Research Article

Journal of Korean Institute of Architectural Sustainable Environment and Building Systems. 30 June 2019. 191-202
https://doi.org/10.22696/jkiaebs.20190016

ABSTRACT


MAIN

  • 서 론

  •   연구의 배경

  •   연구의 목적 및 주요내용

  • 인공신경망 모델을 이용한 예측모델 적용 사례

  • 연구방법

  •   학습을 위한 송풍기 운전관련 데이터 수집

  •   송풍기 풍량 예측 모델과 입력변수 설정

  •   송풍기 풍량 예측 모델의 성능 평가방법

  • 인공신경망 모델 결과 및 예측성능 분석

  •   인공신경망 모델 결과

  •   입력변수별 예측성능 비교분석

  • 결 론

서 론

연구의 배경

건축 분야에서 인공지능 및 기계학습 모델을 이용하는 연구가 점점 확대되고 있으며, 건물에서 소비되어지는 에너지의 사용량 패턴이나 예측 그리고 설비시스템의 성능을 예측하고 평가하기 위한 도구로써 인공신경망을 이용한 데이터 기반의 모델의 활용이 증가하고 있다(Kang et al., 2017). 데이터 기반의 학습을 통한 예측모델은 기존에 많이 사용되어지던 동적 시뮬레이션 도구를 이용한 성능 예측과 비교하여 볼 때 주요 입력과 출력 변수의 관계들을 학습하여 모델을 구축하므로 적용성이 우수하고(Kim et al., 2015) 모델의 구축을 용이하게 할 수 있다는 장점이 있으며, 특히 건물의 에너지사용량 데이터나 건축물내의 여러 가지 설비들 중에서 공조설비나 열원설비와 같은 건축설비에서 측정되어지는 데이터의 변화 형태가 비선형적인 특성을 갖고 있는 경우에도 시계열에 따른 특성변화에 대응하여 유사패턴을 찾아내는 학습 개념을 도입하는 것이 보다 더 효과적인 예측 결과를 나타낼 수 있다(Park et al., 2014). 최근에는 이와 같이 데이터를 기반으로 하는 학습형태의 인공신경망을 이용한 모델과 실측된 이력데이터 등을 활용하여 건물의 부하를 예측하거나 에너지소비량 예측함은 물론 건축설비 시스템의 온도나 유량의 값을 예측하는 등 다양한 분야에 응용이 되고 있다(Kang et al., 2016).

연구의 목적 및 주요내용

본 연구에서는 업무용 건물에서 에너지 소비량의 30% 이상을 차지하는(Sane et al., 2006) 공조설비 중에서 동력계열의 구성요소 중 하나인 송풍기의 급기측 풍량을 인공신경망을 이용하여 예측하는 모델을 개발하고자 한다.

앞서 수행된 연구(Kim et al., 2018)에서는 BEMS (Building Energy Management System)에 적용과 동시에 소프트웨어의 개발을 위하여 인공신경망을 이용하여 송풍기에서의 에너지소비량을 중심으로 예측하고 정확도를 평가하는 연구를 진행하였다. 그러나 단순히 에너지 소비패턴을 예측하는 것은 에너지 사용을 관리하는데에 도움이 될 수 있으나 최근의 건물의 제어시스템이나 BEMS에서 요구되어지는 고도화되고 합리적인 제어기능을 수행하기에는 부족한 부분이 있다. 따라서 송풍기에서 근본적으로 에너지 소비를 줄이기 위해서는 송풍기의 에너지 소비와 관련이 있는 급기온도, 덕트의 정압 풍량과 같은 여러 제어요소들을 제어변수로 설정하고 관련 제어변수들을 활용하기 위한 연구들이 수행되어져야 할 필요가 있을 것으로 판단된다. 따라서 본 연구는 이러한 송풍기와 관련된 제어요소들 중 급기측 풍량의 최적제어를 수행하기 위한 기초 연구로 중앙공조시스템에서의 급기 풍량을 인공신경망을 이용하여 예측하고 모델의 정확도를 분석하는데 주목적이 있다.

중앙공조시스템이 적용된 건물에서 송풍기의 정확한 급기측 풍량 예측은 공조기(AHU, Air Handling Unit)를 운영함에 있어 운전효율과 운전성능의 향상은 물론 정확한 송풍량의 예측을 통하여 제어계통에 활용함으로써 불필요한 송풍기에너지 소비를 저감시킴과 동시에 실내의 환경을 적절하게 유지하기 위한 송풍량을 결정하는 역할도 수행할 수 있을 것으로 기대된다.

