KR20200101485A - 건물설비 운영방법 및 장치 - Google Patents

건물설비 운영방법 및 장치 Download PDF

Info

Publication number
KR20200101485A
KR20200101485A KR1020190010685A KR20190010685A KR20200101485A KR 20200101485 A KR20200101485 A KR 20200101485A KR 1020190010685 A KR1020190010685 A KR 1020190010685A KR 20190010685 A KR20190010685 A KR 20190010685A KR 20200101485 A KR20200101485 A KR 20200101485A
Authority
KR
South Korea
Prior art keywords
facility
building
scenario
measurement data
information
Prior art date
Application number
KR1020190010685A
Other languages
English (en)
Inventor
윤상수
공동석
최선규
황승호
박성호
박철수
안기언
추한경
Original Assignee
에스케이텔레콤 주식회사
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 에스케이텔레콤 주식회사, 서울대학교산학협력단 filed Critical 에스케이텔레콤 주식회사
Priority to KR1020190010685A priority Critical patent/KR20200101485A/ko
Publication of KR20200101485A publication Critical patent/KR20200101485A/ko

Links

Images

Classifications

    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Feedback Control In General (AREA)
  • Air Conditioning Control Device (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

건물설비 운영방법 및 장치를 개시한다.
본 실시예는 건물 내의 설비를 최적 운영하기 위해 건물 내에 설치된 설비 시스템과 관련한 계측 데이터를 수집하여 기계학습 모델을 제작하고, 이를 활용한 시나리오 기반의 시뮬레이션을 통해 요금이 가장 적은 최적의 운영조건을 제시될 수 있도록 하는 건물설비 운영방법 및 장치에 관한 것이다.

