Purpose: This study aimed at developing an Artificial Neural Network (ANN) model for predicting the amount of cooling energy consumption of the variable refrigerant flow (VRF) cooling system by the different set-points of the control variables, such as supply air temperature of air handling unit (AH...
Purpose: This study aimed at developing an Artificial Neural Network (ANN) model for predicting the amount of cooling energy consumption of the variable refrigerant flow (VRF) cooling system by the different set-points of the control variables, such as supply air temperature of air handling unit (AHU), condenser fluid temperature, condenser fluid pressure, and refrigerant evaporation temperature. Applying the predicted results for the different set-points, the control algorithm, which embedded the ANN model, will determine the most energy efficient control strategy. Method: The ANN model was developed and tested its prediction accuracy by using matrix laboratory (MATLAB) and its neural network toolbox. The field data sets were collected for the model training and performance evaluation. For completing the prediction model, three major steps were conducted - i) initial model development including input variable selection, ii) model optimization, and iii) performance evaluation. Result: Eight meaningful input variables were selected in the initial model development such as outdoor temperature, outdoor humidity, indoor temperature, cooling load of the previous cycle, supply air temperature of AHU, condenser fluid temperature, condenser fluid pressure, and refrigerant evaporation temperature. The initial model was optimized to have 2 hidden layers with 15 hidden neurons each, 0.3 learning rate, and 0.3 momentum. The optimized model proved its prediction accuracy with stable prediction results.
Purpose: This study aimed at developing an Artificial Neural Network (ANN) model for predicting the amount of cooling energy consumption of the variable refrigerant flow (VRF) cooling system by the different set-points of the control variables, such as supply air temperature of air handling unit (AHU), condenser fluid temperature, condenser fluid pressure, and refrigerant evaporation temperature. Applying the predicted results for the different set-points, the control algorithm, which embedded the ANN model, will determine the most energy efficient control strategy. Method: The ANN model was developed and tested its prediction accuracy by using matrix laboratory (MATLAB) and its neural network toolbox. The field data sets were collected for the model training and performance evaluation. For completing the prediction model, three major steps were conducted - i) initial model development including input variable selection, ii) model optimization, and iii) performance evaluation. Result: Eight meaningful input variables were selected in the initial model development such as outdoor temperature, outdoor humidity, indoor temperature, cooling load of the previous cycle, supply air temperature of AHU, condenser fluid temperature, condenser fluid pressure, and refrigerant evaporation temperature. The initial model was optimized to have 2 hidden layers with 15 hidden neurons each, 0.3 learning rate, and 0.3 momentum. The optimized model proved its prediction accuracy with stable prediction results.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구는 VRF 시스템의 에너지성능 향상을 위한 최적제어 알고리즘 개발의 선행연구 단계로써, 인공신경망을 활용하여 VRF 시스템의 냉방에너지 사용량이 예측되었으며, 결론을 요약하면 다음과 같다.
본 연구의 목표는 인공신경망(ANN, Artificial Neural Network)을 활용하여 VRF 시스템의 에너지성능 향상을 위한 최적 제어 알고리즘 개발의 선행연구 단계로써, VRF 시스템의 냉방에너지 사용량을 예측하는 ANN 모델을 개발하는 것이다.
제안 방법
ANN을 통한 VRF 시스템의 냉방에너지 예측모델은 수학적 해석프로그램인 MATLAB 및 NN toolbox를 통해 개발되었고, 1시간 전의 데이터와 시스템 설정값에 따른 1시간 이후의 냉방에너지를 예측하는 싸이클로 계획되었다.
ANN을 활용하여 건물 및 시스템의 에너지사용량을 예측한 선행연구를 분석하였으며 본 연구에 필요한 이론적 요소와 활용방안이 도출되었다.
Table 3과 같이 VRF 시스템 냉방에너지의 주요인자인 시스템 제어변수(급기 설정온도, 말단차압, 냉각수 설정온도, 냉매증발 설정온도)는 입력변수로 선정되었고, r2값이 가장 낮은 실외습도와 일사량을 제거 항목으로 고려한 4가지 경우를 분석하였다.
VRF 시스템의 제어변수 설정값은 냉방에너지 산출식의 주요 인자를 고려하여 급기 설정온도(TEMPSA), 말단차압(PRESCOND), 냉각수 설정온도(TEMPCOND), 냉매증발 설정온도(TEMPEVAP) 로 4가지 입력변수가 선정되었다.
