Research Article

Journal of Korean Institute of Architectural Sustainable Environment and Building Systems. 28 February 2020. 66-79
https://doi.org/10.22696/jkiaebs.20200007

ABSTRACT


MAIN

  • 서 론

  • 연구방법

  •   해석대상건물 시뮬레이션

  •   중앙공조시스템 냉수배관 시스템 개요

  • 유전알고리즘을 이용한 최적제어방법

  •   최적제어변수 도출과정과 최적제어운전

  •   유전알고리즘의 연산과 제어점의 범위 설정

  • 결과 및 분석

  •   냉수온도변화

  •   펌프차압 변화

  •   에너지소비량 비교 및 분석

  • 결 론

서 론

건물에서 제어는 시스템의 추가적인 비용 없이 에너지 소비를 줄일 수 있으며(Ahn and Mitchell, 2001) 특히 공조시스템의 효율성을 개선하기 위해 다양한 방법들로 적용되어져 왔다. 공조시스템은 전체 건물의 에너지소비의 약 30%이상으로 가장 큰 비중을 차지하는데(Lizana et al., 2017) 이 중에서도 열원을 생산하고 공급하기 위한 설비의 에너지의 소비 비중이 더 크며, 특히 냉방 기간에는 공조시스템의 구성요소(components)들 중 냉동기, 냉각탑 펌프와 같은 1차시스템 (primary system)의 에너지 소비가 대부분을 차지하는 것으로 관찰되었다(Lam, 2000; Yang et al., 2016)

대형건물의 냉방 시에 공조시스템의 열원은 중앙에서 냉수를 생산하여 공급하는 냉수시스템(central chilled water systems)을 보편적으로 사용하는데(Thu et al., 2017) 이와 같은 시스템에서는 부하 측에 전달되는 냉수의 온도와 유량을 효과적으로 제어하여 공급하면 시스템의 에너지 효율과 에너지 성능을 향상시킬 수 있다.

냉수시스템은 냉수배관계(Chilled water loop)로 구성되며, 대표적인 제어방법으로는 냉수의 공급 온도를 제어하거나 냉수의 유량을 제어하는 방법이 있다. 냉수의 공급 온도를 제어하는 방법은 준최적제어(Near-optimal control)(Ahn et al., 2008), PID제어(Jin et al., 2007)와 같은 전통적 최적화방법을 이용하여 냉방부하에 최적화된 냉수공급온도를 결정한 후 제어 값으로 이용하였으며 최근에는 MPC (Model Predict control) (Ma et al., 2011)와 다수의 데이터를 활용하는 방법(Kim and Park, 2014)도 이용한다. 냉수의 유량을 제어하는 방법으로는 냉수를 공급하는 시스템에서 부하 측에 최적의 유량을 공급할 수 있도록 설계안을 변경하거나(Tirmizi et al., 2012), 변유량시스템(Variable water volume system, VWV)으로 변경하여 펌프를 변속(variable speed)으로 운전 시에 정밀한 회전수제어를 통해 최적의 유량으로 시스템을 운전하는 방법(Wang and Burnett, 2001), 펌프차압을 변화시켜 유량을 제어하는 방법(Xuefeng et al., 2015)등이 있다. 이러한 제어 방법들은 단일 요소의 제어를 이용한 방법으로 다수의 연구들이 진행되었으며, 상당한 효과가 입증이 되었다.

그러나 건물에서는 외기조건, 재실인원, 건물의 사용 스케줄의 상시 변화나 그 외의 여러 요인들로 인하여 건물의 부하도 실시간으로 계속해서 변화한다. 이러한 경우에 공조시스템의 냉방부하를 처리하기 위해 냉수의 공급되는 온도가 상승하면 그만큼 유량이 증가 하는 경우도 발생하고, 냉수의 유량을 줄이게 되면 그만큼 낮은 온도의 냉수를 공급하여야 하는 경우도 발생한다. 그러므로 냉수를 이용한 공조시스템의 냉수 순환계 내에서는 냉수의 온도와 유량의 균형을 고려한 제어방법이 필요하다. 뿐만 아니라 공조시스템은 운전 시에 여러 공조시스템을 구성하는 여러 구성요소들(componets)과 하위시스템들이 상호간에 성능에도 영향을 준다. 이러한 관점에서 냉수배관계에서 온도와 유량 사이의 균형과 시스템 성능을 고려하면서 최적의 냉수온도와 유량을 실시간으로 동시에 최적화하는 것은 매우 어렵고 복잡한 문제이다.

