KR20180138371A - 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법 - Google Patents

데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법 Download PDF

Info

Publication number
KR20180138371A
KR20180138371A KR1020170078508A KR20170078508A KR20180138371A KR 20180138371 A KR20180138371 A KR 20180138371A KR 1020170078508 A KR1020170078508 A KR 1020170078508A KR 20170078508 A KR20170078508 A KR 20170078508A KR 20180138371 A KR20180138371 A KR 20180138371A
Authority
KR
South Korea
Prior art keywords
machine learning
data
model
cooling
cooling load
Prior art date
Application number
KR1020170078508A
Other languages
English (en)
Inventor
박철수
신한솔
서원준
추한경
라선중
Original Assignee
서울대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020170078508A priority Critical patent/KR20180138371A/ko
Publication of KR20180138371A publication Critical patent/KR20180138371A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]

Abstract

본 발명은 캡슐형 빙축열 시스템(300)이 구비된 건축물에서, 캡슐형 빙축열 시스템(300)을 제어하기 위한 기계학습 모델을 생성하기 위한 방법으로서, (a) 데이터 수집부(100)가, 기상청 데이터베이스(110)로부터 기상 예보 데이터를 수집하고, 건축물의 BEMS 데이터베이스(120)로부터 BEMS 데이터를 수집하는 단계; (b) 기계학습 모델 생성부(200)가 상기 수집된 BEMS 데이터를 기반으로, 축열조의 가상 축냉량을 열역학 제1법칙 기반의 수식을 활용하여 연산하는 단계; (c) 상기 기계학습 모델 생성부(200)가 상기 수집된 기상 예보 데이터를 이용하여 입력변수 조합 k개를 추출한 후, 이를 총 4개의 기계학습 방법(ANN/SVM/RF/GP)에 적용함으로써, 총 k*4개의 냉방부하 기계학습 예측모델을 구축하는 단계; (d) 상기 기계학습 모델 생성부(200)가 각 모델의 정확도(AIC, NMBE, CVRMSE)를 연산하여 비교함으로써, 정확도가 가장 높은 하나의 냉방부하 기계학습 예측모델을 선정하는 단계; 및 (e) 상기 (d) 단계에서 선정된 냉방부하 기계학습 예측모델을 기반으로 제어를 수행하는 단계를 포함하며, 그리고 상기 (d) 단계에 의한 제어 결과, 예측된 냉방부하와 실제 냉방부하에 차이가 미리 결정된 소정의 차이 이상 발생할 경우 상기 (b) 내지 상기 (e)단계를 반복하는 방법을 제공한다.

