기호설명

1. 서 론

현대 사회에서 에너지 소비는 지구 온난화의 주요 원인 중 하나로 지목되고 있다. 화석 연료의 사용으로 인해 대기 중 이산화탄소(CO2) 농도가 증가하면서 온실효과가 강화되고, 이는 지구의 평균 기온 상승을 초래한다.⁽¹⁾ 그로 인해 에너지 효율성을 향상시키고 에너지 소비를 줄여 지구 온난화를 완화하는 것은 전 세계적으로 중요한 이슈이다. 파리협정은 전 세계 국가들이 기후변화에 대응하기 위해 체결한 국제 협약으로, 한국도 이에 동참하여 온실가스 배출을 줄이기 위한 목표를 설정하였다. 한국은 2030년까지 온실가스 배출량을 2018년 대비 40% 감축을 목표로 하였으며, 이를 위해 다양한 에너지 효율화 정책을 추진하고 있다.⁽²⁾ 건물에서 소비되는 에너지 소비 중 상당 부분이 HVAC(Heating, Ventilating, and Air Conditioning) 시스템에 의해 사용되며 특히 상업용 건물에서 HVAC 시스템은 전체 에너지 소비의 약 35%를 차지한다.⁽³⁾ 이는 HVAC 시스템의 효율성을 개선하고 에너지 소비를 줄이는 것이 매우 중요하다는 것을 의미한다. 최근 인공지능 기술의 발전으로 건물의 에너지 소비를 최적화하는 다양한 연구가 진행되고 있다. 인공지능은 대량의 데이터를 처리하고 복잡한 패턴을 인식하며, 이를 통해 예측 모델을 구축하는데 뛰어난 성능을 보인다. 특히 비선형 관계 학습, 고차원 데이터 처리를 통해 효과적이고 다양한 패턴을 포착할 수 있으며, 다수의 변수와 복잡한 상호작용을 동시에 처리할 수 있다는 장점이 있다.⁽⁴⁾ 또한 자기 학습 능력을 통해 새로운 데이터를 학습하고 적응하는 능력이 있어 실시간 데이터 분석 및 예측에 강점을 가진다. 따라서 건물 에너지 관리와 같은 복잡한 문제를 해결하기 위해서 인공지능 기반의 예측모델을 사용하는 것이 효과적이다.

Zhou et al.⁽⁵⁾은 건물 제어를 위해 사용되는 인공지능 기반 기술들을 종합적으로 검토하였다. ANN(Artificial Neural Network, ANN), SVM(Support Vector Machine), KNN(K-Nearest Neighbor) 등 다양한 알고리즘을 사용하여 HVAC 시스템의 성능을 예측하고 최적제어 하였으며 기존 제어 시스템보다 에너지 소비를 20% 이상의 절감효과를 나타냈다. Long⁽⁶⁾은 에너지 효율적인 건물 외피를 예측하고 최적화하기 위한 인공지능 기반 모델을 제안하였다. 이 모델은 기존 방법에 비해 에너지 소비를 최대 15%까지 줄일 수 있는 최적의 건물 외피 설계를 가능하게 하였다. Merabet et al.⁽⁷⁾은 건물의 열 쾌적성과 에너지 효율성을 위한 인공지능 보조 기술들을 체계적으로 검토하였으며 이 연구는 인공지능 기반의 HVAC 시스템 제어를 통해 열 쾌적성을 25% 향상시키고 에너지 소비를 18% 절감할 수 있음을 확인하였다. Ngarambe et al.⁽⁸⁾은 건물 내 열 쾌적성 예측을 위한 다양한 머신러닝 알고리즘과 이를 에너지 효율적인 제어 시스템에 적용하는 방법을 검토하였으며 인공지능 기반의 열 쾌적성 예측 모델이 에너지 소비를 20% 절감할 수 있음을 나타냈다. Lee et al.⁽⁹⁾은 다양한 냉방 부하 조건에서 열 에너지 저장을 위한 인공지능 기반 모델 예측 제어의 실험적 분석을 수행하였으며 ANN 기반의 제어 시스템이 에너지 소비를 18% 줄이고, 냉방 부하 조건에서도 안정적인 성능을 보임을 확인하였다. 이와 같이 인공지능을 이용한 다양한 에너지 최적제어가 진행되고 있다. 하지만 실시간으로 변화하는 외기조건 및 다양한 제어 변수를 복합적으로 실시간 최적제어하는 연구는 드문 실정이다. 따라서 본 연구에서는 AHU 토출 온도 설정값과 냉각수 설정값의 실시간 제어를 통한 HVAC 시스템의 최적제어 알고리즘을 개발하고 이를 평가하고자 한다. 냉각수 온도는 냉동기 성능에 영향을 미치는 주요 변수 중 하나로, 이를 실시간으로 제어함으로써 에너지 효율성을 높이고 환경 변화에 신속히 대응할 수 있다. 또한, AHU 토출 온도를 적절히 제어함으로써 실내 부하에 맞는 최적의 온도를 유지하고, 이를 통해 공조 시스템의 에너지 소비를 절감할 수 있다. 이를 위해 본 연구에서는 DNN(Deep Neural Networks)을 활용하여 실시간 에너지 예측을 기반으로 한 최적제어를 수행하였다.

