KR20220120004A - 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템 및 운영 방법 - Google Patents

상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템 및 운영 방법 Download PDF

Info

Publication number
KR20220120004A
KR20220120004A KR1020210023592A KR20210023592A KR20220120004A KR 20220120004 A KR20220120004 A KR 20220120004A KR 1020210023592 A KR1020210023592 A KR 1020210023592A KR 20210023592 A KR20210023592 A KR 20210023592A KR 20220120004 A KR20220120004 A KR 20220120004A
Authority
KR
South Korea
Prior art keywords
thermal air
air conditioning
artificial neural
data
thermal
Prior art date
Application number
KR1020210023592A
Other languages
English (en)
Other versions
KR102439453B1 (ko
Inventor
장예은
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 KR1020210023592A priority Critical patent/KR102439453B1/ko
Priority to US17/566,587 priority patent/US20220268479A1/en
Publication of KR20220120004A publication Critical patent/KR20220120004A/ko
Application granted granted Critical
Publication of KR102439453B1 publication Critical patent/KR102439453B1/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
    • 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
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • F24F11/47—Responding to energy costs
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F24F11/58—Remote control using Internet communication
    • 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
    • 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
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air
    • 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
    • F24F2110/20—Humidity
    • 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
    • F24F2110/20—Humidity
    • F24F2110/22—Humidity of the outside air
    • 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
    • F24F2110/30—Velocity
    • F24F2110/32—Velocity of the outside air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/20—Sunlight
    • 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
    • F24F2140/20—Heat-exchange fluid 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
    • 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
    • F24F2140/60—Energy consumption

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Air Conditioning Control Device (AREA)
  • Feedback Control In General (AREA)

Abstract

본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 최적화 열 공조 시스템은, 적어도 하나의 네트워크를 통하여 서버 컴퓨터와 연동된 열 공조 시스템에 있어서, 건물의 내부와 외부에 설치되어 환경 데이터를 생성하는 공조 센서부와, 입력 전력을 이용하여 건물의 내부에 열 에너지를 공급하는 열 공조 장치, 및 공조 센서부에서 생성된 환경 데이터를 기초로 운영 데이터를 생성하고, 입력 전력을 조절하여 열 공조 장치를 제어하는 예측 제어기를 포함한다.

