WO2023038405A1 - 건물의 열 시뮬레이터 생성장치 및 방법 - Google Patents

건물의 열 시뮬레이터 생성장치 및 방법 Download PDF

Info

Publication number
WO2023038405A1
WO2023038405A1 PCT/KR2022/013371 KR2022013371W WO2023038405A1 WO 2023038405 A1 WO2023038405 A1 WO 2023038405A1 KR 2022013371 W KR2022013371 W KR 2022013371W WO 2023038405 A1 WO2023038405 A1 WO 2023038405A1
Authority
WO
WIPO (PCT)
Prior art keywords
heat transfer
target building
indoor temperature
heat
amount
Prior art date
Application number
PCT/KR2022/013371
Other languages
English (en)
French (fr)
Inventor
박정규
오상엽
강나루
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
Priority claimed from KR1020220112320A external-priority patent/KR20230036989A/ko
Application filed by 오토시맨틱스 주식회사 filed Critical 오토시맨틱스 주식회사
Publication of WO2023038405A1 publication Critical patent/WO2023038405A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Definitions

  • the present disclosure relates to an apparatus and method for generating a thermal simulator of a building. More specifically, it relates to an apparatus and method for generating a thermal simulator capable of predicting the indoor temperature of a target building.
  • the present invention is derived from a study conducted by Auto Semantics Co., Ltd., a supervising agency, with the support of the Small and Medium Business Technology Information Promotion Agency's Startup Growth Technology Development Project of the Ministry of Small and Medium Business. (Task identification number: 1425153715)
  • thermal simulator capable of simulating the thermal behavior of a building are based on various parameters ranging from thermal parameters such as temperature, humidity, and energy to a building as well as parameters related to architectural characteristics such as structure and physical properties.
  • Thermal parameters such as temperature, humidity, and energy
  • architectural characteristics such as structure and physical properties.
  • White box modeling which creates a physical model based on input and governing equations, and black, which infers the thermodynamic characteristics of buildings based on large amounts of data and machine learning/deep learning algorithms It can be classified as black box modeling.
  • EnergyPlus A representative example of white box modeling is EnergyPlus, which was developed by the US Department of Energy (DOE). EnergyPlus inputs the building's 3D architectural elements and physical properties, modeled HVAC (Heating, Ventilation, and Air Conditioning) facilities, meteorological data of the area where the building is located, and based on thermal RC circuit modeling for the building. to calculate the thermal behavior of the building over time.
  • DOE United States Department of Energy
  • This white-box modeling method has a problem in that it requires a lot of time and manpower to input data required for the simulator, such as detailed structural information and physical properties of the building. Typically, in the case of large buildings, it takes several months or more. In addition, there is a problem in that the error of the prediction result varies greatly depending on the precision of the input data. In order to reduce these errors, precise correction of the input data is required, which also requires a lot of time and manpower.
  • the learning model learns the correlation between various input variables that affect the thermal behavior of a building and output variables such as energy and temperature change of a building using a large amount of training data without a separate physical model.
  • This black box modeling method requires data accumulation and learning process whenever the target building is changed. In order to increase the prediction accuracy of the black box modeling method, a large amount of data is accumulated over a long period of time, and it is difficult to apply the previously obtained data and learning model even for similar types of buildings. there is.
  • an apparatus and method for generating a heat simulator of a building learn an indoor temperature prediction model using learning data corresponding to any one heat transfer mode among a plurality of preset heat transfer modes, and in any one heat transfer mode It is possible to create a thermal simulator that predicts the indoor temperature based on the measured values of the target building.
  • a heat simulator generating method performed by a heat simulator generating apparatus that predicts an indoor temperature of a target building, the step of determining one of a plurality of heat transfer modes preset for the target building ; generating an indoor temperature prediction model for the target building based on the heat transfer amount of the target building corresponding to the one heat transfer mode; and learning the indoor temperature prediction model to determine the predicted indoor temperature of the target building based on the measured value of the heat transfer amount and the indoor structural information of the target building using learning data corresponding to any one of the heat transfer modes.
  • a thermal simulator generating method comprising the step of doing.
  • an apparatus for generating a thermal simulator for predicting an indoor temperature of a target building includes a memory for storing one or more instructions; And a processor that executes the one or more instructions stored in the memory, wherein the processor determines one of a plurality of heat transfer modes preset for the target building by executing the one or more instructions, An indoor temperature prediction model for the target building is generated based on the heat transfer amount of the target building corresponding to any one heat transfer mode, and the heat transfer amount is measured using learning data corresponding to the one heat transfer mode.
  • a heat simulator generation device that trains the indoor temperature prediction model to determine the predicted indoor temperature of the target building based on the value and the indoor structural information of the target building.
  • an apparatus and method for generating a heat simulator of a building learn an indoor temperature prediction model using learning data corresponding to any one heat transfer mode among a plurality of preset heat transfer modes, By creating a heat simulator that predicts the indoor temperature based on the measurement values of the target building in the mode, it is possible to reduce the effort and cost required to construct the heat simulator of the building.
  • FIG. 1 is a block configuration diagram of an apparatus for generating a thermal simulator of a building according to an embodiment of the present disclosure.
  • FIG. 2 is a diagram for explaining a process of generating an indoor temperature prediction model by an apparatus for generating a thermal simulator according to an embodiment of the present disclosure.
  • FIG 3 is a diagram for explaining a plurality of heat transfer modes set according to an embodiment of the present disclosure.
  • FIG. 4 is a flowchart illustrating a method for generating a thermal simulator of a building according to an embodiment of the present disclosure.
  • symbols such as first, second, i), ii), a), and b) may be used. These codes are only for distinguishing the component from other components, and the nature or sequence or order of the corresponding component is not limited by the codes. In the specification, when a part is said to 'include' or 'include' a certain component, it means that it may further include other components, not excluding other components unless explicitly stated otherwise. .
  • Each component of the apparatus or method according to the present invention may be implemented as hardware or software, or a combination of hardware and software. Also, the function of each component may be implemented as software, and the microprocessor may be implemented to execute the software function corresponding to each component.
  • FIG. 1 is a block configuration diagram of an apparatus for generating a thermal simulator of a building according to an embodiment of the present disclosure.
  • a thermal simulator generator 100 may include a communication interface 110 , a processor 120 and a memory 130 .
  • the communication interface 110, the processor 120, and the memory 130 included in the thermal simulator generator 100 can mutually transmit data through the bus 140.
  • the communication interface 110 is communicatively connected to an external device so that the thermal simulator generator 100 transmits and receives data to obtain necessary information in the process of generating a simulator.
  • the communication interface 110 may receive measurement values measured by a plurality of sensors installed in a preset location of a target building.
  • the communication interface 110 is connected to an external database to receive data including various measured values in the target building measured in the past, or to connect to a building energy management system (BEMS) provided in the target building. data can be sent and received.
  • BEMS building energy management system
  • the processor 120 may determine one heat transfer mode among a plurality of heat transfer modes preset for the target building.
  • the plurality of preset heat transfer modes are a plurality of heat transfer modes set according to criteria classified according to the main heat transfer phenomenon that affects the indoor temperature of the building among various heat transfer phenomena that may occur in the building.
  • a plurality of preset heat transfer modes may be set based on at least one of date, time, and weather. For example, a heat transfer phenomenon by solar radiation energy affects the indoor temperature of a building during the daytime, but a heat transfer phenomenon by solar radiation energy does not occur during the night time. Accordingly, a plurality of preset heat transfer modes may be set to a day mode and a night mode based on time.
  • a building may or may not need heating as the seasons change.
  • the heat transfer phenomenon caused by the heating operation of the HVAC facility provided in the building affects the indoor temperature of the building, but during the season or specific period when heating is not required, the heat transfer phenomenon by the HVAC facility No heat transfer phenomenon occurs.
  • a plurality of preset heat transfer modes may be set based on the date.
  • the present invention is not limited thereto, and a plurality of heat transfer modes may be set by combining two or more criteria among date, time, and weather.
  • the processor 120 generates an indoor temperature prediction model for the target building based on the heat transfer amount of the target building corresponding to any one of the determined heat transfer modes.
  • the processor 120 determines heat transfer amounts for heat transfer phenomena that may occur in the determined heat transfer mode.
  • the heat transfer phenomenon is a major heat transfer phenomenon that should be commonly considered in the same heat transfer mode among the main heat transfer phenomena that affect the indoor temperature of a building.
  • the processor 120 may determine the heat transfer amount according to a combination of preset heat transfer amounts for each heat transfer mode among a plurality of preset heat transfer amounts.
  • the plurality of preset heat transfer amounts may be set to a heat transfer amount related to the external environment of the target building, a heat transfer amount related to the internal environment of the target building, and a heat transfer amount related to the HVAC of the target building, but are not limited thereto. Since the main heat transfer phenomena occurring in the building may vary depending on the location, structure, physical properties, use, etc. of the target building, a plurality of preset amounts of heat transfer may be set to more types of heat transfer amounts.
  • the amount of heat transfer to be considered may vary depending on the heat transfer mode. For example, when the heat transfer mode is set to the first period mode before the heating operation start date and the second period mode after the heating operation start date, the heat transfer amount corresponding to the first period mode is the heat transfer amount related to the external environment and the heat transfer related to the internal environment.
  • the heat transfer amount corresponding to the second period mode may be determined as a heat transfer amount related to the external environment, a heat transfer amount related to the internal environment, and a heat transfer amount related to the HVAC.
  • the processor 120 may determine a measured value and a heat transfer coefficient for each of the determined one or more heat transfer amounts.
  • the processor 120 may define the heat transfer amount based on one or more measured values and the heat transfer coefficient instead of various parameters required for calculating the heat transfer amount, and determine the measured value and heat transfer coefficient for each of the determined one or more heat transfer amounts. .
  • the measured value is a preset measured value from which the amount of heat transfer can be inferred by the corresponding heat transfer phenomenon.
  • it may be temperature, humidity, or amount of energy measured at a specific point in the building related to the heat transfer phenomenon, but is not limited thereto, and various factors that cause heat transfer in the building.
  • Measured values related to the operation of HVAC equipment, The number of occupants in a building, solar radiation, etc. may be set as measured values.
  • the heat transfer coefficient is an arbitrary coefficient representing a relationship between a measured value and the amount of heat transferred to a target building, and may have different values depending on the target building or heat transfer mode.
  • the processor 120 trains the indoor temperature prediction model to determine the predicted indoor temperature of the target building based on the measured value of the heat transfer amount and the indoor structural information of the target building using learning data corresponding to the heat transfer mode.
  • the indoor temperature prediction model generated by the processor 120 calculates the amount of heat transfer transferred to the inside of the target building from measured values measured in a specific heat transfer mode, and predicts the indoor temperature from the amount of heat transfer calculated using the physical relationship between the amount of heat and the temperature. It can be configured to determine.
  • the amount of heat transfer transferred to the room is calculated based on the measured value of the amount of heat transfer and the heat transfer coefficient.