Description

데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법{Method for evaluating data based models and conducting predictive control of capsule type ice thermal storage system using the same}
본 발명은 기상 예보 데이터와 BEMS(Building Energy Management System)에서 계측된 데이터를 이용하여, (1) 데이터 기반 모델을 구축 및 평가하는 방법과, (2) 이를 이용하여 캡슐형 빙축열 시스템의 예측제어를 수행하는 것이다.
(1) 모델 기반 최적 제어를 위한, 데이터 기반 모델의 평가에 관한 문제점
일반적으로 데이터 기반 모델은 모델에 사용된 입력변수의 개수가 증가할수록 과적합(overfitting)된 결과가 도출된다. 또한, 결과의 불확실성도 증가하며, 구축과 계산에 소모되는 물리적 자원 및 시간이 증가한다. 기존의 건물 에너지 모델 정확도는 미국공조냉동공학회(American Society of Heating, Refrigerating and Air-Conditioning Engineers, ASHRAE)에서 제안한 NMBE(Normalized Mean Bias Error) 및 CVRMSE(Coefficient of Variation of the Root Mean Square Error)로 평가되었으나, 해당 지표는 모델 구축에 사용된 입력변수의 개수를 고려하지 못하는 한계가 존재한다.
(2) 캡슐형 빙축열 시스템의 축냉량 계측에 관한 문제점
업무용 건물의 빙축열 시스템은 전력량 피크 시간대(on-peak period)의 냉방부하를 전력 가격이 저렴한 심야전력 공급 시간대(off-peak period)로 전이하여 냉방 요금을 줄이기 위해 설치된다. 빙축열 시스템은 23시부터 익일 9시까지의 심야전력을 이용하여 얼음을 생산하고, 생산한 얼음을 이용하여 익일 주간의 냉방을 수행한다. 빙축열 시스템의 축열조는 관외착빙형, 캡슐형, 슬러리형 등으로 나뉘며, 일반적으로는 시공이 용이하고 축냉량에 비해 차지하는 바닥면적이 가장 작으며 유지보수가 편리한 캡슐형 축열조가 설치된다. 캡슐형 축열조는 몇 cm에 불과한 작은 얼음 캡슐들로 이루어진 축냉설비로, 관외착빙형이나 슬러리형 축열조와 달리 축냉량을 확인하는 것이 불가능하다.
(3) 빙축열 시스템의 최적 제어에 관한 문제점
캡슐형 빙축열 시스템의 축냉량은 확인이 불가능하므로, 축열조 입출구 온도에 대한 규칙중심 방법으로 축냉 및 방냉 운전이 수행된다. 예를 들어, 23시에 시작된 축냉 운전은 축열조 출구의 브라인 용액 온도가 -5에 도달 시 종료된다. 기존 방법은 전일의 방냉량을 고려하지 않은 채, 설계 냉방부하에 기반한 동일한 축냉 운전을 매일 수행하므로, 기후에 변화 혹은 실내 환경의 변화에 따라 급변하는 건물의 냉방부하에 대응하지 못한다. 이는 필연적으로 익일 필요 냉방부하가 급증하는 경우, 축냉량의 부족으로 인한 냉방 중단을 야기할 수 있으며, 냉방부하가 설계 냉방부하보다 적은 경우, 과제빙으로 인한 냉방 부하 낭비가 발생할 수 있다.
이러한 모델 기반 예측 제어를 수행하기 위해서는 별도의 학습 모델이 구축되어야 한다. 이와 관련된 종래기술을 살펴본다.
한국공개특허 제2013-0127697호는 유전자 알고리즘 기반 에너지 제어시스템 및, 그 제어방법을 개시한다. 유전자 알고리즘을 기반으로 건물의 소비에너지와 내외부 온도차의 상관 관계식을 유전자 알고리즘을 적용해 최적화 타임 테이블을 도출하고, 타임 테이블을 건물 에너지 관리 시스템에 적용해 건물의 냉난방을 제어함으로써, 건물의 에너지 소비를 줄일 수 있는 환경을 제공하는 점에서 후술하는 본 발명과 유사하다.
일본공개특허 제5000042호는 제빙 사이클의 운전 시간을 단축하면서, 냉각 부하의 운전 종료까지 물의 온도를 소정의 상한 온도에 이르지 않는 범위에 제어할 수 있어 냉각부하에 대해서 소정의 온도 이하로 냉각한 열매체를 운전 종료까지 공급하는 것이 가능하고 제빙 사이클의 운전시간을 단축함으로써 제빙 비용을 가능한 한 적게 억제하는 것이 가능한 효과를 기재한 점은 후술하는 본 발명과 일부 유사하다.
서장후 외 1명의 논문인 "에너지저감을 위한 건축물 설비시스템의 최적설계에 관한 연구"는, 유전자 알고리즘을 이용하여 건축물의 에너지 소비량을 최소화할 수 있는 설비시스템의 기종, 용량 등을 선정하고 설비시스템의 최적 운용계획을 예측하는 수법을 제공하는 점에서 후술하는 본 발명과 유사하다.
강태석 외 4명의 논문인 "빙축열 시스템의 제어를 위한 냉방부하 예측"은 빙축열 시스템의 축냉과 방냉을 효과적으로 제어하기 위하여 기상변화 데이터를 사용한다는 점은 후술하는 본 발명과 일부 유사하다.
