KR20190102391A - 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법 및 장치 - Google Patents

인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법 및 장치 Download PDF

Info

Publication number
KR20190102391A
KR20190102391A KR1020180022711A KR20180022711A KR20190102391A KR 20190102391 A KR20190102391 A KR 20190102391A KR 1020180022711 A KR1020180022711 A KR 1020180022711A KR 20180022711 A KR20180022711 A KR 20180022711A KR 20190102391 A KR20190102391 A KR 20190102391A
Authority
KR
South Korea
Prior art keywords
building
neural network
artificial neural
thermal
dissatisfaction
Prior art date
Application number
KR1020180022711A
Other languages
English (en)
Inventor
김영진
Original Assignee
포항공과대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 포항공과대학교 산학협력단 filed Critical 포항공과대학교 산학협력단
Priority to KR1020180022711A priority Critical patent/KR20190102391A/ko
Publication of KR20190102391A publication Critical patent/KR20190102391A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Abstract

인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법 및 장치가 개시된다. 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법은 사용자 단말로부터 건물 내 온도 변화에 따른 각 거주자의 현재 열적 불만족도를 수집하는 단계, 수집된 현재 열적 불만족도를 기계 학습(machine learning)하여 인공 신경망(Artificial neural network)을 구성하는 단계, 구성된 인공 신경망을 이용하여 상기 건물 내 각 거주자들의 기대 열적 불만족도를 예측하는 단계 및 예측된 기대 열적 불만족도를 포함하는 목적 함수에 기초하여 상기 건물 내 설치된 열-공조 장치를 제어하는 단계를 포함한다. 따라서, 건물 내 열 에너지 시스템을 최적으로 제어할 수 있다.

Description

인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법 및 장치{A METHOD AND APPARATUS FOR CONTROLLING THE THERMAL ENERGY SYSTEM OF A BUILDING BY PREDICTING INDIVIDUAL SATISFACTION USING AN ARTIFICIAL NEURAL NETWORK}
본 발명은 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법 및 장치에 관한 것으로, 더욱 상세하게는 인공 신경망 모델에서 부분 선형 근사 기법에 따른 선형화를 수행하고, 선형화된 인공 신경망 모델을 기반으로 개인의 온도/열에 대한 만족도를 예측하여 건물에 설치된 열에너지 시스템을 효율적으로 운영하는 방법 및 장치에 관한 것이다.
2010년 미국에서 상업용 빌딩의 전기 소비량은 미국 전체 전기 소비량의 35 % 가량을 차지한다. 이때, 상업용 빌딩에서 열-공조(HVAC, Heating, ventilating, and air-conditioning) 장치는 대략 빌딩 전기 소비량의 30% 가량을 차지한다. 따라서, 상업용 빌딩의 열-공조 장치를 효율적으로 운영하는 것은 전체 전력 부하를 줄이는데 큰 도움이 될 수 있다.
기존에 열-공조 장치를 운영하는 방법의 하나는 전력 소비에 따른 비용을 최소화하기 위해, 건물 내 전체 온도를 일정 범위 내에서 유지하는 방법을 사용한다.
그러나, 기존의 방법은 건물의 각 지역(zone)에 위치한 거주자들 각자의 열적 민감도(또는 만족도)를 고려하지 않기 때문에, 개인의 만족도가 떨어질 수 있는 문제점이 있다. 예를 들어, 건물 내 거주자들 중 일부가 건물 내에서 추위나 더위를 느껴 온도 조절 장치(thermostats)를 통해 직접 제어하게 되면, 열-공조 장치의 최적 운영 스케쥴을 방해하는 결과를 초래할 수 있고, 이 때문에 열-공조 장치의 전기 소비량을 증가시킬 수 있다.
따라서, 건물 내에 위치한 다양한 거주자들의 열적 민감도(또는 만족도)를 고려하여 열-공조 장치를 운영할 수 있는 방안이 필요한 실정이다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법을 제공하는 데 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은, 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 장치를 제공하는 데 있다.
상기 목적을 달성하기 위한 본 발명의 일 측면은, 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법을 제공한다.
여기서 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법은, 사용자 단말로부터 건물 내 온도 변화에 따른 각 거주자의 현재 열적 불만족도를 수집하는 단계, 수집된 현재 열적 불만족도를 기계 학습(machine learning)하여 인공 신경망(Artificial neural network)을 구성하는 단계, 구성된 인공 신경망을 이용하여 상기 건물 내 각 거주자들의 기대 열적 불만족도를 예측하는 단계 및 예측된 기대 열적 불만족도를 포함하는 목적 함수에 기초하여 상기 건물 내 설치된 열-공조 장치를 제어하는 단계를 포함할 수 있다.
여기서 상기 인공 신경망은, 상기 건물 내 온도 변화를 입력 데이터로 하여 상기 기대 열적 불만족도에 대한 예측값을 출력할 수 있다.
여기서 상기 인공 신경망은, 시그 모이드 함수(sigmoid function)를 포함하는 은닉층(hidden layer) 및 상기 시그 모이드 함수의 출력을 전달받아 항등 함수(identity function)를 연산하여 출력하는 출력층(outputlayer)을 포함할 수 있다.
여기서 상기 시그 모이드 함수는, 부분 선형 근사 기법을 이용하여 선형 모델링되는 것을 특징으로 할 수 있다.
여기서 상기 인공 신경망은, 상기 입력 데이터를 정규화하는 전처리부를 더 포함할 수 있다.
여기서 상기 인공 신경망을 구성하는 단계는, 상기 각 거주자마다 수집된 현재 열적 불만족도를 개별적으로 기계 학습함으로써, 각 거주자마다 개인화된 인공 신경망을 구성할 수 있다.
여기서 상기 목적 함수는, 상기 열-공조 장치의 전력 소모 비용을 더 포함할 수 있다.
여기서 상기 목적 함수는, 상기 건물 또는 상기 건물 내 구역에 대하여 미리 설정된 규정 온도를 초과한 온도차이를 더 포함할 수 있다.
여기서 상기 제어하는 단계는, 상기 목적 함수가 최소화되도록 상기 열-공조 장치를 제어할 수 있다.
여기서 상기 건물 내 온도 변화는, 상기 건물의 각 거주자가 위치한 구역(zone)의 외부 온도, 내부 온도, 일사량, 열 부하량 중 적어도 하나를 포함하는 데이터(data)를 수집하는 단계 및 수집된 데이터에 따른 상기 건물 내 각 구역의 온도 변화를 선형 모델링하는 단계를 통해 결정될 수 있다.
상기 목적을 달성하기 위한 본 발명의 다른 측면은, 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 장치를 제공한다.
여기서 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 장치는, 적어도 하나의 프로세서(processor) 및 상기 적어도 하나의 프로세서가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함할 수 있다.
여기서 상기 적어도 하나의 단계는, 사용자 단말로부터 건물 내 온도 변화에 따른 각 거주자의 현재 열적 불만족도를 수집하는 단계, 수집된 현재 열적 불만족도를 기계 학습(machine learning)하여 인공 신경망(Artificial neural network)을 구성하는 단계, 구성된 인공 신경망을 이용하여 상기 건물 내 각 거주자들의 기대 열적 불만족도를 예측하는 단계 및 예측된 기대 열적 불만족도를 포함하는 목적 함수에 기초하여 상기 건물 내 설치된 열-공조 장치를 제어하는 단계를 포함할 수 있다.
여기서 상기 인공 신경망은, 상기 건물 내 온도 변화를 입력 데이터로 하여 상기 기대 열적 불만족도에 대한 예측값을 출력할 수 있다.
여기서 상기 인공 신경망은, 시그 모이드 함수(sigmoid function)를 포함하는 은닉층(hidden layer) 및 상기 시그 모이드 함수의 출력을 전달받아 항등 함수(identity function)를 연산하여 출력하는 출력층(outputlayer)을 포함할 수 있다.
여기서 상기 시그 모이드 함수는, 부분 선형 근사 기법을 이용하여 선형 모델링되는 것을 특징으로 할 수 있다.
여기서 상기 인공 신경망은, 상기 입력 데이터를 정규화하는 전처리부를 더 포함할 수 있다.
여기서 상기 인공 신경망을 구성하는 단계는, 상기 각 거주자마다 수집된 현재 열적 불만족도를 개별적으로 기계 학습함으로써, 각 거주자마다 개인화된 인공 신경망을 구성할 수 있다.
여기서 상기 목적 함수는, 상기 열-공조 장치의 전력 소모 비용을 더 포함할 수 있다.
여기서 상기 목적 함수는, 상기 건물 또는 상기 건물 내 구역에 대하여 미리 설정된 규정 온도를 초과한 온도차이를 더 포함할 수 있다.
여기서 상기 제어하는 단계는, 상기 목적 함수가 최소화되도록 상기 열-공조 장치를 제어할 수 있다.
