KR20180110940A - Energy preformance profiling system for existing building - Google Patents
Energy preformance profiling system for existing building Download PDFInfo
- Publication number
- KR20180110940A KR20180110940A KR1020170040966A KR20170040966A KR20180110940A KR 20180110940 A KR20180110940 A KR 20180110940A KR 1020170040966 A KR1020170040966 A KR 1020170040966A KR 20170040966 A KR20170040966 A KR 20170040966A KR 20180110940 A KR20180110940 A KR 20180110940A
- Authority
- KR
- South Korea
- Prior art keywords
- building
- information
- unit
- energy performance
- energy
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000004088 simulation Methods 0.000 claims abstract description 36
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 238000010438 heat treatment Methods 0.000 claims description 18
- 238000005265 energy consumption Methods 0.000 claims description 15
- 238000003745 diagnosis Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 13
- 238000001816 cooling Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 238000009413 insulation Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 206010010774 Constipation Diseases 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000009423 ventilation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000010365 information processing Effects 0.000 claims 1
- 230000008929 regeneration Effects 0.000 claims 1
- 238000011069 regeneration method Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 12
- 241000196324 Embryophyta Species 0.000 description 10
- 238000004378 air conditioning Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 241000271903 Achimenes grandiflora Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G06F17/5009—
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
본 발명은 기 건출물의 에너지 성능 분석을 위한 프로파일링 시스템에 관한 것으로서, 더욱 상세하게는 데이터베이스에 구축된 입력 변수 및 입력 변수에 대한 시뮬레이션을 통해 도출된 월별 에너지 성능 정보를 훈련 데이터로 인공신경망 모델에 입력함으로써, 기 건출물의 예측 에너지 성능 학습을 수행할 수 있는 장치에 관한 것이다.More particularly, the present invention relates to a profiling system for analyzing energy performance of an initial product, and more particularly, to a method and system for analyzing energy performance information obtained through simulation on an input variable and an input variable constructed in a database, To a device capable of performing predictive energy performance learning of an initial discharge.
기존의 건출물의 에너지 성능을 진단하는 장치와 관련해서는, 한국공개특허 제10-2015-0135651호(이하, '선행문헌') 이외에 다수 출원 및 공개되어 있다. 상기한 선행문헌은, 건축물에 설치된 다양한 설비들에 대한 데이터가 부족한 경우에도 필요한 데이터를 시스템에서 직접 산출하여 사용할 수 있게 됨으로써, 건축물의 제한적인 가용 데이터를 활용하면서도 건축물의 다양한 설비들에 대한 분석을 용이하게 수행할 수 있게 된다.A number of applications and disclosures relating to devices for diagnosing the energy performance of existing dry products are disclosed in Korean Patent Laid-Open No. 10-2015-0135651 (hereinafter referred to as "prior literature"). The above-mentioned prior art document can directly calculate and use necessary data even when there is insufficient data on various facilities installed in the building, so that it can analyze the various facilities of the building while utilizing limited available data of the building So that it can be easily performed.
또한, 용도별 에너지 분리 분석에 필요한 데이터에 가장 가까운 최적의 값들을 용이하게 획득할 수 있게 된다.In addition, optimal values closest to the data required for energy-based separation analysis can be easily obtained.
또한, 건축물 전체에 대한 전체 에너지 사용량 데이터를 이용하여, 건축물에 설치된 설비 각각에 대한 사용량을 효과적으로 획득할 수 있게 된다.Further, by using the total energy usage data for the entire building, it is possible to effectively obtain the usage amount for each facility installed in the building.
그러나, 기존 건축물의 에너지 성능 개편 프로세서는 성능 진단, 의사 결정, 및 수행 및 검증 단계로 진행되며, 각 단계 별로 사용 목적과 용도에 따라서 차별화된 분석툴을 필요로 한다. 그러나 대부분의 경우 모든 단계에서 EnergyPlus, TRNSYS와 같이 잘 알려진 정밀 분석툴을 이용하거나, 전문가의 경험에 의한 직관적인 방법으로 프로세서를 진행하고 있다.However, the energy performance reengineering processor of existing buildings is proceeding with the performance diagnosis, decision making, and execution and verification stages, and each stage requires differentiated analysis tools depending on the purpose and use. In most cases, however, at every stage, the well-known precision analysis tools such as EnergyPlus and TRNSYS are used, or the processor is running in an intuitive way based on expert experience.
그러나 이러한 분석 툴의 대부분은 시간적, 비용적 소모가 크고 시뮬레이션에 능숙한 전문가를 통해서 수행되어야하기 때문에 활용이 어려운 문제가 있다.However, most of these analytical tools are time consuming, costly, and difficult to use because they must be done through a professional who is skilled in simulation.
또한, 주로 월별 또는 연간 건물의 총 에너지사용량만을 계측하거나 주요 에너지 사용 설비만을 계측하기 때문에 주요 에너지 사용 설비 이외 설비들에 대한 상세한 분석이 이루어지지 않고 있는 실정이다.In addition, since only the total energy consumption of the monthly or annual buildings is measured or only the main energy use facilities are measured, detailed analysis of the facilities other than the main energy use facilities is not performed.
상술한 선행문헌과 같이 기존의 건출물에 대한 에너지 성능을 판단하는 기술은 실시간으로 시뮬레이션의 결과를 토대로 학습을 수행하여 에너지 성능을 예측하여 산출하는 기술은 전무하다. There is no technology for predicting energy performance by performing learning based on the result of simulation in real time in order to estimate the energy performance of existing dry matter like the above-mentioned prior art.
본 발명은 상기와 같은 문제점을 감안하여 안출된 것으로, 사용자의 입력 변수와 입력 변수에 대한 시뮬레이션의 출력 변수인 월별 에너지 성능 정보를 인공신경망의 훈련 데이터로 제공함에 따라, 기 건출물에 대한 에너지 성능 학습을 실시간으로 수행하여 에너지 성능을 예측 산출하는 기 건출물의 에너지 성능 분석을 위한 프로파일링 시스템을 제공함에 그 목적이 있다. SUMMARY OF THE INVENTION The present invention has been conceived in view of the above problems, and provides energy performance information on monthly basis, which is an output variable of a simulation for a user's input and input variables, as training data of an artificial neural network, The present invention also provides a profiling system for analyzing energy performance of an exhaust manifold for predicting and calculating energy performance.
이러한 기술적 과제를 달성하기 위한 본 발명의 기술적 과제는 In order to achieve the above technical object,
사용자에 의해 복수의 건축물 에너지 성능 진단 관련된 입력 변수를 정의하고 정의된 입력 변수의 범위를 정의하는 데이터 입력부; 지도 데이터를 이용하여 추출된 업무용 건물 정보를 상기 데이터 입력부의 입력 변수의 형상 관련 객체에 매핑시켜 저장하고, 추출된 업무용 건물 내의 설비 정보를 상기 데이터 입력부의 입력 변수의 설비 관련 객체에 매핑시켜 저장하는 데이터베이스 구축부; 상기 데이터 구축부를 통해 입력된 건축물 에너지 성능 진단 관련 입력 변수와 기 정해진 함수를 토대로 시뮬레이팅을 수행하여 월별 에너지 성능 정보를 출력하는 시뮬레이션부; 및 상기 시뮬레이터부의 입력 변수와 상기 입력 변수에 대한 시뮬레이션 결과값인 월별 에너지 성능 정보를 훈련 데이터로 제공받아 입력된 훈련 데이터에 대해 학습 수행하여 월별 에너지 성능 정보를 출력하는 인공신경망 학습부를 포함하는 것을 특징으로 한다.A data input unit for defining input variables related to a plurality of buildings energy performance diagnosis by a user and defining a range of defined input variables; Maps the business building information extracted using the map data to the shape-related objects of the input parameters of the data input unit and stores the equipment information in the extracted business building by mapping the facility-related objects of the input variables of the data input unit A database building unit; A simulation unit for performing monthly simulations based on input variables related to the energy performance diagnosis of buildings and a predetermined function inputted through the data construction unit and outputting monthly energy performance information; And an artificial neural network learning unit that receives monthly energy performance information, which is a simulation result value of the input variable of the simulator unit and the input variable, as learning data, and learns the input training data to output monthly energy performance information .
