[논문]건물 면적을 이용한 시간별 냉방부하 예측에 관한 연구

유성연; 한규현

건물 면적을 이용한 시간별 냉방부하 예측에 관한 연구
A Study on Prediction of Hourly Cooling Load Using Building Area 원문보기

설비공학논문집 = Korean journal of air-conditioning and refrigeration engineering, v.22 no.11, 2010년, pp.798 - 804

유성연 (충남대학교 BK21 메카트로닉스사업단) , 한규현 (충남대학교 BK21 메카트로닉스사업단)

Abstract ▼ AI-Helper

New methodology is proposed to predict the hourly cooling load of the next day using maximum/minimum temperature and building area. The maximum and minimum temperature are obtained from forecasted weather data. The cooling load parameters related to building area are set through a database provided from reference buildings. To validate the performance of the proposed method, the predicted cooling loads in hourly bases are calculated and compared with the measured data. The predicted results show fairly good agreement with the measured data for benchmarking building.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 각각의 예측 방법들에 대한 장단점을 고려하여 건물의 열적 특성을 고려함과 동시에 사용자가 사용하기 쉽고, 적용 건물에 대한 과거 운전 데이터 없이 건물의 면적 값과 기상청의 일기예보로부터 쉽게 얻을 수 있는 익일 최고온도와 최저온도 만을 가지고 냉방부하를 예측할 수 있는 방법을 제안하였다. 또한 제안된 냉방부하의 신뢰성을 검토하기 위해 11개의 집단 건물에 냉방부하를 공급하는 냉방 시스템의 실측 부하 데이터와 예측부하를 비교해 보았다.
본 연구에서 제안한 집단 건물에 대한 냉방부하 예측방법의 신뢰성을 평가하기 위해 대전시 소재 P 연구소 내의 11개 집단 건물에 냉방 에너지를 공급하고 있는 냉방 시스템을 벤치마킹하여 예측된 냉방부하와 냉방 시스템에서 공급 하는 실측 냉방부하를 비교해 보았다.

가설 설정

(c) 내부 발생열과 기타부하는 해당 건물 면적에 비례하는 파라미터 C_s,A, C_l,A로 일정하다고 가정한다.
(d) 건물의 실내온도와 습도는 설정 온ㆍ습도 조건을 주어 정상상태로 가정한다.
(e) 건물의 실내 발생열은 정상상태로 가정한다.
본 연구에서 고정부하는 시간변화에 따라 일정하다고 가정하였으며, 일반 사무실 존과 실험실 존에는 큰 차이가 있으므로 상관식을 구할 때 실험실 및 사무실로 나누어서 분석하였다.

