With the explosive proliferation of population and urbanization, buildings are one of the largest subjects to consume a variety of energy resources. Particularly, it is accounting for approximately 40% of the final energy in Europe and more than 30% of the greenhouse gas emissions. Therefore, buildings have to be considered as one of the huge single domains for improving energy efficiency and issues that conventional cities should fundamentally solve to be transformed into smart cities. In general, efforts that aim to fulfill requirements to make the buildings cost- and energy-efficient can be largely classified into two categories: (i) passive building systems and (ii) active building systems, respectively. The passive system is to be helpful for reducing energy consumption and maximize the occupant comforts in indoor built environments by acclimating and optimizing the design and construction materials (e.g. orientation, types and ratio of windows in facade, etc.) of buildings to the natural environment without consumption of any other energy resources. In contrast, the active system can be referred as to leveraging all energy systems in the building to preserve high sustainable environments based on optimal and efficient control. The most representative active system is related to heating, ventilation, and air conditioning (HVAC) to regulate the indoor thermal condition and supply the fresh air in the operating phase. Particularly, energy consumed from operating HVAC in terms of heating and cooling systems has been largely consumed by more than approximately 43% and 59% in both residential and commercial sectors of South Korea, respectively. Thus, the active system should be considered as one of the most potential energy-saving factors in the operational phase during the entire life cycle of buildings as well as the advanced management and control systems for these systems should need to be explored and designed additionally.
Diverse control models have been studied for the efficient operation of HVAC in the building. Compared with conventional control systems known as rule-based control (RBC) such as PID control, model predictive control (MPC) has been now in spotlight and been considered as one of the promising alternatives for the establishment of efficient control in the HVAC systems. Moreover, MPC is capable of adapting different system dynamics and disturbances, enhancing the thermal comfort condition and energy performances, simultaneously. In other words, MPC can be more prominent when the control tasks go beyond setpoint management including occupant-centric control or peak demand applications by predicting and reflecting the variations of future states in a variety of control parameters (temperature, relative humidity, etc.).
To date, MPC based on data-driven approach has attracted the great attentions from many researchers over the years due to its flexibility and easy-to-use. In other words, data-driven approaches have accelerated comprehensive development of state-of-the-art predictive models by learning non-linear relationships latent in collected training samples without the need to deeper understand detailed physical expertise. Moreover, those approaches in the fields for optimal control of HVAC systems have demonstrated the superior capabilities than other conventional control models. However, the performance of data-driven MPCs would vary significantly depending on the accuracy of the prediction model. Thus, the development of a more efficient and accurate predictive model plays a crucial role in deriving the operational strategy of HVAC systems to ensure high energy performances and an acceptable indoor environment. The emerging issue in data-driven MPCs has gone beyond the application of individual buildings to multiple buildings where all characteristics are fully different. But, previous research in HVAC control of buildings based on data-driven MPC has been focused on and applied to individual buildings due to a lack of collected data and generalization performances of predictive models. Namely, even when prediction model is applied to individual or multiple buildings, reducing the modeling effort (not time-consuming) and enhancing the model reliability or fidelity are still essential problems to be tacked in the control of HVAC system based on data-driven MPCs. In addition, there has been a lack of practical implementation frameworks providing holistic prediction tasks (three in this dissertation) for obtaining control parameters of the HVAC systems in building grid scenarios.
To sum up, the current data-driven MPCs for optimal control of the building HVAC in an operational phase have three representative issues: (i) limitations for dealing with multiple building scenarios, only applying to a single building, (ii) lack of generalization performances in the prediction model guaranteeing more accurate results even if insufficient datasets exist in the buildings, and (iii) lack of practical implementation framework for predicting control parameters used for MPCs applicable to multiple buildings.
For addressing these challenges, we aim to develop the knowledge sharing AI-based prediction framework for providing accurate results when applied to other different buildings through more generalized performances despite the lack of an insufficient dataset and the different characteristics of buildings and each individual. The proposed prediction framework deals with three types of prediction tasks widely used for the establishment of optimal control strategies of HVAC systems in buildings: short-term energy consumption, individual occupant thermal comfort, and natural ventilation rate. Those factors should be necessarily considered in order to develop the MPC model for providing reasonable energy efficiency and an acceptable indoor environment for occupants simultaneously. Moreover, develop framework leverages the transfer learning (TL) in which knowledge learned from pre-trained model with usage of datasets in particular building by using deep learning (DL) algorithms is reused for application of target buildings in order to satisfy multiple building scenarios as well as each model used for TL is integrated with different types of ensemble strategies to improve generalization performances when performing model transfer from the source domain to the target domain. Lastly, pre-trained models developed by DLs are interpreted by shapley additive explanation (SHAP), which is one of the explainable artificial intelligence (XAI) methods widely utilized for the investigation of input variables affecting the prediction results.
The proposed framework is composed of two main steps: (i) development of the pre-trained model as a feature extractor by using state-of-the-art deep learning models and interpretation of the model, and (ii) application of various ensemble strategies according to characteristics of different tasks when transferring the features previously learned from the pre-trained model.