  • the heat transfer coefficient is a value that varies depending on the target building or heat transfer mode, when the heat transfer mode for the indoor temperature to be predicted and the accurate heat transfer coefficient corresponding to the target building are determined, only the measured values are transferred to the target building. Accurate heat transfer amount can be calculated.
  • the indoor temperature prediction model determines the predicted indoor temperature for the target building from the heat transfer amount calculated using the physical relationship between heat amount and temperature.
  • the changed indoor temperature can be predicted by inferring the amount of temperature change in the room by the amount of heat transfer by using the relationship between the amount of heat transfer, which is the amount of heat transferred to the interior of the target building, and the volume and temperature change of the interior of the target building. .
  • the processor 120 inputs the measured value data of the learning data corresponding to the corresponding heat transfer mode to the room temperature prediction model, and obtains the predicted room temperature output from the room temperature prediction model.
  • the measured value data may include one or more measured values measured at a past time corresponding to the heat transfer mode.
  • the processor 120 calculates an error by comparing the predicted room temperature with the room temperature data of the learning data corresponding to the corresponding heat transfer mode.
  • the indoor temperature data is the indoor temperature measured at the same time as the measured value data input to the indoor temperature prediction model and at a time after a preset time period from the same time.
  • the preset time period may be set to the same length as the time between the current point and the prediction point to be predicted by the indoor temperature prediction model, but is not limited thereto, and may be set to an arbitrary time set as the measurement cycle of the measured value in the target building.
  • the processor 120 may generate learning data corresponding to each of a plurality of heat transfer modes.
  • the processor 120 may generate entire learning data by acquiring measurement values related to the amount of heat transfer measured in the target building and indoor temperature for a preset period of time.
  • the preset period may be set to an arbitrary period of one month or more, and may include measurement values and indoor temperature data periodically measured in the target building during the set period.
  • the processor 120 may obtain corresponding data from a building energy management system (BEMS) of a target building connected through the communication interface 110 or a database separately storing various measurement data in the building.
  • BEMS building energy management system
  • the processor 120 collects data measured over a preset period of time to generate entire learning data.
  • the processor 120 may classify a plurality of data included in the entire learning data according to the same criterion as the criterion for setting a plurality of heat transfer modes. For example, when a plurality of heat transfer modes are set to a night mode and a day mode, the processor 120 classifies data for night and data for day among all learning data for a specific month. Assuming that the standards for night mode and day mode are each set to 12 hours out of a day and the total number of training data is 100, the learning data corresponding to night mode and the training data corresponding to day mode are classified into 50 data respectively. It can be.
  • the processor 120 may generate the classified learning data as learning data corresponding to each heat transfer mode.
  • the processor 120 may generate learning data by selecting only measured values related to the amount of heat transfer for a corresponding heat transfer mode from among a plurality of measured values included in the classified learning data.
  • the processor 120 corrects the heat transfer coefficient of the indoor temperature prediction model based on the calculated error. For example, the processor 120 may determine an accurate heat transfer coefficient for the target building by correcting the heat transfer coefficient of the indoor temperature prediction model so that the error decreases to less than a preset threshold value.
  • various numerical analysis or artificial intelligence algorithms may be applied to correct the heat transfer coefficient.
  • the processor 120 ends learning when an accurate heat transfer coefficient of the indoor temperature prediction model is determined.
  • the processor 120 generates a thermal simulator of the target building based on the indoor temperature prediction model for which learning has been completed.
  • the processor 120 may perform learning for each of a plurality of heat transfer modes, and may end the learning only when heat transfer coefficients in all heat transfer modes are determined.
  • the processor 120 may generate a thermal simulator of the target building including a plurality of indoor temperature prediction models corresponding to each of a plurality of heat transfer modes.
  • the thermal simulator of the target building may be implemented to predict the indoor temperature by using a corresponding indoor temperature prediction model among a plurality of indoor temperature prediction models according to a heat transfer mode to be predicted.
  • the memory 130 may include volatile memory, permanent, virtual or other types of memory for storing information used by or output by the thermal simulator generator 100.
  • the memory 130 may include random access memory (RAM) or dynamic RAM (DRAM).
  • the memory 130 may store programs for processing or controlling the processor 120 and various data for the operation of the thermal simulator generator 100 .
  • the memory 130 includes learning data for each heat transfer mode provided to the processor 120, data on a preset heat transfer mode, heat transfer amount and measured value data corresponding to the heat transfer mode, data related to the structure or physical properties of a building, At least one of the room temperature prediction model generated by the processor 120, the room temperature prediction model that has been learned, and heat transfer coefficient data may be stored.
  • FIG. 2 is a diagram for explaining a process of generating an indoor temperature prediction model by an apparatus for generating a thermal simulator according to an embodiment of the present disclosure.
  • various heat transfer phenomena that affect the indoor temperature occur in the target building 200 , and a heat amount corresponding to the heat transfer amount corresponding to each heat transfer phenomenon is transferred to the interior of the target building 200 .
  • the amount of heat transfer transferred to the interior of the target building 200 includes the amount of heat transfer 210 related to the external environment.
  • the external environment that transfers heat to the building may be mainly solar radiation or thermal convection depending on the outside air temperature and the inside temperature.
  • the heat transfer amount 210 related to the external environment may include the solar radiation heat transfer amount 220 and the outdoor convection heat transfer amount 230 .
  • the solar radiation energy heat transfer amount 220 should consider the structural factors of the target building 200, for example, the structural characteristics of the target building 200, such as the number, location, and width of windows 221.
  • the outdoor air convection heat transfer amount 230 should consider the insulation characteristics according to the structure or physical properties of the target building 200, for example, the thickness or material of the wall 231 of the building.
  • the amount of heat transfer transferred to the interior of the target building 200 includes the amount of heat transfer 240 related to HVAC.
  • Buildings are usually equipped with HVAC systems for heating, cooling and ventilation. During the cooling/heating or ventilation operation of the HVAC system, a certain amount of heat may be transferred to the interior of the building. For example, when the building is heated, the HVAC system supplies heat to the inside of the building to increase the indoor temperature of the building, and when the building is cooled, the heat inside the building is discharged to the outside to lower the indoor temperature.
  • the heat transfer amount 240 related to HVAC should consider the operation and performance of the HVAC equipment 241.
  • the amount of heat transfer transferred to the interior of the target building 200 includes the amount of heat transfer 250 related to the internal environment.
  • various heat sources that generate radiant heat or convective heat and affect the indoor temperature.
  • heat generated from various lighting fixtures 251 present inside the building heat generated from electronic products 253 present inside the building, body heat amount according to the number or distribution of occupants 255 in the building,
  • a separate heating source 257 such as an electric heater or a stove may affect the indoor temperature of the target building 200 . Therefore, the heat transfer amount 250 related to the internal environment should consider the influence of various heat sources present inside the building.
  • the heat simulator generator generates an indoor temperature prediction model for the target building based on the heat transfer amount of the target building.
  • the indoor temperature prediction model is a model that determines a heat transfer amount, which is the amount of heat transferred to the interior of a building, based on a measured value and a heat transfer coefficient for each heat transfer amount, and determines a predicted indoor temperature from the determined heat transfer amount.
  • a process of determining the predicted indoor temperature from the amount of heat transfer by the indoor temperature prediction model generated by the heat simulator generator may be modeled as in Equation 1 below.
  • Equation 1 is a value related to the volume of the interior of the target building 200, Is a value related to the density and specific heat of the interior of the target building 200.
  • T r is the indoor temperature value of the target building (200).
  • the left side in Equation 1 means the total indoor heat transfer amount calculated based on the indoor volume and indoor temperature of the target building 200 .
  • Equation 1 means the sum of the heat transfer amounts due to the main heat transfer phenomena generated in the target building 200.
  • the indoor temperature prediction model is modeled to determine the amount of heat transfer in the target building 200 based on the measured value and the heat transfer coefficient for each amount of heat transfer.
  • a process of determining Q HVAC which is the heat transfer amount 240 related to HVAC, may be modeled as in Equation 2 below.
  • Q mech.cooling is the cooling and heating heat transfer amount by the cooling and heating operation of the HVAC system of the target building 200
  • k m is the cooling and heating heat transfer coefficient
  • T sa is the measured value for the supply air temperature
  • T ma is the measured value for the mixed air temperature is the measured value.
  • Q ventilation is the ventilation heat transfer amount by the ventilation operation of the HVAC system
  • k v is the ventilation heat transfer coefficient
  • T oa is the measured value for the outside air temperature
  • T ra is the measured value for the ventilation temperature
  • DOR is the measured value for the duct opening rate is the value
  • Q HVAC may be modeled as the sum of the heat transfer amount Q mech.cooling and the heat transfer amount Q ventilation defined above.
  • Equation 3 The process of determining Q outside , which is the heat transfer amount 210 related to the external environment, may be modeled as in Equation 3 below.
  • Q conv is the outdoor air convection heat transfer amount 230 of the target building 200
  • k o is the outdoor air convection heat transfer coefficient
  • T oa is a measured value for the outdoor temperature
  • T ra is a measured value for the ventilation temperature.
  • Q solar is the heat transfer amount of solar radiation energy (220).
  • the heat transfer amount 220 of solar radiation energy a specific calorific value calculated based on data obtained from meteorological statistics data may be applied, but is not limited thereto.
  • the amount of heat defined based on the heat transfer coefficient of solar radiation energy and at least one of the data on the average daily insolation, sunshine hours, amount of clouds, and area of the target building corresponding to the area where the target building is located is calculated as solar radiation.
  • a heat transfer phenomenon of a target building by solar radiation energy may be modeled as the energy heat transfer amount 220 .
  • Q outside may be modeled as the sum of the outdoor air convection heat transfer amount Q conv and the solar radiation heat transfer amount Q solar defined as above.
  • a process of determining Q inside which is the amount of heat transfer 250 related to the internal environment, may be modeled as in Equation 4 below.
  • k c is the internal environment heat transfer coefficient
  • T ra is the measured value for the ventilation temperature
  • T sa is the measured value for the supply air temperature.
  • the amount of heat transfer 250 related to the internal environment can consider the amount of heat transfer by various heat sources existing inside the target building 200, but the amount of heat transfer by these various heat sources accounts for the total amount of heat transfer compared to Q outside or Q HVAC Since the ratio is relatively small, it is assumed that all of the various heat sources are one heat source, and the total heat transfer by the internal environment can be modeled based on the difference between the indoor ventilation temperature and the supply air temperature as shown in Equation 4.
  • the indoor temperature prediction model is the amount of change in indoor temperature from the sum of the heat transfer amounts caused by the main heat transfer phenomena generated in the target building 200.
  • the value can be calculated, and the predicted indoor temperature is determined using Equation 5 below.
  • the indoor temperature prediction model is the amount of change in the indoor temperature according to the amount of heat transfer and the indoor temperature at the current time (t).
  • the predicted indoor temperature for the predicted time point (t + 1) based on can decide
  • the heat simulator generator may select one or more heat transfer amounts from among the various heat transfer amounts described above according to the heat transfer mode of the target building, and model an indoor temperature prediction model with the selected heat transfer amounts. For example, in the case of the indoor temperature prediction model for the night mode, it may be modeled except for Q solar in Equation 3 above.