바람직하게 상기 입력 변수는, 건물 위치 및 준공년도를 포함하는 건물개요와, 연면적, 층수, 창면적비, 장단변비, 및 방위각을 포함하는 건물 형상과, 냉방시작 시각, 냉방종료시각, 난방 설정온도, 냉방 시작 및 종료시각, 및 냉방 설정온도를 포함하는 건물 운영와, 벽체단열, 창문 단열, 및 창문 태양열취득계수를 포함하는 건축 속성, 재실 밀도, 재실 발열량, 조명 발열 밀도, 기기 발열 밀도, 및 침기를 포함하는 실내 발열, 유형, 급기 설정온도, 및 효율을 포함하는 공기 조화기, 유형, COP(Coefficient Of Performance), 및 냉수 냉각수 설정온도를 포함하는 냉방 플랜트, 유형, 효율, 및 온수 설정온도를 포함하는 난방 플랜트, 유형, 급탕 설정 온도를 포함하는 급탕플랜트 중 적어도 하나 이상으로 마련된다.Preferably, the input parameter includes at least one of a building outline including a building location and a completion year, a building shape including a floor area, a number of floors, a window area ratio, a long-term constipation, and an azimuth angle, a cooling start time, Building density, lumen heating, lighting heat density, appliance heat density, and sinking, including building operating, including wall opening, window opening, cooling start and end times, and cooling setpoint temperature, wall insulation, window insulation, Type, efficiency, and hot water setpoint including the air conditioner type, type, COE (Coefficient Of Performance), and cold water chilled water setpoint temperature, including indoor heat, type, And a hot water supply plant including a heating plant, a type, and a hot water setting temperature.
바람직하게 상기 입력변수의 범위는, 지도 데이터, 건축물의 법규 및 문헌을 기반으로 사용자에 의거 설정할 수 있다. Preferably, the range of the input variable can be set by a user based on map data, laws and documents of buildings, and the like.
바람직하게, 상기 데이터 구축부는 지도 데이터로부터 업무용 건물 정보를 추출하고 추출된 업무용 건물마다 데이터입력부의 입력 변수의 형상 관련 객체에 맴핑시켜 형상정보 모델을 구축하는 형상정보 모델과, 추출된 업무용 건물에 설치되는 설비 시스템 유형 마다 데이터입력부의 입력 변수의 설비 관련 객체를 생성하고 생성된 설비 관련 객체에 맴핑시켜 설비 정보 모델를 구축하는 설비정보 모델을 포함하고, 지도 데이터로부터 업무용 건물 정보를 추출하고, 추출된 오토 캐드 맵을 통해 상기 추출된 업무용 건물 정보의 GIS(Geographic Information System) 파일을 dwg. 파일로 변환하며, 캐드 컨넥트 엑셀 플러그인을 통해 상기 dwg. 파일의 좌표 정보를 엑셀 파일로 변환하는 전처리를 수행하는 전처리 모듈; 연면적, 층수, 장단변비, 방위각, 및 창면적비을 포함하는 데이터 입력부의 입력변수와 4개의 꼭지점을 가지는 건물을 대상으로 입력된 상기 창면적비로부터 연산된 벽체 면적 대비 창문 면적과, 면적의 창문이 각 외벽 중앙 위치되었다는 가정 하에 입력된 벽체의 열관류율과 창의 열관류율, 및 태양열취득계수를 포함하는 입력 변수를 상기 형상 관련 객체에 매핑시켜 저장하여 형상정보 모델을 구축하는 형상 정보 모델링 모듈;을 포함할 수 있고, 설비 시스템 정의, 사이즈 옵션, 브랜치(branch) 정보, 노드(node) 정보, 장비 운전 설정 중 적어도 하나에 대해 설비 시스템의 식별 번호를 정의하고, 공기 조화기 및 플랜트 선택에 따라 식별 번호를 판별하며, 건물의 규모 및 실내의 환경에 따라 변동되는 장비 용량, 유량 및 풍량을 상기 생성된 설비 관련 객체에 매칭시켜 저장하여 설비 정보 모델을 구축하는 설비 정보 모델링 모듈을 더 포함할 수 있다.Preferably, the data building unit includes a shape information model for extracting business building information from the map data, and for each extracted business building to map the shape-related objects of input variables of the data input unit to form a shape information model, And a facility information model for constructing a facility information model by creating facility related objects of the input variables of the data input unit for each type of facility system and mapping the generated facility related objects to the generated facility related objects, extracting the business building information from the map data, A geographic information system (GIS) file of the extracted business building information is extracted from the CAD map by dwg. File, and via the CadConnect Excel plug-in, the dwg. A preprocessing module for performing preprocessing for converting coordinate information of a file into an Excel file; The window area and the area of the window compared with the wall area calculated from the window area ratio inputted to the input variables of the data input section including the floor area, the number of stories, the long-term constipation, the azimuth angle, and the window area ratio, And a shape information modeling module for mapping the input variables including the heat conduction rate of the wall, the heat conduction rate of the window, and the solar heat acquisition coefficient to the shape-related object and constructing the shape information model based on the assumption that the center is positioned. The identification number of the facility system is defined for at least one of the facility system definition, the size option, the branch information, the node information, and the equipment operation setting, the identification number is determined according to the air conditioner and the plant selection, The equipment capacity, flow rate, and air flow rate, which vary depending on the size of the building and the indoor environment, The match was stored in the facility information may further include the modeling module to build a plant information model.
바람직하게 설비 시스템은, 변풍량, 정풍량, 및 전기히터펌프를 포함하는 공기 조화기 메인과, 팬 코일 유닛 및 전기히터펌프를 포함하는 공기 조화기 서브와, 전열 교환기 및 외기 냉방을 포함하는 공기 조화기 옵션과, 압축식 냉동기, 지역난방을 재생 열원으로 사용하는 흡수식 냉동기, 및 보일러를 재생기 열원으로 사용하는 흡수식 냉동기, 및 흡수식 냉온수기를 포함하는 냉방 플랜트와, 보일러, 지역난방, 및 흡수식 냉온수기를 포함하는 난방 플랜트와, 보일러 및 지역난방으로 포함하는 급탕 플랜트 중 적어도 하나 이상으로 구비될 수 있다.Preferably, the installation system comprises an air conditioner sub, including an air conditioner main comprising a variable air flow rate, a constant air flow rate and an electric heater pump, a fan coil unit and an electric heater pump, an air entraining unit An air conditioning plant including an air conditioner option, a compression type refrigerator, an absorption type refrigerator using a district heating as a regenerative heat source, an absorption type refrigerator using a boiler as a regenerator heat source, and an absorption type cold and hot water generator, and a boiler, a district heating, And a hot water supply plant including a boiler and district heating.
바람직하게 상기 시뮬레이션부는, 입력 변수의 샘플링을 통해 표본 집합에 대한 특성을 모사하는 몰테카를로 시뮬레이션 기법으로 시뮬레이션을 수행하되, 데이터베이스 구축부의 입력 변수에 대해 중심극한정리에 의거 정규화하여 확률 분포 형태로 획득하고 획득된 입력 변수에 대해 LHS(Latin Hypercube Sampling)을 통해 샘플링하며, 샘플링된 입력 변수와 기 정해진 소정 함수를 이용하여 시뮬레이션을 수행하여 월별 에너지 성능 정보를 출력하고 출력된 월별 에너지 성능 정보를 상기 인공신경망 학습부로 제공하도록 구비될 수 있다.Preferably, the simulation unit performs a simulation using a Moreta Carlo simulation technique that simulates characteristics of a sample set through sampling of input variables, normalizes the input parameters of the database construction unit based on the central limit theorem, obtains it as a probability distribution, Sampling the obtained input variable through LHS (Latin Hypercube Sampling), performing simulation using the sampled input parameter and predetermined function to output monthly energy performance information, and outputting the outputted monthly energy performance information to the artificial neural network To the learning unit.
바람직하게 월별 에너지 성능 정보는 월별 및 용도별 냉방, 난방, 급탕, 조명, 및 환기의 에너지 사용량과 열원 별 전기, 가스, 지역난방 에너지 사용량 중 적어도 하나를 출력하도록 구비될 수 있다.Preferably, the monthly energy performance information may be provided to output at least one of energy consumption of cooling, heating, hot water supply, lighting, and ventilation for each month and usage, and electricity, gas, and district heating energy consumption for each heat source.
