KR20230012869A - System and Method for Learning Hybrid Model of HVAC system - Google Patents
System and Method for Learning Hybrid Model of HVAC system Download PDFInfo
- Publication number
- KR20230012869A KR20230012869A KR1020210093661A KR20210093661A KR20230012869A KR 20230012869 A KR20230012869 A KR 20230012869A KR 1020210093661 A KR1020210093661 A KR 1020210093661A KR 20210093661 A KR20210093661 A KR 20210093661A KR 20230012869 A KR20230012869 A KR 20230012869A
- Authority
- KR
- South Korea
- Prior art keywords
- value
- model
- air conditioning
- conditioning system
- machine learning
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000010801 machine learning Methods 0.000 claims abstract description 77
- 238000004378 air conditioning Methods 0.000 claims abstract description 63
- 239000003507 refrigerant Substances 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000013531 bayesian neural network Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000001816 cooling Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Air Conditioning Control Device (AREA)
Abstract
Description
본 발명은 공조 시스템의 모델링에 관한 것으로서, 보다 상세하게는 공조 시스템의 물리모델과 기계학습 모델을 혼합한 하이브리드 모델과, 그 하이브리드 모델을 훈련하는 학습 시스템 및 방법에 관한 것이다. The present invention relates to modeling of an air conditioning system, and more particularly, to a hybrid model in which a physical model and a machine learning model of an air conditioning system are mixed, and a learning system and method for training the hybrid model.
공조(HVAC; heating, ventilation, air conditioning) 시스템은 난방, 환기, 냉방을 통해, 온도, 습도조정, 청정도, 실내기류 등 항목을 만족시키는 처리 시스템이다.An HVAC (heating, ventilation, air conditioning) system is a processing system that satisfies items such as temperature, humidity control, cleanliness, and indoor air flow through heating, ventilation, and cooling.
주택, 빌딩, 아파트 등의 건물 분야에서의 글로벌 에너지 소모량은 해마다 지속적으로 증대되고 있으며, 2035년까지 35% 증대될 것으로 예상되고 있다. 건물 분야 에너지 요구량 중 공조 시스템이 차지하는 에너지 소비량은 전체 건물 에너지 소비량의 40%를 차지한다. 건물 에너지 모델은 건축 설계 단계에서 건물 에너지 성능 분석을 위한 도구로 이용될 뿐만 아니라, 건물의 운영 단계에서 진단, 커미셔닝, 및 에너지 평가를 위해서도 이용되어 왔다.Global energy consumption in the building sector, such as houses, buildings, and apartments, is continuously increasing every year, and is expected to increase by 35% by 2035. Among the energy requirements of the building sector, the energy consumption of the air conditioning system accounts for 40% of the total building energy consumption. The building energy model has been used not only as a tool for analyzing building energy performance at the architectural design stage, but also for diagnosis, commissioning, and energy evaluation at the operating stage of the building.
일반적으로 인과 관계를 가지는 대상 또는 현상을 추정하기 위하여 모델링 기법이 사용될 수 있고, 모델링 기법을 통해 생성된 모델은 대상 또는 현상을 예측하거나 최적화하는데 사용될 수 있다.In general, a modeling technique may be used to estimate an object or phenomenon having a causal relationship, and a model generated through the modeling technique may be used to predict or optimize the object or phenomenon.
건물 공조 시스템의 에너지 모델링 기법으로서, 물리모델과 기계학습 모델이 있다.As energy modeling techniques for building air conditioning systems, there are physical models and machine learning models.
도 1은 일반적인 물리모델을 나타내는 블록도이다.1 is a block diagram showing a general physical model.
물리모델(11)은 열 전달 및 에너지 이동 과정을 설명하는 수학식을 활용하여 공조 시스템의 에너지 거동을 모사한다. 이러한 수학식은 주로 시뮬레이션 프로그램에 내재되어 있으며, 사용자가 수학식의 계산에 요구되는 입력변수 및 파라미터 값을 프로그램의 인터페이스에 입력하면, 시뮬레이션 엔진이 연산하여 결과값을 제시하는 형태다. 사용자는 공조 시스템에 대한 장비 일람표 도면, 시스템 규격서, 시험 성적서, 진단 및 계측 등을 통해 시뮬레이션 프로그램이 요구하는 입력변수 및 파라미터 값을 확인하고 입력하는 것이 일반적이다.The
일반적으로 제1법칙 기반의 물리모델의 수학식은 우수한 일반화 성능을 지닌다. 따라서, 물리모델의 입력변수와 파라미터에 현실을 반영한 정확한 값이 입력될 경우 해당 물리모델의 정확도와 신뢰성을 확보할 수 있는 장점이 있다. 다만, 이를 위해 요구되는 정보의 양이 상당하며, 경우에 따라 해당 정보를 확보하기 어려워 해당 모델을 이용할 수 없거나, 일부 입력변수와 파라미터 값을 부정확한 추정치로 입력할 경우 결과의 정확성이 하락하여 모델 출력값의 신뢰성을 보장하기 어려운 문제가 발생한다. In general, equations of physical models based on the first law have excellent generalization performance. Therefore, when accurate values reflecting reality are input to the input variables and parameters of the physical model, there is an advantage in securing the accuracy and reliability of the physical model. However, the amount of information required for this is considerable, and in some cases, it is difficult to obtain the information, so that the model cannot be used, or if some input variables and parameter values are entered as inaccurate estimates, the accuracy of the results decreases and the model It is difficult to guarantee the reliability of the output value.
한편, 기계학습 모델은 입력과 출력 데이터의 상관관계를 표현하는 회귀 모델로서, 모델의 구조 및 파라미터 수를 정의하고, 모델의 출력을 측정 데이터의 패턴에 적합 시키기 위해 파라미터의 값을 조절하는 훈련 과정을 반복하여 개발한다.On the other hand, a machine learning model is a regression model that expresses the correlation between input and output data. A training process in which the structure of the model and the number of parameters are defined, and the values of the parameters are adjusted to fit the model output to the pattern of the measured data develop iteratively.