따라서 본 연구에서는 여러 복잡한 구조를 갖는 시스템의 해를 도출 하는 데에 유용하며 다양한 변수의 최적화를 해결하는데 효과적인 인공지능 기법 중 하나인 유전알고리즘을 이용하여 중앙공조시스템에서의 냉수배관계에서 실시간으로 냉수 공급 온도와 냉수 유량을 동시에 최적화 하여 제어하는 방법을 제안하고자 한다. 제어방법의 평가는 최적제어운전 시 각 제어점의 제어량의 변화를 분석하고 일반운전 시와 에너지소비량을 비교하여 절감효과를 분석한다.

연구방법

해석대상건물 시뮬레이션

본 연구에서는 미국 에너지국 (DOE, Department Of Energy)의 Building Energy Codes Program (Field et al., 2010)과 ASHRAE Standard 90.1 (ASHRAE, 2010)서 건물에너지 성능 평가를 위해 제시한 Commercial Prototype Building Models의 표준건물 중 Large Office Building (Field et al., 2010; Deru et al., 2011)을 대상건물로 하여 시뮬레이션 기반 모델(Moon et al., 2012)로 활용하였다.

표준건물의 활용 시에 국내의 실정에 맞도록 건물의 위치정보, 기상데이터, 내부발열, 설비시스템의 운전 스케줄은 앞서 수행한 건물의 급기풍량 예측(Seong et al., 2019a), 에너지 소비예측(Kim et al., 2019)과 공조시스템의 최적화(Seong et al., 2019b)를 수행한 연구와 동일한 조건으로 변경하였으며, 입력된 주요 정보를 요약하면 Table 1과 같다.

Table 1. Simulation Condition of Reference Building Large Scale Office (Seong et al., 2019a)

Component Features
Weather Data and Site Location TRY Seoul (latitude: 37.57°N, longitude: 126.97°E)
Building Type Large Scale Office
Total Building Area [㎡] 46320
Hours Simulated [hour] 8760
Envelope insulation [㎡K/W] External Wall 0.35 Roof 0.213 External Window 1.5
WWR (window-wall ratio ) [%] 40
SetPoint [℃] Cooling 26 Heating 20
Internal Gain Lighting 10.76 [W/㎡] People 18.58 [㎡/person] Plug and Process 10.76 [W/㎡]
HVAC Sizing Auto Calculated
HVAC Operation Schedule 7:00~18:00
Output Timestep 1 Hour

중앙공조시스템 냉수배관 시스템 개요

본 연구에서 모델링한 표준건물의 중앙공조시스템은 변풍량시스템(Variable air volumne system, VAVsystem)으로 각 실(zone)에 냉방을 실시한다. 공기조화기(Air Handling Unit, AHU)에는 냉수가 순환하는 냉각코일(Cooling coil)이 있고 냉각코일에 공급되는 냉수는 냉동기에서 생산되며 생산된 냉수를 공기조화기 내의 냉각코일로 순환시키는 냉수펌프로 구성되어 있다.

본 연구에서는 냉수배관계에서 냉수 온도와 냉수 유량을 동시에 최적화하기 위해 제어 대상은 냉수공급온도와 펌프차압을 제어 지점(control variable point)으로 설정하였다. 냉수배관계에서 냉수 온도는 냉동기 출구 측의 냉수공급온도를 제어하며 냉수 유량은 시스템에서 제어 점의 검출의 용이함을 고려하여 펌프차압을 이용하여 제어한다. 냉수를 사용하여 냉방을 하는 일반적인 중앙공조시스템의 구성과 본 연구에서 제어 지점으로 설정한 냉수공급온도와 펌프차압의 검출 위치를 도식화하면 다음의 Figure 1과 같다.

http://static.apub.kr/journalsite/sites/kiaebs/2020-014-01/N0280140107/images/Figure_KIAEBS_14_1_07_F1.jpg
Figure 1.

