[논문 리뷰] Simulation and Optimisation of Air Conditioning Systems using Machine Learning

Rakshitha Godahewa, Chang Deng외 2명|arXiv (Cornell University)|2020. 06. 27.

Building Energy and Comfort Optimization참고 문헌 39인용 수 6

한 줄 요약

이 논문은 건물의 비거주 공간에서 실내 온도를 예측하기 위해 순환 신경망(RNN) 기반 모델을 제안하며, 이는 HVAC 시스템의 동적 열 설정값 최적화를 가능하게 한다. RNN은 벤치마크 모델(SVM, RF, MLR, FFNN)보다 예측 정확도가 뛰어나며, 시뮬레이션된 난방 시간을 최대 28.28% 감소시켰고, 실제 강의실 환경에서 정적 설정값 대비 평균 20.26%의 에너지 절감을 달성하였다.

ABSTRACT

In building management, usually static thermal setpoints are used to maintain the inside temperature of a building at a comfortable level irrespective of its occupancy. This strategy can cause a massive amount of energy wastage and therewith increase energy related expenses. This paper explores how to optimise the setpoints used in a particular room during its unoccupied periods using machine learning approaches. We introduce a deep-learning model based on Recurrent Neural Networks (RNN) that can predict the temperatures of a future period directly where a particular room is unoccupied and by using these predicted temperatures, we define the optimal thermal setpoints to be used inside the room during the unoccupied period. We show that RNNs are particularly suitable for this learning task as they enable us to learn across many relatively short series, which is necessary to focus on particular operation modes of the air conditioning (AC) system. We evaluate the prediction accuracy of our RNN model against a set of state-of-the-art models and are able to outperform those by a large margin. We furthermore analyse the usage of our RNN model in optimising the energy consumption of an AC system in a real-world scenario using the temperature data from a university lecture theatre. Based on the simulations, we show that our RNN model can lead to savings around 20% compared with the traditional temperature controlling model that does not use optimisation techniques.

연구 동기 및 목표

• 비거주 기간 동안 정적 열 설정값으로 인한 에너지 낭비 문제를 해결하기 위해.
• 미래의 비거주 기간 동안 실내 온도를 정확히 예측할 수 있는 기계학습 모델을 개발하기 위해.
• 예측된 온도를 바탕으로 냉방/난방을 켜는 최적의 시점을 결정하여 HVAC 시스템 운영을 최적화하기 위해.
• 실제 건물 환경에서 최신 기술 수준의 모델들과 비교하여 제안된 RNN 모델의 에너지 효율성 향상을 평가하기 위해.

제안 방법

• 현재 실내 및 실외 온도 데이터를 사용하여 향후 실내 온도를 예측하기 위해 순환 신경망(RNN) 기반의 딥러닝 모델을 훈련시켰다.
• RNN 모델은 특정 HVAC 운영 모드에 해당하는 여러 개의 짧고 순차적인 시계열 데이터를 통해 학습할 수 있도록 특별히 설계되었다.
• 비교를 위해 지지벡터기계(SVM), 랜덤 포레스트(RF), 다중선형회귀(MLR), 피드포워드 신경망(FFNN) 등의 벤치마크 모델과 비교하여 RNN 모델을 훈련 및 평가하였다.
• RNN 예측 결과를 바탕으로, 재가열이 필요해지기 전까지 실내 온도를 낮출 수 있는 가장 낮은 안전한 온도를 식별하여 비거주 기간 동안 최적의 설정값을 도출하였다.
• 대학 강의실에서의 실제 건물 환경을 대상으로 RNN 최적화 시스템과 현재 정적 설정값 시스템 간의 에너지 소비를 비교하기 위해 시뮬레이션 프레임워크를 사용하였다.
• 열기준 시간을 최소화하면서도 예정된 점유 시간에 맞춰 열기준이 복구될 수 있도록, 에어컨의 최적 작동 시점을 결정하였다.

실험 결과

연구 질문

• RQ1 RNN 모델은 비거주 기간 동안 실내 온도를 예측하는 데 있어 기존 기계학습 모델보다 뛰어난 성능을 보일 수 있는가?
• RQ2 RNN 기반의 온도 예측 정확도는 HVAC 시스템 운영 최적화에 어떤 영향을 미치는가?
• RQ3 정적 설정값 대비 RNN 예측 기반으로 동적으로 열 설정값을 조정할 경우, 어떤 수준의 에너지 절감을 달성할 수 있는가?
• RQ4 RNN 모델은 실제 건물의 HVAC 운영에서 흔히 나타나는 짧고 모드별로 구분된 시계열 데이터를 효과적으로 처리할 수 있는가?

주요 결과

• RNN 모델은 SVM, RF, MLR, FFNN 등 모든 벤치마크 모델보다 실내 온도 예측에서 뚜렷한 우월성을 보이며, 뛰어난 예측 정확도를 입증하였다.
• 평균적으로 RNN 기반 최적화는 일주일 동안 현재 정적 설정값 시스템 대비 난방 시간을 20.26% 감소시켰다.
• 수요일에는 RNN 모델이 예측한 최적 설정값(13.81°C)이 낮아, 난방 시간이 최대 28.28% 감소하여 모든 날 중 가장 높은 감소율을 기록하였다.
• SVM 벤치마크 대비 RNN 모델은 더 이른 시점에 에어컨을 작동시킬 수 있었으며, 오후 비거주 기간이 없는 월요일, 화요일, 금요일에도 에너지 절감률이 16%를 초과하였다.
• 시뮬레이션 결과는 RNN을 통한 정확한 온도 예측이 비거주 시간 동안 불필요한 HVAC 작동을 최소화함으로써 상당한 에너지 절감을 이끌어낼 수 있음을 확인하였다.
• 본 연구는 RNN이 시간에 따른 의존성과 HVAC 운영에서 흔한 짧고 모드별로 구분된 시계열 데이터를 효과적으로 모델링할 수 있다는 점에서 이 작업에 특히 효과적임을 입증하였다.