여기서 상기 건물 내 온도 변화는, 상기 건물의 각 거주자가 위치한 구역(zone)의 외부 온도, 내부 온도, 일사량, 열 부하량 중 적어도 하나를 포함하는 데이터(data)를 수집하는 단계 및 수집된 데이터에 따른 상기 건물 내 각 구역의 온도 변화를 선형 모델링하는 단계를 통해 결정될 수 있다.
상기와 같은 본 발명에 따른 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법 및 장치를 이용할 경우에는 거주자의 개별적인 만족도와 열-공조 에너지 효율을 상호 조율하여 최적의 조건으로 열 에너지 시스템을 제어할 수 있다.
또한, 부분선형근사기법을 통한 혼합정수 선형 계획법을 사용하므로 계산 시간이 빠른 장점이 있다.
또한, 거주자 개인에 대한 만족도를 학습하여 구성한 인공 신경망을 이용하여 거주자 개인의 열적 만족도를 예측하므로 예측의 정확도가 높고 거주자 전체의 열적 만족도를 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법이 수행되는 전체 구성도이다.
도 2는 본 발명의 일 실시예에 따른 건물을 모델링하기 위한 예시도이다.
도 3은 본 발명의 일 실시예에 따른 건물에 설치될 수 있는 열-공조 장치에 대한 예시도이다.
도 4a는 열-공조 장치에 공급되는 전력량 대비 건물 구역 1(zone 1)에서의 온도 변화를 도시한 그래프이다.
도 4b는 열-공조 장치에 공급되는 전력량 대비 건물 구역 Nz(Nz번째 zone)에서의 온도 변화를 도시한 그래프이다.
도 5는 본 발명의 일 실시예에 따른 인공 신경망(Artificial Neural Network, ANN) 모델을 설명하기 위한 예시도이다.
도 6은 본 발명의 일 실시예에 따른 인공신경망 모델에서 시그모이드 함수를 선형화하기 위한 예시 그래프이다.
도 7은 본 발명의 일 실시예에 따른 개별 거주자에게 제공되는 단말에서 수집되는 정보를 설명하기 위한 예시도이다.
도 8a 내지 도 8d는 본 발명의 일 실시예에 따른 건물의 열 에너지 시스템을 제어하는 방법을 적용하기 위한 테스트 환경을 나타내는 그래프이다.
도 9a 내지 도 9d는 본 발명의 일 실시예에 따른 인공 신경망을 이용하여 개별 거주자의 열적 불만족도를 예측한 값을 개별 거주자로부터 수집한 열적 불만족도와 비교한 그래프이다.
도 10a 내지 도 10d는 본 발명의 일 실시예에 따른 거주자들의 열적 민감도 특성을 고려하여 열-공조 장치에 대한 최적의 운영 스케쥴링을 적용한 결과 그래프이다.
도 11 a 내지 도 11d는 기존 일반적인 열-공조 장치의 운영 스케쥴링을 적용한 결과 그래프이다.
도 12a 및 도 12b는 수학식 19에 따른 목적 함수에서 평균 전기 요금(CE, avg) 대비 거주자들의 열적 불만족도 가중치(CTD)를 달리 하였을때, 열-공조 장치의 총 에너지 소비 비용과 거주자들의 열적 불만족도의 합을 나타낸 그래프이다.
도 13은 본 발명의 일 실시예에 따른 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법에 대한 흐름도이다.
도 14은 본 발명의 일 실시예에 따른 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 장치에 대한 구성도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법이 수행되는 전체 구성도이다.
도 1을 참조하면, 본 발명은 여러 센서들이 내외부에 설치된 건물(building)에 설치된 열-공조 장치(HAVC Systems)를 효율적으로 제어하기 위한 방법을 제안한다.
도 1의 도면기호 11을 참조하면, 열-공조 장치의 효율적 제어를 위해 본 발명에서는 여러 구역(zone)으로 이루어져 각 구역에 거주자(Occupants)가 거주할 수 있는 건물(10)의 현재 열 에너지 상태를 측정하기 위하여 열적 존(thermal zone) 수준의 수동적 측정과 거주자 수준의 능동적 측정 중 적어도 하나를 사용할 수 있다.
수동적 측정을 위해 본 발명은 IoT 기반의 센서(예를 들면 이지로그 센서, easylog sensor)를 건물(10) 내부 곳곳에 설치하고 미리 설정된 시간 단위로 온도 변화를 측정할 수 있다. 또한, 거주자 수준의 능동적 측정을 위해 본 발명은 먼저 입력 장치를 통해 건물 내 거주자들로부터 개인의 열적 불만족도(Thermal Discomport, TD)를 입력받아 수집할 수 있다. 열적 불만족도 수집을 위해 거주자들 각자에게 건물의 열적 상태 정보를 표시하고 열적 불만족도를 입력받을 수 있는 모바일 단말(Mobile-Interfaced Occupant Inputs)이 지급될 수 있다.
이하에서 설명하는 열적 불만족도는 열적 만족도에 관한 지표로 구현할 수도 있으며, 거주자가 열-공조 장치의 운영에 의해 느끼는 편리함 또는 불편함을 평가할 수 있는 지표들을 모두 포함할 수 있는 개념으로 이해되어야 한다.
한편, 각 거주자들마다 개별적으로 수집된 불만족도 데이터들은 전처리(preprocessing, 13)를 거친 후 클라우드 데이터베이스(또는 서버, Buildingdatabase)에 저장될 수 있다.
또한, 이때, 클라우드 데이터베이스는 건물 외부의 온도, 습도, 풍속, 일사량 등을 포함하는 외부 환경을 예측한 데이터(예를 들면 기상청 예측 데이터, Weather Forecast, 15)를 수집하여 저장할 수 있으며, 실시간 전기 가격(Electricity Price, 14)를 예측한 데이터를 수집하여 저장할 수 있다.
이때, 본 발명의 일 실시예에 따른 인공 신경망(Artificial Neural Network, ANN)을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법은, 상기 클라우드 데이터베이스에 저장된 데이터들에 대한 머신 러닝(Machine Learning) 학습을 통해 인공 신경망 구현에 필요한 정보들(뉴런 사이의 관계값, 바이어스 값 등)을 결정할 수 있다.
다음으로, 인공 신경망을 이용하여 건물 내외부의 환경 변화에 따른 개별 거주자의 열적 불만족도를 예측하고(16), 예측된 열적 불만족도와 전기요금 등을 고려하여 최적의 열-공조 장치를 운영하기 위한 최적 제어 조건을 결정할 수 있다(17).
따라서, 본 발명의 일 실시예에 따른 인공 신경망(Artificial Neural Network, ANN)을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법에 따르면, 최적 제어 조건을 기반으로 전기 요금을 가장 줄이고, 개인의 열적 만족도를 최대화할 수 있도록 건물의 열-공조 장치를 제어할 수 있다.
도 2는 본 발명의 일 실시예에 따른 건물을 모델링하기 위한 예시도이다. 도 3은 본 발명의 일 실시예에 따른 건물에 설치될 수 있는 열-공조 장치에 대한 예시도이다.
도 2를 참조하면, 본 발명의 열-공조 장치가 설치된 건물은 적어도 하나 이상의 존(zone)으로 구성되어 있다고 가정할 수 있다. 예를 들면, 미국의 DOE(Department of energy)에서 제안하는 소형 오피스 건물 모델을 가정할 수 있다.
이때, 건물은 6개의 열 구역(thermal zone)으로 구성될 수 있으며, 그 중 Attic 존(Z6)을 제외한 나머지 다섯개 구역에 사람이 거주할 수 있다. 이때, 사람이 거주할 수 있는 다섯개 구역(Z1 내지 Z5) 중에서 코어 존(Core, Z5)은 주변의 다른 구역들(Perimeter, Z1~Z4)에 의해 둘러싸여 있고, 가장 넓은 면적을 차지한다고 가정할 수 있다.
또한, 주변의 다른 구역들(Z1~Z4)은 면적, 거주자의 수, 건물의 방향성에 따른 일사량 차이 등으로 각기 다른 열적 특성(thermal characteristics)을 가질 수 있다.
건물의 각 열 구역에서의 온도 변화 특성을 선형 모델링하는 과정을 이하 도 3을 참조하여 설명한다.
도 3을 참조하면, 건물에 설치될 수 있는 열-공조 장치로 가변속 열 펌프(variable speed heat pump,VSHP, 30)가 사용될 수 있고, 이때 가변속 열 펌프(VSHP, 30)에 대한 입력 전력(input power)이 공급되면, 가변속 열 펌프에 포함된 컴프레서(compressor, ωr), 콘덴서(Condensor), 증발기(Evaporator), 확장밸브(Expansion Valve)가 유기적으로 동작함에 의해 공기를 순환시키고, 건물의 각 열적 존(Thermal Zone, 31)에 연결된 덕트(duct)를 통해 공기(SupplyAir, Qh)를 주입할 수 있다. 이때, 가변속 열 펌프에는 각 열적 존(31)에서 돌아오는 공기(Return Air)와 열적 존(31) 주위의 외부(outdoor) 공기(이하, 외부공기의 온도를 주위 온도(Tx)로 지칭할 수 있음)가 섞여 혼합된 공기(Mixed Air, Te)가 들어올 수 있다.
