기호설명

1. 서 론

본 논문에서는 HVAC (Heating, Ventilation, & Air Conditioning) 제어를 위한 멤버십 함수를 동적으로 생성하는 방법을 제안한다. HVAC은 뚜렷한 사계절이 있는 대한민국과 같은 환경에서는 계절별 월별 설정 온도에 대한 기준이 달라진다. 그래서 이런 계절에 따른 기준 설정 온도를 퍼지 멤버십 함수를 동적으로 생성할 수 있다면, 하나의 시스템으로 4계절 동안의 HVAC 제어를 수행할 수 있으며, 사용자에게 더 편리함과 쾌적함을 제공할 수 있을 것이다. 본 연구에서는 온열감 지수인 PMV(Predicted Mean Vote), PPD(Predicted Percentage of Dissatisfied)⁽¹⁾를 이용하여 사용자의 온열감 지수를 월별로 자동으로 산출하는 알고리즘을 개발하고, 이 알고리즘을 통하여 계절에 따른 퍼지피케이션의 멤버십 함수를 동적으로 생성하여, 계절에 맞는 설정 온도를 추출하고 실제 냉난방기 제어와 연동하여 제어를 수행한다.

Stauffer et al.⁽²⁾은 실내 온도 및 외기 예측을 기반으로 하는 MPC(Model Predictive Control)을 제시하였다. 그들의 시스템은 실내 공기 온도를 편안한 값 내로 유지하면서 에너지 비용을 절감하는 것을 목표로 제시한다. 하지만 이 연구는 MPC 모델 입력 매개변수에 의존하고 있으며 실제 응용에서는 그 값을 추정하기 어렵다는 단점을 가지고 있다. Auffenberg et al.⁽³⁾은 개별이 느끼는 온열감을 예측하기 위해 기계 학습을 이용하였다. 개인이 느끼는 온열감을 예측을 BN(Bayesian Network)를 이용하고 계절성의 요소를 적용하여 열 선호도를 예측하고 정확도를 ASHRAE 데이터를 기반을 제시하였다. Liu et al.⁽⁴⁾은 ANN(Artificial Neural Network)을 사용하여 열 선호도를 예측하고 실제 환경에 적용하여 분석했다. 설문조사를 통한 열 선호도에 대한 데이터 수집은 학습 알고리즘의 기반을 구성하는 중요한 요소이다. 반복되는 조사의 번거로움을 피하고자 여러 연구에서는 거주자의 행동과 열적 쾌적성 사이의 상관관계를 찾는 것을 목표로 한다. Daum et al.⁽⁵⁾은 거주자의 열 피드백에 적용된 로지스틱 회귀 기술을 사용하여 개인화된 편안함의 척도에 대한 프로필을 개발하였다. 이 연구에서는 현장에서 차광 장치 제어를 통한 열 환경 보상을 수행하였다. Aguilera et al.⁽⁶⁾은 PCM(Personal Comfort Model)을 이용하여 각 개인이 입력한 온열감 지수 데이터를 활용하여 예측하였고 퍼지 로직을 기반으로 제어하여 효과를 입증하였다.

본 논문에는 온열감 지수를 동일한 PMV, PPD를 사용하기는 하지만 실제 사람으로부터 설문조사를 통해 생성한 데이터가 아닌 IoT 센서에서 측정된 센서 데이터를 기반으로 동적으로 설정 온도를 추론한다. 그리고 환경에 동적 제어를 수행할 수 있게 퍼지 로직을 사용하여 현재 온도에 따른 설정 온도의 값을 차별적으로 제어할 수 있도록 설계 반영하였으며, 퍼지 로직을 사용하기 때문에 현재 온도가 매우 낮으면 높은 설정 온도를 제시하여 반응형 제어가 가능하고 또 월 단위로 추론된 설정 온도는 계절적 요소까지 고려한다. 또 기존 논문과의 차별점으로 추가로 딥러닝 기반의 IoT 실내 재실 감지 센서를 적용하여 실험실에 사람이 있는지 없는지를 판단하여 퍼지 로직을 이용하여 사람이 있는 경우는 쾌적도 제어를 수행하며, 없는 경우는 냉난방기를 꺼서 에너지를 절감할 수 있는 제어기로 확장할 수 있음을 제시하였다. Table 1은 앞서 설명한 각 유사한 연구 논문의 특징을 비교 분석한 결과이다. 본 논문에서 제시한 알고리즘은 기존의 다른 연구와는 차별적으로 재실을 파악하여 에너지 낭비를 막고 설문조사 없이 열 선호도를 산출하여 최적 기준 온도를 계산하고 현재 온도에 대한 반응형 설정 온도를 계산해서 제어를 수행하는 것이 특징이다.