도 2는 일반적인 기계학습 모델 학습 시스템을 나타내는 블록도이다.2 is a block diagram showing a general machine learning model learning system.
기계학습 모델을 학습하기 위해, 측정 입력값(21)과 측정 출력값(22)을 포함한 다수의 데이터 세트가 필요하다. 측정 입력값(21)이 기계학습 모델 모듈(23)로 입력되며 기계학습 모델 모듈(23)에서 예측 결과값(24)이 도출된다. 에러 산출부(25)는 측정 결과값(21)과 예측 결과값(24)의 오차(Error)를 계산하고 해당 오차를 기계학습 모델 모듈(23)로 피드백한다. 그러면, 기계학습 모델 모듈(23)에서는 입력된 오차가 감소되도록 기계학습 모델을 수정하며, 이러한 과정이 기계학습 모델을 학습하고 훈련하는 과정이다. 이러한 기계학습 모델 훈련 과정은 다수의 측정 데이터 세트에 대해 반복적으로 수행된다.In order to train a machine learning model, multiple data sets including measurement inputs (21) and measurement outputs (22) are required. The measured
기계학습 모델은 측정된 입력과 출력 데이터를 기반으로 구축되며, 입력값과 출력값과의 상관관계를 표현하는 모델이기 때문에, 표현 및 예측하고자 하는 공조 시스템의 거동에 대한 전문적인 지식이 불필요하고 미지의 입력변수 및 파라미터 값에 대한 추정이 불필요하다.Since the machine learning model is built based on measured input and output data and is a model that expresses the correlation between input and output values, it does not require specialized knowledge about the behavior of the air conditioning system to be expressed and predicted, and Estimation of input variables and parameter values is unnecessary.
기계학습 모델에는 인공 신경망, 서포트 벡터 머신, 가우시안 프로세스 등이 있으며, 비선형 패턴에 대한 모사, 과적합 현상의 방지 등 모델 개발 목적에 따라 선택 및 활용할 수 있다.Machine learning models include artificial neural networks, support vector machines, Gaussian processes, etc., and can be selected and used according to the purpose of model development, such as simulation of nonlinear patterns and prevention of overfitting.
기계학습 모델은 공조 시스템의 물리적 거동을 이해하지 않더라도 소수의 계측 데이터만으로 간편하게 모델 개발이 가능하여 실용성 측면에서 우수한 것이 장점이다. 하지만, 기계학습 모델은 공조 시스템의 다양한 운전이 반영된 충분한 데이터를 확보하지 못한다면 모델의 일반화된 신뢰성을 확보하기 어려우며, 통계적 확률적 관계를 통해 구축된 모델이기 때문에 결과에 대한 물리적 해석이 어려운 것이 단점이다.The advantage of the machine learning model is that it is excellent in terms of practicality because it is possible to easily develop a model with only a small amount of measurement data even without understanding the physical behavior of the air conditioning system. However, the machine learning model is difficult to secure generalized reliability of the model unless sufficient data reflecting the various operations of the air conditioning system are secured, and since it is a model built through statistical probabilistic relationships, it is difficult to physically interpret the results. .
즉, 물리모델은 공조 시스템의 특성을 설명하는 정보의 부족으로 실용적인 측면에서 모델 개발이 어렵다는 단점이 있으며, 기계학습 모델은 일반화 성능이 미흡하며 모델 활용에 물리적 의미를 반영하기 어려운 단점이 있다.In other words, the physical model has a disadvantage that it is difficult to develop a model from a practical point of view due to the lack of information describing the characteristics of the air conditioning system, and the machine learning model has a disadvantage that generalization performance is insufficient and it is difficult to reflect physical meaning in model utilization.
이러한 물리모델과 기계학습 모델의 개별적인 단점을 해소하기 위해, 다양한 분야에서 물리모델과 기계학습 모델을 혼합한 하이브리드 모델을 개발하는 시도들이 이루어지고 있다.In order to solve the individual disadvantages of these physical models and machine learning models, attempts are being made to develop hybrid models that mix physical models and machine learning models in various fields.
대한민국 공개특허공보 제10-2021-0023641호, "기계학습 모델 및 규칙 기반 모델을 포함하는 혼성 모델을 위한 방법 및 시스템"에서는 반도체 공정에 의해서 제조되는 집적 회로의 특성 모델링, 반도체 공정에 포함되는 플라즈마 공정 모델링, 반도체 공정에 의해서 제조되는 집적 회로에 포함된 트랜지스터의 드레인 전류(Id)를 추정하기 위한 모델링을 위해, 기계학습 모델과 규칙 기반 모델을 포함하는 혼성 모델을 개시한다.Republic of Korea Patent Publication No. 10-2021-0023641, "Method and system for hybrid model including machine learning model and rule-based model" describes characteristic modeling of integrated circuits manufactured by semiconductor processes, plasma included in semiconductor processes For process modeling and modeling for estimating the drain current (Id) of a transistor included in an integrated circuit manufactured by a semiconductor process, a hybrid model including a machine learning model and a rule-based model is disclosed.
대한민국 등록특허공보 제10-2194002호, "최적 물리 학습모델과 기계학습을 이용한 에너지 운영 관리 시스템"에서는 대상운영건축물의 운영, 관리를 위한 전체에너지시스템을 모방한 물리모델의 최적화 기법을 이용하여 실제 시스템에 근접한 상태의 최적화된 예측이 가능하며, 단기간의 입력정보를 이용하여 장기간의 인공지능을 학습할 수 있는 기술이 기재되어 있다.Republic of Korea Patent Registration No. 10-2194002, "Energy operation management system using optimal physical learning model and machine learning" uses a physical model optimization technique that mimics the entire energy system for the operation and management of a target operating building It is possible to make an optimized prediction of the state close to the system, and a technique that can learn long-term artificial intelligence using short-term input information is described.