유성연 외 4명의 논문인 "냉방부하 예측 프로그램의 적용사례에 관한 연구"는 온도, 습도 예측곡선을 활용하여 냉방부하를 예측하는데 있어서 기상청 5년간의 기상정보를 사용한다는 점은 본 발명과 일부 유사하다.
그러나, 위의 특허 및 논문들에서는 다양한 입력변수 조합 또는 최적의 축냉 운전을 실시하는 최적 제어에 대한 고찰은 없다.
(특허문헌 1) KR 2013-0127697
(특허문헌 2) JP 5000042
(비특허문헌 1) "에너지저감을 위한 건축물 설비시스템의 최적설계에 관한 연구", 서장후 외 1명, 대한건축학회 학술발표대회 논문집, 2009.10
(비특허문헌 2) "빙축열 시스템의 제어를 위한 냉방부하 예측", 강태석 외 4명, 대한설비공학회 학술발표대회 논문집, 2005.11
(비특허문헌 3) "냉방부하 예측 프로그램의 적용사례에 관한 연구", 유성연 외 4명, 대한설비공학회 학술발표대회 논문집, 2006.11
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것이다.
보다 구체적으로, (1) 인공 신경망/서포트 벡터 머신/랜덤 포레스트/유전자 프로그래밍을 이용한 건물 냉방 부하 예측모델을 구축하는데 있어서, 아카이케 정보 기준(Akaike Information Criteria, AIC)을 적용하여 보다 정확하고 효과적인 모델을 평가함으로써, 불확실성이 낮으며 계산 속도가 월등한 건물 냉방 부하 예측모델을 확보하는 방법을 제공; (2) 익일의 건물 냉방부하 예측값을 기준으로 축냉 운전을 수행하여, 익일에 필요한 냉방부하에 비해 축냉량이 과하거나 부족함을 방지하는 에너지 절감형 최적 제어를 수행하여, 이를 통하여 에너지 절감을 구현하고자 한다.
상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, 캡슐형 빙축열 시스템(300)이 구비된 건축물에서, 캡슐형 빙축열 시스템(300)을 제어하기 위한 기계학습 모델을 생성하기 위한 방법으로서, (a) 데이터 수집부(100)가, 기상청 데이터베이스(110)로부터 기상 예보 데이터를 수집하고, 건축물의 BEMS 데이터베이스(120)로부터 BEMS 데이터를 수집하는 단계; (b) 기계학습 모델 생성부(200)가 상기 수집된 BEMS 데이터를 기반으로, 축열조의 가상 축냉량을 열역학 제1법칙 기반의 수식을 활용하여 연산하는 단계; (c) 상기 기계학습 모델 생성부(200)가 상기 수집된 기상 예보 데이터를 이용하여 입력변수 조합 k개를 추출한 후, 이를 총 4개의 기계학습 방법(ANN/SVM/RF/GP)에 적용함으로써, 총 k*4개의 냉방부하 기계학습 예측모델을 구축하는 단계; (d) 상기 기계학습 모델 생성부(200)가 상기 (b) 단계에서 연산된 가상 축냉량을 상기 (c) 단계에서 구축된 냉방부하 기계학습 예측모델에 입력하고, 측정 축냉량, 해당 모델에 입력된 데이터의 수 및 총 입력변수의 수를 더 이용하여, 각 모델의 정확도(AIC, NMBE, CVRMSE)를 연산하여 비교함으로써, 정확도가 가장 높은 하나의 냉방부하 기계학습 예측모델을 선정하는 단계; 및 (e) 상기 (d) 단계에서 선정된 냉방부하 기계학습 예측모델을 기반으로 제어를 수행하는 단계를 포함하며, 그리고 상기 (d) 단계에 의한 제어 결과, 예측된 냉방부하와 실제 냉방부하에 차이가 미리 결정된 소정의 차이 이상 발생할 경우 상기 (b) 내지 상기 (e)단계를 반복하는, 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법을 제공한다.
또한, 상기 (a) 단계에서 입력되는 기상 예보 데이터는, 제어하고자 하는 날의 상기 건축물 내의 9개의 계측점을 기준으로, 오늘 21시부터 익일 18시까지의 최고온도, 최저온도, 중간온도, 평균온도, 건구온도, 상대습도, 하늘상태, 강수상태, 예상강수량, 풍속, 풍향, 요일로 구성되고, BEMS 데이터는 온도 및 유량을 포함하는 것이 바람직하다.
또한, 상기 (e) 단계에서 제어되는 것은, 캡슐형 빙축열 시스템(300)의 냉동기, 냉각탑, 브라인 펌프 및 냉각수 펌프인 것이 바람직하다.
본 발명에 의하여, 기존의 건물 냉방부하 예측모델에 비해 낮은 불확실성을 지녀 정확하고 계산 속도가 빠른 예측모델을 선정하여 보다 정확한 의사결정을 수행할 수 있는 기반을 마련하고, 캡슐형 빙축열 시스템의 축냉량을 확인할 수 있으며, 도출된 모델을 기반으로 자동 최적제어를 수행함으로서 기존의 규칙중심 제어 방법에 비해 효과적이고 정확하게 건물의 냉방 부하를 최소화 할 수 있는 방법을 확보할 수 있을 것으로 기대된다.