인공신경망을 이용한 풍량 예측 모델을 개발함에 있어 활용되는 데이터의 다양성을 위해 표준건물 시뮬레이션을 이용하여 데이터를 획득하여 입력데이터로 활용하였으며, 인공신경망의 입력데이터를 구성하는 여러 입력데이터의 조합에 따라 3가지의 Case의 모델을 구성하여 예측결과를 도출하고, 각 Case 모델의 정확도를 통계적 접근을 통하여 비교 분석한 후 가장 우수한 성능의 모델을 결정하였다.

인공신경망 모델을 이용한 예측모델 적용 사례

건축설비 및 건축환경 분야와 건물에서 제어를 필요로 하는 부문에서 인공신경망 모델을 이용한 연구들은 다양한 방법으로 응용되어 활용되어지고 있으며, 선행된 연구의 결과들을 살펴보면 예측 성능들도 대부분 우수한 성능을 보이고 있는 것으로 나타나고 있다. 건축설비 분야에서 인공신경망 모델을 이용한 관련된 예측모델을 연구에 적용한 사례들을 살펴보면 다음과 같다.

설계분야에 응용된 연구로는 열원설비중 하나인 냉동기의 원심 압축기의 임펠러 설계를 최적화하기 위해서 기존의 임펠러에 대한 수치데이터를 바탕으로 설계 시에 인공신경망을 기본으로 하는 알고리즘을 적용하여 인공신경망에 의한 예측정확도가 1%미만으로 도달되어 원심압축기의 압축비와 효율과의 파레토가 형성됨을 확인 하였다(Choi et al., 2011).

시스템의 운전 스케줄을 예측하여 최적화하기 위해 기계학습을 적용한 사례로는 업무용건물에 설치된 빙축열 시스템을 대상으로 최적의 제빙과 방냉을 위해 빙축열 시스템에 대한 기계학습모델을 개발한 연구가 진행되었는데, 인공신경망, 서포트 벡터 머신, 가우시안 프로세스 에뮬레이터, 랜덤포레스트, 유전자 프로그래밍의 5가지의 학습 방법을 적용하여 익일의 방냉량을 예측하는 모델을 개발하여 에너지 절감 가능량을 비교 하였다(Shin et al., 2016).

기계학습을 활용한 건축설비의 제어에 관련된 연구들로는 인공신경망의 입력에 단기 변화요소인 현재의 실온과 외기온을 기본입력요소로 하고, 일정시간 간격의 실온 및 외기온 변동율을 계산하여, 입력 요소에 포함하고 출력은 난방설비를 기동, 정지한 후 목표 온도에 도달할 때까지의 시간으로 하여 건물 난방설비의 최적 기동, 정지시각 결정을 위해 신경망 모델을 개발한 연구를 수행하여 난방기의 평균 5.4%의 에너지 절감을 기대 하는 것으로 결과를 도출하였으며(Park et al., 2013), 다른 연구에서는 실내온도, 외기온도, 실내외의 온도차, 실내온도변화량(ΔTi) 그리고 외기온도변화량(ΔTout)을 실측하고 이 데이터들을 입력값으로 하는 인공신경망 모델을 구성 한 후 이를 이용하여 겨울철의 최적 난방시점을 예측하는 방법을 제안하기도 하였다(Jang et al., 2017).

기존 건물 HVAC 시스템에 기계학습을 적용하기 위해 여러 종류의 기계학습 특성을 분석한 연구도 수행되어 졌는데, HVAC시스템 중 냉동기, 공기조화기, 냉각탑, 브라인 펌프, 냉각수 펌프의 여러 출력값 중 냉동기의 전력사용량, 냉동기 입구온도, 공기조화기 급기온도 및 환기측 온도, 브라인펌프의 전력사용량, 브라인 유량 그리고 냉각탑펌프의 전력사용량 총 7가지의 출력에 대한 모델을 인공신경망을 포함한 총 5가지의 기계학습 알고리즘을 이용하여 작성하고 기계학습 모델 출력값을 검증기간 데이터와 비교하여 예측성능을 평가한 결과 모두 우수한 것으로 나타났으며 데이터 기반 모델의 접근방식의 우수성을 검증하였다(Ra et al., 2017).

