[학위논문]효율적인 빌딩 에너지 운영을 위한 냉난방 부하 예측 및 최적제어 연구 Study on Prediction of Cooling and Heating Load and Automatic Control for Efficient Building Energy Management원문보기
국내 소비 에너지 중 건물 부문이 차지하는 비율은 약 24% 정도이고, 건물부문에서 약60%가 냉난방 에너지로 사용되고 있다. 국내외에서 건물 부분의 소비 에너지 절약에 관한 연구가 중요시 되고 있다. 건물의 냉난방 부하 예측은 다음날의 냉난방 공조 장치의 효율적인 운영 계획을 수립하기 위한 필수요소이며, 정확한 냉난방 부하 예측은 건물의 에너지 절감을 이끌어낸다. 또한 냉난방 공조 장치를 얼마나 효율적으로 운영하는 것에 따라 에너지 소비는 달라진다. 본 연구에서 효율적인 건물 에너지 운용을 위해 머신러닝 기술 및 ...
국내 소비 에너지 중 건물 부문이 차지하는 비율은 약 24% 정도이고, 건물부문에서 약60%가 냉난방 에너지로 사용되고 있다. 국내외에서 건물 부분의 소비 에너지 절약에 관한 연구가 중요시 되고 있다. 건물의 냉난방 부하 예측은 다음날의 냉난방 공조 장치의 효율적인 운영 계획을 수립하기 위한 필수요소이며, 정확한 냉난방 부하 예측은 건물의 에너지 절감을 이끌어낸다. 또한 냉난방 공조 장치를 얼마나 효율적으로 운영하는 것에 따라 에너지 소비는 달라진다. 본 연구에서 효율적인 건물 에너지 운용을 위해 머신러닝 기술 및 강화학습을 기반으로 빌딩의 냉난방 부하 예측 및 HVAC 최적제어에 관한 연구를 수행하였다. 첫째, 각 데이터의 실측 난방 부하와 유사한 날씨의 실측 난방 부하를 KNN알고리즘으로 분류하고, 이를 입력 변수로 사용하여 머신러닝 기반의 난방 부하 예측을 수행하였다. 둘째, 건물의 냉난방 공조 장치를 효율적으로 운영하기 위해서 강화학습 알고리즘을 사용하였으며, 본 연구에서 IBM에서 제공하는 데이터를 사용하여 각 구역의 HVAC(Heating and Ventilation Air Conditioning)을 제어하여 에너지 절감을 보였다. 위와 같은 실험을 수행했으며, 냉난방 부하 예측은 기존 연구와 비교하여 각 모델의 우수한 성능을 검증하였다. 또한 강화학습 기반의 HVAC 최적제어는 충분한 에너지 절감을 보였다. 수행한 연구들을 활용하여, 냉난방 부하 예측을 통하여 다음날의 운영 스케줄을 계획하고 강화학습 기반의 제어 방법은 더 효율적인 냉난방 공조장치 운영으로 에너지 절감이 가능하다.국내 소비 에너지 중 건물 부문이 차지하는 비율은 약 24% 정도이고, 건물부문에서 약60%가 냉난방 에너지로 사용되고 있다. 국내외에서 건물 부분의 소비 에너지 절약에 관한 연구가 중요시 되고 있다. 건물의 냉난방 부하 예측은 다음날의 냉난방 공조 장치의 효율적인 운영 계획을 수립하기 위한 필수요소이며, 정확한 냉난방 부하 예측은 건물의 에너지 절감을 이끌어낸다. 또한 냉난방 공조 장치를 얼마나 효율적으로 운영하는 것에 따라 에너지 소비는 달라진다. 본 연구에서 효율적인 건물 에너지 운용을 위해 머신러닝 기술 및 강화학습을 기반으로 빌딩의 냉난방 부하 예측 및 HVAC 최적제어에 관한 연구를 수행하였다. 첫째, 각 데이터의 실측 난방 부하와 유사한 날씨의 실측 난방 부하를 KNN알고리즘으로 분류하고, 이를 입력 변수로 사용하여 머신러닝 기반의 난방 부하 예측을 수행하였다. 둘째, 건물의 냉난방 공조 장치를 효율적으로 운영하기 위해서 강화학습 알고리즘을 사용하였으며, 본 연구에서 IBM에서 제공하는 데이터를 사용하여 각 구역의 HVAC(Heating and Ventilation Air Conditioning)을 제어하여 에너지 절감을 보였다. 위와 같은 실험을 수행했으며, 냉난방 부하 예측은 기존 연구와 비교하여 각 모델의 우수한 성능을 검증하였다. 또한 강화학습 기반의 HVAC 최적제어는 충분한 에너지 절감을 보였다. 수행한 연구들을 활용하여, 냉난방 부하 예측을 통하여 다음날의 운영 스케줄을 계획하고 강화학습 기반의 제어 방법은 더 효율적인 냉난방 공조장치 운영으로 에너지 절감이 가능하다.
