Mobile QR Code QR CODE : Korean Journal of Air-Conditioning and Refrigeration Engineering

Korean Journal of Air-Conditioning and Refrigeration Engineering

ISO Journal TitleKorean J. Air-Cond. Refrig. Eng.

Open Access, Monthly

Open Access Monthly

ISSN : 1229-6422 (Print)
ISSN : 2465-7611 (Online)

Online Submission

Main Menu

Journal Search

[

Research article

]

Korean Journal of Air-Conditioning and Refrigeration Engineering

Korean J. Air-Cond. Refrig. Eng. Vol. 36, No. 11, p.560-568

ISSN (print) :

1229-6422

ISSN (online) :

2465-7611

Received : 05 September 2024Revised : 11 October 2024Accepted : 16 October 2024

DOI :

https://doi.org/10.6110/KJACR.2024.36.11.560

저비용 기술 기반 태양광열-지열원 히트펌프 시스템의 에너지 소비량 예측모델 개발

Developing of Energy Consumption Prediction Model for Integrated System Using Photovoltaic-Thermal and Ground Source Heat Pump Based on Low-Cost Technologies

배상무 (Sangmu Bae) ¹ 최현중 (Hyun-Jung Choi) ¹ 최경석 (Gyeong-Seok Choi) ² 남유진 (Yujin Nam) ³^†

한국건설기술연구원 건축에너지연구소 수석연구원 (Senior Researcher, Department of Building Energy Research, Korea Institute of Civil Engineering and Building Technology, Goyang, 0223, Korea)
한국건설기술연구원 건축에너지연구소 선임연구위원 (Senior Research Fellow, Department of Building Energy Research, Korea Institute of Civil Engineering and Building Technology, Goyang, 103, Korea)
부산대학교 건축공학과 교수 (Professor, Department of Architectural Engineering, Pusan National University, Busan, 46241, Korea)

^†Corresponding Author, E-mail : namyujin@pusan.ac.kr

License :

No part of this publication may be reproduced or distributed in any form or any means, or stored in a data base or retrieval system, without the prior permission of the publisher(www.sarek.or.kr).

Abstract

Research studies on energy and economic benefits of low-cost technologies of the integrated system using photovoltaic-thermal and ground source heat pump have been conducted mainly focusing on design and installation aspects. To maximize benefits of low-cost technologies from an operational perspective, it is necessary to apply AI-based predictive control, which can derive optimal solutions from complex interrelationships of variables. Therefore, this study aimed to develop an energy consumption prediction model for the integrated system using deep neural network, providing a technical foundation and reliable reference data for predictive control. The coefficient of variation of the root mean square error between prediction model results and output parameter was calculated to be 5%. Although there was a variation in energy consumption of the integrated system in output parameter, the prediction model accurately reflected variation, demonstrating a high prediction accuracy.

키워드

심층신경망, 에너지 소비량, 지열 히트펌프, 태양광열

Key words

Deep neural network, Energy consumption, Ground source heat pump, Photovoltaic-thermal

기호설명

$P_{HP}$ ： 히트펌프 소비전력 [W]

$P_{P}$ ： 순환펌프 소비전력 [W]

$P_{FCU}$ ： 팬코일유닛 소비전력 [W]

$P_{PVT}$ ： 태양광열 모듈 생산전력 [W]

$\dot{Q}_{HP}$ ： 히트펌프 생산열량 [W]

$\dot{Q}_{FCU}$ ： 팬코일유닛 생산열량 [W]

$\dot{Q}_{PVT}$ ： 태양광열 모듈 생산열량 [W]

$r$ ： 피어슨 상관계수 [-]

$r^{2}$ ： 결정계수 [-]

$T_{GHEX,\: i n}$ ： 지중열교환기 입수온도 [℃]

$T_{GHEX,\: out}$ ： 지중열교환기 출수온도 [℃]

$T_{ground}$ ： 지중온도 [℃]

$T_{PVT,\: i n}$ ： 태양광열 모듈 출수온도 [℃]

$T_{PVT,\: out}$ ： 태양광열 모듈 출수온도 [℃]

$T_{HP,\: S,\: i n}$ ： 히트펌프 열원측 입수온도 [℃]

$T_{HP,\: S,\: out}$ ： 히트펌프 열원측 출수온도 [℃]

$T_{HP,\: L,\: i n}$ ： 히트펌프 부하측 입수온도 [℃]

