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 논문은 비재실기간에 적용되는 셋백온도에 따른 냉방부하 예측을 위한 인공신경망기반 모델을 개발하는 것을 목적으로 하였다. 개발의 과정은 초기모델개발, 모델 최적화, 그리고 성능평가로 구성되었으며, 이를 위하여 시뮬레이션 데이터과의 비교를 실시하였다.
- 본 연구는 재실 및 비재실기간이 반복되는 건물의 비재실기간 중의 최적 셋백온도를 적용하기 위한 예측모델을 개발하는 것을 목적으로 한다. 최적 셋백온도는 비재실 기간 중 총부하를 최소화하는 것을 의미하며, 여기서 총부하는 셋백된 상황에 대한 부하와 정상상태로 복귀하기 위하여 필요한 부하의 합이다(그림 1).
- 최적 셋백온도는 비재실 기간 중 총부하를 최소화하는 것을 의미하며, 여기서 총부하는 셋백된 상황에 대한 부하와 정상상태로 복귀하기 위하여 필요한 부하의 합이다(그림 1). 특히, 본 연구에서는 냉방에너지소비를 최소화하는 것을 목적으로 다양한 셋백온도에 따른 냉방부하를 예측하는 인공신경 망모델을 제안한다. 개발된 예측모델은 추후 제어알고리즘에 내재되어 다양한 셋백온도에 대한 냉방부하 비교를 바탕으로 최적의 셋백온도 결정이 가능하게 할 것으로 사료된다.
가설 설정
- 353 m2K/W의 값으로 산정하였다. 침기 및 환기는 0.7 ACH의 비율로 이루어지고 있으며, 실내부하는 착석하여 가벼운 일을 수행하는 1인, 1대의 컴퓨터와 프린터, 5 W/m2 의 조명발열로 이루어진 것으로 가정하였다. 적용된 냉방시스템은 8,901 kJ/hr의 냉방 능력을 가지는 대류형 시스템이다.
- 테스트모듈은 대한민국 서울에 위치한 것으로 가정하였으며 9개의 동일한 모듈 중 가운데에 위치하고 있다. 대상지역은 여름철 고온다습한 기후적 특징을 가지고 있으며 6월에서 9월 사이 평균 23.
제안 방법
- 본 논문은 비재실기간에 적용되는 셋백온도에 따른 냉방부하 예측을 위한 인공신경망기반 모델을 개발하는 것을 목적으로 하였다. 개발의 과정은 초기모델개발, 모델 최적화, 그리고 성능평가로 구성되었으며, 이를 위하여 시뮬레이션 데이터과의 비교를 실시하였다. 각 단계의 결과는 다음과 같이 정리된다.
- 이 경우 NHL과 MO는 각각 최적결정된 NHL값과 초기설정된 MO값으로 고정되었다. 동일한 방법으로 일련의 LR에 대한 예측 평가를 통하여 최적의 LR를 도출하였으며, 최종적으로 최적 MO 선정으로 위한 평가 진행 시에는 NHL과 LR은 앞 단계에서 결정된 최적값으로 고정시킨 후 평가를 진행하였다.
- 이 과정에서는 초기모 델의 입력층, 은닉층, 출력층 및 각 층 뉴런의 구성과 학습방법이 결정된다. 두 번째 단계는 개발된 초기모델을 최적화하는 것으로써, 예측모델이 가장 안정적으로 결과값을 도출할 수 있는 은닉층 수(NHL), 학습률(Learning Rate, LR), 그리고 모멘텀 (Momentum, MO)의 값을 결정하게 된다. 세 번째 단계는 최적화된 모델의 성능분석을 실시하여 적용성을 확보하는 것으로써, 예측된 결과를 시뮬레이션된 결과와 비교하여 예측의 정확성 및안정성이 분석된다.
- 개발된 초기모델의 구성이 그림 3에 나타나 있다. 모델은 MATLAB을 사용하여 개발되었으며 각각 하나의 입력층, 은닉층, 출력층으로 구성된다. 입력층은 9개의 뉴런으로 구성되어 있다(TEMPSETBACK , PERIODSETBACK, TEMPOA_nStep , TEMPOA_ AVE,nStep-60~nStep-1, TEMPOA_AVE,nStep-120~nStep-61, TEMPOA_AVE, nStep-180~nStep-121, TEMPOA_AVE,nStep-240~nStep-181, TEMPOA_AVE, nStep-300~nStep-241, TEMPOA_AVE,nStep-360~nStep-301).
