KR20200027079A - 인공신경망을 이용한 공조기 최적 제어 장치 및 방법 - Google Patents

인공신경망을 이용한 공조기 최적 제어 장치 및 방법 Download PDF

Info

Publication number
KR20200027079A
KR20200027079A KR1020180101273A KR20180101273A KR20200027079A KR 20200027079 A KR20200027079 A KR 20200027079A KR 1020180101273 A KR1020180101273 A KR 1020180101273A KR 20180101273 A KR20180101273 A KR 20180101273A KR 20200027079 A KR20200027079 A KR 20200027079A
Authority
KR
South Korea
Prior art keywords
air conditioner
temperature
time
change pattern
ventilation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
KR1020180101273A
Other languages
English (en)
Other versions
KR102457016B1 (ko
Inventor
한재준
공동석
윤상수
황승호
Original Assignee
에스케이텔레콤 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 에스케이텔레콤 주식회사 filed Critical 에스케이텔레콤 주식회사
Priority to KR1020180101273A priority Critical patent/KR102457016B1/ko
Publication of KR20200027079A publication Critical patent/KR20200027079A/ko
Application granted granted Critical
Publication of KR102457016B1 publication Critical patent/KR102457016B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/65—Electronic processing for selecting an operating mode
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/10—Weather information or forecasts

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

본 발명은 인공신경망을 이용한 공조기 최적 제어 장치 및 방법에 관한 것으로, 에너지를 절약하면서 건물 내부를 쾌적한 환경으로 유지할 수 있는 공조기의 가동 시점을 결정하기 위한 것이다. 본 발명은 공조기 운전주기 오프(OFF)시점부터 다음번 공조기 온(ON)시점까지의 제1 온도 변화 패턴을 인공신경망을 기반으로 하는 부하 패턴 모델로 도출하고, 다음번 공조기 온(ON)시점의 온도를 상기 도출한 제1 온도 변화 패턴을 기반으로 하여 일정 시간의 제2 온도 변화 패턴을 인공신경망을 기반으로 하는 공조기 패턴 모델로 도출하고, 제1 온도 변화 패턴을 제2 온도 변화 패턴에 적용하여 특정 목표 시간에 특정 목표 온도에 도달하도록 공조기의 가동 시점을 시뮬레이션 모델로 결정하는 인공신경망을 이용한 공조기 최적 제어 장치 및 방법을 제공한다.

