이도윤
(Doyun Lee)
1
이상민
(Sang Min Lee)
2
최은정
(Eun Jung Choi)
3†
-
한국기계연구원 도시환경연구실 박사후연구원
(Postdoctoral Researcher, Department of Urban Environment Research, Korea Institute
of Machinery & Materials, 156 Gajeongbuk-ro, Yuseong-gu, Daejeon, 34103 Korea)
-
한국기계연구원 도시환경연구실 책임연구원
(Principal Researcher, Department of Urban Environment Research, Korea Institute of
Machinery & Materials, 156 Gajeongbuk-ro, Yuseong-gu, Daejeon, 34103 Korea)
-
한국기계연구원 도시환경연구실 선임연구원
(Senior Researcher, Department of Urban Environment Research, Korea Institute of Machinery
& Materials, 156 Gajeongbuk-ro, Yuseong-gu, Daejeon, 34103 Korea)
Copyright © 2016, Society of Air-Conditioning and Refrigeration Engineers of Korea
키워드
인공신경망, 건물 통합형 옥상온실, 에너지 효율, 최적 제어, 예측 모델
Key words
Artificial neural networks, Building-integrated rooftop greenhouse, Energy efficiency, Optimal control, Predictive model
1. 연구배경 및 목적
세계 인구의 지속적인 증가와 도시화로 인한 농경지의 감소와 식량 수요의 증가는 식량 공급망에 큰 부담을 주고 있다.(1) 또한 지구 온난화로 인한 기후 변화와 이상 기온 현상은 토지의 황폐화를 야기하여 농작물의 생산물량이 매해 감소하고 있어 미래의 식량 안보 문제가
심화되고 있다.(2) 기후변화에 관한 정부 간 협의체(Intergovernmental panel on climate change, IPCC)는 6차 보고서에서 지구의
기온 상승에 따른 식량 공급 불안정에 대하여 강조하고 있으며, 지구 온도가 1.5℃ 상승함에 따라 2050년 즈음 주요 곡물 가격은 최대 23% 상승할
것으로 예측하고 있다.(3)
이와 같은 미래 식량 안보 문제에 대한 해결책으로 도시농업의 중요성이 부각되고 있으며(4), 정부에서는 도시농업을 확대 추진하기 위하여 제3차(2023년 – 2027년) 도시농업 육성 5년 종합 계획을 발표하였다. 도시농업은 도시 내에서
식량을 생산하기 때문에 식량 자급률을 높일 수 있고 식품 운송으로 인한 탄소 배출을 감소시키는 효과적인 대안이 될 수 있다.(5) 특히, 건물의 유휴 공간을 활용하는 건물 통합형 옥상온실(Building-integrated rooftop greenhouse, BiRTG)은 기존
건물의 공간 활용도를 높이고, 건물과 온실 간의 에너지 교환을 통해 에너지 효율을 향상할 수 있다는 점에서 도시농업의 새로운 형태로 주목받고 있다.(6)
건물 통합형 옥상온실에서, 옥상온실은 건물의 단열을 강화하여 난방 에너지를 절감할 수 있는 패시브 효과를 제공하며, 건물 열원 시스템에서 발생하는
폐열과 배가스를 온실 운영에 재활용하고 건물의 재실자가 배출한 이산화탄소와 온실 내부의 정화되고 공조 처리된 공기를 순환하는 양방향 환기 시스템을
도입한다면 액티브 효과까지 기대할 수 있다.(7)
이와 관련하여, Nadal et al.(6)은 지중해 기후에서 옥상온실을 설치하는 것이 건물의 에너지 소비를 최대 25%까지 감소시킬 수 있음을 밝혔다. Sanjuan-Delmás et al.(8)은 도시에서의 식량 생산을 위한 건물 통합형 옥상온실의 환경적 평가를 수행하였고, 건물과 온실의 에너지 상호작용이 전체 시스템의 효율을 향상하는데
핵심적인 역할을 한다고 강조하고 있다. Munoz-Liesa et al.(9)은 건물과 옥상온실의 공기를 교환하는 양방향 환기 시스템을 도입할 경우, 건물의 연간 에너지 수요가 약 8% 감소할 수 있으며 단순 옥상온실의 설치로
인한 패시브 효과 대비 난방 에너지 절감 효과가 약 1.9배 증가할 수 있음을 확인하였다.
