오진환
(Jinhwan Oh)
1
배상무
(Sangmu Bae)
1
남유진
(Yujin Nam)
2†
-
부산대학교 건축공학과 박사과정
(Ph.D student, Department of Architecture Engineering Pusan National University, Busan,
4624, Korea)
-
부산대학교 건축공학과 교수
(Professor, Department of Architecture Engineering Pusan National University, Busan,
4641, Korea)
Copyright © 2016, Society of Air-Conditioning and Refrigeration Engineers of Korea
키워드
실증실험, 인공신경망, 태양광열 시스템, 열 효율, 전력 생산량
Key words
Real-scale experiment, Artificial neural network, Photovoltaic-thermal system, Thermal efficiency, Electrical production
1. 서 론
2017년 스웨덴과 노르웨이가 전세계 최초로 탄소중립을 선언한 이래로 파리협정(2015년 12월)의 목표 달성을 위하여 2019년 12월 유엔기후변화당사국총회에서
‘국가기후목표상향동맹 :탄소중립 2050’(2019년 12월) 선언하는 등 2020년 12월 기준 128개국이 탄소중립을 선언하였다. 우리나라도 2020년
10월 국회 시정연설에서 2050 탄소중립 계획을 천명한 이래로 ‘2050 탄소중립 추진전략’, ‘탄소중립 기술혁신 추진전략’을 수립하는 등 다양한
이행전략을 발표하고 있다.(1)
이에 대한 노력의 일환으로서 건축물 에너지 저감 및 신재생에너지가 주목받고 있으며, 그 중 태양광열(PVT, Photovoltaic-Thermal)
시스템이 제로에너지빌딩(ZEB, Zero Energy Building) 달성을 위한 주요 에너지원으로 각광받고 있다. PVT 시스템은 태양광과 태양열을
결합한 시스템으로 성능이 우수하고 열과 전력이 동시에 생산 가능한 시스템이다. 이러한 PVT 시스템을 활용하기 위해서는 에너지 소비량 예측을 통한
최적의 용량설계를 수행하여야 한다. 예측 방법에는 정적, 동적 시뮬레이션을 활용하는 엔지니어링 분석법과 데이터를 기반으로 기계학습을 수행하는 데이터
드리븐 분석법이 있다.(2) 엔지니어링 분석법의 경우 시뮬레이션 툴이 고가이며 시간의 소요가 크다.
따라서, 데이터를 기반으로 단일 알고리즘 예측분석을 수행하는 데이터 드리븐 분석법이 주목받고 있고, 그 중 비선형 통계적 학습으로 예측값을 산출하는
인공신경망(ANN, Artificial Neural Network)이 최근 몇 년간 많은 연구가 진행되고 있다. Gholamabbas et al.(3)은 인공신경망을 사용하여 진공관형 태양열 집열기의 순환 유체 온도차 및 에너지 효율을 예측하여 최적의 값을 도출하였으며, Kong et al.(4)은 ANN 모델에 기반하여 태양열 히트펌프의 유량을 예측하여 최대 오차 10% 내에서 신뢰성 높은 예측값을 도출하였다. Chung et al.(5)는 측정된 일사량 데이터를 ANN모델 입력변수에 적용 유무에 따라 Cv(RMSE)에 미치는 영향을 검토하였다. 그 결과, 일사량 데이터를 제외 하였을
경우 Cv(RMSE)가 5.86% 더 낮게 나타남을 확인하였다. 또한, Qu et al.(6)은 인공신경망 모델을 이용해 과거 데이터를 기반으로 태양광 시스템의 발전량 예측 모델을 제시하였으며, 그 예측값의 오차율이 최대 6.83%로 나타났다.
Sivaneasan et al.(7)는 입력 데이터의 전처리 과정을 인공신경망 모델에 적용, 예측 오차를 최소화한 태양광 예측 알고리즘을 제안하여 태양광 발전량을 예측하고 데이터 간의
상관 관계를 분석하였다.