Description

상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템 및 운영 방법{OPTIMIZING HVAC SYSTEM OPERARION USING INTERCONNECTED NEURAL NETWORKS AND ONLINE LEARNING AND OPERATIING METHOD THEREOF}
본 발명은 상호 연결된 인공 신경망을 이용하여 건물의 HVAC(Heating, Ventilation, and Air-Conditioning) 시스템과 열 반응 모델(thermal response model)을 모델링하고, 이를 이용해 HVAC 시스템을 제어하는 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템 및 운영 방법에 관한 것이다.
2019년 미국에서 상업용 빌딩의 전기 소비량은 미국 전체 전기 소비량의 36 % 가량을 차지한다. 이때, 상업용 빌딩에서 열 공조(HVAC, heating, ventilating, and air-conditioning) 장치는 대략 빌딩 전기 소비량의 40 % 가량을 차지한다. 따라서 상업용 빌딩의 열 공조 장치를 효율적으로 운영하는 것은 전체 전력 부하를 줄이는데 큰 도움이 될 수 있다.
기존에 열 공조 장치를 최적으로 운영하는 방법의 하나는 물리적 파라미터(physical parameters)와 기계적, 열적 역학 수식(mechanical and thermal dynamics equations)을 기반으로 물리적 모델을 구성한 후 이를 이용하여 최적화 문제를 정식화하여 열 공조 장치의 최적 스케줄을 결정하였다.
그러나, 기존의 방법은 정확한 물리적 파라미터와 역학적 수식들을 알아야 하며, 이는 장치 제조업체에 의해 공개되지 않고 있다. 또한 빌딩의 크기, 위치에 따라 달라질 수 있으므로 다양한 열 공조 장치에 적용될 수 없는 문제점이 있다.
따라서, 기존 열 공조 장치와 빌딩의 운영 데이터를 이용하여 열 공조 장치의 모델링을 진행하고, 이를 통해 장치의 최적 스케줄을 구하는 방안이 필요한 실정이다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 개별 장치에 대해 학습시킨 인공 신경망을 상호 연결하여 빌딩의 실내 온도를 예측하고 이를 통해 건물의 열 에너지 시스템을 제어하는 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템 및 운영 방법을 제공하는 데 있다.
상기 목적을 달성하기 위한 본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템은, 적어도 하나의 네트워크를 통하여 서버 컴퓨터와 연동된 열 공조 시스템에 있어서, 건물의 내부와 외부에 설치되어 환경 데이터를 생성하는 공조 센서부와; 입력 전력을 이용하여 건물의 내부에 열 에너지를 공급하는 열 공조 장치; 및 공조 센서부에서 생성된 환경 데이터를 기초로 운영 데이터를 생성하고, 입력 전력을 조절하여 열 공조 장치를 제어하는 예측 제어기; 를 포함할 수 있다.
상기 열 공조 시스템은, 건물 내부의 열부하(Qi), 외기 온도(Tx), 증발기측 공기 온도(Te) 및 건물 외부의 온도, 습도, 풍속, 일사량의 환경 데이터가 저장되는 제1 데이터 저장부; 를 더 포함할 수 있다.
상기 열 공조 시스템은, 열 공조 장치의 설정 온도(Tset), 입력 전력(P), 출력 냉각력(Q)의 운영 데이터가 저장되는 제2 데이터 저장부; 를 더 포함할 수 있다.
예측 제어기는, 적어도 하나의 프로세서(processor) 및 적어도 하나의 프로세서가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함할 수 있다.
상기 열 공조 시스템은, 레이블링된 환경 데이터 및 운영 데이터로 학습시킨 예측 제어기를 이용하여 레이블링되지 않은 환경 데이터 및 운영 데이터를 레이블링하고 그를 이용하여 예측 제어기를 학습시키는 학습용 예측기; 를 더 포함할 수 있다.
상기 열 공조 시스템은, 제1 데이터 저장부의 환경 데이터 및 제2 데이터 저장부의 운영 데이터를 수신받아 상호 연결된 복수의 인공 신경망을 이용하여 학습용 예측기을 주기적으로 학습시키는 인공 신경망 학습부를 포함할 수 있다.
인공 신경망 학습부는, 통합 모델을 통해 실내 온도를 예측하기 위한 연산을 수행하여 예측 운영 데이터를 생성하고, 통합 모델은, 목표 온도값(temperature set-points)과 이전 시간의 실내 온도, 이전 시간의 열 공조 장치의 입력 전력을 입력하여 열 공조 장치의 다음 입력 전력을 산출하는 제 1 서브 모델; 열 공조 장치의 입력 전력, 대기 온도, 증발기측(evaporator-side) 공기 온도를 입력하여 열 공조 장치의 출력 냉각력(cooling power)을 산출하는 제 2 서브 모델; 열 공조 장치의 출력 냉각력, 대기 환경 변수, 이전 시간의 실내 온도를 입력하여 건물 내 최적화 실내 온도를 산출하는 제 3 서브 모델; 을 포함할 수 있다.
통합 모델의 제1, 제2, 제3 서브 모델은, LSTM(Long Short-Term Memory)를 사용할 수 있다.
상기 열 공조 시스템은, 제1 데이터 저장부에서 입력되는 환경 데이터 및 제2 데이터 저장부에서 입력되는 운영 데이터를 정규화하는 전처리부; 및 통합 모델을 통해 생성된 예측 운영 데이터를 재복원하는 후처리부; 를 더 포함할 수 있다.
상기 열 공조 시스템은, 열적 불만족도를 계산하는 불만족도 산출부와; 운영 비용을 계산하는 운영 비용 산출부;를 더 포함할 수 있다.
본 발명의 다른 목적을 달성하기 위한 본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템의 운영 방법은, 열 공조 장치의 초기 운영 데이터를 이용하여 데이터 기반의 열 공조 장치 모델링을 위한 상호 연결된 인공 신경망 모델을 학습시키는 단계와; 최적 스케줄에 따라 열 공조 장치를 운영하며, 제1 및 제2 데이터 저장부에 건물 내부와 외부의 환경 데이터 및 운영 데이터를 저장하는 단계와; 업데이트되어 저장된 환경 데이터 및 운영 데이터와, 초기 환경 데이터 및 운영 데이터를 이용하여 기학습된 인공 신경망 모델의 서브 모델을 재학습(re-training)시키는 단계; 및 학습된 인공 신경망 모델을 이용하여 건물 내부와 외부의 환경 변화에 따른 열 공조 장치의 입력 전력 및 건물 내 실내 온도를 예측하고, 운영 비용과 열적 만족도를 산출하고, 열 공조 장치를 운영하기 위한 최적 스케줄을 산출하는 단계; 를 포함할 수 있다.
일 데이터 가용성(data availability)과 물리적 인과관계를 기반으로 열 공조 장치를 다수의 서브 모델로 구성하는 단계; 구성된 서브 모델의 운영 데이터를 수집하는 단계; 인공 신경망 학습부가 수집된 운영 데이터를 기반으로 학습하여 데이터 기반의 서브 모델을 구성하는 단계; 데이터 기반의 서브 모델을 상호 연계하여 통합 모델을 구성하는 단계; 예측 제어기가 구성된 통합 모델을 이용하여 건물 내 최적 실내 온도를 예측하는 단계; 불만족도 산출부가 예측된 최적 실내 온도를 기반으로 열적 불만족도(thermal discomfort)를 계산하는 단계; 운영 비용 산출부가 구성된 통합 모델을 통해 예측된 입력 전력을 기반으로 운영 비용(operating cost)를 계산하는 단계; 불만족도 산출부로부터 계산된 열적 불만족도와 운영 비용 산출부으로부터 계산된 운영 비용으로 획득된 목적 함수에 기초하여 열 공조 장치를 제어하는 단계; 제어된 열 공조 장치에서 생성된 신규 운영 데이터를 제2 데이터 저장부에 저장하는 단계; 및 제2 데이터 저장부에 저장된 신규 운영 데이터와 제1 데이터 저장부 및 제2 데이터 저장부에 저장된 환경 데이터 및 운영 데이터를 이용하여 기 학습된 인공 신경망 학습부를 재학습하는 단계; 를 포함할 수 있다.
인공 신경망 학습부가 수집된 운영 데이터를 기반으로 학습하여 데이터 기반의 서브 모델을 구성하는 단계는, 제 1 서브 모델에 목표 온도값 및 피드백 변수로 직전 예측 구간의 실내 온도와 열 공조 장치의 입력 전력을 입력하여 현재 예측 구간의 열 공조 장치의 입력 전력을 산출하는 단계; 제 2 서브 모델에 열 공조 장치의 입력 전력, 대기온도, 증발기측 공기 온도를 입력하여 출력 냉각력을 산출하는 단계; 및 제 3 서브 모델에 열 공조 장치의 출력 냉각력, 대기 환경 변수 및 피드백 변수로 직전 예측 구간의 실내 온도를 입력하여 현재 예측 구간의 실내 온도를 산출하는 단계; 를 포함할 수 있다.
열적 불만족도는, 미리 설정된 규정 온도를 초과한 온도 범위(deviation from acceptable ranges of indoor temperature)를 모두 더해 계산될 수 있다.
목적 함수는, 불만족도 산출부에서 계산한 열적 불만족도와 운영 비용 산출부에서 계산한 운영 비용에 각각 가중치를 부여하여 계산될 수 있다.
