| 논문명 |
건물 통합형 옥상온실의 냉난방 부하 절감을 위한 인공신경망 기반 예측 모델 구축 / Development of Predictive Model for Building-integrated Rooftop Greenhouse using Artificial Neural Networks |
| 저자명 |
이도윤(Doyun Lee) ; 이상민(Sang Min Lee) ; 최은정(Eun Jung Choi) |
| 수록사항 |
설비공학논문집, Vol.37 No.04 (2025-04) |
| 주제어 |
인공신경망; 건물 통합형 옥상온실; 에너지 효율; 최적 제어; 예측 모델 ; Artificial neural networks; Building-integrated rooftop greenhouse; Energy efficiency; Optimal control; Predictive model |
| 요약1 |
본 연구에서는 건물 통합형 옥상온실에서 온실의 운영 시스템의 제어 변수 조합이 건물과 온실의 종합적인 냉난방 부하 변동에 미치는 영향에 주목하여, 온실 시스템의 제어 변수의 변동에 따른 건물 통합형 옥상온실의 부하가 예측 가능한 모델을 구축하였다. 예측 모델은 건물과 옥상온실의 복잡한 비선형적 관계의 열적 거동을 고려하여 인공신경망을 활용하여 모델링 하였다.
학습 데이터로는 선행 연구에서 개발하고 검증한 TRNSYS 모델을 활용한 시뮬레이션 데이터를 수집하여 활용하였으며, 인공신경망 모델의 예측 정밀도에 영향을 줄 수 있는 하이퍼파라미터는 베이지안 최적화를 통하여 튜닝하였다. 그 결과, ASHRAE Guideline 14에서 제시하는 평가지표의 오차 허용범위에 준수하는 예측 정밀도를 보여주는 인공신경망 모델을 구축하였고, 각 온실 측 온도와 냉난방 부하 그리고 건물 측 냉난방 부하가 높은 예측 정밀도로 예측 가능함을 확인하였다.
다만, 본 연구에서 인공신경망 예측 모델의 학습에 활용한 데이터는 건물 통합형 옥상온실의 테스트베드의 건물과 온실의 외피 조건을 모델링한 TRNSYS 시뮬레이션 모델의 결과임으로, 개발한 예측 모델을 실제 테스트베드의 제어에 활용할 때에는 적용 범위가 제한될 수 있으며, 현실적인 운영 환경에서도 높은 예측 성능을 보장할 수 있도록 실제 데이터를 학습 데이터에 보강하는 방법 등의 추가적인 검증과 개선이 필요할 수 있다.
본 연구에서 구축한 인공신경망 기반 건물 통합형 옥상온실의 부하 예측 모델은, 향후 건물과 온실의 부하 특성을 종합적으로 고려하여 온실 운영 시스템을 실시간으로 최적 제어하는 알고리즘 개발에 활용하고자 한다. 본 연구에서 구축한 예측 모델을 활용해 온실 운영 시스템을 실시간 제어한다면, 건물과 온실의 냉난방 부하를 최적화하고 에너지 효율을 극대화할 수 있을 것으로 기대된다. |
| 요약2 |
The rapid growth of the global population and urbanization has significantly reduced the availability of arable land, threatening food supply chains. In response, urban agriculture has emerged as a viable solution to address future food security challenges while promoting sustainability in urban settings. Among various urban agriculture models, building-integrated rooftop greenhouses (BiRTGs) present a promising approach by utilizing underused building spaces and enhancing energy efficiency through dynamic energy exchanges between buildings and greenhouses. This study developed a predictive model to optimize the operational control of BiRTGs, focusing on how greenhouse control variables impact the heating and cooling loads of both the building and the greenhouse. An artificial neural network (ANN) was used to simulate the complex thermal interactions between the two structures. The ANN models were trained with simulation data from a validated TRNSYS model, and their predictive accuracy was assessed using performance metrics outlined in ASHRAE Guideline 14. The results indicated that the ANN models achieved high accuracy in predicting the heating and cooling loads of BiRTGs, establishing a strong foundation for the development of real-time optimization algorithms for these systems. |