그러나, 상술한 종래의 기술들은 공조 시스템의 에너지 거동을 모사한 모델을 개발하기 위한 하이브리드 모델 학습 기술은 제시하지 않고 있다.However, the above-described conventional technologies do not suggest a hybrid model learning technology for developing a model that simulates the energy behavior of an air conditioning system.
본 발명은 건물 공조 시스템의 물리모델과 기계학습 모델의 서로의 단점을 최소화하고, 장점들을 극대화하는 하이브리드 모델 학습 시스템 및 방법을 제공하는데 그 목적이 있다.An object of the present invention is to provide a hybrid model learning system and method that minimizes the disadvantages of a physical model and a machine learning model of a building air conditioning system and maximizes the advantages of each other.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.However, the technical problem to be achieved by the present embodiment is not limited to the technical problem as described above, and other technical problems may exist.
상술한 목적을 달성하기 위한 본 발명에 따른 공조 시스템의 하이브리드 모델 학습 시스템은, 측정 입력값과 피드백된 오차값을 기반으로 중간 출력값을 예측하는 기계학습 모델 모듈과, 상기 측정 입력값과 상기 중간 출력값을 가변냉매흐름(VRF; Variable Refrigerant Flow) 공조 시스템을 모사한 물리모델에 적용하여 예측 출력값을 산출하는 물리모델 모듈과, 상기 예측 출력값과 측정 출력값과의 오차값을 연산하여 상기 기계학습 모델 모듈로 피드백하는 에러 연산부를 포함한 것을 특징으로 한다.A hybrid model learning system for an air conditioning system according to the present invention for achieving the above object is a machine learning model module for predicting an intermediate output value based on a measured input value and a feedback error value, and the measured input value and the intermediate output value to a physical model that simulates a variable refrigerant flow (VRF) air conditioning system to calculate a predicted output value, and a machine learning model module by calculating an error value between the predicted output value and the measured output value. It is characterized in that it includes an error calculation unit that gives feedback.
보다 바람직하게는, 본 발명에 따른 공조 시스템의 하이브리드 모델 학습 시스템은, 상기 물리모델이 상기 가변냉매흐름(VRF) 공조 시스템의 성능곡선 기반 모델(VRF-SysCurve)인 것을 특징으로 한다.More preferably, the hybrid model learning system of an air conditioning system according to the present invention is characterized in that the physical model is a performance curve-based model ( VRF-SysCurve ) of the variable refrigerant flow (VRF) air conditioning system.
또한, 본 발명에 따른 공조 시스템의 하이브리드 모델 학습 방법은, 기계학습 모델 모듈이 측정 입력값을 입력받아 기계학습 모델에 적용하여 중간 출력값을 산출하는 제1단계와, 물리모델 모듈이 상기 측정 입력값과 상기 중간 출력값을 가변냉매흐름(VRF; Variable Refrigerant Flow) 공조 시스템을 모사한 물리모델에 적용하여 예측 출력값을 산출하는 제2단계와, 에러 연산부가 측정 출력값과 상기 예측 출력값과의 오차값을 산출하고 산출된 오차값을 상기 기계학습 모델 모듈로 피드백하는 제3단계와, 상기 기계학습 모델 모듈이 상기 오차값이 감소하도록 상기 기계학습 모델을 훈련하는 제4단계를 포함한 것을 특징으로 한다.In addition, the hybrid model learning method of the air conditioning system according to the present invention includes a first step in which the machine learning model module receives a measured input value and applies it to the machine learning model to calculate an intermediate output value, and the physical model module calculates the measured input value And a second step of calculating a predicted output value by applying the intermediate output value to a physical model that simulates a variable refrigerant flow (VRF) air conditioning system, and an error calculation unit calculating an error value between the measured output value and the predicted output value and a third step of feeding back the calculated error value to the machine learning model module, and a fourth step of training the machine learning model so that the machine learning model module reduces the error value.
보다 바람직하게는, 본 발명에 따른 공조 시스템의 하이브리드 모델 학습 방법은, 상기 물리모델이 상기 가변냉매흐름(VRF) 공조 시스템의 성능곡선 기반 모델(VRF-SysCurve)인 것을 특징으로 한다.More preferably, the hybrid model learning method of an air conditioning system according to the present invention is characterized in that the physical model is a performance curve-based model ( VRF-SysCurve ) of the variable refrigerant flow (VRF) air conditioning system.
또한, 본 발명에 따른 공조 시스템의 하이브리드 모델은, 본 발명에 따른 하이브리드 모델 학습 방법에 의해 훈련된 기계학습 모델에, 측정 입력값을 적용하여 중간 출력값을 산출하는 기계학습 모델 모듈과; 상기 측정 입력값과 상기 중간 출력값을 가변냉매흐름(VRF; Variable Refrigerant Flow) 공조 시스템을 모사한 물리모델에 적용하여 예측 출력값을 산출하는 물리모델 모듈로 구성된 것을 특징으로 한다.In addition, the hybrid model of the air conditioning system according to the present invention includes a machine learning model module for calculating an intermediate output value by applying a measured input value to a machine learning model trained by the hybrid model learning method according to the present invention; Characterized in that it consists of a physical model module that calculates a predicted output value by applying the measured input value and the intermediate output value to a physical model that simulates a variable refrigerant flow (VRF) air conditioning system.
본 발명에 따르면 물리모델과 기계학습 모델을 융합함으로써, 물리모델과 기계학습 모델의 장점들을 극대화하고 단점들을 최소화함으로서, 높은 모델링 정확도를 제공할 뿐만 아니라, 감소된 비용을 제공할 수 있는 잇점이 있다.According to the present invention, by converging the physical model and the machine learning model, by maximizing the advantages of the physical model and the machine learning model and minimizing the disadvantages, there is an advantage of providing high modeling accuracy as well as reduced cost. .
도 1은 일반적인 물리모델을 나타내는 블록도이다.
도 2는 일반적인 기계학습 모델 학습 시스템을 나타내는 블록도이다.
도 3은 본 발명의 하이브리드 모델링 기법으로 모델링하고자 하는 VRF 공조 시스템의 설치 예시도이다.