- 모델의 예측성능과 안정성을 향상시키기 위하여 최적화 과정이 진행되었다. 최적화 대상은 은닉층 수(NHL), 학습율(LR), 모멘텀(MO)로 선정되었으며, 표 3에 정리된 바와 같이 일련의 대상값에 대한 예측 비교 성능 분석이 실시되었다.
- 모델의 예측성능과 안정성을 향상시키기 위하여 최적화 과정이 진행되었다. 최적화 대상은 은닉층 수(NHL), 학습율(LR), 모멘텀(MO)로 선정되었으며, 표 3에 정리된 바와 같이 일련의 대상값에 대한 예측 비교 성능 분석이 실시되었다.
- 테스트를 위하여 7 가지의 TRNSYS 타입이 사용되었다. 특히, Type155는 TRNSYS와 MATLAB을 연결시켜주는 역할을 하여, TNRSYS에서 개발된 건물 모델과 MATLAB에서 개발된 인공신경망 모델의 연동이 가능하도록 하였다.
- 4로 고정되었다. 평가를 통하여 최적의 NHL 값이 결정되고 난 후, LR에 대한 평가가 이루어졌다. 이 경우 NHL과 MO는 각각 최적결정된 NHL값과 초기설정된 MO값으로 고정되었다.
대상 데이터
- 즉, 지속적 학습과정에서 가장 오래된 데이터 세크는 새로이 획득되는 데이터세트에 의하여 대체된 후 학습을 위하여 사용된다. 더불어 최적화 및 성능분석을 위하여 각각 100세트의 데이터가 별도로 준비되었다.
- 데이터 세트는 6월 1일부터 9월 30일을 대상으로 셋백온도를 23°C에서 40°C 사이에서 변화시키면서 총냉방부하를 도출한 값으로 구성하였다.
- 마지막으로 최적화된 모델에 대한 최종 성능평가가 실시되었다. 이를 위하여 새로운 100세트의 데이터가 사용되었다. 성능평가를 위하여 Si와 Mi 간의 평균오차, 오차분포, 그리고 CVRMSE(%)가 분석되었다.
- 7 ACH의 비율로 이루어지고 있으며, 실내부하는 착석하여 가벼운 일을 수행하는 1인, 1대의 컴퓨터와 프린터, 5 W/m2 의 조명발열로 이루어진 것으로 가정하였다. 적용된 냉방시스템은 8,901 kJ/hr의 냉방 능력을 가지는 대류형 시스템이다.
- 최적값은 예측된 냉방부하(Si)와 시뮬레이션으로 구해진 냉방 부하(Mi)의 CVRMSE(Coefficient of Variation of the Root Mean Square Errors, %)가 가장 적은 경우를 의미하며(식 4), 이를 위해서 앞서 언급한 것과 같이 새로운 100세트의 데이터 세트가 취득되었다.
- 그림 5는 테스트 모듈 모델링을 위하여 적용된 TRNSYS 요소들의 구성을 보여주며 표 2에는 각 요소들의 기능이 정리되어 있다. 테스트를 위하여 7 가지의 TRNSYS 타입이 사용되었다. 특히, Type155는 TRNSYS와 MATLAB을 연결시켜주는 역할을 하여, TNRSYS에서 개발된 건물 모델과 MATLAB에서 개발된 인공신경망 모델의 연동이 가능하도록 하였다.
데이터처리
- 마지막으로 최적화된 모델에 대한 최종 성능평가가 실시되었다. 이를 위하여 새로운 100세트의 데이터가 사용되었다.
- 이를 위하여 새로운 100세트의 데이터가 사용되었다. 성능평가를 위하여 Si와 Mi 간의 평균오차, 오차분포, 그리고 CVRMSE(%)가 분석되었다.
이론/모형
- 전이함수로는 Tanget-Simoid와 Pure-Linear 방식이 은닉층 뉴런과 출력층뉴런에 각각 사용되었다. 또한, 모델의 학습을 위하여 Levenberg-Marquardt 알고리즘1,21-23), 0.01 kWh의 goal, 1,000 times epoch, 0.6 LR, 그리고 0.4 MO25) 가 적용되었 다. 학습을 위하여 196세트의 학습데이터가 식 (3)에 근거하여 사용되었으며11), sliding-window method를 사용하여 데이터 세트를 유지하였다.
