| 1 |
1
냉동기의 성능 제어에 필요한 복수의 건물 에너지 관리 시스템(BEMS: building energy management system) 데이터를 수집하는 단계;상기 복수의 BEMS 데이터를 입력 변수로 하여 상기 냉동기의 전력 사용량을 예측하도록 구축된 기계학습 모델과 최적화 알고리즘을 이용하여 상기 냉동기를 최적의 효율로 운전하기 위한 상기 입력 변수의 셋(sets)을 선정하는 단계;상기 입력 변수의 셋 각각을 입력하여 상기 기계학습 모델을 통해 상기 입력 변수의 셋 각각에 대한 상기 냉동기의 전력 사용량을 예측하는 단계;상기 예측된 전력 사용량과 현재 상기 냉동기의 전력 사용량을 비교하여 상기 냉동기의 제어값을 설정하는 단계를 포함하는 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법
|
| 2 |
2
제 1 항에 있어서,상기 복수의 BEMS 데이터는 상기 냉동기의 냉수 입수 온도, 상기 냉동기의 냉수 출수 온도, 상기 냉수의 유량, 냉각수의 입수 온도, 상기 냉각수의 출수 온도, 상기 냉동기의 용량 및 상기 냉동기의 전력 사용량 중 적어도 둘 이상을 포함하는 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법
|
| 3 |
3
제 1 항에 있어서,상기 복수의 BEMS 데이터는 상기 냉동기의 냉수 입수 온도, 상기 냉동기의 냉수 출수 온도, 냉각수의 입수 온도, 상기 냉각수의 출수 온도, 상기 냉동기의 용량 및 상기 냉동기의 전력 사용량 중 적어도 둘 이상을 포함하는 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법
|
| 4 |
4
제 3 항에 있어서,상기 복수의 BEMS 데이터를 수집하는 단계 이후에, 상기 냉동기의 냉수 입수 온도, 상기 냉동기의 냉수 출수 온도, 상기 냉각수의 입수 온도, 상기 냉각수의 출수 온도, 상기 냉동기의 용량 및 상기 냉동기의 전력 사용량 중 적어도 하나 이상을 입력 변수로 하여 상기 냉수의 유량을 예측하도록 구축된 기계학습 모델을 이용하여 상기 냉수의 유량을 예측하는 단계를 더 포함하고, 상기 냉동기의 전력 사용량을 예측하도록 구축된 기계학습 모델의 입력 변수는 상기 예측된 냉수의 유량을 더 포함하는 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법
|
| 5 |
5
제 1 항 또는 제 4 항에 있어서,상기 기계학습 모델의 기계학습법은 인공신경망, 서포트 벡터 머신, 가우시안 프로세스 모델링, 랜덤 포레스트 또는 유전프로그래밍, 중 어느 하나인 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법
|
| 6 |
6
제 1 항에 있어서,상기 최적화 알고리즘은 유전자 알고리즘(Genetic Algorithm), 모의 담금질법(Simulated Annealing), 타부 탐색법(Tabu search), PSO(Particle Swarm Optimizatio) 또는 개미 집단 최적화법(Ant colony optimization) 중 어느 하나인 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법
|
| 7 |
7
건물 에너지 관리 시스템((BEMS: building energy management system) 서버로부터 냉동기의 성능 판단에 필요한 복수의 BEMS 데이터를 수신하는 데이터 수신부;상기 복수의 BEMS 데이터를 입력 변수로 하여 상기 냉동기의 전력 사용량을 예측하도록 구축된 기계 학습모델로 상기 냉동기의 전력 사용량을 예측하는 전력 사용량 예측모듈;상기 기계학습 모델과 최적화 알고리즘을 이용하여 상기 냉동기를 최적의 효율로 운전하기 위한 상기 입력 변수의 셋(sets)을 선정하는 입력 변수 후보 선정모듈; 및 상기 입력 변수의 셋 각각을 입력 변수로 입력하여 상기 전력 사용량 예측모듈을 통해 상기 입력 변수 셋 각각에 대한 상기 냉동기의 전력 사용량을 예측하고, 상기 예측된 전력 사용량과 현재 상기 냉동기의 전력 사용량을 비교하여 상기 냉동기의 제어값을 설정하는 최적 제어값 설정부를 포함하는 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 장치
|
| 8 |
8
제 7 항에 있어서,상기 복수의 BEMS 데이터는 상기 냉동기의 냉수 입수 온도, 상기 냉동기의 냉수 출수 온도, 상기 냉수의 유량, 냉각수의 입수 온도, 상기 냉각수의 출수 온도, 상기 냉동기의 용량 및 상기 냉동기의 전력 사용량 중 적어도 둘 이상을 포함하는 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 장치
|
| 9 |
9
제 7 항에 있어서,상기 복수의 BEMS 데이터는 상기 냉동기의 냉수 입수 온도, 상기 냉동기의 냉수 출수 온도, 냉각수의 입수 온도, 상기 냉각수의 출수 온도, 상기 냉동기의 용량 및 상기 냉동기의 전력 사용량 중 적어도 둘 이상을 포함하는 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 장치
|
| 10 |
10
제 9 항에 있어서,상기 냉동기의 냉수 입수 온도, 상기 냉동기의 냉수 출수 온도, 상기 냉각수의 입수 온도, 상기 냉각수의 출수 온도, 상기 냉동기의 용량 및 상기 냉동기의 전력 사용량 중 적어도 하나 이상을 입력 변수로 하여 상기 냉수의 유량을 예측하도록 구축된 기계학습 모델을 이용하여 상기 냉수의 유량을 예측하는 냉수 유량 예측모듈을 더 포함하고,상기 냉동기의 전력 사용량을 예측하도록 구축된 기계학습 모델의 입력 변수는 상기 예측된 냉수의 유량을 더 포함하는 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 장치
|
| 11 |
11
제 7 항 또는 제 10 항에 있어서,상기 기계학습 모델의 기계학습법은 인공신경망, 서포트 벡터 머신, 가우시안 프로세스 모델링, 랜덤 포레스트 또는 유전프로그래밍 중 어느 하나인 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 장치
|
| 12 |
12
제 7 항에 있어서,상기 최적화 알고리즘은 유전자 알고리즘(Genetic Algorithm), 모의 담금질법(Simulated Annealing), 타부 탐색법(Tabu search), PSO(Particle Swarm Optimization) 또는 개미 집단 최적화법(Ant colony optimization) 중 어느 하나인 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 장치
|