Description

건물설비 운영방법 및 장치{Method and Apparatus for Operating Building Equipment}
본 실시예는 건물설비 운영방법 및 장치에 관한 것이다. 보다 자세하게는, 기계학습 모델을 활용하여 다중 열원 시스템에 대한 최적 제어를 구현하여 에너지 요금 절감 효과를 도출하는 방법에 관한 것이다.
이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
건물에서 사용하는 에너지 소비가 증가됨에 따라 건물 에너지 효율 개선의 필요성이 커지고 있다. 건물 에너지 효율 개선 필요성이 증대됨에 따라, 고효율, 저에너지로 운전하고자 하는 대형 건물 위주로 BEMS(Building Energy Management System)의 도입이 확산되고 있다.
이와 더불어, 최근 데이터 기반 모델(data-driven model)을 제작하여 건물 설비 시스템의 에너지 소비를 예측하고 최적 제어의 의사결정에 활용하는 노력이 활발이 이루어지고 있다. 데이터 기반 모델은 다양한 유형이 존재하며, 하나의 종속변수와 하나의 독립변수 사이의 관계를 설명하는 단순회귀분석(simple regression analysis), 하나의 종속변수와 다수의 독립변수 사이의 관계를 설명하는 다중회귀분석(multiple regression analysis), 변화의 시점을 구분하여 종속변수와 독립변수의 관계를 통계적으로 해석하는 변화시점 모형(change point model), 시계열 데이터의 이전 값과 이후 값의 영?력에 대한 자기상관(autocorrelation)을 고려하는 자기회귀(autoregressive) 모형, 신경망(neural network) 모델, 서포트 벡터 머신(support vector machine) 등과 같은 기계학습(machine learning) 모델이 사용될 수 있다. 특히, 기계학습 모델은 종속변수에 대한 독립변수의 개수에 제한을 받지 않으며, 독립변수와 종속변수의 비선형 관계에 대한 표현이 가능하기 때문에, 건물 및 시스템의 동특성(dynamics)에 대한 표현에 적합하다. 이에, 기계학습 모델의 예측 기반 설비 시스템의 최적 제어 구현(Model Predictive Control)은 단순 정보 수집 및 운영자 경험 중심적인 현재의 BEMS 운영을 효과적으로 개선시킬 수 있을 것으로 기대되고 있다.
따라서, 기계학습 모델의 예측 기반 설비 시스템의 최적 제어 구현을 수행하여 단순 정보 수집 및 운영자 경험 중심적인 현재의 BEMS 운영을 효과적으로 개선하는 기술을 필요로 한다.
본 실시예는 건물 내의 설비를 최적 운영하기 위해 건물 내에 설치된 설비 시스템과 관련한 계측 데이터를 수집하여 기계학습 모델을 제작하고, 이를 활용한 시나리오 기반의 시뮬레이션을 통해 요금이 가장 적은 최적의 운영조건을 제시될 수 있도록 하는 건물설비 운영방법 및 장치를 제공하는 데 목적이 있다.
본 실시예의 일 측면에 의하면, 건물 내 설치된 설비 시스템과 관련한 계측 데이터를 수집하는 데이터 수집부; 상기 계측 데이터를 기반으로 상기 설비 시스템에 대한 설비성능 예측모델을 생성하는 기계학습 모델제작부; 상기 계측 데이터를 분석하여 상기 설비 시스템에 대한 계통정보를 판별하는 계통 판별부; 상기 계통정보를 기반으로 상기 건물 내 상기 설비 시스템의 운영과 관련한 운영 시나리오를 제작하는 시나리오 제작부; 및 상기 설비성능 예측모델, 상기 운영 시나리오 및 기상정보를 기반으로 상기 설비 시스템에 대한 운영 시뮬레이션을 수행하여 최적 운영 시나리오를 산출하는 시뮬레이션 실행부를 포함하는 것을 특징으로 하는 건물설비 운영장치를 제공한다.
본 실시예의 다른 측면에 의하면, 건물 내 설치된 설비 시스템과 관련한 계측 데이터를 수집하는 과정; 상기 계측 데이터를 기반으로 상기 설비 시스템에 대한 설비성능 예측모델을 생성하는 과정; 상기 계측 데이터를 분석하여 상기 설비 시스템에 대한 계통정보를 판별하는 과정; 상기 계통정보를 기반으로 상기 건물 내 상기 설비 시스템의 운영과 관련한 운영 시나리오를 제작하는 과정; 및 상기 설비성능 예측모델, 상기 운영 시나리오 및 기상정보를 기반으로 상기 설비 시스템에 대한 운영 시뮬레이션을 수행하여 최적 운영 시나리오를 산출하는 과정을 포함하는 것을 특징으로 하는 건물설비 운영방법을 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 건물 내의 설비를 최적 운영하기 위해 건물 내에 설치된 설비 시스템과 관련한 계측 데이터를 수집하여 기계학습 모델을 제작하고, 이를 활용한 시나리오 기반의 시뮬레이션을 통해 요금이 가장 적은 최적의 운영조건을 제시할 수 있는 효과가 있다.
본 실시예에 의하면, 기상청에서 제공하는 차주의 외기온도 정보를 이용하여 다중 열원을 사용하는 건물 기계설비 시스템에 대한 시뮬레이터의 개발이 가능하며, 이를 통해 시나리오별 운영 요금을 정량적으로 비교하여 다중 열원 시스템의 최적 운영으로 건물 에너지 요금 절감이 가능한 효과가 있다.
