기술 요약: BESTOpt – 건물 모델링, 제어 및 최적화를 위한 모듈형 물리 정보 기반 머신러닝 프레임워크

1. 문제 정의

건물 부문은 급격한 탈탄소화라는 시급한 과제에 직면해 있으며, 향후 25년 동안 미국에서 매일 약 10,000채의 건물을 탈탄소화해야 합니다. 이를 달성하기 위해서는 거주자, 건물, HVAC 시스템, 분산 에너지 자원(DER), 그리고 전력망이 포함된 고도로 상호 연결된 생태계를 모델링, 제어 및 최적화할 수 있는 통합적인 프레임워크가 필요합니다.

현재의 도구들은 다음과 같은 세 가지 핵심적인 연구 격차로 인해 이러한 통합적 프레임워크의 실현을 저해하고 있습니다:

• 확장성 대 물리적 일관성: 물리 기반 모델(예: EnergyPlus, Modelica)은 높은 충실도를 제공하지만, 상세한 메타데이터와 수동 보정이 필요하여 복잡성이 높고 대규모 배포에는 부적합합니다. 반대로, 데이터 기반 방식(예: 표준 머신러닝)은 확장성은 뛰어나지만 물리적 일관성이 부족하며, 미지의 조건이나 제한적/노이즈가 있는 데이터 환경에서의 일반화 능력이 떨어집니다.
• 조정 및 상호작용 모델링의 부재: 기존 플랫폼(예: CityLearn, REopt)은 건물을 사전에 정의된 부하 프로파일을 가진 정적인 노드로 취급하는 경우가 많아, 실내 조건, 제어 시스템 및 DER 사이의 실시간 동적 상호작용을 간과합니다. 이들은 교차 도메인 상호작용이나 건물 클러스터 간의 중앙 집중식 조정을 모델링하는 데 한계가 있습니다.
• 투명성 및 비미분 구조의 한계: 대부분의 플랫폼은 불투명하여 사용자가 내부 구성 요소(예: 특정 HVAC 역학)에 접근하는 것을 제한합니다. 이러한 모듈성 및 미분 가능성의 결여는 고급 경사 기반 최적화 기법(예: 모델 예측 제어)의 통합을 방해하며, 모델 프리(model-free) 방식인 강화 학습에서 학습된 정책을 해석하거나 안전한 운영을 보장하는 것을 어렵게 만듭니다.

2. 방법론

저자들은 벤치마킹, 진단, 제어 및 최적화를 포함한 건물 애플리케이션을 통합하도록 설계된 모듈형, 물리 정보 기반 머신러닝(PIML) 런타임 환경인 BESTOpt를 제안합니다.

2.1 계층적 구조

BESTOpt는 다양한 규모와 도메인 간의 조정을 관리하기 위해 4단계의 계층 구조를 채택합니다:

1. 클러스터 레벨 (Cluster Level): 시뮬레이션 범위(예: 캠퍼스 또는 도시)를 나타내는 최상위 레벨로, 여러 도메인 간의 상호작용을 조정하고 공유 자원을 관리합니다.
2. 도메인 레벨 (Domain Level): 에너지 흐름 유형(현재 열, 전기, 물)을 정의합니다.
3. 시스템/건물 레벨 (System/Building Level): 에너지 공급원(시스템) 및 수요처(건물)와 같은 패키지화된 엔티티를 나타냅니다. 단일 시스템은 여러 도메인에 영향을 미칠 수 있습니다(예: 전기를 소비하면서 열 출력을 생성하는 HVAC 시스템).
4. 컴포넌트 레벨 (Component Level): 시스템을 구성하는 데 사용되는 기본 단위(예: 팬, 코일, 펌프, 배터리, PV 패널)입니다.

2.2 표준화된 데이터 유형론

상호 운용성을 보장하기 위해, 프레임워크는 모든 계층 수준에서 데이터 흐름을 네 가지 범주로 표준화합니다:

• 상태 (State): 내부의 시간 가변적 조건(예: 구역 온도, 배터리 SOC).
• 액션 (Action): 컨트롤러가 보내는 제어 변수(예: 설정값).
• 외란 (Disturbance): 직접 제어되지 않는 외생적 입력(예: 날씨, 재실, 가격).
• 관측 (Observation): 센서를 통해 수집되거나 모델로부터 추론되거나 모니터링을 위해 집계된 데이터.

데이터는 방향성을 가집니다: 상위 레벨의 액션은 하위로 분해 및 전달되며, 하위 레vel의 상태와 관측값은 상위로 집계됩니다.

