차압 및 이산화탄소 농도 데이터 학습을 통한 재실자 수 추정에 관한 연구 A Study on Occupancy Estimation Using Machine Learning Based on CO₂ Concentration and Differential Pressure Data원문보기
사람들은 대부분 시간을 건물 내부에서 보내고 있으며 이로 인하여 건축물 부분에서 소비되는 에너지는 인간이 사용하는 전체 에너지 중에서 30 %의 비율을 차지할 정도로 많은 부분을 차지하고 있다. 건축물 내부에서 재실자가 없는 상태에서도 건축물 내부에서는 많은 에너지가 무분별하게 낭비되고 있다. 이에 따라 공조기, 전열교환기, 공기청정기 등의 가동을 최적화를 목표로 ...
사람들은 대부분 시간을 건물 내부에서 보내고 있으며 이로 인하여 건축물 부분에서 소비되는 에너지는 인간이 사용하는 전체 에너지 중에서 30 %의 비율을 차지할 정도로 많은 부분을 차지하고 있다. 건축물 내부에서 재실자가 없는 상태에서도 건축물 내부에서는 많은 에너지가 무분별하게 낭비되고 있다. 이에 따라 공조기, 전열교환기, 공기청정기 등의 가동을 최적화를 목표로 재실자 밀도를 파악 및 재실자 수 추정을 통해 에너지 절감을 위한 최적 제어 방법에 관한 연구도 진행되고 있다. 최적 제어를 위해서 실시간으로 재실자 수를 추정하는 것은 매우 중요한 사항이고, 재실자 수는 다양한 분야에서 이용되기 때문에 재실자 수를 추정하기 위한 노력이 꾸준히 진행되었다. 기존에는 재실자를 파악할 때 적외선 거리 센서로 움직임을 감지하여 재실자가 실내에 존재하는지 파악하거나, 문 앞에 감지 센서를 설치하여 출입자를 파악하고 이를 이용하여 재실자 수를 추정하였다. 하지만 기존의 출입자 측정 방법은 오차가 발생하면 오차가 누적되는 문제점이 발생하고 정확도도 높지 않았다. 최근에는 이를 해결하기 위해서 환경데이터, 이미지 데이터, LIDAR 거리 측정, Wi-Fi 접속 정보 등 다양한 방법으로 데이터를 취득하고 기계학습을 이용하여 재실자 수를 추정하는 연구 진행되고 있다. 측정되는 각각의 데이터들은 장단점이 있으며 이를 분석하고 보완하고자 한다. 기계학습을 이용하기 위해서는 많은 데이터가 필요하고 정확한 데이터가 많아질수록 기계학습의 출력 결과 정확도가 상승하기 때문에 양질의 데이터를 취득하는 것은 중요하다. 하지만 기존 환경데이터를 측정하기 위해서는 큰 장비가 필요하여 측정 공간 선정에 어려움이 있었으며 데이터 또한 실시간으로 취득하여 이용하기 어려웠다. 하지만 IoT 센서의 발전으로 높은 정확도를 보여주는 소형 센서들이 개발되어 다양한 공간에 설치할 수 있다. IoT 센서들은 인터넷 연결을 통해 실시간으로 클라우드에 데이터를 전송할 수 있으며 전송된 데이터를 실시간으로 확인하고 데이터를 불러와 이용할 수 있다. 이산화탄소 농도는 재실자의 호흡으로 증가하고 기계환기와 자연환기에 의해서 감소하게 된다. 기존 연구에서는 환경데이터를 이용하여 재실자 수를 추정할 때 이러한 특성을 이용하여 이산화탄소 농도를 측정하고 추가로 온도, 습도, 소음, 빛 감지 등을 사용하거나 이산화탄소 농도에 영향을 주는 환기장치 가동상태를 이용하여 재실자 수를 추정하였다. 이산화탄소 농도와 관련해서 침기에 대한 부분을 적용하기 위한 연구들이 있었지만, 기존 연구들에서는 침기량을 특정 수치로 가정하여 적용하는 한계가 있다. 본 연구에서는 이산화탄소 농도를 기반으로 재실자 수를 추정할 때, IoT 센서를 이용하여 환경데이터를 측정하고 기계환기와 함께 침기를 적용하기 위해서 실과 복도 사이에 IoT 차압센서를 설치하였다. 이후 차압 측정 결과를 통해 문틈으로 들어오는 침기량을 가정하고 이를 입력 변수로 적용하였다. 측정에 사용한 IoT 센서는 1분 단위로 로깅을 하였으며 이산화탄소 농도의 경우 1분 단위로 로깅을 하면 변동이 심하여 전처리를 통해 노이즈를 감소시켜야 한다. 