AI가 친환경 냉방을 실현하고, 홍콩 링난대학교가 건물 냉방 부하 예측을 위한 DEMMFL 모델을 개발했습니다.

최근 몇 년 동안, 가속화된 도시화 과정으로 인해 탄소 배출량이 급격히 증가하여 지구 환경에 심각한 위협이 되고 있습니다. 많은 국가가 "탄소 정점과 탄소 중립"에 대한 명확한 시점을 제시했으며, 전 세계와 모든 산업을 포괄하는 "녹색 혁명"이 시작되었습니다. 모든 산업 중에서 건물은 의심할 여지 없이 가장 많은 에너지를 소비하며, 난방, 환기, 공조(HVAC) 시스템이 가장 큰 타격을 입습니다. 관련 데이터에 따르면 난방, 환기 및 공조(HVAC)가 전 세계 건물 에너지 소비의 38%를 차지하는 것으로 나타났습니다.

건물의 높은 에너지 소비에 대응하여 업계에서는 장비 운영 효율성을 최적화하고 지능형 제어를 사용하여 에너지 소비를 실시간으로 조절하는 경우가 많습니다. 그 중 냉각기 운전 제어 측면에서 저온 부하 예측은 냉각기 순서 제어를 최적화하는 중요한 방법입니다. 저온 부하의 일시적인 변화를 무시하고 HVAC 장비와 냉각기의 불필요한 전환을 방지하여 시작-정지로 인한 소비를 줄일 수 있습니다.

또한, 지역마다 기후 조건이 다르므로 HVAC 소비량도 다릅니다. 예를 들어, 홍콩은 열대 기후이며 HVAC 에너지 소비가 차지하는 비중이 더 높습니다. 홍콩특별행정구 전기기계부가 주최하는 "전기기계설비 글로벌 인공지능 챌린지"에서링난대학교와 홍콩시립대학교의 연구진은 장기적으로 건물 냉방 부하를 정확하게 예측하고, 이를 통해 에너지 절약 목표를 달성하기 위한 새로운 동적 엔지니어링 다중 모드 기능 학습(DEMMFL) 모델을 제안했습니다..

신문을 받으세요:

https://www.sciencedirect.com/science/article/pii/S0306261923015477

전체 논문 PDF를 받으려면 "냉각 부하"에 답장하세요.

데이터 세트: 두 사무실 건물의 냉방 부하 데이터

이 연구에서 연구진은 홍콩에 있는 두 사무실 건물(사우스 타워와 노스 타워, ST&NT)의 건물 에너지 소비에 초점을 맞추고 2020년 4월 1일부터 2021년 9월 30일까지의 기간을 포괄하는 상세한 데이터 세트를 구축했습니다. 이 데이터 세트는 15분 샘플링 간격으로 데이터를 수집하여 건물 에너지 소비의 역학을 자세히 파악합니다.

모델 아키텍처: DEMMFL 모델

아래 그림과 같이 건물의 냉방 부하를 예측하기 위해 수집된 데이터 특징을 DEMMFL 모델과 딥러닝 모델에 입력하여 ST와 NT의 공통 냉방 부하 데이터를 출력합니다.

이 연구에서 연구팀은 건물의 냉방 부하를 예측하기 위해 DEMMFL(Dynamic Engineered Multimodal Feature Learning)이라는 예측 모델을 개발했습니다. 모델 구조는 자기회귀 출력 항이 없는 과거 입력 데이터에 대한 합성곱을 사용하여 구축됩니다.

장기적인 예측 정확도를 달성하기 위해 DEMMFL 모델은 정규화된 통계적 학습 방법을 채택하여 예측을 위한 분산과 편향 간의 최적의 균형을 달성합니다. 이 연구에서는 라소, 릿지, 그리고 최근 개발된 라소-릿지 회귀가 사용되었으며, 교차 검증(CV)을 사용하여 학습 하이퍼 매개변수를 최적화했습니다. 연구팀은 이 접근 방식을 사용해 냉각 부하를 포함한 모든 기능과 데이터를 효과적으로 확장하고 처리하여 모델의 정확도와 효율성을 개선할 수 있었습니다.

또한 이 연구에서는 AutoGluon을 통해 구현된 XGBoost와 LightBoost, LSTM과 GRU를 포함한 여러 딥러닝 모델을 탐구했습니다. 이러한 모든 모델은 손실 함수로 평균 제곱 오차를 사용하여 학습되었으며, 학습 방법은 ADAM입니다.

전반적으로 가장 좋은 성능: 라소-릿지 회귀

연구자들은 훈련 세트와 테스트 세트에서 DEMMFL 모델의 통계적 학습 성능을 비교했습니다. 결과에 따르면 라쏘 리지가 비운영 기간을 제외한 모든 모드에서 다른 세 가지 기법보다 성능이 우수했으며, 테스트 세트에 대한 전체 성능은 2위를 차지한 기법보다 4.2% 더 높았습니다.

이 결과는 라쏘-릿지 방법을 사용할 경우 DEMMFL 모델이 건물 냉방 부하의 장기 예측에 좋은 성능을 보이며, 정확도가 크게 향상되었을 뿐만 아니라 변수 선택에 있어서도 효율성이 더 높아져 건물 에너지 소비 관리를 위한 효과적인 도구를 제공한다는 것을 보여줍니다.

