KIEAE Journal

최근 인간의 실내 거주시간이 증가함에 따라 쾌적한 실내환경의 제공은 삶의 질을 결정짓는 중요한 요소가 되었다 [1]. 특히, 열환경은 실내환경상태를 결정짓는 가장 중요한 요소 중 하나이며, 적절한 열환경 제공을 위한 다양한 방법들이 연구, 제안되고 있다. 공간 및 외피의 효율적 구성, 자연형 요소의 도입, 제어시스템의 성능향상 및 효율적 제어 등이 그러한 예로 볼 수 있다.

이중외피는 쾌적하고 효율적 실내환경 제공을 위한 성공적인 접근법으로 인식되어 있다. 실내/외측의 이중외피, 개구부, 차양장치 등이 주요 구성요소로써, 개구부 및 차양장치의 적절한 작동을 통하여 열환경의 쾌적성 및 시스템의 에너지 성능을 향상시킬 수 있는 가능성을 제공한다 [2-8]. 또한, 중공층은 전도(conduction) 및 대류(convection)에 의한 실내외 열전달을 제어할 수 있는 장점이 있다.

이중외피 개구부의 작동을 위한 방법은 크게 두 가지로 나눌 수 있다. 첫 번째는 규칙기반 제어법(rule-based control method)이다. 이 제어법은 개구부의 개폐를 위하여 정해진 규칙을 따른다. 예를 들어, 여름철 중공층 온도가 28°C 이상이면 실내측 개구부는 닫고, 실외측 개구부는 개방하여 중공층의 가열된 공기를 외부로 배출시킨다. 하지만 동일한 조건에 대하여 겨울철에일 경우에는 실외측은 닫고, 실내측의 개방하여 가열된 공기를 실내로 유입시킨다 [9].

이러한 규칙기반 제어법은 규칙의 단순성, 적용의 용이성 등의 장점을 가지고 있다. 하지만, 적용된 규칙은 건물 관리자 혹은 사용자의 경험, 직관 등에 의해 결정된다는 한계점을 가지고 있다. 다시 말해 최적의 규칙이 도출된 것이 아니며, 보다 효율적인 대안이 존재할 수 있는 가능성이 존재한다.

두 번째 방법은 최적제어방법으로서 기존의 규칙기반 제어법의 한계점을 개선할 수 있다. 최적제어 알고리즘을 적용함으로써 개구부를 이상적으로 작동할 수 있는 장점이 있으며, 최근 인공신경망(artificial neural network, ANN) 등의 적용 등이 시도되고 있다.

인공신경망은 인간의 신경전달과정과 학습 및 판단의 과정을 공학적 모델로 구현한 것으로써 입력층, 숨겨진층, 출력층으로 구성되어 있다. 각 층은 일련의 뉴런들로 구성되어 있으며, 각 층 뉴런들 사이에는 가중치가 할당되어 뉴런들 간의 관계성이 결정된다. 일련의 입력뉴런에 사용되는 입력값들과 가중치, 전이함수 등을 사용하여 숨겨진 층의 뉴런들로 결과값이 전달되며 숨겨진 층에서도 유사한 과정을 통하여 출력층의 뉴런으로 전달되어 결과값을 도출하게 된다. 또한, 결과값의 오차를 사용하여 가중치를 수정하는 자가학습을 통하여 보다 안정적이고 정확한 결과값을 도출하게 된다.

인공신경망을 적용한 이중외피건물의 개구부 작동제어에 관한 연구가 다양하게 진행되고 있다 [10-16]. 이들 연구에서는 실내외측 개구부의 개구부 상태에 따른 실내온도를 예측하는 신경망모델이 제안되었다. 특히, 개발된 신경망 모델은 실내외 온도조건 및 4 가지의 개방상태(실내외측 모두 닫힘, 실내측 열리고 실외측 닫힘, 실내측 닫히고 실외측 열림, 실내외측 모두 열림)에 대한 다음 제어 사이클까지의 실내온도 변화를 예측하도록 계획되었다.

