전 세계적으로 에너지사용량과 온실가스 배출량의 증가로 인한 지구온난화 현상, 도시열섬현상, 기후 변화 및 자원 고갈 등 심각한 환경 문제가 지속적으로 발생하고 있다. 특히 에너지수입 의존도가 약 95%로 에너지수급이 매우 불안정한 우리나라는 건물에서 소비되는 에너지가 전체 24%를 차지한다. 건물부문에서 에너지를 절감하기 위한 방안으로 에너지소비량을 예측하고 공조시스템의 운전을 최적으로 제어하는 것이 매우 중요하다. 따라서 본 연구에서는 기존의 에너지 ...
전 세계적으로 에너지사용량과 온실가스 배출량의 증가로 인한 지구온난화 현상, 도시열섬현상, 기후 변화 및 자원 고갈 등 심각한 환경 문제가 지속적으로 발생하고 있다. 특히 에너지수입 의존도가 약 95%로 에너지수급이 매우 불안정한 우리나라는 건물에서 소비되는 에너지가 전체 24%를 차지한다. 건물부문에서 에너지를 절감하기 위한 방안으로 에너지소비량을 예측하고 공조시스템의 운전을 최적으로 제어하는 것이 매우 중요하다. 따라서 본 연구에서는 기존의 에너지 시뮬레이션과 건물 제어방법의 문제점을 개선하는 인공신경망을 활용하여 건물의 공조시스템 에너지사용량 예측 모델을 개발하고, 이를 통하여 보다 에너지 효율적이고 정확한 알고리즘 개발을 위한 기초자료 제공을 목적으로 한다. 수치계산 프로그램인 MATLAB을 통해 인공신경망 모델을 개발하고 성능평가를 실시하였으며, 신경망 모델의 학습 및 검증 데이터베이스는 대상 건물에서 실측 데이터를 수집하였다. 인공신경망 모델 개발과정은 초기모델 개발, 최적 입력변수 선정, 최적화 과정, 예측성능 평가로 시행되었다. 연구 결과 2개의 인공신경망 모델(여름철: NHL=2, NHN=15, LR=0.3, MO=0.3, 겨울철: NHL=2, NHN=22, LR=0.4, MO=0.2)이 개발되었으며, 대상 건물의 실제 에너지사용량과 유사하게 예측할 수 있었다. 여름철과 겨울철 예측모델의 R2는 각각 0.8136, 0.8120, Cv(RMSE) 값은 각각 11.28%, 5.44%로 나타나 ASHRAE Guideline 14에서 제시한 기준을 충분히 만족하는 것으로 확인되었다. 향후 본 연구 결과를 기반으로 공조시스템의 설정값 및 변수들을 제어하는 최적운전 알고리즘을 개발하고 이를 시뮬레이션 및 실제 건물에 적용하면 인공신경망을 통한 건물 에너지절감이 가능할 것이다.
전 세계적으로 에너지사용량과 온실가스 배출량의 증가로 인한 지구온난화 현상, 도시열섬현상, 기후 변화 및 자원 고갈 등 심각한 환경 문제가 지속적으로 발생하고 있다. 특히 에너지수입 의존도가 약 95%로 에너지수급이 매우 불안정한 우리나라는 건물에서 소비되는 에너지가 전체 24%를 차지한다. 건물부문에서 에너지를 절감하기 위한 방안으로 에너지소비량을 예측하고 공조시스템의 운전을 최적으로 제어하는 것이 매우 중요하다. 따라서 본 연구에서는 기존의 에너지 시뮬레이션과 건물 제어방법의 문제점을 개선하는 인공신경망을 활용하여 건물의 공조시스템 에너지사용량 예측 모델을 개발하고, 이를 통하여 보다 에너지 효율적이고 정확한 알고리즘 개발을 위한 기초자료 제공을 목적으로 한다. 수치계산 프로그램인 MATLAB을 통해 인공신경망 모델을 개발하고 성능평가를 실시하였으며, 신경망 모델의 학습 및 검증 데이터베이스는 대상 건물에서 실측 데이터를 수집하였다. 인공신경망 모델 개발과정은 초기모델 개발, 최적 입력변수 선정, 최적화 과정, 예측성능 평가로 시행되었다. 연구 결과 2개의 인공신경망 모델(여름철: NHL=2, NHN=15, LR=0.3, MO=0.3, 겨울철: NHL=2, NHN=22, LR=0.4, MO=0.2)이 개발되었으며, 대상 건물의 실제 에너지사용량과 유사하게 예측할 수 있었다. 여름철과 겨울철 예측모델의 R2는 각각 0.8136, 0.8120, Cv(RMSE) 값은 각각 11.28%, 5.44%로 나타나 ASHRAE Guideline 14에서 제시한 기준을 충분히 만족하는 것으로 확인되었다. 향후 본 연구 결과를 기반으로 공조시스템의 설정값 및 변수들을 제어하는 최적운전 알고리즘을 개발하고 이를 시뮬레이션 및 실제 건물에 적용하면 인공신경망을 통한 건물 에너지절감이 가능할 것이다.