국내 소비 에너지 중 건물 부문이 차지하는 비율은 약 24% 정도이고, 건물부문에서 약60%가 냉난방 에너지로 사용되고 있다. 국내외에서 건물 부분의 소비 에너지 절약에 관한 연구가 중요시 되고 있다. 건물의 냉난방 부하 예측은 다음날의 냉난방 공조 장치의 효율적인 운영 계획을 수립하기 위한 필수요소이며, 정확한 냉난방 부하 예측은 건물의 에너지 절감을 이끌어낸다. 또한 냉난방 공조 장치를 얼마나 효율적으로 운영하는 것에 따라 에너지 소비는 달라진다. 본 연구에서 효율적인 건물 에너지 운용을 위해 머신러닝 기술 및 강화학습을 기반으로 빌딩의 냉난방 부하 예측 및 HVAC 최적제어에 관한 연구를 수행하였다. 첫째, 각 데이터의 실측 난방 부하와 유사한 날씨의 실측 난방 부하를 KNN알고리즘으로 분류하고, 이를 입력 변수로 사용하여 머신러닝 기반의 난방 부하 예측을 수행하였다. 둘째, 건물의 냉난방 공조 장치를 효율적으로 운영하기 위해서 강화학습 알고리즘을 사용하였으며, 본 연구에서 IBM에서 제공하는 데이터를 사용하여 각 구역의 HVAC(Heating and Ventilation Air Conditioning)을 제어하여 에너지 절감을 보였다. 위와 같은 실험을 수행했으며, 냉난방 부하 예측은 기존 연구와 비교하여 각 모델의 우수한 성능을 검증하였다. 또한 강화학습 기반의 HVAC 최적제어는 충분한 에너지 절감을 보였다. 수행한 연구들을 활용하여, 냉난방 부하 예측을 통하여 다음날의 운영 스케줄을 계획하고 강화학습 기반의 제어 방법은 더 효율적인 냉난방 공조장치 운영으로 에너지 절감이 가능하다.국내 소비 에너지 중 건물 부문이 차지하는 비율은 약 24% 정도이고, 건물부문에서 약60%가 냉난방 에너지로 사용되고 있다. 국내외에서 건물 부분의 소비 에너지 절약에 관한 연구가 중요시 되고 있다. 건물의 냉난방 부하 예측은 다음날의 냉난방 공조 장치의 효율적인 운영 계획을 수립하기 위한 필수요소이며, 정확한 냉난방 부하 예측은 건물의 에너지 절감을 이끌어낸다. 또한 냉난방 공조 장치를 얼마나 효율적으로 운영하는 것에 따라 에너지 소비는 달라진다. 본 연구에서 효율적인 건물 에너지 운용을 위해 머신러닝 기술 및 강화학습을 기반으로 빌딩의 냉난방 부하 예측 및 HVAC 최적제어에 관한 연구를 수행하였다. 첫째, 각 데이터의 실측 난방 부하와 유사한 날씨의 실측 난방 부하를 KNN알고리즘으로 분류하고, 이를 입력 변수로 사용하여 머신러닝 기반의 난방 부하 예측을 수행하였다. 둘째, 건물의 냉난방 공조 장치를 효율적으로 운영하기 위해서 강화학습 알고리즘을 사용하였으며, 본 연구에서 IBM에서 제공하는 데이터를 사용하여 각 구역의 HVAC(Heating and Ventilation Air Conditioning)을 제어하여 에너지 절감을 보였다. 위와 같은 실험을 수행했으며, 냉난방 부하 예측은 기존 연구와 비교하여 각 모델의 우수한 성능을 검증하였다. 또한 강화학습 기반의 HVAC 최적제어는 충분한 에너지 절감을 보였다. 수행한 연구들을 활용하여, 냉난방 부하 예측을 통하여 다음날의 운영 스케줄을 계획하고 강화학습 기반의 제어 방법은 더 효율적인 냉난방 공조장치 운영으로 에너지 절감이 가능하다.