Description

인공신경망을 이용한 공조기 최적 제어 장치 및 방법{Apparatus and method for optimum control of air conditioner using artificial neural network}
본 발명은 공조기 제어 장치 및 방법에 관한 것으로, 더욱 상세하게는 인공신경망(ANN; artificial neural network)을 이용한 학습을 바탕으로 에너지를 절약하면서 건물 내부를 쾌적한 환경으로 유지할 수 있는 공조기의 가동 시점을 결정하는 인공신경망을 이용한 공조기 최적 제어 장치 및 방법에 관한 것이다.
공조기는 사무용 빌딩, 공장, 호텔, 식당, 병원, 창고형 상점, 백화점 등을 포함하는 광범위한 분야의 건물에서 설치되고 적용되고 있다. 공조기는 환기, 냉방, 난방 등을 통합적으로 수행하여 건물의 내부를 쾌적한 환경으로 조성한다.
이와 같이 공조기는 건물 전체의 환기, 냉방, 난방을 통합적으로 수행하기 때문에, 공조기의 운전 시 상당히 많은 에너지가 소모된다. 이로 인해 공조를 하는 경우에는 열원과 동력에 대한 에너지가 소비되기 때문에, 공조 시간을 최소화하기 위하여, 일반적인 사무용 건물은 근무 시간대에는 공조를 실시하며, 근무 시간이 아닌 경우 또는 사무실 내에 재실자가 없는 경우에는 공조를 하지 않는다.
이러한 공조기의 운전 제어는 관리자의 경험과 주관적인 판단에 의해 이루어진다. 관리자에만 의존하여 공조기를 제어할 경우, 공조기의 불필요한 운전에 따른 에너지 낭비가 불가피하게 발생된다.
이러한 문제를 해소하기 위해서, 공조기의 운전과 관련하여 에너지를 절약할 수 있는 다양한 공조기 제어 기술이 소개되고 있다. 예컨대 BAS(Building Automation System) 또는 BEMS(Building Energy Management System) 데이터를 활용한 건물 에너지 절감 기술로서, HVAC(Heating, ventilation, and air conditioning) 계통 최적 제어가 시도되고 있다. 특히 장치 레벨에서 공조기에 제어 장치를 추가하여 데이터를 수집하여 수시로 제어하는 등의 방법, 머신 러닝(Machine Learning) 기술의 발전 및 범용화에 따라 인공신경망으로 학습하여 공조기를 제어하고자 하는 시도들이 이어지고 있다.
등록특허공보 제10-1261198호 (2013.05.10. 공고)
하지만 기존의 인공신경망을 이용한 공조기 제어 기술은 제한적인 실내온도나 외기온도의 추이를 보고 시계열적으로 예측하여 공조기의 운전을 제어하기 때문에, 예측의 정확도가 떨어지는 문제점을 안고 있다.
그리고 공조기의 가동에 따른 에너지 소비량은 공조기의 가동 시간에 비례한다. 하지만 공조기의 가동 시간만을 줄일 경우, 건물 내부를 쾌적한 환경으로 유지하지 못하는 시간대가 발생할 수 있다.
이와 같이 공조기의 가동에 따른 에너지 소비량을 줄이면서 건물 내부를 쾌적한 환경으로 유지할 수 있는 공조기의 가동 시점을 결정할 필요가 있다.
따라서 본 발명의 목적은 인공신경망을 이용한 학습을 바탕으로 에너지를 절약하면서 건물 내부를 쾌적한 환경으로 유지할 수 있는 공조기의 가동 시점을 결정하는 인공신경망을 이용한 공조기 최적 제어 장치 및 방법을 제공하는 데 있다.
본 발명의 다른 목적은 공조기의 가동 시점을 보다 정확하게 결정할 수 있는 인공신경망을 이용한 공조기 최적 제어 장치 및 방법을 제공하는 데 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 실시 예에 따른 공조기 최적 제어 장치는, 공조기 운전주기 오프(OFF)시점부터 다음번 공조기 온(ON)시점까지의 제1 온도 변화 패턴을 인공신경망을 기반으로 하는 부하 패턴 모델로 도출하는 부하 패턴 모델부; 상기 다음번 공조기 온(ON)시점의 온도를 상기 부하 패턴 모델부로부터 전달받고, 일정 시간의 제2 온도 변화 패턴을 인공신경망을 기반으로 하는 공조기 패턴 모델로 도출하는 공조기 패턴 모델부; 및 상기 제1 온도 변화 패턴을 상기 제2 온도 변화 패턴에 적용하여 특정 목표 시간에 특정 목표 온도에 도달하도록 공조기의 가동 시점을 시뮬레이션 모델로 결정하는 시뮬레이션 모델부;를 포함한다.
본 발명의 실시 예에 따른 공조기 최적 제어 장치는, 상기 공조기가 오프(OFF)된 시점을 기준으로 과거 일정 기간의 공조기 가동 데이터로부터 특징세트를 추출하는 특징 추출부; 및 상기 특징세트를 일자별로 분류하고, 각 일자별로 상기 공조기의 온/오프(ON/OFF) 시점을 추출하는 데이터 전처리부;를 더 포함할 수 있다.
상기 공조기 가동데이터로부터 추출한 특징세트는 기상예보, 공조기에서 측정되는 온도값, 온도 설정값 및 공조기 설비의 동작 상태 정보를 포함할 수 있다.
상기 공조기에서 측정되는 온도값은 외기온도, 환기온도, 급기온도, 냉온수코일 공급온도, 및 냉온수코일 환수온도를 포함할 수 있다.
상기 온도 설정값은 급기온도 설정값을 포함할 수 있다.
상기 공조기 설비의 동작 상태 정보는 공조기 급기팬 상태, 밸브개도율 및 팬 전략량을 포함할 수 있다.
상기 부하 패턴 모델부는, 상기 특징세트에서 환기온도와 외기온도를 제1 메인 특징으로 선택하고, 상기 제1 메인 특징에서 상기 공조기가 오프(OFF)된 시점부터 다음번 공조기 온(ON)되는 시점까지의 제1 서브 특징을 추출하고, 상기 추출한 제1 서브 특징을 입력값으로 하고, 환기온도를 출력값으로 하여 상기 부하 패턴 모델을 학습시킬 수 있다.
상기 부하 패턴 모델부는, 상기 제1 메인 특징 중 외기온도는 EWMA(exponentially weighted moving averages) 방식으로 평활화(smoothing) 처리하고, 상기 제1 메인 특징 중 환기온도는 스플라인 변환(spline transformation)을 실시할 수 있다.
상기 공조기 패턴 모델부는, 외기온도, 환기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도. 급기온도 설정값 및 밸브개도율을 제2 메인 특징으로 선택하고, 상기 제2 메인 특징에서 상기 공조기가 온(ON)된 시점부터 일정시간의 제2 서브 특징을 추출하고, 상기 추출한 제2 서브 특징을 입력값으로 하고, 환기온도를 출력값으로 하여 상기 공조기 패턴 모델을 학습시킬 수 있다.
상기 공조기 패턴 모델부는, 상기 제2 메인 특징 중 환기온도를 선택할 때, 냉방 시에는 냉방 설정 온도 이상의 환기온도를 선택하고, 난방 시에는 난방 설정 온도 이하의 환기온도를 선택할 수 있다.
상기 시뮬레이션 모델부는 상기 공조기가 오프(OFF)된 시점을 기준으로 당일날의 공조기 가동 데이터로부터 특징세트를 추출한다. 상기 시뮬레이션 모델부는 상기 특징세트에서 상기 공조기 오프(OFF)부터 시뮬레이션 시점까지의 데이터를 추출한다. 그리고 상기 시뮬레이션 모델부는 상기 추출한 데이터에서 기상예보와 환기온도를 선택하고, 선택한 기상예보와 환기온도를 입력값으로 상기 부하 패턴 모델로 시뮬레이션하여 환기온도를 출력값으로 하는 제1 온도 변화 패턴을 도출한다.
상기 시뮬레이션 모델부는 상기 추출한 데이터에서 기상예보, 환기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도. 급기온도 설정값 및 밸브개도율을 선택한다. 그리고 상기 시뮬레이션 모델부는 선택한 기상예보, 환기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도, 급기온도 설정값 및 밸브개도율을 입력값으로 상기 공조기 패턴 모델로 시뮬레이션하여 환기온도를 출력값으로 하는 제2 온도 변화 패턴을 도출한다.
상기 시뮬레이션 모델부는 상기 제1 온도 변화 패턴을 상기 제2 온도 변화 패턴에 적용하여 특정 목표 시간에 특정 목표 온도에 도달하는 상기 공조기의 가동 시점을 결정한다.
상기 시뮬레이션 모델부는 상기 제2 온도 변화 패턴을 도출할 때, 환기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도, 급기온도 설정값 및 밸브개도율은 시뮬레이션 당일날의 값을 입력값으로 한다.