후술하는 검증 실험을 통하여, 본 발명의 효과를 실험하였는데, 본 발명에 따른 기계학습 모델 적용시 평균 에너지 사용량이 13~16%로 급격히 줄어들어서 매우 효과적임을 확인하였다.
도 1은 본 발명에 따른 방법이 적용되는 시스템의 개념도이다.
도 2a는 본 발명에 따른 방법을 설명하기 위한 순서도이다.
도 2b 내지 도 2g는 본 발명에 따른 방법에 사용되는 수식이다.
도 3은 기존 운전 방법에 따른 건물 축냉량 및 방냉량의 합을 도시한 그래프이다.
도 4 및 도 5는 본 발명에 따른 모델 정확도 확인을 위하여 평가되는 CVRMSE 및 AIC 기반 모델 평가 결과를 각각 도시한 그래프이다.
도 6 내지 도 10은 본 발명에 따른 방법이 적용되는 검증 실험 결과를 도시한다.
도 6는 검증 실험의 입력변호 조합을 도시한다.
도 7은 검증 실험에서 다양한 방식의 기계학습 모델 및 이에 따란 방냉량 예측 결과를 도시한다(단위 %).
도 8는 검증 실험에서 모델 5의 유전자 프로그래밍 기계학습 모델을 적용함으로써 캡슐형 빙축열 시스템에서의 절감율을 측정한 결과를 도시한다.
도 9는 검증 실험에서 유전자 프로그래밍 기계학습 모델을 이용한 축냉량과 방냉량을 비교한다.
도 10은 검증 실험에서 운전 패턴에 따른 대상 건물의 축냉량을 도시한다.
이하, 도면을 참조하여 본 발명에 따른 주서기를 보다 상세히 설명한다.
도 1은 본 발명에 따른 방법이 구현되는 시스템을 도시한다.
시스템은 데이터 수집부(100), 기계학습 모델 생성부(200)을 포함하며, 캡슐형 빙축열 시스템(300)과 공조기기(400)는 기존 건축물에 구비되어 있는 설비이다.
데이터 수집부(100)는 유전자 프로그래밍 기계학습 모델의 구축에 필요한 입력변수를 입력하는 기능을 수행한다.
본 발명에서 사용되는 입력변수는 기상청 데이터베이스(미도시)로부터 확보 가능한 정보들로서, 제어하고자 하는 날의 작일 1개의 계측점을 기준으로, 일평균 외기온도, 일평균 외기습도, 최대 외기온도 및 요일로 구성된다. 이와 같은 4개의 정보를 사용하는 것은 정확도 및 연산 속도를 위하여 최적화된 것인데, 그 이유는 아래의 검증 실험에서 다시 설명한다.
기계학습 모델 생성부(200)는 입력된 입력변수를 이용하여 유전자 프로그래밍 기법에 의하여 기계학습 모델을 생성하는 기능을 수행한다.
유전자 프로그래밍(Genetic Programming, GP)는 유전자 알고리즘의 유전자형을 구조적인 표현이 취급될 수 있도록 확장하여 프로그램의 생성과 학습, 추론, 개념형성 등에 적용하는 것인데, 말단 기호의 집합(terminal set) 결정 단계, 함수의 집합 결정 단계, 적합도 산정방법의 결정　단계, 알고리즘의 파라메타 결정　단계 및 종결조건 결정 단계로서 구축된다. 이를 위한 입력변수는 앞서 설명한 바와 같다. 또한, 유전자 프로그래밍 방법 그 자체는 종래 널리 알려진 기술인바 상세한 설명은 생략한다.
캡슐형 빙축열 시스템(300)과 공조 기기(400)는 이미 기존 건축물에 구비된 것이다.
캡슐형 빙축열 시스템(300)은, 기계학습 모델 생성부(200)에 의하여 제어 조건 및 변수를 입력받아 캡슐형 빙축열 시스템(300)을 제어하는 제어부(310), 제어부(310)에 제어에 의하여 구동되는 냉동기(330), 냉동기에 의하여 얼음 캡슐 등을 저장하는 축열조(320)와 이를 위한 냉각탑(340), 에너지를 교환하여 건물 내의 공조 기기(400)에 에너지를 제공하는 열교환기(350)를 포함한다.
또한, 제어부(310)는 캡슐형 빙축열 시스템(300)의 냉동기(미도시), 냉각탑(340), 브라인 펌프(미도시) 및 냉각수 펌프(미도시) 등을 제어할 수 있다.
물론, 종래 알려진 다른 방식의 캡슐형 빙축열 시스템(300)이어도 무방하다.
본 발명에 따른 최적 제어를 위하여, (a) 데이터 수집부(100)가, 기상청 데이터베이스(110)로부터 기상 예보 데이터를 수집하고, 건축물의 BEMS 데이터베이스(120)로부터 BEMS 데이터를 수집하는 단계; (b) 기계학습 모델 생성부(200)가 상기 수집된 BEMS 데이터를 기반으로, 축열조의 가상 축냉량을 열역학 제1법칙 기반의 수식을 활용하여 연산하는 단계; (c) 상기 기계학습 모델 생성부(200)가 상기 수집된 기상 예보 데이터를 이용하여 입력변수 조합 k개를 추출한 후, 이를 총 4개의 기계학습 방법(ANN/SVM/RF/GP)에 적용함으로써, 총 k*4개의 냉방부하 기계학습 예측모델을 구축하는 단계; (d) 상기 기계학습 모델 생성부(200)가 상기 (b) 단계에서 연산된 가상 축냉량을 상기 (c) 단계에서 구축된 냉방부하 기계학습 예측모델에 입력하고, 측정 축냉량, 해당 모델에 입력된 데이터의 수 및 총 입력변수의 수를 더 이용하여, 각 모델의 정확도(AIC, NMBE, CVRMSE)를 연산하여 비교함으로써, 정확도가 가장 높은 하나의 냉방부하 기계학습 예측모델을 선정하는 단계; 및 (e) 상기 (d) 단계에서 선정된 냉방부하 기계학습 예측모델을 기반으로 제어를 수행하는 단계를 포함하며, 그리고 상기 (d) 단계에 의한 제어 결과, 예측된 냉방부하와 실제 냉방부하에 차이가 미리 결정된 소정의 차이 이상 발생할 경우 상기 (b) 내지 상기 (e)단계를 반복한다.
