초록 ▼

1. 연구결과
A.
* Energy, CO2, PMV, LCC 네가지 척도가 건물에 미치는 영향 선행연구
① Energy , CO2 : 건물에서 소비되는 에너지와 발생하는 CO2의 경향성을 살펴보았고, 살펴본 경향성에 영향을 크게 미치는 요인들의 성향을 분석하여 건물성능평가 툴 제작시 반영하였다.

② PMV : 빌딩시뮬레이션 툴인 디자인빌더를 사용하여 PMV가 어느 조건일 때 쾌적한 범위를 나타내고, 어느 조건일 때 불쾌적한 범위를 가지는지 그 상대적인 변화를 스터디하기 위해 민감도 분석을 실시함

1. 연구결과
A.
* Energy, CO2, PMV, LCC 네가지 척도가 건물에 미치는 영향 선행연구
① Energy , CO2 : 건물에서 소비되는 에너지와 발생하는 CO2의 경향성을 살펴보았고, 살펴본 경향성에 영향을 크게 미치는 요인들의 성향을 분석하여 건물성능평가 툴 제작시 반영하였다.

② PMV : 빌딩시뮬레이션 툴인 디자인빌더를 사용하여 PMV가 어느 조건일 때 쾌적한 범위를 나타내고, 어느 조건일 때 불쾌적한 범위를 가지는지 그 상대적인 변화를 스터디하기 위해 민감도 분석을 실시함

③ LCC :
- 건물의 전생애주기(25yrs)동안의 비용을 계산 - LCC 계산을 위한 툴인 BLCS을 한가지 대표적 스터디 사례로 분석해보며 툴 상에서 LCC 계산시에 고려하여 입력해야하는 건물요소들을 살펴봄 : 총 7가지 공종(건축, 기계, 소방, 전기, 조경, 토목, 통신)이 있지만 건축, 기계, 전기에 대해 심층 분석을 실시함.
- 툴을 분석해 본 결과 건축에는 총 28가지의 공사/설비 선택사항이 있고, 기계에는 47가지, 전기에는 29가지가 있었으며 그 각각의 공사/설비는 세부적인 아이템으로 분류가 되어졌다.
- BLCS 툴의 입력 항목들을 스터디하여 건물에 존재하는 수많은 아이템을 선별하여 테스트케이스로 선정하였고, 선정한 테스트케이스를 통해 성능평가 툴의 입력아이템의 일부를 구성하였다.

* 선행연구결과를 바탕으로 건물 에너지 및 성능평가 지원시스템 개발 연구
- 앞서 스터디한 Energy, CO2, PMV, LCC의 결과를 바탕으로 Excel 기반 건물성능평가툴을 제작
- 툴은 패시브시스템, 액티브시스템, 신재생에너지 시스템 총 3가지 트랙으로 구성되어지며, 각가의 트랙에 대한 변량들이 제공되어지고, 평가하고자하는 건물에 맞게 입력값을 선택하면 각각의 credit을 고려하여 최종 성능이 도출되어지는 식으로 구성되어짐

B. 에너지 자립형 마이크로 그리드 구축을 위한 액티브 시스템 운영 최적화 방식 개발 연구
MPC vs Fix-schedule
1)MPC 및 고정 스케줄 HVAC 성능 비교
-EnergyPlus에서는 HVAC의 설정온도를 미리 스케줄로 입력하는 형식의 제어기를 기본적으로 제공한다. 본 연구에서는 MPC의 효과를 이와 비교하기 위해서 기본적으로 스케줄을 통한 제어기와 MPC를 통한 제어기의 성능을 비교한다. 고정 스케줄의 경우 5am부터 6pm까지 23도, 그 외의 시간에는 16도의 방 설정 온도 기준으로 HVAC을 구동한다.
-아래 그림은 두 제어기에 대한 각 구역의 일주일동안의 평균 온도 변화를 나타낸다. 사용된 데이터는 1월의 데이터로 난방의 경우를 나타낸다. MPC의 경우 일과 시간 초기에 주된 난방을 수행하며 고정 스케줄의 경우 일과 시간이 끝나가는 시간에 많은 난방을 수행하는 것을 볼 수 있다. MPC는 초기에 많은 에너지를 소비하여 이를 통해 일과 시간 동안 유지 되어야할 온도를 효율적으로 만족하는 것을 확인 할 수 있다.

