WO2021235670A1 - 딥러닝 기반 빌딩 에너지 관리방법 및 장치 - Google Patents

딥러닝 기반 빌딩 에너지 관리방법 및 장치 Download PDF

Info

Publication number
WO2021235670A1
WO2021235670A1 PCT/KR2021/003690 KR2021003690W WO2021235670A1 WO 2021235670 A1 WO2021235670 A1 WO 2021235670A1 KR 2021003690 W KR2021003690 W KR 2021003690W WO 2021235670 A1 WO2021235670 A1 WO 2021235670A1
Authority
WO
WIPO (PCT)
Prior art keywords
energy
input data
cost
demand
production
Prior art date
Application number
PCT/KR2021/003690
Other languages
English (en)
French (fr)
Inventor
박정규
오상엽
김성일
Original Assignee
오토시맨틱스 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 오토시맨틱스 주식회사 filed Critical 오토시맨틱스 주식회사
Publication of WO2021235670A1 publication Critical patent/WO2021235670A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/10—Services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/242—Home appliances
    • Y04S20/244—Home appliances the home appliances being or involving heating ventilating and air conditioning [HVAC] units
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Definitions

  • the present disclosure relates to a deep learning-based building energy management method and apparatus. More specifically, in order to reduce consumption and cost by comprehensively predicting heating and cooling energy demand and production in large buildings, after predicting energy demand based on deep learning, multiple It relates to a building energy management method and apparatus for performing optimization of energy consumption in terms of cost by selecting one of the energy production methods of
  • BEMS Building Energy Management System
  • BEMS is capable of accumulating big data by recording output data of sensors installed in each facility and external environmental variables (external temperature, humidity, etc.) in a database in real time for a long period of time.
  • various AI Artificial Intelligence
  • machine learning and deep neural network are used to predict the heating and cooling energy demand and reduce the consumption and cost.
  • Various methods have been proposed to suggest possible driving conditions.
  • Non-Patent Document 1 Transforming Cooling Optimization for Green Data Center via Deep Reinforcement Learning”, Yuanlong Li, Yonggang Wen, KyleGuan, and Dacheng Tao, 2018.
  • the present disclosure predicts energy demand based on deep learning, and then provides a plurality of A main object is to provide a building energy management method and apparatus that optimizes energy consumption in terms of cost by selecting one of the energy production methods.
  • the energy management method further comprising the step of operating all or part of the plurality of air conditioners/heaters based on the optimal action, and measuring energy consumption according to the operation provides
  • an input unit for obtaining first input data and second input data; Predicting energy demand using a deep learning-based prediction model trained in advance based on the first input data, and a deep learning-based environmental risk prediction model trained in advance based on the second input data a demand forecasting unit that generates environmental pollution risk using Selecting a plurality of feasible actions for operating a plurality of air conditioners/heaters to satisfy the energy demand, obtaining energy production for each of the plurality of possible actions, and based on a pre-stored cost table, an optimization unit that calculates a cost for energy production and determines an optimal action based on a cost for each of the plurality of possible actions and the environmental stigma risk; And it provides a building energy management device comprising a production estimator for calculating the energy production for each of the plurality of possible actions.
  • a computer program stored in a computer-readable recording medium to execute each step included in the building energy management method.
  • one of a plurality of energy production methods that can satisfy the predicted demand is selected to reduce energy consumption in terms of cost.
  • FIG. 1 is a schematic block diagram of a building energy management apparatus according to an embodiment of the present disclosure.
  • FIG. 2 is an exemplary diagram of a deep learning-based prediction model according to an embodiment of the present disclosure.
  • FIG. 3 is a schematic illustration of a method for estimating energy production according to an embodiment of the present disclosure.
  • FIG. 4 is a schematic illustration of a method for determining an optimal action according to an embodiment of the present disclosure.
  • FIG. 5 is a flowchart for a building energy management method according to an embodiment of the present disclosure.
  • This embodiment discloses a deep learning-based building energy building energy management method and apparatus. More specifically, in order to reduce consumption and cost by comprehensively predicting heating and cooling energy demand and production in a large building, after predicting energy demand based on deep learning, a plurality of To provide a building energy management method and apparatus for optimizing energy consumption in terms of cost by selecting one of the energy production methods.
  • the cooling/heating unit is collectively referred to as a cooling unit, a heating unit, and a cooling/heating unit having all of the cooling/heating functions.
  • FIG. 1 is a schematic block diagram of a building energy management apparatus according to an embodiment of the present disclosure.
  • the building energy management apparatus 100 (hereinafter 'energy management apparatus') according to this embodiment predicts the energy demand by using a deep learning-based prediction model, and estimates the energy production according to a possible action. In addition, the energy management apparatus 100 determines an optimal action for optimizing energy production based on the cost.
  • the energy management device 100 includes all or part of an input unit 102 , a demand predictor 104 , a production estimator 106 , and an optimizer 108 .
  • components included in the energy management apparatus 100 according to the present embodiment are not necessarily limited thereto.
  • the energy management apparatus 100 may additionally include a training unit (not shown) for training the predictive model, or may be implemented in a form that interworks with an external training unit.
  • the input unit 102 obtains input data and provides it to the demand prediction unit 104 side.
  • the input data may include all or part of the previous energy demand (which has the same meaning as the previous energy production or consumption), the outside temperature, the outside temperature in the morning, the time and the inlet temperature of the air conditioner. .
  • the external temperature is a temperature at the time when the energy demand is predicted, and the outside temperature in the morning represents the temperature at the start of the operation of the air conditioner/heater (eg, 9:00 am).
  • the input 102 may include a sensor.
  • the external temperature at times (t+1) and (t+2) after the prediction time t may be input based on, for example, a weather forecast for each time period.
  • times (t-2), (t-1), and t indicate previous and current prediction times, and intervals between each prediction time may be set at a preset interval (eg, 30 minutes).
  • the reason for using this time as input data is that, in the case of a large building, the amount of energy demand may vary according to time (eg, the operation of the air conditioner/heater may be limited at night). As shown in Table 1, 17 pieces of input data according to the present embodiment are not necessarily limited thereto.
  • the demand forecasting unit 104 predicts the energy demand at (t+1), (t+2), and (t+3) times by using a prediction model based on the input data.
  • Time points (t+1), (t+2), and (t+3) at which energy demand is predicted are examples, and the frequency and interval of prediction points may vary depending on the size, season, cost, etc. of a building.
  • FIG. 2 is an exemplary diagram of a deep learning-based prediction model according to an embodiment of the present disclosure.
  • the predictive model may be implemented as a deep neural network.
  • the predictive model includes an input layer that receives input data, at least one hidden layer, and an output layer.
  • the input layer receives 17 pieces of input data as described above, but performs min-max normalization.
  • the output layer outputs the amount of energy demand at (t+1), (t+2), and (t+3) times.
  • the example of FIG. 2 assumes that the prediction model is a deep neural network, but is not necessarily limited thereto, and other types of deep learning-based techniques may be used.
  • the energy management apparatus 100 may learn the prediction of the energy demand amount with respect to the prediction model. To this end, the energy management apparatus 100 may allow the training unit to use the input data for learning and the target energy demand collected in advance. That is, the training unit may perform training on the prediction model based on the input data for learning and the target energy demand amount.
  • the input data for training is input to the input layer of the predictive model after maximum and minimum normalization is applied, and the amount of energy demand is inferred by the predictive model based on this.
  • the training unit defines a loss function based on the difference between the energy demand amount inferred by the predictive model based on the input data for learning and the target energy demand amount, and reduces the loss function of the predictive model. You can update parameters.
  • the production estimator 106 calculates the energy production at (t+1), (t+2), and (t+3) times based on the analysis result of the energy produced by the cooling/heating unit. To this end, the production estimation unit 106 obtains a possible action from the optimization unit 108 .
  • the possible action represents a scenario for cooling or heating based on a combination of various air conditioners/heaters in a building, operating conditions of each air conditioner/heater, and a driving method of each air conditioner/heater. For example, if the weather suddenly becomes very cold and you have to turn on the heating very strongly in the morning, decide whether to use an electric system air conditioner, an oil stove, or a fireplace for firewood, and how many units to use. Should be.
  • the selection of such an air conditioner/heater may be based on the amount of heating demand, fuel cost/electricity cost consumed, how quickly it is heated after operation, and the like. Therefore, the operation scenario for cooling or heating based on the determination of the cooling/heating machine and the combination of factors affecting it may be an action.
  • FIG. 3 is a schematic illustration of a method for estimating energy production according to an embodiment of the present disclosure.
  • the production estimator 106 obtains a possible action from the optimizer 108 and calculates the energy production at (t+1), (t+2), (t+3) times. Calculate.
  • air conditioners that can be used by the production estimator 106
  • AC Absorption Chiller
  • TC Trobo Chiller, turbo chiller
  • STC Small TC
  • LTC Large TC
  • AC is present as a heater.
  • AC takes about 1 hour to output the rated capacity
  • TC requires about 10 minutes.
  • Each air conditioner/heater has an analysis table including information on the energy produced representing possible energy production according to the operating state at (t-1), time t.
  • a plurality of such analysis tables may exist based on weather, time, operating state (initial operation state, rated capacity output state, etc.).
  • the production estimator 106 may calculate the energy production for possible actions based on this analysis table.
  • the production estimator 106 may calculate the energy production in consideration of the delay until the rated capacity is output after operation (eg, 1 hour in the case of AC, 10 minutes in the case of TC). For example, in the case where AC was not operated in the previous time, the production estimator 106 may calculate the energy production for cooling in consideration of TC first. In the case of heating, the production estimator 106 calculates the delay until the rated capacity is output after operation (eg, 1 hour in the case of AC), and the residual energy (eg, 30 minutes in the case of AC) generated after stopping the operation. Energy production can be calculated by taking this into account.
  • the production estimation unit 106 calculates the energy production for one possible action, it is provided to the optimization unit 108 .
  • FIG. 4 is a schematic illustration of a method for determining an optimal action according to an embodiment of the present disclosure.
  • the optimization unit 108 obtains the energy demand at (t+1), (t+2), and (t+3) from the demand prediction unit 104, and selects a possible action that can be applied to the obtained demand. It is provided to the production estimator 106 and obtains energy production at (t+1), (t+2), (t+3) for possible actions.
  • the energy demand is a value near 0 (for example, a value included in a preset range between - ⁇ and ⁇ ( ⁇ is a positive real number))
  • the optimizer 108 may not operate the air conditioner/heater. , do not select a possible action. For example, spring or autumn may correspond to this case.
  • the optimizer 108 calculates the cost for one possible action using a cost table according to whether cooling or heating. can By repeating the process as described above to calculate and compare costs for a plurality of possible actions, the optimizer 108 may determine as an optimal action a possible action that minimizes costs according to energy production while satisfying energy demand. .
  • the optimizer 108 When operating the AC according to the optimal action, the optimizer 108 causes the AC to be activated for at least three time steps (eg, (t+1), (t+2), (t+3)). . This is because, while the time interval according to the present embodiment is set to 30 minutes, it is assumed that the AC is delayed by 1 hour until the rated output is reached.
  • the optimizer 108 regards this as a temporary error. It can determine, stop the operation of the air conditioner/heater, or maintain the previous operating state.
  • the optimization unit 108 performs the previous operation for the cooling/heating unit. state can be maintained.
  • the optimization unit 108 may operate the air conditioner/heater based on the optimal action, measure the energy consumption actually consumed by the air conditioner/heater, and then cause the production estimation unit 106 to store the measurement result.
  • the energy management apparatus 100 may use the production estimation unit 106 as a database for the table and existing legacy data as described above.