상기한 관련 연구들을 살펴 볼 때, 인공신경망을 중심으로한 기계학습을 이용한 모델을 활용한 예측방법들은 공조설비의 최적의 운전과 제어 등에 유용하게 활용 될 수 있을 것으로 판단된다.

연구방법

학습을 위한 송풍기 운전관련 데이터 수집

신경망 모델의 학습을 위한 데이터는 실제 시스템에서 측정을 통해 수집하여 활용하여야 하지만 공조시스템에서 송풍기와 관련된 계측 및 측정된 운영데이터를 일정기간 이상 다량으로 수집하는데 에는 한계가 있다고 판단되어 미국의 미국 에너지국(DOE, Department Of Energy)의 Building Energy Codes Program과 ANSI/ASHRAE/IES Standard 90.1에서 제시한 표준건물 중 Commercial Prototype Building Models의 표준건물 중 Large Office Building을 대상으로 하여 시뮬레이션 모델의 출력으로 데이터를 생성하여 획득된 데이터를 연구에 활용하였다. 시뮬레이션 프로그램은 EnergyPlus를 이용하였으며, EnergyPlus는 건물의 에너지소비량과 건물 내 시스템의 각 절점(node)의 유량, 온도, 압력 과 같은 상태량을 출력한다.

생성된 데이터를 이용하기 위한 대상이 된 시뮬레이션 모델은 건물의 운전요소나 위치정보, 외기조건과 같은 일부 조건들이 국내의 실정에 맞지 않는 부분들이 있기 때문에 본 연구에서는 표준건물에서의 기본적인 건물의 요소들은 유지하면서도 국내의 현실을 최대한 반영하기 위하여 시뮬레이션을 진행하는 과정에서 기존의 표준건물의 일부 스케줄과 설정 값(setting point), 위치정보 및 기상데이터와 같은 입력 값들은 국내의 대규모사무실의 용도프로필을 참고하여 변경하여 연구에 이용하였다. 외벽과 내벽 그리고 외기에 면하는 창의 열관류율은 국내의 에너지절약설계기준의 중부지방의 값을 만족하도록 변경하였다.

시뮬레이션 모델을 활용하여 데이터를 획득하기 위해서 주로 입력된 시뮬레이션의 주요 경계조건은 Table 1에 정리하였다.

Table 1. Simulation Condition of Reference Building Large Scale Office

Component Features
Weather Data and Site Location TRY Seoul (latitude: 37.57°N, longitude: 126.97°E)
Building Type Large Scale Office
Total Building Area [㎡] 46320
Hours Simulated [hour] 8760
Envelope insulation [㎡K/W] External Wall 0.35 Roof 0.213 External Window 1.5
WWR (window-wall ratio ) [%] 40
SetPoint [℃] Cooling 26 Heating 20
Internal Gain Lighting 10.76 [W/㎡] People 18.58 [㎡/person] Plug and Process 10.76 [W/㎡]
HVAC Sizing Auto Calculated
HVAC Operation Schedule 7:00~18:00

시뮬레이션을 활용하여 생성된 데이터를 이용하여 연구에 활용하였기 때문에 일반적으로 계측에 의하여 수집되는 데이터에 특성에서 나타나는 이상치의 개입이나 계측 시에 발생하는 센싱의 오류들은 배제가 된다(Kim et al., 2015). 모델의 정확도 개선을 위한 별도의 데이터의 전처리 과정은 생략하였다.

송풍기 풍량 예측 모델과 입력변수 설정

본 연구에서는 송풍기의 풍량예측을 위한 모델을 개발함에 있어 예측성능을 향상시키기 위해서 인공신경망에 입력 가능한 입력값들을 목록화 하고 입력층의 입력데이터의 종류를 선정한 다음 이를 토대로 입력값 개수의 변화를 통하여 우수한 성능의 예측모델을 선정하고자 한다.

