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
- 본 연구에서는 지열 시스템의 성능 변화를 예측하기 위해 수치형 의사결정나무 분석을 수행하였다. 분석을 통해 시스템의 성능(COP) 변화 원인에 대한 주요 규칙을 도출하였다.
- 일반적으로 시스템의 전력 소비량이 성능에 가장 크게 영향을 미치기 때문에, 이를 종속변수로 설정하였다. 측정 데이터에서 규칙을 찾아내고, 이를 이용하여 시스템의 성능을 예측하는 것이 본 분석의 목적이다. 이때 예측 모델에 의한 결과와 측정 데이터의 적합 정도는 식 (2)의 결정계수(R2)로 판단하였으며, 결정계수는 0.
제안 방법
- 각각의 데이터 세트를 이용하여 범주형 의사결정나무 모델을 생성하였다. Fig.
- 의사결정나무 분석 결과는 선정된 데이터의 품질, 특히 분석용 데이터의 추출 주기(sampling interval)에 크게 영향을 받는다. 따라서 본 연구에서는 원 데이터(raw data)에서 추출 주기(1분, 5분, 10분, 30분, 60분 간격)를 다르게 했을 때, 시스템의 난방 COP와 전력 소비량 변화를 비교하였다. 추출 주기에 상관없이, COP와 전력 소비량 데이터의 분포는 유사하였다.
- 에 적용하여 성능 예측 모델을 구축하였다. 또한 데이터 마이닝 모델 중, 범주형 의사결정나무(categorical decision tree) 모델과 수치형 의사결정나무(numerical decision tree) 모델을 이용하여 시스템의 성능 저하 규칙을 도출하였다. 마지막으로 데이터 마이닝 모델로 예측한 결과와 실측 결과를 비교하였다.
- 다음으로 분류 오류(classification error)를 높일 수 있는 가지나 추론 규칙이 부적절한 가지를 제거한다. 마지막으로 의사결정나무 모델의 적합 정도를 검증한 후 최종 모델을 구축한다. 지열 시스템의 실측 데이터는 서로 영향을 주고받으며 분포도 일정하지 않다.
- 지열 시스템의 실시간 성능 분석과 예측에 필요한 데이터의 기본 조건을 검토한 후, 데이터베이스의 구조를 설계하였다. 먼저 시스템 성능계수(COP)와 전력 소비량을 분석 대상으로 설정한 후, 이들 물리량의 추출 주기(1분‧5분‧10분‧30분‧60분 간격)가 예측 결과에 미치는 영향을 분석하였다. 이어서 범주형과 수치형 의사결정나무 모델을 적용하여 시스템의 성능을 예측하였다.
- 전처리 과정에서 추출한 각각의 데이터 세트(1분‧5분‧10분‧30분‧60분 간격)를 범주형 의사결정나무 모델에 적용하여 지열 시스템의 난방 COP를 예측하였다. 먼저 실측 데이터의 변화 정도를 감안하여 범주형 의사결정나무 모델을 생성하였다. 이때 수준에 따라 난방 COP를 Table 2와 같이 구분하였다.
- 수치형 의사결정나무 분석은 목표 변수가 연속적일 때 효과적이다. 목표 변수를 대상으로 분산 분석의 F 통계량과 분산의 감소량 등을 적용하여 데이터를 분리한다. 여기서 F 통계량은 집단 간 분산 대 집단 내 분산의 비율을 의미한다.
- 본 연구는 지열 시스템의 난방 측정 데이터를 지식 발견 절차(6)에 적용하여 성능 예측 모델을 구축하였다. 또한 데이터 마이닝 모델 중, 범주형 의사결정나무(categorical decision tree) 모델과 수치형 의사결정나무(numerical decision tree) 모델을 이용하여 시스템의 성능 저하 규칙을 도출하였다.
- 본 연구에서는 지열 시스템의 성능 변화를 예측하기 위해 수치형 의사결정나무 분석을 수행하였다. 분석을 통해 시스템의 성능(COP) 변화 원인에 대한 주요 규칙을 도출하였다. 수치형 의사결정나무 분석에서 주요 규칙은 구체적인 수치(임계값)로 표현된다.
- 2는 실측용 시스템의 구성도와 지열 히트펌프의 난방 성능 데이터를 보여준다. 시스템 운전 중 지중열교환기 순환수의 온도와 유량, 부하측 순환수의 온도와 유량, 히트펌프와 전체 시스템의 전력 소비량 등을 1분 간격으로 측정하였다. Fig.
- 2 kW이었다. 실측 데이터를 데이터베이스로 구축한 후, 난방 성능계수와 전력 소비량을 분석 대상(목표)으로 선정하였다.
- 먼저 시스템 성능계수(COP)와 전력 소비량을 분석 대상으로 설정한 후, 이들 물리량의 추출 주기(1분‧5분‧10분‧30분‧60분 간격)가 예측 결과에 미치는 영향을 분석하였다. 이어서 범주형과 수치형 의사결정나무 모델을 적용하여 시스템의 성능을 예측하였다. 범주형 의사결정나무 모델을 적용했을 때, 10분 단위의 예측 결과의 정확도는 97.
- 전처리 과정에서 추출한 각각의 데이터 세트(1분‧5분‧10분‧30분‧60분 간격)를 범주형 의사결정나무 모델에 적용하여 지열 시스템의 난방 COP를 예측하였다. 먼저 실측 데이터의 변화 정도를 감안하여 범주형 의사결정나무 모델을 생성하였다.