$T_{HP,\: L,\: out}$ ： 히트펌프 부하측 출수온도 [℃]

$T_{BT}$ ： 버퍼탱크 내부온도 [℃]

$T_{ST}$ ： 태양열탱크 내부온도 [℃]

$T_{FCU,\: i n}$ ： 팬코일유닛 입수온도 [℃]

$T_{FCU,\: out}$ ： 팬코일유닛 출수온도 [℃]

$T_{i ndoor}$ ： 실내온도 [℃]

$T_{outdoor}$ ： 실외온도 [℃]

$I_{r}$ ： 일사량 [W/m²]

1. 서 론

글로벌 에너지 시장은 COVID-19 Pandemic 이후 경제 회복을 포함한 여러 가지 요인으로 인해 2021년부터 긴축되기 시작했다.⁽¹⁾ 그러나, 2022년 우크라이나에 대한 러시아의 전쟁(Russia’s War on Ukraine)으로 인해 상황은 극적으로 확대되어 본격적인 글로벌 에너지 위기(Global Energy Crisis)에 도달했다. 2024년 천연가스를 포함한 에너지 가격은 기록적인 최고치에서 하락했지만, 지정학적 불확실성이 높은 에너지 시장은 여전히 긴장 상태에 놓여 있다.⁽²⁾ 높은 에너지 가격은 경제 성장을 저해하고 에너지 접근성을 개선하려는 노력을 어렵게 만들고 있다. 한편, 러시아 전쟁은 에너지 시장을 새롭게 재편하고 있다. 유럽을 중심으로 국제사회는 에너지 안보를 강화하기 위해 화석 연료에 대한 의존도 감축을 목표하고 고효율 히트펌프와 신재생에너지 기술을 적극적으로 도입하고 있다.

건축부문에서도 화석 연료 기반의 냉난방 공조 시스템을 탈피하고 지속 가능한 소비와 에너지 자립을 목적으로 제로에너지건축물 의무화가 전 세계적으로 추진되고 있다. 제로에너지건축물 구현을 위해 신재생에너지 기술의 사용이 장려되고 있으며, 태양광(Photovoltaic), 태양열(Solar Collector), 지열원 히트펌프(Ground Source Heat Pump)와 같은 신재생에너지 단일 기술이 채택되고 있다. 그러나, 이러한 단일 기술은 에너지 공급과 수요의 불확실성과 같은 기술적 한계로 인해 기존의 냉난방 공조 시스템을 보완하는 역할로 활용되고 있다. 따라서, 단일 기술의 기술적 한계점을 극복하고, 건축물에 안정적인 에너지 공급을 위해 두 개 이상의 기술을 결합한 융복합 시스템이 제안되고 있다. International Energy Agency의 Solar Heating and Cooling Program Task 44에서 태양에너지를 활용하여 히트펌프의 성능을 향상하고, 에너지 효율성을 높일 수 있는 태양열 보조 히트펌프(Solar-assisted Heat Pump)를 제안했다.⁽³⁾ 나아가, 건축물의 전력에너지 수요에 대응하기 위해 태양광과 태양열을 결합한 태양광열(Photovoltaic-thermal) 기술을 활용하여 태양광열-지열원 히트펌프 시스템이 개발되고 있다.⁽⁴⁾, ⁽⁵⁾ 태양광열-지열원 히트펌프 시스템은 건축물의 온열, 냉열, 전력에너지 수요를 모두 담당할 수 있고, 기존의 화석 연료 기반의 냉난방 공조 시스템 대비 더 높은 에너지 효율을 달성하여 환경 영향(Environmental Impact)을 최소화할 수 있다.