  • a legacy capable action eg, a possible action at time (t+1), (t+2), (t+3), hereinafter 'legacy action'
  • the legacy action can be later compared with a possible action (hereinafter, 'deep learning action') by the deep learning-based energy management method according to the present embodiment in terms of air conditioner operation, energy consumption, cost, and the like.
  • energy production eg, energy production at time (t+1), (t+2), (t+3)
  • energy production at time (t+1), (t+2), (t+3) for cooling or heating according to the legacy action may be stored. This can also be compared to deep learning actions in terms of energy consumption and cost.
  • An analysis table used for estimation of energy production (eg, energy production at time (t+1), (t+2), (t+3)) for cooling or heating according to the deep learning action may be stored. .
  • a table of costs for energy production (eg, costs at time (t+1), (t+2), (t+3)) may be stored.
  • costs at time (t+1), (t+2), (t+3) may be stored.
  • a table for each season, month, day, and time period may be stored.
  • deep learning actions and legacy actions can use the same cost table.
  • the production estimator 106 may store measured data on the amount of energy consumption actually consumed by the air conditioner/heater, and use it as input data of the prediction model in the next time step.
  • the device (not shown) on which the energy management apparatus 100 according to the present embodiment is mounted may be a programmable computer, and it is assumed that it is mounted on a server or a programmable computer having a computing capability equivalent to that of the server.
  • FIG. 5 is a flowchart for a building energy management method according to an embodiment of the present disclosure.
  • the energy management device 100 acquires input data (S500).
  • the input data may include all or part of the previous energy demand (which has the same meaning as the previous energy production or consumption accordingly), the outside temperature, the outside temperature in the morning, time, and the inlet temperature of the air conditioner. .
  • the energy management device 100 predicts the energy demand by using a deep learning-based prediction model based on the input data (S502).
  • the predictive model is implemented as a deep learning-based deep neural network, and can be trained in advance based on the input data for learning and the target energy demand.
  • the energy management device 100 selects a plurality of possible actions for operating a plurality of air conditioners/heaters in order to satisfy the energy demand (S504).
  • the possible action represents a scenario for cooling or heating based on a combination of selection of various air conditioners/heaters in a building, operating conditions of each air conditioner/heater, and an operation method of each air conditioner/heater.
  • the energy management apparatus 100 calculates the energy production for each of a plurality of possible actions (S506).
  • Each air conditioner/heater has an analysis table containing information about the energy produced representing the possible energy production according to the operating conditions at times t-1, t. Based on this analysis table, the energy management apparatus 100 may calculate the energy production for the possible action.
  • the energy management apparatus 100 calculates the cost for energy production and compares the cost for each of a plurality of possible actions, and determines a possible action that minimizes the cost as an optimal action ( S508 ).
  • a cost for one possible action may be calculated using a seasonal cost table according to whether cooling or heating is performed.
  • the energy management apparatus 100 may determine a possible action that minimizes costs according to energy production while satisfying energy demand as an optimal action.
  • the energy management apparatus 100 operates all or part of a plurality of air conditioners/heaters based on an optimal action, and measures energy consumption according to the operation ( S510 ). After the measured energy consumption is stored in the database, it can be used as input data of the predictive model at the next time step.
  • one of a plurality of energy production methods that can satisfy the predicted demand is selected to reduce energy consumption in terms of cost.
  • the energy management device 100 predicts energy demand and ancillary indicators using a predictive model and auxiliary deep learning models (hereinafter, 'auxiliary models'), Estimate energy production according to possible actions based on these energy demand and ancillary indicators. It also determines the optimal action to optimize energy production based on cost and ancillary metrics.
  • ancillary indicators include (i) facility indicators such as expected lifespan of air conditioners/heaters, failure probability, etc., (ii) environmental indicators such as environmental pollution risk, and (iii) number of occupants in the building, prediction of specific areas in the building It may include all or part of other indicators such as sales. Accordingly, auxiliary models may be used to estimate all or some of the ancillary indicators.
  • the input unit 102 may additionally obtain input data for auxiliary models.
  • Input data for estimating facility indicators include total operating time for each cooling/heating unit, operating time during operation, time elapsed since the last operation was completed, vibration data (when a noise/vibration sensor is installed in the rotating part of the cooling/heating unit), It may include lubricating oil temperature, motor input current, and the like.
  • the input data for estimating the number of occupants in the building is the number of people extracted from each gate/escalator/elevator using CCTV/IR (Infrared) cameras, the number of people connected to the mobile phone base station at the site where the building is located, (office It can include the number of people entering the security gate (in the case of a building), the number of card transactions (in the case of a commercial building), and the number of vehicles entering and exiting the parking lot.
  • CCTV/IR Infrared
  • the estimated sales of a specific area within a building among other indicators may be obtained after being calculated from previous sales and sales plans of stores within the specific area.
  • Input data for estimating environmental indicators include carbon dioxide concentration, dust sensor data, noxious gas sensor data, outside air fine dust measurement value (or fine dust related weather forecast), airborne transmission risk alarm situation (eg, flu or Covid-19). etc.) and the like.
  • the input data for estimating the ancillary indicator is not necessarily limited to the above, and any potential data correlating with the ancillary indicator may be added as input data.
  • the demand forecasting unit 104 may include all or part of a predictive maintenance model, a personnel estimation model, and an environmental risk prediction model as auxiliary models in addition to the predictive model.
  • the predictive maintenance model uses the input data for estimating the facility index, predict indicators.
  • the occupancy model predicts the number of occupants in the building at (t+1), (t+2), and (t+3) times using input data for estimating the number of occupants. In this case, the number of occupants may be predicted for each area in the building.
  • the environmental risk prediction model predicts environmental indicators such as environmental pollution risk at (t+1), (t+2), and (t+3) times using input data for estimating environmental indicators. Accordingly, the demand forecasting unit 104 may generate an energy demand amount and ancillary indicators by using the predictive model and auxiliary models.
  • Auxiliary models including a predictive maintenance model, a personnel estimation model, and an environmental risk prediction model are implemented with a deep neural network, and each auxiliary model may include an input layer that accepts input data, at least one hidden layer, and an output layer.
  • each auxiliary model is a deep neural network, it is not necessarily limited thereto, and other types of deep learning-based techniques may be used.
  • the energy management apparatus 100 may train each of the auxiliary models.
  • the energy management apparatus 100 may allow the training unit to use input data and target data for learning for each auxiliary model, collected in advance. That is, the training unit may perform training on each of the auxiliary models based on the input data for learning and the target data.
  • the demand forecasting unit 104 may include all or part of ancillary indicators generated by the auxiliary models in the input data for the predictive model. Accordingly, the predictive model may provide an amount of energy demand based on all or part of the input data illustrated in Table 1, and ancillary indicators.
  • the production estimator 106 calculates the energy production at (t+1), (t+2), (t+3) time for one possible action based on the analysis result of the energy produced by the cooling/heating unit do.
  • the possible action is a driving scenario for cooling or heating.
  • the possible action may reflect the damper open ratio of the air conditioner as one of the driving conditions.
  • the damper opening ratio is a factor controlling the mixing ratio of the outside air and the indoor air.
  • the optimization unit 108 obtains the energy demand amount and ancillary indices at (t+1), (t+2), and (t+3) from the demand forecasting unit 104, and uses the obtained demand quantity and the ancillary indices. A possible action that can be satisfied is selected and provided to the production estimator 106 side.
  • the optimization unit 108 may select possible actions in consideration of the damper opening ratio. Since the inflow ratio of indoor air to the air conditioner can be adjusted by adjusting the damper opening ratio according to the temperature difference between indoors and outdoors, the optimizer 108 can provide a possible action according to the damper opening ratio.
  • the optimizer 108 may select a possible action in consideration of the facility index. Based on the expected lifespan and failure probability of the air conditioner/heater, a possible action may be provided so that a plurality of air conditioners/heaters can be used evenly so that a specific air conditioner/heater is not intensively used in terms of predictive maintenance of facilities.
  • the optimization unit 108 may select a possible action in consideration of the number of occupants in the building among other indicators. When the number of occupants is large, a possible action of strongly operating cooling/heating may be provided. In addition, when there are many occupants of a specific area in the building, a possible action for strongly operating cooling/heating for this specific area may be provided.
  • the optimizer 108 may select a possible action in consideration of the expected sales of a specific area within the building among other indicators.
  • the expected sales of a specific area are expected to increase (eg, when a store in a specific area conducts a sale)
  • a possible action for strongly operating air conditioning/heating for the specific area may be provided.
  • the optimization unit 108 obtains the energy production at (t+1), (t+2), (t+3) for the possible actions from the production estimation unit 106, and based on this, whether cooling or heating
  • the cost for one possible action can be calculated using the cost table according to .
  • the optimizer 108 may calculate the cost in consideration of the ancillary indices obtained from the demand predictor 104 . By repeating the process as described above to calculate and compare costs for a plurality of possible actions, the optimizer 108 selects the possible actions that minimize the cost according to the energy production while satisfying the energy demand and ancillary indicators. can be decided with
  • the optimizer 108 may consider the energy production cost according to the damper opening ratio.
  • energy production cost can be reduced by adjusting the damper opening ratio to increase the indoor air inflow ratio to the air conditioner.
  • the optimizer 108 may perform an appropriate compromise between reducing production costs and complying with environmental indicators in consideration of regulatory matters.
  • the optimizer 108 may select an optimal action in consideration of the facility index. Based on the expected lifespan and failure probability of the air conditioner/heater, the optimal action can be selected by compromising the predictive maintenance aspect of the facility and the production cost reduction.
  • the optimization unit 108 may determine the optimal action in consideration of the estimated sales of a specific area within the building among other indicators. When the expected sales of a specific area are expected to increase, even if the production cost is higher, the possible action of strongly operating the cooling/heating for the specific area may be determined as the optimal action.
  • each process is sequentially executed in each flowchart according to the present embodiment
  • the present invention is not limited thereto.
  • the flowchart since it may be applicable to change and execute the processes described in the flowchart or to execute one or more processes in parallel, the flowchart is not limited to a time-series order.
  • Various implementations of the systems and techniques described herein include digital electronic circuitry, integrated circuits, field programmable gate arrays (FPGAs), application specific integrated circuits (ASICs), computer hardware, firmware, software, and/or combination can be realized. These various implementations may include being implemented in one or more computer programs executable on a programmable system.
  • the programmable system includes at least one programmable processor (which may be a special purpose processor) coupled to receive data and instructions from, and transmit data and instructions to, a storage system, at least one input device, and at least one output device. or may be a general-purpose processor).
  • Computer programs also known as programs, software, software applications or code
  • the computer-readable recording medium includes all types of recording devices in which data readable by a computer system is stored. These computer-readable recording media are non-volatile or non-transitory, such as ROM, CD-ROM, magnetic tape, floppy disk, memory card, hard disk, magneto-optical disk, and storage device. media, and may further include transitory media such as carrier waves (eg, transmission over the Internet) and data transmission media.
  • the computer-readable recording medium is distributed in network-connected computer systems, and computer-readable codes may be stored and executed in a distributed manner.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

