[논문 리뷰] Machine Learning for Smart and Energy-Efficient Buildings

H. Das, Yu‐Wen Lin외 8명|arXiv (Cornell University)|2022. 11. 27.

Smart Grid Energy Management인용 수 6

한 줄 요약

이 논문은 스마트하고 에너지 효율적인 건물에서의 기계학습 응용을 검토하며, 거주자 편안함을 유지하면서 에너지 사용을 최적화하는 데 중점을 둡니다. 건물 시스템 전반에 걸쳐 지도학습, 비지도학습, 강화학습 방법을 조사하고 데이터 및 일반화 과제를 부각하며, 모델 이식성과 실세계 환경에서의 성능 향상을 위해 표준화된 데이터 프레임워크와 전이학습을 지지합니다.

ABSTRACT

Energy consumption in buildings, both residential and commercial, accounts for approximately 40% of all energy usage in the U.S., and similar numbers are being reported from countries around the world. This significant amount of energy is used to maintain a comfortable, secure, and productive environment for the occupants. So, it is crucial that the energy consumption in buildings must be optimized, all the while maintaining satisfactory levels of occupant comfort, health, and safety. Recently, Machine Learning has been proven to be an invaluable tool in deriving important insights from data and optimizing various systems. In this work, we review the ways in which machine learning has been leveraged to make buildings smart and energy-efficient. For the convenience of readers, we provide a brief introduction of several machine learning paradigms and the components and functioning of each smart building system we cover. Finally, we discuss challenges faced while implementing machine learning algorithms in smart buildings and provide future avenues for research at the intersection of smart buildings and machine learning.

연구 동기 및 목표

• 미국 에너지 사용과 온실가스 배출의 약 ~40%를 차지하는 건물 에너지 소비를 줄이기 위한 긴급한 필요성을 해결합니다.
• 건물 시스템에서 신뢰할 수 있는 기계학습 모델을 훈련하기 위한 데이터 수집, 품질, 일관성 과제를 극복합니다.
• 스마트 건물에서 기계학습 기반 제어, 예측, 진단을 통해 거주자 편안함과 에너지 효율성을 향상시킵니다.
• 열적 선호도와 건물 설계의 다양성으로 인해 다양한 건물과 거주자 간 모델 일반화에 격차가 있음을 규명합니다.
• 표준화된 데이터 저장소(예: BRICK 스키마)와 전이학습을 통해 확장 가능하고 상호운용 가능한 기계학습 솔루션을 위한 길을 제안합니다.

제안 방법

• 건물 응용을 위한 기계학습 철학: 지도학습, 비지도학습, 강화학습을 조사했습니다.
• HVAC, 조명, 거주자 감지, 고장 탐지, 전력망 통합 등 핵심 건물 시스템에서의 기계학습 응용을 검토했습니다.
• 기계학습 모델 성능을 전통적 제어 방법과 비교하여 평가했으며, 기계학습이 일반적으로 기준 성능을 유지하거나 초월함을 확인했습니다.
• 데이터 부족 문제를 해결하고 모델의 강건성을 향상시키기 위해 합성 데이터 생성과 그레이박스 모델링을 제안했습니다.
• 센서 데이터와 시스템 인터페이스를 건물 간 통합하기 위해 표준화된 메타데이터 스키마(예: BRICK)를 지지했습니다.
• 다양한 건물과 거주자 프로파일 간의 모델 일반화를 향상시키기 위해 전이학습과 도메인 적응을 탐색했습니다.

실험 결과

연구 질문

• RQ1 기계학습이 거주자 편안함을 훼손하지 않으면서 건물의 에너지 효율성을 어떻게 향상시킬 수 있나요?
• RQ2 특히 데이터 품질과 가용성 측면에서 실세계 건물 환경에 기계학습 모델을 구현할 때의 주요 과제는 무엇입니까?
• RQ3 전이학습과 도메인 적응이 다양한 건물과 거주자 집단 간에 모델 일반화를 얼마나 향상시킬 수 있나요?
• RQ4 표준화된 데이터 형식과 공유 저장소는 스마트 건물에서 기계학습 솔루션의 상호운용성과 확장성에 어떻게 기여할 수 있나요?
• RQ5 물리 기반 시뮬레이션과 데이터 기반 기계학습을 융합한 하이브리드 모델은 모델 신뢰성과 해석 가능성 향상에 어떤 역할을 합니까?

주요 결과

• 기계학습 모델은 예측, 고장 탐지, 에너지 최적화 작업에서 전통적 제어 방법보다 일관되게 우수하거나 동일한 성능을 보입니다.
• 특히 편안함에 관한 데이터 부족이 주요 장애물이며, 거주자 피드백은 침해적이며 클래스 불균형 문제를 야기합니다.
• 기관 및 기업 간 표준화되지 않은 데이터 형식의 부재로 데이터 재사용과 모델 이식성에 장애가 발생합니다.
• 합성 데이터 생성과 그레이박스 모델링은 실세계 데이터가 제한된 상황, 특히 거주자 및 편안함 모델링에서 유의미한 해결책을 제공합니다.
• 전이학습과 도메인 적응은 유망하지만 건물과 거주자 간 모델 일반화 향상 측면에서 아직 탐색이 부족한 분야입니다.
• 표준화된 플랫폼과 인터페이스 프로토콜은 건물 시스템, 전력망, 제어 계층 간 기계학습 모델 통합에 필수적입니다.