[논문 리뷰] A Sequential Modelling Approach for Indoor Temperature Prediction and Heating Control in Smart Buildings

Yongchao Huang, Hugh Miles외 1명|arXiv (Cornell University)|2020. 09. 21.

Building Energy and Comfort Optimization참고 문헌 18인용 수 5

한 줄 요약

이 논문은 스마트 빌딩 내부 온도 예측 및 난방 제어를 위한 이단계, 데이터 기반 순차 모델링 프레임워크를 제안한다. 환경 조건 예측을 위해 자동회귀(AR) 모델을 사용하고, 이후 다변량 예측을 위해 XGBoost를 활용하여 실세계 IoT 센서 데이터를 사용해 정확한 온도 경로 예측과 효과적인 난방 제어를 달성한다. 이는 스마트 빌딩의 에너지 효율성 향상에 큰 잠재력을 보여준다.

ABSTRACT

The rising availability of large volume data, along with increasing computing power, has enabled a wide application of statistical Machine Learning (ML) algorithms in the domains of Cyber-Physical Systems (CPS), Internet of Things (IoT) and Smart Building Networks (SBN). This paper proposes a learning-based framework for sequentially applying the data-driven statistical methods to predict indoor temperature and yields an algorithm for controlling building heating system accordingly. This framework consists of a two-stage modelling effort: in the first stage, an univariate time series model (AR) was employed to predict ambient conditions; together with other control variables, they served as the input features for a second stage modelling where an multivariate ML model (XGBoost) was deployed. The models were trained with real world data from building sensor network measurements, and used to predict future temperature trajectories. Experimental results demonstrate the effectiveness of the modelling approach and control algorithm, and reveal the promising potential of the mixed data-driven approach in smart building applications. By making wise use of IoT sensory data and ML algorithms, this work contributes to efficient energy management and sustainability in smart buildings.

연구 동기 및 목표

• 실세계 센서 데이터를 사용하여 스마트 빌딩 내부 온도 경로를 예측하기 위한 데이터 기반 접근법을 개발한다.
• 단변량 및 다변량 기계학습 모델을 통합하는 순차 모델링 프레임워크를 설계하여 예측 정확도를 향상시킨다.
• 예측된 온도 경향에 기반한 지능형 난방 제어를 가능하게 하여 에너지 효율성을 향상시킨다.
• 실제 빌딩 센서 네트워크 측정치를 사용하여 제안된 프레임워크의 효과성을 평가한다.
• 지속 가능한 빌딩 에너지 관리에 대한 혼합 데이터 기반 접근법의 실현 가능성을 입증한다.

제안 방법

• 이중 단계 모델링 접근법을 사용한다: 먼저 단변량 자동회귀(AR) 모델이 환경 온도 조건을 예측한다.
• AR 모델의 예측 결과와 기타 제어 변수(예: 점유율, 외기 온도)를 조합하여 두 번째 단계 모델의 입력 특징으로 사용한다.
• 이러한 조합된 특징을 기반으로 다변량 기계학습 모델인 XGBoost를 훈련시켜 향후 내부 온도 경로를 예측한다.
• 모델의 훈련 및 검증을 위해 빌딩 센서 네트워크에서 수집한 실세계 데이터를 활용한다.
• 예측 결과를 바탕으로 HVAC 시스템을 조절하는 난방 제어 알고리즘을 구동한다.
• 전체 시스템은 실세계 스마트 빌딩 환경에서의 실측 데이터를 기반으로 훈련 및 평가된다.

실험 결과

연구 질문

• RQ1 단변량 및 다변량 모델을 조합한 순차 모델링 접근법이 스마트 빌딩 내부 온도 예측 정확도를 향상시킬 수 있는가?
• RQ2 AR 및 XGBoost 모델의 통합은 IoT 센서 데이터를 사용한 내부 온도 경로 예측에 얼마나 효과적인가?
• RQ3 예측된 온도 경로를 통해 얼마나 효율적이고 적응형 난방 제어가 가능한가?
• RQ4 실제 빌딩 센서 데이터 사용이 학습 기반 제어 프레임워크 성능에 어떤 영향을 미치는가?
• RQ5 에너지 효율성 및 예측 신뢰성 측면에서 제안된 프레임워크는 전통적 제어 방법보다 얼마나 우수한가?

주요 결과

• 이중 단계 순차 모델링 접근법은 기준 방법 대비 내부 온도 예측 정확도를 크게 향상시킨다.
• AR 및 XGBoost 모델의 통합은 실세계 빌딩 센서 데이터를 사용한 향후 온도 경로 예측에 강력한 예측 능력을 제공한다.
• 예측된 온도 기반 제어 알고리즘이 난방 시스템을 효과적으로 조절하여 에너지 낭비를 줄인다.
• 실험 결과는 이 프레임워크가 실세계 스마트 빌딩 응용 분야에서 효과적임을 확인한다.
• 본 연구는 지속 가능하고 효율적인 빌딩 에너지 관리를 위한 혼합 데이터 기반 접근법의 강력한 잠재력을 입증한다.
• 프레임워크는 광범위하게 확보된 IoT 데이터와 효율적인 기계학습 모델에 기반하여 스마트 빌딩 네트워크에서의 확장성 있는 구현 가능성을 보여준다.