KR20240068387A - System and method for predicting and controlling cascade setting temperature of boiler according to day off holiday information - Google Patents

System and method for predicting and controlling cascade setting temperature of boiler according to day off holiday information Download PDF

Info

Publication number
KR20240068387A
KR20240068387A KR1020220149779A KR20220149779A KR20240068387A KR 20240068387 A KR20240068387 A KR 20240068387A KR 1020220149779 A KR1020220149779 A KR 1020220149779A KR 20220149779 A KR20220149779 A KR 20220149779A KR 20240068387 A KR20240068387 A KR 20240068387A
Authority
KR
South Korea
Prior art keywords
data
gas consumption
daily
set temperature
cascade
Prior art date
Application number
KR1020220149779A
Other languages
Korean (ko)
Inventor
장수일
이상문
권기출
문창현
김신호
정경남
이헌재
Original Assignee
린나이코리아 주식회사
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 린나이코리아 주식회사 filed Critical 린나이코리아 주식회사
Priority to KR1020220149779A priority Critical patent/KR20240068387A/en
Publication of KR20240068387A publication Critical patent/KR20240068387A/en

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
    • F24H15/00—Control of fluid heaters
    • F24H15/10—Control of fluid heaters characterised by the purpose of the control
    • F24H15/156—Reducing the quantity of energy consumed; Increasing efficiency
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
    • F24H15/00—Control of fluid heaters
    • F24H15/10—Control of fluid heaters characterised by the purpose of the control
    • F24H15/176—Improving or maintaining comfort of users
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
    • F24H15/00—Control of fluid heaters
    • F24H15/20—Control of fluid heaters characterised by control inputs
    • F24H15/212—Temperature of the water
    • F24H15/219—Temperature of the water after heating
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
    • F24H15/00—Control of fluid heaters
    • F24H15/20—Control of fluid heaters characterised by control inputs
    • F24H15/238—Flow rate
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
    • F24H15/00—Control of fluid heaters
    • F24H15/20—Control of fluid heaters characterised by control inputs
    • F24H15/258—Outdoor temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
    • F24H15/00—Control of fluid heaters
    • F24H15/20—Control of fluid heaters characterised by control inputs
    • F24H15/262—Weather information or forecast
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
    • F24H9/00—Details
    • F24H9/18—Arrangement or mounting of grates or heating means
    • F24H9/1809—Arrangement or mounting of grates or heating means for water heaters
    • F24H9/1832—Arrangement or mounting of combustion heating means, e.g. grates or burners
    • F24H9/1836—Arrangement or mounting of combustion heating means, e.g. grates or burners using fluid fuel
    • 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)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Thermal Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Environmental Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어시스템에 관한 것으로, 보일러의 캐스케이드 그룹별 특정 기간의 제1 휴무일에 대한 일간 가스 소비량 데이터와 보일러의 캐스케이드가 설치된 지역의 특정 기간의 제1 휴무일에 대한 일간 기상 데이터를 수집하고, 일간 가스 소비량 데이터와 일간 기상 데이터를 연결시켜 데이터 세트(data set)를 생성하며, 데이터 세트를 바탕으로 학습인자와 예측인자를 구분한 후, 시계열 딥러닝 모델을 훈련하여 가스 소비량 예측 딥러닝 모델을 생성하며, 제1 휴무일 이후의 제2 휴무일의 기상 데이터를 수집하며, 가스 소비량 예측 딥러닝 모델에 제2 휴무일의 기상 데이터를 입력한 후 딥러닝을 수행하여 제2 휴무일의 가스 소비량을 예측하며, 제2 휴무일의 가스 소비량에 대응되는 최적의 설정온도를 산출하는 서버; 서버에 최적의 설정온도 산출을 요구하고, 최적의 설정온도를 서버로부터 수신하는 제어부; 및 제어부로부터 최적의 설정온도를 수신하여 보일러의 캐스케이드를 최적의 설정온도로 제어하는 캐스케이드 제어기를 포함한다.The present invention relates to a predictive control system for boiler cascade set temperature according to holiday information, which includes daily gas consumption data for the first non-working day of a specific period for each boiler cascade group and the first non-working day of a specific period in the area where the boiler cascade is installed. Collect daily weather data, create a data set by connecting daily gas consumption data and daily weather data, distinguish learning factors and predictors based on the data set, and then run a time series deep learning model. Create a gas consumption prediction deep learning model by training, collect weather data for the second non-working day after the first non-working day, input the weather data for the second non-working day into the gas consumption prediction deep learning model, and then perform deep learning to A server that predicts gas consumption on two non-working days and calculates the optimal set temperature corresponding to the gas consumption on the second non-working day; A control unit that requests the server to calculate the optimal set temperature and receives the optimal set temperature from the server; and a cascade controller that receives the optimal set temperature from the control unit and controls the cascade of boilers to the optimal set temperature.

Description

휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어시스템 및 그 예측제어방법{SYSTEM AND METHOD FOR PREDICTING AND CONTROLLING CASCADE SETTING TEMPERATURE OF BOILER ACCORDING TO DAY OFF HOLIDAY INFORMATION}Boiler cascade temperature prediction and control system according to holiday information and its prediction control method {SYSTEM AND METHOD FOR PREDICTING AND CONTROLLING CASCADE SETTING TEMPERATURE OF BOILER ACCORDING TO DAY OFF HOLIDAY INFORMATION}

본 발명은 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어시스템 및 그 예측제어방법에 관한 것으로, 특히 보일러의 캐스케이드 그룹별 특정 기간의 휴무일에 대한 일간 가스 소비량 데이터와 보일러의 캐스케이드가 설치된 지역의 특정 기간의 휴무일에 대한 일간 기상 데이터를 수집하여 캐스케이드를 최적의 설정온도로 제어하는, 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어시스템 및 그 예측제어방법에 관한 것이다.The present invention relates to a predictive control system for boiler cascade set temperature according to non-working information and a predictive control method thereof. In particular, the present invention relates to daily gas consumption data for non-working days of a specific period for each boiler cascade group and a specific period in the area where the boiler cascade is installed. This relates to a boiler cascade set temperature prediction control system and its predictive control method according to the holiday information, which collects daily weather data for the days off and controls the cascade to the optimal set temperature.

오늘날 전력 소비량이 급격하게 증가함에 따라 전력 수급에 대한 문제점이 여러 방면에서 제기되고 있다. 상기의 문제점을 해결하고자 건물에서 사용되고 있는 전력을 효율적으로 관리할 수 있는 건물 에너지 관리 시스템이 지속적으로 연구되고 있는 추세이다.Today, as power consumption increases rapidly, problems with power supply and demand are being raised in many ways. In order to solve the above problems, building energy management systems that can efficiently manage the power used in buildings are being continuously researched.

일반적으로, 난방 설비, 예를 들어 보일러(boiler)는 바닥에 설치된 난방 배관 등에 더운물을 공급하기 위하여 물을 끓이는 시설을 말한다. 주택용 보일러의 경우 가스 등의 연료를 내부에서 연소시키고, 연소에 의해 발생된 연소열을 이용하여 난방수를 가열한 후, 가열된 난방수를 실내의 바닥 등에 설치된 배관으로 순환시켜 실내를 난방하거나, 가열된 난방수를 이용하여 온수를 공급한다.In general, a heating facility, for example a boiler, refers to a facility that boils water to supply hot water to heating pipes installed on the floor. In the case of a residential boiler, fuel such as gas is burned internally, heating water is heated using the combustion heat generated by combustion, and then the heated water is circulated through pipes installed on the floor of the room to heat the room. Hot water is supplied using heated heating water.

