김익성
(Ick Sung Kim)
1
김우현
(Woohyun Kim)
2†
송유진
(Eu Gine Song)
3
-
전남대학교 기계공학과 석사과정
(
M.S. Student, Department of Mechanical Engineering, Chonnam National University,
61186, South Korea
)
-
전남대학교 기계공학과 조교수
(
Assistant Professor, Department of Mechanical Engineering, Chonnam National
University, 61186, South Korea
)
-
한국에너지기술연구원 책임연구원
(
Principal Researcher, Energy ICT·EES Lab., Korea Institute of Energy Research,
Daejeon, 34101, South Korea
)
Copyright © 2016, Society of Air-Conditioning and Refrigeration Engineers of Korea
Key words
Distributed energy control(분산에너지 제어), Model-based control(모델기반 제어), Market-based control(시장기반 제어), Building energy(건물에너지)
기호설명
$T_{t ,\:}^{i}T_{t+1}^{i}$ :
i번째 VAV 유닛의 현재, 다음 time step의 실내온도 [℃]
$q_{t}^{i},\: q_{t+1}^{i}$ :
i번째 VAV 유닛의 현재, 다음 time step의 냉방에너지 요구량 [kW]
$T_{o,\:t}$ :
현재 time step의 외기온도
$a_{0}\sim a_{4}$ :
공급풍량 결정계수
$a_{0}^{i}\sim a_{4}^{i}$ :
실내온도 결정계수
$T_{i}^{+},\: T_{i}^{-}$ :
i번째 VAV 유닛의 최대, 최소 냉방 설정 온도 [℃]
$q_{i}^{+}, q_{i}^{-}$ :
i번째 VAV 유닛의 최대, 최소 냉방 에너지 요구량 [kW]
$\dot m_{i}^{+},\:\dot m_{i}^{-}$ :
i번째 VAV 유닛의 최대, 최소 공급풍량 [m$^3$/s]
$T_{c}$ :
실내 공급 공기온도
$q^{f}$ :
AHU 시스템의 에너지 사용량 [kW]
$q^{w}$ :
Chiller 시스템의 에너지 사용량 [kW]
$T_{mix,\:t}^{k}$ :
AHU의 혼합 공기온도 [℃]
$T_{dis,\:t}^{k}$ :
AHU의 배출 공기온도 [℃]
$\eta^{k}$ :
감열비
$COP^{k}$ :
성능계수
$U^{i}$ :
VAV의 Utility Function
$U^{A}$ :
AHU의 Utility Function
$U^{c}$ :
Chiller의 Utility Function
$U^{p}$ :
공급자의 Utility Function
$V^{i}(Q^{i})$ :
VAV의 Value Function
$p^{a}$ :
공기의 단위에너지 당 가격 [$/kWh]
$p^{w}$ :
냉매의 단위에너지 당 가격 [$/kWh]
$p_{a}$ :
공기의 단위에너지 당 가격 [$/kWh]
$p^{e}$ :
AHU의 팬을 작동하는데 필요한 단위에너지 당 가격 [$/kWh]
$D$ :
사용 가능한 최대 에너지 양 [kWh]
1. 연구배경 및 목적
전 세계적으로 보면 에너지 소비량 중 건물 영역의 소비 비중이 약 36%이며, 우리나라의 경우 전체 에너지 소비량 중 30%를 건물에서 차지하고 있어
세계평균에 비해 낮은 편이나 단위면적으로 보면 미국이나 일본 같은 선진국 대비 훨씬 많은 에너지를 소비하고 있다.(1,2) 이에 따라, 민간은 물론 국가적 차원에서 전력사용량을 줄이기 위한 대책을 마련하고 있으며 건물 에너지를 보다 전략적으로 관리하고 줄이는 것이 점차
중요한 이슈가 되고 있다. 건물은 단일 분야로는 전 세계 온실가스 배출량에서 가장 큰 비중을 차지하지만, 동시에 효율적으로 온실가스를 줄이는 잠재력이
큰 분야이다.
건물은 에너지 효율을 높이는 것뿐만 아니라 건물 내부에서 사용하는 각종 설비를 효율적으로 관리해야 한다. 특히, 상업용 건물의 경우 실내 환경을 쾌적하게
유지하기 위해 사용되는 에너지가 건물 에너지 사용량의 약 75%를 차지하며, 이를 효율적인 통합 관리하면 기존 에너지 사용에 대비해 연간 30%이상의
에너지 운영비용 절감할 수 있음을 다양한 연구를 통해 확인되었다.(3) 이에 따라, 건물을 구성하는 다양한 시스템에 대한 건축, 기계, 제어시스템 관련 하드웨어 및 소프트웨어 기술개발이 지난 10여 년간 진행되어 왔으나,
단위 기술 위주의 개발에 집중되어 왔다.