본 실시예는, 대형 건물에서의 냉난방 에너지 수요와 생산을 통합적으로 예측하여 소비량과 비용을 절감하기 위해, 딥러닝(deep learning) 기반으로 에너지 수요를 예측한 후, 예측 수요를 만족시킬 수 있는 복수의 에너지 생산 방법 중 하나를 선택함으로써, 비용 측면에서 에너지 소비에 대한 최적화를 수행하는 빌딩 에너지 관리방법 및 장치를 제공한다.

Description

딥러닝 기반 빌딩 에너지 관리방법 및 장치
본 개시는 딥러닝 기반 빌딩 에너지 관리방법 및 장치에 관한 것이다. 더욱 상세하게는, 대형 건물에서의 냉난방 에너지 수요와 생산을 통합적으로 예측하여 소비량과 비용을 절감하기 위해, 딥러닝(deep learning) 기반으로 에너지 수요를 예측한 후, 예측 수요를 만족시킬 수 있는 복수의 에너지 생산 방법 중 하나를 선택함으로써, 비용 측면에서 에너지 소비에 대한 최적화를 수행하는 빌딩 에너지 관리방법 및 장치에 관한 것이다.
이하에 기술되는 내용은 단순히 본 발명과 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
빌딩 에너지에 대한 수요 예측과 이에 기반한 효율적인 운전은 에너지 비용과 지구 환경에 미치는 영향이 매우 크다. 대형 업무용 건물의 경우, BEMS(Building Energy Management System)에 기반하여 전력, 각종 설비 및 냉난방을 제어하는 것이 보편화된 최근의 추세이다. 이러한 BEMS는 그 활용 방안에 따라 건물에 대한 자동운전을 가능하게 할 뿐만 아니라, 에너지 사용량 및 비용 최소화도 가능하도록 한다. 이를 위해서는 각 설비의 기계적, 전기적인 효율을 향상시키는 방법과 이들에 대한 운전 방법의 개선이 뒷받침되어야 한다.
BEMS는 각 설비에 설치된 센서의 출력 데이터와 외부 환경 변수(외기 온도, 습도 등)를 데이터베이스(database)에 실시간으로 장기간 기록하여 빅데이터(big data)를 축적하는 것이 가능하다. BEMS 데이터베이스에 축적되는 방대한 빅데이터를 기반으로 머신 러닝(machine learning), 심층신경망(deep neural network) 등과 같은 여러 가지 AI(Artificial Intelligence) 기술을 이용하여 냉난방 에너지 수요를 예측하고, 소요량과 비용을 절감할 수 있는 운전조건을 제시하는 다양한 방법들이 제시되고 있다.
이러한 방법들은 대부분 빅데이터로부터 에너지 수요 예측 모델을 추출해 내고, 이 수요를 충족하기 위해 적절한 용량과 설비대수에 기반하는 운전 형태를 결정하는 이원화된 방식을 기반으로 한다. 수요 예측 모델 추출에 적용되는 방법으로는 전통적인 선형 회귀분석(linear regression)에 기반한 통계적인 기법, 심층신경망(deep neural network) 기반의 AI 기법 등이 이용되고 있다. 뿐만 아니라, 랜덤 포레스트 회귀분석(random forest regression)과 같은 기계학습 기법이 이용되기도 한다.
최근에는 강화학습(reinforcement learning) 기법을 적용하여 데이터센터(data center)에서의 냉방 에너지의 사용량 절감한 예도 존재한다(비참조문헌 1 참조). 데이터센터는 에너지 수요와 온도제어 목표가 명확하고 에너지 입력에 대한 온도 응답이 잘 작동하므로, 강화학습과 같은 고도화된 AI 기법이 적용되기 용이하다. 반면, 대형 업무용 건물은 고도화된 AI 기법이 잘 작동하기 어려운 환경적, 운영적 제약조건을 다수 내포하기 때문에, AI 기법의 일괄적 적용이 어렵다는 문제가 있다. 예를 들어, 기존 방법은 외부 기후환경 변수와 건물 사용자에 의한 변동이 거의 없는 데이터 센터에 대해 강화학습을 적용하여 에너지 절감 가능성을 확인하였다. 이에 반해, 대형 건물은 다양한 외부 교란 요인에 따라 에너지 입력, 내부 온도 등이 수시로 변동하기 때문에 강화학습 기반의 종래의 기법이 적용될 수 없다.
따라서, 대형 건물이 갖는 다양한 외부 요인에도 불구하고, 딥러닝 기술에 기반하여 대형 건물의 에너지 수요를 예측하고 이를 이용하여 효율적으로 건물을 운용하는 방법에 대한 고려가 필요하다.
(선행기술문헌)
(비특허문헌)
(비특허문헌 1) "Transforming Cooling Optimization for Green Data Center via Deep Reinforcement Learning", Yuanlong Li, Yonggang Wen, KyleGuan, and Dacheng Tao, 2018.
본 개시는, 대형 건물에서의 냉난방 에너지 수요와 생산을 통합적으로 예측하여 소비량과 비용을 절감하기 위해, 딥러닝(deep learning) 기반으로 에너지 수요를 예측한 후, 예측 수요를 만족시킬 수 있는 복수의 에너지 생산 방법 중 하나를 선택함으로써, 비용 측면에서 에너지 소비에 대한 최적화를 수행하는 빌딩 에너지 관리방법 및 장치를 제공하는 데 주된 목적이 있다.
본 개시의 실시예에 따르면, 컴퓨팅 장치가 수행하는 빌딩 에너지 관리방법에 있어서, 제1 입력 데이터 및 제2 입력 데이터를 획득하는 과정; 상기 제1 입력 데이터를 기반으로 딥러닝(deep learning) 기반 예측 모델을 이용하여 에너지 수요량을 예측하는 과정; 상기 에너지 수요량을 만족시키기 위해 복수의 냉/난방기를 가동시키기 위한 복수의 가능 액션(feasible action)을 선정하는 과정; 상기 복수의 가능 액션 각각에 대한 에너지 생산량을 산정하는 과정; 및 상기 에너지 생산량에 대한 비용을 산정하고, 상기 복수의 가능 액션 각각에 대한 비용을 비교함으로써, 상기 비용을 최소화하는 가능 액션을 최적 액션으로 결정하는 과정을 포함하는 것을 특징으로 하는 에너지 관리방법을 제공한다.
본 개시의 다른 실시예에 따르면, 상기 최적 액션을 기반으로 상기 복수의 냉/난방기의 전부 또는 일부를 가동하고, 상기 가동에 따른 에너지 소비량을 측정하는 과정을 더 포함하는 것을 특징으로 하는 에너지 관리방법을 제공한다.
본 개시의 다른 실시예에 따르면, 제1 입력 데이터 및 제2 입력 데이터를 획득하는 입력부; 상기 제1 입력 데이터를 기반으로 사전에 트레이닝된 딥러닝(deep learning) 기반 예측 모델을 이용하여 에너지 수요량을 예측하고, 상기 제2 입력 데이터를 기반으로 사전에 트레이닝된 딥러닝 기반의 환경위험예측 모델을 이용하여 환경오염 위험도를 생성하는 수요예측부; 상기 에너지 수요량을 만족시키기 위해 복수의 냉/난방기를 가동시키기 위한 복수의 가능 액션(feasible action)을 선정하고, 상기 복수의 가능 액션 각각에 대한 에너지 생산량을 획득하며, 기저장된 비용 테이블을 기반으로 상기 에너지 생산량에 대한 비용을 산정하여, 상기 복수의 가능 액션 각각에 대한 비용 및 상기 환경오명 위험도를 기반으로 최적 액션을 결정하는 최적화부; 및 상기 복수의 가능 액션 각각에 대한 에너지 생산량을 산정하는 생산추정부를 포함하는 것을 특징으로 하는 빌딩 에너지 관리장치를 제공한다.
본 개시의 다른 실시예에 따르면, 빌딩 에너지 관리방법이 포함하는 각 단계를 실행시키기 위하여 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터프로그램을 제공한다.
이상에서 설명한 바와 같이 본 실시예에 따르면, 대형 건물에 대해 딥러닝 기반으로 에너지 수요를 예측한 후, 예측 수요를 만족시킬 수 있는 복수의 에너지 생산 방법 중 하나를 선택하여 비용 측면에서 에너지 소비에 대한 최적화를 수행하는 빌딩 에너지 관리방법 및 장치를 제공함으로써, 대형 건물에 대한 에너지 소비량과 비용을 절감하는 것이 가능해지는 효과가 있다.
도 1은 본 개시의 일 실시예에 따른 빌딩 에너지 관리장치에 대한 개략적인 블록도이다.
도 2는 본 개시의 일 실시예에 따른 딥러닝 기반 예측 모델에 대한 예시도이다.
도 3은 본 개시의 일 실시예에 따른 에너지 생산량 추정 방안에 대한 개략적인 예시도이다.
도 4는 본 개시의 일 실시예에 따른 최적 액션 결정 방안에 대한 개략적인 예시도이다.
도 5는 본 개시의 일 실시예에 따른 빌딩 에너지 관리방법에 대한 흐름도이다.
이하, 본 발명의 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 실시예들을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 실시예들의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 본 실시예들의 구성요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성요소를 다른 구성요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 '포함', '구비'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 '…부', '모듈' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다.
