KR20200092478A - 공조 시스템의 이코노마이저 제어 방법 및 이를 수행하는 공조 시스템 - Google Patents

공조 시스템의 이코노마이저 제어 방법 및 이를 수행하는 공조 시스템 Download PDF

Info

Publication number
KR20200092478A
KR20200092478A KR1020190002855A KR20190002855A KR20200092478A KR 20200092478 A KR20200092478 A KR 20200092478A KR 1020190002855 A KR1020190002855 A KR 1020190002855A KR 20190002855 A KR20190002855 A KR 20190002855A KR 20200092478 A KR20200092478 A KR 20200092478A
Authority
KR
South Korea
Prior art keywords
indoor space
air conditioning
temperature
conditioning system
load
Prior art date
Application number
KR1020190002855A
Other languages
English (en)
Other versions
KR102148726B1 (ko
Inventor
조영흠
이진현
Original Assignee
영남대학교 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 영남대학교 산학협력단 filed Critical 영남대학교 산학협력단
Priority to KR1020190002855A priority Critical patent/KR102148726B1/ko
Publication of KR20200092478A publication Critical patent/KR20200092478A/ko
Application granted granted Critical
Publication of KR102148726B1 publication Critical patent/KR102148726B1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • F24F11/83—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F5/00—Air-conditioning systems or apparatus not covered by F24F1/00 or F24F3/00, e.g. using solar heat or combined with household units such as an oven or water heater
    • F24F5/0003—Exclusively-fluid systems
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2140/00—Control inputs relating to system states
    • F24F2140/50—Load

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Sustainable Development (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

본 발명의 일 실시 예는 공조 시스템의 이코노마이저 제어 방법 및 이를 수행하는 공조 시스템에 관하 것으로, 건물의 부하 및 에너지 예측에 인공신경망 프로그램을 이용함으로써, 건물의 부하 및 에너지 예측 정확도를 향상시키고, 이를 이용하여 공조 시스템을 자동으로 제어할 수 있는 방법 및 시스템을 제공한다. 본 발명의 실시 예에 따른 공조 시스템의 이코노마이저 제어 방법은, i) 3D 모델링 프로그램을 이용하여 실내공간에 대한 3D 모델링을 수행하여 실내공간의 3D 모델을 마련하는 단계; ii) 실내공간의 3D 모델에 대한 시뮬레이션을 수행하는 단계; iii) 실내공간에 유입되는 공급기 온도와 공조 시스템의 부하 간 관계를 도출하는 단계; iv) 실내공간의 3D 모델에 대한 시뮬레이션을 통해 초기 변수와 실내공간의 3D 모델 간 상관관계를 분석하여 입력변수를 도출하는 단계; v) 입력변수를 학습한 인공신경망 프로그램을 형성하여 실내공간의 3D 모델에 대한 부하를 예측함으로써, 실내공간에 대한 부하의 예측 값인 부하예측값을 도출하는 단계; vi) 부하예측값을 이용하여 실내공간에 유입되는 공급기 온도를 연산하는 단계; 및 vii) 공급기 온도를 이용하여 제어부가 복수 개의 댐퍼 각각을 제어하는 단계;를 포함한다.

