Project

General

Profile

인공지능과 디지털 트윈을 이용한 건물 에너지 최적제어 EMS 개발


1. 개요

본 문서는 "2021 ATC+ 우수기업 연구소 육성사업" 의 일환으로 수행된
"인공지능과 디지털 트윈 기술을 이용한 상용건물의 에너지 효율향상을 위한 최적제어 알고리즘 EMS 개발" 프로젝트 내용을 정리한 기술 문서입니다.

본 연구에서는 실측 데이터와 시뮬레이션 데이터를 활용하여 AI 기반의 냉난방 에너지 최적제어 알고리즘을 개발하고,
이를 디지털 트윈(Digital Twin) 모델과 연계하여 실증하는 것을 목표로 합니다.

1.1 연구 목적

  • AI 기반 에너지 예측 모델 구축
  • 디지털 트윈(Digital Twin) 기술 활용
  • 최적제어 알고리즘(EMS) 개발 및 에너지 절감 효과 검증

1.2 연구 대상 건물

총 4개의 연구 대상 건물을 선정하여 실측 데이터를 활용한 연구를 수행하였습니다.

번호 대상 건물 위치
1 SC 공장 South Carolina, USA
2 NC 오피스 빌딩 North Carolina, USA
3 광주 공장 광주, 대한민국
4 서울에너지드림센터 서울, 대한민국

1.3 연구 목표 및 성과

  • DL 기반 예측 알고리즘 성능 개선
    • CV(RMSE) 20% 이내 달성
    • NMBE 10% 이내 달성
  • 에너지 절감 목표: 냉난방 에너지 5~10% 절감
  • Toolbox 시스템 연동을 통한 실증 연구

2. AI 기반 예측 모델 개요

본 연구에서는 Python을 활용하여 딥러닝(Deep Learning, DL) 기반 에너지 예측 모델을 개발하였습니다.

2.1 ANN(Artificial Neural Network) 모델 적용

  • 활성화 함수: Sigmoid, ReLU 사용
  • 데이터 정규화: MinMaxScaler 적용
  • 학습 방식: ANN(Artificial Neural Network) 기반 지도학습

2.2 평가 방법

예측 모델의 성능을 검증하기 위해 다음과 같은 평가 지표를 사용하였습니다.

CV(RMSE) (Coefficient of Variation of Root Mean Squared Error)

  • 실측값과 예측값 간의 차이를 정량적으로 평가
  • ASHRAE Guideline 14-2014 기준: CV(RMSE) ≤ 30% 허용
  • 연구 목표: CV(RMSE) ≤ 20%

NMBE (Normalized Mean Bias Error)

  • 예측 모델의 편향(bias) 정도를 평가
  • 연구 목표: -10% < NMBE < 10%

3. 대상 건물 및 Digital Twin 모델 개발

본 연구에서는 실제 건물의 데이터를 활용하여 AI 기반 예측 모델을 개발하고,
서울에너지드림센터에 Digital Twin 모델을 구축하여 시뮬레이션 검증을 수행하였습니다.

3.1 실측 데이터 활용 기간

건물 난방 데이터 냉방 데이터
SC 공장 1월~3월 6월~8월
NC 오피스 1월~3월 6월~8월
광주 공장 12월~2월 7월~10월
서울에너지드림센터 12월~2월 6월~8월

3.2 Digital Twin 구축 (서울에너지드림센터)

  • EnergyPlus + Design Builder 사용
  • BEMS 데이터 기반 모델 검증
  • LBNL 재실자 시뮬레이터 활용
  • 실측 데이터와 시뮬레이션 비교 분석

4. ANN 기반 예측 모델 코드 개요

ANN 기반 예측 모델의 핵심적인 코드 구조는 다음과 같이 구성됩니다.

4.1 데이터 설정 (Data Setting)

  • 7:3 비율로 학습 및 테스트 데이터 분할
  • Python 라이브러리 활용 (TensorFlow, Keras 등)
  • 실측 데이터 정규화 (MinMaxScaler)

4.2 학습 과정 (Training)

  • Hyper-parameter 튜닝:
    • Hidden Layer 개수 조정
    • Optimizer: Adam 사용
    • Epoch 및 Patience 설정

4.3 모델 성능 평가 (Testing)

  • ANN 모델의 예측 성능 검증
  • CV(RMSE), NMBE 기반 성능 평가

5. AI 기반 최적제어 알고리즘 적용 및 효과 검증

본 연구에서는 AI 기반의 최적제어 알고리즘을 적용하고,
실측 데이터와 시뮬레이션을 비교하여 에너지 절감 효과를 검증하였습니다.

5.1 Toolbox 연동을 통한 냉방에너지 절감량 검증

  • SC 공장, 광주 공장에 ANN 기반 최적제어 알고리즘 적용
  • 냉방에너지 절감률 분석
  • 기존 운전 방식과 비교하여 에너지 절감량 평가

5.2 Digital Twin을 활용한 서울에너지드림센터 에너지 절감 분석

  • Python + EnergyPlus 연동 시뮬레이션
  • 냉방/난방 최적제어 로직 적용
  • 실측 데이터와 시뮬레이션 결과 비교 분석

6. 결론 및 향후 연구 방향

본 연구를 통해 AI 기반 에너지 예측 모델을 구축하고,
Digital Twin을 활용한 최적제어를 적용하여 냉난방 에너지 절감 효과를 확인하였습니다.

6.1 연구 성과

  • ANN 기반 예측 모델의 성능 검증 (CV(RMSE) ≤ 20% 달성)
  • Digital Twin 기반 최적제어 알고리즘 적용
  • 실측 데이터 및 시뮬레이션을 통한 에너지 절감 효과 검증

6.2 향후 연구 방향

  • 실시간 최적제어 시스템 구현
  • 다양한 건물 유형에 대한 AI 기반 에너지 절감 모델 적용
  • IoT 기반 실시간 모니터링 시스템과 연계

연구기관 연구자 정보

A. 공동 연구기관 연구자 정보

기관명 부서 성명 직위 이메일 학력
NC State University School of Architecture 조술연 부학장 Texas A&M University 박사
NC State University School of Architecture 하주완 박사 연구원 경상대학교 건축학과 석사
고려대학교 산학협력단 미래건설환경 융합연구소 이광호 학과장 University Illinois at Urban-Champaign 박사
고려대학교 산학협력단 미래건설환경 융합연구소 연상훈 박사 연구원 고려대학교 건축공학 박사
고려대학교 산학협력단 미래건설환경 융합연구소 홍성협 박사 연구원 고려대학교 건축공학 박사

B. 외부 협력기관 연구자 정보

기관명 부서 성명 직위 이메일 학력
삼성전자(주) 통합오퍼레이팅센터 김석우 파트장 New York University 석사
(주)사이클로직 최재호 대표 서울대학교 전자공학과 석사
Lawrence Berkeley
National Lab.		 Building Technology
& Urban System		 김동훈 Computation Research
Scientist		 Purdue University 박사

C. (주)인터전기 연구자 정보

부서 성명 담당 업무 직위 이메일
R&D Center 전상현 연구소장 전무
R&D Center 김융규 알고리즘 및 플랫폼 개발 부장
R&D Center 김동언 컨트롤러 및 디바이스 개발 차장
R&D Center 이관형 컨트롤러 및 디바이스 개발 과장
R&D Center 이서현 데이터 분석 및 제어 로직 개발 대리