| 초록 |
1. 연구결과 A. * Energy, CO2, PMV, LCC 네가지 척도가 건물에 미치는 영향 선행연구 ① Energy , CO2 : 건물에서 소비되는 에너지와 발생하는 CO2의 경향성을 살펴보았고, 살펴본 경향성에 영향을 크게 미치는 요인들의 성향을 분석하여 건물성능평가 툴 제작시 반영하였다. ② PMV : 빌딩시뮬레이션 툴인 디자인빌더를 사용하여 PMV가 어느 조건일 때 쾌적한 범위를 나타내고, 어느 조건일 때 불쾌적한 범위를 가지는지 그 상대적인 변화를 스터디하기 위해 민감도 분석을 실시함 ③ LCC : - 건물의 전생애주기(25yrs)동안의 비용을 계산 - LCC 계산을 위한 툴인 BLCS을 한가지 대표적 스터디 사례로 분석해보며 툴 상에서 LCC 계산시에 고려하여 입력해야하는 건물요소들을 살펴봄 : 총 7가지 공종(건축, 기계, 소방, 전기, 조경, 토목, 통신)이 있지만 건축, 기계, 전기에 대해 심층 분석을 실시함. - 툴을 분석해 본 결과 건축에는 총 28가지의 공사/설비 선택사항이 있고, 기계에는 47가지, 전기에는 29가지가 있었으며 그 각각의 공사/설비는 세부적인 아이템으로 분류가 되어졌다. - BLCS 툴의 입력 항목들을 스터디하여 건물에 존재하는 수많은 아이템을 선별하여 테스트케이스로 선정하였고, 선정한 테스트케이스를 통해 성능평가 툴의 입력아이템의 일부를 구성하였다. * 선행연구결과를 바탕으로 건물 에너지 및 성능평가 지원시스템 개발 연구 - 앞서 스터디한 Energy, CO2, PMV, LCC의 결과를 바탕으로 Excel 기반 건물성능평가툴을 제작 - 툴은 패시브시스템, 액티브시스템, 신재생에너지 시스템 총 3가지 트랙으로 구성되어지며, 각가의 트랙에 대한 변량들이 제공되어지고, 평가하고자하는 건물에 맞게 입력값을 선택하면 각각의 credit을 고려하여 최종 성능이 도출되어지는 식으로 구성되어짐 B. 에너지 자립형 마이크로 그리드 구축을 위한 액티브 시스템 운영 최적화 방식 개발 연구 MPC vs Fix-schedule 1)MPC 및 고정 스케줄 HVAC 성능 비교 -EnergyPlus에서는 HVAC의 설정온도를 미리 스케줄로 입력하는 형식의 제어기를 기본적으로 제공한다. 본 연구에서는 MPC의 효과를 이와 비교하기 위해서 기본적으로 스케줄을 통한 제어기와 MPC를 통한 제어기의 성능을 비교한다. 고정 스케줄의 경우 5am부터 6pm까지 23도, 그 외의 시간에는 16도의 방 설정 온도 기준으로 HVAC을 구동한다. -아래 그림은 두 제어기에 대한 각 구역의 일주일동안의 평균 온도 변화를 나타낸다. 사용된 데이터는 1월의 데이터로 난방의 경우를 나타낸다. MPC의 경우 일과 시간 초기에 주된 난방을 수행하며 고정 스케줄의 경우 일과 시간이 끝나가는 시간에 많은 난방을 수행하는 것을 볼 수 있다. MPC는 초기에 많은 에너지를 소비하여 이를 통해 일과 시간 동안 유지 되어야할 온도를 효율적으로 만족하는 것을 확인 할 수 있다. -아래는 두 제어기에 대해 하루 평균 사용되는 파워와 평균 PMV값을 나타낸다. 이를 통해 HVAC입장에서 2.81~12.5%의 효율을 증가 시킴을 확인 할 수 있고, 일과시간 중 PMV도 MPC의 경우 0에 가깝게 유지됨을 확인 할 수 있다. C. 에너지 자립형 마이크로그리드 구축을 위한 신재생 에너지 시스템 운영 최적화 기법 개발 1) 신재생 에너지 시스템의 생산 가능 전력 예측과 제어 * 풍력발전단지의 제어조건과 출력변수간의 관계를 학습한 후 변동하는 바람에 따라 최적 제어 조건을 결정하는 제어전략 도출 * 모델을 학습 후 모든 풍향에 대해 기존 풍력발전단지보다 에너지 생산량이 높은 제어 전략을 도출 2) 빅데이터를 이용한 수용가 전력 수요 예측과 제어 * Gaussian Process Nonlinear Autoregressive Exoneus Input (GPNAX)모델을 활용하*여 풍력발전에 의한 에너지 생산량과 수용가의 에너지 사용량을 예측 * 예측값에 내재하는 불확실성을 모델링함으로써 에너지 생산 및 관리를 할 때 강건한 의사결정을 하기 위한 토대를 제공 3) 에너지 생산과 소비의 불균형 해소를 위한 ESS 운영 전략 도출 * 심층강화학습(심층 Q 네트워크)을 활용한 다차원, 불연속 ESS 행동 제어 - 신재생에너지원과 에너지소비원을 포함한 마이크로그리드에서, ESS와 관련된 다차원적인 에너지 흐름을 제어함으로써, 신재생에너지 생산과 에너지 소비의 불균형을 해결할 수 있음을 보인다. - ESS와 관련된 에너지 흐름은 실제 환경에서 수집된 신재생에너지와 에너지 소비에 대한 데이터에 대해 제어된다. - 인공지능 알고리듬에 속하는 심층강화학습으로, 현재 시점에서 제어된 ESS가 미래에 대한 모든 지식을 가정한 선형계획법으로 해결한 성능과 비슷한 성능을 보일 수 있음을 보인다. * 심층강화학습(심층 Q 네트워크)을 활용한 다차원, 연속 ESS 행동 제어 - ESS와 관련된 다차원적인 에너지 흐름이 actor-critic에 의해 연속적으로 제어된다. - 제안된 ESS 제어 기법(검은 선)이 ESS에 대한 제약을 가지는 여러 모델에서 기존-ESS 제어 방식(빨간 선)보다 좋은 성능을 보일 수 있음을 보인다. (출처 : 요약문 19p) |