Schematic of a typical HVAC system consist of water chiller and setting controls

유전알고리즘을 이용한 최적제어방법

최적제어변수 도출과정과 최적제어운전

본 연구에서는 중앙공조시스템의 냉수배관계의 최적제어변수를 도출하기 위해서 유전알고리즘(Genetic Algorithms, GAs)을 이용하였다. 알고리즘의 목적함수(Objective function)는 건물의 중앙공조시스템이 해석대상기간동안 소비하는 에너지의 총 합으로 설정하였다. 그 다음으로 세대수와 해의 선택 범위를 설정한 후 최적화를 실행하면 알고리즘은 목적함수인 시스템의 전체 에너지소비량이 최소가 되는 경우의 최적화된 제어량의 값, 즉 최적제어변수를 산출한다. 최적제어변수는 1시간 단위로 산출되며, 산출된 최적제어변수를 시스템을 제어를 위한 실시간 입력 값으로 갱신하여 최적제어운전을 하는 것으로 하였다. Figure 2는 실시간 최적제어변수 도출과정과 최적제어운전 방법의 절차를 나타낸다.

http://static.apub.kr/journalsite/sites/kiaebs/2020-014-01/N0280140107/images/Figure_KIAEBS_14_1_07_F2.jpg
Figure 2.

Flow chart of energy analysis model for HVAC system using genetic algorithms

최적제어변수의 도출을 위해서는 알고리즘 내에서 목적함수인 중앙공조시스템의 에너지소비량을 계산모델이 필요하다. 중앙공조시스템의 에너지소비량 계산을 위한 모델은 기존의 연구(Tesiero, 2014; Seong, 2019)와 에너지소비량 해석방법을 제시한 문헌(ASHRAE, 2008)을 참고로 하여 작성하였다. 계산에 필요한 입력 값들 중 고정변수로 활용되는 주요 값들은 표준건물의 시뮬레이션 출력 값을 활용하였다.

중앙공조시스템의 각 구성요소들의 에너지소비량을 계산하는 모델은 Matlab R2018a을 이용하여 프로그래밍 하였고 최적화를 위한 유전알고리즘은 Matlab내의 Global optimization toolbox를 이용하여 프로그래밍 하였다. 시뮬레이션의 출력 값과 Matlab의 연동은 시뮬레이션의 결과 중 활용되는 데이터를 spread sheet형태의 파일로 출력 후 Matlab에서 지정된 파일명을 읽어오는 기능을 이용하였다.

유전알고리즘의 연산과 제어점의 범위 설정

유전알고리즘은 자연 선택과정을 기반으로 하는 휴리스틱 탐색기법으로 유전알고리즘은 해결하고자 하는 문제에 대한 최적화나 잠재적 해를 제공한다(Bentley, 1999; Goldberg and Holland, 1988). 유전알고리즘의 연산은 초기 다수의 해로 구성된 해집단으로부터 알고리즘이 반복될 때마다 새로운 객체로 이루어진 해집단을 생성한다. 다음 단계는 해집단 내에서 선택, 교차, 변이와 같은 고유의 연산자들을 수행하고 반복하면서 해당 목적함수에 해당이 되는 최적의 해, 즉 최적제어변수를 탐색한다. 이후 해집단을 반복적으로 수정하며 여러 세대(population)에 걸쳐 해집단이 진화한 후 최적의 해를 찾게 되면 연산의 반복을 종료하고 최적값을 도출하게 된다.

따라서 유전알고리즘이 높은 품질의 해를 도출하기 위해서는 해집단에 해당되는 제어하고자 하는 변수의 범위를 적절하게 설정해주는 것이 매우 중요하다. 해의 범위를 설정할 때에 해의 범위가 너무 넓으면 낮은 품질의 해를 도출하거나 연산이 종료되며, 해의 범위가 실제 시스템에서 구현될 수 없는 값인 경우에는 도출된 해를 제어변수로 활용할 수 없다. 유전알고리즘을 구동할 때 추가적으로 고려 할 사항은 초기 해집단으로부터 알고리즘이 반복되는 세대의 수를 결정하는 것이다. 세대수가 너무 적게 되면 해집단 탐색의 경우가 적기 때문에 해의 품질이 낮아지고, 세대수가 너무 많게 되면 긴 연산시간이 소요되고 이미 최적의 해를 찾은 후에도 불필요한 연산을 반복하게 된다.