여러 연구에서 태양광열-지열원 히트펌프 시스템의 성능과 경제적 이점을 분석하고, 제로에너지건축물 구현에 대한 잠재성을 평가하고 있다. Qiu et al.⁽⁶⁾은 추운 지역에서 지열원 히트펌프의 운영에 따른 열불균형 (Soil Thermal Imbalance) 문제를 해결하기 위해 태양광열-지열원 히트펌프 시스템을 제안했다. 태양광열 모듈을 활용한 지중축열 운전으로 인해 태양광열-지열원 히트펌프 시스템의 난방 COP(Coefficient of Performance)는 지열원 히트펌프보다 10% 증가하고, 생애주기비용(Life Cycle Cost)은 72%를 절감하였다. Bae and Nam⁽⁷⁾은 태양광열-지열원 히트펌프 시스템의 정확한 성능검증을 위해 실제규모의 실증 플랜트를 구축하고 냉난방 성능을 평가하였다. 실증실험을 통해 시스템의 냉난방 COP는 6.9와 8.3으로 확인되었고, 기존 냉난방 공조 시스템 대비 초기투자비용 회수기간은 19년으로 계산되었다. Bae et al.⁽⁸⁾은 태양광열-지열원 히트펌프 시스템의 성능예측모델을 개발하고 건물부하조건과 지역특성에 따른 도입 타당성을 평가했다. 기존 냉난방 공조 시스템 대비 초기투자비용 회수기간은 17년으로 계산되었다. 태양광열-지열원 히트펌프 시스템은 정부의 보조금 없이 경제성을 확보하기 어려움을 밝혔다. 선행연구^(6-⁸⁾에 따르면 태양광열-지열원 히트펌프 시스템은 지열원 히트펌프 또는 기존 냉난방 공조 시스템보다 에너지 효율이 높고 제로에너지건축물 구현에 효과적이다. 그러나, 경제적 측면에서 태양광열과 지열원 히트펌프의 사용으로 인한 높은 초기투자비용은 상용단계의 진입에 큰 난관으로 작용하고 있고 소비자의 채택을 지연시키고 있다. 이러한 문제를 해결하기 위해 태양광열과 지열원 히트펌프의 비용을 효과적으로 절감할 수 있는 기술개발이 필요하다.

Warner et al.⁽⁹⁾은 지열원 히트펌프의 초기투자비용을 절감시키기 위해 수직밀폐형 지중열교환기의 대안으로 지중열배터리(Underground Thermal Battery)를 제안했다. 지중열배터리는 매설 깊이 6 m 미만의 얕은 시추공을 대상으로 설계되었으며, 수직밀폐형 지중열교환기보다 설치비용을 39% 절감할 수 있었다. 또한, 수직밀폐형 지중열교환기 대비 연간 에너지 소비량을 최대 5% 절감할 수 있어 경제적 측면에서 효과적임을 입증하였다. Kim et al.⁽¹⁰⁾ 수직밀폐형 지중열교환기의 초기투자비용을 절감하고 생산성을 개선하기 위해 모듈러(Modular) 지중열교환기를 제안하였다. 동일한 실증실험조건에서 모듈러 및 수직밀폐형 지중열교환기의 성능을 분석하고, 모듈러 지중열교환기의 타당성을 검증하였다. Barone et al.⁽¹¹⁾은 폴리염화비닐 파이프를 사용하여 비용 효율적인 태양광열 모듈을 개발했다. 개발된 태양광열 모듈은 상용제품보다 초기투자비용을 36% 절감할 수 있었다. Bae et al.⁽¹²⁾은 현장 구축이 가능하고 제작과 설치비용을 절감할 수 있는 부착형 태양광열 모듈을 개발했다. 부착형 태양광열 모듈은 간소화된 제조 및 설치공정과 함께 기존 상용제품과 유사한 열효율로 인해 시장 도입 잠재성이 높은 기술로 확인되었다.

선행연구^(9-¹²⁾에서 저비용 기술의 성능적․경제적 타당성은 신재생에너지 단일 기술을 대상으로 평가되었으나, 신재생에너지 융복합 시스템 측면에서의 검증이 필요하다. 신재생에너지 융복합 시스템 측면에서 저비용 기술의 성능적, 경제적 이점에 관한 연구는 설계 및 설치관점에서 제한적으로 수행되고 있다.⁽¹³⁾ 그러나, 운영관점에서 저비용 기술의 이점을 최대화하기 위해서는 설계변수의 복잡한 상관관계에서 최적해를 도출할 수 있는 인공지능 기반 예측제어의 도입이 필수적이다. 이러한 인공지능 기반 예측제어를 위해서는 다양한 환경조건을 고려한 시스템의 에너지 소비패턴에 대한 분석이 요구된다. 이를 위해, 본 연구에서는 인공지능 기술을 활용하여 저비용 기술 기반 태양광열-지열원 히트펌프 시스템의 에너지 소비량 예측모델을 개발하여, 예측제어 구축에 필요한 기술적 기반과 신뢰성 높은 참조 데이터를 제공하고자 한다.