본 발명의 실시 예에 따른 공조기 최적 제어 장치는 기상예보, 공조기에서 측정되는 온도값, 온도 설정값 및 공조기 설비의 동작 상태 정보를 포함하는 공조기 가동데이터를 입력받는 인터페이스부; 상기 공조기 가동데이터를 저장하는 저장부; 및 상기 공조기 가동데이터를 기반으로 인공신경망을 이용한 학습 및 시뮬레이션을 통하여 공조기의 가동 시점을 결정하되, 공조기 운전주기 오프(OFF)시점부터 다음번 공조기 온(ON)시점까지의 제1 온도 변화 패턴을 인공신경망을 기반으로 하는 부하 패턴 모델로 도출하고, 다음번 공조기 온(ON)시점의 온도를 상기 도출한 제1 온도 변화 패턴을 기반으로 하여 일정 시간의 제2 온도 변화 패턴을 인공신경망을 기반으로 하는 공조기 패턴 모델로 도출하고, 상기 제1 온도 변화 패턴을 상기 제2 온도 변화 패턴에 적용하여 특정 목표 시간에 특정 목표 온도에 도달하도록 상기 공조기의 가동 시점을 시뮬레이션 모델로 결정하는 제어부;를 포함한다.
본 발명의 실시 예에 따른 공조기 최적 제어 방법은, 공조기 운전주기 오프(OFF)시점부터 다음번 공조기 온(ON)시점까지의 제1 온도 변화 패턴을 인공신경망을 기반으로 하는 부하 패턴 모델로 도출하는 단계; 상기 다음번 공조기 온(ON)시점의 온도를 상기 도출한 제1 온도 변화 패턴을 기반으로 하여 일정 시간의 제2 온도 변화 패턴을 인공신경망을 기반으로 하는 공조기 패턴 모델로 도출하는 단계; 및 상기 제1 온도 변화 패턴을 상기 제2 온도 변화 패턴에 적용하여 특정 목표 시간에 특정 목표 온도에 도달하도록 상기 공조기의 가동 시점을 시뮬레이션 모델로 결정하는 단계;를 포함한다.
본 발명의 실시 예에 따른 공조기 최적 제어 방법은 상기 부하 패턴 모델로 도출하는 단계 이전에 수행되는, 공조기 가공 데이터로부터 기상예보, 공조기에서 측정되는 온도값, 온도 설정값 및 공조기 설비의 동작 상태 정보를 포함하는 특징세트를 추출하는 단계;를 더 포함할 수 있다.
상기 부하 패턴 모델을 도출하는 단계에서, 기상예보 및 환기온도를 입력값으로 하여 상기 제1 온도 변화 패턴을 출력값으로 도출할 수 있다.
상기 공조기 패턴 모듈을 도출하는 단계에서, 기상예보, 환기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도, 급기온도 설정값 및 밸브개도율을 입력값으로 하여 상기 제2 온도 변화 패턴을 출력값으로 도출할 수 있다.
본 발명에 따르면, 공조기의 가동 시점을 공조기 오프(OFF) 시의 부하 패턴과 공조기 온(ON) 시의 공조기 패턴에 대한 인공신경망을 이용한 학습을 통해 결정하기 때문에, 공조기의 최적 제어를 수행할 수 있다.
인공신경망을 이용한 학습 시, 특징(feature)으로 공조기에서 측정되는 온도값 이외에 기상예보, 온도 설정값 및 공조기 설비의 동작 상태 정보를 사용함으로써, 공조기의 가동 시점을 보다 정확하게 결정할 수 있다.
부하 패턴 모델 학습 시, 입력값으로 사용되는 환기온도 및 외기온도는 전처리 과정을 거치기 때문에, 출력값인 환기온도의 신뢰성을 높일 수 있다. 즉 외기온도의 경우 온도 센서의 불안정으로 불규칙한 데이터 변동이 발생할 수 있기 때문에, 측정된 외기온도에 대해서 EWMA(exponentially weighted moving averages) 방식으로 평활화(smoothing) 처리를 한다.
환기온도의 경우, 환기온도 측정이 공조기 내부에 위치한 온도 센서에 의해 수행된다. 온도 센서는 공조기가 오프(OFF)되어 있는 동안 특정 온도로 유지된 온도를 측정한다. 하지만 공조기 온(ON) 시 공기의 급격한 순환으로 온도가 변하기 때문에, 온도 센서는 순간적으로 왜곡된 환기온도를 측정할 수 있다. 따라서 온도 센서에서 측정된 환기온도에 대해서 스플라인 변환(spline transformation)을 실시함으로써, 환기온도의 급격한 변동을 보완할 수 있다.
이와 같이 본 발명에 따른 공조기 최적 제어 장치는 인공신경망을 이용한 학습을 바탕으로 에너지를 절약하면서 건물 내부를 쾌적한 환경으로 유지할 수 있도록 공조기를 최적으로 제어할 수 있다. 이로 인해 본 발명에 따른 공조기 최적 제어 장치는 계절, 부하 상황 및 과거 공조기의 가동 데이터에 근거하여 공조기의 가동 시점을 결정하기 때문에, 송풍기의 반송동력 및 열원기기의 동력을 줄여 에너지를 절감할 수 있다.
아울러, 상술한 효과 이외의 다양한 효과들이 후술될 본 발명의 실시 예에 따른 상세한 설명에서 직접적 또는 암시적으로 개시될 수 있다.
도 1은 본 발명의 실시 예에 따른 인공신경망을 이용한 공조기 최적 제어 시스템을 보여주는 개략도이다.
도 2는 도 1의 공조기 최적 제어 장치의 세부 구성을 보여주는 블록도이다.
도 3은 본 발명의 실시 예에 따른 공조기 최적 제어 장치가 공조기의 가동 시점을 결정하는 방식을 보여주는 그래프이다.
도 4는 본 발명의 실시 예에 따른 공조기 최적 제어 방법에 따른 흐름도이다.
도 5는 도 4의 부하 패턴 모델을 학습하는 단계를 보여주는 상세 흐름도이다.
도 6은 도 4의 공조기 패턴 모델을 학습하는 단계를 보여주는 상세 흐름도이다.
도 7은 도 4의 시뮬레이션으로 공조기의 가동 시점을 결정하는 단계에 따른 상세 흐름도이다.
도 8은 도 7의 부하 패턴 모델로 제1 온도 변화 패턴을 도출하는 단계를 보여주는 상세 흐름도이다.
도 9는 도 7의 공조기 패턴 모델로 제2 온도 변화 패턴을 도출하는 단계를 보여주는 상세 흐름도이다.
본 발명의 과제 해결 수단의 특징 및 이점을 보다 명확히 하기 위하여, 첨부된 도면에 도시된 본 발명의 특정 실시 예를 참조하여 본 발명을 더 상세하게 설명한다.
다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.
이하의 설명 및 도면에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위한 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하기 위해 사용하는 것으로, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 뿐, 상기 구성요소들을 한정하기 위해 사용되지 않는다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다.
더하여, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급할 경우, 이는 논리적 또는 물리적으로 연결되거나, 접속될 수 있음을 의미한다. 다시 말해, 구성요소가 다른 구성요소에 직접적으로 연결되거나 접속되어 있을 수 있지만, 중간에 다른 구성요소가 존재할 수도 있으며, 간접적으로 연결되거나 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 본 명세서에서 기술되는 "포함 한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 첨부된 도면을 참조하여 본 발명의 실시 예를 보다 상세하게 설명하고자 한다.
도 1은 본 발명의 실시 예에 따른 인공신경망을 이용한 공조기 최적 제어 시스템을 보여주는 개략도이다.
도 1을 참조하면, 본 실시 예에 따른 공조기 최적 제어 시스템(300)은 공조기(100)와 공조기 최적 제어 장치(200)를 포함한다.
공조기(100)는 공조기 최적 제어 장치(200)의 제어에 따라 환기, 냉방, 난방 등을 통합적으로 수행하여 건물의 내부를 쾌적한 환경으로 조성한다. 공조기(100)는 환기, 냉방, 난방을 수행하는 각 설비, 예컨대 송풍기, 열원기기, 펌프, 밸브 등에 설치된 센서로부터 공조기(100)의 가동과 관련된 관련된 정보를 수집하여 공조기 최적 제어 장치(200)로 제공한다. 예컨대 공조기(100)는 환기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도, 급기온도 설정값, 밸브개도율 등에 대한 정보를 공조기 최적 제어 장치(200)로 제공할 수 있다. 공조기(100)는 공조기 최적 제어 장치(200)로 직접 정보를 제공할 수도 있고, BAS 또는 BEMS를 통하여 제공할 수 있다.
그리고 공조기 최적 제어 장치(200)는 공조기(100)가 최적 조건에서 가동할 수 있도록 제어하는 장치이다. 즉 공조기 최적 제어 장치(200)는 공조기(100)의 가동에 따른 에너지 소비량을 줄이면서 건물 내부를 쾌적한 환경으로 유지할 수 있도록 공조기(100)의 가동을 제어한다. 이러한 공조기 최적 제어 장치(200)는 전용 기기나 네트워크 상의 서버로 구현될 수 있다. 또는 공조기 최적 제어 장치(200)는 공조기(100), BAS 또는 BEMS에 임베딩되는 형태로 구현될 수 있다.
본 실시 예에 따른 공조기 최적 제어 장치(200)는 인공신경망을 이용한 학습을 바탕으로 공조기(100)의 가동 시점을 결정한다. 공조기 최적 제어 장치(200)는 결정된 공조기(100)의 가동 시점에 따라서 공조기(100)의 가동을 제어한다.
