[논문 리뷰] Modeling and Optimization of Complex Building Energy Systems with Deep Neural Networks

Yize Chen, Yuanyuan Shi외 1명|arXiv (Cornell University)|2017. 11. 07.

Building Energy and Comfort Optimization참고 문헌 2인용 수 14

한 줄 요약

이 논문은 물리 기반 모델에 의존하지 않고, 복잡한 건물 에너지 시스템을 모델링하고 최적화하기 위해 순환 신경망(RNN)을 사용하는 데이터 기반 딥 러닝 프레임워크를 제안한다. 고해상도 센서 데이터를 기반으로 RNN을 훈련시켜 시간에 따른 동적 특성을 포착하고, 에너지 최소화를 위한 제약 조건이 있는 최적화 문제를 설정한 후, 운동량을 사용한 기울기 하강법로 해결하여 기존 모델 대비 에너지 소비를 30.74% 감소시켰다.

ABSTRACT

Modern buildings encompass complex dynamics of multiple electrical, mechanical, and control systems. One of the biggest hurdles in applying conventional model-based optimization and control methods to building energy management is the huge cost and effort of capturing diverse and temporally correlated dynamics. Here we propose an alternative approach which is model-free and data-driven. By utilizing high volume of data coming from advanced sensors, we train a deep Recurrent Neural Networks (RNN) which could accurately represent the operation's temporal dynamics of building complexes. The trained network is then directly fitted into a constrained optimization problem with finite horizons. By reformulating the constrained optimization as an unconstrained optimization problem, we use iterative gradient descents method with momentum to find optimal control inputs. Simulation results demonstrate proposed method's improved performances over model-based approach on both building system modeling and control.

연구 동기 및 목표

• 대규모 상업용 빌딩에서 장기적이고 시간에 따라 상관관계가 있는 동적 특성을 정확히 포착하기 위해 물리 기반 또는 단순화된 RC 모델을 사용할 경우 발생하는 높은 모델링 비용과 복잡성을 해결하기 위해.
• 고용량 센서 데이터와 딥 러닝을 활용해 정확한 건물 에너지 시스템 모델링을 위한 확장 가능한 데이터 기반 대안을 개발하기 위해.
• 명시적인 시스템 방정식이 필요 없이 예측 모델링과 실시간 제어를 하나의 종단 간 프레임워크로 통합하기 위해.
• 예를 들어 온도 설정값과 같은 제어 입력을 RNN으로 예측한 시스템 모델에 기반한 기울기 기반 최적화를 통해 에너지 효율성을 향상시키기 위해.

제안 방법

• 기본 제어 입력, 비제어 측정값, 물리적 예측값을 포함한 이전 건물 운영 데이터를 기반으로, 한 개의 순환층과 세 개의 완전 연결층을 갖는 딥 RNN을 훈련한다.
• RNN은 55개의 입력 특성(예: 존 온도, 점유율, 날씨 예보 등)에서 유래한 복잡한 시간적 종속성을 학습하여 에너지 소비를 예측한다.
• 제약 조건이 있는 최적화 문제를 페널티 방법을 사용해 제약 조건이 없는 형태로 재구성함으로써, 제어 가능한 입력에 대해 기울기 기반 최적화를 가능하게 한다.
• 유한한 4시간 예측 윈도우 내에서 각 시간 단위마다 제어 입력(예: 존 설정값)을 최적화하기 위해 반복적 기울기 하강법에 운동량을 적용한다.
• 최적화 중에 온도 설정값에 대한 물리적 제약 조건을 유지하며, 빌딩 존 간 분산 배포도 지원한다.
• 프레임워크는 텐서플로우를 사용해 구현되었으며, 활성화 함수로 ReLU를 사용하고, 정규화를 위해 드롭아웃을 적용하며, 훈련에는 확률적 기울기 하강법을 사용한다.

실험 결과

연구 질문

• RQ1 센서 데이터만을 사용하여도 깊이 있는 RNN이 대규모 상업용 빌딩 에너지 시스템의 복잡하고 장기적인 시간적 동적 특성을 효과적으로 모델링할 수 있는가?
• RQ2 전통적인 일阶 RC 모델 대비 RNN 기반 모델링의 성능은 실제 건물 에너지 소비 패턴을 포착하는 데 얼마나 우수한가?
• RQ3 단순화된 동역학을 사용하는 모델 기반 제어 대비 RNN 기반 최적화가 에너지 소비를 얼마나 줄일 수 있는가?
• RQ4 온도 설정값 제약 조건이 다른 경우 최적화 성능는 어떻게 달라지는가?
• RQ5 제안된 방법이 일일 점유율과 열적 패턴을 반영한 전역 최적의 존별 제어 일정을 생성할 수 있는가?

주요 결과

• RNN 모델은 첫 번째 차수의 RC 모델 대비 루트 평균 제곱 오차(RMSE)를 68.33% 감소시켜, RMSE 0.076(기존 모델 대비 0.240)를 달성했다.
• RNN은 RC 모델이 표현하지 못한 비선형 동적 특성(예: 점심 무렵의 점유율 스케줄에 따른 에너지 감소)을 성공적으로 포착했다.
• 제안된 방법은 기준 모델 대비 에너지 소비를 30.74% 감소시켰으며, RC 모델 기반 접근 방식은 동일한 조건에서 단지 4.07%의 감소에 그쳤다.
• 더 넓은 온도 설정값 제약 조건(18°C–26°C)은 좁은 제약 조건(19°C–24°C)보다 더 날카우면서도 더 에너지 효율적인 제어 입력을 찾는 데 유리했다.
• 최적화된 제어 일정은 각 존에서 뚜렷한 일일 패턴을 보였으며, 실제 건물에 적용될 경우 종합적인 시스템 수준의 에너지 절감 잠재력이 있음을 시사했다.
• 이 방법은 도시 전도, 대류, 복사 과정을 명시적으로 모델링할 필요 없이도 복잡한 비선형 상호작용을 잘 다루는 데에 강건함을 입증했다.