서 론
분석방법
이상검출 설계 단계
가상센서 모델링 단계
실물센서 성능검토 단계
시뮬레이션 모델을 통한 방법 적용
시뮬레이션 모델링
이상검출 모델링
가상센서 모델링
실물센서의 적정 요구성능 도출
결 론
서 론
최근 탄소배출저감의 국제협력에 따라 건물 부문의 에너지절감 및 효율화가 강조되고 있다. 이에 건물에너지시스템의 기술개발 및 효율적 운영을 위한 다양한 연구들이 진행되고 있으며, 그 중 건물에너지시스템 건물운영단계에서 비효율적인 운전과 기계설비의 관리를 위하여 이상검출 및 자동진단(fault detection and diagnosis, FDD) 연구가 활발히 진행되어왔다. Wang et al. (2012)은 변풍량 방식의 공기조화기 시스템에서 발생된 설비장치의 고장을 감지하고 진단하기 위해 model based과 rule based의 FDD 방법을 제안하였다. Liu et al. (2019)는 공기조화기 시스템에 존재하는 온도와 유량 센서를 대상으로 Convolution Neural Network (CNN)과 clustering을 통한 FDD 방법을 제안하였다. Wang et al. (2010)은 공기조화기 시스템과 열교환기 시스템에서 Principal Component Analysis (PCA)와 Q-Statistical을 통한 FDD 방법을 제안하였다.
최근에는 딥러닝(deep learning) 기술의 고도화에 따라 data-driven 모델링 방법으로 구축된 가상센서를 활용한 이상검출 연구가 활발히 진행되고 있다. 가상센서는 건물 내 설치된 실물센서로부터 측정된 데이터를 바탕으로 구축된 수학적 모델로(Li et al., 2011), 건물 내 측정하기 어렵거나 불가능한 변수를 실물센서와 같이 실시간으로 추정하는 가상의 센서를 의미한다. 가상센서 기반 이상검출의 기본적인 원리는 건물 시스템변수의 측정값과 가상센서값의 차이가 임계값(threshold) 이상으로 발생되면 이상징후로 판단하는 것이다. 이에 이상감지환경의 높은 신뢰성과 검출성능을 마련하기 위해 data-driven 가상센서의 성능을 확보하는 것은 중요하다. 기존 연구에서는 가상센서 입력변수를 시스템의 운전/제어 정보와 물리적 관계를 바탕으로 결정된 실물센서로 활용하여 제한된 실물센서 환경에서 가상센서를 구축하였다(Kim et al., 2021). 하지만, 가상센서 입력변수로 구성된 실물센서에는 랜덤오차가 존재하며, 이러한 랜덤오차로부터 가상센서 성능은 저하될 수 있고 이상검출 성능에 악영향을 미칠 수 있다. 이에 따라 가상센서의 입력변수로 구성된 실물센서의 성능은 사전에 고려되어야 하지만, 기존 연구들에서 이러한 검토는 가상센서의 모델링 노력에 비해 간과되고 있다. 또한 가상센서의 입력변수로 구성된 실물센서 요구성능을 검토하는 방법과 절차에 관한 연구는 미비한 실정이다.
따라서 본 연구에서는 건물에너지시스템의 가상센서 기반 이상검출방법 적용 시 이상검출의 목표를 설정하여 실물센서의 요구성능을 설계단계에서 검토할 수 있는 분석방법을 제안하고자 한다. 건물에너지시뮬레이션(EnergyPlus)과 고장모델(fault model)을 이용하여, 대상건물 공기조화기 시스템의 냉동기 파울링 문제를 대상으로 온도센서의 랜덤오차별로 도출된 이상검출결과와 검출목표 성능과의 비교를 통해 온도센서의 요구성능을 분석하였다.
분석방법
Figure 1은 건물에너지시스템에서 가상센서 기반 이상검출방법 적용 시 활용되는 실물센서의 요구성능을 분석하는 방법의 흐름도이다. 흐름도는 이상검출 설계단계, 가상센서 모델링단계, 적정 실물센서 성능 선정단계의 3가지 단계로 구성되어 있다.
이상검출 설계 단계
먼저, 대상시스템에서 이상검출 방법을 적용할 설비장치를 선정한다. 주어진 실물센서의 구성을 고려하여, 대상설비장치의 오류 발생여부를 판별하기 위한 이상검출지표(Fault Detection Index, FDI)를 정의한다. 그런 다음, 정의된 FDI를 바탕으로 대상 설비장치의 오류문제에 대한 이상검출의 목표 검출률을 설정한다.