본 실시예는 딥러닝 기반 빌딩 에너지 빌딩 에너지 관리방법 및 장치에 관한 내용을 개시한다. 보다 자세하게는, 대형 건물에서의 냉난방 에너지 수요와 생산을 통합적으로 예측하여 소비량과 비용을 절감하기 위해, 딥러닝(deep learning) 기반으로 에너지 수요를 예측한 후, 예측 수요를 만족시킬 수 있는 복수의 에너지 생산 방법 중 하나를 선택함으로써, 비용 측면에서 에너지 소비에 대한 최적화를 수행하는 빌딩 에너지 관리방법 및 장치를 제공한다.
이하, 냉/난방기는 냉방기, 난방기, 냉방/난방 기능을 모두 보유한 냉난방기 등을 통칭하여 나타낸다.
또한, 편의상 필요한 에너지량이 양(positive)인 경우는 냉방이 필요하고, 음(negative)인 경우는 난방이 필요한 것으로 가정한다.
도 1은 본 개시의 일 실시예에 따른 빌딩 에너지 관리장치에 대한 개략적인 블록도이다.
본 실시예에 따른 빌딩 에너지 관리장치(100, 이하 '에너지 관리장치')는 딥러닝 기반 예측 모델을 이용하여 에너지 수요량을 예측하고, 가능 액션(feasible action)에 따른 에너지 생산량을 추정한다. 또한, 에너지 관리장치(100)는 비용을 기준으로 에너지 생산을 최적화하기 위한 최적 액션을 결정한다. 에너지 관리장치(100)는 입력부(102), 수요예측부(demand predictor, 104), 생산추정부(production estimator, 106), 및 최적화부(optimizer, 108)의 전부 또는 일부를 포함한다. 여기서, 본 실시예에 따른 에너지 관리장치(100)에 포함되는 구성요소가 반드시 이에 한정되는 것은 아니다. 예컨대, 에너지 관리장치(100)는 예측 모델의 트레이닝을 위한 트레이닝부(미도시)를 추가로 구비하거나, 외부의 트레이닝부와 연동되는 형태로 구현될 수 있다.
입력부(102)는 입력 데이터를 획득하여 수요예측부(104) 측에 제공한다. 입력 데이터는, 표 1에 나타낸 바와 같이, 이전 에너지 수요량(이에 따른 이전 에너지 생산량 또는 소비량과 동일한 의미임), 외부 온도, 아침의 외부 온도, 시간 및 공조기 유입 온도의 전부 또는 일부를 포함할 수 있다.
Figure PCTKR2021003690-appb-img-000001
여기서, 외부 온도는 에너지 수요량이 예측되는 시점에서의 온도이고, 아침의 외부 온도는 냉/난방기의 운전의 시작되는 시점(예를 들어, 오전 9 시)에서의 온도를 나타낸다. 이러한 온도를 측정하기 위해 입력부(102)는 센서를 포함할 수 있다. 예측 시점 t 이후의 시간 (t+1), (t+2)에서의 외부 온도는, 예를 들어, 시간 대별 일기 예보에 기반하여 입력될 수 있다. 또한, 시간 (t-2), (t-1), t는 이전 및 현재의 예측 시점을 나타내며, 각 예측 시점 간은 기설정된 간격(예를 들어, 30 분)으로 설정될 수 있다. 이러한 시간을 입력 데이터로 사용하는 이유는, 대형 건물의 경우 시간에 따라 에너지 수요량이 달라질 수 있기 때문이다(예를 들어, 심야에는 냉/난방기의 가동이 제한될 수 있음). 표 1에 나타낸 바와 같이, 본 실시예에 따른 입력 데이터는 모두 17 개이나, 반드시 이에 한정하는 것은 아니다.
수요예측부(104)는 입력 데이터를 기반으로 예측 모델(prediction model)을 이용하여 (t+1), (t+2), (t+3) 시간에서의 에너지 수요량을 예측한다. 에너지 수요량이 예측되는 시점 (t+1), (t+2), (t+3)은 일 예시이며, 빌딩의 규모, 계절, 비용 등에 따라 예측 시점의 빈도 및 그 간격은 변동될 수 있다.
도 2는 본 개시의 일 실시예에 따른 딥러닝 기반 예측 모델에 대한 예시도이다.
도 2에 예시된 바와 같이, 예측 모델은 심층신경망(deep neural network)으로 구현될 수 있다. 예측 모델은 입력 데이터를 받아들이는 입력 레이어(input layer), 적어도 하나 이상의 은닉 레이어(hidden layer), 및 출력 레이어(output layer)를 포함한다. 여기서, 입력 레이어는 전술한 바와 같이 17 개의 입력 데이터를 받아들이되, 최대최소정규화(min-max normalization)를 수행한다. 또한, 출력 레이어는 (t+1), (t+2), (t+3) 시간에서의 에너지 수요량을 출력한다. 도 2의 예시는 예측 모델을 심층신경망인 것으로 가정하나, 반드시 이에 한정하는 것은 아니며, 다른 형태의 딥러닝 기반 기술이 이용될 수 있다.
한편, 에너지 관리장치(100)는 예측 모델에 대해 에너지 수요량에 대한 예측을 학습시킬 수 있다. 이를 위하여 에너지 관리장치(100)는 트레이닝부로 하여금 사전에 수집된 학습용 입력 데이터 및 타겟 에너지 수요량을 이용하도록 할 수 있다. 즉, 트레이닝부는 학습용 입력 데이터 및 타겟 에너지 수요량을 기반으로 예측 모델에 대한 트레이닝을 수행할 수 있다.
한편, 학습용 입력 데이터는 최대최소정규화가 적용된 후, 예측 모델의 입력 레이어에 입력되고, 이를 기반으로 예측 모델에 의해 에너지 수요량이 추론된다.
본 실시예에 따른 트레이닝부는, 학습용 입력 데이터를 기반으로 예측 모델이 추론한 에너지 수요량과 타겟 에너지 수요량 간의 차이에 기반하여 손실 함수(loss function)를 정의하고, 손실 함수를 감소시키는 방향으로 예측 모델의 파라미터를 업데이트할 수 있다.
생산추정부(106)는 냉/난방기의 생산 에너지에 대한 분석 결과를 기반으로 (t+1), (t+2), (t+3) 시간에서의 에너지 생산량을 산정한다. 이를 위하여 생산추정부(106)는 가능 액션(feasible action)을 최적화부(108)로부터 획득한다. 여기서, 가능 액션은 건물 내의 다양한 냉/난방기, 각 냉/난방기의 운전 조건, 각 냉/난방기의 운전 방식 등의 결합에 기반하는 냉방 또는 난방에 대한 시나리오를 나타낸다. 예컨대, 날씨가 갑자기 매우 추워져서 아침부터 난방을 아주 강하게 틀어야 하는 경우, 전기를 이용하는 시스템 에어컨을 사용할 지, 석유난로를 사용할 지, 장작을 때는 벽난로를 사용할 지, 또한 몇 대를 가동할 지를 결정해야 한다. 이러한 냉/난방기의 선택은 난방 수요량, 소모되는 연료비/전기료, 가동 후 얼마나 신속하게 난방되는 지 등에 기반할 수 있다. 따라서, 이러한 냉/난방기의 결정 및 이에 영향을 주는 요인들의 결합에 기반하는 냉방 또는 난방에 대한 운전 시나리오가 액션이 될 수 있다.
도 3은 본 개시의 일 실시예에 따른 에너지 생산량 추정 방안에 대한 개략적인 예시도이다.
전술한 바와 같이, 생산추정부(106)는 가능 액션(feasible action)을 최적화부(108)로부터 획득하여 (t+1), (t+2), (t+3) 시간에서의 에너지 생산량을 산정한다. 도 3의 예시에서, 생산추정부(106)가 이용할 수 있는 냉방기로는 AC(Absorption Chiller, 흡수식 냉온수기) 및 TC(Turbo Chiller, 터보 냉동기, STC는 Small TC, LTC는 Large TC임)가 존재하고, 난방기로는 AC가 존재한다. 통상 AC는 정격 용량을 출력시키기까지 1 시간 정도가 필요하고, TC는 10 분 정도가 필요한 것으로 알려져 있다.
각 냉/난방기는, (t-1), t 시간에서의 운전 상태에 따라 가능한 에너지 생산량을 나타내는 생산 에너지에 대한 정보를 포함하는 분석 테이블을 갖는다. 또한 이러한 분석 테이블은 날씨, 시간, 운전상태(가동 초기 상태, 정격 용량 출력 상태 등) 등에 기반하여 복수 개가 존재할 수 있다. 생산추정부(106)는 이러한 분석 테이블을 기반으로 가능 액션에 대한 에너지 생산량을 산정할 수 있다.
또한, 냉방인 경우, 생산추정부(106)는 가동 후 정격 용량이 출력될 때까지의 지연(예컨대, AC의 경우 1 시간, TC의 경우 10 분)을 고려하여 에너지 생산량을 산정할 수 있다. 예컨대, 이전 시간에 AC가 가동되지 않았던 상황인 경우, 생산추정부(106)는 TC를 먼저 고려하여 냉방을 위한 에너지 생산량을 산정할 수 있다. 난방인 경우, 생산추정부(106)는 가동 후 정격 용량이 출력될 때까지의 지연(예컨대, AC의 경우 1 시간), 및 가동 중지 후 발생되는 잔여에너지(예컨대, AC의 경우 30 분)를 고려하여 에너지 생산량을 산정할 수 있다.
생산추정부(106) 하나의 가능 액션에 대한 에너지 생산량 산정한 후, 이를 최적화부(108)에 제공한다.
도 4는 본 개시의 일 실시예에 따른 최적 액션 결정 방안에 대한 개략적인 예시도이다.