차압데이터는 원시 데이터 그대로 재실자 수에 직접적인 영향을 미치는 것이 아닌 이산화탄소 농도에 영향을 미치는 데이터로서 전처리를 진행하여야 한다. 본 연구에서는 베르누이 방정식을 이용하여 차압에 따른 풍속을 구하고 이를 이용하여 차압에 의해 문틈 사이로 들어오는 공기의 풍량을 계산하여 기계환기장치의 풍량과 함께 이용하였다. 또한, 구해진 전체 풍량을 바탕으로 이산화탄소 질량보존방정식을 활용하여 수식 결과값을 도출하였고 이를 기계학습에 입력 변수로 추가하였다. 본 연구에서는 기계학습 모델로 Artificial Neural Network (ANN), Random Forest (RF), Support Vector Machine(SVM)을 이용하여 모델에 따른 결과를 비교하였다. 또한, 각 모델에서 전처리한 이산화탄소 농도를 기반으로 재실자 수를 추정할 때, 풍량 데이터 및 방정식으로 도출한 수식 데이터를 입력 변수로 추가하는 경우의 정확도 향상 여부, 차압데이터 기반의 문 개방 상태 추정 및 추정 결과를 통한 정확도 향상 여부를 확인하고자 한다. Living-lab A & B 두 공간에서 측정된 데이터를 이용하여 모델 정확도를 비교하였다. RF 모델의 경우 두 공간에서 문 개방 상태를 제외한 Case에서 타 모델에 비해 낮은 오차를 보여주었다. ANN 모델에서 전처리한 이산화탄소 농도만을 이용하여 추정한 Case 1의 Root Mean Squared Error (RMSE)가 2.611로 나타났고 전체 풍량과 방정식을 이용한 데이터를 추가한 Case 3의 RMSE 2.071로 나타났고 문 개방 상태를 입력 변수로 추가한 Case 3-1의 RMSE가 1.778로 모든 모델 Case 중에서 가장 낮은 오차를 보여주었다. 결론적으로 환경데이터만을 이용하여 재실자 수를 추정한 결과보다 차압데이터를 이용하여 재실자 수를 추정한 결과 더욱 높은 정확도를 보여주었다. 본 연구에서는 실과 복도 사이의 차압만을 이용하여 실과 복도 사이 문 개방 상태만을 파악하였으나 추가로 실과 외기 사이의 차압을 측정하여 창문 개방 상태 파악 및 외기의 침기에 대한 부분을 추가하면 정확도가 더욱 향상될 것으로 사료된다.
사람들은 대부분 시간을 건물 내부에서 보내고 있으며 이로 인하여 건축물 부분에서 소비되는 에너지는 인간이 사용하는 전체 에너지 중에서 30 %의 비율을 차지할 정도로 많은 부분을 차지하고 있다. 건축물 내부에서 재실자가 없는 상태에서도 건축물 내부에서는 많은 에너지가 무분별하게 낭비되고 있다. 이에 따라 공조기, 전열교환기, 공기청정기 등의 가동을 최적화를 목표로 재실자 밀도를 파악 및 재실자 수 추정을 통해 에너지 절감을 위한 최적 제어 방법에 관한 연구도 진행되고 있다. 최적 제어를 위해서 실시간으로 재실자 수를 추정하는 것은 매우 중요한 사항이고, 재실자 수는 다양한 분야에서 이용되기 때문에 재실자 수를 추정하기 위한 노력이 꾸준히 진행되었다. 기존에는 재실자를 파악할 때 적외선 거리 센서로 움직임을 감지하여 재실자가 실내에 존재하는지 파악하거나, 문 앞에 감지 센서를 설치하여 출입자를 파악하고 이를 이용하여 재실자 수를 추정하였다. 하지만 기존의 출입자 측정 방법은 오차가 발생하면 오차가 누적되는 문제점이 발생하고 정확도도 높지 않았다. 최근에는 이를 해결하기 위해서 환경데이터, 이미지 데이터, LIDAR 거리 측정, Wi-Fi 접속 정보 등 다양한 방법으로 데이터를 취득하고 기계학습을 이용하여 재실자 수를 추정하는 연구 진행되고 있다. 측정되는 각각의 데이터들은 장단점이 있으며 이를 분석하고 보완하고자 한다. 기계학습을 이용하기 위해서는 많은 데이터가 필요하고 정확한 데이터가 많아질수록 기계학습의 출력 결과 정확도가 상승하기 때문에 양질의 데이터를 취득하는 것은 중요하다. 