2. 통합 시뮬레이션 모델

Fig. 1은 저비용 기술 기반 태양광열-지열원 히트펌프 시스템의 통합 시뮬레이션 모델을 나타낸다. 본 연구에서는 선행연구⁽¹³⁾에서 구축한 저비용 기술 기반 태양광열-지열원 히트펌프 시스템의 통합 시뮬레이션 모델을 참조하였다. 선행연구⁽¹³⁾에서는 통합 시뮬레이션 모델의 해석결과와 실증실험에서 측정한 데이터와 비교하여 신뢰성을 검증하였다. Table 1은 통합 시뮬레이션 모델의 설계조건을 나타낸다. 통합 시뮬레이션 모델은 모듈러 지중열교환기⁽¹⁰⁾, 부착형 태양광열 모듈⁽¹²⁾, 물대물 히트펌프, 태양열탱크, 버퍼탱크, 팬코일유닛 등의 주요 설비로 구성된다. 또한, 기상모델과 토양모델이 통합 시뮬레이션 모델에 포함되어 건물모델과 태양광열-지열원 히트펌프 시스템모델이 정확한 계산을 할 수 있도록 유도하였다.

Fig. 1 Schematic diagram of integrated simulation model.

Table 2는 통합 시뮬레이션 모델의 운전조건을 나타낸다. 태양광열-지열원 히트펌프 시스템의 운전모드는 (1) 난방, (2) 냉방, (3) 축열, (4) 축냉운전으로 구성된다. 히트펌프는 버퍼탱크의 내부온도( $T_{BT}$ )에 의해 축열과 축냉운전을 수행한다. 동절기의 히트펌프는 열원이 지중열교환기와 태양열탱크로 구성되며, 온도조건에 따라 열원을 선택적으로 사용한다. 히트펌프는 우선적으로 지중열교환기를 열원으로 이용하지만, 태양열탱크의 내부온도( $T_{ST}$ )가 지중열교환기의 출수온도( $T_{GHEX,\: out}$ )보다 3℃ 높을 경우 태양열탱크를 열원으로 사용하여 축열운전을 수행한다. 실내 설정온도( $T_{set}$ )가 실내온도( $T_{i ndoor}$ )보다 1℃ 높거나 낮을 때 팬코일유닛은 버퍼탱크를 이용하여 실내 난방 및 냉방운전을 수행한다.

한편, 인공지능 기술을 이용한 저비용 기술 기반 태양광열-지열원 히트펌프 시스템의 에너지 소비량 예측모델 구축을 위해 Fig. 1에서 제시된 통합 시뮬레이션 모델의 동적 데이터를 수집하였다.

Table 1 Design conditions of integrated simulation model

Equipment	Parameter	Value
Modular ground heat exchanger	Depth	4 m
	Size (length × width × height)	2 m × 2 m × 2 m
	Pipe diameter	0.04 m
	Pipe length	67.3 m (336.5 m in total)
	Number of modular	5
Attachable photovoltaic-thermal module	Type	Glazed-water
	Size (length × width)	1.8 m × 0.91 m
	Slope	35°
	Electrical efficiency	19.4%
	Thermal efficiency	41%
	Number of module	10
Heat pump	Type	Water-to-water
	Rated heating capacity	17.1 kW
	Rated cooling capacity	16.8 kW
	Heating power consumption	4.29 kW
	Cooling power consumption	2.85 kW
Circulating pump	Flow rate	50 L/min
	Power consumption	0.31 kW
	Number of pump	5
Fan coil unit	Heating capacity	27.5 kW
	Cooling capacity	17.5 kW
	Power consumption	0.284 kW

Table 2 Operation conditions of integrated simulation model

Equipment	Winter	Summer
Heat pump	$T_{BT}\le 43^{\circ}{C}$	$T_{BT}\ge 12^{\circ}{C}$
Pump 1 (P1)	If heat pump is on and P2 is off	Synchronizes with heat pump
Pump 2 (P2)	$T_{ST}+3^{\circ}{C}>T_{GHEX,\: out}$	-
Pump 3 (P3)	$T_{PVT,\: out}+5^{\circ}{C}>T_{ST}$
Pump 4 (P4)	Synchronizes with heat pump
Pump 5 (P5)	$T_{i ndoor}<T_{set}-1^{\circ}{C}$	$T_{i ndoor}>T_{set}+1^{\circ}{C}$
Fan coil units	Synchronizes with P5