Description

공조 시스템의 이코노마이저 제어 방법 및 이를 수행하는 공조 시스템 {METHOD FOR CONTROLLING ECONOMIZER AIR CONDITIONING SYSTEM}
본 발명은 공조 시스템의 이코노마이저 제어 방법 및 이를 수행하는 공조 시스템에 관한 것으로, 더욱 상세하게는, 이코노마이저 제어 시 부하에 따라 공급온도를 유동적으로 하여 제어하는 방법 및 시스템에 관한 것으로, 이를 위해 인공신경망 모델을 이용하여 건물의 부하 및 에너지를 예측하고, 예측된 부하에 따라 공급 온도를 유동적으로 변화시키면서 공조를 수행하는 것이다.
온실가스 배출 및 에너지 사용량 감축을 위해, 기존 건축물에서 사용하고 있는 시스템의 운전방법 개선을 통한 에너지 효율화 방안이 주목 받고 있으며, 그 중, 이코노마이저 시스템은 운전방법 개선을 통한 에너지 효율화 방안 중 하나이다.
기존 이코노마이저 건구온도 제어방안은 공급 온도를 일정하게 하며, 이코노마이저를 통한 제어가 이루어지지 않을 때에 비해 에너지가 절감될 수 있다. 이에 더하여 건구온도 제어 방식에서 부하에 따라 공급 온도를 유동적으로 할 경우 추가적인 에너지 절감이 기대될 수 있어 이에 대한 방안이 요구된다.
그리고, 공조 제어에 있어서, 비선형적이며 영향인자들의 특성은 시시각각 변화하는데, 건물 부하에 대한 대응도 변화하며 시스템의 수학적 모델 계수가 고정되지 않아 정확한 최적제어가 불가능하다. 따라서 특성의 변화를 정확하게 파악하여 최적으로 제어하기 위해서는 기기 및 시스템 특성 변화에 대한 데이터를 취득 및 축적하여 이것을 해석한 후 제어해야 한다는 문제가 있다.
대한민국 등록특허 제10-1754536호(발명의 명칭: 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치)에서는, 냉동기의 성능 제어에 필요한 건물 에너지 관리 시스템(BEMS: building energy management system) 데이터를 수집하는 단계, BEMS 데이터를 입력 변수로 하여 냉동기의 전력 사용량을 예측하도록 구축된 기계학습 모델과 최적화 알고리즘을 이용하여 냉동기를 최적의 효율로 운전하기 위한 입력 변수의 셋(sets)을 선정하는 단계, 입력 변수의 셋 각각을 입력하여 기계학습 모델을 통해 입력 변수의 셋 각각에 대한 냉동기의 전력 사용량을 예측하는 단계, 예측된 전력 사용량과 현재 냉동기의 전력 사용량을 비교하여 냉동기의 제어값을 설정하는 단계를 포함하는 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법이 개시되어 있다.
대한민국 등록특허 제10-1754536호
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 이코노마이저 중 건구온도 제어 방식에서 부하에 따라 공급기 온도를 유동적으로 함으로써 추가적인 에너지 절감을 구현하도록 하는 것이다.
그리고, 본 발명의 목적은, 다양한 변수들의 영향을 받아 변화 패턴을 예측하기 어려운 건물의 부하 및 에너지 예측에 인공신경망을 활용하여 예측에 대한 예측율을 증대시키는 것이다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 본 발명의 구성은, i) 3D 모델링 프로그램을 이용하여 상기 실내공간에 대한 3D 모델링을 수행하여 상기 실내공간의 3D 모델을 마련하는 단계; ii) 상기 실내공간의 3D 모델에 대한 시뮬레이션을 수행하는 단계; iii) 상기 실내공간에 유입되는 공급기 온도와 상기 공조 시스템의 부하 간 관계를 도출하는 단계; iv) 상기 실내공간의 3D 모델에 대한 시뮬레이션을 통해 초기 변수와 상기 실내공간의 3D 모델 간 상관관계를 분석하여 입력변수를 도출하는 단계; v) 상기 입력변수를 학습한 인공신경망 프로그램을 형성하여 상기 실내공간의 3D 모델에 대한 부하를 예측함으로써, 상기 실내공간에 대한 부하의 예측 값인 부하예측값을 도출하는 단계; vi) 상기 부하예측값을 이용하여 상기 실내공간에 유입되는 공급기 온도를 연산하는 단계; 및 vii) 상기 공급기 온도를 이용하여 상기 제어부가 상기 복수 개의 댐퍼 각각을 제어하는 단계;를 포함하고, 상기 부하예측값에 따라 상기 공급기 온도가 가변하여 상기 공조 시스템의 에너지 효율이 증가하는 것을 특징으로 한다.
본 발명의 실시 예에 있어서, 상기 vii) 단계에서, 상기 제어부는 건구 온도 제어 방식으로 상기 복수 개의 댐퍼에 대한 제어를 수행할 수 있다.
본 발명의 실시 예에 있어서, 상기 v) 단계에서, 상기 인공신경망 프로그램은 R 프로그램일 수 있다.
본 발명의 실시 예에 있어서, 상기 v) 단계는, a) read함수를 이용하여 상기 입력변수의 데이터를 프로그램에 로드하는 단계, b) str함수를 이용하여 로드한 상기 입력변수의 데이터를 확인하는 단계, c) normalize함수를 이용하여 상기 입력변수의 데이터를 정규화하는 단계, d) summary함수를 이용하여 상기 입력변수의 데이터에 대한 정규화를 확인하는 단계, 및 e) compute 함수를 이용하여 부하예측 모델의 성능을 추정할 수 있는 단계;를 포함할 수 있다.
본 발명의 실시 예에 있어서, 상기 iv) 단계의 상기 입력변수는, 외부로부터 상기 공조 시스템으로 유입되는 외기의 온도인 외기 온도, 상기 실내공간으로부터 상기 공조시스템으로 유입되는 배기의 일부인 환기와 상기 외기가 혼합된 혼합기의 온도인 혼합기 온도, 상기 공급기 온도, 및 상기 외기의 유입량,을 포함할 수 있다.
본 발명의 실시 예에 있어서, 상기 vii) 단계에서, 상기 제어부는 상기 복수 개의 댐퍼 각각을 제어하여 상기 외기와 상기 배기 및 상기 환기의 비율을 조절할 수 있다.
본 발명의 실시 예에 있어서, 상기 vii) 단계에서, 상기 공조 시스템은 냉수코일을 포함하여, 상기 제어부가 상기 냉수코일을 제어함으로써, 상기 공급기 온도가 제어될 수 있다.