이처럼 많은 기존 연구에서 건물 통합형 옥상온실의 효과에 대해서 분석하고 있지만, 대부분 냉난방 에너지 소비량의 감소와 환경적 이점에 초점을 맞추고
있다는 데에 한계가 있다. 건물 통합형 옥상온실의 열적 거동은, 외기 조건 및 시스템의 운영 방식과 같은 다양한 변수에 영향을 받으며, 건물과 옥상온실은
상호 간에 냉난방 부하의 변동에 영향을 주고받기 때문에 이를 종합적으로 고려한 운영 및 제어 방식에 대한 연구를 수행할 필요가 있다.
예를 들어, Körner and Holst(10)는 온실 내 차양 스크린, 보온 스크린 및 자연환기와 같은 운영 요소가 온실 내부의 환경 조절과 에너지 소비에 미치는 영향을 모델링 하여 분석하고
있으나, 단독 온실에 범위를 국한하고 있다. Choi et al.(11)은 건물 통합형 옥상온실을 대상으로 건물과 온실의 냉난방 운영 시나리오가 상호 간의 냉난방 부하 변동에 어떠한 영향을 미치는지 검토하였고, 그 결과
건물과 온실의 운영 시나리오 조합에 따라 에너지 부하의 절감량이 건물은 18.4%에서 24.7%까지, 온실은 0.7%에서 6.3%까지 개선될 수 있음을
확인하였다. 하지만, 이는 건물과 온실의 종합적인 부하 변동을 실시간으로 고려하여 운영 시스템을 최적 제어하는 것이 아닌 특정 운영 시나리오를 가정하여
검토한 결과임에 한계가 있다.
따라서 본 연구에서는, 건물 통합형 옥상온실에서 온실 운영 시스템의 제어 변수가 건물과 온실의 냉난방 부하에 미치는 영향을 예측하는 모델을 구축하여
건물 통합형 옥상온실의 최적 제어에 활용하고자 한다. 건물과 옥상온실의 복잡한 상호 간의 열적 거동을 효과적으로 모델링하기 위하여 인공신경망(Artificial
neural network, ANN)을 활용하여 모델을 구축하였고, 구축한 모델은 추후 건물과 온실의 부하 특성을 종합적으로 고려하는 실시간 최적
제어 알고리즘 개발에 활용하고자 한다.
2. 건물 통합형 옥상온실(BiRTG)
2.1 건물과 옥상온실의 열평형
건물 통합형 옥상온실은 건물과 온실이 통합된 형태로, Fig. 1에 모식화 한 것과 같이 두 공간 사이에는 복잡한 열적 상호작용이 발생한다. 건물 측 실내 환경의 열평형 방정식은 식(1)과 같으며, 건물의 실내 온도($T_{in}$)가 냉난방 설정 온도($T_{set}$)에 도달하기 위해 요구되는 냉난방 부하($Q_{demand}$)는
식(2)와 같이 나타낼 수 있다. 식(1)의 건물 실내 환경에서의 기기, 조명, 인체로 비롯한 내부 발열($Q_{int}$)을 온실 내 재배작물과 관련한 항목으로 대체하여 고려한다면, 온실
실내 환경의 열평형 방정식도 구성할 수 있다.
여기서, $Q_{sol}$, $Q_{rad}$, $Q_{conv}$, $Q_{cond}$, $Q_{ven}$, $Q_{int}$, $Q_{inf}$,
$Q_{HVAC}$는 각각 일사 열전달량(W), 복사 열전달량(W) 대류 열전달량(W), 전도 열전달량(W), 환기에 의한 열전달량(W), 내부 발열량(W),
침기 부하(W), 열원 공급 열량(W)을 의미한다. 또한, $T_{in}$과 $T_{set}$는 실내온도(℃)와 냉난방 설정온도(℃)를 나타낸다.
각 건물과 온실의 실내 온도는 내부 공조 운영조건에 영향을 받아 변화하고, 실내 온도의 변화에 따라 건물에서 온실로, 온실에서 건물로의 열전달량이
달라진다. 결론적으로, 건물과 온실의 냉난방 부하는 상호 밀접한 영향을 주고받고 이는 건물과 온실의 에너지 상호작용을 최적화하고 에너지 효율을 극대화하기
위한 제어 전략을 수립하는데 중요한 이해를 제공한다.
Fig. 1 Heat balance of building-integrated rooftop greenhouse (BiRTG).