은 대형 복합건물의 실측 데이터와 기상자료를 기반으로 냉방에너지 사용량을 분석하였고, ANN을 활용한 예측모델과 냉동기 최적 운영방안을 제시하였다. 기상데이터는 기상청에서 제공하는 데이터를 기반으로 외기온도, 상대습도, 일사량, 운량, 풍속, 강우량 등을 다양한 항목을 입력되었으며, 불쾌지수를 계산하여 기상 변수에 따른 분석이 실시되었다.
먼저 초기모델은 MATLAB (Matrix Laboratory) 및 NN (Neural Network) toolbox를 이용하여 개발되었다. 이후 대상 건물의 VRF 시스템 관련 과거 운전 현황 및 설정값, 기상 데이터, 에너지사용량 등을 수집하여 예측모델에 적용되었다.
먼저 초기모델은 MATLAB (Matrix Laboratory) 및 NN (Neural Network) toolbox를 이용하여 개발되었다. 이후 대상 건물의 VRF 시스템 관련 과거 운전 현황 및 설정값, 기상 데이터, 에너지사용량 등을 수집하여 예측모델에 적용되었다.
입력변수 데이터들은 각각의 범위와 단위가 다르기 때문에 ANN의 학습 및 예측성능을 향상시키고자 Table 2와 같이 데이터를 0~1의 값으로 치환하는 정규화(normalization) 과정이 실시되었다. 이후 최적의 입력변수 조합을 도출하기 위하여 각각의 입력변수와 출력변수인 냉방에너지 사용량의 상관관계가 분석되었다. 이때, 입력변수 중 VRF 시스템의 제어변수 설정값을 제외한 실외온도, 실외습도, 실내온도, 일사량, 냉동부하에 관한 r2값이 분석되었다.
둘째, 개발된 초기모델은 입력변수에 따른 예측정확도를 분석하여 일사량을 제외한 최적의 입력변수가 선정되었다. 이후 최적화 과정을 거쳐 은닉층 수 2개, 각 은닉층의 뉴런수 15개, 학습률 0.3, 모멘텀 0.3의 구조로 설계되었다.
은 ANN과 사례기반 추론방법을 활용한 기관 건물의 시간당 냉방에너지 사용량 예측모델을 개발하여, ANN과 사례기반 추론방법의 예측성능이 비교되었다. 입력변수는 외기온도, 외기습도, 보일러온수 토출온도, 온수유량, 냉동기 냉매 토출온도, 냉매유량, 급기온도, 실내온도, 공조시스템 설정값을 포함되었다.
주변 환경조건에 관련된 변수는 실외온도(TEMPOUT), 실외습도(HUMIDOUT), 실내온도(TEMPIN), 일사량(SOLAR), 냉동부하(LOADCOOL)로 선정되었으며, 이 항목은 시스템변수로 설정되지 않는 항목이며 측정을 통해 얻어지는 값이다.
추가적으로 실외온도, 실외습도, 실내온도, 일사량, 냉동부하는 환경변수로써, 1시간 이후의 냉방에너지 사용량을 예측하는 입력변수로 선정되었다.
5와 같이 역전파(back-propagation) 과정을 수행한다. 출력값과 목표값의 오차에 따라 역방향으로 전파하여 각 층의 연결강도를 조정하며, 이때 연결강도에 대한 학습 규칙을 수학적으로 경사하강법(gradient descent method)을 이용하여 오차가 최소화되도록 수정한다. 이후 이와 같은 반복 과정을 통하여 허용범위 안에 목표 오차율이 들어오면 학습이 완료된다.
대상 데이터
서울시 서초구 우면동에 위치한 R&D센터로 연구 및 개발활동을 주 목적으로 일정한 재실패턴을 보이는 오피스건물로 선정되었다. 대상 건물은 Fig. 8과 같이 지하층, 기준층, 옥상으로 구성되어 있으며, 재실자가 주로 활동하는 기준층의 VRF 시스템에 대하여 분석되었다.
서울시 서초구 우면동에 위치한 R&D센터로 연구 및 개발활동을 주 목적으로 일정한 재실패턴을 보이는 오피스건물로 선정되었다.
예측모델을 실제 건물에 적용하기 위하여 VRF 시스템을 운영 중인 대상 건물이 고려되었다. 서울시 서초구 우면동에 위치한 R&D센터로 연구 및 개발활동을 주 목적으로 일정한 재실패턴을 보이는 오피스건물로 선정되었다.
데이터처리
ANN 모델의 예측성능 및 신뢰도을 분석하기 위하여 실제 냉방에너지 사용량과 예측된 결과값이 비교되었다. 이때, ASHRAE에서는 실측데이터와 시뮬레이션 결과값을 비교하고 평가하는 통계적 기준을 제시하고 있으며, ANN 모델의 예측성능은 r2값과 Cv(RMSE)로 평가되었다.