  • the thermal simulator generating device inputs learning data about T ra , T sa , T oa , T r , etc., which are a plurality of measured values included in the indoor temperature prediction model, into the indoor temperature prediction model, and converts the predicted indoor temperature into the learning data. Compare with temperature to calculate error.
  • the heat simulator generator determines the values of heat transfer coefficients k m , k v , k o , and k c to minimize the calculated error by learning the indoor temperature prediction model.
  • FIG 3 is a diagram for explaining a plurality of heat transfer modes set according to an embodiment of the present disclosure.
  • a plurality of heat transfer modes for a target building which is a commercial building, are set to five heat transfer modes classified based on weather and temperature. For each heat transfer mode, one or more heat transfer amounts that affect the room temperature in that heat transfer mode are set.
  • the first heat transfer mode is a heat transfer mode corresponding to night time. During the night time, heat transfer by solar radiation energy does not occur. In addition, since the target building is a commercial building, no occupants remain at night, and all HVAC systems and interior lighting are not operated.
  • the amount of heat transfer by the convection of the outside air (Q conv ) is set as the amount of heat transfer affecting the indoor temperature.
  • the second heat transfer mode is a heat transfer mode corresponding to a sunny early morning time zone. In the early morning of a sunny day, unlike the night time, heat transfer by solar radiation energy occurs. However, since it is early for occupants of the target building to go to work, the HVAC system and interior lighting may not be operated.
  • the outdoor convection heat transfer amount (Q conv ) and the solar radiation heat transfer amount (Q solar ) affect the indoor temperature. It is set by the amount of heat transfer.
  • the third heat transfer mode is a heat transfer mode corresponding to a cloudy daytime.
  • Solar radiation is generated during the daytime on a cloudy day, but depending on the degree of cloudy weather, the solar radiation energy heat transfer amount (Q solar ) may be limited or negligibly small.
  • Q solar the solar radiation energy heat transfer amount
  • occupants are active in the building, so the HVAC system and interior lighting are running.
  • the fourth heat transfer mode is a heat transfer mode corresponding to a sunny daytime time zone. Daytime hours on sunny days should take into account the effects of solar radiation. And, since it is daytime, there are occupants in the target building, and the HVAC system and interior lighting are in operation.
  • convective heat transfer to outside air Q conv
  • solar radiation heat transfer Q solar
  • heat transfer related to HVAC Q HVAC
  • heat transfer related to the internal environment Q inside
  • the fifth heat transfer mode is a heat transfer mode corresponding to an isothermal cloudy daytime.
  • the isothermal state is a state in which the indoor temperature and outdoor air temperature of the target building are almost the same, so heat transfer by heat convection between the inside and outside of the building does not occur or occurs on a very small scale.
  • the solar radiation energy heat transfer amount (Q solar ) can be selectively considered or ignored.
  • the outdoor air convective heat transfer amount (Q conv ) may be limited or negligibly small.
  • the amount of heat transfer related to the HVAC (Q HVAC ) and the amount of heat transfer related to the internal environment (Q inside ) may be set as the amount of heat transfer that affects the room temperature.
  • the amount of heat transfer from outside air convection (Q conv ) and the amount of heat transfer from solar radiation energy (Q solar ) can be excluded or selectively set.
  • the building heat simulator generation device considers the dominant heat transfer phenomenon among various heat transfer phenomena occurring in the target building, and generates learning data and an indoor temperature prediction model for the corresponding heat transfer phenomenon.
  • the building heat simulator generator sets a plurality of heat transfer modes according to conditions in which the heat transfer characteristics generated in the building vary greatly, and generates a prediction model for the indoor temperature of the target building based on the different heat transfer amount for each heat transfer mode. differentiate and learn. Therefore, the indoor temperature prediction model for each heat transfer mode can be simplified, and learning can be quickly performed with a smaller number of learning data compared to the case of learning the heat transfer characteristics of all cases occurring in the target building.
  • FIG. 4 is a flowchart illustrating a method for generating a thermal simulator of a building according to an embodiment of the present disclosure.
  • the heat simulator generator determines one heat transfer mode among a plurality of heat transfer modes set for the target building (S410).
  • the plurality of preset heat transfer modes are a plurality of heat transfer modes set according to criteria classified according to the main heat transfer phenomenon that affects the indoor temperature of the building among various heat transfer phenomena that may occur in the building.
  • a plurality of preset heat transfer modes may be set based on at least one of date, time, and weather.
  • day mode and night mode are set based on time according to whether or not heat transfer occurs by solar radiation energy, or set based on date depending on whether heat transfer occurs due to heating operation of HVAC facilities. It may be, but is not limited thereto, and a plurality of heat transfer modes may be set under conditions other than date, time, and weather.
  • the heat simulator generator determines one or more heat transfer amounts corresponding to the determined heat transfer mode (S420).
  • the heat simulator generation device determines heat transfer amounts for heat transfer phenomena that may occur in the determined heat transfer mode.
  • the heat transfer phenomenon is a major heat transfer phenomenon that should be commonly considered in the same heat transfer mode among the main heat transfer phenomena that affect the indoor temperature of a building.
  • the heat simulator generating device may determine the amount of heat transfer according to a combination of preset amounts of heat transfer for each heat transfer mode.
  • the combination of preset heat transfer amounts may include, but is limited to, at least one heat transfer amount among a heat transfer amount related to the external environment of the target building, a heat transfer amount related to the internal environment of the target building, and a heat transfer amount related to the HVAC of the target building. it is not going to be Since the main heat transfer phenomena occurring in the building may vary depending on the location, structure, physical properties, use, etc. of the target building, a plurality of preset amounts of heat transfer may be set to more types of heat transfer amounts.
  • the amount of heat transfer to be considered may vary depending on the heat transfer mode. For example, when the heat transfer mode is set to the first period mode before the heating operation start date and the second period mode after the heating operation start date, the heat transfer amount corresponding to the first period mode is the heat transfer amount related to the external environment and the heat transfer related to the internal environment.
  • the heat transfer amount corresponding to the second period mode may be determined as a heat transfer amount related to the external environment, a heat transfer amount related to the internal environment, and a heat transfer amount related to the HVAC.
  • the heat simulator generation device generates an indoor temperature prediction model based on the measured value and the heat transfer coefficient for each of the determined one or more heat transfer amounts (S530).
  • the heat simulator generator defines the heat transfer amount based on one or more measured values and heat transfer coefficients instead of various parameters required for calculating each of the one or more determined heat transfer amounts, and determines the measured values and heat transfer coefficients for each of the one or more determined heat transfer amounts.
  • the measured value is a preset measured value from which the amount of heat transfer can be inferred by the corresponding heat transfer phenomenon.
  • it may be temperature, humidity, or amount of energy measured at a specific point in the building related to the heat transfer phenomenon, but is not limited thereto, and various factors that cause heat transfer in the building.
  • Measured values related to the operation of HVAC equipment, The number of occupants in a building, solar radiation, etc. may be set as measured values.
  • the heat transfer coefficient is an arbitrary coefficient representing a relationship between a measured value and the amount of heat transferred to a target building, and may have different values depending on the target building or heat transfer mode.
  • the heat simulator generator learns the indoor temperature prediction model using the learning data corresponding to the heat transfer mode (S440).
  • the indoor temperature prediction model generated by the heat simulator generating device calculates the amount of heat transfer transferred to the target building from the measured values in a specific heat transfer mode, and predicts the indoor temperature from the calculated amount of heat transfer using the physical relationship between the amount of heat and the temperature. is configured to determine
  • the heat simulator generating device inputs the measured value data of the learning data corresponding to the corresponding heat transfer mode to the indoor temperature prediction model, and obtains the predicted indoor temperature output from the indoor temperature prediction model.
  • the measured value data may include one or more measured values measured at a past time corresponding to the heat transfer mode.
  • the heat simulator generator calculates an error by comparing the predicted room temperature with the room temperature data of the learning data corresponding to the corresponding heat transfer mode.
  • the indoor temperature data is the indoor temperature measured at the same time as the measured value data input to the indoor temperature prediction model and at a time after a preset time period from the same time.
  • the preset time period may be set to the same length as the time between the current point and the prediction point to be predicted by the indoor temperature prediction model, but is not limited thereto, and may be set to an arbitrary time set as the measurement cycle of the measured value in the target building.
  • the heat simulator generation device may generate learning data corresponding to each of a plurality of heat transfer modes.
  • the heat simulator generation device may generate entire learning data by obtaining measurement values related to the amount of heat transfer measured in a target building and indoor temperature for a preset period of time.
  • the preset period may be set to an arbitrary period of one month or more, and may include measurement values and indoor temperature data periodically measured in the target building during the set period.
  • the heat simulator generating device may acquire corresponding data from a building energy management system (BEMS) of a target building or a database in which various measurement data in a building are separately stored.
  • BEMS building energy management system
  • the heat simulator generation device may classify a plurality of data included in the entire learning data according to the same criterion as the criterion for setting a plurality of heat transfer modes.
  • the heat simulator generating device may generate the classified learning data as learning data corresponding to each heat transfer mode.
  • the heat simulator generating device may generate learning data by selecting only measured values related to the amount of heat transfer for a corresponding heat transfer mode from among a plurality of measured values included in the classified learning data.
  • the heat simulator generator corrects the heat transfer coefficient of the indoor temperature prediction model based on the calculated error.
  • various numerical analysis or artificial intelligence algorithms may be applied to correct the heat transfer coefficient.
  • the heat simulator generator corrects the heat transfer coefficient in a direction that minimizes the error.
  • the heat simulator generation device ends learning when an accurate heat transfer coefficient of the indoor temperature prediction model is determined, and generates a heat simulator of the target building based on the indoor temperature prediction model that has been learned.
  • the apparatus for generating a heat simulator may perform learning for each of a plurality of heat transfer modes, and may end the learning only when heat transfer coefficients in all heat transfer modes are determined.
  • the heat simulator generation device may generate a heat simulator of a target building including a plurality of indoor temperature prediction models corresponding to each of a plurality of heat transfer modes.
  • the thermal simulator of the target building may be implemented to predict the indoor temperature by using a corresponding indoor temperature prediction model among a plurality of indoor temperature prediction models when a heat transfer mode to be predicted is selected.
  • a 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
  • a computer-readable recording medium includes all types of recording devices in which data that can be read by a computer system is stored. These computer-readable recording media include non-volatile or non-transitory media such as ROM, CD-ROM, magnetic tape, floppy disk, memory card, hard disk, magneto-optical disk, and storage device. It may be a medium, and may further include a transitory medium such as a data transmission medium. Also, computer-readable recording media may be distributed in computer systems connected through a network, and computer-readable codes may be stored and executed in a distributed manner.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • Civil Engineering (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Architecture (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

