도 응답을 획득한다.

는 HVAC 난방전력에 대한 건물 내부 온도 응답을 획득한다.

(베이스라인(baseline))는

,

에서 획득된 인자를 제외한 인자들을 획한다.

10은 다른 파라미터들과 동일한 범위의 파라미터

의 크기를 얻기 위해 사용된 조정 인자로, 이 숫자는 임의적으로 선택되었다.

다른 실시예에서, 열적 모델은 실질적으로 다음과 같은 형태를 가질 수 있다.

여기서,

는 (모델링된) 애그리게이트 존(aggregate zone) 온도,

는 외부(주위) 공기 온도,

는 현재 HVAC 냉방 및 난방 전력에 따른 존(zone) 온도의 정상상태편차,

은 사람, 장비, 태양 등을 고려(account for)하는 시간에 대한 학습함수(learnt function),

와

는 시스템 다이내믹스(system dynamics)를 고려(account for)하는 선형시불변 필터(linear time invariant filter)이다.

이상적으로,

는 다음의 형태를 가진다.

상기 수학식의 첫 번째 부분은 유효냉방온도(effective cooling temperature,

), 두 번째 부분은 유효난방온도(effective heating temperature,

)이고,

와

는 각각 실제 냉방 및 난방 전력(kW)의 추정치(estimate),

와

는 각각 베이스라인(baseline) 냉방 및 난방 전력(kW),

와

는 HVAC 전력 효율(power effectiveness)을 위한 명목척도(nominal scaling)(°C/kW),

와

는 외부 온도에 대한 함수 형태의 HVAC 효율 디레이팅(efficiency de-rating)이다.

상술한 바람직한 형태에서, 상기 베이스라인 함수(baseline function)는 그 주(week)의 현재 일(current day)에 따라 변화하는 것이 바람직하다. 더욱 바람직하게는, 베이스라인 함수는 하루 중 고정된 특정 시점에 추정되는 삼각형 기저 함수(triangular basis function)의 조합이다.

대표적인 실시예들에 관한 다음의 설명과 첨부된 도면 및 특허청구범위로부터, 본 발명의 이점 및 장점은 본 발명과 관련된 분야의 통상의 기술자에게 명확하게 될 것이다.
도 1은 HVAC 시스템의 작동 환경을 나타내는 개략도이다.
도 2는 바람직한 실시예의 옵티쿨(Opticool) 시스템의 개략적 블록도이다.
도 3은 상업 건물 모델 개발의 기능성(functionality)을 개략적으로 나타낸 것이다.
도 4는 쾌적성 존 제어(comfort based zone control)를 개략적으로 나타낸 것이다.
도 5는 존의 열적 쾌적성 모델링을 위한 인터페이스의 일 예를 나타낸 것이다.
도 6은 상업 건물의 열적 거동을 모델링하기 위한 열적 모델링 루프를 도시한 것이다.
도 7은 상업 건물 전력 계획 루프를 도시한 것이다.
도 8은 온도 제어 루프를 도시한 것이다.
도 9는 상업 건물 존 온도를 모델링한 결과를 나타낸 것이다.
도 10은 본 발명의 일실시예의 건물 모델을 위한 베이스라인 함수를 생성하는데 사용되는 한 세트의 삼각형 기저 함수를 나타낸 것이다.
도 11은 건물 모델의 종일(full day)을 위한 베이스라인 함수를 생성하는데 사용되는 12개의 완전한 세트의 삼각형 기저 함수를 나타낸 것이다.
도 12는 난방 및 냉방 전력 파라미터 간의 관계의 일 예를 도시한 것이다.
도 13은 실제 측정된 온도와 예보된 주위 온도를 머징(merging)하는 프로세스를 도시한 것이다.
도 14는 호주의 상업 건물에서 사용되는 각기 다른 연료의 종류를 도시한 것이다.
도 15는 연료 가격표에 관한 그래픽 사용자 인터페이스의 일 예를 나타낸 것이다.

본 발명의 바람직한 실시예들이 첨부된 도면을 참조하여 설명될 것이나, 이는 단지 예를 들어 설명하는 것이다.

바람직한 실시예에서, 시스템의 기본 설정점(fundamental setpoint)이 온도가 아니라 인체 쾌적성(predicted mean vote(PMV, 예상평균온열감) 측정치)인 제어 시스템이 제공된다. 바람직한 실시예들에서, 우선 인체 쾌적성 목표가 정해지고, 이 목표 존 온도로부터, 밸브와 댐퍼의 위치, 팬 속도 등과 같은 플랜트 파라미터가 이 쾌적성 설정점을 달성하도록 제어된다. 이는 보통 온도 설정점 방식에 의존하던 종래기술과 대조를 이룬다. 예를 들어, 동일한 쾌적성 설정점을 달성하는 일정 범위의 서로 다른 온도가 있을 수 있다. 성능적으로(performance wise), 인체 쾌적성을 기본 제어 파라미터로 사용함으로써, 일정 수준의 인체 쾌적성을 유지하면서도 많은 에너지 및 비용 절약을 실현할 수 있다.

바람직한 실시예의 시스템은 상업 건물의 열적 모델을 지속적으로 업데이트하는 시스템 및 방법 또한 제공한다. 바람직한 실시예는 지속적으로 조절 가능한 상업 건물의 열적 모델에 의존한다. 바람직한 실시예에서, 제어 시스템은 지속적으로 열적 및 쾌적성 모델을 재학습(re-learn)하고, 이어서 매우 규칙적인 간격(very regular interval)으로 상업 건물의 거동을 재계획(re-plan)한다. 일실시예에서, 다음의 계획된 단계들이 실시된다.

하루에 한 번, 시스템은 상업 건물의 열적 모델을 학습하기 위해 이력 성능 데이터(historical performance data)를 사용한다. 이 모델은 하루 중의 특정 시간(time), 주(week) 중의 특정 일(day)에 대한 고찰(consideration)을 포함하고 있어, 생성된 열적 모델은 하루 중의 시간 및 주 중의 일을 인식한다.

시스템은 매 5분 마다 HVAC 상시(day ahead) 작동을 위한 새로운 계획을 생성한다. 규칙적으로 상시 작동 계획을 업데이트함으로써 시스템은 상업 건물의 사용 패턴 및 날씨 변화에 적응할 수 있다.

시스템은 상시 작동 계획을 매 10초 마다 점검하고, 현재 상태를 계획 상태와 비교하며, 상시 작동 계획에 따르기 위해 HVAC 플랜트를 제어한다.

지속적인 학습과 거동의 재계획은 시스템으로 하여금 상업 건물의 동역학적 변화에 대처할 수 있도록 하는 성능상의 이점을 제공한다. 여기서의 변화는 빠른 변화(예를 들어, 상업 건물의 구역의 열적 응답을 변화시키는 인구의 갑작스런 유입)와 느린 변화(예를 들어, 건물의 서쪽 벽을 따라 나무가 자라 늦은 오후에 열적 응답에 변화가 생기는 경우) 모두를 포함한다. 또한, 실제로, 상업 건물과 HVAC 시스템은 종종 초기 커미셔닝(commissioning) 상태를 벗어나고, 지속적인 학습과 적응이 없이는 HVAC 시스템의 성능이 저하되어 열악한 인체 쾌적성과 낮은 에너지 효율을 야기할 수 있다.

전형적인 상업 건물의 HVAC 제어는 건물 관리 시스템(상업 건물의 인구를 위하여 온도를 조절하기 위해 냉장장치, 난방장치, 공기조화기의 작동을 측정하고 조절하는 컴퓨터 프로그램 및 관련 하드웨어, 액츄에이터, 센서, 제어기)에 의하여 수행된다.

상업 건물의 에너지 성능을 향상시키기 위해서는 적당한 환경 조건을 제공하면서도 에너지 소비 및 재정 지출과 같은 리소스(resource)를 관리하는 더욱 진보된 접근 방법이 필요하다. 다양한 종류의 리소스와 환경 조건들을 고려하였을 때, 상업 건물의 진보된 제어 시스템의 역할은 불가피하게 경합하는 목표들 간의 균형을 잡아주는 것이다. 적합한 균형을 찾아내는 것은 바람직한 실시예의 주요 기능 중 하나이다.

통상의 HVAC 제어기에는 포함되지 않는 바람직한 실시예에 따른 HVAC 제어 시스템의 특징은 다음의 사항을 포함한다.

-서로 다른 에너지 소스 및 이들의 사용 결과의 인지(awareness). 예를 들어, 상업 건물은 난방을 위해 천연가스를, 냉방을 위해 전기를 사용할 수 있다. 서로 다른 종류의 연료는 가격과 온실가스 발생이 다르고, 서로 다른 로드 수준(load level)에서 사용되는 특정 플랜트 아이템(item)들은 서로 다른 효율로 작동한다.

-반응 제어 원리(reactionary control philosophy)로부터 벗어나기 위한 예보(forecasting)의 사용. 예를 들어, 온화 기후의 많은 상업 건물은 오전에는 난방 모드로 작동하고, 오후에는 냉방 모드로 작동한다. 예측된 날씨와 오후의 열적 로드를 고려함으로써 난방은 적당하게 제한될 수 있고, 따라서 난방 로드 및 냉방 로드 모두를 감소시킬 수 있다.

-열적 쾌적성 모델 및 온도, 습도, 다른 인자(공기속도, 의류, 활동 수준)의 공칭값(nominal value)을 이용한 인체 쾌적성에 대한 명백한 고찰.

-개별 건물 및 인구에 대한 추가적인 고찰. 열적 쾌적성에 대한 연구의 이점에도 불구하고, 쾌적성 및 만족도의 가장 좋은 측정방법은 언제나 건물 인구(occupant) 스스로부터의 피드백이다. 바람직한 실시예는 인구로부터 열적 쾌적성 및 만족도에 관한 피드백을 취득하는 메커니즘을 포함한다. 이러한 사용자 피드백은 국부적인(local) 사용자 선호사항을 반영하기 위한 컴퓨터 열적 모델에 더해져 각 HVAC 존을 위한 쾌적성 오프셋 맵(offset map)을 계산하는데 사용된다. 존 수준(zone level)에서의 실제 사용자 쾌적성 정보를 반영하는 것은 건물 내의 불만족하는 사람들의 비율을 이론적 5% 하계(theoretical 5% lower bound) 아래로 낮출 수 있는 기회를 제공한다.

-HVAC 시스템을 제어할 때 (i) 유지비, (ii) 온실가스 배출 및 (iii) 인구 열적 쾌적성의 균형을 맞추기 위한 메커니즘.