이때, 건물 내에 각 열적 존(31)을 제어하는 열-공조 장치는 한 개 설치된 것으로 가정하였으나, 반드시 이에 한정되는 것은 아니다. 또한, 이하에서 열-공조 장치의 예시로 가변속 열 펌프(VSHP, 30)를 설명하고, 열-공조 장치와 VSHP를 혼용하여 사용할 수 있으나, 가장 넓은 의미(열-공조 장치)로 해석되어야 한다.
도 2 및 도 3에 따른 건물의 열 제어 시스템을 고려할 때, 시간 t에서 각 열 구역(1개부터 Nz개까지 있다고 정의)의 온도 변화 특성(Tz)은 주위 온도(Tχ), 지면 온도(Tg), 일사량(예를 들면, 복사열(Qr)과 대류열(Qc)로 정의할 수 있다), 건물 내부의 열 부하(예를 들면, 건물벽을 통한 열이득(Qs), 건물창문을 통한 열이득(Qw)) 등에 영향받게 되는 것을 예상할 수 있으며, 이에 따른 선형 모델링 결과는 아래의 수학식 1과 같다.
Figure pat00001
상기 수학식 1에서, [A], [B]는 계수 행렬에 해당할 수 있으며, t-4의 시각부터 t-1의 시각까지의 열적 환경이 t 시각에서 각 열적 존의 온도([Tz]t)에 영향을 받는 것으로 정의할 수 있다. (여기서 임의의 시각 t에서 각 열적 존의 온도는 이후의 도 4a 및 도 4b에 따른 설명을 참조할 수 있다.)
또한, 도 3에서의 열-공조 장치에서 전력 소모가 가장 많은 기기는 열 펌프(VSHP)로서, 시간 t(위첨자 t로 표시)에서 열 펌프의 각 구성요소(예를 들어 컴프레셔의 각 속도(wr), 주위온도(Tx), 증발기 온도(Te) 등)에 대한 전력량(Ph)의 정상상태 응답(steady state response) 특성은 다음의 수학식 2와 같이 선형적으로 정의할 수 있다.
Figure pat00002
상기 수학식 2에서, kw, kx, ke, ko는 각 구성요소에 대한 계수들을 의미할 수 있다.
또한, 상기 수학식 2를 기초로 시간 t(아래첨자 t로 표시)에서 열 펌프의 쿨링율(cooling rate) 또는 출력 열 에너지(Qht)는 다음의 수학식 3과 같이 정의할 수 있다.
Figure pat00003
상기 수학식 3에서 k로 정의되는 값들은 계수에 해당할 수 있다. 이때, 상기 수학식 3에서 열 펌프의 출력 열 에너지(Qht)는 컴프레셔의 각 속도(wr), 주위온도(Tx), 증발기 온도(Te)에 대한 함수로 표현되었으나, 이에 한정되는 것은 아니며, 수학식 2에 따른 전력량(Ph), 주위온도(Tx), 증발기 온도(Te)에 대한 함수로 정의할 수도 있다.
이하에서는, 수학식 1 내지 3에 의해 정의되는 건물의 열 에너지 시스템을 제어하기 위하여 건물 내 온도 변화를 선형화하하는 과정을 설명한다.
도 4a는 열-공조 장치에 공급되는 전력량 대비 건물 구역 1(zone 1)에서의 온도 변화를 도시한 그래프이다. 도 4b는 열-공조 장치에 공급되는 전력량 대비 건물 구역 Nz(Nz번째 zone)에서의 온도 변화를 도시한 그래프이다.
본 발명의 일 실시예에 따르면, 수학식 1 내지 3에 의해 정의되는 건물의 열 에너지 시스템을 제어하기 위하여 혼합정수선형계획법(MILP, mixed-integer linear programming)을 사용할 수 있다. 혼합정수선형계획법은 대표적인 결정론적(deterministic) 알고리즘으로 계산시간이 빠른 장점이 있다.
이때, 도 4a 및 도 4b를 참조하면, 열-공조 장치에 공급되는 전력량에 대한 각 구역의 온도 변화는 비선형으로 이루어져 있는 것을 확인할 수 있다. 따라서, 혼합정수선형계획법을 적용하기 위해서는 비선형으로 이루어지는 각 구역의 온도 변화를 선형화할 필요가 있다.
따라서, 열-공조 장치에 공급되는 전력량에 대한 각 구역의 온도 변화(Tz)를 복수의 직선으로 이루어진 조합으로 선형화하면, 도 4a 및 도 4b에 표시한 것과 같이 전력량 P1h, P2h, P3h를 기준으로 사이의 간격마다 직선으로 근사화되는 것을 확인할 수 있다. 이때, 선형화된 각 구역의 온도 변화는 다음의 수학식 4와 같이 정의할 수 있다.
Figure pat00004
상기 수학식 4를 참조하면, 시각 t(윗 첨자 t로 표시)에서 특정 구역 z에서의 온도(Tz)는, 열-공조 장치의 가동이 없을 때 특정 구역 z에서의 온도(Tzf), 특정 구역 z에서의 온도에 대한 그레디언트(gradient) 값(Fzuh), VSHP의 입력 전력량(δuh, 또는 도 4a 및 도 4b에서와 같이 선형화된 전력량 구간 간격), 선형화 블록의 개수(또는 선형화된 직선의 개수, 총 NU개)를 이용하여 도출할 수 있다. 이때, h는 열-공조 장치에 대한 인덱스 값을 지시할 수 있다.
또한, VSHP의 입력 전력량(δuh)은 선형으로 근사화된 전력량 간격이므로 수학식 2에 따른 임의의 시점 t에서의 전력량과 다음의 수학식 5에 따른 관계를 가지는 것을 알 수 있다.
Figure pat00005
또한, 수학식 4 및 수학식 5는 선형화 블록의 개수(NU)에 대한 인덱스(u)가 1일때 수학식 6의 관계식(또는 제약조건)을 만족할 수 있고, 인덱스(u)가 Nu일 때 수학식 7의 관계식(또는 제약조건)을 만족할 수 있으며, 인덱스(u)가 1과 Nu사이에 대해서는 수학식 8의 관계식(또는 제약 조건)을 만족할 수 있다.
Figure pat00006
Figure pat00007
Figure pat00008
한편, 본 발명에서는 수학식 4에 따라 선형화된 건물 내 구역의 온도 함수와 인공 신경망(ANN)을 이용하여 예측한 개별 거주자의 불만족도를 기초로 최적의 제어 조건을 결정하는데, 이하에서는 최적의 제어 조건을 결정하기 위한 인공 신경망 모델을 설명한다.
도 5는 본 발명의 일 실시예에 따른 인공 신경망(Artificial Neural Network, ANN) 모델을 설명하기 위한 예시도이다.
도 5를 참조하면, 본 발명의 일 실시예에 따른 인공 신경망(ANN) 모델은 각 거주자(occupant, o)와 열-공조 장치(VSHP, h) 별로, 시각 t일 때, 건물 내 해당 거주자가 위치한 구역에서의 주위 온도(ambient temperature, Tx)와, 구역 내부 온도(indoor temperature, Tzh)를 입력 데이터로 하여 개별 거주자의 열적 불만족도(TD)를 예측하는 데 이용될 수 있다. 이때, 주위 온도는 도 3에 따른 열-공조 장치에서 해당 구역(zone)으로 유입되는 외부 공기의 온도로서 센서에 의해 측정된 값일 수 있으며, 구역(zone) 내부 온도는 수학식 1 및/또는 수학식 4에 의해 획득될 수 있다.
이때, 입력 데이터는 전처리 과정(preprocessing)을 거쳐 은닉층(hidden layer)의 입력 뉴런(input neuron, x1oh, x2oh, x3oh)이 되며, 입력 뉴런들은 시그모이드 함수(50, Bipolar Sigmoid output, 활성 함수로 지칭할 수도 있다)에 대한 입력값들(n1oh, n2oh, ? , nNJoh , 이하 히든 뉴런, NJ는 히든 뉴런의 개수)과의 관계에서 IWji를 계수(coefficient)로 갖도록 정의될 수 있다. 또한, 시그모이드 함수(50)의 출력값들(m1oh, m2oh, ? , mNJoh)은 출력 뉴런(zoh)과의 관계에서 LWj를 계수로 갖도록 정의될 수 있다.
도 5에서 각 변수값에 표시된 i와j는 입력 뉴런과 히든 뉴런에 대한 인덱스 값을 지시할 수 있다. 또한, 출력 뉴런(zoh)은 항등 함수(51, Linear Function)의 입력값이 되며, 항등 함수(51)의 출력값(yoh)은 후처리 과정(post-processing)을 거쳐 해당 거주자의 열적 불만족도에 대한 예측값(TDoh)이 도출될 수 있다.
그 밖에 djoh, eoh(d1oh, d2oh .., eoh등)와 같이 덧셈 연산의 추가 입력으로 표시된 값은 편향 계수(bias value)로 정의할 수 있다.