본 개시의 일 측면에 의하면, 대상 건물의 실내 온도를 예측하는 열 시뮬레이터 생성장치가 수행하는 열 시뮬레이터 생성방법에 있어서, 대상 건물에 대하여 미리 설정된 복수의 열전달 모드 중에서 어느 하나의 열전달 모드를 결정하는 단계; 상기 어느 하나의 열전달 모드에 대응하는 상기 대상 건물의 열전달량을 기초로 상기 대상 건물에 대한 실내온도 예측모델을 생성하는 단계; 및 상기 어느 하나의 열전달 모드에 대응되는 학습데이터를 이용하여 상기 열전달량에 관한 계측값 및 상기 대상 건물의 실내 구조정보를 기초로 상기 대상 건물의 예측 실내온도를 결정하도록 상기 실내온도 예측모델을 학습시키는 단계를 포함하는 열 시뮬레이터 생성방법을 제공한다.

Description

건물의 열 시뮬레이터 생성장치 및 방법
본 개시는 건물의 열 시뮬레이터 생성장치 및 방법에 관한 것이다. 더욱 자세하게는, 대상 건물의 실내온도를 예측할 수 있는 열 시뮬레이터를 생성하는 장치 및 방법에 관한 것이다.
본 발명은 중소벤처기업부 중소기업기술정보진흥원의 창업성장기술개발사업의 지원을 받아 주관 수행기관인 주식회사 오토시맨틱스에서 수행한 연구로부터 도출된 것이다.(과제고유번호: 1425153715)
이하에 기술되는 내용은 단순히 본 개시의 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
종래 건물의 열적 거동을 시뮬레이션할 수 있는 열 시뮬레이터(thermal simulator) 구축방법은 건물에 대한 온도, 습도, 에너지와 같은 열적 파라미터뿐만 아니라 구조, 물성 등과 같은 건축적 특성에 관한 파라미터에 이르기까지 다양한 파라미터를 입력하여 지배 방정식(governing equation)을 기초로 물리적 모델을 생성하는 화이트박스 모델링(white box modeling)과, 건물에 관한 대량의 데이터와 기계학습/딥러닝 알고리즘 기반으로 건물의 열역학적 특성을 유추해 내는 블랙박스 모델링(black box modeling)으로 구분될 수 있다.
화이트박스 모델링의 대표적인 사례는 미국에너지부(Department of Energy, DOE) 주도로 개발된 EnergyPlus이다. EnergyPlus는 건물의 3차원 건축요소와 물성치, 모델링된 HVAC(Heating, Ventilation, and Air Conditioning) 설비, 건물이 위치한 지역의 기상데이터 등을 입력하고, 건물에 대한 열적 회로(thermal RC circuit modeling)에 근거하여 시간에 따른 건물의 열적 거동을 계산한다.
이러한 화이트박스 모델링에 의한 방법은 건물에 대한 상세 구조 정보와 물성 등 시뮬레이터에서 요구되는 데이터의 입력에 많은 시간과 인력이 필요한 문제가 있다. 통상적으로, 대형 건물의 경우 수개월 이상의 기간이 소요된다. 또한, 입력 데이터의 정밀도에 따라 예측결과에 대한 오차가 크게 달라지는 문제가 있다. 이러한 오차를 줄이기 위해서는 입력 데이터에 대한 정밀 보정 작업이 필요한데 이 또한 많은 시간과 인력이 요구되는 작업이다.
최근 건물 관리 시스템에 대한 디지털화(digitalization)가 진행되면서 건물에 대한 대량의 데이터 축적이 이루어지고 인공지능 기술이 발전함에 따라, 블랙박스 모델링을 이용한 건물의 열적 시뮬레이션 방법이 다양하게 개발되고 있다. 이 방법은 학습 모델이 건물의 열적 거동에 영향을 미치는 다양한 입력변수들과 건물의 에너지, 온도 변화 등의 출력변수들간의 상관관계를 별도의 물리적 모델 없이 다량의 학습데이터를 이용하여 학습한다.
이러한 블랙박스 모델링에 의한 방법은 대상 건물이 변경될 때마다 데이터 축적과 학습과정이 필요하다. 이러한 블랙박스 모델링에 의한 방법의 예측 정확도를 높이기 위해서는 장기간에 걸친 다량의 데이터 축적이 필요한 점, 비슷한 유형의 건물이라도 기존에 확보된 데이터와 학습모델의 적용이 어려운 점 등, 범용성이 낮다는 문제가 있다.
일 실시예에 따르면, 건물의 열 시뮬레이터 생성장치 및 생성방법은 미리 설정된 복수의 열전달 모드 중에서 어느 하나의 열전달 모드에 대응하는 학습데이터를 이용하여 실내온도 예측모델을 학습시켜, 어느 하나의 열전달 모드에서의 대상 건물에 대한 계측값을 기초로 실내온도를 예측하는 열 시뮬레이터를 생성할 수 있다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 개시의 일 측면에 의하면, 대상 건물의 실내 온도를 예측하는 열 시뮬레이터 생성장치가 수행하는 열 시뮬레이터 생성방법에 있어서, 대상 건물에 대하여 미리 설정된 복수의 열전달 모드 중에서 어느 하나의 열전달 모드를 결정하는 단계; 상기 어느 하나의 열전달 모드에 대응하는 상기 대상 건물의 열전달량을 기초로 상기 대상 건물에 대한 실내온도 예측모델을 생성하는 단계; 및 상기 어느 하나의 열전달 모드에 대응되는 학습데이터를 이용하여 상기 열전달량에 관한 계측값 및 상기 대상 건물의 실내 구조정보를 기초로 상기 대상 건물의 예측 실내온도를 결정하도록 상기 실내온도 예측모델을 학습시키는 단계를 포함하는 열 시뮬레이터 생성방법을 제공한다.
본 개시의 다른 측면에 의하면, 대상 건물의 실내 온도를 예측하는 열 시뮬레이터 생성장치에 있어서, 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하되, 상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써, 대상 건물에 대하여 미리 설정된 복수의 열전달 모드 중에서 어느 하나의 열전달 모드를 결정하고, 상기 어느 하나의 열전달 모드에 대응하는 상기 대상 건물의 열전달량을 기초로 상기 대상 건물에 대한 실내온도 예측모델을 생성하고, 상기 어느 하나의 열전달 모드에 대응되는 학습데이터를 이용하여 상기 열전달량에 관한 계측값 및 상기 대상 건물의 실내 구조정보를 기초로 상기 대상 건물의 예측 실내온도를 결정하도록 상기 실내온도 예측모델을 학습시키는 열 시뮬레이터 생성장치를 제공한다.
본 개시의 일 실시예에 의하면, 건물의 열 시뮬레이터 생성장치 및 생성방법은 미리 설정된 복수의 열전달 모드 중에서 어느 하나의 열전달 모드에 대응하는 학습데이터를 이용하여 실내온도 예측모델을 학습시켜 어느 하나의 열전달 모드에서의 대상 건물에 대한 계측값을 기초로 실내온도를 예측하는 열 시뮬레이터를 생성함으로써, 건물의 열 시뮬레이터의 구축에 필요한 노력과 비용을 절감할 수 있는 효과가 있다.
도 1은 본 개시의 일 실시예에 따른 건물의 열 시뮬레이터 생성장치의 블록구성도이다.
도 2는 본 개시의 일 실시예에 따른 열 시뮬레이터 생성장치가 실내온도 예측모델을 생성하는 과정을 설명하기 위한 도면이다.
도 3은 본 개시의 일 실시예에 따라 설정된 복수의 열전달 모드를 설명하기 위한 도면이다.
도 4는 본 개시의 일 실시예에 따른 건물의 열 시뮬레이터 생성방법을 설명하기 위한 순서도이다.
이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 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 발명의 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 개시에 따른 실시예의 구성요소를 설명하는 데 있어서, 제1, 제2, i), ii), a), b) 등의 부호를 사용할 수 있다. 이러한 부호는 그 구성요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 부호에 의해 해당 구성요소의 본질 또는 차례나 순서 등이 한정되지 않는다. 명세서에서 어떤 부분이 어떤 구성요소를 '포함' 또는 '구비'한다고 할 때, 이는 명시적으로 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 발명에 따른 장치 또는 방법의 각 구성요소는 하드웨어 또는 소프트웨어로 구현되거나, 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 각 구성요소의 기능이 소프트웨어로 구현되고 마이크로프로세서가 각 구성요소에 대응하는 소프트웨어의 기능을 실행하도록 구현될 수도 있다.
도 1은 본 개시의 일 실시예에 따른 건물의 열 시뮬레이터 생성장치의 블록구성도이다.
도 1을 참조하면, 열 시뮬레이터 생성장치(100)는 통신 인터페이스(communication interface, 110), 프로세서(processor, 120) 및 메모리(memory, 130)를 포함할 수 있다. 여기서, 열 시뮬레이터 생성장치(100)가 포함하는 통신 인터페이스(110), 프로세서(120) 및 메모리(130)는 버스(140)를 통하여 상호 데이터를 전송하는 것이 가능하다.
통신 인터페이스(110)는 외부 장치와 통신적으로 연결되어 열 시뮬레이터 생성장치(100)가 시뮬레이터를 생성하는 과정에서 필요한 정보를 획득하기 위한 데이터 송수신을 수행한다.
예를 들면, 통신 인터페이스(110)는 대상 건물의 미리 설정된 위치에 설치된 복수의 센서로부터 측정한 계측값을 수신할 수 있다. 또한, 통신 인터페이스(110)는 외부 데이터베이스에 연결되어 과거에 측정된 대상 건물에서의 다양한 계측값을 포함하는 데이터를 수신하거나, 대상 건물에 구비된 건물 에너지 관리 시스템(Building Energy Management System, BEMS)과 데이터를 송수신 할 수 있다.
프로세서(120)는 대상 건물에 대하여 미리 설정된 복수의 열전달 모드 중에서 어느 하나의 열전달 모드를 결정할 수 있다. 여기서, 미리 설정된 복수의 열전달 모드는 건물에서 발생 가능한 다양한 열전달 현상 중에서, 건물의 실내온도에 영향을 미치는 주된 열전달 현상이 무엇인지에 따라 분류된 기준에 따라 설정된 복수의 열전달 모드이다.
미리 설정된 복수의 열전달 모드는 날짜, 시간 및 날씨 중 적어도 어느 하나를 기준으로 설정될 수 있다. 예를 들면, 낮시간 동안에는 태양 복사 에너지에 의한 열전달 현상이 건물의 실내 온도에 영향을 미치지만, 밤시간 동안에는 태양 복사 에너지에 의한 열전달 현상이 발생하지 않는다. 따라서, 미리 설정된 복수의 열전달 모드는 시간을 기준으로 하여 낮 모드 및 밤 모드로 설정될 수 있다.
또 다른 예를 들면, 계절의 변화에 따라서 건물에 난방이 필요하거나 필요하지 않을 수 있다. 이 경우에, 난방이 필요한 계절이나 특정 기간 동안에는 건물에 구비된 HVAC 설비의 난방 가동에 의한 열전달 현상이 건물의 실내 온도에 영향을 미치지만, 난방이 필요하지 않은 계절이나 특정 기간 동안에는 HVAC 설비에 의한 열전달 현상이 발생하지 않는다. 이러한 경우에는, 미리 설정된 복수의 열전달 모드는 날짜를 기준으로 하여 설정될 수 있다.