2.2 BiRTG 테스트 베드 및 시뮬레이션 모델
건물과 옥상온실 간의 열전달 현상을 검토하기 위하여, Fig. 2(a)와 같이 건물을 상정한 컨테이너 위에 온실을 설치한 테스트 베드를 구축하였다. 테스트 베드의 건물과 온실에는 냉난방을 위한 전기 히트 펌프(Electric
heat pump, EHP)가 설치되어 있으며, 온실에는 온실 내부 재배 작물의 생육 환경 조성을 위한 기후 조절 시스템으로서 차광 스크린, 보온
스크린, 자연 환기창 및 유동휀이 설치되어 있다.
앞선 선행연구에서는 Fig. 2(b)와 같이 테스트 베드 옥상온실을 TRNSYS 18을 활용하여 모델링 하였고, 개발한 건물 에너지 시뮬레이션 모델의 신뢰성을 실험 데이터를 기반으로
검증하였다.(11) 건물과 온실 존의 열적 성능을 모델링하기 위하여 Type56 컴포넌트를 이용하였으며, Type15-3을 통해 대전 지역의 EPW 형식의 기상 데이터를
입력하여 대전 지역의 외기 조건을 반영한 시뮬레이션 모델을 작성하였다. 건물과 온실 존의 냉난방 부하 산정을 위하여 Type515를 사용하여 냉난방
기간을 구분하고 시즌별로 냉난방 가동 여부를 입력하였으며, Type516 및 Type14h를 활용하여 평일과 주말의 시간대별 냉난방 여부를 설정하였다.
냉난방 가동여부 이외에, 온실의 차광 스크린, 보온 스크린, 자연 환기창 및 유동휀의 운영은 Type2b를 통해 On/Off 신호를 입력하여 제어할
수 있도록 모델링하였다.
시뮬레이션 모델에서 건물과 온실의 냉난방 부하는, 각 존의 온도를 냉난방 설정온도로 유지하기 위하여 필요한 Ideal 한 부하로 계산되며, 본 연구에서는
다양한 운영조건에서의 냉난방 부하량을 확인하여 BiRTG의 패시브적 이점을 검토할 목적으로 EHP 기기 및 시스템 모델링은 생략하였다.
상세 공조 운영 조건은 Table 1과 같다. 건물의 경우, 소규모 사무실을 가정하여 냉방과 난방 설정온도를 각 26℃와 20℃로 설정하였다. 온실의 경우, 내부 재배 작물을 중온성
작물로 가정하여 냉방 설정온도를 27℃, 난방 설정온도를 야간에 14℃, 주간에 22℃로 설정했다. 건물의 냉난방은 7 – 20 h에만 운영하고,
온실의 경우 냉방기에 7 – 18 h, 난방기에 24 h 운영하는 조건을 고려했다.
본 연구에서는 상기 서술한 선행연구(11)에서 개발하고 검증한 TRNSYS 기반의 테스트 베드 모델을 활용하여 다양한 온실 시스템 운영 조건에서의 BiRTG의 연간 시뮬레이션 데이터를 추출하였고
이를 인공신경망을 학습시키기 위한 데이터로 활용하였다. 학습 데이터 구축과 관련한 자세한 내용은 후절에서 설명하고 있다.
Fig. 2 Experimental and simulation testbed of BiRTG.
Table 1 Condition of heating and cooling operation for BiRTG simulation
|
Zone
|
Period
|
Operation hour
|
Setpoint temperature
|
|
Building
|
Heating
|
December-March
|
07:00-20:00
|
26℃
|
|
Cooling
|
June-September
|
07:00-20:00
|
20℃
|
|
Rooftop greenhouse
|
Heating
|
November-March
|
08:00-20:00
|
22℃
|
|
18:00-08:00
|
14℃
|
|
Cooling
|
May-September
|
07:00-18:00
|
27℃
|
2.3 온실 시스템 제어에 따른 BiRTG의 냉난방 부하 변화
온실 내부의 환경 조절 시스템(차광 스크린, 보온 스크린, 자연 환기창, 유동휀)을 외부 기상 조건과 내부 환경 조건에 따라 적절히 피드백 제어하면,
불필요한 냉난방 운영을 줄여 온실의 냉난방 부하를 효과적으로 감소시킬 수 있다. 이러한 온실 환경 조절 시스템의 제어가 온실 냉난방 부하의 절감뿐만
아니라, 아래층 건물의 냉난방 부하 변화에 미치는 영향을 확인하여 결과적으로 BiRTG의 전체 냉난방 부하 변화에 미치는 영향을 확인하였다.