공조기 최적 제어 장치(200)는 공조기(100)의 가동 시점을 결정하기 위해서, 공조기(100)로부터 공조기(100)의 가동과 관련된 정보를 수집한다. 그리고 공조기 최적 제어 장치(200)는 해당 공조기(100)가 설치된 지역을 기상예보를 함께 수집한다. 기상예보는 기상청에서 발표하는 예보, 상업적으로 판매되는 예보를 포함할 수 있다. 본 실시 예에서는 기상예보의 정확도에 따라 선택적으로 적용될 수 있다. 기상예보는 관리자가 직접 입력할 수도 있고, 기상예보를 제공하는 네트워크 상의 장치로부터 수집할 수 있다.
인공신경망을 이용한 학습 모델로 부하 패턴 모델과 공조기 패턴 모델을 이용한다. 부하 패턴 모델과 공조기 패턴 모델의 학습은 해당 공조기(100)의 과거 운영 데이터를 기반으로 한다.
그리고 공조기(100)의 가동 시점은 부하 패턴 모델과 공조기 패턴 모델을 기반으로 한 시뮬레이션을 통하여 결정한다. 즉 공조기 최적 제어 장치(200)는 기상예보를 기반으로 부하 패턴을 부하 패턴 모델로 도출한다. 공조기 최적 제어 장치(200)는 도출한 부하 패턴에 따른 공조기(100)의 온(ON) 시점을 기반으로 공조 패턴을 공조기 패턴 모델로 도출한다. 그리고 공조기 최적 제어 장치(200)는 부하 패턴 모델이 도출한 부하 패턴을 기반으로 공조기 패턴을 시뮬레이션 하여 공조기(100)의 가동 시점을 결정한다. 이때 공조기(100)의 가동 시점은 특정 목표 시간 및 특정 목표 온도에 도달하기 위한 공조기(100)의 온(ON) 시점을 의미한다.
이와 같은 본 실시 예에 따른 공조기 최적 제어 장치(200)에 대해서 도 1 내지 도 3을 참조하여 설명하면 다음과 같다. 여기서 도 2는 도 1의 공조기 최적 제어 장치(200)의 세부 구성을 보여주는 블록도이다. 그리고 도 3은 본 발명의 실시 예에 따른 공조기 최적 제어 장치(200)가 공조기(100)의 가동 시점을 결정하는 방식을 보여주는 그래프이다.
본 실시 예에 따른 공조기 최적 제어 장치(200)는 인터페이스부(10), 저장부(20) 및 제어부(30)를 포함한다. 인터페이스부(10)는 기상예보, 공조기(100)에서 측정되는 온도값, 온도 설정값 및 공조기 설비의 동작 상태 정보를 포함하는 공조기 가동데이터를 입력받는다. 저장부(20)는 공조기 가동데이터를 저장한다. 그리고 제어부(30)는 공조기 가동데이터를 기반으로 인공신경망을 이용한 학습 및 시뮬레이션을 통하여 공조기(100)의 가동 시점을 결정한다. 이때 제어부(30)는 공조기 운전주기 오프(OFF)시점부터 다음번 공조기 온(ON)시점까지의 제1 온도 변화 패턴을 인공신경망을 기반으로 하는 부하 패턴 모델로 도출한다. 제어부(30)는 다음번 공조기 온(ON)시점의 온도를 도출한 제1 온도 변화 패턴을 기반으로 하여 일정 시간의 제2 온도 변화 패턴을 인공신경망을 기반으로 하는 공조기 패턴 모델로 도출한다. 제어부(30)는 도출한 제2 온도 변화 패턴에서 특정 목표 시간에 특정 목표 온도에 도달하는 공조기(100)의 가동 시점을 시뮬레이션 모델로 결정한다.
인터페이스부(10)는 공조기(100) 또는 기상예보 제공 장치와 통신을 수행하거나, 관리자로부터 선택 신호를 입력받아 제어부(30)로 전달할 수 있다. 인터페이스부(10)는 기상예보 제공 장치로부터 기상예보를 수신하거나 관리자로부터 기상예보를 입력받을 수 있다. 인터페이스부(10)는 공조기(100)로부터 공조기(100)의 가동과 관련된 정보를 수신하고, 공조기(100)의 가동에 필요한 제어 신호를 공조기(100)에 전달할 수 있다. 인터페이스부(10)는 공조기(100) 또는 기상예보 제공 장치와 유무선 통신망을 매개로 연결될 수 있다.
저장부(20)는 공조기 최적 제어 장치(200)의 동작 제어 시 필요한 프로그램과, 그 프로그램 수행 중에 발생되는 정보를 저장할 수 있다. 저장부(20)는 부하 패턴 모델, 공조기 패턴 모델 및 시뮬레이션 모델을 저장한다. 저장부(20)는 공조기 가동데이터를 저장한다.
공조기 가동데이터는 기상예보, 공조기(100)에서 측정되는 온도값, 온도 설정값 및 공조기 설비의 동작 상태 정보를 포함한다. 이때 공조기(100)에서 측정되는 온도값은 외기온도, 환기온도, 급기온도, 냉온수코일 공급온도, 및 냉온수코일 환수온도를 포함할 수 있다. 온도 설정값은 급기온도 설정값을 포함할 수 있다. 그리고 공조기 설비의 동작 상태 정보는 공조기 급기팬 상태, 밸브개도율 및 팬 전략량을 포함할 수 있다.
그리고 제어부(30)는 공조기 최적 제어 장치(200)의 전반적인 제어 동작을 수행하는 마이크로프로세서(microprocessor)이다. 제어부(30)는 인공신경망을 통한 학습 결과를 바탕으로 공조기(100)의 가동 시점을 결정한다. 이때 제어부(30)는 원 칩(one chip)으로 구현될 수도 있고, 기능에 따라서 복수의 칩이 모듈화된 형태로 구현될 수 있다.
이러한 제어부(30)는 부하 패턴 모델부(35), 공조기 패턴 모델부(37) 및 시뮬레이션 모델부(39)를 포함한다. 부하 패턴 모델부(35)는 공조기 운전주기 오프(OFF)시점부터 다음번 공조기 온(ON)시점까지의 제1 온도 변화 패턴을 인공신경망을 기반으로 하는 부하 패턴 모델로 도출한다. 공조기 패턴 모델부(37)는 다음번 공조기 온(ON)시점의 온도를 부하 패턴 모델부(35)로부터 전달받고, 일정 시간의 제2 온도 변화 패턴을 인공신경망을 기반으로 하는 공조기 패턴 모델로 도출한다. 그리고 시뮬레이션 모델부(39)는 제1 온도 변화 패턴을 제2 온도 변화 패턴에 적용하여 특정 목표 시간에 특정 목표 온도에 도달하도록 공조기(100)의 가동 시점을 시뮬레이션 모델로 결정한다. 그 외 제어부(30)는 특징 추출부(31)와 데이터 전처리부(33)를 더 포함할 수 있다.
특징 추출부(31)는 공조기(100)가 오프(OFF)된 시점을 기준으로 과거 일정 기간의 공조기 가동 데이터로부터 특징세트를 추출한다. 이때 부하 패턴 모델과 공조기 패턴 모델을 학습하는 경우, 과거 일정 기간은 1년 정도가 될 수 있으며, 이것에 한정되는 것은 아니다. 공조기(100)의 가동 시점을 결정하는 경우, 과거 일정 기간은 공조기(100)가 오프(OFF)된 시점을 기준으로 당일날일 수 있다.
데이터 전처리부(33)는 특징세트를 일자별로 분류하고, 각 일자별로 공조기(100)의 온/오프(ON/OFF) 시점을 추출한다.
부하 패턴 모델부(35) 및 공조기 패턴 모델부(37)는 공조기(100)의 전체 운행 과정을 예측하기 위한 인공신경망을 이용한 학습 모델이다. 여기서 부하 패턴 모델부(35)는 공조기(100)가 오프(OFF)된 경우의 제1 온도 변화 패턴인 부하 패턴을 예측하기 위한 모델이다. 공조기 패턴 모델부(37)는 공조기(100)가 온(ON)된 경우의 제2 온도 변화 패턴인 공조기 패턴을 예측하기 위한 모델이다. 제1 및 제2 온도 변화 패턴의 대상은 환기온도일 수 있다.
부하 패턴 모델부(35)에 의한 부하 패턴 모델의 학습과, 공조기 패턴 모델부(37)에 의한 공조기 패턴 모델의 학습이 다음과 같이 수행될 수 있다.
먼저 부하 패턴 모델부(35)와 공조기 패턴 모델부(37)는 부하 패턴 모델 및 공조기 패턴 모델을 학습하기 위해서, 공통적으로 특징 추출부(31)에 의한 특징세트 추출과, 데이터 전처리부(33)에 의한 데이터 전처리가 선행된다.
즉 특징 추출부(31)는 공조기(100)가 오프(OFF)된 시점을 기준으로 과거 일정 기간의 공조기 가동 데이터로부터 특징세트를 추출한다. 그리고 데이터 전처리부(33)는 특징세트를 일자별로 분류하고, 각 일자별로 공조기(100)의 온/오프(ON/OFF) 시점을 추출한다.
이때 특징세트는 기상예보, 공조기(100)에서 측정되는 온도값, 온도 설정값 및 공조기 설비의 동작 상태 정보를 포함한다. 공조기(100)에서 측정되는 온도값은 외기온도, 환기온도, 급기온도, 냉온수코일 공급온도, 및 냉온수코일 환수온도를 포함한다. 온도 설정값은 급기온도 설정값을 포함한다. 공조기 설비의 동작 상태 정보는 공조기 급기팬 상태, 밸브개도율 및 팬 전략량을 포함한다.
부하 패턴 모델부(35)에 대한 부하 패턴 모델의 학습은 다음과 같이 수행될 수 있다. 즉 부하 패턴 모델부(35)는 특징세트에서 환기온도와 외기온도를 제1 메인 특징으로 선택한다. 부하 패턴 모델부(35)는 제1 메인 특징에서 공조기(100)가 오프(OFF)된 시점부터 다음번 공조기 온(ON)되는 시점까지의 제1 서브 특징을 추출한다. 그리고 부하 패턴 모델부(35)는 추출한 제1 서브 특징을 입력값으로 하고, 환기온도를 출력값으로 하여 부하 패턴 모델을 학습한다.