한편, 도 5에 따른 시그모이드 함수(50, Fcn1)와 항등 함수(51, Fcn2)는 다음의 수학식 9 및 10과 같이 정의할 수 있다.
Figure pat00009
Figure pat00010
상기 수학식 9에서 njoh는 1부터 NJ개로 구성되는 시그모이드 함수(50)의 입력값을 인덱스 j로 표현한 변수이며, 상기 수학식 10에서 zoh는 항등 함수(51)의 입력값일 수 있다.
또한, 시그모이드 함수(50)의 입력값(n1oh, n2oh, ? , nNjoh, 인덱스 j로 표현하면 njoh)과 입력뉴런(x1oh, x2oh, x3oh, 인덱스 i로 표현하면 xioh)의 관계를 수학식으로 정의하면 다음의 수학식 11과 같이 정의할 수 있다.
Figure pat00011
또한, 시그모이드 함수(50)의 출력값들(m1oh, m2oh, ? , mNJoh)과 출력 뉴런(zoh)과의 관계를 수학식으로 정의하면 다음의 수학식 12와 같이 정의할 수 있다.
Figure pat00012
상기 수학식 11 및 수학식 12에서 연결 계수(IWjioh, LWjoh)와 편향 계수(djoh, eoh)는 각 거주자들마다 기계 학습을 통해 개별적인 값을 갖도록 결정될 수 있다. 구체적으로 연결 계수는 거주자가 위치한 구역 내의 내부 온도 및 주위 온도에 따른 각 거주자들의 불만족도를 학습하는 과정을 통해 결정할 수 있다. 또한, 편향 계수는 목적한 평균 제곱 오차(mean squared errers, MSEs)에 기초하여 결정할 수 있다. 하나의 예를 들면, 연결 계수와 편향 계수를 결정할 때, Matlab 소프트웨어의 라이브러리 함수 'trainlim'을 이용하여 훈련할 수 있다.
한편, 시그모이드 함수(50)는 입력값(n1oh, n2oh, ? , nNJoh)이 3보다 크면 포화(saturation)될 수 있다. 시그모이드 함수(50)의 포화가 훈련/학습 과정에서 발생할 경우, 인공 신경망의 학습 속도가 느려질 수 있다. 따라서, 인경 신경망 모델은 입력값을 정규화하기 위한 전처리 과정을 포함할 수 있고, 이때 전처리 과정은 아래의 수학식 13에 따라 수행될 수 있다.
Figure pat00013
수학식 13에서, 각 변수의 위에 막대로 표시한 것은 해당 변수의 최대값을 의미할 수 있고, 각 변수의 아래에 막대로 표시한 것은 해당 변수의 최소값을 의미할 수 있다. 따라서, 수학식 13의 좌변에 정의되는 입력 뉴런(input neuron, x1oh, x2oh, x3oh)은 -1과 1 사이의 값을 가질 수 있게 되므로 시그모이드 함수(50)의 포화를 방지할 수 있다.
또한, 상기 수학식 13에 따른 전처리 과정의 역과정으로서 본 발명의 일 실시예에 따른 인공신경망의 출력값(yoh)을 거주자의 열적 불만족도(TDoh) 값으로 변환하기 위한 후처리 과정(post-processing)은 다음의 수학식 14에 따라 수행될 수 있다. 이때, 변수 상단의 막대(bar)는 해당 변수의 최대값을 의미할 수 있으며, 변수 하단의 막대(bar)는 해당 변수의 최소값을 의미할 수 있다.
Figure pat00014
한편, 도 5에 따른 인공신경망 모델은 개별 거주자가 과거보다는 현재의 열적 상태에 따라 불만족도를 표시하는 것을 가정하여 피드백 루프(feedback loop) 또는 시간 지연(time delay)을 갖지 않도록 정의하였다. 다만, 그에 한정되는 것은 아니며, 과거의 상태를 포함하여 불만족도를 표시하는 경우를 고려하여 피드백 루프를 갖도록 구성하는 것 또한 가능할 수 있다.
도 6은 본 발명의 일 실시예에 따른 인공신경망 모델에서 시그모이드 함수를 선형화하기 위한 예시 그래프이다.
수학식 9의 시그모이드 함수(50)는 입력값(njoh)에 대한 출력값(mjoh)을 나타내는 함수로 도 6과 같이 도시할 수 있는데, 본 발명의 일 실시예에서는 시그모이드 함수에 대하여 부분선형근사기법을 이용하여 선형화할 수 있다.
이때, 도 6을 참조하면 시그모이드 함수의 경우 r1 내지 r6 사이에서 큰폭으로 변화하고 있는 것을 알 수 있으므로 수학식 4 및 5에서의 선형화 블록의 개수(NU)보다 더 많은 수의 직선 구간으로 근사화할 필요가 있다. 예를 들면, 도 6에서와 같이 r0 내지 r7 사이의 각 개별 직선으로 근사화할 수 있고, 따라서, 직선의 수(NS)를 7로 결정할 수 있다.
여기서, 수학식 9의 시그모이드 함수를 복수의 직선으로 선형 근사화하면 아래의 수학식 15와 같이 정의할 수 있다.
Figure pat00015
수학식 15에서 Jo는 인공 신경망 모델에서 히든 뉴런의 집합이며, ls는 시그모이드 함수의 출력값(mjoh)에 대한 부분 선형 그레디언트(piecewise linear gradient, 또는 도 6에서 개별 직선의 기울기)를 의미할 수 있다. 또한, qsjoh는 도 6에서 개별 직선의 x축 간격값을 의미할 수 있다. 또한, 수학식 15에 따라 선형화된 시그모이드 함수는 선형화 직선의 수(Ns)에 대한 인덱스(s) 값이 1일때는 아래의 수학식 16에 따른 조건을 만족할 수 있으며, 선형화 직선의 수(Ns)에 대한 인덱스(s) 값이 Ns일때는 수학식 17에 따른 조건을 만족할 수 있고, 그 밖에는 수학식 18에 따른 조건을 만족할 수 있다.
Figure pat00016
Figure pat00017
Figure pat00018
상기 수학식 16 내지 18에서 wsjoh는 이진 변수를 의미할 수 있다. 또한, rs는 개별 선형화에서 근사화를 위한 각 구간의 좌표를 의미할 수 있다.
도 7은 본 발명의 일 실시예에 따른 개별 거주자에게 제공되는 단말에서 수집되는 정보를 설명하기 위한 예시도이다.
도 7을 참조하면, 개별 거주자에게 제공되는 단말에서는 현재의 외부 날씨, 온도 등(70)을 사용자에게 제공하며, 전기요금의 변화 및 예측 추세(71) 및 시간에 따라 예측된 기온 변화(72)를 사용자에게 제공할 수 있다.
이에 따라 사용자는 현재 거주하고 있는 구역(zone)에 대한 밝기(brightness), 습도(humidity), 열적 불만족도(thermal comfort)를 수치로 입력(73)할 수 있다. 예를 들어, 밝기와 습도, 열적 불만족도를 -100 부터 100 사이의 값으로 입력할 수 있다.
본 발명에서는 이와 같이 별도로 수집한 열적 구역의 내부 온도 및/또는 주위 온도, 전기요금의 변화 및 예측 추세를 개별 거주자들에게 제공하고, 그렇게 제공한 데이터에 대한 거주자들의 응답 데이터(열적 불만족도)를 수집한 후, 제공된 데이터에 대한 거주자들의 응답을 기계학습(machine learning)하는 과정을 통해 인공 신경망을 구성하는데 필요한 계수들을 결정할 수 있다. 그리고, 구성된 인공 신경망을 이용하여 건물의 열적 상태에 따른 개별 거주자들의 불만족도를 예측할 수 있다.
종합하면, 본 발명의 일 실시예에 따른 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법 및 장치는 혼합정수 선형계획법(MILP, mixed-integer linear programming) 알고리즘을 이용하여 다음의 수학식 19에 따른 목적 함수(JSB)를 최소화하는 연산을 수행함으로써, 건물의 열-공조 장치를 효율적으로 제어할 수 있다.
Figure pat00019
상기 수학식 19를 참조하면, NT는 스케쥴링 시간 간격을 의미하며, NH는 열-공조 장치의 개수고, NO는 거주자의 수이며, NZ는 건물 내 열적 구역의 개수를 의미할 수 있다. 또한, 수학식 19에서 첫번째 구성요소(first term)는 열-공조 장치에 대한 운영 비용을 나타낼 수 있다. 더욱 상세하게 Ph는 1 부터 NT 까지의 시간 간격동안 건물의 열-공조 장치(NH 개로 정의)에 사용되는 전력 소비량을 나타내며, CE는 시각 t에서 전력 소비량에 대한 전기 요금을 의미할 수 있다.
또한, 수학식 19에서 두번째 구성요소(second term)는 개별 거주자(인덱스 o로 정의)의 열적 불만족도의 합을 나타내며, 세번째 구성요소(third term)는 건물 내부 온도가 이하에서 설명하는 제1 제약조건을 벗어날 때에 대한 페널티(penalty)를 나타낼 수 있다. 또한, 두번째 구성요소와 세번째 구성요소의 계수 CTD 및 CP는 가중치(weighted coefficient)를 의미할 수 있다.