최적화부(108)는 수요예측부(104)로부터 (t+1), (t+2), (t+3)에서의 에너지 수요량을 획득하고, 획득된 수요량에 적용될 수 있는 가능 액션을 선택하여 생산추정부(106) 측에 제공하며, 가능 액션에 대한 (t+1), (t+2), (t+3)에서의 에너지 생산량을 획득한다. 에너지 수요량이 0 근처의 값(예를 들어, -α에서 α(α는 양의 실수) 간의 기설정된 범위에 포함되는 값)인 경우, 최적화부(108)는 냉/난방기를 가동시키지 않을 수 있으므로, 가능 액션을 선정하지 않는다. 예컨대, 봄 또는 가을이 이러한 경우에 해당할 수 있다.
생산추정부(106)로부터 획득한 에너지 생산량을 기반으로, 도 4에 예시된 바와 같이, 최적화부(108)는 냉방 또는 난방 여부에 따른 비용 테이블을 이용하여 하나의 가능 액션에 대한 비용을 산정할 수 있다. 전술한 바와 같은 과정을 반복하여 복수의 가능 액션에 대한 비용을 산정한 후 비교함으로써, 최적화부(108)는 에너지 수요량을 충족하면서도 에너지 생산량에 따른 비용을 최소화하는 가능 액션을 최적 액션으로 결정할 수 있다.
최적 액션에 따라 AC를 가동하는 경우, 최적화부(108)는 최소 3 개의 시간 단계(예를 들어, (t+1), (t+2), (t+3)) 이상 AC가 가동되도록 한다. 이는 본 실시예에 따른 시간 간격이 30 분으로 설정된 반면, AC가 정격 출력에 이르기까지 1 시간이 지연되는 것으로 가정하였기 때문이다.
한편, 수요예측부(104)로부터 획득한 시간 (t+1), (t+2), (t+3)에서의 에너지 수요량의 부호가 혼합된 경우, 최적화부(108)는 이를 일시적인 오류로 판단하고, 냉/난방기의 동작을 중지하거나, 이전 운전상태를 유지할 수 있다.
수요예측부(104)로부터 획득한 시간 (t+1), (t+2), (t+3)에서의 에너지 수요량이 모두 0인 경우, 최적화부(108)는 냉/난방기에 대해 이전 운전상태를 유지할 수 있다.
최적화부(108)는 최적 액션을 기반으로 냉/난방기를 가동하고, 냉/난방기가 실제로 소비하는 에너지 소비량을 측정한 후, 생산추정부(106)로 하여금 측정 결과를 저장하도록 할 수 있다.
한편, 에너지 관리장치(100)는 전술한 바와 같은 테이블 및 기존의 레거시(legacy) 데이터에 대한 데이터베이스로서 생산추정부(106)를 이용할 수 있다.
레거시 데이터로서 레거시 가능 액션(예컨대, 시간 (t+1), (t+2), (t+3)에서의 가능 액션, 이하 '레거시 액션')이 저장될 수 있다. 레거시 액션은 추후 본 실시예에 따른 딥러닝 기반 에너지 관리방법에 의한 가능 액션(이하, '딥러닝 액션')과, 냉/난방기 운전, 에너지 소비량, 비용 등의 측면에서 비교될 수 있다.
또다른 레거시 데이터로서 레거시 액션에 따른 냉방 또는 난방에 대한 에너지 생산량(예컨대, 시간 (t+1), (t+2), (t+3)에서의 에너지 생산량)이 저장될 수 있다. 이 또한, 에너지 소비량, 비용 등의 측면에서 딥러닝 액션과 비교될 수 있다.
딥러닝 액션에 따른 냉방 또는 난방에 대한 에너지 생산량(예컨대, 시간 (t+1), (t+2), (t+3)에서의 에너지 생산량)의 추정에 이용되는 분석 테이블이 저장될 수 있다.
에너지 생산량에 대한 비용(예컨대, 시간 (t+1), (t+2), (t+3)에서의 비용) 테이블이 저장될 수 있다. 이러한 비용 테이블로서 계절별, 월별, 일별 및 시간대별 테이블이 저장될 수 있다. 한편, 딥러닝 액션 및 레거시 액션은 동일한 비용 테이블을 이용할 수 있다.
생산추정부(106)는 냉/난방기가 실제로 소비하는 에너지 소비량에 대한 측정 데이터를 저장하고, 이를 다음 시간 단계에서 예측 모델의 입력 데이터로서 이용할 수 있다.
본 실시예에 따른 에너지 관리장치(100)가 탑재되는 디바이스(미도시)는 프로그램가능 컴퓨터일 수 있으며, 서버 또는 서버에 준하는 연산 능력을 보유하는 프로그램가능 컴퓨터에 탑재되는 것으로 가정한다.
도 5는 본 개시의 일 실시예에 따른 빌딩 에너지 관리방법에 대한 흐름도이다.
에너지 관리장치(100)는 입력 데이터를 획득한다(S500). 입력데이터는, 표 1에 나타낸 바와 같이, 이전 에너지 수요량(이에 따른 이전 에너지 생산량 또는 소비량과 동일한 의미임), 외부 온도, 아침의 외부 온도, 시간 및 공조기 유입 온도의 전부 또는 일부를 포함할 수 있다.
에너지 관리장치(100)는 입력 데이터를 기반으로 딥러닝 기반 예측 모델을 이용하여 에너지 수요량을 예측한다(S502). 예측 모델은 딥러닝 기반 심층신경망으로 구현되고, 학습용 입력 데이터 및 타겟 에너지 수요량을 기반으로 사전에 트레이닝될 수 있다.
에너지 관리장치(100)는 에너지 수요량을 만족시키기 위해 복수의 냉/난방기를 가동시키기 위한 복수의 가능 액션을 선정한다(S504). 여기서, 가능 액션은 건물 내의 다양한 냉/난방기에 대한 선택, 각 냉/난방기의 운전 조건, 각 냉/난방기의 운전 방식 등의 결합에 기반하는 냉방 또는 난방에 대한 시나리오를 나타낸다.
에너지 관리장치(100)는 복수의 가능 액션 각각에 대한 에너지 생산량을 산정한다(S506). 각 냉/난방기는, 시간 t-1, t에서의 운전 상태에 따라 가능한 에너지 생산량을 나타내는 생산 에너지에 대한 정보를 포함하는 분석 테이블을 갖는다. 이러한 분석 테이블을 기반으로 에너지 관리장치(100)는 가능 액션에 대한 에너지 생산량을 산정할 수 있다.
에너지 관리장치(100)는 에너지 생산량에 대한 비용을 산정하고, 복수의 가능 액션 각각에 대한 비용을 비교함으로써, 비용을 최소화하는 가능 액션을 최적 액션으로 결정한다(S508). 냉방 또는 난방 여부에 따른 계절별 비용 테이블을 이용하여 하나의 가능 액션에 대한 비용을 산정될 수 있다. 복수의 가능 액션에 대한 비용을 산정한 후 비교함으로써, 에너지 관리장치(100)는 에너지 수요량을 충족하면서도 에너지 생산량에 따른 비용을 최소화하는 가능 액션을 최적 액션으로 결정할 수 있다.
에너지 관리장치(100)는 최적 액션을 기반으로 복수의 냉/난방기의 전부 또는 일부를 가동하고, 가동에 따른 에너지 소비량을 측정한다(S510). 측정된 에너지 소비량은 데이터베이스에 저장된 후, 다음 시간 단계에서 예측 모델의 입력 데이터로서 이용될 수 있다.
이상에서 설명한 바와 같이 본 실시예에 따르면, 대형 건물에 대해 딥러닝 기반으로 에너지 수요를 예측한 후, 예측 수요를 만족시킬 수 있는 복수의 에너지 생산 방법 중 하나를 선택하여 비용 측면에서 에너지 소비에 대한 최적화를 수행하는 빌딩 에너지 관리방법 및 장치를 제공함으로써, 대형 건물에 대한 에너지 소비량과 비용을 절감하는 것이 가능해지는 효과가 있다.
본 개시의 다른 실시예에 있어서, 에너지 관리장치(100)는, 예측 모델 및 보조(auxiliary) 딥러닝 모델들(이하, '보조 모델들')을 이용하여 에너지 수요량 및 부수적인 지표를 예측하고, 이러한 에너지 수요량 및 부수적인 지표에 기반하는 가능 액션에 따른 에너지 생산량을 추정한다. 또한, 비용 및 부수적인 지표를 기준으로 에너지 생산을 최적화하기 위한 최적 액션을 결정한다. 여기서, 부수적인 지표는, (i) 냉/난방기의 예상 수명, 고장 확률 등과 같은 설비지표, (ii) 환경오염 위험도와 같은 환경지표, 및 (iii) 빌딩 내 재실인원, 빌딩 내 특정 구역의 예상매출액 등과 같은 기타지표의 전부 또는 일부를 포함할 수 있다. 따라서, 보조 모델들은 부수적인 지표의 전부 또는 일부를 추정하기 위해 이용될 수 있다.
입력부(102)는 보조 모델들에 대한 입력 데이터를 추가적으로 획득할 수 있다.
설비지표를 추정하기 위한 입력 데이터는, 냉/난방기별 총 운전시간, 가동 시 운전시간, 직전 운전 종료 후 경과 시간, (냉/난방기의 회전부위에 소음/진동 센서가 장착된 경우) 진동 데이터, 윤활유 온도, 전동기 입력 전류 등을 포함할 수 있다.
기타지표 중 빌딩 내 재실인원을 추정하기 위한 입력 데이터는, CCTV/IR(Infrared) 카메라 등을 이용하여 각 게이트/에스컬레이터/엘리베이터에서 추출한 인원 수, 빌딩이 위치하는 해당 사이트 휴대폰 기지국 접속 인원, (사무용 빌딩인 경우) 보안게이트 출입 인원, (상업용 빌딩인 경우) 카드 거래 건수,　주차장 출입한 차량 대수 등을 포함할 수 있다.
기타지표 중 빌딩 내 특정 구역의 예상매출액은, 이전 매출액, 특정 구역 내 매장의 매출 계획 등으로부터 산정된 후, 획득될 수 있다.
환경지표를 추정하기 위한 입력 데이터는, 이산화탄소 농도, 먼지 센서 데이터, 유해가스 센서 데이터, 외부공기 미세먼지 계측값(또는, 미세먼지 관련 기상 예보), 공기전파 전염위험 경보상황(예컨대, 독감 또는 Covid 등) 등을 포함할 수 있다.
부수적인 지표의 추정을 위한 입력 데이터가 전술한 바에 반드시 한정되는 것은 아니며, 부수적인 지표와 상관관계가 있는 잠재적인 데이터는 어느 것이든 입력 데이터로서 추가될 수 있다.