이때 공조기 운전주기 오프(OFF)시점부터 다음번 공조기 온(ON)시점까지는 일정 기간일 수 있다. 일정 기간은 1일, 일주일, 한달 등이 될 수 있다. 예컨대 일정 기간이 1일 인 경우, 공조기 운전주기 오프(OFF)시점부터 다음번 공조기 온(ON)시점까지는 전날 공조기 오프(OFF)시점부터 다음날 공조기 온(ON)시점까지이다.
제1 메인 특징 중 외기온도는 EWMA(exponentially weighted moving averages) 방식으로 평활화(smoothing) 처리한다. 평활화 처리하는 이유는 외기온도는 외기온도를 검출하는 온도센서 불안정의 이유로 불규칙한 데이터 변동이 발생할 수 있기 때문이다.
제1 메인 특징 중 환기온도는 스플라인 변환(spline transformation)을 실시한다. 스플라인 변환을 실시하는 이유는 다음과 같다. 환기온도 측정은 공조기(100) 내부에 위치한 온도센서에 의해 수행된다. 환기온도는 공조기(100)가 오프(OFF)되어 있는 동안 특정 온도로 유지되다가, 공조기 온(ON) 시 공기의 급격한 순환으로 온도가 변하여 순간적인 왜곡이 발생하는 경우가 빈번하다. 따라서 측정되는 환기온도의 급격한 변동을 보완하기 위해서, 측정된 환기온도에 대한 스플라인 변환을 실시한다. 스플라인 변환은 양끝단의 온도를 연결한 선에서 가장 최하점의 중간지점 온도를 획득하여, 양끝단 및 중간지점의 3개 포인트를 가지고 보간을 실시하는 방식으로 수행된다.
부하 패턴 모델은 인공신경망으로 3개의 은익층(hidden layer)을 포함하는 다층인공신경망을 이용할 수 있다. 3개의 은익층은 각각 2개, 4개 및 2개의 노드를 포함한다. 부하 패턴 모델은 학습율(learning rate), 에폭(epoch), 초변수(hyperparameter)로 인공신경망에 이용되는 일반적인 값이 적용될 수 있다.
공조기 패턴 모델부(37)에 의한 공조기 패턴 모델의 학습은 다음과 같이 수행될 수 있다. 즉 공조기 패턴 모델부(37)는 특징세트에서 외기온도, 환기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도. 급기온도 설정값 및 밸브개도율을 제2 메인 특징으로 선택한다. 공조기 패턴 모델부(37)는 제2 메인 특징에서 공조기(100)가 온(ON)된 시점부터 일정시간의 제2 서브 특징을 추출한다. 그리고 공조기 패턴 모델부(37)는 추출한 제2 서브 특징을 입력값으로 하고, 환기온도를 출력값으로 하여 공조기 패턴 모델을 학습한다.
이때 공조기 패턴 모델부(37)는 제2 메인 특징 중 환기온도를 추출할 때, 냉방 시에는 냉방 설정 온도 이상의 환기온도를 추출하고, 난방 시에는 난방 설정 온도 이하의 환기온도를 추출한다. 예컨대 환기온도가 냉방 시 25도 이상, 난방 시 23도 미만인 제2 서브 특징을 추출한다. 이유는 그 외 조건은 건물 운영 관리 기준에 부합하는 온도로 공조기(100)의 가동이 필요 없기 때문에, 별도의 학습이 필요하지 않기 때문이다. 25도 및 23도의 온도 조건은 건물 마다 운영 기준에 따라서 변경될 수 있음을 물론이다.
제2 서브 특징을 추출하는 일정시간은 공조기(100)가 온(ON)된 시점부터 초기 가동 시간으로, 1시간 내지 5시간 사이에서 설정될 수 있다. 일정시간이 1시간 미만인 경우 추출되는 제2 서브 특징의 데이터량이 너무 적고, 5시간을 초과하는 경우 추출되는 제2 서브 특징의 데이터량이 너무 많을 수 있기 때문이다. 바람직하게는 제2 서브 특징을 추출하는 일정시간은 3시간일 수 있다.
공조기 패턴 모델은 1개의 은익층(hidden layer)을 포함하는 인공신경망을 이용할 수 있다. 1개의 은익층은 6개의 노드를 포함한다. 공조기 패턴 모델은 학습율, 에폭, 초변수로 인공신경망에 이용되는 일반적인 값이 적용될 수 있다.
이러한 부하 패턴 모델부(35) 및 공조기 패턴 모델부(37)는 각각 학습한 부하 패턴 모델 및 공조기 패턴 모델을 저장부(20)에 저장한다.
그리고 시뮬레이션 모델부(39)는 부한 패턴 모델 및 공조기 패턴 모델을 기반으로 공조기(100)의 가동 시점을 시뮬레이션 모델로 결정한다.
먼저 시뮬레이션 모델부(39)는 특징 추출부(31)를 통하여 공조기(100)가 오프(OFF)된 시점을 기준으로 당일날의 공조기 가동 데이터로부터 특징세트를 추출한다. 이때 특징세트는 기상예보, 환기온도, 외기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도. 급기온도 설정값 및 밸브개도율을 포함한다.
다음으로 시뮬레이션 모델부(39)는 데이터 전처리부(33)를 통하여 추출한 특징세트를 일자별로 분류하고, 공조기 오프(OFF)부터 시뮬레이션 시점까지의 데이터를 추출한다.
시뮬레이션 모델부(39)는 부하 패턴 모델로 제1 온도 변화 패턴을 도출하고, 공조기 패턴 모델로 제2 온도 변화 패턴을 도출한다. 여기서 제1 온도 변화 패턴이 부하 패턴이고, 제2 온도 변화 패턴이 공조기 패턴이다.
즉 시뮬레이션 모델부(39)는 추출한 데이터에서 특징 2종(기상예보와 환기온도)을 선택하고, 선택한 특징 2종을 입력값으로 하여 부하 패턴 모델로 시뮬레이션하여 환기온도를 출력값으로 하는 제1 온도 변화 패턴을 도출한다.
시뮬레이션 모델부(39)는 추출한 데이터에서 특징 7종(기상예보, 환기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도. 급기온도 설정값 및 밸브개도율)을 선택하고, 선택한 특징 7종을 입력값으로 공조기 패턴 모델로 시뮬레이션하여 환기온도를 출력값으로 하는 제2 온도 변화 패턴을 도출한다.
그리고 시뮬레이션 모델부(39)는 제1 온도 변화 패턴을 제2 온도 변화 패턴에 적용하여 특정 목표 시간에 특정 목표 온도에 도달하는 공조기(100)의 가동 시점을 결정한다.
이때 시뮬레이션 모델부(39)는 시뮬레이션 당일날 미래인 다음날의 제2 온도 변환 패턴을 도출해야 하지만, 특징 7종 중 기상예보 외에 다른 특징에 대한 정보가 없다. 따라서 기상예보를 제외한 나머지 특징에 대한 정보는 시뮬레이션 당일날의 값을 입력값으로 한다.
공조기(100)의 가동 시점을 결정하는 과정을 도 3을 참조하여 설명하면 다음과 같다. 먼저 목표 시간(T0)이 오전 8시이고, 목표 온도는 난방 시인 23도 이다.
먼저 시뮬레이션 모델부(39)는 부하 패턴 시뮬레이션을 통해서 공조기 오프(OFF)부터 목표 시간(T0)인 8시까지의 제1 온도 변화 패턴(M1)을 도출한다.
시뮬레이션 모델부(39)는 도출한 제1 온도 변화 패턴(M1)을 기반으로 공조기 패턴 시뮬레이션을 통하여 제2 온도 변화 패턴(M2)을 도출한다. 즉 시뮬레이션 모델부(39)는 제1 온도 변화 패턴(M1)의 시간에 따른 온도를 공조기(100)의 가동 시점으로 가정하여 제2 온도 변화 패턴(M2)을 도출한다. 예컨대 시뮬레이션 모델부(39)는 6시45분부터 15분 간격으로 8시까지 제2 온도 변화 패턴(M2)을 도출할 수 있다.
즉 목표 시간(T0) 및 목표 온도를 달성하기 위해서는 목표 시간(T0) 이전에 공조기(100)의 가동이 필요한 것은 당연하다. 건물에 설치된 공조기(100)의 성능을 고려할 때 목표 시간(T0) 및 목표 온도를 달성할 수 있는 공조기(100)의 가동 시점(SO)을 포함하는 영역을 어느 정도 예측이 가능하다. 따라서 시뮬레이션 모델부(39)는 목표로 하는 공조기(100)의 가동 시점(S0)을 포함하는 공조기(100)의 가동 시간 대역과 온도 대역에서의 제2 온도 변화 패턴(M2)을 도출한다.
그리고 시뮬레이션 모델부(39)는 제1 온도 변화 패턴(M1)을 기반으로 한 제2 온도 변화 패턴(M2)에서, 목표 시간(T0) 및 목표 온도를 달성하는 시점을 공조기(100)의 가동 시점(S0)으로 최종적으로 결정한다. 이때의 제2 온도 변환 패턴은 M20이다.
예컨대 목표로 하는 공조기(100)의 가동 시점 이전(S-)에 공조기(100)를 가동하는 경우, 목표 시간 이전(T-)에 목표 온도에 도달한다. 이 경우 목표 시간 이전(T-)에 목표 온도에 도달하기 때문에, 에너지 낭비가 발생하게 된다. 이때의 제2 온도 변화 패턴은 M2- 이다.
