⚡ electrical engineering

VPD-Centric Cascading Control with Neural Network Optimization for Energy-Efficient Climate Management in Controlled Environment Agriculture

이 논문은 종래의 독립적 PID 제어 방식의 에너지 비효율성을 해결하기 위해, 증기압 결손 (VPD) 을 주 제어 변수로 삼고 신경망 최적화기를 활용한 계단식 제어 아키텍처를 제안하여 상업적 시설에서 HVAC 에너지 소비를 30~38% 절감하고 VPD 안정성을 크게 향상시켰음을 보여줍니다.

원저자: Andrii Vakhnovskyi

게시일 2026-04-16

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Andrii Vakhnovskyi

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

1. 문제점: 서로 싸우는 두 명의 집사 (기존 방식)

기존의 스마트팜이나 온실은 온도와 습도를 따로따로 관리하는 두 명의 '집사 (PID 제어기)'가 있었습니다.

온도 집사: "너무 덥다! 에어컨을 켜야지!"라고 하면 에어컨을 켭니다.
습도 집사: "너무 습하다! 제습기를 켜야지!"라고 하면 제습기를 켭니다.

여기서 문제가 발생합니다.
여름날 에어컨을 켜면 공기가 차가워지면서 습도가 갑자기 높아집니다. 그러면 습도 집사가 "아, 습해! 제습기 켜!"라고 외치며 제습기를 가동합니다. 그런데 제습기는 작동할 때 열을 내뿜습니다.
결국 온도 집사는 "아, 또 뜨거워졌네! 에어컨 더 세게!"라고 하고, 두 집사는 서로의 행동을 무효화시키며 에너지를 낭비하고 농장 안의 환경을 불안정하게 만듭니다. 이를 논문에서는 "서로 싸우는 갈등"이라고 표현했습니다.

2. 해결책: VPD(식물의 갈증 지수) 를 중심으로 한 '스마트 지휘관'

이 논문은 이 두 집사를 해고하고, 대신 **식물이 가장 중요하게 생각하는 'VPD(증기압 결손도)'**를 기준으로 삼는 새로운 시스템을 제안합니다.

VPD 란? 식물이 얼마나 '갈증'을 느끼는지 나타내는 지표입니다. 온도와 습도가 합쳐진 하나의 숫자예요. 식물은 "너무 건조해서 갈증이 나거나, 너무 습해서 숨이 막히지 않게" 해달라고 합니다.

이 새로운 시스템은 다음과 같이 작동합니다:

외부 지휘관 (VPD 제어기): "식물이 갈증을 느끼지 않게 VPD 를 1.2 로 유지해!"라고 명령합니다.
지능형 비서 (신경망 AI): "알겠습니다! VPD 를 1.2 로 맞추려면, 온도를 25 도에 습도를 60% 로 할 수도 있고, 온도를 27 도에 습도를 65% 로 할 수도 있네요. 오늘 날씨가 더울 때는 27 도/65% 조합이 전기세도 더 싸게 나옵니다."라고 계산해서 최적의 조합을 찾아냅니다.
내부 집사들 (PID 제어기): 비서가 정해준 "27 도, 65%"라는 구체적인 목표를 달성하기 위해 에어컨과 제습기를 정교하게 조절합니다.

3. 핵심 기술: 어떻게 에너지를 아낄까?

이 시스템의 가장 큰 장점은 **'자유도'**를 활용한다는 점입니다.

비유: "식물이 갈증 없이 살 수 있는 조건"은 여러 가지가 있습니다. (예: 시원하고 건조한 상태 vs 따뜻하고 습한 상태).
기존 방식: 무조건 온도와 습도를 고정된 숫자로 맞추려다 보니, 날씨가 변할 때마다 비효율적인 방식으로 에너지를 썼습니다.
이 방식: AI 비서가 "오늘은 바깥이 덥니까? 그럼 온도를 조금 더 높이고 습도를 높여서, 제습기 가동을 줄이고 자연 바람을 이용하자!"라고 가장 전기세 싸게 나가는 길을 실시간으로 찾아냅니다.

4. 실제 성과: 7 년 동안 30 개 이상의 농장에서 검증됨

이 논문은 단순히 이론만 말하는 게 아니라, 미국 전역의 다양한 기후 (사막, 추운 지방, 습한 지방 등) 에서 7 년 이상, 30 개 이상의 실제 농장에 적용해 보았습니다.