Fig. 3은 온실의 내부 온도를 설정온도로 유지하기 위하여 냉난방을 가동하여 제어한 경우(Heating & cooling only)와 차광 스크린, 보온 스크린,
자연 환기, 유동휀 및 냉난방 가동을 적절히 조합하여 피드백 제어한 경우(Integrated climate control)를 비교하여, 건물, 온실,
그리고 건물과 온실의 통합 연간 냉난방 부하의 확률 밀도(Probability density)를 나타낸다.
Fig. 3에서 x축은 냉난방 부하(kW), y축은 해당 부하가 발생할 확률 밀도를 나타내며, 확률 밀도는 특정 냉난방 부하(kW)가 발생할 상대적 빈도를 의미한다.
확률 밀도의 값은 연속 확률 분포로 정규화되어 모든 범위의 합이 1이 되도록 표현되며, 이를 통해 연간 냉난방 부하 데이터에서 특정 부하 값의 분포
특성을 직관적으로 비교할 수 있다.
결과적으로, 온실 내 작물의 생육에 적합한 환경을 조성하기 위해 하절기에는 차광 스크린을 활용해 과도한 일사를 차단하면서 외기 온도와 온실 내부 온도를
비교하여 야간 자연환기를 실시해 시원한 외기를 적극적으로 도입하고, 동절기에는 야간에 보온 스크린을 통해 보온을 강화하는 등의 규칙 기반의 피드백
제어(11)를 적용한다면, 냉난방만으로 온실을 운영하는 경우와 비교하여 온실의 연간 냉난방 부하를 약 33%, 건물은 약 3%, 종합적으로 약 29% 절감할
수 있음을 확인하였다.
따라서, 본 연구는 건물 통합형 옥상온실의 냉난방 부하 절감을 위해 온실의 운영 요소를 최적으로 제어하는 것의 중요성에 주목하여, 온실 시스템의 제어
변수 조합에 따른 건물과 온실의 부하 예측 모델을 구축하여 향후 실시간 제어 알고리즘 개발에 활용하고자 한다.
Fig. 3 Probability density of thermal load of BiRTG depending on the greenhouse system
management.
3. 연구 방법
3.1 학습 데이터 구축
인공신경망 모델을 학습시키기 위한 데이터는, 선행 연구(11)에서 개발하고 검증한 TRNSYS 기반의 건물 통합형 옥상온실의 테스트 베드 모델을 활용하여 생성한 시뮬레이션 데이터를 기반으로 구축하였다. 온실의
차광 스크린, 보온 스크린, 자연 환기, 유동휀 및 냉난방의 가동 유무에 따른 제어 변수의 조합을 고려한 24가지 케이스의 연간 부하 시뮬레이션을
수행하였고, 온실 시스템의 제어 변수 조합에 따라 건물과 온실의 냉난방 부하 프로필이 어떻게 변동하는지 그 데이터를 학습할 수 있도록 학습 데이터를
구성하였다.
연간 부하 시뮬레이션에는 대전 지역의 표준 기상 데이터를 사용하였으며, 학습이 완료된 모델이 추후 최적 제어 알고리즘에 활용될 것을 고려하여, 시뮬레이션
타임 스텝을 제어 간격인 5분으로 설정하여 총 2,522,880 개의 데이터(12 datapoints × 24 hours × 365 days × 24
datasets)를 학습 데이터에 이용하였다. 또한, 학습 데이터의 70%를 모델 학습에, 나머지 30%를 모델 검증에 활용하였고, 학습이 완료된
모델은 별도의 데이터세트를 활용한 연간 시계열 예측을 통하여 평가하였다.
3.2 입력변수 및 출력변수
본 연구에서의 예측 모델 개발은, 온실의 제어 변수 조합의 변화에 따른 건물 통합형 옥상온실의 에너지 부하의 변동을 예측할 수 있는 모델을 구축하여
추후 온실 운영 시스템의 최적 제어에 활용할 것을 목적으로 하고 있다. 이와 같은 취지를 고려하여 설정한 입력 데이터와 출력 데이터의 구성을 요약하여
정리하자면 Table 2와 같다.
