최근 세계적으로 온실가스의 배출량은 지속적으로 늘어가고 있으며 이러한 문제를 해결하기 위해 각국에서 많은 노력을 기울이는 추세이다. 특히 건물에서 소비하는 에너지는 전체 에너지 중 약 30%의 많은 비중을 차지하고 있어 이러한 건물의 에너지를 줄이기 위한 관심이 촉구되고 있다. 건물의 생애주기 관점에서 보았을 때, 건물운영에서 소비되는 에너지는 70~90%이며 이러한 운영에 소비되는 에너지를 절감하는 것은 상당히 중요하다. 이에 본 연구에서는 이러한 건물의 운영에 소비되는 에너지 중 겨울철 가장 많은 부하가 걸리는 오전 중의 에너지를 절감하기 위하여 난방설비가 기동되는 시점을 예측하는 ...
최근 세계적으로 온실가스의 배출량은 지속적으로 늘어가고 있으며 이러한 문제를 해결하기 위해 각국에서 많은 노력을 기울이는 추세이다. 특히 건물에서 소비하는 에너지는 전체 에너지 중 약 30%의 많은 비중을 차지하고 있어 이러한 건물의 에너지를 줄이기 위한 관심이 촉구되고 있다. 건물의 생애주기 관점에서 보았을 때, 건물운영에서 소비되는 에너지는 70~90%이며 이러한 운영에 소비되는 에너지를 절감하는 것은 상당히 중요하다. 이에 본 연구에서는 이러한 건물의 운영에 소비되는 에너지 중 겨울철 가장 많은 부하가 걸리는 오전 중의 에너지를 절감하기 위하여 난방설비가 기동되는 시점을 예측하는 인공신경망 모델을 개발하였다. 특히 기존의 문헌들은 인공신경망 모델링에 정형화된 입력변수들을 사용하였는데, 해당 입력변수에 추가적으로 데이터가 측정될 당시의 시각에 대한 변수를 고려함으로써 예측에 대한 정확도를 상승시켰다. 결과적으로 BEMS에서 실측된 데이터와 인공신경망 모델의 예측값이 상당히 유사함을 알 수 있었고, 인공신경망 모델의 예측성능은 CvRMSE 약 13.13%, MBE 약 0.197%로 ASHRAE guildeline 14의 기준을 만족하였다. 본 연구를 바탕으로 본 연구에서 제시하는 인공신경망 모델을 건물에 적용한다면 최적 난방설비 기동시점의 예측을 통해 건물의 에너지절감 뿐만 아니라 재실자의 쾌적성까지 확보가 가능할 것으로 기대된다.
최근 세계적으로 온실가스의 배출량은 지속적으로 늘어가고 있으며 이러한 문제를 해결하기 위해 각국에서 많은 노력을 기울이는 추세이다. 특히 건물에서 소비하는 에너지는 전체 에너지 중 약 30%의 많은 비중을 차지하고 있어 이러한 건물의 에너지를 줄이기 위한 관심이 촉구되고 있다. 건물의 생애주기 관점에서 보았을 때, 건물운영에서 소비되는 에너지는 70~90%이며 이러한 운영에 소비되는 에너지를 절감하는 것은 상당히 중요하다. 이에 본 연구에서는 이러한 건물의 운영에 소비되는 에너지 중 겨울철 가장 많은 부하가 걸리는 오전 중의 에너지를 절감하기 위하여 난방설비가 기동되는 시점을 예측하는 인공신경망 모델을 개발하였다. 특히 기존의 문헌들은 인공신경망 모델링에 정형화된 입력변수들을 사용하였는데, 해당 입력변수에 추가적으로 데이터가 측정될 당시의 시각에 대한 변수를 고려함으로써 예측에 대한 정확도를 상승시켰다. 결과적으로 BEMS에서 실측된 데이터와 인공신경망 모델의 예측값이 상당히 유사함을 알 수 있었고, 인공신경망 모델의 예측성능은 CvRMSE 약 13.13%, MBE 약 0.197%로 ASHRAE guildeline 14의 기준을 만족하였다. 본 연구를 바탕으로 본 연구에서 제시하는 인공신경망 모델을 건물에 적용한다면 최적 난방설비 기동시점의 예측을 통해 건물의 에너지절감 뿐만 아니라 재실자의 쾌적성까지 확보가 가능할 것으로 기대된다.
Recently, global emissions of greenhouse gases have been steadily increasing, and efforts have been made in various countries to solve these problems. Energy consumed by buildings accounts for a large proportion of about 30% of the total energy in korea. So attention is rising to reduce the energy o...
Recently, global emissions of greenhouse gases have been steadily increasing, and efforts have been made in various countries to solve these problems. Energy consumed by buildings accounts for a large proportion of about 30% of the total energy in korea. So attention is rising to reduce the energy of buildings. In terms of the building’s life cycle, the energy consumed in building operations is 70% to 90%, and it is important to reduce the energy consumed by these building operations. Therefore in this study, in order to reduce energy of building operations we developed an ANN (Artificial Neural Network) model that predicts when the heating systems will be activated in the early morning which consumes a lot of energy during the winter season. Particularly, the existing literature used formal input variables for ANN model. This study considered existing formal input variables in addition to the variable for the time at which the BEMS (Building Energy Management System) data was measured. As a result of this study, it was found that the predicted values of the ANN model were very similar to the empirical data which were measured in BEMS. The predictive performance of the ANN model was about 13.13% for CvRMSE and about 0.197% for MBE, and satisfying the ASHRAE guideline 14 standard. Based on this study, it is expected that if the ANN model proposed in this study is applied to the buildings, it will be able to reduce energy consumed by building operations and provide the comfort to occupants by predicting the stating point of the optimum heating timing.
Recently, global emissions of greenhouse gases have been steadily increasing, and efforts have been made in various countries to solve these problems. Energy consumed by buildings accounts for a large proportion of about 30% of the total energy in korea. So attention is rising to reduce the energy of buildings. In terms of the building’s life cycle, the energy consumed in building operations is 70% to 90%, and it is important to reduce the energy consumed by these building operations. Therefore in this study, in order to reduce energy of building operations we developed an ANN (Artificial Neural Network) model that predicts when the heating systems will be activated in the early morning which consumes a lot of energy during the winter season. Particularly, the existing literature used formal input variables for ANN model. This study considered existing formal input variables in addition to the variable for the time at which the BEMS (Building Energy Management System) data was measured. As a result of this study, it was found that the predicted values of the ANN model were very similar to the empirical data which were measured in BEMS. The predictive performance of the ANN model was about 13.13% for CvRMSE and about 0.197% for MBE, and satisfying the ASHRAE guideline 14 standard. Based on this study, it is expected that if the ANN model proposed in this study is applied to the buildings, it will be able to reduce energy consumed by building operations and provide the comfort to occupants by predicting the stating point of the optimum heating timing.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.