Data-Driven Greenhouse Climate Regulation in Lettuce Cultivation Using BiLSTM and GRU Predictive Control

기술 요약: BiLSTM 및 GRU 예측 제어를 이용한 상추 재배의 데이터 기반 온실 기후 조절

문제 정의
효율적인 온실 관리는 지속 가능한 식량 생산을 위해 매우 중요하지만, 높은 에너지 수요로 인한 기후 조절의 경제적 및 환경적 문제에 직면해 있다. 전통적인 제어 전략은 프로세스 기반의 물리 모델(예: 열역학 및 유체 역학 방정식)에 의존한다. 이러한 모델은 메커니즘에 대한 통찰력을 제공하지만, 지나치게 복잡하고 광범위한 수동 파라미터 튜닝이 필요하며, 실제 온실 운영에 내재된 불확실성과 비선형 동역학을 처리하는 데 어려움을 겪는다. 반대로, 데이터 기반 머신러닝 접근 방식은 적응성을 제공하지만, 기존의 온실 제어 적용 사례들은 실시간 모델 예측 제어(MPC)를 위한 예측 정확도, 강건성 및 계산 가능성에 대한 엄격한 평가가 부족하다. 특히, 작물 수확량, 에너지 효율성 및 제약 조건 준수의 균형을 맞추기 위한 적합성을 결정하기 위해 심층 순환 신경망 구조인 LSTM(Long Short-Term Memory)과 GRU(Gated Recurrent Unit)를 운영 MPC 프레임워크 내에서 체계적으로 비교하는 연구에 공백이 존재한다.

연구 방법론
본 연구는 상추 재배를 위한 MPC 아키텍처에 LSTM 및 GRU 신경망을 통합하는 새로운 데이터 기반 예측 제어 프레임워크를 제안한다.

• 데이터 생성: 외부 교란, 제어 입력 및 내부 기후 반응을 동시에 포착하는 실제 데이터셋의 희소성 때문에, 시뮬레이션을 통해 훈련 데이터를 생성하였다. 검증된 동적 온실 모델(van Henten 모델)을 다양한 환경 조건 하에서 MPC 전략으로 제어하였다. 데이터셋은 네덜란드 스키폴 공항의 20년 치 기상 데이터(2001~2020년)로부터 15분 간격으로 리샘플링된 701,200개의 샘플로 구성된다.
• 모델 아키텍처: LSTM과 GRU 네트워크는 모두 방향당 16개의 은닉 유닛을 가진 2개의 층으로 구성된 양방향 구조로 설계되었다. 입력 벡터에는 11개의 특징(과거 외부 교란: 일사량, 온도, CO2, 습도; 제어 입력: 가열, 환기, CO2 주입; 그리고 과거 시스템 출력)이 포함되었다. 모델은 네 가지 핵심 변수인 상추 건중량(dry matter), 내부 CO2, 내부 온도, 내부 습도의 즉각적인 다음 상태(15분 후)를 예측하도록 훈련되었다.
• 훈련 및 검증: 모델은 15 에포크(epoch) 동안 Adam 옵티마이저를 사용하여 훈련되었다. 성능은 입력 윈도우 크기(6, 12, 18, 24 타임 스텝)와 배치 크기(8, 16, 32)를 변화시키며 10-겹 교차 검증(10-fold cross-validation)을 통해 평가되었다.
• 제어 프레임워크: 훈련된 신경망은 MPC 루프 내에서 물리 모델을 대체한다. 컨트롤러는 재귀적 수평선(receding-horizon) 방식으로 작동하며, 작물 수확량(건중량) 극대화와 에너지 소비(가열 및 CO2 주입) 최소화 사이의 균형을 맞추는 비용 함수를 최적화한다. 이 최적화는 시간 가변적 온도 범위(낮/밤 요구사항 차별화) 및 습도 제한(최대 85%)을 포함한 생물학적 제약 조건을 준수해야 한다.

