Abstract ▼ AI-Helper

The purpose of this study is to present the method to determine the optimal stop time of HVAC using Artificial Neural Network model, one of the learning methods. For this, the performance of determining the stop time of HVAC for unexperienced learning data was evaluated, and time interval for measur...

The purpose of this study is to present the method to determine the optimal stop time of HVAC using Artificial Neural Network model, one of the learning methods. For this, the performance of determining the stop time of HVAC for unexperienced learning data was evaluated, and time interval for measurement of input data and permissible error needed for practical application of ANN model were presented using the results of daily simulation.

The purpose of this study is to present the method to determine the optimal stop time of HVAC using Artificial Neural Network model, one of the learning methods. For this, the performance of determining the stop time of HVAC for unexperienced learning data was evaluated, and time interval for measurement of input data and permissible error needed for practical application of ANN model were presented using the results of daily simulation.

주제어

#인공신경망   #공조설비   #최적정지  

AI 본문요약

엑셀 다운로드 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 따라서 본 연구에서는 건물, 설비기기와 같은 시스템의 특성 변화에 대응하여 최적 값을 자기 탐색적으로 구하여 가고 이전의 운전경험을 패턴 화하고 유사 패턴에 대하여 최적 해를 구할 수 있는 학습기 법인 인 공신 경 망(Artificial Neural Network, ANN) 모델을 이용하여 난방시 건물 공조 설비의 최적 정지시각 결정방법을 제시하고자 한다.
• 따라서 본 연구에서는 신경망 모델을 건물에 적용하여 효율적인 공조설비 최적 정지시각 결정 방법을 제시하기 위하여 유한차분법을 이용한 실 온예측 프로그램과 일반화된 델타규칙을 이용한 신경망 프로그램을 개발하고, 이를 이용한 시뮬 레이션을 통해 신경망 모델의 공조설비 정지시각 결정성능을 평가한다.
• 본 연구는 신경망 모델을 이용하여 공조설비의 촤적 정지시각을 결정하기 위한 것으로, 이를 위해 최적화된 신경망 모델의 정지시각 결정성눙을 평가하고, 신경망 모델을 이용하여 일별 정지시 각 결정 시뮬레이션을 통하여 실제 적용시 필요한 적정 측정간격 및 허용오차를 제시한 것으로 그 결과는 다음과 같다.
• 본 절에서는 학습자료의 수를 달리하며 신경망 을 학습시킨 다음, 회상 결과를 평가함으로써 신 경망 모델의 정지시각 결정에 대한 성능을 파악 하고자 한다.

제안 방법

• 먼저 측정을 시작하게 되면 각 측정간격에서 외기온과 실혼값을 읽어서 저장을 하고, 20분이 지나면서부터 20분 전에 측정한 외기온, 실온값 과 현재의 축정값을 이용하여 외기온 변동률과 실온 변동률을 계산한다. 이러한 값들을 이용하여 신경망 모델의 회상을 통해 각 측정시점에서 정지시각이 계산된다.
• 본 연구에서는 신경망 모델을 이용하여 정지시 각을 결정할 때의 적정 측정간격을 구하기 위하여, 측정간격을 춰대 5분으로 하고, 실온 및 외기 온 변동률을 계산하기 위해서는 20분 전의 측정 자료가 필요하므로 측정간격을 1분, 2분, 4분, 5 분의 변화시켜 가며 정지시각 결정 시뮬레아션을 실시하였다.
• 본 절에서는 신경망 모델을 이용하여 정지시각 을 결정할 때의 적정 측정간격 맟 허용오차를 구 하기 위해 Table 1의 외벽 B타입, Table 2의 B 타입에 대해, 최적화된 신경망 모델을 이용하여 측정시간 간격 및 허용오차를 변화시켜 가며 일 별 정지시각을 결정하였다.
• 정지시각 계산 결과 평가를 위한 학습자료는 Table 1의 외벽 A타입, Table 2의 A타입에 대한시뮬레이션 자료를 이용하였고, 60개 자료 중에서 40개를 10개 단위로 증가시켜 가며 신경망모델을 학습시키고, 나머지 20개의 학되지 않은 패턴을 신경망 모델에 제시하여, 회상시켜 정지 시각을 계산하고 그 결과를 평가하였다. 신경망 의 학습은 최적화된 신경망 모델(1)인 학습률 0.4, 모멘트 0.85, 은닉층 2개, 은닉층 신경세포 4개, 바이어스 variable로 하여 5,000회 학습을 실시하였다.
• 아울러 실제상황의 시뮬레이션을 위해 실온예 측 프沮그램과 신경망 프로그램을 통합화시킨 프로그램을 이용하여 일별 공조설비 정지시각 결정 시뮬레이션을 통해 적정 측정간격 및 허용오차를 제시한다.
• 자료를 수집하는 방법으로는 스케줄 제어나 수 동적인 방법으로 공조설비를 운전하여 자료를 취 득한다. 이렇게 해서 어느 정도의 운전자료가 수 집되면 최적화된 신경망 모델을 이용하여 학습을 통해 정지시간을 결정하고, 매일의 운전자료를 추가하여 학습함으로써 더욱 정확한 정지시각의 결정이 가능해질 것이다.
• 정지시각 계산 결과 평가를 위한 학습자료는 Table 1의 외벽 A타입, Table 2의 A타입에 대한시뮬레이션 자료를 이용하였고, 60개 자료 중에서 40개를 10개 단위로 증가시켜 가며 신경망모델을 학습시키고, 나머지 20개의 학되지 않은 패턴을 신경망 모델에 제시하여, 회상시켜 정지 시각을 계산하고 그 결과를 평가하였다. 신경망 의 학습은 최적화된 신경망 모델(1)인 학습률 0.