불만족도 산출부로부터 계산된 열적 불만족도와 운영 비용 산출부으로부터 계산된 운영 비용을 포함하는 목적 함수에 기초하여 열 공조 장치를 제어하는 단계는, 목적 함수가 최소화 되도록 열 공조 장치가 제어될 수 있다.
예측 제어기가 구성된 통합 모델을 이용하여 건물 내 최적 실내 온도를 예측하는 단계는, 건물의 각 거주자가 위치한 구역의 외부 온도, 열 부하량 중 적어도 하나를 포함하는 데이터를 수집하고, 수집된 데이터에 따른 건물 내 온도 변화를 모델링하는 단계일 수 있다.
본 발명은 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템의 운영 방법을 구현하기 위한 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램일 수 있다.
본 발명은 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템의 운영 방법의 학습 데이터 세트 구조가 저장된 기록 매체일 수 있다.
본 발명에 따르면, 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템 및 운영 방법을 이용하여 입력전력과 실내 온도 예측을 통해 건물의 열 에너지 시스템을 제어하는 경우에는, 다수의 복잡한 설비로 구성된 시스템을 학습하는 것에 있어 입력과 출력을 단순히 하나의 인공 신경망으로 예측하는 것이 아니라 주요 구성 부품별 다수의 인공 신경망을 통해 예측하므로 인공 신경망의 예측 과정을 알 수 있고, 하나의 인공 신경망으로 예측하는 것보다 더 적은 학습 데이터 요구하게 되며 결과적으로 더 높은 예측 정확도를 가질 수 있다.
또한, 온라인 학습(online learning)을 통해 개별 인공 신경망을 주기적으로 재학습하여 모델 정확도를 향상시킬 수 있다.
또한, 열 공조 장치의 제어부와 열 공조 장치의 운영 특성, 빌딩의 열반응(thermal response) 혹은 열역학(thermal dynamics)을 각각 학습하여 상호 연결한 통합 모델을 이용하여 실내온도와 열 공조 장치의 입력전력을 예측하므로 예측 정확도가 높고 거주자의 열적 만족도를 고려하면서 열 공조 장치의 운영 비용을 감소시킬 수 있다.
도 1은 본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템(10), 서버 컴퓨터(20), 네트워크(50)의 구성도이다.
도 2는 본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템(10)의 구성도이다.
도 3은 본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템(10)의 불만족도 산출부(400), 운영 비용 산출부(500)을 도시한 구성도이다.
도 4 은 본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템(10)의 일 실시예에 따른 건물 내 온도 제어를 위한 시스템의 예시도이다.
도 5 는 본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템(10)의 일 실시예에 따른 실제 구현된 상호 연결된 인공 신경망을 나타낸 도면이다.
도 6 은 본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템(10)의 일 실시예에 따른 상호 연결된 인공 신경망을 이용하여 온라인 학습을 수행하여 HVAC 시스템의 최적 운영 스케줄(schedule)을 결정하는 방법의 흐름도이다.
도 7은 본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템(10)의 운영 방법을 도시한 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 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.
제 1, 제 2, 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 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 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 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템(10), 서버 컴퓨터(20), 네트워크(50)의 구성도이다.
도 1을 참조하면, 본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템(10)은 적어도 하나의 네트워크(50)를 통하여 서버 컴퓨터(20)와 연결된다.
본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템(10)은 공조 센서부(100), 열 공조 장치(200), 예측 제어기(300)를 포함한다.
도 2는 본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템(10)의 구성도이다.
도 2를 참조하면, 본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템(10)은 공조 센서부(100), 열 공조 장치(200), 예측 제어기(300)를 포함하고, 제1 데이터 저장부(190), 제2 데이터 저장부(290)를 더 포함할 수 있고, 학습용 예측기(310), 전처리부(320), 인공 신경망 학습부(330), 통합 모델(340), 후처리부(350)을 더 포함할 수 있다. 통합 모델(340)은 제1 서브 모델(3410), 제2 서브 모델(3420), 제3 서브 모델(3430)을 더 포함할 수 있다.
공조 센서부(100)는 온도, 습도, 풍속, 일사량 센서 등 다수의 센서로, 건물의 내부와 외부에 설치되어 환경 데이터를 생성한다.
제1 데이터 저장부(190)는 공조 센서부(100)의 다수의 센서에 의해 측정된 건물 내부의 열부하(Qi), 외기 온도(Tx), 증발기측 공기 온도(Te) 및 건물 외부의 온도, 습도, 풍속, 일사량의 환경 데이터가 저장된다.
제2 데이터 저장부(190)는 열 공조 장치(200)의 설정 온도(Tset), 입력 전력(P), 출력 냉각력(Q)의 운영 데이터가 저장된다.
열 공조 장치(200)는 예측 제어기(300)의 제어에 의하여, 입력 전력이 조절되는 방식으로 건물의 내부에 열 에너지를 공급한다.
예측 제어기(300)는 공조 센서부(100)에서 생성된 환경 데이터를 기초로 운영 데이터를 생성하고, 생성된 운영 데이터에 의해 입력 전력을 조절하여 열 공조 장치(200)에서 건물의 내부에 공급하는 열 에너지의 양을 제어하는 방식으로 건물 내부의 온도를 조절한다. 예측 제어기(300)는 적어도 하나의 프로세서(processor) 및 적어도 하나의 프로세서가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함한다.
학습용 예측기(310)는 예측 제어기(300)와 동일하게 구성될 수 있고, 레이블링된 환경 데이터 및 운영 데이터로 학습시킨 예측 제어기(300)를 이용하여 레이블링되지 않은 환경 데이터 및 운영 데이터를 레이블링하고 이를 이용하여 예측 제어기(300)를 학습시킨다.
전처리부(320)는 제1 데이터 저장부(190)에 입력되는 환경 데이터 및 제2 데이터 저장부(290)에 입력되는 운영 데이터를 정규화한다.
인공 신경망 학습부(330)는 상호 연결된 복수의 인공 신경망으로 구성되고, 제1 데이터 저장부(190)의 환경 데이터 및 제2 데이터 저장부(290)의 운영 데이터인 빅데이터를 기반으로 상호 연결된 복수의 인공 신경망을 이용하여 학습용 예측기(310)를 주기적으로 학습시킨다.
통합 모델(340)은 실내 온도를 예측하기 위한 연산을 수행하여 예측 운영 데이터를 생성한다. 통합 모델(340)은, 제 1 서브 모델(3410), 제 2 서브 모델(3420), 제 3 서브 모델(3430)으로 구성된다. 통합 모델(340)의 제1, 제2, 제3 서브 모델(3410, 3420, 3430)은 LSTM(Long Short-Term Memory)를 사용한다.
제 1 서브 모델(3410)은 목표 온도값(temperature set-points)과 이전 시간의 실내 온도, 이전 시간의 열 공조 장치(200)의 입력 전력을 입력하여 열 공조 장치(200)의 다음 입력 전력을 산출한다.
제 2 서브 모델(3420)은 열 공조 장치(200)의 입력 전력, 대기 온도, 증발기측(evaporator-side) 공기 온도를 입력하여 열 공조 장치(200)의 출력 냉각력(cooling power)을 산출한다.
제 3 서브 모델(3430)은 열 공조 장치(200)의 출력 냉각력, 대기 환경 변수, 이전 시간의 실내 온도를 입력하여 건물 내 최적화 실내 온도를 산출한다.
후처리부(350)는 통합 모델(340)를 통해 생성된 예측 운영 데이터를 재복원한다.