도 4는 본 발명의 한 실시예에 따른 하이브리드 모델을 나타내는 도면이다.
도 5는 본 발명의 한 실시예에 따른 하이브리드 모델 학습 시스템을 나타내는 블록도이다.
도 6은 본 발명의 한 실시예에 따른 하이브리드 모델 학습 방법을 도시한 기술 흐름도이다.1 is a block diagram showing a general physical model.
2 is a block diagram showing a general machine learning model learning system.
3 is an exemplary installation view of a VRF air conditioning system to be modeled with the hybrid modeling technique of the present invention.
4 is a diagram showing a hybrid model according to an embodiment of the present invention.
5 is a block diagram showing a hybrid model learning system according to an embodiment of the present invention.
6 is a technical flow diagram illustrating a hybrid model learning method according to an embodiment of the present invention.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 본 발명을 명확하게 설명하기 위해 도면에서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. 또한, 도면을 참고하여 설명하면서, 같은 명칭으로 나타낸 구성일지라도 도면에 따라 도면 번호가 달라질 수 있고, 도면 번호는 설명의 편의를 위해 기재된 것에 불과하고 해당 도면 번호에 의해 각 구성의 개념, 특징, 기능 또는 효과가 제한 해석되는 것은 아니다.Hereinafter, embodiments of the present invention will be described in detail so that those skilled in the art can easily practice the present invention with reference to the accompanying drawings. However, the present invention may be embodied in many different forms and is not limited to the embodiments described herein. In order to clearly describe the present invention, parts irrelevant to the description in the drawings are omitted, and similar reference numerals are assigned to similar parts throughout the specification. In addition, while explaining with reference to the drawings, even if the configuration is indicated by the same name, the drawing number may vary depending on the drawing, and the drawing number is only described for convenience of explanation, and the concept, characteristic, function of each component is indicated by the corresponding drawing number. or the effect is not to be construed as limiting.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 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 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Throughout the specification, when a part is said to be "connected" to another part, this includes not only the case where it is "directly connected" but also the case where it is "electrically connected" with another element interposed therebetween. . In addition, when a part is said to "include" a certain component, it means that it may further include other components, not excluding other components unless otherwise stated, and one or more other components. It should be understood that the presence or addition of features, numbers, steps, operations, components, parts, or combinations thereof is not precluded.
본 명세서에 있어서 '부(部)' 또는 '모듈'이란, 하드웨어 또는 소프트웨어에 의해 실현되는 유닛(unit), 양방을 이용하여 실현되는 유닛을 포함하며, 하나의 유닛이 둘 이상의 하드웨어를 이용하여 실현되어도 되고, 둘 이상의 유닛이 하나의 하드웨어에 의해 실현되어도 된다.In this specification, 'unit' or 'module' includes a unit realized by hardware or software, or a unit realized by using both, and one unit is realized by using two or more hardware may be, or two or more units may be realized by one hardware.
도 3은 본 발명의 하이브리드 모델링 기법으로 모델링하고자 하는 VRF 공조 시스템의 설치 예시도이다.3 is an exemplary installation view of a VRF air conditioning system to be modeled with the hybrid modeling technique of the present invention.
일반적으로 가변냉매흐름(VRF; Variable Refrigerant Flow) 공조 시스템은, 실외 공간(310)에 설치된 하나의 실외기(311)와, 실내 공간(320)에 설치된 다수의 실내 장치(321, 322)로 구성된다. 실외기(311)에는 압축기가 설치되며, 냉각 또는 난방 부하에 맞춰 압축기를 통해 방전되는 냉매 유량을 변화시켜서, 냉각 또는 난방 용량을 변경한다. 따라서, 냉매 유량에 따라 압축기의 소비 전력값이 달라지게 된다.In general, a variable refrigerant flow (VRF) air conditioning system is composed of one
VRF 공조 시스템을 모사한 에너지 모델을 통해 VRF 공조 시스템의 에너지 소모량을 예측하고자 하며, 이를 위해 압축기의 전력값을 예측할 수 있어야 한다. 일반적으로 VRF 공조 시스템의 물리모델을 기반으로 압축기의 전력값을 산출하려면, 물리모델로 입력되는 파라미터 값으로서 압축기의 냉매 유량을 알아야 하는데 이 냉매 유량은 정확하게 측정하는 것이 어렵기 때문에 물리모델을 통해 산출된 압축기 전력값의 신뢰성을 보장하기 어렵다.We want to predict the energy consumption of the VRF air conditioning system through an energy model that simulates the VRF air conditioning system, and for this, the power value of the compressor must be predicted. In general, in order to calculate the power value of the compressor based on the physical model of the VRF air conditioning system, the refrigerant flow rate of the compressor must be known as a parameter value input to the physical model. It is difficult to guarantee the reliability of the compressor power value.
본 발명에서는 측정된 온도값을 기반으로 기계학습 모델에서 압축기 냉매 유량을 예측하고, 이 측정된 온도값과 예측된 압축기 냉매 유량을 물리모델에 적용하여 압축기의 전력값을 예측할 수 있도록 하는 하이브리드 모델링 기법을 제안한다.In the present invention, a hybrid modeling technique that predicts the compressor refrigerant flow rate in a machine learning model based on the measured temperature value, and predicts the compressor power value by applying the measured temperature value and the predicted compressor refrigerant flow rate to a physical model. suggests
도 4는 본 발명의 한 실시예에 따른 하이브리드 모델을 나타내는 도면이다.4 is a diagram showing a hybrid model according to an embodiment of the present invention.