도 2a 내지 도 5를 참조하여 보다 구체적으로 설명한다.
먼저, 데이터를 수집한다.
데이터 수집부(100)가, 기상청 데이터베이스(110)로부터 기상 예보 데이터를 수집하고, 건축물의 BEMS 데이터베이스(120)로부터 BEMS 데이터를 수집한다.
기상 예보 데이터는 기상 예보 데이터는 제어하고자 하는 건축물 내의 9개의 계측점을 기준으로, 오늘 21시부터 익일 18시까지의 최고온도, 최저온도, 중간온도, 평균온도, 건구온도, 상대습도, 하늘상태, 강수상태, 예상강수량, 풍속, 풍향, 요일로 구성되는 것이 바람직하다. 계측간격 9회, 측정정보 12개이므로, 총 108개의 데이터가 수집될 수 있다. BEMS 데이터는 10분 간격으로 축열조 출구 온도, 축열조 입구 온도, 축열조 출구 유량을 포함한다.
다음, 기계학습 모델 생성부(200)가 상기 수집된 BEMS 데이터를 기반으로, 축열조의 가상 축냉량을 열역학 제1법칙 기반의 수식을 활용하여 연산한다. 구체적으로 도 2b의 수식을 이용하여 연산될 수 있다. 도 3은 이를 이용한 연산 결과를 도시한다. 여기서, 증가분이 축냉량이고 감소분이 방냉량이다. 주간 시간 방냉량의 합이 해당 일자의 냉방부하로 간주된다. 여기서, Q는 축냉량[kW], c는 축열조 통과 용액의 비열[kcal/kg·K], m은 축열조 출구 유량[kg/s], Tin은 축열조 입구 온도[], Tout은 축열조 출구 온도[]이다.
다음, 냉방부하 기계학습 예측모델을 구축한다.
기계학습 모델 생성부(200)가 상기 수집된 기상 예보 데이터를 이용하여 입력변수 조합 k개를 추출한 후, 이를 총 4개의 기계학습 방법(ANN/SVM/RF/GP)에 적용함으로써, 총 k*4개의 냉방부하 기계학습 예측모델을 구축한다. 여기서의 기계학습 방법은 유전자 프로그래밍(Genetic Programming, GP), 인공 신경망(Artificial Neural Network, ANN), 서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest, RF) 방법이다. 구체적인 방법들은 종래 기술인바 상세한 설명은 생략한다.
기상 예보 데이터는 근무가 종료된 주말에 수행하는 것이 바람직하다. 14일동안 수집된 데이터를 기반으로 모델이 제작된다.
전술한 바와 같이, 계측간격 9회 및 측정정보 12개에서 총 108개의 데이터가 수집되므로 입력변수 조합에 따른 시나리오 k는 2108-1이 된다.
다음, 예측모델을 평가한다.
기계학습 모델 생성부(200)가 먼저 연산된 가상 축냉량을 각각 구축된 냉방부하 기계학습 예측모델에 입력하고, 측정 축냉량, 해당 모델에 입력된 데이터의 수 및 총 입력변수의 수를 더 이용하여, 각 모델의 정확도를 연산하여 비교함으로써, 정확도가 가장 높은 하나의 냉방부하 기계학습 예측모델을 선정한다.
정확도 연산 및 비교는, AIC, NMBE, CVRMSE를 이용할 수 있다.
각각에 대한 수식이 도 2c, 도 2d 및 도 2e에 도시된다. 여기서, M은 측정 데이터인 측정 축냉량, S는 예측 데이터인 가상 축냉량, n은 해당 모델에 입력된 데이터의 수, p는 총 입력변수의 수이다.
도 3은 CVRMSE 기반 모델 평가 결과를 도시하고, 도 4는 AIC 기반 모델 평가 결과를 도시한다. 시나리오인 #1, #2, #3, #4, #5는 도 6에 의 시나리오들을 지칭한다.
이 과정에서 가장 정확한 한 개의 냉방부하 기계학습 예측모델이 선정된다.
다음, 선정된 모델에 따라 건물을 운용하도록 캡슐형 빙축열 시스템(300)을 제어한다.
이 과정에서, 예측된 냉방부하와 실제 냉방부하에 차이를 확인할 수 있다. 이는 도 2f에 도시된 수식으로 연산될 수 있다. 여기서, QR은 실제 냉방부하(즉, 금일 방냉량의 합)이고, QM은 예측된 냉방부하(즉, 전일 예측 방냉량의 합)이다. 만약 그 차이가 미리 결정된 소정의 차이 이상 발생할 경우(예를 들어, 10% 이상의 차이) 다시 모델을 구축하여야 한다.
이후, 본 발명에 따른 최적운전을 통한 절감 효과를 분석할 수 있다. 이를 위하여 도 2g의 수식이 확인될 수 있다. 여기서 IT는 금일 새벽에 수행한 축냉량의 합이고, IB는 기존 규칙중심의 운전을 수행했을 경우 예상되는 축냉량의 합이다.
검증 실험