전기세 30~38% 절감: 서로 싸우던 집사들이 사라지고, AI 가 최적의 길을 찾아주니 에너지 낭비가 크게 줄었습니다.
환경 안정성 70% 향상: 농장 안의 온도와 습도 변화가 매우 작아져서 작물이 스트레스를 덜 받습니다.
빠른 회복: 문을 열거나 날씨가 갑자기 변해도, AI 가 즉시 대응해서 환경을 다시 원래대로 되돌립니다.

5. 요약: 왜 이 방식이 특별한가?

이 기술은 **"식물이 원하는 것 (VPD)"**을 최우선으로 생각하면서, **"농장주머니 (전기세)"**도 아껴주는 지능형 지휘관을 농장에 도입한 것입니다.

기존의 단순한 자동화 (온도만 켜고 습도만 켜는 것) 를 넘어, 인공지능이 실시간으로 "어떻게 하면 가장 저렴하게 식물을 행복하게 만들까?"를 계산해서 에어컨과 난방기를 조종하는 것입니다. 이는 마치 집사 두 명이 서로 싸우는 대신, 한 명의 똑똑한 집사가 날씨를 보고 가장 효율적인 방법을 찾아내어 집안일을 처리하는 것과 같습니다.

이 연구는 농업 분야에서 인공지능이 실제 현장에서 얼마나 큰 효과를 낼 수 있는지 보여주는 중요한 사례입니다.

1. 문제 정의 (Problem Statement)

제어 환경 농업 (CEA) (온실, 수직 농장 등) 에서 기후 제어는 운영 비용의 30~80% 를 차지합니다. 기존 산업 표준인 독립된 PID 제어 루프 (온도와 습도를 각각 독립적으로 제어) 는 다음과 같은 근본적인 문제를 야기합니다.

교차 결합 (Cross-coupling) 충돌: 온도를 낮추면 습도가 상승하고, 습도를 낮추기 위해 제습을 하면 열이 발생합니다. 이로 인해 난방/냉방과 제습/가습 장치가 서로 상반된 명령을 내리며 상충됩니다.
에너지 낭비: 이러한 충돌로 인해 HVAC 시스템이 불필요하게 작동하여 20~40% 의 에너지가 낭비됩니다.
불안정성: 시스템 진동 (Oscillation) 과 설정값 추종 성능 저하가 발생합니다.

기존 연구들은 VPD(포화 수증기압 결손) 를 단순히 모니터링 지표로만 사용하거나, 시뮬레이션에만 의존하는 모델 예측 제어 (MPC) 를 제안했으나, 실제 상용 시설에서 VPD 를 주 제어 변수로 활용하면서 신경망을 통해 에너지 최적화를 수행한 사례는 부재했습니다.

2. 방법론 (Methodology)

저자들은 VPD 를 중심 (Outer-loop) 으로 하는 계단식 제어 (Cascading Control) 아키텍처와 신경망 (Neural Network) 기반 최적화를 결합한 새로운 방식을 제안했습니다.

A. VPD 중심 계단식 제어 아키텍처

외부 루프 (VPD 제어기):
- 목표 VPD( $VPD^*$ ) 와 실제 VPD 의 오차를 계산합니다.
- 신경망 최적화기 (NN Optimizer) 를 호출하여, 현재 VPD 제약 조건 (Iso-VPD 곡선) 상에서 에너지 소비가 최소가 되는 온도 ( $T_{sp}$ ) 와 습도 ( $RH_{sp}$ ) 설정값 쌍을 선택합니다.
- 이는 2 차원 최적화 문제를 1 차원 (온도 $T_{sp}$ 에 대한 탐색) 문제로 축소합니다.
내부 루프 (PID 제어기):
- 외부 루프에서 결정된 $T_{sp}$ 와 $RH_{sp}$ 를 추종하기 위해 두 개의 PID 제어기가 작동합니다 (난방/냉방 및 제습/가습 작동기 제어).
- 내부 루프는 외부 루프보다 3~10 배 빠른 응답 속도를 가져 계단식 제어의 안정성을 보장합니다.

B. 신경망 기반 PID 자동 조정 (Online PID Auto-Tuning)

구조: 7-3-3 다층 퍼셉트론 (MLP) 을 사용합니다.
- 입력 (7 개): 온도, 습도, 잎 온도, $CO_2$ , 광합성 유효 광자속 (PPFD), VPD 오차, VPD 오차 적분값.
- 출력: PID 게인 ( $K_p, K_i, K_d$ ).
학습: VPD 추종 오차를 통해 역전파 (Backpropagation) 방식으로 온라인 학습을 수행하며, 그라디언트 클리핑과 출력 포화 기법을 통해 게인의 무한대 발산을 방지합니다.