최근에는, 상기와 같은 보일러를 사용함에 있어, 사용상의 편의성을 향상시키기 위한 구성들이 포함되고 있다. 그 중의 하나로는 사용자가 실내에서 보일러의 설정온도를 조절할 수 있는 리모콘이 있으며, 그 외에도 실내온도와 설정온도를 비교하여 실내로 공급되는 난방수의 온도를 조절하는 기능 등을 포함하고 있다.Recently, when using the above boiler, configurations to improve convenience of use have been included. One of them is a remote control that allows the user to adjust the set temperature of the boiler indoors, and it also includes a function to adjust the temperature of the heating water supplied indoors by comparing the indoor temperature and the set temperature.

즉, 실내에 설치된 온도센서(주로 리모콘의 일측에 설치)에 의해 검지되는 실내온도와 사용자에 의해 설정되는 설정온도를 비교하여, 실내온도가 설정온도보다 높거나 같을 경우에는, 난방수를 가열하지 않거나 낮은 열량으로 가열한 상태(소화모드)로 난방배관을 통해 순환시키게 되며, 실내온도가 설정온도보다 낮을 경우에는 난방수를 높은 열량으로 가열(연소모드)한 후, 난방배관을 통해 순환시켜 실내의 온도를 높인다.In other words, by comparing the indoor temperature detected by the temperature sensor installed indoors (usually installed on one side of the remote control) with the set temperature set by the user, if the indoor temperature is higher than or equal to the set temperature, the heating water is not heated. If the indoor temperature is lower than the set temperature, the heating water is heated with a high amount of heat (combustion mode) and then circulated through the heating pipes to create an indoor environment. Raise the temperature.

최근 들어, 현재 실내온도 및 난방설비의 운영상태를 기반으로 설정시간 경과 후의 실내온도를 예측하고, 예측한 실내온도로 난방설비의 동작을 제어하기 위한 연구를 진행하고 있다. 아래의 도 1에서 종래의 보일러 캐스케이드 설정온도 제어시스템에 대해 간략히 살펴보기로 한다.Recently, research is being conducted to predict the indoor temperature after a set time based on the current indoor temperature and operating status of heating equipment and to control the operation of heating equipment with the predicted indoor temperature. In Figure 1 below, we will briefly look at the conventional boiler cascade set temperature control system.

도 1은 종래의 보일러의 캐스케이드 설정온도 제어시스템의 블록도이다.Figure 1 is a block diagram of a cascade set temperature control system of a conventional boiler.

도 1을 참조하면, 보일러 캐스케이드 설정온도 제어시스템은, 제어부(10)와 캐스케이드 제어기(20)를 포함할 수 있다.Referring to FIG. 1, the boiler cascade set temperature control system may include a control unit 10 and a cascade controller 20.

제어용 PC 프로그램으로 구현되는 제어부(10)는 사용자의 조작 등에 따라 온도가 설정되고, 제어부(10)가 설정온도를 캐스케이드 제어기(20)에 송신하면, 캐스케이드 제어기(20)는 설정온도를 수신하여 보일러의 캐스케이드를 설정온도로 제어한다. 즉, 종래에는 사용자의 수동조작에 의해 설정온도로 캐스케이드를 제어할 수밖에 없었다.The control unit 10, implemented as a control PC program, sets the temperature according to the user's operation, etc., and when the control unit 10 transmits the set temperature to the cascade controller 20, the cascade controller 20 receives the set temperature and operates the boiler. The cascade is controlled to the set temperature. That is, conventionally, there was no choice but to control the cascade to a set temperature through manual operation by the user.

이와 같이, 종래의 캐스케이드는 사용자가 원하는 설정온도에 맞추어 캐스케이드 그룹에 연동된 개별 캐스케이드의 로테이션 제어를 통해 설정온도에 도달할 때까지 효율적인 연소제어를 실시하지만, 사용자의 개별적인 설정온도 조절이 없는 한 설정온도를 지속적으로 유지하기 때문에 일간 가스 소비량이 적게 요구되는 시점에도 동일한 설정온도를 유지하여 상대적으로 가스 에너지 효율측면에서는 개선의 여지가 없었던 문제점이 있다.In this way, the conventional cascade performs efficient combustion control until the set temperature is reached through rotation control of individual cascades linked to the cascade group according to the user's desired set temperature. However, unless the user adjusts the set temperature individually, the cascade performs efficient combustion control. Because the temperature is continuously maintained, the same set temperature is maintained even at a time when daily gas consumption is required to be low, so there is a problem in that there is relatively no room for improvement in gas energy efficiency.

국내 공개특허공보 제10-2022-0014311호Domestic Patent Publication No. 10-2022-0014311

본 발명은 상기와 같은 종래기술의 문제점을 해결하기 위하여 창안된 것으로, 본 발명의 일 목적은, 캐스케이드가 설치된 지역별로 상이한 휴무일의 특정 기간에 따른 일간 가스 소비량 데이터를 수집하여 이전의 휴무일에 설정된 일간 가스 소비량 데이터에 최적의 설정온도를 산출함으로써 가스 에너지 효율을 극대화할 수 있는데 있다.The present invention was created to solve the problems of the prior art as described above, and one purpose of the present invention is to collect daily gas consumption data according to a specific period of different non-working days for each region where the cascade is installed, Gas energy efficiency can be maximized by calculating the optimal set temperature based on gas consumption data.

본 발명의 다른 목적은, 일간 가스 소비량 데이터와 일간 기상 데이터를 정규화하여 원활한 ＡＩ모델(Artificial Intelligence Model) 학습이 가능하도록 하는데 있다.Another purpose of the present invention is to enable smooth AI model (Artificial Intelligence Model) learning by normalizing daily gas consumption data and daily weather data.

상기 목적들은, 본 발명에 따르면, 보일러의 캐스케이드 그룹별 특정 기간의 제1 휴무일에 대한 일간 가스 소비량 데이터와 보일러의 캐스케이드가 설치된 지역의 특정 기간의 상기 제1 휴무일에 대한 일간 기상 데이터를 수집하고, 상기 일간 가스 소비량 데이터와 상기 일간 기상 데이터를 연결시켜 데이터 세트(data set)를 생성하며, 상기 데이터 세트를 바탕으로 학습인자와 예측인자를 구분한 후, 시계열 딥러닝 모델을 훈련하여 가스 소비량 예측 딥러닝 모델을 생성하며, 상기 제1 휴무일 이후의 제2 휴무일의 기상 데이터를 수집하며, 상기 가스 소비량 예측 딥러닝 모델에 상기 제2 휴무일의 기상 데이터를 입력한 후 딥러닝을 수행하여 상기 제2 휴무일의 가스 소비량을 예측하며, 상기 제2 휴무일의 가스 소비량에 대응되는 최적의 설정온도를 산출하는 서버; 상기 서버에 최적의 설정온도 산출을 요구하고, 상기 최적의 설정온도를 상기 서버로부터 수신하는 제어부; 및 상기 제어부로부터 최적의 설정온도를 수신하여 보일러의 캐스케이드를 최적의 설정온도로 제어하는 캐스케이드 제어기를 포함하는 것을 특징으로 하는 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어시스템에 의해 달성된다.The above objectives are, according to the present invention, collecting daily gas consumption data for the first non-working day of a specific period for each cascade group of boilers and daily meteorological data for the first non-working day of a specific period in the area where the cascade of boilers is installed, A data set is created by connecting the daily gas consumption data and the daily weather data, and after distinguishing learning factors and predictors based on the data set, a time series deep learning model is trained to predict gas consumption. Create a learning model, collect weather data of the second non-working day after the first non-working day, input the weather data of the second non-working day into the gas consumption prediction deep learning model, and then perform deep learning to determine the second non-working day. a server that predicts gas consumption and calculates an optimal set temperature corresponding to gas consumption on the second non-working day; a control unit that requests the server to calculate an optimal set temperature and receives the optimal set temperature from the server; and a cascade controller that receives the optimal set temperature from the control unit and controls the cascade of boilers to the optimal set temperature. This is achieved by a prediction control system for the boiler cascade set temperature according to holiday information.