도 3은 본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템(10)의 불만족도 산출부(400), 운영 비용 산출부(500)를 도시한 구성도이다.
도 3을 참조하면, 불만족도 산출부(400)는 사용자의 열적 불만족도를 계산한다.
운영 비용 산출부(500)는 열 공조 시스템(10)의 운영 비용을 계산한다.
불만족도 산출부(400)에서 계산한 열적 불만족도와 운영 비용 산출부(500)에서 계산한 운영 비용에 각각 가중치를 부여하여 목적 함수가 산출된다.
예측 제어기(300)는 불만족도 산출부(400)로부터 계산된 열적 불만족도와 운영 비용 산출부(500)으로부터 계산된 운영 비용을 포함하는 목적 함수에 기초하여 열 공조 장치(200)를 제어하며, 바람직하게는 목적 함수가 최소화 되도록 열 공조 장치(200)를 제어할 수 있다.
도 4는 본 발명의 일 실시예에 따른 건물 내 온도 제어를 위한 열 공조 시스템(10)의 예시도이다.
도 4를 참조하면, 일반적인 열 공조 시스템(10)은 상업용 건물의 실내 온도 조절을 위하여 온도 조절기 제어 루프, HVAC 장치, 건물 외피의 세 가지 하위 시스템으로 구성된다. 특히 온도 조절기 루프에서는, 실내 온도의 설정 값과 실제 값(예를 들면, Tset t 및 Ti t)간의 차이를 기반으로 HVAC 장치의 기준 전원 입력 Pt ref 를 조정하기 위해 비례 적분(Proportional-integral, PI) 컨트롤러가 채택된다. 실제로 PI 컨트롤러는 안정적인 시스템 작동을 보장하기 위해 포화 및 램프 속도 제한과 같은 비선형 신호 처리 기능과 함께 제공된다. HVAC 장치는 Pt ref를 입력 신호로 수신하고, 주변 온도 Tx t 및 증발기 측 공기 또는 수온 Te t가 주어지면 열 에너지 Qt를 건물 외피에 제공한다. HVAC 장치의 일 실시예로 가변 속도 히트 펌프가 채택될 수 있다. 가변 속도 드라이브의 시간 응답은 빠르며, 결과적으로 실제 전력 입력 Pt는 특히 스케줄링 시간 범위에서 Pref t (즉, Pt
Figure pat00001
Pref t)와 거의 동일하다. 건물 외피에서 Ti t의 프로파일은 HVAC 시스템 작동(예를 들면, Qt)과 Tx t, Te t 및 실내 열 부하 Qi t 와 같은 건물 열 환경 Et에 의해 결정된다.
본 발명의 본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템(10)의 예측 제어기(300)는 실내 온도(Ti)와 목표 온도(Tset)의 차이가 작아지도록 열 공조 장치의 입력 전력의 지령값(Pref)을 변화시켜 실내 온도를 제어한다.
도 5 는 본 발명의 일 실시예에 따른 인공 신경망 학습부(330)의 상호 연결된 인공 신경망이 실제 구현된 모습을 도시한 모식도이다.
도 5를 참조하면, 본 발명의 일 실시예에 따라 다수의 서브 인공 신경망 모델이 상호 연결되어 이루어진 데이터 기반의 열 공조 장치 모델은 도 5에 도시된 바와 같이 구현될 수 있으며, 각 서브 모델은 전처리부, 입력층, 은닉층, 출력층, 후처리부로 구성될 수 있으며, 이러한 서브 모델들이 여러층으로 이루어진 인공 신경망 구조를 가질 수 있다.
본 발명의 일 실시 예에 따르면 다른 조건은 유지한 상태에서 각 서브 모델에 입력하는 변수를 증감함으로써 각 서브 모델의 출력을 측정하고, 이를 분석하여 해당 서브 모델의 적합성을 평가할 수 있으며, 적합성이 높을수록 과적합이 적게 발생하여, 더 높은 정확도를 보일 수 있다.
각 하위 시스템은 ANN(Artificial Neural Network)을 사용하여 모델링된다. 그런 다음 전술한 바와 같이 하위 시스템의 상호 연결을 기반으로 ANN이 함께 연결된다. 각 하위 시스템의 작동 특성은 다소 단순한 아키텍처를 사용하여 ANN에 성공적으로 반영될 수 있다. 이는 도 4에 표시된 건물 온도 제어를 위한 전체 시스템을 나타내는 ANN 모델의 전체적인 복잡성을 완화한다. 대조적으로 기존의 모델링 방법은 종종 단일 ANN만 고려한다. 그런 다음 ANN은 전체 시스템의 운영을 정확하게 반영하기 위해 상당히 복잡하고 깊이 있어야 하며 많은 양의 건물 운영 데이터가 필요하다. 이는 제한된 크기와 가변성의 데이터를 사용하는 실제 사례에 대한 모델링 정확도 및 온도 제어 성능을 손상시킬 위험을 의미한다.
하위 시스템의 경우, ANN은 시계열 데이터 학습 및 시스템 식별에 널리 사용되는 LSTM(Long short-term memory) 네트워크의 형태로 구현된다. 본 발명은 다양한 유형의 ANN을 사용하여 쉽게 달성할 수 있다. 특히, LSTM은 여러 숨겨진 레이어로 구성되며, 각 레이어에는 자체 루프가 있는 여러 숨겨진 노드가 포함된다. 또한, 도 5는 LSTM L1이 Pt에 대한 출력 뉴런과 입력 뉴런 사이에 내부 피드백 루프를 가지고 있음을 보여 주며, 이는 빨간색 원으로 표시된다.
마찬가지로 L3에는 노란색 원으로 표시된 Ti t의 내부 피드백 루프가 있다. Ti t의 외부 피드백 루프는 L3의 출력 뉴런과 L1의 입력 뉴런 사이에도 존재하며, 이는 파란색 원으로 표시된다. 또한 L1-3에는 입력 데이터를 정규화하고 각각 원래 단위로 출력 데이터를 복구하는 전 처리기 및 후 처리기가 있어 학습 속도가 너무 낮아지는 것을 방지한다. 또한 각 LSTM에는 단일 출력 뉴런과 여러 입력 뉴런이 있다. 도 5에서 볼 수 있듯이 L1-3의 출력은 각각 Pt, Qt 및 Ti t로 정의된다. L1의 입력은 Tset t의 현재 및 시간 지연 값과 Pt 및 Ti t의 시간 지연 값이다. L2의 경우 입력은 Pt, Tx t, Te t의 현재 및 시간 지연 값이다. L3의 입력은 Qt 및 Et의 현재 및 시간 지연 값과 시간 지연 Ti t로 설정된다. 여기서, L1-3의 시간 지연 입력은 온도 조절기 루프의 통합 컨트롤러, HVAC 시스템의 열 교환기 및 건물 외피에 각각 열의 영향을 반영하여 건물 열 역학 모델링에서 더 나은 정확도를 달성하기 위해 명시적으로 고려된다. 특히, L1-3의 하이퍼 파라미터에 대한 검색 범위는 입력 뉴런의 시간 지연, 은닉층 및 뉴런의 수, 학습률의 최소값과 최대 값으로 설정된다.
모델링 정확도 및 계산 부담은 가능한 모든 조합을 검토하는 동안 기록 데이터 세트에 대한 좋은 학습 및 테스트 결과를 얻을 수 있는 조합이 선택된다. 이 절차를 통해 L1-3 입력의 최대 시간 지연은 각각 LP1 = 24 시간, LP2 = 4 시간 및 LP3 = 4 시간으로 설정된다. 간결함을 위해 각 LSTM은 입력에 대해 동일한 LP 값을 가지며, 온라인 SL 동안 L1-3의 선택된 하이퍼 매개 변수가 고정된다. 개별 LSTM은 BEMS의 데이터베이스를 사용하여 개별적으로 훈련되어 모든 입력, 은닉 및 출력 뉴런에 대한 가중치 계수와 편향을 결정한다. 별도의 교육은 LSTM의 구조적 복잡성을 줄여 온도 제어 시스템의 모델링을 용이하게 한다. 각 LSTM에 대한 피드백 루프도 열려 있으므로 실제 시간 지연 데이터가 입력 뉴런에 공급될 수 있으므로 LSTM 훈련에 SL 알고리즘을 적용 할 수 있다. 훈련 데이터는 온도 제어 시스템의 실제 정상 작동 중에 얻어 져 L1-3의 모델링 수렴을 보장한다. 더욱이, HVAC 시스템 및 건물 외피의 물리 기반 모델링 매개 변수는 LSTM을 훈련하는 데 필요하지 않으므로 최적화 문제를 공식화한다. 여기서 LSTM은 설정점 온도의 최적 스케줄링을 위해 통합된다. 이를 통해 제안된 전략을 실제 BEMS에 광범위하게 적용 할 수 있다. 훈련 후 LSTM은 폐쇄된 피드백 루프로 상호 연결되고 테스트되므로 현재 시간 단계에서 추정된 출력을 다음 단계에서 시간 지연 입력으로 사용할 수 있다. 이는 또한 상호 연결된 LSTM이 하위 시스템 간의 상호 작용을 반영하므로 완성된 시스템의 작동 특성을 반영할 수 있다.
도 6 은 본 발명의 일 실시예에 따른 상호 연결된 인공 신경망을 이용하여 온라인 학습을 수행함으로써 HVAC 시스템의 최적 운영 스케줄(schedule)을 결정하는 방법의 흐름도이다.
도 6을 참조하면, 스텝(Step) 1은 열 공조 장치의 초기 운영 데이터를 이용하여 데이터 기반의 열 공조 장치 모델링을 위한 상호 연결된 인공 신경망 모델을 학습시킨다. 학습된 인공 신경망 모델을 이용하여 열 공조 장치의 스케줄링을 위한 최적화 문제를 해결하며, 이를 통해 열 공조 장치 입력(Tset)의 하루 전 스케줄(day-ahead schedule)은 초기화된다. 이때, 초기 운영 데이터는 수가 적고 변동성(variability)이 적어 학습된 인공 신경망 모델의 정확도는 정확하지 않을 수 있으며, 이에 따라 최적 스케줄링 성능에 제한이 있을 수 있다.