가상센서 모델링 단계
이상검출 설계단계에서 정의된 FDI 변수와 긴밀한 물리적 관계가 있는 실물센서들을 선정한다. FDI와 입력변수의 데이터를 바탕으로 FDI에 관한 가상센서를 모델링한다. 이때, 실물센서의 정확도 수준별로 케이스를 구성하여 가상센서의 모델을 각각 구축한다.
실물센서 성능검토 단계
가상센서 모델의 결과에 따라 정상상태에서의 이상검출 오진율을 바탕으로 FDI의 임계값을 설정한다. 실물센서의 정확도(랜덤오차 수준)를 바탕으로 검토 케이스를 설정하고, 이상검출률을 평가한다. 앞서 정의한 목표 이상검출률을 도출하기 위한 실물센서의 적정 요구성능을 검토한다.
시뮬레이션 모델을 통한 방법 적용
DesignBuilder를 통해 대상건물의 형상 및 주요정보를 모델링한 뒤, 건물에너지 동적 시뮬레이션 도구인 EnergyPlus를 통해 데이터세트를 마련하여 제안한 방법을 적용하였다.
시뮬레이션 모델링
시뮬레이션 모델은 제로에너지빌딩 경제성 분석 참고서 중형의 업무시설 표준모델(Korea Energy Agency, 2020)을 참고하여 DesginBuilder를 통해 모델링하였고, 모델의 형상과 층별 구획은 Figure 2를 통해 확인할 수 있다. 건물 내 공조 공간으로는 사무실, 회의실, 휴게실, 화장실, 로비, 복도로 설정했으며, 비공조 공간으로는 주차장과 샤프트 공간으로 설정하였다. 구획별 재실자 스케줄은 DesignBuilder에서 제공하는 템플릿을 적용하였고, 시뮬레이션 모델에 대한 자세한 정보는 Table 1에 기술하였다.
Table 1.
Specific information of simulation model
시뮬레이션 대상 시스템은 EnergyPlus를 통해 Figure 3과 같이 중앙식 공기조화기 시스템을 모델링 하였다(US Department of Energy, 2016). 기준층 공조기 수량은 1개로 선정하였으며, 공조를 위한 열원장비는 1개의 보일러, 냉동기, 콘덴서를 적용하였고, 대상 시스템의 공조 방식과 열원장비에 대한 내용은 Table 2에 기술하였다.
Table 2.
Air conditioning by floor and heat source of plant
| Category | Description |
| Air conditioning method by floor | Variable Air Volume (VAV) |
| Boiler energy source | Natural gas |
| Chiller energy source | Electricity energy |
| Condenser energy source | Electricity energy |
본 연구에서는 다양한 고장유형 중에서 일반적으로 빈번하게 발생할 수 있는 설비장치에서의 냉동기 파울링 문제를 대상으로 이상검출을 진행하였다. 냉동기 파울링은 EnergyPlus에서 제공하는 있는 파울링 모델 객체를 이용하여 모델링 하였다(US Department of Energy, 2016). 냉동기 파울링 모델은 파울링 강도의 크기에 따라 총 6개의 모델을 모델링 하였다. 각각의 냉동기 파울링 모델은 Table 3과 같이 2.5%의 파울링 간격차를 두어 최대 15%의 크기가 일정한 파울링 현상이 오전 10시부터 오후 18시까지 적용되도록 모델링 하였다.
Table 3.
Chiller fouling condition
| Category | Description |
| Fouling degree | 0~15% (2.5% interval) |
| Fouling type | Bias fouling |
| Fouling application time | 10:00~18:00 |
이상검출 모델링
냉동기 파울링 FDI는 냉동기 파울링 상태에 대한 높은 민감도를 나타내는 변수를 대상으로 구성되어야 한다. 냉동기 파울링은 응축기의 열교환기에 좋지 않은 수질 및 소홀한 관리로 인하여 운전상황에서 침전물이 축적되어 발생한다. 침전물의 축적은 냉동기의 식 (1)~(2)와 같이 냉각용량과 효율을 감소시키는 점에서 냉동기의 운전성능을 하락시킨다. 이에 냉동기 전기 에너지 사용량으로부터 냉동기 파울링 발생여부를 판단할 수 있다.
여기서, Qchiller, f 는 오류 상태의 냉동기 냉각용량, Qchiller 는 정상 상태의 냉동기 냉각용량, COPchiller, f 는 파울링 상태의 냉동기 COP, COPchiller 는 정상 상태의 냉동기 COP, 그리고 Fchiller 는 냉동기 파울링 팩터이다.
Figure 4는 냉동기 파울링 오류 조건 별 연간 냉동기 전기 에너지 사용량을 나타난다. 냉동기 파울링 강도가 커질수록 연간 냉동기 전기 에너지량은 증가되었고, 비교적 작은 크기의 파울링 강도가 발생되어도 정상상태의 연간 냉동기 전기 에너지량과 크게 차이가 나타난 것을 확인하였다.
