DOI QR코드

DOI QR Code

Energy-Efficient Operation Simulation of Factory HVAC System based on Machine Learning

머신러닝 기반 공장 HVAC 시스템의 에너지 효율화 운영 시뮬레이션

  • 이석주 (창원대학교 메카트로닉스연구원) ;
  • 다어반권 ((주)빅아이 기술연구소)
  • Received : 2023.11.23
  • Accepted : 2024.04.02
  • Published : 2024.04.30

Abstract

The global decrease in traditional energy resources has prompted increasing energy demand, necessitating efforts to replace and optimize energy sources. This study focuses on enhancing energy efficiency in manufacturing plants, known for their high energy consumption. Through simulations and analyses, the study proposes a temperature-based control system for HVAC (Heating, Ventilating, and Air Conditioning) operations, utilizing machine learning algorithms to predict and optimize factory temperatures. The results indicate that this approach, particularly the prediction-based free cooling algorithm, can achieve over 10% energy savings compared to existing systems. This paper presents that implementing an efficient HVAC control system can significantly reduce overall factory energy consumption, with plans to apply it to real factories in the future.

현재, 전세계적으로 에너지 자원은 점차적으로 감소하고 있음에도 불구하고 에너지 수요 및 소비는 지속적으로 증가하고 있다. 이에 따른 에너지 자원을 대체하기 위한 범국가적인 노력 및 연구가 수행되고 있다. 에너지 수요에 따른 공급의 증가 뿐만 아니라 에너지를 효율적으로 소비하는 것은 현 에너지 부족 현상을 해결하기 위한 적절한 수단이 될 수 있다. 본 연구는 에너지를 가장 많이 소비하는 제조 공장의 에너지를 효율적으로 소비할 수 있는 방법을 시뮬레이션하고 분석하였다. 제조 공장에서 가장 많은 에너지를 소비하는 HVAC (Heating, Ventilating, and Air Conditioning) 시스템의 효율적인 운전을 위해 온도기반의 제어를 통한 공장의 에너지 최적화 시뮬레이션을 수행하였다. 이를 기반으로 실제 공장의 온도와 전력 데이터를 이용하여 머신러닝 알고리즘을 적용하고 공장 온도를 예측하였다. 또한 예측 온도를 이용한 제어 시스템 시뮬레이션으로 공장 에너지의 소비패턴을 분석하고 에너지(전력량) 소비량을 감소할 수 있는 운전 모델을 제안하였다. 공장 에너지 패턴에 있어 HVAC 시스템의 예측 기반 프리 쿨링을 통한 온도제어 알고리즘은 기존 대비 10% 이상의 에너지 절감 효과를 보여 준다. 이 결과는 HVAC 시스템의 최적 제어가 공장 에너지 소비를 절감할 수 있음을 나타낸다. 향후 본 제어 시스템의 알고리즘은 실제 공장의 최적 제어에 적용되어 에너지 소비 절감 운전을 수행할 예정이다.

Keywords

Acknowledgement

This work was supported by the Technology development Program(S3310412) funded by the Ministry of SMEs and Startups(MSS, Korea)

References

  1. Adelekan, D. S., Ohunakin, O. S. and Paul, B. S. (2022). Artificial Intelligence Models for Refrigeration, Air Conditioning and Heat Pump Systems, Energy Reports, 8, 8451-8466. https://doi.org/10.1016/j.egyr.2022.06.062
  2. Akerma, M., Hoang, H. M., Leducq, D., Flinois, C., Clain, P. and Delahaye, A. (2018). Demand Response in Refrigerated Warehouse, Proceedings of the 2018 IEEE International Smart Cities Conference, Sep. 16-19, Kansas City, MO, USA, pp. 1-5.
  3. Cheng, C. and Lee, D. (2019). Artificial Intelligence-Assisted Heating Ventilation and Air Conditioning Control and the Unmet Demand for Sensors: Part 1. Problem Formulation and the Hypothesis, Sensors, 19(5), 1131.
  4. Javan, F. D., Avendano, I. A. C., Najafi, B., Moazami, A. and Rinaldi, F. (2023). Machine-Learning-Based Prediction of HVAC-Driven Load Flexibility in Warehouses, Energies, 16(14), 5407.
  5. Khalil, M., McGough, A S., Pourmirza, Z., Pazhoohesh, M. and Walker, S. (2022). Machine Learning, Deep Learning and Statistical Analysis for Forecasting Building Energy Consumption-A Systematic Review, Engineering Application Artificial Intelligence, 115, 105287.
  6. Lee, D. Y., Lee, J. H. and Yang, S. H. (2023). Comparative Study of AI Models for Reliability Function Estimation in NPP Digital I&C System Failure Prediction, J ournal of Korea Society of Industrial Information Systems, 28(6), 1-10.
  7. Li, H., Wang, Z., Hong, T. and Piette, M. A. (2021). Energy Flexibility of Residential Buildings: A Systematic Review of Characterization and Quantification Methods and Applications, Advanced in Applied Energy, 3, 100054.
  8. Palensky, P. and Dietrich, D. (2011). Demand Side Management: Demand Response, Intelligent Energy Systems, and Smart Loads, Transactions on Industrial Informatics, 7(3), 381-388. https://doi.org/10.1109/TII.2011.2158841
  9. Park, S., Cho, S. and Ahn, J. (2018). Improving the Quality of Building Spaces that are Planned mainly on Loads rather than Residents: Human Comfort and Energy Savings for Warehouses, Energy and Buildings, 178, 38-48. https://doi.org/10.1016/j.enbuild.2018.08.007
  10. Park, S. W., Kim, T. H., Park, D. M. and Han, D. S. (2023). A Study on the Optimization of Temperature Deviation of Loads in Smart Reefer Container, J ournal of Korea Society of Industrial Information Systems, 28(6), 83-90.
  11. Vishwanath, A., Chandan V., Mendoza, C. and Blake, C. (2017). A Data Driven Pre-cooling Framework for Energy Cost Optimization in Commercial Buildings, Proceedings of the Eighth International Conference on Future Energy Systems, May 16-19, Shatin, Hong Kong, pp. 157-167.
  12. Yayla, A., Swierczewska, K. S., Kaya, M., Karaca, B., Arayici, Y., Ayozen, Y. E. and Tokdemir, O. B. (2022). Artificial Intelligence (AI)-Based Occupant-Centric Heating Ventilation and Air Conditioning (HVAC) Control System for Multi-Zone Commercial Buildings, Sustainability, 14(23), 16107.