그러나 건물은 다양한 시스템으로 구성되어 있기 때문에 실질적인 에너지 효율 향상을 위해서는 에너지 생산 및 공급과 에너지 소비원에 대해 부문별 최적화와
함께 상호 연동 관리가 필요하다. 이러한 측면에서, 기존 건물자동제어 시스템과 같이 수직 계열화된 정보처리 및 제어시스템에서는 적용된 시스템 상호간
및 제어 시스템과의 통신, 제어신호 처리에 있어서 전술한 환경에서의 시스템 구성과 운영 시에 효과적으로 대응하지 못하는 문제가 있다.(4) 이러한 상호 운용성 및 통합운영의 한계를 뛰어넘기 위해 에이전트를 기반으로 하는 자율적인 제어가 가능한 시스템 연구 및 개발이 국외에서 활발히 진행되고
있다.
Corbin et al.(5)은 분산 에너지 플랫폼을 활용하여 개별 장비와 개별 존에 대한 에이전트를 만들고 가상 거래시장(Virtual market)에서 각각의 에이전트들의
이익을 극대화하기 위한 목적함수를 통해 에너지의 수요와 공급의 균형을 맞추고 에너지 활용을 최적화하는 운전방법을 개발하였다. Hao et al.(6)은 실제 상업용 건물에 에이전트기반 분산제어시스템을 적용하여 각 에이전트 간 상호정보의 교환을 통한 상황인식과 목적함수에 따라 전기요금이 높은 시간대의
에너지 사용을 피하기 위해서 미리 냉난방 설비를 가동하여 운전 요금을 줄이는 실험을 진행하였다. Yao et al.(7)은 풍력발전이 많은 지역에서 순간적으로 전력생산량이 줄어들 때 건물 냉난방 장치에 대한 분산 제어와 가상 거래시장을 통해 공급의 발전량과 건물의 수요량을
정확하게 일치시켜 건물 에너지 활용을 최적화하였다. Huang et al.(8)은 전력망의 수요와 공급의 상호 영향이 점점 증가함에 따라 실시간 전기 가격신호를 주고받을 수 있는 양방향 통신시스템에서 건물 내 흩어져 있는 냉방
수요자원을 중앙에서 모아서 합치는 부하 수집 기술을 적용하여 실시간 전기 요금에 따라 냉방 설정온도를 제어하여 건물의 전력 수요를 목표량 이하로 절감할
수 있음을 확인하였다. 하지만 국내 연구에서 건물에너지와 직접적으로 연계된 멀티에이전트 기반 제어를 연구한 사례는 없는 것으로 파악되었다. 따라서
멀티에이전트 기반 분산에너지 개념의 구현을 통해 건물에너지 효율향상을 위한 최적의 제어에 대한 연구가 필요할 것으로 고려된다.
현재 건물 설비의 에너지 수요를 예측하고 부하에 대응하여 최적화된 제어를 제시해 주는 상용화된 시스템은 초보적인 수준이라 할 수 있다. 건물 내 시스템의
데이터를 수집한 후 단순한 규칙기반 제어를 적용하는 기술이 부분적으로 이루어지고 있으나 실질적인 에너지 효율화와 에이전트 기반 제어가 체계적으로 되고
있지 않고 있다. 하지만 건물은 다양한 시스템으로 구성되어 있어 실질적인 에너지효율 향상을 위해서는 시스템 간 상호작용을 고려한 결과를 통해 성과를
측정할 수밖에 없다. 이에 따라 단위건물의 시스템들의 통합운영을 위한 에이전트 기반으로 하는 자율적인 제어가 가능한 시스템 연구 및 개발이 필요하다.
따라서 본 연구에서는 건물 내 다수의 다양한 종류의 탄력적이고 분산화 된 냉난방시스템, 조명시스템 등의 복잡한 에너지 수요들을 모델링하여 사용량을
예측하고 시장기반 제어기법을 통해 실시간으로 에너지 수요와 공급의 균형을 맞추고 재실자의 편의성 향상과 건물에너지 비용 절감을 할 수 있는 에이전트
기반 분산 에너지 제어기술을 개발하였다.
2. 분산에너지 플랫폼 기반 에이전트 제어 환경 구축
Fig. 1 Distributed energy control platform(Volttron).
통합적인 환경 속에서 상호호환성 및 확장성을 지니는 에이전트 개념을 구현하기 위해서는 오픈소스 기반의 개방형 플랫폼이 필요하다. 본 연구의 목적을
달성하기 위해 분산에너지 플랫폼인 Volttron(9)을 기반으로 다양한 에이전트를 이용하여 분산제어 시스템을 Fig.1과 같이 구현하였다. Volttron은 저가의 싱글보드 컴퓨터에서 건물과 건물요소 시스템을 제어할 수 있으며 BACnet 및 Modbus와 같은 프로토콜을
지원하며 분산에너지에 적합한 파이썬(Python) 기반의 오픈소스 기반의 개방형 플랫폼이다. 에이전트는 플랫폼을 기반으로 구성된 소프트웨어 프로그램으로
자율적인 개체로 간주되며 상호정보의 교환을 통해 상황인식과 목적함수에 따라 최적의 제어를 결정한다.