Figure 1은 Matlab을 이용한 인공신경망 모델링의 과정을 도식화 한 것이다. 모델의 예측 성능을 향상시키기 위하여 기존의 단일 입력층만으로 이루어진 신경망모델이 아닌 계측된 값을 다시 동적신경망의 입력으로 활용하는 feedforward 방식의 자동비선형 NARX (Nonlinear Autoregressive Network with eXogenous)방법을 이용하였으며, 모델의 학습에는 Levenberg- Marquardt 알고리즘을 사용하였다. 이 알고리즘은 비선형 최소 자승 문제를 푸는 데에 효과적인 학습방법으로 해의 발산을 막고 안정적으로 해를 구하는 장점이 있다(Kim, 2002).

http://static.apub.kr/journalsite/sites/kiaebs/2019-013-03/N0280130303/images/Figure_KIAEBS_13_3_03_F1.jpg
Figure 1.

A schematic diagram of Predictive Model for Fan air flow rate using the ANN

인공신경망 모델을 이용하는 경우에는 보다 안정적이고 전확한 예측결과의 도출을 위하여 은닉층의 수와 은닉층의 뉴런의 수 등의 조정을 통해 신경망 구조의 최적화방법이 수행된다 (Baik et al., 2016). 본 연구에서 사용된 신경망모델의 입력층과 출력층의 수는 각 1개이며 모델 내의 은닉측의 개수는 모델의 성능과 연산속도에 영향을 주는데, 본 연구에서는 기존의 연구(Nassif, 2016)에서 인공신경망을 개발하는 과정의 내용을 참고하여 20개로 구성하였다.

일반적으로 송풍기의 풍량은 식 (1)과 같이 풍량과 송풍기동력을 이용한 송풍기법칙(Fan Affinity Laws)의해 수학적 모델로 예측이 가능하다. 또한 송풍기의 풍량은 실의 부하에 의해 결정되어지기 때문에 건물부하를 계산과정에서 외기온도, 외기습도를 통해 풍량을 계산할 수 있으며 건물부하를 결정하는 실의온도와 급기온도도 풍량을 계산하는 과정에서 고려되어야 하는 요소들이다.

N2N1=Q2Q1P2P1=Q2Q12L2L1=QQ3 (1)

따라서 인공신경망을 이용한 데이터 기반의 송풍기의 풍량 예측 모델 개발을 위한 입력 값 종류 선정을 위해 공조기의 운영데이터 중 송풍기 성능과 관련된 외기온도, 외기습도, 급기온도, 실내온도, 급기풍량, 송풍기 전후의 정압변화 그리고 송풍기 소비동력을 입력변수로 선정하였다.

입력층의 입력데이터의 개수는 신경망의 구성에서 정확성, 성능 연산속도를 결정하는 중요한 변수로 작용 하므로 본 연구에서는 총 3가지 모델의 Case를 작성하여 모델의 정확도를 비교하고자 하였다. Model 1은 송풍기의 성능을 결정하는 주요 변수인 급기풍량, 정압변화, 송풍기의 소비동력을 입력층의 데이터로 결정하였으며, Model 2는 건물의 부하의 요인이 되며 송풍기의 소비동력과 연관이 있는 외기의 온도와 습도와 같은 외기조건을 입력값에 추가하였고, Model 3은 앞선 모델의 입력값에 송풍 스케줄과 연관이 있는 송풍기의 급기온도와 송풍기가 급기되는 실의 실내온도를 더하여 입력값에 추가하였다. 입력값의 개수는 Model 1부터 Model 3까지 각각 3개 5개 7개로 변화하여 구성된다.

송풍기 풍량 예측 모델 개발을 위해 여러 입력데이터의 조합에 따라서 구성된 Case별 Model 1,2,3을 설정한 입력데이터의 구성을 요약하여 정리하면 Table 2과 같다.

Table 2. Case of Predictive Model for Fan air flow rate

                          Case
Input Value
Model 1 Model 2 Model 3
Input data List [x(t)] Air Flow Rate (㎥/h) Air Flow Rate (㎥/h) Air Flow Rate (㎥/h)
Pressure (Pa) Pressure (Pa) Pressure (Pa)
Fan Power Consumption (kWh) Fan Power Consumption (kWh) Fan Power Consumption (kWh)
Outdoor Air Temp. (℃) Outdoor Air Temp. (℃)
Outdoor Air Humidity (RH%) Outdoor Air Humidity (RH%)
Supply Air Temp. (℃)
Zone Air Temp. (℃)
Predict Target Value [y(t)] Predict Air Flow Rate (㎥/h)

모델의 개발과 평가를 위해서 사용된 데이터는 1년간 시계열의 1시간 단위로 8760개의의 데이터셋(data set)을 이용하여 학습기간(training period)에 75%, 활용기간(test period)에 25%로 구분하여 연구에 사용하였다.

