선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 따라서 본 연구에서는 기존 규칙중심 접근법의 한계점을 최소화하고 이를 효과적으로 활용하기 위하여, 인공지능망(Artificial Neural Network, ANN) 모델을 적용하여 이중외피 개구부의 최적화된 작동과 난방시스템 제어의 영향에 따라 변화하는 실내온도를 최적으로 유지하기 위한 효율적인 에너지 제어전략을 제안한다.
- 본 연구에서는 이중 외피 건물의 실내 온도제어를 위한 개선된 전략을 제시하기 위하여, 인공지능망을 적용한 이중외피의 실내 및 외측 개구부의 개방과 난방시스템의 작동을 제어하는 로직이 개발되었다. 인공지능망을 적용함에 따라 개구부와 난방 시스템에 대한 예측제어와 다양한 조건에 대한 적응제어가 가능할 것으로 분석되었다.
제안 방법
- 4와 Table 2에 요약되어 있다. 각각 하나의 입력층, 숨겨진 층, 출력층으로 구성되어 있으며, 각 층의 뉴런 수는 7, 15, 1로 계획되었다. 건물 개개의 형태 및 실내조건과 관련되는 실내 발열부하 요소와 외피의 크기 및 특성은 입력 뉴런에서 제외되었다.
- 개발된 초기 모델의 정확도 및 안정성을 높이기 위하여 최적화 과정이 실시되었다. 최적화 과정은 Yang and et al.
- 두 번째 과정인 숨겨진 층 내의 최적 뉴런 수를 결정하기 위하여 10～20개의 뉴런 수를 가지는 모델들의 예측값에 대한 비교가 실시되었다. 이 과정에서는 숨겨진 층의 수는 전 단계에서 도출된 값인 4로 설정되었고, 나머지 매개변수(학습률 및 모멘트)는 초기값으로 고정되었다.
- 외부기상 조건분석을 위하여 외기온도, 외부일사, 중공층으로 유입되는 수직일사가 측정되었다. 중공층의 온도변화를 분석하기 위하여 중공층 내부의 온도 및 중공층을 구성하고 있는 내부와 외부외피표면의 온도가 측정되었다.
- (5, 6) 특히 Moon et al.은 인공지능망 모델을 이용하여 최적의 냉방, 난방 및 습도조절을 통한 주거 건물 열 환경 제어법을 제시하였다.(5) 이 연구에서는 열과 습기를 동시에 제어함으로써 PMV(Predicted Mean Vote)와 같은 종합적 쾌적 요소의 제어가 가능하게 되었으며, 전통적 제어 방법과의 비교를 통하여 안정성과 우수성이 증명되었다.
- 최적화 과정은 Yang and et al.이 실시한 방법론을 적용하였으며(8) 개발된 모델의 중요 요소인 숨겨진 층의 수(number of hidden layer), 숨겨진 층의 뉴런 수(number of neurons in the hidden layer), 학습률(learning rate) 및 모멘트(moment)에 대한 최적의 값을 찾기 위하여 순차적으로 진행되었다. 최적화를 위한 각 단계별 결정 과정은 4단계로 구성되었으며, 각 단계별 세부 조건은 Table 4에 정리되어 있다.
- 3에 요약되어 있다. 이러한 영향 요소는 실내 온도 변화를 예측하기 위하여 본 연구에서 개발된 인공지능망 모델에 입력변수로 적용되었다.
- 이를 위하여, 이중외피의 개구부 작동 및 난방 시스템에 대한 제어로직(control logic)의 개발, 인공지능망의 적용을 통한 예측제어(predictive control) 및 적응제어(adaptive control)의 실현, 그리고 예측의 정확성 및 적응성의 측면에서 개발된 인공지능망 모델의 최적화 및 성능평가가 실시되었다.
- 외부기상 조건분석을 위하여 외기온도, 외부일사, 중공층으로 유입되는 수직일사가 측정되었다. 중공층의 온도변화를 분석하기 위하여 중공층 내부의 온도 및 중공층을 구성하고 있는 내부와 외부외피표면의 온도가 측정되었다. 외부에서 중공층으로 유입되는 기류속도 및 중공층을 거쳐 외부로 유출되는 기류의 속도도 측정되었다.
- 최적화의 세 번째 단계는 최적의 학습률을 결정하기 위한 것으로, 학습률이 0.00에서 1.00까지 0.05씩 증가하는 경우 대한 분석이 실시되었다. 숨겨진 층의 수와 숨겨진 층의 뉴런 수는 이전 단계에서 도출된 값인 4와 10이 적용 되었으며, 모멘트는 초기값으로 설정된 0.
