[논문 리뷰] Data-driven Identification of Occupant Thermostat-Behavior Dynamics

Michael B. Kane, Kunind Sharma|arXiv (Cornell University)|2019. 12. 13.

Building Energy and Comfort Optimization참고 문헌 18인용 수 10

한 줄 요약

이 논문은 스마트 온도 조절기 27,764대에서 확보한 5분 간격 데이터를 활용해, 설정 온도 변화에 대한 점유자 온도 조절기 무시 행동을 데이터 기반 모델로 제안한다. 큰 설정 온도 변화일수록 무시 행동이 더 빠르게 발생함을 발견했는데, 2°F 변화에 대해 평균 약 30분, 8°F 변화에 대해 약 15분이 소요되며, 이는 불편 정도가 행동 반응의 핵심 요인임을 시사한다.

ABSTRACT

Building occupant behavior drives significant differences in building energy use, even in automated buildings. Users' distrust in the automation causes them to override settings. This results in responses that fail to satisfy both the occupants' and/or the building automation's objectives. The transition toward grid-interactive efficient buildings will make this evermore important as complex building control systems optimize not only for comfort, but also changing electricity costs. This paper presents a data-driven approach to study thermal comfort behavior dynamics which are not captured by standard steady-state comfort models such as predicted mean vote. The proposed model captures the time it takes for a user to override a thermostat setpoint change as a function of the manual setpoint change magnitude. The model was trained with the ecobee Donate Your Data dataset of 5 min. resolution data from 27,764 smart thermostats and occupancy sensors. The resulting population-level model shows that, on average, a 2°F override will occur after ~30 mins. and an 8°F override will occur in only ~15 mins., indicating the magnitude of discomfort as a key driver to the swiftness of an override. Such models could improve demand response programs through personalized controls.

연구 동기 및 목표

• 실제 건물에서 점유자가 설정 온도 변화에 어떻게 동적으로 반응하는지 이해하기 위해.
• PMV와 같은 전통적 정적 열적 편안 모델과 다름없이 행동하는 패턴을 식별하기 위해.
• 스마트 온도 조절기에서 확보한 실증 데이터를 기반으로 무시 시점에 대한 인구 수준 모델을 개발하기 위해.
• 점유자 행동 역학을 모델링하여 더 효과적인 수요 반응 및 개인 맞춤형 건물 제어 전략을 지원하기 위해.
• 설정 온도 변화의 크기와 점유자 무시 행동의 속도 간의 관계를 정량화하기 위해.

제안 방법

• 27,764대의 스마트 온도 조절기와 점거 센서에서 확보한 5분 간격 데이터를 포함한 ecobee Donate Your Data 데이터셋을 활용하였다.
• 수동 설정 온도 변화의 크기 함수로 무시까지의 시간을 예측하는 데이터 기반 모델을 훈련시켰다.
• 실제 무시 사건에서 점유자 행동의 시간 동적 특성을 추출하기 위해 통계 모델링을 적용하였다.
• 개별 사용자 행동보다는 인구 수준의 추세에 집중하여 일반화된 결과를 도출하기 위해 노력하였다.
• 시간 시리즈 분석을 통해 설정 온도 변화와 이후 무시 행동 간의 상관관계를 분석하고, 반응 지연 패턴을 식별하였다.
• 모델 성능을 검증하기 위해 대규모 현장 데이터를 활용하여 정확성과 실제 적용 가능성 확보를 위해 노력하였다.

실험 결과

연구 질문

• RQ1 온도 조절기 설정 온도 변화의 크기가 점유자가 설정을 무시하기까지 소요되는 시간에 어떤 영향을 미치는가?
• RQ2 점유자들이 실제 행동에서 PMV와 같은 정적 열적 편안 모델에서 벗어나 얼마나 많은 정도로 이탈하는가?
• RQ3 다양한 건물 및 점유자 유형에서 대규모 인구 집단에서 점유자 무시 행동의 주요 시간 패턴은 무엇인가?
• RQ4 행동 역학은 어떻게 모델링될 수 있으며, 이는 건물 제어 전략과 수요 반응 프로그램 향상에 어떻게 기여하는가?
• RQ5 인지된 불편함은 빠른 온도 조절기 조정을 유도하는 데 어떤 역할을 하는가?

주요 결과

• 평균적으로 2°F 설정 온도 변화는 약 30분 후에 무시 행동을 유도한다.
• 8°F 설정 온도 변화는 약 15분 내로 무시 행동을 유도하며, 이는 불편 정도와 반응 시간 사이에 강한 역상관 관계가 있음을 시사한다.
• 데이터는 점유자가 선호하는 온도에서 더 큰 이격이 발생할수록 더 빠르게 반응함을 보여주며, 이는 불편함이 주요 동기 요인임을 시사한다.
• 이 모델은 기존의 PMV와 같은 전통적 정적 편안 모델이 반영하지 못하는 동적 행동을 포착한다.
• 인구 수준의 모델은 다양한 건물 및 점유자 유형 간 일관된 무시 반응 패턴을 드러낸다.
• 이러한 발견들은 행동 역학이 건물 에너지 소비에 상당한 영향을 미치며, 효과적인 자동화 및 수요 반응을 위해 명시적인 모델링이 필요하다는 것을 입증한다.