기호설명

CN,Cv : 로터 치형에 따른 정수

D : 숫로터의 직경(m)

L : 로터의 길이(m)

N : 숫로터의 회전수(rpm)

U : 숫로터의 외주속도(m/sec)

p1 : 흡입공에서의 가스 밀도

∆p : 흡입시의 과열도에 의한 밀도의 증가

V1 : 실제토출량(m3/s)(용적단위)

G,Gth : 실제토출량 및 이론토출량(중량단위)

GL : 흡입측에서의 내부 누설

Wlad : 가스 1 kg당 단열일량(Kcal/kg)

P1 : 1호기 토출압력(kg/cm2)

P2 : 2호기 토출압력(kg/cm2)

P3 : 3호기 토출압력(kg/cm2)

P4 : 4호기 토출압력(kg/cm2)

T1 : 1호기 토출온도(℃)

T2 : 2호기 토출온도(℃)

T3 : 3호기 토출온도(℃)

T4 : 4호기 토출온도(℃)

A1 : 1호기 모터전류(A)

A2 : 2호기 모터전류(A)

A3 : 3호기 모터전류(A)

A4 : 4호기 모터전류(A)

As : 1 ~ 4호기 모터전류 합계(A)

qe : 냉동효과(Kcal/kg, kJ/kg)

Aw : 압축열량(kcal/kg)

ia : 증발기 출구 엔탈피(kcal/kg, kJ/kg)

ie : 증발기 입구 엔탈피(kcal/kg, kJ/kg)

ib : 압축기 출구 엔탈피(kcal/kg, kJ/kg)

ia : 압축기 입구 엔탈피(kcal/kg, kJ/kg)

ηc : 압축효율

ηm : 기계효율

1. 서 론

최근 노후화된 냉동·냉장창고에서 냉동기의 냉매로 사용하는 암모니아가 누출되는 사고가 용인(‘19.8)¹⁾, 익산(‘15.7)²⁾, 창원(‘14.7)³⁾, 경기도 광주(‘12,7)⁴⁾ 지역에서 발생하여 뉴스에 보도되었다.

Table 1은 한국가스안전공사에서 발행하는 ‘20년 가스사고 연감의 자료로 고압가스 분야에서 가스별 비율로 암모니아 가스 사고는 약 26%, 원인별 비율로 사용자 부주의 및 시설미비 제품노후 등이 사고 전체의 약 60%를 차지하고 있다. 이와 같이 빈번하게 사고 발생됨에 따라 노후화된 암모니아 냉동기를 운영하는 오퍼레이터의 관리가 중요한 시점이다.

냉동기의 노후화에 따른 안정성을 토대로 전력부하를 절감하는 방법을 모색하기 위해 고효율 에너지 저장시스템을 위한 AI 알고리즘 연구⁵⁾를 인용하여 냉동기 안전한 운영을 고려한 Impact factor를 검토한 후 그 요인에 맞는 에너지 절감방법을 고려한 운영으로 실제 전력과 Cost의 절감이 얼마나 되었는지 연구하였다.

연구모델은 Fig. 1과 같이 인천지역의 수산물 냉동 창고에서 운영 중인 암모니아 냉매를 사용하는 214.5RT 스크류 압축기 MYCOM 1612c 기종(총 5대)을 사용하였고 대규모 수산물 저장용 냉동설비를 운영함에 있어 대표적인 모델은 MYCOM사의 제품으로 오퍼레이터가 선호하는 모델이다.

Fig. 1.

Screw compressor & Pressure gauge

이 냉동설비를 오퍼레이터가 조작·운영하는 패턴을 분석하기 위해 첫 번째로는 RNN을 이용한 예측, 두 번째는 LSTM을 이용한 일변량 시계열 예측, 세 번째는 LSTM을 이용한 다변량 시계열 예측 AI알고리즘 개발로 구동하였으며 Fig. 2와 같이 입력 값으로 시간(2년), 냉동기의 고압측 압력과 온도로 Setting하고 출력으로 냉동기 전류(A)를 예측 값을 측정하여 정밀도에 따른 impact factor를 산출하였다.

Fig. 2.

Refrigeration machine AI Algorithm

Screw compressor unit 5대 중 예시로 Fig. 3은 3번 냉동기의 실시간 압력, 온도, 전류가 모니터링 정보를 나타낸 것이다.

Fig. 3.