또한, 본 발명의 실시예에 따르면, 상기 학습인자는 기상 데이터와 요일 특수정보이고, 상기 예측인자는 가스 소비량 데이터이다.Additionally, according to an embodiment of the present invention, the learning factors are weather data and day-of-the-week special information, and the predictors are gas consumption data.

또한, 본 발명의 실시예에 따르면, 상기 기상 데이터는 평균기온, 일 강수량, 평균풍속, 평균상대습도 및 합계 일사량 중 적어도 하나이고, 상기 요일 특수정보는 휴일 여부이다.Additionally, according to an embodiment of the present invention, the weather data is at least one of average temperature, daily precipitation, average wind speed, average relative humidity, and total solar radiation, and the special information for the day of the week is whether or not it is a holiday.

또한, 본 발명의 실시예에 따르면, 상기 서버는 상기 데이터 세트의 학습을 위해 상기 일간 가스 소비량 데이터와 상기 일간 기상 데이터를 정규화한다.Additionally, according to an embodiment of the present invention, the server normalizes the daily gas consumption data and the daily weather data for learning of the data set.

또한, 본 발명의 실시예에 따르면, 상기 정규화는 (단, 는 상기 일간 가스 소비량 데이터 또는 상기 일간 기상 데이터의 정규화된 값이고, x는 상기 일간 가스 소비량 데이터 또는 상기 일간 기상 데이터의 값이며, 은 상기 일간 가스 소비량 데이터 또는 상기 일간 기상 데이터의 최소값이며, 는 상기 일간 가스 소비량 데이터 또는 상기 일간 기상 데이터의 최대값)으로 계산된다.Additionally, according to an embodiment of the present invention, the normalization is (step, is a normalized value of the daily gas consumption data or the daily weather data, x is a value of the daily gas consumption data or the daily weather data, is the minimum value of the daily gas consumption data or the daily weather data, is calculated as the maximum value of the daily gas consumption data or the daily weather data).

또한, 본 발명의 실시예에 따르면, 상기 최적의 설정온도는 가스 소비량과 선형관계를 갖는다.Additionally, according to an embodiment of the present invention, the optimal set temperature has a linear relationship with gas consumption.

또한, 본 발명의 실시예에 따르면, 상기 선형관계를 갖는 선형관계식은 최적의 설정온도 = a*가스 소비량+b(단, a와 b는 상수)이다.Additionally, according to an embodiment of the present invention, the linear relationship equation having the above linear relationship is optimal set temperature = a * gas consumption + b (where a and b are constants).

또한, 본 발명의 실시예에 따르면, 상기 제어부는 상기 제1 휴무일 또는 상기 제2 휴무일의 등록, 삭제 또는 수정에 대한 입력을 받는다.Additionally, according to an embodiment of the present invention, the control unit receives input for registration, deletion, or modification of the first non-working day or the second non-working day.

또한, 본 발명의 실시예에 따르면, 상기 시계열 딥러닝 모델은 RNN(Recurrent Neural Network)이다.Additionally, according to an embodiment of the present invention, the time series deep learning model is a Recurrent Neural Network (RNN).

또한, 본 발명의 실시예에 따르면, 상기 시계열 딥러닝 모델은 RNN의 일종인 LSTM(Long Short Term Memry) 또는 GRU(Gated Recurrent Unit)이다.Additionally, according to an embodiment of the present invention, the time series deep learning model is LSTM (Long Short Term Memry) or GRU (Gated Recurrent Unit), which are a type of RNN.

상기 목적들은, 본 발명에 따르면, 서버가 보일러의 캐스케이드 그룹별 특정 기간의 제1 휴무일에 대한 일간 가스 소비량 데이터와 보일러의 캐스케이드가 설치된 지역의 특정 기간의 상기 제1 휴무일에 대한 일간 기상 데이터를 수집하는 제1 단계; 상기 서버가 상기 일간 가스 소비량 데이터와 상기 일간 기상 데이터를 연결시켜 데이터 세트(data set)를 생성하는 제2 단계; 상기 서버가 상기 데이터 세트를 바탕으로 학습인자와 예측인자를 구분한 후, 시계열 딥러닝 모델을 훈련하여 가스 소비량 예측 딥러닝 모델을 생성하는 제3 단계; 상기 서버가 제어부로부터 최적의 설정온도 산출을 요구받아, 상기 제1 휴무일 이후의 제2 휴무일의 기상 데이터를 수집하는 제4 단계; 상기 서버가 상기 가스 소비량 예측 딥러닝 모델에 상기 제2 휴무일의 기상 데이터를 입력한 후, 딥러닝을 수행하여 상기 제2 휴무일의 가스 소비량을 예측하는 제5 단계; 상기 서버가 상기 제2 휴무일의 가스 소비량에 대응되는 최적의 설정온도를 산출하여 상기 제어부에 송신하는 제6 단계; 및 캐스케이드 제어기가 상기 제어부로부터 최적의 설정온도를 수신하여 보일러의 캐스케이드를 최적의 설정온도로 제어하는 제7 단계를 포함하는 것을 특징으로 하는 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어방법에 의해 달성된다.The above purposes are, according to the present invention, the server collects daily gas consumption data for the first non-working day of a specific period for each cascade group of boilers and daily weather data for the first non-working day of a specific period in the area where the cascade of boilers is installed. The first step is to do; A second step in which the server creates a data set by connecting the daily gas consumption data and the daily weather data; A third step in which the server distinguishes learning factors and predictors based on the data set, and then trains a time series deep learning model to generate a gas consumption prediction deep learning model; A fourth step in which the server receives a request from the control unit to calculate an optimal set temperature and collects weather data for a second non-working day after the first non-working day; A fifth step in which the server inputs weather data for the second non-working day into the gas consumption prediction deep learning model and then performs deep learning to predict gas consumption for the second non-working day; A sixth step in which the server calculates an optimal set temperature corresponding to gas consumption on the second non-working day and transmits it to the control unit; and a seventh step in which the cascade controller receives the optimal set temperature from the control unit and controls the cascade of boilers to the optimal set temperature. do.

본 발명의 실시예에 따르면, 상기 제2 단계와 상기 제3 단계 사이에, 상기 서버가 상기 데이터 세트의 학습을 위해 상기 일간 가스 소비량 데이터와 상기 일간 기상 데이터를 정규화하는 단계를 더 포함한다.According to an embodiment of the present invention, between the second step and the third step, the server further includes normalizing the daily gas consumption data and the daily weather data for learning of the data set.

본 발명은, 캐스케이드가 설치된 지역별로 상이한 휴무일의 특정 기간에 따른 일간 가스 소비량 데이터를 수집하여 이전의 휴무일에 설정된 일간 가스 소비량 데이터를 이용하여 최적의 설정온도를 산출함으로써 가스 에너지 효율을 극대화할 수 있다.The present invention collects daily gas consumption data according to a specific period of different non-working days for each region where the cascade is installed, and calculates the optimal set temperature using the daily gas consumption data set on the previous non-working day, thereby maximizing gas energy efficiency. .

본 발명은, 일간 가스 소비량 데이터와 일간 기상 데이터를 정규화하여 원활한 ＡＩ 모델 학습이 가능하도록 한다.The present invention normalizes daily gas consumption data and daily weather data to enable smooth AI model learning.