바람직하게 상기 인공신경망 학습부는, 상기 데이터 입력부에서 정의되지 아니한 건축물 에너지 성능 진단 관련된 입력 변수를 사용자에 의거 수집하고, 상기 수집된 입력 변수 및 상기 데이터 입력부의 입력 변수 중 하나의 입력 변수와 상기 시뮬레이션부의 출력 변수를 훈련 데이터 세트로 제공받아 초기 인공신경망 모델을 구축하는 모델 구축 모듈; 구축된 초기 인공신경망 모델의 입력 변수와 출력 변수 간의 상관 관계를 도출하고 도출된 상관 관계가 최소인 인공신경망 모델을 최적화된 인공신경망 모델로 설정하는 최적화 모듈; 상기 최적화된 인공신경망 모델을 토대로 상기 입력 변수에 대해 학습을 수행하는 학습 모듈; 및 최적화된 인공신경망 모델을 성능 테스트를 통해 예측의 정확도를 확인하는 검증 모듈;을 포함하는 것을 특징으로 한다. Preferably, the artificial neural network learning unit collects, based on a user, an input variable related to a building energy performance diagnosis that is not defined in the data input unit, and inputs one of input variables of the collected input variable and the data input unit, A model building module for constructing an initial artificial neural network model by receiving output variables as training data sets; An optimization module for deriving a correlation between an input variable and an output variable of the constructed initial artificial neural network model and setting an artificial neural network model having the minimum correlation as an optimized neural network model; A learning module that performs learning on the input variable based on the optimized artificial neural network model; And a verification module that verifies the accuracy of the prediction through the performance test of the optimized artificial neural network model.
바람직하게 상기 프로파일링 시스템은 상기 입력 변수 및 출력 변수에 대한 건물 정보 입력, 건물 에너지 분석 결과, 에너지 성능 개선안의 선택 및 공사비 입력, 및 시뮬레이션부와 인공신경망 학습부의 결과 비교, 및 에너지 효율 등급 평가 결과를 그래픽 형태로 변환하여 사용자 단말의 화면에 표시하는 인터페이스부를 더 포함하는 것을 특징으로 한다.Preferably, the profiling system further comprises: inputting building information for the input variables and output variables, building energy analysis results, selection of energy performance improvement plan, input of construction cost, comparison of the results of the simulation unit and the artificial neural network learning unit, To the graphic form, and displays the converted image on the screen of the user terminal.
상기와 같은 본 발명에 따르면, 입력 변수에 대한 시뮬레이션 결과에 따른 기 건축물의 에너지 성능 정보를 인공신경망의 훈련 데이터로 입력하여 기 건축물에 대한 에너지 성능 정보를 예측 및 산출하는 프로파일링 시스템을 구축함에 따라, 기 건축물에 대한 에너지 성능 진단을 위해 전문가에 의해 수행하는 종래의 시뮬레이션과는 달리 입력 변수의 연속 설정 및 재설정이 가능하고 몬테카를로 기법을 이용하여 실시간 시뮬레이션이 가능하며, 접근성이 용이한 효과가 있다. According to the present invention, a profiling system for predicting and calculating energy performance information for a building by inputting energy performance information of a building according to a simulation result of an input variable into training data of an artificial neural network Unlike conventional simulations performed by experts for energy performance diagnosis of buildings, it is possible to continuously set and reset input parameters, and it is possible to simulate in real time using Monte Carlo method and easy accessibility.
본 명세서에서 첨부되는 다음의 도면들은 본 발명의 바람직한 실시 예를 예시하는 것이며, 후술하는 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니된다.
도 1 은 본 발명에 따른 기 건축물의 에너지 성능 진단을 위한 프로파일링 시스템를 개념적으로 도시한 블럭도이다.
도 2 는 본 발명에 따른 기 건축물의 에너지 성능 진단을 위한 프로파일링 시스템를 보인 예시도이다.
도 3은 본 발명에 따른 기 건축물의 에너지 성능 진단을 위한 프로파일링 시스템의 입력 변수의 정의 및 범위를 보인 예시도이다.
도 4는 본 발명에 따른 기 건축물의 에너지 성능 진단을 위한 프로파일링 시스템의 데이터베이스 구축부의 세부적인 구성을 보인 도이다.
도 5는 본 발명에 따른 기 건축물의 에너지 성능 진단을 위한 프로파일링 시스템의 데이터베이스 구축부의 형상정보 모델을 보인 예시도이다.
도 6은 본 발명에 따른 기 건축물의 에너지 성능 진단을 위한 프로파일링 시스템의 시뮬레이션을 위한 Matlab 함수를 보인 예시도이다.
도 7은 본 발명에 따른 기 건축물의 에너지 성능 진단을 위한 프로파일링 시스템의 인공신경망 학습부의 세부적인 구성을 보인 도이다.
도 8은 본 발명에 따른 기 건축물의 에너지 성능 진단을 위한 프로파일링 시스템의 인공신경망 학습부의 출력 변수를 보인 예시도이다.
도 9는 본 발명에 따른 기 건축물의 에너지 성능 진단을 위한 프로파일링 시스템의 인터페이스부에서 출력된 분석 결과를 나타낸 화면 예시도들이다.
도 10은 본 발명의 실시 예에 따른 기 건축물의 에너지 성능 진단을 위한 프로파일링 시스템의 대상 건물의 분석 결과를 보인 예시도이다.BRIEF DESCRIPTION OF THE DRAWINGS The accompanying drawings, which are incorporated in and constitute a part of the specification, illustrate preferred embodiments of the invention and, together with the description of the invention given below, serve to further understand the technical idea of the invention. And should not be construed as limiting.
1 is a block diagram conceptually illustrating a profiling system for energy performance diagnosis of a building according to the present invention.
2 is a diagram illustrating an example of a profiling system for energy performance diagnosis of a building according to the present invention.
FIG. 3 is an exemplary view showing definitions and ranges of input parameters of a profiling system for energy performance diagnosis of a building according to the present invention.
4 is a detailed configuration diagram of a database construction unit of a profiling system for energy performance diagnosis of a building according to the present invention.
FIG. 5 is an exemplary diagram showing a shape information model of a database building unit of a profiling system for diagnosing energy performance of a building according to the present invention.
6 is an exemplary diagram showing a Matlab function for simulation of a profiling system for diagnosing energy performance of a building according to the present invention.
FIG. 7 is a detailed configuration diagram of an artificial neural network learning unit of a profiling system for diagnosing energy performance of a building according to the present invention.
FIG. 8 is an exemplary diagram showing output parameters of an artificial neural network learning unit of a profiling system for diagnosing energy performance of a building according to the present invention.
FIG. 9 is a diagram illustrating an analysis result output from an interface unit of a profiling system for diagnosing energy performance of a building according to the present invention.
10 is an exemplary view showing an analysis result of a target building of a profiling system for energy performance diagnosis of a building according to an embodiment of the present invention.
본 발명의 구체적 특징 및 이점들은 첨부도면에 의거한 다음의 상세한 설명으로 더욱 명백해질 것이다. 이에 앞서 본 발명에 관련된 공지 기능 및 그 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는, 그 구체적인 설명을 생략하였음에 유의해야 할 것이다.Specific features and advantages of the present invention will become more apparent from the following detailed description based on the accompanying drawings. It is to be noted that the detailed description of known functions and constructions related to the present invention is omitted when it is determined that the gist of the present invention may be unnecessarily blurred.
이하, 첨부된 도면을 참조하여 본 발명을 상세하게 설명한다. DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS The present invention will now be described in detail with reference to the accompanying drawings.
본 발명에 따른 기 건축물에 대한 에너지 성능 진단을 위한 프로파일링 시스템에 대해 도 1 내지 도 10을 참조하여 설명하면 다음과 같다. A profiling system for diagnosing energy performance of a building according to the present invention will be described with reference to FIGS. 1 to 10. FIG.
