기호 및 약어 설명

mmix : 혼합 공기 풍량[kg/hr]

moa : 외기 풍량[kg/hr]

mra : 환기 풍량[kg/hr]

Tmix : 혼합 공기 온도[℃]

Toa : 외기 온도[℃]

Tra : 환기 온도[℃]

그리스 기호 설명

α : 외기 도입 비율[-]

1. 서 론

공조시스템의 성능 유지 및 에너지 관리를 위해서는 유지‧관리가 필수적이다. 공조시스템의 에너지 효율화 방법으로는 공조시스템 개보수 및 운전 방법 개선이 있다. 건축물의 에너지 절약설계기준의 에너지 성능 지표(EPI, Energy Performance Index)에서는 공조시스템의 개보수 및 운전 방법 개선을 통한 에너지 효율화 방안을 제시하고 있으며 외기 냉방 시스템은 운전 방법 개선을 통한 에너지 효율화 방안 중 하나로 중간기 등 외기 도입을 통해 냉방부하를 감소시키는 것이다. 외기 냉방 시스템의 제어 방식에는 건구 온도 제어와 엔탈피 제어가 있다. 건구 온도 제어 방식은 현열만 고려하는 간단한 제어 방식으로 습도를 고려할 수 없는 한계를 가지며 이를 보완한 것이 엔탈피 제어 방식이다. 하지만 엔탈피 제어의 경우 습도 센서의 보정이 어려우며 경제적인 측면에서 설치 및 운영에 어려움이 있다. 외기 냉방 제어를 위한 설정값에는 혼합 온도와 외기 냉방 상‧하한값이 있다. 기존 외기 냉방 제어 시 혼합 온도 설정값을 일정한 값으로 제어하고 있으며 이러한 고정된 설정값은 실내외 환경 변화를 고려하지 못하여 에너지 낭비 등의 문제가 발생할 수 있다. 이에 외기 냉방 시스템 제어 시 실내외 환경에 고려한 설정값 제어가 필요하다.

예측 모델은 건축 환경 분야에서 건물 제어에 활용되고 있다. Kang et al. (2017)¹⁾는 VRF 시스템의 냉방에너지 사용량 예측 모델을 개발하고 개발한 모델을 제어 알고리즘에 적용하였다. Kwon et al. (2021)²⁾는 건물에너지 최적 제어를 목표로 실내 온도 분포 예측 모델을 개발하였다. Park et al. (2021)³⁾는 데이터센터의 냉방 에너지 절감을 위해 예측 모델 기반 제어 알고리즘을 개발하고 적응성을 검토하였다. 이에 본 연구에서는 외기 냉방 시스템 제어에 데이터 기반 예측 모델을 활용하고자 한다. 실내외 환경변화를 고려하기 위해 부하를 예측하는 모델을 개발하였으며 에너지 소비를 최소로 하는 외기 냉방 시스템 제어를 위해 에너지 예측 모델을 개발하였다. 그리고 개발된 예측 모델을 바탕으로 실내외 상황을 고려하여 설정값을 유동적으로 하는 외기 냉방 시스템 제어 알고리즘을 개발하고, 개발된 제어 알고리즘을 TRNSYS와 Matlab의 Co-simulation을 통해 평가하였다.

2. 외기 냉방 시스템

외기 냉방은 외기가 냉방에 사용되기에 충분할 때 냉방 에너지 저감을 위해 외기를 도입하는 것으로 건축적 요소와 설비적 요소로 구분할 수 있다. 건축적 외기 냉방은 실내 냉방을 계획하기 위해 기계 시스템의 도움 없이 건축물의 설계단계에서부터 실내에 투과되는 입사열을 방지하고 냉방부하가 발생하지 않도록 하는 것을 의미한다^4,5). 설비적 외기 냉방은 데이터센터 또는 기타 시설을 냉각하기 위해 외부 온도가 낮을 때 냉각 시스템에서 소비하는 에너지 또는 냉각 장치의 운전 시간을 줄이는 모든 기술을 의미한다. 공조시스템에 적용된 외기 냉방은 외기 냉수 냉방(Water-side economizer)과 외기 냉방(Air-side economizer) 방법이 있다. 외기 냉수 냉방은 외부 급수탑의 순환 냉각수를 냉각시키기 위해 찬 공기를 사용하는 것을 의미하며 외기 냉방은 외부의 차가운 공기를 시스템으로 도입하여 냉방에 사용하는 것을 의미한다.