냉동기 파울링 FDI는 냉동기 전기 에너지 가상센서를 도입하여 식 (3)과 같이 냉동기 전기 에너지 가상센서값과 시뮬레이션값의 차이로 정의하였다.
여기서, FDI는 이상검출지표, Echiller, VS 는 냉동기 전기 에너지 가상센서값, 그리고 Echiller, phy 는 냉동기 전기 에너지 실물센서값이다.
앞서 정의된 냉동기 파울링 FDI를 바탕으로 이상검출을 진행하였을 때, 냉동기 정상상태를 이상상태로 판단하는 오진율은 10% 이하, 냉동기 이상상태를 이상상태로 판단하는 이상검출률은 90% 이상으로 이상검출의 목표 정확도와 성능을 설정하였다.
가상센서 모델링
냉동기 파울링 문제를 검출하기 위해 도입된 냉동기 전기 에너지 가상센서는 EnergyPlus를 통해 얻은 시뮬레이션 데이터를 기반으로 가상센서를 개발하였다. 냉동기 전기 에너지 가상센서 모델은 인공신경망을 통해 구축하였으며, 인공신경망의 하이퍼 파라미터는 Table 4에 기술하였다. 인공신경망은 실제 시스템 운전에서 다양한 불확실성을 고려함에 따라 높은 성능의 가상센서를 구축하는 데 널리 활용되고 있다(Yap and Karri, 2011). 냉동기 전기 에너지 가상센서의 입력변수는 Figure 3과 같이 냉동기 주변에 존재한 기본적인 온도센서들로 구성하였고, 냉동기 공급·환수 수온과 콘덴서 공급·환수 수온으로 구성하였다. 냉동기 전기 에너지 가상센서 모델에 대한 자세한 설명은 Table 5에 기술하였다.
Table 4.
Hyperparameters of the artificial neural network
| Layer | Number of neurons | Neural fitting training rate (%) | |
| Input layer | 4 | Training | 70 |
| Hidden layer | 10 | Validation | 15 |
| Output layer | 1 | Testing | 15 |
Table 5.
Chiller electricity energy virtual sensor model information
본 연구에서 추출된 시뮬레이션 데이터는 실제 현장과 같이 실물센서의 랜덤오차를 반영하지 않는다. 따라서 시뮬레이션으로 도출된 각 실물센서의 참값에 후처리로 랜덤오차를 추가적으로 반영하였다. Table 6은 일반적인 온도센서의 랜덤오차의 범위에 따른 케이스를 구성한 것이다. 구성한 케이스를 통해 이상검출의 목표 정확도와 성능을 달성하는 온도센서의 요구성능을 분석하고자 하였다.
Table 6.
Random error cases of physical sensors
| Case | Random error range | |
| Case 1 | No random error | |
| Case 2 | Random error (Uniform distribution) | ±0.25°C |
| Case 3 | ±0.50°C | |
| Case 4 | ±0.75°C | |
본 연구에서는 가상센서 모델의 성능을 평가하기 위해 식 (4)의 Root Mean Square Error (RMSE) 지표를 활용하였다. RMSE는 가상센서 트레이닝과 테스팅 일자 안에서 실물센서의 값과 가상센서값의 평균적인 오차를 의미한다. 각 케이스 별 냉동기 전기 에너지 가상센서의 트레이닝과 테스팅 결과의 RMSE 값은 Table 7에 제시했다. 가상센서 트레이닝에서는 가상센서 입력변수로 구성된 온도센서의 랜덤오차범위가 커질수록 RMSE는 증가되었다. 가상센서 테스팅에서는 냉동기 파울링 강도의 크기가 커질수록 RMSE는 증가되었다.
여기서, RMSE는 평균 제곱근 오차, n은 데이터 개수, Yn,VS 는 가상센서 모델로부터 도출된 값, 그리고 Yn,phy 는 건물 시스템 내 실물센서로부터 측정된 값이다.
Table 7.
Virtual sensor training/testing RMSE results by cases
실물센서의 적정 요구성능 도출
냉동기 파울링 문제의 이상검출을 진행하기 앞서 적절한 임계치 산정은 중요하다. 낮은 임계값은 이상상태의 검출률을 높일 수 있지만 정상상태를 이상상태로 판단하는 오진율 또한 높일 수 있으며, 높은 임계값은 오진율을 낮출 수 있지만 가벼운 이상상태에 대한 신속한 검출에 어려운 한계를 가질 수 있기에 적절한 임계값을 정의해야 한다. 따라서, Table 8과 같이 냉동기 파울링 오류를 검출하기 위한 냉동기 전기 에너지 사용량 임계치는 각 케이스 별 가상센서 트레이닝 단계에서 5%의 오진율을 기준으로 정의하였다.
