[논문 리뷰] NeurOpt: Neural network based optimization for building energy management and climate control

Achin Jain, Francesco Smarra외 3명|arXiv (Cornell University)|2020. 01. 21.

Building Energy and Comfort OptimizationEngineering인용 수 18

한 줄 요약

이 논문은 신경망을 사용해 역사적 센서 데이터에서 건물 에너지 및 온도 동역학을 학습하는 데이터 기반 모델 예측 제어(MPC) 프레임워크인 NeurOpt을 제안한다. 이는 물리 기반 모델이나 시스템 변경 없이도 에너지 절감과 더 나은 거주자 편안함을 가능하게 한다. 이탈리아의 실제 2층 건물에서 NeurOpt은 에너지 사용을 5.7% 감소시키고 기준 규칙 기반 제어기보다 온도 안정성을 향상시켰다.

ABSTRACT

Model predictive control (MPC) can provide significant energy cost savings in building operations in the form of energy-efficient control with better occupant comfort, lower peak demand charges, and risk-free participation in demand response. However, the engineering effort required to obtain physics-based models of buildings is considered to be the biggest bottleneck in making MPC scalable to real buildings. In this paper, we propose a data-driven control algorithm based on neural networks to reduce this cost of model identification. Our approach does not require building domain expertise or retrofitting of existing heating and cooling systems. We validate our learning and control algorithms on a two-story building with ten independently controlled zones, located in Italy. We learn dynamical models of energy consumption and zone temperatures with high accuracy and demonstrate energy savings and better occupant comfort compared to the default system controller.

연구 동기 및 목표

• 건물 에너지 관리에 대한 물리 기반 모델링의 높은 공학적 비용을 줄이기 위해.
• 도메인 전문 지식이나 시스템 개조 없이도 확장 가능한 데이터 기반 모델 예측 제어(MPC)를 가능하게 하기 위해.
• 신경망을 사용해 에너지 소비와 실내 온도 동역학을 모델링함으로써 실제 건물에서 에너지 효율성과 거주자 편안함을 향상시키기 위해.
• 블랙박스 신경망 모델이 실제 건물의 MPC에 전통적인 물리 기반 모델을 효과적으로 대체할 수 있는지 보여주기 위해.
• 10개의 독립적으로 제어 가능한 영역을 가진 실제 건물에서 이 접근법을 검증하여 측정 가능한 에너지 절감과 편안함 향상을 입증하기 위해.

제안 방법

• 건물 자동화 시스템(BAS)과 기상 관측소의 역사적 데이터를 기반으로 신경망을 학습하여 에너지 소비와 실내 온도 동역학을 모델링한다.
• 학습된 신경망 모델을 비선형 MPC 프레임워크에 통합하여 에너지 사용과 열적 편안함을 균형 잡는 제어 입력을 최적화한다.
• 두 가지 MPC 변형을 구현한다: 에너지 사용을 최소화하면서 편안함 한계를 지키는 MPC-min과 설정값 주변의 온도 변동을 줄이는 MPC-tracking.
• MPC 제어기는 존재하는 난방 시스템을 수정하지 않고도 동적으로 설정값을 조정하는 감시 계층으로 작동한다.
• LabVIEW 기반 로컬 서버를 통해 Modbus TCP/IP 및 OPC 프로토콜을 통해 클라우드 기반 Elasticsearch 데이터베이스와 통신함으로써 실시간 데이터 흐름을 가능하게 한다.
• 제어 명령어와 센서 측정값 간의 실시간 모니터링 및 제어를 위해 로컬 서버와 원격 클라우드 데이터베이스 간 매 15초마다 설정값과 측정값을 동기화한다.

실험 결과

연구 질문

• RQ1 기존의 역사적 센서 및 기상 데이터만을 사용하여 신경망이 실제 건물의 에너지 소비와 실내 온도 동역학을 정확하게 모델링할 수 있는가?
• RQ2 기존의 HVAC 시스템을 수정하지 않고도 신경망 기반 MPC 제어기가 규칙 기반 기준 제어기보다 뚜렷한 에너지 절감을 달성할 수 있는가?
• RQ3 신경망 기반 MPC의 성능은 에너지 사용 안정성과 거주자 편안함 측면에서 규칙 기반 제어 대비 어떻게 비교되는가?
• RQ4 동적 설정값 조정을 통해 에너지 절감과 열적 편안함 사이의 효과적인 트레이드오프를 달성할 수 있는가?
• RQ5 물리 기반 모델 대신 블랙박스 신경망 모델을 사용할 경우 MPC의 확장성과 구현 노력에 어떤 영향을 미치는가?

주요 결과

• 실제 2층 건물에서 3일간의 실험 기간 동안 NeurOpt은 기준 규칙 기반 제어기 대비 에너지 소비를 5.7% 감소시켰다.
• MPC-min 제어기는 온도를 편안함 하한선 근처로 유지함으로써 에너지 소비를 줄이면서도 열적 편안함을 유지했다.
• MPC-tracking 제어기는 기준 대비 온도 변동을 크게 줄여 시스템 변경 없이도 거주자 편안함 향상을 입증했다.
• 역사적 데이터에서 학습된 신경망 모델은 에너지 소비와 실내 온도의 비선형 동역학을 정확히 포착했다.
• 물리 기반 모델링이 필요 없어져 공학적 노력이 감소하고 실제 건물에서 MPC의 더 빠른 구현이 가능해졌다.
• 제어 명령어와 센서 측정값 간 15초 동기화를 통해 클라우드 기반 데이터 파이프라인을 통해 실시간 운영이 가능함을 입증했다.