이상에서 시간 또는 날짜를 기준으로 설정된 복수의 열전달 모드를 예시하였으나 이에 한정되는 것은 아니며, 날짜, 시간 및 날씨 중 둘 이상의 기준을 조합하여 복수의 열전달 모드를 설정할 수 있다.
프로세서(120)는 결정된 어느 하나의 열전달 모드에 대응하는 대상 건물의 열전달량을 기초로 대상 건물에 대한 실내온도 예측모델을 생성한다.
프로세서(120)는 결정된 열전달 모드에서 발생할 수 있는 열전달 현상들에 대한 열전달량을 결정한다. 여기서, 열전달 현상은 건물의 실내온도에 영향을 미치는 주요 열전달 현상 중에서 동일한 열전달 모드에서 공통적으로 고려하여야 하는 주요 열전달 현상이다.
프로세서(120)는 미리 설정된 복수의 열전달량 중에서 열전달 모드별로 미리 설정된 열전달량의 조합에 따라서 열전달량을 결정할 수 있다. 여기서, 미리 설정된 복수의 열전달량은 대상 건물의 외부 환경과 관련된 열전달량, 대상 건물의 내부 환경과 관련된 열전달량 및 상기 대상 건물의 HVAC과 관련된 열전달량으로 설정될 수 있으나 이에 한정되는 것은 아니다. 대상건물의 위치, 구조, 물성, 용도 등에 따라 건물에서 발생하는 주요 열전달 현상은 달라질 수 있으므로, 미리 설정된 복수의 열전달량은 더 많은 종류의 열전달량으로 설정될 수 있다.
열전달 모드는 건물의 열전달 경향성에 따라 구분되므로, 열전달 모드에 따라 고려하여야 할 열전달량은 달라질 수 있다. 예를 들면, 열전달 모드가 난방 가동개시일 전의 제1 기간 모드와 난방 가동개시일 후의 제2 기간 모드로 설정된 경우, 제1 기간 모드에 대응하는 열전달량은 외부 환경과 관련된 열전달량 및 내부 환경과 관련된 열전달량으로 결정되고, 제2 기간 모드에 대응하는 열전달량은 외부 환경과 관련된 열전달량, 내부 환경과 관련된 열전달량 및 HVAC과 관련된 열전달량으로 결정될 수 있다.
프로세서(120)는 결정된 하나 이상의 열전달량 각각에 대한 계측값 및 열전달 계수를 결정할 수 있다.
각각의 열전달량을 정확하게 산출하기 위해서는 열전달을 정확히 기술한 복잡한 물리적 모델을 구축하고, 해당 모델에 포함된 다양한 파라미터를 고려하여야 한다. 또한, 열전달 현상은 온도, 습도, 건물의 위치, 구조, 물성 등의 다양한 요인에 의하여 영향을 받게 되므로 동일한 열전달 현상에 의하더라도 대상 건물에 따라 열전달량은 달라질 수 있다.
따라서, 프로세서(120)는 열전달량의 계산에 필요한 다양한 파라미터 대신, 하나 이상의 계측값과 열전달 계수를 기초로 열전달량을 정의하고, 결정된 하나 이상의 열전달량 각각에 대한 계측값 및 열전달 계수를 결정할 수 있다.
여기서, 계측값은 해당 열전달 현상에 의하여 열전달량을 추론할 수 있는 미리 설정된 계측값이다. 예를 들면, 해당 열전달 현상과 관련된 건물의 특정 지점에서 측정된 대한 온도, 습도 또는 에너지량일 수 있으나 이에 한정되는 것은 아니며, 건물 내에서 열전달 현상을 일으키는 다양한 요인인 HVAC 장비의 동작에 관한 측정값, 건물 내 재실 인원 수, 일사량 등이 계측값으로 설정될 수 있다.
열전달 계수는 계측값과 대상 건물에 전달되는 열량간의 관계를 나타내는 임의의 계수로써, 대상 건물 또는 열전달 모드에 따라 다른 값을 가질 수 있다.
프로세서(120)는 열전달 모드에 대응되는 학습데이터를 이용하여 열전달량에 관한 계측값 및 대상 건물의 실내 구조정보를 기초로 대상 건물의 예측 실내온도를 결정하도록 상기 실내온도 예측모델을 학습시킨다.
프로세서(120)가 생성한 실내온도 예측모델은 특정 열전달 모드에서 측정된 계측값으로부터 대상 건물 실내로 전달된 열전달량을 계산하고, 열량과 온도간의 물리적 관계를 이용하여 계산된 열전달량으로부터 예측 실내온도를 결정할 수 있도록 구성될 수 있다.
여기서, 실내로 전달된 열전달량은 해당 열전달량에 관한 계측값과 열전달 계수를 기초로 계산된다. 상술한 바와 같이, 열전달 계수는 대상 건물 또는 열전달 모드에 따라 달라지는 값이므로, 예측하고자 하는 실내 온도에 대한 열전달 모드 및 대상 건물에 대응되는 정확한 열전달 계수가 결정되면, 계측값만으로 대상 건물 실내로 전달된 정확한 열전달량을 산출할 수 있다.
정확한 열전달량이 산출되면, 실내온도 예측모델은 열량과 온도간의 물리적 관계를 이용하여 계산된 열전달량으로부터 대상 건물에 대한 예측 실내온도를 결정한다. 예를 들면, 대상 건물 실내에 전달된 열량인 열전달량과 대상 건물 실내의 부피 및 실내 온도변화 간의 관계를 이용하여, 해당 열전달량에 의한 실내의 온도변화량을 추론하여, 변화된 실내 온도를 예측할 수 있다.
따라서, 프로세서(120)는 해당 열전달 모드에 대응되는 학습데이터의 계측값 데이터를 실내온도 예측모델에 입력하고, 실내온도 예측모델이 출력한 예측 실내온도를 획득한다. 여기서, 계측값 데이터는 열전달 모드에 해당하는 과거시점에 측정된 하나 이상의 계측값을 포함할 수 있다.
프로세서(120)는 예측 실내온도와 해당 열전달 모드에 대응되는 학습데이터의 실내온도 데이터를 비교하여 오차를 계산한다. 여기서, 실내온도 데이터는 실내온도 예측모델에 입력된 계측값 데이터와 동일 시점 및 동일 시점으로부터 미리 설정된 시구간 이후 시점에 측정된 실내 온도이다. 미리 설정된 시구간은 현재시점으로부터 실내온도 예측모델이 예측하고자 하는 예측시점간의 시간과 동일한 길이로 설정될 수 있으나 이에 한정되는 것은 아니며, 대상 건물에서의 계측값의 측정 주기로 설정된 임의의 시간으로 설정될 수 있다.
또 다른 실시예에 따라, 프로세서(120)는 복수의 열전달 모드 각각에 대응되는 학습데이터를 생성할 수 있다. 프로세서(120)는 미리 설정된 기간 동안 대상 건물에서 측정된 열전달량에 관한 계측값 및 실내온도를 획득하여 전체 학습데이터를 생성할 수 있다. 여기서, 미리 설정된 기간은 한달 이상의 임의의 기간으로 설정될 수 있으며, 설정된 기간 동안 대상건물에서 주기적으로 측정된 계측값 및 실내온도에 관한 데이터를 포함할 수 있다. 프로세서(120)는 통신 인터페이스(110)로 연결된 대상건물의 건물 에너지 관리 시스템(BEMS) 또는 건물에서의 다양한 측정 데이터가 별도로 저장된 데이터베이스로부터 해당 데이터를 획득할 수 있다. 프로세서(120)는 미리 설정된 기간에 걸쳐 측정된 데이터를 수집하여 전체 학습데이터를 생성한다.
프로세서(120)는 전체 학습데이터에 포함된 복수의 데이터를 복수의 열전달 모드의 설정기준과 동일한 기준에 따라 분류할 수 있다. 예를 들면, 복수의 열전달 모드가 밤 모드와 낮 모드로 설정된 경우, 프로세서(120)는 특정 한달에 대한 전체 학습데이터 중에서 밤에 대한 데이터와 낮에 대한 데이터로 분류한다. 밤 모드 및 낮 모드의 기준이 하루 시간 중에서 각각 12시간으로 설정되어 있으며 전체 학습데이터가 100개라고 가정하면, 밤 모드에 대응하는 학습데이터 및 낮 모드에 대응하는 학습데이터는 각각 50개의 데이터로 분류될 수 있다.
프로세서(120)는 분류된 학습데이터를 각 열전달 모드에 대응되는 학습데이터로 생성할 수 있다. 여기서, 프로세서(120)는 분류된 학습데이터에 포함된 복수의 계측값 중에서 해당 열전달 모드에 대한 열전달량과 관련된 계측값 만을 선별한 학습데이터를 생성할 수 있다.
프로세서(120)는 계산된 오차를 기초로 실내온도 예측모델의 열전달 계수를 보정한다. 예를 들면, 프로세서(120)는 오차가 미리 설정된 임계값 이하까지 감소하도록 실내온도 예측모델의 열전달 계수를 보정하여, 대상 건물에 대한 정확한 열전달 계수를 결정할 수 있다. 여기서, 열전달 계수를 보정하기 위하여 다양한 수치해석 또는 인공지능 알고리즘이 적용될 수 있다.
프로세서(120)는 실내온도 예측모델의 정확한 열전달 계수가 결정되면 학습을 종료한다. 프로세서(120)는 학습이 완료된 실내온도 예측모델을 기초로 대상 건물의 열 시뮬레이터를 생성한다.
또 다른 실시예에 따라, 프로세서(120)는 복수의 열전달 모드 각각에 대한 학습을 수행하고, 모든 열전달 모드에서의 열전달 계수가 결정되면 비로소 학습을 종료할 수 있다. 프로세서(120)는 복수의 열전달 모드 각각에 대응하는 복수의 실내온도 예측모델을 포함하는 대상 건물의 열 시뮬레이터를 생성할 수 있다. 여기서, 대상 건물의 열 시뮬레이터는 예측하고자 하는 열전달 모드에 따라 복수의 실내온도 예측모델 중에서 대응되는 실내온도 예측모델을 이용하여 실내온도를 예측할 수 있도록 구현될 수 있다.
메모리(130)는 열 시뮬레이터 생성장치(100)에 의해 사용되거나 그에 의해 출력되는 정보를 저장하기 위한 휘발성 메모리, 영구, 가상 또는 다른 종류의 메모리를 포함할 수 있다. 예를 들면, 메모리(130)는 랜덤 액세스 메모리(random access memory, RAM) 또는 다이내믹 RAM(dynamic RAM, DRAM)을 포함할 수 있다.
메모리(130)는 프로세서(120)의 처리 또는 제어를 위한 프로그램 및 열 시뮬레이터 생성장치(100)의 동작을 위한 다양한 데이터를 저장할 수 있다. 예를 들면, 메모리(130)에는 프로세서(120)에 제공된 열전달 모드별 학습데이터, 미리 설정된 열전달 모드에 관한 데이터, 열전달 모드에 대응하는 열전달량 및 계측값 데이터, 건물의 구조나 물성 등에 관련된 데이터, 프로세서(120)가 생성한 실내온도 예측모델, 학습이 완료된 실내온도 예측모델 및 열전달 계수 데이터 중 적어도 하나 이상이 저장될 수 있다.
도 2는 본 개시의 일 실시예에 따른 열 시뮬레이터 생성장치가 실내온도 예측모델을 생성하는 과정을 설명하기 위한 도면이다.
도 2를 참조하면, 대상 건물(200)에는 실내 온도에 영향을 미치는 다양한 열전달 현상이 발생하며, 대상 건물(200)의 실내에는 각각의 열전달 현상에 대응되는 열전달량 만큼의 열량이 전달한다.
대상 건물(200)의 실내에 전달되는 열 전달량은 외부 환경과 관련된 열전달량(210)을 포함한다. 건물에 열을 전달하는 외부 환경은 주로 태양복사 또는 외기 온도와 내부온도에 따른 열대류일 수 있다. 따라서, 외부 환경과 관련된 열전달량(210)은 태양복사 에너지 열전달량(220) 및 외기 대류 열전달량(230)을 포함할 수 있다. 태양복사 에너지 열전달량(220)은 대상 건물(200)의 구조적인 요인, 예를 들면, 창문(221)의 개수, 위치, 넓이 등과 같은 대상 건물(200)의 구조적인 특징을 고려하여야 한다. 또한, 외기 대류 열전달량(230)은 대상 건물(200)의 구조 또는 물성적 요인, 예를 들면, 건물의 벽체(231)의 두께나 소재등에 따른 단열 특성을 고려하여야 한다.