3. 심층신경망 기반 에너지 소비량 예측모델 개발

3.1 데이터 세트 구축

본 연구에서는 저비용 기술 기반 태양광열-지열원 히트펌프 시스템의 에너지 소비량 예측모델은 심층신경망 (Deep Neural Network)을 기반으로 구축하였다. 예측모델의 정확성을 높이기 위해 태양광열-지열원 히트펌프 시스템의 에너지 소비량에 근거하여 입력변수와 출력변수에 비교적 큰 영향을 미칠 수 있는 데이터를 중점적으로 수집하였다. 출력변수는 시스템의 에너지 소비량으로 결정하였다. 입력변수는 출력변수에 영향을 미칠 수 있는 변수를 고려하였고, 총 25개 항목에서 227,786개의 데이터를 수집하였다.

저비용 기술 기반 태양광열-지열원 히트펌프 시스템의 에너지 소비량 예측모델 구축을 위해 방대한 데이터가 수집되었고, 이를 모두 고려할 경우 상당한 계산시간이 요구된다. 따라서, 에너지 소비량 예측모델의 계산시간 단축과 함께 입력변수와 출력변수 사이의 관계성을 수치적으로 파악하고자 피어슨 상관계수(Pearson Correlation Coefficient)를 활용하였다. 입력변수와 출력변수의 관계성을 피어슨 상관계수를 통해 정량적 수치로 나타낼 수 있다. 피어슨 상관계수는 식(1)을 통해 나타낼 수 있다.

(1)

$r=\dfrac{\sum_{i=1}^{n}(X_{i}-\overline{X})(Y_{i}-\overline{Y})}{\sqrt{\sum_{i=1}^{n}(X_{i}-\overline{X})^{2}}\sqrt{\sum_{i=1}^{n}(Y_{i}-\overline{Y})^{2}}}$

Table 3은 피어슨 상관계수의 결과값에 따른 입력변수와 출력변수의 관계성을 나타낸다. 피어슨 상관계수는 -1부터 1까지의 실수형태의 수치로 표현되며, 상관계수( $r$ )가 -1 또는 1에 가까운 값을 나타낼수록 입력변수는 출력변수와 관계성이 높은 것으로 판단한다.⁽¹⁴⁾

Table 3 Interpretation of correlation coefficient

Absolute magnitude of correlation coefficient	Interpretation
0.00 ~ 0.10	Negligible correlation
0.10 ~ 0.39	Weak correlation
0.40 ~ 0.69	Moderate correlation
0.70 ~ 0.89	Strong correlation
0.90 ~ 1.00	Very strong correlation

Table 4는 입력변수와 출력변수 사이의 상관계수와 결정계수( $r^{2}$ )의 계산결과를 나타낸다. 결정계수는 0부터 1까지의 값을 나타내며, 피어슨 상관계수의 결과값에 근거하였다. 본 연구에서는 입력변수의 피어슨 상관계수 값이 0.3 미만(결정계수 0.09 미만)인 경우 출력변수와 관계성이 매우 약하다고 판단하여 제외하였다. 따라서, 입력변수와 출력변수가 유의미한 관계성을 가지는 총 12개의 데이터를 입력변수를 다음과 같이 선정하였다: (1) 순환펌프 소비전력(총 5개), (2) 히트펌프 소비전력, (3) 팬코일유닛 소비전력, (4) 태양광열 모듈 생산전력, (5) 히트펌프 생산열량, (6) 팬코일유닛 생산열량, (7) 태양광열 모듈 생산열량, (8) 일사량. 상관계수 분석을 통해 선정된 입력변수는 학습 60%, 검증 10%, 테스트 30%의 비율로 데이터 세트를 구분하였다. 데이터 세트가 하나의 범주에 집중되지 않도록 난수 알고리즘을 이용하여 무작위로 섞었다. 또한, 입․출력변수의 관계성이 아닌 데이터의 수치적 크기가 인공신경망의 역전파 과정에서 가중치(Weight)에 큰 영향을 줄 수 있으므로 데이터 정규화(Normalization) 작업을 통해 0부터 1까지 실수형태의 값을 갖도록 조정하였다.