2. 연구방법

2.3 연동 시뮬레이션

Energy Plus와 MATLAB의 연동 시뮬레이션에는 BCVTB(Building Controls Virtual Test Bed)가 사용되었다. BCVTB는 건물 에너지 및 제어 시스템의 시뮬레이션과 테스트를 위한 미들웨어 소프트웨어 플랫폼으로, 다양한 시뮬레이션 도구와 소프트웨어를 통합하여 보다 정확하고 포괄적인 시뮬레이션을 가능하게 한다. Energy Plus의 External Interface 클래스를 활용하여 BCVTB와 연동할 수 있으며, 이 인터페이스는 Energy Plus와 외부 소프트웨어 간의 연결을 제공하여, Energy Plus의 시뮬레이션 결과를 실시간으로 외부 소프트웨어로 전달하고, 외부 소프트웨어에서 계산된 제어 명령을 다시 Energy Plus로 전달할 수 있다. 본 연구에서 개발된 Energy Plus와 MATLAB의 연동 시뮬레이션은 Fig. 1에 나타나 있다. Energy Plus는 건물 에너지 시뮬레이션 환경과 DNN의 입력 데이터를 제공하며, MATLAB은 각 타임스텝마다 냉각수 설정값과 AHU 토출 온도 설정값을 기반으로 전체 냉방 에너지를 예측하는 제어 알고리즘을 동적으로 실행한다. Energy Plus와 MATLAB 간의 데이터 전송 및 처리 과정은 Table 3에 요약되어 있다. 시뮬레이션의 타임스텝은 5분 간격으로 설정되었으며, Energy Plus에서 전달된 데이터는 MATLAB에서 1시간 단위로 변환되어 DNN의 입력 특징값으로 사용된다. MATLAB에서 개발된 DNN은 Energy Plus로부터 받은 데이터를 바탕으로 AHU 토출 온도 설정값과 냉각수 설정값에 따라 1시간 후의 에너지 소비량을 예측한다. 예측된 에너지 소비량을 기준으로 최소 에너지 소비량을 유도하는 최적의 설정값을 결정한다. 특히 냉각수 설정값은 습구 온도와 접근 온도(Approach Temperature)를 고려하여, 냉각수 출수 온도가 실제 제어 범위 내에서 안정적으로 유지될 수 있도록 최적화된다. 결정된 설정값은 Energy Plus로 송출되어 검증된다.

Fig. 1 Co-simulation energy plus and MATLAB.⁽¹³⁾

Table 3 Data exchange between MATLAB and energy plus⁽¹³⁾

From Energy Plus to MATLAB	From MATLAB to Energy Plus
Outdoor air dry-bulb temperature [℃]	AHU discharge air temperature set-point [℃]
Outdoor air relative humidity [%]	Condenser water temperature set-point [℃]
Out air wet-bulb temperature [℃]
Diffuse solar radiation rate per area [W/m2]
Direct solar radiation rate per area [W/m2]
Cooling coil total cooling rate [W]
Site day type index
Schedule value
Ahu supply fan electric energy [W]
Relief fan electric energy [W]
Chiller 1 electric energy [W]
Chiller 2 electric energy [W]
Cooling tower fan electric energy [W]
Chilled water pump electric energy [W]
Condenser water pump electric energy [W]