반대로 목표로 하는 공조기(100)의 가동 시점 이후(S+)에 공조기(100)를 가동하는 경우, 목표 시간 이후(T+)에 목표 온도에 도달한다. 이 경우 목표 시간 이후(T+)에 목표 온도에 도달하기 때문에, 목표 시간(T0)부터 목표 온도에 도달하는 시간(T+)까지 건물 내부를 쾌적한 환경으로 제공하지 못하는 문제가 발생된다. 이때의 제2 온도 변화 패턴은 M2+ 이다.
이와 같이 본 실시 예에 따르면, 공조기(100)의 가동 시점을 공조기 오프(OFF) 시의 부하 패턴과 공조기 온(ON) 시의 공조기 패턴에 대한 인공신경망을 이용한 학습을 통해 결정하기 때문에, 공조기(100)의 최적 제어를 수행할 수 있다.
인공신경망을 이용한 학습 시, 특징에 공조기(100)에서 측정되는 온도값 이외에 기상예보, 공조기 설비의 동작 상태 정보 및 온도 설정값에 대한 정보가 포함되기 때문에, 공조기(100)의 가동 시점을 보다 정확하게 결정할 수 있다.
이로 인해 본 실시 예에 따른 공조기 최적 제어 장치(200)는 인공신경망을 이용한 학습을 바탕으로 에너지를 절약하면서 건물 내부를 쾌적한 환경으로 유지할 수 있도록 공조기(100)를 최적으로 제어할 수 있다.
이와 같은 본 실시 예에 따른 공조기 최적 제어 장치(200)를 이용한 공조기 최적 제어 방법에 대해서 도 4를 참조하여 설명하면 다음과 같다. 여기서 도 4는 본 발명의 실시 예에 따른 공조기 최적 제어 방법에 따른 흐름도이다.
본 실시 예에 따른 공조기 최적 제어 방법은 부하 패턴 모델을 학습하는 단계(S30), 공조기 패턴 모델을 학습하는 단계(S50), 부하 패턴 모델 및 공조기 패턴 모델로 시뮬레이션 하여 공조기(100)의 가동 시점을 결정하는 단계(S70)를 포함한다.
본 실시 예에서는 S30단계 이후에 S50단계가 수행되는 예를 개시하였지만, 이것에 한정되는 것은 아니다. 예컨대 S50단계 이후에 S30단계가 수행될 수 있다. 또는 S30단계 및 S50단계가 병렬적으로 수행될 수 있다.
S30단계에 따른 부하 패턴 모델을 학습하는 단계를 도 5를 참조하여 설명하면 다음과 같다. 여기서 도 5는 도 4의 부하 패턴 모델을 학습하는 단계를 보여주는 상세 흐름도이다.
먼저 S10단계에서 제어부(30)는 공조기(100)가 오프(OFF)된 시점을 기준으로 과거 일정 기간의 공조기 가동 데이터로부터 특징세트를 추출한다. 이때 공조기 가동 데이터는 기상예보, 공조기(100)에서 측정되는 온도값, 온도 설정값 및 공조기 설비의 동작 상태 정보를 포함한다. 추출되는 특징세트는 기상예보, 외기온도, 환기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도, 급기온도 설정값, 공조기 급기팬 상태, 밸브개도율 및 팬 전략량을 포함할 수 있다.
다음으로 S20단계에서 제어부(30)는 추출한 특징세트에 대한 데이터 전처리를 수행한다. 즉 제어부(30)는 추출한 특징세트를 일자별로 분류하고, 각 일자별로 공조기(100)의 온/오프(ON/OFF) 시점을 추출한다.
다음으로 S31단계에서 제어부(30)는 추출한 특징세트에서 제1 메인 특징을 선택한다. 이때 제1 메인 특징은 환기온도와 외기온도일 수 있다.
이어서 S33단계에서 제어부(30)는 제1 메인 특징에서 제1 서브 특징을 추출한다. 즉 제어부(30)는 제1 메인 특징에서 공조기(100)가 오프(OFF)된 시점부터 다음번 공조기 온(ON)되는 시점까지의 제1 서브 특징을 추출한다. 이때 외기온도는 EWMA 방식으로 평활화 처리한다. 환기온도는 스플라인 변환을 실시한다.
그리고 S35단계에서 제어부(30)는 제1 서브 특징을 입력값, 환기온도를 출력값으로 부하 패턴 모델을 학습한다.
S50단계에 따른 공조기 패턴 모델을 학습하는 단계를 도 6을 참조하여 설명하면 다음과 같다. 여기서 도 6은 도 4의 공조기 패턴 모델을 학습하는 단계를 보여주는 상세 흐름도이다.
먼저 S10단계 및 S20단계는 전술한 부하 패턴 모델을 학습하는 단계와 동일하게 진행되기 때문에, 이에 대한 설명은 생략한다.
다음으로 S51단계에서 제어부(30)는 추출한 특징세트에서 제2 메인 특징을 선택한다. 이때 제2 메인 특징은 외기온도, 환기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도. 급기온도 설정값 및 밸브개도율을 포함한다.
이어서 S53단계에서 제어부(30)는 제2 메인 특징에서 공조기(100)가 온(ON)된 시점부터 일정시간의 제2 서브 특징을 추출한다. 이때 일정시간은 3시간일 수 있다.
그리고 S55단계에서 제어부(30)는 제2 서브 특징을 입력값, 환기온도를 출력값으로 부하 패턴 모델을 학습한다.
S70단계에 따른 공조기(100)의 가동 시점을 결정하는 단계를 도 7 내지 도 9를 참조하여 설명하면 다음과 같다. 여기서 도 7은 도 4의 시뮬레이션으로 공조기(100)의 가동 시점을 결정하는 단계에 따른 상세 흐름도이다.
먼저 S71단계에서 제어부(30)는 공조기(100)가 오프(OFF)된 시점을 기준으로 당일날의 공조기 가동 데이터로부터 특징세트를 추출한다. 다음으로 S73단계에서 제어부(30)는 추출한 특징세트를 일자별로 분류하고, 공조기 오프(OFF)부터 시뮬레이션 시점까지의 데이터를 추출한다. 다음으로 S75단계에서 제어부(30)는 부하 패턴 모델로 시뮬레이션하여 제1 온도 변화 패턴을 도출한다. S77단계에서 제어부(30)는 공조기 패턴 모델로 시뮬레이션하여 제2 온도 변화 패턴을 도출한다. 그리고 S79단계에서 제어부(30)는 제1 온도 변화 패턴을 제2 온도 변화 패턴에 적용하여 특정 목표 시간에 특정 목표 온도에 도달하는 공조기(100)의 가동 시점을 결정한다.
본 실시 예에서는 S75단계 및 S77단계가 병렬적으로 수행되는 예를 개시하였지만, 이것에 한정되는 것은 아니다. 예컨대 S75단계 이후에 S77단계가 수행될 수 있다. 또는 S77단계 이후에 S75단계가 수행될 수 있다.
특징세트는 기상예보, 환기온도, 외기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도. 급기온도 설정값 및 밸브개도율을 포함한다.
여기서 S75단계에 따른 제1 온도 변화 패턴을 도출하는 단계를 도 8을 참조하여 설명하면 다음과 같다. 여기서 도 8은 도 7의 부하 패턴 모델로 제1 온도 변화 패턴을 도출하는 단계를 보여주는 상세 흐름도이다.
먼저 S731단계에서 제어부(30)는 추출한 데이터에서 특징 2종(기상예보와 환기온도)을 선택한다.
그리고 S733단계에서 제어부(30)는 선택한 특징 2종을 입력값으로 부하 패턴 모델을 시뮬레이션 하여 환기온도를 출력값으로 하는 제1 온도 변환 패턴을 도출한다.
S77단계에 따른 제2 온도 변화 패턴을 도출하는 단계를 도 9를 참조하여 설명하면 다음과 같다. 여기서 도 9는 도 7의 공조기 패턴 모델로 제2 온도 변화 패턴을 도출하는 단계를 보여주는 상세 흐름도이다.
먼저 S771단계에서 제어부(30)는 추출한 데이터에서 특징 7종(기상예보, 환기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도. 급기온도 설정값 및 밸브개도율)을 선택한다.
그리고 S773단계에서 선택한 특징 7종을 입력값으로 공조기 패턴 모델을 시뮬레이션 하여 환기온도를 출력값으로 하는 제2 온도 변환 패턴을 도출한다.
한편 본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
마찬가지로, 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다.
본 발명은 인공신경망을 이용한 공조기 최적 제어 장치 및 제어 방법에 관한 것으로, 공조기의 가동 시점을 공조기 오프(OFF) 시의 부하 패턴과 공조기 온(ON) 시의 공조기 패턴에 대한 인공신경망을 이용한 학습을 통해 결정하기 때문에, 공조기의 최적 제어를 수행할 수 있다. 인공신경망의 특징(feature)으로 공조기에서 측정되는 온도값 이외에 기상예보, 온도 설정값 및 공조기 설비의 동작 상태 정보를 사용함으로써, 공조기의 가동 시점을 보다 정확하게 결정할 수 있기 때문에, 에너지를 절약하면서 건물 내부를 쾌적한 환경으로 유지할 수 있다.
더불어, 본 발명은 시판 또는 영업의 가능성이 충분할 뿐만 아니라 현실적으로 명백하게 실시할 수 있는 정도이므로 산업상 이용가능성이 있다.
10 : 인터페이스부 20 : 저장부
30 : 제어부 31 : 특징 추출부
33 : 데이터 전처리부 35 : 부하 패턴 모델부
37 : 공조기 패턴 모델부 39 : 시뮬레이션 모델부
100 : 공조기 200 : 공조기 최적 제어 장치
300 : 공조기 최적 제어 시스템

