Towards Energy Efficiency: Forecasting Indoor Temperature via Multivariate Analysis

기술 요약: 에너지 효율성을 향하여: 다변량 분석을 통한 실내 온도 예측

문제 정의
본 논문은 주거용 건물의 에너지 효율성을 개선하기 위한 과제를 다루며, 특히 연구 대상인 SMLsystem 주택에서 전체 에너지 소비의 상당 부분(53.89%)을 차지하는 난방, 환기 및 공조(HVAC) 시스템을 목표로 한다. 핵심 문제는 선제적인 HVAC 제어를 가능하게 하기 위해 실내 온도를 정확하게 예측해야 한다는 것이다. 저자들은 열 관성(thermal inertia) 때문에 온도를 유지하는 것이 다른 상태에서 냉각하거나 가열하는 것보다 더 에너지 효율적이라는 점에 주목한다. 따라서 미래의 실내 온도를 예측하면 건물 자동화 시스템이 열적 조건을 예측하고, 쾌적함을 유지하면서 에너지 사용을 최소화하도록 HVAC 작동(예: 히트펌프 활성화)을 조정할 수 있다. 본 연구는 Solar Decathlon Europe 2012 경연을 위해 구축된 태양광 기반 프로토타입 주택인 "Small Medium Large System(SMLsystem)"에 초점을 맞춘다.

방법론
본 연구는 인공 신경망(ANN)을 사용하는 다변량 시계열 예측 방식을 채택하였으며, 이를 표준 통계적 방법들과 비교한다.

• 데이터 수집 및 전처리: 데이터는 88개의 센서와 49개의 액추에이터를 갖춘 KNX 기반 모니터링 프레임워크를 통해 SMLsystem 주택으로부터 수집되었다. 1분 간격으로 샘플링된 원시 데이터는 평균값을 계산하여 15분 간격으로 하위 샘플링되었다. 데이터셋은 훈련(2011년 3월, 21일), 검증(2011년 3월, 7일), 테스트(2011년 6월, 7일) 세트로 분할되었다.
• 입력 변수 (공변량): 모델에는 다음 입력 특징들이 사용되었다:
  • 실내 온도 ($d$): 일반화 성능을 높이기 위해 미분된 타겟 변수.
  • 시간대 ($h$): 시간의 주기적 특성을 처리하기 위해 로컬 인코딩된 범주(24개 구성 요소)로 인코딩됨.
  • 일사량 ($W$), 실내 상대 습도 ($H$), 이산화탄소 농도 ($Q$), 강우 상태 ($R$): 평균과 표준편차를 사용하여 정규화됨.
• 예측 모델:
  • 통계적 베이스라인: 지수 평활법(ETS)과 자기회귀 누적 이동평균(ARIMA) 모델이 벤치마크로 사용되었다.
  • 인공 신경망 (ANN): 모멘텀과 L2 규제(가중치 감쇠)를 사용하는 역전파 알고리즘을 사용하여 다층 퍼셉트론을 학습시켰다. 본 연구에서는 단일 단계로 미래의 윈도우 크기 $Z=12$(3시간)를 예측하기 위해 다중 입력 다중 출력(MIMO) 방식을 활용하였다.
  • 앙상블 전략: 견고성을 높이기 위해 서로 다른 입력 윈도우 크기($I(x)$)로 학습된 여러 ANN 모델을 결합하였다. 두 가지 조합 방식이 테스트되었다:
    • COMB-EQ: 균등 선형 결합 (동일 가중치).
    • COMB-EXP: 검증 세트에서의 평균 절대 오차(MAE)의 역수를 기반으로 한 지수 선형 결합 (소프트맥스 가중치).
• 평가: 성능은 검증 및 테스트 분할에 대해 대칭 평균 절대 백분율 오차(SMAPE), 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE)를 사용하여 측정되었다.

주요 결과

• ANN의 우수성: ANN은 99% 이상의 신뢰 수준으로 표준 통계적 방법(ETS 및 ARIMA)을 유의미하게 능가하였다.
• 최적의 공변량: 가장 효과적인 모델 구성은 실내 온도와 시간대, 그리고 일사량을 결합한 형태($d + h + W$)였다. 추가적인 공변량(습도, CO2, 강우)을 추가하더라도 개선 효과는 미미했다.
• 앙상블 성능: COMB-EXP(지수 결합) 전략은 일반적으로 균등(COMB-EQ) 또는 단일 최적(BEST) 모델보다 약간 더 나은 결과를 나타냈으나, 그 차이가 통계적으로 유의미한 경우는 드물었다.
• 예측 정확도: 가장 성능이 좋은 모델(COMB-EXP와 $d + h + W$)은 테스트 분할에서 약 0.45%의 SMAPE와 약 0.11°C의 MAE를 달이트었다.
• 호라이즌 민감도: 예측 호라이즌이 길어질수록 오차율이 증가하고 신뢰 구간이 넓어졌다. 그러나 일사량과 같은 공변량의 포함은 더 긴 호라이즌(90분 이상)에서 더욱 중요해졌다.
• 상호 정보량 (MI): MI 분석 결과, 일사량이 실내 온도와 강한 관계가 있음을 확인하였으며, 특히 낮 시간대에 그러하였다. 흥미롭게도 습도와 공기 질은 높은 MI 값을 보였으나, 이들을 모델에 포함하는 것이 시간 및 일사량 데이터가 제공하는 성능 이상의 유의미한 향상을 가져오지는 않았다.

의의 및 주장
본 논문은 정확한 실내 온도 예측이 에너지 효율적인 HVAC 제어를 위한 실행 가능한 전략이라고 주장한다. 미래의 열 상태를 예측함으로써, SMLsystem은 쾌적함을 유지하면서 에너지 소비를 줄이기 위해 운영을 적응시킬 수 있다. 본 연구는 다변량 ANN이 (시간 및 일사량과 같은 특정 환경 공변량과 결합될 때) 이 과업에 있어 견고한 솔루션을 제공하며, 전통적인 통계적 시계열 방법을 능가한다는 것을 입증한다.

저자들은 본 연구가 쾌적함과 에너지 절감을 균형 있게 조절하기 위해 예측 기능을 앰비언트 인텔리전스(Ambient Intelligence) 기반 홈 오토메이션 시스템에 통합하는 실용적인 프레임을 제공한다고 강조한다. 또한, 본 연구가 남유럽의 단일 가구에서 제한된 기간 동안 수집된 데이터에 기반하고 있다는 점을 겸허히 언급하며, 향후 연구에서 다양한 계절, 지역 및 건물 유형에 걸쳐 이러한 결과를 검증해야 함을 시사한다. 궁극적인 목표는 이러한 예측 능력을 활용하여 단순히 온도 조절을 넘어 에너지 하위 시스템을 최적화하는 예측 제어 시스템을 설계하는 것이다.