인공지능 기반 실내 PM2.5 및 CO2 통합 제어 알고리즘을 적용한 외기도입형 환기청정기 성능 분석 (Performance Analysis of an Outdoor Air-Introduced Ventilation Cleaner Applied with an AI based Indoor PM2.5 and CO2 Integrated Control Algorithm)

서지정보

· 발행기관 : 대한설비공학회
· 수록지 정보 : 설비공학 논문집 / 37권 / 4호 / 175 ~ 184페이지
· 저자명 : 변재윤, 김태원, 최은지, 문진우

초록

본 연구는 재실자에게 쾌적한 공기질을 제공할 수 있는 인공지능 기반 실내 PM2.5 및 CO2 통합 제어 알고리즘을 개발하고자 하였다. 이를 위해 MLP를 활용한 실내 PM2.5 및 CO2 예측모델을 개발하고, 통합 제어할 수 있는 알고리즘을 개발하였다. 개발된 기술의 성능은 면역력 취약계층인 13세 미만 어린이들이 대부분 시간을 보내는 초등학교에 리빙랩에서 검증되었다. 초등학교는 밀집도와 미세먼지 발생량이 많아 실내공기질 관리가 중요한 공간 중 하나로 분류된다. 실험을 통해 도출된 결과는 다음과 같다.
(1) 리빙랩에서 6일 동안 실험한 결과 실내 PM2.5 및 CO2 농도가 통합 제어 알고리즘의 경우 평균 10.73 μg/m3, 1,000.75 ppm, 룰베이스 알고리즘의 경우 평균 13.36 μg/m3, 1,071.39 ppm로 두 알고리즘 모두 환경부 대기환경기준 및 교육부 학교보건법 시행규칙 기준 이하로 제어됨을 확인하였다. 통합 제어 알고리즘이 룰베이스 알고리즘보다 PM2.5 평균 19.69%, CO2 평균 6.59%가량 낮은 농도를 유지하는 것으로 나타났는데, 이는 통합 제어 알고리즘이 룰베이스 제어 알고리즘 보다 제어 성능이 뛰어남을 의미한다.
(2) 가동 시간 및 에너지 사용량 비교 결과 통합 제어 알고리즘이 룰베이스 알고리즘 대비 에너지소비량이 9.42% 더 적게 나타났다. 하지만 가동시간은 룰베이스 제어 알고리즘이 2.99% 더 짧았다. 이는 통합 제어 알고리즘의 예측값에 따라 제어되는 특성으로 인한 것으로, 통합 제어 알고리즘이 룰베이스 제어 알고리즘보다 에너지 효율에서 우수한 것을 확인하였다.
(3) 통합 제어 알고리즘은 선제적 제어를 통해 룰베이스 알고리즘보다 실내 PM2.5 및 CO2 농도를 더 낮게 유지시키는 것으로 나타났다. 선제적 제어는 실내 오염물질이 기준치 이하로 유지되는 시간 동안 약 668분 간 작동하여 전체 에너지소비량의 약 44%의 비중을 차지하였으며 이를 통해 실내공기질 쾌적에 기여하는 것을 확인하였다.
종합하자면, 본 연구에서 개발한 인공지능 기반 예측모델을 활용한 실내공기질 제어 알고리즘은 실내 PM2.5 및 CO2 농도를 선제적으로 제어하여 기존 룰베이스 제어 알고리즘 대비 쾌적한 상태를 더 긴 시간 유지할 수 있으며 더 우수한 에너지 효율을 보인다. 이러한 결과를 통해 해당 기술을 활용 시 선제적 제어를 통해 재실자의 PM2.5 및 CO2 노출을 최소화하고 재실 시간 중 에너지소비량을 저감하여 건물환경 관리 및 제어 분야에 기여할 수 있을 것으로 사료된다. 다만, 본 연구는 실내 환기를 통한 공기질만 제어한 결과로, 냉난방 부하는 고려되지 않았다. 이는 HVAC 에너지소비량 저감을 위해서는 별도의 실내 온습도 예측모델이나 이를 탑재한 HVAC 예측 제어 방안의 개발이 필요함을 의미한다. 따라서, 개발된 기술의 범용적 활용을 위해서는 추가적인 HVAC 제어 알고리즘 개발 및 성능 향상 연구가 추가로 수행되어야 한다. 이를 위해 지속적인 현장 데이터 재학습 및 열, 공기 환경 통합 선제적 제어 로직 개발 연구가 진행될 예정이다.

영어초록

Amid growing concerns about health risks, the demand for safer indoor air quality has significantly increased, necessitating advanced control solutions. Previous studies focused on ventilation, air purification control, and the proactive management of indoor air pollutants. However, most of these studies relied on computer simulations, with few applications in real-world environments. In response, this study developed an AI-based integrated control algorithm for indoor PM2.5 and CO2 using empirical data. The algorithm incorporates prediction models for indoor PM2.5 and CO2 based on artificial neural networks, enabling proactive control. It was applied in a living lab to validate its effectiveness in improving indoor air quality and reducing energy consumption. The integrated control algorithm demonstrated an average reduction of 19.69% in indoor PM2.5 concentrations and 6.59% in CO2 concentrations compared to the existing rule-based algorithm, while also decreasing energy consumption by 9.42%. Furthermore, the algorithm maintained indoor PM2.5 and CO2 concentrations below established criteria for a longer duration, confirming its superior performance. The integrated control algorithm developed in this study effectively achieved both indoor air quality management and energy consumption reduction, contributing to the sustainable development of building environment management and control.

참고자료

· 없음