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 건물운영자 활용의 용이성 측면에서 과거에 연구되었던 모델기반이 아닌 통계적 수법을 활용하여 BEMS에서 제공하는 실제 건물운영 데이터 DB의 통계적 분석에 기반한 공조기의 최적 예냉운전 모델을 개발하여 최적운전 조건을 도출하는 방법을 제시하였다.
- 본 논문에서는 공조기 예냉운전을 대상으로 에너지 소비가 최소가 되는 최적 예냉시간을 제어항목으로 선정하였다.(6)
제안 방법
- 제어항목을 대상으로 환경변화에 영향을 미치는 외적요인과 제어에 영향을 미치는 내적요인을 도출한다. BEMS 데이터베이스로부터 외적/내적요인의 데이터를 추출하고, 이를 평가 가능한 형태로 데이터 처리를 수행한다. 결정요인 선정을 위해 요인의 유의성을 평가하며, SPSS 분석의 상관분석 Pearson의 상관계수법을 이용한다.
- 다중회귀분석 모델의 신뢰도를 확인하기 위해서 BEMS 데이터베이스에서 확인된 예냉운전시간과 다중회귀 분석 모델에 의해 산출한 예측모델 예냉운전시간을 비교해 보았다. Fig.
- 본 논문에서는 기존 건물을 대상으로 다루므로 건물 고유특성은 고정변수로 취급하기로 한다. 외적요인과 내적요인을 Table 2와 같이 각 외적/내적요인의 특성과 예냉 운전시간에 미치는 영향을 함께 정리하였다.
- 결정요인 선정을 위해 요인의 유의성을 평가하며, SPSS 분석의 상관분석 Pearson의 상관계수법을 이용한다. 유의한 항목을 독립변수로 제시하고 제어항목을 종속변수로 한 다중회귀식(예측식)을 도출한다. 다중회귀모델 구축 방법으로는 전진선택법을 이용하였다.
- 분석 방법의 절차는 해당 장비 및 시스템의 제어하고자 하는 주된 제어항목을 설정하는 것으로 시작된다. 제어항목을 대상으로 환경변화에 영향을 미치는 외적요인과 제어에 영향을 미치는 내적요인을 도출한다. BEMS 데이터베이스로부터 외적/내적요인의 데이터를 추출하고, 이를 평가 가능한 형태로 데이터 처리를 수행한다.
대상 데이터
- 단, 일사관련 항목은 BEMS에서 계측하지 않아 전일(前日) 일조시간은 ‘기상청 관측자료’에서, 전일(前日)의 전일(全日) 법선면직달일사량은 ‘신재생에너지 데이터 센터에서 제공하는 법선면 일사량 자원지도 데이터’를 활용하였다.
- 분석 범위는 일반적인 운전패턴을 보이는 업무시설로 한정하며, 분석 대상 공간은 기준층인 5층을 대상으로 하였다. 대상 시스템은 다양한 외적/내적요인이 존재하는 공조기로 하여 진행하였다.
- 분석 범위는 일반적인 운전패턴을 보이는 업무시설로 한정하며, 분석 대상 공간은 기준층인 5층을 대상으로 하였다. 대상 시스템은 다양한 외적/내적요인이 존재하는 공조기로 하여 진행하였다.
- 분석대상 건물은 판교 테크노벨리에 위치한 Table 1과 같은 건물로 연구시설과 업무시설로 구성되어 있고 BEMS가 설치되어 있어 에너지 사용량 및 운전 조건 파악이 가능하다.
데이터처리
- Pearson 상관계수 0.01수준(양쪽)을 기준으로 예냉시간 항목과 통계적으로 유의한 항목을 분석한 결과 Table 4와 같이 9개 항목을 도출하였고, Pearson 상관계수, 유의확률을 제시하였다. 0.
- Pearson 상관계수 0.05수준(양쪽)을 기준으로 예냉시간 항목과 통계적으로 유의한 항목을 분석한 결과 Table 5와 같이 2개 항목을 도출하였고, Pearson 상관계수, 유의확률을 제시하였다. 0.
- BEMS 데이터베이스로부터 외적/내적요인의 데이터를 추출하고, 이를 평가 가능한 형태로 데이터 처리를 수행한다. 결정요인 선정을 위해 요인의 유의성을 평가하며, SPSS 분석의 상관분석 Pearson의 상관계수법을 이용한다. 유의한 항목을 독립변수로 제시하고 제어항목을 종속변수로 한 다중회귀식(예측식)을 도출한다.
- 외적/내적요인의 유의성 평가를 위하여 통계적 방법인 SPSS 분석을 활용하였고, Pearson의 상관계수를 이용한 상관분석을 수행하였다. Table 3은 본 연구에서 고려된 분석항목을 나타낸다.
- 전진선택법 방법인 절편만 있는 상수항 모형을 초기모형으로 생각하여 설명변수들 중에서 가장 중요한 변수로부터 차례로 모형에 추가하는 방법을 이용하여 통계수행 결과 독립변수 F값이 0.05 이하를 만족하는 항목인 5개의 독립변수를 Table 6과 같이 도출하였다.