본 발명의 실시 예에 있어서, 상기 냉수코일이 정지된 경우 혼합기가 상기 공급기로 이용되고, 상기 냉수코일이 작동되는 경우 상기 냉수코일에 의해 열량을 빼앗긴 상기 혼합기가 상기 공급기로 이용될 수 있다.
상기와 같은 목적을 달성하기 위한 본 발명의 구성은, 상기 실내공간의 3D 모델을 전달 받아 상기 실내공간의 3D 모델에 대한 시뮬레이션을 수행하는 시뮬레이션모듈; 상기 입력변수를 도출하고, 상기 입력변수를 학습한 인공신경망 프로그램을 이용하여 상기 실내공간의 3D 모델에 대한 부하를 예측함으로써, 상기 부하예측값을 도출하는 부하예측모듈; 및 상기 부하예측값을 이용하여 상기 실내공간에 유입되는 공급기 온도인 공급기 온도를 연산하고, 상기 공급기 온도를 이용하여 상기 복수 개의 댐퍼 각각을 제어하는 제어부;를 포함한다.
상기와 같은 구성에 따른 본 발명의 효과는, 공조 시스템을 자동으로 제어하면서 실내 공간으로 공급되는 공기의 온도를 유동적으로 변화시키면서 공조를 수행하므로, 냉수코일(냉각장치)의 에너지 효율을 증대시킬 수 있다는 것이다.
그리고, 본 발명의 효과는, 건물의 부하 및 에너지 예측에 인공신경망 모델을 이용함으로써, 건물의 부하 및 에너지 예측 정확도를 향상시키는 것이다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시 예에 따른 공조 시스템의 개략도이다.
도 2는 본 발명의 일 실시 예에 따른 공조 시스템에 대해 BIN법을 이용한 분석을 수행한 그래프이다.
도 3은 본 발명의 일 실시 예에 따른 공조 시스템에 대해 TRNSYS 시뮬레이션을 이용한 분석을 수행한 그래프이다.
도 4는 본 발명의 일 실시 예에 따른 초기 변수와 부하와의 상관관계에 대한 그래프이다.
도 5는 본 발명의 일 실시 예에 따른 부하예측 모델을 훈련하고 구성한 신경망 모델을 시각화한 그래프이다.
도 6은 본 발명의 일 실시 예에 따른 이코노마이저 제어 방법의 알고리즘 순서도이다.
도 7은 본 발명의 일 실시 예에 따른 이코노마이저 제어 방법을 수행하는 경우와 기존의 건구온도 제어 방법을 수행하는 경우에 대한 에너지 소요량 비교 그래프이다.
이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시 예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "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.
이하 첨부된 도면을 참고하여 본 발명에 대하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시 예에 따른 공조 시스템의 개략도이다.
도 1에서 보는 바와 같이, 본 발명의 일 실시 예에 따른 공조 시스템은, 외부로부터 유입되어 실내공간(500)으로 유동하는 외기에 유로를 제공하는 공급라인(110), 실내공간(500)으로부터 외부로 유동하는 배기에 유로를 제공하는 제1환기라인(210), 공급라인(110)과 제1환기라인(210)을 연결하는 제2환기라인(310), 공급라인(110)과 결합하고 외기의 유동을 제어하는 댐퍼인 외기댐퍼(120), 제1환기라인(210)과 결합하고 배기의 유동을 제어하는 댐퍼인 배기댐퍼(220), 제2환기라인(310)과 결합하고 환기의 유동을 제어하는 댐퍼인 혼합댐퍼(320), 공급라인(110)과 결합하고 외기에 유동 힘을 제공하는 공급팬(130), 제1환기라인(210)과 결합하고 배기에 유동 힘을 제공하는 환기팬(230), 및 외기댐퍼(120), 배기댐퍼(220), 혼합댐퍼(320), 공급팬(130) 또는 환기팬(230)에 제어신호를 전달하여 제어하는 제어부,를 포함할 수 있다. 그리고, 공급라인(110)과 제1환기라인(210)에 복수 개의 실내공간(500)이 연결될 수 있다.
본 발명의 일 실시 예에서는, 공조 시스템이 상기와 같이 구성된다고 설명하고 있으나, 반드시 이에 한정되는 것은 아니고, 각각의 라인과 댐퍼의 수와 배치가 변경되어 형성될 수 있다.
외기 온도(Toa)가 낮거나 기계적인 냉방을 감소하기 위해 댐퍼의 조절을 통해 외기를 도입하여 냉방하는 것이 이코노마이저이며, 실내공간(500)과 외기의 조건에 따라 댐퍼 조절을 통해 외기를 실내공간(500)으로 유입시켜 공조 부하를 절감시키는 에너지 절약 방법을 이코노마이저라 할 수 있다.
이코노마이저의 대표적인 제어 방식에는 건구온도 제어 방식과 엔탈피 제어 방식이 있다. 건구온도 제어 방식은 현열만 고려하는 간단한 제어 방식으로 습도를 고려하지 않는데, 이를 보완한 것이 엔탈피 제어 방식이다. 하지만 엔탈피 제어의 경우 습도 센서의 보정이 어려우며 경제적인 측면에서 설치 및 운영에 어려움이 있을 수 있다.
공조 시스템에서의 부하는, 실내공간(500)을 냉방하거나 난방할 때, 그 실내공간(500)로부터 빼앗은 열량 또는 공급하는 열량이며, 본 발명의 설명에서는 동일한 의미로 사용될 수 있다. 이하, 본 발명의 설명에서는, 실내공간(500)의 온도(Troom)보다 외기 온도(Toa)가 낮은 경우에 대해 설명하며, 실내공간(500)의 온도(Troom)보다 외기 온도(Toa)가 낮은 경우에도 동일한 원리가 적용될 수 있다.
상기와 같이 건물의 실내 공간인 실내공간(500)에 대해 공조를 수행하고, 복수 개의 댐퍼와 복수 개의 댐퍼를 제어하는 제어부를 포함하는 공조 시스템의 이코노마이저 제어 방법에 대해 설명하기로 한다.
본 발명의 이코노마이저 제어 방법은, 첫째 단계에서, 3D 모델링 프로그램을 이용하여 실내공간(500)에 대한 3D 모델링을 수행하여 실내공간(500)의 3D 모델을 마련할 수 있다.
본 발명의 일 실시 예에서는, 실내공간(500)의 3D 모델링을 위한 프로그램으로 Google Sketch up, TRNBuild 또는 TRNSYS을 사용할 수 있다. Google Sketch up은 단순한 모델링에 이용되며, TRNBuild는 멀티존 건물 모델링 프로그램으로 각 실의 열적 특성을 묘사하고 이를 TRNSYS와 연결시켜주는 역할을 할 수 있다. TNNSYS는 시뮬레이션 스튜디오(Simulation Studio)를 통해 연결되며 각각의 구성 요소들은 시뮬레이션 엔진에 의해 수학적으로 표현될 수 있다.