예측된 실내온도를 사용하여 최적의 개구부 상태를 결정함과 동시에, 최적 개구부 상태를 반영한 on-off two-position 냉난방시스템 작동을 결정하는 알고리즘이 개발되었다. 예를 들어 겨울철 4 가지 개방조건에 대하여 예측된 온도가 각각 1.0°C, 0.5°C, -0.5°C, 그리고 –2.0°C일 경우, 최적의 개방상태는 실내외측이 모두 닫힌 1.0°C로 결정된다. 따라서 이중외피의 개구부는 모두 닫히게 된다. 기존 연구에서의 분석 결과, 제안된 모델과 알고리즘은 기존의 규칙기반 제어법보다 쾌적한 열환경을 제공하는 것으로 분석되었다.

기존의 연구에서는 이중외피 개구부 및 단순한 two-position on/off 냉난방 시스템의 통합제어를 위한 인공신경망 모델 및 알고리즘이 개발되었다. 기존의 연구 결과를 바탕으로 본 연구는 이중외기 개구부 및 가변적(variable) 냉방시스템의 최적제어를 위한 신경망모델과 예측제어 알고리즘을 개발하는 것을 목적으로 한다. 이를 위하여 두 개의 신경망 모델이 개발되며, 이는 각각 개구부의 개방상태와 가변냉방시스템의 작동상태를 결정하게 된다. 또한, 이들 두 예측 모델이 내재된 예측알고리즘의 성능은 기존의 규칙기반제어법과의 비교를 통하여 우수성이 증명된다. 성능증명은 컴퓨터시뮬레이션 기법을 이용하여 실시되었다.

규칙기반 알고리즘과 예측기반 알고리즘의 성능분석은 열환경 및 시스템작동 측면에서 분석되었다. <그림7>과 <그림8>은 전체 평가 기간 중 샘플 기간(8월 9일~13일)에 대한 각 제어 알고리즘 적용 결과를 보여준다.

Fig. 7. 
Operating results by rule-based control algorithm

Fig. 8. 
Operating results by predictive control algorithm

각 그림에서의 외기온도는 18.50~29.99°C로 변화하고 있다. 실내온도의 경우, 규칙기반 알고리즘을 적용함에 따라 dead-band인 23.0~26.0°C를 기준으로 상승과 하강을 반복하는 결과를 보이고 있다<그림7>. 이는 냉방시스템의 작동여부가 dead-band에 기반한 규칙에 의하여 작동되기 때문이며, 이는 온도의 상승 및 하강 현상이 냉방시스템의 작동과 일치하는 것으로 방증된다. 실외측 개구부는 항상 개방상태인 것으로 나타났으며, 실내 개구부의 경우 실외온도가 낮은 새벽경에 개방되는 것으로 분석되었다. 이를 통하여 차가운 외부공기의 실내유입을 가능하게 하여 시원한 실내환경을 유지하는 긍정적 측면이 있는 반면, 일부의 경우(8월 13일) 지나치게 차가운 외부 공기의 도입으로 실내온도가 쾌적범위 아래로 춥게 형성되는 결과를 나타내기도 하였다.

예측기반 알고리즘의 경우 <그림8>에서 나타나듯이 냉방시스템의 작동비가 0~1 사이에 가변적으로 유지되고 있는 것으로 나타났다. 이는 냉방시스템의 최적 작동비를 예측하기 위한 인공신경망의 작동 결과이다. 그 결과 실내온도의 변동폭이 대폭 감소되어 dead-band의 중간값인 24.5°C에 보다 가깝게 안정적으로 유지되고 있는 것으로 분석되었다. 외측개구부의 경우 규칙기반제어법과 동일하게 항상 개방되어 있는 것으로 나타났으며, 실내측 개구부의 경우 샘플기간 중 항상 닫혀있는 것으로 분석되었다. 이 역시 신경망 모델의 예측에 근거하여 24.5°C를 유지하기 위해선 지나치게 차가운 외부공기가 도입되는 것을 방지하기 위함인 것으로 사료된다. 그 결과, 실내온도는 dead-band 이하로 비쾌적하게 유지되는 기간이 발생하지 않는 것으로 분석되었다.

