[논문 리뷰] IoT for Green Building Management

Wayes Tushar, Nipun Wijerathne외 5명|arXiv (Cornell University)|2018. 05. 27.

Air Quality Monitoring and Forecasting참고 문헌 27인용 수 6

한 줄 요약

이 논문은 신호 처리와 머신러닝을 활용하여 저비용, 실시간 점유율 감지 및 건물의 에너지 소비 최적화를 가능하게 하는 IoT 기반 건물 관리 시스템을 제안한다. 간단한 IoT 센서를 도입하고 전이 학습 및 비지도 딥러닝 기법을 적용함으로써 정확한 점유율 추정을 달성하였으며, 점유 시 히트펌프 및 냉난방 시스템(HVAC) 에너지 사용이 8.7% 증가하는 것으로 밝혀져 데이터 기반 에너지 절감 전략을 수립할 수 있게 되었다.

ABSTRACT

Buildings consume 60% of global electricity. However, current building management systems (BMSs) are highly expensive and difficult to justify for small to medium-sized buildings. As such, the Internet of Things (IoT), which can monitor and collect a large amount of data on different contexts of a building and feed the data to the processor of the BMS, provides a new opportunity to integrate intelligence into the BMS to monitor and manage the energy consumption of the building in a cost-effective manner. Although an extensive literature is available on IoT based BMS and applications of signal processing techniques for some aspects of building energy management separately, detailed study on their integration to address the overall BMS is quite limited. As such, the proposed paper will address this gap by providing an overview of an IoT based BMS leveraging signal processing and machine learning techniques. It is demonstrated how to extract high-level building occupancy information through simple and low-cost IoT sensors and studied the impact of human activities on energy usage of a building, which can be exploited to design energy conservation measures to reduce the building's energy consumption.

연구 동기 및 목표

• 소규모 및 중소규모 건물에서 기존 건물 관리 시스템(BMS)의 높은 비용과 확장성 부족 문제를 해결하기 위해.
• IoT를 신호 처리 및 머신러닝과 융합하여 건물 에너지 사용 및 점유율에 대한 저비용, 실시간 모니터링을 가능하게 하기 위해.
• 전이 학습 및 준지도 학습 기법을 활용해 저자원 IoT 기기에서 현장에서의 머신러닝 추론을 수행함으로써 엣지 지능을 실현하기 위해.
• 점유율 인식 기반 에너지 관리가 HVAC 에너지 소비와 전기 요금을 줄이는 데 어떻게 기여하는지 입증하기 위해.
• 실제 건물에 적용 가능한 IoT 기반 에너지 효율 솔루션의 확장 가능한 프레임워크 제공하기 위해.

제안 방법

• 건물 입구에 저비용 IoT 센서(예: 음향, 영상)를 설치하여 환경 및 인간 활동 데이터를 캡처하기 위해.
• 입구에서 촬영한 영상에서 머리 수 계산을 위해 사전 학습된 모델을 활용한 전이 학습을 적용하기 위해.
• 수동 레이블링이 필요 없는 음향 센서 데이터를 활용한 비지도 딥러닝 기법을 통해 점유 상태를 탐지하기 위해.
• 자원 제약이 있는 IoT 기기에서 엣지 기반 머신러닝을 구현하여 현장에서의 추론을 가능하게 하고 지연을 줄이기 위해.
• 신호 처리 기법을 활용해 다중 센서 데이터를 융합하여 점유율 추정 정확도를 향상시키기 위해.
• 점유율 데이터를 HVAC 에너지 소비와 연관지어 에너지 사용 패턴을 모델링하고 절감 기회를 식별하기 위해.

실험 결과

연구 질문

• RQ1 IoT 기반 시스템은 소규모 및 중소규모 건물에서 어떻게 저비용, 실시간 점유율 감지를 가능하게 하는가?
• RQ2 인간 점유는 상업용 건물의 HVAC 에너지 소비에 어느 정도의 영향을 미치는가?
• RQ3 저연산 능력을 지닌 IoT 기기들은 전이 학습 및 준지도 학습 기법을 통해 정확한 머신러닝 추론을 수행할 수 있는가?
• RQ4 점유율 인식 기반 제어는 전체 건물의 에너지 소비와 전기 요금을 어떻게 줄이는가?
• RQ5 실시간 점유율 데이터는 HVAC 시스템 최적화 및 에너지 모델링에 어떤 영향을 미치는가?

주요 결과

• 실제로 점유된 상태일 경우 HVAC 에너지 소비가 8.7% 증가하며, 평균 소비량은 점유되지 않은 상태의 6.04kWh에서 점유된 상태의 6.57kWh로 증가한다.
• 인간 점유로 인해 실내 온도는 평균 0.35°C 상승하며, 점유되지 않은 상태의 25.02°C에서 점유된 상태의 25.37°C로 증가한다.
• 제안된 전이 학습 기반 머리 수 계산 방법은 건물 입구에 설치된 저비용 영상 센서로부터 정확한 점유율 추정을 가능하게 한다.
• 음향 센서 데이터를 활용한 비지도 딥러닝 기법은 레이블링된 학습 데이터가 없더라도 점유 상태를 성공적으로 탐지한다.
• 점유율 데이터를 활용하면 HVAC 에너지 소비를 줄이고 전기 요금을 낮출 수 있는 동적 제어 전략을 개발할 수 있다.
• IoT, 신호 처리, 머신러닝의 융합은 에너지 효율성 향상과 건물 관리에 실질적인 통찰을 제공한다.