본 연구에서는 해의 선택 범위인 상한 값과 하한 값의 범위가 너무 크지 않으면서도 실제 시스템이 운전되는 동안 제어 가능한 값으로 선택될 수 있도록 건물의 설계조건, 시스템 제조사(Trane Commercial HVAC)에서 제공하는 운전조건과 실측을 기반으로 한 기존의 연구문헌들(Kim, 2010; Jo et al., 2015)을 참고하여 설정하였다. 냉수온도는 6℃~10℃로 설정하였고, 펌프차압은 34.47 kPa~103.43 kPa로 상한과 하한의 범위가 1 bar (100 kPa)를 넘지 않도록 하였다. 유전알고리즘의 연산은 불필요한 연산의 반복을 방지하고 적정한 연산시간을 고려하여 100세대까지 연산이 수행하도록 하였다. Table 2는 본 연구에서 설정한 냉수공급온도와 펌프차압의 제어범위에 대한 설정을 나타낸다.

Table 2. Control Variables at Fixed Settings and Control Range

Case Features
Supply Chilled Water Temperature [℃] Pump Pressure Difference [kPa]
Normal control Operation (Non-Optiumal) 6.7 78.05
Optimal Control Operation Calculate GA (6~10) Calculate GA (34.473~103.43)

결과 및 분석

본 연구에서 제안한 최적제어운전 결과는 제어 대상인 냉수공급온도와 펌프차압의 두 제어지점의 상태량 변화를 관찰하여 분석하였고 일반운전과 최적제어운전 시에 시스템의 에너지소비량을 비교하여 평가하였다. 대상 기간은 서울지역의 일반적인 냉방기간인 6월부터 9월까지로 하였다.

냉수온도변화

Figure 3은 6월부터 9월까지의 기간 동안 최적제어운전을 통한 냉동기 출구 측의 냉수공급온도의 변화를 시간변화에 따라서 나타낸 그래프이다. 냉수공급온도의 변화를 살펴보면 특별한 온도변화의 양상이나 분포가 나타나지 않았으며, 기존의 제어와는 다르게 일정 온도로 수렴하는 동특성은 보이지 않았다. 그러나 본 연구에서 제안한 최적제어운전 시에는 설계 값에 의한 일반운전 시의 냉수공급온도인 6.7℃보다 더 높은 9~10℃사이에서 운전되는 것을 확인할 수 있었다. 냉동기 출구 측의 냉수공급온도의 평균값은 6월에 9.23℃, 7월에 9.22℃, 8월에 9.19℃, 9월에 9.20℃ 전체기간동안 에는 9.21℃였다. 이와 같은 결과는 대상건물에서 냉방 시에 설계 값인 6.7℃ 보다 더 높은 온도의 냉수로도 건물의 냉방부하를 처리 할 수 있는 의미로 해석 할 수 있다. 또한 냉동기에서 저온의 냉수를 생산하지 않아도 되는 것은 냉동기에서 압축기의 불필요한 동력이 줄어드는 것을 의미하는 것으로 냉동기에서의 에너지 소비를 줄일 수 있다.

http://static.apub.kr/journalsite/sites/kiaebs/2020-014-01/N0280140107/images/Figure_KIAEBS_14_1_07_F3.jpg
Figure 3.

Chilled water temperature changes during optimal control mode for (a) June, (b) July, (c) August, and (d) September

본 연구에서 제안한 최적제어방법을 이용하면 중앙공조시스템의 냉방기간 운전 시에 냉동기의 과냉(over cooling)운전을 감지하여 이를 방지하는 방법으로도 활용이 가능할 것으로 기대되며, 건물의 설계 시에도 건물 냉방부하에 맞는 적정 냉수공급온도 계산이나 냉동기 용량을 계산에도 활용이 가능할 것으로 판단된다.