2. 최적 설정 온도 산출 알고리즘

Aguilera et al.⁽⁶⁾은 사용자 피드백을 기반으로 퍼지 멤버십을 구하는 방식을 제안하고 있다. 하지만 이 방법은 실제 사용에 있어 사람마다 느끼는 열 쾌적도의 차이와 계절적 요소, 매번 사용자가 피드백을 수집해야 때문에 사용성 및 적용성이 떨어진다. 그래서 본 연구에서는 PMV, PPD(ISO7730)⁽¹⁾를 실시간으로 측정되는 IOT 센서 값을 이용하여 오피스 사무공간을 기준으로 작성된 지식 베이스의 데이터를 이용하여 동적으로 산출한다. 그리고 이렇게 동적으로 산출된 설정값을 활용하여 실시간으로 냉난방기의 제어 신호와 연동하여 동작하는 것을 확인한다. 그리고 광각 카메라를 기반으로 측정되는 실내 재실자 데이터를 이용하여 새로운 멤버십 함수를 구성하고 두 가지 함수를 기반으로 재실자가 있을 때와 없을 때의 제어가 다르게 수행되게 알고리즘을 구성하였다.

2.2 지식 베이스 기반 최적 설정 온도 산출

HVAC 제어를 위한 동적 멤버십 함수 구성 퍼지 시스템Fig. 1은 월단위의 PMV, PPD 계산에 필요한 변수를 경험치를 통하여 산출하여 구축한 지식 베이스 내용이다. 실험 공간은 사무실 공간으로 사람이 책상에 앉아서 작업을 하는 공간이며, 따라서 활동에 따를 대사율이나 외부 작업에 해당하지 않으며, 바람도 HVAC 상의 일정 바람으로 환산하여 지수를 산출하였다. 다만 계절성으로 변하는 평균 복사온도(tr), 옷의 보온성(clo)은 봄, 여름, 가을, 겨울 특징에 맞는 지수를 산출하여 지식 베이스를 구축하였다.

Fig. 2(a) PMV, (b) PPD 계산에 필요한 메타 정보를 지식 베이스로 구축하고 나면, 월 단위로 1월 ~ 12월까지의 사무실 공간에서 온도에 따라 느끼는 PMV, PPD지수를 연산할 수 있다.⁽⁷⁾ Fig. 3은 이것을 연산하여 그래프로 그린 결과이다. PMV를 보면 Aguilera et al.⁽⁶⁾에서 사용자 피드백을 통하여 얻은 최적 지점이 25.2 임을 감안하면, 본 지식 베이스 기반의 PMV 가 0이 되는 지점이 Table 2와 같이 대략 24~26도 사이의 지점임을 알 수 있다. 또 PPD의 경우에도 월에 따른 차이가 발생하지만 대략 24~26도 사이에서 가장 불만족 지수가 낮아짐을 확인할 수 있다.

Fig. 1 Knowledge base for PMV/PPD calculation.

Fig. 2 Monthly dynamic optimal set temperature using knowledge base with (a) PMV and (b) PPD.

