태양열 시스템 제어 알고리즘 개발을 위한 ANN 기반 집열기 축열량 예측 모델 연구 (Artificial Neural Network-based Predictive Model for Stored Energy in a Solar Thermal Collector)

서지정보

· 발행기관 : 대한설비공학회
· 수록지 정보 : 설비공학 논문집 / 36권 / 1호 / 18 ~ 30페이지
· 저자명 : 전호성, 연상훈, 김민휘, 김철호, 이광호

초록

본 연구에서는 건물 난방부하에 대응하여 효율적인 태양열 축열량 활용을 위해 ANN을 활용한 태양열 축열량 예측모델을 개발을 진행하였다. ANN 예측모델 개발을 위해 진천 친환경에너지타운으로부터 2019년 8월 1일부터 2020년 7월 31일까지 1시간 단위 데이터를 활용하여 학습데이터 구축하였다. 또한 인공지능 개발언어 중 하나인 Python과 딥러닝 모델 라이브러리인 Keras와 Tensor Flow를 사용하여 ANN 예측모델 개발을 진행하였으며 이에 대한 내용은 아래와 같다.


(1) IBM Statistics SPss 26을 활용하여 14개의 입력변수와 1개의 출력 변수 간의 상관관계 분석을 진행한 결과, Fe,c, Ff,s, Fe,s 그리고 Horizontal insolation, Slope surface insolation을 제외한 나머지 변수의 상관관계는 크게 떨어진 것을 확인했다. 하지만 해당 변수들은 집열량 및 축열량에 큰 영향을 미치는 변수이기 때문에 본 연구에서 입력변수로 사용했으며 우수한 예측 성능을 나타낼 수 있었다.
(2) ANN 예측모델은 3가지 성능지표를 통해 예측성능 분석을 진행한 결과 Cv(RMSE)=11.69%, R2=0.933로 상당히 높은 예측 성능을 보였다. 특히 NMBE의 경우 -1.21%로 예측값이 실측보다 작은 경향성을 보였으나 모델의 균형이 잘 이루어진 것으로 판단되며 이는 ASHRAE Guideline 2014에서 권장하는 조건을 충족하였다.
(3) 태양열 축열량에 따른 예측성능 비교 결과, 대략 축열량이 50 kWh 초과인 구간의 경우 Cv(RMSE)는 평균 10.9%로 높은 예측도를 나타냈으나 50 kWh 이하 구간의 예측률은 다소 낮게 나타났다. 이는 태양열 축열량 구간별 학습데이터의 비율 및 계절별 태양열 축열량의 차이 그리고 실측과정에서 발생한 작동 스케줄 오류로 인한 이상치 데이터로 인해 예측성능에 영향을 미친 것으로 판단된다.


추후 연구에서는 ANN 모델 성능 개선을 위해 이상치 데이터를 보완하고 실제 건물 부하와 결합을 통해 에너지 최적 운영 알고리즘을 개발하고자 한다.

영어초록

Among a variety of renewable energies, solar energy can be economically used to replace conventional heating and hot water energy. However, it is greatly affected by the surrounding environment. Therefore, research for predicting renewable energy is an essential factor in securing the reliability and stability of renewable energy, and research using artificial intelligence has recently been actively conducted. This study conducted research on the development and analysis of an artificial neuron network (ANN)-based solar thermal energy predictive model. The predictive model was developed using in-situ data from a solar collector installed in a public building in the Jincheon Eco-Friendly Energy Town, which were collected from August 1, 2019 to July 31, 2020. The performance evaluation of the predictive model was conducted using Cv(RMSE), NMBE, and R2, as recommended by ASHRAE 2014 guidelines. The accuracy verification of the prediction model for hourly data showed that the solar thermal energy predictive model had a Cv(RMSE) of 11.7%, a NMBE of -1.2%, and a R2 of 0.93%. These results indicate that the predictive model can be properly used in the subsequent control algorithm for eventual energy saving.

참고자료

· 없음