정격 성능 데이터와 현장 운영 데이터 기반 VRF 시스템 성능 예측 모델 개발 = Development of VRF system performance prediction model based on rated performance data and in-situ operational data

다국어 초록 (Multilingual Abstract)

The Variable Refrigerant Flow (VRF) system uses mechanical components and control technologies, including variable speed compressors and electronic expansion valves, to enable precise control of refrigerant flow into each indoor unit based on the thermal load. Therefore, the VRF system allows individual control of indoor units and flexible operation, resulting in enhanced energy efficiency compared to traditional systems. With such advantages, the VRF system becomes one of popular HVAC systems. As VRF systems are widely used, accurate modeling and performance prediction have become crucial for efficient operation. Developing a model that accurately describes the operational characteristics of a VRF system has been challenging due to their complex operating mechanisms and manufacturer-specific control technologies. Although manufacturers provide product specifications and performance curves to some extent for reference, they often only disclose limited data that meet regulatory measurement standards while keeping detailed information about system control algorithms confidential to protect their proprietary technology.
Previous research approaches have attempted to address those limitations by utilizing either empirical regression models based on manufacturer performance data or physics-based models using building energy analysis tools such as EnergyPlus and TRNSYS. However, these modeling approaches are subject to limitations, including uncertainty issues and modeling complexities. Additionally, the performance of those models heavily relies on rated operational data, thereby necessitating the use of additional techniques to accurately reflect the actual operation of VRF systems. Meanwhile, conventional data-driven approaches face challenges when historical data is insufficient or unavailable, representing the need for the development of data-driven models and techniques to compensate for the limited information.
In this study, a method is proposed to develop a performance prediction model that improves upon previous modeling efforts by utilizing manufacturer's performance data and a small amount of field measurement data. The approach of this study focuses on accurate prediction of system performance while considering the actual operation of VRF systems. The proposed modeling method utilizes corrected manufacturer's rated performance data, which encompasses representative system information, as the foundation for the proposed model.
By preprocessing the rated performance data, we develop a power consumption prediction model that demonstrates reasonable performance under steady-state conditions. However, this model has limitations when applied to unsteady-state conditions. To address this, we present a method that incorporates actual operating conditions using a small amount of measurement data and calibrates the model performance based on the rated performance data. Additionally, the proposed method includes estimating cooling capacity by analyzing the relationship between total capacity (TC) and other variables in the rated performance data. This approach is necessary as obtaining cooling capacity data through field experiments poses significant challenges.
For model development, the XGBoost algorithm is employed that is one of a gradient boosting decision tree algorithm, and the model hyperparameters are opimized using random search cross-validation. Finally, by conducting case studies, the performance and applicability of our proposed modeling method are demonstrated.
In summary, this study contributes to the advancement of modeling methods in VRF system performance prediction and supports efficient operation.

국문 초록 (Abstract)