2.3 모듈 설계

프레임워크는 Initialize(), Reset(), Step() 함수를 공유하는 베이스 클래스를 상속받는 세 가지 주요 모듈 유형으로 구성됩니다:

• 외란 모듈 (Disturbance Modules): 시간 가변적 입력(날씨, 재실, 가격)을 생성합니다. 이는 정적 프로파일, 온라인 API 데이터, 또는 CNN-LSTM-베이지안 신경망을 통해 동적으로 예측된 데이터를 포함할 수 있습니다.
• 동적 모듈 (Dynamic Modules): 물리적 시스템을 나타냅니다.
  • 건물 열 역학: PI-ModNN(Physics-Informed Modularized Neural Network)을 사용하여 모델링됩니다. 이 방식은 열 전달를 물리적 제약 조건이 포함된 별도의 신경망 모듈로 분해하여, 물리적 일관성과 일반화 능력을 보장합니다.
  • HVAC 시스템: 팬, 펌프, 코일, 칠러 등 하위 구성 요소의 집합체로, 경험적 공식부터 학습 기반 표현까지 다양한 범위를 다룹니다.
  • DER 시스템: 방정식 기반 공식을 사용하여 해석력과 효율성을 갖춘 PV 패널, 배터리, EV 등을 포함합니다.
• 컨트롤러 모듈 (Controller Modules): 다양한 레벨(클러스터, 도메인, 시스템, 컴포넌트)에서 제어 액션을 생성합니다. 이 아키텍처는 규칙 기반 로직, 모델 예측 제어(MPC), 강화 학습(RL)을 지원합니다.

2.4 미분 가능성 및 모듈성

핵심 혁신은 모듈을 미분 가능한 형태로 구현한 것입니다. 이를 통해 경사 기반 최적화 기법과의 원활한 통합이 가능합니다. 모듈형 설계는 독립적인 업데이트, 공유 및 교체를 허용하여 투명성과 유연성을 보장합니다.

3. 주요 기여

• PIML 기반 모듈 개발: 물리적 원칙(보존 법칙, 대칭성)을 머신러핑과 결합하여, 물리적 일관성을 유지하면서도 미지의 시나리오에 잘 일반화되는 모듈을 생성했습니다.
• 계층적 교차 도메인 아키텍처: 컴포넌트에서 클러스터에 이르는 다중 스케일 및 열, 전기, 물과 같은 다중 도메인 조정을 가능하게 하는 구조화된 프레임워크를 제공하여, HVAC-DER-그리드 공동 최적화와 같은 복잡한 상호작용 모델링을 용이하게 합니다.
• 모듈형, 미분 가능한 설계: 투명한 아키텍처를 통해 플러그 앤 플레이 개발을 지원하고, 명시적이고 미분 가능한 시스템 표현을 제공함으로써 고급 제어 전략(MPC, RL)을 활성화합니다.

4. 결과 및 사례 연구

논문은 BESTOpt의 역량을 입증하는 몇 가지 사례 연구를 제시합니다:

• 컴포넌트 레벨 제어: 단일 구역 건물 내 팬 코일 유닛(FCU) 시뮬레이션에서, BESTOpt는 사전 정의된 곡선에 의존하는 플랫폼과 달리 제어 명령과 실제 시스템 피드백(예: VFD 대 정속 팬) 사이의 불일치를 정확하게 포착했습니다.
• 열 역학 성능: HVAC 시스템이 꺼진 상황(미지의 조건)에서, 표준 LSTM 베이스라인은 이후의 열 드리프트를 예측하지 못해 구역 온도를 크게 과소평가했습니다. 반면, PI-ModNN 모델은 물리적 일관성을 유지하며 온도 상승을 정확하게 예측하여 우수한 일반화 능력을 보여주었습니다.
• DER가 포함된 단독 주택: FCU, PV, 배터리 및 두 대의 EV가 있는 주택 시뮬레이션을 통해, 규칙 기반 전략(예: 시간대별 요금제) 하에서 건물 역학, HVAC 제어 및 DER 조정 간의 미세한 상호작용을 시뮬레이션하는 프레임워크의 능력을 입증했습니다.
• 클러스터 규모 시뮬레이션: 5개 건물이 있는 주거 클러스터에 대한 이틀간의 시뮬레이션에서, 단 3개월의 데이터로 학습된(건물당 5분 미만 소요) PI-ModNN 모델이 다양한 건물 외피 환경에서도 열 쾌적성을 성공적으로 유지할 수 있음을 보여주었습니다. 프레임워크는 개별 부하를 성공적으로 집계하여 클러스터 수준의 소비량과 다양성을 보여주었습니다.

5. 의의 및 주장

저자들은 BESTOpt를 스마트하고 회복 탄력성 있는 탈탄소화 건물 생태계를 향한 학제 간 연구를 가속화하기 위한 기초 플랫폼으로 자리매김합니다. 그 의의는 다음과 같습니다:

• 격차 해소: 데이터 기반 방식의 확장성과 물리 기반 모델의 물리적 일관성 사이의 트레이드오프 문제를 해결합니다.
• 고급 제어 활성화: 미분 가능하고 투명한 컴포넌트를 제공함으로써, 기존의 불투명한 플랫폼에서는 제약이 있었던 고급 최적화 기법(MPC 및 RL)의 잠재력을 끌어올립니다.
• 확장성: 계층적 구조는 단일 컴포넌트 제어부터 건물 클러스터의 중앙 집중식 조정에 이르는 광범위한 응용을 지원합니다.

논문은 다구역(multi-zone) 건물의 학습 시간 증가와 클러스터 레벨 컨트롤러를 위한 고차원 관측 공간의 복잡성과 같은 현재의 한계를 솔직히 언급하며, 이를 향후 최적화의 목표로 식별하였습니다. 저자들은 BESTOpt가 대규모 벤치마킹 및 평가를 위한 개방적이고 확장 가능한 플랫폼으로 진화할 것으로 기대하고 있습니다.