추후 예측 모델이 활용될 최적 제어 알고리즘에서는, 온실 내 재배 작물에 맞는 생육 온도에 부합하도록 온실의 온도를 제어함과 동시에 건물과 온실의
부하를 종합적으로 절감할 수 있도록 온실 시스템 운영 요소의 제어 조합을 탐색해야 한다. 따라서, 미래 제어 스텝의 온실의 온도($T_{gh}(t+1)$),
온실의 냉난방 부하($Q_{gh}(t+1)$) 및 건물의 냉난방 부하($Q_{bldg}(t+1)$)를 예측하도록 각 ANN-1, ANN-2, ANN-3의
3가지 인공신경망 모델을 구성하여 출력변수를 설정하였다.
또한, 출력변수를 예측하기 위해 필요한 입력변수에는 온실의 운영 요소의 제어 변수의 가동 유무($U(t+1)$(On=1, Off=0))가 포함되어야
한다. 이러한 입력변수와 출력변수의 구성을 기본으로, 건물 통합형 옥상온실의 열적 거동에 큰 영향을 미칠 것으로 생각되는 외기 조건, 냉난방 시즌과
하루 중의 시각을 구별할 수 있는 타임 라벨을 입력변수에 추가하였다. 그리고, 출력변수의 예측 정밀도를 높이기 위하여 제어 직전 타임 스텝의 온실의
온도($T_{gh}(t)$), 및 냉난방 부하($Q_{gh}(t)$), 건물의 냉난방 부하($Q_{bldg}(t)$)를 입력변수에 추가하였다.
Table 2 Input data and target data for training ANNs
|
Model
|
Prediction target
|
Input data for prediction
|
|
ANN-1
|
Greenhouse temperature at future timestep,
$T_{{gh}}(t+1)$[℃]
|
Outdoor temperature at current timestep, $T_{{amb}}(t) $ [℃]
Relative humidity at current timestep, $RH(t)$ [%]
Solar irradiation at current timestep, $Q_{{sol}}(t)$ [W/m2]
Wind velocity at current timestep, $V_{{w}\in{d}}(t)$ [m/s]
Greenhouse temperature at current timestep, $T_{{gh}}(t)$ [℃]
Greenhouse thermal load at current timestep, $Q_{{gh}}(t)$ [kW]
Building temperature at current timestep, $T_{{bldg}}(t)$ [℃]
Building thermal load at current timestep, $Q_{{bldg}}(t)$ [kW]
Month of year at current timestep, Month(t), ${Month}(t)$
Day of week at current timestep, Day(t), ${Day}(t)$
Hour of day at current timestep, Hour(t), ${Hour}(t)$
Control variable of shading screen at future timestep, $U_{{shad}}(t +1)$
Control variable of thermal screen at future timestep, $U_{{ther}}(t+1)$
Control variable of natural ventilation at future timestep, $U_{{natven}}(t+1)$
Control variable of ventilation fan at future timestep, $U_{{fan}}(t+1)$
Control variable of greenhouse EHP at future timestep, $U_{{ehp},\:{gh}}(t+1)$
Control variable of building EHP at future timestep, $U_{{ehp},\:{bldg}}(t+1)$
|
|
ANN-2
|
Greenhouse thermal load at future timestep,
$Q_{{gh}}(t+1)$ [kW]
|
|
ANN-3
|
Building thermal load at future timestep,
$Q_{{bldg}}(t+1)$ [kW]
|
추후 예측 모델이 활용될 최적 제어 알고리즘에서는, 온실 내 재배 작물에 맞는 생육 온도에 부합하도록 온실의 온도를 제어함과 동시에 건물과 온실의
부하를 종합적으로 절감할 수 있도록 온실 시스템 운영 요소의 제어 조합을 탐색해야 한다. 따라서, 미래 제어 스텝의 온실의 온도($T_{gh}(t+1)$),
온실의 냉난방 부하($Q_{gh}(t+1)$) 및 건물의 냉난방 부하($Q_{bldg}(t+1)$)를 예측하도록 각 ANN-1, ANN-2, ANN-3의
3가지 인공신경망 모델을 구성하여 출력변수를 설정하였다.
또한, 출력변수를 예측하기 위해 필요한 입력변수에는 온실의 운영 요소의 제어 변수의 가동 유무($U(t+1)$(On=1, Off=0))가 포함되어야
한다. 이러한 입력변수와 출력변수의 구성을 기본으로, 건물 통합형 옥상온실의 열적 거동에 큰 영향을 미칠 것으로 생각되는 외기 조건, 냉난방 시즌과
하루 중의 시각을 구별할 수 있는 타임 라벨을 입력변수에 추가하였다. 그리고, 출력변수의 예측 정밀도를 높이기 위하여 제어 직전 타임 스텝의 온실의
온도($T_{gh}(t)$), 및 냉난방 부하($Q_{gh}(t)$), 건물의 냉난방 부하($Q_{bldg}(t)$)를 입력변수에 추가하였다.