VRF(Variable Refrigerant Flow) 시스템은 가변 속도 컴프레서와 전자식 팽창 밸브 등의 장치 및 제어 기술을 적용하여 각 실내기로 유입되는 냉매의 흐름을 각 실 부하에 따라 제어할 수 있는 시스템을 일컫는다. 각 실 부하에 맞추어 실내기의 개별적 제어가 가능하고, 실 부하에 따라 컴프레서의 주파수를 제어하여 유연한 운전이 가능하다. 때문에, 기존 시스템에 비해 효율적으로 에너지를 사용할 수 있어 건물 용도를 불문하고 널리 사용되고 있다.
VRF 시스템이 널리 사용됨에 따라, VRF 시스템을 잘 사용하기 위한 정확한 모델링 및 성능 예측 기술 또한 중요해졌으며 VRF 시스템의 운영 동특성을 잘 묘사할 수 있는 모델을 구축 후, 적절한 시스템 설계와 사용 전략 수립, 사전 성능 예측이 함께 수행된다면 에너지 사용 효율을 더욱 향상 시킬 수 있는 협력 효과를 기대할 수 있다. 그러나, VRF 시스템은 작동 메커니즘이 복잡하고 제조사 고유의 제어 기술이 포함되어 있어, 이를 모두 반영하면서 모델을 개발하는 것은 한계가 있다. 대부분의 에어컨 제조사에서는 사용자가 참고할 수 있게, 자사의 제품 사양을 표 혹은 성능 곡선으로 정리하여 공개하고 있으나, ISO, AHRI 등의 규제 표준에서 제시하는 측정 기준을 만족하는, 한정적인 데이터만 공개하고 있을 뿐, 시스템 제어 알고리즘 등의 세부 사항은 기술 보호를 위해 공개하지 않고 있다.
기존에는 이러한 한계를 극복하기 위해 제조사 성능 데이터를 기반으로 회귀 모델 형태의 경험적 모델 (Empirical model), EnergyPlus, TRNSYS 등 건물에너지해석도구로 대표되는 물리 기반 모델 (Physics-based model)을 활용하였으며, 운영 단계에서 다량의 시스템 운영 데이터가 확보되어 있는 상태라면 데이터 기반 모델(Data-driven model)을 생성하여 성능을 평가하는 방법이 많이 사용되어왔다. 그러나 기존 방법들은 VRF 시스템에 대한 풍부한 사전 지식과 함께 시스템 불확실성을 반영하면서 실제 운영을 묘사하기 위한 추가 기법이 요구되었다. 또한, 시스템을 설명할 수 있는 다량의 과거 데이터가 없거나 부족한 상태라면 데이터 기반 모델 구축 자체가 불가능하거나, 부족한 부분을 보완하기 위한 방법이 요구되었다.
본 연구에서는, 제조사 성능 데이터와 소량의 현장 측정 데이터를 바탕으로 기존에 수행되어왔던 모델링 난이도를 개선하고, 실제 VRF 시스템 운영을 묘사함과 동시에 시스템 성능을 정확하게 예측할 수 있는 보정된 제조사 정격 성능 데이터 기반 성능 예측 모델을 제안한다. 정격 성능 데이터는 시스템을 묘사하기 위해 한정적이지만 시스템의 대표적인 정보를 포함하고 있어, 이를 전처리하여 정격 성능 데이터 기반 소비 전력 예측 모델을 작성하였다. 정격 성능 데이터 기반 소비 전력 예측 모델은 실내 온도와 실내 설정 온도 차이가 거의 나지 않는 유사 정상 상태 조건에서는 합리적인 성능을 보이나, 그 외 조건에서는 그렇지 않았다. 따라서, 소량의 측정 데이터를 활용하여 모델에 실제 VRF 시스템 운영 조건을 반영하고 정격 성능 데이터 기반 모델의 성능을 보정할 수 있는 방법에 대해 제시하였다. 그리고, 정격 성능 데이터상의 냉방 능력(Total capacity: TC)과 나머지 변수들간의 관계를 분석하여 실험을 통해 얻기 어려운 냉방 능력을 추정할 수 있는 방법을 제시하였다. 모델 구축에는 Gradient boosting decision tree 알고리즘의 일종인 XGBoost 알고리즘이 사용되었으며, 모델의 하이퍼파라미터는 Random search cross validation 기법을 이용하여 최적화하였다. 마지막으로, 제안한 모델 개발 방법을 통해 생성된 모델은 사례 연구를 통해 모델의 성능과 적용 가능성을 확인하였다.

목차 (Table of Contents)

• 제 1 장 서론 1
• 1.1 연구의 배경 및 목적 1
• 1.2 연구 방법 3
• 제 2 장 VRF 시스템 모델링 관련 예비 고찰 5
• 2.1 VRF 시스템 모델링 관련 선행 연구 5
• 2.2 제조사 성능 데이터의 규제 표준 9
• 제 3 장 정격 성능 데이터 기반 VRF 시스템 성능 예측 모델 개발 13
• 3.1 제조사 정격 성능 데이터 전처리 13
• 3.2 소비 전력 예측 모델 개발 17
• 3.3 냉방 능력 추정 모델 개발 22
• 제 4 장 모델 적용 사례 연구 25
• 4.1 사례 연구 I - 실험실 25
• 4.2 사례 연구 II - 사무실 37
• 제 5 장 결론 46
• 참고문헌 48
• 부록 54
• A. 선행 연구와의 결과 비교 54
• B. TRNSYS 모델과 제조사 정격 성능 데이터 기반 모델 예측 결과 비교 56