Fig. 3 Dynamic calculation of fuzzification membership function

Table 2 Monthly optimal indoor set temperature

January	February	March	April	May	June	July	August	September	October	November	December
25.1	24.6	24.8	25.0	25.4	25.8	25.9	25.5	25.4	24.6	24.6	25.1

3. 동적 퍼지 멤버 함수

2장에서 소개한 동적 설정온도 산출 알고리즘을 이용하여 계절별, 월별 최적온도를 산출할 수 있다. 이렇게 산출된 최적 설정 온도를 이용하여 퍼지 로직을 통해 제어를 수행하기 위해서 퍼지 멤버십 함수를 설계하였다. 퍼지 멤버십 함수는 따라서 월단위로 사람이 느끼는 온열감을 다르게 나타내게 된다.

Fig. 3 (a), (b)는 PMV, PPD 지수를 Table 3의 코드를 이용하여 실시간 멤버십 함수를 동적으로 생성한 것이다. 앞서 산출한 월 단위 PMV 지수를 이용하여 지식 베이스의 입력으로 받은 시간을 이용하여 월을 도출하고 해당 월의 PMV 지수를 산출한 후 멤버십 함수의 기준 레벨은 PMV 0에 해당하는 최적 설정 온도가 멤버십 함수의 중심으로 잡히도록 한다. 그렇게 산출된 최적 온도를 중심으로 각 상태(coldest, cold, warm, hot, hottest)의 상태를 퍼지 함수로 구성할 수 있는 멤버십 함수가 동적으로 생성되는 것을 확인할 수 있다. 여기서 사용하는 퍼지 모델은 만다니(Mamdani) 모델을 사용하여 본 연구도 만다니 모델을 이용하여 구성한다. 소프트웨어 개발은 Python 버전 3.8 기반의 Scikit-Fuzzy 라이브러리를 사용하여 퍼지 로직을 구성하였다. Table 3은 이에 해당하는 코드를 보여주고 있다. 앞서 월단위 최적 설정온도를 get_optimal_set_temp() 함수로 구성하고 월을 입력으로 넣어 해당 월에 최적의 설정온도가 반환되도록 구성하였다. 이렇게 반환된 설정 온도를 기준으로 멤버십 함수를 동적으로 구성하여 퍼지 제어가 월단위로 동적으로 변경할 수 있도록 퍼지피케이션을 설계 적용하였다.

Table 4는 제어 수행에 필요한 디퍼지피케이션(Defuzzification)의 멤버십 함수로 앞서 동적으로 연산한 PMV, PPD를 기반으로 생성하는 것을 보여준다. 디퍼지피케이션 결과가 난방, 냉방으로 이루어지도록 cool, warmup 두 가지의 퍼지 언어 용어(Linguistic Term)를 정의하여 제어 신호를 구분하며, off를 두어 재실자가 없는 경우의 에어컨을 OFF 시킬 수 있는 방법을 제시 한다.

Fig. 4와 같이 디퍼지피케이션 함수의 상태는 최종 3개로 구성이 되어 동작을 수행하게 된다. x 축은 온도를 나타내고 현재 온도를 기준으로 출력으로 제어 신호를 산출하는 함수이다. Fig. 5와 Fig. 3의 퍼지피케이션 로직에 따른 off, cool, warmup의 단계로 출력이 설정 설정된다. Fig. 4는 퍼지 로직의 최종 출력 결과로 설정온도를 나타내는데 최적 설정온도 값인 12월인 경우 25.1도를 기준으로 높으면 난방, 낮으면 냉방을 동작하게 되나 겨울에 냉방을 가동할 이유는 없으니 off 상태로 만들면 된다. 또 출력 설정온도가 20도 이하인 경우는 재실이 없는 경우 Fig. 5의 모델과 합산되어 무게 중심이 Fig. 4의 off 상태 쪽으로 출력되게 되어 냉난방기 가동을 off 하게 된다.