Building energy consumption and greenhouse has emissions have been increasing steadily all over the world, raising many criticial problems, such as, global warming, urban heat island phenomenon, air pollution, resource depletion and etc. Especially in Korea, the proportion of building energy consump...
Building energy consumption and greenhouse has emissions have been increasing steadily all over the world, raising many criticial problems, such as, global warming, urban heat island phenomenon, air pollution, resource depletion and etc. Especially in Korea, the proportion of building energy consumption reaches about 24% of whole energy and the proportion is expected to rise further. For energy savings in the building sector, it is important to predict the building energy and control the system operation in HVAC. Therefore, this study aimed at developing an ANN (Artificial Neural Network)-based model for improving existing energy simulation and building control system by predicting the cooling energy consumption and heating energy cost for the different settings of HVAC system's control variables. Matrix laboratory (MATLAB) as the developing tool was used for the ANN model and test performance. For data training and performance evaluation, actual energy data sets organized by the hour were collected by the office building. Four steps were conducted in the development process of ANN model: initial model development, input variable selection, model optimization, and performance evaluation. The results of this study showed that the optimized models were set to have structural design (NHL: 2, NHN: 15) and learning parameter(LR: 0.3, MO: 0.3) in summer, structural design (NHL: 2, NHN: 22) and learning parameter(LR: 0.4, MO: 0.2) in winter. Lastly, the optimized model demonstrated its prediction accuracy within the reference level showing Cv(RMSE) value of 11.28% in summer and 4.87% in winter. It is necessary to develop the optimal operation algorithm for controlling the setting points and variables of HVAC based on this study. Then building energy savings could be feasible by energy simulation and applying control algorithm to actual building in the future research.
Building energy consumption and greenhouse has emissions have been increasing steadily all over the world, raising many criticial problems, such as, global warming, urban heat island phenomenon, air pollution, resource depletion and etc. Especially in Korea, the proportion of building energy consumption reaches about 24% of whole energy and the proportion is expected to rise further. For energy savings in the building sector, it is important to predict the building energy and control the system operation in HVAC. Therefore, this study aimed at developing an ANN (Artificial Neural Network)-based model for improving existing energy simulation and building control system by predicting the cooling energy consumption and heating energy cost for the different settings of HVAC system's control variables. Matrix laboratory (MATLAB) as the developing tool was used for the ANN model and test performance. For data training and performance evaluation, actual energy data sets organized by the hour were collected by the office building. Four steps were conducted in the development process of ANN model: initial model development, input variable selection, model optimization, and performance evaluation. The results of this study showed that the optimized models were set to have structural design (NHL: 2, NHN: 15) and learning parameter(LR: 0.3, MO: 0.3) in summer, structural design (NHL: 2, NHN: 22) and learning parameter(LR: 0.4, MO: 0.2) in winter. Lastly, the optimized model demonstrated its prediction accuracy within the reference level showing Cv(RMSE) value of 11.28% in summer and 4.87% in winter. It is necessary to develop the optimal operation algorithm for controlling the setting points and variables of HVAC based on this study. Then building energy savings could be feasible by energy simulation and applying control algorithm to actual building in the future research.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.