Fig. 1

Control type of economizer system

공조시스템에 적용된 외기 냉방 제어(Air-side economizer)는 외기 온도 또는 엔탈피가 실내 공기의 온도 또는 엔탈피보다 낮은 경우 혼합 온도 설정값을 유지하도록 공기조화기의 외기, 환기, 배기 댐퍼의 조절을 통해 외기와 환기를 혼합하여 냉방에 사용하는 것이다⁶⁾. 외기 냉방의 일반적인 제어 방식에는 건구 온도를 기준으로 외기 도입량을 결정하는 건구 온도 제어와 엔탈피를 기준으로 외기 도입량을 결정하는 엔탈피 제어가 있다⁷⁾. 또한, ASHRAE Standard 90.1에서는 환기측 정보에 대한 고려 유무에 따라 고정 온도 제어(Fixed dry-bulb control) 및 온도차 제어(Differential dry-bulb control), 고정 엔탈피 제어(Fixed enthalpy control) 및 엔탈피 차 제어 방식(Differential enthalpy control)으로 분류하고 있으며 제어 방식별 외기 냉방 조건은 Fig. 1과 같다. 고정 온도 제어는 외기가 실내 온도 설정값보다 낮을 경우 외기 냉방이 운전되는 것을 의미하며 온도차 제어는 측정된 환기 온도와 외기 온도의 비교를 통해 외기 냉방이 운전되는 것을 의미한다. 고정 엔탈피 제어는 외기 엔탈피가 실내 엔탈피 설정값보다 낮을 경우 외기 냉방이 운전되는 것을 의미하며 엔탈피 차 제어 외기와 환기의 엔탈피 측정 값을 활용하여 외기 냉방 운전을 결정하는 것을 의미한다⁸⁾.

공조시스템에서의 공기 혼합 과정은 단열 조건하에서 발생한다. 외기와 환기가 혼합되어 혼합 공기가 되고, 혼합된 공기는 냉방을 위해 냉각 코일을 지나며, 공급 공기의 상태로 변화한다. 질량 보존의 법칙에 따라 외기와 환기 공기의 혼합에 대한 기초방정식은 식(1)과 같이 나타낼 수 있다. 외기 도입 비율은 외기 풍량에 대한 혼합 풍량의 비로 식(2)와 같이 나타낼 수 있으며, 식(1)과 식(2)에 따라 혼합 온도는 식(3)과 같이 나타낼 수 있다.

외기 냉방 제어를 위한 설정값에는 혼합 온도와 외기 냉방 운전 유무를 결정하는 상‧하한값이 있다. 외기 냉방 제어 구간에서는 혼합 온도 설정값을 유지하도록 댐퍼가 조절된다. 기존 제어 방식에서 외기 냉방 혼합 온도 설정값은 일정한 값으로 제어하고 있으며, 건구 온도 제어 시 13℃로 설정하고 있다. 그리고 ASHRAE Standard 90.1에서는 외기 냉방 제어 방법에 따른 상한값을 기후 조건별로 제시하고 있으며 설비공학 편람에서는 상한값을 18℃로 제시하고 있다^9,10).

3. 외기 냉방 시스템의 설정값 제어 알고리즘 개발

외기 냉방 시스템의 제어 설정값 중 하나인 혼합 온도 일반적으로 고정된 값으로 제어되고 있으며 건구온도 제어의 경우 13℃로 하고 있다. 또한, 건구온도 제어 시 외기 습도가 고려되지 않는다. 이로 인해 일부 외기 상황에서는 실내 불쾌적 및 에너지 낭비가 발생한다. 이처럼 외기 냉방 제어 시 고정된 설정값은 실내외 환경 변화를 고려하지 못하여 에너지 낭비 등의 문제가 발생할 수 있다. 이에 외기 냉방 시스템 제어 시 실내외 환경을 고려한 설정값 재설정이 필요하다. 본 연구에서는 예측 모델을 기반으로 외기 냉방 시스템의 설정값을 제어하는 알고리즘을 개발하였다. 이를 위해 대상 건물을 선정하고 데이터 기반의 예측 모델을 개발하였으며 개발한 예측 모델을 활용한 외기 냉방 시스템의 제어 알고리즘을 개발하였다.

