[논문 리뷰] A supervised-learning-based strategy for optimal demand response of an HVAC System

Young‐Jin Kim|arXiv (Cornell University)|2019. 04. 29.

Building Energy and Comfort Optimization참고 문헌 34인용 수 5

한 줄 요약

이 논문은 다중 영역 허브리케이션 시스템에서 최적의 가격 기반 수요 반응을 위한 지도학습 기반 전략인 SLAMP(Supervised-Learning-Aided Meta-Prediction)을 제안한다. 물리기반 최적화의 해를 기반으로 딥 뉴럴 네트워크를 훈련하고, 인공신경망의 분할선형 근사화를 사용함으로써, 기존 방법에 비해 계산 시간을 줄이며 빠르고 정확한 스케줄링을 가능하게 하면서도 열적 쾌적함을 유지를 한다.

ABSTRACT

The large thermal capacity of buildings enables heating, ventilating, and air-conditioning (HVAC) systems to be exploited as demand response (DR) resources. Optimal DR of HVAC units is challenging, particularly for multi-zone buildings, because this requires detailed physics-based models of zonal temperature variations for HVAC system operation and building thermal conditions. This paper proposes a new strategy for optimal DR of an HVAC system in a multi-zone building, based on supervised learning (SL). Artificial neural networks (ANNs) are trained with data obtained under normal building operating conditions. The ANNs are replicated using piecewise linear equations, which are explicitly integrated into an optimal scheduling problem for price-based DR. The optimization problem is solved for various electricity prices and building thermal conditions. The solutions are further used to train a deep neural network (DNN) to directly determine the optimal DR schedule, referred to here as supervised-learning-aided meta-prediction (SLAMP). Case studies are performed using three different methods: explicit ANN replication (EAR), SLAMP, and physics-based modeling. The case study results verify the effectiveness of the proposed SL-based strategy, in terms of both practical applicability and computational time, while also ensuring the thermal comfort of occupants and cost-effective operation of the HVAC system.

연구 동기 및 목표

• 다중 영역 HVAC 시스템에서 최적 수요 반응을 위한 계산 효율적인 전략을 개발하기 위해.
• 지역 온도 제어 및 DR 스케줄링을 위해 요구되는 고차원의 물리기반 모델링 문제에 대응하기 위해.
• 열적 쾌적함이나 운영 비용 효율성을 희생시키지 않고 실시간 또는 근접 실시간의 DR 스케줄링을 가능하게 하기 위해.
• 계산 비용이 높은 물리기반 최적화를 대체할 수 있는 학습 가능한 빠른 대체 모델로의 전환을 위해.
• 정확도와 속도 측면에서 기존 물리기반 모델링 및 명시적 ANN 복제와의 비교를 통해 방법의 유효성을 검증하기 위해.

제안 방법

• 정상적인 HVAC 운영 조건에서 물리기반 시뮬레이션 데이터를 기반으로 인공신경망(ANN)을 훈련한다.
• 훈련된 ANN을 분할선형 방정식으로 복제하여 수학적으로 다룰 수 있는 근사 모델을 생성한다.
• 다양한 전기 요금 및 열적 조건에서 분할선형 모델을 가격 기반 수요 반응 최적화 문제에 통합한다.
• 다양한 시나리오에서 최적화 문제를 해결하여 최적의 DR 스케줄을 생성한다.
• 이러한 최적 스케줄을 기반으로 딥 뉴럴 네트워크(DNN)를 훈련시켜 직접 예측 모델인 SLAMP를 생성한다. 이는 빠른 추론을 가능하게 한다.
• DNN을 사용하여 반복 최적화 없이도 입력 조건(예: 요금, 온도 등)에서 최적의 HVAC 스케줄을 직접 예측한다.

실험 결과

연구 질문

• RQ1 지도학습 기반 모델이 다양한 전기 요금 및 열적 조건에서 최적의 HVAC 수요 반응 스케줄을 정확하게 예측할 수 있는가?
• RQ2 SLAMP 방법의 계산 효율성은 물리기반 최적화 및 명시적 ANN 복제와 비교해 어떻게 되는가?
• RQ3 SLAMP 모델은 운영 비용을 최소화하면서도 열적 쾌적함을 어느 정도 유지하는가?
• RQ4 ANN의 분할선형 근사는 복잡한 물리기반 모델을 수요 반응 스케줄링에서 효과적으로 대체할 수 있는가?
• RQ5 DNN 기반 메타예측 전략은 전통적인 최적화 기반 수요 반응 접근법과 비교해 유사하거나 더 뛰어난 성능을 달성하는가?

주요 결과

• SLAMP 방법은 물리기반 최적화에 비해 계산 시간을 크게 단축시켜 실시간 수요 반응에 대한 빠른 의사결정을 가능하게 한다.
• 제안된 방법은 물리기반 모델이 달성하는 열적 쾌적함 수준을 유지한다.
• SLAMP는 동적 전기 요금 신호에 정확하게 반응함으로써 비용 효율적인 HVAC 운영을 실현한다.
• ANN의 분할선형 근사는 정확도를 유지하면서도 최적화 프레임워크에의 통합을 가능하게 한다.
• 사례 연구 결과, SLAMP는 정확도를 훼손하지 않고도 명시적 ANN 복제 및 물리기반 모델링보다 계산 효율성이 뛰어나다.
• 딥 뉴럴 네트워크는 환경적 및 요금 입력에서 최적의 HVAC 스케줄로의 매핑을 성공적으로 학습하여 다양한 시나리오에 걸쳐 뛰어난 일반화 성능을 보였다.