본 발명의 이코노마이저 제어 방법은, 둘째 단계에서, 실내공간(500)의 3D 모델에 대한 시뮬레이션을 수행할 수 있다.
본 발명의 일 실시 예에서, 실내공간(500)의 3D 모델에 대한 시뮬레이션 수행을 위하여, 실내공간(500)의 내부 발열 요소는 재실자, 조명, 기기로 구성하고, 재실자가 실내공간(500)에 위치하는 시간은 10시간, 실내공간(500) 설정 온도 (Tr)는 24℃로 하며, 기기에 의한 발열은 컴퓨터 타입을 230W의 컬러 모니터로 하고, 업무를 위해 한 사람 당 한 대의 컴퓨터를 사용하는 조건으로 사람 수와 동일하게 산정하며, 조명에 의한 발열은 바닥 면적당 발열량으로 산정할 수 있다.
실내공간(500)의 3D 모델에 대한 시뮬레이션을 수행한 후, 시뮬레이션에 대한 신뢰도 검증을 수행할 수 있으며, 시뮬레이션의 신뢰도 검증을 위해 MBE(Mean Bias Error)법과 CVRMSE (Coefficient of variation of the root mean square error)를 사용할 수 있다. MBE는 측정된 자료와 예측된 시뮬레이션의 결과 값이 얼마나 정확한지를 나타내는 지표이며 CVRMSE는 두 개의 자료에 대한 정규 측정치를 의미하는 것으로 오차에 의한 제곱근으로 계산할 수 있다. 시뮬레이션의 신뢰도 검증을 위해 [수학식 1] 내지 [수학식 3]을 이용할 수 있다.
[수학식 1]
Figure pat00001
[수학식 2]
Figure pat00002
[수학식 3]
Figure pat00003
이 때, S∫ : 시뮬레이션 데이터, M∫ : 측정 데이터, N∫ : 측정 데이터의 개수, Mavg : 측정 데이터의 평균,으로 정의될 수 있다.
본 발명의 이코노마이저 제어 방법은, 셋째 단계에서, 실내공간에 유입되는 공급기 온도와 공조 시스템의 부하 간 관계를 도출할 수 있다. 관련 수학식은 하기와 같다.
[수학식 4]
Figure pat00004
이 때, Ec : 실내공간에 설치된 냉방코일의 에너지 소비량, ρ : 공기 밀도(kg/m3), Q : 설계 체적 유량(m3/h), hmix : 혼합 공기 엔탈피(kJ/kg), hs : 공급기 엔탈피(kJ/kg),으로 정의될 수 있다.
[수학식 5]
Figure pat00005
이 때, Eh : 실내공간에 설치된 난방코일의 에너지 소비량, ρ : 공기 밀도(kg/m3), Cp : 공기 비열(kcal/kg℃), Q : 설계 체적 유량(m3/h), Ts : 공급기 온도, Tmix : 혼합기 온도,로 정의될 수 있다.
[수학식 6]
Figure pat00006
이 때, E : 공급팬(130)의 에너지 소비량, Ef : 공급팬(130) 동력, α : 공급기 송풍 비율, η : 공급팬(130) 효율,로 정의될 수 있다.
공급기 온도와 실내공간의 부하 간 관계를 분석하기 위해 관련 유체 이론들을 분석하였으며 BIN법을 이용하여 이를 평가할 수 있다. 상기된 [수학식 4]와 [수학식 5]에서 보는 바와 같이, 각각의 수학식을 이용하여 실내공간에 설치된 냉방코일 또는 난방코일의 에너지 소비량을 연산할 수 있다. 그리고, [수학식 6]을 이용하여 공급팬(130)의 에너지를 연산할 수 있다.
상기된 [수학식 4] 내지 [수학식 5]을 이용하여, BIN법을 통해 에너지 소비량 기준 부하에 따른 최적 공급기 온도를 분석할 수 있으며, 추가로 TRNSYS 시뮬레이션을 통해 공급기 온도와 부하와의 관계를 분석할 수 있다. 분석 결과를 확인하기 위하여, 본 발명의 공조 시스템에서 공급기 온도를 10℃부터 16℃씩 증가시켜 분석하도록 하였다.
도 2는 본 발명의 일 실시 예에 따른 공조 시스템에 대해 BIN법을 이용한 분석을 수행한 그래프이고, 도 3은 본 발명의 일 실시 예에 따른 공조 시스템에 대해 TRNSYS 시뮬레이션을 이용한 분석을 수행한 그래프이다.
도 2와 도 3에서 보는 바와 같이, 실내공간의 부하에 따라 가장 작은 에너지를 나타내는 공급기 온도는 일정하기 않고 유동적으로 나타나는 것으로 확인하였다. 이에 따라, 본 발명의 공조 시스템에서, 공급기 온도를 일정하게 하는 것보다 실내공간의 부하에 따라 공급기 온도를 유동적으로 하는 것이 에너지 효율적임을 확인할 수 있다.
본 발명의 이코노마이저 제어 방법은, 넷째 단계에서, 실내공간(500)의 3D 모델에 대한 시뮬레이션을 통해 초기 변수와 실내공간(500)의 3D 모델 간 상관관계를 분석하여 입력변수를 도출할 수 있다. 즉, 실내 부하에 영향을 미치는 물리적 요소와 실내에 위치한 기기 발열량에 영향을 미치는 요소들을 모두 초기 변수로 선정하고 실내 부하와의 상관관계를 분석하여 입력변수를 도출할 수 있다.
여기서, 입력변수는, 외부로부터 공조 시스템으로 유입되는 외기의 온도인 외기 온도(Toa), 실내공간(500)으로부터 공조시스템으로 유입되는 배기의 일부인 환기와 외기가 혼합된 혼합기의 온도인 혼합기 온도(Tmix), 공급기 온도(Ts), 및 외기의 유입량,을 포함할 수 있다.
그리고, 초기 변수는, 외기 온도(Toa), 외기 습도, 외기 풍속(m/s) 및 외부의 일사량(W/m2), 실내공간(500)의 발열 시간의 물리적 요소와 혼합기 온도(Tmix), 공급기 온도(Ts) 및 공급기의 풍량(kJ/hr)의 기기적 요소 중 선택되는 어느 하나 이상의 변수일 수 있다. 그리고, 선택된 초기 변수에 대해 비표준계수(Unstandardized coefficients)와 분산분석(ANOVA)를 이용하여, 초기 변수와 부하와의 상관관계를 분석할 수 있다. 여기서, 부하는 실내공간(500)의 부하일 수 있다.