도 1 은 본 발명에 따른 기 건축물의 에너지 성능 진단을 위한 프로파일링 시스템의 개념적으로 도시한 전체 구성도이고, 도 2는 도 1에 도시된 프라파일링 시스템의 각 부의 예시도이며, 도 1 및 도 2에 도시된 바와 같이 프로파일링 시스템(S)은 데이터 입력부(100), 데이터베이스 구축부(200), 시뮬레이션부(300), 및 인공신경망 학습부(400)를 포함하고 이루어진다. FIG. 1 is an overall schematic view of a profiling system for diagnosing energy performance of a building according to the present invention, FIG. 2 is an illustration of each part of the profiling system shown in FIG. 1, 2, the profiling system S includes a
데이터 입력부(100)는 복수의 건축물 에너지 성능 진단 관련된 입력 변수의 종류 및 범위를 정의한다.The
여기서, 입력 변수는 건물 위치 및 준공년도를 포함하는 건물개요와, 연면적, 층수, 창면적비, 장단변비, 및 방위각을 포함하는 건물 형상과, 냉방시작 시각, 냉방종료시각, 난방 설정온도, 냉방 시작 및 종료시각, 및 냉방 설정온도를 포함하는 건물 운영와, 벽체단열, 창문 단열, 및 창문 태양열취득계수를 포함하는 건축 속성, 재실 밀도, 재실 발열량, 조명 발열 밀도, 기기 발열 밀도, 및 침기를 포함하는 실내 발열, 유형, 급기 설정온도, 및 효율을 포함하는 공기 조화기, 유형, COP(Coefficient Of Performance), 및 냉수 냉각수 설정온도를 포함하는 냉방 플랜트, 유형, 효율, 및 온수 설정온도를 포함하는 난방 플랜트, 유형, 급탕 설정 온도를 포함하는 급탕플랜트 중 적어도 하나 이상으로 마련된다. 이러한 입력 변수는 국제표준화 기구에서 기 정해진다.Herein, the input variables include a building outline including a building location and a completion year, a building shape including a floor area, a number of floors, a window area ratio, a long-span constipation, and an azimuth angle and a building shape including a cooling start time, a cooling end time, Including building attributes including building operation, wall insulation, window insulation, and window solar heat acquisition factor, including the number of doors, doors, doors, doors, Type, efficiency, and hot water setpoint temperature, including air conditioning, type, COP (Coefficient Of Performance), and cold water chilled water setpoint, A plant, a type, and a hot water supply plant including a hot water setting temperature. These input variables are predetermined by the International Organization for Standardization.
이러한 입력 변수에 대한 범위는 기 건출물의 지도 데이터, 건출물의 법규 및 문헌을 참조하여 사용자에 의해 설정된다. The scope for these input variables is set by the user with reference to the map data of the outbreak, the laws and documents of the breeze.
도 3은 도 1에 도시된 데이터 입력부(100)의 입력 변수 정의 및 범위를 보인 예시도로서, 도 3을 참조하면, 입력 변수 층수에 대해 3-27층으로 범위가 설정됨을 확인할 수 있다.FIG. 3 is an exemplary diagram illustrating input variable definitions and ranges of the
이러한 데이터 입력부(100)의 입력 변수의 정의 및 범위는 데이터베이스 구축부(200)로 전달된다. The definitions and ranges of the input variables of the
데이터베이스 구축부(200)는 데이터 입력부(100)에 의해 설정된 입력 변수의 정의 및 범위에 매칭되는 입력값을 수집한 후 각 입력 변수의 객체에 매칭하여 저장한다.The
이때 데이터베이스는 지도 데이터로부터 업무용 건물 정보를 추출하고 추출된 업무용 건물마다 모델링에 필요한 형상 관련 객체를 생성하여 생성된 형상 관련 객체에 맴핑시켜 형상 모델 데이터를 저장하는 형상정보 모델과, 추출된 업무용 건물에 설치되는 설비 시스템 유형 마다 모델링에 필요한 설비 관련 객체를 생성하고 생성된 설비 관련 객체에 맴핑시켜 설비 모델 데이터를 입력하는 설비정보 모델을 포함한다.In this case, the database includes a shape information model that extracts business building information from map data, creates shape-related objects necessary for modeling for each extracted business building, maps the generated shape-related objects to shape object model data, And a facility information model for inputting facility model data by creating facility related objects necessary for modeling for each type of facility system to be installed and by mapping the generated facility related objects to the generated facility related objects.
여기서 데이터베이스 구축부(200)는 도 4에 도시된 바와 같이, 전처리 모듈(210), 형상 정보 모델링 모듈(220) 및 설비 정보 모델링 모듈(230)를 포함할 수 있다.4, the
전처리 모듈(210)은 지도 데이터로부터 업무용 건물 정보를 추출하고, 추출된 오토 캐드 맵을 통해 상기 추출된 업무용 건물 정보의 GIS(Geographic Information System) 파일을 dwg. 파일로 변환하며, 캐드 컨넥트 엑셀 플러그인을 통해 상기 dwg. 파일의 좌표 정보를 엑셀 파일로 변환하여 건물 정보에 대한 전처리 수행한다. The
이러한 전처리된 입력 변수는 형상정보 모델링 모듈(220)로 전달되며, 형상정보 모델링 모듈(220)은 연면적, 층수, 장단변비, 방위각, 및 창면적비을 포함하는 데이터 입력부의 입력변수와 4개의 꼭지점을 가지는 건물을 대상으로 입력된 상기 창면적비로부터 연산된 벽체 면적 대비 창문 면적와, 면적의 창문이 각 외벽 중앙 위치되었다는 가정 하에 입력된 벽체의 열관류율과 창의 열관류율, 및 태양열취득계수를 포함하는 입력변수의 입력값을 상기 형상 관련 객체에 매핑시켜 저장한다.The preprocessed input parameters are transmitted to the shape
도 5는 도 4의 전처리 모듈(210)에서 전처리된 지도 데이터를 보인 예시도로서, 도 3을 참조하면, 강남구에 위치한 3776 개의 업무용 건축물에 대해 장단변비 1.02-3.07, 층수 3-27의 범위를 도출하여 형상 정보 모델링 모듈(220)로 전달됨을 확인할 수 있다.FIG. 5 is a diagram illustrating map data preprocessed by the
한편, 설비 정보 모델링 모듈(230)은, 데이터 입력부(100)에 의거 설정된 입력 변수에 따라, 설비 시스템 정의, 사이즈 옵션, 브랜치(branch) 정보, 노드(node) 정보, 장비 운전 설정 중 적어도 하나를 포함하는 설비 관련 객체를 생성하고, 설비 시스템의 식별 번호를 정의하고, 공기 조화기 및 플랜트 선택에 따라 식별 번호를 판별하며, 건물의 규모 및 실내의 환경에 따라 변동되는 장비 용량, 유량 및 풍량을 설비 관련 객체에 매칭시켜 저장한다.The facility
또한 시뮬레이션부(300)는 데이터베이스 구축부(200)의 형상 정보 모델 및 설비 정보 모델의 각 입력 변수에 대한 최소값 및 최대값 및 평균값을 토대로 확률적 특성을 반영하여 샘플링하고, 샘플링된 입력 변수와 기 정의된 Matlab 함수에 의거 시뮬레이션을 수행하여 월별 에너지 성능 정보를 출력 변수로 내보낸다.Also, the
이때 확률적 특성은 도 2에 도시된 바와 같이, 입력 변수에 대해 중심극한정리에 의거 정규화하여 획득되고, 샘플링 방식은 LHS(Latin Hypercube Sampling) 기법을 이용하며, 이러한 LHS 기법을 이용하여 입력 변수에 대한 샘플링을 수행함에 따라 비 선형 모델에서 활용 가능하고 건물의 에너지 성능 평가에서 유용하게 활용된다.As shown in FIG. 2, the probabilistic characteristic is obtained by normalizing the input variables based on the central limit theorem, and the sampling method uses the LHS (Latin Hypercube Sampling) technique. It can be used in nonlinear models and can be useful for building energy performance evaluation.
도 6은 도 1 및 도 2에 도시된 시뮬레이션부(200)의 기 정해진 Matlab 함수의 코드를 보인 예시도로서, 도 6을 참조하여 시뮬레이션부(200)는 샘플링된 입력 변수에 대해 Matlab 함수를 기반으로 시뮬레이션을 수행하여 월별 에너지 성능 정보를 출력 변수로 인공신경망 학습부(400)로 전달된다.FIG. 6 is an exemplary diagram showing a predetermined Matlab function code of the
인공신경망 학습부(400)는, 상기 시뮬레이터부(300)의 입력 변수와 입력 변수에 대한 시뮬레이션 결과값인 월별 에너지 성능 정보를 훈련 데이터로 제공받아 기 정해진 인공신경망 모델에 의해 입력 변수 및 시뮬레이션 결과값의 상관관계를 도출하여 도출된 상관관계가 최소인 인공신경망 모델을 최적의 인공신경망 모델로 설정하여 설정된 최적의 인공신경망 모델을 토대로 입력된 훈련 데이터에 대해 학습 수행하여 월별 에너지 성능 정보를 출력한다.The artificial neural
여기서, 월별 에너지 성능 정보는, 월별 및 용도별 냉방, 난방, 급탕, 조명, 및 환기의 에너지 사용량과 열원별 전기, 가스, 지역난방 에너지 사용량 중 적어도 하나를 포함한다.Here, the monthly energy performance information includes at least one of energy consumption of cooling, heating, hot water supply, lighting, and ventilation for each month and usage, and electricity, gas, and district heating energy consumption for each heat source.