Table 4 Correlation coefficient between input and output parameter

Equipment	Parameter	$r$	$r^{2}$
Modular ground heat exchanger	$T_{GHEX,\: i n}$	-0.05	-0.05
	$T_{GHEX,\: out}$	0.00	0.00
	$T_{ground}$	-0.06	0.00
Attachable photovoltaic-thermal module	$T_{PVT,\: in}$	-0.21	0.05
	$T_{PVT,\: out}$	0.08	0.01
	$\dot{Q}_{PVT}$	0.34	0.12
	$P_{PVT}$	0.34	0.12
Heat pump	$T_{HP,\: S,\: in}$	-0.02	0.00
	$T_{HP,\: S,\: out}$	-0.05	0.00
	$T_{HP,\: L,\: in}$	0.18	0.03
	$T_{HP,\: L,\: out}$	0.20	0.04
	$\dot{Q}_{HP}$	0.98	0.96
	$P_{HP}$	0.99	0.98
Circulating pump	$P_{P 1}$	0.68	0.46
	$P_{P 2}$	0.98	0.96
	$P_{P 3}$	0.56	0.32
	$P_{P 4}$	0.42	0.17
	$P_{P 5}$	0.34	0.12
Heat storage tank	$T_{ST}$	-0.21	0.05
Heat storage tank	$T_{BT}$	0.13	0.02
Fan coil unit	$T_{FCU,\: in}$	-0.07	0.01
	$T_{FCU,\: out}$	-0.06	0.00
	$P_{FCU}$	0.56	0.32
Others	$T_{indoor}$	-0.07	-0.07
	$T_{outdoor}$	0.01	0.01
	$I_{r}$	0.32	0.10

3.2 에너지 소비량 예측모델

저비용 기술 기반 태양광열-지열원 히트펌프 시스템의 설계변수는 단일 열원의 신재생에너지 시스템보다 복잡한 관계성을 나타낸다. 따라서, 설계변수의 복잡한 비선형적 관계성을 가진 데이터를 처리할 수 있고, 변수 간 관계성을 분석하지 않고도 유의미한 패턴을 도출할 수 있는 심층신경망 모델을 이용하였다. 특히, 심층신경망은 대규모의 데이터 세트가 있을 때 높은 예측성능을 나타내므로 태양광열-지열원 히트펌프 시스템의 에너지 소비량 예측모델 구현에 적합한 것으로 판단하였다. 그러나, 심층신경망을 효과적으로 활용하기 위해서는 많은 학습데이터를 필요로 하며, 적절한 데이터가 없을 경우 과적합(Overfitting) 문제가 발생할 수 있다. 또한, 심층신경망은 블랙박스 모델로 작동 원리의 이해와 해석에 한계점이 있어 물리적 의미 도출이 어렵다.

Fig. 2는 심층신경망을 활용한 저비용 기술 기반 태양광열-지열원 히트펌프 시스템의 에너지 소비량 예측모델을 나타낸다. 심층신경망은 1개의 입력층, 2개의 은닉층, 1개의 출력층으로 구성되며, 입력층에 이용된 입력변수는 상관관계 분석을 통해 선정된 데이터를 이용하여 12개의 노드(Node)로 설정하였다. 은닉층의 개수는 2개로 설정하고 은닉층의 노드 개수는 선행연구⁽¹⁵⁾의 연구결과에 근거하여 25개(2n+1)로 결정하였다. 출력층은 심층신경망이 도출하는 예측결과로써 태양광열-지열원 히트펌프 시스템의 에너지 소비량으로 설정하였다. 각 노드는 가중치와 편향(Bias)을 가지며, 입력변수가 가중치와 함께 다음 계층으로 전달될 때 활성화 함수를 통해 결과값을 출력한다. 역전파 과정을 통해 이전 학습에서 가중치와 편향을 업데이트한다.

Fig. 2 Prediction model based on deep neural network.

4. 심층신경망 기반 에너지 소비량 예측모델 검증

본 연구에서 개발한 저비용 기술 기반 태양광열-지열원 히트펌프 시스템의 에너지 소비량 예측모델의 예측성능에 관한 신뢰성을 검증하기 위해 ASHRAE Guideline 14-2014에서 제안하는 평균 제곱근 오차 변동계수(Coefficient of variation root mean square error, CVRMSE)를 이용하였다.⁽¹⁶⁾ ASHRAE Guideline 14에서는 CVRMSE가 0%에 가까울수록 예측모델의 신뢰성이 높다고 판단하였으며, 오차율은 최대 30% 이내로 제안하였다. CVRMSE는 다음의 식(2)와 (3)을 통해 나타낼 수 있다.