3.3 학습 조건
ANN 모델은 Matlab의 Deep Learning Toolbox(12)를 활용하여 구축하였고, 모든 학습 데이터는 각 변수의 최소 최대의 범위를 -1과 1 사이의 범위의 값으로 변환하는 정규화(Normalization)
과정을 거쳐 데이터를 전처리 하였다. ANN 모델의 학습에 있어서, 안정적이고 정확한 예측 정밀도를 도출하기 위해서는 사전에 학습에 필요한 하이퍼파라미터를
적절히 선정하여야 한다. 본 연구에서는, 은닉층의 뉴런 개수 [10, 100], 학습률 [0.00001, 0.1], Epoch [100, 1000],
L2 정규화 [0.000001, 0.001]를 각 해당 변수 범위 내에서 최적의 값으로 튜닝할 수 있도록 Statistics and Machine
Learning Toolbox(13)에 기반한 베이지안 최적화(14)를 통하여 튜닝하였다. 학습에 사용한 학습 조건의 상세를 정리하자면 Table 3과 같다.
Table 3 Hyperparameter tuning results using Bayesian optimization for training each
ANNs
|
Hyperparameter
|
ANN-1
|
ANN-2
|
ANN-3
|
|
Training algorithm
|
Adam
|
|
Activation function for hidden layers
|
ReLu
|
|
Activation function for output layer
|
Linear
|
|
Mini batch size
|
32
|
|
Number of hidden layers
|
2
|
|
Number of hidden neurons
|
99
|
13
|
13
|
|
Learning rate
|
0.000208
|
0.001087
|
0.024718
|
|
Epoch
|
983
|
995
|
998
|
|
L2 Regularization
|
0.00071
|
0.0000851
|
0.0000276
|
3.4 예측 모델 평가지표
학습이 완료된 ANN 모델의 예측 정밀도를 평가하기 위해, ASHRAE Guideline 14에서 권장하는 평가 지표를 활용하여 예측 모델을 평가하였다.
각 평가 지표는 평균 편향 오차(Mean bias error, MBE)와 평균 제곱근 오차(Root mean square error, RMSE)의
변동계수(Coefficient of variation, Cv)인 Cv(RMSE)에 해당하며, ASHRAE Guideline 14의 M&V Guideline
3.0에 의하면, 시간 단위의 데이터를 사용하는 경우 오차의 허용범위가 MBE ±10%, Cv(RMSE) 30% 이내일 경우에 신뢰할 수 있는 검증된
모델로 간주한다.(15) 또한 상기 평가 지표 이외에도 추가적으로 결정 계수(Coefficient of determination, R2)를 고려하여 예측 모델의 정밀도를
평가하였다. 각 평가 지표를 구하는 식은 다음의 식(3)부터 식(6)과 같이 표현할 수 있다.
여기서, $n$은 데이터 개수, $y_{i}$는 관측 데이터, $\hat{y_{i}}$는 모델 예측 데이터를 의미하며, $\overline{y}$는
관측 데이터의 평균 값이다.
4. 결과 및 분석
본 연구에서 구축한 ANN 모델의 타당성을 평가하기 위해 학습 과정에서 사용되지 않은 별도의 데이터를 활용하여 모델 성능을 검증하였다. 학습이 완료된
ANN 모델은 Fig. 3에서 제시된 온실 운영 시스템(차광 스크린, 보온 스크린, 자연환기, 유동휀 및 냉난방)의 가동을 규칙 기반으로 피드백 제어한 경우(Integrated
climate control)의 연간 시뮬레이션 데이터를 기반으로 평가되었으며, 해당 데이터는 학습 과정에 포함되지 않았다. 평가 데이터세트를 입력하여
온실의 내부 온도, 온실의 냉난방 부하, 그리고 건물의 냉난방 부하를 예측한 ANN 모델의 평과 결과를 요약하자면 Table 4와 같다.