제안 방법

4와 같다. 각 냉동기에서 공급하는 실측부하는 냉수 공급 유량에 건물 부하 공급 헤더와 환수 헤더를 순환하는 냉수의 측정된 온도차를 곱하여 계산하였다. 여기서 냉수의 유량은 직접 측정하지 않고 정유량 냉수 펌프의 가동시간에 대한 자료로부터 추정하였다.
냉방 시스템의 효율적이고 경제적인 운전 전략 수립을 위해 건물의 면적과 기상예보를 이용하여 매우 간편하게 시간별 냉방부하를 예측하는 기법을 제안하였다. 건물의 복잡한 열적 모델 방정식인 열평형식으로부터 시작되는 고전적인 냉방부하 예측법을 단순화 시키기 위해서 몇 가지 가정을 하였고, 가정으로부터 도출한 냉방부하 파라미터를 설정하기위해 기준이 되는 모델 건물의 각 존별 면적에 대응하는 태양열, 전도열, 환기, 인체, 조명 및 장치에 대한 각각의 설계 부하값을 면적 값에 대하여 분산시킨 뒤 상관관계를 분석하였다. 기준 건물의 각 존별 면적에 대응하는 각각의 설계 부하 값은 강한 선형적 상관관계를 보였으며 이를 바탕으로 건물의 면적에 대한 함수인 냉방부하 파라미터를 설정하였다.
여기서 사용하게 될 시간별 외기온도와 습도의 패턴 예측을 위해 과거 5년 간 여름철인 6월부터 9월까지의 시간대별 기상데이터를 분석하여 외기온도와 습도에 대한 표준화 예측 함수를 도출하였다. 그리고 도출된 예측함수를 이용하여 기상청에서 항상 예보하는 최고온도와 최저온도만으로 예측하는 방법을 사용하였다.⁽⁹⁾
건물의 복잡한 열적 모델 방정식인 열평형식으로부터 시작되는 고전적인 냉방부하 예측법을 단순화 시키기 위해서 몇 가지 가정을 하였고, 가정으로부터 도출한 냉방부하 파라미터를 설정하기위해 기준이 되는 모델 건물의 각 존별 면적에 대응하는 태양열, 전도열, 환기, 인체, 조명 및 장치에 대한 각각의 설계 부하값을 면적 값에 대하여 분산시킨 뒤 상관관계를 분석하였다. 기준 건물의 각 존별 면적에 대응하는 각각의 설계 부하 값은 강한 선형적 상관관계를 보였으며 이를 바탕으로 건물의 면적에 대한 함수인 냉방부하 파라미터를 설정하였다. 설정된 파라미터는 태양열 및 전도열에 관련된 P_s,A, 고정현열 및 잠열부하와 관련된 C_s,A, C_l,A 등이다.
냉방 시스템의 효율적이고 경제적인 운전 전략 수립을 위해 건물의 면적과 기상예보를 이용하여 매우 간편하게 시간별 냉방부하를 예측하는 기법을 제안하였다. 건물의 복잡한 열적 모델 방정식인 열평형식으로부터 시작되는 고전적인 냉방부하 예측법을 단순화 시키기 위해서 몇 가지 가정을 하였고, 가정으로부터 도출한 냉방부하 파라미터를 설정하기위해 기준이 되는 모델 건물의 각 존별 면적에 대응하는 태양열, 전도열, 환기, 인체, 조명 및 장치에 대한 각각의 설계 부하값을 면적 값에 대하여 분산시킨 뒤 상관관계를 분석하였다.
본 논문에서는 각각의 예측 방법들에 대한 장단점을 고려하여 건물의 열적 특성을 고려함과 동시에 사용자가 사용하기 쉽고, 적용 건물에 대한 과거 운전 데이터 없이 건물의 면적 값과 기상청의 일기예보로부터 쉽게 얻을 수 있는 익일 최고온도와 최저온도 만을 가지고 냉방부하를 예측할 수 있는 방법을 제안하였다. 또한 제안된 냉방부하의 신뢰성을 검토하기 위해 11개의 집단 건물에 냉방부하를 공급하는 냉방 시스템의 실측 부하 데이터와 예측부하를 비교해 보았다.
를 결정해야 한다. 본 연구에서는 공조부하 계산이 정확히 시행된 기준 건물 3개를 선정하여 용도별 냉방 존(zone)에 대하여 냉방 존 면적별 부하에 대한 분석을 통해 파라미터를 설 하도록 하였다.
각 냉동기에서 공급하는 실측부하는 냉수 공급 유량에 건물 부하 공급 헤더와 환수 헤더를 순환하는 냉수의 측정된 온도차를 곱하여 계산하였다. 여기서 냉수의 유량은 직접 측정하지 않고 정유량 냉수 펌프의 가동시간에 대한 자료로부터 추정하였다. 따라서 3기의 냉동기가 11개의 집단 건물에 공급하는 실측 냉방부하는 Fig.
여기서 사용하게 될 시간별 외기온도와 습도의 패턴 예측을 위해 과거 5년 간 여름철인 6월부터 9월까지의 시간대별 기상데이터를 분석하여 외기온도와 습도에 대한 표준화 예측 함수를 도출하였다. 그리고 도출된 예측함수를 이용하여 기상청에서 항상 예보하는 최고온도와 최저온도만으로 예측하는 방법을 사용하였다.
6에 나타내었다. 이때 예측 냉방부하는 일기예보에서 예보한 익일 최고온도와 최저온도, 11개 집단 건물의 사무실별, 실험실별 면적을 입력하여 추정 하였다. 시간별 예측 냉방부하는 실측 냉방부하의 경향과 잘 일치하고 있음을 보여준다.

대상 데이터

기준 건물의 각 존별 면적에 대응하는 각각의 설계 부하 값은 강한 선형적 상관관계를 보였으며 이를 바탕으로 건물의 면적에 대한 함수인 냉방부하 파라미터를 설정하였다. 설정된 파라미터는 태양열 및 전도열에 관련된 P_s,A, 고정현열 및 잠열부하와 관련된 C_s,A, C_l,A 등이다. P_s,A와 면적과의 상관관계는 97%, C_s,A와 면적과의 상관관계는 사무실과 연구실존 모두 99%, C_l,A과 면적과의 상관관계는 사무실의 경우 98%, 연구실의 경우 90%로 나타났다.