도 1은 본 실시예에 따른 기계학습모델 기반의 건물설비 시스템을 개략적으로 나타낸 블럭 구성도이다.
도 2는 본 실시예에 따른 건물설비 운영장치를 개략적으로 나타낸 블럭 구성도이다.
도 3은 본 실시예에 따른 계측 데이터를 이용하여 생성한 회귀모델을 나타낸 도면이다.
도 4는 본 실시예에 따른 인공신경망 모델 구조를 나타낸 도면이다.
도 5는 본 실시예에 따른 설비 시스템에 대한 계통정보를 나타낸 도면이다.
도 6은 본 실시예에 따른 운영 시나리오를 나타낸 도면이다.
도 7은 본 실시예에 따른 열원 가격표를 나타낸 도면이다.
도 8은 본 실시예에 따른 운영 시뮬레이션 구조를 나타낸 도면이다.
도 9는 본 실시예에 따른 운영 시뮬레이션의 결과를 나타낸 도면이다.
도 10은 본 실시예에 따른 설비 시스템의 동작 제어 방법을 예시한 예시도이다.
도 11은 본 실시예에 따른 건물설비 운영방법을 설명하기 위한 순서도이다.
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 실시예에 따른 기계학습모델 기반의 건물설비 시스템을 개략적으로 나타낸 블럭 구성도이다.
도 1에 도시하듯이, 본 실시예에 따른 건물설비 시스템은 건물(110), BEMS(Building Energy Management System)(120), 건물설비 운영장치(130), 운영자 단말기(140)를 포함한다. 건물설비 시스템에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
건물(110)은 고효율, 저에너지로 운전하고자 하는 BEMS(120)를 포함한 대형 건물을 의미한다. 건물(110)에 포함된 건물 설비는 BEMS(120)와 연결되어 건물 운영 및 에너지 관련 데이터를 BEMS(120)로 전달한다. 건물(110)은 주로 건물 내 에너지 소비와 연관이 있는 설비 시스템과 관련된 항목 측정을 위한 센서, 계측기 등을 포함한다.
건물(110)은 건물설비 운영장치(130) 또는 운영자 단말기(140)로부터 제어신호를 수신하여 건물 내 설비 시스템을 제어한다. 도 1에서 건물(110)은 하나의 건축 구조물인 것처럼 도시되고 있으나 반드시 이에 한정되는 것은 아니며, 복수의 건물(110)을 포함하는 건물군일 수 있다.
BEMS(120)는 건설기술과 ICT(Information & Communication Technology) 기술, 에너지기술을 기반으로 건물(110)에 대한 각종 설비에 대한 출력치를 측정한 측정항목 데이터를 생성한다. BEMS(120)는 각종 설비에 대한 출력치를 모두 포함한 측정항목 데이터를 건물설비 운영장치(130)로 전송한다.
실시예에 따라 BEMS(120)는 건물설비 운영장치(130)와 하나의 장치로 구현될 수 있다.
건물설비 운영장치(130)는 건물(110)에서 계측되는 데이터를 수집하여, 다중의 열원을 사용하는 건물 설비 시스템에 대한 기계학습 모델을 제작하고, 이를 활용한 시나리오 기반의 시뮬레이션을 통해 건물의 설비와 관련한 최적의 운영조건을 제시하는 기능을 수행한다.
건물설비 운영장치(130)는 BEMS(120)로부터 건물(110) 내 설치된 설비 시스템과 관련한 계측 데이터를 수집한다. 건물설비 운영장치(130)는 수집한 계측 데이터를 기반으로 설비 시스템에 대한 설비성능 예측모델을 생성한다.
건물설비 운영장치(130)는 계측 데이터를 분석하여 설비 시스템에 대한 계통정보를 판별하고, 계통정보를 기반으로 건물 내 설비 시스템의 운영과 관련한 운영 시나리오를 제작한다.
건물설비 운영장치(130)는 설비성능 예측모델, 운영 시나리오 및 기상정보를 기반으로 설비 시스템에 대한 운영 시뮬레이션을 수행하여 최적 운영 시나리오를 산출한다. 건물설비 운영장치(130)는 최적 운영 시나리오를 기반으로 설비 시스템의 동작을 제어하기 위한 제어신호를 생성하여 운영자 단말기(140)로 전송한다.
건물설비 운영장치(130)는 건물(110)에 구비된 설비 시스템으로부터 측정한 계측 데이터를 이용한 ‘데이터 기반 기계학습 모델’을 이용하여, 일반적인 물리 모델의 한계점을 극복하고, 건물 설비 시스템에 대하여 최적의 운영 조건 등을 탐색할 수 있다.
건물설비 운영장치(130)는 ‘데이터 기반 기계학습 모델’인 ‘설비성능 예측모델’을 기반으로 운영자가 건물(110)을 최적의 운전 조건으로 운영할 수 있도록 한다. 건물설비 운영장치(130)에서 구축한 ‘데이터 기반 기계학습 모델’은 추후 자동제어의 영역으로의 확장이 용이하다.
건물설비 운영장치(130)는 기상청에서 제공하는 차주의 외기온도 정보를 이용하여 다중 열원을 사용하는 건물 설비 시스템에 대한 시뮬레이터의 개발이 가능하며, 이를 통해 시나리오별 운영 요금을 정량적으로 비교하여 다중 열원 시스템의 최적 운영으로 건물 에너지 요금 절감이 가능하다.