(2)

$R MSE =\sqrt{\dfrac{\Sigma(y_{s}-y_{a})^{2}}{n}}$

(3)

$CV(R MSE)=\dfrac{R MSE}{\overline{y}}\times 100$

Fig. 3은 에너지 소비량 예측모델의 결과와 출력변수의 비교를 나타낸다. 심층신경망 기반 에너지 소비량 예측모델의 예측값과 출력변수 사이의 CVRMSE는 0.004%로 계산되었다. 에너지 소비량 예측모델의 예측성능에 관한 신뢰성은 ASHRAE Guideline 14에서 제안한 기준을 충족하였다. 출력변수에서 시스템 에너지 소비량의 변동 폭이 존재하지만, 예측모델은 이러한 변동을 정확하게 반영하여 높은 예측 정확도를 나타냈다.

Fig. 3 Comparative analysis between predicted results and output parameter.

5. 결 론

본 연구에서는 심층신경망을 활용하여 저비용 기술 기반 태양광열-지열원 히트펌프 시스템의 에너지 소비량 예측모델을 개발하였다. 또한, 심층신경망 기반 에너지 소비량 예측모델의 신뢰성 검증을 위해 오차율 분석을 수행하였다. 본 연구의 결과에 관한 요약은 다음과 같다.

(1) 통합 시뮬레이션 모델을 통해 입력변수를 수집하였고, 피어슨 상관계수 분석을 통해 총 12개의 입력변수를 선정하였다. 선정된 입력변수를 활용하여 심층신경망 기반 에너지 소비량 예측모델을 구축하였다.

(2) 에너지 소비량 예측모델은 1개의 입력층, 2개의 은닉층, 1개의 출력층으로 구성되었다. 입력층의 노드 개수는 입력변수에 근거하여 12개이며, 은닉층의 노드 개수는 25개로 결정되었다.

(3) 예측모델의 예측값과 출력변수 사이의 CVRMSE는 0.004%로 계산되었다. 출력변수에서 에너지 소비량의 변동 폭이 존재하지만, 예측모델은 이러한 변동을 정확하게 반영하여 높은 예측 정확도를 나타냈다.

태양광열-지열원 히트펌프 시스템의 복잡한 상관관계 조건에서도 심층신경망은 에너지 소비량을 정확히 예측하므로 예측모델을 활용하여 저비용 기술 기반 태양광열-지열원 히트펌프 시스템의 최적제어 기술을 개발할 예정이다.

후 기

본 연구는 2022년도 정부(교육부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업임(NRF- 2022R1A6A3A01087290). 이 논문은 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(NRF-2021R1A2C2014259, NRF-2022R1A4A1026503).

References

International Energy Agency, 2022, Global energy crisis. https://www.iea.org/topics/global-energy-crisis.

International Energy Agency, 2023, Russia’s war on Ukraine. https://www.iea.org/topics/russias-war-on-ukraine.

Hadorn, J. C., 2010, Solar and Heat Pump Systems, IEA SHC task 44 and HPP, Symposium on Thermal Solar Energy, pp. 618-624.

Chen, Y., Hua, H., Wang, J., and Lund, P. D., 2021, Integrated Performance Analysis of a Space Heating System Assisted by Photovoltaic/thermal Collectors and Ground Source Heat Pump for Hotel and Office Building Types, Renewable Energy, Vol. 169, pp. 925-934.

Abu-Rumman, M., Hamdan, M., and Ayadi, O., 2020, Performance Enhancement of a Photovoltaic Thermal (PVT) and Ground-source Heat Pump System, Geothermics, Vol. 82, p. 101809.

Qiu, G., Li, K., Cai, W., and Yu, S., 2023, Optimization of an Integrated System Including a Photovoltaic/thermal System and a Ground Source Heat Pump System for Building Energy Supply in Cold Areas, Applied Energy, Vol. 349, p. 121698.

Bae, S. and Nam, Y., 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.

Bae, S., Nam, Y., and Cunha, I. D., 2019, Economic Solution of the Tri-generation System Using Photovoltaic-thermal and Ground Source Heat Pump for Zero Energy Building (ZEB) Realization, Energies, Vol. 12, p. 3304.

Warner, J., Liu, X., Shi, L., Qu, M., and Zhang, M., 2020, A Novel Shallow Bore Ground Heat Exchanger for Ground Source Heat Pump Applications - Model Development and Validation, Applied Thermal Engineering, Vol. 164, p. 114460.