3.1 대상 건물

본 연구에서 선정된 대상 건물은 경산에 위치한 대학의 실험실이다. 대상 건물의 면적은 77.8 m²로 단일 덕트 변풍량 시스템과 재열 코일이 적용된 터미널 유닛이 설치되어 있으며 Table 1은 건물과 시스템 개요를 나타낸 것이다.

3.2 예측 모델 개발

본 연구에서는 예측 모델 기반 외기 냉방 시스템 제어 알고리즘 개발을 위해 MATLAB 2014a를 사용하여 현열 및 잠열 부하 예측 모델을 개발하였다. 예측 모델 개발을 위한 학습데이터는 시뮬레이션을 통해 수집하였으며 이때 동적 에너지 시뮬레이션 프로그램인 TRNSYS 17을 사용하였다. TRNSYS 17을 통한 시뮬레이션을 위해 Google Sketch up 프로그램을 통해 대상 건물의 3D 모델링을 수행하였으며 TRNbuild를 통해 재료 물성치를 모델링하고, Simulation Studio로 설비 시스템을 모델링하였다. 기후 데이터는 TRNSYS에서 제공하는 기후데이터를 활용하였으며, 실내 설정 온도와 상대 습도는 각각 24℃, 50%로 하였다. 예측 모델 개발을 위한 학습 데이터 수집을 위해 혼합 온도 설정값을 10℃부터 24℃까지 1℃의 간격으로 변화시켜가며 반복 시뮬레이션을 진행하였다.

예측 모델 개발을 위한 입력 변수를 선정하기 위해 앞서 수집된 데이터를 활용하여 현열 및 잠열 부하의 영향 인자와 부하와의 상관관계 분석을 수행하였다. 선정된 현열 부하 예측 모델의 입력 변수는 외기온도와 공급 풍량이며 잠열 부하 예측 모델은 외기 온습도와 공급 풍량이다. 예측 모델은 MATLAB에 내장된 인공신경망 모델을 활용하여 개발하였다. 그리고 수집된 학습 데이터 중 임의로 선정된 70%의 데이터는 학습에 사용하였으며 나머지 15% 데이터는 검증을 위해 그리고 나머지 15%는 시험 데이터로 활용하였다. 또한 예측 모델 개발 시 학습 및 예측성능을 향상시키기 위해 정규화 과정을 실시하였다. 그리고 예측 모델 최적화를 위해 은닉층 및 은닉 뉴런 수를 변화시켜가면서 CV (RMSE) 평가하여 최적의 은닉층 구성을 도출하여 예측 모델을 개발하였다. 그리고 개발한 예측 모델은 MBE 및 CV (RMSE)를 통해 검증하였다. 또한, 에너지 소비를 최소로 하는 혼합 온도 설정값 도출을 위해 에너지 예측 모델을 개발하였으며 이때 에너지는 냉방, 팬 및 재열 에너지를 고려하였으며 부하 예측 모델 개발과 동일한 방법으로 예측 모델을 개발하였다. Table 2는 본 연구에서 개발한 예측 모델의 구성을 나타낸 것이다.

3.3 외기 냉방 제어 알고리즘

외기 냉방 제어 시 고정된 제어 설정값으로 인해 실내 불쾌적 및 에너지 낭비가 발생할 수 있으며 이를 방지하기 위해서는 실내외 환경 변화가 고려되어야 한다. 이에 본 연구에서는 부하 예측 모델을 활용하여 외기 냉방 시스템의 설정값을 제어하는 알고리즘을 개발하였다. 이를 위해 3.2에서 현열 및 잠열 부하 예측 모델을 개발하였다. 또한, 개발한 예측값을 기반으로 최소의 에너지를 소비하는 혼합 온도 설정값을 도출하기 위해 에너지 소비량 예측 모델을 개발하였다. Fig. 2는 예측 모델을 활용한 외기 냉방 시스템의 제어 알고리즘을 나타낸 것이며 세부 제어 방식은 다음과 같다.