도 4는 본 발명의 일 실시 예에 따른 초기 변수와 부하와의 상관관계에 대한 그래프이다. 도 4의 (a)는 외기 온도(Toa)와 부하의 상관관계에 대한 그래프이고, 도 4의 (b)는 외기 습도와 부하의 상관관계에 대한 그래프이며, 도 4의 (c)는 외기 풍속과 부하의 상관관계에 대한 그래프이고, 도 4의 (d)는 외부의 일사량과 부하의 상관관계에 대한 그래프일 수 있다. 그리고, 도 4의 (e)는 공급기의 풍량과 부하의 상관관계에 대한 그래프고, 도 4의 (f)는 혼합기 온도(Tmix)와 부하의 상관관계에 대한 그래프이며, 도 4의 (g)는 공급기 온도(Ts)와 부하의 상관관계에 대한 그래프이고, 도 4의 (h)는 실내공간(500)의 발열 시간과 부하의 상관관계에 대한 그래프일 수 있다. 도 4의 각각의 그래프에서, 가로축은 부하를 나타내고, 각각의 세로축은 부하와 관련된 각각의 변수를 나타낼 수 있다.
도 4의 (a) 내지 (h)에서 보는 바와 같이, 각각의 그래프에 개시된 값의 유의성은 0.001 이하로 통계적 안정성을 나타낼 수 있다. 그리고 입력변수와 출력변수 사이의 R2 값은 외기 온도(Toa), 외부의 일사량, 공급기의 풍량, 혼합기 온도(Tmix), 공급기 온도(Ts)가 각각 0.9367, 0.3413, 0.5543, 0.4379, 0.3347로 0.05 이상으로 연관성이 높다고 할 수 있다. 이에 따라, 입력변수가 상기와 같이 특정될 수 있다.
본 발명의 이코노마이저 제어 방법은, 다섯째 단계에서, 입력변수를 학습한 인공신경망 프로그램을 이용하여 실내공간(500)의 3D 모델에 대한 부하를 예측함으로써, 실내공간(500)에 대한 부하의 예측 값인 부하예측값을 도출할 수 있다.
여기서, 인공신경망 프로그램은 R 프로그램일 수 있다. 그리고, 상기와 같이 초기 변수와 부하의 관계 분석에 의해 도출된 입력변수를 이용하여 부하예측 모델을 형성하며, 부하예측 모델 형성을 위해 이용된 알고리즘은 다중 용도로 이용되는 신경망 모델일 수 있다.
본 발명의 실시 예에서는, 인공신경망 프로그램으로 R 프로그램을 이용한다고 설명하고 있으나, 이에 한정되는 것은 아니다.
부하예측 모델의 은닉층은 1 내지 3개의 층 및 3 내지 7개의 노드로 구성할 수 있으며, 바람직하게는, 1개의 층 및 5개의 노드로 구성할 수 있다. 그리고, 시그모이드 함수를 활성 함수로 이용할 수 있다.
그리고, 다섯째 단계에서 R 프로그램을 활용하여 부하 예측 모델을 개발하기 위해 아래와 같은 각각의 단계를 수행할 수 있다.
먼저, read함수를 이용하여 입력변수의 데이터를 프로그램에 로드할 수 있다. 그리고, str함수를 이용하여 로드한 입력변수의 데이터를 확인할 수 있다. 또한, normalize함수를 이용하여 입력변수의 데이터를 정규화할 수 있다. 다음으로, summary함수를 이용하여 입력변수의 데이터에 대한 정규화를 확인할 수 있다. 다음으로, compute 함수를 이용하여 부하예측 모델의 성능을 추정하기 위해 테스트 데이터에 대한 예측 값을 만들고, 예측 결과와 실제 데이터의 상관관계를 cor 함수로 통해 측정함으로써, 부하예측 모델의 성능을 평가할 수 있다.
도 5는 본 발명의 일 실시 예에 따른 부하예측 모델을 훈련하고 구성한 신경망 모델을 시각화한 그래프이다. 도 5에서 보는 바와 같이, R 프로그램을 이용하여 부하예측 모델을 훈련하기 위하여 neuralnet 패키지를 이용할 수 있다. neuralnet 패키지를 이용함으로써, 다층 퍼셉트론 신경망에 적합하며 역전파 알고리즘으로 부하예측 모델을 훈련할 수 있다.
본 발명의 이코노마이저 제어 방법은, 여섯째 단계에서, 부하예측값을 이용하여 실내공간(500)에 유입되는 공급기 온도(Ts)를 연산할 수 있다. 구체적으로, 본 발명의 셋째 단계에서 도출한 실내공간에 유입되는 공급기 온도와 부하 간 관계에 따라 공급기 온도(Ts)를 연산할 수 있다. 그리고, 이와 같은 공급기 온도(Ts) 연산은 제어부에서 수행될 수 있다.
본 발명의 이코노마이저 제어 방법은, 일곱째 단계에서, 공급기 온도(Ts)를 이용하여 제어부가 복수 개의 댐퍼 각각을 제어할 수 있다.
여기서, 제어부는 건구 온도 제어 방식으로 복수 개의 댐퍼에 대한 제어를 수행할 수 있다. 그리고, 제어부는 복수 개의 댐퍼 각각을 제어하여 외기와 배기 및 환기의 비율을 조절할 수 있다.
건구온도 제어방식은 실내공간(500)의 공기와 외기를 건구온도 기준에 따라 비교하여 외기 유입량을 결정하는 방법일 수 있다. 즉, 외부 기온이 실내공간(500)의 온도 보다 낮을 경우, 외기댐퍼(120) 개도율을 증가시키고 환기댐퍼(320)의 개도율을 감소시킴으로써, 외기 도입량을 증가시켜 냉방에 사용하며, 그렇지 못한 경우에는, 최소한의 외기 유입을 위해 외기 댐퍼를 최소로 작동할 수 있다.
본 발명의 실시 예에서, 외기 유입량은 외기 온도(Toa), 배기 온도(Tr) 및 혼합기 온도(Tmix)에 의해 연산될 수 있다. 외기 유입량을 위한 연산에는 [수학식 7]이 이용될 수 있다.
[수학식 7]
Figure pat00007
이 때, Toa : 외기 온도(℃), Tr : 배기 온도(℃), Tmix : 혼합기 온도(℃), α : 외기 유입 비율,로 정의될 수 있다.
공조 시스템은 냉수코일(400)을 포함하여, 제어부가 냉수코일(400)을 제어함으로써, 공급기 온도(Ts)가 제어될 수 있다. 도 1에서 보는 바와 같이, 공급라인(110)과 제1환기라인(210)이 연결되는 공급라인(110)의 부위와 실내공간(500)의 사이에 냉수코일(400)이 설치될 수 있고, 공급라인(110)과 실내공간(500)이 연결되는 부위에 냉수코일(400)이 설치될 수 있다. 다만, 이에 한정되는 것은 아니다.
공급라인(110)의 입구에 설치된 온도센서인 외기 온도센서에 의해 외기 온도(Toa)가 측정되고, 제1환기라인(210)의 일 부위에 설치된 온도센서인 배기 온도센서에 의해 배기 온도가 측정되며, 공급라인(110)에서 공급라인(110)과 제1환기라인(210)이 연결되는 공급라인(110)의 일 부위와 공급라인(110)에 설치된 냉수코일(400) 사이에 설치된 온도센서인 혼합기 온도센서에 의해 혼합기 온도(Tmix)가 측정될 수 있으며, 각각의 측정 값은 제어부로 전달될 수 있다.
