실시간 건물 에너지 시뮬레이션 프레임워크 개발을 통한 냉방 시스템 예측 제어 = Predictive Control of Cooling System through the Development of Real-time Building Energy Simulation Framework

국문 초록 (Abstract)

최근, 에너지는 전 세계적으로 가장 중요한 이슈가 되었다. 에너지 빈국인 우리나라는 에너지를 잘 사용할 수 있도록 에너지 수급구조를 견고하게 만들어야 하고, 소비 효율을 극대화해야 한다.
국내외 중·대형 건물들에서는 에너지 소비 효율 향상과 운영비용 절감을 위해 건물 에너지 관리 시스템(BEMS, Building Energy Management System)을 도입하고 있다. 건물 에너지 관리 시스템은 건물의 에너지 사용량 조사 및 분석을 포함한 건물의 에너지 성능평가 및 진단을 가능하게 하고, 추가에너지 절약 가능성 검토 및 각종 에너지 절약 기법의 적용 등 건물의 에너지 효율을 향상시키기 위한 종합적인 수단으로 활용되어야 한다.
효과적인 건물 에너지 관리 시스템을 구축하기 위해서는 에너지 사용량 예측과 함께 제어를 적용한 연구가 병행되어야 한다. 이에 본 연구에서는 실시간 건물 에너지 시뮬레이션을 수행하여 에너지 사용량을 예측하는 프레임워크를 개발하였다. 이 프레임워크는 예측된 에너지 사용량을 토대로 적절한 제어 알고리즘을 적용할 수 있고, 예측 사용량에 대비하여 제어 효과를 분석할 수 있다. 그리고 2가지 데이터를 기반으로 실시간 건물 에너지 시뮬레이션을 수행하여 에너지 사용량을 예측하고 제어하므로 2가지 프레임워크(Part 1 프레임워크, Part 2 프레임워크)로 구분되어 개발되었고, 이후 2가지 프레임워크를 통합하였다. Part 1 프레임워크는 예측 기상 기반의 프레임워크이고, Part 2 프레임워크는 모니터링 데이터 기반의 프레임워크이다. 여기서, 예측 기상과 모니터링 데이터는 실시간 건물 에너지 시뮬레이션의 구현에서 불확실한 데이터를 최소화하고 재실자에 의해 발생하는 임의의 이벤트에 대응할 수 있도록 입력 데이터로 활용되었으며, 이것으로 일반적인 시뮬레이션과 비교하여 정밀한 시뮬레이션이 가능하게 되었다. 실시간 건물 에너지 시뮬레이션은 BCVTB를 활용하여 여러 소프트웨어와 연결된 co-simulation으로 구현되었다.

본 연구의 주요 결과를 요약하면 다음과 같다.

1) BCVTB를 활용하여 예보되는 기상 요소와 모델식을 활용하여 계산된 일사를 시뮬레이션에 입력하는 새로운 실시간 에너지 시뮬레이션 방법을 제안하였다. 총 4회(4일) 동안 에너지 사용량을 분석한 결과 입력한 모든 기상 요소가 영향을 미치는 것으로 분석되었다. 가능한 실제 기상과 유사하도록 다양한 기상 요소를 기상 데이터로 입력하는 게 실제 기상 조건과 유사할 수 있고 변동하는 기상에 따른 부하의 변화를 충분히 고려할 수 있다.

2) 실시간 예측 기상 요소를 기반으로 하는 Part 1 프레임워크에 대한 요약은 다음과 같다.
⦁ 예측된 에너지 사용량과 측정된 에너지 사용량은 통계적 지표인 시간별 MBE와 Cv(RMSE)로 비교하였다. 각각 1.3%, 20.1%로 허용 범위를 만족하였다.
⦁ 표준 기상 데이터를 활용하여 예측된 에너지 사용량과 측정된 에너지 사용량을 통계적 지표인 시간별 MBE와 Cv(RMSE)로 비교하였다. 각각 –4.2%, 34.8%로 산출되었고, Cv(RMSE) 값은 허용 범위를 만족하지 않았다. 표준 기상 데이터를 활용하여 예측할 때보다 실시간 기상 데이터를 활용하여 예측할 때 예측율이 향상되었다.
⦁ 개별적인 냉수와 냉각수의 설정 온도는 실시간 예측 기상을 기반으로 최적화 시뮬레이션을 통해 산출(냉수: 8.5℃, 냉각수: 27.5℃)되었다. 각각의 온도를 적용한 시뮬레이션 결과, 예측된 에너지 사용량에 대비하여 에너지 절감량은 각각 11 kWh, 7 kWh로 나타났다.
⦁ 유사한 방법으로 냉수와 냉각수의 설정 온도 제어를 동시에 적용하였을 때, 냉수와 냉각수의 설정 온도는 각각 8.5℃, 27.75℃로 산출되었다. 각각의 온도를 적용한 시뮬레이션 결과, 예측된 에너지 사용량에 대비하여 에너지 절감량은 17 kWh로 나타났다.

3) 실시간 모니터링 데이터를 기반으로 하는 Part 2 프레임워크에 대한 요약은 다음과 같다.
⦁ 예측된 에너지 사용량과 측정된 에너지 사용량은 통계적 지표인 시간별 MBE와 Cv(RMSE)로 비교하였다. 각각 -0.7%, 19.1%로 허용 범위를 만족하였고, Part 1 프레임워크 대비 예측율이 향상되었다.
⦁ 실시간 모니터링 데이터를 기반으로 예측된 실내외 환경 요소에 의해 엔탈피 제어와 야간 외기도입 제어 알고리즘이 적용되었고, 제어 변수 값인 공조기의 댐퍼 위치와 팬의 운영 스케줄을 산출하였다. 산출된 제어 변수를 적용한 시뮬레이션 결과, 예측된 에너지 사용량에 대비하여 에너지 절감량은 각각 9 kWh, -7 kWh로 나타났다. 야간 외기도입 제어는 때에 따라 불리한 제어일 수도 있다.

4) Part 1 프레임워크와 Part 2 프레임워크를 통합한 프레임워크로 3가지 사례 연구를 진행하였다. 첫 번째 사례 연구는 냉수 설정 온도 제어와 엔탈피 제어를 동시에 적용한 연구이다. 두 번째 사례 연구는 냉각수 설정 온도 제어와 엔탈피 제어를 동시에 적용한 연구이다. 세 번째 사례 연구는 냉수와 냉각수 설정 온도 제어, 엔탈피 제어를 동시에 적용한 연구이다. 산출된 제어 변수를 적용한 시뮬레이션 결과, 예측된 에너지 사용량에 대비하여 에너지 절감량은 각각 12 kWh, 4 kWh, 14 kWh로 나타났다.

5) 통합 프레임워크는 2가지 조건, 즉 예측 기상과 모니터링 데이터의 입력이 가능하면 구현할 수 있다. 여기서, 예측 기상은 기상청의 동네예보로부터 입력받을 수 있고, 모니터링 데이터는 EM(C)S에서 데이터를 입력받을 수 있다. 본 연구에서는 기상청의 동네예보에 따른 국내 대표 도시에 통합 프레임워크를 적용하였고, 지역에 따라 상이한 결과가 나타남을 확인하였다. 건물에 EM(C)S가 설치되어 있는지에 대한 여부는 본 연구에서 가정할 수밖에 없으므로 활용 가능성에 대해서 검토하지 않았다. 따라서 EM(C)S가 설치된 건물이라면, 통합 프레임워크는 국내 어느 지역에서든지 활용할 수 있다.

본 연구에서는 실시간 건물 에너지 시뮬레이션을 구현하였고, 실제 대상 건물에 적용하여 검증하였다. 또한, 에너지 예측은 기존의 표준 기상 데이터를 활용하여 예측할 때보다 실시간 건물 에너지 시뮬레이션을 활용하여 예측할 때 예측율이 향상되었다. 이 결과를 토대로 예측 제어 시뮬레이션을 수행하면 현재 상황이 반영된 예측 제어이므로 합리적인 제어 결과(에너지 절감량, 제어 변수 값)를 산출할 수 있게 된다. 이런 방법론은 비록 시뮬레이션의 결과이기는 하지만, 기존의 MPC 연구보다 신뢰성을 가질 수 있게 된다. 또한, 본 연구에서의 에너지 절감량은 그리 크지 않지만, 실시간으로 제어의 결과를 분석하는 데 효과적이다. 이때 산출된 제어 변수 값은 건물 운영 관리자에게 전달되어 운영에 대한 의사 결정 자료로 활용될 수 있다.

다국어 초록 (Multilingual Abstract)

Recently, energy has become the most important issue in the world. Since Korea has insufficient energy, they must strengthen their supply and demand structure to ensure proper use of energy and maximize consumption efficiency.
Medium and large buildings in Korea and overseas are implementing the Building Energy Management System (BEMS) to improve energy efficiency and reduce operational costs. The BEMS enables energy performance evaluation and diagnosis of the building, including investigation and analysis of energy consumption. In addition, it can be used as a wide-ranging tool to improve the building’s energy efficiency by reviewing additional energy savings and applying energy saving techniques.
To establish an effective BEMS, there must be research regarding the details of applying control along with energy consumption prediction. Therefore, this study conducted a real-time building energy simulation in order to develop a framework to predict energy consumption. This framework can analyze the effects of control in comparison with predicted consumption by applying appropriate control algorithms based on predicted energy consumption. Moreover, the real-time building energy simulation is conducted based on these two types of data to predict and control energy consumption. The framework was divided into two types (Part 1 framework and Part 2 framework), which were later integrated. Part 1 framework is based on forecasted weather, while Part 2 framework is based on monitoring data. The forecasted weather and monitoring data are used as input data to minimize inaccuracies and to cope with random events that are caused by the occupant in the implementation of real-time building simulations. This data was then compared with the typical simulation to increase its accuracy. The real-time building energy simulation is implemented as a co-simulation coupled with multiple softwares using BCVTB (Building Controls Virtual Test Bed).

The key findings of this study are as follows:

1) This study proposed a novel building energy simulation methodology where forecasted weather elements on a real-time basis and solar radiation which is calculated using the model using BCVTB, is inputted into the simulation. After analyzing energy consumption 4 times (4 days), it was found that all weather elements had an influence on energy consumption. Various weather elements were inputted as weather data in order to represent actual weather conditions as well as the changes in load according to the fluctuating weather.
2) Part 1 framework is based on real-time weather predictions and can be summarized as follows:
⦁ Predicted energy consumption and measured energy consumption are compared with the statistical hourly MBE and CV(RMSE), they satisfied the acceptable value with 1.3% and 20.1%.
⦁ When predicted energy consumption and measured energy consumption are compared with the statistical hourly MBE and CV(RMSE) using standard weather data, each was -4.2% and 34.8%, and the CV(RMSE) value did not satisfy the acceptable value. The prediction rate increased when the prediction is made using real-time weather data than when using standard weather data.
⦁ Each chilled water and cooling water set-point temperature control is simulated through optimized simulations based on real-time forecasted weather (chilled water: 8.5℃ cooling water: 27.5℃). Energy savings in comparison with predicted energy consumption were 11 kWh and 7 kWh because of simulations applying each temperature.
⦁ Similarly, when the both chilled water and cooling water set-point temperature control is applied simultaneously, the these were calculated as 8.5℃ and 27.75℃. In this case, energy savings in comparison with predicted energy consumption turned out to be 17 kWh because of simulations applying each temperature.
3) Part 2 framework based on real-time monitoring data can be summarized as follows:
⦁ Predicted energy consumption and measured energy consumption are compared with the statistical hourly MBE and CV(RMSE), they satisfied the acceptable value with -0.7% and 19.1%, and the prediction rate increased compared to Part 1 framework.
⦁ The enthalpy control and night purge algorithms were applied due to indoor and outdoor environmental elements predicted based on real-time monitoring data. The damper position of the Air Handling Units (AHUs) and the fan’s operation schedule, which are control variables, were calculated. As a result of simulation applying calculated control variables, energy savings in comparison with predicted energy consumption turned out to be 9 kWh and -7 kWh. Control on night purge may be disadvantageous from time to time.
4) Three(3) case studies were conducted with the integrated Part 1 and Part 2 frameworks. The first case study applied the chilled water set-point temperature control and enthalpy control simultaneously. While the second case study applied the cooling water set-point temperature control and enthalpy control simultaneously and finally, the third case study applied the chilled water and cooling water set-point temperature control as well as enthalpy control simultaneously. Energy savings compared to predict energy consumption turned out to be 12 kWh, 4 kWh, and 14 kWh, respectively.
5) The integrated framework can be implemented if forecasted weather and monitoring data can be input. Forecasted weather can be received from the Korea Meteorological Administration (KMA), while monitoring data can be received from EM(C)S. This study presumed that EM(C)S is installed in the building, and did not conduct separate examination on applicability. Alternatively, an examination was conducted on the applicability of the integrated framework to key cities in Korea according to the of KMA, and the integrated framework can be applied to all regions in Korea if the building has EM(C)S installed.

The real-time building energy simulation is verified to be implemented and applied to an actual building in this study. Moreover, the prediction rate increased compared to using standard weather data for prediction, as it is based on the real-time building energy simulation. If predictive control simulation is conducted based on this result, rational control effects (energy savings, control variables) can be calculated. This methodology is a result of simulations, and has more reliability that the existing MPC study. Furthermore, while energy savings in this study are not so significant, it is effective in analyzing the result of control on a real-time basis. The control variables calculated here are delivered to the building operator to be used as decision-making data for operation.

목차 (Table of Contents)

• 1. 서론 1
• 1.1 연구의 배경 및 목적 1
• 1.2 연구 내용 및 방법 14
• 1.3 연구의 개요 22
• 2. 예비적 고찰 25
• 2.1 개요 25
• 2.2 문헌 고찰 25
• 2.2.1 에너지 예측 25
• 2.2.2 기상 데이터 30
• 2.2.3 실시간 시뮬레이션 31
• 2.2.4 Co-simulation 33
• 2.3 소프트웨어 37
• 2.3.1 BCVTB 37
• 2.3.2 EnergyPlus 41
• 2.3.3 GenOpt 49
• 2.3.4 MATLAB 53
• 3. 외부 데이터 입력 55
• 3.1 개요 55
• 3.2 BCVTB와 External Interface 57
• 3.3 기상청과 동네예보 57
• 3.3.1 동네예보 59
• 3.3.2 예측 기상 요소의 활용 (XML과 XSL) 64
• 3.4 일사 예측 모델식과 보간법 66
• 3.4.1 일사 예측 모델식 66
• 3.4.2 보간법 75
• 3.5 사례 적용 77
• 3.5.1 대상 건물 77
• 3.5.2 적용 90
• 3.6 소결 108
• 4. 실시간 건물 에너지 사용량 예측과 제어 111
• 4.1 개요 111
• 4.2 Part 1 프레임워크: 예측 기상 기반 실시간 건물 에너지 사용량 예측과 제어 113
• 4.2.1 Part 1 프레임워크 개요 113
• 4.2.2 Part 1 프레임워크의 구현 116
• 4.3 Part 2 프레임워크: 모니터링 데이터 기반 실시간 건물 에너지 사용량 예측과 제어 172
• 4.3.1 Part 2 프레임워크 개요 172
• 4.3.2 Part 2 프레임워크의 구현 175
• 4.4 소결 211
• 5. 통합 프레임워크 및 활용성 검토 215
• 5.1 개요 215
• 5.2 통합 프레임워크 215
• 5.2.1 사례 연구 1 217
• 5.2.2 사례 연구 2 219
• 5.2.3 사례 연구 3 222
• 5.3 활용성 검토 225
• 5.3.1 통합 프레임워크의 특징 225
• 5.3.2 타 건물과 타 지역의 적용 228
• 5.3.3 활용분야 234
• 5.4 소결 235
• 6. 결론 및 향후 연구 237
• 6.1 결론 237
• 6.2 향후 연구 242
• 참고문헌 245
• 1. 국내문헌 245
• 2. 국외문헌 249
• 3. 웹사이트 263
• ABSTRACT 265