주요 기여

1. MPC에서의 RNN 체계적 비교: 본 논문은 실시간 온실 기후 제어를 위해 LSTM과 GRU 아키텍처를 구체적으로 평가하여, 예측 정확도, 교란에 대한 강건성 및 계산 가능성을 다루는 엄격한 비교 분석을 제공한다.
2. 데이터 기반 모델의 MPC 통합: 본 연구는 블랙박스 형태의 딥러닝 모델을 온라인 MPC 프레임워크에 성공적으로 삽입하여, 수동 파라미터 재보정 없이 비선형 동역학을 처리할 수 있음을 입증하였다.
3. 트레이드오프 정량화: 본 연구는 제약 조건 준수, 경제적 성능 및 계산 비용 간의 트레이드오프를 정량화하여, 기존의 MPC 베이스라인과 상세한 벤치마크를 제공한다.

결과

• 예측 정확도: LSTM과 GRU 모델 모두 강력한 일반화 능력을 보여주었다. GRU 모델은 대부분의 구성에서 LSTM보다 일관되게 약간 낮은 평균 제곱 오차(MSE)와 평균 제곱근 오차(RMSE)를 달려냈다. 예를 들어, 가장 성능이 좋은 GRU 구성(윈도우 크기 18, 배치 크기 8)은 LSTM의 0.13400에 비해 0.13038의 RMSE를 달성했다.
• 제어 성능:
  • 습도 조절: 데이터 기반 컨트롤러는 습도 제어 측면에서 기존 MPC 베이스라인보다 크게 우수한 성능을 보였다. 습도 위반율은 표준 MPC의 54.77%에서 GRU 적용 시 15.45%, LSTM 적용 시 17.71%로 감소했다.
  • 온도 제어: 주야간 온도 편차는 모든 컨트롤러에서 2°C 미만으로 유지되었다. 표준 MPC는 온도 제약 조건을 엄격하게 집행한 반면, RNN 기반 컨트롤러는 야간 온도 제약 조건을 의도적으로 완화함으로써 생물량 축적에 큰 영향을 주지 않으면서 가열 수요를 줄일 수 있었다.
  • 경제적 성능: GRU24 컨트롤러는 1.71 Hfℓm⁻²의 경제적 생산성 지수(EPI)를 달성하였으며, 이는 MPC 벤치마크인 1.86 Hfℓm⁻²의 91.9%에 도달한 수치로, 더 높은 제약 조건 위반에도 불구하고 달성되었다. 이는 적절한 제약 완화가 에너지 비용을 낮추면서도 최적에 가까운 경제적 성과를 낼 수 있음을 나타낸다.
• 계산 효율성: GRU 아키텍처가 계산 속도 면에서 우월함을 입증했다. GRU 컨트롤러는 LSTM 대비 최대 40% 낮은 계산 시간(예: 24-스텝 수평선에서 254초 vs 360초)을 기록하여, 임베디드 하드웨어에서의 실시간 배포 가능성을 확인시켜 주었다.

의의 및 주장
본 논문은 제안된 GRU 기반 예측 제어 방식이 지능형 온실 기후 자동화를 위한 견고하고 계산 효율적인 솔루션을 제공한다고 주장한다. 본 연구의 의의는 데이터 기반 모델이 복잡한 물리 모델을 MPC 프레임워크 내에서 효과적으로 대체하여 비선형 및 시변 동역학에 대한 우수한 적응성을 제공할 수 있음을 입증한 데 있다. 특히, 본 연구는 GRU 기반 컨트롤러가 불필요한 야간 가열을 줄여 에너지 소비를 절감하고, 질병 예방의 핵심 요소인 습도 조절을 개선하는 동시에, 전통적인 방식과 대등한 작물 수확량을 유지할 수 있음을 강조한다.

저자들은 본 접근 방식이 시뮬레이션에서 실제 현장 배치로 전환하기 위한 실질적인 경로라고 보고 있다. 이들은 현재 시뮬레이션을 통해 검증되었으나, GRU 모델의 계산 효율성은 저전력 산업용 엣지 디바이스에 구현하기에 적합함을 시사한다고 언급했다. 결론적으로, GRU 기반 제어는 높은 예측 정확도와 현대적이고 지속 가능한 온실 관리에 필요한 적응성을 동시에 갖춘, 기존 MPC의 매우 유망한 대안이다. 향-후 연구 과제로 실제 환경의 교란 하에서 이러한 발견을 검증하기 위해 중국 태양광 온실(Solar Greenhouse)에 GRU 컨트롤러를 실제로 배치하는 것을 명시하였다.