펌프차압 변화

Figure 4는 6월부터 9월까지 기간 동안 최적제어운전을 통한 펌프차압의 변화를 시간변화에 따라서 표시한 그래프이다. 펌프차압의 변화도 냉수온도의 변화와 마찬가지로 특별한 압력변화의 양상이나 분포가 나타나지 않았으며, 기존의 제어와는 다르게 일정 값으로 수렴하는 동특성도 보이지 않았다. 그러나 본 연구에서 제안한 최적제어운전 시에는 설계 값에 의한 일반운전 시의 유지되는 차압인 78.05 kPa보다 낮게는 약 34.87 kPa부터 거의 같은 조건인 78.91Pa사이에서 차압의 변화가 빈번하게 일어나는 것을 확인할 수 있었다. 펌프 차압의 평균값은 6월에 50.74 kPa, 7월에 52.39 kPa, 8월에 51.64 kPa, 9월에 55.30 kPa 전체 기간동안에는 52.52 kPa이었다. 이와 같은 차압의 변화는 대상건물에서 낮은 차압을 유지하면서 냉방 시 부하 측에 적은 양의 냉수를 공급하여 건물의 냉방부하를 처리하는 것으로 해석할 수 있다. 적은 유량의 냉수를 공급하면 펌프의 양정이 줄어들기 때문에 냉수펌프에서의 에너지소비량의 절약을 가져오기 위한 알고리즘의 출력으로 판단된다. 이와 같은 제어를 실제 시스템에서 적용하고 구현하기 위해서는 시스템 내의 가변속(VSD, Variable speed drive)펌프의 성능이 충분하게 뒷받침 되어져야 제어의 구현이 가능할 것이다.

http://static.apub.kr/journalsite/sites/kiaebs/2020-014-01/N0280140107/images/Figure_KIAEBS_14_1_07_F4.jpg
Figure 4.

Pressure difference changes during optimal control mode for (a) June, (b) July, (c) August, and (d) September

본 연구에서 제안한 최적제어방법을 이용하면 중앙공조시스템의 냉방기간 운전 시에 변속펌프의 성능곡선에 맞도록 적정 운전 점을 감지하여 토출유량 유지에 도움이 될 수 있으며, 건물의 설계 시에도 냉방부하를 처리하기 위한 적정한 냉수 유량을 계산하거나 냉수 펌프의 용량을 계산하는 데에도 활용이 가능할 것으로 판단된다.

에너지소비량 비교 및 분석

Figure 5는 일반운전과 최적제어운전에 대한 월간 에너지소비량 비교를 나타낸다. 월별로 외기조건과 냉방부하가 변화하기 때문에 6월부터 9월까지 월간 에너지소비량은 최소 16.66%에서 최대 17.53%까지 절약되는 것을 확인할 수 있었으며, 해석대상 기간인 6월부터 9월까지의 기간의 전체 냉방 에너지소비량은 설계 값에 의한 일반운전 시에 384.30 MW에서 최적제어운전 시에 319.02 MW로 감소되어 16.98% 에너지가 절약되었다.

http://static.apub.kr/journalsite/sites/kiaebs/2020-014-01/N0280140107/images/Figure_KIAEBS_14_1_07_F5.jpg
Figure 5.

Monthly energy consumption comparison between normal operation mode and optimal operation mode for June through September

중앙공조시스템의 에너지소비량은 송풍기, 냉동기 그리고 냉수펌프의 에너지 소비량의 총합으로 계산되어졌기 때문에 시스템의 각 구성요소별로 에너지소비량 변화도 함께 분석해볼 필요가 있으며 분석 결과는 다음과 같다.

Figure 6은 일반운전과 최적제어운전의 월별 송풍기 에너지소비량을 비교한 그래프이다. 일반운전과 최적제어운전 시에 송풍기의 에너지소비량을 비교 분석해 보면 송풍기의 에너지소비량의 변화는 전혀 없으며 에너지소비량이 모두 동일하게 나타났다. 본 연구에서 제안한 최적제어방법은 중앙공조시스템에서 공기조화기의 급기풍량이나 급기온도를 제어하지 않고, 동일한 공기조화기의 운전조건에서 냉수시스템 내의 냉동기의 냉수공급온도와 펌프차압 만을 제어변수로 설정하였기 때문에 이와 같은 결과가 나타난 것으로 판단된다.

http://static.apub.kr/journalsite/sites/kiaebs/2020-014-01/N0280140107/images/Figure_KIAEBS_14_1_07_F6.jpg
Figure 6.