마지막으로 개발된 ANN 모델의 예측성능과 신뢰성을 파악하기 위하여 ASHRAE (American Society of Heating, Refrigerating and Air-Conditioning Engineers) Guideline14에서 제시한 실측값과 예측값의 상관관계 기준(R2>0.8)과 평균제곱근 오차의 변동계수{Cv(RMSE)<30%}를 이용하여 ANN 모델의 예측정확도가 평가되었다.
앞서 개발한 ANN 초기모델을 기반으로 검증데이터(checking data) 185세트를 이용하여 최적화 과정이 진행되었으며, 실제 냉방에너지 사용량과 예측된 결과값의 예측정확도 분석을 통해 진행되었다.
이론/모형
ANN 모델에서 학습을 위한 데이터 세트는 200개가 사용되었으며, 새로운 데이터를 계속 업데이트하기 위해 가장 처음에 학습된 데이터 세트를 지우는 방법인 Sliding-window 방법이 사용되었다.
또한 최적화에 따라 연결가중치 및 bias값을 업데이트하는 학습함수인 LM (Levenberg Marquardt) 알고리즘이 사용되었다.
성능/효과
1) 온실가스 저감을 위한 각 정부의 재정지원, 기술이전 등의 내용과 더불어 탄소 배출량 감축을 위한 건물부문 에너지소비 절감의 중요성을 강조하고 있다.
다음으로 예측모델의 최적화 과정에서는 ANN 모델의 가장 뛰어난 예측성능을 갖는 은닉층의 구조변수(은닉층 수, 각 은닉층의 뉴런수)와 학습변수(학습률, 모멘텀, 학습 횟수, 임계값, 목표 등)가 도출되었다.9)
따라서 본 연구의 결과를 바탕으로 개발된 인공신경망 기반 예측 모델은 VRF 시스템의 운전 제어알고리즘에 적용하는데 있어 적합하다고 판단되었다.
10에서는 각각의 최적 구조변수 및 매개변수가 도출되는 과정이 나타나고 있다. 따라서 최적화 과정 결과, 초기 예측모델은 Fig. 11과 같이 NHL 2개, NHN 15개, LR 0.3, MO 0.3을 갖는 구조로 개발되었다.
또한 Cv(RMSE)값은 앞서 최적화 결과를 통해 11.3%로 30%보다 낮으며, R2값은 Fig. 13과 같이 0.8136으로 0.8보다 높게 나타나 ASHRAE Guideline 14의 기준을 충분히 만족하는 것으로 확인되었다.
마지막으로 최적 입력변수를 선정하기 위해 입력변수들의 조합에 따라 Cv(RMSE)값을 척도로 예측정확도가 분석되었다. Table 3과 같이 VRF 시스템 냉방에너지의 주요인자인 시스템 제어변수(급기 설정온도, 말단차압, 냉각수 설정온도, 냉매증발 설정온도)는 입력변수로 선정되었고, r2값이 가장 낮은 실외습도와 일사량을 제거 항목으로 고려한 4가지 경우를 분석하였다.
셋째, 최종적으로 개발된 예측모델의 성능평가 결과, R2값은 0.8136, Cv(RMSE)값은 11.3%로 나타나 ASHRAE Guideline 14의 기준에 적합한 예측모델이 개발된 것으로 나타났다.
이때, 사전에 실시한 칼로리미터 실험 데이터를 기반으로 시스템의 최적 설정값을 도출하였으며, 연구 결과 시스템 COP가 14.2% 향상되었고 에너지 비용이 32.6% 절감되었다.
첫째, VRF 시스템의 냉방에너지 사용량을 예측하기 위한 ANN 모델의 입력변수는 시스템을 구성하는 실외기, 냉각탑, 펌프, 팬의 전력사용량에 영향을 미치는 주요 인자인 급기 설정온도, 말단차압, 냉각수 설정온도, 냉매증발 설정온도로 나타났다.
후속연구
따라서 본 연구와 같이 인공신경망 기반 VRF 시스템의 냉방에너지 예측모델을 개발하고 예측결과를 실측 데이터와 비교하여 예측모델의 예측성능을 확인하는 연구가 필요하다고 사료된다.
따라서 본 연구의 결과를 바탕으로 개발된 인공신경망 기반 예측 모델은 VRF 시스템의 운전 제어알고리즘에 적용하는데 있어 적합하다고 판단되었다. 또한 추후 동절기 및 간절기의 에너지사용량 예측모델을 개발하여 VRF 시스템의 종합적인 에너지사용량을 분석하는 연구가 필요하다.