본 연구에서는 추후 ANN 예측 모델을 건물 통합형 옥상온실의 최적 제어 알고리즘에 활용할 목적으로, 제어 간격에 상응하는 5분 간격으로 예측 데이터를
출력하고 있기 때문에, ASHRAE Guideline 14에서 제시하는 시간 단위 데이터의 오차 허용범위와 비교하기에는 적합하지 못하지만, 결론적으로
MBE 10% 이내, Cv(RMSE) 30% 이내를 만족하였으며 R2 또한 0.99 이상의 높은 예측 정밀도를 보였다.
Fig. 4에서는 각 ANN 모델이 예측한 예측 데이터와 실제 데이터를 비교하고 있다. Fig. 4(b)에서 알 수 있듯이, 온실의 냉난방 부하 ($Q_{gh}$)를 예측하는 ANN 모델의 경우 냉난방 부하의 범위가 5 – 10 kW 이내의 구간에서
예측 데이터가 실제 데이터보다 과소평가되는 경향을 보였지만, Table. 4의 평가 지표의 결과는 허용할 만한 오차 범위 내로 평가되었다.
Fig. 5에서는, 각 학습 완료된 ANN 모델로부터의 예측 데이터와 실제 데이터를 연간 시계열 데이터로 비교하고 있다. 각 ANN 모델은 각 온실의 온도 및
냉난방 부하, 건물의 냉난방 부하를 5분 간격으로 예측하고 있지만, 시계열 예측이 정밀하게 되고 있는지를 용이하게 확인하기 위하여 연간 시계열 데이터를
하루 단위로 이동 평균하여 표현하고 있다. 그 결과, 온실의 온도 및 냉난방 부하, 건물의 냉난방 부하 모두 난방 시즌과 비교하여 냉방 시즌에 예측
오차가 상대적으로 크게 나타났다. 하지만, 온실 온도의 경우 1일 이동평균이 ±0.5℃이내의 오차를 보였고 냉난방 부하의 경우 ±0.2 kW 이내의
오차를 보여 높은 예측 정밀도를 확인하였다.
Fig. 4 Comparison between actual and predicted data of each trained ANNs using separated
evaluation dataset.
Fig. 5 Time-series comparison between actual and predicted data from each trained
ANNs using separated evaluation dataset (daily moving average value).
Table 4 Evaluation results of each trained ANNs using separated evaluation dataset
|
Model
|
Prediction Target
|
MBE (%)
|
RMSE
|
Cv(RMSE) (%)
|
R2
|
|
ANN-1
|
$T_{{gh}}$ [℃]
|
10.05
|
0.31
|
1.50
|
0.9987
|
|
ANN-2
|
$Q_{{gh}}$ [kW]
|
0.38
|
0.04
|
11.82
|
0.9987
|
|
ANN-3
|
$Q_{{bldg}}$ [kW]
|
-0.03
|
0.01
|
15.51
|
0.9998
|
5. 결 론
본 연구에서는 건물 통합형 옥상온실에서 온실의 운영 시스템의 제어 변수 조합이 건물과 온실의 종합적인 냉난방 부하 변동에 미치는 영향에 주목하여,
온실 시스템의 제어 변수의 변동에 따른 건물 통합형 옥상온실의 부하가 예측 가능한 모델을 구축하였다. 예측 모델은 건물과 옥상온실의 복잡한 비선형적
관계의 열적 거동을 고려하여 인공신경망을 활용하여 모델링 하였다.
학습 데이터로는 선행 연구에서 개발하고 검증한 TRNSYS 모델을 활용한 시뮬레이션 데이터를 수집하여 활용하였으며, 인공신경망 모델의 예측 정밀도에
영향을 줄 수 있는 하이퍼파라미터는 베이지안 최적화를 통하여 튜닝하였다. 그 결과, ASHRAE Guideline 14에서 제시하는 평가지표의 오차
허용범위에 준수하는 예측 정밀도를 보여주는 인공신경망 모델을 구축하였고, 각 온실 측 온도와 냉난방 부하 그리고 건물 측 냉난방 부하가 높은 예측
정밀도로 예측 가능함을 확인하였다.
다만, 본 연구에서 인공신경망 예측 모델의 학습에 활용한 데이터는 건물 통합형 옥상온실의 테스트베드의 건물과 온실의 외피 조건을 모델링한 TRNSYS
시뮬레이션 모델의 결과임으로, 개발한 예측 모델을 실제 테스트베드의 제어에 활용할 때에는 적용 범위가 제한될 수 있으며, 현실적인 운영 환경에서도
높은 예측 성능을 보장할 수 있도록 실제 데이터를 학습 데이터에 보강하는 방법 등의 추가적인 검증과 개선이 필요할 수 있다.