Fig. 5는 본 논문에서는 재실자 수 측정을 위해 딥러닝 기반의 160도 광각카메라를 이용하여 실내 거주자를 인식한다. 인식된 결과는 정수로 1명, 2명, 3명... 식으로 인식 결과로 출력되는데, 제어에 활용하기 위해 재실이 있는 경우는 상태 값을 1 이상으로, 없는 경우에는 1 이하의 값으로 표현하여 상태 정보를 전달하며 이 상태 정보를 퍼지피케이션하기 위한 함수이다. Table 5는 재실 판단을 위한 퍼지피케이션을 위한 멤버 함수 코드를 보여주고 있다. 코드는 재실자 수에 상관없이 재실이면 1을 비재실이면 0을 출력하도록 구성된 것을 확인할 수 있다.

Fig. 4 Dynamic calculation of defuzzification membership function.

Fig. 5 Composition of occupancy judgment membership function.

Table 6은 퍼지 변수 입력과 출력에 사용하는 언어 용어에 대한 정의를 정리한 것이다. 온도 관련된 용어로는 Coldest, Cold, Warm, Hot, Hottest로 구성되고 재실은 Occupied, Notoccupied로 구성되고 제어는 총 3가지 상태로 Off, Cool, Warmup으로 구성하게 된다.

Table 7은 퍼지 룰 구성을 정리한 내용이다. 각 온도 상태와 재실 상태에 따른 제어 방법을 열거하여 퍼지 로직을 통한 냉난방 제어의 결과를 확인할 수 있다. 그리고 Table 8은 최종적으로 제어 로직을 동작하는 코드를 보여주고 있다. 마지막으로 Fig. 6은 각 디퍼지피케이션이 수행되었을 경우 최종 설정 온도 및 출력 내용을 샘플 입력 상태를 통하여 도출된 결과를 보여주고 있다. Fig. 6 (a)는 현재 온도 24.2에서 재실 1.5를 입력 시 설정온도를 26도를 출력하는 것을 보여주고 있으며 (b)는 재실 0.5인 경우에는 off를 출력하여 냉난방기를 끄도록 하는 것을 볼 수 있다. (d)는 현재 온도 26도 재실 1.5인 경우에는 설정온도를 낮춰 냉방을 가동하는 것을 확인할 수 있다.

Fig. 6 Final set temperature and output as the result of defuzzification.

4. 제어 시스템 구성 및 사양

본 논문에서는 실험실 단위의 개별 냉난방제어를 수행하기 위해 실내 환경 모니터링을 위해 IOT 환경 센서를 사용한다. 실내 재실 감지를 위해서는 광각 카메라 기반의 딥러닝 재실 감지 IOT 센서를 활용한다. 그리고 에어컨은 환경센서에 장착된 IrDA(적외선 리모컨)을 기반으로 ON/OFF 및 설정온도 제어를 수행한다. 제어 알고리즘과 연계를 위해서는 W3C(World Wide Web)의 Web of Thing⁽⁸⁾ 표준 인터페이스 기술을 이용하여 적용하였다. 이 표준은 Things Description⁽⁹⁾이라는 사물에 대한 자원 명세서를 공유하여 해당 사물이 가지고 있는 자원이 무엇인지 어떻게 접속해서 데이터를 연계할 수 있는지를 표준 기반으로 상호운영성을 확보하는 기술이다(Fig. 7 참조).

복합 IOT 환경센서는 실내 공기질, 열쾌적도, 재실 및 제어를 수행할 수 있는 IOT 디바이스이다. 이 센서는 Wifi로 인터넷 망과 연결이 되며 실시간 센싱되는 데이터는 클라우드로 연계하여 데이터를 수집하도록 구성하였다. Fig. 8은 이 센서를 실험실에 설치하고 실내 환경을 모니터링하고 개별 냉난방기를 IrDA로 제어하는 모습을 보여주고 있다.