한편, 본 발명에서는 상기 수학식 19에 따른 목적 함수를 최소화하는데 있어서, 추가적인 제약조건(constraints)을 정의할 수 있다.
먼저 제1 제약 조건으로, 건물 내부의 온도가 일정한 규정 온도 범위 내에 있도록 제어함으로써, 불필요하게 건물 내부의 온도가 덥거나 춥지 않도록 제어할 수 있다. 따라서, 앞서 부분 선형 근사 기법으로 표현한 수학식 4에 따른 건물 내부 온도가 일정한 범위(최저 온도와 최대 온도 사이)내에 있어야하는 제1 제약 조건을 다음의 수학식 20과 같이 표현할 수 있다.
Figure pat00020
상기 수학식 20을 참조하면, 수학식 4(또는 수학식 4 내지 8을 이용)에 따른 건물 내부 온도(Tz)의 최대값(윗단에 막대가 표시된 문자,
Figure pat00021
) 및 최소값(아래닷에 막대가 표시된 문자,
Figure pat00022
)의 범위를 결정할 수 있으며, 이때,
Figure pat00023
및
Figure pat00024
는 각각 건물 내부 온도에 대하여 제어되어야할 최저 온도(
Figure pat00025
)와 최대 온도(
Figure pat00026
)를 초과한 정도를 의미할 수 있다. 이때, 규정된 최저 온도와 최대 온도는 거주자의 열적 편안함을 보장하기 위하여 건물마다 다른 값을 적용할 수 있다. 따라서, 수학식 4 및 수학식 20은 VSHP에 의해 제어되는 구역 온도의 요구사항(requirements)을 나타낼 수 있다.
한편, 개별 거주자들에 대한 인공 신경망(ANN) 모델에 대한 제2 제약 조건을 다음의 수학식 21 및 수학식 22와 같이 정의할 수 있다.
Figure pat00027
Figure pat00028
여기서 상기 수학식 21은 인공 신경망 모델의 입력값과 히든 뉴런 j의 출력값(njoh) 사이의 관계를 정의하며, 이때 출력값(njoh)은 수학식 15에 따른 선형화에 따를 때, 아래의 수학식 23과 같이 표현할 수 있다.
Figure pat00029
따라서, 상기 수학식 23에 따라 출력값을 변수 qsjoh에 대하여 표현하면 수학식 21과 같이 나타낼 수 있다.
또한, 상기 수학식 22는 인공 신경망에서 시그모이드 함수의 출력값(mjoh)와 열적 불만족도(TDoh) 사이의 관계를 나타낸다. 즉, 전처리 과정에 의해 정규화된 입력 데이터는
Figure pat00030
,
Figure pat00031
,
Figure pat00032
,
Figure pat00033
가 포함되는 상기 수학식 22에 의해서 역변환될 수 있다. 이때,
Figure pat00034
,
Figure pat00035
는 항등 함수의 출력값에 대한 최대값과 최소값을 의미하며,
Figure pat00036
,
Figure pat00037
는 학습 과정에서 수집된 열적 불만족도에 대한 최대값과 최소값을 의미할 수 있다. 또한, 수학식 13, 15 내지 18이 입력 데이터의 정규화 및 근사선형화를 위하여 상기 제2 제약 조건에 포함될 수 있다.
또한, 제3 제약 조건으로, 개별 거주자의 열적 불만족도가 일정 범위를 넘지 않도록 제어함으로써, 개별 거주자의 열적 만족도를 보장할 수 있다. 이때, 이러한 개별 거주자의 열적 만족도에 대한 제약 조건은 다음의 수학식 24과 같이 정의할 수 있다.
Figure pat00038
상기 수학식 24에서, 변수 TDoh t + , TDoh t - 는 모두 양수로 이루어진 값으로서, 제약 조건 범위(예를 들어 -6 내지 +6) 내의 열적 불만족도(TDoh)에 대한 절대값(
Figure pat00039
) 대신에 사용될 수 있다(예를 들면, MILP 알고리즘을 통해 상기 수학식 19의 최적화 문제를 풀기위한 보조적 수단이 될 수 있다). 또한, 상기 수학식 24에 대한 선형적 표현은 아래의 수학식 25와 같이 정의할 수 있다.
Figure pat00040
상기 수학식 25에서 M은 열적 불만족도(TDoh)에 대한 절대값(
Figure pat00041
)의 최대값보다 큰 임의의 상수일 수 있다.
또한, 상술한 수학식 19를 최소화하는 최적화 문제에 대한 제1 제약 조건 내지 제3 제약 조건에 포함된 이진 변수들(vuh, wsjoh, xoh)은 0 또는 1의 값을 가지며 다음의 수학식 26와 같이 정의될 수 있다.
Figure pat00042
즉 본 발명의 일 실시예에 따르면, 제1 제약 조건, 제2 제약 조건, 제3 제약 조건 중 적어도 하나의 조건 아래에서 수학식 19에 따른 목적 함수의 결과값을 최소화하도록 열-공조 장치를 제어함으로써, 최적의 제어를 달성할 수 있다.
도 8a 내지 도 8d는 본 발명의 일 실시예에 따른 건물의 열 에너지 시스템을 제어하는 방법을 적용하기 위한 테스트 환경을 나타내는 그래프이다.
본 발명의 일 실시예에 따른 건물의 열 에너지 시스템을 제어하기 위하여 테스트 대상이 되는 건물은 다음의 표 1과 같은 특성을 가진다.
Figure pat00043
표 1을 참조하면, 테스트 건물로 총 8개의 건물에 대한 특성을 확인할 수 있는데, 이때, 각 건물의 여러 열적 구역(zone) 중에서 앞서 도 3에 따른 건물 모델링 영역의 Z1, Z2, Z4에 해당하는 구역의 열적 특성을 확인할 수 있다. 구체적으로, 각 건물의 열-공조 장치에 대한 정격 용량(Ph), 외부에서 전달받은 최대 열 부하량(Qcz+Qrz), 내부에서 전달받는 최대 열 부하량(Qwz+Qsz)을 확인할 수 있다.
또한, 도 8a를 참조하면, 24시간 동안 건물 내부의 각 구역(zone)에서의 발생하는 열부하량의 변화를 확인할 수 있다(1시간 단위 샘플링 수행). 도 8b를 참조하면 24시간 동안 건물 외부에서 전달받는 일사량의 변화를 확인할 수 있다.
또한, 도 8c를 참조하면, 24시간 동안 건물 외기의 온도(또는 주위 온도)의 변화를 확인할 수 있으며, 도 8d를 참조하면 24시간 동안 전기가격의 실시간 변화를 확인할 수 있다.
이때, 도 8a, 도 8c 및 도 8d는 1시간 단위로 데이터를 샘플링한 결과이며, 도 8b는 6초 단위와 1시간 단위로 샘플링한 데이터 모두에 대한 결과를 함께 도시한 결과이다.
또한, 본 발명에서 테스트 건물 내에 있는 거주자들의 열적 불만족도를 모델링하기 위하여 실측 데이터를 사용하였는데, 예를 들면, 미국 필라델피아 Friends Center 오피스에서 2012년 7월부터 2013년 8월까지 1년간 거주자들의 열적 불편함 수준을 수집한 데이터, 습도가 높고 따듯한 기후 지역에 있는 한 대학교의 오피스 빌딩에서 2017년 3월부터 2017년 8월까지 거주자들의 열적 불편함 수준을 수집한 데이터를 사용하였다. 이때, 상기 수집한 데이터들 중에서 24명의 거주자 정보를 무작위로 선정하고 테스트 건물에 대한 거주자 모델에 활용하였다.
이하에서는 도 8a 내지 도 8d에 따른 테스트 환경을 전제로 하여 본 발명의 일 실시예에 따른 건물의 열 에너지 시스템을 제어하는 방법을 적용한 결과를 설명한다.
도 9a 내지 도 9d는 본 발명의 일 실시예에 따른 인공 신경망을 이용하여 개별 거주자의 열적 불만족도를 예측한 값을 개별 거주자로부터 수집한 열적 불만족도와 비교한 그래프이다.
도 9a를 참조하면, 개별 거주자 중 7번으로 지칭되는 거주자의 열적 불만족도를 수집한 인덱스 값(Index k for the measured data)에 대하여 -1과 +1 사이의 값으로 정규화한 열적 불만족도 값(ANN-Simulated)을 푸른색 점으로 표시하고, 인공 신경망에 기반하여 예측한 열적 불만족도 값(Measured)을 붉은색 마름모로 표시한 그래프를 확인할 수 있다. 도 9b를 참조하면, 도 9a에 따른 7번으로 지칭되는 거주자에 대하여 측정 및 예측한 열적 불만족도를 정규화하고, 정규화된 열적 불만족도, 정규화된 외부 온도(TX) 및 정규화된 내부 온도(Tz) 상호간의 3차원 관계 그래프를 확인할 수 있다. 도 9a 및 도 9b를 참조하면, 9번으로 지칭되는 거주자는 열적 불만족도가 -0.5 내지 +0.5 사이에 분포하고 있어 대체로 건물 내 온도에 만족하고 있는 것을 확인할 수 있다.
