[논문 리뷰] A benchmark for data-based office modeling: challenges related to CO$_2$ dynamics

Riccardo Sven Risuleo, Marco Molinari외 3명|TU/e Research Portal (Eindhoven University of Technology)|2015. 04. 11.

Building Energy and Comfort Optimization참고 문헌 16인용 수 4

한 줄 요약

이 논문은 IDA-ICE를 사용하여 시뮬레이션된 사무실 환경에서 이산화탄소(CO2) 동역학에 대한 합성 벤치마크 데이터셋을 제시한다. 이는 직접적인 점원 수 데이터 없이 CO2 농도에서 점원 수를 추정하는 데 초점을 맞춘 블라인드 시스템 식별 기법을 다룬다. 두 가지 데이터 기반 모델링 접근법—과다 매개변수화와 커널 기반 방법—을 평가하여, 창문이 열린 조건에서 점원 수 추정 정확도가 크게 떨어지며, CO2 적합도는 80.3–87.2%로 떨어지고 점원 수 적합도는 37.9–67.1%로 떨어지는 것으로 나타났다.

ABSTRACT

This paper describes a benchmark consisting of a set of synthetic measurements relative to an office environment simulated with the software IDA-ICE. The simulated environment reproduces a laboratory at the KTH-EES Smart Building, equipped with a building management system. The data set contains records collected over a period of several days. The signals to CO$_2$ concentration, mechanical ventilation airflows, air infiltrations and occupancy. Information on door and window opening is also available. This benchmark is intended for testing data-based modeling techniques. The ultimate goal is the development of models to improve the forecast and control of environmental variables. Among the numerous challenges related to this framework, we point out the problem of occupancy estimation using information on CO$_2$ concentration. This can be seen as a blind identification problem. For benchmarking purposes, we present two different identification approaches: a baseline overparametrization method and a kernel-based method.

연구 동기 및 목표

• 데이터 기반 사무실 빌딩 내부 환경 동역학 모델링을 위한 표준화된 벤치마크 데이터셋을 개발하기 위해.
• 직접적인 점원 수 데이터가 제공되지 않는 조건에서 CO2 농도 측정값으로부터 점원 수를 추정하는 데 있어 블라인드 식별의 과제를 해결하기 위해.
• 다양한 점원 수와 창문 개방 여부를 포함한 현실적인 사무실 조건에서 다양한 시스템 식별 기법의 성능을 평가하고 비교하기 위해.
• 특히 창문 개방과 같은 모델링되지 않은 동역학이 CO2 및 점원 수 모델링 정확도에 미치는 영향을 부각시키기 위해.
• 에너지 효율적인 실내 기후 관리에 위한 모델 예측 제어(MPC) 전략 개발을 지원하기 위해.

제안 방법

• 변동하는 점원 수, 기계 환기, 창문/문 상태를 고려하여 KTH의 실제 실험실을 IDA-ICE 소프트웨어를 사용해 일주일 동안 시뮬레이션한다.
• 3분 간격으로 CO2 농도, 기계 환기 유량, 누수 유량 및 점원 수에 대한 합성 데이터를 생성한다.
• 점원 수를 직접 측정하지 않고 CO2 측정값만을 기반으로 점원 수를 추정하는 블라인드 식별 프레임워크를 적용하며, 이는 입력이 알려지지 않은 시스템 식별 문제로 간주된다.
• 두 가지 식별 방법을 사용한다: 기준 과다 매개변수화 기법과 안정 스플라인 커널을 사용한 정규화가 적용된 커널 기반 방법.
• 모델 성능 평가를 위해 두 가지 적합도 지표를 사용한다: CO2 신호 예측 적합도와 점원 수 신호 재구성 적합도.
• 주중(월요일~금요일)에 매일 식별을 수행하며 주말은 제외하고, 각 시나리오에 대해 일별 평균 성능을 계산한다.

실험 결과

연구 질문

• RQ1 직접적인 점원 수 측정값이 제공되지 않는 상황에서 CO2 농도 데이터로 점원 수를 얼마나 정확하게 추정할 수 있는가?
• RQ2 창문 개방과 같은 모델링되지 않은 동역학이 CO2 수준과 점원 수 추정 성능에 어떤 영향을 미치는가?
• RQ3 과다 매개변수화 방법과 커널 기반 방법 간의 상대적 성능은 사무실 CO2 동역학의 블라인드 시스템 식별에서 어떻게 나타나는가?
• RQ4 변동하는 환기 및 누수 유량의 존재가 CO2 기반 점원 수 추정의 신뢰성에 어떤 영향을 미치는가?
• RQ5 이 벤치마크 데이터셋은 실내 환경 품질을 위한 모델 예측 제어 전략 개발 및 검증을 지원할 수 있는가?

주요 결과

• 커널 기반 방법은 창문이 닫혀 있을 경우 CO2 예측 적합도가 89.7%에서 98.4% 사이로 나타나, 통제된 조건에서 높은 모델 정확도를 보였다.
• 창문이 열린 조건에서는 CO2 예측 적합도가 80.3–87.2%로 떨어지며, 모델링되지 않은 누기 영향으로 인해 모델 성능이 심각하게 저하됨을 보여주었다.
• 창문이 열린 조건에서는 점원 수 추정 성능이 크게 떨어지며, 적합도가 37.9–67.1%로 나타나 점원 수 패턴의 재구성 능력이 떨어짐을 시사했다.
• 과다 매개변수화 방법은 CO2 동역학을 포착하거나 점원 수를 재구성하지 못하며, 음수의 적합도 점수를 기록하여 이 작업에 대해 효과적이지 않음을 보였다.
• 벤치마크는 창문 개방이 CO2 기반 점원 수 추정에서 중요한데도 자주 간과되는 요소임을 드러내며, 모델 정확도에 심각한 영향을 미침을 확인했다.
• 이 데이터셋은 시스템 식별 알고리즘 평가에 효과적이며, 향후 스마트 빌딩 제어 및 에너지 효율성 연구를 지원하는 데 기여한다.