대상 데이터

• 재실종료 시각은 18시, 시뮬레이션 기간은 12 월 1일부터 3월10까지로 하였다. 처음 10일간은 일정시간에 공조설비를 정지하여 10개의 학습자료를 수집하게 되며, 10일이 지난 후부터는 수집 된 자료의 학습을 통해 90일 동안의 정지시각을 결정하게 된다.

성능/효과

• (1) 신경망 모델의 공조설비 정지시각 결정 성 능을 평가하기 위해서, 대상공간에 대하여 학습 자료를 10개 단위로 증가시켜 가며 학습하여 학 습하지 않은 미지의 자료를 제시하여 회상시켜 정지시각을 결정했을 때, 학습자료가 30개 이상 일 때, 신경망 회상 결과의 결정계수가 0.94 이 상, 평 균에러 가 1.6분 이 하로 나타나며 , 학습자료 수가 증가함에 따라 오차가 현저하게 감소하는 것으로 나타나, 신경망 모델이 정확하게 정지시 각을 결정할 수 있음을 알 수 있다.
• (2) 측정시간 간격의 경우, 1분일 때 오차평균 은 5.2분으로 나타나, 오차를 작게 하고 모든 경우에 대해서 해를 구할 수 있도록 하기 위해서는 측정간격을 1분으로 해야 함을 알 수 있다.
• (3) 허용오차의 경우, 3분일 때 실제오차의 평 균값야 3.8분으로 나타나, 신경망 모델을 이용하여 가장 정확한 정지시각을 결정할 수 있는 것으로 나타났다.
• 여기서 열용량 및 열관성에 의한 실온의 감쇄 지연을 고려하면 재실종료 이전인 T], T2, T 에 공조설비를 정지시켜도 실내온도를 쾌적 범위 내에 유지시키는 것이 가능하다. 그러나 재실종료 시각 T4에 공조설비를 정지시키면 건물의 열용 량으로 인하여 실온은 비재살 시간이 지난 뒤에 도 일정기간 동안 실온 허용 변동폭 이내로 실온 이 유지되므로 에너지가 불필요하게 사용될 수 있음을 알 수 있다.
• 또한 10개의 패턴을 학습하고 회상을 했을 때는 평균 에러가 0.034(3.8분)로 나타나지만, 30개 를 학습시킨 이후부터는 평균 에러가 0.008(0.9 분)로 현저하게 작아지며, 그림에 나타난 것처럼 미리 계산된 입력값과 예측값이 거의 일치하여 미지의 패턴에 대해 정확하게 정지시각을 결정할 수 있음을 보여주고 있다.
• 본 연구의 실온예측 프로그램에 의한 목표온도 까지의 하강시간의 최대값이 L5시간으로 나타났 으며, 이를 기준으로 볼 때, 와기온 및 실온 변동 률을 계산하기 위해서는 20분 전의 자료가 필요 하므로 재실종료 2시간 전부터 측정을 시작하면 적당할 것으로 생각된다.
• 8은 측정시간 간격 변화에 따른 정지시각 계산 결과를 나타내고 있다, 그림에 나타난 시간 오차(목표시각-계산시각)의 평균은 각 측정간격 에서의 허용오차를 7단계(1분, 2분, 3분, 4분, 5분, 6분, 7분)로 달리하여 시뮬레이션을 실시한 결과 의 오차의 평균을 나타내고 있다. 시뮬레이션 결과, 오차의 평균은 5.2~6.0분의 분포를 나타내며, 측정간격이 1분일 때 오차 평균은 5.2분으로 가장 작은 오차를 나타내며, 이 측정간격이 커질수 록 오차가 커짐을 알 수 있다. 따라서 오차를 작 게 하고 모든 경우에 대해서 해를 구할 수 있도록 하기 위해서는 측정간격을 1분으로 해야 함을 알 수 있다.
• 시뮬레이션에서 시간오차의 평균값이 가장 작은 경우는 측정간격 1분인 경우의 허용오차 3분 일 때이며, 야때 실제 오차의 평균값이 38분으로 나타나, 신경망 모델을 이용하여 대안들 중에서가장 정확한 정지시각을 결정할 수 있는 것으로 나타났다.

후속연구

• 따라서 공조설비 결정이 정확하게 이루어지지 않아 재실종료 무렵 너무 늦게 공조설비를 정지시켜 에너지를 낭비하게 뒤고, 반대로 너무 일찍 공조 설비를 정지시킴으로써 실의 설정온도 조건을 맞 츨 수 없게 되어 재실자들에게 쾌적한 열환경을 제공할 수 없게 된다. 그러므로 야와 같은 문제점을 효율적으로 해결하기 위해서는 공조설비 최적 정지시각을 결정하는 방법과 이를 건물에 효 율적으로 적용할 수 있는 방법에 대한 연구가 필 요하다고 본다.
• 자료를 수집하는 방법으로는 스케줄 제어나 수 동적인 방법으로 공조설비를 운전하여 자료를 취 득한다. 이렇게 해서 어느 정도의 운전자료가 수 집되면 최적화된 신경망 모델을 이용하여 학습을 통해 정지시간을 결정하고, 매일의 운전자료를 추가하여 학습함으로써 더욱 정확한 정지시각의 결정이 가능해질 것이다.
• 이상으로 볼 때, 최적화된 신경망 모델을 이용하여 미지의 입력자료에 대해서 정지시각을 결정 하게 하고, 이를제 건물에 적용하여 온라인으 로 측정 시점마다 정지시각을 계산하여 정확하게 공조설비의 정지 여부를 결정하는데 유용하게 이용될 수 있을 것으로 생각된다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기

저자의 다른 논문 :

양인호 (12)