송풍기 풍량 예측 모델의 성능 평가방법

기존의 값, 즉 계측된 값과 예측값에 대한 비교를 통하여 모델의 정확도와 예측성능을 검증하기 위한 방법으로 M&V Guideline 3.0 (DOE, 2008)에서 사용하도록 한 평균편향오차(MBE, Mean Bias Error)와 변동계수(CvRMSE, Coefficient of Variation of Root Mean Square Error)가 있다. 평균편향오차는 총량적인 오차를 나타내는 지표로 예측 값과 기준 값의 차이를 합산하여 평균하여 평가하는 지표이다. 이와는 달리 변동계수는 평균제곱근오차(RMSE, Root Mean Square Error)를 이용하여 모델의 정량적인 오차를 나타내는 개념으로 각 데이터의 지점에서 예측 값과 기준 값의 차이를 제곱하고, 모든 구간의 데이터를 합산하여 평균하여 분포적인 일치도를 보는 개념이다. 변동계수는 분산에 기반을 둔 오차를 계산하여 가장 보편적으로 활용되는 개념으로 각 지표를 구하는 식은 다음의 식 (2)부터 식 (4)와 같이 표시 할 수 있다.

MBE=i=1n(yi-yi^)n×100 (2)
RMSE=i=1n(yi-yi^)2n (3)
CvRMSE=RMSEy×100 (4)

여기서, n : 데이터 포인트의 수 (number of data), yi : 보정대상 데이터 (utility data used for calibration), y^i : 모델 예측 데이터 (model-predicted data), y : 데이터의 평균 값 (mean of the sample of n) 이다.

ASHRAE Guideline 14에 의하면 전체 건물 모델의 경우 데이터 비교 결과가 Table 3의 검증지표중 하나의 허용범위 안에 들어가는 경우에 모델의 적용이 적절하다고 판단하며 신뢰할 수 있는 검증된 모델로 간주한다(ASHRAE, 2002). 앞선 연구에서도 MBE와 CvRMSE 을 이용하여 평가하였으며(Seong et al., 2017), 풍량의 예측과 관련하여 선행된 연구(Seong and Choi, 2017)에서는 간략하게 평균제곱오차(MSE, Mean Square Error)를 이용하여 모델의 성능을 평가하였다. 본 연구에서는 변동계수를 이용하여 모델의 예측 성능과 정확도를 비교 분석하여 평가한다.

Table 3. Acceptable Calibration Tolerances

Calibration Type Index Acceptable Value*
Monthly MBE (monthly) ± 5%
CvRMSE (monthly) 15%
Hourly MBE (hourly) ± 10%
CvRMSE (hourly) 30%

*Lower values indicate better calibration

인공신경망 모델 결과 및 예측성능 분석

인공신경망 모델 결과

Figure 2의 (a)부터 (c)는 훈련 설정값(Training target)과 훈련 결과값(Training Output) 그리고 활용 설정값(Testing target)과 활용 결과값(Testing Output)에 대한 에러(error)와 응답(response)결과를 나타낸 그래프이다. 1년간의 8760개의 데이터셋에 대한 모든 결과를 도식화하게 되면 그래프 상에서 결과의 정확성을 구분하기 힘들기 때문에 데이터에서 풍량의 변화가 가장 크게 나타나는 기간에 대표월인 7월의 744시간동안(7월 1일부터 7월 31일까지)을 결과들을 그래프로 나타내었다.

http://static.apub.kr/journalsite/sites/kiaebs/2019-013-03/N0280130303/images/Figure_KIAEBS_13_3_03_F2.jpg
Figure 2.

Response of Output Element for Time series

Figure 2(a)는 본 연구에서 설정한 인공신경망을 이용한 풍량 예측 모델 중 Model 1의 시계열 데이터들의 출력 응답결과와 에러를 나타낸다. 응답결과는 훈련기간과 활용기간 모두 인공신경망에서 예측하는 데이터의 분포와 유사한 패턴으로 나타났으나 송풍기가 정지되어 풍량이 ‘0’이 되는 기간에 다수의 에러가 발생하는 상황이 연출되었다.