스텝(Step 2)는 스텝(Step) 1에서 구한 최적 스케줄(Tset *)에 따라 열 공조 장치를 운영하며, 빌딩 내 데이터베이스(BEMS Database)에 내외부 환경 데이터를 포함한 운영 데이터(도 6의'Bldg. Data')를 저장한다. 이때 저장되는 데이터는 열 공조 장치 의 입력(Tset), 입력 전력(P), 열 공조 장치의 출력 냉각력(Q), 내외부 환경 데이터(E), 실내 온도(Ti)를 포함한다. 내외부 환경 데이터는 빌딩 내 열부하(Qi)와 외기 온도(Tx), 증발기측 공기온도(Te) 등을 포함할 수 있다. 스텝(Step) 2는 빌딩 내 데이터베이스는 건물 외부의 온도, 습도, 풍속, 일사량 등을 포함하는 외부 환경을 예측한 데이터(예를 들면 기상청 예측 데이터)를 수집하여 저장할 수 있으며, 실시간 전기 가격(hourly-varying electricity price)을 예측한 데이터를 수집하여 저장할 수 있다.
스텝(Step) 3는 스텝(Step) 2에서 새로 저장된 운영 데이터와 초기 운영 데이터를 이용하여 기학습된 인공 신경망 모델의 서브 모델을 재학습(re-training)한다. 이때 데이터베이스에 저장된 데이터들에 대해 경사 하강법(gradient descent)를 적용하여 인공 신경망 구현에 필요한 정보들(뉴런 사이의 관계값, 바이어스 값 등)을 결정할 수 있다.
스텝(Step) 4는 스텝(Step) 1에서와 같이 학습된 인공 신경망 모델을 이용하여 건물 내외부의 환경 변화에 따른 열 공조 장치의 입력 전력과 건물 내 실내 온도를 예측하고, 운영 비용과 열적 만족도를 고려하여 최적으로 열 공조 장치를 운영하기 위한 스케줄(Tset *)을 산출한다. 이때, 외부로부터 수신된 다음날의 전기가격 예측값(forecast)을 이용하여 운영 비용을 산출한다. 스텝(Step) 4에서 산출된 스케줄(Tset*)을 이용하여 열 공조 장치는 운영되며(스텝 2), 해당 싸이클이 반복된다. 이를 온라인 학습이라 명명하며, 본 발명에서는 이를 통해 인공 신경망을 주기적으로 학습시켜 모델의 정확도를 향상시킨다. 열적 불만족도는 열적 만족도에 관한 지표로 구현할 수 있으며, 거주자가 열 공조 장치의 운영에 의해 느끼는 편리함 또는 불편함을 평가할 수 있는 지표들을 모두 포함할 수 있는 개념으로 이해되어야 한다. 하지만 본 발명에서는 거주자의 열적 만족도를 미리 설정된 규정 온도를 초과한 온도 범위를 모두 더해 계산한다.
본 발명의 일 실시예에 따른 상호 연결된 인공 신경망과 온라인 학습을 이용하여 건물의 열 에너지 시스템을 제어하는 방법에 따르면, 최적 제어 조건을 기반으로 운영 비용을 가장 줄이고 개인의 열적 만족도를 최대화할 수 있도록 건물의 열 공조 장치를 제어할 수 있다.
본 발명의 실시예에 따른 알고리즘 및/또는 방법은, 상호 연결된 인공 신경망과 온라인 학습을 이용하여 건물 내 열 공조 장치를 최적으로 운영하기 위해, 하기 수학식 1부터 수학식 8에 해당하는 수식으로 최적화 문제를 정식화할 수 있다. 하지만 본 발명에서 인공 신경망을 이용하여 최적화 문제를 정식화하기 위해, 페널티 방법(penalty method)를 사용하여 제약이 있는 문제를 제약이 없는 최적화 문제(하기 수학식 9에서 11에 해당)로 변환할 수 있다.
최적화 HVAC 시스템 운영을 위한 본래 문제
Figure pat00002
기존 최적화 문제는 상기 수학식 1에 따른 목적 함수(J1)을 최소화하는 연산을 수행한다. 상기 수학식 1을 참조하면, NT는 스케줄링 시간 간격을 의미하며 하루에 대해 1시간 간격의 스케줄링을 진행하였을 때 NT의 값은 24이다. Ct와 Pt는 시각 t에서의 전력 소비량에 대한 전기요금과 열 공조 장치의 입력 전력을 의미한다. 상기 수학식 1은 1부터 NT까지의 시간 간격 동안 건물의 열 공조 장치에서 사용한 전력에 대한 전기 이용 요금을 의미한다. 본 발명에서 운영 비용을 전기 이용 요금이라 가정하였다.
한편, 기존 최적화 문제는 상기 수학식 1에 따른 목적함수를 최소화하는데 있어서, 하기 수학식 2에서 8에 따른 추가적인 제약조건(constraints)을 정의할 수 있다.
Figure pat00003
먼저 제 1 제약 조건으로, 열 공조 장치의 입력(Tset)이 일정한 규정 범위(최소값 Tset,min, 최대값 Tset,max) 내에서 설정되도록 제한함으로써, 불필요하게 작거나 큰 값을 입력하여 열 공조 장치의 정상적인 운영을 방해하지 않도록 제어할 수 있다.
Figure pat00004
제 2 제약 조건으로, 건물 내부의 온도(Ti t)가 일정한 규정 온도 범위(최소값 Tt i,min 와 최대값 Tt i,max) 내에 있도록 제어함으로써, 불필요하게 건물 내부의 온도가 덥거나 춥지 않도록 제어할 수 있다. 이는 거주자의 열적 불만족도를 최소화시키는 제약 조건이다. 이때 건물 내부 온도는 수학식 8과 같이 제 3 서브 인공 신경망 모델(L3)을 통해 산출된다.
Figure pat00005
Figure pat00006
제 3, 4 제약 조건으로, 열 공조 장치의 소비 전력(Pt)이 제조업자에 의해 규정된 범위 내에서 안정적으로 운영하도록 제어한다. 수학식 4는 시각 t에서의 소비 전력이 일정한 규정 범위(최소값 Pmin, 최대값 Pmax) 내에 있도록 제어하며, 수학식 5는 시각 t-1에서 t로 소비 전력이 변할 때, 해당 변동값이 기 지정된 범위 (최대 소비전력 증가, 감소율 RL, RH) 내에서 변하도록 제어한다. 이때 열 공조 장치의 소비 전력은 수학식 6과 같이 제 1 서브 인공 신경망 모델(L1)을 통해 산출된다.
Figure pat00007
Figure pat00008
Figure pat00009
수학식 6에서 8은 열 공조 장치의 소비 전력(Pt)과 출력 냉각력(Q), 건물 내부 온도(Tt i)를 상기 학습된 인공 신경망 모델을 이용하여 산출하는 것을 의미한다.
수학식 6의 L1은 제 1 서브 모델을 함수화하여 표현한 것으로 열 공조 장치의 입력(Tset)과 이전 시간의 실내 온도(Ti), 이전 시간의 열 공조 장치의 소비 전력(P)을 입력 받아 열 공조 장치의 소비 전력을 산출한다. 이때 L1은 인공 신경망의 한 종류인 LSTM을 이용하여 학습된 것으로 시계열(time-series) 데이터를 입력으로 받는다. 따라서 상기 L1의 입력 변수들도 시계열 데이터의 형태로 입력되며 L1에 입력되는 시계열 데이터의 길이는 LP1으로 설정한다.
수학식 7의 L2은 제 2 서브 모델을 함수화하여 표현한 것으로 열 공조 장치의 소비 전력(P), 대기 온도(Tx), 증발기측 공기 온도(Te)를 입력 받아 열 공조 장치의 출력 냉각력(Q)을 산출한다. 이때 L2은 인공 신경망의 한 종류인 LSTM을 이용하여 학습된 것으로 시계열 데이터를 입력으로 받는다. 따라서 상기 L2의 입력 변수들도 시계열 데이터의 형태로 입력되며 L2에 입력되는 시계열 데이터의 길이는 LP2으로 설정한다.
수학식 8의 L3은 제 3 서브 모델을 함수화하여 표현한 것으로 열 공조 장치의 출력 냉각력(Q), 대기 환경 변수(E), 이전 시간의 실내온도(Ti)를 입력하여 빌딩 내 실내 온도를 산출한다. 이때 L3은 인공 신경망의 한 종류인 LSTM을 이용하여 학습된 것으로 시계열 데이터를 입력으로 받는다. 따라서 상기 L3의 입력 변수들도 시계열 데이터의 형태로 입력되며 L3에 입력되는 시계열 데이터의 길이는 LP3으로 설정한다.
이때, 각 서브 모델의 입력 데이터의 길이(LP1, LP2, LP3)는 각기 다를 수 있으며, 서브 모델을 이루는 인공 신경망의 종류도 달라질 수 있다.
본래 문제의 재구성된 문제
상기 수학식 1에서 8의 제약이 있는 최적화 문제를 하기 수학식 9에서 11의 제약이 없는 문제로 변환하였으며, 이는 인공 신경망 모델을 사용한 최적화 문제를 위한 해결 알고리즘 중 하나인 경사 하강법을 적용하기 위함이다.
하기 수학식 9에 따른 목적함수(J2)를 최소화하는 연산을 수행함으로써, 건물 내 거주자의 열적 만족도와 열 공조 장치의 운영 비용을 고려하면서 열 공조 장치를 효율적으로 제어할 수 있다.
Figure pat00010
Figure pat00011
Figure pat00012
상기 수학식 9를 참조하면, NT는 스케줄링 시간 간격을 의미하며 λ y, λ k, λ h는 각 목적항의 가중치(weighted coefficient)를 의미할 수 있다. 목적항은 크게 3개로 이루어져 있다. 첫 번째 구성요소(first term)는 열 공조 장치의 운영 비용을 나타내며, 두 번째 구성요소(second term)는 열 공조 장치의 입력값(수학식 9와 10의 ut)이 상기 수학식 2의 제 1 제약 조건을 벗어날 때에 대한 페널티(penalty)를 나타낼 수 있다. 페널티의 크기는 수학식 10과 같이 구할 수 있으며, umin은 허용 가능한 범위 내 최소값, umax는 최대값을 의미한다.
세 번째 구성요소(third term)는 열 공조 장치의 상태변수(수학식 9와 10의 st)가 상기 수학식 3에서 5의 제 2, 3, 4 제약조건을 벗어날 때에 대한 페널티를 나타낼 수 있다. 페널티의 크기는 수학식 11과 같이 구할 수 있으며, st min은 허용 가능한 범위 내 최소값, st max는 최대값을 의미한다.