도 1은 종래의 보일러의 캐스케이드 설정온도 제어시스템의 블록도이다.
도 2는 본 발명의 일 실시예에 따른 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어시스템의 블록도이다.
도 3은 본 발명의 일 실시예에 따른 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어방법의 흐름도이다.Figure 1 is a block diagram of a cascade set temperature control system of a conventional boiler.
Figure 2 is a block diagram of a boiler cascade set temperature prediction control system according to holiday information according to an embodiment of the present invention.
Figure 3 is a flowchart of a boiler cascade set temperature prediction control method according to holiday information according to an embodiment of the present invention.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.The advantages and features of the present invention and methods for achieving them will become clear with reference to the embodiments described below along with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below and may be implemented in various different forms. Only the examples are provided to make the disclosure of the present invention complete and to fully convey the scope of the invention to those skilled in the art to which the present invention pertains, and that the present invention is defined by the scope of the claims. It's just that.

도 2는 본 발명의 일 실시예에 따른 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어시스템의 블록도이다.Figure 2 is a block diagram of a boiler cascade set temperature prediction control system according to holiday information according to an embodiment of the present invention.

도 2를 참조하면, 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어시스템은, 서버(100), 제어부(200) 및 캐스케이드 제어기(300)를 포함할 수 있다. 본 발명의 일 실시예에서는 휴무일과 관련하여 휴무일 일자를 구분하기 위해 필요한 경우 제1 휴무일과 그 이후의 제2 휴무일로 명명하기로 한다.Referring to FIG. 2, the boiler cascade set temperature prediction control system according to holiday information may include a server 100, a control unit 200, and a cascade controller 300. In one embodiment of the present invention, in order to distinguish between non-working days in relation to non-working days, they are referred to as first non-working days and second non-working days thereafter.

서버(100)는 보일러의 캐스케이드 그룹별 특정 기간의 제1 휴무일에 대한 일간 가스 소비량 데이터와 보일러의 캐스케이드가 설치된 지역의 특정 기간의 제1 휴무일에 대한 일간 기상 데이터를 수집한다.The server 100 collects daily gas consumption data for the first non-working day of a specific period for each cascade group of boilers and daily weather data for the first non-working day of a specific period in the area where the cascade of boilers is installed.

아래의 표 1은 특정 캐스케이드 그룹에 대한 일간 가스 소비량 데이터의 예를 나타낸다.Table 1 below shows examples of daily gas consumption data for specific cascade groups.

일자(년-월-일)Date (Year-Month-Day) 공휴일(Y/N)Holidays (Y/N) 가스소비량(Kcal)Gas consumption (Kcal) 2022-08-08(어제)2022-08-08 (yesterday) YY 11,45211,452 2022-07-09(1달전)2022-07-09 (1 month ago) YY 10,15210,152 2021-08-09(1년전)2021-08-09 (1 year ago) YY 20,15320,153 ...... ...... ......

아래의 표 2는 특정 캐스케이드 그룹에 대한 일간 기상 데이터의 예를 나타낸다.Table 2 below presents examples of daily weather data for specific Cascade groups.

일자(년-월-일)Date (Year-Month-Day) 공휴일(Y/N)Holidays (Y/N) 평균기온(℃)Average temperature (℃) 일 강수량(mm)Daily precipitation (mm) 평균상대습도
(%)average relative humidity
(%) 합계 일사량
(MJ/m2)total solar radiation
(MJ/ m2 ) 2022-08-08
(어제)2022-08-08
(yesterday) YY 2727 99 7575 13.8513.85 2022-07-09
(1달전)2022-07-09
(1 month ago) YY 26.826.8 00 73.173.1 11.8211.82 2021-08-09
(1년전)2021-08-09
(1 year ago) YY 2525 114.5114.5 93.993.9 1.251.25 ...... ...... ...... ...... ...... ......

그리고, 서버(100)는 일간 가스 소비량 데이터와 일간 기상 데이터를 연결시켜 데이터 세트(data set)를 생성한다. Then, the server 100 creates a data set by connecting daily gas consumption data and daily weather data.

아래의 표 3은 특정 캐스케이드 그룹에 대해 연결이 완료된 일간 가스 소비량 데이터와 일간 기상 데이터의 예를 나타낸다.Table 3 below shows examples of daily gas consumption data and daily weather data that have been connected for a specific cascade group.

일자
(년-월-일) Date
(Year Month Day) 공휴일
(Y/N)holiday
(Y/N) 평균기온
(℃)average temperature
(℃) 일 강수량
(mm)daily precipitation
(mm) 평균 풍속
(m/s)average wind speed
(m/s) 평균
상대습도 (%) average
Relative humidity (%) 합계
일사량 (MJ/m2)Sum
Solar radiation (MJ/m 2 ) 가스
소비량
(Kcal) gas
consumption
(Kcal) 2022-08-08(어제)2022-08-08 (yesterday) YY 2727 99 1.81.8 7575 13.8513.85 11,45211,452 2022-07-09(1달전)2022-07-09 (1 month ago) YY 26.826.8 00 2.22.2 73.173.1 11.8211.82 10,15210,152 2021-08-09(1년전)2021-08-09 (1 year ago) YY 2525 114.5114.5 1.81.8 93.993.9 1.251.25 20,15320,153 ...... ...... ...... ...... ...... ...... ...... ......

또한, 서버(100)는 데이터 세트의 학습을 위해 일간 가스 소비량 데이터와 일간 기상 데이터를 정규화한다. 수집된 일간 가스 소비량 데이터와 일간 기상 데이터는 각 항목의 범주 및 스케일(scale)이 다르기 때문에 원활한 A1 모델 학습이 가능하도록 하기 위해 Min-Max 정규화를 실시할 필요성이 있다.Additionally, the server 100 normalizes daily gas consumption data and daily weather data to learn the data set. Since the collected daily gas consumption data and daily weather data have different categories and scales for each item, it is necessary to perform Min-Max normalization to enable smooth A1 model learning.

여기서, 정규화는

Figure pat00005
(단,
Figure pat00006
는 일간 가스 소비량 데이터 또는 일간 기상 데이터의 정규화된 값이고, x는 일간 가스 소비량 데이터 또는 일간 기상 데이터의 값이며,
Figure pat00007
은 일간 가스 소비량 데이터 또는 일간 기상 데이터의 최소값이며,
Figure pat00008
는 일간 가스 소비량 데이터 또는 일간 기상 데이터의 최대값)으로 계산될 수 있다. Here, normalization is
Figure pat00005
(step,
Figure pat00006
is the normalized value of daily gas consumption data or daily weather data, x is the value of daily gas consumption data or daily weather data,
Figure pat00007
is the minimum value of daily gas consumption data or daily weather data,
Figure pat00008
can be calculated as the maximum value of daily gas consumption data or daily weather data).

아래의 표 4는 Min-Max 정규화 실시가 완료된 특정 캐스케이드 그룹에 대해 연결이 완료된 일간 가스 소비량 데이터와 일간 기상 데이터의 예를 나타낸다.Table 4 below shows examples of daily gas consumption data and daily weather data that have been connected for a specific cascade group for which Min-Max normalization has been completed.

일자
(년-월-일) Date
(Year Month Day) 공휴일
(Y/N)holiday
(Y/N) 평균기온
(℃)average temperature
(℃) 일 강수량
(mm)daily precipitation
(mm) 평균 풍속
(m/s)average wind speed
(m/s) 평균
상대습도 (%) average
Relative humidity (%) 합계
일사량
(MJ/m2) Sum
solar radiation
(MJ/ m2 ) 가스
소비량
(Kcal) gas
consumption
(Kcal) 2022-08-08(어제)2022-08-08 (yesterday) YY 0.846150.84615 0.078600.07860 0.654540.65454 0.091350.09135 0.542170.54217 0.129990.12999 2022-07-09(1달전)2022-07-09 (1 month ago) YY 0.769230.76923 0.000000.00000 0.800000.80000 0.089030.08903 0.454820.45482 0.503740.50374 2021-08-09(1년전)2021-08-09 (1 year ago) YY 0.076920.07692 1.000001.00000 0.654540.65454 1.000001.00000 0.048090.04809 1.000001.00000 ...... ...... ...... ...... ...... ...... ...... ......