하지만 기존 환경데이터를 측정하기 위해서는 큰 장비가 필요하여 측정 공간 선정에 어려움이 있었으며 데이터 또한 실시간으로 취득하여 이용하기 어려웠다. 하지만 IoT 센서의 발전으로 높은 정확도를 보여주는 소형 센서들이 개발되어 다양한 공간에 설치할 수 있다. IoT 센서들은 인터넷 연결을 통해 실시간으로 클라우드에 데이터를 전송할 수 있으며 전송된 데이터를 실시간으로 확인하고 데이터를 불러와 이용할 수 있다. 이산화탄소 농도는 재실자의 호흡으로 증가하고 기계환기와 자연환기에 의해서 감소하게 된다. 기존 연구에서는 환경데이터를 이용하여 재실자 수를 추정할 때 이러한 특성을 이용하여 이산화탄소 농도를 측정하고 추가로 온도, 습도, 소음, 빛 감지 등을 사용하거나 이산화탄소 농도에 영향을 주는 환기장치 가동상태를 이용하여 재실자 수를 추정하였다. 이산화탄소 농도와 관련해서 침기에 대한 부분을 적용하기 위한 연구들이 있었지만, 기존 연구들에서는 침기량을 특정 수치로 가정하여 적용하는 한계가 있다. 본 연구에서는 이산화탄소 농도를 기반으로 재실자 수를 추정할 때, IoT 센서를 이용하여 환경데이터를 측정하고 기계환기와 함께 침기를 적용하기 위해서 실과 복도 사이에 IoT 차압센서를 설치하였다. 이후 차압 측정 결과를 통해 문틈으로 들어오는 침기량을 가정하고 이를 입력 변수로 적용하였다. 측정에 사용한 IoT 센서는 1분 단위로 로깅을 하였으며 이산화탄소 농도의 경우 1분 단위로 로깅을 하면 변동이 심하여 전처리를 통해 노이즈를 감소시켜야 한다. 차압데이터는 원시 데이터 그대로 재실자 수에 직접적인 영향을 미치는 것이 아닌 이산화탄소 농도에 영향을 미치는 데이터로서 전처리를 진행하여야 한다. 본 연구에서는 베르누이 방정식을 이용하여 차압에 따른 풍속을 구하고 이를 이용하여 차압에 의해 문틈 사이로 들어오는 공기의 풍량을 계산하여 기계환기장치의 풍량과 함께 이용하였다. 또한, 구해진 전체 풍량을 바탕으로 이산화탄소 질량보존방정식을 활용하여 수식 결과값을 도출하였고 이를 기계학습에 입력 변수로 추가하였다. 본 연구에서는 기계학습 모델로 Artificial Neural Network (ANN), Random Forest (RF), Support Vector Machine(SVM)을 이용하여 모델에 따른 결과를 비교하였다. 또한, 각 모델에서 전처리한 이산화탄소 농도를 기반으로 재실자 수를 추정할 때, 풍량 데이터 및 방정식으로 도출한 수식 데이터를 입력 변수로 추가하는 경우의 정확도 향상 여부, 차압데이터 기반의 문 개방 상태 추정 및 추정 결과를 통한 정확도 향상 여부를 확인하고자 한다. Living-lab A & B 두 공간에서 측정된 데이터를 이용하여 모델 정확도를 비교하였다. RF 모델의 경우 두 공간에서 문 개방 상태를 제외한 Case에서 타 모델에 비해 낮은 오차를 보여주었다. ANN 모델에서 전처리한 이산화탄소 농도만을 이용하여 추정한 Case 1의 Root Mean Squared Error (RMSE)가 2.611로 나타났고 전체 풍량과 방정식을 이용한 데이터를 추가한 Case 3의 RMSE 2.071로 나타났고 문 개방 상태를 입력 변수로 추가한 Case 3-1의 RMSE가 1.778로 모든 모델 Case 중에서 가장 낮은 오차를 보여주었다. 결론적으로 환경데이터만을 이용하여 재실자 수를 추정한 결과보다 차압데이터를 이용하여 재실자 수를 추정한 결과 더욱 높은 정확도를 보여주었다. 본 연구에서는 실과 복도 사이의 차압만을 이용하여 실과 복도 사이 문 개방 상태만을 파악하였으나 추가로 실과 외기 사이의 차압을 측정하여 창문 개방 상태 파악 및 외기의 침기에 대한 부분을 추가하면 정확도가 더욱 향상될 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.