수요예측부(104)는 예측 모델 외에 보조 모델들로서 예지보전(predictive maintenance) 모델, 인원추정 모델 및 환경위험예측 모델의 전부 또는 일부를 포함할 수 있다. 여기서, 예지보전 모델은 설비지표를 추정하기 위한 입력 데이터를 이용하여, (t+1), (t+2), (t+3) 시간에서의 냉/난방기의 예상 수명, 고장 확률 등과 같은 설비지표를 예측한다. 인원추정 모델은 재실인원을 추정하기 위한 입력 데이터를 이용하여, (t+1), (t+2), (t+3) 시간에서의 빌딩 내 재실인원을 예측한다. 이때, 빌딩 내의 각 구역별로 재실인원이 예측될 수 있다. 환경위험예측 모델은 환경지표를 추정하기 위한 입력 데이터를 이용하여, (t+1), (t+2), (t+3) 시간에서의 환경오염 위험도와 같은 환경지표를 예측한다. 따라서, 수요예측부(104)는 예측 모델 및 보조 모델들을 이용하여 에너지 수요량 및 부수적인 지표를 생성할 수 있다.
예지보전 모델, 인원추정 모델 및 환경위험예측 모델을 포함하는 보조 모델들은 심층신경망으로 구현되고, 보조 모델 각각은 입력 데이터를 받아들이는 입력 레이어, 적어도 하나 이상의 은닉 레이어, 및 출력 레이어를 포함할 수 있다. 또한, 보조 모델 각각을 심층신경망인 것으로 가정하였으나, 반드시 이에 한정하는 것은 아니며, 다른 형태의 딥러닝 기반 기술이 이용될 수 있다.
한편, 에너지 관리장치(100)는 보조 모델 각각을 학습시킬 수 있다. 이를 위하여 에너지 관리장치(100)는 트레이닝부로 하여금, 사전에 수집된, 보조 모델 각각에 대한 학습용 입력 데이터 및 타겟 데이터를 이용하도록 할 수 있다. 즉, 트레이닝부는 학습용 입력 데이터 및 타겟 데이터를 기반으로 보조 모델 각각에 대한 트레이닝을 수행할 수 있다.
한편, 에너지 수요량을 예측함에 있어서, 수요예측부(104)는 보조 모델들이 생성한 부수적인 지표의 전부 또는 일부를 예측 모델에 대한 입력 데이터에 포함시킬 수 있다. 따라서, 예측 모델은, 표 1에 예시된 입력 데이터, 및 부수적인 지표의 전부 또는 일부에 기반하는 에너지 수요량을 제공할 수 있다.
생산추정부(106)는 냉/난방기의 생산 에너지에 대한 분석 결과를 기반으로 하나의 가능 액션에 대해 (t+1), (t+2), (t+3) 시간에서의 에너지 생산량을 산정한다. 전술한 바와 같이, 가능 액션은 냉방 또는 난방에 대한 운전 시나리오이다. 본 실시예와 같이, 부수적인 지표의 하나로서 환경지표가 이용되는 경우, 가능 액션은 운전 조건의 하나로서 공조기의 댐퍼 개방비율(damper open ratio)을 반영할 수 있다. 여기서, 댐퍼 개방비율은 외부공기와 실내공기의 혼합비율을 조절하는 인자이다.
최적화부(108)는 수요예측부(104)로부터 (t+1), (t+2), (t+3)에서의 에너지 수요량 및 부수적인 지표를 획득하고, 획득된 수요량 및 부수적인 지표를 만족시킬 수 있는 가능 액션을 선택하여 생산추정부(106) 측에 제공한다.
최적화부(108)는, 댐퍼 개방비율을 고려하여 가능 액션의 선택할 수 있다. 실내외 간 온도 차이에 따라 댐퍼 개방비율을 조절하여 실내공기의 공조기 유입 비율을 조절할 수 있으므로, 최적화부(108)는 댐퍼 개방비율에 따른 가능 액션을 제공할 수 있다.
최적화부(108)는 설비지표를 고려하여 가능 액션을 선택할 수 있다. 냉/난방기의 예상 수명 및 고장 확률을 기반으로, 설비 예지보전 측면에서 특정한 냉/난방기가 집중적으로 이용되지 않도록, 복수의 냉/난방기가 고르게 사용될 수 있도록 가능 액션이 제공될 수 있다.
최적화부(108)는 기타지표 중 빌딩 내 재실인원을 고려하여 가능 액션을 선택할 수 있다. 재실인원이 많은 경우, 냉/난방을 강하게 가동하는 가능 액션이 제공될 수 있다. 또한, 빌딩 내 특정 구역의 재실인원이 많은 경우, 이러한 특정 구역에 대한 냉/난방을 강하게 가동하기 위한 가능 액션이 제공될 수 있다.
최적화부(108)는 기타지표 중 빌딩 내 특정 구역의 예상매출액을 고려하여 가능 액션을 선택할 수 있다. 특정 구역의 예상매출액이 증가할 것으로 예상되는 경우(예컨대, 특정 구역의 매장이 세일을 실시하는 경우), 특정 구역에 대한 냉/난방을 강하게 가동하기 위한 가능 액션이 제공될 수 있다.
최적화부(108)는 가능 액션에 대한 (t+1), (t+2), (t+3)에서의 에너지 생산량을 생산추정부(106)로부터 획득하고, 이를 기반으로, 냉방 또는 난방 여부에 따른 비용 테이블을 이용하여 하나의 가능 액션에 대한 비용을 산정할 수 있다. 이때, 최적화부(108)는 수요예측부(104)로부터 획득한 부수적인 지표를 고려하여 비용을 산정할 수 있다. 전술한 바와 같은 과정을 반복하여 복수의 가능 액션에 대한 비용을 산정한 후 비교함으로써, 최적화부(108)는 에너지 수요량 및 부수적인 지표를 충족하면서도 에너지 생산량에 따른 비용을 최소화하는 가능 액션을 최적 액션으로 결정할 수 있다.
예컨대, 최적 액션의 결정 과정에서 최적화부(108)는 댐퍼 개방비율에 따른 에너지 생산 비용을 고려할 수 있다. 실내외 간 온도 차이가 큰 경우, 댐퍼 개방비율을 조절하여 실내공기의 공조기 유입 비율을 증가시킴으로써 에너지 생산 비용이 절감될 수 있다. 반면, 환경지표에 영향을 줄 수 있으므로, 최적화부(108)는 규제사항을 고려하여 생산 비용 절감과 환경지표 준수 간에 적절한 절충을 수행할 수 있다.
최적화부(108)는 설비지표를 고려하여 최적 액션을 선택할 수 있다. 냉/난방기의 예상 수명 및 고장 확률을 기반으로, 설비 예지보전 측면과 생산 비용 절감을 절충하여 최적 액션이 선택될 수 있다.
최적화부(108)는 기타지표 중 빌딩 내 특정 구역의 예상매출액을 고려하여 최적 액션을 결정할 수 있다. 특정 구역의 예상매출액이 증가할 것으로 예상되는 경우, 생산 비용이 더 소요되더라도 특정 구역에 대한 냉/난방을 강하게 가동하는 가능 액션이 최적 액션으로 결정될 수 있다.
본 실시예에 따른 각 순서도에서는 각각의 과정을 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 순서도에 기재된 과정을 변경하여 실행하거나 하나 이상의 과정을 병렬적으로 실행하는 것이 적용 가능할 것이므로, 순서도는 시계열적인 순서로 한정되는 것은 아니다.
본 명세서에 설명되는 시스템들 및 기법들의 다양한 구현예들은, 디지털 전자 회로, 집적 회로, FPGA(field programmable gate array), ASIC(application specific integrated circuit), 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합으로 실현될 수 있다. 이러한 다양한 구현예들은 프로그래밍가능 시스템 상에서 실행가능한 하나 이상의 컴퓨터 프로그램들로 구현되는 것을 포함할 수 있다. 프로그래밍가능 시스템은, 저장 시스템, 적어도 하나의 입력 디바이스, 그리고 적어도 하나의 출력 디바이스로부터 데이터 및 명령들을 수신하고 이들에게 데이터 및 명령들을 전송하도록 결합되는 적어도 하나의 프로그래밍가능 프로세서(이것은 특수 목적 프로세서일 수 있거나 혹은 범용 프로세서일 수 있음)를 포함한다. 컴퓨터 프로그램들(이것은 또한 프로그램들, 소프트웨어, 소프트웨어 애플리케이션들 혹은 코드로서 알려져 있음)은 프로그래밍가능 프로세서에 대한 명령어들을 포함하며 "컴퓨터가 읽을 수 있는　기록매체"에 저장된다.
컴퓨터가 읽을 수 있는　기록매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 이러한 컴퓨터가 읽을 수 있는　기록매체는 ROM, CD-ROM, 자기 테이프, 플로피디스크, 메모리 카드, 하드 디스크, 광자기 디스크, 스토리지 디바이스 등의 비휘발성(non-volatile) 또는 비일시적인(non-transitory) 매체일 수 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송) 및 데이터 전송 매체(data transmission medium)와 같은 일시적인(transitory) 매체를 더 포함할 수도 있다. 또한 컴퓨터가 읽을 수 있는　기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
(부호의 설명)
100: 빌딩 에너지 관리장치
102: 입력부 104: 수요예측부
106: 생산추정부 108: 최적화부
CROSS-REFERENCE TO RELATED APPLICATION
본 특허출원은 2020년 5월 20일 한국에 출원한 특허출원번호 제10-2020-0060330 호, 및 2021년 2월 22일 특허출원번호 제10-2021-0023203 호에 대해 우선권을 주장하며, 그 모든 내용은 참고문헌으로 본 특허출원에 병합된다.