대상 건물(200)의 실내에 전달되는 열 전달량은 HVAC과 관련된 열전달량(240)을 포함한다. 건물에는 일반적으로 냉난방 및 환기를 위한 HVAC 시스템이 구비된다. 이러한 HVAC 시스템의 냉난방 또는 환기동작시 건물 실내에는 일정한 열량이 전달될 수 있다. 예를 들면, 건물의 난방시에는 건물 실내온도를 높이기 위하여 HVAC 시스템이 건물의 실내에 열량을 공급하고, 건물의 냉방시에는 건물 실내온도를 낮추기 위하여 건물 내부의 열량을 외부로 배출한다. HVAC과 관련된 열전달량(240)은 HVAC 장비(241)의 동작 및 성능 등을 고려하여야 한다.
대상 건물(200)의 실내에 전달되는 열 전달량은 내부 환경과 관련된 열전달량(250)을 포함한다. 건물 내부에는 복사열 또는 대류열을 발생하여 실내온도에 영향을 미치는 다양한 열원들이 존재한다. 예를 들면, 건물 내부에 존재하는 다양한 조명기구(251)에서 발생하는 열, 건물 내부에 존재하는 전자제품(253) 등에서 발생하는 열, 건물 내 재실자(255)의 숫자 또는 분포에 따른 체열량, 전열기, 난로 등와 같은 별도의 난방열원(257)등이 대상 건물(200)의 실내온도에 영향을 미칠 수 있다. 따라서, 내부 환경과 관련된 열전달량(250)은 건물 내부에 존재하는 다양한 열원들의 영향을 고려하여야 한다.
열 시뮬레이터 생성장치는 대상 건물의 열전달량을 기초로 상기 대상 건물에 대한 실내온도 예측모델을 생성한다. 여기서, 실내온도 예측모델은 열전달량 각각에 대한 계측값 및 열전달 계수를 기초로 건물 실내에 전달된 열량인 열전달량을 결정하고, 결정된 열전달량으로부터 예측 실내온도를 결정하는 모델이다. 열 시뮬레이터 생성장치가 생성한 실내온도 예측모델이 열전달량으로부터 예측 실내온도를 결정하는 과정은 하기 수학식 1과 같이 모델링될 수 있다.
Figure PCTKR2022013371-appb-img-000001
여기서,
Figure PCTKR2022013371-appb-img-000002
는 대상 건물(200) 실내의 체적에 관한 값이며,
Figure PCTKR2022013371-appb-img-000003
는 대상 건물(200) 실내의 밀도 및 비열에 관한 값이다. Tr은 대상 건물(200) 실내온도값이다. 수학식 1에서의 좌변은 대상 건물(200)의 실내 체적과 실내온도를 기초로 계산되는 실내 총 열전달량을 의미한다.
QHVAC은 HVAC과 관련된 열전달량(240)이고, Qoutside는 외부 환경과 관련된 열전달량(210)이며, Qinside 는 내부 환경에 관련된 열전달량(250)이다. 수학식 1에서의 우변은 대상 건물(200)에서 발생한 주요 열전달 현상에 의한 열전달량의 합산값을 의미한다.
실내온도 예측모델은 열전달량 각각에 대한 계측값 및 열전달 계수를 기초로 대상 건물(200)에서의 열전달량을 결정하도록 모델링된다. HVAC과 관련된 열전달량(240)인 QHVAC을 결정하는 과정은 하기 수학식 2와 같이 모델링될 수 있다.
Figure PCTKR2022013371-appb-img-000004
여기서, Qmech.cooling은 대상 건물(200)의 HVAC 시스템의 냉난방 동작에 의한 냉난방 열전달량이며, km은 냉난방 열전달 계수, Tsa는 급기 온도에 대한 계측값, Tma는 혼합공기 온도에 대한 계측값이다.
Qventilation은 HVAC 시스템의 환기동작에 의한 환기 열전달량이며, kv는 환기 열전달 계수, Toa는 외기온도에 대한 계측값, Tra는 환기온도에 대한 계측값, DOR은 덕트 개도율에 대한 계측값이다.
QHVAC은 상기와 같이 정의된 냉난방 열전달량 Qmech.cooling 및 환기 열전달량 Qventilation의 합으로 모델링될 수 있다.
외부 환경과 관련된 열전달량(210)인 Qoutside를 결정하는 과정은 하기 수학식 3과 같이 모델링될 수 있다.
Figure PCTKR2022013371-appb-img-000005
여기서, Qconv는 대상 건물(200)의 외기 대류 열전달량(230)이며,ko는 외기 대류 열전달 계수,Toa는 외기온도에 대한 계측값, Tra는 환기온도에 대한 계측값이다.
Qsolar는 태양복사 에너지 열전달량(220)이다. 여기서, 태양복사 에너지 열전달량(220)은 기상통계 데이터로부터 획득한 데이터를 기초로 계산한 특정 열량값을 적용할 수 있으나 이에 한정되는 것은 아니다. 예를 들면, 대상 건물이 위치한 지역에 해당하는 일일 평균 일사량, 일조시간, 구름의 양 및 대상건물의 면적에 관한 데이터 중 적어도 하나의 데이터와 태양복사 에너지 열전달 계수를 기초로 정의된 열량을 태양복사 에너지 열전달량(220)으로 하여 태양복사 에너지에 의한 대상 건물의 열전달 현상을 모델링할 수 있다.
Qoutside는 상기와 같이 정의된 외기 대류 열전달량 Qconv 및 태양복사 에너지 열전달량 Qsolar의 합으로 모델링될 수 있다.
내부 환경과 관련된 열전달량(250)인 Qinside를 결정하는 과정은 하기 수학식 4와 같이 모델링될 수 있다.
Figure PCTKR2022013371-appb-img-000006
kc는 내부 환경 열전달 계수, Tra는 환기온도에 대한 계측값, Tsa는 급기 온도에 대한 계측값이다. 내부 환경과 관련된 열전달량(250)은 대상 건물(200) 내부에 존재하는 다양한 열원에 의한 열전달량을 고려할 수 있으나, 이러한 다양한 열원에 의한 열전달량은 Qoutside 또는 QHVAC과 비하여 전체 열전달량에서 차지하는 비율이 상대적으로 작으므로 다양한 열원 모두를 하나의 열원으로 가정하고, 수학식 4와 같이 실내 환기온도와 급기온도 간의 차이값을 기초로 내부 환경에 의한 전체 열전달을 모델링 할 수 있다.
다시 수학식 1을 참조하면, 실내온도 예측모델은 대상 건물(200)에서 발생한 주요 열전달 현상에 의한 열전달량의 합산값으로부터 실내 온도의 변화량인
Figure PCTKR2022013371-appb-img-000007
값을 계산할 수 있으며, 하기 수학식 5를 이용하여 예측 실내 온도를 결정한다.
Figure PCTKR2022013371-appb-img-000008
실내온도 예측모델은 열전달량에 따른 실내 온도의 변화량 및 현재 시점(t)의 실내온도인
Figure PCTKR2022013371-appb-img-000009
을 기초로 예측시점(t+1)에 대한 예측 실내온도
Figure PCTKR2022013371-appb-img-000010
를 결정할 수 있다.
열 시뮬레이터 생성장치는 대상 건물의 열전달 모드에 따라 상술한 다양한 열전달량 중에서 하나 이상의 열전달량을 선택하고, 선택된 열전달량으로 실내온도 예측모델을 모델링 할 수 있다. 예를 들면, 밤 모드에 대한 실내온도 예측모델의 경우 상기 수학식 3에서 Qsolar를 제외하고 모델링될 수 있다.
열 시뮬레이터 생성장치는 실내온도 예측모델에 포함된 복수의 계측값인 Tra, Tsa,Toa, Tr 등에 관한 학습데이터를 실내온도 예측모델에 입력하여 얻은 예측 실내온도를 학습데이터에서의 실내온도와 비교하여 오차를 계산한다.
열 시뮬레이터 생성장치는 실내온도 예측모델에 대한 학습을 수행하여 계산된 오차를 최소화 하기 위한 열전달 계수 km, kv, ko 및 kc의 값을 결정한다.
도 3은 본 개시의 일 실시예에 따라 설정된 복수의 열전달 모드를 설명하기 위한 도면이다.
도 3을 참조하면, 상업용 건물인 대상 건물에 대한 복수의 열전달 모드는 날씨 및 온도를 기준으로 분류된 5개의 열전달 모드로 설정된다. 각각의 열전달 모드는 해당 열전달 모드에서 실내 온도에 영향을 미치는 하나 이상의 열전달량이 설정된다.
첫 번째 열전달 모드는 밤(Night) 시간대에 해당하는 열전달 모드이다. 밤 시간대는 태양 복사 에너지에 의한 열전달이 발생하지 않는다. 그리고, 대상 건물은 상업용 건물이므로 밤 시간에는 재실자가 남아 있지 않게 되고, 모든 HVAC 시스템 및 내부 조명 등이 가동되지 않는다.
따라서, 대상 건물에서 발생하는 열전달 현상은 외기 대류에 의한 열전달 현상만이 존재하므로 외기 대류 열전달량(Qconv)이 실내 온도에 영향을 미치는 열전달량으로 설정된다.
두 번째 열전달 모드는 맑은 날 이른 아침(Sunny early morning) 시간대에 해당하는 열전달 모드이다. 맑은 날 이른 아침에는 밤 시간대와 달리 태양 복사 에너지에 의한 열전달이 발생한다. 그러나, 대상 건물의 재실자들이 출근하기에 이른 시간이므로, HVAC 시스템 및 내부 조명 등이 가동되지 않을 수 있다.
따라서, 대상 건물에서 발생하는 열전달 현상은 외기 대류에 의한 열전달 현상 및 태양 복사에너지에 의한 열전달 현상이므로, 외기 대류 열전달량(Qconv) 및 태양복사 에너지 열전달량(Qsolar)이 실내 온도에 영향을 미치는 열전달량으로 설정된다.
세 번째 열전달 모드는 흐린 날 낮(Cloudy daytime) 시간대에 해당하는 열전달 모드이다. 흐린 날 낮 시간대는 태양 복사가 발생하지만, 날씨의 흐린 정도에 따라서 태양복사 에너지 열전달량(Qsolar)이 제한적이거나 무시할 수 있을 정도의 작은 값일 수 있다. 반면에, 낮 시간에는 재실자(occupants)가 건물 내에서 활동 중이므로 HVAC 시스템 및 내부 조명 등이 가동된다.
따라서, 대상 건물에서는 외기 대류에 의한 열전달 현상, 태양 복사에너지에 의한 열전달 현상, HVAC 시스템에 의한 열전달 현상 및 내부 열원에 의한 열전달 현상이 존재한다. 그러나, 태양 복사에너지에 의한 열전달 현상은 제한적이거나 거의 나타나지 않을 수 있으므로, 외기 대류 열전달량(Qconv), HVAC과 관련된 열전달량(QHVAC) 및 내부 환경에 관련된 열전달량(Qinside)이 실내 온도에 영향을 미치는 열전달량으로 설정되고, 태양복사 에너지 열전달량(Qsolar)은 제외되거나 선택적으로 설정될 수 있다.
네 번째 열전달 모드는 맑은 날 낮(Sunny daytime) 시간대에 해당하는 열전달 모드이다. 맑은 날 낮 시간대는 태양 복사에 의한 영향을 고려하여야 한다. 그리고, 낮 시간이므로 대상 건물 내에 재실자가 존재하며 HVAC 시스템 및 내부 조명 등이 가동된다.
따라서, 외기 대류 열전달량(Qconv), 태양복사 에너지 열전달량(Qsolar), HVAC과 관련된 열전달량(QHVAC) 및 내부 환경에 관련된 열전달량(Qinside)이 실내 온도에 영향을 미치는 열전달량으로 설정될 수 있다.
다섯 번째 열전달 모드는 흐린 날 등온상태인 낮(Isothermal cloudy daytime) 시간대에 해당하는 열전달 모드이다. 여기서의 등온상태(Isothermal state)는 대상 건물의 실내온도와 외기온도가 거의 동일하여 건물 내외부간의 열대류 현상에 의한 열전달이 발생하지 않거나 매우 작은 규모로 발생하는 상태이다.