냉수코일(400)이 정지된 경우 혼합기가 공급기로 이용되고, 냉수코일(400)이 작동되는 경우 냉수코일(400)에 의해 열량을 빼앗긴 혼합기가 공급기로 이용될 수 있다. 그러므로, 부하예측값은 혼합기의 열량과 냉수코일(400)와 혼합기 간 교환된 열량의 합일 수 있으며, 효율적인 에너지 사용을 위하여, 제어부는, 복수 개의 댐퍼를 제어하여 혼합기가 실내공간(500)으로 유입되어 공조가 수행되도록 하고, 혼합기의 제어만으로는 열량이 부하예측값에 미치지 못하는 경우 냉수코일(400)이 이용되도록 냉수코일(400)을 제어할 수 있다.
구체적으로, 실내공간(500)의 온도보다 외기 온도(Toa)가 낮아 외기를 본 발명의 공조 시스템으로 유입시켜 실내공간(500)에 대한 냉방을 수행하는 경우, 부하예측값을 전달 받은 제어부는, 상기된 외기 유입 비율을 연산하여, 외기 유입 비율에 따라 외기댐퍼(120)와 혼합댐퍼(320) 각각의 개도 비율을 연산하고 이에 따라 외기댐퍼(120) 또는 혼합댐퍼(320)를 제어할 수 있다. 그리고, 혼합기가 공급기로써 실내공간(500)에 유입될 수 있다.
그리고, 상기와 같은 실내공간(500)에 대한 혼합기의 열량이 부하예측값에 미치지 못하는 경우, 제어부는 냉수코일(400)을 이용하여 혼합기의 열량을 빼앗게 되고, 이에 따라, 혼합기보다 온도가 더 낮아진 공기가 공급기로써 실내공간(500)으로 유입될 수 있다.
여기서, 외기댐퍼(120)와 혼합댐퍼(320) 각각의 개도 비율의 연산은 공조 시스템의 설계에 따라 변경되고 그 연산 과정도 종래기술에 해당하며, 혼합기의 열량에 따른 냉수코일(400)의 작동도 종래기술에 해당하므로, 각각에 대한 상세한 설명은 생략하기로 한다.
도 6은 본 발명의 일 실시 예에 따른 이코노마이저 제어 방법의 알고리즘 순서도이다. 도 6에서, A구간(단계 101 내지 103)은 부하예측값의 도출에 대한 알고리즘이고, B구간(단계 201 내지 204)은 제어부에 의한 제어 알고리즘이다.
도 6에서, Toa : 외기 온도(℃), Troom : 실내공간의 온도(℃), m : 풍량(kg/hr), T1 : 냉수코일에 유입되는 혼합기의 온도, T2 : 냉수코일을 통과한 혼합기의 온도, Q : 부하예측값, Tsupply : 공급기 온도,로 정의될 수 있다.
단계 S101에서, 상기된 넷째 단계의 수행에 의해 획득된 입력변수를 입력할 수 있다. 다음으로, 상기된 다섯째 단계와 같이, 단계 S102에서, 인공신경망 프로그램의 함수에 각각의 입력변수를 입력하고, 단계 S103에서, 단계 102의 결과 값으로 부하예측값을 도출할 수 있다.
부하예측값이 도출되어 획득된 후, 단계 S201에서, 실내공간의 온도(Troom)가 외기 온도(Toa)보다 큰 값을 갖는 판단할 수 있다.
다음으로, 실내공간의 온도(Troom)가 외기 온도(Toa)보다 큰 값을 갖는 것으로 판단되는 경우, 본 발명의 이코노마이저 제어 방법이 수행되므로, 단계 S202에서, 상기된 여섯째 단계와 같이, 부하예측값을 이용하여 실내공간(500)에 유입되는 공급기 온도(Ts)를 연산하고, 단계 S204에서, 공급기 온도(Ts)가 도출되어 제어부에서 이를 이용하여 제어를 수행할 수 있다.
반면에, 실내공간의 온도(Troom)가 외기 온도(Toa)보다 작거나 같은 값을 갖는 것으로 판단되는 경우, 본 발명의 이코노마이저 제어 방법이 수행되지 않으므로, 단계 203에서, 기존의 설정된 공급기 온도(Ts)를 제어부의 메모리로부터 획득되어, 단계 204에서, 기존의 설정된 공급기 온도(Ts)가 도출되어 제어부에서 이를 이용하여 제어를 수행할 수 있다.
단계 101 내지 단계 204에 대한 나머지 사항은, 상기된 첫째 단계 내지 일곱째 단계에 대한 사항에 상세히 기재되어 있다.
상기와 같이 부하예측값에 따라 공급기 온도(Ts)가 가변하여 공조 시스템 의 에너지 효율이 증가할 수 있다. 즉, 부하예측값을 이용하여 공조를 수행하는 경우, 냉수코일(400) 사용에 대한 효율이 증가할 수 있다. 이하, 부하예측값에 따라 공급기 온도(Ts)가 가변하는 경우 냉수코일(400)의 에너지 소요량 분석에 대해 설명하기로 한다.
도 7은 본 발명의 일 실시 예에 따른 이코노마이저 제어 방법을 수행하는 경우와 기존의 건구온도 제어 방법을 수행하는 경우에 대한 에너지 소요량 비교 그래프이다. 도 7에서, case 1은 기존의 이코노마이저 건구온도 제어 방법을 이용한 경우의 그래프이고, case 2는 본 발명의 일 실시 예에 따른 이코노마이저 제어 방법을 수행한 경우의 그래프이다. 도 7에서, 가로축은 외기 온도(Toa)이고 세로축은 냉수코일(400)의 에너지 소요량이다.
분석 결과 모든 외기 온도 조건에서 Case 1에 비해 Case 2에서 에너지가 절감되는 것을 확인하였다. 에너지 분석 결과 에너지가 0이 되는 구간은 Case 1에 비해 Case 2에서 더 넓게 나타나는 것을 확인하였으며, 에너지 절감량이 0인 구간을 제외하고 외기 온도(Toa)가 1℃일 때 에너지 절감량이 가장 작게 나타나는 것을 확인하였다. 또한 난방부하가 있는 구간에 비해 냉방부하가 있는 구간에서 에너지 절감량이 크게 나타났으며, 공급기 온도(Ts)를 유동적으로 하였을 때 에너지 절감률은 45.2%로 나타났다.
이하, 본 발명의 이코노마이저 제어 방법을 수행하는 공조 시스템의 구성에 대해 설명하기로 한다.
본 발명의 공조 시스템은, 실내공간(500)의 3D 모델을 전달 받아 실내공간(500)의 3D 모델에 대한 시뮬레이션을 수행하는 시뮬레이션모듈; 입력변수를 도출하고, 입력변수를 학습한 인공신경망 프로그램을 이용하여 실내공간(500)의 3D 모델에 대한 부하를 예측함으로써, 부하예측값을 도출하는 부하예측모듈; 및 부하예측값을 이용하여 실내공간(500)에 유입되는 공급기 온도인 공급기 온도(Ts)를 연산하고, 공급기 온도를 이용하여 복수 개의 댐퍼 각각을 제어하는 제어부;를 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
110 : 공급라인
120 : 외기댐퍼
130 : 공급팬
210 : 제1환기라인
220 : 배기댐퍼
230 : 환기팬
310 : 제2환기라인
320 : 혼합댐퍼
400 : 냉수코일
500 : 실내공간