-아래는 두 제어기에 대해 하루 평균 사용되는 파워와 평균 PMV값을 나타낸다. 이를 통해 HVAC입장에서 2.81~12.5%의 효율을 증가 시킴을 확인 할 수 있고, 일과시간 중 PMV도 MPC의 경우 0에 가깝게 유지됨을 확인 할 수 있다.

C. 에너지 자립형 마이크로그리드 구축을 위한 신재생 에너지 시스템 운영 최적화 기법 개발
1) 신재생 에너지 시스템의 생산 가능 전력 예측과 제어
* 풍력발전단지의 제어조건과 출력변수간의 관계를 학습한 후 변동하는 바람에 따라 최적 제어 조건을 결정하는 제어전략 도출
* 모델을 학습 후 모든 풍향에 대해 기존 풍력발전단지보다 에너지 생산량이 높은 제어 전략을 도출

2) 빅데이터를 이용한 수용가 전력 수요 예측과 제어
* Gaussian Process Nonlinear Autoregressive Exoneus Input (GPNAX)모델을 활용하*여 풍력발전에 의한 에너지 생산량과 수용가의 에너지 사용량을 예측
* 예측값에 내재하는 불확실성을 모델링함으로써 에너지 생산 및 관리를 할 때 강건한 의사결정을 하기 위한 토대를 제공

3) 에너지 생산과 소비의 불균형 해소를 위한 ESS 운영 전략 도출
* 심층강화학습(심층 Q 네트워크)을 활용한 다차원, 불연속 ESS 행동 제어
- 신재생에너지원과 에너지소비원을 포함한 마이크로그리드에서, ESS와 관련된 다차원적인 에너지 흐름을 제어함으로써, 신재생에너지 생산과 에너지 소비의 불균형을 해결할 수 있음을 보인다.
- ESS와 관련된 에너지 흐름은 실제 환경에서 수집된 신재생에너지와 에너지 소비에 대한 데이터에 대해 제어된다.
- 인공지능 알고리듬에 속하는 심층강화학습으로, 현재 시점에서 제어된 ESS가 미래에 대한 모든 지식을 가정한 선형계획법으로 해결한 성능과 비슷한 성능을 보일 수 있음을 보인다.

* 심층강화학습(심층 Q 네트워크)을 활용한 다차원, 연속 ESS 행동 제어
- ESS와 관련된 다차원적인 에너지 흐름이 actor-critic에 의해 연속적으로 제어된다.
- 제안된 ESS 제어 기법(검은 선)이 ESS에 대한 제약을 가지는 여러 모델에서 기존-ESS 제어 방식(빨간 선)보다 좋은 성능을 보일 수 있음을 보인다.

(출처 : 요약문 19p)

Abstract ▼

3. Research Results
A. Development of Passive Design-based Building Energy Assessment and Design Support System for Energy Independent Micro Grid Construction
* Preliminary study on the effects of Energy, CO2, PMV, LCC four scales on buildings
① Energy, CO2 : We looked at the tendency of th

3. Research Results
A. Development of Passive Design-based Building Energy Assessment and Design Support System for Energy Independent Micro Grid Construction
* Preliminary study on the effects of Energy, CO2, PMV, LCC four scales on buildings
① Energy, CO2 : We looked at the tendency of the energy consumed in the building and the generated CO2, and analyzed the tendency of the factors which have a great influence on the trends we have examined, and reflected it in the building performance evaluation tool.

② PMV : We conducted the sensitivity analysis to study the relative change in terms of under what conditions the PMV has comfortable ranges and under what conditions the PMV has uncomfortable ranges using Design Builder which is a building simulation tool.

③ LCC :
- We calculated the cost of the entire life cycle(25yrs) of the building.
- We analyzed the BLCS, which is a tool for LCC calculation, with one representative study case, and examined the building elements that should be taken into account when calculating LCC on the tool: There are 7 types of construction (architecture, machinery, fire, electricity, landscaping, civil engineering, communication), but in-depth analysis is conducted for construction, machinery, and electricity.
- Analysis of the tool showed that there were 28 construction / facility choices in the architecture, 47 in the machine and 29 in the electricity, each of which was classified as a detailed item.
- A number of items in the building were selected as the test case by studying the input items of the BLCS tool, and the selected test cases constituted a part of the input items of the performance evaluation tool.