2.5 DNN 예측모델 개발

본 연구에서는 MATLAB Toolbox에 내장된 trainlm 알고리즘을 사용하여 DNN을 개발하였다. trainlm은 Levenberg-Marquardt 알고리즘을 기반으로 가중치(weight)와 바이어스(bias) 값을 업데이트하는 네트워크 훈련 함수이다. Levenberg-Marquardt 알고리즘은 다른 알고리즘보다 더 많은 메모리를 요구하는 단점이 있으나, 빠른 훈련 속도를 제공하는 장점이 있다.⁽¹⁷⁾ 이 알고리즘은 준뉴턴(Gauss-Newton) 방법과 유사하게 헤세 행렬을 사용하지 않고도 2차 훈련 속도를 높이기 위해 고안되었다. trainlm에서 사용되는 네트워크 성능 함수는 MSE(Mean Squared Error)로, 이는 오류 제곱 평균을 기준으로 네트워크 성능을 측정한다. MSE는 제곱 오차의 평균에 따라 네트워크의 성능을 측정하며 식(2)와 같다.⁽¹⁸⁾ 예측 값과 타켓 값 의 차이를 제곱하기 때문에 이상치에 대해 민감하다. 즉, 정답에 대해 예측값이 다른 경우 그 차이는 오차 값에 상대적으로 크게 반영된다. 초기모델은 8개의 Input 뉴런과, 뉴런 10개로 구성된 1개 Hidden layer 그리고 1개의 output 뉴런으로 구성하였다. Fig. 2는 최적화된 DNN 모델의 Architecture를 나타낸다. 본 연구에서 사용된 trainlm의 parameter value는 모두 default를 사용하였으며 Table 4와 같다. 본 연구 사용한 DNN 모델의 최적화 방법은 Hidden layer 개수, 그리고 Hidden 뉴런의 개수를 조정하여 최적화를 진행하였다. 모델의 성능 평가는 ASHRAE Guideline 14에서 권장하는 cvRMSE(Coefficient of Variation of the Root Mean Squared Error)를 통해 최종모델 평가를 진행하였으며 cvRMSE 계산식은 식(3)과 같다.⁽¹⁹⁾ 개발된 DNN모델은 hidden 뉴런 13개 그리고 hidden layer 3개일 때, cvRMSE가 약 23.35%로 가장 우수한 성능을 나타냈다.

Fig. 2 Prediction performance of the DNN model.

(2)

$MSE=\dfrac{1}{n}\sum_{i=1}^{n}(y_{i}-\hat{y_{i}})^{2}$

(3)

$CvRMSE=\dfrac{\sqrt{\dfrac{\sum_{{k}=1}^{{n}}\left({y}_{{k}}-\hat{{y}}_{{k}}\right)^{2}}{{n}}}}{\dfrac{\sum_{{k}=1}^{{n}}{y}_{{k}}}{{n}}}*100[\%]$

3. 연구결과

3.1 DNN 예측제어를 통한 냉각수 설정값 변화 및 습구 온도 관계

본 연구에서는 DNN control 제어 시, 임계값을 설정하여 결정된 냉각수 설정값이 습구 온도보다 낮을 경우, 해당 값을 배제하고 다시 예측을 진행하도록 하였다. Fig. 3은 외기 습구 온도와 DNN 제어 및 Base-case에 따른 냉각수 설정값을 비교한 결과를 보여준다. Base-case에서는 냉각수 설정값이 32℃로 고정된 반면, DNN 제어에서는 21℃에서 32℃ 사이에서 실시간으로 설정값이 변화함을 알 수 있다. 또한 DNN 제어는 습구 온도를 고려하여 냉각수 설정값이 외기 습구 온도보다 3℃ 높게 유지하여, 설정 오류를 방지할 수 있음을 확인했다. 그러나 일부 시간대에는 냉각수 설정값이 접근온도보다 낮게 설정된 경우가 발생하였으며, 이는 다음과 같은 이유로 판단된다. 본 연구에서는 Co-simulation의 Time step 오류를 최소화하기 위해 5분 단위로 데이터 교환을 수행했으며, MATLAB을 통해 Energy Plus로부터 전송받은 데이터를 12개씩 취합한 후, DNN의 입력으로 사용하기 위해 1시간 단위로 변경했다. 이 과정에서 일부 시간대에 MATLAB에서 계산된 평균값과 Energy Plus의 1시간 데이터 간의 오차가 발생할 수 있다. 이는 DNN의 예측 성능을 저해하는 요인으로 작용할 수 있으며, 그 결과 일부 시간대에 설정값의 오차가 발생한 것으로 판단된다.