- )으로 구성된 출력층으로 개발되었으며, 전이함수써 Tanget-Simoid와 Pure-Linear 방식이 은닉층뉴런과 출력층뉴런에 각각 사용되었다. 또한, 학습을 위하여 Levenberg-Marquardt 알고리즘, 0.01 kWh의 goal, 1,000 times epoch, 0.6 LR, 그리고 0.4 MO가 적용되었다.
- 전이함수로는 Tanget-Simoid와 Pure-Linear 방식이 은닉층 뉴런과 출력층뉴런에 각각 사용되었다. 또한, 모델의 학습을 위하여 Levenberg-Marquardt 알고리즘1,21-23), 0.
- 학습, 최적화 및 성능분석을 위한 데이터를 취득을 위하여 MATLAB (Matrix Laboratory)와 TRNSYS (Transient Systems Simulation) 소프트웨어를 함께 사용하였다. 그림 4는 데이터취득을 위하여 모델링된 테스트모듈을 보여준다.
- 4 MO25) 가 적용되었 다. 학습을 위하여 196세트의 학습데이터가 식 (3)에 근거하여 사용되었으며11), sliding-window method를 사용하여 데이터 세트를 유지하였다. 즉, 지속적 학습과정에서 가장 오래된 데이터 세크는 새로이 획득되는 데이터세트에 의하여 대체된 후 학습을 위하여 사용된다.
성능/효과
- (1) 초기 모델은 9개의 입력뉴런(TEMP SETBACK , PERIODSETBACK , TEMP OA_nStep , TEMP OA_AVE,nStep-60~nStep-1 , TEMP OA_ AVE,nStep-120~nStep-61 , TEMP OA_AVE,nStep-180~nStep-121 , TEMP OA_ AVE,nStep-240~nStep-181 , TEMP OA_AVE,nStep-300~nStep-241 , TEMP OA_AVE,nStep-360~nStep-301 )으로 구성된 입력층, 19개의 뉴런으로 구성된 한 층의 은닉층, 그리고 1개의 뉴런(LOAD SETBACK )으로 구성된 출력층으로 개발되었으며, 전이함수써 Tanget-Simoid와 Pure-Linear 방식이 은닉층뉴런과 출력층뉴런에 각각 사용되었다. 또한, 학습을 위하여 Levenberg-Marquardt 알고리즘, 0.
- (2) 이러한 초기 모델은 예측결과(Si)와 시뮬레이션결과(Mi) 의 최소화를 위한 최적화의 과정을 통하여 세개의 은닉층수와 0.6-LR, 0.2-MO의 학습방법을 가지도록 결정되었다.
- (3) 최적화된 모델은 성능평가를 통하여 그 적용성을 테스트하였으며, 그 결과 대부분의 경우에 대하여 Si와 Mi의 차이가 – 1.5에서 1.5 kWh 사이로 분석되었으며, CVRMSE 값이 21.3%로써 일반적으로 적용가능한 기준인 30.0%보다 적은 것으로 분석되어 가능성이 확보되었다.
- 인공신경망(Artificial Neural Network, ANN)은 인공 지능의 이론의 일종으로써 인간의 신경구조와 뇌에서 발생하는 전달, 판단 및 학습의 과정을 공학적 과정으로 구현한 모델이다.6) 인공신경망 모델은 시스템 역학에 대한 복잡한 지식을 요구하지 않으며, 비선형 혹은 불확실한 역학을 내재한 시스템에 성공적으로 적용될 수 있는 특징을 가지고 있다. 특히, 계산된 결과와 실제 결과와의 차이(Errors)를 사용하여 지속적 학습이 가능하기 때문에 적응제어(Adaptive Controls)가 가능하다는 장점이 있다.
- 7) 인공신경망 모델이 냉난방 부하8-10) 및 에너지 소비량11-17)을 보다 정확하게 예측 하고 있는 것으로 증명되었으며, 실내온도 등 열환경 요소를 보다 쾌적하게 예측 제어할 수 있는 것으로 나타났다.18-20) 더불어, 냉난방에너지 소비량 역시 감소되는 것으로 연구되었다.
- 41%로써 최적 NHL 적용 시 예측 성능이 현저히 향상되는 것으로 분석되었다. 따라서, 최적의 NHL은 3으로 결정되었으며, 이후 최적 LR, MO 선정을 위한 테스트 과정에서는 3개의 은닉층을 가진 모델로 평가되었다.