운영자 단말기(140)는 운영자의 키 조작에 따라 네트워크를 경유하여 각종 웹 페이지 데이터를 수신할 수 있는 전자기기를 의미한다. 운영자 단말기(140)는 태블릿 PC(Tablet PC), 랩톱(Laptop), 개인용 컴퓨터(PC: Personal Computer), 스마트폰(Smart Phone), 개인휴대용 정보단말기(PDA: Personal Digital Assistant) 및 이동통신 단말기(Mobile Communication Terminal) 등 중 어느 하나일 수 있다.
운영자 단말기(140)는 네트워크를 경유하여 건물설비 운영장치(130)에 접속하기 위한 웹 브라우저와 프로그램을 저장하기 위한 메모리, 프로그램을 실행하여 연산 및 제어하기 위한 마이크로프로세서 등을 구비한다.
도 2는 본 실시예에 따른 건물설비 운영장치를 개략적으로 나타낸 블럭 구성도이다.
본 실시예에 따른 건물설비 운영장치(130)는 데이터 수집부(200), 기계학습 모델 제작부(210), 계통 판별부(220), 시나리오 제작부(230), 시뮬레이션 실행부(240) 및 제어신호 생성부(250)를 포함한다. 건물설비 운영장치(130)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
데이터 수집부(200)는 건물(110) 내 설치된 설비 시스템과 관련한 계측 데이터를 수집한다. 데이터 수집부(200)는 BEMS(120)와 통신을 수행하며, 이를 통해, BEMS(120)가 수집한 BEMS 데이터를 상기의 계측 데이터로서 수신할 수 있다. 한편, 본 실시예의 경우, 건물설비 운영 대상이되는 대상 건물이 총 2대의 흡수식냉온수기, 4대의 히트펌프, 1대의 보일러로 이루어진 설비 시스템을 구비한 것으로 예시하여 설명하며, 이에, 계측 데이터는 각 설비기기와 관련하여 수집된 BEMS 데이터일 수 있다.
데이터 수집부(200)는 BEMS(120)로부터 수집한 계측 데이터를 메모리(저장부)에 저장한다. 데이터 수집부(200)는 메모리(저장부)에 저장된 건물(110)에 대한 대량의 측정항목 데이터들을 취합하고 가공한다.
본 실시예에 있어서, 데이터 수집부(200)는 BEMS(120)로부터 수집한 계측 데이터를 가공하여, 외기기온으로 에너지 사용 수준을 판단할 수 있는 단순 회귀모형을 생성한다. 예컨대, 데이터 수집부(200)는 계측 데이터 기반으로 열원별 에너지 사용량과 건물 외기온도 간의 회귀분석을 수행하고, 이를 통해 외기온도에 따른 건물의 냉난방 부하 수준을 나타내는 회귀모형을 생성할 수 있다. 이러한, 회귀모형은 이후, 시뮬레이션 실행부(240)에서 기상정보(ex:외기온도)를 통해 건물의 차주 냉난반 부하의 수준을 판별하는 과정에서 활용될 수 있다. 한편, 도 2를 참조하면, 본 실시예에 따른 데이터 수집부(200)에 의해 생성되는 회귀모형의 형태를 확인할 수 있다.
기계학습 모델제작부(210)는 데이터 수집부(200)로부터 수신한 계측 데이터를 기반으로 건물 내 설치된 설비 시스템에 대한 설비성능 예측모델을 생성한다. 본 실시예에 있어서, 기계학습 모델제작부(210)는 계측 데이터를 인공신경망(ANN: Artificial Neural Network) 모델에 입력변수로 입력한 후 선행학습을 수행하여 설비 시스템 내 설비기기 각각에 대한 성능예측 모델인 설비성능 예측모델을 생성한다. 예컨대, 본 실시예에 의하는 경우 기계학습 모델제작부(210)는 흡수식냉온수기 성능예측 모델, 히트펌프 성능예측 모델, 보일러 성능예측 모델 등을 포함한 설비성능 예측모델을 생성할 수 있다.
기계학습 모델제작부(210)는 설비기기의 대수, 부하 및 외기온도 중 적어도 하나의 운전조건 및 설비 시스템과 관련하여 제어 가능한 제어변수를 입력으로 하여 설비기기에 대한 전력 사용량과 생산 열량 등을 예측하는 설비성능 예측모델을 생성할 수 있다.
한편, 도 4에 도시된 바와 같이, 기계학습 모델제작부(210)에서 활용되는 인공신경망 모델은 다층-퍼셉트론(Multi-Layer Perceptron)을 기본으로 한다.
인공신경망 모델에 포함되는 각 층(layer)은 파라미터(가중치)를 결정하기 위한 노드(node)를 포함한다. 은닉층(Hidden-Layers)과 노드(Node)는 모델의 성능에 영향을 주지만, 그 수에 대한 정형적인 결정 방법은 없다. 인공신경망 모델은 [수학식 1]에 기재된 역전파(Back Propagation) 방법을 이용하여 모델의 출력값(N(w,xi))과 측정값(yi)의 오차를 최소화하도록, 노드와 노드 사이의 가중치 파라미터가 갱신된다.
가중치의 학습 알고리즘으로는 경사 하강법(Gradient Descent), Levenberg-Marquardt 방법, Bayesian Regularization 방법 등이 활용된다.
Figure pat00001
여기에서, w는 가중치, p는 데이터의 개수, x는 입력값, y는 측정값을 의미한다.