Through the results of the proposed prediction framework, the optimal operational strategies for energy systems of multiple buildings can be established and the cost generated from data acquisition and construction of prediction model for each individual building would be drastically reduced (not time-consuming and reliable prediction results, simultaneously). In addition, adequate interpretation of prediction models enables the decision-makers and operators of building energy systems to obtain comprehensive deeper insights of which features are affected to the prediction results and can provide latent clues for updating the prediction models.
폭발적인 인구 증가와 도시화로 인해, 건물은 다양한 에너지 자원을 소비하는 가장 큰 주체 중 하나이며, 특히 유럽의 경우 최종 에너지의 약 40%, 온실가스 배출량의 30% 이상을 차지하고 있다. 따라서, 건물은 에너지 효율을 향상시키기 위한 거대한 단일 영역 중 하나로 기존의 도시가 스마트 시티로 나아가기 위해 근본적으로 해결해야하는 주체이다. 일반적으로, 건물의 비용 및 에너지 효율화를 위한 충족하기 위한 노력으로 각각 (i) 패시브 시스템(Passive system)과 (ii) 액티브 시스템(Active system) 두가지 범주로 분류될 수 있습니다. 패시브 시스템은 건물의 설계 및 건축 특성(예: 창문의 유형 및 비율, 건물의 방향 및 재료 등)을 에너지 소비 없이 자연 환경에 적응가능 최적화함으로써 실내 건축 환경에서 에너지 소비를 줄이고 동시에 재실자의 쾌적성을 극대화하는 시스템을 일컬으며, 이에 반해 액티브 시스템은 건물의 모든 에너지 시스템의 최적 제어를 통해 높은 지속 가능한 환경을 재실자에게 제공하는 시스템을 일컫는다. 가장 대표적인 액티브 시스템은 건물 공조 시스템 (Heating, Ventilation, and Air Conditioning: HVAC)의 효율적인 운영 방안 수립과 연관되어 실내 공간의 열 상태를 조절하고 신선한 공기를 공급하는 건물 운영 단계의 쾌적한 실내 환경을 조성하는데 그 목적을 둔다. 특히, 이러한 HVAC 시스템은 운영하기 위해 소비되는 에너지량은 국내 주거 및 상업 시설 부문에서 각각 약 43%, 59% 이상 소비되고 있는 실정이며, 이에 따라 액티브 시스템은 건물의 생애 주기 중 운영 단계에서 가장 잠재적인 에너지 절약 요소이며 HVAC 시스템을 위한 고급 관리 및 제어 시스템은 지속적으로 탐색 및 설계되어야 한다.
건물 HVAC 시스템의 효율적인 운영을 위해 다양한 제어 모델들이 연구되어져 왔고 PID 제어와 같은 규칙 기반 제어(Rule-based control: RBC)로 알려진 기존 제어 시스템과 비교하여, 현재는 데이터 주도적 방법 기반 모델 예측 제어(Model predictive control: MPC)가 각광받고 있다. 기존 규칙 제어 시스템과 비교하여 모델 예측 제어는 다양한 제어 매개변수 (온도, 상대 습도 등)의 미래 상태 변화를 예측하고 반영하여 건물 내부의 열 상태를 관리하기 위해 건물 에너지 시스템들을 선제적으로 제어할 수 있도록 하며 다양한 제약 조건 내에서 최적의 상태를 추론하여 에너지 시스템의 최적 제어 방안을 확립할 수 있게 도와준다. 특히, 최근 데이터 중심 접근법에 기반한 모델 예측 제어는 상세한 물리적 전문지식을 이해할 필요 없이 수집된 데이터 샘플 속 내재된 비선형적 관계를 학습함으로써 예측 제어 모델의 효율적인 개발을 가속화하였다. 또한, 이 접근 방식은 기존의 물리적 역학 기반 방법보다 실제 환경에서 발생하는 다양한 비선형 문제를 해결하는 우수한 능력을 입증하였다.
그러나 데이터 기반 모델 예측 제어의 성능은 예측 모델의 정확도에 따라 크게 달라질 수 있다. 따라서, 더욱 효율적인 예측 모델의 개발은 높은 에너지 성능과 쾌적한 실내환경을 동시에 보장하기 위한 HVAC 시스템의 운영 전략을 도출하는데 중요한 역할을 한다. 또한, 데이터 기반 모델 예측 제어에서의 대두되는 이슈는 개별 건물에 대한 적용을 넘어서 다양한 유형의 건물들이 존재하는 건물 군 단위에서의 HVAC 최적 제어 중요성이 나날이 증대되고 있다. 하지만, 다양한 유형의 건물들로부터 발생하는 데이터 수집 제한으로 인한 데이터 부족 문제와 이를 기반한 예측 모델의 일반화 성능의 부족으로 인해 현재 건물 HVAC 제어를 위한 데이터 기반 모델 예측 제어와 관련된 연구는 개별 건물에 집중되어 적용되어 왔다. 즉, 예측 모델이 개별 건물 또는 여러 건물에 적용되는 경우에도 낮은 시간 비용으로 모델을 구축하고 동시에 모델의 신뢰성 또는 유효성을 향상시키는 것은 데이터 기반 모델 예측 제어를 활용한 건물 에너지 시스템 최적 제어에서 여전히 해결해야 할 필수적인 문제이다. 추가적으로, 현재의 HVAC 최적 제어 관련 시스템으로는 운영 데이터의 모니터링을 통해 제어 전략 수립을 위한 건물 관리 시스템이 존재하지만 다양한 유형의 건물이 존재하는 건물 군 단위 관리에 대응 가능한 실증적인 프레임워크 구현은 미흡한 실정이다.