The building sector accounts for about 24 percent of the energy consumed in Korea, and about 50 percent of the building sector is used for heating and cooling. Research on saving energy consumption in parts of buildings at home and abroad is becoming important. Prediction of heating and cooling...
The building sector accounts for about 24 percent of the energy consumed in Korea, and about 50 percent of the building sector is used for heating and cooling. Research on saving energy consumption in parts of buildings at home and abroad is becoming important. Prediction of heating and cooling loads on buildings is essential for planning the efficient operation of heating and cooling systems the next day, and prediction of accurate heating and cooling loads leads to energy reduction in buildings. In addition, energy consumption depends on how efficiently the heating and cooling systems are operated. Therefore, this research conducted a study on the prediction of heating and cooling loads and the optimal control of HVAC based on machine learning technology and reinforcement studies for efficient building energy operation. First, the actual heating load of weather similar to the actual heating load of each data was classified using KNN algorithm, which was used as an input variable, and machine learning - based heating load prediction was performed. Second, the reinforcement learning algorithm was used to efficiently operate the heating and cooling air conditioning system of the building, and in this study, the heating and ventilation air conditioning (HVAC) of each zone was controlled using data provided by IBM, thereby reducing energy consumption. These experiments were carried out, and the prediction of heating and cooling loads validated the superior performance of each model compared to previous studies. In addition, the HVAC optimal control based on reinforcement learning has shown sufficient energy savings. Using the studies carried out, the operation schedule for the next day is planned through the prediction of heating and cooling loads, and the control method based on reinforcement learning can be used to reduce energy by operating more efficient heating and cooling air-conditioning systems.
The building sector accounts for about 24 percent of the energy consumed in Korea, and about 50 percent of the building sector is used for heating and cooling. Research on saving energy consumption in parts of buildings at home and abroad is becoming important. Prediction of heating and cooling loads on buildings is essential for planning the efficient operation of heating and cooling systems the next day, and prediction of accurate heating and cooling loads leads to energy reduction in buildings. In addition, energy consumption depends on how efficiently the heating and cooling systems are operated. Therefore, this research conducted a study on the prediction of heating and cooling loads and the optimal control of HVAC based on machine learning technology and reinforcement studies for efficient building energy operation. First, the actual heating load of weather similar to the actual heating load of each data was classified using KNN algorithm, which was used as an input variable, and machine learning - based heating load prediction was performed. Second, the reinforcement learning algorithm was used to efficiently operate the heating and cooling air conditioning system of the building, and in this study, the heating and ventilation air conditioning (HVAC) of each zone was controlled using data provided by IBM, thereby reducing energy consumption. These experiments were carried out, and the prediction of heating and cooling loads validated the superior performance of each model compared to previous studies. In addition, the HVAC optimal control based on reinforcement learning has shown sufficient energy savings. Using the studies carried out, the operation schedule for the next day is planned through the prediction of heating and cooling loads, and the control method based on reinforcement learning can be used to reduce energy by operating more efficient heating and cooling air-conditioning systems.
Keyword
#BEMS(Building Energy Management System) 냉난방 부하 예측 머신러닝 강화학습
학위논문 정보
저자
여나영
학위수여기관
과학기술연합대학원대학교
학위구분
국내석사
학과
컴퓨터소프트웨어(ComputerSoftware)
지도교수
마평수
발행연도
2019
키워드
BEMS(Building Energy Management System) 냉난방 부하 예측 머신러닝 강화학습
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.