에이전트들은 데이터를 다양한 topic에 대한 Pub/Sub 패러다임을 사용하여 Message Bus를 통해 서로 주고 받는다. 예를 들어, 에이전트는
원하는 데이터의 topic이 들어올 때까지 대기(Stand by)상태를 유지하고 원하는 데이터의 topic이 들어오면 실행이 된다. 또한 BCVTB(Building
Control Virtual Test Bed)를 이용하여 건물에너지 시뮬레이션 프로그램 EnergyPlus로부터 Socket 통신을 통해 건물의 실내
환경 및 에너지소비 상황에 대한 데이터를 보내고, 분산제어 플랫폼으로부터 최적 제어판단 결과를 다시 돌려받을 수 있도록 건물 에너지 및 비용 최적화
알고리즘 개발환경 구축을 구축하였다.
3. 에이전트 기반 분산에너지 제어기술 개발
3.1 요소별 Thermal 모델 개발
건물 설비들의 에너지 수요를 예측하고 부하에 대응하여 최적화된 제어를 제시하기 위해서 요소별 thermal 모델을 개발하였다. 최적화는 시스템이 선형적일
때 가장 확실하고 빠르게 구현이 가능하기 때문에 본 연구에서는 요소별 시스템이 선형적이라고 가정하고 시스템 성능인자와 관련된 요소들을 독립변수로 하는
데이터 기반 thermal 모델을 사용하였다.
3.1.1 Variable Air Volume(VAV) 모델
냉난방 시스템은 건물 내부 실내온도에 영향을 미치는 열적요소(외부온도, 인체열, 기기발열, 조명발열)들을 해결하기 위해 차갑거나 따뜻한 공기를 불어
넣어 온도를 조절한다. 열적 요소에 의한 열량값과 냉난방 시스템
으로 불어넣은 공기의 열량값의 차이가 0이 되도록 하여 실내온도를 제어한다. 일반적으로 AHU(Air Handling Unit)을 포함한 상업용 건물의
냉난방 시스템의 설정은 Fig.2와 같다. 주요 요소들은 냉동기(Chiller), 냉방코일
(Cooling coil), 급기송풍기(Supply fan), VAV 유닛들로 구성되어있다.
Fig. 2 AHU system with VAV boxes.
각 실별로 VAV 유닛을 설치하여 실내 부하변동에 따라서 공기량을 조절하여 각 실의 온도가 설정온도에 맞도록 개별제어가 가능하다. AHU는 내부에
있는 팬과 냉각코일을 사용해 냉각된 공기를 VAV에 공급하는 역할을 한다. 실내에서 공조기로 들어오는 공기(Return Air)는 댐퍼(Damper)를
통해 외부의 공기와 합치고 이 합쳐진 혼합(Mixed Air)공기는 냉방코일을 지나면서 냉방이 된다. 냉동기는 전기로 구동하는 증기 압축식 냉동 사이클을
통해 유체로부터 열을 제거하는 장치이며, AHU의 냉각 코일에 냉각된 유체를 공급하는 역할을 한다.
각 실의 온도는 둘러싼 구조체의 열용량과 외피의 단열성능을 기반으로 실내외 온도차와 공급되는 냉난방 공조시스템의 에너지로 결정된다. 실내 온도변화를
예측하기 위해 기상 조건, 공급풍량 등의 독립 변수로 데이터 기반 모델을 만들고 이를 통해 독립변수의 변화에 따른 실내 변화를 예측하는 모델은 식(1)과 같다.(10)
VAV 유닛은 각 실 마다 설치되어 있으며, 설정온도와 실내온도 차이에 따라 공기풍량을 공급한다. 이에 VAV 유닛의 다음 time step의 공급풍량을
결정하기 위해서 식(2)과 식(3)에서 보이는 것처럼 공급되는 냉방 에너지 요구량에 대한 물리적 모델계산과 모델기반 예측을 비교하여 현재 time step에서의 최대, 최소 냉방 설정온도변화($T_{-}^{i},\:T_{+}^{i}$)에
따라 다음 time step에서의 최대, 최소 냉방에너지 요구량($q_{-}^{i+1},\: q_{+}^{i+1}$)을 예측한다.
3.1.2 조명(Lighting) 모델
LED(Light Emitting Diode)조명 시스템은 디지털 방식으로 각 실마다 조도 레벨(Dimming Level)의 제어가 가능하며 이를
통해 사용되는 에너지를 절약할 수 있다. LED 조명은 전기에너지의 90%까지 빛으로 전환이 가능하므로 사용하는 전력 소비는 대략적으로 조도 레벨에
선형적으로 비례한다. 예를 들어, 조명의 조도를 50%로 낮추면 100% 조도 대비 50%의 전기 사용량을 절감할 수 있다. 그러므로 다음 time
step에서의 조명의 최소, 최대 에너지는 허용 가능한 최소, 최대 조도 레벨이 된다.