Figure 2(b)는 본 연구에서 설정한 인공신경망을 이용한 풍량 예측 모델 중 Model 2의 시계열 데이터들의 출력 응답결과와 에러를 나타낸다. Figure 2(a)와 같이 응답결과는 훈련기간과 활용기간 모두 인공신경망에서 예측하는 데이터의 분포와 유사한 패턴으로 나타났으며 마찬가지로 송풍기가 정지되어 풍량이 ‘0’이 되는 기간에 주로 에러가 증가하며 발생하는 상황도 확인 할 수 있다.

Figure 2(c)는 본 연구에서 설정한 인공신경망을 이용한 풍량 예측 모델 중 Model 3의 시계열 데이터들의 출력 응답결과와 에러를 나타낸다. 훈련 결과값(Training Output) 활용 결과값(Testing Output)의 분포가 Figure 2(a), Figure 2(b) 보다 출력 응답에 일치하여 분포하는 것을 확인 할 수 있는 것으로 나타나 모델의 성능이 다소 향상됨을 확인 할 수 있다. 하지만 Model 3의 경우에도 송풍기가 정지되어 풍량이 ‘0’이 되는 기간에 주로 에러가 발생하는 것은 동일하게 나타났다.

풍량이 ‘0’이 되는 기간에 응답의 정확도가 떨어지고 다수의 에러가 발생하는 것은 운전스케줄에 의하여 송풍기의 가동이 정지되는 심야시간이나 휴일과 같은 시점에도 인공신경망을 이용한 풍량 예측 모델이 해당 기간에 풍량이 필요로 하는 것으로 예측한 결과로 추후 송풍기의 운전 스케줄이나 운전패턴 등을 입력값으로 활용하거나 ‘0’의 데이터가 계속해서 입력이 되는 경우에 학습과 예측성능을 개선할 수 있는 인공신경망의 알고리즘의 보완이 필요로 할 것으로 판단된다.

입력변수별 예측성능 비교분석

인공신경망을 이용한 송풍기의 급기 풍량의 예측 모델의 응답결과와 에러를 도식화 한 결과만을 가지고 입력층의 입력값의 개수 변화에 따른 서로 다른 모델간의 정량적인 성능의 비교는 어렵다고 판단되어 인공신경망을 이용한 풍량 예측 모델의 성능을 검증지표인 변동계수의 산출결과를 이용하여 비교하였다.

변동계수를 산출함에 있어, 모델의 학습기간(training period)과 활용(test period)기간 으로 구분하여 변동계수를 산출하였고 모델의 예측 정확도를 분석하였다. Table 4는 본 연구에서 제시한 각 풍량 예측 모델 별 예측성능에 대한 평가결과와 모델의 실행시간(Runtime)을 나타낸다.

Table 4. Accuracy and Performance of Predict Model

Number of Input Number of Neurons CvRMSE (hourly) (%) Runtime (sec.)
Training Period Testing Period
Model 1 3 20 24.37 19.20 32.35
Model 2 5 20 22.07 18.79 36.82
Model 3 7 20 20.29 16.60 45.42

입력층의 입력값을 3개로 한 Model 1의 예측성능을 나타내는 변동계수는 훈련기간에서 24.37%, 활용기간에서 19.20%로 산출되었다. 입력층의 입력값을 5개로 한 Model 2의 예측성능을 나타내는 변동계수는 훈련기간에서 22.07%, 활용기간에서 18.79%로 산출되어 Model 1보다 훈련기간에서는 2.3%, 활용기간에서는 1.59%로 모델의 성능이 향상되었다. 입력층의 입력값을 7개로 한 Model 3의 예측성능을 나타내는 변동계수는 훈련기간에서 20.29%, 활용기간에서 16.60%로 산출되어 Model 1보다 훈련기간에서는 4.08%, 활용기간에서는 2.6%, Model 2보다는 훈련기간에서는 1.78%, 활용기간에서는 2.19%의 예측성능이 향상되었다.

인공신경망을 이용한 풍량 예측 모델의 실행시간을 측정한 결과 Model 1은 32.35초, Model 2는 36.82초, Model 3은 45.42로 각각 측정되었으며 인공신경망을 이용한 풍량 예측 모델을 구성 할 때 입력층의 입력값의 수가 증가함에 따라서 연산시간도 함께 증가하는 것을 확인 할 수 있었다. 인공신경망모델의 연산을 수행하는 실행시간은 컴퓨터의 성능에 따라서 달라질 수 있다.