낮 시간이므로 대상 건물 내에는 재실자가 존재하며 HVAC 시스템 및 내부 조명 등이 가동된다. 그러나, 날씨의 흐린 정도에 따라서 태양복사 에너지 열전달량(Qsolar)은 선택적으로 고려되거나 무시될 수 있다. 그리고, 대상 건물의 실내온도와 외기온도가 거의 동일하므로 외기 대류 열전달량(Qconv)은 제한적이거나 무시할 수 있을 정도의 작은 값일 수 있다.
따라서, HVAC과 관련된 열전달량(QHVAC) 및 내부 환경에 관련된 열전달량(Qinside)이 실내 온도에 영향을 미치는 열전달량으로 설정될 수 있다. 외기 대류 열전달량(Qconv), 태양복사 에너지 열전달량(Qsolar)은 제외되거나 선택적으로 설정될 수 있다.
건물의 열 시뮬레이터 생성장치는 상술한 바와 같이, 대상 건물에서 발생하는 다양한 열전달 현상 중에서 주도적인 열전달 현상이 무엇인지를 고려하여, 해당 열전달 현상에 대한 학습 데이터 및 실내온도 예측모델을 생성한다.
구체적으로, 건물의 열 시뮬레이터 생성장치는 건물에서 발생하는 열전달 특성이 크게 달라지는 조건에 따라 복수의 열전달 모드를 설정하고, 각각의 열전달 모드별로 서로 다른 열전달량을 기초로 대상 건물의 실내온도 예측모델을 구분하여 학습시킨다. 따라서, 각각의 열전달 모드에 대한 실내온도 예측모델을 단순화할 수 있으며, 대상 건물에서 발생하는 모든 경우의 열전달 특성을 학습하는 경우에 비하여 더 적은 수의 학습데이터로 신속하게 학습이 이루어질 수 있다.
도 4는 본 개시의 일 실시예에 따른 건물의 열 시뮬레이터 생성방법을 설명하기 위한 순서도이다.
도 4를 참조하면, 열 시뮬레이터 생성장치는 대상 건물에 대하여 설정된 복수의 열전달 모드 중에서 하나의 열전달 모드를 결정한다(S410). 여기서, 미리 설정된 복수의 열전달 모드는 건물에서 발생 가능한 다양한 열전달 현상 중에서, 건물의 실내온도에 영향을 미치는 주된 열전달 현상이 무엇인지에 따라 분류된 기준에 따라 설정된 복수의 열전달 모드이다. 미리 설정된 복수의 열전달 모드는 날짜, 시간 및 날씨 중 적어도 어느 하나를 기준으로 설정될 수 있다.
예를 들면, 태양 복사 에너지에 의한 열전달 현상의 발생 유무에 따라 시간을 기준으로 하여 낮 모드 및 밤 모드로 설정되거나, HVAC 설비의 난방 가동에 의한 열전달 현상의 발생 유무에 따라 날짜를 기준으로 하여 설정될 수 있으나 이에 한정되는 것은 아니며, 날짜, 시간 및 날씨 이외의 조건을 조건으로 하여 복수의 열전달 모드를 설정할 수 있다.
열 시뮬레이터 생성장치는 결정한 열전달 모드에 대응하는 하나 이상의 열전달량을 결정한다(S420).
열 시뮬레이터 생성장치는 결정된 열전달 모드에서 발생할 수 있는 열전달 현상들에 대한 열전달량을 결정한다. 여기서, 열전달 현상은 건물의 실내온도에 영향을 미치는 주요 열전달 현상 중에서 동일한 열전달 모드에서 공통적으로 고려하여야 하는 주요 열전달 현상이다.
열 시뮬레이터 생성장치는 열전달 모드별로 미리 설정된 열전달량의 조합에 따라서 열전달량을 결정할 수 있다. 여기서, 미리 설정된 열전달량의 조합은 대상 건물의 외부 환경과 관련된 열전달량, 대상 건물의 내부 환경과 관련된 열전달량 및 상기 대상 건물의 HVAC과 관련된 열전달량 중에서 적어도 하나 이상의 열전달량을 포함 수 있으나 이에 한정되는 것은 아니다. 대상건물의 위치, 구조, 물성, 용도 등에 따라 건물에서 발생하는 주요 열전달 현상은 달라질 수 있으므로, 미리 설정된 복수의 열전달량은 더 많은 종류의 열전달량으로 설정될 수 있다.
열전달 모드는 건물의 열전달 경향성에 따라 구분되므로, 열전달 모드에 따라 고려하여야 할 열전달량은 달라질 수 있다. 예를 들면, 열전달 모드가 난방 가동개시일 전의 제1 기간 모드와 난방 가동개시일 후의 제2 기간 모드로 설정된 경우, 제1 기간 모드에 대응하는 열전달량은 외부 환경과 관련된 열전달량 및 내부 환경과 관련된 열전달량으로 결정되고, 제2 기간 모드에 대응하는 열전달량은 외부 환경과 관련된 열전달량, 내부 환경과 관련된 열전달량 및 HVAC과 관련된 열전달량으로 결정될 수 있다.
열 시뮬레이터 생성장치는 결정한 하나 이상의 열 전달량 각각에 대한 계측값 및 열전달 계수를 기초로 실내온도 예측모델 생성한다(S530).
열 시뮬레이터 생성장치는 결정된 하나 이상의 열전달량 각각의 계산에 필요한 다양한 파라미터 대신, 하나 이상의 계측값과 열전달 계수를 기초로 열전달량을 정의하고, 결정된 하나 이상의 열전달량 각각에 대한 계측값 및 열전달 계수를 결정할 수 있다.
여기서, 계측값은 해당 열전달 현상에 의하여 열전달량을 추론할 수 있는 미리 설정된 계측값이다. 예를 들면, 해당 열전달 현상과 관련된 건물의 특정 지점에서 측정된 대한 온도, 습도 또는 에너지량일 수 있으나 이에 한정되는 것은 아니며, 건물 내에서 열전달 현상을 일으키는 다양한 요인인 HVAC 장비의 동작에 관한 측정값, 건물 내 재실 인원 수, 일사량 등이 계측값으로 설정될 수 있다.
열전달 계수는 계측값과 대상 건물에 전달되는 열량간의 관계를 나타내는 임의의 계수로써, 대상 건물 또는 열전달 모드에 따라 다른 값을 가질 수 있다.
열 시뮬레이터 생성장치는 열전달 모드에 대응하는 학습데이터를 이용하여 실내온도 예측모델을 학습시킨다(S440).
열 시뮬레이터 생성장치가 생성한 실내온도 예측모델은 특정 열전달 모드에서 측정된 계측값으로부터 대상 건물 실내로 전달된 열전달량을 계산하고, 열량과 온도간의 물리적 관계를 이용하여 계산된 열전달량으로부터 예측 실내온도를 결정할 수 있도록 구성된다.
열 시뮬레이터 생성장치는 해당 열전달 모드에 대응되는 학습데이터의 계측값 데이터를 실내온도 예측모델에 입력하고, 실내온도 예측모델이 출력한 예측 실내온도를 획득한다. 여기서, 계측값 데이터는 열전달 모드에 해당하는 과거시점에 측정된 하나 이상의 계측값을 포함할 수 있다.
열 시뮬레이터 생성장치는 예측 실내온도와 해당 열전달 모드에 대응되는 학습데이터의 실내온도 데이터를 비교하여 오차를 계산한다. 여기서, 실내온도 데이터는 실내온도 예측모델에 입력된 계측값 데이터와 동일 시점 및 동일 시점으로부터 미리 설정된 시구간 이후 시점에 측정된 실내 온도이다. 미리 설정된 시구간은 현재시점으로부터 실내온도 예측모델이 예측하고자 하는 예측시점간의 시간과 동일한 길이로 설정될 수 있으나 이에 한정되는 것은 아니며, 대상 건물에서의 계측값의 측정 주기로 설정된 임의의 시간으로 설정될 수 있다.
또 다른 실시예에 따라, 열 시뮬레이터 생성장치는 복수의 열전달 모드 각각에 대응되는 학습데이터를 생성할 수 있다. 열 시뮬레이터 생성장치는 미리 설정된 기간 동안 대상 건물에서 측정된 열전달량에 관한 계측값 및 실내온도를 획득하여 전체 학습데이터를 생성할 수 있다. 여기서, 미리 설정된 기간은 한달 이상의 임의의 기간으로 설정될 수 있으며, 설정된 기간 동안 대상건물에서 주기적으로 측정된 계측값 및 실내온도에 관한 데이터를 포함할 수 있다. 열 시뮬레이터 생성장치는 대상건물의 건물 에너지 관리 시스템(BEMS) 또는 건물에서의 다양한 측정 데이터가 별도로 저장된 데이터베이스로부터 해당 데이터를 획득할 수 있다.
열 시뮬레이터 생성장치는 전체 학습데이터에 포함된 복수의 데이터를 복수의 열전달 모드의 설정기준과 동일한 기준에 따라 분류할 수 있다.
열 시뮬레이터 생성장치는 분류된 학습데이터를 각 열전달 모드에 대응되는 학습데이터로 생성할 수 있다. 여기서, 열 시뮬레이터 생성장치는 분류된 학습데이터에 포함된 복수의 계측값 중에서 해당 열전달 모드에 대한 열전달량과 관련된 계측값 만을 선별한 학습데이터를 생성할 수 있다.
열 시뮬레이터 생성장치는 계산된 오차를 기초로 실내온도 예측모델의 열전달 계수를 보정한다. 여기서, 열전달 계수를 보정하기 위하여 다양한 수치해석 또는 인공지능 알고리즘이 적용될 수 있다. 열 시뮬레이터 생성장치는 오차를 최소화하는 방향으로 열전달 계수를 보정한다.
열 시뮬레이터 생성장치는 실내온도 예측모델의 정확한 열전달 계수가 결정되면 학습을 종료하고, 학습이 완료된 실내온도 예측모델을 기초로 대상 건물의 열 시뮬레이터를 생성한다.
또 다른 실시예에 따라, 열 시뮬레이터 생성장치는 복수의 열전달 모드 각각에 대한 학습을 수행하고, 모든 열전달 모드에서의 열전달 계수가 결정되면 비로소 학습을 종료할 수 있다. 열 시뮬레이터 생성장치는 복수의 열전달 모드 각각에 대응하는 복수의 실내온도 예측모델을 포함하는 대상 건물의 열 시뮬레이터를 생성할 수 있다. 여기서, 대상 건물의 열 시뮬레이터는 예측하고자 하는 열전달 모드가 선택되면, 복수의 실내온도 예측모델 중에서 대응되는 실내온도 예측모델을 이용하여 실내온도를 예측할 수 있도록 구현될 수 있다.
본 명세서에 설명되는 시스템들 및 기법들의 다양한 구현예들은, 디지털 전자 회로, 집적회로, 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 실행 가능한 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 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.
본 명세서의 흐름도/타이밍도에서는 각 과정들을 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 개시의 일 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것이다. 다시 말해, 본 개시의 일 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 일 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 흐름도/타이밍도에 기재된 순서를 변경하여 실행하거나 각 과정들 중 하나 이상의 과정을 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 흐름도/타이밍도는 시계열적인 순서로 한정되는 것은 아니다.
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.
<CROSS-REFERENCE TO RELATED APPLICATION>
본 특허출원은 2021년 9월 8일에 한국에 출원한 특허출원번호 제10-2021-0119808호 및 2022년 9월 5일에 한국에 출원한 특허출원번호 제10-2022-0112320호에 대해 우선권을 주장하며, 그 모든 내용은 참고문헌으로 본 특허출원에 병합된다.