향후 본 연구 결과를 기반으로 VRF 시스템 운전 알고리즘을 개발하여 각 시스템의 설정값 및 변수들을 제어하고, 시뮬레이션 및 실제 건물에 적용하여 냉방 에너지절감량을 확인하는 연구가 필요하다고 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
수냉식 VRF 시스템의 장점은 무엇인가?
그 중 수냉식 VRF 시스템은 실내로 연간 냉·난방 열량을 안정적으로 공급할 수 있어 중대형 건물에 적용하는데 있어 에너지절감의 관점에서 우수하다는 장점이 있다. 일반적으로 수냉식 VRF 시스템은 Fig.
신기후체제가 강조하는 것은 무엇인가?
2015년 파리에서 열린 COP (Conference of the Parties) 21을 통해 한국을 비롯한 세계 190여개의 국가가 신기후체제(Paris Agreement)에 합의했다.1) 온실가스 저감을 위한 각 정부의 재정지원, 기술이전 등의 내용과 더불어 탄소 배출량 감축을 위한 건물부문 에너지소비 절감의 중요성을 강조하고 있다. 특히, 국내의 건물부문의 에너지소비량은 전체 에너지 소비량의 약 23%를 차지하며 평균 에너지소비량은 연간 약 7,829Gcal에 달한다.
국내의 건물부문의 에너지소비량이 전체에서 차지하는 비중은?
1) 온실가스 저감을 위한 각 정부의 재정지원, 기술이전 등의 내용과 더불어 탄소 배출량 감축을 위한 건물부문 에너지소비 절감의 중요성을 강조하고 있다. 특히, 국내의 건물부문의 에너지소비량은 전체 에너지 소비량의 약 23%를 차지하며 평균 에너지소비량은 연간 약 7,829Gcal에 달한다.2,3) 이 중 전력소비량이 5,082Gcal로 전체 에너지의 약 65%를 차지하고 있어 건물 내 전력소비량 절감은 신기후체제 목표달성에 있어 필수적이다.
참고문헌 (27)
왕광익, 노경식, "신기후변화체제에 대비한 도시정책 방향", 국토연구원, 국토정책 Brief 608, 2017 // (Wang, Kwang-Ik, Noh, Kyung-Sik, "Urban Policy Direction for the New Climate Change Regime", Korea Research Institute for Human Settlements, 2017)
장향인, 조영흠, 조재훈, "건물에 설치된 신재생에너지관리시스템의 적용 현황 및 개선 방향", 대한건축학회논문집, 제 29권 제 2호, 2013 // (Jang, Hyang-In, Cho, Young-Hum, Jo, Jae-Hun, "Application and Improvement of the Renewable Energy Management System in Existing Buildings", Journal of the architectural institute of Korea, Vol. 29, No. 2, 2013)
에너지경제연구원, "2014년도 에너지총조사 보고서", 에너지경제연구원 통계정보시스템, 2014 // (Korea Energy Economics Institute, "Energy Consumption Survey 2014", 2014)
에너지경제연구원, "건물에너지소비 상설표본조사 연구", 에너지경제연구원 통계정보시스템, 2016 // (Korea Energy Economics Institute, "Building Energy Consumption Standing Sampling Survey", 2016)
지식경제부, "2016 에너지기술개발 실행계획", 2015 // (Ministry of Trade Industry and Energy, "2016 Energy Technology Development Plan", 2015)
국토교통부, "제1차 녹색건축물 기본계획", 2014 // (Ministry of Land, Infrastructure and Transport, "The 1st green building basic plan", 2014)
문현준, 김정원, "쾌적제어 알고리즘 기반 VRF 시스템의 냉방기 제어특성 실험", 한국건축친환경설비학회논문집, 제 9권 제 3호, 2015 // (Moon, Hyeun-Jun, Kim, Jeong-Won, "An Experimental Study on the Performance of a VRF Air Conditioning System with a Thermal Comfort Control Algorithm", Journal of KIAEBS Vol. 9, No. 3, 2015)
기현승, 박준원, 강기남, 김주욱, 송두삼, "TRNSYS 시뮬레이션을 통한 VRF시스템의 구현과 타당성 검증", 대한설비공학회 하계학술발표대회논문집, 2011 // (Ki, Hyun-Seung, Park, Jun-Won, Kang, Ki-Nam, Kim, Joo-Wook, Song, Doo-Sam, "Development of VRF System Module and Verification by TRNSYS Simulation", Journal of The Society of Air-conditioning and Refrigerating Engineers of Korea, 2011)
손재호, 김청융, "교육시설의 개념단계 공사비예측을 위한 인공신경망 모델 개발에 관한 연구", 한국건설관리학회 논문집, 제 7권 제 4호, 2006 // (Kim, Chung-Yung, Son, Jae-Ho, "A Study on the Model of Artificial Neural Network for Construction Cost Estimation of Educational Facilities at Conceptual Stage", Korea Journal of Construction Engineering and Management, Vol. 7, No. 4, 2006)
ASHRAE Guideline 14, Measurement of Energy and Demand Savings, 2002
McCulloch and Walter Pitts, A Logical Calculus of Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, 1943