본 발명의 VRF 공조 시스템의 하이브리드 모델은, 측정 입력값들(측정 온도값들)로부터 중간 출력값(압축기 냉매 유량값)을 산출하는 기계학습 모델 모듈(41)과, 측정 입력값들(측정 온도값들)과 중간 출력값(압축기 냉매 유량값)을 기반으로 연산하여 예측 출력값(압축기 전력값)을 산출하는 물리모델 모듈(42)로 이루어진다. 이 하이브리드 모델은 VRF 공조 시스템을 모사함으로써, VRF 공조 시스템에서 압축기 전력값을 직접 측정하지 않더라도 측정 온도값들을 기반으로 압축기 전력값을 예측할 수 있다. 기계학습 모델은 후술하는 하이브리드 모델 학습 시스템에 의해 훈련되어진 모델이고, 물리모델은 이 기계학습 모델을 학습하는데 활용된 모델이다.The hybrid model of the VRF air conditioning system of the present invention includes a machine
이러한 본 발명의 하이브리드 모델은 임의의 컴퓨팅 시스템에서 구현될 수 있다. 예를 들면, 하이브리드 모델은 독립형의(stand alone) 컴퓨팅 시스템에서 구현될 수도 있고, 네트워크 등을 통해 상호 통신가능한 분산된(distributed) 컴퓨팅 시스템들에서 구현될 수도 있다. 또한, 하이브리드 모델은 일련의 명령어들을 포함하는 프로그램을 실행하는 프로세서에 의해서 구현된 부분을 포함할 수도 있고, 논리합성(logic synthesis)에 의해서 설계된 로직 하드웨어에 의해서 구현된 부분을 포함할 수도 있다. 본 명세서에서, 프로세서는 프로그램에 포함된 명령어들 및/또는 코드로 표현되는 동작들을 포함하는 미리 정의된 동작들을 실행하기 위하여 물리적으로 구조화된 회로를 포함하는, 하드웨어적으로 구현된(hardware-implemented) 임의의 데이터 처리 장치를 지칭할 수 있다. 예를 들면, 데이터 처리 장치는, 마이크로프로세서, CPU(central processing unit), GPU(graphics processing unit), NPU(neural processing unit), 프로세서 코어, 멀티-코어프로세서, 멀티 프로세서, ASIC(application-specific integrated circuit), ASIP(application-specificinstruction-set processor) 및 FPGA(field programmable gate array)를 포함할 수 있다.This hybrid model of the present invention can be implemented in any computing system. For example, the hybrid model may be implemented in a stand alone computing system, or may be implemented in distributed computing systems capable of communicating with each other through a network or the like. Also, the hybrid model may include a part implemented by a processor executing a program including a series of instructions, or may include a part implemented by logic hardware designed through logic synthesis. In this specification, a processor is a hardware-implemented, including physically structured circuitry to execute predefined operations including operations expressed in instructions and/or codes included in programs. It may refer to any data processing device. For example, the data processing apparatus includes a microprocessor, a central processing unit (CPU), a graphics processing unit (GPU), a neural processing unit (NPU), a processor core, a multi-core processor, a multi-processor, an application-specific integrated integrated circuit (ASIC), circuit), an application-specific instruction-set processor (ASIP), and a field programmable gate array (FPGA).
본 발명의 하이브리드 모델이 VRF 공조 시스템을 정확하게 모사하기 위해서는 기계학습 모델을 훈련해야 한다.In order for the hybrid model of the present invention to accurately simulate the VRF air conditioning system, the machine learning model must be trained.
이를 위해 VRF 공조 시스템에서, 다수의 온도값들(실내 공간의 복수의 지점에서 측정한 온도값들, 압축기의 입구에서의 냉매 온도값, 압축기 출구에서의 냉매 온도값) 및 압축기 전력값을 측정하고, 측정된 데이터를 기반으로 본 발명의 하이브리드 모델을 훈련한다.To this end, in the VRF air conditioning system, a plurality of temperature values (temperature values measured at a plurality of points in the indoor space, refrigerant temperature value at the inlet of the compressor, refrigerant temperature value at the compressor outlet) and compressor power value are measured, , train the hybrid model of the present invention based on the measured data.
도 5는 본 발명의 한 실시예에 따른 하이브리드 모델 학습 시스템을 나타내는 도면이다.5 is a diagram showing a hybrid model learning system according to an embodiment of the present invention.
본 발명에 따른 하이브리드 모델 학습 시스템은, 측정 입력값(51)과 피드백된 오차값(58)을 기계학습 모델에 적용하여 중간 출력값(54)을 예측하는 기계학습 모델 모듈(53)과, 상기 측정 입력값(51)과 상기 중간 출력값(54)을 물리모델에 적용하여 예측 출력값(56)을 산출하는 물리모델 모듈(55)과, 상기 예측 출력값(56)과 측정 출력값(52)과의 오차값(Error)(58)을 연산하여 상기 기계학습 모델 모듈(53)로 피드백하는 에러 연산부(57)를 포함한다.The hybrid model learning system according to the present invention includes a machine
상기 기계학습 모델은 다변량 회귀 분석(multivariate regression), 신경망(neural network), 결정 트리(decision tree), 자동회귀이동평균(ARIMA; autoregressive integrated moving average), 서포트벡터회귀(SVR; support vector regression), 랜덤 포레스트(random forest), 가우시안 혼합 회귀(Gaussian Mixture Regression), MARS(multivariate adaptive regression splines), KNN(k-nearest neighbors), 가우시안 프로세스(Gaussian process), 베이지안 신경망(BNN; Bayesian Neural Network) 중 어느 하나의 기법으로 구현될 수 있다.The machine learning model includes multivariate regression, neural network, decision tree, autoregressive integrated moving average (ARIMA), support vector regression (SVR), Random forest, Gaussian mixture regression, multivariate adaptive regression splines (MARS), k-nearest neighbors (KNN), Gaussian process, or Bayesian Neural Network (BNN) It can be implemented in one technique.
상기 물리모델은 EnergyPlus, eQUEST, DOE-2.1E, Trace, IES-VE 등과 같은 다수의 건물 에너지 시뮬레이션 프로그램을 사용할 수 있다. 또한, 모델링 대상 VRF 공조 시스템의 제조사에서 제공하는 성능 곡선을 활용한 성능곡선 기반 모델(VRF - SysCurve)일 수 있다. 이 성능곡선 기반 모델은 곡선을 사용하여 VRF 공조 시스템의 성능을 설명한다.The physical model may use a number of building energy simulation programs such as EnergyPlus, eQUEST, DOE-2.1E, Trace, and IES-VE. In addition, it may be a performance curve-based model ( VRF - SysCurve ) using a performance curve provided by a manufacturer of a VRF air conditioning system to be modeled. This performance curve-based model uses curves to describe the performance of VRF air conditioning systems.