3.1.3 AHU with Chiller 모델
AHU 시스템 fan의 에너지 사용량은 공기 압력과 최대/최소 공급풍량을 통해 계산되며, Chiller 시스템의 에너지 사용량은 감열비($\eta^{k}$),
AHU 공급풍량, AHU 입구와 출구의 공기 온도차이 그리고 Chiller 시스템 에너지
효율($COP^{k}$)을 통해 계산되며 식(4)과 식(5)에 각각 나타내었다.(11)
3.2 시장기반 제어(Market-based Control) 개발
3.2.1 시장기반 제어 개요
건물에너지 소비전력을 절감을 위한 시장기반 제어 구조를 Fig.3에 표시하였다. 시장 모델에서 가장 중요한 부분이 거래량과 가격을 가로축-세로축으로 하는 평면에서 교차하는 공급곡선(Supply Curve)과 수요곡선(Demand
Curve)이다. 시장기반 제어는 가상 거래시장(Virtual Market)을 통해 모델에서 예측한 수요곡선과 전기 에너지 공급곡선과의 교점인 균형가격(Equilibrium
Price)에 따라 각 에이전트에서 제어를 결정하여 실시간 전기요금에 따라 건물 전력량을 제어하는 방법이다.
Fig. 3 Model-based building energy control structure.
각각의 VAV 유닛 모델에서 예측한 에너지 수요량을 부하 수집 기술(Aggregation technology)을 이용하여 수집한 수요곡선과 실시간
전기 요금(공급곡선)에 의해 공급 풍량 거래시장(Air-Market)이 형성된다. 또한, AHU with Chiller 모델에서 예측한 전력량과 조명
시스템이 필요로 하는 전력량을 모아서 합쳐진 수요곡선과 실시간 전기 요금에 의해 전력량 거래시장(Electricity Market)을 형성하게 된다.
일반적인 제어에서는 AHU에서부터 공급되는 풍량을 연결된 VAV 유닛들이 일방적으로 소비하였지만 Air Market에서는 능동적으로 공급되는 풍량을
다른 VAV 유닛들과 거래함으로써 제한된 공급 풍량을 최적으로 사용할 수 있다. 예를 들어, 에너지 수요량이 많아지는 시간대를 예측하게 되면 냉방
운전을 줄여 소비에너지를 절감하도록 하며, 반대로 에너지 수요량이 적어지는 시간대를 예측하게 되면 전기 요금이 높은 시간대의 에너지 사용을 피하기
위해서 미리 냉난방 설비를 가동하여 운전요금을 절감할 수 있다.
3.2.2 Utility Function
이러한 시장기반 제어를 적용하기 위해서 VAV 유닛, AHU with Chiller 시스템, 조명 시스템 등과 같은 구성
요소들이 서로 독립적이라 가정한다. 이러한 독립적인 요소들의 선형적인 합을 Social welfare라고 정의를 하고 각각의 구성요소들은 Utility
Function으로 설명된다. Utility Function은 이익(Benefit)항과 비용(Cost)항의 차이로 이루어져 있으며, 독립변수들의 목적에
따라 이익과 비용이 다르기 때문에 각 Function에는 차이가 있다.(12) VAV 유닛은 전달된 에너지를 변수로 한 함수로 나타낼 수 있고 식(6)으로 나타내었다. VAV 유닛은 이익을 최대로 하는 방향으로 소비할 공기의 양을 결정하고, 식(6)에서 $V^{i}(Q^{i})$는 소비한 $Q^{i}$의 만족도를 나타내는 효용(Welfare) 함수이다.
AHU는 팬과 냉방코일을 통해 VAV에 전달하는 에너지(냉각량)를 이익으로 AHU 작동에 필요한 냉각수 에너지양을 비용으로 설정하였으며 식(7)으로 나타내었다. 여기서 VAV 전달하는 에너지는 AHU 입장에서 이익이지만 VAV 입장에서는 비용으로 인식한다.
Chiller는 AHU의 냉방코일을 작동하는 데 필요한 에너지를 이익으로 Chiller를 사용하는데 필요한 전기에너지 양을 비용으로 설정하였고 식(8)과 같다.
전기에너지 공급자는 AHU의 Fan과 Chiller에 전기에너지를 공급하는 역할을 하며, 공급하는 전기에너지를 이익으로 하고 이 에너지를 생산하기
위한 값을 비용으로 한다. 전기에너지 공급자의 Utility Function은 다음 식(9), 식(10)과 같다.
3.2.3 Social Welfare
Social Welfare는 식(11)과 같이 거래시장을 구성하는 VAV, AHU, Chiller, 전기에너지 공급자의 효용함수 (Utility Function)의 합으로 정의하며 이들의
합이 시장 전체의 이윤을 나타낸다.(13) 이러한 메커니즘을 구성하고 있는 각각의 구성요소들은 전기 또는 공기와 냉매를 사용한 열전달의 형태로 상호간 에너지를 전달하고 각 실의 온도를 조절한다.
이 과정을 통해 재실자들의 쾌적함을 느낄 수 있도록 하면서 Social Welfare를 최대화 하는 것을 목표로 한다.
Social Welfare 최대화를 식(12)과 같이 에너지 용량과 풍량에 대한 제약조건이 있는 최적화 문제로 정식화
하였다. 제약조건(1)은 건물이 최대로 사용 가능한 에너지의 양은 미리 정해 놓은 건물의 최대 전력 수요(D)
보다 작아야 한다. 제약조건(2)은 건물의 각 실에서 냉난방 공조시스템이 사용한 풍량은 최대 공급 풍량보다는 작아야하며 실내 쾌적도를 유지하기 위한 최소운전의 풍량보다는 크도록 하였다.
