[논문 리뷰] Machine Learning for Building Energy and Indoor Environment: A Perspective

Zhijian Liu, Di Wu외 2명|arXiv (Cornell University)|2017. 12. 31.

Solar Radiation and Photovoltaics참고 문헌 55인용 수 3

한 줄 요약

이 논문은 인공신경망(ANN)을 포함한 기계학습 기법을 활용하여 건물 에너지 시스템을 최적화하고 실내 환경 품질, 특히 생육 가능한 곰팡이 농도를 예측하는 데에 대한 시각을 제시한다. 저자들은 특히 하이브리드 방법인 HTS를 사용할 경우 예측 정확도가 향상됨을 입증하며, 향상된 신뢰성과 에너지 절약 잠재력, 실내 공기 질 향상 가능성을 고려할 때 보다 광범위한 적용을 권장한다.

ABSTRACT

Machine learning is a promising technique for many practical applications. In this perspective, we illustrate the development and application for machine learning. It is indicated that the theories and applications of machine learning method in the field of energy conservation and indoor environment are not mature, due to the difficulty of the determination for model structure with better prediction. In order to significantly contribute to the problems, we utilize the ANN model to predict the indoor culturable fungi concentration, which achieves the better accuracy and convenience. The proposal of hybrid method is further expand the application fields of machine learning method. Further, ANN model based on HTS was successfully applied for the optimization of building energy system. We hope that this novel method could capture more attention from investigators via our introduction and perspective, due to its potential development with accuracy and reliability. However, its feasibility in other fields needs to be promoted further.

연구 동기 및 목표

• 더 높은 정확도로 실내 환경 조건, 특히 생육 가능한 곰팡이 농도를 예측하는 데 도전하는 것.
• 기계학습 모델이 건물 에너지 시스템 최적화에 있어 실현 가능성과 효과성을 탐색하는 것.
• 건물 응용 분야에서 신뢰성과 성능 향상을 위해 하이브리드 기계학습 방법, 예를 들어 HTS 기반 ANN을 활용하는 것의 필요성을 제안하는 것.
• 기계학습이 에너지 절약과 실내 환경 품질 향상에 있어 아직 잠재된 가능성을 부각하는 것.

제안 방법

• 실내 생육 가능한 곰팡이 농도를 예측하기 위해 인공신경망(ANN) 모델의 적용.
• ANN와 HTS(Hierarchical Tree Search)를 융합한 하이브리드 기계학습 방법의 개발 및 구현을 통한 최적화 향상.
• 에너지 및 환경 응용 분야에서 모델 구조를 개선하고 예측 정확도를 높이기 위해 HTS의 활용.
• 기계학습 기법을 건물 에너지 시스템 최적화 워크플로우에 통합하는 것.
• 예측 정확도와 계산 편의성의 비교 분 析를 통한 모델 성능 평가.
• 기계학습을 건물 에너지 및 실내 환경 시스템에 적용할 때의 이론적 및 실무적 과제를 논의하기 위해 시각 기반 접근법의 채택.

실험 결과

연구 질문

• RQ1 기계학습 모델, 특히 ANN이 높은 정확도로 실내 생육 가능한 곰팡이 농도를 효과적으로 예측할 수 있는가?
• RQ2 하이브리드 HTS-ANN 방법은 건물 에너지 및 실내 환경 응용 분야에서 모델 성능과 신뢰성을 어떻게 향상시키는가?
• RQ3 이 분야에서 최적의 모델 구조를 선정하는 데 있어 핵심 과제는 무엇인가?
• RQ4 기계학습은 건물 내 에너지 절약과 실내 환경 품질 향상에 어느 정도 기여할 수 있는가?
• RQ5 이러한 기계학습 접근법은 다른 건물 시스템 응용 분야로 얼마나 이식 가능한가?

주요 결과

• 기존 방법에 비해 ANN 모델이 실내 생육 가능한 곰팡이 농도 예측에 더 높은 정확도를 달성하였다.
• HTS 기반 하이브리드 ANN 접근법은 모델 구조 선정 향상과 예측 신뢰성 향상을 입증하였다.
• 제안된 방법은 에너지 시스템 최적화에서 계산 편의성과 성능 측면에서 실용적 이점을 보였다.
• 모델 구조 결정 과정의 과제로 인해 건물 에너지 및 실내 환경 분야의 기계학습 응용은 아직 개발이 부족한 상태이다.
• 본 연구는 기계학습이 건물 내 에너지 효율성 향상과 실내 공기 질 관리에 크게 기여할 잠재력을 부각시켰다.
• 저자들은 이러한 방법의 실현 가능성과 확장 가능성을 더 넓은 건물 과학 응용 분야에서 검증하기 위해 향후 연구가 필요하다고 강조한다.