또한, 서버(100)는 데이터 세트를 바탕으로 학습인자와 예측인자를 구분한 후, 시계열 딥러닝 모델을 훈련하여 가스 소비량 예측 딥러닝 모델을 생성한다. 여기서, 학습인자는 기상 데이터와 요일 특수정보이고, 예측인자는 가스 소비량 데이터이다. 시계열 딥러닝 모델은 RNN(Recurrent Neural Network)이며, RNN의 일종인 LSTM(Long Short Term Memry) 또는 GRU(Gated Recurrent Unit)일 수 있다.In addition, the server 100 divides learning factors and predictors based on the data set, then trains a time series deep learning model to generate a deep learning model for predicting gas consumption. Here, the learning factors are weather data and day-of-the-week special information, and the predictor is gas consumption data. The time series deep learning model is a Recurrent Neural Network (RNN), which can be a Long Short Term Memry (LSTM) or a Gated Recurrent Unit (GRU), which are types of RNN.

아래의 표 5는 특정 캐스케이드 그룹에 대해 수집한 데이터세트를 바탕으로 한 학습인자와 예측인자의 예를 나타낸다.Table 5 below shows examples of learning factors and predictors based on datasets collected for specific cascade groups.

학습인자 learning factor 예측인자predictor 공휴일(Y/N), 평균기온(℃), 일 강수량(mm), 평균풍속(m/s), 평균상대습도(%),
합계 일사량(MJ/M2)Public holidays (Y/N), average temperature (℃), daily precipitation (mm), average wind speed (m/s), average relative humidity (%),
Total solar radiation (MJ/M 2 ) 가스소비량(Kcal)Gas consumption (Kcal)

또한, 서버(100)는 제1 휴무일 이후의 제2 휴무일의 기상 데이터를 수집한다. 여기서, 기상 데이터는 평균기온, 일 강수량, 평균풍속, 평균상대습도 및 합계 일사량 중 적어도 하나이고, 요일 특수정보는 휴일 여부이다.Additionally, the server 100 collects weather data for the second non-working day after the first non-working day. Here, the meteorological data is at least one of average temperature, daily precipitation, average wind speed, average relative humidity, and total solar radiation, and the special information for the day of the week is whether or not it is a holiday.

표 6은 특정 캐스케이드 그룹에 대한 제2 휴무일의 일간 기상 데이터의 예를 나타낸다.Table 6 shows an example of daily weather data for the second non-working day for a specific cascade group.

일자(년-월-일)Date (Year-Month-Day) 공휴일
(Y/N)holiday
(Y/N) 평균기온
(℃)average temperature
(℃) 일 강수량
(mm)daily precipitation
(mm) 평균 풍속
(m/s)average wind speed
(m/s) 평균
상대습도 (%) average
Relative humidity (%) 합계
일사량
(MJ/m2) Sum
solar radiation
(MJ/ m2 ) 가스
소비량
(Kcal) gas
consumption
(Kcal) 2022-08-11(제2 휴무일)2022-08-11 (2nd holiday) YY 2626 0
0
 2.3
2.3
 76.576.5 24.4924.49 ----

또한, 서버(100)는 가스 소비량 예측 딥러닝 모델에 제2 휴무일의 기상 데이터를 입력한 후 딥러닝을 수행하여 제2 휴무일의 가스 소비량을 예측한다.Additionally, the server 100 inputs weather data for the second non-working day into the gas consumption prediction deep learning model and then performs deep learning to predict gas consumption for the second non-working day.

표 7은 특정 캐스케이드 그룹에 대한 제2 휴무일의 일간 가스 소비량의 예를 나타낸다.Table 7 shows an example of daily gas consumption for the second non-working day for a specific cascade group.

일자
(년-월-일)Date
(Year Month Day) 공휴일
(Y/N)holiday
(Y/N) 평균기온
(℃)average temperature
(℃) 일 강수량
(mm)daily precipitation
(mm) 평균 풍속
(m/s)average wind speed
(m/s) 평균
상대습도 (%) average
Relative humidity (%) 합계
일사량
(MJ/m2) Sum
solar radiation
(MJ/ m2 ) 가스
소비량
(Kcal) gas
consumption
(Kcal) 2022-08-112022-08-11 YY 2626 0
0
 2.3
2.3
 76.576.5 24.4924.49 10,32110,321 2022-08-122022-08-12 YY 2424 00 00 00 14.1414.14 5,1525,152

또한, 서버(100)는 제2 휴무일의 가스 소비량에 대응되는 최적의 설정온도를 산출한다. 여기서, 가스소비량 = 유량*비열*Δt식으로 대입할 수 있으며, 가스소비량 = 유량*비열*(설정온도-현재공급수온도)이고, 이때 유량*비열을 유량보정계수라 할 때, 설정온도= 가스소비량/유량보정계수+현재공급수온도로 계산되어 질 수 있다. Additionally, the server 100 calculates the optimal set temperature corresponding to the gas consumption on the second non-working day. Here, gas consumption = flow rate * specific heat * Δt can be substituted into the formula, gas consumption = flow rate * specific heat * (set temperature - current supply water temperature), and when flow rate * specific heat is called the flow rate correction coefficient, set temperature = It can be calculated as gas consumption/flow correction coefficient + current supply water temperature.

이때 현재공급수온도는 캐스케이드에서 가열하는 열원수가 가열되기 전의 공급되는 온도로, 직수를 온수로 가열할 경우, 직수유입온도, 난방수를 가열하는 경우, 난방급탕수를 만들기 위한 난방환수 온도일 수 있다.At this time, the current supply water temperature is the temperature supplied before the heat source water heated in the cascade is heated. When heating direct water as hot water, it can be the direct water inflow temperature, and when heating heating water, it can be the heating return water temperature for making heating hot water. there is.

또한 최적의 설정온도 = 가스소비량/유량보정계수(a)+ 공급수온도(b)로 계산하되, 상기 유량보정계수(a)를 계산하기 위한 유량은 상기 예측인자의 하나로 가스소비량과 동일한 방법으로 예측되어질 수 있다. In addition, the optimal set temperature is calculated as = gas consumption / flow correction coefficient (a) + supply water temperature (b), and the flow rate for calculating the flow correction coefficient (a) is one of the above predictors and is used in the same way as the gas consumption. It can be predicted.

또한 최적의 설정온도는 공급수온도에 근거하여 가변되어 질 수 있다. Additionally, the optimal set temperature can be varied based on the supply water temperature.

예를 들어, 2022년 8월11일 휴무일에 산출된 가스소비량 10,321Kcal, 산출된 유량이 1,032.1kg로 산출된 경우, 현재 공급수온도(b)가 15°C이고, 비열은 1이면, 유량보정계수(a)= 1,032.1kg*1Kcal/Kg·°C= 1,032.1 Kcal/°C 로, 최적의 설정온도 = 가스소비량(10,321Kcal)/유량보정계수(a)(1,032.1 Kcal/°C)+ 공급수온도(b, 15°C) = 25°C로 설정할 수 있다. 이때 현재 공급공급수 온도(b)가 25°C로 측정된 경우, 최적의 설정온도는 35°C로 설정될 수 있다. For example, if the gas consumption calculated on the closed day of August 11, 2022 is 10,321 Kcal and the calculated flow rate is 1,032.1 kg, the current supply water temperature (b) is 15°C and the specific heat is 1, the flow rate is corrected. Coefficient (a)= 1,032.1kg*1Kcal/Kg·°C= 1,032.1 Kcal/°C, optimal set temperature = gas consumption (10,321Kcal)/flow correction coefficient (a)(1,032.1 Kcal/°C)+ supply water temperature You can set degrees (b, 15°C) = 25°C. At this time, if the current supply water temperature (b) is measured to be 25°C, the optimal set temperature can be set to 35°C.