상세 실시예 (Implementation details)

우선, 도 1을 참조하면, 바람직한 실시예의 작동 환경(1)이 개략적으로 도시되어 있다. 이제부터 옵티쿨(OptiCOOL) 제어 시스템(2)으로 명명될 바람직한 실시예는 관리(supervisory) 제어 시스템이다. 즉, 옵티쿨은 기존의 건물 관리 시스템(building management system, BMS)(3)에 접속되거나, BMS의 일부 구성요소이고, 고수준(high-level)의 명령을 BMS에 제공한다. 옵티쿨 제어 시스템은 개별 밸브, 팬 속도, 센싱 인터페이스 또는 제어 장비(4)에 대한 제어는 고려하지 않는다(이러한 저수준 기능은 BMS 시스템(3)의 몫으로 남겨진다.). 옵티쿨은 HVAC 산업 표준 커뮤니케이션 인터페이스를 통해 BMS에 접속(5)하고, 존 온도, 냉방기 및 팬의 설정점과 같은 기초 데이터를 BMS로부터 취득한다. 옵티쿨(3)은 이러한 HVAC 플랜트 데이터를 전기가격, 일기예보, 사용자 쾌적성 데이터 및 건물의 열적 모델을 포함하는 외부 데이터(6)와 결합시켜 BMS(3)에 기본 존 온도 설정점을 제공하는 제어 결정(dicision)을 만든다. 그런 다음, BMS는 이러한 온도 설정점을 달성하기 위해 HVAC 플랜트를 관리한다.

상술하였듯이, 옵티쿨 제어 시스템(3)은 건물 전체 HVAC 플랜트를 위한 상시 또는 유사 시간 주기(similar time period) 작동 계획을 수립하는 것을 기본으로 한다. 옵티쿨 제어 시스템은 도 2에서 더 자세하게 도시되었다. 이러한 계획(10)을 달성하기 위해서는 건물이 날씨와 HVAC 플랜트의 동작에 대해 어떻게 응답하는 가에 대한 열적 모델이 필요하다. 상기 모델(11)은 건물 이력 데이터(historical building data)로부터 “학습(learnt)”된 것이다.

HVAC 시스템의 지능성 스케쥴링(intelligent scheduling)을 가능케 하려면, 모델은 가능한 제어 동작의 범위에 대한 시스템의 응답을 평가할 수 있어야 한다. 모델이 제어되어 시스템에 일단 맞추어지면, 적절한 제어 전략을 규명하기 위해 가능한 제어 동작의 범위를 평가하는 최적화 루프의 일부로서 사용된다. 도 3은 건물의 열적 성능, HVAC 시스템의 거동, 건물의 열적 로드(load)를 함축적으로 요약한 기본적인 HVAC 모델을 나타낸다. 외부 열적 조건(external thermal condition)과 존 소비전력을 입력으로 사용하면, 모델은 존 조건(zone condition)과의 관계를 학습할 수 있다.

설정점 변화 및 외부 조건에 대한 존의 응답을 규명하기 위해서, 몇 가지 모델링 접근 방법이 사용될 수 있다. 몇 가지 실시예에서는 복잡한 학습 기술이 적용된다. 다른 실시예에서, 간단한 “블랙 박스(black box)” 모델은 모델링되는 기초를 이루는 물리적인 프로세스에 관한 명백한 지식 없이, 오로지 입력/출력을 관측함으로써 유도된다. 이러한 후자의 모델은 복잡한 시스템 및 비선형 다변수(multi-variable) 시스템에 특히 유용하고, 상기 접근법은 시스템 파라미터의 수동 설정(manual configuration)을 필요로 하지 않는다. 간단한 다항식 접근법(polynomial approach)이 적합하였다. 이 모델의 장점은 피팅된(fitted) 파라미터 내에서 선형이기 때문에 모델 피팅(fitting) 프로세스를 매우 간략화 시킨다는 것이다.

일실시예에서, 복잡한 학습 프로세스가 HVAC 모델에 구현되었다. 이 프로세스는 건물이 HVAC 냉방 및 난방 전력뿐만 아니라 주위 온도에 대하여도 어떻게 응답하는지를 획득(capture)하는 모델 파라미터의 추정(estimation)를 포함한다. 이러한 모델의 일 예는 아래의 “건물 모델의 예”에서 설명된다.

입력 데이터는 수동으로 입력되거나 각 정보 소스에 알맞은 인터페이스를 이용하게 된다. 예를 들어, 일실시예에서는, 호주 기상청으로부터 일기 예측 데이터를, 호주 전력 시장 운영자로부터 전기 가격 정보를, 그리고 건물 인구 쾌적성 설문 결과를 얻기 위해 자바(Java) 인터페이스가 개발된다.

다항식 모델(polynomial model)은 건물의 평균 존 온도를 추정하기 위해 HVAC 전력, 주위 온도 및 규명된 건물의 열적 베이스로드 프로파일(baseload profile)을 이용한다. 이 모델은 다음의 형태를 기본으로 한다.

여기서,

는 건물 전체의 평균 존 온도,

는 주위 외부 온도,

는 HVAC에 의해 소비된 총 전력,

는 측정된 데이터에의 최적합 피팅(best fit)에 의해 얻어진 조정 가능한 파라미터,

는 건물 HVAC 시스템의 지배 열시정수(dominant thermal time constant), s는 복소 라플라스 변수(complex Laplace variable)이고,

는 측정 기간의 시작 단계에서 HVAC 시스템 및 건물 구조의 내부 열적 상태의 불확실성을설명한다. 이러한 초기조건(initial condition)은 시스템의 고유모드의 조합이고 따라서

의 형태를 가지므로 일시적이다. 이러한 모드들은 시스템 식별(system identification)을 바이어스(bias)하지 않기 위해 명백히 규명된다. 열적 베이스로드(thermal baseload)는 규명된 베이스로드 프로파일로서, 하루에 걸친 서로 다른 열적 로드를 설명한다. 이는 태양 이득 및 건물 인구의 활동과 같은 인자에 의존한다. 열적 베이스로드는 구간선형함수(piecewise linear function)로 파라미터화될 수 있다. 이 베이스로드 함수는 데이터 세트에서 매일 동일하게 정의되고, 주위 온도와 HVAC 전력에 독립적이도록 결정된다.

종래의 VAV 시스템을 구비하는 시험 건물(trial building)로부터의 데이터를 사용하여, 5분 간격의 16일치의 데이터가 다양한 파라미터를 결정하기 위해 회귀분석(regression analysis)을 이용하여 다항식 모델에 피팅(fit)되었다. 이 데이터 세트에 대한 피팅의 결정계수(coefficient of determination)는

로, 상기 모델이 좋은 피팅(fit)을 제공한다는 것을 보여준다. 추가적인 2차항들도 평가되었으나(즉, 제곱항), 이들은 설명되는 분산(explained variance)을 크게 증가시키지 않았고, 따라서 이는 상기 모델에 반영되지 않았다. 그 결과로 발생되는 피팅의 일 예는 도 9에 도시되었다.

건물 열적 모델(11)이 수립되면, 이 모델은 일기예보 및 전기가격(electricity tariff) 정보(6)와 함께 사용되어, HVAC 플랜트를 위한 소비계획 출력(12)을 만든다. 이 계획은 건물을 위한 시계열적인 전력 프로파일로서, 건물 전체의 예상평균온열감(predicted mean vote, PMV) 쾌적성 설정점을 달성하기 위해 필요한 개별 HVAC 플랜트의 소비전력을 축적(accumulating)하는 것을 기반으로 한다. 이 계획(12)을 찾고 출력하기 위해 최적화 루틴(optimization routine)은 넓은 범위의 가능한(possible) 건물 전력 프로파일을 고려하고, 인구의 쾌적성, 운영 지출, CO₂ 배출을 우선순위로 고려하는 비용함수(cost function)에 근거하여 어떤 프로파일을 사용할 지 결정한다. 최적(비용함수의 측면에서 최소 비용) 전력 프로파일(12)이 결정되면, 이 프로파일은 건물 전체 쾌적성 프로파일로 변환된다(여기서, 건물 전체 쾌적성 설정점은 하루에 걸친 규칙적인 시간 간격에 대하여 결정된다).

건물 전체 쾌적성 설정점(15)이 결정되면, 실제 HVAC 제어는 존 제어 결정(16)을 통해 건물의 개별 존들을 분리하여 제어하는 것을 근간으로 한다.

도 4(제어 시스템의 스크린샷)에 도시된 바와 같이, 존 제어는 3개의 메인 기능 블록을 근간으로 한다. ComfortSENSE 고객 어플리케이션에 근거하여 사용자의 피드백을 취득하고, 이를 “불만족 인구 비율”로 변환하는 쾌적성 피드백 블록(41). (OptiCOOL-BMS 데이터 링크를 통하여 BMS에 의해 제공되는) 존 온도를 취득하고, ASHRAE-55 표준 “Thermal Environmental Conditions for Human Occupancy”을 사용하여 예상평균온열감(PMV)(44) 예상불만족인구비율(predicted percentage of people dissatisfied, PPD) 수치를 계산하는 존 쾌적성 모델 블록(42). 이 블록의 기능성은 도 5에 도시되었다. 이론(theoretical) PMV 및 PPD 수치는 쾌적성 피드백 블록으로부터 얻어진 측정된 PPD 수치에 의하여 오프셋(offset)(45)된다. 만약 쾌적성 피드백 블록으로부터 가용한 데이터가 없다면(이 블록의 사용은 임의적이다.), 시스템은 PMV/PPD 수치의 근거를 온전히 ASHRAE 표준으로부터 계산된 이론적인 것들에 두게 될 것이다.

존 제어 블록(47)은 건물 전체 제어 루프로부터 존의 기결정된 쾌적성 설정점(PMV), 존 및 외부 온도(BMS로부터) 및 쾌적성 모델로부터 실제 PMV/PPD 값을 취득하고, 원하는 존 PMV 설정점을 달성하기 위해 존 온도 설정점(48)을 결정한다.

다시 도 2을 참조하면, 옵티쿨(OptiCOOL) 소프트웨어 시스템(2)에는 3개의 핵심(core) 제어 루프가 있다. 이는 건물 열적 모델(11)을 결정하기 위한 열적 모델링 루프, 전력 소비 계획(10)을 결정하기 위한 전력 계획 루프 및 건물 존 설정점을 설정하기 위한 건물 설정점 결정 루프를 포함한다. 옵티쿨 소프트웨어 시스템이 생성하는 앞으로 살펴볼 이 세 가지 계획들은 지속적으로 최적화되고 업데이트된다. 즉, 건물 열적 모델, 피드백 보정(feedback-adjusted) 인체 쾌적성 모델, 그리고 이어서 건물 전체 전력 프로파일은 규칙적인(미리 정해진) 제어 간격으로 업데이트된다. 이러한 거동은 매우 중요하고, 시스템으로 하여금 전기료, 일기예보, 건물 사용 또는 인체 쾌적성의 갑작스런 변화와 같은 외부 인자들의 변화에 응답하게끔 한다. 이러한 거동은 HVAC 소비전력, 인체 쾌적성 및 시간의 항시 업데이트되는 예측(look-ahead) 프로파일을 생성한다. 상기 3개의 메인 루프는 다음과 같이 작동할 수 있다.