Table 8.
Fault detection index threshold
| Case | Case 1 | Case 2 | Case 3 | Case 4 |
| Random error range | - | ±0.25°C | ±0.50°C | ±0.75°C |
| Threshold (MJ) | 0.064 | 0.28 | 0.41 | 0.53 |
앞서 정의된 FDI와 임계치를 바탕으로 가상센서 테스팅 날짜인 8월 7일에서 냉동기 파울링 이상검출을 진행하였고, Figure 5는 모든 케이스 중 Case 3에서의 이상검출에 관한 예시 결과이다. 냉동기 정상상태와 작은 크기의 파울링 강도에서는 FDI residual은 임계치보다 비교적 낮게 도출되었지만, 파울링 강도가 커질수록 FDI residual은 증가되어 임계치를 초과하는 것을 확인할 수 있다. 이처럼 계산된 FDI residual을 통해 모든 케이스에서 이상검출의 정확도와 성능을 도출하였고, 설정한 이상검출목표와 비교하여 온도센서의 적정 요구성능을 도출하였다.
Figure 6은 모든 케이스에서 냉동기의 상태가 정상상태이지만 이상상태로 진단한 오진율 결과이다. Case 1과 Case 2에서만 앞서 설정한 이상검출의 목표 정확도가 달성되었으며, 온도센서의 랜덤오차 범위가 넓을수록 오진율이 증가되었다. 이 결과를 통해 ±0.25°C 이내의 랜덤오차를 만족하는 온도센서를 활용해야 보다 높은 이상검출의 정확도를 확보할 수 있는 것으로 판단하였다.
Figure 7과 Table 9는 모든 케이스에서 냉동기 파울링 강도별 도출된 이상검출률 결과이다. 냉동기 파울링 강도가 15% 기준에서는 모든 케이스에서 이상검출의 목표성능이 달성되었지만, 파울링 강도가 10% 기준에서는 Case 1, Case 2, Case 3에서만 목표성능이 달성되었고, 파울링 강도가 5% 기준에서는 Case 1, Case 2에서만 목표성능이 달성되었다. 랜덤오차범위가 반영된 케이스에서는 추세선을 통해 Case 2는 5.8%, Case 3은 8.3%, Case 4는 11.8%의 냉동기 파울링 강도에서부터 이상검출의 목표성능(90%)이 달성된 것을 확인하였다. 온도센서의 랜덤오차범위가 넓을수록 비교적 큰 크기의 파울링 강도가 발생되어야 이상검출의 목표성능이 달성되었으며, 작은 크기의 파울링 강도에서는 낮은 이상검출 성능이 도출된 것을 확인하였다. 일반적인 온도센서의 랜덤오차범위를 ±0.50°C로 고려했을 때, 본 시스템에서 10% 이상의 파울링 강도에서는 높은 이상검출 성능을 나타내고 있다. 다만, 파울링 현상이 시작되는 초기시점에서의 이상검출 성능을 향상시키기 위해서는 ±0.25°C 이내의 랜덤오차를 만족하는 온도센서가 필요할 것으로 보인다.
결 론
본 연구에서는 기존 가상센서 기반 이상검출 연구에서 충분히 검토되지 않고 있던 실물센서의 적정 요구성능을 분석하는 방법을 제안했다. 공기조화기 시스템의 냉동기 파울링 문제를 대상으로 온도센서의 랜덤오차범위에 따른 케이스 별 도출된 이상검출결과를 통해 온도센서의 요구성능을 분석하였다. 분석 결과, 랜덤오차범위가 좁은 성능의 온도센서를 활용할 수록 이상검출의 정확도는 향상되었고, 작은 크기의 냉동기 파울링 강도가 발생되어도 신속한 검출과 높은 이상검출률이 도출되었다. 또한, 10% 미만의 파울링 강도에서 이상검출의 목표성능(90%)이 달성되기 위해서는 ±0.5°C 정도의 랜덤오차를 만족하는 온도센서를 활용해야 하는 것으로 확인하였다. 아울러, ±0.25°C 랜덤오차를 만족하는 온도센서를 활용하는 것은 이상검출의 정확도를 향상시킬 수 있으며 신속한 이상검출이 가능하게 하는 하나의 전략이 될 수 있을 것으로 사료된다. 향후 연구에서는 적절한 FDI 및 임계치 산정, 가상센서 모델 성능 검토 등으로 보다 폭넓게 검토 범위를 확대하여 이상검출의 정확도와 성능을 보다 향상시킬 수 있는 설계 프레임워크를 제시하고자 한다.