- 지열 시스템을 대상으로 데이터 마이닝 기반 성능 예측 모델을 구축하였다. 지열 시스템의 실시간 성능 분석과 예측에 필요한 데이터의 기본 조건을 검토한 후, 데이터베이스의 구조를 설계하였다.
- 지열 시스템의 성능 저하 원인을 탐지하기 위해 범주형 의사결정나무 분석 결과를 토대로 COP 이상을 보이는 데이터(Too Low와 Too High)만 가지고 수치형 의사결정나무 분석을 진행하였다. Fig.
- 지열 시스템을 대상으로 데이터 마이닝 기반 성능 예측 모델을 구축하였다. 지열 시스템의 실시간 성능 분석과 예측에 필요한 데이터의 기본 조건을 검토한 후, 데이터베이스의 구조를 설계하였다. 먼저 시스템 성능계수(COP)와 전력 소비량을 분석 대상으로 설정한 후, 이들 물리량의 추출 주기(1분‧5분‧10분‧30분‧60분 간격)가 예측 결과에 미치는 영향을 분석하였다.
- 지열 시스템의 핵심은 지열 히트펌프 유닛과 지중열교환기(ground heat exchanger)다. 통상 지열 히트펌프로 불리지만, 시스템과 구분하기 위해 지열 히트펌프 유닛으로 표현하였다. 지중열교환기를 활용한다는 점이 공기열원 히트펌프나 기존 설비와 크게 다른 점이다.
대상 데이터
- 앞서 기술한 데이터 마이닝 기법을 지열 시스템에 적용하기 위해, H대학 기숙사(충남 아산시)의 난방 실측 데이터(8)를 이용하였다. Fig.
- 마지막으로 45개 규칙에서 추론 규칙이 적절치 않은 가지들을 제거한 다음 Table 4의 주요 규칙을 도출하였다. 표에서 보듯이, 규칙에 적용된 데이터는 실내외 온도, 지중 순환수의 히트펌프 입구 온도(EWT), 히트펌프와 순환펌프의 전력 소비량 등이다.
데이터처리
- 또한 데이터 마이닝 모델 중, 범주형 의사결정나무(categorical decision tree) 모델과 수치형 의사결정나무(numerical decision tree) 모델을 이용하여 시스템의 성능 저하 규칙을 도출하였다. 마지막으로 데이터 마이닝 모델로 예측한 결과와 실측 결과를 비교하였다.
- 이때 수준에 따라 난방 COP를 Table 2와 같이 구분하였다. 시스템 정지 상태(OFF)는 COP를 0으로 처리하였고, 운전(ON) 중에는 평균과 표준편차를 이용하여 구간(Too Low, Medium, High)을 나누었다. 마지막으로 COP가 5보다 큰 경우는 예외 상황(Too High)으로 분류하였다.
- 추출 주기에 상관없이, COP와 전력 소비량 데이터의 분포는 유사하였다. 이때 평균(average)과 표준편차(standard deviation)로데이터 분포의 유사도를 판단하였다.(Table 1)
이론/모형
- 지열 시스템의 성능 변화를 예측하기 위해, 데이터 마이닝 알고리즘의 하나인 범주형 의사결정나무 모델을 적용하여 분석하였다. 이 분석법은 목표 변수(분석 대상)가 이산형일 때 효과적이며, 목표 변수를 몇 개의 등급(범주)으로 분류한다.
성능/효과
- 7%로 가장 높았다. 또한 수치형 의사결정나무 분석을 통해 COP 분석 결과가 변하는 순간의 임계값을 찾을 수 있었다. 본 논문에서 제안한 방법은 지열 시스템의 실시간 성능 분석과 이상(failure) 운전 예측 등에 적용할 수 있을 것으로 판단된다.
- 이어서 범주형과 수치형 의사결정나무 모델을 적용하여 시스템의 성능을 예측하였다. 범주형 의사결정나무 모델을 적용했을 때, 10분 단위의 예측 결과의 정확도는 97.7%로 가장 높았다. 또한 수치형 의사결정나무 분석을 통해 COP 분석 결과가 변하는 순간의 임계값을 찾을 수 있었다.
- 분석 결과에 대한 예측 값의 정확도를 Table 3에 정리하였다. 전체적으로 정확도는 95% 이상이었으며, 데이터 추출 주기에 따라 다소 차이를 보였다. 표에서 보듯이, 추출 주기가 10분일 때 정확도가 97.
- 전체적으로 정확도는 95% 이상이었으며, 데이터 추출 주기에 따라 다소 차이를 보였다. 표에서 보듯이, 추출 주기가 10분일 때 정확도가 97.7%로 가장 높았으며, 이때 평균절대오차(MAE)는 0.0138이었다. 이는 매우 작은 값으로 간주되며, 따라서 범주형 의사결정나무 모델이 실측 데이터를 잘 예측한 것으로 판단된다.
후속연구
- 본 논문에서 제안한 방법은 지열 시스템의 실시간 성능 분석과 이상(failure) 운전 예측 등에 적용할 수 있을 것으로 판단된다. 다양한 현장의 장기간 측정 데이터를 이용하여 분석 기법을 검증할 예정이다.
- 또한 수치형 의사결정나무 분석을 통해 COP 분석 결과가 변하는 순간의 임계값을 찾을 수 있었다. 본 논문에서 제안한 방법은 지열 시스템의 실시간 성능 분석과 이상(failure) 운전 예측 등에 적용할 수 있을 것으로 판단된다. 다양한 현장의 장기간 측정 데이터를 이용하여 분석 기법을 검증할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.