도 9c를 참조하면, 8번으로 지칭되는 거주자로부터 수집한 열적 불만족도 값(Measured)을 인공 신경망에 의해 예측한 열적 불만족도 값(ANN-Simulated)과 비교하여 도시한 그래프를 확인할 수 있다. 그래프를 참조하면, 8번으로 지칭되는 거주자는 열적 불만족도 측정 초기(k<60)에 건물 내 온도가 낮다고 느낌에 따라 열적 불만족도가 -0.5 이하에 주로 분포되어 있는 것을 확인할 수 있다.
도 9d를 참조하면, 21번으로 지칭되는 거주자로부터 수집한 열적 불만족도 값(Measured)을 인공 신경망에 의해 예측한 열적 불만족도 값(ANN-Simulated)과 비교하여 도시한 그래프를 확인할 수 있다. 그래프를 참조하면, 21번으로 지칭되는 거주자는 특정 시점 이후(k>40) 건물 내 온도가 상당히 높음을 느끼면서 열적 불만족도가 증가하였음을 알 수 있다.
도 9a 내지 도 9d에 따른 거주자를 포함하는 24명의 거주자들에 대한 열적 불만족도를 수집한 횟수(Ko)와 인공 신경망을 통해 예측한 열적 불만족도(Est. TD)의 최대 및 최소값, 예측된 열적 불만족도와 수집한 열적 불만족도 상호간의 오차(MSE)를 정리하면 아래의 표 2와 같다.
Figure pat00044
상기 표 2를 참조하면, 24명의 거주자들에 대하여 수집한 열적 불만족도 데이터의 수(Ko)와 열적 불만족도의 최대 및 최소값에 관계없이 대체로, 오차(MSE, mean squared error)가 낮게 유지되는 것을 확인할 수 있다.
이때, 오차(MSE)는 -1 과 +1 사이로 정규화된 열적 불만족도에 관한 측정값과 예측값 사이의 평균 제곱 오차를 구한 것으로서 아래의 수학식 27으로 정의할 수 있다.
Figure pat00045
상기 수학식 27을 참조하면, 각 거주자들에 대하여 측정한 열적 불만족도에 대하여 정규화된 값(
Figure pat00046
) 및 인공 신경망을 이용하여 예측한 열적 불만족도에 대하여 정규화된 값(
Figure pat00047
) 사이의 차분값을 제곱하여 모두 더하고, 측정 횟수(Ko)로 나누어 오차를 구할 수 있다.
도 10a 내지 도 10d는 본 발명의 일 실시예에 따른 거주자들의 열적 민감도 특성을 고려하여 열-공조 장치에 대한 최적의 운영 스케쥴링을 적용한 결과 그래프이다. 도 11 a 내지 도 11d는 기존 일반적인 열-공조 장치의 운영 스케쥴링을 적용한 결과 그래프이다.
도 10a 및 도 11a를 참조하면 표 1에 따른 테스트 건물 중 일부 건물(예를 들면 4개의 건물)에 설치된 열-공조 장치의 시간에 따른 전력 소비량을 나타낸 그래프를 확인할 수 있다. 도 10b 및 도 11b를 참조하면, 표 1에 따른 테스트 건물 중 일부 건물(예를 들면 4개의 건물)에 설치된 열-공조 장치의 시간에 따른 냉각열 방출량(cooling rate)을 확인할 수 있다.
도 10a 및 도 10b를 참조하면, 열-공조 장치의 전기 소비량은 거주자들이 건물에 출근하기 전인 새벽부터 이른 아침 시간까지 높은 것을 확인할 수 있다. 이것은 거주자들이 출근하기 전에 미리 건물의 온도를 낮추는 예냉(pre-cooling) 운전으로서 낮은 외기 온도 및 거주자들의 활동 부족으로 건물 내부의 온도가 낮은 상태에서 열-공조 장치의 운전 효율이 높은 점을 이용하는 방식이다.
이때 도 11a에서의 그래프를 도 10a의 그래프와 비교하면, 이른 아침까지 열-공조 장치의 전기 소비량이 더 적고, 거주자들이 출근한 이후 시간대(예를 들어 9h 이후)에서 전기 소비량이 증가한 것을 확인할 수 있다. 따라서, 거주자들의 열적 민감도 특성을 고려하지 않은 도 11a에서는 열-공조 장치의 예냉(pre-cooling)이 성공적으로 이루어지지 않은 것을 확인할 수 있다.
도 10c 및 도 11c를 참조하면, 표 1에 따른 테스트 건물 중 일부 건물(예를 들면 4개의 건물)의 각 구역(zone)에서 시간에 따른 온도 변화를 확인할 수 있다.
도 10d 및 도 11d를 참조하면, 도 10c 및 도 11c에 따른 건물의 온도 변화 환경에서 건물 내 거주자들의 열적 불만족도를 측정한 그래프를 확인할 수 있다. 이때, 열적 불편함 수준은 건물 내 열-공조 장치들(h)마다 측정되어 표시될 수 있다. 또한, 도 10d 및 도 11d에 따른 열적 불만족도는 -6과 +6 사이에 존재하도록 정규화하여 측정한 결과이다. 도 10d를 참조하면, 거주자 한명의 열적 불만족도를 제외하면, 나머지 거주자들의 열적 불만족도는 -3 과 +3 사이에 안정적으로 위치한 것을 확인할 수 있다.
도 11d를 도 10d와 비교하면, 도 11d에 따른 기존의 열-공조 장치 운영 방식으로는 열적 불편함 수준이 -4 보다 작거나 3보다 큰 경우가 발생한 것을 확인할 수 있고, 도 10d에 따른 거주자별 열적 불만족도를 고려한 운영 방식에서는 -4 내지 +3 사이의 범위 내에 열적 불만족도가 위치한 것을 확인할 수 있다. 즉, 기존의 열-공조 장치 운영방식에서는 개별 거주자의 열적 불만족도가 더 높기 때문에 개개인이 열-공조 장치의 수동 조작을 할 가능성이 높고, 이것은 최적의 운영 스케쥴링을 방해하는 요소가 되므로 전기 소비량 및 전기요금이 증가했을 것으로 예상될 수 있다.
도 12a 및 도 12b는 수학식 19에 따른 목적 함수에서 평균 전기 요금(CE, avg) 대비 거주자들의 열적 불만족도 가중치(CTD)를 달리 하였을때, 열-공조 장치의 총 에너지 소비 비용과 거주자들의 열적 불만족도의 합을 나타낸 그래프이다.
이때, 파란색으로 표시한 그래프는 열-공조 장치의 총 에너지 소비 비용 변화를 나타내며 붉은색으로 표시한 그래프는 거주자들의 열적 불만족도 합의 변화를 나타낸다.
또한, 도 12a에서는 4개의 빌딩 내에 속한 24명의 거주자들을 대상으로 한 결과 그래프이며, 도 12b는 8개의 빌딩 내에 속한 48명의 거주자들을 대상으로 한 결과 그래프이다.
도 12 a 및 도 12b를 참조하면, 거주자들의 열적 불만족도 가중치를 상대적으로 높게 설정하면, 거주자들의 열적 불만족도 합이 감소하는 반면 총 에너지 소비 비용은 증가하는 것을 확인할 수 있다. 또한, 거주자들의 열적 불만족도 가중치를 상대적으로 적게 설정하면, 거주자들의 열적 불만족도 합은 증가하는 반면 총 에너지 소비 비용은 감소하는 것을 확인할 수 있다.
즉, 수학식 19에 따른 목적 함수에서 에너지 소비 비용에 중점을 둘것인지 또는 거주자들의 열적 불만족도에 중점을 둘것인지에 따라 가중치(CTD)를 달리 설정함으로써 각 건물 또는 관리자의 의도에 따른 열-공조 장치를 운용할 수 있다.
도 13은 본 발명의 일 실시예에 따른 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법에 대한 흐름도이다.
도 13을 참조하면, 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법은 사용자 단말로부터 건물 내 온도 변화에 따른 각 거주자의 현재 열적 불만족도를 수집하는 단계(S100), 수집된 현재 열적 불만족도를 기계 학습(machine learning)하여 인공 신경망(Artificial neural network)을 구성하는 단계(S110), 구성된 인공 신경망을 이용하여 상기 건물 내 각 거주자들의 기대 열적 불만족도를 예측하는 단계(S120) 및 예측된 기대 열적 불만족도를 포함하는 목적 함수에 기초하여 상기 건물 내 설치된 열-공조 장치를 제어하는 단계(S130)를 포함할 수 있다.
여기서 열적 불만족도는 건물 내 구역(zone)에 위치한 거주자의 온도, 습도, 밝기 중 적어도 하나에 대한 평가값일 수 있으며, 불만족 정도를 나타내는 지표로 한정하여 해석되지 않으며, 만족 정도를 포함하는 지표로 해석되어야 한다.