전체 평가 기간에 대한 분석결과는 <표1>에 정리되어 있다. 실내온도의 경우 예측기반 알고리즘을 적용함에 따라 설정된 온도범위에 존재하는 기간이 대폭 상승한 것으로 나타났으며 그 증가폭은 27.83%에 달했다. 반면, 설정영역보다 춥거나 더운 기간은 현저히 감소되었다. 이는 가변냉방시스템의 적절한 작동에 의한 것으로 사료된다. 또한, 예측기반 알고리즘을 적용함으로써 실내온도가 보다 안정적으로 유지되고 있으며, 이는 dead-band의 중간값인 24.5°C를 기준으로 한 표준편차가 현저히 줄어든 것으로 확인할 수 있다. <그림9>는 실내온도와 dead-band의 중간값인 24.5°C와의 차이를 정도에 따른 발생횟수를 보여준다. 예측제어의 경우 대부분의 경우(152,957분/175,676분‧100 = 87.1%) -1~1°C 사이에 존재하는 반면 차이가 커짐에 따라 발생 횟수가 현저히 줄어드는 것으로 나타났다. 하지만, 규칙기반제어법의 경우 같은 범위에 대하여 34.89%로 현저히 적으며 다양한 범위에 상대적으로 넓게 분포되어 있는 것으로 분석되었다. 이러한 분석결과는 예측제어법의 안정적 실내온도환경 조성의 가능성을 증명하는 것으로 판단할 수 있다.

Fig. 9. 
Distribution of temperature difference from 24.5°C (indoor temperature – 24.5°C)

냉방시스템의 on/off 횟수의 경우 예측기반 제어법에 의하여 현저히 감소되는 것으로 나타났다<표1>. 감소비율은 67.07%에 달하며, 이러한 결과는 예측제어법을 적용함으로써 냉방시스템이 보다 안정적으로 작동될 수 있을 것으로 사료된다.

본 연구에서는 이중외피 개구부와 냉방시스템의 통합적 최적제어를 위하여 예측제어 알고리즘을 개발하는 것을 목적으로 하였다. 예측제어를 위해 두 가지의 인공신경망이 개발되어 알고리즘에 내재되었다. 개발된 알고리즘의 성능평가를 위하여 기존의 규칙기반 알고리즘과의 작동결과를 비교, 분석하였다. 성능평가는 컴퓨터 시뮬레이션 기법을 이용하여 진행되었으며, 그 결과는 다음과 같이 정리된다.

(1) 규칙기반 알고리즘을 적용할 경우 실내측 개구부를 개방하여 지나치게 차가운 외부 공기를 도입함으로써 실내 공기가 설정범위 이하로 차갑게 유지되는 경우가 발생하는 것으로 나타났다. 반면, 예측제어 알고리즘의 경우 이러한 현상이 현저히 감소하는 것으로 나타났으며, 이는 외부공기가 지나치게 차가울 경우 실내측 개구부를 닫는 것이 설정온도유지에 유리하다는 판단에 의한 것으로 사료된다.

(2) 그 결과, 예측기반 알고리즘이 적용될 경우 쾌적한 열환경 기간이 대폭 증가한 것으로 분석되었다. 냉방시스템의 가변작동 또한 이러한 결과의 긍정적 원인이 되는 것으로 나타났다. 또한, 실내 공기온도는 보다 안정적으로 유지되는 것으로 나타났으며, 특히 dead-band의 중간값에 매우 근접한 경우가 대부분을 차지하는 것으로 분석되었다.

(3) 예측제어 알고리즘이 냉방시스템을 보다 안정적으로 작동할 수 있는 것으로 분석되었다. 이는 평가 기간 중 시스템의 on/off 회수가 현저히 감소하는 것으로 증명되었으며, 이러한 결과는 시스템의 고장 및 퇴화 방지에 보다 효과적일 것으로 예상된다.

이러한 열환경 및 시스템 작동 결과 분석을 통하여 예측기반 알고리즘이 보다 우수한 성능을 보이는 것으로 결론지을 수 있다.

본 연구는 컴퓨터 시뮬레이션 기법을 적용한 성능분석을 실시하였으며, 추후 실제 테스트 모듈 혹은 건물로의 적용 및 성능평가가 진행되어야 한다. 또한, 난방기간 및 중간기의 제어 전략을 통합한 알고리즘의 개발이 필요할 것으로 사료된다.