인공신경망 학습부(400)는 도 7에 도시된 바와 같이, 모델 구축 모듈(410), 최적화 모듈(420), 학습 모듈(430), 및 검증 모듈(440)을 포함할 수 있다.The neural
모델 구축 모듈(410)은 입력 변수와 출력 변수 간의 상관관계분석을 통해 유효한 입력 변수를 선정하여 초기 인공신경망 모델을 구축하고, 최적화 모듈(420)은 최적의 은닉층 수, 은닉층의 뉴런 수, 학습 계수, 및 ddddd모멘텀 계수를 도출하고 도출된 상관관계가 최소인 인공신경망 모델을 최적의 인공신경망 모델로 설정한다.The
이때 최적화 모듈(420)은 각 층 간의 파라미터를 결정하기 위한 노드를 포함하고, 역전파 기법을 이용하여 각 층 간의 가중치를 갱신하고 가중치에 대한 학습은 Grandient descent 방법, Levenberg-Marquardt 방법, Bayesian Regularizaion, 방법 등이 이용된다. At this time, the
그리고, 학습 모듈(430)는 최적화 모듈(420)에서 설정된 최적의 인공신경망 모델을 토대로 입력 변수에 대한 학습을 수행한다. The
한편 검증 모듈(440)은 최적화된 인공신경망 모델을 성능 테스트를 통해 예측의 정확도를 확인한다. Meanwhile, the
본 발명의 실시 예에서, 인공신경망 학습부(400)는 데이터베이스 구축부(200)에 포함되지 아니한 새로운 입력 변수에 대해서도 정확한 월별 에너지 성능 정보를 출력하도록 기계학습 모델을 이용한다.In the embodiment of the present invention, the artificial neural
인공신경망 학습부(400)의 입력 변수는 데이터 입력부(100)와 동일하게 설정되고, 출력 변수는, 출력 변수는 월별 에너지 사용량으로 설정된다. The input variable of the artificial neural
또한 시뮬레이션부(300)에서 계통별 400회의 LHS 샘플링으로 생성된 입력변수 및 출력변수의 데이터 셋트에 대해 370 셋트는 훈련 데이터로 활용되고 30셋트는 검증 데이터로 활용된다.Also, in the
이 후 훈련 데이터와 초기 인공신경망의 모델을 이용하여 10회 학습하고 학습 결과 파라미터값과 CVRMSE(Coefficient of Variation of the Root Mean Squared Error)값을 저장하며 저장된 CVRMSE가 가장 낮은 인공신경망 모델의 파라미터를 가지는 인공신경망 모델은 최적화 인공신경망 모델로 선정된다.After learning the training data and the initial artificial
이러한 인공신경망 학습부(400)의 출력 변수는 도 8에 도시된 바와 같다. 도 8은 인공신경 모델의 13개의 출력 변수를 86개의 시스템 유형에 대해 30세트의 검트 데이터와 비교한 결과를 보인 표이다. 도 8을 참조하면 월별 예측에 대한 MBE(Mean Bias Error) 값은 5% 이내 CVRMSE 값은 15% 이내이므로 최적화 인공신경망 모델로부터 도출된 월별 에너지 성능 정보에 대한 예측도가 정확함을 알 수 있다.The output variable of the artificial neural
한편, 본 발명의 실시 예에 따른 프로파일링 시스템은 인터페이스부(500)를 더 포함할 수 있다.Meanwhile, the profiling system according to the embodiment of the present invention may further include an
인터페이스부(500)는 입력 변수 및 출력 변수에 대한 건물 정보 입력, 건물 에너지 분석 결과, 에너지 성능 개선안의 선택 및 공사비 입력, 및 시뮬레이션부와 인공신경망 학습부의 결과 비교, 및 에너지 효율 등급 평가 결과를 그래픽 형태로 변환하여 사용자 단말의 화면에 표시한다.The
도 9는 인터페이스부(500)에 의해 프로파일링 시스템(S)의 분석 결과가 사용자 단말에 표시되는 화면을 보인 예시도로서, 도 9의 a)에 도시된 바와 같이 데이터 입력부(100)의 건물 준공년도를 입력하면, 도 9의 b)에 도시된 바와 같이 건출물 설비 기준 등의 관한 규칙 및 에러지 절약설계 기준에 의거 외벽과 창호의 열관류율 범위가 준공년도에 따라 변동됨을 확인할 수 있다.9 is a diagram showing an example in which the analysis result of the profiling system S is displayed on the user terminal by the
또한 입력 변수가 공기 조화기 및 플랜트 시스템인 경우 도 9의 c)에 도시된 바와 같이 사용자가 선택된 메인 공지기의 유형에 따라 사용자 선택할 수 있는 서브 공기조화기의 유형이 변화되고, d)에 도시된 바와 같이 냉방, 난방, 급탕 플랜트를 고려하여 설정 가능한 옵션들이 가시화된다.Also, if the input variable is an air conditioner and a plant system, the type of user-selectable sub-type air conditioner is changed according to the type of the main announcement device selected by the user as shown in FIG. 9C, As can be seen, options that can be set in view of cooling, heating, and hot water plants are visualized.
인터페이스부(650)는 사용자의 요청에 따라 용도별 및 열원별 에너지 사용량, 에너지 사용 비율, 벤치 마킹, CO2 배출량의 분석 결과를 도 9의 e)에 도시된 바와 같이 그래픽 형태로 변환하여 직관적으로 사용자 단말에 표시된다.The interface unit 650 converts the analyzed results of energy usage, energy usage rate, benchmarking, and CO 2 emission amount by usage and heat source into graphical form as shown in FIG. 9 e) according to a user's request, And is displayed on the terminal.
한편, 도 9의 g) 및 h)에 도시된 바와 같이, 입력 변수 중 외벽과 창문의 경우 증가된 열관류 값과, 설비 시스템의 경우 종류 변경, 효율 향상, 및 설정 온도 변경에 따른 분석된 에너지는 인터페이스부(500)에 의거 사용자 단말에 표시된다. On the other hand, as shown in Figs. 9 (g) and 9 (h)), the increased thermal perfusion value in the case of the outer wall and the window in the input variables and the analyzed energy Is displayed on the user terminal based on the interface unit (500).
또한 도 9의 i)에 도시된 바와 같이 입력 변수 중 공사비 금액을 입력하면, 기 정해진 수학식을 토대로 연산된 투자회수 기간이 인터페이스부(500)에 의거 사용자 단말에 표시되고, 절감되는 에너지 및 CO2 배출량은 공사 전류와 비교하여 가시화됨을 확인할 수 있다. 9 (i)), the investment payback period calculated based on the predetermined mathematical expression is displayed on the user terminal based on the predetermined mathematical expression, and the energy saved and the CO 2 emissions can be confirmed by comparison with the construction current.
그리고, 도 9의 (j)를 참조하면, 건축물의 에너지 효율 등급, 건축물의 에너지 성능, 고지서 또는 계측 데이터 기반으로 입력된 실제 에너지 사용량은 유사 유형 건물 군의 에너지 사용량의 평균값과 비교하여 가시화됨을 알 수 있다.Referring to FIG. 9 (j), it can be seen that the actual energy usage input based on the energy efficiency grade of the building, the energy performance of the building, the bill or the measurement data is visualized by comparing with the average value of the energy consumption of the similar- .
<실시 예><Examples>
서울에 위치한 업무용 건물로 1991년 준공되었으며 규모는 지상 16층, 지하 4층, 연면적 15,219 m2 이고, 대상 건물의 창면적비는 48%이며, 정풍량 공조기의 전기히터펌프가 설치되어 있고, 터보냉동기와 가스 보일러가 2개 설치된 대상 건물에 대해 본 발명에 따른 프로파일링 시스템(S)의 에너지 성능 분석 결과는 도 10에 도시된 바와 같다.It was a commercial building located in Seoul, completed in 1991 scale is the ground 16 floors, underground 4 floors, total floor area of 15,219 m 2, and the window area ratio is 48% of the target building, an electric heater pump of constant air volume air conditioner is installed and the turbo chiller And the results of the energy performance analysis of the profiling system S according to the present invention for the target building in which two gas boilers are installed are as shown in FIG.
도 10을 참조하면, 에너지 성능(a)은 416 kWh/m2이고, 2015년 실제 에너지 사용량(b)은 537kWh/m2 임을 확인할 수 있다. 이러한 에너지 성능은 주어진 외벽 성능과 시스템 조합의 시뮬레이션 결과이며, 에너지 사용량(b)는 1층부터 최고층까지의 세대별 에너지 사용량이 다르기 때문에 차이가 발생될 수 있다. Referring to Figure 10, energy performance (a) can be confirmed (b) 416 kWh / m 2, and the
이러한 에너지 성능(a)은 서울시 업무용 건물의 에너지 사용량의 평균값인 342 kWh/m2 와 비교하여 22% 높은 수준이므로 대상 건물의 에너지 성능은 낮다.This energy performance (a) is 22% higher than the average energy consumption of Seoul commercial buildings (342 kWh / m 2) .