여기서 상기 인공 신경망은, 상기 건물 내 온도 변화를 입력 데이터로 하여 상기 기대 열적 불만족도에 대한 예측값을 출력할 수 있다. 여기서, 기대 열적 불만족도는 도 5에 따른 인공 신경망의 출력값으로서 각 거주자들에 대하여 열적 불만족도를 수집할 경우 예상되는 기대값일 수 있다.
여기서 상기 인공 신경망은, 시그 모이드 함수(sigmoid function)를 포함하는 은닉층(hidden layer) 및 상기 시그 모이드 함수의 출력을 전달받아 항등 함수(identity function)를 연산하여 출력하는 출력층(outputlayer)을 포함할 수 있다.
여기서 상기 시그 모이드 함수는, 부분 선형 근사 기법을 이용하여 선형 모델링되는 것을 특징으로 할 수 있다.
여기서 상기 인공 신경망은, 상기 입력 데이터를 정규화하는 전처리부를 더 포함할 수 있다.
여기서 상기 인공 신경망을 구성하는 단계(S110)는, 상기 현재 열적 불만족도를 개별적으로 기계 학습함으로써, 각 거주자마다 개인화된 인공 신경망을 구성할 수 있다.
여기서 상기 목적 함수는, 상기 열-공조 장치의 전력 소모 비용을 더 포함할 수 있다.
여기서 상기 목적 함수는, 상기 건물 또는 상기 건물 내 구역에 대하여 미리 설정된 규정 온도를 초과한 온도차이를 더 포함할 수 있다.
여기서 목적 함수의 예를 들면 앞에서 설명한 수학식 19로 정의할 수 있다.
여기서 상기 제어하는 단계(S130)는, 상기 목적 함수가 최소화되도록 상기 열-공조 장치를 제어할 수 있다.
여기서 상기 건물 내 온도 변화는, 상기 건물의 각 거주자가 위치한 구역(zone)의 외부 온도, 내부 온도, 일사량, 열 부하량 중 적어도 하나를 포함하는 데이터(data)를 수집하는 단계 및 수집된 데이터에 따른 상기 건물 내 각 구역의 온도 변화를 선형 모델링하는 단계를 통해 결정될 수 있다. 구체적으로 건물 내 온도 변화의 모델링 과정은, 도 4에 대한 설명 및 수학식 4를 참조할 수 있다.
도 14은 본 발명의 일 실시예에 따른 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 장치에 대한 구성도이다.
도 14를 참조하면, 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 장치(100)는 적어도 하나의 프로세서(processor, 110) 및 상기 적어도 하나의 프로세서가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory, 120)를 포함할 수 있다.
여기서 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 장치(100)는 건물 내 각 거주자가 소유한 사용자 단말과 유무선 네트워크를 통해 데이터를 송수신하는 통신 모듈(130)을 더 포함할 수 있다.
여기서 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 장치(100)는 외부로부터 수집한 외부 환경 데이터, 사용자 단말로부터 수집한 열적 불만족도 데이터, 건물 내 각 구역에 설치된 센서 등으로부터 수집한 데이터들을 저장하는 저장소(storage, 140)를 더 포함할 수 있다.
여기서 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 장치(100)의 예를 들면, 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimediaplayer), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimediabroadcasting) 재생기, 디지털 음성 녹음기(digital audiorecorder), 디지털 음성 재생기(digital audioplayer), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등일 수 있다.
여기서 상기 적어도 하나의 단계는, 사용자 단말로부터 건물 내 온도 변화에 따른 각 거주자의 현재 열적 불만족도를 수집하는 단계, 수집된 현재 열적 불만족도를 기계 학습(machine learning)하여 인공 신경망(Artificial neural network)을 구성하는 단계, 구성된 인공 신경망을 이용하여 상기 건물 내 각 거주자들의 기대 열적 불만족도를 예측하는 단계 및 예측된 기대 열적 불만족도를 포함하는 목적 함수에 기초하여 상기 건물 내 설치된 열-공조 장치를 제어하는 단계를 포함할 수 있다.
여기서 상기 인공 신경망은, 상기 건물 내 온도 변화를 입력 데이터로 하여 상기 기대 열적 불만족도에 대한 예측값을 출력할 수 있다.
여기서 상기 인공 신경망은, 시그 모이드 함수(sigmoid function)를 포함하는 은닉층(hidden layer) 및 상기 시그 모이드 함수의 출력을 전달받아 항등 함수(identity function)를 연산하여 출력하는 출력층(outputlayer)을 포함할 수 있다.
여기서 상기 시그 모이드 함수는, 부분 선형 근사 기법을 이용하여 선형 모델링되는 것을 특징으로 할 수 있다.
여기서 상기 인공 신경망은, 상기 입력 데이터를 정규화하는 전처리부를 더 포함할 수 있다.
여기서 상기 인공 신경망을 구성하는 단계는, 상기 현재 열적 불만족도를 개별적으로 기계 학습함으로써, 각 거주자마다 개인화된 인공 신경망을 구성할 수 있다.
여기서 상기 목적 함수는, 상기 열-공조 장치의 전력 소모 비용을 더 포함할 수 있다.
여기서 상기 목적 함수는, 상기 건물 또는 상기 건물 내 구역에 대하여 미리 설정된 규정 온도를 초과한 온도차이를 더 포함할 수 있다.
여기서 상기 제어하는 단계는, 상기 목적 함수가 최소화되도록 상기 열-공조 장치를 제어할 수 있다.
여기서 상기 건물 내 온도 변화는, 상기 건물의 각 거주자가 위치한 구역(zone)의 외부 온도, 내부 온도, 일사량, 열 부하량 중 적어도 하나를 포함하는 데이터(data)를 수집하는 단계 및 수집된 데이터에 따른 상기 건물 내 각 구역의 온도 변화를 선형 모델링하는 단계를 통해 결정될 수 있다.
본 발명에 따른 방법들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 매체의 예에는 롬(ROM), 램(RAM), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령의 예에는 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 상술한 방법 또는 장치는 그 구성이나 기능의 전부 또는 일부가 결합되어 구현되거나, 분리되어 구현될 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (20)

  1. 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법으로,
    사용자 단말로부터 건물 내 온도 변화에 따른 각 거주자의 현재 열적 불만족도를 수집하는 단계;
    수집된 현재 열적 불만족도를 기계 학습(machine learning)하여 인공 신경망(Artificial neural network)을 구성하는 단계;
    구성된 인공 신경망을 이용하여 상기 건물 내 각 거주자들의 기대 열적 불만족도를 예측하는 단계; 및
    예측된 기대 열적 불만족도를 포함하는 목적 함수에 기초하여 상기 건물 내 설치된 열-공조 장치를 제어하는 단계를 포함하는, 건물의 열 에너지 시스템을 제어하는 방법.
  2. 청구항 1에서,
    상기 인공 신경망은,
    상기 건물 내 온도 변화를 입력 데이터로 하여 상기 기대 열적 불만족도에 대한 예측값을 출력하는, 건물의 열 에너지 시스템을 제어하는 방법.
  3. 청구항 1에서,
    상기 인공 신경망은,
    시그 모이드 함수(sigmoid function)를 포함하는 은닉층(hidden layer); 및
    상기 시그 모이드 함수의 출력을 전달받아 항등 함수(identity function)를 연산하여 출력하는 출력층(outputlayer)을 포함하는, 건물의 열 에너지 시스템을 제어하는 방법.
  4. 청구항 3에서,
    상기 시그 모이드 함수는,
    부분 선형 근사 기법을 이용하여 선형 모델링되는 것을 특징으로 하는, 건물의 열 에너지 시스템을 제어하는 방법.
  5. 청구항 2에서,
    상기 인공 신경망은,
    상기 입력 데이터를 정규화하는 전처리부를 더 포함하는, 건물의 열 에너지 시스템을 제어하는 방법.
  6. 청구항 1에서,
    상기 인공 신경망을 구성하는 단계는,
    상기 현재 열적 불만족도를 개별적으로 기계 학습함으로써, 각 거주자마다 개인화된 인공 신경망을 구성하는, 건물의 열 에너지 시스템을 제어하는 방법.
  7. 청구항 1에서,
    상기 목적 함수는,
    상기 열-공조 장치의 전력 소모 비용을 더 포함하는, 건물의 열 에너지 시스템을 제어하는 방법.
  8. 청구항 1에서,
    상기 목적 함수는,
    상기 건물 또는 상기 건물 내 구역에 대하여 미리 설정된 규정 온도를 초과한 온도차이를 더 포함하는, 건물의 열 에너지 시스템을 제어하는 방법.
  9. 청구항 1에서,
    상기 제어하는 단계는,
    상기 목적 함수가 최소화되도록 상기 열-공조 장치를 제어하는, 건물의 열 에너지 시스템을 제어하는 방법.