Fig. 3 Variation in cooling water set-point temperature through DNN control.⁽¹²⁾

3.2 DNN 예측제어와 고정제어에 따른 냉각수 설정값 변화 비교

Fig. 4는 DNN 제어를 통해 결정된 각 냉각수 설정값의 비율(%)을 나타낸다. 분석 결과, 21℃와 25℃가 각각 15%로 가장 많이 선정되었으며, 그 다음으로 23℃가 13%로 나타났다. 또한 냉각수 설정값이 28℃ 이상일 때는 선정 빈도가 감소하는 경향을 보였다. 이는 DNN 제어가 냉각수 설정온도에 따른 총 냉방 에너지 소비량에 대한 모델 일반화를 효과적으로 수행했음을 나타낸다. 따라서 DNN 제어는 총 냉방 에너지에서 가장 큰 비중을 차지하는 냉동기의 에너지 소비를 줄이기 위해 냉각수 설정값을 낮은 온도로 설정하는 빈도가 높았으며, 이는 Chiller의 성능 곡선과 특성에 부합하는 결과로 나타났다. 특히, 6월에는 외기 습구 온도가 낮아 냉각수 설정값이 접근 온도의 영향을 덜 받아 많은 시간 동안 21℃로 설정되었고, 반면 외기 습구 온도가 상대적으로 높은 7월과 8월에는 높은 습구 온도로 인해 냉각수 설정값이 높아지며 25℃로 설정된 빈도가 높았던 것으로 판단된다.

Fig. 4 Percentage of condenser water set-point temperature selection by DNN control.⁽¹²⁾

3.3 DNN 예측제어와 고정제어에 따른 공급 풍량 비교 분석

Fig. 5는 Base-case와 DNN 제어에서의 AHU 공급 풍량과 AHU 토출 온도 설정값을 비교한 결과를 보여준다. 공급 풍량을 분석하는 이유는 동일한 냉방 부하 조건에서도 AHU 토출 온도 설정값에 따라 공급 공기의 흐름이 크게 영향을 받기 때문이다. Base-case에서는 AHU 토출 온도 설정값이 14℃로 고정되어 일정한 공급 풍량 패턴을 나타낸 반면, DNN 제어는 전체 냉방 에너지를 최소화하기 위해 AHU 토출 온도 설정값은 12℃에서 18℃ 사이에서 유동적으로 변화시켰으며, 이로 인해 공급 풍량의 변화 폭이 더 크고, Base-case보다 더 높은 풍량을 보였다. DNN 제어에서는 대부분의 시간에 AHU 토출 온도 설정값이 14℃로 고정된 기존 제어보다 더 높은 온도로 설정되었다. 따라서 DNN 제어는 동일한 냉방 부하를 해소하기 위해 Base-case보다 더 높은 공급 풍량을 요구하게 된다. AHU 공급 풍량의 증가는 팬 에너지 소비를 증가시켜 총 냉방 에너지 소비량이 증가할 수 있다. 그러나 AHU 토출 온도 설정값이 높아지면 냉각 코일의 부하가 감소하여 냉동기 에너지 소비량이 줄어든다. 결과적으로, DNN 제어는 AHU 토출 온도 설정값을 높게 설정하여 냉동기 에너지 소비를 절감함으로써, 총 냉방 에너지 소비량을 감소시키는 데 기여한 것으로 판단된다.

Fig. 5 Comparison of AHU discharge air set-point temperature and airflow.⁽¹²⁾

3.4 DNN 예측제어와 고정제어의 총 냉방 에너지 소비량 비교

Fig. 6은 DNN 제어와 Base-case의 총 냉방 에너지 소비량을 비교한 결과를 보여준다. DNN 제어에서의 냉동기(Chiller) 에너지 소비량은 29,480 kWh, Fan 에너지 소비량은 6,790 kWh, 냉각탑 에너지 소비량은 1,783 kWh, 펌프 에너지 소비량은 1,739 kWh로 나타났다. 전체 기기의 에너지 사용량 중 냉동기는 약 74%를 차지하며, 나머지는 약 26%를 차지한다. 반면, Base-case에서는 냉동기 에너지 소비량이 40,211 kWh, 팬 에너지 소비량이 4,746 kWh, 펌프 에너지 소비량이 1,927 kWh, 냉각탑 에너지 소비량이 427 kWh로 나타났다. 이 경우 총 냉방 에너지 소비량 중 냉동기가 차지하는 비율은 약 85%로, 나머지는 약 15%를 차지한다. DNN 제어와 Base-case의 에너지 소비 비율을 비교한 결과, 총 냉방 에너지 소비량 중 냉동기가 차지하는 비율이 11% 감소한 것을 확인할 수 있다. 이는 DNN 제어가 총 냉방 에너지 소비량을 최소화하기 위해 주로 AHU(공기 처리 장치)의 토출 설정값을 높이고, 냉각수의 설정값을 낮게 유지하면서 냉동기 에너지 소비량을 감소시키도록 제어되었기 때문이다. 그 결과, 총 냉방 에너지에서 가장 큰 비중을 차지하는 냉동기 에너지 소비량이 감소한 반면, 팬 에너지와 냉각탑의 에너지 소비량은 증가했다. 그러나 팬 에너지와 냉각탑 에너지 소비량은 냉동기에 비해 비율이 상대적으로 적으며, 냉동기 에너지 소비량이 10,731 kWh 감소한 반면, 팬과 냉각탑 에너지는 합산하여 2,132 kWh 증가하여 냉동기에 비해 낮은 에너지 소비 변화율을 보였다. 이러한 결과로 인해 총 냉방 에너지 소비량은 7,519 kWh 감소하였고, 약 16%의 에너지 절감 효과를 나타냈다.