본 발명을 검증하는 실험을 실시하였다.
서울에 위치한 업무시설 건물(연면적: 32,600m2, 지상 30층)에 설치된 캡슐형 빙축열 시스템에 대해, 본 발명에 따른 방법을 사용하여 축열조의 익일 방냉량을 예측하기 위한 모델을 제작하였으며 이를 비교 분석하였다.
본 검증 실험의 분석 대상 건물에는 냉각탑 2대(용량: 441RT), 압축식 냉동기 2대(용량: 245.6USRT, COP: 4.81) 및 캡슐형 축열조(규모: 268.3m3)가 설치되어 있다.
기상청 데이터 바탕으로 하는 예측 모델을 위한 입력변수 조합을 다양하게 설정하였다. 본 발명에서는 데이터 수집부(100)를 통하여 "일평균 외기온도", "일평균 외기습도", "최대 외기온도" 및 "요일"이 입력되는바 모델 5에 해당되나, 그 외에도 모델 1~4를 추가 조합하여 도 6와 같이 설정하였다.
예측 모델은 본 발명에 따른 유전자 프로그래밍(Genetic Programming, GP)을 이용한 기계학습 모델뿐만 아니라, 비교를 위하여 인공 신경망(Artificial Neural Network, ANN), 서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest, RF)으로도 제작되었다.
도 6의 다섯 개의 시나리오(모델 1~5)에 대하여 각각 다섯 개의 기계학습 모델에서의 실험 결과는 도 7과 같다.
단, 본 실험에서는 가우시안 프로세스 에뮬레이터(GPE)도 사용하였는데, 그 결과, GPE 기계학습 모델의 경우 다른 방법과는 달리 확률적 예측을 수행하므로, 많은 계산량이 필요하다는 단점이 확인되었다. 더욱이, 모델 1, 2의 입력변수가 모델 3, 4, 5의 입력변수보다 많아, GPE를 이용한 기계학습 모델은 일반적인 PC 수준에서 계산이 실질적으로 불가능하였다(도 7에서 N/A로 표시됨).
ANN, SVM, GPE, RF 기계학습 모델은 입력변수에 따라 예측 성능에 변화가 상당했으나, 유전자 프로그래밍 기계학습 모델은 전반적으로 우수한 성능을 나타남을 확인하였다. 모델에 있어서는, 모델 4의 평균 CVRMSE가 10% 이하로서 가장 적절함이 확인되었다.
다만, 유전자 프로그래밍 기계학습 모델은 입력변수가 적을수록 빠르게 모델을 구축하고, 결과를 출력할 수 있다는 점과, 모델 4, 5의 CVMRSE의 차이가 미미하다는 점을 토대로, 모델 5의 유전자 프로그래밍 기계학습 모델, 즉 본 발명에 따른 방법에 의하여 작성된 모델이 가장 적절함이 확인되었다.
이와 같은 본 발명에 따른 방법으로 작성된 모델을 이용하여, 2016년 7월 18일부터 22일에 대해, 대상 건물에서 최적 제어를 적용하였다. 각 기기별 에너지 절감은 도 8와 같다. 또한, 익일 방냉량을 예측한 결과는 도 9와 같다.
도 9의 항목 (1)은 대상 건물에서 측정된 축냉량, 항목 (2)는 실제 방냉량이며, 항목 (3)은 유전자 프로그래밍 모델로 예측한 익일 방냉량이다. 항목 (4)는 유전자 프로그래밍 예측 모델 활용시, 예상되는 잔여 축냉량이며, 항목 (5)는 실제 현재 건물에서의 잔여 축냉량이다. 즉 항목 (5)의 값이 커질수록, 불필요하게 과다 제빙한 경우가 된다. 그러므로 본 발명에 따라 유전자 프로그래밍 기계학습 모델을 이용한 방냉량(항목 (3))만큼 최적의 축냉 운전을 실시하면 항목 (6)과 같이 상당한 에너지 절감이 가능함이 확인되었다.
도 10은 익일의 방냉량을 본 발명에 따른 기계학습 모델로 예측한 후, 축냉량을 결정하는 최적 운전과 기존의 수동 운전 간의 비교를 보여 준다. 현재, 대상 건물은 익일의 방냉량보다 많은 양의 축냉을 실시함이 확인된다.
한편, 도 8에서 본 발명에 따른 유전자 프로그래밍 기계학습 모델(익일 방냉량)을 이용한 최적 운전에 따른 에너지 절감율이 도시되는데, 제빙 운전의 시간이 기존보다 상당히 단축되므로, 냉동기, 냉각탑 및 펌프의 5일간 평균 에너지 사용량은 각각 13%, 15%, 16%, 16%로 급격히 줄어들어서 매우 효과적임을 확인하였다.
이상, 본 명세서에는 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 도면에 도시한 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당업자라면 본 발명의 실시예로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 보호범위는 특허청구범위에 의해서 정해져야 할 것이다.
100: 데이터 수집부
110: 기상청 데이터베이스
120: BEMS 데이터베이스
200: 기계학습 모델 생성부
300: 캡슐형 빙축열 시스템
310: 제어부
320: 축열조
330: 냉동기
340: 냉각탑
350: 열교환기
400: 공조기기