Claims (9)

  1. 건물의 실내 공간인 실내공간에 대해 공조를 수행하고, 복수 개의 댐퍼와 상기 복수 개의 댐퍼를 제어하는 제어부를 포함하는 공조 시스템의 이코노마이저 제어 방법에 있어서,
    i) 3D 모델링 프로그램을 이용하여 상기 실내공간에 대한 3D 모델링을 수행하여 상기 실내공간의 3D 모델을 마련하는 단계;
    ii) 상기 실내공간의 3D 모델에 대한 시뮬레이션을 수행하는 단계;
    iii) 상기 실내공간에 유입되는 공급기 온도와 상기 공조 시스템의 부하 간 관계를 도출하는 단계;
    iv) 상기 실내공간의 3D 모델에 대한 시뮬레이션을 통해 초기 변수와 상기 실내공간의 3D 모델 간 상관관계를 분석하여 입력변수를 도출하는 단계;
    v) 상기 입력변수를 학습한 인공신경망 프로그램을 형성하여 상기 실내공간의 3D 모델에 대한 부하를 예측함으로써, 상기 실내공간에 대한 부하의 예측 값인 부하예측값을 도출하는 단계;
    vi) 상기 부하예측값을 이용하여 상기 실내공간에 유입되는 공급기 온도를 연산하는 단계; 및
    vii) 상기 공급기 온도를 이용하여 상기 제어부가 상기 복수 개의 댐퍼 각각을 제어하는 단계;를 포함하고,
    상기 부하예측값에 따라 상기 공급기 온도가 가변하여 상기 공조 시스템의 에너지 효율이 증가하는 것을 특징으로 하는 공조 시스템의 이코노마이저 제어 방법.
  2. 청구항 1에 있어서,
    상기 vii) 단계에서, 상기 제어부는 건구 온도 제어 방식으로 상기 복수 개의 댐퍼에 대한 제어를 수행하는 것을 특징으로 하는 공조 시스템의 이코노마이저 제어 방법.
  3. 청구항 1에 있어서,
    상기 v) 단계에서, 상기 인공신경망 프로그램은 R 프로그램인 것을 특징으로 하는 공조 시스템의 이코노마이저 제어 방법.
  4. 청구항 3에 있어서,
    상기 v) 단계는,
    a) read함수를 이용하여 상기 입력변수의 데이터를 프로그램에 로드하는 단계,
    b) str함수를 이용하여 로드한 상기 입력변수의 데이터를 확인하는 단계,
    c) normalize함수를 이용하여 상기 입력변수의 데이터를 정규화하는 단계,
    d) summary함수를 이용하여 상기 입력변수의 데이터에 대한 정규화를 확인하는 단계, 및
    e) compute 함수를 이용하여 부하예측 모델의 성능을 추정할 수 있는 단계;를 포함하는 것을 특징으로 하는 공조 시스템의 이코노마이저 제어 방법.
  5. 청구항 1에 있어서,
    상기 iv) 단계의 상기 입력변수는,
    외부로부터 상기 공조 시스템으로 유입되는 외기의 온도인 외기 온도,
    상기 실내공간으로부터 상기 공조시스템으로 유입되는 배기의 일부인 환기와 상기 외기가 혼합된 혼합기의 온도인 혼합기 온도,
    상기 공급기 온도, 및
    상기 외기의 유입량,을 포함하는 것을 특징으로 하는 공조 시스템의 이코노마이저 제어 방법.
  6. 청구항 5에 있어서,
    상기 vii) 단계에서, 상기 제어부는 상기 복수 개의 댐퍼 각각을 제어하여 상기 외기와 상기 배기 및 상기 환기의 비율을 조절하는 것을 특징으로 하는 공조 시스템의 이코노마이저 제어 방법.
  7. 청구항 1에 있어서,
    상기 vii) 단계에서, 상기 공조 시스템은 냉수코일을 포함하여, 상기 제어부가 상기 냉수코일을 제어함으로써, 상기 공급기 온도가 제어되는 것을 특징으로 하는 공조 시스템의 이코노마이저 제어 방법.
  8. 청구항 7에 있어서,
    상기 냉수코일이 정지된 경우 혼합기가 상기 공급기로 이용되고, 상기 냉수코일이 작동되는 경우 상기 냉수코일에 의해 열량을 빼앗긴 상기 혼합기가 상기 공급기로 이용되는 것을 특징으로 하는 공조 시스템의 이코노마이저 제어 방법.
  9. 청구항 1의 공조 시스템의 이코노마이저 제어 방법을 수행하는 공조 시스템에 있어서,
    상기 실내공간의 3D 모델을 전달 받아 상기 실내공간의 3D 모델에 대한 시뮬레이션을 수행하는 시뮬레이션모듈;
    상기 입력변수를 도출하고, 상기 입력변수를 학습한 인공신경망 프로그램을 이용하여 상기 실내공간의 3D 모델에 대한 부하를 예측함으로써, 상기 부하예측값을 도출하는 부하예측모듈; 및
    상기 부하예측값을 이용하여 상기 실내공간에 유입되는 공급기 온도인 공급기 온도를 연산하고, 상기 공급기 온도를 이용하여 상기 복수 개의 댐퍼 각각을 제어하는 제어부;를 포함하는 것을 특징으로 하는 공조 시스템.
KR1020190002855A 2019-01-09 2019-01-09 공조 시스템의 이코노마이저 제어 방법 및 이를 수행하는 공조 시스템 KR102148726B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190002855A KR102148726B1 (ko) 2019-01-09 2019-01-09 공조 시스템의 이코노마이저 제어 방법 및 이를 수행하는 공조 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190002855A KR102148726B1 (ko) 2019-01-09 2019-01-09 공조 시스템의 이코노마이저 제어 방법 및 이를 수행하는 공조 시스템