Sample (No.3 Screw compressor monitoring information)

Fig. 3과 같은 방식으로 각 냉동기의 압력, 온도, 전류 정보가 모니터링 운영으로 로그 정보(하루 2시간마다 측정)가 쌓이게 되는데 Fig. 4와 같은 냉동운영일지의 양식으로 남겨지며 2개년 데이터(‘19. 1월 ~ ‘20. 12월)를 수집·가공하였다.

Fig. 4.

Refrigeration machine operating log (1 DAY)

가공 데이터를 활용하여 Anaconda Program에서 딥러닝을 통해 AI알고리즘을 개발하였다.

본 논문에서는 딥러닝 모델 중 RNN (Recurrent neural Network), LSTM (Long Short-Term Memory)를 사용하여 냉동기 모터 전류 예측 알고리즘을 구현하고 구현된 데이터와 실제 데이터, 예측 데이터를 비교하여 성능평가 후 에너지 절감방안을 도출하여 실제(‘20. 11월부터 ‘21. 3월까지) 에너지 절감을 위한 냉동설비 Setting을 변경으로 운영한 결과 과거(‘19. 11월부터 ‘20. 3월까지) 데이터와 비교하여 전기사용량(Kw)과 비용(백만원)의 변화를 비교하였다.

2. 스크류 압축기를 사용하는 냉동설비(Refrigeration facility using screw compressor)

Fig. 5는 수산물 냉동 창고에서 운영하는 모니터링 시스템으로 각 냉동기를 클릭하여 조작으로 설비의 Setting변경 및 전자밸브 조작이 가능하다. 그리고 냉동실은 Fan방, Coil방, 동결실, 냉풍건조실 분류되어 운영 중에 있다.

Fig. 5.

Refrigerator system using Screw compressor

2.1 스크류 압축기의 성능평가^6,7)

아래 식은 성적계수를 나타내는 것으로 냉동능력과 압축일에 해당하는 소요 동력의 비로 냉동기에 대비하면 응축온도는 가능한 낮을수록, 증발온도는 가능한 높게 할수록 좋은 것으로 판단하기에 냉동기는 성적계수가 클수록 좋다.

(1) P-i 선도상 성적계수(COP)

COP=qeAw=qe압축기에필요한축동력×860=ia-ieib-ia

단위 qe : 냉동효과(Kcal/kg, kJ/kg), Aw : 압축열량(kcal/kg), ia : 증발기 출구 엔탈피(kcal/kg, kJ/kg), ie : 증발기 입구 엔탈피(kcal/kg, kJ/kg), ib : 압축기 출구 엔탈피(kcal/kg, kJ/kg), ia : 압축기 입구 엔탈피(kcal/kg, kJ/kg)

(2) 이론 성적계수(ε0)

ε0=qeAw=Q2Q1-Q2=T2T1-T2

(3) 실제 성적계수

ε=ε0×ηc×ηm

단위 : ηc: 압축효율, ηm: 기계효율

3. 스크류 냉동기 전류 예측 알고리즘(Screw compressor current prediction Algorithm)

3.1 스크류 냉동기 전류 예측 알고리즘^5,8,9)

Fig. 2과 같이 냉동시스템 전류 예측 알고리즘의 목표는 입력 값으로 시간(2년), 냉동기의 고압측 압력과 온도로 Setting하고 출력으로 냉동기 전류(A)를 예측 값을 측정하여 정밀도에 따른 impact factor를 산출하는 것이기 때문에 예측 알고리즘을 설계하여 냉동기 통합 전류를 예측하는 모델 구성하고 기존 오퍼레이터의 운영 패턴이 현재까지 사고를 발생시키지 않았기 때문에 AI의 현재 패턴 학습을 통한 냉동시스템 예측 알고리즘을 개발하였다.

Table 2는 ‘19년 ~ ‘20년(2년)분의 냉동설비 운영일지의 데이터를 취합한 후 총 5대의 냉동기 중 5호기는 예비(비상용)으로 거의 사용하지 않으므로 데이터를 생략하고 1호기에서 4호의 데이터인 P1 (1호기 토출압력), T1 (1호기 토출 온도), A1 (1호기 전류), P2 (2호기 토출 압력), T2 (2호기 토출 온도), A2 (2호기 전류), P3 (3호기 토출 압력), T3 (3호기 토출 온도), A3 (3호기 전류), P4 (4호기 토출 압력), T4 (4호기 토출 온도), A4 (4호기 전류), As (1 ~ 4호기 전류 합계)로 배열하여 Anaconda Program을 이용하여 데이터 테이블로 출력하였다.