또한 예를 들어, 2022년 8월12일 휴무일에 산출된 가스소비량 5,152Kcal, 산출된 유량이 1,030.4kg로 산출된 경우, 현재 공급수온도(b)가 15°C이고, 비열은 1이면, 유량보정계수(a)= 1,030.4kg*1Kcal/Kg·°C= 1,030.4 Kcal/°C 로, 최적의 설정온도 = 가스소비량(5,152Kcal)/유량보정계수(a) (1,030.4 Kcal/°C)+ 공급수온도(b, 15°C) = 20°C로 설정할 수 있다. 이때 현재 공급수 온도(b)가 25°C로 측정된 경우, 최적의 설정온도는 30°C로 설정될 수 있다. Also, for example, if the gas consumption calculated on the closed day of August 12, 2022 is 5,152 Kcal and the calculated flow rate is 1,030.4 kg, the current supply water temperature (b) is 15°C and the specific heat is 1, the flow rate Correction coefficient (a) = 1,030.4kg*1Kcal/Kg·°C= 1,030.4 Kcal/°C, optimal set temperature = gas consumption (5,152Kcal)/flow correction coefficient (a) (1,030.4 Kcal/°C)+ supply Water temperature (b, 15°C) can be set to 20°C. At this time, if the current supply water temperature (b) is measured to be 25°C, the optimal set temperature can be set to 30°C.

이때 최적의 설정온도는 공급수온도 및 실측 유량에 맞춰 일간 가스소비량을 맞추도록 변경될 수 있다. At this time, the optimal set temperature can be changed to match the daily gas consumption according to the supply water temperature and actual flow rate.

제어부(200)는 서버(100)에 최적의 설정온도 산출을 요구하고, 최적의 설정온도를 서버(100)로부터 수신한다. 제어부(200)는 캐스케이드 제어용 PC 프로그램을 통해 구현될 수 있으며, 이에 한정되지는 않는다. 사용자는 제어용 PC 프로그램 등을 자동모드, 인공지능 모드, AI 모드 등으로 동작하도록 조작하여 최적의 온도를 설정하도록 할 수 있으며, 제어용 PC 프로그램에 직접 입력하여 온도를 설정할 수 있다. 즉, 사용자는 제어용 PC 프로그램을 이용하여 자동 또는 수동으로 최적의 온도를 설정하는 것이 가능하다.The control unit 200 requests the server 100 to calculate the optimal set temperature and receives the optimal set temperature from the server 100. The control unit 200 may be implemented through a PC program for cascade control, but is not limited thereto. Users can set the optimal temperature by manipulating the control PC program to operate in automatic mode, artificial intelligence mode, AI mode, etc., and set the temperature by directly entering the control PC program. In other words, the user can set the optimal temperature automatically or manually using a control PC program.

이러한 최적의 난방모드 요구를 수신하기 전에, 서버(100)는 보일러의 캐스케이드 그룹별 특정 기간의 제1 휴무일에 대한 일간 가스 소비량 데이터와 보일러의 캐스케이드가 설치된 지역의 특정 기간의 제1 휴무일에 대한 일간 기상 데이터를 수집하여야 하고, 수집된 데이터는 그룹화되는 과정이 우선적으로 선행되어야 한다. 일간 가스 소비량 데이터는 제어용 PC 프로그램으로부터 수신한다.Before receiving this optimal heating mode request, the server 100 collects daily gas consumption data for the first non-working day of a specific period for each cascade group of boilers and daily gas consumption data for the first non-working day of a specific period in the area where the cascade of boilers is installed. Meteorological data must be collected, and the collected data must first be grouped. Daily gas consumption data is received from the control PC program.

또한, 제어부(200)는 제1 휴무일 또는 제2 휴무일의 등록, 삭제 또는 수정에 대한 입력을 받는다. 이렇게 하여, 사용자는 휴무일의 변동에 따라 제어부(200)에 편리하게 입력할 수 있다.Additionally, the control unit 200 receives input for registering, deleting, or modifying the first or second non-working day. In this way, the user can conveniently input information into the control unit 200 according to changes in the non-working days.

캐스케이드 제어기(300)는 제어부(200)로부터 최적의 설정온도를 수신하여 보일러의 캐스케이드를 최적의 설정온도로 제어한다. 구체적으로는, 예측된 일간 가스 소비량이 상대적으로 낮을 경우에는 서버(100)가 제어부(200)에 상대적으로 낮은 설정온도로 캐스케이드를 제어하도록 하고, 예측된 일간 가스 소비량이 상대적으로 높을 경우에는 서버(100)가 제어부(200)에 상대적으로 높은 설정온도로 캐스케이드를 제어하도록 한다.The cascade controller 300 receives the optimal set temperature from the control unit 200 and controls the cascade of boilers to the optimal set temperature. Specifically, when the predicted daily gas consumption is relatively low, the server 100 instructs the control unit 200 to control the cascade at a relatively low set temperature, and when the predicted daily gas consumption is relatively high, the server ( 100) controls the cascade at a relatively high set temperature to the control unit 200.

이와 같이, 본 발명의 일 실시예에서는 캐스케이드가 설치된 지역별로 상이한 휴무일의 특정 기간에 따른 일간 가스 소비량 데이터를 수집하여 이전의 휴무일에 설정된 일간 가스 소비량 데이터를 이용하여 최적의 설정온도를 산출함으로써 가스 에너지 효율을 극대화할 수 있다.As such, in one embodiment of the present invention, daily gas consumption data is collected according to a specific period of different non-working days for each region where the cascade is installed, and the optimal set temperature is calculated using the daily gas consumption data set on the previous non-working day, thereby generating gas energy. Efficiency can be maximized.

도 3은 본 발명의 일 실시예에 따른 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어방법의 흐름도이다.Figure 3 is a flowchart of a boiler cascade set temperature prediction control method according to holiday information according to an embodiment of the present invention.

도 3을 참조하면, 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어방법은 S100 내지 S800을 포함할 수 있다. S100 내지 S800과 관련된 상세한 설명은 도 2와 관련된 설명을 참조하기로 한다.Referring to FIG. 3, the boiler cascade set temperature prediction control method according to non-operation information may include steps S100 to S800. For detailed descriptions related to S100 to S800, refer to the description related to FIG. 2.

먼저, 서버(100)가 보일러의 캐스케이드 그룹별 특정 기간의 제1 휴무일에 대한 일간 가스 소비량 데이터와 보일러의 캐스케이드가 설치된 지역의 특정 기간의 제1 휴무일에 대한 일간 기상 데이터를 수집한다(S100).First, the server 100 collects daily gas consumption data for the first non-working day of a specific period for each boiler cascade group and daily weather data for the first non-working day of a specific period in the area where the boiler cascade is installed (S100).

S100 이후, 서버(100)가 일간 가스 소비량 데이터와 일간 기상 데이터를 연결시켜 데이터 세트(data set)를 생성한다(S200).After S100, the server 100 creates a data set by connecting daily gas consumption data and daily weather data (S200).

S200 이후, 서버(100)가 데이터 세트의 학습을 위해 일간 가스 소비량 데이터와 일간 기상 데이터를 정규화한다(S300).After S200, the server 100 normalizes the daily gas consumption data and daily weather data for learning the data set (S300).

