[논문 리뷰] End-to-end deep metamodeling to calibrate and optimize energy loads

Max Cohen, Maurice Charbit외 3명|arXiv (Cornell University)|2020. 06. 19.

Building Energy and Comfort Optimization참고 문헌 28인용 수 4

한 줄 요약

이 논문은 대규모 건물의 에너지 부하를 校정하고 최적화하기 위해 Transformer 기반 신경망을 사용하는 엔드 투 엔드 딥 메타모델링 프레임워크를 제안한다. EnergyPlus 시뮬레이션으로 훈련하고 CMA-ES를 통해 실시간 센서 데이터로 보정함으로써, 열처리 및 환기 설정의 다목적 최적화를 가능하게 하여 에너지 소비를 줄이고 동시에 열적 쾌적함과 실내 공기 질을 유지를 하면서도 물리적 개조 없이도 상당한 계산 효율성과 에너지 절감을 달성한다.

ABSTRACT

In this paper, we propose a new end-to-end methodology to optimize the energy performance and the comfort, air quality and hygiene of large buildings. A metamodel based on a Transformer network is introduced and trained using a dataset sampled with a simulation program. Then, a few physical parameters and the building management system settings of this metamodel are calibrated using the CMA-ES optimization algorithm and real data obtained from sensors. Finally, the optimal settings to minimize the energy loads while maintaining a target thermal comfort and air quality are obtained using a multi-objective optimization procedure. The numerical experiments illustrate how this metamodel ensures a significant gain in energy efficiency while being computationally much more appealing than models requiring a huge number of physical parameters to be estimated.

연구 동기 및 목표

• 비용이 많이 드는 물리적 개조 없이도 대규모 건물의 에너지 성능을 최적화하는 계산 효율적인 방법을 개발하기 위해.
• 실시간 센서 데이터를 사용하여 고차원 물리 모델을 校정하는 데 도전하는 것.
• 열적 쾌적함, 실내 공기 질 및 에너지 부하 최소화를 통합한 다목적 최적화 프레임워크를 구현하기 위해.
• 기존의 물리 기반 시뮬레이션 및 최적화 파이프라인의 계산 부담을 줄이기 위해.
• 시뮬레이션 데이터로 훈련된 대체 메타모델을 통해 실시간 데이터 기반 HVAC 제어를 가능하게 하기 위해.

제안 방법

• EnergyPlus 시뮬레이션으로 생성된 대규모 데이터셋을 기반으로 Transformer 기반 신경망을 훈련하여, 다양한 HVAC 및 기상 변수에 따른 실내 온도와 에너지 소비를 예측한다.
• 실제 센서 데이터(실내 온도 및 난방 소비)를 CMA-ES 최적화 알고리즘을 통해 사용하여 물리적 파라미터와 건물 관리 설정을 조정함으로써 메타모델을 校정한다.
• CMA-ES와 校정된 메타모델을 조합한 다목적 최적화 절차를 통해 에너지 부하를 최소화하면서도 목표 쾌적함 수준과 공기 질 수준을 유지하는 최적의 HVAC 설정을 식별한다.
• 예측 정확도를 극대화하기 위해 잠재 차원, 헤드 수, 레이어 수, 어텐션 크기 등의 하이퍼파rameter에 대한 그리드 서치를 수행하여 모델을 훈련한다.
• 하이브리드 접근 방식을 사용한다: 훈련을 위한 시뮬레이션 기반 데이터 생성과 실세계 데이터를 통한 校정을 결합함으로써 실제 건물의 변동성에 대비한 강건성을 확보한다.
• 출력 변수로는 실내 온도, 냉방, 난방 및 설비 소비량이 포함되며, 이는 校정 과정에서 실제 측정값과 집계 및 비교된다.

실험 결과

연구 질문

• RQ1 시뮬레이션 생성 훈련 데이터를 사용하여 딥 Transformer 기반 메타모델이 다양한 HVAC 및 기상 조건에서 건물 에너지 부하와 실내 온도를 정확하게 예측할 수 있는가?
• RQ2 실제 센서 데이터를 사용하여 물리 기반 메타모델을 실제 건물 행동을 반영하도록 얼마나 효과적으로 校정할 수 있는가?
• RQ3 교정된 메타모델이 대규모 건물에서 열적 쾌적함과 실내 공기 질을 유지하면서 에너지 소비를 얼마나 줄일 수 있는가?
• RQ4 기존의 물리 기반 시뮬레이션 및 최적화 파이프라인에 비해 제안된 엔드 투 엔드 접근 방식은 계산 효율성에서 얼마나 뛰어나며?
• RQ5 하이퍼파ram터 튜닝이 건물 에너지 예측 작업에서 Transformer 기반 메타모델의 성능에 어떤 영향을 미치는가?

주요 결과

• 분포 분석을 통해 그림 5에서 확인한 바와 같이, Transformer 기반 메타모델은 다양한 HVAC 및 기상 조건에서 실내 온도와 에너지 부하에 대해 높은 예측 정확도를 달성한다.
• 실제 센서 데이터를 사용한 校정 단계는 모델의 정확성 향상에 기여하여 시뮬레이션된 실내 온도와 실제 실내 온도, 난방 소비 간의 격차를 크게 줄였다.
• 다목적 최적화 절차는 에너지 부하를 최소화하면서도 목표 쾌적함 수준과 공기 질 수준을 유지하는 데 성공한 최적의 HVAC 설정을 식별했다.
• 기존의 물리 기반 시뮬레이션에 비해 프레임워크는 상당한 계산적 이점을 보였으며, 광범위한 물리적 파라미터 추정 없이도 더 빠른 최적화를 가능하게 하였다.
• 데이터셋 내 다양한 일자와 기상 조건에서 일관된 결과를 보이며, 모델의 성능이 다양한 건물 구성에 대해 강건함을 입증하였다.
• 그리드 서치를 통한 하이퍼파라미터 튜닝은 최적 설정(예: d_emb=64, h=8, N=4, Δ=12)을 식별하였으며, 이는 모델의 예측 안정성과 정확도 향상에 기여하였다.