Claims (3)

  1. 캡슐형 빙축열 시스템(300)이 구비된 건축물에서, 캡슐형 빙축열 시스템(300)을 제어하기 위한 기계학습 모델을 생성하기 위한 방법으로서,
    (a) 데이터 수집부(100)가, 기상청 데이터베이스(110)로부터 기상 예보 데이터를 수집하고, 건축물의 BEMS(Building Energy Management System) 데이터베이스(120)로부터 BEMS 데이터를 수집하는 단계;
    (b) 기계학습 모델 생성부(200)가 상기 수집된 BEMS 데이터를 기반으로, 축열조의 가상 축냉량을 열역학 제1법칙 기반의 수식을 활용하여 연산하는 단계;
    (c) 상기 기계학습 모델 생성부(200)가 상기 수집된 기상 예보 데이터를 이용하여 입력변수 조합 k개를 추출한 후, 이를 총 4개의 기계학습 방법(ANN-Artificial Neural Network/SVM-Support Vector Machine/RF-Random Forest/GP-Genetic Programming)에 적용함으로써, 총 k*4개의 냉방부하 기계학습 예측모델을 구축하는 단계;
    (d) 상기 기계학습 모델 생성부(200)가 상기 (b) 단계에서 연산된 가상 축냉량을 상기 (c) 단계에서 구축된 냉방부하 기계학습 예측모델에 입력하고, 측정 축냉량, 해당 모델에 입력된 데이터의 수 및 총 입력변수의 수를 더 이용하여, 각 모델의 정확도(AIC, NMBE, CVRMSE)를 연산하여 비교함으로써, 정확도가 가장 높은 하나의 냉방부하 기계학습 예측모델을 선정하는 단계; 및
    (e) 상기 (d) 단계에서 선정된 냉방부하 기계학습 예측모델을 기반으로 제어를 수행하는 단계를 포함하며, 그리고
    상기 (d) 단계에 의한 제어 결과, 예측된 냉방부하와 실제 냉방부하에 차이가 미리 결정된 소정의 차이 이상 발생할 경우 상기 (b) 내지 상기 (e)단계를 반복하는,
    데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법.
  2. 제 1 항에 있어서,
    상기 (a) 단계에서 입력되는 기상 예보 데이터는, 상기 건축물 내의 9개의 계측점을 기준으로, 오늘 21시부터 익일 18시까지의 최고온도, 최저온도, 중간온도, 평균온도, 건구온도, 상대습도, 하늘상태, 강수상태, 예상강수량, 풍속, 풍향, 요일로 구성되고, BEMS 데이터는 온도 및 유량을 포함하는,
    데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법.
  3. 제 2 항에 있어서,
    상기 (c) 단계에서 제어되는 것은, 캡슐형 빙축열 시스템(300)의 냉동기, 냉각탑, 브라인 펌프 및 냉각수 펌프인,
    데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법.
KR1020170078508A 2017-06-21 2017-06-21 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법 KR20180138371A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170078508A KR20180138371A (ko) 2017-06-21 2017-06-21 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170078508A KR20180138371A (ko) 2017-06-21 2017-06-21 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법