Fig. 6 Comparison of total cooling energy consumption.⁽¹²⁾

4. 결 론

본 연구의 목적은 DNN 모델을 이용한 HVAC 시스템 에너지 예측 및 최적제어 및 성능평가이다. 이를 위하여 Energy Plus로 구현한 대형 사무소 건물 및 HVAC 시스템 모델을, MATLAB으로 개발한 DNN 모델과 연동 시뮬레이션을 진행하였다. 본 연구에서 결정한 설정 변수는 AHU 토출 설정온도와 냉각수 설정온도이며, cvRMSE 지표를 통해 DNN 모델의 예측 성능을 평가하였다. 또한 6월 1일부터 8월 31일까지 HVAC 시스템 스케줄에 따라 5:00부터 19:00까지의 데이터 분석을 진행하였다. 최적제어의 성능을 평가하기 위해 Base-case와 DNN control의 에너지 성능 비교를 진행하였으며 결과는 다음과 같다.

(1) 본 연구에서는 DNN 제어를 통해 냉각수 설정값을 실시간으로 조정하였으며, 외기 습구 온도보다 3℃ 높게 유지하여 냉각수 설정 오류를 방지할 수 있음을 확인하였다. 그러나 Co-simulation 과정에서 발생한 Time step 차이로 인해 MATLAB과 Energy Plus 간의 데이터 교환 시 일부 시간대에서 설정값의 오차가 발생하였다. 이러한 오차는 DNN의 예측 성능에 영향을 미치는 요인으로 작용하여 냉각수 설정값이 예상보다 낮게 설정되는 문제가 발생하였다. 향후 연구에서는 이러한 오차를 최소화하기 위한 보완이 필요할 것으로 사료된다.

(2) DNN 제어를 통해 냉각수 설정 온도를 효율적으로 조정함으로써 총 냉방 에너지 소비를 최적화할 수 있음을 확인했다. 특히 21℃와 25℃의 설정값이 가장 빈번하게 선택되었는데, 이는 Chiller의 에너지 소비를 줄이기 위한 전략과 일치하는 결과로 나타났다. 또한, 여름철 높은 습구 온도에서는 설정값이 상승하는 경향이 있었다. 이는 DNN 제어가 습구 온도를 고려해 접근 온도에 맞춰 냉각수 설정 온도를 결정함으로써, 냉각수 출수 온도가 실제 제어 범위 내에서 안정적으로 유지되도록 하여 오류를 방지한 것으로 판단된다.

(3) DNN 제어를 통해 AHU 토출 온도 설정값을 유동적으로 조정함으로써, 냉동기 에너지 소비를 절감하고 총 냉방 에너지 소비를 감소시킬 수 있음을 확인했다. DNN 제어는 Base-case와 달리 AHU 토출 온도를 높게 설정하여 냉각 코일 부하를 줄여 냉동기의 에너지 소비량을 감소시켰지만, 이로 공급풍량의 증가로 팬 에너지 소비는 증가하였다. 결과적으로, DNN 제어는 AHU 토출 온도 설정값을 높게 설정하여 냉동기 에너지 소비를 절감함으로써, 총 냉방 에너지 소비량을 감소시키는 데 기여한 것으로 판단된다.

(4) DNN 제어는 기존 제어 방식에 비해 냉동기 에너지 소비량을 약 10,731 kWh 감소시켜, 총 냉방 에너지 소비량을 약 16% 절감하였다. 이는 DNN 제어가 AHU와 냉각수의 설정값을 최적화하여, 냉동기 에너지 소비를 효과적으로 줄이면서도 시스템의 전체적인 에너지 효율성을 높이는 데 기여했음을 보여준다. 따라서 DNN 제어는 냉방 시스템의 에너지 절감과 효율 향상에 있어 효율적인 접근법임을 확인할 수 있었다.