데이터처리

제안된 냉방부하 예측 기법의 신뢰성을 검증하기 위해 11개의 집단 건물에 냉방 에너지를 공급해주는 냉방 시스템에 대한 실측 부하 데이터를 이용하여 예측치를 비교 및 분석 해 보았다. 7월과 8월에 대하여 시간별 예측 냉방부하는 실측 냉방부하의 경향과 매우 잘 일치하는 결과를 보였으며, 일별 냉방부하의 경우 예측 냉방부하가 실측 냉방부하보다 평균 17.

성능/효과

특히 2000년 기준으로 전체 에너지 수요의 22%가 건물부문이 차지하고 있으며 2010년에는 26%, 2020년에는 27%로 확대될 것으로 예상된다.⁽¹⁾ 건물의 에너지 사용량 분포는 전체 건물 에너지 수요의 50%가 냉ㆍ난방과 관련된 공조설비에 사용되어 지고 있으며 냉방용 에너지 수요가 지속적으로 증가되고 있다.⁽²⁾ 따라서 건물 에너지 수요의 30% 이상을 차지하고 있는 냉방 에너지를 절감하기 위해 최근에는 빙축열, 수축열, 지열, 지역냉방과 같은 환경 친화적이고, 에너지 절약적인 공조 시스템이 건물의 냉방에 적용 및 확산되고 있다.
제안된 냉방부하 예측 기법의 신뢰성을 검증하기 위해 11개의 집단 건물에 냉방 에너지를 공급해주는 냉방 시스템에 대한 실측 부하 데이터를 이용하여 예측치를 비교 및 분석 해 보았다. 7월과 8월에 대하여 시간별 예측 냉방부하는 실측 냉방부하의 경향과 매우 잘 일치하는 결과를 보였으며, 일별 냉방부하의 경우 예측 냉방부하가 실측 냉방부하보다 평균 17.4% 높고, 오전에는 5%, 오후에는 25% 정도 크게 예측되었다.
설정된 파라미터는 태양열 및 전도열에 관련된 P_s,A, 고정현열 및 잠열부하와 관련된 C_s,A, C_l,A 등이다. P_s,A와 면적과의 상관관계는 97%, C_s,A와 면적과의 상관관계는 사무실과 연구실존 모두 99%, C_l,A과 면적과의 상관관계는 사무실의 경우 98%, 연구실의 경우 90%로 나타났다. 설정된 면적 파라미터와 예측된 외기 조건을 이용하여 익일 시간별 냉방부하를 예측할 수 있다.
4%이다. 또한 12시를 기준으로 오전과 오후로 구분하여 예측치와 실측치간의 오차를 비교한 결과, 오전에는 5%, 오후에는 25%의 오차를 보인다. 건물의 면적으로부터 냉방부하의 요소 값들을 추정하지 않고 건물의 공조 설계 데이터로부터 추정한다면 오차는 10% 미만으로 줄어든다.
여기서 주말과 주일 및 공휴일은 분석대상 날짜에서 제외하였다. 정오에서 오후 3시 사이에 예측치와 실측치 모두 피크부하를 기록하고 있음을 보이며 전체적으로 예측부하가 실측부하보다 다소 크게 예측되었다. 이러한 차이는 건물 면적의 함수인 냉방 부하 파라미터 상관 함수를 설정하는 과정에서 크게 발생한다.