Fig. 6은 As (1 ~ 4호기 냉동기 전류 합계)를 Data time에 따라 Anaconda Jupyter notebook으로 출력한 사진이다. 데이터 상에 ‘19. 1월부터 ‘21. 10월까지 냉동기 합산 사용 전류는 최저 0 A, 최고 572 A로 운영되고 있다. 여기서 Date Time을 행의 데이터가 총 8,400개인데 이를 4,000개를 1 Set로 하여 프로그램이 데이터를 학습하고 나머지 행은 미래 실제 데이터로 사용하였다.

Fig. 6.

Total motor current for refrigerators No. 1 to No. 4 (Anaconda Program)

3.2 RNN을 통한 일변량 시계열 예측^8,9)

Date time과 As (1 ~ 4호기 냉동기 전류 합계)의 데이터를 토대로 시간에 따른 일변량 시계열 예측 데이터로 가로축은 1 Set (4,000개의 행)를 Buffer size를 60개로 설정하여 –60부터 0으로 표시하였으며, 세로측은 원 데이터에서 평균을 뺀 값을 표준편차로 나누어 데이터를 표준화 시킨다. 도출된 Fig. 7이 RNN을 통한 일변량 시계열 예측으로 History는 과거의 데이터를 나타내고 True Future는 실제 미래의 데이터, Model Prediction 프로그램이 예측한 값이다. 그림과 같이 True Future은 1.1이며 Model Prediction은 –0.2로 약 1.3의 오차를 보였다.

Fig. 7.

Univariate Time Series Prediction Using RNN

부록과 같이 LSTM code source를 사용하여 오차를 줄이기 위해 Buffer size를 60개로 설정하고 실제 데이터와 대비하여 종료되면 역전파를 통한 가중치를 증가시킨다. LSTM을 이용한 예측은 1차 및 2차 모멘트의 적용 추정을 기반으로 하는 확률적 경사 하강방법을 사용하여 실제 지점과 직선의 거리를 통해 오차를 파악한다.

3.3 LSTM을 통한 일변량 시계열 예측^8,9)

Fig. 8은 LSTM을 통한 일변량 시계열 예측으로 세 개의 사진은 Random한 60개의 전류에 평균전류를 뺀 값을 표준편차로 나누워 표준화한 데이터로 A Type, B Type, C Type Sampling 데이터를 기준 사진으로 도출된 것이며, History는 과거 데이터, Ture Future는 실제 미래 데이터, Model Prediction는 미래 데이터를 표시하여 시간에 따른 냉동기 모터 전류 합계 예측모델로 A Type 기준 True Future는 -0.6이며 Model Prediction은 –0.5로 약 0.1의 오차가 발생하였고, B Type 기준 True Future는 -0.7이며 Model Prediction은 –0.8로 약 0.1의 오차가 생겼으며, C Type 기준 True Future는 -2.8이며 Model Prediction은 –2.4로 약 0.4의 오차를 보였다.

Fig. 8.

Univariate Time Series Prediction Using LSTM

3.4 LSTM을 통한 다변량 시계열 예측^8,9)

Fig. 9는 다변량 시계열 데이터 예측으로 냉동기의 토출 압력과 토출 온도 데이터 중 P1 (1호기), T1 (1호기), P2 (2호기), T2 (2호기), P3 (3호기), T3 (3호기), P4 (4호기), T4 (4호기) 데이터를 이용한 8개의 특성으로 차트는 시간에 따른 값을 각각 그림으로 나타냈다.

Fig. 9.

Multivariate Time Series Prediction Chart

Fig. 10의 세 개의 그림은 Single Step model로 한 번의 단계 설정에서 모델의 주어진 과거의 자료로부터 하나의 포인트를 예측하는 방법이다. mutivariate_data함수는 univariate 함수와 비슷하게 동작하지만 step에 맞게 데이터를 샘플링하는 함수이다. 최근 5일(12개 * 5일 = 60개)의 데이터 12시간 뒤에 전류를 예측하므로 6 (12시간 / 2시간)을 입력하였다. 그리고 도출된 결과 A Type의 True Future은 1.6이며 Model Prediction은 0.6로 1.0의 오차를 보였으며, B Type의 True Future은 1.1이며 Model Prediction은 –0.1로 1.2의 오차를 보였다. C Type의 True Future은 –1.9이며 Model Prediction은 –1.4로 0.5의 오차를 보였다. 냉동기 모터전류 예측모델로 확인 결과 다변량 시계열 예측이 일변량 시계열 예측보다 큰 오차율을 보였다.