Claims (10)

  1. 대상 건물의 실내 온도를 예측하는 열 시뮬레이터 생성장치가 수행하는 열 시뮬레이터 생성방법에 있어서,
    대상 건물에 대하여 미리 설정된 복수의 열전달 모드 중에서 어느 하나의 열전달 모드를 결정하는 단계;
    상기 어느 하나의 열전달 모드에 대응하는 상기 대상 건물의 열전달량을 기초로 상기 대상 건물에 대한 실내온도 예측모델을 생성하는 단계; 및
    상기 어느 하나의 열전달 모드에 대응되는 학습데이터를 이용하여 상기 열전달량에 관한 계측값을 기초로 상기 대상 건물의 예측 실내온도를 결정하도록 상기 실내온도 예측모델을 학습시키는 단계
    를 포함하는 열 시뮬레이터 생성방법.
  2. 제1항에 있어서,
    상기 미리 설정된 복수의 열전달 모드는,
    날짜, 시간 및 날씨 중 적어도 어느 하나를 기준으로 설정된 복수의 열전달 모드를 포함하는 열 시뮬레이터 생성방법.
  3. 제1항에 있어서,
    상기 어느 하나의 열전달 모드에 대응하는 상기 열전달량은,
    상기 대상 건물의 외부 환경과 관련된 열전달량, 상기 대상 건물의 내부 환경과 관련된 열전달량 및 상기 대상 건물의 HVAC과 관련된 열전달량 중에서 적어도 하나의 열전달량을 포함하는 열 시뮬레이터 생성방법.
  4. 제1항에 있어서,
    상기 어느 하나의 열전달 모드에 대응되는 학습데이터는,
    상기 어느 하나의 열전달 모드에 해당하는 과거시점에 측정된 상기 계측값에 관한 하나 이상의 계측값 데이터; 및
    상기 계측값 데이터와 동일 시점 및 동일 시점으로부터 미리 설정된 시구간 이후 시점에 측정된 상기 대상 건물의 실내 온도데이터를 포함하는 열 시뮬레이터 생성방법.
  5. 제1항에 있어서,
    상기 어느 하나의 열전달 모드에 대응하는 상기 대상 건물의 열전달량을 기초로 상기 대상 건물에 대한 실내온도 예측모델을 생성하는 단계는,
    상기 어느 하나의 열전달 모드에서 상기 대상 건물의 실내 온도 변화에 관련된 하나 이상의 열전달량을 결정하는 단계; 및
    상기 하나 이상의 열전달량 각각에 대한 계측값 및 열전달 계수를 결정하는 단계를 포함하는
    열 시뮬레이터 생성방법.
  6. 제5항에 있어서,
    상기 실내온도 예측모델을 학습시키는 단계는,
    상기 어느 하나의 열전달 모드에 해당하는 제1 시점에 대한 상기 하나 이상의 열전달량 각각에 대한 계측값을 상기 실내온도 예측모델에 입력하여 상기 어느 하나의 열전달 모드에 해당하는 제2 시점에 대한 상기 예측 실내온도를 획득하는 단계;
    상기 예측 실내온도 및 상기 학습데이터 간의 오차를 계산하는 단계; 및
    상기 오차를 기초로 상기 열전달 계수를 보정하는 단계
    를 포함하는 열 시뮬레이터 생성방법.
  7. 제1항에 있어서,
    상기 열 시뮬레이터 생성방법은,
    상기 어느 하나의 열전달 모드에 대응되는 학습데이터를 생성하는 단계를 더 포함하는 열 시뮬레이터 생성방법.
  8. 제7항에 있어서,
    상기 어느 하나의 열전달 모드에 대응되는 학습데이터를 생성하는 단계는,
    미리 설정된 기간 동안 상기 대상 건물에서 측정된 열전달량에 관한 계측값 및 실내온도를 획득하여 전체 학습데이터를 생성하는 단계; 및
    상기 전체 학습데이터를 상기 복수의 열전달 모드의 설정기준과 동일한기준에 따라 분류하여 상기 복수의 열전달 모드에 각각 대응되는 복수의 학습데이터를 생성하는 단계
    를 포함하는 열 시뮬레이터 생성방법.
  9. 대상 건물의 실내 온도를 예측하는 열 시뮬레이터 생성장치에 있어서,
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하되,
    상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    대상 건물에 대하여 미리 설정된 복수의 열전달 모드 중에서 어느 하나의 열전달 모드를 결정하고,
    상기 어느 하나의 열전달 모드에 대응하는 상기 대상 건물의 열전달량을 기초로 상기 대상 건물에 대한 실내온도 예측모델을 생성하고,
    상기 어느 하나의 열전달 모드에 대응되는 학습데이터를 이용하여 상기 열전달량에 관한 계측값 및 상기 대상 건물의 실내 구조정보를 기초로 상기 대상 건물의 예측 실내온도를 결정하도록 상기 실내온도 예측모델을 학습시키는
    열 시뮬레이터 생성장치.
  10. 제1항 내지 제8항 중 어느 한 항에 따른 열 시뮬레이터 생성방법이 포함하는 각 단계를 실행시키기 위하여 컴퓨터로 판독 가능한 하나 이상의 기록매체에 각각 저장된 컴퓨터 프로그램.
PCT/KR2022/013371 2021-09-08 2022-09-06 건물의 열 시뮬레이터 생성장치 및 방법 WO2023038405A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2021-0119808 2021-09-08
KR20210119808 2021-09-08
KR1020220112320A KR20230036989A (ko) 2021-09-08 2022-09-05 건물의 열 시뮬레이터 생성장치 및 방법
KR10-2022-0112320 2022-09-05

Publications (1)

Publication Number Publication Date
WO2023038405A1 true WO2023038405A1 (ko) 2023-03-16

Family

ID=85507459

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/013371 WO2023038405A1 (ko) 2021-09-08 2022-09-06 건물의 열 시뮬레이터 생성장치 및 방법

Country Status (1)

Country Link
WO (1) WO2023038405A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160134454A (ko) * 2015-05-15 2016-11-23 삼성전자주식회사 공조 기기의 기동 제어 방법 및 장치
KR20190036573A (ko) * 2017-09-27 2019-04-05 한국에너지기술연구원 신재생 건물에너지시스템에서의 온도 및 실내상태 제어방법, 시스템 및 컴퓨터판독가능매체
KR102049005B1 (ko) * 2017-12-21 2019-11-26 가천대학교 산학협력단 유전 알고리즘을 이용한 중앙집중식 공조시스템 및 이를 이용한 공기조화 방법
KR102170522B1 (ko) * 2018-10-18 2020-10-27 부산대학교 산학협력단 관람객 수와 환경 변화를 고려한 전시홀 에너지 관리 시스템
JP2021004703A (ja) * 2019-06-26 2021-01-14 大和ハウス工業株式会社 カビ抑制システムおよびプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160134454A (ko) * 2015-05-15 2016-11-23 삼성전자주식회사 공조 기기의 기동 제어 방법 및 장치
KR20190036573A (ko) * 2017-09-27 2019-04-05 한국에너지기술연구원 신재생 건물에너지시스템에서의 온도 및 실내상태 제어방법, 시스템 및 컴퓨터판독가능매체
KR102049005B1 (ko) * 2017-12-21 2019-11-26 가천대학교 산학협력단 유전 알고리즘을 이용한 중앙집중식 공조시스템 및 이를 이용한 공기조화 방법
KR102170522B1 (ko) * 2018-10-18 2020-10-27 부산대학교 산학협력단 관람객 수와 환경 변화를 고려한 전시홀 에너지 관리 시스템
JP2021004703A (ja) * 2019-06-26 2021-01-14 大和ハウス工業株式会社 カビ抑制システムおよびプログラム

Similar Documents

Publication Publication Date Title
Sangogboye et al. Performance comparison of occupancy count estimation and prediction with common versus dedicated sensors for building model predictive control
WO2020130235A1 (ko) 인공지능 기반 스마트 홈 에어컨 자동 제어 시스템
Pang et al. A framework for simulation-based real-time whole building performance assessment
US10107513B2 (en) Thermodynamic modeling for enclosures
WO2020159034A1 (ko) 인공지능 기반 설계풍속 자동 산정 방법 및 시스템
WO2015199457A1 (ko) 건물 정보 검출 방법 및 장치
WO2014038777A1 (ko) Ｂｉｍ을 이용한 건물 에너지 시뮬레이션 방법
US10731890B2 (en) Air conditioning operation analysis device and non-transitory computer-readable recording medium storing program
WO2013100345A1 (ko) 냉난방부하 추정을 위한 시간별 기상데이터 예측방법
WO2016125941A1 (ko) 환경 오염 예측 시스템 및 방법
JP6878361B2 (ja) 断熱性能診断装置
WO2014084648A1 (ko) 설계 및 운영 단계에서 건물 에너지를 예측하여 건물을 제어하는 방법 및 이를 위한 시스템
Radecki et al. Online model estimation for predictive thermal control of buildings
WO2021141189A1 (ko) 빌딩 설비 에너지 관리 제어 시스템 및 그 제어 방법
WO2023145996A1 (ko) 에너지 다소비 건물의 에너지 관리 및 최적화를 지원하는 디지털 트윈 플랫폼
WO2017095101A1 (ko) 건물 에너지 성능 측정 평가 시스템 및 구동 방법
KR20200131831A (ko) 센서 교정
WO2022196945A1 (ko) 개체군 분산 모사 모델 기반 개체군 분산 예측 장치 및 이를 이용한 개체군 분산 예측 방법
Naspi et al. Measuring occupants’ behaviour for buildings’ dynamic cosimulation
WO2023038405A1 (ko) 건물의 열 시뮬레이터 생성장치 및 방법
WO2023120811A1 (ko) 실시간 강우패턴 반응형 집중호우 예측시스템
Goldwasser et al. Advances in calibration of building energy models to time series data
WO2018159873A1 (ko) 건물 에너지에 대한 통합 평가 진단 방법
WO2021080169A2 (ko) 건물 에너지 통합 관리 장치 및 그 방법
WO2023113252A1 (ko) 디지털 트윈 모델을 도출하는 장치, 방법 및 컴퓨터 프로그램

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: 22867674

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE