냉방 시스템 예측 성능 향상을 위한 성능곡선 보정 기반 모델 개발 = Development of a model based on performance curve correction for improving prediction accuracy of cooling systems|RISS 상세보기

다국어 초록 (Multilingual Abstract)

Chiller systems are identified as a major source of energy consumption in commercial buildings and industrial sectors, necessitating the development of sophisticated prediction models for energy savings and efficient operation. This study proposes an integrated prediction model that combines corrected performance curves from an existing physical model with a Long Short-Term Memory (LSTM)-based AI model, achieving high prediction accuracy even in data-limited scenarios. The aim is to enhance predictive accuracy by leveraging the thermodynamic reliability of the physical model and the nonlinear data-learning capabilities of AI.
In this study, the physical model was improved by optimizing key parameters of cooling towers and chillers and correcting performance curves, thus addressing limitations of the existing model. Additionally, the LSTM-based AI model was employed to learn the discrepancies between the physical model predictions and actual measurements. By utilizing time-series data, the AI model effectively captured nonlinear characteristics and complex dynamic interactions, significantly enhancing prediction accuracy.
The performance comparison revealed that the physical model with corrected performance curves (Case 2) showed improved predictive accuracy compared to the original physical model (Case 1). Case 2 recorded Mean Bias Error (MBE), Root Mean Square Error (RMSE), and Coefficient of Variation of RMSE (CVRMSE) values of 2.82%, 11.93 kW, and 4.14%, respectively, indicating a reduction in prediction error. Furthermore, Case 3, which combined the corrected physical model with the LSTM-based AI model, demonstrated even greater improvements in prediction performance. It achieved MBE, RMSE, and CVRMSE values of 0.28%, 6.43 kW, and 2.87%, respectively, marking the best performance among all cases and significantly outperforming the previous models.
In conclusion, this study confirms that the integration of performance curve correction and AI models can enhance predictive accuracy for complex systems, even in data-limited environments. This approach demonstrates the potential to effectively combine the reliability of physical models with the learning capabilities of AI, offering practical contributions to diverse applications aimed at improving energy efficiency and achieving sustainable system operations.

번역하기

국문 초록 (Abstract)

냉동기 시스템은 상업용 건물과 산업 분야에서 에너지 소비의 주요 원인으로 지목되며, 에너지 절감과 효율적인 운영을 위해 정교한 예측 모델의 개발이 요구된다. 본 연구에서는 데이터가 부족한 상황에서도 높은 예측 성능을 달성하기 위해 기존 물리 모델의 성능곡선을 실제 운전 데이터를 통해 보정하고, LSTM(Long Short-Term Memory) 기반 AI 모델을 결합한 통합 예측 모델을 제안하였다. 이는 물리 모델의 열역학적 신뢰성과 AI의 비선형적 데이터 학습 능력을 결합하여 시스템의 예측 정확도를 향상시키고자 하는 데 목적이 있다.
본 연구의 물리 모델 구축 과정에서는 냉각탑과 냉동기의 주요 파라미터를 최적화하고 성능곡선을 보정함으로써 기존 모델의 한계를 보완하였다. 또한, LSTM 기반 AI 모델은 물리 모델의 예측값과 실측값 간의 오차를 학습하여 물리 모델의 부족한 부분을 보완하였으며, 시계열 데이터를 활용하여 시스템의 비선형적 특성과 복잡한 동적 상호작용을 반영하며 예측 정확도를 높였다.
예측 성능 비교 분석 결과, 성능곡선을 보정한 물리 모델(Case 2)은 기존 물리 모델(Case 1) 대비 예측 성능이 개선된 것을 확인하였다. Case 2 모델은 MBE(Mean bias error), RMSE(Root mean square error), CVRMSE(Coefficient of variation of RMSE) 성능 지표에서 각각 2.82%, 11.93kW, 4.14%를 기록하며, Case 1 대비 예측 오차가 감소함을 확인하였다. 또한, Case 3 모델은 성능곡선을 보정한 Case 2 모델에 LSTM 기반 AI 모델을 추가적으로 결합함으로써 예측 성능을 더욱 개선하였다. MBE, RMSE, CVRMSE 지표에서 각각 0.28%, 6.43kW, 2.87%로 가장 우수한 성능을 기록하였으며, 이는 기존 모델 대비 예측 정확도가 크게 향상되었음을 보여준다.
결론적으로, 본 연구는 데이터가 제한적인 환경에서도 시스템의 성능곡선 보정과 AI 모델의 통합을 통해 복잡한 시스템의 예측 정확도를 높일 수 있음을 확인하였다. 이를 통해 물리 모델의 신뢰성과 AI의 학습 능력을 결합하여 에너지 효율과 지속 가능한 시스템 운영을 목표로 하는 다양한 응용 분야에 실질적으로 기여할 수 있음을 확인하였다.

번역하기

냉동기 시스템은 상업용 건물과 산업 분야에서 에너지 소비의 주요 원인으로 지목되며, 에너지 절감과 효율적인 운영을 위해 정교한 예측 모델의 개발이 요구된다. 본 연구에서는 데이터가 ...

목차 (Table of Contents)