- 최적화의 첫 번째 단계인 숨겨진 층의 수를 결정하기 위하여 1～5개의 숨겨진 층에 대한 모델 예측 값과 실제 측정값이 비교되었다. 이 과정을 위하여 숨겨진 층의 뉴런수, 학습률, 모멘트의 초기값은 각각 15, 0.
대상 데이터
- (15) 측정된 날은 각각 2008년 1월 1일(학습 데이터), 5일(최적화 데이터), 2일(체크 데이터, 청천공)과 11일(체크 데이터, 담천공) 이었으며, 데이터 측정은 내측 개구부는 닫혀 있고 외측 개구부는 개방되어 있으며 난방 장치는 작동되고 있지 않은 모듈로부터 실시되었다.
- 5～Fig. 6에 정리된 이중외피 모듈에서 측정된 데이터를 이용하였다.
- 대상으로 사용된 이중외피 모듈은 경기도 안산(위도 37°17', 경도 126°49')에 위치한 3층 건물의 1층에 설치되었다.
- 모델의 학습(model training)을 위하여 121세트의 데이터가 구성되었으며, 세트의 수는 Table 2 상에 주어진 식에 의해 계산되었다.(15) 측정된 날은 각각 2008년 1월 1일(학습 데이터), 5일(최적화 데이터), 2일(체크 데이터, 청천공)과 11일(체크 데이터, 담천공) 이었으며, 데이터 측정은 내측 개구부는 닫혀 있고 외측 개구부는 개방되어 있으며 난방 장치는 작동되고 있지 않은 모듈로부터 실시되었다.
- 예측된 실내온도 변화값과 측정된 실내온도 변화 값의 차이 분석(RMS 및 MSE)을 적용하여 최적화 된 인공지능망 모델의 성능 평가가 실시되었다. 이를 위하여, 청천공(2008년 1월 2일)과 담천공(2008년 1월 11일)에 측정된 데이터가 적용되어 분석되었다.
- 각 요소에 대한 최적값은 모델에서 예측된 실내온도 변화값과 실제 측정된 실내온도 변화값의 차이(RMS：Root Mean Square 및 MSE：Mean Square Error)가 최소가 되는 값으로 결정되었다. 최적화 과정에는 2008년 1월 5일에 대상 모듈에서 측정된 288개의 데이터 세트가 사용되었다.
데이터처리
- 예측된 실내온도 변화값과 측정된 실내온도 변화 값의 차이 분석(RMS 및 MSE)을 적용하여 최적화 된 인공지능망 모델의 성능 평가가 실시되었다. 이를 위하여, 청천공(2008년 1월 2일)과 담천공(2008년 1월 11일)에 측정된 데이터가 적용되어 분석되었다.
이론/모형
- 본 연구에서는 초기 인공 지능망 모델 개발을 위하여 Matlab 및 Matlab 상의 신경망 구조 박스(Neural network toolbox)가 활용되었다.(12) 적용된 모델 구조 및 매개변수는 Fig.
성능/효과
- (1) 이중외피가 적용된 건물에 형성되는 중공층(cavity)과 관련된 요소인 차양장치의 조절 각도, 개구부의 개구율, 기류모드 등에 대한 효과적 제어는 실내 열, 빛 환경 등의 적절한 유지, 건물 에너지, 경제성 및 환경성능 향상에 영향을 미치고 있는 것으로 나타났다.(2) 다양한 연구를 통하여 중공층 요소의 효과적 제어방법 및 이중외피가 적용된 건물에서 소비되는 에너지 평가가 시도되고 있으며, 특히 외피에 설치된 개구부의 개방법 및 개방비율에 관련되어 규칙중심 접근법(rule-based approach)과 최적 제어이론(optimal control theory)등에 근간한 제어전략이 분석되어지고 있다.
- 은 인공지능망 모델을 이용하여 최적의 냉방, 난방 및 습도조절을 통한 주거 건물 열 환경 제어법을 제시하였다.(5) 이 연구에서는 열과 습기를 동시에 제어함으로써 PMV(Predicted Mean Vote)와 같은 종합적 쾌적 요소의 제어가 가능하게 되었으며, 전통적 제어 방법과의 비교를 통하여 안정성과 우수성이 증명되었다. 그 외에도 바닥 복사 냉난방 시스템, 태양열 주택 난방 시스템, 공기조화 냉난방(HVAC) 시스템 등 다양한 열 환경 제어 시스템의 제어를 위한 인공지능망 적용의 우수성이 증명되었다.