S300 이후, 서버(100)가 데이터 세트를 바탕으로 학습인자와 예측인자를 구분한 후, 시계열 딥러닝 모델을 훈련하여 가스 소비량 예측 딥러닝 모델을 생성한다(S400).After S300, the server 100 distinguishes learning factors and predictors based on the data set, then trains a time series deep learning model to generate a gas consumption prediction deep learning model (S400).

S400 이후, 서버(100)가 제어부(200)로부터 최적의 설정온도 산출을 요구받아, 제1 휴무일 이후의 제2 휴무일의 기상 데이터를 수집한다(S500).After S400, the server 100 receives a request from the control unit 200 to calculate the optimal set temperature, and collects weather data for the second non-working day after the first non-working day (S500).

S500 이후, 서버(100)가 가스 소비량 예측 딥러닝 모델에 제2 휴무일의 기상 데이터를 입력한 후, 딥러닝을 수행하여 제2 휴무일의 가스 소비량을 예측한다(S600).After S500, the server 100 inputs the weather data of the second non-working day into the gas consumption prediction deep learning model and then performs deep learning to predict the gas consumption of the second non-working day (S600).

S600 이후, 서버(100)가 제2 휴무일의 가스 소비량에 대응되는 최적의 설정온도를 산출하여 제어부(200)에 송신한다(S700).After S600, the server 100 calculates the optimal set temperature corresponding to the gas consumption on the second non-working day and transmits it to the control unit 200 (S700).

S700 이후, 캐스케이드 제어기(300)가 제어부(200)로부터 최적의 설정온도를 수신하여 보일러의 캐스케이드를 최적의 설정온도로 제어한다(S800).After S700, the cascade controller 300 receives the optimal set temperature from the control unit 200 and controls the boiler cascade to the optimal set temperature (S800).

위에서 설명한 본 발명의 실시예들은 이해를 돕기 위하여 도면에 도시된 실시예들을 참고로 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위에 의해 정해져야 할 것이다.The embodiments of the present invention described above have been described with reference to the embodiments shown in the drawings to aid understanding, but these are merely exemplary, and those skilled in the art will be able to make various modifications and other equivalent embodiments therefrom. You will understand that it is possible. Therefore, the true technical protection scope of the present invention should be determined by the appended claims.

100 : 서버 200 : 제어부
300 : 캐스케이드 제어기100: Server 200: Control unit
300: Cascade controller

Claims (12)

보일러의 캐스케이드 그룹별 특정 기간의 제1 휴무일에 대한 일간 가스 소비량 데이터와 보일러의 캐스케이드가 설치된 지역의 특정 기간의 상기 제1 휴무일에 대한 일간 기상 데이터를 수집하고, 상기 일간 가스 소비량 데이터와 상기 일간 기상 데이터를 연결시켜 데이터 세트(data set)를 생성하며, 상기 데이터 세트를 바탕으로 학습인자와 예측인자를 구분한 후, 시계열 딥러닝 모델을 훈련하여 가스 소비량 예측 딥러닝 모델을 생성하며, 상기 제1 휴무일 이후의 제2 휴무일의 기상 데이터를 수집하며, 상기 가스 소비량 예측 딥러닝 모델에 상기 제2 휴무일의 기상 데이터를 입력한 후 딥러닝을 수행하여 상기 제2 휴무일의 가스 소비량을 예측하며, 상기 제2 휴무일의 가스 소비량에 대응되는 최적의 설정온도를 산출하는 서버;
상기 서버에 최적의 설정온도 산출을 요구하고, 상기 최적의 설정온도를 상기 서버로부터 수신하는 제어부; 및
상기 제어부로부터 최적의 설정온도를 수신하여 보일러의 캐스케이드를 최적의 설정온도로 제어하는 캐스케이드 제어기;를 포함하는 것을 특징으로 하는 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어시스템.Collect daily gas consumption data for the first non-working day of a specific period for each cascade group of boilers and daily weather data for the first non-working day of a specific period in the area where the cascade of boilers is installed, and collect the daily gas consumption data and the daily weather A data set is created by connecting data, and after distinguishing learning factors and predictors based on the data set, a time series deep learning model is trained to generate a gas consumption prediction deep learning model, and the first Collect weather data for the second non-working day after the non-working day, input the weather data for the second non-working day into the gas consumption prediction deep learning model, and then perform deep learning to predict gas consumption for the second non-working day, 2 A server that calculates the optimal set temperature corresponding to gas consumption on non-working days;
a control unit that requests the server to calculate an optimal set temperature and receives the optimal set temperature from the server; and
A cascade controller that receives the optimal set temperature from the control unit and controls the cascade of boilers to the optimal set temperature. A cascade set temperature prediction control system for boilers according to holiday information. 제1항에 있어서,
상기 학습인자는 기상 데이터와 요일 특수정보이고, 상기 예측인자는 가스 소비량 데이터인 것을 특징으로 하는 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어시스템According to paragraph 1,
The learning factor is weather data and day-of-the-week special information, and the predictor is gas consumption data. A cascade set temperature prediction control system for boilers according to holiday information. 제2항에 있어서,
상기 기상 데이터는 평균기온, 일 강수량, 평균풍속, 평균상대습도 및 합계 일사량 중 적어도 하나이고, 상기 요일 특수정보는 휴일 여부인 것을 특징으로 하는 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어시스템.According to paragraph 2,
The weather data is at least one of average temperature, daily precipitation, average wind speed, average relative humidity, and total solar radiation, and the special information for the day of the week is whether or not it is a holiday. A cascade temperature prediction and control system for a boiler according to holiday information. 제1항에 있어서,
상기 서버는 상기 데이터 세트의 학습을 위해 상기 일간 가스 소비량 데이터와 상기 일간 기상 데이터를 정규화하는 것을 특징으로 하는 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어시스템.According to paragraph 1,
The server normalizes the daily gas consumption data and the daily weather data to learn the data set. A boiler cascade temperature prediction and control system according to holiday information. 제4항에 있어서,
상기 정규화는 (단, 는 상기 일간 가스 소비량 데이터 또는 상기 일간 기상 데이터의 정규화된 값이고, x는 상기 일간 가스 소비량 데이터 또는 상기 일간 기상 데이터의 값이며, 은 상기 일간 가스 소비량 데이터 또는 상기 일간 기상 데이터의 최소값이며, 는 상기 일간 가스 소비량 데이터 또는 상기 일간 기상 데이터의 최대값)으로 계산되는 것을 특징으로 하는 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어시스템.According to clause 4,
The normalization is (step, is a normalized value of the daily gas consumption data or the daily weather data, x is a value of the daily gas consumption data or the daily weather data, is the minimum value of the daily gas consumption data or the daily weather data, is the maximum value of the daily gas consumption data or the daily weather data). A boiler cascade set temperature prediction control system according to holiday information, characterized in that calculated. 제1항에 있어서,
상기 서버는 제1 휴무일에 대한 데이터는 일간 유량 데이터를 포함하며, 제2 휴무일의 일간 유량 데이터를 예측하며, 상기 최적의 설정온도는 예측된 가스 소비량과 예측된 유량데이터 및 현재공급수온도로 계산되는 것을 특징으로 하는 보일러의 캐스케이드 설정온도 예측제어시스템According to paragraph 1,
The server includes daily flow rate data for the first non-working day, predicts daily flow data for the second non-working day, and calculates the optimal set temperature based on the predicted gas consumption, predicted flow data, and current supply water temperature. Boiler cascade set temperature prediction control system, characterized in that 제６항에 있어서
상기 최적의 설정온도는 현재 공급수온도에 대응되도록 계산되는 것을 특징으로 하는 보일러의 캐스케이드 설정온도 예측제어시스템In paragraph 6
Boiler cascade set temperature prediction control system, characterized in that the optimal set temperature is calculated to correspond to the current supply water temperature. 제1항에 있어서,
상기 제어부는 상기 제1 휴무일 또는 상기 제2 휴무일의 등록, 삭제 또는 수정에 대한 입력을 받는 것을 특징으로 하는 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어시스템According to paragraph 1,
The control unit is a boiler cascade set temperature prediction control system according to holiday information, characterized in that it receives input for registration, deletion, or modification of the first holiday or the second holiday. 제1항에 있어서,
상기 시계열 딥러닝 모델은 RNN(Recurrent Neural Network)인 것을 특징으로 하는 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어시스템.According to paragraph 1,
The time series deep learning model is a boiler cascade set temperature prediction control system according to holiday information, characterized in that RNN (Recurrent Neural Network). 제9항에 있어서,
상기 시계열 딥러닝 모델은 RNN의 일종인 LSTM(Long Short Term Memry) 또는 GRU(Gated Recurrent Unit)인 것을 특징으로 하는 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어시스템According to clause 9,
The time series deep learning model is a boiler cascade set temperature prediction control system according to holiday information, characterized in that LSTM (Long Short Term Memry) or GRU (Gated Recurrent Unit), a type of RNN. 서버가 보일러의 캐스케이드 그룹별 특정 기간의 제1 휴무일에 대한 일간 가스 소비량 데이터와 보일러의 캐스케이드가 설치된 지역의 특정 기간의 상기 제1 휴무일에 대한 일간 기상 데이터를 수집하는 제1 단계;
상기 서버가 상기 일간 가스 소비량 데이터와 상기 일간 기상 데이터를 연결시켜 데이터 세트(data set)를 생성하는 제2 단계;
상기 서버가 상기 데이터 세트를 바탕으로 학습인자와 예측인자를 구분한 후, 시계열 딥러닝 모델을 훈련하여 가스 소비량 예측 딥러닝 모델을 생성하는 제3 단계;
상기 서버가 제어부로부터 최적의 설정온도 산출을 요구받아, 상기 제1 휴무일 이후의 제2 휴무일의 기상 데이터를 수집하는 제4 단계;
상기 서버가 상기 가스 소비량 예측 딥러닝 모델에 상기 제2 휴무일의 기상 데이터를 입력한 후, 딥러닝을 수행하여 상기 제2 휴무일의 가스 소비량을 예측하는 제5 단계;
상기 서버가 상기 제2 휴무일의 가스 소비량에 대응되는 최적의 설정온도를 산출하여 상기 제어부에 송신하는 제6 단계; 및
캐스케이드 제어기가 상기 제어부로부터 최적의 설정온도를 수신하여 보일러의 캐스케이드를 최적의 설정온도로 제어하는 제7 단계
를 포함하는 것을 특징으로 하는 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어방법.A first step in which the server collects daily gas consumption data for a first non-working day in a specific period for each cascade group of boilers and daily weather data for the first non-working day in a specific period in an area where a cascade of boilers is installed;
A second step in which the server creates a data set by connecting the daily gas consumption data and the daily weather data;
A third step in which the server distinguishes learning factors and predictors based on the data set, and then trains a time series deep learning model to generate a gas consumption prediction deep learning model;
A fourth step in which the server receives a request from the control unit to calculate an optimal set temperature and collects weather data for a second non-working day after the first non-working day;
A fifth step in which the server inputs weather data for the second non-working day into the gas consumption prediction deep learning model and then performs deep learning to predict gas consumption for the second non-working day;
A sixth step in which the server calculates an optimal set temperature corresponding to gas consumption on the second non-working day and transmits it to the control unit; and
The seventh step in which the cascade controller receives the optimal set temperature from the control unit and controls the boiler cascade to the optimal set temperature.
A boiler cascade set temperature prediction control method according to holiday information, comprising: 제11항에 있어서,
상기 제2 단계와 상기 제3 단계 사이에, 상기 서버가 상기 데이터 세트의 학습을 위해 상기 일간 가스 소비량 데이터와 상기 일간 기상 데이터를 정규화하는 단계를 더 포함하는 것을 특징으로 하는 휴무정보에 따른 보일러의 캐스케이드 설정온도 예측제어방법.According to clause 11,
Between the second step and the third step, the server further includes a step of normalizing the daily gas consumption data and the daily weather data for learning of the data set. Cascade set temperature prediction control method.
KR1020220149779A 2022-11-10 2022-11-10 System and method for predicting and controlling cascade setting temperature of boiler according to day off holiday information KR20240068387A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220149779A KR20240068387A (en) 2022-11-10 2022-11-10 System and method for predicting and controlling cascade setting temperature of boiler according to day off holiday information