이때, 열 공조 장치의 상태 변수는 건물 내 온도, 열 공조 장치의 출력 냉각력, 열 공조 장치의 소비전력 및 해당 변동값을 포함할 수 있다.
본 발명에서는 실제 상업용 건물 내 열 공조 장치의 운영 특성을 반영하기 위해 근무 시간 이후 건물 내 거주자가 거의 존재하지 않는 시간대에는 열 공조 장치를 정지시키고, 예비 냉방(pre-cooling)을 위해 사람들이 일을 하기 위해 건물로 모이기 전 이른 아침에 열 공조 장치를 작동시키는 것을 반영할 수 있다. 따라서, 목적 함수에서 설정에 따라 미리 결정된, 건물에 거주자가 존재하지 않는 시간에 대한 열 공조 장치의 입력 전력은 0으로 설정될 수 있다.
수학식 8 내지 수학식 11의 최적화 문제는 다양한 빌딩 모델에 실제로 적용 될 수 있다. 단, 빌딩의 열 동적 설계 및 열 공조 장치 부하 특성에 따라 각 서브 모델의 입력 변수가 달라질 수 있다. 수학식 8 내지 11은 인공 신경망 모델을 함수화하여 포함하므로, 본 발명의 일 측면에 따른 알고리즘 및/또는 방법의 최적화 문제는 경사 하강법(gradient descent)을 이용을 이용하여 해결될 수 있다. 이를 통해 열 공조 장치 운영에 있어서 최적의 스케줄을 도출할 수 있다.
또한, 수학식 8 내지 11의 최적화 문제에 포함된 인공 신경망 모델(L1, L2, L3)은 온라인 학습을 통해 주기적으로 모델 정확도가 향상되므로 주기적인 모델 학습이 진행됨에 따라 최적 스케줄링의 성능이 좋아질 수 있다.
도 7은 본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템의 운영 방법의 흐름도이다.
도 7을 참조하면, 본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템의 운영 방법은 S100 내지 S1000 단계로 구성된다.
S100은 데이터 가용성(data availability)과 물리적 인과관계를 기반으로 열 공조 장치(200)를 다수의 서브 모델(3410,3420,3430)로 구성하는 단계이다.
S200은 구성된 서브 모델(3410,3420,3430)의 운영 데이터를 수집하는 단계이다.
S300은 인공 신경망 학습부(330)가 수집된 운영 데이터를 기반으로 학습하여 데이터 기반의 서브 모델(3410,3420,3430)을 구성하는 단계이다. S300 단계는 S310, S320, S330 단계를 포함할 수 있다.
S310은 제 1 서브 모델(3410)에 목표 온도값 및 피드백 변수로 직전 예측 구간의 실내 온도와 열 공조 장치(200)의 입력 전력을 입력하여 현재 예측 구간의 열 공조 장치(200)의 입력 전력을 산출하는 단계이다.
S320은 제 2 서브 모델(3420)에 열 공조 장치(200)의 입력 전력, 대기온도, 증발기측 공기 온도를 입력하여 출력 냉각력을 산출하는 단계이다.
S330은 제 3 서브 모델(3430)에 열 공조 장치(200)의 출력 냉각력, 대기 환경 변수 및 피드백 변수로 직전 예측 구간의 실내 온도를 입력하여 현재 예측 구간의 실내 온도를 산출하는 단계이다.
S400은 데이터 기반의 서브 모델(3410,3420,3430)을 상호 연계하여 통합 모델(340)을 구성하는 단계이다.
S500은 예측 제어기(300)가 구성된 통합 모델(340)을 이용하여 건물 내 최적 실내 온도를 예측하는 단계이다. S500은 건물의 각 거주자가 위치한 구역(zone)의 외부 온도, 열 부하량 중 적어도 하나를 포함하는 데이터를 수집하고, 수집된 데이터에 따른 건물 내 온도 변화를 모델링하는 단계일 수 있다.
S600은 불만족도 산출부(400)가 예측된 최적 실내 온도를 기반으로 열적 불만족도(thermal discomfort)를 계산하는 단계이다. 열적 불만족도는, 미리 설정된 규정 온도를 초과한 온도 범위(deviation from acceptable ranges of indoor temperature)를 모두 더해 계산한다.
S700은 운영 비용 산출부(500)가 구성된 통합 모델(340)을 통해 예측된 입력 전력을 기반으로 운영 비용(operating cost)를 계산하는 단계이다.
S800은 불만족도 산출부(400)로부터 계산된 열적 불만족도와 운영 비용 산출부(500)으로부터 계산된 운영 비용으로 획득된 목적 함수에 기초하여 열 공조 장치(200)를 제어하는 단계이다. 목적 함수는, 불만족도 산출부(400)에서 계산한 열적 불만족도와 운영 비용 산출부(500)에서 계산한 운영 비용에 각각 가중치를 부여하여 산출될 수 있다. S800은 목적 함수가 최소화 되도록 열 공조 장치(200)를 제어할 수 있다.
S900은 제어된 열 공조 장치(200)에서 생성된 신규 운영 데이터를 제2 데이터 저장부(290)에 저장하는 단계이다.
S1000은 제2 데이터 저장부(290)에 저장된 신규 운영 데이터와 제1 데이터 저장부 (190) 및 제2 데이터 저장부(290)에 저장된 환경 데이터 및 운영 데이터를 이용하여 기 학습된 인공 신경망 학습부(330)를 재학습하는 단계이다.
본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템의 운영 방법은 열 공조 시스템의 운영 방법을 구현하기 위한 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램일 수 있다.
본 발명의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템의 운영 방법은 열 공조 시스템의 운영 방법의 학습 데이터 세트 구조가 저장된 기록 매체일 수 있다.
본 발명에 따르면, 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템 및 운영 방법을 이용하여 입력전력과 실내 온도 예측을 통해 건물의 열 에너지 시스템을 제어하는 경우에는, 다수의 복잡한 설비로 구성된 시스템을 학습하는 것에 있어 입력과 출력을 단순히 하나의 인공 신경망으로 예측하는 것이 아니라 주요 구성 부품별 다수의 인공 신경망을 통해 예측하므로 인공 신경망의 예측 과정을 알 수 있고, 하나의 인공 신경망으로 예측하는 것보다 더 적은 학습 데이터 요구하게 되며 결과적으로 더 높은 예측 정확도를 가질 수 있다.
또한, 온라인 학습(online learning)을 통해 개별 인공 신경망을 주기적으로 재학습하여 모델 정확도를 향상시킬 수 있다.
또한, 열 공조 장치의 제어부와 열 공조 장치의 운영 특성, 빌딩의 열반응(thermal response) 혹은 열역학(thermal dynamics)을 각각 학습하여 상호 연결한 통합 모델을 이용하여 실내온도와 열 공조 장치의 입력전력을 예측하므로 예측 정확도가 높고 거주자의 열적 만족도를 고려하면서 열 공조 장치의 운영 비용을 감소시킬 수 있다.
본 발명의 실시예에 따른 방법의 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 또는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 정보가 저장되는 모든 종류의 기록장치를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터로 읽을 수 있는 프로그램 또는 코드가 저장되고 실행될 수 있다.
또한, 컴퓨터가 읽을 수 있는 기록매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 프로그램 명령은 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.
본 발명의 일부 측면들은 장치의 문맥에서 설명되었으나, 그것은 상응하는 방법에 따른 설명 또한 나타낼 수 있고, 여기서 블록 또는 장치는 방법 단계 또는 방법 단계의 특징에 상응한다. 유사하게, 방법의 문맥에서 설명된 측면들은 또한 상응하는 블록 또는 아이템 또는 상응하는 장치의 특징으로 나타낼 수 있다. 방법 단계들의 몇몇 또는 전부는 예를 들어, 마이크로프로세서, 프로그램 가능한 컴퓨터 또는 전자 회로와 같은 하드웨어 장치에 의해(또는 이용하여) 수행될 수 있다. 몇몇의 실시예에서, 가장 중요한 방법 단계들의 하나 이상은 이와 같은 장치에 의해 수행될 수 있다.
실시예들에서, 프로그램 가능한 로직 장치(예를 들어, 필드 프로그래머블 게이트 어레이)가 여기서 설명된 방법들의 기능의 일부 또는 전부를 수행하기 위해 사용될 수 있다. 실시예들에서, 필드 프로그머블 게이트 어레이는 여기서 설명된 방법들 중 하나를 수행하기 위한 마이크로프로세서와 함께 작동할 수 있다. 일반적으로, 방법들은 어떤 하드웨어 장치에 의해 수행되는 것이 바람직하다.
이상 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 (19)