모델링 루프(도 6)

모델링 루프는 하루에 한 번 실행되고, 그 주(week)의 일(day), 일(day)의 시간(time), HVAC 소비전력 및 외부 날씨에 근거하여 내부 온도를 예측하는 건물의 열적 모델(11)을 형성한다. 상기 루프는 이력 전력(historical power) 및 그에 상응하는 온도 프로파일을 로딩하는 단계(61), 예상 결과 전력 및 날씨 종속 인자 (expected resultant power and weather dependant factor)를 계산하는 단계(61), 일(day) 및 시간(time) 인자를 위한 상수를 계산하는 단계(63) 및 주어진 일(day), 시간(time), 예상 외부 날씨, HVAC 전력 하에서 건물의 온도를 예측하는 다항식 모델(polynomial model)을 어셈블링(assembling)하는 단계를 포함한다.

전력 계획 루프(도 7)

전력 계획 루프는 매 5분 마다 실행되고, 건물을 위한 24 시간 상시 계획된 HVAC 소비전력 프로파일(12)을 생성한다. 이 루프는 우선 현재 총 HVAC 소비전력을 결정하고, 미래의 일기예보를 결정하며, 최적화를 통해 최소 비용의 전력 계획을 생산한다.

설정점 결정 제어 루프(도 8)

전체 건물 설정점 결정 제어 루프(14)는 매 10초 마다 실행되고, 건물 전력 계획을 취득하며, 이 전력 계획을 달성하는 것을 목표로 하는 존 온도 설정점을 BMS에 제공한다. 제어 시스템은 인체 쾌적성을 건물의 모든 HVAC 존을 위한 계획된 파라미터로 사용한다. 인체 쾌적성은 국부적인(local) 사용자 피드백에 근거한 변화를 포함하는 ASHRAE 쾌적성 모델을 적용하여 실내 온도 및 습도와 같은 물리적 파라미터로 변환된다. 팬 속도 또는 밸브 설정점과 같은 건물 파라미터는 특정되지 않고, 제공된 존 온도 데이터에 근거하여 확인하기 위해 인컴번트(incumbent) BMS에 의해 실행(implementation)되도록 남겨진다.

실행된 시스템은 하나의 모델링 기술(선형 시불변 기술)을 사용한다. 이 기술은 건물의 열적 응답의 3차항 선형 시불변 모델을 파라미터화하기 위해 구속 최소제곱 피팅 알고리즘(constrained least squares fit algorithm)을 사용하는 것을 근간으로 한다.

시스템의 초기 조건(initial condition)은 상기 알고리즘을 건물 이력 성능 데이터에 작동시키는 것으로 수립된다.

지능성 HVAC 관리 제어 시스템은 OPC와 같은 산업 표준 프로세스 제어 인터페이스를 통해 기존의 건물 관리 시스템(BMS)에 쉽게 보강(retrofit)될 수 있다. 지능성 HVAC 제어기는 주위의 건조환경(built environment)의 모델을 자동으로 형성하기 위해 기술을 학습하는 기계를 사용하고, 최적의 HVAC 작동 계획을 결정하기 위한 여러 제어 전략을 평가하기 위해 이러한 모델을 이용한다. 이러한 기술이 새로운 건물과 기존의 건물재고(building stock) 모두를 목표로 하고, 최소한의 자본 지출을 요구하면서, 중대한 인로드(inroads)는 비교적 짧은 회수 기간과 함께 작동 비용을 줄이는 것을 향해 갈 수 있다. 또한, 건물 에너지 효율 및 성능 등급의 향상은 감소된 에너지 소비와 그와 관련된 CO₂ 발생 감소를 통해 촉진될 수 있다.

열적 쾌적성 및 생산성(productivity) 평가 (assessing)

열적 쾌적성을 고려할 때 온도가 가장 쉽게 떠오르지만 다른 많은 기여 인자들이 있다. 이는 공기 속도, 복사 온도, 습도, 대사율(metabolic rate) 및 의류 수준(clothing level)을 포함한다. “Thermal Environmental Conditions for Human Occupancy”를 위한 ASHRAE-55(ASHRAE, 2004) 표준은 주어진 조건 하에서 예상평균온열감(PMV) 및 예상불만족인구비율(PPD)을 이론적으로 결정하기 위한 방법을 상세하게 설명한다.

열적 쾌적성을 추정하고 예측하는데 있어서, PPD 측정지표(metrics)(도 5의 사용자 인터페이스를 통해 실행된)는 인구 쾌적성 피드백 어플리케이션과 통합된다. ASHRAE 적응 쾌적성(adaptive comfort) 표준의 경우, 건물이 자연 환기가 되고 사용자가 환경 조건을 직접 제어(창문을 개방/폐쇄하는 것과 같이)하는 곳에서 수용 가능하도록 더 넓은 범위의 조건이 갖추어 진다. 비슷하게 개별 인구 쾌적성 피드백을 위한 메커니즘을 제공하는 것은 열적 만족도를 향상시킨다(사용자의 실내 기후에 대한 적응에의 직접적 물리적 영향으로부터 뿐 아니라, 인구의 권한(empowerment)로부터도(Brager et al. 2004)).

인구(occupant) 어플리케이션(application)은 인구의 퍼스널 컴퓨터에 장착되어 작은 칼라 코드 아이콘(colour coded icon) 및 정보제공용 “팝업(pop-up)” 메시지 경보를 통해 HVAC 작동 모드 변화(예를 들어, 공기조화(air conditioning), 자연환기(natural ventilation), 최고수요(peak demand))를 알려줄 수 있다. 상기 논의는 열적 쾌적성 추정을 다루는 것이지만, 작업장(workplace)의 관점에서는 열적 쾌적성이 생산성에 미치는 영향은 무엇인가 하는 추가적인 복잡한 질문이 있다. 이를 밝히려는 많은 연구가 있었으나, 결과는 명확하지 않고, 다방면의 연구 결과를 추정해보면, Seppanen et al. (2003, 2006)은 21에서 25 ºC 사이의 온도에서는 생산성에 있어서 통계적으로 큰 차이가 없음을 발견하였다. 25 ºC 이상에서는, Seppanen은 1 ºC 마다 2 % 의 생산성 하락이 있음을 발견하였다.

기존의 BMS에 동일한 열적 쾌적성을 유지하면서도 에너지 비용과 이산화탄소 배출 양 자 모두의 실질적인 감소(saving)는 실현 가능하다.

건물 관리자나 사용자로 하여금 경합하는 성능 목표들에 주어지는 상대적 가중치를 결정하게 함으로써 그들은 특정 제어 전략을 선택하였을 때 발생되는 트레이드오프(tradeoff)에 대한 명백한 지식으로 강화(empowered)될 것이다.

건물 모델의 예

본 학습 프로세스 모델은 건물이 HVAC 냉방 및 난방 전력뿐 아니라 주위 온도에 대하여도 어떻게 응답하는가를 획득하려는 목적으로 모델 파라미터의 추정(estimation)를 포함한다. 파라미터 추정은 한 세트의 학습데이터에 피팅(fit)되는 최소제곱오차(least-squared-error)이다. 학습 데이터는 BMS로부터 실시간 또는 오프라인(off-line)으로, 설정점 값의 BMS 히스토리(history)로부터 수집된다. 학습 프로세스는 데이터가 어떻게 수집되었는지(실시간 또는 오프라인)에 의하여 영향을 받지는 않으나, “충분히 좋은” 피팅을 담보하기 위해서는 충분히 많은 양의 데이터가 수집되어야 한다.

상기 모델의 일실시예는 다음의 형태를 가진다.

여기서,

는 건물 내부 평균 온도(average internal building temperature),

는 주위 온도(ambient temperature),

는 HVAC 냉방소비전력(HVAC cooling power consumption)이다.

는 전형적 HVAC 냉방소비전력(typical HVAC cooling power consumption)으로, 상기 수학식 1에서는 다른 파라미터들과 유사한 수치 범위의 파라미터

는 HVAC 난방소비전력(HVAC heating power consumption)이다.

는 전형적 HVAC 난방소비전력(typical HVAC heating power consumption)으로, 상기 수학식 1에서는 다른 파라미터들과 유사한 수치범위의 파라미터

는 주위 온도에 대한 건물 내부 온도 응답을 나타낸다.

는 HVAC 냉방전력에 대한 건물 내부 온도 응답을 나타낸다.

는 HVAC 난방전력에 대한 건물 내부 온도 응답을 나타낸다.

베이스라인(baseline))는

,

에서 나타난 인자를 제외한 인자들을 나타낸다. 10은 다른 파라미터들과 동일한 범위의 파라미터

의 크기를 얻기 위해 사용된 임의적 조정 인자이고, 다른 실시예에서는 다른 조정 인자가 사용된다.

상술한 모델에서, 특별히 관심 있는 아이템은 주위 온도와 냉난방 전력에 대한 동역학적 응답을 표현하는 전달함수(transfer function) 및 베이스라인이다. 일실시예에서, 이러한 전달함수는 서로 다른 시정수(time constant)를 가지는 1차 오더 로우패스필터(

order low-pass filters)의 집합(collection)이고, 각 필터는 다음의 형태를 갖는다.

여기서,

은 차분 연산자(difference operator)이고, a는 다음과 같이 주어진다.

여기서,

는 시스템 시정수이고 h는 샘플링 간격(interval)이다. 다른 실시예에서, 전달함수는 고차 오더 필터 함수와 같은 다른 종류의 함수를 나타낸다. 경험칙에 의하면, 샘플링은 시정수에 비하여 충분히 빨라야 할 필요가 있고, 보통 다음과 같이 표현된다.

이는 BMS로부터 이력 데이터를 회복할 때에는 중요한 고려사항이다. 이산시간영역(discrete time domain)에서, 수학식 2의 상기 1차 오더 필터는 다음의 형태를 취한다.

여기서,

는 입력이고, 상기 수학식 3에 따라 표현되며,

는 샘플 k의 샘플링 시간이다. 현재 설명되는 실시예는

대신

를 사용한다. 이는 최소차(minimal difference)이고, 실제로 영향(effect)이 있다면 이상적(ideally)으로는 작을 것이다. 다른 실시예에서,

의 다른 표현이 사용되나, 현재 설명되는 실시예에서는 다음의 형태가 사용될 것이다.

상기 표시는 오직 샘플넘버(sample number)만을 이용하여 다음과 같이 간략화될 수 있다.