Table 9는 복합 IOT환경 센서에서 측정하는 다양한 센싱과 제어 연동 기능을 정리한 것이다. 공기질은 이산 화탄소, 폼알데히드, 미세먼지 등을 측정하고, 쾌적도는 조도, 소음, 열 환경을 측정하여 판단할 수 있다. 그리고 재실 감지로는 마이크로웨이브 센서를 통하여 사람을 인식할 수 있으며, IrDA를 통하여 적외선 기반의 리모컨 제어가 가능하다. 본 연구에서는 우선 측정 요소가 온도 한 가지만 필요하기 때문에 온도 값을 실시간으로 전송받아 퍼지 제어에 연계하여 활용하도록 구성하였다. 앞서 열거한 복합 IOT 환경센서에서 측정하는 요소 외에도 본 연구를 위해서 에어컨의 ON/OFF 상태, 에어컨의 설정 온도의 데이터도 취합하여 실시간으로 전송하도록 구성하였다.

Fig. 7 Laboratory air conditioning control system configuration diagram.

Fig. 8 IOT complex sensor installation.

Fig. 9는 실내 재실감지를 위한 광각 카메라 기반의 재실감지 IOT 센서를 보여준다. 실내 공간에 재실자를 감지하기 위해서 Bird-Eye View 데이터를 확보하여 사람을 판단하기 위한 학습데이터를 수집하고 Yolo-v4 기반으로 모델을 생성하여 IOT 디바이스를 제작하였다. 천장에 부착된 센서를 설치함으로써 실내 재실자 수를 판별하는 용도로 활용하며, 카메라는 커버리지를 넓히기 위해서 광각렌즈를 사용하였다.

본 실험을 위하여 실험실 중앙 천장에 설치하고 전체 영역을 커버할 수 있도록 위치를 잡아 실내에 거주자를 인식할 수 있도록 구성하였다. Yolo-v4 딥러닝 알고리즘의 연산량이 많기 때문에 카메라 인식 속도는 약 5분당 1장의 사진을 분석하여 재실자를 판단한다. 인식 데이터는 Wifi를 통하여 무선으로 클라우드 서버에 데이터를 전송하도록 구성되었다.

Fig. 9 Wide-angle camera-based deep learning presence detection IOT sensor.

5. 제어 시험 결과

앞서 설명한 실제 냉난방 설비 제어 시스템을 이용하여 표준 인터페이스를 통하여 약 5분 단위로 제어가 수행되도록 구성하여 시험을 진행하였다. 5분 단위로 제어를 수행하는 이유는 첫 번째로 제어의 결과가 실제 환경에 반영되는데 시간이 필요하며, 인공지능 딥러닝 기반의 IOT 재실 감지 센서가 감지에 필요한 연산 시간이 5분 정도 소요되기 때문에 재실 인식 결과를 이용하여 제어가 잘 수행될 수 있도록 5분의 주기를 결정하였다.

Fig. 10은 하루 동안 제어가 수행되면서 기록된 데이터 그래프를 보여주고 있다. 보라색은 IOT 환경 센서에서 측정되는 온도 값이고, 녹색 선은 에어컨의 설정 온도 값을 나타낸다. 파란색 선은 딥러닝 IOT 재실 감지 센서에서 측정된 사람 수 데이터이다. 마지막으로 노란색은 에어컨이 ON/OFF 된 시점에 1/0으로 기록한 데이터를 보여주고 있다.

Fig. 10 Air conditioner control results from 8:00 am to 23:00 (purple room temperature).

Fig. 11 Picture setting temperature control graph.

퍼지 로직으로 추론된 제어 설정 온도는 아래 그래프에서 녹색 선이다. 오전 10시경에 사람이 출근하고 인식되어서 에어컨의 설정온도가 28도로 설정이 되는 것을 확인할 수 있다. 이는 Fig. 11에서 확대한 것처럼 인공지능이 기존 환경의 온도가 낮기 때문에 설정 온도를 높여 빨리 환경의 쾌적도를 끌어올리는 것이다. 그리고 일정 시간이 지난 이후에 목표 온도에 도달하면 설정 값을 낮춰 옵티멀 하게 제어하는 것으로 나타난다. 그리고 충분히 목표 온도를 넘어서게 되면 에어컨을 OFF 하여 제어하는 것을 확인하였다.

