.png&blockId=39b4392a-95e9-4c14-9460-83385449abf0)
요약
본 발명은 심층 강화학습 기반의 다건물 냉방 시스템 운영 방법 및 장치를 제안합니다. 이 기술은 다건물의 냉방 부하를 만족시키는 동시에 에너지 생산 비용을 최소화하는 냉동기 운영 기법을 제공합니다. 이를 통해 과도한 냉방 공급과 부족한 냉방 공급을 최소화하여 에너지 비용을 줄이고 사용자의 불편을 최소화합니다. 심층 강화학습 모델을 활용하여 냉동기의 운영 정보를 결정하며, 이를 통해 냉방 시스템의 효율적인 운영을 가능하게 합니다. 이 기술은 에너지 효율성이 높은 빌딩 운영을 가능하게 하여, 빌딩 관리의 효율성과 경제성을 높이는데 기여할 것으로 기대됩니다.
기본 정보
•
특허명: 심층 강화학습 기반의 다건물 냉방 시스템 운영 방법 및 장치
•
대표 발명자: 김관호 교수
•
출원번호: 10-2022-0175556
발명의 배경 및 필요성
기술 배경과 중요성
•
현대 사회에서 대학 캠퍼스와 같은 다건물 냉방 시스템의 효율적인 운영이 중요하며, 냉방 시스템은 건물의 에너지 소비 중 큰 부분을 차지함
•
다건물의 냉방 부하는 불확실하게 발생하며, 이를 만족시키는 동시에 냉동기의 운영상 제약 조건을 지키는 것은 매우 어려운 문제임
기술 적용의 필요성
•
본 발명은 여러 냉동기의 운영을 최적화하여 에너지 생산 비용을 줄이고, 과도한 냉방 공급과 부족한 냉방 공급을 최소화하여, 에너지 비용의 낭비와 사용자의 불편을 최소화하는 것을 목표로 함
•
이에 따라, 심층 강화학습 기반의 다건물 냉방 시스템 운영 방법은 냉방 시스템의 효율적인 운영을 가능하게 하여, 전력 소비를 줄이는데 필요함
구현방법
기술 원리 및 구현
•
다건물 냉방 시스템과 관련된 상태 정보 및 현재의 냉동기 운영 정보를 획득하며, 이를 위해 프로세서를 포함하는 장치를 사용함.
•
외기 온도, 외기 습도, 환수 온도, 공급 온도 등의 상태 정보를 활용하여 심층 강화 학습 모델을 이용해 냉동기의 운영 정보를 결정함.
•
DQN(Deep Q-Network), DDQN(Double DQN), Dueling DQN, Double Dueling DQN 등의 심층 강화학습 모델을 사용하며, 15분마다 냉동기를 켜거나 끄는 운영 결정을 함.
•
Q 네트워크, 타겟 네트워크, 리워드 계산, 리플레이 메모리, 미니 배치, 액션 값 오차 계산, 입실론-그리디 탐험 및 활용, 제약 만족 여부 판단, 후처리를 위한 휴리스틱 알고리즘 등을 활용함.
기술 효과
•
냉동기의 운영을 효율적으로 관리하며, 에너지 생산 비용을 최소화함.
•
과공급 및 저공급을 줄여 냉방 부하를 효과적으로 관리함.
실험 및 결과
실험 목적 및 방법
•
건물의 냉방 부하를 충족시키고 에너지 비용을 절감하기 위한 심층 강화학습 기반의 다중 냉동기 운영 기법을 검증하려고 함.
•
2021년 6월 1일부터 30일까지 캠퍼스 내 냉방 부하 데이터와 외기 정보 데이터를 수집하였으며, 냉동기 운영 시간 동안의 데이터를 15분 단위로 수집함.
실험 결과
•
심층 강화학습 기반의 냉동기 운영 모델은 실제 캠퍼스의 운영보다 과공급/저공급량을 감소시켰음.