- 예측값과 측정값 간의 RMS, MSE 및 최대 차이값을 이용하여 분석된 각 단계의 대상 요소값 변화에 대한 인공지능망 모델의 예측 성능은 Table 5에 정리되어 있다. RMS, MSE는 모든 경우에 대하여 초기 인공지능망 모델에서 계획된 학습의 목표(RMS：0.1 K, MSE：0.01 K2)보다 적은 값으로 안정적인 것으로 나타났다. 특히, 숨겨진 층이 4개일 경우에 가장 정확한 것으로 나타났으며(RMS：0.
- 각 요소에 대한 최적값은 모델에서 예측된 실내온도 변화값과 실제 측정된 실내온도 변화값의 차이(RMS：Root Mean Square 및 MSE：Mean Square Error)가 최소가 되는 값으로 결정되었다. 최적화 과정에는 2008년 1월 5일에 대상 모듈에서 측정된 288개의 데이터 세트가 사용되었다.
- 개발된 인공지능망 모델의 구조 및 학습방법을 위한 최적화 과정이 진행되었으며, 이를 통하여 최적의 숨겨진 층의 수, 숨겨진 층의 뉴런 수, 학습률, 모멘트는 각각 4, 10, 0.75, 0.3으로 결정되었다. 이러한 결과값을 적용한 모델을 제어로직에 사용함으로써 이중외피 건물의 개구부 및 난방시스템의 최적화 된 제어가 유지되어, 실내온도의 적절한 조성과 에너지 효율을 향상할 수 있을 것으로 예상된다.
- 7 W/m2로 나타나 중공층 온도 상승에 현저한 영향을 미치지는 못하는 것으로 분석된다. 그 결과 최고 중공층 온도는 청천공의 경우보다 변화가 적으며 안정정으로 형성되고 있는 것으로 나타났다.
- (5) 이 연구에서는 열과 습기를 동시에 제어함으로써 PMV(Predicted Mean Vote)와 같은 종합적 쾌적 요소의 제어가 가능하게 되었으며, 전통적 제어 방법과의 비교를 통하여 안정성과 우수성이 증명되었다. 그 외에도 바닥 복사 냉난방 시스템, 태양열 주택 난방 시스템, 공기조화 냉난방(HVAC) 시스템 등 다양한 열 환경 제어 시스템의 제어를 위한 인공지능망 적용의 우수성이 증명되었다.(8-11)
- 또한, 상이한 외기 환경 조건에 대한 적용 및 성능 평가를 실시하여 개발된 모델의 예측성 및 적응성이 확인되었다. 청천공 및 담천공 조건에 대하여 실시된 성능 평가에서 인공지능망 모델에서 예측된 실내온도 변화값과 실제 측정된 실내온도 변화값 간의 차이(RMS 및 MSE)가 안정적으로 유지되는 것으로 나타나 개발된 인공지능망 모델의 예측정확성 및 적응성이 증명되었다.
- 마지막 최적화 단계는 최적의 모멘트 값을 결정하는 것으로써, 이 과정에서 학습률과 마찬가지로 0.00에서 1.00까지 0.05씩 증가하는 모델의 성능이 비교되었다. 나머지 매개변수인 숨겨진 층, 숨겨진 층의 뉴런 수, 학습률은 이전 단계에서 도출된 4, 10, 0.
- 이 과정에서는 숨겨진 층의 수는 전 단계에서 도출된 값인 4로 설정되었고, 나머지 매개변수(학습률 및 모멘트)는 초기값으로 고정되었다. 모든 경우의 RMS 및 MSE는 Table 5에 나타난 바와 같이 학습 목표값에 비교하여 현저히 낮았으며, 최적의 뉴런 수는 RMS와 MSE가 각각 0.0243 K 및 0.0006 K2인 10으로 분석되었다.
- 90로 적용되었다. 분석 결과 최적의 학습률은 RMS 및 MSE가 각각 0.0164 K, 0.0003 K2인 0.75로 나타났다.
- 본 연구에서는 이중 외피 건물의 실내 온도제어를 위한 개선된 전략을 제시하기 위하여, 인공지능망을 적용한 이중외피의 실내 및 외측 개구부의 개방과 난방시스템의 작동을 제어하는 로직이 개발되었다. 인공지능망을 적용함에 따라 개구부와 난방 시스템에 대한 예측제어와 다양한 조건에 대한 적응제어가 가능할 것으로 분석되었다.