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220149779A KR20240068387A (en) 2022-11-10 2022-11-10 System and method for predicting and controlling cascade setting temperature of boiler according to day off holiday information

Publications (1)

Publication Number Publication Date
KR20240068387A true KR20240068387A (en) 2024-05-17

Family

ID=91331783

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220149779A KR20240068387A (en) 2022-11-10 2022-11-10 System and method for predicting and controlling cascade setting temperature of boiler according to day off holiday information

Country Status (1)

Country Link
KR (1) KR20240068387A (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220014311A (en) 2020-07-28 2022-02-04 단국대학교 산학협력단 Heating system and the operation method

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220014311A (en) 2020-07-28 2022-02-04 단국대학교 산학협력단 Heating system and the operation method

Similar Documents

Publication Publication Date Title
CN110458443B (en) Smart home energy management method and system based on deep reinforcement learning
Magnier et al. Multiobjective optimization of building design using TRNSYS simulations, genetic algorithm, and Artificial Neural Network
Li et al. Fast bidirectional building performance optimization at the early design stage
CN103162346B (en) Based on central heating supervisory control system and the central heating system control method of cloud service
CA2795424C (en) Energy saving unit and system for buildings by mutual learning
EP1956460B1 (en) Heating system control based on required heating power
WO2021232734A1 (en) Adaptive optimization control method, system, and apparatus for heat pump and electric heat storage device
US11859838B2 (en) System and method for aligning HVAC consumption with renewable power production with the aid of a digital computer
Rabani et al. Minimizing delivered energy and life cycle cost using Graphical script: An office building retrofitting case
Ahn et al. Anti-logic or common sense that can hinder machine’s energy performance: Energy and comfort control models based on artificial intelligence responding to abnormal indoor environments
CN114484557B (en) Building group heat supply load regulation and control method based on target energy consumption management and control
CN110794775B (en) Multi-boiler load intelligent control system and method
CN111561733B (en) Heating household valve adjusting method, system and equipment based on GBDT
CN111580382A (en) Unit-level heat supply adjusting method and system based on artificial intelligence
CN109948824A (en) A method of thermal substation thermic load is predicted using mode identification technology
CN111006303A (en) Intelligent heating control system and method
KR101075893B1 (en) Heating energy supplying method in district heating system
Attia et al. Building performance optimization of net zero‐energy buildings
CN107247407B (en) Big data self-learning correction control system and method based on cloud architecture
CN113222231A (en) Wisdom heating system based on internet of things
KR20240068387A (en) System and method for predicting and controlling cascade setting temperature of boiler according to day off holiday information
Weng et al. RNN-based forecasting of indoor temperature in a naturally ventilated residential building
CN110118380A (en) Equivalent design capacity calculation method for solar heating system
Hassan et al. A novel adaptive predictive control strategy of hybrid radiant-air cooling systems in hot and dry climates
Fu Thermal energy constant temperature control system of building energy system based on dynamic analysis method