- 또한, 21.3%의 CVRMSE 결과를 나타내었으며, 이는 ASHRAE (American Society of Heating, Refrigeration and Air Conditioning) Guideline 14에서 제시한 기준인 CVRMSE 30% 보다 적은 값으로써 그 정확성이 확보되었다.25)
- 0%까지 분포하는 것으로 나타났으며, 최소의 경우는 3개의 NHL인 경우로 나타났다(표 4). 반면, 초기 모델의 경우는 41.41%로써 최적 NHL 적용 시 예측 성능이 현저히 향상되는 것으로 분석되었다. 따라서, 최적의 NHL은 3으로 결정되었으며, 이후 최적 LR, MO 선정을 위한 테스트 과정에서는 3개의 은닉층을 가진 모델로 평가되었다.
- 본 연구에서 진행된 세 단계의 진행 결과 개발된 모델은 그 정확성 및 안정성을 확보한 것으로 사료된다. 따라서, 개발된 모델은 추후 제어알고리즘에 적용되어 최적 셋백온도의 결정과 건물 에너지 성능 향상을 가능하게 할 것으로 기대되며, 이를 위하여 추후 연구에서는 모델이 내재된 최적제어 알고리즘의 개발과 실제 성능평가가 이루어져할 할 것으로 판단된다.
- 모델 최적화의 결과가 표 4-6에 정리되어 있다. 첫 번째 단계인 일련의 은닉층 수(NHL)에 대한 예측정확도 분석결과 Si와 Mi의 CVRMSE는 27.7%~76.0%까지 분포하는 것으로 나타났으며, 최소의 경우는 3개의 NHL인 경우로 나타났다(표 4). 반면, 초기 모델의 경우는 41.
- 그림 7에는 셋백기간 중의 제거된 부하에 대한 예측 및 시뮬레 이션결과와 차이가 정리되어 있다. 총 100일의 결과가 비교되어 있으며, 예측결과와 시뮬레이션결과는 각각 0.00~5.05 kWh와 0.03~4.06 kW에 분포하고 있다. 특히, 표 7에는 Mi와 Si의 차이 분포가 정리되어 있다.
- 특히, 표 7에는 Mi와 Si의 차이 분포가 정리되어 있다. 최적화된 모델의 예측 성능평가 결과(Si) 는 시뮬레이션 결과(Mi)와 하루 평균 0.58 kWh의 차이를 보이는 것으로 분석되으며, 그 범위는 최소 0.01에서 2.47 kWh였다. 100개의 테스트 세트에 대하여 중 54 세트가 –0.
- 특히, 표 7에는 Mi와 Si의 차이 분포가 정리되어 있다. 최적화된 모델의 예측 성능평가 결과(Si) 는 시뮬레이션 결과(Mi)와 하루 평균 0.58 kWh의 차이를 보이는 것으로 분석되으며, 그 범위는 최소 0.01에서 2.47 kWh였다. 100개의 테스트 세트에 대하여 중 54 세트가 –0.
후속연구
- 특히, 본 연구에서는 냉방에너지소비를 최소화하는 것을 목적으로 다양한 셋백온도에 따른 냉방부하를 예측하는 인공신경 망모델을 제안한다. 개발된 예측모델은 추후 제어알고리즘에 내재되어 다양한 셋백온도에 대한 냉방부하 비교를 바탕으로 최적의 셋백온도 결정이 가능하게 할 것으로 사료된다.
- 이러한 예측 및 적응에 기반한 지능형 제어법은 보다 역동적 열환경 및 시스템제어의 가능성을 제시하고 있다. 기존의 연구를 통하여 우수한 열환경조성 및 에너지예측이 가능한 것으로 제안되고 있는 인공신경망 모델을 적용하여 건물 실내공간의 재실여부에 따른 열환경의 에너지효율적 조성이 가능할 것으로 예상된다. 특히, 호텔 등과 같은 숙박시설의 경우 재실기간과 비재실 기간이 일정하게 반복되는 특징을 가지고 있으며, 그에 따른 효율적 제어가 가능할 것으로 사료된다.
- 따라서, 개발된 모델은 추후 제어알고리즘에 적용되어 최적 셋백온도의 결정과 건물 에너지 성능 향상을 가능하게 할 것으로 기대되며, 이를 위하여 추후 연구에서는 모델이 내재된 최적제어 알고리즘의 개발과 실제 성능평가가 이루어져할 할 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.