또한, 도 10을 참조하면, 인공신경망 학습부(400)에 적용할 경우 에너지 성능(a) 대비 (1)설정 온도를 22℃에서 20℃로 감소하고 냉방 온도를 26℃에서 27℃로 증가하며, (2) u-value가 3.37W/m2K 에서 1.5W/m2K 이고 태양열취득계수가 0.65에서 0.51로 고성능 창호로 교체하며, (3) COP가 3.0 에서 5.5인 고효율 터번 냉동기로 교체하는 경우 에너지 성능은 416kWh/m2 에서 254kWh/m2로 38.9% 개선됨이 확인된다.10, when applied to the artificial neural
이에 본 발명의 실시예에 의하면, 인공신경망 기반의 기 건축물 에너지 성능을 진단하기 위한 프로파일링 시스템을 이용하여 건축물의 에너지 성능 분석함에 따라, 소수의 입력 변수로 정확도가 향상된 예측된 에너지 성능을 출력할 수 있고, 전문가에 의해 수행되는 종래의 시뮬레이션에 비해 접근성이 용이하며, 대상 건물의 에너지 성능 및 사용량 수준에 대해 그래픽 형태로 제공되므로 직관적으로 확인할 수 있다.According to the embodiment of the present invention, by analyzing the energy performance of a building using a profiling system for diagnosing energy performance of a building based on an artificial neural network, it is possible to output predicted energy performance with improved accuracy with a small number of input variables And can be intuitively confirmed since it is easy to access compared to the conventional simulation performed by an expert and is provided in graphical form with respect to the energy performance and usage level of the target building.
또한, 건축물의 에너지 성능 대비하여 재실의 영향 및 건물의 운영이 반영된 실제 에너지 사용량과 비교할 수 있고, 분석 대상 건물의 에너지 사용량과 유사 유형의 건물군의 에너지 사용량과 비교하여 대상 건물의 에너지 사용 수준을 실시간으로 평가할 수 있다.In addition, it can be compared with the energy consumption of the buildings to be analyzed and the energy use level of the buildings in comparison with the energy consumption of buildings in the similar type, It can be evaluated in real time.
이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시예와 관련하여 설명하고 도시하였지만, 본 발명은 이와 같이 도시되고 설명된 그대로의 구성 및 작용에만 국한되는 것이 아니며, 기술적 사상의 범주를 일탈함이 없이 본 발명에 대해 다수의 변경 및 수정이 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서, 그러한 모든 적절한 변경 및 수정과 균등물들도 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다. While the present invention has been particularly shown and described with reference to preferred embodiments thereof, it will be understood by those skilled in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the appended claims. It will be appreciated by those skilled in the art that numerous changes and modifications may be made without departing from the invention. Accordingly, all such appropriate modifications and changes, and equivalents thereof, should be regarded as within the scope of the present invention.
인공신경망 기반의 기 건축물 에너지 성능을 진단하기 위한 프로파일링 시스템을 이용하여 건축물의 에너지 성능 분석함에 따라, 소수의 입력 변수로 정확도가 향상된 예측된 에너지 성능을 출력할 수 있고, 전문가에 의해 수행되는 종래의 시뮬레이션에 비해 접근성이 용이하며, 대상 건물의 에너지 성능 및 사용량 수준에 대해 그래픽 형태로 제공되므로 직관적으로 확인할 수 있고, 또한, 건축물의 에너지 성능 대비하여 재실의 영향 및 건물의 운영이 반영된 실제 에너지 사용량과 비교할 수 있고, 분석 대상 건물의 에너지 사용량과 유사 유형의 건물군의 에너지 사용량과 비교하여 대상 건물의 에너지 사용 수준을 실시간으로 평가할 수 있는 기 건축물의 에너지 성능 진단을 위한 프로파일링 시스템에 대한 운용의 정확성 및 신뢰도 측면, 더 나아가 성능 효율 면에 매우 큰 진보를 가져올 수 있으며, 에너지 성능 분석 도구의 시판 또는 영업의 가능성이 충분할 뿐만 아니라 현실적으로 명백하게 실시할 수 있는 정도이므로 산업상 이용가능성이 있는 발명이다.By analyzing the energy performance of a building using a profiling system for diagnosing the energy performance of an artificial neural network based architecture, it is possible to output the predicted energy performance with improved accuracy with a small number of input variables, And it can be intuitively confirmed because it is provided in a graphical form about the energy performance and usage level of the target building. In addition, it is possible to intuitively confirm the energy performance and usage level of the target building, And it is possible to compare the energy usage of the building to be analyzed and the energy consumption of buildings of the similar type to evaluate the energy use level of the building in real time. In terms of accuracy and reliability, further It is an invention that is industrially applicable because it can make a very big progress in performance efficiency and it is enough to be able to carry out an energy performance analysis tool on the market or to be able to carry out clearly and practically.
Claims (11)
지도 데이터를 이용하여 추출된 업무용 건물 정보를 상기 데이터 입력부의 입력 변수의 형상 관련 객체에 매핑시켜 저장하고, 추출된 업무용 건물 내의 설비 정보를 상기 데이터 입력부의 입력 변수의 설비 관련 객체에 매핑시켜 저장하는 데이터베이스 구축부;
상기 데이터 구축부를 통해 입력된 건축물 에너지 성능 진단 관련 입력 변수와 기 정해진 함수를 토대로 시뮬레이팅을 수행하여 월별 에너지 성능 정보를 출력하는 시뮬레이션부; 및
상기 시뮬레이터부의 입력 변수와 상기 입력 변수에 대한 시뮬레이션 결과값인 월별 에너지 성능 정보를 훈련 데이터로 제공받아 훈련 데이터에 대해 학습 수행하여 월별 에너지 성능 정보를 출력하는 인공신경망 학습부를 포함하는 것을 특징으로 하는 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템.
A data input unit for defining input variables related to a plurality of buildings energy performance diagnosis by a user and defining a range of defined input variables;
Maps the business building information extracted using the map data to the shape-related objects of the input parameters of the data input unit and stores the equipment information in the extracted business building by mapping the facility-related objects of the input variables of the data input unit A database building unit;
A simulation unit for performing monthly simulations based on input variables related to the energy performance diagnosis of buildings and a predetermined function inputted through the data construction unit and outputting monthly energy performance information; And
And an artificial neural network learning unit that receives monthly energy performance information, which is a simulation result value of the input variable of the simulator unit and the input variable, as training data, and learns training data and outputs monthly energy performance information. Profiling system for energy performance analysis of buildings.
건물 위치 및 준공년도를 포함하는 건물개요와, 연면적, 층수, 창면적비, 장단변비, 및 방위각을 포함하는 건물 형상과, 냉방시작 시각, 냉방종료시각, 난방 설정온도, 냉방 시작 및 종료시각, 및 냉방 설정온도를 포함하는 건물 운영와, 벽체단열, 창문 단열, 및 창문 태양열취득계수를 포함하는 건축 속성, 재실 밀도, 재실 발열량, 조명 발열 밀도, 기기 발열 밀도, 및 침기를 포함하는 실내 발열, 유형, 급기 설정온도, 및 효율을 포함하는 공기 조화기, 유형, COP(Coefficient Of Performance), 및 냉수 냉각수 설정온도를 포함하는 냉방 플랜트, 유형, 효율, 및 온수 설정온도를 포함하는 난방 플랜트, 유형, 급탕 설정 온도를 포함하는 급탕플랜트 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템.
2. The method of claim 1,
A building outline including a building location and a completion year, a building shape including a floor space, a number of floors, a window area ratio, a long-span constipation, and an azimuth angle, a cooling start time, a cooling end time, a heating set temperature, Type of building, including building operating, including wall cooling, wall insulation, window insulation, and window solar heat acquisition factor, room temperature, lumen heating, lighting heat density, instrument heat density, Type, efficiency, and hot water set point including the air conditioner, type, COE (Coefficient Of Performance), and cold water chilled water set temperature And a hot water supply plant including a set temperature. The system according to claim 1,
지도 데이터, 건축물의 법규 및 문헌을 기반으로 사용자에 의거 설정하는 것을 특징으로 하는 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템.
2. The method of claim 1,
Wherein the profiling system is configured based on user data based on map data, laws and documents of buildings, and a profiling system for energy performance analysis of buildings.