본 연구에서 구축한 인공신경망 기반 건물 통합형 옥상온실의 부하 예측 모델은, 향후 건물과 온실의 부하 특성을 종합적으로 고려하여 온실 운영 시스템을
실시간으로 최적 제어하는 알고리즘 개발에 활용하고자 한다. 본 연구에서 구축한 예측 모델을 활용해 온실 운영 시스템을 실시간 제어한다면, 건물과 온실의
냉난방 부하를 최적화하고 에너지 효율을 극대화할 수 있을 것으로 기대된다.
후 기
본 연구는 산업통상자원부(MOTIE)와 한국에너지기술평가원(KETEP)의 지원을 받아 수행한 연구 과제입니다 (No. RS-2021-KP002462).
References
FAO, 2017, The future of food and agriculture - Trends and challenges. Rome.
Charles, H., Godfray, J., Beddington, J. R., Crute, I. R., Haddad, L., Lawrence, D.,
Muir, J. F., Pretty, J., Robinson, S., Thomas, S. M., and Toulmin, C., 2010, Food
security: The challenge of feeding 9 billion people, Science, Vol. 327, No. 5967,
pp. 812-818.
Intergovernmental Panel on Climate Change (IPCC), 2023, Climate Change 2023: Synthesis
Report, Summary for Policymakers. Contribution of Working Groups I, II and III to
the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Geneva,
Switzerland.
Ackerman, K., 2012, The potential for urban agriculture in New York City: Growing
capacity, food security, & green infrastructure. Urban Design Lab, Columbia University.
Specht, K., Siebert, R., Hartmann, I., Freisinger, U. B., Sawicka M., Werner, A.,
and Dierich, A., 2014, Urban agriculture of the future: An overview of sustainability
aspects of food production in and on buildings. Agriculture and Human Values, Vol.
31, No. 1, pp. 33-51.
Nadal, A., Llorach-Massana, P., Cuerva, E., López-Capel, E., Montero, J. I., Josa,
A., Rieradevall, J., and Royapoor, M., 2017, Building-integrated rooftop greenhouses:
An energy and environmental assessment in the Mediterranean context. Applied Energy,
Vol. 187, pp. 338-351.
Munoz-Liesa, J., Royapoor, M., López-Capel, E., Cuerva, E., Rufí-Salís, M., Gassó-Domingo,
S., and Josa, A., 2020, Quantifying energy symbiosis of building-integrated agriculture
in a mediterranean rooftop greenhouse. Renewable energy, Vol. 156, pp. 696-709.
Sanjuan-Delmás, D., Llorach-Massana, P., Nadal, A., Ercilla-Montserrat, M., Munoz,
P., Montero J. I., Josa, A., Gabarrell, X., and Rieradevall, J., 2018, Environmental
assessment of an integrated rooftop greenhouse for food production in cities. Journal
of Cleaner Production, Vol. 177, pp. 326-337.
Munoz-Liesa, J., Royapoor, M., Cuerva, E., Gassó-Domingo, S., Gabarrell, X., and Josa,
A., 2022, Building-integrated greenhouses raise energy co-benefits through active
ventilation systems. Building and Environment, Vol. 208, p. 108585.
Körner, O. and Holst, N., 2012, Exploring the energy saving potential in the greenhouse
sector using model-based climate control. Computers and Electronics in Agriculture,
Vol. 88, pp. 14-22.
Choi, E. J., Lee, D., and Lee, S. M., 2024, Impact of Building Integrated Rooftop
Greenhouse (BiRTG) on Heating and Cooling Energy Load: A Study Based on a Container
with Rooftop Greenhouse. Agriculture, Vol. 14, No. 8, p. 1275.
The MathWorks Inc., 2024, Deep Learning Toolbox User's Guide (r2024b) from https://kr.mathworks.com/help/pdf_doc/deeplearning/nnet_ug.pdf.
The MathWorks Inc., 2024, Statistics and Machine Learning Toolbox User's Guide (r2024b)
from https://kr.mathworks.com/help/pdf_doc/stats/stats.pdf
Gelbart, M. A., Ryan, S. J., and Adams, P., 2014, Bayesian Optimization with Unknown
Constraints. https://arxiv.org/abs/1403.5607
ASHRAE., 2014, ASHRAE Guideline 14-2014, Measurement of Energy and Demand Savings,
ASHRAE, Atlanta, GA, USA.