주위 온도 및 HVAC 전력 에 대한 응답

본 실시예에서, 냉난방 HVAC 전력 및 주위 온도에 대한 건물의 응답은 3개의 1차 오더 시스템의 세트로 모델링 되고, 각 1차 오더 시스템은 수학식 5의 형태를 가지며, 각기 다른 시정수를 가진다.

구체적으로,

는 3개의 1차 오더 응답의 시정수 1h, 2h 및 5h에 상응하는 수학식 3의 파라미터이다. 이들은 수학식 3에 완전히 일치하지는 않지만, 본 목적을 위해서는 충분히 근접하다. 이들과, 이러한 시정수들에 상응하는 수학식 2 형태의 1차 오더 필터

가 주어지면, HVAC 냉방 전력, HVAC 난방 전력 및 주위 온도에 대한 동역학적 응답은 다음과 같이 모델링 된다.

시간영역(time domain)에서, 동역학적 응답(또는 필터링된 응답-따라서 F)은 아래와 같다.

여기서,

이고, N은 시정수 1h, 2h 및 5h에 대하여 각각 1, 2 및 5이다. 파라미터

는 여러 시정수에 상응하는 동역학적 응답의 상대적 기여를 나타낸다. 이들 파라미터는 아래의 “학습: 모델 파라미터 추정”에서 설명된 바와 같이 추정(“학습”)된다.

상술한 수학식을 수학식 1의 전체 건물 모델에 적용하면 다음의 시간영역 버전(version)이 도출된다.

여기서,

는 주위 온도 및 냉난방 전력 응답에 의하여 모델링된 것 외부의(outside) 평균 내부 온도 응답으로의 변화를 획득하는 캐치올함수(catch-all function)이다. “

” 은 “평일(week day)” 또는 “주말(weekend)”이고, 전자는 전형적인 근무 시간(working hours) 중의 활동적인 건물 가동을 의미하고, 후자는 주말 가동을 의미한다. 즉, 그 주(week)의 일(day)에 종속되는 2가지의 다른 모델이 있다.

일실시예에서, 베이스라인 함수의 특정 형태는 다음과 같다.

여기서,

는 기저함수(basis function)을 의미하고, 이는 다음과 같이 주어진다.

수학식 20에서,

의 값은 일(day)

에 걸친 특정 선험적(a-priori) 고정점(fixed point)에 의하여 추정된다. 추정 프로세스의 일 예가 아래에서 설명된다. 수학식 19는 도 10에 도시된 바와 같이 삼각형 형상의 함수의 선형조합(linear combination)의 한 세트의 샘플링과 동일(equate)하다. 도 10은

의 시간

에서의

값을 수립하는 것을 설명한다. 수학식 19에 따라,

의 값은

에서 피크값을 가지는 삼각형 함수와

에서 피크값을 가지는 삼각형 함수의 조합이다. 이에 근거하여, 수학식 19의

는 다른 모든 삼각형 함수(

,

및

를 포함한 총 12)가 0의 기여를 하면

으로 주어진다.

숫자 12는 삼각형 함수의 선형 조합에 의해 틈틈이(in-between times) 적절히 모델링되면서, 베이스라인의 거동에 두 시간마다 큰 차이(삼각형 함수들 중 하나의 피크에 의해 획득)가 예상되는 사실을 반영한 것이고, 이 차이는 기여하는 삼각형 함수들의 피크 사이의 선형보간(linear interpolation)과 등가를 이룬다.

도 11은 12개의 가상(hypothetical)의 삼각형 함수의 완전한 세트 및 생성되는 모든

에 대한

을 도시한 것이다.

의 피크값은 나중에 논의될 학습 프로세스의 일부로서 결정된다.

베이스라인 함수의 목적은 건물 로드(수학식 9 내지 17에 의해 획득된 것을 제외(outside))가 하루에 걸쳐 어떻게 변하는지를 획득하는 것이다. 예를 들어, 이른 아침의 사람들의 유입(influx)은 건물의 열적 다이내믹스에 영향을 줄 것이고, 점심시간 및 늦은 오후의 사람들의 유출(exodus) 역시 그러할 것으로 예상하는 것은 자연스럽다. 평일 베이스라인을 위한 12개의 삼각형 함수 세트가 있고, 주말 베이스라인을 위한 분리된 12개가 있다.

다른 실시예에서는 기저함수의 다른 조합을 이용한 다른 형태의 베이스라인 함수가 사용될 수 있다.

학습(learning): 모델 파라미터 추정(estimation)

일실시예의“학습” 프로세스는 수학식 9 내지 11의 파라미터

및 수학식 20의

에 대한 추정을 포함한다. 일실시예에서, 추정(estimation) 프로세스는 구속 최소제곱 피팅(constrained least squares fit)이다.

여기서,

는 추정된 건물 파라미터의 벡터,

는 데이터 매트릭스로 필터링된 건물 데이터와 베이스라인 함수 “값(value)”(아래서 더 자세히), p는 건물 파라미터 공간(parameter space)을 제약(constraint)

(제약에 대하여는 아래에서 더 자세히)으로 아우른다(range over). 명시적으로,

는 다음의 형태를 가진다.

수학식 23 내지 25에서, 로우(row) 벡터 성분

은 수학식 9 내지 11에서 계산되고,

은 시간

에서 BMS로부터 수집된 실제 주위 온도, 냉방전력 및 난방전력이다.

에서의 약자 FA는 “실제 필터링(filtered actual)”을 의미하고, 로우 벡터는 실제 BMS 데이터의 필터링된 버전(version)을 포함한다.

의 A 또한 실제 BMS 데이터(지금 설명되는 실시예에서는 실제 건물 평균 내부 온도)를 의미한다.

아직 논의되지 않은 수학식 22의 마지막 측면은 베이스라인 값 B(k)이다. 이들은

(수학식 20에서 사용된 것처럼)를 중심으로 하고, 1의 피크(peak)를 가지는 삼각형 함수의 샘플들이다.

지금 설명되는 실시예의 베이스라인 값

는 삼각형 함수

의 샘플들로 주어진다.

상기 베이스라인 값들은 수학식 21의 구속 최소제곱 피팅을 통해 결정된 파라미터

의 적절한 선택에 의하여 조정(scaled)된다. 다른 실시예에서, 다른 베이스라인 값

및 다른 파라미터

가 실행된다.

수학식 21의 제약(constraint) 부분으로 돌아가면, 매트릭스 A는 몇몇의 제약 관계를 달성하기 위해 설계된다.

파라미터

및

는 반드시 양(positive)이다.

주위 온도 필터

를 위한

의 합은 1(one)에 가까워야 한다. 이것의 직관적인 의미는 주위 온도 필터의 정상상태는 실제 주위 온도에 가까워야 한다는 것이다.

그러나, 이를 제공하는 것은 2.0 및 4.0의 제약 범위를 가지는 바람직한 실시예의 모델 내에서 존재한다. 다른 실시예에서는 난방 필터가 채용된다.

냉방 전력 필터

를 위한

의 합은 1(one)에 가까워야 한다. 이것의 직관적인 의미는 냉방 전력 필터의 정상상태는 실제 냉방 전력 온도에 가까워야 한다는 것이다.

베이스라인 피크는 일반적으로 20

를 넘지 않아야 한다.

이러한 조건을 만족하는 A의 특정 형태는 다음과 같다.

여기서,

사이즈의 단위 매트릭스(identity matrix)이고,

은 m개의 컬럼(column)과 n개의 로우(row)를 구비하는 제로 매트릭스(zero matrix)이다. 파라미터 추정 제약은 벡터 b에 포함되고, 벡터 b의 특정 예는 다음과 같이 주어진다.

여기서, 상기

는 크기 20을 갖는 1

24의 벡터이다.

최적화(OPTIMIZATION)

상술한 파라미터에 따라 추정된 모델로부터 특정 ‘비용’ 목표(target) 및/또는 제약(constraint)을 만족하는 최적 전력 프로파일을 찾을 수 있다. 이 부분에서의 논의는 냉방에만 제한된다. 그러나, 난방과 관련하여도 비슷한 최적화 프로세스가 가능할 것이다.

예를 들어,

로 주어지는 일기예보를 고려하자. 또한,

로 주어지는 건물의 냉방 전력 프로파일 역시 고려하자. 필터링 버전을 얻기 위해 이들 2개의 시계열(time series)을 수학식 12 내지 17에 대입하는 것이 가능하고, 수학식 18인

를 통해 건물 내부 온도를 얻을 수 있다.

는 선택된 전력 프로파일

이 잘 작동하는지 아닌지를 평가할 수 있게 한다. 특히, 에너지 소비 비용 및

배출(

에 근거하여)뿐 아니라, 인구 쾌적성(

에 근거하여)에 미치는 영향도 파악할 수 있다.

본 실시예의 에너지 소비의 금전적(dollar) 비용은 다음과 같이 주어진다.

여기서,

는 샘플 k에 상응하는 시점에서의 에너지 가격(tariff)를 의미한다.

배출의 비용은 다음과 같이 주어진다.

다음과 같이, 기결정된 목표 평균 쾌적성 수준(predetermined target average comfort level)으로부터의 편차(deviation)에 비용을 부과(impose)할 수도 있다.

우리는 이러한 세 가지의 비용 성분을 하나의 단일 비용 함수로 묶을 수 있다.

수학식 35에서, 세 가지 파라미터

는 사용자가 설정 가능(user configurable)하다.

의

파라미터는 주어진 주위 온도 예보 하에서 전체 비용 함수는 선택된 전력 프로파일에만 종속된다는 것을 강조하기 위한 것이다.

비용 함수는 표준 최적화를 이용하여 최적의 전력 프로파일을 찾을 수 있게 한다. 물론, 변형 또는 변경된 비용 함수가 사용될 수도 있다.

난방을 포함하는 변형 모델(ALTERNATIVE MODEL INCLUDING HEATING)

난방 최적화를 포함하는 이전 모델의 확장(extension)의 일 형태가 이제부터 설명될 것이다. 상기 확장(extension)은 추가적인 건물 작동 타입, 난방 및 연료 자원 혼합 및 변형된 최적화, 모델링 방법들을 고려하는 것이다. 모델은 열 에너지, 전기 및 비전기 연료원, 냉난방 혼합 상황의 에너지 소비, 쾌적성 수준 및 건물의 CO2 배출의 영향을 규명하기 위해 확장될 수 있다.

변형 모델은 가스 보일러 난방 시스템, 가열 및 냉각된 물 루프(water loop) 및 VAV를 구비하는 건물에 대하여 시험되기 위해 설계된다. 물론, 주문제작된 어떠한 특정 건물도 수행될 수 있다. 모델이 개발된 건물예(example building)는 호주 빅토리아(Victoria, Austrailia)에 위치하였고, 다음의 특징을 가졌다. 건축: 블록작업(blockwork), 2006 완공, 바닥면적(floor area): 1808m2, 3층, 사무실, 작동: 혼합 모델(팬, 자동창문으로 자연환기), 난방: Raypak 868 가스 보일러(868kWth), 냉방: York YCA 0235 6-stage Air-Cooled Scroll Chiller(235kWth nominal), BMS: Siemens Desigo v3.0, Siemens BACNet Sever, 계량기(Metering): 가스 볼륨 계량, 전기 보조 계량(기계 서비스 ＆ 건물 전체).