Publications (2)

Publication Number Publication Date
KR20200092478A true KR20200092478A (ko) 2020-08-04
KR102148726B1 KR102148726B1 (ko) 2020-08-27

Family

ID=72048820

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190002855A KR102148726B1 (ko) 2019-01-09 2019-01-09 공조 시스템의 이코노마이저 제어 방법 및 이를 수행하는 공조 시스템

Country Status (1)

Country Link
KR (1) KR102148726B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112594895A (zh) * 2020-11-19 2021-04-02 珠海格力电器股份有限公司 一种外机温度智能调节控制方法及系统
CN113266937A (zh) * 2021-05-28 2021-08-17 新疆美顺达实验室设备有限公司 实验室排风新风变风量智能控制系统
CN113623719A (zh) * 2021-06-23 2021-11-09 国家电投集团东北电力有限公司大连开热分公司 一种基于有效室温检测的换热站预测控制方法
CN114427742A (zh) * 2022-01-27 2022-05-03 广州施杰节能科技有限公司 中央空调冷站能效控制方法、装置、设备以及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050106185A (ko) * 2004-05-04 2005-11-09 주식회사 에어로네트 수요 대응 제어형 공조 시스템
KR20110100895A (ko) * 2010-03-05 2011-09-15 삼성물산 주식회사 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 방법
KR101754536B1 (ko) 2016-07-21 2017-07-07 성균관대학교산학협력단 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치
KR20180074864A (ko) * 2016-12-23 2018-07-04 청운대학교산학협력단 Bim 기반 냉, 난방 부하에 따른 열원장비의 설정시스템 및 설정방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050106185A (ko) * 2004-05-04 2005-11-09 주식회사 에어로네트 수요 대응 제어형 공조 시스템
KR20110100895A (ko) * 2010-03-05 2011-09-15 삼성물산 주식회사 최적화 에너지 메니지먼트 시스템을 이용한 빌딩 공조 제어 방법
KR101754536B1 (ko) 2016-07-21 2017-07-07 성균관대학교산학협력단 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치
KR20180074864A (ko) * 2016-12-23 2018-07-04 청운대학교산학협력단 Bim 기반 냉, 난방 부하에 따른 열원장비의 설정시스템 및 설정방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112594895A (zh) * 2020-11-19 2021-04-02 珠海格力电器股份有限公司 一种外机温度智能调节控制方法及系统
CN113266937A (zh) * 2021-05-28 2021-08-17 新疆美顺达实验室设备有限公司 实验室排风新风变风量智能控制系统
CN113623719A (zh) * 2021-06-23 2021-11-09 国家电投集团东北电力有限公司大连开热分公司 一种基于有效室温检测的换热站预测控制方法
CN113623719B (zh) * 2021-06-23 2022-08-19 国家电投集团东北电力有限公司大连开热分公司 一种基于有效室温检测的换热站预测控制方法
CN114427742A (zh) * 2022-01-27 2022-05-03 广州施杰节能科技有限公司 中央空调冷站能效控制方法、装置、设备以及存储介质

Also Published As

Publication number Publication date
KR102148726B1 (ko) 2020-08-27

Similar Documents

Publication Publication Date Title
KR102148726B1 (ko) 공조 시스템의 이코노마이저 제어 방법 및 이를 수행하는 공조 시스템
JP6835905B2 (ja) 費用標的が最適化されるシステム、方法及び非一時的コンピュータ可読媒体
US11416739B2 (en) Optimization control technology for building energy conservation
US9664400B2 (en) Automated technique of measuring room air change rates in HVAC system
Xu et al. A model-based optimal ventilation control strategy of multi-zone VAV air-conditioning systems
Nassif Modeling and optimization of HVAC systems using artificial neural network and genetic algorithm
Yan et al. Quantifying uncertainty in outdoor air flow control and its impacts on building performance simulation and fault detection
Zhengwei et al. Preventive approach to determine sensor importance and maintenance requirements
Feng et al. Predictive control model for variable air volume terminal valve opening based on backpropagation neural network
KR101419607B1 (ko) 건물에 대한 모듈식 에너지 시뮬레이션 모델링 및 검증 방법
CN114200839B (zh) 一种耦合环境行为动态监测的办公建筑能耗智能控制模型
CN115685941A (zh) 一种基于机柜热点温度预测的机房运行调控方法及装置
Pashchenko et al. Microclimate Monitoring System Design for the Smart Grid Analysis and Constructive Parameters Estimation
JP2004234302A (ja) プロセス管理装置
Im et al. Empirical validation of building energy modeling using flexible research platform
Song et al. Model predictive control applied toward the building indoor climate
Holcomb et al. Algorithms for green buildings: Learning-based techniques for energy prediction and fault diagnosis
Cui et al. A simplified regression building thermal modelling method for detached two-floor house in US
Kelly et al. Developing and testing a generic micro-combined heat and power model for simulations of dwellings and highly distributed power systems
US20230314030A1 (en) Critical environment feedforward-feedback control system with room pressure and temperature control
Wang et al. A Data-driven Control Method for Operating the Commercial HVAC Load as a Virtual Battery
Dong et al. Development and calibration of an online energy model for AHU fan
Szemes et al. “Energymon”: Development of wireless sensor network based Decision Support System to monitor building energy performance
Ariwoola et al. An integrated hybrid thermal dynamics model and energy aware optimization framework for grid-interactive residential building management
Xing Building load control and optimization

Legal Events

Date Code Title Description
AMND Amendment
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)