Kim, K., Bae, S., Nam, Y., Lee, E., and Entchev, E., 2022, Development of a Low-depth Modular GHX Trough a Real-scale Experiment, Energies, Vol. 15, p. 698.

Barone, G., Buonomano, A., Forzano, C., Palombo, A., and Panagopoulos, O., 2019, Photovoltaic-thermal Collectors: Experimental Analysis and Simulation Model of an Innovative Low-cost Water-based Prototype, Energy, Vol. 179, pp. 502-516.

Bae, S., Chae, H., Lyu, N., and Nam, Y., 2024, Development of Photovoltaic-thermal Using Attachable Solar Collector Based on on-site Construction, Applied Thermal Engineering, Vol. 238, p. 121971.

Bae, S., Nam, Y., Lee, E. J., and Entchev, E., 2022, Feasibility Study of a Novel Hybrid Energy System Combining Photovoltaic-thermal and Modular Ground Heat Exchanger, Journal of Building Engineering, Vol. 61, p. 105241.

Schober, P., Boer, C., and Schwarte, L. A., 2018, Correlation Coefficients: Appropriate use and Interpretation, Anesthesia & Analgesia, Vol. 126, No. 5, pp. 1763-1768.

Lim, K. S., Heo, C. H., Choi, Y. Y., and Lee, S. T., 2005, A Study on Standard for Determination of Hidden Layer Node Number in Artificial Multi-layer Neural Network Model, Journal of Korean Society of Water Science and Technology, Vol. 13, No. 3, pp. 65-77.

ASHRAE, 2014, ASHRAE Guideline 14 Measurement of Energy, Demand, and Water Savings, ASHRAE, Atlanta, pp. 16-19.

KJACRKorean Journal of
Air-Conditioning and Refrigeration Engineering

Korean Journal of Air-Conditioning and Refrigeration Engineering

ISO Journal TitleKorean J. Air-Cond. Refrig. Eng.

Journal Search

Journal XML

Journal Information

Developing of Energy Consumption Prediction Model for Integrated System Using Photovoltaic-Thermal and Ground Source Heat Pump Based on Low-Cost Technologies

Abstract

키워드

Key words

기호설명

1. 서 론

2. 통합 시뮬레이션 모델

Fig. 1 Schematic diagram of integrated simulation model.

Table 1 Design conditions of integrated simulation model

Table 2 Operation conditions of integrated simulation model

3. 심층신경망 기반 에너지 소비량 예측모델 개발

3.1 데이터 세트 구축

(1)

Table 3 Interpretation of correlation coefficient

Table 4 Correlation coefficient between input and output parameter

3.2 에너지 소비량 예측모델

Fig. 2 Prediction model based on deep neural network.

4. 심층신경망 기반 에너지 소비량 예측모델 검증

(2)

(3)

Fig. 3 Comparative analysis between predicted results and output parameter.

5. 결 론

후 기

References

Article Information (continued)

키워드

Key words

KJACRKorean Journal ofAir-Conditioning and Refrigeration Engineering

Korean Journal of Air-Conditioning and Refrigeration Engineering

ISO Journal TitleKorean J. Air-Cond. Refrig. Eng.

Journal Search

Journal XML

Journal Information

Developing of Energy Consumption Prediction Model for Integrated System Using Photovoltaic-Thermal and Ground Source Heat Pump Based on Low-Cost Technologies

Abstract

키워드

Key words

기호설명

1. 서 론

2. 통합 시뮬레이션 모델

Fig. 1 Schematic diagram of integrated simulation model.

Table 1 Design conditions of integrated simulation model

Table 2 Operation conditions of integrated simulation model

3. 심층신경망 기반 에너지 소비량 예측모델 개발

3.1 데이터 세트 구축

(1)

Table 3 Interpretation of correlation coefficient

Table 4 Correlation coefficient between input and output parameter

3.2 에너지 소비량 예측모델

Fig. 2 Prediction model based on deep neural network.

4. 심층신경망 기반 에너지 소비량 예측모델 검증

(2)

(3)

Fig. 3 Comparative analysis between predicted results and output parameter.

5. 결 론

후 기

References

Article Information (continued)

키워드

Key words

KJACRKorean Journal of
Air-Conditioning and Refrigeration Engineering