이 변형 모델은 존 온도에 대한 냉방 및 난방의 영향을 학습하기 위해 건물 에너지 모델의 구조를 확장하기 위해 제공된다. 또한 상기 모델은 냉방 및 난방 에너지 소비의 최적화를 고려한 것이다. 상기 모델은 비전기 연료원 또한 다룬다. 이는 용량(capacity), 가격 구조 및 온실가스 배출에 대한 고려(consideration)을 포함한다. 또한, 상기 모델은 복합(동시도 가능한) 에너지원의 취급도 고려하는 것이다.

냉방만을 다루는 종전 모델은 온화 기후의 건물을 위해 설계되어 HVAC 에너지 소비는 냉방에 의해 지배된다. 냉방은 대부분 전기 냉방장치를 사용하여만 달성되는 반면, 난방을 공급하는 것에는 일반적으로 몇몇의 다른 시스템 및 연료 종류가 사용된다. 또한, 복합적인 다른 시스템들이 설치될 수 있고, 한 건물에서 동시에 가동(현저하게 복잡한 실시)될 수 있다.

건물이 냉난방 복합 시스템을 구비하여 주어진 조건 하에서 어떠한 것을 사용할지 결정할 수 있는 실질적인 유연성을 가지더라도, 이 변형 모델에 사용되는 접근법은 기존의 BMS로 하여금 주어진 조건 설정점에 영향을 주기 위하여 사용되는 플랜트의 적절한 조합을 결정할 수 있게 하는 것이다. 고수준(high level)에서, 이 변형 모델은 에너지 온실가스와 건물 상태(condition) 사이의 관계를 학습하고, 최적화된 존 조건(condition) 설정점을 적용한다. 저수준(low level)에서, 이 변형 모델은, 핵심 최적화의 일부는 아니라고 하더라도, 가동을 중지하도록 사용되거나 특정 플랜트를 우선적으로 사용할 수 있다. 저수준 변화가 일어나면, 이 변형 모델은 조건(condition)/에너지 관계의 변화를 통해 이를 파악하고, 이에 맞게 건물 모델을 업데이트한다.

존 수준 난방/냉방 제어(ZONE LEVEL HEATING/COOLING CONTROL)

주요 제어 변수(key control variable)에서의 존 수준 PMV를 사용하던 초기 논의 모델. 이 냉방 지배 케이스에서, 난방은 규칙 기반 접근법(rule based approach)(최소한의 수용 가능한 쾌적성 수준(그 이상은 아닌)으로의 열)을 이용하여 수행되었고, PMV 설정점은 냉방 목표 수준으로 해석되었다. 개별 존 제어 알고리즘은 필수적이었다. If T_Zone < T_{Min_Allowed} then Heat_To_T_Min else Cool_To_PMV_Setpoint end.

정확히 어떻게 이러한 냉난방 설정점들이 설정되었는지는 구체적인 BMS 및 건물 구성(공기 공급 설정점, 냉각 및 가열 물 밸브 등의 제어를 포함하여)에 종속되었다. 중요한 것은 이러한 저수준 BMS 인터페이스는 에너지가 냉방 설정점 아래로 냉방하는데 낭비되지 않거나, 난방 설정점 위로 난방하는데 낭비되지 않는 것을 담보한다는 것이다. 예를 들어, 전기 재가열(electric reheats)은 냉방 전력을 감소시키려는 의도로 존 설정점을 높일 때 나타난다(come on). 냉방과 난방을 모두 최적화시키기 위해 (에너지 낭비가 심할 수 있는 인접한 존들에서) 냉방/난방이 동시에 일어날 가능성을 최소화하는 동안 변형 모델의 고수준 건물 최적화는 두 개의 설정점(냉방 설정점 PMV, 난방 설정점 PMV)을 생성하기 위하여 변경된다. 기본 개별 존 제어 알고리즘은 종전 것과 본질적으로 동일하지만 냉방과 난방 설정점이 모두 PMV로 표현되고 최적화에 따라 동역학적으로 변화하는 If PMV_Zone < PMV_{Heat_Setpoint} then Heat_To_PMV_{Heat_Setpoint} else Cool_To_PMV_{Cool_Setpoint} end를 반드시 실행하도록 변경된다. 이는 저수준 존 제어기에 최소한의 변화를 요구한다.

난방, 냉방 및 여러 연료원을 포함시키는 것을 수월하게 하기 위해, ‘그레이 박스(grey box)’ 건물 모델의 구조가 수정된다. 업데이트된 공식은 다음과 같다.

여기서,

는 (모델링된) 애그리게이트(aggregate) 존 온도,

는 외부(주위) 온도,

는 현재 HVAC 냉방 및 난방 전력으로부터 발생하는 존 온도의 정상상태편차,

는 사람, 장비, 태양 등을 고려(account for)하는 시간에 대한 학습함수(learnt function),

와

는 시스템 다이내믹스(system dynamics)를 고려(account for)하는 선형시불변 필터(linear time invariant filter)이다. 또한, 우리는

을 (모델링된) 프리러닝(free-running) 존 온도(즉, HVAC 시스템이 가동하지 않을 때의 애그리게이트 존 온도의 추정치)로,

을 HVAC 시스템에 따른 존 온도의 차이로 명시한다.

필터 F(s)는 피드스루(feed-through) 및 1, 2, 5시간에서의 시정수와 함께 3차 오더 LTI였고, 또 그렇게 남는다. 구체적으로,

및

여기서,

는 동일한 필터 이득(gain)이고,

는 1, 2 ＆ 5시간에서의 시정수이다.

은

시간(hour)에서 모델링된 평균 존 온도에 일(day)(week or weekend)로 추가되는 오프셋(offset) 온도(°C)로 해석되는

크기의 두 벡터 BaselineWeekday 및 BaselineWeekend 로 표현된다. 다른 시간에서의 정확한

값을 계산할 때는 가장 가까운 두 값 사이에서 선형 보간법(linear interpolation)이 수행될 수 있다. 변형 모델에서의 한 가지 차이점은 정규화된 HVAC 냉방 전력은 (복합 난방/냉방 소스(source)의 존 온도에의 애그리게이트(aggregate) 임팩트(impact)를 나타내는)

로 대체된다는 것이다.

난방/냉방 전력 관계(Heating/Cooling Power Relationships)

종전 모델은 냉방 지배적 방식을 목표로 한 반면, 난방 방식을 다루려면 변형된 전력 모델이 요구된다. 주요 인자로, 존 사이의 다이버시티(diversity)는 애그리게이트 존 온도가 설정점에 있더라도 난방 및 냉방을 인가된 HVAC 전력에 비례하도록 취급하는 것이 아닌, 난방 및 냉방 에너지 모두가 개별 존을 설정점에 있도록 유지하는데 사용될 필요가 있음을 의미한다. 주목할만한(notable) 냉방/난방이 달성되기 전이라도 가동되는, HVAC 시스템과 관련된, 합리적으로(reasonably) 고정된 몇몇의 로드(load)(즉, 팬＆펌프)가 필요하다. 이러한 베이스라인의 일부는 다른 사이트 로드(site load)에 기인할 수도 있다. 다른 인자는 주위 온도에 따라 변하는 냉난방 시스템의 효율이다. 특정 예로, 주위 온도가 상승하면 COP(coefficient of performance)가 감소한다. 난방장치/냉방장치(데이퍼지(day-purge))를 우선적으로 가동하기 위한 증가된 외부 공기의 사용 역시 이러한 영향(impact)이 있다.

측정된 전력과 애그리게이트 존 온도에의 영향 사이의 관계로 다음이 사용되었다.

여기서, 상기 수학식의 첫 번째 부분은 유효냉방온도(effective cooling temperature,

), 두 번째 부분은 유효난방온도(effective heating temperature,

)이고,

와

는 각각 실제 냉방 및 난방 전력(kW)의 추정치(estimate),

와

는 각각 베이스라인(baseline) 냉방 및 난방 전력(kW),

와

디레이팅은 다음과 같이 파라미터화된다.

및

보다 위의 온도에서는 냉방 디레이팅이 일어나고,

보다 아래의 온도에서는 난방 디레이팅이 일어난다. 전형적인 값은 20°C이다.

및

은 전형적으로 대략 0.02/ °C의 값을 가지는 디레이팅 프랙션(fraction)이다.

또한, 난방/냉방 복합 시나리오를 에뮬레이팅(emulate)하기 위해, 유효냉방은

, 유효난방은

에서 일어나는 것으로 고려한다. 이들의 전형적인 값은

및

이고, 이는

가 -0.5 와 0.5°C 사이일 때 난방 및 냉방이 모두 일어나는 것을 의미한다.

도 12는 이러한 변수들의 상호관계를 나타낸다. 결합된 냉난방 전력은 ‘V’ 또는 포물선 종류의 관계를 만족하는 건물의 총 전력을 도출하여, 우리는 건물의 전력을 외부 온도의 함수로 예상한다.

수정된 건물 모델로의 피팅(Fitting to the Revised Building Model)

수정된 모델에서, 건물 모델의 피팅은 시스템이 재가동되면서 하루에 한 번 수행된다. 건물 로그 파일(log file)로부터 데이터가 읽히고, 신호를 위하여 시계열 데이터가 추출된다. 이러한 데이터는

(모든 존 온도의 가중평균(weighted average)으로 취득된 애그리게이트 존 온도- ‘Config_ZoneSizes’ 구성 파라미터에 근거하여),

(아래 설명된 바와 같이 모든 냉방 관련 전력 측정치의 합으로 취득된),

(아래 설명된 바와 같이 모든 난방 관련 전력 측정치의 합으로 취득된),

(측정된 주위(외부) 온도)을 포함한다.

이상적으로는 이들 데이터 세트는 2-3개월의 연속적인 데이터를 포함해야 한다. 이러한 경우가 아니라면, 작은 데이터 갭(gap)은 보간(interpolate)될 수 있다. 데이터 갭이 크다면, 데이터는 여러 세트로 분해(break up)될 수 있고, 데이터가 필터링되면 각 세트의 처음 5시간은 알려지지 않은 초기 조건의 영향을 최소화하기 위해 버려진다.

모델 피팅 평가는 2-노름(2-norm)을 근거로 한다. 즉,

, 모델링된 애그리게이트 건물 존 온도와 측정된 애그리게이트 건물 존 온도 사이의 제곱오차를 최소화하기 위해 허용되는 범위의 모델 파라미터가 선정된다.