C. 안정성 분석 (Lyapunov Stability)

리야푸노프 (Lyapunov) 안정성 분석을 통해 신경망 가중치 업데이트가 제한된 조건에서 폐루프 VPD 추종 오차가 균일 최종 유계 (Uniformly Ultimately Bounded, UUB) 임을 수학적으로 증명했습니다. 이는 외부 교란이 존재하더라도 시스템이 안정적으로 수렴함을 보장합니다.

3. 주요 기여 (Key Contributions)

VPD 의 역할 변화: VPD 를 단순 모니터링 지표를 넘어 주요 계단식 제어 변수로 격상시켰습니다.
에너지 최적화 알고리즘: VPD 제약 곡선 (Iso-VPD curve) 상에서 신경망이 에너지 효율이 가장 좋은 온도 - 습도 조합을 실시간으로 선택하는 방식을 정립했습니다.
이론적 안정성 보장: 온라인 PID 게인 적응을 위한 신경망 제어기에 대해 리야푸노프 기반의 안정성 보장을 제공했습니다.
대규모 실증 데이터: 기존 AI-HVAC 실증 실험들의 총 합계보다 약 60 배 더 긴 기간 (7 년 이상) 에 걸쳐 30 개 이상의 상업 시설에서 검증된 데이터를 제시했습니다.

4. 실험 결과 (Results)

미국 내 8 개 기후대 (사막, 대륙성, 아열대 등) 에 위치한 30 개 이상의 상업 시설 (500 개 이상의 기후 구역, 100 만 평방피트 이상) 에서 2017~2024 년간 수집된 데이터를 분석한 결과입니다.

에너지 절감: 독립 PID 제어 대비 HVAC 에너지 소비 30~38% 감소.
- 특히 교차 결합 충돌 제거와 Iso-VPD 곡선을 활용한 에너지 자유도 확보가 주요 원인입니다.
VPD 안정성 향상: VPD 표준 편차 ( $\sigma_{VPD}$ ) 가 0.15~~0.25 kPa 에서 0.04~~0.08 kPa 로 68~73% 개선되었습니다. 이는 환경 제어의 정밀도가 크게 향상되었음을 의미합니다.
교란 회복 속도: 문 개방 등 외부 교란 발생 후 설정값으로 복귀하는 시간이 60~67% 단축되었습니다.
추종 성능: 적분 절대 오차 (IAE) 가 독립 PID 대비 71% 개선되었습니다.

사례 연구:

사막 기후 (애리조나): 겨울철 난방과 제습 간의 '사냥 (Hunting)' 현상을 제거하여 겨울철 HVAC 에너지를 41% 절감했습니다.
대륙성 기후 (일리노이): 계절별 전략 학습 (여름에는 외부 냉각 활용, 겨울에는 난방 부하 감소) 을 통해 연간 에너지를 36% 절감했습니다.

5. 의의 및 결론 (Significance & Conclusion)

이 연구는 실제 농업 환경에서 신경망 기반 제어가 대규모로 성공적으로 적용될 수 있음을 입증했습니다.

MPC 대안: 모델 예측 제어 (MPC) 와 유사한 에너지 최적화 효과를 내지만, 복잡한 식물 모델링이나 시스템 식별이 필요 없으며 저비용 엣지 하드웨어에서 실행 가능합니다.
실용성: 시뮬레이션에 그친 기존 연구들과 달리, 7 년 이상의 장기 운영 데이터를 통해 센서 드리프트, 작동기 포화, 노후화 등 실제 환경의 불확실성을 극복하는 능력을 입증했습니다.
농업 생산성: VPD 는 식물의 생리적 반응 (기공 전도도 등) 과 직접적으로 연관되어 있어, 단순 온도/습도 제어보다 작물 생산성 최적화에 더 적합한 제어 목표를 제공합니다.

결론적으로, 이 논문은 VPD 중심의 계단식 제어와 신경망 최적화를 결합함으로써 CEA 산업의 에너지 효율성을 획기적으로 높이고 환경 제어 정밀도를 개선할 수 있는 새로운 표준을 제시했습니다.