  1. 적어도 하나의 네트워크를 통하여 서버 컴퓨터와 연동된 열 공조 시스템에 있어서,
    건물의 내부와 외부에 설치되어 환경 데이터를 생성하는 공조 센서부와;
    입력 전력을 이용하여 건물의 내부에 열 에너지를 공급하는 열 공조 장치; 및
    공조 센서부에서 생성된 환경 데이터를 기초로 운영 데이터를 생성하고, 입력 전력을 조절하여 열 공조 장치를 제어하는 예측 제어기; 를 포함하는,
    상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템.
  2. 청구항 1에 있어서, 상기 열 공조 시스템은,
    건물 내부의 열부하(Qi), 외기 온도(Tx), 증발기측 공기 온도(Te) 및 건물 외부의 온도, 습도, 풍속, 일사량의 환경 데이터가 저장되는 제1 데이터 저장부; 를 더 포함하는,
    상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템.
  3. 청구항 1에 있어서, 상기 열 공조 시스템은,
    열 공조 장치의 설정 온도(Tset), 입력 전력(P), 출력 냉각력(Q)의 운영 데이터가 저장되는 제2 데이터 저장부; 를 더 포함하는,
    상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템.
  4. 청구항 1에 있어서, 예측 제어기는,
    적어도 하나의 프로세서(processor) 및 적어도 하나의 프로세서가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함하는,
    상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템.
  5. 청구항 1에 있어서, 상기 열 공조 시스템은,
    레이블링된 환경 데이터 및 운영 데이터로 학습시킨 예측 제어기를 이용하여 레이블링되지 않은 환경 데이터 및 운영 데이터를 레이블링하고 그를 이용하여 예측 제어기를 학습시키는 학습용 예측기; 를 더 포함하는,
    상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템.
  6. 청구항 1에 있어서, 상기 열 공조 시스템은,
    제1 데이터 저장부의 환경 데이터 및 제2 데이터 저장부의 운영 데이터를 수신 받아 상호 연결된 복수의 인공 신경망을 이용하여 학습용 예측기를 주기적으로 학습시키는 인공 신경망 학습부를 더 포함하는,
    상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템.
  7. 청구항 6에 있어서, 인공 신경망 학습부는,
    통합 모델을 통해 실내 온도를 예측하기 위한 연산을 수행하여 예측 운영 데이터를 생성하고,
    통합 모델은,
    목표 온도값(temperature set-points)과 이전 시간의 실내 온도, 이전 시간의 열 공조 장치의 입력 전력을 입력하여 열 공조 장치의 다음 입력 전력을 산출하는 제 1 서브 모델;
    열 공조 장치의 입력 전력, 대기 온도, 증발기측(evaporator-side) 공기 온도를 입력하여 열 공조 장치의 출력 냉각력(cooling power)을 산출하는 제 2 서브 모델;
    열 공조 장치의 출력 냉각력, 대기 환경 변수, 이전 시간의 실내 온도를 입력하여 건물 내 최적화 실내 온도를 산출하는 제 3 서브 모델; 을 포함하는,
    상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템.
  8. 청구항 7에 있어서, 통합 모델의 제1, 제2, 제3 서브 모델은, LSTM(Long Short-Term Memory)를 사용하는,
    상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템.
  9. 청구항 1에 있어서, 상기 열 공조 시스템은,
    제1 데이터 저장부에서 입력되는 환경 데이터 및 제2 데이터 저장부에서 입력되는 운영 데이터를 정규화하는 전처리부; 및
    통합 모델을 통해 생성된 예측 운영 데이터를 재복원하는 후처리부; 를 더 포함하는,
    상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템.
  10. 청구항 1에 있어서, 상기 열 공조 시스템은,
    열적 불만족도를 계산하는 불만족도 산출부와;
    운영 비용을 계산하는 운영 비용 산출부; 를 더 포함하는,
    상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템.
  11. 열 공조 장치의 초기 운영 데이터를 이용하여 데이터 기반의 열 공조 장치 모델링을 위한 상호 연결된 인공 신경망 모델을 학습시키는 단계와;
    최적 스케줄에 따라 열 공조 장치를 운영하며, 제1 및 제2 데이터 저장부에 건물 내부와 외부의 환경 데이터 및 운영 데이터를 저장하는 단계와;
    업데이트되어 저장된 환경 데이터 및 운영 데이터와, 초기 환경 데이터 및 운영 데이터를 이용하여 기학습된 인공 신경망 모델의 서브 모델을 재학습(re-training)시키는 단계; 및
    학습된 인공 신경망 모델을 이용하여 건물 내부와 외부의 환경 변화에 따른 열 공조 장치의 입력 전력 및 건물 내 실내 온도를 예측하고, 운영 비용과 열적 만족도를 산출하고, 열 공조 장치를 운영하기 위한 최적 스케줄을 산출하는 단계; 를 포함하는,
    상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템의 운영 방법.
  12. 데이터 가용성(data availability)과 물리적 인과관계를 기반으로 열 공조 장치를 다수의 서브 모델로 구성하는 단계;
    구성된 서브 모델의 운영 데이터를 수집하는 단계;
    인공 신경망 학습부가 수집된 운영 데이터를 기반으로 학습하여 데이터 기반의 서브 모델을 구성하는 단계;
    데이터 기반의 서브 모델을 상호 연계하여 통합 모델을 구성하는 단계;
    예측 제어기가 구성된 통합 모델을 이용하여 건물 내 최적 실내 온도를 예측하는 단계;
    불만족도 산출부가 예측된 최적 실내 온도를 기반으로 열적 불만족도(thermal discomfort)를 계산하는 단계;
    운영 비용 산출부가 구성된 통합 모델을 통해 예측된 입력 전력을 기반으로 운영 비용(operating cost)를 계산하는 단계;
    불만족도 산출부로부터 계산된 열적 불만족도와 운영 비용 산출부으로부터 계산된 운영 비용으로 획득된 목적 함수에 기초하여 열 공조 장치를 제어하는 단계;
    제어된 열 공조 장치에서 생성된 신규 운영 데이터를 제2 데이터 저장부에 저장하는 단계; 및
    제2 데이터 저장부에 저장된 신규 운영 데이터와 제1 데이터 저장부 및 제2 데이터 저장부에 저장된 환경 데이터 및 운영 데이터를 이용하여 기 학습된 인공 신경망 학습부를 재학습하는 단계; 를 포함하는,
    상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템의 운영 방법.
  13. 청구항 12에 있어서, 인공 신경망 학습부가 수집된 운영 데이터를 기반으로 학습하여 데이터 기반의 서브 모델을 구성하는 단계는,
    제 1 서브 모델에 목표 온도값 및 피드백 변수로 직전 예측 구간의 실내 온도와 열 공조 장치의 입력 전력을 입력하여 현재 예측 구간의 열 공조 장치의 입력 전력을 산출하는 단계;
    제 2 서브 모델에 열 공조 장치의 입력 전력, 대기온도, 증발기측 공기 온도를 입력하여 출력 냉각력을 산출하는 단계; 및
    제 3 서브 모델에 열 공조 장치의 출력 냉각력, 대기 환경 변수 및 피드백 변수로 직전 예측 구간의 실내 온도를 입력하여 현재 예측 구간의 실내 온도를 산출하는 단계; 를 포함하는,
    상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템의 운영 방법.
  14. 청구항 12에 있어서, 열적 불만족도는, 미리 설정된 규정 온도를 초과한 온도 범위(deviation from acceptable ranges of indoor temperature)를 모두 더해 계산하는,
    상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템의 운영 방법.
  15. 청구항 12에 있어서, 목적 함수는, 불만족도 산출부에서 계산한 열적 불만족도와 운영 비용 산출부에서 계산한 운영 비용에 각각 가중치를 부여하여 산출되는,
    상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템의 운영 방법.
  16. 청구항 12에 있어서, 불만족도 산출부로부터 계산된 열적 불만족도와 운영 비용 산출부으로부터 계산된 운영 비용을 포함하는 목적 함수에 기초하여 열 공조 장치를 제어하는 단계는,
    목적 함수가 최소화 되도록 열 공조 장치를 제어하는,
    상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템의 운영 방법.
  17. 청구항 12에 있어서, 예측 제어기가 구성된 통합 모델을 이용하여 건물 내 최적 실내 온도를 예측하는 단계는,
    건물의 각 거주자가 위치한 구역의 외부 온도, 열 부하량 중 적어도 하나를 포함하는 데이터를 수집하고, 수집된 데이터에 따른 건물 내 온도 변화를 모델링하는 단계인,
    상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템의 운영 방법.
  18. 청구항 11 내지 청구항 17 중 어느 하나의 항의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템의 운영 방법을 구현하기 위한 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
  19. 청구항 11 내지 청구항 17 중 어느 하나의 항의 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템의 운영 방법의 학습 데이터 세트 구조가 저장된 기록 매체.
KR1020210023592A 2021-02-22 2021-02-22 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템 및 운영 방법 KR102439453B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210023592A KR102439453B1 (ko) 2021-02-22 2021-02-22 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템 및 운영 방법
US17/566,587 US20220268479A1 (en) 2021-02-22 2021-12-30 Hvac system using interconnected neural networks and online learning and operation method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210023592A KR102439453B1 (ko) 2021-02-22 2021-02-22 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템 및 운영 방법