Moon, Jin-Woo and Kim, Jong-Jin, Application of ANN in Residential Thermal Control, 11TH International Building Performance Simulation Association Conference, Building Simulation, 2009
Moon, Jin-Woo and Kim, Jong-Jin, ANN-based Thermal Control Models for Residential Buildings, Building and Environment, 2010
이슬기, 정성관, 이우성, 박경훈, "인공신경망을 이용한 도시기온 예측 모형 구축", 대한국토계획학회지, 제 46권 제 1호, 2011 // (Lee, Seul-Gi, Jung, Sung-Gwan, Lee, Woo-Sung, Park, Kyung-Hun, "Predictive Model for Urban Temperature Using the Artificial Neural Network", Journal of Korea Planning Association, Vol. 46, No. 1, 2011)
이병옥, 태준성, 최재혁, "오류역전파 알고리즘을 이용한 사출성형금형 냉각회로 최적화", 한국공작기계학회지, 제 18권 제 4호, 2009 // (Rhee, Byung-Ok, Tae, Jun-Sung, Choi, Jae-Hyuk, "Injection Mold Cooling Circuit Optimization by Back-Propagation Algorithm, Journal of the Korean Society of Machine Tool Engineers, Vol.18, No.4, 2009)
Randall C. O'Reilly and Yuko Munakata, Computational Explorations in Cognitive Neuroscience, MIT Press, 2000
권한솔, "인공신경망을 이용한 부하 예측 기반 대형 건물의 복합 냉동기 최적운영 방안", 박사학위논문 서울시립대학교, 2013 // (Kwon, Han-Sol, "Optimal Operating Strategy of a Hybrid Chiller Plant Utilizing Artificial Neural Network based Load Prediction in a Large Building Complex", Doctor's thesis in University of Seoul, 2013)
한도영, 윤형범, "건물부하예측을 이용한 공조기 운전제어 알고리즘에 관한 연구", 대한설비공학회 하계학술발표대회 논문집, 2002 // (Han, Do-Young, Youn, Hyoung-Bum, "Study on Air Handling Unit Control Algorithms by Using Building Load Prediction", Journal of The Society of Air-conditioning and Refrigerating Engineers of Korea, 2002)
이제헌, 송영학, 윤현진, 최동석, 태상진, 김익근, "수냉식 VRF 시스템 대상 설정값 제어 알고리즘 개발 및 효과 검증에 관한 연구", 대한설비공학회 하계학술발표대회 논문집, 2016 // (Lee, Je-Hyeon, Song, Young-Hak, Yoon, Hyun-Jin, Choi, Dong-Suk, Tae, Sang-Jin, Kim, Ik-Keun, "Development of VRF System Module and Verification by TRNSYS Simulation", Journal of The Society of Air-conditioning and Refrigerating Engineers of Korea, 2016)
Chirag Deb, Lee Siew Eang, Junjing Yang and Mattheos Santamouris, Forecasting Diurnal Cooling Energy Load for Institutional Buildings using Artificial Neural Networks, Energy and Buildings 121, 2016
Radu Platon, Vahid Raissi Dehkordi and Jacques Martel, Hourly Prediction of a Building's Electricity Consumption using Case-based Reasoning, Artificial Neural Networks and Principal Component Analysis, Energy and Buildings 92, 2015
Pedro A. Gonzalez and Jesus M. Zamarreno, Prediction of Hourly Energy Consumption in Buildings based on a Feedback Artificial Neural Network, Energy and Buildings 37, 2005
The U.S. D.O.E., EnergyPlus Engineering Reference Ver. 8.5; The Reference to EnergyPlus Calculations, 2011
Samsung Electorincs Co., DVM S Water Technical Data Book, 2015
Yang, In-Ho and Kim, Kwang-Woo, Prediction of the Time of Room Air Temperature Descending for Heating Systems in Buildings, Building and Environment, 2004
Moon, Jin-Woo, Kim, Kyung-Jae and Min, Hyun-Suk, ANN-Based Prediction and Optimization of Cooling System in Hotel Rooms, Energies, 2015.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.