모델 피팅은 중첩된 최적화(nested optimization)로 프로그램화될 수 있다.

여기서, 전력 파라미터는

,

및

, 필터 파라미터는

,

, BaselineWeekday 및 BaselineWeekend, 마지막 단계로

and

가 학습된 모델에 근거하여 피팅된다.

이러한 모델 피팅을 실시하는데 있어서, Matlab lsqlin 함수(least squares with linear constraints)가 필터 파라미터를 피팅하기 위해 사용될 수 있고, fmincon(multidimensional constrained nonlinear minimization)이 전력 파라미터를 검색(search)하기 위해 사용될 수 있다. 모델은 요구되는 비선형 최소화(nonlinear minimization)의 크기를 감소시키기 위해 이러한 방법으로 분해(break up)된다. 이는 선형 케이스보다 더 어려운 문제이다. 모델 피팅 루틴(routine)은 업데이트되기 때문에, 파라미터 값의 한계는 상기 루틴에 하드코딩(hard coded)되는 것 보다는, 각 파라미터의 상계 및 하계(upper and lower bounds)로 패스인(pass in)한다. 파라미터가 피팅되지 않으면, 이들 상계 및 하계는 동일하게 설정된다.

수정된 건물 모델과 함께 건물 설정점 최적화(Optimising Building Setpoints with the Revised Building Model)

변형 모델에서, 건물 설정점 최적화를 위한 방법론은 난방 방식을 고려하기 위하여 수정될 수 있다. 종전에는, 최적화는 최적화된 전력 프로파일을 되돌려주고, 이 전력 프로파일은 트래킹(tracking)되면서 각 존을 위한 적절한 PMV 설정점을 결정하도록 사용되었다. 변형 모델에서는, 수정된 최적화는 예상 난방 및 냉방 전력에 더하여 듀얼(dual) 난방 및 냉방 목표 PMV 설정점을 분명하게 제공한다. 상기 PMV 설정점은 이제 주요 최적화 설정점으로 취급되고, 예상 전력 사용이 초과될 때에만 릴랙스(relax)된다. 이러한, 초기 조건 계산으로의 수정된 접근은 전력 측정에 있어서의 변동(fluctuation)에 대한 민감성의 일부를 극복하는데 도움을 준다(예상 전력 사용이 초과되지 않으면, 건물은 PMV 설정점에 대하여 작동할 것이다).

듀얼 PMV 설정점은 종전과 비슷한 최적화 프로세스를 통해 유도되나, 이제는 냉방전력이 아니라

가 최적화 변수이다.

로부터, 예상 냉난방 전력은 비선형 맵(map)으로부터 결정되고, 전력 비용, 온실가스 비용 및 PMV를 계산하는 것이 가능해진다. 최적화된 PMV로부터, 듀얼 PMV 설정점은 아래와 같이 주어진다.

즉, 건물이 애그리게이트(aggregate) 난방이 될 때, 냉방이 필요한 존은 오직 최소 수용 가능 PMV(PMV 스케일(scale)은 -3(cold)에서 3(hot)으로 변함)로 냉방되고, 난방되는 존은 최적화 PMV 설정점을 목표로 한다. 냉방 모드를 위해서도 유사한 공식이 사용될 수 있다.

설정점 최적화는 실제 건물 존 온도, 에너지 가격 및 일기예보의 업데이트된 정보를 근거로 하여 매 5분 마다 가동된다. 이들은 냉난방 전력과 건물 열적 상태 사이의 예상 관계를 도출하는 종전에 결정된 건물 모델과 함께 사용된다.

최적화는

를 최소화하려고 한다. 여기서,

는 하루 중 남은 시간을 위해 제안된 가동 스케쥴의 CO₂ 영향 추정치,

는 하루 중 남은 시간을 위해 제안된 가동 스케쥴의 금전 비용 추정치, 는 하루 전체를 위해 달성된 평균 PPD 추정치,

＆

는 최적화에 이들 측정지표(metrics)들의 상대적 중요도를 할당하는데 사용되는 (스칼라(scalar)) 가중치(weight),

는 하루에 걸친 건물의 목표 최대 허용 평균 PPD이다.

이러한 비용 함수를 평가하는데 있어서,

및 heating/cooling power 사이의 종전 섹션(section)(따라서, 에너지 ＆ CO₂ 비용)에서 설명된 바와 같이 정적(비선형) 맵(static (nonlinear) map)이 있다. 하루 중 남은 시간을 위한 PMV 및 PPD를 평가하기 위해, 미래의 날씨 상태에 대한 추정이 필요하다. BMS로부터, 우리는

의 데이터 이력(history)를 가지고 있고, BOM(어떠한 국부적 날씨 학습 알고리즘을 더하여)으로부터, 우리는 예상 주위 온도

를 가지고 있다. 이러한 2 데이터 세트는 반드시 머징(merge)되어, 데이터에 불연속이 존재하면 안 된다. 이력(historic)과 예상 주위 온도의 머징은 3시간 간격으로 일어나고, 이에 따른 데이터 세트는

로 표시된다. 머징 프로세스는 도 13에 도시되었다.

초기 조건의 취급(Dealing with Initial Conditions)

종전 모델은 모델 다이내믹스(dynamics)를 초기 설정하기 위해 냉방 전력 및 주위 온도의 측정치에 의존하였다. 이는 측정된 전력이 예상 모델링 전력과 크게 다르거나(예를 들어, 압축기 스테이징(staging)으로 인해), 건물 다이내믹스 및 로드(사용 패턴)가 모델링된 것과 크게 다른 경우에는 문제를 야기할 수 있다. 이는 (현재 시간까지의) 측정된 거동과 앞으로의 예상 거동 사이의 불연속으로 명백해질 수 있다. 이를 극복하기 위해 돕고, 전력 모델링에 대한 의존도를 최대한 제거하기 위해 최적화는 상태(state) ‘추정기(estimator)’(관측기(observer))를 사용하여 건물의 동역학적 상태를 모델링할 수 있다(그리고 프리러닝 응답을 제공한다.). 이는 최적화 루틴이 제안된

에 대한 건물 응답을 계산하는데 있어서 오직 제로(zero) 초기 조건의 취급만을 필요로 할 수 있게 한다.

추정된 조건(conditioning)은 건물 모델을 시간 t_now 에 이르기까지 재배열하는 것에 의해 얻어진다.

그리고 프리러닝(free-running) 건물 응답(no HVAC)은 t_now 보다 큰 시간에서

으로 설정하고,

을 계산하는 것에 의하여 얻어지며, 제어된 건물 애그리게이트 존 온도 응답은 다음과 같이 주어진다.

-

여기서,

는 t_now 보다 큰 시간에서의 최적화된 제로 초기 조건 응답이고, 다른 필터 다이내믹스는 시간 t_now 에서의 적절한 상태를 가지기 위해 전일(previous day)의 데이터를 발전(evolve)시킬 수 있다.

다른 종류의 연료 공급(Catering for different Fuel Types)

변형 모델은 다른 종류의 연료 또한 취급할 수 있다. 여기서의 주요 이슈는 다른 연료 종류는 다른 온실가스 포텐셜(potential)을 가지고 있다는 점, 다른 연료 종류는 다른 가격 구조를 가진다는 점, 연료 사용을 모니터링 하기 위해 다른 측정 방법이 사용되는 점이다.

호주에서는, 호주 정부에 의해 서로 다른 에너지원의 상대적 영향이 계산된다(Department of Climate Change and Energy Efficiency (DCCEE)). 이러한 수치는 매년 업데이트되고 NGA 인자(National Greenhouse Accounts Factors)로 출판된다. 상기 인자는 다른 채취 방법, 연료 혼합, 배전 손실(distribution loss) 등에 따라 변화하고, 그 결과 시간 및 지리적 위치에 따라 변화한다. 온실가스 영향에 대한 보고에서, 세 가지의 다른 종류의 배출 인자가 사용되었다. 직접배출(Scope 1) - 이는 활동(activity)으로부터의 직접적인 CO₂ 등가물 배출이다(예를 들어, 천연가스 연소 과정에서 직접적으로 방출되는 CO₂). 간접배출(Scope 2) - 이는 전기 생성 과정으로부터의, 조직(organization)에 의해 구매되고 소비되는, 활동을 하기 위한, 간접적인 CO₂등가물 배출이다. 기타 간접배출(Scope 3) - 이는 연료의 추출, 생산, 운송, 발생, 배분/이송 등에 관련된 다양한 추가적 배출이다. 이는 전력망 손실도 포함한다. 완전한 연료 사이클의 평가 비용은 기타 간접배출에 포함된다.

상업 건물 부문에서는 다른 연료 종류의 상대적 비율이 사용되고, 호주 상업 건물에 사용된 다른 연료 종류의 상대적 비율에 대한 보고는 아래의 도 14에 도시되었다. (놀랍지 않게도) 전기와 천연가스의 사용이 지배적이다. 호주에서의 이들 연료의 완전한 연료 사이클의 가장 최근의 추정치(July 2010, from [1])는 아래의 표에 정리되어 있다(1MWh=3.6GJ).

	Natural Gas (metro) kgCO₂-e/GJ			Electricity kgCO₂-e/GJ (kgCO2-e/kWh)
	Scope 1	Scope 3	Full Cycle	Scope 2	Scope 3	Full Cycle
NSW	51.33	14.2	65.53	249 (0.9)	48 (0.17)	298 (1.07)
Vic	51.33	4.0	55.33	342 (1.23)	39 (0.14)	382 (1.37)
Qld	51.33	8.6	59.93	247 (0.89)	36 (0.13)	283 (1.02)
SA	51.33	10.4	61.73	200 (0.72)	37 (0.13)	236 (0.85)
WA (SWIS)	51.33	4.0	55.33	228 (0.82)	29 (0.1)	257 (0.93)
Tas	51.33	NA	NA	89 (0.32)	8 (0.03)	96 (0.35)
NT	51.33	NA	NA	189 (0.68)	26 (0.09)	215 (0.77)

다른 종류의 연료 공급 및 측정 방법의 설정 변화(Configuration Changes to Cater for Different Fuel Types and Measurement Method)

종전 모델은 오직 한 가지 타입의 전력 측정(냉방에 기여하는 전기 kW)만을 효과적으로 다루었다. 변형 모델에서는, 설정(configuration) 파라미터를 포함시키는 것에 의해 업데이트된다.

변형 모델은 5개의 설정 변수를 포함한다.