* Development of building energy and performance evaluation support system based on previous research results
- Based on the results of energy, CO2, PMV, and LCC, we have developed an Excel-based building performance evaluation tool.
- The tool consists of three tracks: a passive system, an active system, and a renewable energy system. Variables for each track are provided, and if the input is selected according to the building to be evaluated, the final performance is derived by considering each credit.

B. Development of Optimization Method for Active System Operation for Energy Independent Micro-Grid Construction
* MPC vs Fix-schedule
- Fix-schedule HVAC controller is intrinsic to EnergyPlus. In this part we compare the fix-schedule controller with our own MPC to analyze its performance. For fix-schedule from 5am to 6pm the temperature setting point is 23° and for other time it is set for 16°.
- The figure shows the mean temperature for each zone for a whole week. In this case Jan data is used which means the HVAC object is heating. We can see MPC pre heats the temperature at the starting time of work but fix-schedule controller heats mainly at the end of the work time.
- The table and figure shows the mean Power used in operating HVAC system and the mean PMV value. For the concept of HVAC operating MPC shows 2.81~12.5% efficiency improvements and at the same time it keeps the PMV value near to 0 which means the occupants feel more comfortable.

C. Develop optimal operation technique for renewable energy system to design Micro-grids
1) Predict and control generation capacity of renewable energy system
* Develop Data-driven optimization method to maximize wind farm energy generation
- The relationships between the control inputs and the resultant wind farm energy output is learned by using Gaussian Process regression
- At each iteration, the algorithm select the next best trail action to learn the target system as well as to maximize the power output
- For varying wind direction, the algorithm successfully identify the optimal control inputs that maximizes the energy output

2) Predict and control demand from consumer side using Big Data
* Predict next 24 hour wind energy generation
- Using Gaussian Process Nonlinear Autoregressive Exoneus Input (GPNARX) model, we predict the next 24 hour wind generation with uncertainty bound
* Predict next 24 hour energy demand trajectory
- Using Gaussian Process Nonlinear Autoregressive Exoneus Input (GPNARX) model, we predict the next 24 hour energy demand with uncertainty bound

3) Operation strategy for the ESS to redistribute the imbalance between supply and demand
* Deep reinforcement learning with multi-dimensional and discretized ESS control inputs using deep Q-network
- In the micro-grid, which is a combination of renewable energy source and energy consuming source, it is shown that by controlling the multi-dimensional energy flow associated with ESS, the disparity of renewable energy production and energy consumption can be solved.
- The energy flow associated with ESS is controlled for renewable energy and energy consumption data collected in real environment.
- By deep reinforcement learning belonging to the artificial intelligence (AI) algorithm, the controlled ESS at the current time showed similar performance as the linear programming (LP) assuming all knowledge about the future.

* Deep reinforcement learning with multi-dimensional and continuous ESS control inputs using actor-critic
- The multidimensional energy flow associated with ESS is continuously controlled by actor-critic.
- The proposed control scheme (black line) shows better performance than the existing ESS control method (red line) in several models of constraints on ESS.

(출처 : Summary 3p)

목차 Contents

• COVER ... 1
• Summary ... 2
• 국문 요약문 ... 15
• 1. Research Purpose ... 27
• 2. Research Target and Achievement ... 29
• 3. Research Method ... 30
• 4. Research Results ... 53
• (1)Outcome results ... 53
• (2)Further research required ... 93
• 5. Research Outcomes ... 95
• (1) Publication ... 95
• (2) Conference presentation ... 95
• (3) Patents ... 96
• (3)Creation of New Big Project ... 96
• 6. Reference ... 97
• 7. Total Research Output ... 98
• 붙임 : 국문보고서 ... 99
• 1. 연구목적 ... 99
• 2. 연구목표와 성과 ... 100
• 3. 연구방법 ... 102
• 4. 연구결과 및 고찰 ... 126
• 5. 연구결과물 발표실적 ... 170
• 6. 참고문헌 ... 172
• 7. 연구실적 종합표 ... 174
• End of Page ... 174