Comparison of fan energy consumption between normal operation mode and optimal operation mode for June through September

Figure 7은 일반운전과 최적제어운전의 월별 냉동기의 에너지소비량을 비교한 그래프이다. 일반운전에 비해 최적제어운전 시에 냉동기에서의 에너지소비량은 월별로 최소 20.53%부터 최대 22.96%까지 절약되었다. 앞서 분석한 냉수온도 변화에 따르면 냉수공급온도가 일반운전 시에 설계된 값인 6.7℃보다 최적제어운전 시에는 약9~10℃로 더 높게 나타났는데, 높은 온도의 냉수를 냉동기에서 생산하여도 충분히 냉방부하를 처리 할 수 있기 때문에 냉동기에서 소비되는 에너지소비량이 절감되는 결과로 나타났다.

http://static.apub.kr/journalsite/sites/kiaebs/2020-014-01/N0280140107/images/Figure_KIAEBS_14_1_07_F7.jpg
Figure 7.

Comparison of chiller power consumption between normal operation mode and optimal operation mode for June through September

본 연구에서 이용한 건물의 위치인 서울지역의 평균 외기온도는 8월이 가장 높고, 그 다음으로 7월 6월 9월의 순서이다. 외기온도가 상승하여 냉방부하가 커지는 순서대로 냉동기의 에너지소비량의 절감비율은 약 1~2%정도 낮게 나타났다. 7월과 8월에는 외기온도 상승에 따라서 냉방부하도 커지게 되며, 커진 냉방부하를 처리하기 위해서 낮은 온도의 냉수를 공급해야 하는 시간대가 6월과 9월 보다 더 자주 발생하기 때문에 냉동기의 에너지소비량이 커져서 절감효과가 다소 낮게 나타나는 것으로 판단된다. 6월부터 9월까지의 해석대상기간동안 냉동기에서의 에너지소비량은 일반운전 시 294.82 MW에서 최적제어운전 시에 231.64 MW로 감소하여 최적제어운전 시에 냉동기의 에너지소비량은 21.43%가 절약되었다.

Figure 8은 일반운전과 최적제어운전의 월별 냉수펌프의 에너지소비량을 비교한 그래프이다. 일반운전에 비해 최적제어운전 시에 냉수펌프에서의 에너지소비량은 최소 7.63%부터 최대 9.26%까지 절약되었다. 앞서 분석한 펌프차압 변화에 따르면 펌프차압이 일반운전 시에 설계된 값인 78.05 kPa보다 최적제어운전 시에는 평균 약 52.52 kPa로 더 낮게 나타났는데, 최적제어운전 시에는 펌프 전후단의 낮은 차압을 유지하면서 적은 유량의 냉수를 부하 측에 공급하여도 충분히 냉방부하를 처리 할 수 있기 때문에 냉수펌프에서 소비되는 에너지소비량이 감소되는 결과로 나타났다.

http://static.apub.kr/journalsite/sites/kiaebs/2020-014-01/N0280140107/images/Figure_KIAEBS_14_1_07_F8.jpg
Figure 8.

Comparison of chilled water pump energy consumption between normal operation mode and optimal operation mode for June through September

냉동기의 에너지소비량 분석결과와는 다르게 7월과 8월의 에너지소비량 절감비율이 6월과 9월에 비해 다소 높게 나타났는데, 이는 냉방 시에 최적제어 알고리즘이 단순히 냉수의 유량만을 냉방부하에 비례하여 줄이기보다는 냉방 부하가 상대적으로 더 큰 7월과 8월에는 좀 더 낮은 온도와 좀 더 많은 유량의 냉수를 이용하여 냉방부하를 처리하는 것이 더 유리한 방법으로 선택함으로써 냉방부하가 커지는 기간에 냉수순환루프를 저온 저압의 상태로 유지하기 위해서 제어 값을 산출한 결과로 판단된다.

해석대상기간인 6월부터 9월까지의 냉수펌프에서의 에너지소비량은 일반운전 시 24.03 MW에서 최적제어운전 시에 21.93 MW로 감소되어 최적제어운전 시에 냉수순환펌프의 에너지소비량은 8.71% 절약되었다.

결 론

본 연구에서는 냉수시스템을 이용하여 냉방을 하는 중앙공조시스템에서 유전알고리즘을 이용한 최적제어운전 방법을 제안하였다. 목적함수는 에너지소비량으로 하였고 제어 대상은 냉수공급온도와 펌프차압으로 설정하였다. 본 연구에서 제안한 최적제어운전 방법은 Large-scale Office Reference building을 대상으로 최적제어변수의 변화를 분석하고 에너지소비량을 비교 하여 평가하였다.

