[논문 리뷰] End-to-end deep meta modelling to calibrate and optimize energy consumption and comfort

Max Cohen, Sylvain Le Corff외 3명|arXiv (Cornell University)|2021. 02. 01.

Building Energy and Comfort Optimization참고 문헌 29인용 수 11

한 줄 요약

이 논문은 물리적 시뮬레이터 대신 계산 비용이 낮고 미분 가능한 대체 모델(메타모델)을 사용하여 사무실 건물의 에너지 소비와 열적 쾌적함을 캘리브레이션하고 최적화하는 엔드 투 엔드 딥 메타모델링 프레임워크를 제안한다. 이 메타모델은 시뮬레이션 데이터 기반의 순환 신경망(RNN)으로 구성되며, 희소한 센서 데이터만으로 최대 60개의 미지 건물 파라미터를 효율적으로 캘리브레이션할 수 있다. 다목적 최적화를 통해 에너지 소비를 최대 10% 감소시키면서도 목표 쾌적도 수준을 유지를 가능하게 하며, 계산 비용이 낮은 대체 모델을 통해 빠르고 정확한 환기 제어를 실현한다.

ABSTRACT

In this paper, we propose a new end-to-end methodology to optimize the energy performance as well as comfort and air quality in large buildings without any renovation work. We introduce a metamodel based on recurrent neural networks and trained to predict the behavior of a general class of buildings using a database sampled from a simulation program. This metamodel is then deployed in different frameworks and its parameters are calibrated using the specific data of two real buildings. Parameters are estimated by comparing the predictions of the metamodel with real data obtained from sensors using the CMA-ES algorithm, a derivative free optimization procedure. Then, energy consumptions are optimized while maintaining a target thermal comfort and air quality, using the NSGA-II multi-objective optimization procedure. The numerical experiments illustrate how this metamodel ensures a significant gain in energy efficiency, up to almost 10%, while being computationally much more appealing than numerical models and flexible enough to be adapted to several types of buildings.

연구 동기 및 목표

• 비용이 많이 들지 않는 리모델링 없이도 사무실 건물의 에너지 소비와 열적 쾌적함을 최적화하는 데 도전하는 것.
• 캘리브레이션 및 최적화 과정에서 물리적 건물 시뮬레이터의 높은 계산 비용을 해결하는 것.
• 다양한 시나리오에서 건물 성능을 정확하게 예측할 수 있는 빠르고, 미분 가능한 대체 모델(메타모델)을 개발하는 것.
• 약한 인프라를 갖춘 건물에서의 희소한 실시간 센서 데이터를 이용해 미지의 건물 파라미터(예: 열용량, 창면적)를 캘리브레이션하는 것.
• 파레토 최적 해를 활용한 다목적 최적화를 통해 에너지 절감과 열적 쾌적함을 동시에 달성하면서도 계산 오버헤드를 최소화하는 것.

제안 방법

• 물리적 시뮬레이터(예: TRNSYS)를 사용해 수천 개의 시뮬레이션 시나리오를 생성하고, 건물 기하학, weahter, 환기 제어 설정 등을 입력으로 사용해 순환 신경망(RNN) 메타모델을 훈련한다.
• 예측된 센서 데이터와 실제 센서 데이터 간의 오차를 최소화하는 유도 없는 최적화 절차를 사용해 메타모델을 캘리브레이션하고, 최대 60개의 미지 물리적 파라미터를 추정한다.
• 파레토 최적 해를 활용한 다목적 최적화를 적용해 에너지 소비를 최소화하면서도 열적 쾌적함을 유지하는 최적의 환기 제어 설정을 도출한다.
• 캘리브레이션 및 최적화 파이프라인에서 원래의 물리적 시뮬레이터를 훈련된 RNN 메타모델로 대체함으로써 계산 시간을 70배 이상 단축시킨다.
• RNN과 어텐션 기반 Transformer 모델 간의 성능을 비교해 건물 에너지 예측에 있어 시퀀스 모델링 성능을 평가한다.
• 실제 건물 데이터를 사용해 메타모델을 미세조정하여 물리적 시뮬레이터가 포착하지 못한 센서 노이즈와 모델링되지 않은 동적 특성을 보완한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 메타모델이 물리적 시뮬레이터를 대체하여 수용 가능한 정확도를 확보하면서도 계산 시간을 극적으로 단축시킬 수 있는가?
• RQ2 RNN 기반 메타모델은 희소한 센서 데이터로부터 미지의 건물 파라미터(예: 열용량, 창면적 비율)를 얼마나 정확하게 추정할 수 있는가?
• RQ3 파레토 최적 해를 활용한 다목적 최적화를 통해 실제 건물에서 에너지 소비를 얼마나 줄일 수 있으며, 열적 쾌적함은 유지할 수 있는가?
• RQ4 RNN의 성능은 건물 에너지 동역학 예측에 있어 어텐션 기반 모델(예: Transformer)과 비교해 어떻게 다른가?
• RQ5 실제 센서 노이즈와 사용 패턴의 변동성을 고려해 메타모델을 미세조정함으로써 캘리브레이션의 강인성을 향상시킬 수 있는가?

주요 결과

• RNN 기반 메타모델은 TRNSYS 대비 계산 시간을 70배 감소시켜 복잡한 건물 모델의 캘리브레이션을 실현 가능하게 했다.
• 첫 번째 건물의 경우 300회 반복 내에 캘리브레이션이 수렴했고, 두 번째 건물의 경우 10,000회 반복이 필요했으며, 이는 TRNSYS를 사용할 경우 약 100일이 소요되었을 것이다.
• Stanley 건물의 경우 에너지 소비가 5.3% 감소했고, Livingstone 건물의 경우 9.9% 감소했으며, 동일한 수준의 열적 쾌적도를 유지했다.
• 쾌적도를 0.5°C 정도 낮추는 데 동의함으로써 에너지 소비는 최대 17% 더 감소시킬 수 있었다.
• 희소한 센서만으로도 최대 60개의 미지 파라미터(예: 열용량, 누수율)를 성공적으로 추정했다.
• 실제 데이터를 활용한 메타모델의 미세조정은 미리 보지 못한 테스트 기간에 대한 예측 정확도를 향상시켜, 센서 노이즈와 사용 패턴의 변동성에 대한 강인성을 입증했다.