Claims (13)

  1. 공조기 운전주기 오프(OFF)시점부터 다음번 공조기 온(ON)시점까지의 제1 온도 변화 패턴을 인공신경망을 기반으로 하는 부하 패턴 모델로 도출하는 부하 패턴 모델부;
    상기 다음번 공조기 온(ON)시점의 온도를 상기 부하 패턴 모델부로부터 전달받고, 일정 시간의 제2 온도 변화 패턴을 인공신경망을 기반으로 하는 공조기 패턴 모델로 도출하는 공조기 패턴 모델부; 및
    상기 제1 온도 변화 패턴을 상기 제2 온도 변화 패턴에 적용하여 특정 목표 시간에 특정 목표 온도에 도달하도록 공조기의 가동 시점을 시뮬레이션 모델로 결정하는 시뮬레이션 모델부;
    를 포함하는 공조기 최적 제어 장치.
  2. 제1항에 있어서,
    상기 공조기가 오프(OFF)된 시점을 기준으로 과거 일정 기간의 공조기 가동 데이터로부터 특징세트를 추출하는 특징 추출부; 및
    상기 특징세트를 일자별로 분류하고, 각 일자별로 상기 공조기의 온/오프(ON/OFF) 시점을 추출하는 데이터 전처리부;
    를 더 포함하는 공조기 최적 제어 장치.
  3. 제2항에 있어서,
    상기 공조기 가동데이터로부터 추출한 특징세트는 기상예보, 공조기에서 측정되는 온도값, 온도 설정값 및 공조기 설비의 동작 상태 정보를 포함하는 공조기 최적 제어 장치.
  4. 제3항에 있어서,
    상기 공조기에서 측정되는 온도값은 외기온도, 환기온도, 급기온도, 냉온수코일 공급온도, 및 냉온수코일 환수온도를 포함하고,
    상기 온도 설정값은 급기온도 설정값을 포함하고,
    상기 공조기 설비의 동작 상태 정보는 공조기 급기팬 상태, 밸브개도율 및 팬 전략량을 포함하는 공조기 최적 제어 장치.
  5. 제4항에 있어서, 상기 부하 패턴 모델부는,
    상기 특징세트에서 환기온도와 외기온도를 제1 메인 특징으로 선택하고,
    상기 제1 메인 특징에서 상기 공조기가 오프(OFF)된 시점부터 다음번 공조기 온(ON)되는 시점까지의 제1 서브 특징을 추출하고,
    상기 추출한 제1 서브 특징을 입력값으로 하고, 환기온도를 출력값으로 하여 상기 부하 패턴 모델을 학습하는 공조기 최적 제어 장치.
  6. 제5항에 있어서, 상기 부하 패턴 모델부는,
    상기 제1 메인 특징 중 외기온도는 EWMA(exponentially weighted moving averages) 방식으로 평활화(smoothing) 처리하고,
    상기 제1 메인 특징 중 환기온도는 스플라인 변환(spline transformation)을 실시하는 공조기 최적 제어 장치.
  7. 제5항에 있어서, 상기 공조기 패턴 모델부는,
    외기온도, 환기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도. 급기온도 설정값 및 밸브개도율을 제2 메인 특징으로 선택하고,
    상기 제2 메인 특징에서 상기 공조기가 온(ON)된 시점부터 일정시간의 제2 서브 특징을 추출하고,
    상기 추출한 제2 서브 특징을 입력값으로 하고, 환기온도를 출력값으로 하여 상기 공조기 패턴 모델을 학습하는 공조기 최적 제어 장치.
  8. 제7항에 있어서, 상기 공조기 패턴 모델부는,
    상기 제2 메인 특징 중 환기온도를 선택할 때, 냉방 시에는 냉방 설정 온도 이상의 환기온도를 선택하고, 난방 시에는 난방 설정 온도 이하의 환기온도를 선택하는 공조기 최적 제어 장치.
  9. 제7항에 있어서, 상기 시뮬레이션 모델부는,
    상기 공조기가 오프(OFF)된 시점을 기준으로 당일날의 공조기 가동 데이터로부터 특징세트를 추출하고,
    상기 특징세트에서 상기 공조기 오프(OFF)부터 시뮬레이션 시점까지의 데이터를 추출하고,
    상기 추출한 데이터에서 기상예보와 환기온도를 선택하고, 선택한 기상예보와 환기온도를 입력값으로 상기 부하 패턴 모델로 시뮬레이션하여 환기온도를 출력값으로 하는 제1 온도 변화 패턴을 도출하고,
    상기 추출한 데이터에서 기상예보, 환기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도. 급기온도 설정값 및 밸브개도율을 선택하고, 선택한 기상예보, 환기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도, 급기온도 설정값 및 밸브개도율을 입력값으로 상기 공조기 패턴 모델로 시뮬레이션하여 환기온도를 출력값으로 하는 제2 온도 변화 패턴을 도출하고,
    상기 제1 온도 변화 패턴을 상기 제2 온도 변화 패턴에 적용하여 목표 시간에 목표 온도에 도달하는 상기 공조기의 가동 시점을 결정하는 공조기 최적 제어 장치.
  10. 제9항에 있어서, 상기 시뮬레이션 모델부는,
    상기 제2 온도 변화 패턴을 도출할 때, 환기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도, 급기온도 설정값 및 밸브개도율은 시뮬레이션 당일날의 값을 입력값으로 하는 공조기 최적 제어 장치.
  11. 기상예보, 공조기에서 측정되는 온도값, 온도 설정값 및 공조기 설비의 동작 상태 정보를 포함하는 공조기 가동데이터를 입력받는 인터페이스부;
    상기 공조기 가동데이터를 저장하는 저장부; 및
    상기 공조기 가동데이터를 기반으로 인공신경망을 이용한 학습 및 시뮬레이션을 통하여 공조기의 가동 시점을 결정하되, 공조기 운전주기 오프(OFF)시점부터 다음번 공조기 온(ON)시점까지의 제1 온도 변화 패턴을 인공신경망을 기반으로 하는 부하 패턴 모델로 도출하고, 다음번 공조기 온(ON)시점의 온도를 상기 도출한 제1 온도 변화 패턴을 기반으로 하여 일정 시간의 제2 온도 변화 패턴을 인공신경망을 기반으로 하는 공조기 패턴 모델로 도출하고, 상기 제1 온도 변화 패턴을 상기 제2 온도 변화 패턴에 적용하여 특정 목표 시간에 특정 목표 온도에 도달하도록 상기 공조기의 가동 시점을 시뮬레이션 모델로 결정하는 제어부;
    를 포함하는 공조기 최적 제어 장치.
  12. 공조기 운전주기 오프(OFF)시점부터 다음번 공조기 온(ON)시점까지의 제1 온도 변화 패턴을 인공신경망을 기반으로 하는 부하 패턴 모델로 도출하는 단계;
    상기 다음번 공조기 온(ON)시점의 온도를 상기 도출한 제1 온도 변화 패턴을 기반으로 하여 일정 시간의 제2 온도 변화 패턴을 인공신경망을 기반으로 하는 공조기 패턴 모델로 도출하는 단계; 및
    상기 제1 온도 변화 패턴을 상기 제2 온도 변화 패턴에 적용하여 특정 목표 시간에 특정 목표 온도에 도달하도록 공조기의 가동 시점을 시뮬레이션 모델로 결정하는 단계;
    를 포함하는 공조기 최적 제어 방법.
  13. 제12항에 있어서, 상기 부하 패턴 모델로 도출하는 단계 이전에 수행되는,
    공조기 가공 데이터로부터 기상예보, 공조기에서 측정되는 온도값, 온도 설정값 및 공조기 설비의 동작 상태 정보를 포함하는 특징세트를 추출하는 단계;를 더 포함하고,
    상기 부하 패턴 모델을 도출하는 단계에서,
    기상예보 및 환기온도를 입력값으로 하여 상기 제1 온도 변화 패턴을 출력값으로 도출하고,
    상기 공조기 패턴 모듈을 도출하는 단계에서,
    기상예보, 환기온도, 급기온도, 냉온수코일 공급온도, 냉온수코일 환수온도, 급기온도 설정값 및 밸브개도율을 입력값으로 하여 상기 제2 온도 변화 패턴을 출력값으로 도출하는 공조기 최적 제어 방법.
KR1020180101273A 2018-08-28 2018-08-28 인공신경망을 이용한 공조기 최적 제어 장치 및 방법 Active KR102457016B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180101273A KR102457016B1 (ko) 2018-08-28 2018-08-28 인공신경망을 이용한 공조기 최적 제어 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180101273A KR102457016B1 (ko) 2018-08-28 2018-08-28 인공신경망을 이용한 공조기 최적 제어 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20200027079A true KR20200027079A (ko) 2020-03-12
KR102457016B1 KR102457016B1 (ko) 2022-10-19