Fig. 10.

Multivariate Time Series Prediction Using LSTM

3.5 냉동시스템 에너지 절감을 위한 Setting변경 및 전기사용량 비교

예측결과에 따라 계절적 변화인 시간에 따라 전력부하가 예측이 안정적이므로 압력과 온도에 따른 요소를 제외하더라도 현재 패턴을 유지하는데 무리가 없으므로 전력부하 절감 목표를 부하율을 절감하는 패턴으로 ‘20. 11월부터 변경하여 냉동기 무부하 운전 지연시간을 기존 5분에서 3분으로 모니터링 시스템 Setting을 변경하여 무부하 운전시간을 2분줄이고 냉동실의 온도범위 Setting을 Fig. 11과 같이 편차를 늘려 기존 냉동실 기준가동온도 –21℃, 정지온도설정 –23℃, 동결실 기준 가동온도 –35℃, 정지온도설정 –40℃에서 변경 Setting 냉동실 기준가동온도 –21℃, 정지온도 –25℃, 동결실 기준 가동온도 –35℃, 정지온도설정 –45℃로 온도범위를 늘려 잦은 기동, 정지를 방지하므로 부하율을 줄이는데 중점을 두었다.

Fig. 11.

Refrigeration warehouse setting value (Sample)

그 결과 Fig. 12과 같이 ‘20. 11월부터 12월까지 최저 0 A도달 유지시간이 길어졌으며, 최고 493 A로 운영되었다. Fig. 6의 최고 572 A 대비 79 A 감소하였다.

Fig. 12.

Total motor current for refrigerators No. 1 to No. 4 (Anaconda Program)

‘19. 11월 ~ ‘19. 2월 대비 ‘20. 11월 ~ ‘21. 2월 전기사용량 및 전기료 비교로 Table 3을 구성하였다. 전년 대비 4개월간 전기사용량(kwh) 58,271 (kwh)가 절감되었고 총 10백만원의 전기료가 절감되었다.

4. 결 론

냉동시스템 모니터링 정보를 이용한 냉동기 전력 부하예측 알고리즘의 설계·구동을 통해 가능하게 하고자 한 본 연구의 결론은 다음과 같다.

(1) 표준 데이터는 인천지역 냉동창고의 모니터링 정보가 담긴 냉동설비 운영일지 데이터 ‘19. 1월 ~ ‘20. 10월의 데이터를 프로그램 패턴에 맞게 가공하여 적용하였다.

(2) 최근 AI Program에 자주 사용하는 Anaconda Program과 Tensorflow Code를 사용하였다.

(3) 다변량 시계열 예측(Fig. 10) 오차는 1.0, 1.2, 0.5의 결과가 도출되었으며, 일변량에 따른 시계열 예측(Fig. 8)에서 0.1, 0.1, 0.4의 오차로 예측 확률이 높았다.

(4) AI알고리즘을 접목할 때 다양한 변수를 넣어 정확도를 높이는 시스템을 개발하는 것이 일반적이나, 오퍼레이터 운영패턴을 분석한 결과 시간에 따른 일변량 시계열 예측도가 높게 측정되었다.

(5) AI알고리즘을 통해 오퍼레이터의 운영패턴을 분석하고 전력사용량을 예측하여 동일 패턴의 운전을 고수할 것이 아니라 운전방식을 변경하여 냉동기 모터의 무부하 운전률을 줄이고 냉동실의 셋팅치 변경으로 빈번한 on/off를 줄이므로 냉동기 운영 안전사고에 대비한 에너지를 절감할 수 있는 패턴을 구성하였다.

(6) 본 논문을 통한 예측프로그램을 통해 현재 예상패턴을 분석해 볼 수 있으며, 모든 요소가 영향을 미칠 수 있기에 모든 변수를 사용하여 운영패턴 예측할 수 있지만, 오차율의 차이가 발생할 수 있기에 운영 및 설비조건에 따른 impact factor를 최적 설정하여 예측해야 함을 알 수 있었다.

(7) 본 컴퓨터 프로그램의 경우 범위를 넓혀 각종 모니터링 시스템에 접목하여 사용할 수 있으며 전력수요관리 및 에너지 절감부분의 보조 자료 활용이 기대된다.

APPENDIX