후속연구

본 연구에서 제안한 냉방부하 예측 방법을 이용하면 공조 설계 데이터가 없는 건물에 대한 익일의 냉방부하 패턴을 비교적 쉽게 예측할 수 있으며, 이를 바탕으로 냉방시스템의 효율적이고 경제적인 운전 전략을 수립하는데 큰 도움이 될 것이다.
이러한 점을 고려할 때 냉방 시스템의 효과적인 운전 전략을 실질적으로 달성하는 운전자를 위한 기술개발이 필요하다. 즉 운전자가 건물의 시간별 냉방 부하 수요 패턴을 미리 예측하여 사전에 파악하도록 안내해주고, 효율적인 시스템 운전 전략을 수립하는데 도움을 주는 프로그램이 있다면 냉방 시스템의 효율적인 운용과 에너지 사용량과 비용 절감이 가능할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	건물 구조체의 복잡한 열적 동특성을 해석하여 냉방 부하를 예측하는 방법에는 무엇이 있는가?	건물의 시간별 냉방 부하 패턴을 예측하는 방법은 건물 구조체의 복잡한 열적 동특성을 해석하여 냉방 부하를 예측하는 방법이 있다. 이러한 방법에는 건물 구조체의 열평형 방정식에 대한 주기경계 조건을 적용하여 계산하는 주파수 응답법,(3) Z-변환이론을 기초로 한 방법으로 응답계수와 전도전달 함수를 포함하여 건물의 동특성을 해석하는 Z-변환법,(4) 열평형법의 열전달모델을 상당외기 온도와 표면 온도 사이에서 일어나는 단일열전달로 단순화시켜서 해석하는 복사시급수법(RTS)(5) 등이 있다. 이러한 방법들은 건물의 물리적 특성을 고려하고, 건물에 대한 상세한 자료를 입력하기 때문에 비교적 정확한 냉방부하 예측 결과를 얻을 수 있으나 에너지 해석 전문가가 아닌 일반 건물 관리자나 운용자가 사용하기에는 매우 어렵다.
	건물의 에너지 사용량 분포는?	특히 2000년 기준으로 전체 에너지 수요의 22%가 건물부문이 차지하고 있으며 2010년에는 26%, 2020년에는 27%로 확대될 것으로 예상된다.(1) 건물의 에너지 사용량 분포는 전체 건물 에너지 수요의 50%가 냉ㆍ난방과 관련된 공조설비에 사용되어 지고 있으며 냉방용 에너지 수요가 지속적으로 증가되고 있다.(2) 따라서 건물 에너지 수요의 30% 이상을 차지하고 있는 냉방 에너지를 절감하기 위해 최근에는 빙축열, 수축열, 지열, 지역냉방과 같은 환경 친화적이고, 에너지 절약적인 공조 시스템이 건물의 냉방에 적용 및 확산되고 있다.
	인공지능 알고리즘을 사용한 통계적인 방법은 어떤 방법인가?	이러한 방법들은 건물의 물리적 특성을 고려하고, 건물에 대한 상세한 자료를 입력하기 때문에 비교적 정확한 냉방부하 예측 결과를 얻을 수 있으나 에너지 해석 전문가가 아닌 일반 건물 관리자나 운용자가 사용하기에는 매우 어렵다. 건물의 시간별 냉방부하를 예측하는 또 한 가지 방법은 인공지능 알고리즘을 사용한 통계적인 방법으로 건물에서 발생하는 물리적인 고려가 필요 없으며 건물의 과거에 기록된 실제 냉방부하 데이터를 입력시켜 학습한 결과를 예측 냉방부하로 도출하는 방법이다.(6-8) 이 방법을 통해 냉방부하를 예측할 경우 고전적인 방법에 비해 사용하기에는 편리하지만 과거 실측 데이터가 많을수록 학습의 결과로부터 얻어지는 예측 부하가 정확해 지기 때문에 신규 건물이나 과거 데이터가 충분히 축적되지 못한 건물에는 적용할 수 없다.

참고문헌 (10)

Energy Statistical Yearly Report, 2009, Korea Energy Economic Institute.
Statistical Analysis on the Electric Power Consumption of Individual Usage of Building, 2002, Korea Energy Management Corporation.
Davies, M. G., 1983, Transmission and storage characteristics of sinusoidally excited wall-A Review, Applied Energy, Vol. 15, pp. 167-231.

상세보기
Seem, J. E. et al., 1989, Transfer functions for efficient calculation of multidimensional transient heat transfer, ASME J. of Heat Transfer, Vol. 111.
Spilter, J. D., Fisher, D. E. and Pedersen, C. O., 1997, The radiant time series cooling load calculation procedure, ASHRAE Transactions, Vol. 103, No. 2, pp. 503-515.

상세보기
Hou, Z., Lian, Z., Yao, Y. and Yuan, X., 2006, Cooling-load prediction by the combination of rough set theory and an artifical neural-network based on data-fusion technique, Applied Energy, Vol. 83, pp. 1033-1046.

상세보기
Yang, J., Rivard, H and Zmeureanu, R., 2005, On-line building energy prediction using adaptive artifical neural network, Energy and Building, Vol. 37, pp. 1250-1259.

상세보기
Li, O., Meng, Q., Yoshino, H and Mochida, A., 2009, Predicting hourly cooling load in the building： A comparison of support vector machine and different artificial neural network, Energy Conversion and Management, Vol. 50, pp. 90-96.

상세보기
Yoo, S. H., Lee, J. M., Han, K. H. and Han, S. H., 2006, A study on prediction of temperature and humidity for estimation of cooling load, Korean Journal of Air-Conditioning and Refrigeration Engineering, Vol. 19, No. 5, pp. 394-402.
Yoo, S. H., Han, K. H., Lee, J. M. and Han, S. H., 2006, A study on estimation of cooling load for effective control of ice thermal storage system, Korean Journal of Air-Conditioning and Refrigeration Engineering, Vol. 19, No. 5, pp. 394-402.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증