상기 측정 입력값에는 실외 공기 설정 온도값, 실내 공기 설정 온도값, 실외 공기 온도값, 적어도 하나 이상의 실내 공기 온도값, 평균 실내 공기 온도값, 압축기 입구에서의 냉매 온도값, 압축기 출구에서의 냉매 온도값 중 하나 이상이 포함된다.The measured input values include an outdoor air set temperature value, an indoor air set temperature value, an outdoor air temperature value, at least one indoor air temperature value, an average indoor air temperature value, a refrigerant temperature value at the compressor inlet, and a refrigerant temperature at the compressor outlet. One or more of the values are included.
상기 중간 출력값은 압축기를 통해 방전되는 냉매 유량값이고, 상기 측정 출력값은 압축기 전력값이다.The intermediate output value is a flow rate value of refrigerant discharged through the compressor, and the measured output value is a compressor power value.
상기 기계학습 모델은 베이지안 신경망으로 구현되고, 실내 공기 설정 온도값, 실내 공기 설정 온도값과 평균 실내 공기 온도값과의 차이값, 실외 공기 온도값, 평균 실내 공기 온도값, 압축기 입구에서의 냉매 온도값과 압축기 출구에서의 냉매 온도값과의 차이값을 기반으로 압축기를 통해 방전되는 냉매 유량값을 예측한다.The machine learning model is implemented as a Bayesian neural network, and the indoor air set temperature value, the difference between the indoor air set temperature value and the average indoor air temperature value, the outdoor air temperature value, the average indoor air temperature value, and the refrigerant temperature at the compressor inlet Based on the difference between the value and the refrigerant temperature at the compressor outlet, the refrigerant flow rate value discharged through the compressor is predicted.
상기 물리모델은 성능곡선 기반 모델(VRF-SysCurve)로서, 상기 측정 입력값들과 기계학습 모델에서 예측된 냉매 유량값을 기반으로 압축기 전력값을 계산하여 산출한다.The physical model is a performance curve-based model ( VRF-SysCurve ), and the compressor power value is calculated based on the measured input values and the refrigerant flow rate value predicted by the machine learning model.
물리모델은 아래의 수식과 같이 표현될 수 있다.The physical model can be expressed as the following equation.
여기서, CAPFTHP,Cooling은 VRF 공조 시스템의 용량 성능 곡선이다. a~f는 제조사에 의해 주어지는 계수들이고, Tc는 실외 공기 온도값, TI,wb와 Twb,avg는 평균 실내 공기 온도값이다. PLR(Part-load ratio)은 압축기 출구에서의 냉매 온도값과 압축기 입구에서의 냉매 온도값과의 차이값과, 기계학습 모델에서 산출된 냉매 유량값과, 정격 냉각 용량을 기반으로 산출되는 값이다. CoolingPower는 히트펌프 콘덴서가 소비하는 총 전력값이고, Qcooling,total,rated는 정격 히트 펌프 총 냉각 용량이고, COPcooling,reference는 정격 성능 계수이다.Here, CAPFT HP, Cooling is the capacity performance curve of the VRF air conditioning system. a~f are the coefficients given by the manufacturer, Tc is the outdoor air temperature value, and T I,wb and T wb,avg are the average indoor air temperature values. PLR (Part-load ratio) is a value calculated based on the difference between the refrigerant temperature value at the compressor outlet and the refrigerant temperature value at the compressor inlet, the refrigerant flow rate value calculated from the machine learning model, and the rated cooling capacity. . CoolingPower is the total power consumed by the heat pump condenser, Q cooling,total,rated is the rated total cooling capacity of the heat pump, and COP cooling,reference is the rated performance coefficient.
본 발명의 하이브리드 모델 학습 시스템은, 복수의 학습 데이터를 기반으로 기계학습 모델 모듈과 물리모델 모듈과 에러 연산부를 반복 구동하여 기계학습 모델을 훈련한다.The hybrid model learning system of the present invention trains a machine learning model by repeatedly driving a machine learning model module, a physical model module, and an error calculation unit based on a plurality of learning data.
VRF 공조 시스템 물리모델의 연산을 위해 요구되는 입력 데이터 중 계측이 가능한 데이터는 기계학습 모듈과 물리모듈에 모두 활용한다. 그러나, VRF 공조 시스템 물리모델의 연산에 필요하나, 계측할 수 없는 파라미터는 기계학습 모듈에서 예측하여 얻는다. 기계학습 모듈에서 예측한 파라미터와 계측한 데이터를 기반으로 VRF 공조 시스템 물리모델을 연산하고, 연산된 출력값과 실제 측정된 출력값을 비교하여 그 오차가 최소화되도록 기계학습 모듈을 훈련한다.Among the input data required for the calculation of the VRF air conditioning system physical model, measurable data is used in both the machine learning module and the physical module. However, parameters that are necessary for the calculation of the VRF air conditioning system physical model but cannot be measured are predicted and obtained from the machine learning module. The VRF air conditioning system physical model is calculated based on the parameters predicted by the machine learning module and the measured data, and the machine learning module is trained to minimize the error by comparing the calculated output value with the actually measured output value.
도 6은 본 발명의 한 실시예에 따른 공조 시스템의 하이브리드 모델 학습 방법을 도시한 동작 흐름도이다.6 is an operational flowchart illustrating a method for learning a hybrid model of an air conditioning system according to an embodiment of the present invention.