기계학습 모델제작부(210)는 본 발명의 적용 예시인 히트펌프 성능예측 모델의 파라미터를 다음과 같이 설정할 수 있다. 예컨대, 기계학습 모델제작부(210)는 ‘Number of hidden layers’를 ‘2’로 설정하고, ‘Number of nodes at each layer’를 ‘20’로 설정하고, ‘Epoch’를 ‘1,000’로 설정하고, ‘Batch size’를 ‘48’로 설정하고, ‘Optimization technique’를 ‘Adaptive moment estimation (Gradient descent)’로 설정하고, ‘Activation function’를 ‘Hyperbolic tangent’로 설정한다.
기계학습 모델제작부(210)는 생성한 성능예측 모델을 시뮬레이션 실행부(240)로 제공하며, 시뮬레이션 실행부(240)는 이를 시나리오별 설비 시템의 사용량을 예측하는 과정에 있어서 활용한다.
계통 판별부(220)는 데이터 수집부(200)로부터 수신한 계측 데이터를 분석하여 설비 시스템에 대한 계통정보를 판별한다.
계통 판별부(220)는 계층 데이터를 분석하여 설비 시스템을 구성하는 적어도 하나 이상의 설비기기에 대한 정보를 추출하고, 추출한 설비기기 간의 유연관계를 판별하여 상기의 계통정보를 산출할 수 있다.
예컨대, 도 5를 참조하면, 본 실시예의 경우, 계통 판별부(220)에 의해 총 2대의 흡수식냉온수기, 4대의 히트펌프, 1대의 보일러를 포함하여 구성된 설비 시스템에 대한 계통도가 생성된 것을 확인할 수 있다.
시나리오 제작부(230)는 데이터 수집부(200)로부터 수신한 계측 데이터 및 계통 판별부(220)로부터 판별된 설비 시스템에 대한 계통정보를 기반으로 건물(110) 내 설비 시스템의 운영과 관련한 운영 시나리오를 제작한다.
시나리오 제작부(230)는 상기의 계측 데이터 및 계통정보를 기반으로 설비 시스템을 구성하는 각 설비기기의 동작여부 및 동작순서 중 일부 또는 전부의 조건의 조합을 통해 상기의 운영 시나리오를 제작할 수 있다.
예컨대, 도 6을 참조하면, 본 실시예의 경우, 시나리오 제작부(230)에 의해 총 2대의 흡수식냉온수기, 4대의 히트펌프, 1대의 보일러로 구성된 다중 열원 시스템이 운영 가능한 시나리오가 생성되는 것을 확인할 수 있다.
시뮬레이션 실행부(240)는 건물(110) 내 설비 시스템의 운영과 관련한 시뮬레이션 모델을 구축하고, 이를 활용하여 에너지 요금을 절감하는 최적의 운영정보를 생성한다.
본 실시예에 있어서, 시뮬레이션 실행부(240)는 기계학습 모델제작부(210)에서 생성한 설비성능 예측모델, 시나리오 제작부(230)에서 생성한 운영 시나리오 및 기상정보를 기반으로 설비 시스템에 대한 시뮬레이션 모델을 구축한다. 여기서, 기상정보는 운영자 단말기(140) 등을 통해 입력된 사용자 입력정보로서, 설비 시스템과 관련하여 최적 운영 시나리오를 산출하고자 하는 특정 시점 및 조건과 관련한 정보일 수 있다. 예컨대, 기상정보로는 특정 날짜와 관련한 온도, 습도, 날씨 등의 정보가 포함될 수 있다.
시뮬레이션 실행부(240)는 시뮬레이션 모델을 구축하기 앞서, 데이터 수집부(200)로부터 생성된 회귀모형을 기반으로 기상정보에 상응하는 건물의 필요 에너지 사용량을 예측하고, 예측한 필요 에너지 사용량와 기상정보가 가장 비슷한 이전 시점의 과거 데이터를 검색한다. 여기서, 과거 데이터는, 해당 이전 시점에 건물설비 운영장치(130)에 의해 수집 및 산출된 모든 정보일 수 있다.
시뮬레이션 실행부(240)는 검색된 과거 데이터를 활용하여, 시나리오 제작부(230)에서 생성한 운영 시나리오 중 상기의 기상정보에 상응하는 운영 시나리오를 산출한다. 본 실시예에 있어서, 시뮬레이션 실행부(240)는 시나리오 제작부(230)에서 생성한 운영 시나리오 중 상기의 이전 시점에 상응하여 생성된 운영 시나리오를 검색하고, 이를 기상정보에 상응하는 운영 시나리오로서 산출할 수 있다. 실시예에 따라, 시뮬레이션 실행부(240)는 과거 데이터를 활용하여 기상정보에 상응하는 설비성능 예측모델을 산출할 수 있다.
시뮬레이션 실행부(240)는 산출된 운영 시나리오, 설비성능 예측모델을 이용하여 상기의 기상정보에 상응하는 설비 시스템에 대한 운영 시뮬레이션 모델을 구축한다. 한편, 본 실시예의 경우, 시나리오 기반의 시뮬레이션을 통해 요금이 가장 적은 운영 방법을 제안하는 데 그 목적이 있으며, 이에, 시뮬레이션 실행부(240)는 운영 시뮬레이션 모델을 구축하는 과정에서, 도 7에 도시된 바와 같은 해당 건물(110) 지녁의 1차 열원 가격 표를 활용할 수 있다.
도 8을 참조하면, 본 실시예에 따른 시뮬레이션 실행부(240)에 의해 생성된 시뮬레이션 모델을 확인할 수 있으며, 시뮬레이션의 결과 또한 도 9와 같은 방식으로 정량적으로 확인할 수 있다.
시뮬레이션 실행부(240)는 운영 시뮬레이션의 수행을 통해 운영 시나리오별 비용을 책정하고, 책정결과에 따라 기상정보에 따른 건물(110) 내로의 공급 열량의 제공 비용이 최소가되는 운영 시나리오를 최적 운영 시나리오로서 선별한다.