이론/모형
- 유의한 항목을 독립변수로 제시하고 제어항목을 종속변수로 한 다중회귀식(예측식)을 도출한다. 다중회귀모델 구축 방법으로는 전진선택법을 이용하였다.
- 모델개발을 위하여 다중회귀분석(MRA)기법을 이용하였고 모델 구축방법으로 전진선택법(Forward Selection) 방법을 사용하였다.
성능/효과
- (1) 제어에 영향을 미치는 요인들을 운전 데이터의 통계학적 분석을 통해 도출할 수 있으며, 도출된 항목을 기반으로 다중회귀분석을 통해서 예측모델을 개발, 대상건물에 적합한 최적 제어 방법 도출이 가능하다.
- (2) 예측모델의 MBE(허용범위±10%)가 21.42로 나타나 허용오차 범위를 넘는 것으로 나타나 예측모델로 사용하기에는 오차가 큰 것으로 나타났다. MBE를 줄이기 위한 모델링 방법에 대해 추가적인 고려가 필요하다.
- 모델 기반 예측제어는 모델을 개발하는데 많은 노력과 비용이 소요되고 불확실성을 해결하기 위해 많은 노력을 기울어야 한다.(3) 따라서 결정적인 영향을 미치는 유의한 요인을 도출하여 이를 대상으로 접근하는 것이 효율적이며,(4) 이는 통계적 기법을 활용하여 수행하는 것이 가능하다.
- (3) 에너지 절감효과로는 예측모델에 의한 예냉운전 시약 72.3%의 에너지 절감이 가능한 것으로 나타났다.
- (5) 블랙박스 모델에 기반한 프로세스 이력기반 데이터법은 전적으로 경험에 기반하여 수행되고, datadriven 방법이므로 입력과 출력이 알려지고 측정되며, 해당 프로세스에 대한 사전 정보를 전제하지 않으며, 이 방법은 분석할 데이터양이 충분히 많을 때 적합하고, 선형회귀법에 기반한 모델로 적용할 수 있다. 또한, 예측 모델변수는 물리적 의미를 전혀 가지고 있지 않고, 다양한 통계적 및 비통계적 방법을 사용하여 입력과 출력과의 관계를 발전시키고 있으며.
- 01수준(양쪽)을 기준으로 예냉시간 항목과 통계적으로 유의한 항목을 분석한 결과 Table 4와 같이 9개 항목을 도출하였고, Pearson 상관계수, 유의확률을 제시하였다. 0.01수준(양쪽)에서 유의한 9개 항목은 비공조시간대 외기평균온도, 비공조 시간대 외기 최고온도, 비공조시간대 외기 최저온도, 예냉운전직전 실내온도, 예냉운전직전 실내온도-실내설정온도, 예냉운전시 급기 인터버출력값, 예냉운전시 급기설정온도, 예냉운전시 냉수환수 온도, 예냉운전시 냉방밸브 개도율로 나타났다.
- 3~Fig. 5를 보면 경향은 비교적 유사한 형태를 보이고 있으며, 2011년, 2012년에는 실제 BEMS 예냉시간, 예측모델 예냉시간 모두 30분 이내에 분포됨을 관찰할 수 있다. 2013년에는 실제 BEMS 예냉시간, 예측모델 예냉시간 모두 40분 이내이며, 2012년 보다는 다소 편차는 발생하였다.
- MBE(허용범위±10%)가 21.63%로 나타나 허용오차범위를 넘는 것으로 나타나 예측모델로 사용하기에는 오차가 큰것으로 나타났다.
- 기존의 경험적 운전 시 소비동력을 기준으로 BEMS 예냉운전, 예측모델 예냉운전 모두 약 27.7% 수준으로 72.3%의 에너지 절감효과가 있는 것으로 나타났다.
- 외적요인은 주로 실내온도 변화에 주된 영향을 미치는 항목들로 예냉운전 직전 실내온도-실내설정온도, 비공조시간대 외기최저온도가 영향을 미치는 것으로 나타났고, 내적요인은 공간에 공급하는 에너지량을 결정짓는 항목들로 예냉운전시 급기 인버터출력값, 예냉운전 시 급기설정온도, 공급열량이 영향을 미치는 것으로 나타났다.
- 다중회귀분석 모델 결과는 Table 7과 같다. 입력변수를 살펴보면 외적요인이 2개, 내적요인이 3개로 나타났으며, 외적요인항목으로 예냉운전 직전실내온도-실내 설정온도, 비공조시간대 외기최저온도가 나타났고, 내적요인항목으로 예냉운전시 급기 인버터출력값, 예냉운전시 급기설정온도, 공급열량이 나타났다.
후속연구
- 본 연구에서 제시된 방법론은 과거의 운전데이터를 이용함으로 이로부터 최적운전 예측모델을 생성하여 제공함으로써 각 설비의 설정값에 대해 직접적인 가이드 제공이 가능하게 되어 BEMS가 기존에 가시화에 의한 단순효과에 머무는 것을 벗어나서 다양한 설비에서 실질적인 에너지절약을 달성하는 데에 기여하리라 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.