기계학습 모델 모듈(53)이 측정 입력값을 입력받아 기계학습 모델에 적용하여(S61), 중간 출력값을 산출한다(S62).The machine
물리모델 모듈(55)이 측정 입력값과 중간 출력값을 물리모델에 적용하여(S63), 예측 출력값을 산출한다(S64).The
에러 연산부(57)가 측정 출력값과 예측 출력값과의 오차값을 산출하고(S65), 산출된 오차값을 기계학습 모델 모듈로 피드백한다(S66).The
기계학습 모델 모듈(53)이 오차값이 감소하도록 기계학습 모델을 훈련한다(S67).The machine
상기 물리모델은 상기 가변냉매흐름(VRF) 공조 시스템의 성능곡선 기반 모델(VRF-SysCurve)이다.The physical model is a performance curve-based model ( VRF-SysCurve ) of the variable refrigerant flow (VRF) air conditioning system.
상기 기계학습 모델은 다변량 회귀 분석(multivariate regression), 신경망(neural network), 결정 트리(decision tree), 자동회귀이동평균(ARIMA; autoregressive integrated moving average), 서포트벡터회귀(SVR; support vector regression), 랜덤 포레스트(random forest), 가우시안 혼합 회귀(Gaussian Mixture Regression), MARS(multivariate adaptive regression splines), KNN(k-nearest neighbors), 가우시안 프로세스(Gaussian process), 베이지안 신경망(BNN; Bayesian Neural Network) 중 어느 하나의 기법으로 구현될 수 있다.The machine learning model includes multivariate regression, neural network, decision tree, autoregressive integrated moving average (ARIMA), support vector regression (SVR), Random forest, Gaussian mixture regression, multivariate adaptive regression splines (MARS), k-nearest neighbors (KNN), Gaussian process, or Bayesian Neural Network (BNN) It can be implemented in one technique.
상기 측정 입력값은 실외 공기 설정 온도값, 실내 공기 설정 온도값, 실외 공기 온도값, 평균 실내 공기 온도값, 압축기 입구에서의 냉매 온도값, 압축기 출구에서의 냉매 온도값 중 하나 이상이 포함된다.The measured input value includes one or more of a set outdoor air temperature value, a set indoor air temperature value, an outdoor air temperature value, an average indoor air temperature value, a refrigerant temperature value at a compressor inlet, and a refrigerant temperature value at a compressor outlet.
상기 중간 출력값은 압축기를 통해 방전되는 냉매 유량값이고, 상기 측정 출력값은 압축기 전력값이다.The intermediate output value is a flow rate value of refrigerant discharged through the compressor, and the measured output value is a compressor power value.
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 실시예들은 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.The above description of the present invention is for illustrative purposes, and those skilled in the art can understand that it can be easily modified into other specific forms without changing the technical spirit or essential features of the present invention. will be. Therefore, the embodiments described above should be understood as illustrative in all respects and not limiting. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as distributed may be implemented in a combined form.
본 발명의 범위는 상기 상세한 설명보다는 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.The scope of the present invention is indicated by the following claims rather than the detailed description above, and all changes or modifications derived from the meaning and scope of the claims and equivalent concepts should be construed as being included in the scope of the present invention. do.
41, 53 : 기계학습 모델 모듈 42, 55 : 물리모델 모듈
57 : 에러 연산부41, 53: machine
57: error calculation unit
Claims (13)
상기 측정 입력값과 상기 중간 출력값을 가변냉매흐름(VRF; Variable Refrigerant Flow) 공조 시스템을 모사한 물리모델에 적용하여 예측 출력값을 산출하는 물리모델 모듈과,
상기 예측 출력값과 측정 출력값과의 오차값을 연산하여 상기 기계학습 모델 모듈로 피드백하는 에러 연산부를 포함한 것을 특징으로 하는 공조 시스템의 하이브리드 모델 학습 시스템.A machine learning model module that predicts an intermediate output value based on the measured input value and the feedback error value;
A physical model module for calculating a predicted output value by applying the measured input value and the intermediate output value to a physical model that simulates a variable refrigerant flow (VRF) air conditioning system;
The hybrid model learning system for an air conditioning system comprising an error calculation unit for calculating an error value between the predicted output value and the measured output value and feeding it back to the machine learning model module.
상기 중간 출력값은 압축기를 통해 방전되는 냉매 유량값인 것을 특징으로 하는 공조 시스템의 하이브리드 모델 학습 시스템.According to claim 2,
The intermediate output value is a hybrid model learning system of an air conditioning system, characterized in that the flow rate value of the refrigerant discharged through the compressor.
상기 측정 출력값은 압축기 전력값인 것을 특징으로 하는 공조 시스템의 하이브리드 모델 학습 시스템.According to claim 2,
The hybrid model learning system of the air conditioning system, characterized in that the measured output value is a compressor power value.
물리모델 모듈이 상기 측정 입력값과 상기 중간 출력값을 가변냉매흐름(VRF; Variable Refrigerant Flow) 공조 시스템을 모사한 물리모델에 적용하여 예측 출력값을 산출하는 제2단계와,
에러 연산부가 측정 출력값과 상기 예측 출력값과의 오차값을 산출하고 산출된 오차값을 상기 기계학습 모델 모듈로 피드백하는 제3단계와,
상기 기계학습 모델 모듈이 상기 오차값이 감소하도록 상기 기계학습 모델을 훈련하는 제4단계를 포함한 것을 특징으로 하는 공조 시스템의 하이브리드 모델 학습 방법.A first step in which the machine learning model module receives the measured input value and applies it to the machine learning model to calculate an intermediate output value;
A second step in which a physical model module calculates a predicted output value by applying the measured input value and the intermediate output value to a physical model that simulates a variable refrigerant flow (VRF) air conditioning system;
A third step of calculating an error value between the measured output value and the predicted output value by an error operator and feeding back the calculated error value to the machine learning model module;
A hybrid model learning method for an air conditioning system, characterized in that it comprises a fourth step of training the machine learning model so that the machine learning model module reduces the error value.
상기 중간 출력값은 압축기를 통해 방전되는 냉매 유량값인 것을 특징으로 하는 공조 시스템의 하이브리드 모델 학습 방법.According to claim 8,
The intermediate output value is a hybrid model learning method of an air conditioning system, characterized in that the flow rate value of the refrigerant discharged through the compressor.