제어신호 생성부(250)는 시뮬레이션 실행부(240)에서 선별된 최적 운영 시나리오를 기반으로 설비 시스템의 동작을 제어하기 위한 제어신호를 생성한다.
도 10은 본 실시예에 따른 설비 시스템의 동작 제어 방법을 예시한 예시도이다.
도 10을 참조하면, 건물설비 운영장치(130)는 기상정보를 입력받아 회귀모형을 통해 해당 기상정보에 상응하는 건물의 필요 에너지 사용량을 예측하고, 예측한 필요 에너지 사용량와 기상정보가 가장 비슷한 이전 시점의 과거 데이터를 검색한다. 건물설비 운영장치(130)는 검색된 과거 데이터를 활용하여 기상정보에 상응하는 운영 시나리오를 산출하고, 산출된 운영 시나리오 기반의 시뮬레이션을 통해 시나리오별 운영 요금을 정량적으로 비교하여 요금이 가장 적은 최적의 운영조건을 제시한다.
도 11은 본 실시예에 따른 건물설비 운영방법을 설명하기 위한 순서도이다.
건물설비 운영장치(130)는 건물(110) 내 설치된 설비 시스템과 관련한 계측 데이터를 수집한다(S1102). 단계 S1102에서 건물설비 운영장치(130)는 BEMS(120)가 수집한 BEMS 데이터를 상기의 계측 데이터로서 수신할 수 있다.
또한, 건물설비 운영장치(130)는 계측 데이터 기반으로 열원별 에너지 사용량과 건물 외기온도 간의 회귀분석을 수행하고, 이를 통해 외기온도에 따른 건물의 냉난방 부하 수준을 나타내는 회귀모형을 생성할 수 있다
건물설비 운영장치(130)는 단계 S1102에서 수집한 계측 데이터를 기반으로 설비 시스템에 대한 설비성능 예측모델을 생성한다(S1104). 단계 S1104에서 건물설비 운영장치(130)는 계측 데이터를 인공신경망 모델에 입력변수로 입력한 후 선행학습을 수행하여 설비 시스템 내 설비기기 각각에 대한 성능예측 모델인 설비성능 예측모델을 생성한다.
건물설비 운영장치(130)는 설비기기의 대수, 부하 및 외기온도 중 적어도 하나의 운전조건 및 설비 시스템과 관련하여 제어 가능한 제어변수를 입력으로 하여 설비기기에 대한 전력 사용량과 생산 열량 등을 예측하는 설비성능 예측모델을 생성할 수 있다.
건물설비 운영장치(130)는 단계 S1102에서 수집한 계측 데이터를 분석하여 설비 시스템에 대한 계통정보를 판별하고(S1106), 판별한 계통정보를 기반으로 설비 시스템의 운영과 관련한 운영 시나리오를 제작한다(S1108). 단계 S1108에서 건물설비 운영장치(130)는 단계 S1102의 계통정보를 기반으로 설비 시스템을 구성하는 각 설비기기의 동작여부 및 동작순서 중 일부 또는 전부의 조건의 조합을 통해 상기의 운영 시나리오를 제작할 수 있다.
건물설비 운영장치(130)는 단계 S1104의 설비성능 예측모델, 단계 S1108의 운영 시나리오 및 사용자로부터 입력받은 기상정보를 기반으로 설비 시스템에 대한 운영 시뮬레이션을 수행한다(S1110). 단계 S1110에서 건물설비 운영장치(130)는 단계 S1102의 휘귀모형을 기반으로 기상정보에 상응하는 건물의 필요 에너지 사용량을 예측하고, 예측한 필요 에너지 사용량와 기상정보가 가장 비슷한 이전 시점의 과거 데이터를 검색한다.
건물설비 운영장치(130)는 검색된 과거 데이터를 활용하여, 시나리오 제작부(230)에서 생성한 운영 시나리오 중 상기의 기상정보에 상응하는 운영 시나리오를 산출한다. 건물설비 운영장치(130)는 산출된 운영 시나리오, 설비성능 예측모델을 이용하여 상기의 기상정보에 상응하는 설비 시스템에 대한 운영 시뮬레이션 모델을 구축한다.
건물설비 운영장치(130)는 단계 S1110의 운영 시뮬레이션 결과를 통해 최적 운영 시나리오를 산출하고, 이를 기반으로 설비 시스템의 동작 제어를 위한 제어신호를 생성한다(S1112). 단계 S1112에서 건물설비 운영장치(130)는 운영 시뮬레이션의 수행을 통해 운영 시나리오별 비용을 책정하고, 책정결과에 따라 기상정보에 따른 건물(110) 내로의 공급 열량의 제공 비용이 최소가되는 운영 시나리오를 최적 운영 시나리오로서 선별한다.
도 11에서는 단계 S1102 내지 단계 S1112를 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 11에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 11은 시계열적인 순서로 한정되는 것은 아니다.
전술한 바와 같이 도 11에 기재된 본 실시예에 따른 건물설비 운영방법은 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 건물설비 운영방법을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
110: 건물 120: BEMS
130: 건물설비 운영장치 140: 운영자 단말기
200: 데이터 수집부 210: 기계학습 모델 제작부
220: 계통 판별부 230: 시나리오 제작부
240: 시뮬레이션 실행부 250: 제어신호 생성부