제약조건을 가지는 이윤의 최적화를 통해 에너지 수급 밸런스가 성립 할 수 있는 균형가격과 균형거래량을 구할 수 있다.(14) 특히, 식(12)에서 가격이 주어지면, 시장 전체의 이익을 확보하도록 공급량과 수요량을 각각 비용함수 $C(g(Q^{1,\:*},\:\cdots ,\: Q^{n,\:*}))$,
효용함수 $V^{i}(Q^{i})$만으로 식(13)과 같이 결정할 수 있다. 즉, 가격이 주어지면 거래량을 국소적인 정보로 결정할 수 있다는 것은 이윤 최대화를 공급자와 수요자 각각의 분산 최적화로
수행할 수 있음을 나타낸다.
4. 결과 및 분석
본 논문에서는 에이전트기반 분산에너지 제어에 의한 효과 분석을 위하여 건물에너지 시뮬레이션 소프트웨어를 이용하였으며, 프로그램은 EnergyPlus(15) 건물 동적 시뮬레이션 소프트웨어를 사용하였다. 대상건물 모델로는 기존 연구(5, 12, 16)에서 EenergyPlus 건물모델 성능을 검증한 건물
대상으로 하였다. 대상건물은 미국 워싱턴주에 위치한 국립연구소 오피스 건물이며 건물바닥면적은 2,300 m$^2$의 주로 콘크리트로 지어진 지상 1층의
사무실 건물로서 벽면과 창분 면적비는 0.43로 남향이고, 내부 조명 및 전기기기에 의한 열취득은 5.4 W/m$^2$ 수준이다 (Table 1 참조). Fig.4(a)는 EnergyPlus에서 사용한 건물 시뮬레이션 모델이며, Fig.4(b)와 같이 해석대상 건물 시스템은 증기 압축식 냉동기를 포함한 중앙 공조시스템으로 2대의 FCU(Fan Coil Unit)와 2대의 AHU로 구성
되어 있으며, 각 실에서는 VAV 유닛으로 냉방설정온도를 제어 한다. 날씨는 대전 기상데이터를 사용했고 시뮬레이션 기간은 2017년 7월 31일부터
8월 4일까지로 설정했다. 건물의 재실기간은 오전 5시부터 오후 5시로 설정하였고, EnergyPlus에서 시뮬레이션 된 결과는 매 1분마다 계산되어지고
시장기반 제어는 매 5분마다 냉방
설정온도와 조명의 조도레벨을 제어하도록 하였다.
비교기준조건(Baseline)은 재실기간 운전방식에서는 조명의 조도레벨은 100%, 냉방설정온도는 20℃로 설정
하였고, 비재실기간인 경우에는 조명의 조도레벨은 각 실마다 0~50%, 냉방설정온도는 최근 정부에서 권장하고 있는 26℃로 설정하여 시뮬레이션 진행하였다.
이 방식과의 비교를 위한 분산에너지 제어는 재실기간 중 조명의 조도 레벨 최대 100%, 최소 70%로 설정하였으며 실내 냉방온도는 경우에 따라 다르게
설정하여 진행하였다. 다른 조건들은 모두 동일한 상태에서 3개의 냉방설정온도를 20~22℃(Case 1), 20~26℃(Case 2), 20~22℃
& 20~26℃(Case 3)로 설정한 후에 설정온도 변화에 따른 효과를 비교하였다.
Table 1. Simulation building information
|
Building
type
|
Number of
floors
|
Floor area
(m$^2$)
|
Window to wall ratio (%)
|
Orientation
|
HVAC system
types
|
Internal gain (W/m$^2$)
|
|
Commercial
|
1st
|
2,300
|
0.43
|
South
|
VAV/AHU & FCU
|
5.4
|
Table 2. Simulation operating conditions
|
Parameter
|
Baseline
|
Case 1
|
Case 2
|
Case 3
|
|
Weather
|
Daejeon, Korea
|
|
Simulation Time Period
|
7/31/2017~08/04/2017
|
|
Occupied Schedule
|
5:00 AM to 5:00 PM
|
|
Occupied Dimming Level
|
100%
|
70~100%
|
70~100%
|
70~100%
|
|
Unoccupied Dimming Level
|
0~50%
|
|
Occupied Set-point Temperature
|
20℃
|
20~22℃
|
20℃~26℃
|
1) 20℃~22℃
2) 20℃~26℃
|
|
Unoccupied Set-point Temperature
|
26℃
|
Fig. 4 Simulation building model and floor plan.
Case 1의 경우 냉방시간대 22℃로 조절되기 때문에 Case 2보다 실내 열환경적인 측면에서는 더욱 쾌적한 조건이다. Case 3의 경우에는 창문이
있는 실내의 냉방설정온도는 20~22℃사이로 제어하며 창문이 없는 실내의 냉방 설정온도는 20~26℃사이로 제어가 되도록 설정하여 시뮬레이션을 진행하였다.