하지만, 인공신경망 모델을 활용해 태양열 및 태양광 시스템의 설계변수 및 성능을 예측한 연구는 다양하게 진행되고 있으나 PVT 시스템의 효율 예측에
관한 연구는 드물며 특히, 실제 실험 데이터를 기반으로 성능을 예측한 연구는 거의 없다. 일반적으로 태양광이나 태양열, 지열 등의 시스템 설계를 위해
정밀 에너지 시뮬레이션 툴을 통해 성능예측이 가능하나 고가의 해석툴이나 해석의 수고가 필요하여 모든 현장에 적용되기는 어렵다. 따라서, 본 연구에서는
실제 건물에 적용된 PVT 시스템을 대상으로 성능 실험을 수행하고 실증 실험에서 수집된 데이터를 바탕으로 인공신경망 모델 기반 성능예측모델을 구축하였다.
본 논문에서는 실증실험의 개요, 인공신경망 모델 구축, 실험 데이터와 구축 모델의 검증 방법 및 오차율 분석에 대해 서술한다.
2. 연구방법
본 연구에서는 인공신경망을 통한 데이터 예측 모델을 제시하기 위하여 실험 사이트를 구축, 실증실험을 통해 인공신경망에 입력하기 위한 입력변수, 출력변수를
수집하였다. 측정된 데이터를 기반으로 MathWorks 사에서 개발한 수치해석 및 프로그래밍 환경을 제공하는 공학용 소프트웨어 MATLAB®을 활용하여
인공신경망 모델을 구축하고 결과값을 도출, 실험 데이터와 오차율을 분석하였다. Fig. 1은 본 연구의 진행순서를 나타낸다.
2.1 실험 데이터 수집
Table 1은 실험 조건을 나타낸다. 실증실험은 부산광역시 기장군에 PVT 모듈, 축열조, 부하측(급탕)으로 시스템을 구축, 데이터를 수집하였다. PVT 모듈은
무창형 타입으로 총 10개의 모듈이 설치되었으며, 축열조는 가정용으로 보급되고 있는 0.3 ㎥급 용량으로 선정하였다. 실험기간은 2021년 05월
28일~2021년 06월 18일까지 약 20일간 진행하여 온도계, 유량계, 일사량계를 설치, PVT 입수온도, PVT 유량, 일사량, 외기온도, 축열조
입․출수온도, PVT 열효율, PVT 전력생산량 등 인공신경망 입․출력 변수를 측정하였다. Fig. 2는 실험 사이트에 구축된 시스템 구성도 및 측정 데이터를 나타낸다.
Table 1 Experiment conditions
|
Division
|
Value
|
|
Site
|
Gijang-gun, Busan, Republic of Korea
|
|
Period
|
2021.05.28. ~ 2021.06.18.
|
|
Equipment
|
PVT module
|
Type
|
Unglazed water
|
|
Module size
|
1.012 m $\times$ 19.72 m (19.95 ㎡)
|
|
Thermal efficiency
|
59.7 %
|
|
Heat storage tank
|
Volume
|
0.3 ㎥
|
Fig. 2 Schematic diagram of system.
2.2 상관관계 분석
실험을 통해 수집된 데이터는 인공신경망에 입력 데이터와 출력 데이터로 구분하여 입력된다. 예측 모델의 계산시간 감소 및 입․출력 데이터의 상관관계를
정량적으로 파악하기 위하여 피어슨 상관계수(Pearson correlation coefficient)를 이용하여 관계 강도에 대해 수치화하였다. 피어슨
상관계수는 1부터 -1 사이의 숫자로서 0에 근접할수록 입․출력 데이터간의 관계성이 낮다. 피어슨 상관계수는 식(1)을 통해 산출된다.
여기서, $r$은 피어슨 상관계수, $n$은 데이터의 수,$X_{i}$는 입력 데이터, $\overline{X}$은 입력 데이터의 평균, $Y_{i}$는
출력 데이터, $\overline{Y}$는 출력 데이터의 평균을 나타낸다.