Model 1, Model 2, Model 3 모두 변동계수가 모델의 정확성을 판단하는 허용 범위인 30% 기준 이내의 결과로 산출되어 신뢰할 수 있는 모델로 판단 할 수 있으며, 동일한 인공신경망을 알고리즘을 이용한 예측 모델들 중에서 입력층의 입력값의 개수를 3개, 5개 7개로 증가시켜가며 모델을 구성하고 성능을 비교한 결과 입력층의 입력값의 변수가 증가함에 따라서 각각 훈련기간과 활용기간에서 약 2% 정도씩 예측 성능이 향상되는 것을 확인할 수 있었다.

실행시간을 고려하지 않고 예측 성능만을 평가하는 경우에는 송풍기 급기 풍량에 관련된 주요 변수들을 모두 고려한 7개의 입력값을 이용한 Model 3의 경우에서 예측성능이 가장 우수한 것으로 나타났다.

결 론

본 연구는 자동비선형방법과 Levenberg-Marquardt 알고리즘을 이용하는 인공신경망을 이용하여 송풍기의 풍량 예측 모델을 개발하기 위한 연구로 인공신경망을 구성하는 여러 가지 변수들 중에서 은닉층의 개수와 그 외의 일반적인 신경망의 변수들은 고정적으로 하고 입력층의 입력값의 개수를 주요 변수로 하여 각각 3개 5개 7개로 변화시켜가며 예측모델의 예측결과를 분석하고 입력변수에 따른 각 모델의 예측성능을 통계적 지표중 하나인 변동계수를 이용하여 비교하였다.

학습을 위한 입력층의 입력데이터의 개수가 증가할수록 예측 모델의 평가지표인 변동계수가 약 2%씩 감소하면서 모델의 예측 성능이 향상되는 것을 확인할 수 있었으며 송풍기 급기풍량에 영향을 주는 모든 변수들을 고려하여 풍량, 정압, 송풍기의 소비동력, 외기온도, 외기습도 급기온도 그리고 급기되는 실의 온도로 총 7개의 값으로 입력층을 구성한 예측모델이 실행시간은 증가하였지만 가장 우수한 예측성능을 갖는 것으로 나타났다. 본 연구의 결과에서 보여 지듯이 인공신경망 기반 송풍기 에너지 예측 모델은 입력값 개수에 변화에 따라서 예측 결과가 다소 상이하였으나 입력값을 3개로 한 Model 1을 이용한 경우에도 우수한 예측성능을 나타냈다. 일반적인 현장에서의 풍량의 계측이나 기존 수학적 모델을 이용하는 예측방법과 비교하였을 때 송풍기의 성능곡선, 효율 등과 같이 송풍기의 풍량을 계산하기 위한 각종 제원과 충분한 입력값을 얻기 힘든 경우에도 제한적 입력값만으로 풍량 예측 결과를 얻을 수 있는 것은 큰 장점이라 판단된다.

향후 다른 공조설비에서도 인공신경망 활용하는 예측모델을 개발함에 있어, 입력층의 변화 이외에도 은닉층의 개수변화와 같이 인공신경망을 이용한 예측모델은 다른 여러 조합에 의해 신경망의 정확도나 예측성능이 변화할 수 있으므로 인공신경망의 여러 가지 변수들을 고려하여 보다 정밀하고 우수한 성능을 갖는 예측모델을 개발할 수 있을 것으로 기대된다.

본 연구를 통해 개발한 풍량 예측모델을 이용하여 모델기반의 예측제어 등에 활용하여 정확한 풍량 설정을 이용하여 쾌적한 실내온도조건과 에너지 효율을 증대시킬 수 있는 송풍기의 운전방법과 예측된 풍량 설정값을 이용한 중앙공조시스템의 에너지최적화에 대한 후속 연구가 필요하다.

Acknowledgements

이 연구는 2019년도 국토교통부 연구비 지원에 의한 결과의 일부임. 과제번호 : 19AUDP- B099702-05.

이 논문은 2019년도 가천대학교 교내연구비 지원에 의한 결과임.