이는 창문이 있는 실내의 경우 오후에 실내 열 취득이 지속적으로 증가하기 때문에 이를 반영하여 제어하였기 때문이다. 시뮬레이션 조건에 대한 자세한
설명은 Table 1에 나타내었다.
4.1 Case 1 시뮬레이션 결과
에이전트를 이용하여 시장 전체 이윤의 최적화를 결정한 과정은 다음 Fig.5와 같다. EnergyPlus 시뮬레이션 결과와 VAV thermal model를 활용하여 구역단위 수요곡선(VAV level)을 결정한다. 수요곡선을
모아서 합치는 부하수집 기술(Aggregation technology)을 이용하여 AHU 수요곡선을 만들고, AHU 및 Lighting(AHU &
Light level)의 수요곡선을 다시 부하수집 기술을 이용해 건물 전체 수요곡선(Building level)을 생성한다. 매 timestep의
공급곡선은 실시간 전기가격에 따라 수평선이 된다. 이렇게 공급곡선과 수요곡선의 교점은 시장이 균형을 이루고 있음을 나타내므로 공급곡선과 수요곡선이
주어지면 timestep에 따른 에너지수급과 가격이 균형을 이루는 교점(Clear point)을 계산해 균형거래량과 균형가격을 결정한다. 이때, 모든
에너지의 거래량은 kWh로 나타내었으며, 이 에너지를 통해 사용한 이윤은 KRW/kWh으로 나타낸다.
Fig.6은 실시간 전력의 가격정보 신호에 따라 분산에너지 제어를 적용했을 때와 비교기준조건에 대한 건물 전력량, 각 실의 온도에 대한 영향을 비교하였다.
전력량 그래프에서 빨간 점선은 분산에너지 제어를 않은 전체 건물 전력사용량을 나타내고, 파란 선은 분산에너지 제어를 수행한 결과를 나타낸다. 두 번째
그래프는 빨간 점선은 최대/최소 냉방설정 온도 범위를 나타내고 나머지 선들은 각 실의 공기온도를 표시하고 있다. 세 번째 그래프는 시간에 따른 전기가격을
나타낸다.
Fig. 5 Simulation & Market bidding sequence.
Fig. 6 Building demand load, Zone temperature & Time of use price of case 1.
전기가격은 계절, 시간대별로 요금제를 변동하는 한국전력 차등요금제를 적용하였다. 전력소비가 급증하는 최대부하시간대(10시~12시 & 13시~17시)에는
높은 요금을 적용하고, 상대적으로 전력소비가 적은 경부하시간대
(23시~9시)와 중간부하시간대(9시~10시, 12시~13시 & 17시~23시)에는 낮은 요금을 적용하였다. 분산에너지 제어의 경우에는 건물 전력량의
프로파일이 실시간 가격 정보에 따라 변경되었고 재실기간 동안에 각 실내 공기 온도는 설정하였던 20~22℃에서 제어되고 있음을 확인하였다. 최대부하시간대에는
냉방운전을 미리 줄여 각 실의 온도는 올라가고 건물 전력 사용량이 감소하였으며, 경부하시간대에는 미리 냉방운전을 실행하여 각 실의 온도는 내려가고
건물 전력 사용량이 증가하였다. 분산에너지 제어는 실시간 변하는 가격에 따라서 빌딩의 수요를 변경할 수 있음을 확인하였다. 비재실시간의 경우에는 건물
전력량이 비교기준조건과 분산에너지 제어 모두 동일하였다. 각 실의 최소공급 풍량이 설정되어 있어 AHU는 계속해서 운전하였으며, 조명 시스템이 전부
사용되지 않았다. 이는 사무용 사용기기로 인한 내부 발열량이 증가하고, 외기의 영향을 잘 받지 않는 건물의 내부의 상황까지 겹쳐 냉방부하가 증가하여
일부 실내에서는 24시간 동안 냉방이 필요하기 때문에 재실기간이 아닌 경우에도 설정온도를 26℃로 설정하였다.
4.2 Case 2 시뮬레이션 결과
Case 2는 건물의 실내 설정온도 구간을 Case 1의 조건보다 높여서 20~26℃의 범위일 때 건물에너지의 어느 정도 더 절감 할 수 있는지 Fig.7에서 확인하였다. Case 1과 비교했을 때 전력사용량의 그래프에서 전력수요 최대 예상시간대인 최대부하 구간을 비교해 보면 전체적으로 전력사용량이
감소한 것을 볼 수 있다. 특히 재실 시간일 때에는 비교기준조건보다 대체적으로 냉방소비전력이 크게 절감된 것을 볼 수 있다. 특히 최대부하 구간인
부근에서는 최대 수요(Peak Demand)가 6 kW(18%) 이상 줄어든 것을 확인하였다. 이러한 전력 최대 사용량 감축은 전력수요가 높은 시기에
기동되는 고비용 발전기를 저렴한 수요자원으로 대체함으로써 전력 수급안전을 도모할 수 있다.