입․출력 데이터에 대한 피어슨 상관계수 결과를 토대로 결정계수(r$^{2}$)를 산출하였으며, 선행연구(8)와 같이 결정계수 값이 0.2 미만인 변수들은 제외한 입력 변수를 적용하였다. Table 2는 피어슨 상관계수 크기에 따른 입․출력 데이터의 관계성을
나타낸다.
Fig. 3 ~ 4는 열효율, Fig. 5 ~ 6까지는 전력 생산량에 대한 피어슨 상관계수 및 결정계수가 높은 입력 데이터의 관계성 및 선형회귀선을 나타낸다. 피어슨 상관계수 결과에 따라 PVT
열효율 입력 변수로 PVT 입수온도, 유량, 축열조 열원측 입․출구 온도, 일사량, 외기온도 총 6개 변수를 적용되며, PVT 전력생산량의 입력 변수는
PVT 입수온도, 축열조 열원측 입․출구온도, 일사량, 외기온도 총 5개 변수가 인공신경망 모델에 반영된다. 선별된 입력 변수들은 학습, 검증, 평가로
구분되어 세트화되며, 각 세트는 입력 변수에 대해 학습 60%, 검증 20%, 평가 20%의 비율로 구분된다. 한편, PVT의 채열량(HER, Heat
Exchange Rate) 및 열효율을 정확하게 추정하기 위해 다음 식을 통하여 계산하였다.(9)
여기서 $\dot{m}$은 유량(L/min), C는 유동 액체의 비열(J/g․K), $T_{PVT}$는 PVT 순환 유체의 온도(℃)를 나타낸다.
열 효율의 경우 식(2)를 활용하여 다음과 같이 계산된다.
여기서 $A_{PVT}$는 태양열 집열기의 면적(㎡), G(W/㎡)는 일사량을 나타낸다.
한편, 인공신경망의 학습 과정에서 데이터 단위를 고려하지 않으므로 낮은 값을 갖는 변수는 도출되는 결과값에 큰 영향이 없다고 인식하여 낮은 가중치가
부여된다. 따라서, 입력 변수의 단위 및 범위에 대한 스케일 조정이 필요하기 때문에 본 연구에서는 선행연구(8)에서 수행한 정규화 방법과 같이 데이터 정규화를 통해 모든 입력 변수의 값이 0 ~ 1사이의 값을 갖도록 조정하였다.
Fig. 3 Correlation analysis between thermal efficiency and flow rate.
Fig. 4 Correlation analysis between thermal efficiency and solar radiation.
Fig. 5 Correlation analysis between electrical production and outdoor temperature.
Fig. 6 Correlation analysis between electrical production and solar radiation.
Table 2 Result of Pearson correlation coefficient
|
Parameter
|
Name
|
Thermal efficiency
|
Electrical production
|
|
r
|
r$^{2}$
|
r
|
r$^{2}$
|
|
PVT
|
Tsource,in
|
0.52
|
0.27
|
0.58
|
0.34
|
|
msource
|
0.70
|
0.49
|
0.32
|
0.10
|
|
Heat storage tank
|
Tsource,in
|
0.52
|
0.27
|
0.58
|
0.34
|
|
Tsource,out
|
0.50
|
0.25
|
0.56
|
0.31
|
|
Tload,in
|
0.35
|
0.12
|
0.39
|
0.15
|
|
Tload,out
|
0.21
|
0.05
|
0.25
|
0.06
|
|
Taverage
|
0.42
|
0.17
|
0.46
|
0.21
|
|
Solar
|
Qsolar
|
0.77
|
0.60
|
0.90
|
0.81
|
|
Outdoor
|
Toutdoor
|
0.55
|
0.30
|
0.69
|
0.48
|
3. 인공신경망 구축
3.1 인공신경망 모델
인공신경망은 입력층(Input layer), 은닉층(Hidden layer), 출력층(Output layer) 총 3개의 층으로 구축하였다. 입력층의
경우 정제된 입력변수를 토대로 PVT 열효율 모델은 6개, PVT 전력생산량 모델은 5개의 노드(Node)로 구성하였다. 은닉층은 선행연구에 근거하여
2n+1(n : 입력 변수 개수)을 적용하여 각각 13개, 11개의 노드로 형성하였다. 출력층은 본 연구에서 개발된 모델을 통해 예측하고자 하는 도출값
1개 노드로 구축하였다. Fig. 7 ~ 8은 본 연구에서 구축된 인공신경망 모델의 구성을 나타낸다.
노드는 퍼셉트론(Perceptron) 구조로서 다수의 데이터를 토대로 하나의 결과를 도출할 수 있다. 노드에 입력되는 데이터는 가중치(Weight)와
편향(Bias)를 가지고 다음층으로 전달, 시그모이드(Sigmoid) 함수를 통해 결과값이 나타난다. 또한, 결과로 출력된 값은 역전파(Back propagation)를
통해 이전 학습에서 도출된 가중치와 편향을 업데이트하여 최적값에 도달할 때까지 반복학습 한다.
Fig. 7 Artificial neural network model of electrical production.
Fig. 8 Artificial neural network model of thermal efficiency.
3.2 인공신경망 모델 검증
본 연구에서 개발된 인공신경망 모델의 도출값과 실증실험 측정값의 비교를 통해 오차율을 분석하였다. 오차율 분석의 경우 ASHRAE Guideline
14-2014(10)에서 제안된 평균 제곱근 오차 변동계수[Cv(RMSE), Coefficient of variation root mean square error)]를
활용하였다.(8) Cv(RMSE)는 식(4)와 식(5)을 통해 산출된다.
여기서, $y_{m}$은 실증실험 측정값, $y_{p}$는 인공신경망 모델 도출값, $n$은 데이터 개수, $\overline{y}$는 데이터 평균값을
나타낸다. Cv(RMSE)가 0%에 근접할수록 도출된 결과값의 정확성이 높으며, ASHRAE Guidelin 14-2014에서는 시간 데이터 기준
오차율을 30% 이하로 제시하고 있다.
3.3 인공신경망 예측결과 비교
Fig. 9 및 Fig. 10은 실험 데이터 및 인공신경망 모델의 예측결과 비교를 나타낸다. 본 연구에서 개발된 인공신경망의 예측결과에 대한 Cv(RMSE)는 PVT 열효율 10.44%,
PVT 전력생산량 16.34%로 ASHRAE Guidelin 14-2014에서 제안하는 30% 범위에 수용하였다. 실증실험을 통해 수집된 데이터와
인공신경망의 예측값의 오차 범위는 대부분 PVT 열효율 0.002, PVT 전력생산량 0.2 범위 이내로 계산되어 입력 데이터의 추출이 적절하게 수행된
결과로 판단된다. Fig. 11~12는 실험 데이터와 인공신경망 예측값의 오차를 나타낸다.
Fig. 9 Comparative analysis between experimental data and ANN predicted result (thermal efficiency).
Fig. 10 Comparative analysis between experimental data and ANN predicted result (electrical production).
Fig. 11 Difference between ANN and experiment data (thermal efficiency).
Fig. 12 Difference between ANN and experiment data (electrical production).
4. 결 론
본 연구에서는 소규모 사업자 및 실무자 등이 시스템 성능을 설계단계에서 검토할 수 있는 기초자료로써 활용하기 위하여 인공신경망 기반 PVT 예측 모델을
구축하였다. 또한, 실증실험을 통하여 수집된 데이터와 인공신경망의 예측결과를 비교하여 구축된 인공신경망 모델을 검증하였다. 본 연구의 결과에 대한
요약은 다음과 같다.
(1) 실증실험을 수행하여 인공신경망의 입․출력 데이터를 수집하였으며, 피어슨 상관계수 분석을 통하여 결정계수가 0.2 미만인 변수는 제거하였다.
선별된 입력변수는 정규화 과정을 거쳐 인공신경망 모델에 적용하였다.
(2) 입․출력 데이터에 대한 피어슨 상관계수 결과를 토대로 결정계수(r$^{2}$)를 산출하여 PVT 열효율은 PVT 유량 및 일사량, PVT 발전량의
경우 외기온도, 일사량이 가장 큰 영향을 미치는 것을 확인하였다.
(3) 실증실험을 통하여 측정된 데이터와 인공신경망 모델의 예측결과의 해석 결과 간 Cv(RMSE)는 PVT 열효율 10.44%, PVT 전력생산량
16.34%로 계산되었다. 따라서, 본 연구에서 개발된 인공신경망 기반 PVT 성능예측 모델은 ASHRAE Guideline 14-2014에서 제안하는
30% 범위에 수용하여 신뢰성이 있음을 확인하였다.
(4) 본 연구에서 개발된 인공신경망 기반 PVT의 성능 예측 모델은 설계 변수가 다수 필요한 기존의 에너지 시뮬레이션보다 모델 구축 및 해석 시간을
단축할 수 있을 것으로 사료된다.
본 연구에서는 하절기의 PVT 실험 데이터에 기반하여 성능예측 모델을 구축하였으므로 PVT의 연간 성능을 정확히 예측하기에는 한계점이 있다. 향후,
동절기 장기간 실험 데이터를 수집하여 다양한 다수의 데이터를 확보 및 적용하여 오버피팅(Overfitting)을 억제하여 개발된 PVT 시스템 성능예측모델의
정확도를 향상시킬 예정이다.
후 기
본 연구는 국토교통부/국토교통과학기술진흥원의 지원(과제번호 21CTAP-C163595-01) 및 정부(과학기술정보통신부)의 재원으로 한국연구재단의
지원(No. 2021R1A2C2014259)을 받아 수행된 연구임.
References
Green Technology Center , 2021, Carbon Neutral Technology Policy Trends in Major Countries,
GTC Focus
Cho S. Y., Leigh S. B., 2017, Comparing Methodology of Building Energy Analysis: Comparative
Analysis from Steady-state Simulation to Data-driven Analysis, KIEAE Journal, Vol.
17, No. 5, pp. 77-86
Sadeghi G., Nazari S., Ameri M., Shamac F., 2020, Energy and Exergy Evaluation of
the Evacuated Tube Solar Collector using Cu2O/water Nanofluid Utilizing ANN Methods,
Sustainable Energy Techonologies and Assessments, Vol. 37, pp. 100578
Kong X., Ma S., Ma T., Li Y., Cong X., 2021, Mass Flow Rate Prediction of Direct-expansion
Solar-assisted Heat Pump using R290 Based on ANN Model, Solar Energy, Vol. 215, pp.
375-387
Chung H. M., Yang Y. K., Lee K. H., Lee J. H., Moon J. W., 2017, Application of Artificial
Neural Networks for Determining Energy-efficient Operating Set-points of the VRF Cooling
System, Building and Environment, Vol. 125, pp. 77-87
Qu Y., Xu J., Sun Y., Liu D., 2021, A Temporal Distributed Hybrid Deep Learning Model
for Day-ahead Distributed PV Power Forecasting, Applied Energy, Vol. 304, pp. 117704
Sivaneasan B., Yu C. Y., Goh K. P., 2017, Solar Forecasting using ANN with Fuzzy Logic
Pre-processing, Energy Procedia, Vol. 143, pp. 727-732
Bae S. M., Kwon Y. S., Moon J. W., Nam Y. J., 2021, Development of Performance Prediction
Model for Water Source Heat Pump System based on Artificial Neural Network, KIEAE
Journal, Vol. 21, No. 4, pp. 99-104
Bae S. M., Nam Y. J., 2022, Feasibility Analysis for an Integrated System using Photovoltaic-thermal
and Ground Source Heat Pump based on Real-scale Experiment, Renewable Energy, Vol.
185, pp. 1152-1166
USA: ASHRAE , 2014, ASHRAE Guideline 14-2014 Measurement of Energy, Demand, and Water
Savings, pp. 16-19