- 0003 K2인 것으로 분석되었다. 일련의 과정을 바탕으로 본 연구에 적용된 이중외피건물에 대한 최적제어를 위한 최적의 인공지능망 모델을 적용하기 위한 조건은 숨겨진 층, 숨겨진 층의 뉴런수, 학습률 및 모멘트는 각각 4, 10, 0.75 및 0.30인 것으로 분석되었다.
- 또한, 상이한 외기 환경 조건에 대한 적용 및 성능 평가를 실시하여 개발된 모델의 예측성 및 적응성이 확인되었다. 청천공 및 담천공 조건에 대하여 실시된 성능 평가에서 인공지능망 모델에서 예측된 실내온도 변화값과 실제 측정된 실내온도 변화값 간의 차이(RMS 및 MSE)가 안정적으로 유지되는 것으로 나타나 개발된 인공지능망 모델의 예측정확성 및 적응성이 증명되었다. 이러한 예측정확성 및 적응성에 대한 연구결과를 바탕으로 인공지능망 모델은 이중외피 건물의 실내 온도 제어를 위한 로직에 적용 가능할 것으로 예상된다.
- 10에 나타나 있다. 청천공 조건일 경우, 최대 차이값은 0.446 K와 -0.353K이며, RMS 및 MSE는 각각 0.020 K 및 0.0004 K2로 분석되어, 개발된 인공지능망 모델의 목표값을 만족시키는 것으로 밝혀졌다. 담천공 조건일 경우 역시 각각 0.
- 측정 결과와 예측 결과의 유사성 분석을 통하여 개발된 인공지능망 모델의 예측 정확성과 상이한 외기 조건에 대한 적용을 통해 적응성이 증명되었다. 이러한 정확성 및 적응성을 바탕으로 인공지능망에 근간한 이중외피의 개구부 작동 및 난방 시스템 제어로직의 적용이 가능할 것으로 예상된다.
- 01 K2)보다 적은 값으로 안정적인 것으로 나타났다. 특히, 숨겨진 층이 4개일 경우에 가장 정확한 것으로 나타났으며(RMS：0.0175 K, MSE：0.0003 K2), 이 때의 최대 차이값은 0.4562와 -0.4315K였다. 이를 통하여 최적의 숨겨진 층의 수는 4개로 결정되었다.
후속연구
- 본 논문에서 개발된 모델 및 제어로직은 겨울철 난방 시스템과 개구부 작동을 위한 것으로써 향후 연구를 통하여 여름철 및 중간기에 통합적으로 적용 가능한 전략 개발이 필요할 것으로 예상된다. 또한, 실험, 시뮬레이션 및 냉난방 시스템이 작용하는 건물로의 실제 적용 등을 통하여 제시된 방법에 대한 충분한 성능 평가 과정이 실시되어야 할 것이다.
- 본 논문에서 개발된 모델 및 제어로직은 겨울철 난방 시스템과 개구부 작동을 위한 것으로써 향후 연구를 통하여 여름철 및 중간기에 통합적으로 적용 가능한 전략 개발이 필요할 것으로 예상된다. 또한, 실험, 시뮬레이션 및 냉난방 시스템이 작용하는 건물로의 실제 적용 등을 통하여 제시된 방법에 대한 충분한 성능 평가 과정이 실시되어야 할 것이다.
- 3으로 결정되었다. 이러한 결과값을 적용한 모델을 제어로직에 사용함으로써 이중외피 건물의 개구부 및 난방시스템의 최적화 된 제어가 유지되어, 실내온도의 적절한 조성과 에너지 효율을 향상할 수 있을 것으로 예상된다.
- 청천공 및 담천공 조건에 대하여 실시된 성능 평가에서 인공지능망 모델에서 예측된 실내온도 변화값과 실제 측정된 실내온도 변화값 간의 차이(RMS 및 MSE)가 안정적으로 유지되는 것으로 나타나 개발된 인공지능망 모델의 예측정확성 및 적응성이 증명되었다. 이러한 예측정확성 및 적응성에 대한 연구결과를 바탕으로 인공지능망 모델은 이중외피 건물의 실내 온도 제어를 위한 로직에 적용 가능할 것으로 예상된다.
- 측정 결과와 예측 결과의 유사성 분석을 통하여 개발된 인공지능망 모델의 예측 정확성과 상이한 외기 조건에 대한 적용을 통해 적응성이 증명되었다. 이러한 정확성 및 적응성을 바탕으로 인공지능망에 근간한 이중외피의 개구부 작동 및 난방 시스템 제어로직의 적용이 가능할 것으로 예상된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.