민감도 예측: 냉각 부하 및 OAT

연구진은 NT와 ST의 주중 운영 기간 패턴을 분석할 때 OAT(외부 기온) 특성이 냉방 부하 예측에 중요한 역할을 한다는 것을 발견했습니다.

연구팀은 모델을 구축한 후 각 모델에서 OAT에 대한 냉각 부하의 민감도를 평가했습니다. 나머지 변수는 일정하게 유지한 채 OAT를 섭씨 1도 높이고 이에 따라 다른 OAT 관련 변수를 계산했습니다.

실험 결과에 따르면 건물마다 OAT에 대한 냉각 부하의 민감도에 상당한 차이가 있는 것으로 나타났습니다.남쪽 타워의 냉방 부하는 크기가 더 크기 때문에 OAT 변화에 더 민감합니다. 또한, 두 타워 사이의 감도 차이는 운영 기간 모드를 제외한 모든 모드에서 증가하는데, 이는 건물의 특성과 운영 모드의 차이와 관련이 있을 수 있습니다.

DEMMFL 모델: 높은 정확도, 낮은 오류

연구진은 LSTM, GRU, AutoGluon과 같은 딥러닝 모델을 사용하여 동일한 학습 데이터 세트를 최적화하고, 2021년 9월에 동일한 테스트 세트에서 DEMMFL 모델과 비교했습니다. 지식 기반 엔지니어링 기능을 사용했기 때문에 DEMMFL 모델은 명확한 이점을 보여주며 최고의 RMSE를 달성한 반면, AutoGluon 모델은 두 번째로 좋은 결과를 달성했습니다.

실제 냉방 부하 데이터와 4개 모델이 예측한 냉방 부하 데이터를 비교한 결과는 아래 그림과 같습니다.

LSTM과 GRU는 그 달의 첫 3일간 예측 결과가 상당히 나빴고, 9월 22일(중추절 연휴)에는 딥러닝 모델의 예측 오류가 컸지만, DEMMFL 모델은 매우 정확하게 예측했습니다.

요약하자면, DEMMFL 모델은 건물 냉방 부하를 예측하는 데 있어 예측 정확도가 더 높고 오류가 더 작습니다.

에너지 관리부터 시작: AI와 도시 건설의 미래

DEMMFL 모델을 사용하면 상업용 건물, 주거 지역, 공공 시설에 대한 정확한 에너지 소비 예측 및 최적화가 가능합니다. 이 기술의 확장은 도시 건물의 전반적인 에너지 소비를 더 잘 이해하고 관리하는 데 도움이 되며, 이를 통해 더 효율적이고 지속 가능한 도시 개발을 촉진할 것입니다.

지구 환경과 관련하여 탄소 배출량과 에너지 소비를 줄이려면 모든 가정, 모든 사업체, 모든 산업체의 공동 노력이 필요합니다. 최근 몇 년 동안 에너지 소비 최적화에 대한 수요가 급증하면서 성숙한 솔루션도 많이 생겨났으며, 이러한 솔루션은 구현 과정에서 지속적으로 반복되고 있습니다. IBM, Google DeepMind, Schneider Electric은 물론 SenseTime, Midea Building Technology와 같은 국내 기업도 모두 인공지능을 활용하여 에너지 관리를 지원합니다.

예를 들어, Google DeepMind는 미국 중부의 700메가와트 풍력 발전소에 머신 러닝 알고리즘을 적용했습니다. 신경망을 기반으로 널리 이용 가능한 날씨 예보와 과거 터빈 데이터를 사용하여 실제 발전 36시간 전에 풍력 출력을 예측하도록 훈련되었습니다. 이를 통해 직원들에게 매 시간 얼마나 많은 전기를 공급해야 하는지에 대한 조언을 하루 전에 제공하고 더욱 정확한 에너지 공급 계획을 세울 수 있었습니다.

SenseTime은 대규모 장치 SenseCore와 SenseNova 대규모 모델 시스템의 강력한 아키텍처를 기반으로, 전력 시스템의 다중 도메인 지능형 업그레이드를 가능하게 하는 고품질 AI 알고리즘과 컴퓨팅 파워를 지속적으로 제공하고 있습니다.

메이디 빌딩 테크놀로지는 AI 기술과 HVAC 분야 전문가의 경험을 결합하여 HVAC 시스템 운영을 최적화하는 알고리즘 엔진인 Smart Control을 개발했습니다. 난방 및 냉방 요구 사항을 정확하게 충족할 수 있습니다. iBUILDING 클라우드 플랫폼과 결합하면 15%-30%의 에너지 절감 및 탄소 감축과 30% 이상의 쾌적성 향상을 달성할 수 있습니다.

미래에는 AI 기술이 도시 계획 및 관리와 긴밀하게 통합되어 고도로 통합되고 지능적이며 상호 연결된 생태계가 조성될 것입니다. 이러한 생태계에서 AI는 기술 사용자 역할뿐만 아니라 도시 개발의 리더 역할도 수행하게 될 것입니다.

AI 기술이 계속 발전함에 따라 우리는 더욱 효율적이고 지속 가능하며 포용적인 도시 미래를 기대합니다.

참고문헌:

https://www.sciencedirect.com/science/article/pii/S0306261923015477?via%3Dihub
https://www.marketsandmarkets.com/industry-news/AI-Powered-Energy-Sector-in-2023-Products-Companies-and-Innovations

https://tech.chinadaily.com.cn/a/202308/04/WS64ccbca7a3109d7585e47fbf.html