Step 1 : 운영상황의 현열 및 잠열 부하 예측

Step 2 : 예측 부하와 혼합 온도 기반 에너지 소비량 예측

Step 3 : 예측값을 바탕으로 최소 에너지 상황에서의 외기 냉방 시스템 혼합 온도 설정값 도출

Step 4 : 도출된 설정값을 다음 Time-step의 외기 냉방 시스템 설정값으로 적용

Fig. 2

Control algorithm of economizer system

4. 제어 알고리즘 성능평가

본 연구에서 제안한 제어 알고리즘의 성능을 평가하기 위해 MATLAB과 TRNSYS의 Co-simulation을 구성하였다. 그리고 외기의 엔탈피와 실내의 엔탈피를 고려하여 외기를 도입하는 엔탈피 제어 방식과 함께 에너지 측면에서 성능을 평가하였다. Fig. 3 및 Fig. 4는 제어 방식 적용에 따른 에너지 소비량 평가 결과를 나타낸 것이다. Fig. 3(a)는 평가에 따른 냉방 에너지 소비량 결과를 나타낸 것으로 엔탈피 제어로 운전 할 경우 연간 냉방 에너지 소비량은 42,409,044 kJ이며, 제안한 제어 알고리즘으로 외기 냉방 시스템이 운전 될 경우 냉방 에너지 소비량은 40,574,745 kJ로 나타났다. 이러한 결과는 혼합 온도 설정값의 변화에 따라 외기 냉방 구간이 증가하여 에너지 소비량이 감소한 것으로 판단된다.

재열 에너지 소비량 평가 결과는 Fig. 3(b)와 같다. 평가 결과 5 ~ 6월, 9 ~ 10월에는 기존 엔탈피 제어 방식 대비 에너지 소요량이 증가하였으나 그 외의 기간에는 에너지가 절감되는 것을 확인하였다. 기존 제어 대비 제안한 제어 알고리즘으로 제어하였을 때의 혼합 온도 설정값이 높게 설정되었으며 이로 인해 공조기에서의 재열에 의한 에너지 소비량이 크게 나타난 것으로 판단된다.

Fig. 3

Result of energy consumption evaluation according to control method

팬 에너지 소비량 평가 결과는 Fig. 3(c)와 같으며, 1 ~ 3월과 11월에는 기존 엔탈피 제어 대비 본 연구에서 개발한 제어 알고리즘을 적용하였을 때 에너지 소비량이 증가하였으나 그 외의 상황에서는 에너지가 절감되었다. 이는 겨울철 혼합 온도 설정값은 13℃보다 높게 설정되어 실내로 공급되는 풍량이 증가하였기 때문이며, 여름철 및 간절기에는 혼합 온도 설정값이 기존 제어 방식보다 낮게 설정되는 구간에서 공급 풍량이 감소하였기 때문이다. Fig. 4는 제어 방식 적용에 따른 전체 에너지 소비량을 나타낸 것으로 기존 엔탈피 제어 방식으로 운전하였을 경우 대비 현열 및 잠열 부하를 고려한 외기 냉방 제어에 따라 혼합 온도 설정값이 변화하여 약 18%의 에너지가 절감되었다.

Fig. 4

Total energy consumption according to economizer control type

5. 결 론

본 연구에서는 외기냉방 제어 시 고정된 설정값에 따른 실내 불쾌적 및 에너지 낭비를 방지하기 위해 예측 모델을 활용하여 외기 냉방 시스템의 설정값을 제어하는 알고리즘을 개발하고 개발한 알고리즘을 시뮬레이션을 통해 평가하였으며 결과는 다음과 같다.

예측 모델 개발을 위해 시뮬레이션을 통해 학습데이터를 수집하였으며 MATLAB 프로그램에 내장된 인공신경망 함수를 활용하여 현열 및 잠열 부하 예측 모델을 개발하였다. 또한 최소의 에너지 상황에서의 설정값을 도출하기 위해 에너지 예측 모델을 개발하였다. 그리고 개발된 예측 모델을 활용하여 실내외 상황에 따라 제어 설정값을 재설정하는 외기 냉방 시스템 제어 알고리즘을 개발하였다. 그리고 개발한 알고리즘을 MATLAB과 TRNSYS의 Co-simulation을 통해 외기 냉방 엔탈피 제어 방식과 함께 평가하였다. 제어 방식 평가 결과, 제안한 제어 방식 적용에 따라 혼합 온도 설정값은 계속해서 변화하는 것을 확인하였으며 기존 엔탈피 제어 방식 대비 약 18%의 에너지가 절감되는 것을 확인하였다. 향후 연구에서는 실제 제어 시스템에 개발한 알고리즘을 적용하여 실증 연구를 진행할 예정이다. 또한, 외기 냉방 제어 시 추가로 고려가 필요한 요소를 검토하여 제어 알고리즘을 고도화 할 예정이다.