Case 1과 비교했을 때 최대 설정온도를 26℃으로 변경하였지만 실내 온도는 25℃ 이상 도달하지 않는 것을 확인하였다. 이는 대체적으로 건물의
쾌적한 실내 환경 유지하면서 효율적인 에너지 소비가 가능하다는 것을 확인하였다. 하지만 일부 실내에서는 Case 1과 비교하여 창문이 있는 실내온도가
2℃ 이상 상승하였다. 개별적인 선호도를 가지는 재실자의 쾌적도 향상을 위해서 창문이 있는 실내의 설정온도 구간을 변경하여 Case 3을 진행하였다.
Fig. 7 Building demand load, Zone temperature & Time of use price of case 2.
4.3 Case 3 시뮬레이션 결과
Case 3은 건물 내의 실내온도를 창문이 있는 실내는 Case 2와 동일하게 20~26℃로 제어하였고, 나머지 방은 Case 1과 동일한 20~22℃로
제어하였다. Fig.8은 Case 3의 5일 시뮬레이션 결과이며, Case 1과 비교했을 때 최대부하 시간대를 보면 전체적으로 전력사용량이 감소하였고, Case 2와 비교했을
때에는 전력사용량이 증가함을 확인하였다. 최대부하시간대에는 최대수요는 쾌적도의 큰 변화 없이 비교기준조건 대비 5 kW(15%) 정도 감소하였다.
최대부하 시간 때는 전기의 공급은 일정하나 수요는 커지는 구간이므로 이러한 수요관리를 통해 건물 전력수요를 감소가 가능하다. 특히 백화점, 마트 등
냉방온도 제한이 어려운 건물에서 피크전력 수요를 낮출 필요가 있는 경우에 적용가능하다. 또한 냉방 설정온도가 각 실내마다 다르게 설정하는 분산제어가
가능하기 때문에 실내온도 최대값을 더 올릴 수 있는 가능성을 더 높여주어 피크냉방수요를 절감하는 효과를 더욱 증대시키면서 실내 쾌적성 측면을 비교기준조건과
유사하게 할 수 있다.
에이전트기반 분산에너지 제어의 성능평가를 위해 저감된 5일간 총 건물 사용 에너지를 전기요금으로 환산하였다(Table 3 참조). 5일간의 전력 소모량에 대한 전력량 요금은 비교기준조건의 경우 냉난방 전기요금은 14만 6천원, 조명 전기요금은 4만 5천원, Case
1, 2, 3의 냉난방 전기요금은 각각 12만 4천원, 11만 4천원, 12만원으로 비교기준조건과 비교했을 때 15.05%, 21.75%, 17.7%의
절감효과를 확인 할 수 있었으며, 분산에너지를 적용 하였을 때 조명 전기요금의 경우에는 3만 9천원으로 절감이 가능하였으며 총 11.44%의 에너지
비용이 절감되었음을 확인하였다.
Table 3. Overall energy cost saving of distributed energy control for commercial building
|
|
Cooling Electric cost
($\times 10^{3}KRW$)
|
Lighting Electric cost
($\times 10^{3}KRW$)
|
Energy cost saving
(%)
|
|
Baseline
|
146
|
45
|
Cooling
|
Lighting
|
|
Case 1
|
124
|
39
|
15.05%
|
11.44%
|
|
Case 2
|
114
|
39
|
21.75%
|
|
Case 3
|
120
|
39
|
17.7%
|
Fig. 8 Building demand load, Zone temperature & Time of use price of case 3.
5. 결 론
본 논문에서는 최근 건물에서의 에너지관리 필요성이 높아지고 있는 가운데 에이전트를 기반으로 분산에너지 제어를 사용함으로써 에너지소비와 피크냉방전력수요
절감에 대하여 건물 냉방시뮬레이션을 통하여 그 효과를 검증하였다. 이를 위해 분산에너지 관리플랫폼을 기반으로 하여 모델기반 사전 대응적인 예측과 시장기반
최적화를 통해 실시간 전기요금에 따라 가장 효율적인 건물 운영방법을 정하고 각 실마다 냉방설정온도와 조도레벨을 제어하였다. 시뮬레이션은 총 5일간
대전 지역의 기상데이터를 적용하여 EnergyPlus로 모델링한 건물의 시뮬레이션을 통하여 3가지 Case를 비교기준조건과 비교하였다.
제안된 방식은 기존의 일정하게 20℃의 실내온도를 유지하는 냉방방식에 비하여 실내 쾌적도를 실내 거주자가 받아들일 수 있는 수준에서 유지하면서 냉방설비의
전력량 비용에 있어서 약 15%(Case 1)와 18% (Case 3) 정도의 효과를 나타내었다. 또한 조명의 조도레벨을 70% 이상 100% 이하의
조도범위에서 설정레벨을 조절을 하면 일정하게 건물의 100% 조도레벨을 유지하는 제어에 비하여 약 11%정도(All Case)의 절감효과를 나타내었다.