발명의 활용 방안
다건물 냉방 시스템의 효율 향상
•
이 발명은 다건물의 냉방 부하를 만족시키는 동시에 에너지 생산 비용을 최소화하는 냉동기 운영 기법임
•
과도한 냉방 공급과 부족한 냉방 공급을 최소화하여 에너지 비용을 줄이는 동시에 냉방 시스템의 효율성을 향상시킴
•
심층 강화학습 기반의 다건물 냉방 시스템 운영 방법 및 장치를 통해, 대부분의 날짜에서 실제 냉동기 운영 기록보다 더 우수한 성능을 보임
기대효과
에너지 절약과 효율성 향상
•
본 발명은 냉방 시스템의 효율성을 높이는 동시에 에너지 소비를 줄이는 데 기여함
•
대부분의 날짜에서 냉방 공급량을 절약하면서도 냉방 부하를 충분히 만족시키는 효과를 보여, 건물의 에너지 비용을 줄이는 데 도움이 될 것으로 예상됨
장기적 효과와 비전
•
이 발명을 활용하면 에너지 효율성이 높은 빌딩 운영이 가능해져, 빌딩 관리의 효율성과 경제성을 높일 수 있을 것으로 기대됨
•
또한, 에너지 절약을 통한 환경 보호에도 기여할 수 있음
시장 동향
건물 에너지 관리 시장 동향
기술 SWOT 분석
Strengths
에너지 효율성 향상
•
심층 강화학습 기반의 다건물 냉방 시스템 운영 방법은 에너지 생산 비용을 줄이고, 과도한 냉방 공급과 부족한 냉방 공급을 최소화하여, 에너지 비용의 낭비와 사용자의 불편을 최소화합니다.
냉방 시스템 운영 최적화
•
다건물의 냉방 부하는 불확실하게 발생하며, 이를 만족시키는 동시에 냉동기의 운영상 제약 조건을 지키는 것은 매우 어려운 문제입니다. 본 기술은 이러한 문제를 해결하며, 냉방 시스템의 효율적인 운영을 가능하게 합니다.
Weaknesses
심층 강화학습 모델의 복잡성
•
심층 강화학습 모델의 학습과정은 복잡하며, 이로 인해 모델의 구현과 운영에 어려움이 있을 수 있습니다.
데이터 수집과 처리의 어려움
•
다건물 냉방 시스템과 관련된 상태 정보 및 현재의 냉동기 운영 정보를 획득하고 처리하는 과정이 복잡하며, 이로 인해 데이터의 정확성을 유지하는데 어려움이 있을 수 있습니다.
Opportunities
에너지 절약 수요 증가
•
현대 사회에서 에너지 절약은 중요한 이슈로 부상하고 있습니다. 이러한 흐름 속에서 본 기술은 에너지 절약을 위한 효과적인 해결책으로 인식될 수 있습니다.
스마트 빌딩 시장 확대
•
스마트 빌딩 시장의 확대와 함께, 빌딩의 에너지 관리에 대한 중요성이 증가하고 있습니다. 이러한 시장 환경은 본 기술의 적용 가능성을 높입니다.
Threats
기술적 난이도
•
심층 강화학습 기반의 기술은 그 구현과 운영이 복잡하며, 이로 인해 기술의 도입과 확산에 어려움이 있을 수 있습니다.
경쟁 기술의 발전
•
에너지 관리와 관련된 다양한 기술들이 지속적으로 발전하고 있습니다. 이러한 경쟁 기술들의 발전은 본 기술에 대한 위협으로 작용할 수 있습니다.
Summary
Strengths
•
에너지 효율성을 향상시키고, 냉방 시스템의 운영을 최적화하는데 기여합니다.
Weaknesses
•
심층 강화학습 모델의 복잡성과 데이터 수집 및 처리의 어려움이 있습니다.
Opportunities
•
에너지 절약 수요의 증가와 스마트 빌딩 시장의 확대는 본 기술의 적용 가능성을 높입니다.
Threats
•
기술적 난이도와 경쟁 기술의 발전은 본 기술에 대한 위협으로 작용할 수 있습니다.
대표도면
인천대학교 산학협력단
(21999) 인천광역시 연수구 갯벌로 27(송도동) INU이노베이션센터 202호
본 메일은 마케팅 활용 동의서에 동의하신 회원님께 전송된 것입니다.
COPYRIGHT (c) 2023 Incheon National University. ALL RIGHT RESERVED.