Family

ID=69803084

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180101273A Active KR102457016B1 (ko) 2018-08-28 2018-08-28 인공신경망을 이용한 공조기 최적 제어 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102457016B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220333810A1 (en) * 2019-12-13 2022-10-20 Mitsubishi Electric Corporation Model sharing system, model management apparatus, and control apparatus for air conditioning apparatus
KR20220143366A (ko) * 2021-04-16 2022-10-25 에스케이하이닉스 주식회사 외조기 관리 서버, 외조기 시스템 및 그것의 동작 방법
KR102758427B1 (ko) * 2023-12-08 2025-01-23 주식회사 신성이넥스 산업용 공조 환경과 설비의 종합 관리 서비스 제공 시스템 및 그 방법
CN120686931A (zh) * 2025-06-13 2025-09-23 中泰智云(北京)科技有限公司 基于深度学习的仓储温湿度智能调控方法及系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240070376A (ko) 2022-11-14 2024-05-21 주식회사 마키나락스 지연된 보상에 기초하여 공조 장치를 제어하기 위한 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101261198B1 (ko) 2013-01-10 2013-05-10 동국대학교 산학협력단 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 실내온도 하강 제어방법
KR20160134454A (ko) * 2015-05-15 2016-11-23 삼성전자주식회사 공조 기기의 기동 제어 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101261198B1 (ko) 2013-01-10 2013-05-10 동국대학교 산학협력단 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 실내온도 하강 제어방법
KR20160134454A (ko) * 2015-05-15 2016-11-23 삼성전자주식회사 공조 기기의 기동 제어 방법 및 장치

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220333810A1 (en) * 2019-12-13 2022-10-20 Mitsubishi Electric Corporation Model sharing system, model management apparatus, and control apparatus for air conditioning apparatus
KR20220143366A (ko) * 2021-04-16 2022-10-25 에스케이하이닉스 주식회사 외조기 관리 서버, 외조기 시스템 및 그것의 동작 방법
KR102758427B1 (ko) * 2023-12-08 2025-01-23 주식회사 신성이넥스 산업용 공조 환경과 설비의 종합 관리 서비스 제공 시스템 및 그 방법
CN120686931A (zh) * 2025-06-13 2025-09-23 中泰智云(北京)科技有限公司 基于深度学习的仓储温湿度智能调控方法及系统

Also Published As

Publication number Publication date
KR102457016B1 (ko) 2022-10-19

Similar Documents

Publication Publication Date Title
US11783203B2 (en) Building energy system with energy data simulation for pre-training predictive building models
Li et al. A multi-agent based distributed approach for optimal control of multi-zone ventilation systems considering indoor air quality and energy use
KR20200027079A (ko) 인공신경망을 이용한 공조기 최적 제어 장치 및 방법
Sun et al. A simulation approach to estimate energy savings potential of occupant behavior measures
Sun et al. A framework for quantifying the impact of occupant behavior on energy savings of energy conservation measures
Salimi et al. Optimizing energy consumption and occupants comfort in open-plan offices using local control based on occupancy dynamic data
US7147168B1 (en) Zone control of space conditioning system with varied uses
Kurian et al. Robust control and optimisation of energy consumption in daylight—artificial light integrated schemes
KR101649658B1 (ko) 설비를 관제하는 중앙 제어 장치, 이를 포함하는 설비 제어 시스템 및 설비 제어 방법
CN107883536B (zh) 空调设备的参数调整方法及装置、终端
Ouf et al. A simulation-based method to investigate occupant-centric controls
KR101633969B1 (ko) 상황인식 기반의 빌딩 에너지 관리 시스템 및 그를 이용한 빌딩 에너지 관리 방법
EP3025099B1 (en) Control device and method for buildings
CN105868487B (zh) 一种基于能耗设备模型的节能专家系统
KR101261198B1 (ko) 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 실내온도 하강 제어방법
CN105511423A (zh) 中央控制装置、设备控制系统及方法
CN108536030A (zh) 一种基于anfis算法的智能家居系统及其工作方法
Ghofrani et al. Distributed air conditioning control in commercial buildings based on a physical-statistical approach
CN116085937B (zh) 智能中央空调节能控制方法及系统
EP3771957A1 (en) Method and system for controlling of heating, ventilation and air conditioning
CN118042688A (zh) 应用于dali控制系统的日光灯自动调控方法及系统
Villar et al. A fuzzy logic based efficient energy saving approach for domestic heating systems
Pazhoohesh et al. Investigating occupancy-driven air-conditioning control based on thermal comfort level
Stock et al. HVAC performance evaluation and optimization algorithms development for large buildings
KR20180114409A (ko) 건축물의 에너지 성능 분석을 위한 시뮬레이션 장치

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20180828

PG1501 Laying open of application
A201 Request for examination
PA0201 Request for examination

Patent event code: PA02012R01D

Patent event date: 20210818

Comment text: Request for Examination of Application

Patent event code: PA02011R01I

Patent event date: 20180828

Comment text: Patent Application

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20221006

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20221017

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20221017

End annual number: 3

Start annual number: 1

PG1601 Publication of registration