지도 데이터로부터 업무용 건물 정보를 추출하고 추출된 업무용 건물마다 데이터입력부의 입력 변수의 형상 관련 객체에 맴핑시켜 형상정보 모델을 구축하는 형상정보 모델과,
추출된 업무용 건물에 설치되는 설비 시스템 유형 마다 데이터입력부의 입력 변수의 설비 관련 객체를 생성하고 생성된 설비 관련 객체에 맴핑시켜 설비 정보 모델를 구축하는 설비정보 모델을 포함하는 것을 특징으로 하는 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템.
4. The apparatus of claim 3, wherein the data construction unit
A shape information model for extracting the business building information from the map data and mapping the extracted business building information to the shape related objects of the input variables of the data input unit for each business building,
And a facility information model for constructing a facility information model by creating facility related objects of the input variables of the data input unit for each type of facility system installed in the extracted business building and mapping the generated facility related objects to the generated facility related objects. Profiling system for performance analysis.
지도 데이터로부터 업무용 건물 정보를 추출하고, 추출된 오토 캐드 맵을 통해 상기 추출된 업무용 건물 정보의 GIS(Geographic Information System) 파일을 dwg. 파일로 변환하며, 캐드 컨넥트 엑셀 플러그인을 통해 상기 dwg. 파일의 좌표 정보를 엑셀 파일로 변환하는 전처리를 수행하는 전처리 모듈과,
연면적, 층수, 장단변비, 방위각, 및 창면적비을 포함하는 데이터 입력부의 입력변수와 4개의 꼭지점을 가지는 건물을 대상으로 입력된 상기 창면적비로부터 연산된 벽체 면적 대비 창문 면적과, 면적의 창문이 각 외벽 중앙 위치되었다는 가정 하에 입력된 벽체의 열관류율과 창의 열관류율, 및 태양열취득계수를 포함하는 입력 변수를 상기 형상 관련 객체에 매핑시켜 저장하여 형상정보 모델을 구축하는 형상 정보 모델링 모듈을 포함하는 것을 특징으로 하는 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템.
5. The information processing apparatus according to claim 4,
Extracts the business building information from the map data, and displays the GIS (Geographic Information System) file of the extracted business building information on the extracted AutoCAD map as dwg. File, and via the CadConnect Excel plug-in, the dwg. A preprocessing module for performing preprocessing for converting coordinate information of a file into an Excel file,
The window area and the area of the window compared with the wall area calculated from the window area ratio inputted to the input variables of the data input section including the floor area, the number of stories, the long-term constipation, the azimuth angle, and the window area ratio, And a shape information modeling module for mapping the input variable including the heat conduction rate of the wall, the heat conduction rate of the window, and the solar heat acquisition coefficient inputted to the shape-related object and constructing the shape information model, A Profiling System for Energy Performance Analysis of Structures.
설비 시스템 정의, 사이즈 옵션, 브랜치(branch) 정보, 노드(node) 정보, 장비 운전 설정 중 적어도 하나에 대해 설비 시스템의 식별 번호를 정의하고, 공기 조화기 및 플랜트 선택에 따라 식별 번호를 판별하며, 건물의 규모 및 실내의 환경에 따라 변동되는 장비 용량, 유량 및 풍량을 상기 생성된 설비 관련 객체에 매칭시켜 저장하여 설비 정보 모델을 구축하는 설비 정보 모델링 모듈을 더 포함하는 것을 특징으로 하는 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템.
6. The system according to claim 5,
The identification number of the facility system is defined for at least one of the facility system definition, the size option, the branch information, the node information, and the equipment operation setting, the identification number is determined according to the air conditioner and the plant selection, Further comprising a facility information modeling module for building a facility information model by matching equipment capacity, flow rate, and air flow rate, which vary depending on the scale of the building and the indoor environment, to the generated facility related objects. Profiling system for energy performance analysis.
변풍량, 정풍량, 및 전기히터펌프를 포함하는 공기 조화기 메인과, 팬 코일 유닛 및 전기히터펌프를 포함하는 공기 조화기 서브와, 전열 교환기 및 외기 냉방을 포함하는 공기 조화기 옵션과, 압축식 냉동기, 지역난방을 재생 열원으로 사용하는 흡수식 냉동기, 및 보일러를 재생기 열원으로 사용하는 흡수식 냉동기, 및 흡수식 냉온수기를 포함하는 냉방 플랜트와, 보일러, 지역난방, 및 흡수식 냉온수기를 포함하는 난방 플랜트와, 보일러 및 지역난방으로 포함하는 급탕 플랜트 중 적어도 하나 이상인 것을 특징으로 하는 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템.
9. The system of claim 8,
An air conditioner sub, including an air conditioner main, a fan coil unit and an electric heater pump, including an air flow rate, a constant air flow rate, and an electric heater pump, an air conditioner option including an air- A heating plant including a boiler, a district heating, and an absorption chiller, an absorption chiller using an area refrigerator, an absorption chiller using a district heating as a regeneration heat source, and an absorption chiller using a boiler as a regenerator heat source, A boiler, and a hot water supply plant including a district heating system.
입력 변수의 샘플링을 통해 표본 집합에 대한 특성을 모사하는 몰테카를로 시뮬레이션 기법으로 시뮬레이션을 수행하되,
데이터베이스 구축부의 입력 변수에 대해 중심극한정리에 의거 정규화하여 확률 분포 형태로 획득하고
획득된 입력 변수에 대해 LHS(Latin Hypercube Sampling)을 통해 샘플링하며,
샘플링된 입력 변수와 기 정해진 소정 함수를 이용하여 시뮬레이션을 수행하여 월별 에너지 성능 정보를 출력하고 출력된 월별 에너지 성능 정보를 상기 인공신경망 학습부로 제공하도록 구비되는 것을 특징으로 하는 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템.
The apparatus according to claim 1,
The simulation is performed by the Moreta Carlo simulation method which simulates the characteristics of the sample set through the sampling of the input variables,
The input variables of the database construction part are normalized based on the central limit theorem and acquired in the form of probability distribution
The obtained input variables are sampled through LHS (Latin Hypercube Sampling)
And outputting monthly energy performance information to the artificial neural network learning unit by performing simulation using a sampled input variable and a predetermined function, and outputting the monthly energy performance information to the artificial neural network learning unit. Profiling system for.
월별 및 용도별 냉방, 난방, 급탕, 조명, 및 환기의 에너지 사용량과 열원별 전기, 가스, 지역난방 에너지 사용량 중 적어도 하나를 출력하도록 구비되는 것을 특징으로 하는 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템.
The method of claim 8, wherein the monthly energy performance information
Wherein the energy management unit is configured to output at least one of energy consumption of cooling, heating, hot water supply, lighting, and ventilation for each month and usage, and electricity, gas, and district heating energy consumption for each heat source. .
상기 데이터 입력부에서 정의되지 아니한 건축물 에너지 성능 진단 관련된 입력 변수를 사용자에 의거 수집하고, 상기 수집된 입력 변수 및 상기 데이터 입력부의 입력 변수 중 하나의 입력 변수와 상기 시뮬레이션부의 출력 변수를 훈련 데이터 세트로 제공받아 초기 인공신경망 모델을 구축하는 모델 구축 모듈;
구축된 초기 인공신경망 모델의 입력 변수와 출력 변수 간의 상관 관계를 도출하고 도출된 상관 관계라 최소인 인공신경망 모델을 최적화된 인공신경망 모델로 설정하는 최적화 모듈;
상기 최적화된 인공신경망 모델을 토대로 상기 입력 변수에 대해 학습을 수행하는 학습 모듈; 및
최적화된 인공신경망 모델을 성능 테스트를 통해 예측의 정확도를 확인하는 검증 모듈; 을 포함하는 것을 특징으로 하는 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템.
10. The apparatus of claim 9, wherein the artificial-
Wherein the input variables of the building energy performance diagnosis that are not defined in the data input unit are collected by the user and the input variables of the collected input variables and the input variables of the data input unit and the output variables of the simulation unit are provided as training data sets Model building module to construct the initial artificial neural network model;
An optimization module for deriving a correlation between an input variable and an output variable of the constructed initial artificial neural network model and setting an artificial neural network model as a minimum optimized artificial neural network model;
A learning module that performs learning on the input variable based on the optimized artificial neural network model; And
A verification module that verifies the accuracy of prediction through performance testing of an optimized neural network model; Wherein the profiling system is for analyzing energy performance of a building.