Publications (2)

Publication Number Publication Date
KR20220120004A true KR20220120004A (ko) 2022-08-30
KR102439453B1 KR102439453B1 (ko) 2022-09-01

Family

ID=82899484

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210023592A KR102439453B1 (ko) 2021-02-22 2021-02-22 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템 및 운영 방법

Country Status (2)

Country Link
US (1) US20220268479A1 (ko)
KR (1) KR102439453B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102570178B1 (ko) * 2023-04-17 2023-08-25 (주)유알피 초거대 ai를 활용한 딥러닝 기반 생성형 ai 시스템의 학습 데이터셋 생성 및 활용방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117469774B (zh) * 2023-12-28 2024-04-02 北京市农林科学院智能装备技术研究中心 空调系统调控方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170083419A (ko) * 2016-01-08 2017-07-18 마우키스튜디오 주식회사 레이블링되지 않은 다수의 학습 데이터를 이용하여 딥 러닝의 모델을 트레이닝하는 방법 및 이를 수행하는 딥 러닝 시스템
KR20200043781A (ko) * 2018-10-18 2020-04-28 부산대학교 산학협력단 관람객 수와 환경 변화를 고려한 전시홀 에너지 관리 시스템

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10338559B2 (en) * 2014-05-29 2019-07-02 Mariner Partners Inc. Methods and system for reducing energy use in buildings
WO2016185630A1 (ja) * 2015-05-18 2016-11-24 三菱電機株式会社 室内環境モデル作成装置
KR102212663B1 (ko) * 2018-05-22 2021-02-05 주식회사 석영시스템즈 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치
US11531308B2 (en) * 2019-12-23 2022-12-20 Johnson Controls Tyco IP Holdings LLP Adaptively learning surrogate model for predicting building system dynamics from simulation model

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170083419A (ko) * 2016-01-08 2017-07-18 마우키스튜디오 주식회사 레이블링되지 않은 다수의 학습 데이터를 이용하여 딥 러닝의 모델을 트레이닝하는 방법 및 이를 수행하는 딥 러닝 시스템
KR20200043781A (ko) * 2018-10-18 2020-04-28 부산대학교 산학협력단 관람객 수와 환경 변화를 고려한 전시홀 에너지 관리 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102570178B1 (ko) * 2023-04-17 2023-08-25 (주)유알피 초거대 ai를 활용한 딥러닝 기반 생성형 ai 시스템의 학습 데이터셋 생성 및 활용방법

Also Published As

Publication number Publication date
US20220268479A1 (en) 2022-08-25
KR102439453B1 (ko) 2022-09-01

Similar Documents

Publication Publication Date Title
Merabet et al. Intelligent building control systems for thermal comfort and energy-efficiency: A systematic review of artificial intelligence-assisted techniques
Wei et al. Deep reinforcement learning for building HVAC control
Zhang et al. A deep reinforcement learning approach to using whole building energy model for hvac optimal control
KR102212663B1 (ko) 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치
Zhuang et al. Data-driven predictive control for smart HVAC system in IoT-integrated buildings with time-series forecasting and reinforcement learning
Li et al. Intelligent multi-zone residential HVAC control strategy based on deep reinforcement learning
Taheri et al. Model predictive control of heating, ventilation, and air conditioning (HVAC) systems: A state-of-the-art review
KR102198817B1 (ko) 열·공조 시스템에 대한 수요 반응 결정 모델을 생성하는 방법 및 수요 반응을 수행하기 위한 방법
Huang et al. A new model predictive control scheme for energy and cost savings in commercial buildings: An airport terminal building case study
KR102267180B1 (ko) 공조시스템 및 그 제어 방법
KR102439453B1 (ko) 상호 연결된 인공 신경망과 온라인 학습을 이용한 열 공조 시스템 및 운영 방법
Svetozarevic et al. Data-driven control of room temperature and bidirectional EV charging using deep reinforcement learning: Simulations and experiments
Datta et al. Application of neural networks for the prediction of the energy consumption in a supermarket
Javed et al. Comparison of the robustness of RNN, MPC and ANN controller for residential heating system
Jang et al. Optimal HVAC system operation using online learning of interconnected neural networks
Marantos et al. Towards plug&play smart thermostats inspired by reinforcement learning
Lee et al. Artificial intelligence enabled energy-efficient heating, ventilation and air conditioning system: Design, analysis and necessary hardware upgrades
Namatēvs Deep reinforcement learning on HVAC control
Huang et al. Model predictive control for energy-efficient buildings: An airport terminal building study
Lee et al. Smart-valve-assisted model-free predictive control system for chiller plants
Naug et al. A data driven method for prediction of energy demand in commercial buildings
Zhang et al. A deep reinforcement learning method for model-based optimal control of HVAC systems
KR102381976B1 (ko) 전기 요금 책정 방법 및 장치
Javed et al. Modelling and optimization of residential heating system using random neural networks
CN116157751A (zh) 用于控制流体输送系统的方法和系统

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant