2.1 VRF 시스템의 최적 시작 모델 개발

2.2 플러그 앤 플레이 포인트 매핑 자동화

2.2.2 플러그 앤 플레이 포인트 매핑 자동화

플러그 앤 플레이 포인트 매핑 자동화는 최적 시작 모델 구동에 필요한 입력 변수의 라벨인 메타데이터를 새로운 표현으로 대체하는 과정을 자동화한다. 다양한 단어들의 조합으로 이루어진 메타데이터는 다양한 국가의 언어나 단어들로 혼재되어 있으므로 전 세계 문자의 산업 표준인 유니코드로 변환하여 토큰화한 후 문자열 유사도 파악한다. 식(6)과 식(7)의 Jaro-winkler distance($d_{jaro-winkler}$)는 두 문자열이 얼마나 유사한지를 정량화하기 위한 개념으로 유니코드(Unicode)화 된 어떤 문자열을 다른 문자열로 변환하는 데 필요한 작업 수를 계산하는 것에서 시작하여 문자열의 유사도를 파악하는 기법이다. $u$는 장치 모델의 개수, $\left | s_{1}\right |$은 첫 번째 토큰의 문자열 길이, $\left | s_{2}\right |$는 두 번째 토큰의 문자열 길이를 의미한다. $n_{trans}$는 두 토큰의 위치 교환 횟수이다. 식(6)에 나타난 $d_{jaro}$은 그 크기가 클수록 두 단어의 유사한 정도가 높다는 것을 의미한다. 또한, 식(7)에 나타난 $d_{jaro-winkler}$는 동일 접두어를 가진 토큰을 비교하는 편집 거리 계산 방법으로 $d_{jaro}$를 사용한 두 토큰의 기본적인 유사도 계산이 완료된 후 공통 접두사가 있는 토큰의 경우에 가중치를 부여하여 유사도를 계산하는 방법이다. 본 연구에서 두 문자열 사이의 공통 접두사 길이($l$)는 4로 설정되었으며, 고정된 공통접두사가 있는 경우에 대한 가중치($p$)는 0.1로 설정되었다.

(6)

$d_{jaro}=\begin{cases} 0&{if}\;{u}=0\\ \dfrac{1}{3}(\dfrac{{u}}{\left |{s}_{1}\right |}+\dfrac{{u}}{\left |{s}_{2}\right |}+\dfrac{{u}-{n}_{{trans}/2}}{{u}})&{otherwise} \end{cases}$

(7)

$d_{jaro-winkler}=d_{jaro}+lp\left(1-d_{jaro}\right)$

두 토큰 사이의 $d_{jaro-winkler}$ 계산 결과에 따라 어떤 센서 노드와 일치하는가를 결정하여 라벨링하는 과정이 필요하다. $d_{jaro-winkler}$의 계산을 위해 관리자가 통합적으로 관리하기 위해 대체 표현을 만들어 놓은 객체인 장비 모델(EM, Equipment model), 모델 학습을 위한 원본 메타데이터 셋인 실제 포인트 정보(GT, Ground truth)가 사용되었다. 즉, 포인트 매핑은 GT를 기준으로 EM에 등록되어 있는 중에서 가장 유사도가 높은 대체 표현으로 변환하는 방식이다. 식(8)에 표현된 Score는 대체 표현 집합($A$) 중에서 한 토큰의 길이($∥ g ∥$)와 대체 표현의 토큰 길이($∥ a ∥$)를 비교하여 $d_{jaro-winkler}$가 가장 큰 대체 표현 토큰($a$)을 찾기 위한 수치이다. 식(9)에 표현된 특징 벡터(FV)는 현재 포인트들의 특징을 수치로 표현하기 벡터이다. FV는 EM에 등록된 장치 모델 집합($M_{q}$), 전체 센서 포인트($c_{r}$) 중에서 가장 유사한 대체 표현 포인트($p$)들을 포함하는 장치 모델($m$)로 결정한다. 즉, 특징 벡터는 포인트들을 기반으로 현재 인식하고자 하는 장치가 어떤 장치인지를 결정하기 위한 벡터이다. 단, 본 연구에서는 장치 모델은 VRF 시스템으로 일정하기 때문에 장치 매핑은 수행하지 않으며 포인트 매핑만 수행한다. 특징 벡터는 포인트의 특징을 명확하게 반영하여 매핑 성능을 높이기 위하여 제곱한 수치를 특징 벡터에 사용하였다. 식(10)에 표현된 포인트 라벨링 과정(PL)에서는 Score를 가장 높게 하는 모델 $m$에 해당하는 포인트 라벨($f_{label}$)이 최종적으로 매핑된다.

(8)

$Score=\max_{a\in A}\dfrac{d_{jaro-winkler}(token^{g},\: token^{a})}{\max(∥ g ∥ ,\: ∥ a ∥)}$

(9)

$FV_{r,\: m}=\left(\sum_{m\in M_{q}}\max_{p\in c_{r}}Score(m,\: p)\right)^{2}$

(10)

$PL=f_{label}(\arg\max_{m\in M}Score)$

Fig. 1은 플러그 앤 플레이 기반 매핑 자동화를 적용한 최적 시작 모델 배포 방법을 보여준다. VRF 운전 데이터로 취득된 $T_{z}$ 및 $T_{oa}$의 메타데이터는 자동으로 매핑되어 새로운 라벨이 부여된다. 최적 시작 모델은 자동 매핑된 메타데이터를 사용하여 최적 시작을 계산하여 모든 구역이 동일하게 냉난방을 시작하는 단순 운영 방식과는 달리 각 방 별로 고유한 최적 시간 시점부터 작동을 시작한다. 예측된 최적 시작 시점은 Python과 오픈소스 기반의 Request 모듈을 사용하여 디바이스와 매핑되어 있는 고유 인식 번호를 사용하여 REST API(Representational state transfer API) 기반의 통신 신호를 전송함으로써 최적 시작 시간이 될 때까지 메시지를 대기한 후 가동 시작 시간이 되면 여러 대수 실내기를 서로 다른 시간에 작동시키는 방식으로 디바이스가 제어된다.

Fig. 1 Plug and play auto mapping based deployment strategy for Optimal start model.

3.1 실증 테스트베드

Table 1에 정리된 실증 건물은 대한민국의 전남대학교에 위치한 7층짜리 대형 교육용 건물이다. 실증 실험을 위해 실외기(ODU) 3대, 실내기(IDU) 8대가 사용되었고 테스트베드에서는 실시간으로 데이터가 수집되고 있다. VRF 시스템의 용량 및 시스템 구성을 ODU 1의 예로 설명하면, 냉방 용량은 87 kW, 난방 용량은 97.8 kW이다. 또한, 1번 실외기에는 1번 및 2번 실내기가 연결되어 있고 1번 실내기의 냉방 용량은 29 kW이며, 난방 용량은 32.6 kW이다. 일반적으로 실외기는 연결된 실내기 용량의 총합보다 큰 실외기가 현장에 사용된다. 실증 실험은 실내 온도 변화의 외부 영향을 줄이기 위해 모든 문 닫음, 창문 블라인드 내림, 라디에이터 정지 상황에서 실험을 진행하였다.

3.2 플러그 앤 플레이 포인트 매핑 분류 성능 검증 방법

플러그 앤 플레이 포인트 매핑 자동화는 GT를 기준으로 EM에 입력된 토큰 셋을 비교한다. $d_{jaro-winkler}$의 계산 결과를 사용하여 FV를 생성해 포인트 라벨링이 자동으로 수행되도록 한다. EM에는 최적 시작 모델 구동에 필요한 센서 노드만을 입력하여 냉난방 장치의 제어 포인트 관리가 가능하다. 본 연구의 초점은 최적 시작 모델 배포를 위한 실제 현장의 포인트명의 인식이 정확하게 이루어졌는지를 확인하는 것에 있으므로 EM에는 최적 시작 모델에 필요한 센서 노드인 $T_{z}$, $T_{oa}$, $T_{sp}$의 원본 라벨을 입력하였다. 최적 시작 배포 및 구동에 필요하지 않은 센서 포인트의 토큰 셋은 EM에서 생략하였다. 인식 성능 평가를 위해 정의된 거짓 양성(False positive, FP)은 실제 GT는 최적 시작에 필요하지 않은 라벨이지만 구동에 필요한 라벨로 인식하는 샘플의 수로 정의된다. 거짓 음성(False negative, FN)은 구동에 필요한 라벨로 인식해야 하지만 구동에 필요하지 않다고 인식하는 샘플의 수를 의미한다. 본 연구는 최적 시작을 위해서는 온도 센서의 라벨이 정확하게 인식되어야 하므로 FP와 FN에 초점을 맞춰 올바르게 포인트가 자동으로 매핑되었는지를 평가한다.

3.3 모델 성능 비교 및 최적 시작 실험

실증 실험은 2022년 9월에는 냉방 조건으로 5일간 수행되었고 최적 시작 예측 성능 검증은 냉방 조건에서 2019년 7월, 난방 조건에서 2019년 1월의 데이터를 사용하였다. 실증 실험은 외기 온도의 변화 등이 반영될 수 있도록 실제 IDU들이 작동되는 시간을 고려하여 오전 8시를 최적 시작 타깃으로 설정하여 실험을 시작하였다. 실험에 사용된 실내기의 최소 작동 시간은 15 min으로 설정하였으며, 최대 작동 시간은 60 min으로 설정하였다. 날짜가 변함에 따라 최적 시작이 정확하게 예측되도록 보정하는지 살펴보기 위해 $T_{sp}$는 22℃로 고정된다. VRF 시스템의 최적 시작 시간 예측 모델을 현장에 적용 전 예측 성능을 검증하기 위해 Table 2의 Prediction error를 사용하여 평가하였으며, Prediction error는 실제 작동 시간 길이($\Delta t_{real}$) 대비 예측된 작동 시간($\Delta t_{predicted}$)의 비율로서 계산하여 낮을수록 높은 성능을 가진 모델을 의미한다. 또한, 에너지 절감 성능 검증에서는 기존 제어 방식의 에너지 사용량($EC_{con}$) 대비 최적 시작 적용 시 에너지 사용량($EC_{opt}$)의 비율인 Energy saving index(EI)를 사용하여 모델의 에너지 절감 성능이 검증된다. 기존 최적 시작 모델 베이스라인은 모든 기기가 타깃 시간의 1시간 전에 작동되도록 설정된다.

4.1 플러그 앤 플레이 포인트 매핑 자동화 성능

테스트 과정에서는 $FV$를 가진 분류 모델에 메타데이터를 입력하여 포인트를 예측하고 자동으로 라벨링을 수행한다. 필드 계층에서는 수많은 제어 포인트가 있으므로 포인트 매핑 자동화가 적용되어 센서 포인트를 자동으로 매핑한 결과를 도출할 수 있다면 건물 관리자의 업무 강도를 낮출 수 있다. Table 3은 실험에 사용한 3대의 ODU의 센서 포인트가 올바르게 매핑되었는지를 평가하는 표이다. 플러그 앤 플레이 매핑 자동화는 다양한 약어와 숫자 등이 혼합된 제어 노드가 현장에서 최적 시작 모델과 함께 운영될 EM에 포함된 제어 포인트가 대체 포인트 명으로 변경되어 모델이 구동된다.

ODU 1에 적용한 결과를 예로 들어, Current room temp, Indoor set temp라는 라벨을 사용하는 GT는 총 2개가 있을 때 모든 샘플이 올바르게 인식하고 매핑된 것을 확인할 수 있으며 ZoneTemp(IND)라는 새로운 라벨로 자동 매핑되어 최적 시작에 실내 온도 데이터가 입력된다. 최적 시작 모델에 필요하지 않아 EM에 등록하지 않은 Eva in temp 라벨은 최적 시작 모델에 필요한 포인트만 인식하는 목적에 부합한 결과를 도출하였다. 플러그 앤 플레이 포인트 매핑 자동화는 센서 포인트의 개수가 많아질수록 관리의 대상이 되는 장치와 관련된 센서 포인트를 효과적으로 관리할 수 있으므로 포인트 매핑 과정은 매우 중요하다는 것을 위의 결과를 통해서 알 수 있다.

4.2 최적 시작 모델 실증 실험 결과

본 절에서는 플러그 앤 플레이 기반으로 매핑 자동화가 완료된 최적 시작 모델을 사용하여 최적 시작 시 에너지 절감 성능을 평가한 결과에 대해서 설명한다. 모델 성능 평가를 위해 기존 VRF 시스템의 작동 데이터와 모델의 예측 결과를 비교 분석하였으며, 데이터는 2019년 여름과 겨울의 임의의 일주일간의 데이터를 사용하여 최적 시작 모델이 예측한 시간에 따라 $T_{z}$가 $T_{sp}$ 까지 정확하게 변화하는지를 검증하였다. Table 4는 모델 성능 검증 결과를 정리한 표이며, 냉방 모드에서 평균 6%의 오차 내에서 예측하며, 난방 모드에서는 평균 4% 오차 내에서 예측하므로 높은 예측 성능을 가지고 있다.

냉방에서 최적 시작의 역할은 $T_{sp}$ 보다 낮지 않은 온도로 $T_{z}$ 제어가 완료되었을 때 과소냉방을 보완하기 위해서 $T_{sp}$와 $T_{z}$ 차이만큼 조정 시간을 적용한다. 최적 시작 모델은 현장 적용 시에는 매일 $T_{oa}$ 변화에 적응을 잘할 수 있는지를 살펴보는 것이 중요하다. 즉, 매일 $T_{oa}$가 다르더라도 스케줄 시작 시간이 되면, $T_{sp}$에 정확히 도달되는지가 검증되어야 한다. 즉, 매일 $T_{oa}$가 다르더라도 스케줄 시작 시간이 되면, $T_{sp}$에 정확히 도달되는지가 검증되어야 한다. 이를 위해 $T_{sp}$는 22℃로 동일하게 설정하여 실험이 진행되었으며, 풍량 조건도 모두 동일한 상태로 실험이 진행되었다.

Table 5는 냉방 조건에서 실험을 수행한 결과를 정리한 결과이다. $T_{oa}$를 기준으로 아래의 표를 살펴보면, $T_{oa}$가 26℃인 첫 번째 날은 평균 29.3℃에서 $T_{z}$가 23.3℃으로 낮아지는데 평균 38.6분의 시간이 필요하며, $T_{oa}$가 20℃인 두 번째 날과 다섯 번째 날은 평균 27.1℃에서 21.9℃로 낮아지는 데 평균 23.5분이 필요한 것으로 나타났다. $T_{oa}$가 18℃인 세 번째 날과 네 번째 날은 평균 26.7℃에서 21.7℃로 낮아지는데 평균 22.4분이 필요한 것으로 나타났다. 이 결과를 통해서 $T_{oa}$가 낮아짐에 따라서 최적 시작 모델도 최적으로 실내를 관리하는 데 필요한 시간을 날씨에 비례하여 예측하는 것을 확인할 수 있다. 즉, $T_{oa}$가 동일한 세 번째 날과 네 번째 날의 결과를 비교하면 예측 결과는 외부 영향에 따라서 오차범위 내에서 정확하게 예측하는 것을 확인할 수 있으며, $T_{oa}$의 영향으로 최적 시작 시간이 IDU 3번을 제외하고는 모두 동일한 결과를 출력하는 것을 확인할 수 있다. IDU이 다른 이유로는 이전 날의 제어 결과가 설정 온도인 22℃보다 낮아졌기 때문에 이를 반영하기 위해서 작동 시간을 줄이는 결과를 도출한 결과로 보인다. 이러한 현상은 IDU 6번과 IDU 7번에서도 나타나며, IDU 6번의 경우에는 IDU 3번보다 용량이 크기 때문에 26분으로 더욱 많은 시간이 필요하도록 예측한 것을 확인할 수 있고, 네 번째 날에서 다섯 번째 날로 넘어갈 때에 설정 온도보다 낮아지는 상황을 반영하여 최종 $T_{z}$를 22℃로 제어한 것을 확인할 수 있다. 또한, IDU 7번의 경우에는 네 번째 날에서 IDU 6보다 용량이 크기 때문에 동일한 제어 결과를 도출하기까지 더욱 긴 작동 시간이 필요한 것을 확인할 수 있는데, 다섯 번째 날에는 $T_{z}$가 낮아지면서 과냉방을 반영하였기 때문에 22℃로 제어 결과가 도출된 것을 확인할 수 있다. 또한, 실험 조건에서 방의 위치 등의 영향으로 외부 조건이 작용하면 동일한 IDU 7과 IDU 8과 같이 용량이 동일한 실내기라고 하더라도 작동 시간이 더욱 많이 필요한 IDU 8과 같은 제어 결과가 도출되는 경우도 발견된다. 단, 최적 제어 모델은 주어진 상황이 어떤 상황이어도 그 상황에 맞는 최적 시작 시간을 제공하는 것을 목표로 하기 때문에 본 연구에서는 이러한 상황에 대처하는 것에 초점을 맞추어서 실험 결과를 분석한다. 예를 들어, IDU 8의 네 번째 날의 결과와 다섯 번째 날에서도 동일한 초기 $T_{z}$ 27℃에서 냉방을 시작하였더라도 작동 시간에서 IDU 7은 37분을 작동하는 반면, IDU 8은 54분을 작동하는 것을 확인할 수 있는데, 이러한 경우가 발생하더라도 IDU가 설치된 위치의 환경에 따라서 다섯 번째 날에는 IDU 7은 24분, IDU 8은 35분을 작동하도록 하는 것을 확인할 수 있다. Table 6의 결과는 냉방 실험을 진행함에 따라서 각 실외기 별 에너지 절감률을 정리한 표이다. 최적 시작 모델은 IDU의 작동 시간을 개별적으로 감소시킬 수 있기 때문에 기존 최적 시작이 모든 방을 동일하게 제어하는 것과는 다르게 에너지 절감을 수행할 수 있다. 위의 결과를 통해서 최적 제어 시에 평균 35.5%의 에너지 절감이 가능하다는 것을 확인할 수 있다.