Claims (14)

  1. 컴퓨팅 장치가 수행하는 빌딩 에너지 관리방법에 있어서,
    제1 입력 데이터 및 제2 입력 데이터를 획득하는 과정, 여기서, 상기 제1 입력 데이터는 에너지 수요량에 영향을 주는 인자이고, 상기 제2 입력 데이터는 환경오염 위험도에 영향을 주는 인자임;
    상기 제1 입력 데이터를 기반으로 딥러닝(deep learning) 기반 예측 모델을 이용하여 상기 에너지 수요량을 예측하는 과정;
    상기 에너지 수요량을 만족시키기 위해 복수의 냉/난방기를 가동시키기 위한 복수의 가능 액션(feasible action)을 선정하는 과정;
    상기 복수의 가능 액션 각각에 대한 에너지 생산량을 산정하는 과정; 및
    상기 에너지 생산량에 대한 비용을 산정하고, 상기 복수의 가능 액션 각각에 대한 비용을 이용하여 최적 액션을 결정하는 과정
    을 포함하는 것을 특징으로 하는 에너지 관리방법.
  2. 제1항에 있어서,
    상기 최적 액션을 기반으로 상기 복수의 냉/난방기의 전부 또는 일부를 가동하고, 상기 가동에 따른 에너지 소비량을 측정하는 과정을 더 포함하는 것을 특징으로 하는 에너지 관리방법.
  3. 제1항에 있어서,
    상기 제1 입력 데이터는,
    이전 에너지 소비량, 외부 온도, 아침 외부 온도, 예측 시간 및 공조기 유입 온도의 전부 또는 일부를 포함하는 것을 특징으로 하는 에너지 관리방법.
  4. 제3항에 있어서,
    상기 외부 온도는 상기 예측 시간에서의 외부의 온도이고, 상기 아침 외부 온도는 상기 냉/난방기가 가동을 시작하는 시점에서의 외부의 온도인 것을 특징으로 하는 에너지 관리방법.
  5. 제1항에 있어서,
    상기 예측 모델은,
    심층신경망(deep neural network)으로 구현되고, 학습용 입력 데이터 및 타겟 에너지 수요량을 기반으로 사전에 트레이닝되는 것을 특징으로 하는 에너지 관리방법.
  6. 제1항에 있어서,
    상기 가능 액션은,
    상기 복수의 냉/난방기에 대한 사용 결정, 및 상기 복수의 냉/난방기에 대한 운전 방식의 결합에 기반하는 냉방 또는 난방에 대한 시나리오인 것을 특징으로 하는 에너지 관리방법.
  7. 제1항에 있어서,
    상기 에너지 생산량을 산정하는 과정은,
    이전 시간 및 상기 예측 시간에서의 상기 복수의 냉/난방기의 운전 상태에 따른 생산 에너지에 대한 정보를 포함하는 분석 테이블을 기반으로 상기 에너지 생산량을 산정하는 것을 특징으로 하는 에너지 관리방법.
  8. 제1항에 있어서,
    상기 최적 액션을 결정하는 과정은,
    냉방 또는 난방에 따른 비용 테이블을 기반으로 상기 복수의 액션 각각에 따른 에너지 생산량에 대해 상기 비용을 산정하는 것을 특징으로 하는 에너지 관리방법.
  9. 제1항에 있어서,
    상기 제2 입력 데이터는,
    이산화탄소 농도, 먼지 센서 데이터, 유해가스 센서 데이터, 외부공기 미세먼지 계측값 또는 미세먼지 관련 기상 예보, 및 공기전파 전염위험 경보상황의 전부 또는 일부를 포함하는 것을 특징으로 하는 에너지 관리방법.
  10. 제1항에 있어서,
    상기 에너지 수요량을 예측하는 과정은,
    상기 제2 입력 데이터를 기반으로 사전에 트레이닝된 딥러닝 기반의 환경위험예측 모델을 이용하여 상기 환경오염 위험도를 생성하는 것을 특징으로 하는 에너지 관리방법.
  11. 제10항에 있어서,
    상기 최적 액션을 결정하는 과정은,
    상기 복수의 가능 액션 각각에 대한 비용 및 상기 환경오명 위험도를 기반으로 상기 최적 액션을 결정하는 것을 특징으로 하는 에너지 관리방법.
  12. 제1 입력 데이터 및 제2 입력 데이터를 획득하는 입력부, 여기서, 상기 제1 입력 데이터는 에너지 수요량에 영향을 주는 인자이고, 상기 제2 입력 데이터는 환경오염 위험도에 영향을 주는 인자임;
    상기 제1 입력 데이터를 기반으로 사전에 트레이닝된 딥러닝(deep learning) 기반 예측 모델을 이용하여 상기 에너지 수요량을 예측하고, 상기 제2 입력 데이터를 기반으로 사전에 트레이닝된 딥러닝 기반의 환경위험예측 모델을 이용하여 상기 환경오염 위험도를 생성하는 수요예측부;
    상기 에너지 수요량을 만족시키기 위해 복수의 냉/난방기를 가동시키기 위한 복수의 가능 액션(feasible action)을 선정하고, 상기 복수의 가능 액션 각각에 대한 에너지 생산량을 획득하며, 기저장된 비용 테이블을 기반으로 상기 에너지 생산량에 대한 비용을 산정하여, 상기 복수의 가능 액션 각각에 대한 비용 및 상기 환경오명 위험도를 기반으로 최적 액션을 결정하는 최적화부; 및
    상기 복수의 가능 액션 각각에 대한 에너지 생산량을 산정하는 생산추정부
    를 포함하는 것을 특징으로 하는 빌딩 에너지 관리장치.
  13. 제12항에 있어서,
    상기 최적화부는,
    상기 최적 액션을 기반으로 상기 복수의 냉/난방기의 전부 또는 일부를 가동하고, 상기 가동에 따른 에너지 소비량을 측정하는 것을 특징으로 하는 빌딩 에너지 관리장치.
  14. 명령어가 저장된, 컴퓨터로 읽을 수 있는 기록매체로서, 상기 명령어는 상기 컴퓨터에 의해 실행될 때 상기 컴퓨터로 하여금,
    제1 입력 데이터 및 제2 입력 데이터를 획득하는 과정, 여기서, 상기 제1 입력 데이터는 에너지 수요량에 영향을 주는 인자이고, 상기 제2 입력 데이터는 환경오염 위험도에 영향을 주는 인자임;
    상기 제1 입력 데이터를 기반으로 딥러닝(deep learning) 기반 예측 모델을 이용하여 상기 에너지 수요량을 예측하고, 상기 제2 입력 데이터를 기반으로 사전에 트레이닝된 딥러닝 기반의 환경위험예측 모델을 이용하여 상기 환경오염 위험도를 생성하는 과정;
    상기 에너지 수요량을 만족시키기 위해 복수의 냉/난방기를 가동시키기 위한 복수의 가능 액션(feasible action)을 선정하는 과정;
    상기 복수의 가능 액션 각각에 대한 에너지 생산량을 산정하는 과정; 및
    상기 에너지 생산량에 대한 비용을 산정하고, 상기 복수의 가능 액션 각각에 대한 비용을 이용하여 최적 액션을 결정하는 과정
    을 실행하도록 하는 것을 특징으로 하는, 컴퓨터로 읽을 수 있는 기록매체.
PCT/KR2021/003690 2020-05-20 2021-03-25 딥러닝 기반 빌딩 에너지 관리방법 및 장치 WO2021235670A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2020-0060330 2020-05-20
KR20200060330 2020-05-20
KR1020210023203A KR102632447B1 (ko) 2020-05-20 2021-02-22 딥러닝 기반 빌딩 에너지 관리방법 및 장치
KR10-2021-0023203 2021-02-22