Publications (1)

Publication Number Publication Date
KR20180138371A true KR20180138371A (ko) 2018-12-31

Family

ID=64959571

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170078508A KR20180138371A (ko) 2017-06-21 2017-06-21 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법

Country Status (1)

Country Link
KR (1) KR20180138371A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102098356B1 (ko) * 2019-08-21 2020-04-07 주식회사 비앤비네트웍스 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템
KR102144674B1 (ko) * 2020-01-15 2020-08-14 주식회사 나라컨트롤 실시간 성능분석 반응형 냉각탑 제어방법
CN112526888A (zh) * 2021-02-07 2021-03-19 广州大学城能源发展有限公司 一种区域集中末端负荷预测方法
CN113762534A (zh) * 2021-09-10 2021-12-07 广东电网有限责任公司 一种建筑冷热负荷预测方法、装置、设备及存储介质
EP4073438A4 (en) * 2019-12-11 2023-12-20 Baltimore Aircoil Company, Inc. MACHINE LEARNING OPTIMIZED HEAT EXCHANGER SYSTEM

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102098356B1 (ko) * 2019-08-21 2020-04-07 주식회사 비앤비네트웍스 기상예보를 이용한 건물 냉, 열원 설비의 에너지 소비량 예측 에너지 관리 시스템
EP4073438A4 (en) * 2019-12-11 2023-12-20 Baltimore Aircoil Company, Inc. MACHINE LEARNING OPTIMIZED HEAT EXCHANGER SYSTEM
KR102144674B1 (ko) * 2020-01-15 2020-08-14 주식회사 나라컨트롤 실시간 성능분석 반응형 냉각탑 제어방법
CN112526888A (zh) * 2021-02-07 2021-03-19 广州大学城能源发展有限公司 一种区域集中末端负荷预测方法
CN113762534A (zh) * 2021-09-10 2021-12-07 广东电网有限责任公司 一种建筑冷热负荷预测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
KR20180138371A (ko) 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법
Ma et al. Model predictive control for the operation of building cooling systems
CN106920006B (zh) 一种基于isoa-lssvm的地铁站空调系统能耗预测方法
CN103912966B (zh) 一种地源热泵制冷系统优化控制方法
Wang et al. Supervisory and optimal control of building HVAC systems: A review
Xia et al. A model-based optimal control strategy for ground source heat pump systems with integrated solar photovoltaic thermal collectors
JP5572799B2 (ja) 空調システム制御装置
Monfet et al. Development of an energy prediction tool for commercial buildings using case-based reasoning
Zhao et al. Model-based optimization for vapor compression refrigeration cycle
Braun A near-optimal control strategy for cool storage systems with dynamic electric rates (RP-1252)
CN105719028B (zh) 一种基于多因素混沌支持向量机的空调负荷动态预测方法
CN109974231B (zh) 冰蓄冷空调冰量规划方法、装置、设备及介质
CN104566765A (zh) 中央空调整体节能控制方法
CN104898422A (zh) 联合供冷系统的递阶优化方法
US8682635B2 (en) Optimal self-maintained energy management system and use
Shi et al. Evaluation of energy saving potential of HVAC system by operation data with uncertainties
Naug et al. Data driven methods for energy reduction in large buildings
CN113028610B (zh) 中央空调动态负荷全局优化与节能控制的方法和装置
Zhu et al. Rapid quantification of demand response potential of building HAVC system via data-driven model
Sha et al. A control strategy of heating system based on adaptive model predictive control
Irshad et al. Novel optimized hybrid neuro-fuzzy approach for analysis of cold thermal storage system-assisted air conditioning system performance
CN114636212A (zh) 一种基于grnn的多台冷水机组系统运行控制方法
Moghaddas-Zadeh et al. ANN-based procedure to obtain the optimal design and operation of the compression chiller network–Energy, economic and environmental analysis
Heidari et al. Reinforcement learning for occupant-centric operation of residential energy system: Evaluating the adaptation potential to the unusual occupants´ behavior during COVID-19 pandemic
Gauthier-Clerc et al. Operating data of a specific Aquatic Center as a Benchmark for dynamic model learning: search for a valid prediction model over an 8-hour horizon

Legal Events

Date Code Title Description
N231 Notification of change of applicant