최적제어변수로 운전되는 최적제어운전 시에는 냉수공급온도는 시스템의 설계 값인 6.7℃ 보다 높은 9~10℃에서 운전되었고 평균값은 9.21℃였다. 펌프차압은 시스템의 기준운전 값인 78.05 kPa보다 낮은 34.87 kPa ~78.91 kPa 사이에서 운전되었고 평균값은 52.52 kPa이었다. 최적제어운전 시 시스템 전체의 에너지소비량은 16.98% 절약되었으며, 시스템 구성요소별로는 냉동기 에너지소비량은 21.43%, 냉수펌프 에너지 소비량은 8.71% 절약되었고, 송풍기 에너지소비량은 변화가 없었다.

실시간 최적제어변수는 냉수공급온도와 펌프차압 모두 지속적인 변화가 관찰되기 때문에 이와 같은 최적제어운전방법을 실제 건물에 적용 할 때에는 냉동기의 기동 정지 운전과 냉동기 내 압축기의 변속운전, 냉수펌프의 변속제어가 가능한 시스템을 구성하여 제어량 변화에 대응이 가능하도록 하는 것이 필요할 것으로 판단된다.

본 연구에서 제안한 최적제어방법은 냉수를 이용하는 냉수배관계의 제어변수만을 이용하는 단점도 있지만 중앙공조시스템에서 급기 측 보다 열원 측에서 소비되는 에너지 비중이 큰 시스템으로 구성되어 있는 경우에 더 많은 에너지 절약을 기대 할 수 있다.

중앙공조시스템에서는 공기조화기에서도 VAV시스템을 적용하여 급기온도와 급기 풍량과 같은 제어요소를 이용하여 에너지 소비를 줄일 수 있으며, 냉각탑에서 냉각수온도 제어와 냉각탑 팬의 제어와 같은 방법으로 더 많은 냉방에너지를 저감시킬 수 있기 때문에 향 후 다양하고 복합적인 제어 변수를 동시에 제어하는 최적제어방법에 대한 추가 연구를 진행 할 예정이다.

Acknowledgements

이 연구는 2020년도 국토교통부 연구비 지원에 의한 결과의 일부임. 과제번호: 20AUDP- B099686-06. 그리고 2019년도 가천대학교 교내연구비 지원에 의한 결과임(GCU-2019-0312).