입력 변수 및 출력 변수에 대한 건물 정보 입력, 건물 에너지 분석 결과, 에너지 성능 개선안의 선택 및 공사비 입력, 및 시뮬레이션부와 인공신경망 학습부의 결과 비교, 및 에너지 효율 등급 평가 결과를 그래픽 형태로 변환하여 사용자 단말의 화면에 표시하는 인터페이스부를 더 포함하는 것을 특징으로 하는 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템.
11. The system of claim 10, wherein the profiling system for energy performance analysis of the building comprises:
A comparison of the results of the simulation part and the artificial neural network learning part, and the conversion of the energy efficiency grade evaluation result into the graphic form, Further comprising: an interface unit configured to display an image on a screen of the building.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170040966A KR20180110940A (en) | 2017-03-30 | 2017-03-30 | Energy preformance profiling system for existing building |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170040966A KR20180110940A (en) | 2017-03-30 | 2017-03-30 | Energy preformance profiling system for existing building |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20180110940A true KR20180110940A (en) | 2018-10-11 |
Family
ID=63865388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170040966A KR20180110940A (en) | 2017-03-30 | 2017-03-30 | Energy preformance profiling system for existing building |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20180110940A (en) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102131138B1 (en) * | 2019-11-20 | 2020-07-07 | (주)미래환경플랜건축사사무소 | system and method predicting energy expenditure based on machine learning using 2D drawing |
| CN111881507A (en) * | 2020-08-11 | 2020-11-03 | 泰诺风保泰(苏州)隔热材料有限公司 | Window frame section evaluation method based on neural network, computing device and storage medium |
| KR20200133505A (en) * | 2019-05-20 | 2020-11-30 | 한국원자력연구원 | Method and apparatus for evaluating seismic safety of structure |
| KR102232698B1 (en) * | 2019-11-28 | 2021-03-26 | 조선대학교산학협력단 | Method of analyzing building energy by using a convolution neural network |
| KR20210046365A (en) * | 2019-10-18 | 2021-04-28 | 한국에너지기술연구원 | Building energy performance measuring device and a method thereof |
| CN113094798A (en) * | 2021-04-22 | 2021-07-09 | 山东建筑大学 | Multi-objective building optimization design method based on life cycle carbon neutralization |
| KR20210140805A (en) * | 2020-05-15 | 2021-11-23 | 한국에너지기술연구원 | Device for evaluating energy performance of existing building and method thereof |
| KR102332122B1 (en) | 2020-07-28 | 2021-12-02 | (주)엔키아 | Building energy prediction model apparatus and Building energy prediction method |
| KR102338304B1 (en) * | 2020-10-20 | 2021-12-13 | 주식회사 뉴로코어 | A facility- simulator based job scheduling system using reinforcement deep learning |
| KR20230035925A (en) * | 2021-09-06 | 2023-03-14 | 재단법인 서울특별시 서울기술연구원 | Method and program for evaluating building energy performance |
| CN116561682A (en) * | 2023-05-19 | 2023-08-08 | 同济大学 | Urban mass building heating ventilation air conditioning system composition and efficient prediction method for performance coefficient thereof |
| KR20240103267A (en) | 2022-12-27 | 2024-07-04 | 한국에너지시뮬레이션기술(주) | Building energy simulation program applying open source |
-
2017
- 2017-03-30 KR KR1020170040966A patent/KR20180110940A/en unknown
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200133505A (en) * | 2019-05-20 | 2020-11-30 | 한국원자력연구원 | Method and apparatus for evaluating seismic safety of structure |
| KR20210046365A (en) * | 2019-10-18 | 2021-04-28 | 한국에너지기술연구원 | Building energy performance measuring device and a method thereof |
| KR102131138B1 (en) * | 2019-11-20 | 2020-07-07 | (주)미래환경플랜건축사사무소 | system and method predicting energy expenditure based on machine learning using 2D drawing |
| KR102232698B1 (en) * | 2019-11-28 | 2021-03-26 | 조선대학교산학협력단 | Method of analyzing building energy by using a convolution neural network |
| KR20210140805A (en) * | 2020-05-15 | 2021-11-23 | 한국에너지기술연구원 | Device for evaluating energy performance of existing building and method thereof |
| KR102332122B1 (en) | 2020-07-28 | 2021-12-02 | (주)엔키아 | Building energy prediction model apparatus and Building energy prediction method |
| CN111881507A (en) * | 2020-08-11 | 2020-11-03 | 泰诺风保泰(苏州)隔热材料有限公司 | Window frame section evaluation method based on neural network, computing device and storage medium |
| CN111881507B (en) * | 2020-08-11 | 2024-05-31 | 泰诺风保泰(苏州)隔热材料有限公司 | Window frame section evaluation method based on neural network, computing equipment and storage medium |
| KR102338304B1 (en) * | 2020-10-20 | 2021-12-13 | 주식회사 뉴로코어 | A facility- simulator based job scheduling system using reinforcement deep learning |
| WO2022085939A1 (en) * | 2020-10-20 | 2022-04-28 | 주식회사 뉴로코어 | Factory simulation-based scheduling system using reinforcement learning |
| CN113094798B (en) * | 2021-04-22 | 2023-07-28 | 山东建筑大学 | Building multi-objective optimization design method based on life cycle carbon neutralization |
| CN113094798A (en) * | 2021-04-22 | 2021-07-09 | 山东建筑大学 | Multi-objective building optimization design method based on life cycle carbon neutralization |
| KR20230035925A (en) * | 2021-09-06 | 2023-03-14 | 재단법인 서울특별시 서울기술연구원 | Method and program for evaluating building energy performance |
| KR20240103267A (en) | 2022-12-27 | 2024-07-04 | 한국에너지시뮬레이션기술(주) | Building energy simulation program applying open source |
| CN116561682A (en) * | 2023-05-19 | 2023-08-08 | 同济大学 | Urban mass building heating ventilation air conditioning system composition and efficient prediction method for performance coefficient thereof |
| CN116561682B (en) * | 2023-05-19 | 2023-12-19 | 同济大学 | Urban mass building heating ventilation air conditioning system composition and efficient prediction method for performance coefficient thereof |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20180110940A (en) | Energy preformance profiling system for existing building | |
| Li et al. | Modeling urban building energy use: A review of modeling approaches and procedures | |
| Prataviera et al. | Evaluation of the impact of input uncertainty on urban building energy simulations using uncertainty and sensitivity analysis | |
| Koulamas et al. | Suitability analysis of modeling and assessment approaches in energy efficiency in buildings | |
| Heo et al. | Calibration of building energy models for retrofit analysis under uncertainty | |
| Li et al. | A review of operational energy consumption calculation method for urban buildings | |
| Zhu et al. | Uncertainty and sensitivity analysis of cooling and heating loads for building energy planning | |
| Gholami et al. | Narrowing uncertainties in forecasting urban building energy demand through an optimal archetyping method | |
| Mao et al. | Optimization-aided calibration of an urban microclimate model under uncertainty | |
| Tüysüz et al. | Calibrating the building energy model with the short term monitored data: A case study of a large-scale residential building | |
| KR101419607B1 (en) | Method for modular building energy simulation modeling and calibration using measured data | |
| Pazhoohesh et al. | Investigating thermal comfort and occupants position impacts on building sustainability using CFD and BIM | |
| Rylatt et al. | Methods of predicting urban domestic energy demand with reduced datasets: a review and a new GIS-based approach | |
| Ghiassi et al. | An enhanced sampling-based approach to urban energy modelling | |
| Shen et al. | Exploring potential for residential energy saving in New York using developed lightweight prototypical building models based on survey data in the past decades | |
| Wu et al. | Novel approach to typical air-conditioning behavior pattern extraction based on large-scale VRF system online monitoring data | |
| Bertagnolio et al. | Evidence-based calibration of a building energy simulation model: Application to an office building in Belgium | |
| Wederhake et al. | Benchmarking building energy performance: Accuracy by involving occupants in collecting data-A case study in Germany | |
| Wang et al. | Evaluation of the Alberta air infiltration model using measurements and inter-model comparisons | |
| CN117760063A (en) | Subway air conditioner load prediction method based on air enthalpy value | |
| Reitberger et al. | Urban systems exploration: A generic process for multi-objective urban planning to support decision making in early design phases | |
| Mousavi et al. | Design of a correlated validated CFD and genetic algorithm model for optimized sensors placement for indoor air quality monitoring | |
| Ferrarini et al. | Energy consumption models for residential buildings: a case study | |
| Popiolek et al. | Comprehensive on site thermal diagnostics of buildings–Polish practical experience | |
| CN115344919A (en) | Building internal environment analysis method, device, equipment and medium |