요약하자면, 운영 단계에서 건물 HVAC의 최적 제어를 위한 현재의 데이터 기반 모델 예측 제어는 세가지 대표적인 문제를 가지고 있다. 첫째, 여러 건물 유형에 대응 가능한 예측 모델의 부재이며 둘째, 예측 모델의 일반화 성능의 부재, 마지막으로 다양한 유형들의 건물에 적합한 맞춤형 제어 전략 수립을 위해 매개 변수를 예측하는 실질적인 구현 프레임워크 부재로 나누어 진다.
이러한 문제점을 해결하기 위해, 본 연구에서는 불충분한 데이터와 건물 및 각 개인의 다른 특성이 존재함에도 불구하고 보다 일반화된 예측 성능을 제공함으로써 다양한 유형의 건물들에 적용 가능한 지식 공유 AI 기반 예측 프레임워크를 개발하는 것에 목적을 둔다. 제안된 예측 프레임워크는 건물 내 HVAC 시스템의 최적 제어 전략 수립에 널리 사용되는 단기 에너지 소비, 재실자의 개인 열 쾌적성, 자연환기량 등 세가지 유형의 목표 변수를 예측할 수 있도록 설계되었다. 기존 연구들의 결과를 통해, 합리적인 에너지 효율과 거주자에게 쾌적한 실내 환경을 동시에 제공하기 위한 모델 예측 제어 개발을 위해 제어 매개변수로 위의 3가지 목표 변수를 설정하였다. 또한, 예측 프레임워크는 딥러닝(Deep Learning) 알고리즘 기반으로 특정 건물의 데이터를 토대로 학습한 사전 훈련된 모델의 지식을 다른 대상 건물에 재사용하여 다양한 유형의 건물 시나리오를 충족하는 전이 학습(Transfer Learning)을 활용합니다. 또한, 전이 학습에 사용되는 각 모델은 소스 도메인에서 대상 도메인으로 모델이 전이될 경우 많은 양의 데이터로 학습한 사전 훈련된 모델이 일반적으로 사용되지만 본 연구에서는 다양한 유형의 앙상블 전략과 전이학습을 결합하여 충분히 많지 않은 데이터로 학습된 사전 훈련된 모델이 전이되더라도 대상 도메인에 신뢰할 수 있는 결과를 도출할 수 있도록 예측 모델의 일반화 성능을 향상시키도록 하였다. 마지막으로, 딥러닝에 의해 개발된 사전 훈련된 모델의 해석을 위해 설명 가능한 AI(Explainable AI) 방법 중 하나인 SHAP(Shapley Additive Description) 방법을 활용하여 모델의 예측 결과에 가장 영향을 미치는 입력 변수들을 해석하였다.
제안된 예측 프레임워크는 크게 두가지 주요 단계로 구성된다. 첫째, 최첨단 딥러닝 모델들을 활용하여 사전 훈련된 모델을 특징 추출기로 개발(즉, 소스 도메인의 데이터로부터 모델 전이를 위한 특징 추출) 및 구축된 사전 훈련된 모델의 예측 결과에 영향을 미치는 입력 변수들을 SHAP 값을 기반으로 해석하여 입력 변수에 따른 모델 결과에 대한 인과 관계를 분석하고 둘째 타겟 도메인의 예측 목적에 따라 다양한 유형의 앙상블 전략들과 결합하여 소스 도메인의 예측 모델을 타겟 도메인에 모델 전이시 안정적이며 정확한 결과를 제공한다.
제안된 예측 프레임워크의 결과를 통해 다양한 유형의 건물의 에너지 시스템에 대한 각각의 최적의 운영 전략을 수립할 수 있으며 데이터 수집 및 각 개별 건물에 대한 예측 모델 구축에서 발생하는 시간 및 비용을 대폭 줄일 수 있으며, 또한 예측 모델에 대한 인과관계 해석을 통해 에너지 시스템 최적 운영 방안 수립에 대해 의사결정자 또는 운영자는 예측 결과에 영향을 미치는 변수들에 대한 포괄적이고 심층적인 통찰력을 얻을 수 있고 이를 통한 예측 모델의 성능 향상을 위한 잠재적인 단서를 제공할 수 있을 것으로 기대된다.
