[논문 리뷰] Building Model Identification during Regular Operation - Empirical Results and Challenges

Qie Hu, Frauke Oldewurtel외 4명|arXiv (Cornell University)|2016. 03. 22.

Building Energy and Comfort Optimization참고 문헌 10인용 수 4

한 줄 요약

이 논문은 정상적인 건물 운영 중 실시간 데이터에서 식별한 물리 기반의 다중 영역 건물 모델을 제안하며, 점유자 및 설비에서 기인하는 내부 열기여의 불확실성을 다룹니다. 온라인 온도 측정값을 사용해 내부 기여를 동적으로 업데이트함으로써 예측 정확도가 고정 모델 대비 평균 36% 향상됩니다.

ABSTRACT

The inter-temporal consumption flexibility of commercial buildings can be harnessed to improve the energy efficiency of buildings, or to provide ancillary service to the power grid. To do so, a predictive model of the building's thermal dynamics is required. In this paper, we identify a physics-based model of a multi-purpose commercial building including its heating, ventilation and air conditioning system during regular operation. We present our empirical results and show that large uncertainties in internal heat gains, due to occupancy and equipment, present several challenges in utilizing the building model for long-term prediction. In addition, we show that by learning these uncertain loads online and dynamically updating the building model, prediction accuracy is improved significantly.

연구 동기 및 목표

• 정상적인 건물 운영 중 수집한 데이터를 이용해 교란 실험 없이 물리 기반의 다중 영역 건물 모델을 개발하는 것.
• 장기적인 열 예측 정확도에 큰 영향을 미치는 내부 열기여(주로 점유자 및 설비에서 기인)의 불확실성 문제를 다루는 것.
• 현재 온도 측정값을 기반으로 실시간으로 내부 기여 추정치를 동적으로 업데이트함으로써 예측 성능을 향상시키는 것.
• 장기 예측 성능을 평가하고 모델 예측 제어 및 전력망 보조 서비스와 같은 애플리케이션에 적합한지 평가하는 것.

제안 방법

• 정상 운영 중에 건물을 교란시키고 데이터를 수집하여 모델 식별을 위한 실험을 수행하는 것.
• 이차형 다중 영역 열 모델을 사용해 건물의 열역학적 거동을 표현하며, 영역 간 열전달 및 환기· conditioning 시스템의 거동을 포함하는 것.
• 교란 실험 및 주말 데이터를 이용해 모델 파라미터를 식별하며, 식별 과정에서는 내부 기여를 0으로 가정하는 것.
• 점유자 및 온도 데이터 8주분을 기반으로 고정된 내부 기여 함수 $ f_{\text{IG}}(\cdot) $ 를 추정하는 것.
• 온라인 업데이트 전략을 구현하여 시간 $ k $ 에서의 내부 기여 추정치를 $ k-1 $ 에서의 값으로 동일하게 가정하며, 식 (10)에 따라: $ f_{\text{IG}}(k) = f_{\text{IG}}(k-1) $, 현재 온도 측정값을 기반으로 하는 것.
• 업데이트된 모델을 사용해 24시간 온도 프로파일을 예측하고 실제 데이터와의 성능을 검증하는 것.

실험 결과

연구 질문

• RQ1 정상적인 건물 운영 중 수집한 데이터만을 사용해 물리 기반의 다중 영역 건물 모델을 얼마나 정확하게 식별할 수 있는가? 특히 광범위한 교란 실험 없이 말이다.
• RQ2 점유자 및 설비에서 기인하는 내부 기여의 불확실성은 건물 열 모델의 장기 예측 정확도에 얼마나 큰 영향을 미치는가?
• RQ3 고정된 내부 기여 함수를 사용하는 것과 비교해, 온라인으로 동적으로 내부 기여를 추정하는 것이 예측 정확도를 크게 향상시킬 수 있는가?
• RQ4 실생활 상업용 건물에서 모델 업데이트 주기와 추정 전략의 예측 성능에 미치는 영향은 어떠한가?

주요 결과

• 고정된 내부 기여 함수를 사용한 모델은 24시간 예측 수평선 동안 모든 영역에서 평균 RMS 예측 오차 0.485°C를 기록합니다.
• 온라인으로 업데이트된 내부 기여를 사용한 모델은 평균 RMS 예측 오차를 0.308°C로 줄여 정확도가 평균 36% 향상됩니다.
• 센터 영역는 가장 큰 향상을 보였으며, 오차가 0.38°C에서 0.16°C로 감소하여 내부 기여의 불확실성에 매우 민감함을 시사합니다.
• 서북쪽 영역는 기준 오차가 가장 높았으며(고정 기여 시 0.84°C), 복잡한 열특성을 지닌 영역를 모델링하는 데 도전 과제가 있음을 나타냅니다.
• 예측 수평선이 길어질수록 오차가 크게 증가하며, 주로 모델링되지 않거나 불확실한 내부 기여 때문입니다.
• 동적 업데이트 전략은 시간에 따라 변화하는 내부 기여를 보완하기 위해 단기적으로 일정하다고 가정함으로써, 점유 패턴에 대한 사전 지식 없이도 강건성을 향상시킵니다.