Fig. 12는 실제 사람이 들어오고 나간 시점을 보여주기 위해 산출한 그래프이다. 아래 그래프에서는 보라색은 IOT 실내 온도, 녹새 라인은 에어컨 설정온도를 나타내고, 파란색은 IOT에서 측정된 조도를 나타낸다. 조도 데이터를 같이 보여주는 이유는 실제 사람이 들어오면 가장 먼저 불을 켜게 되는데, 따라서 사람이 들어온 시간과 나간 시간을 정확하게 알 수 있기 때문이다. 그래프를 보면 에어컨이 제어되기 약 8분 전에 불이 켜진 것을 확인할 수 있으며, 제어는 8분 뒤에 수행된 것을 확인할 수 있다. 이는 재실 인식에 소요되는 시간과 이를 제어 알고리즘에서 반영해서 제어가 동작하는데 시간이 걸리기 때문에 딜레이가 발생한다. 또 조도가 떨어진 저녁 9시 30분경을 보면 이미 에어컨은 설정 온도를 만족하기 때문에 동작을 멈춘 상태이지만, 사람이 퇴근하면서 실내 재실자가 없기 때문에 이후 제어는 수행되지 않는 것을 확인할 수 있다.

Fig. 12 IOT temperature, air conditioner set temperature, and indoor lighting measurement results.

퍼지 컨트롤을 적용한 제어의 경우 에어컨이 켜지고 꺼지고에 따라서 출렁임은 발생하고 있지만, 그래도 설정 온도인 26도 부근으로 아주 가깝게 동작하는 것을 확인할 수 있다. Fig. 13은 사람이 에어컨을 겨울철에 난방 모드로 조작했을 때의 데이터를 보여준다. 하늘색 선은 실내 조도 값으로 실내 거주자가 머문 시간을 나타낸다. 사람이 직접 수동으로 설정했을 때의 실내온도(보라색)를 보면 난방 이기 때문에 설정 온도가 높은 것을 알 수 있으나, 수동으로 조작되고 일정 실내온도가 유지되지 않아 실질적으로 유지되는 기준 온도가 얼마인지 조차 알 수 없으며, 기준보다 높거나 낮게 유지되어 실내 근무자에게 쾌적한 환경을 제공하지 못하는 것을 확인할 수 있다. 이는 실제 에어컨 측정 온도와 실내 측정 오차가 존재하고 이로 인해 과난방이 되는 것을 확인할 수 있다. 따라서 본 논문에서 제시하는 실내 재실 감지 데이터를 이용한 퍼지 제어를 이용하는 경우에는 보다 최적의 에너지 절감 제어를 수행할 수 있는 것을 간접적으로 확인할 수 있다.

Fig. 13 Temperature pattern when manually measuring existing occupants (blue illumination intensity)

6. 결 론

본 연구에서는 퍼지 시스템을 이용하여 단순히 재실과 에어컨의 옵티멀 제어를 구성하여 시험한 결과를 나타내었다. 하지만 실제 현장에서는 환기 및 조명 등의 추가 설비 등이 있으며, 이 모든 설비가 공기질, 열쾌적도, 가시광 쾌적도를 유지하면서 재실 만족도를 높이면서, 에너지를 절감하는 다중 옵티멀 제어가 필요하다. 따라서 이런 다중 설비 장치의 최적의 제어값 도출을 위한 제어를 퍼지 컨트롤 시스템을 통하여 검증할 예정이다.

그리고 본 연구에서는 퍼지 만다니 모델을 이용하여 제어기 설계를 구성하였으나, 향후 에는 시스템의 수학적 모델을 찾고 TS-Fuzzy를 이용하여 수학적으로도 최적해를 찾을 수 있는 기술을 함께 접목시켜 결과를 도출해 볼 예정이다. 향후에는 뉴럴 네트워크, 강화학습을 통한 제어 성능의 향상^(10-12)을 얻을 수 있는 시험을 추가하여 제시하여 보고자 한다.