Config_PowerWeights 1 0.72 278

Config_CarbonWeights 1.07 1.07 0.236

Config_PowerTypes CP CP HE

Config_PowerPrices 1 1 2

Config_PowerPriceNames ‘Elec TOU’‘Gas’

많은 종류의 정규화(normalization)가 사용될 수 있지만, 조정 인자는 서로 다른 연료 및 측정 타입의 상대적 영향을 비교하기 위한 메커니즘을 제공할 필요가 있다. 조정 인자는 전력을 비교하기 위하여 kW(또는 kWh)로, 온실가스 영향을 비교하기 위하여 kgCO₂-e/kWh로 측정된 양을 변환하는 것으로 명목적으로 고려되어 왔다. PowerWeights 설정 변수는 kW(또는 kWh)로 조정(scale)한다. CarbonWeights 변수는 kgCO₂-e로 조정한다. PowerTypes 변수는 각 전력 측정을 분류하여 냉방(C) 또는 난방(H)으로 부여(contribute)하고, 전력(P) 또는 에너지(E) 측정 타입으로 부여한다. 전력 측정은 (예를 들어) 직접적인 kW 측정이다. 에너지 측정은 누적계(cumulative register)(즉, kWh)를 통하고, 반드시 시간에 대해 미분되어 전력 수준을 결정한다. 전력타입으로 가능한 값은 ‘CP’, ‘CE’, ‘HP’ 및 ‘HE’이다. PowerPriceNames은 서로 다른 에너지 가격 구성의 이름을 홀딩한다. PowerPrices는 어떤 에너지 가격 구조가 각 전력 측정에 적용될 것인지를 결정하기 위해 PowerPriceNames에게 인덱스(index)를 제공한다.

상기 예의 특정 설정 값에서, 3개의 측정된 전력 데이터 포인트가 있다. 이들은 건물 설정 파일에서 전력_1, 전력_2 및 전력_3으로 명명될 것이다. 전력_1은 직접적으로 kW로 측정되므로 PowerWeights는 1이다. CO₂-e로의 조정 인자(scaling factor)는 1.07(for NSW)이다. 이 에너지는 ‘CP’로 직접적으로 측정되는 전력과 함께 냉방에 사용된다. 에너지 가격 타입은 ‘Elec TOU’이고, 따라서 인덱스 1이 PowerPriceNames에 주어진다. 전력_2는 3상 대칭 시스템(balanced 3 phase system)의 1상(1 phase)의 암페어(amps)를 측정함으로써 얻어진다. 따라서 측정된 1 암페어는 720W 전력에 대응하므로 PowerWeights는 0.72로 주어진다. 다른 조정 인자는 전력_1과 같다. 전력_3은 난방을 위한 가스이다. 이것은 GJ 단위의 어큐뮬레이션 미터(accumulation meter)를 이용하여 측정된다. 278의 PowerWeights는 GJ를 등가의 kWh로 변환한다. 0.236의 CarbonWeights는 천연가스 소비의 1 kWh 등가물과 동일시되는 kgCO₂-e이다. PowerPrice는 가스 가격 구조의 PowerPriceNames 에 부여되는 인덱스인 2이다.

다양한 전력 가격 구조의 이름이 설정 파일에 저장되나, 가격 수준의 실제 설정은 다양한 연료 종류(EnergyPriceConfigV2.m 참조)를 고려하기 위해 업데이트되는 ‘에너지 가격 설정(Energy pricing Configuration)’ GUI를 통해 수행된다. 이는 TOU 가격 구조로 하여금 각 연료 종류(가스와 같이 일정 가격으로 고정될 수 있는)를 준비(set for)할 수 있게 한다. 도 15는 데이터 입력을 위한 업데이트된 GUI를 도시한 것이다. 단위는 명목적으로 c/kWh가 사용되었으나, 물론 이는 임의적인 것이다.

참고문헌(References)

Australian Greenhouse Office (1999), Australian Commercial Building Sector Greenhouse Gas Emissions 1990-2010. Available online at http://www.environment.gov.au/ [Accessed 17 June 2008]

Braun, J.E. (1990), Reducing Energy Costs and Peak Electrical Demand Through Optimal Control of Building Thermal Storage, ASHRAE Trans. Vol 96(2), pp. 876-888

Braun, J.E., Montgomery, K.W. and Chaturvedi, N. (2001), Evaluating the performance of building thermal mass control strategies. HVAC＆R Research. Vol 7(4) pp 403-428.

Eto, J. (2007), Demand Response Spinning Reserve Demonstration. Ernest Orlando Lawrence Berkeley National Laboratory. Berkeley CA, USA. http://eetd.lbl.gov/ea/EMS/EMS_pubs.html [Accessed 17 June 2008]

Fanger, P.O. (1967), Calculation of thermal comfort: introduction of a basic comfort equation. ASHRAE Transactions 73(2):III.4.1.

Seppanen, O., Fisk, W.J. and Lei, Q.H. (2006), Room temperature and productivity in office work, Lawrence Berkeley National Laboratory, University of California. http://repositories.cdlib.org/lbnl/LBNL-60952 [Accessed 17 June 2008]

White, S. and Ward, J.K. (2006), Performance of a Microturbine Power and Desiccant Cooling Demonstration. IIR-IRHACE International Conference 2006. Auckland, New Zealand. 16th - 18th Feb 2006.

Burress, C. (2008), State abandons plan to allow utilities to control home thermostats, San Francisco Chronicle, Jan 17 2008. [Online]. Available: http://www.sfgate.com [Accessed May 1, 2008].

Australian Government Department of Climate Change (2008), National Greenhouse Accounts (NGA) Factors. http://www.climatechange.gov.au [Accessed 17 June 2008]

ASHRAE (2004), ANSI/ASHRAE Standard 55-2004, Thermal Environmental Conditions for Human Occupancy. American Society of Heating, Refrigerating and Air-Conditioning Engineers. Atlanta, USA.

Brager, G., Paliaga, G. and de Dear, R.J. (2004), Operable windows, personal control and occupant comfort. ASHRAE Trans., Vol. 110(2), pp.17-35.

Seppanen, O., Fisk, W.J. and Faulkner, D. (2003), Cost benefit analysis of the night-time ventilative cooling. Proceedings of the Healthy Buildings 2003 Conference. Singapore 2003, Vol 3 pp 394-399.

National Greenhouse Accounts (NGA) Factors. Department of Climate Change and Energy Efficiency, Commonwealth of Australia 2010. ISBN: 978-1-921299-04-9

해석 (Interpretation)

본 명세서의 “일실시예”는 그 실시예와 관련되어 설명되는 특정 특징, 구조 또는 특성이 본 발명의 적어도 하나의 실시예에 포함된다는 의미이다. 따라서, 본 명세서의 여러 곳에서의 “일실시예에서” 라는 어구는 반드시 동일한 실시예를 언급하는 것이 아니나, 그럴 수도 있다. 또한, 특정 특징, 구조 또는 특성은 하나 또는 그 이상의 실시예에서 어떠한 적당한 방법으로 결합될 수 있고, 이는 해당분야의 통상의 기술자에게는 자명할 것이다.

비슷하게, 상술한 본 발명의 대표적인 실시예의 설명에서, 본 발명의 여러 특징들은 본 공개를 능률적으로 하고, 하나 또는 그 이상의 여러 창의적인 측면에 대한 이해를 돕기 위한 목적으로 때때로 하나의 실시예에 묶여서 설명되었다. 그러나, 이러한 공개 방법은 청구된 발명이 각 청구항에 명시된 것보다 많은 특징을 요구하는 의도를 반영한 것으로 해석되어서는 안 된다. 그것보다는, 아래의 청구항이 반영한 바와 같이, 창의적 측면은 상술한 공개된 하나의 실시예의 모든 특징보다 적은 특징을 요구한다. 따라서, “발명을 실시하기 위한 구체적인 내용” 아래의 특허청구범위는 본 발명의 분리된 각 실시예와 같이 그것 고유의 특징에 의거하고 있어 “발명을 실시하기 위한 구체적인 내용”에 명백하게 포함된다.

또한, 상술한 실시예 중 일부는 다른 실시예가 포함하는 특징을 포함하지 않고 있으나, 통상의 기술자로서는 서로 다른 실시예의 특징들의 조합은 모두 본 발명의 범위에 속하는 것이고, 또 다른 실시예를 형성하는 것이라고 인식할 것이다. 예를 들어, 아래의 특허청구범위에서, 청구된 어떠한 실시예는 어떠한 조합으로도 사용될 수 있다.

또한, 상술한 실시예 중 일부는 컴퓨터 시스템의 프로세서 또는 다른 기능 수행 수단에 의해 실시될 수 있는 방법 또는 방법 구성요소의 조합으로 설명된다. 따라서, 그러한 방법 또는 방법 구성요소를 수행하기 위한 필요한 지시를 구비하는 프로세서는 상기 방법 또는 방법 구성요소를 수행하기 위한 수단을 형성한다. 또한, 상술한 장치 실시예의 구성요소는 본 발명을 실시하기 위한 목적으로 구성요소에 의해 수행되는 수단의 일 예이다.

제공된 설명에서, 많은 특정 상세 사항이 개시된다. 그러나, 본 발명의 실시예들은 그러한 특정 상세 사항이 없이도 실시될 수 있다. 다른 예, 공지 방법, 구조 및 기술은 본 설명에 대한 이해를 불명료하게 하지 않기 위해 자세히 설명되지 않았다.

“첫째”, “둘째”, “셋째” 등의 통상적인 형용사들은 단지 유사 물체들을 가리키기 위한 것이지, 반드시 그러한 순서, 시공간적 순위 등으로만 존재해야 하는 것은 아니다.

특허청구범위에서, ‘포함하는’이라는 용어는 적어도 이어지는 구성요소/특징을 포함한다는 개방적인 용어이지, 다른 것들을 배제하는 것은 아니다. 따라서, ‘포함하는’이라는 청구항에 사용된 용어는 열거된 수단 또는 구성요소 또는 단계를 한정하는 것으로 해석되어서는 안 된다. 예를 들어, A 및 B를 포함하는 장치는 오직 A 및 B를 포함하는 장치로 한정되어서는 안 된다.

비슷하게, 특허청구범위에서 사용되는 ‘결합된’이라는 용어는 직접적인 결합으로 제한 해석되어서는 안 된다. ‘결합된’ 및 ‘연결된’이라는 용어와 이들로부터 파생된 용어가 사용될 수 있다. 이러한 용어들은 서로 동의어라고 해석되어서는 안 된다. 따라서, 장치 A가 장치 B에 결합된다는 표현은 장치 A가 직접적으로 장치 B에 연결되는 것이라고 제한 해석 되어서는 안 된다. 즉, A와 B 사이에는 다른 장치 또는 수단이 있을 수 있다. “결합된”이라는 용어는 2 이상의 구성요소가 직접적으로 물리적으로 결합되거나 전기적 접촉을 하는 것일 수 있고, 또는 서로 직접적인 접촉은 하지 않으나 서로 상호작용을 하는 것일 수 있다.