References

1
Baik, Y., Yoon, Y., Moon, J. (2016). Development of Artificial Neural Network Model for Predicting the Optimal Setback Application of the Heating Systems. KIEAE Journal, 16(3), 89-94.
10.12813/kieae.2016.16.3.089
2
Choi, H., Park, Y., Kim, C., Cho, S. (2011). Optimization of a Centrifugal Compressor Impeller(II): Artificial Neural Network and Genetic Algorithm. Journal of the Korean Society for Aeronautical & Space Sciences, 37(2), 433-441.
10.5139/JKSAS.2011.39.5.433
3
Jang, J.H., Leigh, S.B. (2017). A Prediction of Optimal Heating Timing based on Artificial Neural Network by utilizing BEMS data. Spring Conference of AIK, 37(2), 563-564.
4
Kang, I., Chung, M., Moon, J., Park, J. (2016). Recent Research Trends of Artificial Intelligence in Buildings -Review of Domestic and International Journal Papers-. Autumn Conference of AIK, 36(2), 635-642.
5
Kang, I., Moon, J., Park, J. (2017). Recent Research Trends of Artificial Intelligent Machine Learning in Architectural Field -Review of Domestic and International Journal Papers-. Journal of the Architectural Institute of Korea Structure & Construction, 33(4), 63-68.
10.5659/JAIK_SC.2017.33.4.63
6
Kim, J., Seong, N., Choi, W., Choi, K. (2018). An Analysis of the Prediction Accuracy of HVAC Fan Energy Consumption According to Artificial Neural Network Variables. Journal of the Architectural Institute of Korea Structure & Construction, 34(11), 73-79.
7
Ra, S., Shin, H., Suh, W., Chu, H., Park, C. (2017). Five Machine Learning Models for HVAC Systems in an Existing Office Building. Journal of the Architectural Institute of Korea Structure & Construction, 33(10), 69-77.
8
Seong, N., Kim, J., Choi, W., Yoon, S., Nabil Nassif. (2017). Development of Optimization Algorithms for Building Energy Model Using Artificial Neural Networks. Journal of Korean Living Environment System, 24(1), 29-36.
10.21086/ksles.2017.02.24.1.29
9
Seong, N., Choi, W. (2017). Development of Predictive Fan Model using the Artificial Neural Network. 2017 Autumn Conference of AIK, 37(2), 604-607.
10
Shin, H., Suh, W., Chu, H., Ra, S., Park, C. (2016). Machine Learning Model for Optimal Control of an Ice Thermal Storage System in an Existing Building. Autumn Annual Conference of AIK, 36(2), 629-630.
11
Kim, Y., Kim, Y., Ahn, K., Park, C. (2015). Development and Verification of Realtime data-driven model. KIAEBS 2015 Autumn Annual Conference, 161-162.
12
Kim, Y., Kim, Y., Ahn, K., Park, C. (2015). Optimized neural network for Real time Model-based Predictive Control. Proceeding of KIAEBS 2015, 159-160.
13
Nassif, N. (2016). Development and Testing of Building Energy Model Using Non-Linear Auto Regression Neural Networks. 2016 ASHRAE Annual Conference, (ST-16-C007).
14
Park, D., Chung, H., Yang I. (2013). Control of HVAC Optimal Start/Stop Using Artificial Neural Network. 2013 SAREK Winter Annual Conference, 395-397.
15
Park, D., Nam, H., Chung, H., Yang, I. (2014). Analysis of Energy Saving Effect of Optimal Start/Stop with ANN on Heating and Cooling system. 2014 Proceeding of SAREK, 486-487.
16
Sane, H.S., Haugstetter, C., Bortoff, S.A. (2006). Building HVAC control systems-role of controls and optimization. Proceedings of the American Control Conference, 6.
10.1109/ACC.2006.1656367
17
Kim, H. (2002). A Study on the Optimal Design and Application of a System Identifier Based on Neural Networks Using Genetic Algorithms. M.D Dissertation, Korea Maritime University, Korea.
18
ASHRAE. (2002). ASHRAE's GUIDELINE 14-2002, Measurement of energy and demand savings. ASHRAE.
19
US Department of Energy. (2008). M&V guidelines, Measurement and verification for federal energy projects version 3.0.
20
Commercial Prototype Building Models-Building Energy Codes Program. https://www. energycodes.gov/development/commercial/prototype_models.
페이지 상단으로 이동하기