상기 측정 출력값은 압축기 전력값인 것을 특징으로 하는 공조 시스템의 하이브리드 모델 학습 방법.According to claim 8,
The hybrid model learning method of the air conditioning system, characterized in that the measured output value is a compressor power value.
상기 측정 입력값과 상기 중간 출력값을 가변냉매흐름(VRF; Variable Refrigerant Flow) 공조 시스템을 모사한 물리모델에 적용하여 예측 출력값을 산출하는 물리모델 모듈로 구성된 것을 특징으로 하는 공조 시스템의 하이브리드 모델.
A machine learning model module for calculating an intermediate output value by applying the measured input value to the machine learning model trained by the hybrid model learning method of any one of claims 7 to 12;
A hybrid model of an air conditioning system, characterized in that composed of a physical model module that calculates a predicted output value by applying the measured input value and the intermediate output value to a physical model that simulates a variable refrigerant flow (VRF) air conditioning system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210093661A KR102695713B1 (en) | 2021-07-16 | 2021-07-16 | System and Method for Learning Hybrid Model of HVAC system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210093661A KR102695713B1 (en) | 2021-07-16 | 2021-07-16 | System and Method for Learning Hybrid Model of HVAC system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230012869A true KR20230012869A (en) | 2023-01-26 |
| KR102695713B1 KR102695713B1 (en) | 2024-08-16 |
Family
ID=85110723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210093661A KR102695713B1 (en) | 2021-07-16 | 2021-07-16 | System and Method for Learning Hybrid Model of HVAC system |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102695713B1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101754536B1 (en) * | 2016-07-21 | 2017-07-07 | 성균관대학교산학협력단 | Method and apparatus for optimum control of refrigerator using building energy management system |
| KR20200017604A (en) | 2018-08-02 | 2020-02-19 | 한국에너지기술연구원 | Energy performance prediction method and energy operation management system by using optimized physical learning model and machine learning methods |
| KR20210023641A (en) | 2019-08-23 | 2021-03-04 | 삼성전자주식회사 | Method and system for hybrid model including machine learning model and rule based model |
-
2021
- 2021-07-16 KR KR1020210093661A patent/KR102695713B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101754536B1 (en) * | 2016-07-21 | 2017-07-07 | 성균관대학교산학협력단 | Method and apparatus for optimum control of refrigerator using building energy management system |
| KR20200017604A (en) | 2018-08-02 | 2020-02-19 | 한국에너지기술연구원 | Energy performance prediction method and energy operation management system by using optimized physical learning model and machine learning methods |
| KR20210023641A (en) | 2019-08-23 | 2021-03-04 | 삼성전자주식회사 | Method and system for hybrid model including machine learning model and rule based model |
Non-Patent Citations (2)
| Title |
|---|
| Fanhe Ma et al., Motonic neural network : combining deep learning with domain knowledge for chiller plants energy optimization, ICLR 2021 Conference Blind Submission, 2020.09.29.* * |
| 박성호, 하이브리드 기계학습 모델 기반건물 설비 시스템 최적 제어, 성균관대학교 학위논문, 2019* * |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102695713B1 (en) | 2024-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Afroz et al. | Modeling techniques used in building HVAC control systems: A review | |
| US11416739B2 (en) | Optimization control technology for building energy conservation | |
| Mawson et al. | Deep learning techniques for energy forecasting and condition monitoring in the manufacturing sector | |
| Wang et al. | Online model-based fault detection and diagnosis strategy for VAV air handling units | |
| US11573540B2 (en) | Methods and systems for training HVAC control using surrogate model | |
| US9429921B2 (en) | Method and system for energy control management | |
| US11042924B2 (en) | Building controller for optimizing equipment upgrades with design of experiments | |
| US11085663B2 (en) | Building management system with triggered feedback set-point signal for persistent excitation | |
| US20050192680A1 (en) | System and method for optimizing global set points in a building environmental management system | |
| US11859847B2 (en) | Methods and systems for training building control using simulated and real experience data | |
| Yiu et al. | Multiple ARMAX modeling scheme for forecasting air conditioning system performance | |
| US11795973B2 (en) | Deep learning-based cooling system temperature prediction apparatus according to physical causality and method therefor | |
| Zhai et al. | Balancing indoor thermal comfort and energy consumption of ACMV systems via sparse swarm algorithms in optimizations | |
| US20210034021A1 (en) | Method for optimized operation of a fan or a fan assembly | |
| US20210190349A1 (en) | Building control system with zone grouping based on predictive models | |
| US11762349B2 (en) | Control system for building equipment with equipment model adaptation | |
| Zimmermann et al. | Automatic HVAC fault detection and diagnosis system generation based on heat flow models | |
| Chintala et al. | Automated multi-zone linear parametric black box modeling approach for building HVAC systems | |
| Kim et al. | Real-time predictive control of HVAC systems for factory building using lightweight data-driven model | |
| KR102695713B1 (en) | System and Method for Learning Hybrid Model of HVAC system | |
| Eiraudo et al. | Neural network-based energy signatures for non-intrusive energy audit of buildings: Methodological approach and a real-world application | |
| KR102719111B1 (en) | Deep learning based cooling system temperature prediction apparatus according to physical causality and method therefor | |
| KR102598352B1 (en) | Pmv estimation model generation system and method | |
| Zhang | A Reinforcement Learning Approach for Whole Building Energy Model Assisted HVAC Supervisory Control | |
| Overgaard | Reinforcement Learning for Building Heating via Mixing Loops |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X601 | Decision of rejection after re-examination | ||
| J201 | Request for trial against refusal decision | ||
| J301 | Trial decision |
Free format text: TRIAL NUMBER: 2024101000940; TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20240430 Effective date: 20240708 |
|
| S901 | Examination by remand of revocation | ||
| GRNO | Decision to grant (after opposition) | ||
| GRNT | Written decision to grant |