본 연구에서 검토한 제어방식의 주목적은 건물에너지 전력량 저감이었으나 피크 냉방부하의 절감에 대한 효과도 함께 비교하였다. 비교운전방식에 비해서 최대부하시간에
11%(Case 1), 18%(Case 2), 15%(Case 3) 정도로 피크전력 부하 절감의 효과를 확인할 수 있었다.
앞서 설명한 바와 같이 모델기반 예측과 시장기반 최적화를 이용한 분산에너지 제어 기술은 thermal mode을 활용하여 매 타임스텝별 에너지수급과
비용이 균형을 이루는 점을 찾아 시장원리에 기반을 둔 최적제어 방법을 선택하였다. 또한, 에이전트 제어를 통해 자율적인 제어가 가능하여 각 에이전트별
상태와 목표에 따른 최적
제어 방향에 의해 냉방설정온도 및 조도레벨을 바꿔주기 때문에 재실자의 편의성이 향상되었다. 건물의 다양한 설비 운영에 대한 최적화뿐만 아니라 분산되어
있는 다양한 에너지원(가스, 전기, 태양열등)으로 구성된 건물의 경우 각 에너지원의 요금제를 고려해 가장 운영비를 절감할 수 있는 운전방법의 선택이
가능하며 멀티 에이전트는 분산에너지 관리플랫폼을 활용해 만들어졌기 때문에 에이전트를 새로 만들고 활용하는 데에 제한이 없으며 각 구성 요소들을 따로
제어할 수 있는 분산 제어를 활용해 지역적으로 분산된 신 재생에너지원들을 관리하고 활용하는 것이 가능할 것이다.
후 기
본 연구는 미래창조과학부의 출연금 등으로 수행하고 있는 한국전자통신연구원의 국가과학기술연구회 융합연구단 사업(CRC-15-05-ETRI)의 지원을
받아 수행되었습니다.
References
Energy Information Administration (EIA) , 2017, Commercial Buildings Energy Consumption
Suvrvey 2017, U.S Survey 2016. U.S. Department of Energy, Washington, D.C. Last accessed
in July 2018
Korea Energy Economics Institute and Korea Energy Agency , 2018, 2017 Energy Consumption
Survey, Ministry of Trade, Industry and Energy
Fernandez N., Katipamula S., Wang W., Xie Y., Zhao M., 2018, Energy savings potential
from improved building controls for the US commercial building sector, Energy Efficiency,
Vol. 11, No. 2, pp. 393-413
Katipamula S., Gowri K., Hernandez G., 2017, An open-source automated continuous condition-based
maintenance platform for commercial buildings, Science and Technology for the Built
Environment, Vol. 23, No. 4, pp. 546-556
Corbin C. D., Somasundaram S., Makhmalbaf A., Liu G., Huang S., Ngo H., Mendon V.
V., Katipamula S., Zhao M., 2016, Transactive Control of Commercial Building HVAC
Systems, PNNL-26083, Pacific Northwest National Laboratory
Hao H., Corbin C. D., Kalsi K., Pratt R. G., 2017, Transactive Control of Commercial
Buildings for Demand Response, IEEE Transactions on Power Systems, Vol. 32, No. 1,
pp. 774-783
Yao Y., Zhang P., Transactive Control of Air Conditioning Loads for Mitigating Microgrid
Tie-line Power Fluctuations, Power & Energy Society General Meeting Power & Energy
Society General Meeting, 2017 IEEE.
Huang S., Lian J., Hao H., Katipamula S., 2019, Transactive Control Design for Commercial
Buildings to Provide Demand Response, IFAC-PapersOnLine, Vol. 51, No. 34, pp. 151-156
Katipamula S., Haack J., Hernandez G., Akyol B., Hagerman J., 2016, VOLTTRON : An
open-source software platform of the future, IEEE Electrification Magazine, Vol. 4,
No. 4, pp. 15-22
Hao H., Middelkoop T., Barooah P., Meyn S., 2012, How demand response from commercial
buildings will provide the regulation needs of the grid, 2012 50th Annual Allerton
Conference on Communication, control, and computing(allerton), pp. 1908-1913
Radhakrishnan N., Su Y., Su R., Poolla K., 2015, Token based scheduling of HVAC services
in commercial buildings, American Control Conference(ACC), pp. 262-269
Hao H., Corbin C. D., Kalsi K., Pratt R. G., 2016, Transactive control of commercial
buildings for demand response, IEEE Transactions on Power Systems, Vol. 32, No. 1,
pp. 774-783
Liu H., Shen Y., Zabinsky Z. B., Liu C.-C., Courts A., Joo S.-K., 2008, Social welfare
maximization in transmission enhancement considering network congestion, IEEE Transactions
on Power System, Vol. 23, No. 3, pp. 1105-1110
Li S., Zhang W., Lian J., Kalsi K., 2016, Market-based coordination of thermostatically
controlled loads, Part I : A mechanism design formulation, IEEE Transactions on Power
Systems, Vol. 31, No. 2, pp. 1170-1178
EnergyPlus , Energy Simulation Software,, http://www.eere.energy.gov.
Goyal S., Wang W., Brambley M. R., 2019 Design and implementation of a test bed for
building controls, Building Services Engineering Research and Technology