  10. 청구항 2에서,
    상기 건물 내 온도 변화는,
    상기 건물의 각 거주자가 위치한 구역(zone)의 외부 온도, 내부 온도, 일사량, 열 부하량 중 적어도 하나를 포함하는 데이터(data)를 수집하는 단계; 및
    수집된 데이터에 따른 상기 건물 내 각 구역의 온도 변화를 선형 모델링하는 단계를 통해 결정되는, 건물의 열 에너지 시스템을 제어하는 방법.
  11. 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 장치로,
    적어도 하나의 프로세서(processor); 및
    상기 적어도 하나의 프로세서가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함하고,
    상기 적어도 하나의 단계는,
    사용자 단말로부터 건물 내 온도 변화에 따른 각 거주자의 현재 열적 불만족도를 수집하는 단계;
    수집된 현재 열적 불만족도를 기계 학습(machine learning)하여 인공 신경망(Artificial neural network)을 구성하는 단계;
    구성된 인공 신경망을 이용하여 상기 건물 내 각 거주자들의 기대 열적 불만족도를 예측하는 단계; 및
    예측된 기대 열적 불만족도를 포함하는 목적 함수에 기초하여 상기 건물 내 설치된 열-공조 장치를 제어하는 단계를 포함하는, 건물의 열 에너지 시스템을 제어하는 장치.
  12. 청구항 11에서,
    상기 인공 신경망은,
    상기 건물 내 온도 변화를 입력 데이터로 하여 상기 기대 열적 불만족도에 대한 예측값을 출력하는, 건물의 열 에너지 시스템을 제어하는 장치.
  13. 청구항 11에서,
    상기 인공 신경망은,
    시그 모이드 함수(sigmoid function)를 포함하는 은닉층(hidden layer); 및
    상기 시그 모이드 함수의 출력을 전달받아 항등 함수(identity function)를 연산하여 출력하는 출력층(outputlayer)을 포함하는, 건물의 열 에너지 시스템을 제어하는 장치.
  14. 청구항 13에서,
    상기 시그 모이드 함수는,
    부분 선형 근사 기법을 이용하여 선형 모델링되는 것을 특징으로 하는, 건물의 열 에너지 시스템을 제어하는 장치.
  15. 청구항 12에서,
    상기 인공 신경망은,
    상기 입력 데이터를 정규화하는 전처리부를 더 포함하는, 건물의 열 에너지 시스템을 제어하는 장치.
  16. 청구항 11에서,
    상기 인공 신경망을 구성하는 단계는,
    상기 현재 열적 불만족도를 개별적으로 기계 학습함으로써, 각 거주자마다 개인화된 인공 신경망을 구성하는, 건물의 열 에너지 시스템을 제어하는 장치.
  17. 청구항 11에서,
    상기 목적 함수는,
    상기 열-공조 장치의 전력 소모 비용을 더 포함하는, 건물의 열 에너지 시스템을 제어하는 장치.
  18. 청구항 11에서,
    상기 목적 함수는,
    상기 건물 또는 상기 건물 내 구역에 대하여 미리 설정된 규정 온도를 초과한 온도차이를 더 포함하는, 건물의 열 에너지 시스템을 제어하는 장치.
  19. 청구항 11에서,
    상기 제어하는 단계는,
    상기 목적 함수가 최소화되도록 상기 열-공조 장치를 제어하는, 건물의 열 에너지 시스템을 제어하는 장치.
  20. 청구항 12에서,
    상기 건물 내 온도 변화는,
    상기 건물의 각 거주자가 위치한 구역(zone)의 외부 온도, 내부 온도, 일사량, 열 부하량 중 적어도 하나를 포함하는 데이터(data)를 수집하는 단계; 및
    수집된 데이터에 따른 상기 건물 내 각 구역의 온도 변화를 선형 모델링하는 단계를 통해 결정되는, 건물의 열 에너지 시스템을 제어하는 장치.
KR1020180022711A 2018-02-26 2018-02-26 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법 및 장치 KR20190102391A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180022711A KR20190102391A (ko) 2018-02-26 2018-02-26 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180022711A KR20190102391A (ko) 2018-02-26 2018-02-26 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20190102391A true KR20190102391A (ko) 2019-09-04

Family

ID=67950329

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180022711A KR20190102391A (ko) 2018-02-26 2018-02-26 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20190102391A (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210061522A (ko) * 2019-11-19 2021-05-28 한국에너지기술연구원 기계 학습 기반 에너지 자동 제어 장치 및 그 방법
CN113419868A (zh) * 2021-08-23 2021-09-21 南方科技大学 基于众包的温度预测方法、装置、设备和存储介质
KR102382211B1 (ko) * 2020-10-26 2022-04-01 재단법인 차세대융합기술연구원 스마트시티 구축을 위한 시민 만족도 예측시스템 및 이의 동작방법
KR102522497B1 (ko) * 2022-10-20 2023-04-18 한국전자기술연구원 건물 거주자의 선호구간 기반의 거주만족도 평가 시스템 및 방법
KR102548894B1 (ko) * 2022-10-20 2023-06-29 한국전자기술연구원 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템 및 방법
KR102571738B1 (ko) * 2023-03-24 2023-08-30 한국전자기술연구원 건물 거주자의 개인 성향 및 센싱 데이터 선호구간 범위 도출 기반의 피제어기 제어 시스템 및 방법
US11983729B1 (en) 2022-10-20 2024-05-14 Korea Electronics Technology Institute System and method for evaluating residential satisfaction based on resident's personal tendency and sensing data

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210061522A (ko) * 2019-11-19 2021-05-28 한국에너지기술연구원 기계 학습 기반 에너지 자동 제어 장치 및 그 방법
KR102382211B1 (ko) * 2020-10-26 2022-04-01 재단법인 차세대융합기술연구원 스마트시티 구축을 위한 시민 만족도 예측시스템 및 이의 동작방법
CN113419868A (zh) * 2021-08-23 2021-09-21 南方科技大学 基于众包的温度预测方法、装置、设备和存储介质
CN113419868B (zh) * 2021-08-23 2021-11-16 南方科技大学 基于众包的温度预测方法、装置、设备和存储介质
KR102522497B1 (ko) * 2022-10-20 2023-04-18 한국전자기술연구원 건물 거주자의 선호구간 기반의 거주만족도 평가 시스템 및 방법
KR102548894B1 (ko) * 2022-10-20 2023-06-29 한국전자기술연구원 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템 및 방법
US11983729B1 (en) 2022-10-20 2024-05-14 Korea Electronics Technology Institute System and method for evaluating residential satisfaction based on resident's personal tendency and sensing data
KR102571738B1 (ko) * 2023-03-24 2023-08-30 한국전자기술연구원 건물 거주자의 개인 성향 및 센싱 데이터 선호구간 범위 도출 기반의 피제어기 제어 시스템 및 방법

Similar Documents

Publication Publication Date Title
KR20190102391A (ko) 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법 및 장치
Harish et al. A review on modeling and simulation of building energy systems
US10077915B2 (en) On-line optimization scheme for HVAC demand response
Pombeiro et al. Dynamic programming and genetic algorithms to control an HVAC system: Maximizing thermal comfort and minimizing cost with PV production and storage
US10107513B2 (en) Thermodynamic modeling for enclosures
KR102198817B1 (ko) 열·공조 시스템에 대한 수요 반응 결정 모델을 생성하는 방법 및 수요 반응을 수행하기 위한 방법
Yoon et al. Performance based thermal comfort control (PTCC) using deep reinforcement learning for space cooling
Beccali et al. Short-term prediction of household electricity consumption: Assessing weather sensitivity in a Mediterranean area
Nguyen et al. Passive designs and strategies for low-cost housing using simulation-based optimization and different thermal comfort criteria
KR102488347B1 (ko) 에어 컨디셔닝 시스템에서 에어 컨디셔너를 제어하는 장치 및 방법
Delcroix et al. Autoregressive neural networks with exogenous variables for indoor temperature prediction in buildings
Maasoumy et al. Selecting building predictive control based on model uncertainty
KR102170522B1 (ko) 관람객 수와 환경 변화를 고려한 전시홀 에너지 관리 시스템
Shi et al. Building energy management decision-making in the real world: A comparative study of HVAC cooling strategies
US9625171B2 (en) Optimized precooling of structures
Vellei et al. Agent-based stochastic model of thermostat adjustments: A demand response application
Pang et al. Testing and demonstration of model predictive control applied to a radiant slab cooling system in a building test facility
Pandey et al. A thermal comfort-driven model predictive controller for residential split air conditioner
CN112990574A (zh) 一种基于建筑用能柔性调节潜力指标的评估方法及系统
Qin et al. A data-driven linear approximation of HVAC utilization for predictive control and optimization
CN112152840A (zh) 一种基于bim和模拟仿真的传感器部署方法和系统
Pazhoohesh et al. Investigating occupancy-driven air-conditioning control based on thermal comfort level
CN107560107A (zh) 一种医院病房空调换气次数分析方法及其装置
Cetin et al. Thermal comfort evaluation for mechanically conditioned buildings using response surfaces in an uncertainty analysis framework
Lee et al. On-policy learning-based deep reinforcement learning assessment for building control efficiency and stability

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application