[논문 리뷰] Quiver: Using Control Perturbations to Increase the Observability of Sensor Data in Smart Buildings

Jason Koh, Bharathan Balaji외 3명|arXiv (Cornell University)|2016. 01. 27.

Context-Aware Activity Recognition Systems참고 문헌 29인용 수 12

한 줄 요약

이 논문은 스마트 빌딩에서 센서 데이터의 관측 가능성을 향상시키기 위해 대상 HVAC 액추에이터 조정을 활용하는 안전한 제어 펌업 프레임워크인 Quiver를 제안한다. 제어된 펌프를 적용함으로써 Quiver는 실제 상업용 빌딩에서 센서 공동위치 특정(98.4%), 포인트 유형 식별(85.3%), 액추에이터 종속성 맵핑(73.5%)을 고정밀도로 수행할 수 있다.

ABSTRACT

Modern buildings consist of hundreds of sensors and actuators for monitoring and operation of systems such as HVAC, light and security. To enable portable applications in next generation smart buildings, we need models and standardized ontologies that represent these sensors across diverse types of buildings. Recent research has shown that extracting information such as sensor type with available metadata and timeseries data analysis is difficult due to heterogeneity of systems and lack of support for interoperability. We propose perturbations in the control system as a mechanism to increase the observability of building systems to extract contextual information and develop standardized models. We design Quiver, an experimental framework for actuation of building HVAC system that enables us to perturb the control system safely. Using Quiver, we demonstrate three applications using empirical experiments on a real commercial building: colocation of data points, identification of point type and mapping of dependency between actuators. Our results show that we can colocate data points in HVAC terminal units with 98.4 % accuracy and 63 % coverage. We can identify point types of the terminal units with 85.3 % accuracy. Finally, we map the dependency links between actuators with an accuracy of 73.5 %, with 8.1 % and 18.4 % false positives and false negatives respectively.

연구 동기 및 목표

• 스마트 빌딩 내 센서 데이터 이질성과 표준화된 온톨로지 부족 문제를 해결한다.
• 메타데이터 및 시계열 분석의 한계를 극복하여, 포인트 유형 및 위치와 같은 센서 맥락을 식별한다.
• 활성 제어를 통해 맥락 정보를 추출함으로써 이식 가능하고 상호운용성이 높은 빌딩 애플리케이션을 가능하게 한다.
• 운영을 방해하지 않으면서 시스템 동작을 탐색하기 위해 HVAC 시스템을 안전하게 액티베이트할 수 있는 실험적 프레임워크를 개발한다.
• 제어 펌프가 수동 분석에 비해 센서 데이터의 관측 가능성을 크게 향상시킬 수 있음을 입증한다.

제안 방법

• 제약된 입력 범위와 액추에이터 작동 주기를 가진 HVAC 터미널 유닛(VAV) 액추에이터에 안전한 제어 펌프를 적용하는 Quiver라는 제어 프레임워크를 설계한다.
• 액추에이터 신호를 통해 현지 제어 시스템을 고유한 운영 상태로 자극하여 센서 데이터를 구분 가능하게 한다.
• 펌프에 대한 반응의 동기화를 기반으로 단순한 데이터 분석을 적용해 센서를 공동위치로 식별한다.
• 한 VAV 유닛의 참값 포인트 유형을 기반으로 전이 학습을 활용해 건물 내 여덟 개 지구의 포인트 유형을 분류한다.
• 펌프 실험 동안의 반응 상관관계 분석을 통해 액추에이터 간 종속성 관계를 맵핑한다.
• 상태 쿼리, 롤백 기능, 시간 제한 운영(주말/야간)을 포함한 안전 메커니즘을 구현한다.

실험 결과

연구 질문

• RQ1 수동 데이터 분석에 비해 제어 펌프가 HVAC 시스템 내 센서 공동위치 특정 정확도를 얼마나 향상시킬 수 있는가?
• RQ2 메타데이터가 신뢰할 수 없거나 존재하지 않을 경우, 제어 펌프가 센서 포인트 유형 식별에 얼마나 기여할 수 있는가?
• RQ3 제어된 펌프와 반응 상관관계를 통해 VAV 유닛 내 액추에이터 간 종속성 관계를 유추할 수 있는가?
• RQ4 실제 운영 제약 조건 하에서 종속성 맵핑의 가짜 양성 및 가짜 음성 비율은 어떻게 변하는가?
• RQ5 안전하고 단일 사용자 전용 제어 프레임워크는 맥락 정보 탐색을 위한 반복 가능하고 관측 가능한 시스템 탐색을 가능하게 하는가?

주요 결과

• Quiver는 테스트 빌딩 전반에서 63%의 커버리지로 HVAC 터미널 유닛 내 데이터 포인트 공동위치 특정에 98.4%의 정확도를 달성했다.
• 전이 학습을 활용한 포인트 유형 식별은 건물 내 여덟 개의 서로 다른 지구에서 85.3%의 정확도를 달성했다.
• 액추에이터 간 종속성 맵핑은 73.5%의 정확도를 기록했으며, 가짜 양성 비율은 8.1%, 가짜 음성 비율은 18.4%였다.
• 제어 펌프는 수동 분석에 비해 데이터 특성이 정상 작동 중 유사한 경우에도 센서 관계 식별에서 뚜렷한 성능 향상을 보였다.
• 프레임워크는 실제 HVAC 시스템에서 안전하고 반복 가능한 실험을 성공적으로 수행하여 보다 넓은 배포 가능성의 타당성을 입증했다.
• 펌프 기반 탐색은 수동 메타데이터 정제에 대한 의존도를 감소시키고, 건물 시스템 간 모델의 이식 가능성을 향상시켰다.