Publications (1)

Publication Number Publication Date
WO2021235670A1 true WO2021235670A1 (ko) 2021-11-25

Family

ID=78698103

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/003690 WO2021235670A1 (ko) 2020-05-20 2021-03-25 딥러닝 기반 빌딩 에너지 관리방법 및 장치

Country Status (2)

Country Link
KR (1) KR102632447B1 (ko)
WO (1) WO2021235670A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102474031B1 (ko) * 2021-12-15 2022-12-02 고등기술연구원연구조합 수요예측방법을 구비한 고장예측 방법 및 이를 이용하는 장치
KR102646429B1 (ko) 2023-06-27 2024-03-13 (주)진명아이앤씨 효율적 에너지 관리가 가능한 딥러닝 기반 통합 관제 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150000602A (ko) * 2013-06-25 2015-01-05 삼성물산 주식회사 중앙집중관리 방식의 건물별 맞춤형 에너지 관리 서비스 제공 방법 및 서버
JP2018025962A (ja) * 2016-08-10 2018-02-15 東京瓦斯株式会社 運転計画立案方法、運転計画立案装置及びプログラム
KR20180084417A (ko) * 2017-01-17 2018-07-25 국민대학교산학협력단 해수담수화 플랜트의 에너지 관리 방법 및 시스템
KR101873333B1 (ko) * 2016-11-11 2018-08-03 한국에너지기술연구원 에너지 수요 예측 방법, 분산 에너지 관리 방법 및 시스템
KR101969505B1 (ko) * 2017-09-27 2019-08-14 한국에너지기술연구원 신재생 건물에너지시스템에서의 온도 및 실내상태 제어방법, 시스템 및 컴퓨터판독가능매체

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100557672B1 (ko) * 2004-02-12 2006-03-06 바스코리아 주식회사 사무용 건물설비의 최적관리 및 에너지 절감을 위한지능형 제어정보기

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150000602A (ko) * 2013-06-25 2015-01-05 삼성물산 주식회사 중앙집중관리 방식의 건물별 맞춤형 에너지 관리 서비스 제공 방법 및 서버
JP2018025962A (ja) * 2016-08-10 2018-02-15 東京瓦斯株式会社 運転計画立案方法、運転計画立案装置及びプログラム
KR101873333B1 (ko) * 2016-11-11 2018-08-03 한국에너지기술연구원 에너지 수요 예측 방법, 분산 에너지 관리 방법 및 시스템
KR20180084417A (ko) * 2017-01-17 2018-07-25 국민대학교산학협력단 해수담수화 플랜트의 에너지 관리 방법 및 시스템
KR101969505B1 (ko) * 2017-09-27 2019-08-14 한국에너지기술연구원 신재생 건물에너지시스템에서의 온도 및 실내상태 제어방법, 시스템 및 컴퓨터판독가능매체

Also Published As

Publication number Publication date
KR102632447B1 (ko) 2024-02-02
KR20210143645A (ko) 2021-11-29

Similar Documents

Publication Publication Date Title
US11860661B2 (en) Method and apparatus to assess and control energy efficiency of pump installed in facility of building systems
WO2021235670A1 (ko) 딥러닝 기반 빌딩 에너지 관리방법 및 장치
CN103597292B (zh) 用于建筑物的供暖、通风和空调hvac系统的监视系统和监视方法
CN107750323B (zh) 用于控制空调装置的启动的方法及其设备
WO2015163732A1 (en) Operating method and apparatus of smart system for power consumption optimization
WO2013176334A1 (ko) 지능형 건물 에너지 소비 관리 시스템
CN106461294A (zh) 热泵和空气调节分级系统及方法
WO2016186417A1 (ko) 공조 기기의 기동 제어 방법 및 장치
WO2015199457A1 (ko) 건물 정보 검출 방법 및 장치
KR102331117B1 (ko) 능동형 에너지 관리를 위한 소비 예측 절감 제어 시스템 및 소비 예측 절감 제어 프로그램
KR102170522B1 (ko) 관람객 수와 환경 변화를 고려한 전시홀 에너지 관리 시스템
US20230162734A1 (en) Voice command system and voice command method
US20140188571A1 (en) Apparatus and method for evaluating energy saving based on simulation
US10692302B2 (en) Servicing schedule method based on prediction of degradation in electrified vehicles
Gunay et al. Disaggregation of commercial building end-uses with automation system data
KR20160027481A (ko) 건물 에너지 효율화 및 서비스 평가 시스템 및 그의 처리 방법
US20240167711A1 (en) Simulation system and method for predicting heating and cooling load in building
KR102028601B1 (ko) 시설물의 에너지 사용량 예측 방법 및 장치
WO2014104829A1 (ko) 전력 부하 예측 방법 및 이러한 방법을 수행하는 장치
CN117714910A (zh) 一种基于物联网的楼宇对讲机控制系统
KR20220132710A (ko) Ai 및 홈네트워크 기반 원격검침 방법
CN110895018A (zh) 基于通信机房空调节能控制的供电诊断和告警方法与装置
KR20100089594A (ko) 친환경 에너지 관리 방법
JP5503949B2 (ja) 計測管理システム
Jradi et al. Dynamic energy model-based automatic building performance testing for continuous commissioning

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21808279

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 11/04/2023)

122 Ep: pct application non-entry in european phase

Ref document number: 21808279

Country of ref document: EP

Kind code of ref document: A1