Claims (10)

  1. 건물 내 설치된 설비 시스템과 관련한 계측 데이터를 수집하는 데이터 수집부;
    상기 계측 데이터를 기반으로 상기 설비 시스템에 대한 설비성능 예측모델을 생성하는 기계학습 모델제작부;
    상기 계측 데이터를 분석하여 상기 설비 시스템에 대한 계통정보를 판별하는 계통 판별부;
    상기 계통정보를 기반으로 상기 건물 내 상기 설비 시스템의 운영과 관련한 운영 시나리오를 제작하는 시나리오 제작부; 및
    상기 설비성능 예측모델, 상기 운영 시나리오 및 기상정보를 기반으로 상기 설비 시스템에 대한 운영 시뮬레이션을 수행하여 최적 운영 시나리오를 산출하는 시뮬레이션 실행부
    를 포함하는 것을 특징으로 하는 건물설비 운영장치.
  2. 제 1항에 있어서,
    상기 기계학습 모델제작부는,
    상기 계측 데이터를 인공신경망(ANN: Artificial Neural Network) 모델에 입력변수로 입력한 후 선행학습을 수행하여 상기 설비 시스템 내 설비기기 각각에 대한 성능예측 모델인 상기 설비성능 예측모델을 생성하는 것을 특징으로 하는 건물설비 운영장치.
  3. 제 2항에 있어서,
    상기 기계학습 모델제작부는,
    상기 설비기기의 대수, 부하 및 외기온도 중 적어도 하나의 운전조건을 입력으로 하여 상기 설비기기에 대한 전력 사용량과 생산 열량을 예측하는 상기 설비성능 예측모델을 생성하는 것을 특징으로 하는 건물설비 운영장치.
  4. 제 1항에 있어서,
    상기 계통 판별부는,
    상기 계측 데이터를 분석하여 상기 설비 시스템을 구성하는 적어도 하나 이상의 설비기기에 대한 정보를 추출하고, 상기 설비기기 간의 유연관계를 판별하여 제공하는 것을 특징으로 하는 건물설비 운영장치.
  5. 제 1항에 있어서,
    상기 시나리오 제작부는,
    상기 계통정보를 기반으로 상기 설비 시스템을 구성하는 각 설비기기의 동작여부 및 동작순서 중 일부 또는 전부의 조건을 조합하여 상기 운영 시나리오를 제작하는 것을 특징으로 하는 건물설비 운영장치.
  6. 제 1항에 있어서,
    상기 데이터 수집부는, 상기 계측 데이터를 이용하여 외기온도에 따른 상기 건물의 에너지 사용량을 도출하는 회귀모형을 생성하고,
    상기 시뮬레이션 실행부는, 상기 회귀모형 및 상기 기상정보를 기반으로 상기 운영 시뮬레이션을 위한 운영 시나리오를 선별하는 것을 특징으로 하는 건물설비 운영장치.
  7. 제 6항에 있어서,
    상기 시뮬레이션 실행부는,
    상기 회귀모델을 이용하여 상기 기상정보에 상응하는 상기 건물의 에너지 사용량을 예측하고, 예측된 에너지 사용량 및 상기 기상정보와 가상 유사한 조건을 갖는 이전 시점의 데이터를 활용하여 상기 운영 시뮬레이션의 수행대상이 되는 운영 시나리오를 선별하는 것을 특징으로 하는 건물설비 운영장치.
  8. 제 1항에 있어서,
    상기 시뮬레이션 실행부는,
    상기 운영 시뮬레이션의 수행을 통해 운영 시나리오별 비용을 책정하고, 책정결과에 따라 상기 기상정보에 따른 상기 건물 내로의 공급 열량의 제공 비용이 최소가되는 운영 시나리오를 상기 최적 운영 시나리오로서 선별하는 것을 특징으로 하는 건물설비 운영장치.
  9. 제 1항에 있어서,
    상기 최적 운영 시나리오를 기반으로 상기 설비 시스템의 동작을 제어하기 위한 제어신호를 생성하는 제어신호 생성부를 더 포함하는 것을 특징으로 하는 건물설비 운영장치.
  10. 건물 내 설치된 설비 시스템과 관련한 계측 데이터를 수집하는 과정;
    상기 계측 데이터를 기반으로 상기 설비 시스템에 대한 설비성능 예측모델을 생성하는 과정;
    상기 계측 데이터를 분석하여 상기 설비 시스템에 대한 계통정보를 판별하는 과정;
    상기 계통정보를 기반으로 상기 건물 내 상기 설비 시스템의 운영과 관련한 운영 시나리오를 제작하는 과정; 및
    상기 설비성능 예측모델, 상기 운영 시나리오 및 기상정보를 기반으로 상기 설비 시스템에 대한 운영 시뮬레이션을 수행하여 최적 운영 시나리오를 산출하는 과정
    을 포함하는 것을 특징으로 하는 건물설비 운영방법.
KR1020190010685A 2019-01-28 2019-01-28 건물설비 운영방법 및 장치 KR20200101485A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190010685A KR20200101485A (ko) 2019-01-28 2019-01-28 건물설비 운영방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190010685A KR20200101485A (ko) 2019-01-28 2019-01-28 건물설비 운영방법 및 장치