본 발명은 바람직한 특정 실시예를 참조하여 설명되었으나, 아래의 특허청구범위의 범위 및 사상 내에서 다양한 변형 및 변경이 있을 수 있다.

Claims

(a) 건물의 초기 열적 모델을 개발하고, 상기 열적 모델을 시간이 경과함에 따라 지속적으로 업데이트하는 단계;
(b) 상기 건물을 위한 일일 난방(heating), 환기(ventilation) 및 공기조화(air conditioning)(HVAC) 작동 계획을 지속적으로 개발하기 위해 상기 열적 모델을 이용하는 단계; 및
(c) 현재 HVAC 작동 계획을 지속적으로 점검하고 상기 현재 HVAC 작동의 얼라인먼트를 상기 현재 HVAC 작동 계획으로 최적화하는 단계;
를 포함하는 건물의 HVAC 시스템 제어 방법.
제1항에 있어서,
상기 열적 모델은 상기 건물의 이력 열적 데이터에 피팅된 일련의 파라미터를 사용하는 건물의 HVAC 시스템 제어 방법.
제1항에 있어서,
상기 열적 모델은 구간적 다항식 모델인 건물의 HVAC 시스템 제어 방법.
제1항에 있어서,
상기 초기 열적 모델은 실질적으로 매일 반복적으로 업데이트되는 건물의 HVAC 시스템 제어 방법.
제1항 내지 제4항 중 어느 한 항에 있어서,
상기 일일 HVAC 작동 계획은 실질적으로 매 5분 마다 다시 계산되는 건물의 HVAC 시스템 제어 방법.
제1항 내지 제5항 중 어느 한 항에 있어서,
상기 HVAC 작동의 얼라인먼트를 상기 현재 HVAC 작동 계획으로 최적화하는 것은 실질적으로 매 10초 마다 시도되는 건물의 HVAC 시스템 제어 방법.
(a) 건물의 열적 모델을 결정하는 단계;
(b) 상기 건물의 사용자를 위한 예상 인체 쾌적성 모델을 결정하는 단계; 및
(c) 상기 건물의 난방(heating), 환기(ventilation) 및 공기조화(air conditioning)(HVAC) 전력 소비 계획을 계산하는데 상기 예상 인체 쾌적성 모델을 주요 인자로 사용하는 단계;
를 포함하는 건물의 HVAC 시스템 제어 방법.
제7항에 있어서,
상기 인체 쾌적성 모델은 상기 건물의 사용자로부터의 피드백 데이터에 의한 상기 건물의 사용자의 개인 쾌적성 데이터로 증강되는 건물의 HVAC 시스템 제어 방법.
제7항에 있어서,
상기 인체 쾌적성 모델은 ASHRAE 표준 쾌적성 모델로부터 유도되는 건물의 HVAC 시스템 제어 방법.
(a) 건물의 열적 모델을 결정하는 단계;
(b) 난방(heating), 환기(ventilation) 및 공기조화(air conditioning)(HVAC) 시스템을 위한 전력 소비 또는 카본(carbon) 배출 모델을 결정하는 단계; 및
(c) 상기 건물의 HVAC 작동 계획을 계산하는데 상기 전력 소비 또는 카본 배출 모델을 주요 인자로 사용하는 단계;
를 포함하는 건물의 HVAC 시스템 제어 방법.
제10항에 있어서,
상기 전력 소비 또는 카본 배출 모델은 에너지 공급원(energy suppliers)으로부터의 소비 및 가격 데이터로 증강되는 건물의 HVAC 시스템 제어 방법.
(a) 건물의 열적 모델을 결정하는 단계;
(b) 난방(heating), 환기(ventilation) 및 공기조화(air conditioning)(HVAC) 시스템을 위한 에너지 비용 모델을 결정하는 단계; 및
(c) 상기 건물의 HVAC 작동 계획을 계산하는데 상기 에너지 비용 모델을 주요 인자로 사용하는 단계;
를 포함하는 건물의 HVAC 시스템 제어 방법.
제12항에 있어서,
상기 에너지 비용 모델은 에너지 공급원으로부터의 소비 및 가격 데이터로 증강되는 건물의 HVAC 시스템 제어 방법.
(a) 건물의 열적 모델을 결정하는 단계;
(b) 상기 건물을 둘러싸는 지역의 예상 외부 기상 조건(expected external meteorological condition)을 결정하는 단계;
(c) 난방(heating), 환기(ventilation) 및 공기조화(air conditioning)(HVAC) 시스템을 위한 외부 기상 조건 모델을 결정하는 단계; 및
(c) 상기 건물의 HVAC 작동 계획을 계산하는데 상기 외부 기상 조건 모델을 주요 인자로 사용하는 단계;
를 포함하는 건물의 HVAC 시스템 제어 방법.
제14항에 있어서,
상기 외부 기상 조건 모델은 기상 데이터 공급원으로부터의 데이터로 증강되는 건물의 HVAC 시스템 제어 방법.
(a) 건물의 열적 모델을 결정하는 단계;
(b) 상기 건물의 사용자를 위한 예상 인체 쾌적성 모델을 결정하는 단계;
(c) 난방(heating), 환기(ventilation) 및 공기조화(air conditioning)(HVAC) 시스템을 위한 전력 소비 또는 카본 배출 모델을 결정하는 단계;
(d) 상기 HVAC 시스템을 위한 에너지 비용 모델을 결정하는 단계;
(e) 상기 HVAC 시스템을 위한 외부 기상 조건 모델을 결정하는 단계; 및
(f) 상기 건물의 HVAC 작동 계획을 계산하는데 상기 HVAC 시스템을 위한 예상 인체 쾌적성 모델, 전력 소비 또는 카본 배출 모델, 에너지 비용 모델 및 외부 기상 조건 모델 중 둘(two) 또는 그 이상의 모델에 상대적 가중치를 부여하는 단계;
를 포함하는 건물의 HVAC 시스템 제어 방법.
제16항에 있어서,
상기 인체 쾌적성 모델은 상기 건물의 사용자로부터의 피드백 데이터에 의한 상기 건물의 사용자의 개인 쾌적성 데이터로 증강되는 건물의 HVAC 시스템 제어 방법.
제16항에 있어서,
상기 인체 쾌적성 모델은 ASHRAE 표준 쾌적성 모델로부터 유도되는 건물의 HVAC 시스템 제어 방법.
제16항에 있어서,
상기 전력 소비 또는 카본 배출 모델은 에너지 공급원으로부터의 소비 및 가격 데이터로 증강되는 건물의 HVAC 시스템 제어 방법.
제16항에 있어서,
상기 에너지 비용 모델은 에너지 공급원으로부터의 소비 및 가격 데이터로 증강되는 건물의 HVAC 시스템 제어 방법.
제10항 내지 제20항 중 어느 한 항에 있어서,
상기 열적 모델은 실질적으로 매일 반복적으로 업데이트되는 건물의 HVAC 시스템 제어 방법.
제10항 내지 제21항 중 어느 한 항에 있어서,
상기 HVAC 작동 계획은 실질적으로 수 분 마다(in increments of minutes) 다시 계산되는 건물의 HVAC 시스템 제어 방법.
제1항, 제4항 및 제7항 내지 제22항 중 어느 한 항에 있어서,
상기 열적 모델은 실질적으로 다음의 형태를 가지는 건물의 HVAC 시스템 제어 방법.

(여기서,
는 건물 내부 평균 온도,
는 주위 온도,
는 HVAC 냉방소비전력이다.
는 전형적 HVAC 냉방소비전력으로, 상기 수학식에서는 다른 파라미터들과 동일한 범위의 파라미터
의 크기를 얻기 위해 조정 인자로 사용되고, 또한 여러 BMS 시스템에서의 작동을 감안한 정규화 메커니즘을 제공한다(이는 최적화 제약에 있어서 특히 중요하다.).
는 HVAC 난방소비전력(HVAC heating power consumption)이다.
는 전형적 HVAC 난방소비전력으로, 상기 수학식에서는 다른 파라미터들과 동일한 범위의 파라미터
의 크기를 얻기 위해 조정 인자로 사용되고, 또한 여러 BMS 시스템에서의 작동을 감안한 정규화 메커니즘을 제공한다(이는 최적화 제약에 있어서 특히 중요하다.).
는 주위 온도에 대한 건물 내부 온도 응답을 획득한다.
는 HVAC 냉방전력에 대한 건물 내부 온도 응답을 획득한다.
는 HVAC 난방전력에 대한 건물 내부 온도 응답을 획득한다.
(베이스라인(baseline))는
,
,
에서 획득된 인자를 제외한 인자들을 획득한다. 10은 다른 파라미터들과 동일한 범위의 파라미터
의 크기를 얻기 위해 사용된 조정 인자로, 이 숫자는 임의적으로 선택되었다.)
제23항에 있어서,
상기 베이스라인 함수는 그 주의 현재 일(current day of the week)에 따라 변화하는 건물의 HVAC 시스템 제어 방법.
제24항에 있어서,
상기 베이스라인 함수는 하루 중 고정된 특정 시점에 추정되는 삼각형 기저 함수의 조합인 건물의 HVAC 시스템 제어 방법.
제1항 내지 제25항 중 어느 한 항에 있어서,
상기 현재 HVAC 작동 계획으로 상기 HVAC의 이용(utilization)을 제어하는 것은 실질적으로 수 초 마다(in increments of seconds) 시도되는 건물의 HVAC 시스템 제어 방법.
실질적으로, 첨부된 도면을 참조하여 위에서 설명된 바와 같은 건물의 난방(heating), 환기(ventilation) 및 공기조화(air conditioning)(HVAC) 시스템 제어 방법.
제1항, 제4항 및 제7항 내지 제22항 중 어느 한 항에 있어서,
상기 열적 모델은 실질적으로 다음의 형태를 가지는 건물의 HVAC 시스템 제어 방법.

(여기서,
는 (모델링된) 애그리게이트 존 온도,
는 외부(주위) 공기 온도,
는 현재 HVAC 냉방 및 난방 전력에 따른 존 온도의 정상상태편차,
은 사람, 장비, 태양 등을 고려하는 시간에 대한 학습함수,
와 는 시스템 다이내믹스를 고려하는 선형시불변 필터이다.)
제28항에 있어서,
상기
는 다음의 형태를 가지는 건물의 HVAC 시스템 제어 방법.

(여기서, 상기 수학식의 첫 번째 부분은 유효냉방온도(
), 두 번째 부분은 유효난방온도(
)이고,
와
는 각각 실제 냉방 및 난방 전력(kW)의 추정치,
와
는 각각 베이스라인 냉방 및 난방 전력(kW),
와
는 HVAC 전력 효율을 위한 명목척도(°C/kW),
와
는 외부 온도에 대한 함수 형태의 HVAC 효율 디레이팅이다.)