References

1
Ahn, B. C., Mitchell, J. W. (2001). Optimal control development for chilled water plants using a quadratic representation. Energy and Buildings, 33(4), 371-378.
10.1016/S0378-7788(00)00119-5
2
Ahn, B. C., Song, J. Y., Joo, Y. D., Kim. J. (2008). Real Time Near Optimal Control Application Strategy of Central Cooling System. Korean Journal of Air-Conditioning and Refrigeration Engineering, 20(7), 470-477.
3
Goldberg, D. E., Holland, J. H. (1988). Genetic algorithms and machine learning. Machine learning, 3(2), 95-99.
10.1023/A:1022602019183
4
Jin, X., Du, Z., Xiao, X. (2007). Energy evaluation of optimal control strategies for central VWV chiller systems. Applied Thermal Engineering, 27(5-6), 934-941.
10.1016/j.applthermaleng.2006.08.015
5
Jo, Y. N., Park, H. J., Choi, D. Y., Yee, J. J. (2015). The Evaluation of the differential pressure control on the Valve Open Rate of the Secondary Pumps in the Heating and Cooling System of Apartments. Journal of Korean Institute of Architectural Sustainable Environment and Building Systems, 9(4), 304-311.
6
Kim, J. H., Seong, N. C., Choi, W. (2019). Modeling and optimizing a chiller system using a machine learning algorithm. Energies, 12(15), 2860.
10.3390/en12152860
7
Lam, J. C. (2000). Energy analysis of commercial buildings in subtropical climates. Building and Environment, 35(1), 19-26.
10.1016/S0360-1323(98)00067-5
8
Lizana, J., Ricardo, C., Angela, B.-P., Jose, M. V. (2017). Advances in thermal energy storage materials and their applications towards zero energy buildings: A critical review. Applied Energy, 203(2017), 219-239.
10.1016/j.apenergy.2017.06.008
9
Ma, Y., Borrelli, F., Hencey, B., Coffey, B., Bengea, S., Haves, P. (2011). Model predictive control for the operation of building cooling systems. IEEE Transactions on control systems technology, 20(3), 796-803.
10.1109/TCST.2011.2124461
10
Seong, N. C., Choi, K. B., Choi, W. C. (2019a). Development and Evaluation of Predictive Model for Fan Air Flow Rate According to Artificial Neural Network Input Variables. Journal of Korean Institute of Architectural Sustainable Environment and Building Systems, 13(3), 191-202.
11
Seong, N. C., Kim, J. H., Choi, W. (2019b). Optimal Control Strategy for Variable Air Volume Air-Conditioning Systems Using Genetic Algorithms. Sustainability, 11(18), 5122.
10.3390/su11185122
12
Thu, K., Saththasivam, J., Saha, B. B., Chua, K. J., Murthy, S. S., Ng, K. C. (2017). Experimental investigation of a mechanical vapour compression chiller at elevated chilled water temperatures. Applied Thermal Engineering, 123, 226-233.
10.1016/j.applthermaleng.2017.05.091
13
Tirmizi, S. A., Gandhidasan, P., Zubair, S. M. (2012). Performance analysis of a chilled water system with various pumping schemes. Applied energy, 100, 238-248.
10.1016/j.apenergy.2012.05.052
14
Wang, S., Burnett, J. (2001). Online adaptive control for optimizing variable-speed pumps of indirect water-cooled chilling systems. Applied Thermal Engineering, 21(11), 1083-1103.
10.1016/S1359-4311(00)00109-5
15
Xuefeng, L., Jinping, L., Zhitao, L., Kongzu, X., Yuebang, M. (2015). Diversity of energy-saving control strategy for a parallel chilled water pump based on variable differential pressure control in an air-conditioning system. Energy, 88, 718-733.
10.1016/j.energy.2015.05.097
16
Yang, Q., Zhu, J., Xu, X., Lu, J. (2016). Simultaneous control of indoor air temperature and humidity for a chilled water based air conditioning system using neural networks. Energy and Buildings, 110, 159-169.
10.1016/j.enbuild.2015.10.034
17
Field, K., Deru, M., Studer, D. (2010). United States Department of Energy commercial reference building models of the national building stock. Fourth National Conference of IBPSA, 85-93.
18
Field, K., Deru, M., Studer, D. (2010). Using DOE commercial reference buildings for simulation studies. Proceedings of SimBuild, 4(1), 85-93.
19
Kim, Y. (2010). Performance of a Water-cooled Chiller by Controlling Chilled Water Exit Temperature. Proceedings of the SAREK, 1136-1141.
20
Kim, Y. J., Park, C. S. (2014). Nonlinear predictive control of chiller system using gaussian process model. In Proceedings of the 2nd Asia Conference of International Building Performance Simulation Association, Nagoya, Japan (Vol. 2829, p. 594601).
21
Moon, H. J., Choi, M. S., An, K. A. (2012). A simulation-based control approach in a mechanical ventilation system. Proceedings of the ASim, Shanghai, China.
22
Bentley, P. (1999). An introduction to evolutionary design by computers. Evolutionary design by computers, 1-73.
10.1007/978-1-4471-0819-1_8
23
Deru, M., Field, K., Studer, D., Benne, K., Griffith, B., Torcellini, B., Liu, B., Halverson, M., Winiarski, D., Rosenberg, M., Yazdanian, M., Huang, J., Crawley, D. (2011). U.S. Department of Energy Commercial Reference Building Models of the National Building Stock (NREL/TP-5500-46861). National Renewable Energy Laboratory Technical Report.
10.2172/1009264
24
Tesiero, III, R. C. (2014). Intelligent approaches for modeling and optimizing HVAC systems (PhD Thesis, North Carolina Agricultural and Technical State University).
25
Seong, N. (2019). Optimization of Energy consumption for central HVAC System based Building Energy Management System Using Genetic Algorithm (PhD Thesis, Gachon University).
26
ASHRAE. (2008). ASHRAE Handbook-HVAC Systems and Equipment.
27
ASHRAE. (2010). Energy standard for buildings except low-rise residential buildings, ANSI/ASHRAE/IESNA Standard 90.1-2010. ASHRAE.
28
Commercial Prototype Building Models-Building Energy Codes Program. https://www.energycodes.gov/development/commercial/prototype_models.
29
Trane Commercial HVAC. http://www.trane.com/commercial/north-america/us/en.html.
페이지 상단으로 이동하기