Publications (1)

Publication Number Publication Date
KR20200101485A true KR20200101485A (ko) 2020-08-28

Family

ID=72265795

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190010685A KR20200101485A (ko) 2019-01-28 2019-01-28 건물설비 운영방법 및 장치

Country Status (1)

Country Link
KR (1) KR20200101485A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022035007A1 (ko) 2020-08-13 2022-02-17 (주)코리아테크 측면 고정부를 포함하는 마스크

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022035007A1 (ko) 2020-08-13 2022-02-17 (주)코리아테크 측면 고정부를 포함하는 마스크

Similar Documents

Publication Publication Date Title
US20210383041A1 (en) In-situ thermodynamic model training
Shahid et al. A novel genetic LSTM model for wind power forecast
Zhang et al. A review of machine learning in building load prediction
Li et al. Attention-based interpretable neural network for building cooling load prediction
Rahman et al. Predicting electricity consumption for commercial and residential buildings using deep recurrent neural networks
Jallal et al. A hybrid neuro-fuzzy inference system-based algorithm for time series forecasting applied to energy consumption prediction
Pinto et al. Data-driven district energy management with surrogate models and deep reinforcement learning
Khafaga et al. Forecasting Energy Consumption Using a Novel Hybrid Dipper Throated Optimization and Stochastic Fractal Search Algorithm
KR102103006B1 (ko) 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치
Wang et al. A review of artificial intelligence based building energy prediction with a focus on ensemble prediction models
Banik et al. Uncertain wind power forecasting using LSTM‐based prediction interval
Ferrara et al. Design optimization of renewable energy systems for NZEBs based on deep residual learning
CN110866592B (zh) 模型训练方法、装置、能效预测方法、装置和存储介质
Wu et al. An explainable framework for load forecasting of a regional integrated energy system based on coupled features and multi-task learning
CN110826784B (zh) 能源使用效率的预测方法、装置及存储介质和终端设备
Morteza et al. Deep learning hyperparameter optimization: Application to electricity and heat demand prediction for buildings
Deb et al. A machine learning-based framework for cost-optimal building retrofit
Seo et al. Data-driven approach to predicting the energy performance of residential buildings using minimal input data
Raghavendra et al. Artificial humming bird with data science enabled stability prediction model for smart grids
Yu et al. A nonlinear autoregressive with exogenous inputs artificial neural network model for building thermal load prediction
Liu et al. Short‐term load forecasting based on LSTNet in power system
D'Amico et al. An intelligent way to predict the building thermal needs: ANNs and optimization
Khedher et al. Approximating heat loss in smart buildings through large scale experimental and computational intelligence solutions
KR20200101485A (ko) 건물설비 운영방법 및 장치
Lee et al. Generalized reinforcement learning for building control using Behavioral Cloning

Legal Events

Date Code Title Description
E902 Notification of reason for refusal