Scalable Physics-Informed Neural Differential Equations and Data-Driven Algorithms for HVAC Systems

이 논문은 대규모 냉난방 및 공조 (HVAC) 시스템을 위한 확장 가능하고 데이터 기반의 시뮬레이션 프레임워크를 제안합니다. 이 프레임워크는 물리 정보 신경 상미분 방정식 (PINODE) 과 미분 - 대수 방정식 (DAE) 솔버를 결합하여, 기존 물리 기반 시뮬레이션의 높은 계산 비용과 단순화된 모델의 물리적 일관성 부족 문제를 동시에 해결합니다.

주요 내용은 다음과 같습니다.

1. 문제 정의 (Problem)

대규모 HVAC 시스템은 여러 압축기, 응축기, 증발기, 밸브로 구성되어 있으며, 질량, 에너지, 운동량 보존 법칙이 결합된 비선형 미분 - 대수 방정식 (DAE) 으로 설명됩니다.

• 기존 물리 기반 시뮬레이션 (Modelica, EnergyPlus 등): 높은 정확도를 제공하지만, 강성 (stiff) 이 있는 비선형 DAE 를 풀기 위해 적응형 시간 적분과 복잡한 열역학적 물성 계산이 필요하여 계산 비용이 매우 높습니다. 이로 인해 실시간 제어나 최적화 적용이 어렵습니다.
• 기존 데이터 기반 대리 모델 (Surrogate Models): 계산 효율은 높지만, 보존 법칙을 위반할 수 있어 장기 예측 시 물리적으로 비현실적인 오차가 누적되거나, 시스템 수준의 대수적 제약 (압력 평형 등) 을 처리하지 못해 불안정할 수 있습니다.

2. 방법론 (Methodology)

저자들은 구성 요소 수준 (Component-level) 과 시스템 수준 (System-level) 에서 각각 다른 접근법을 사용하여 하이브리드 프레임워크를 구축했습니다.

2.1 물리 정보 신경 ODE (PINODE) - 구성 요소 모델링

• 암시적 형식 (Implicit Formulation): 열교환기 (히트 엑스체인지) 의 동역학을 모델링할 때, 냉매 질량 ($M_r$) 과 내부 에너지 ($E_{hx}$) 를 입력이 아닌 모델 출력으로 처리합니다. 이를 통해 자동 미분 (Automatic Differentiation) 을 통해 질량/에너지 보존 법칙의 시간 미분 ($\dot{M}_r, \dot{E}_{hx}$) 을 직접 계산하고, 이를 손실 함수에 포함시켜 물리 법칙을 학습에 반영합니다.
• 안정적인 잠재 역학: 긴 예측 구간 (Long-horizon) 에서의 안정성을 확보하기 위해 게이트된 아키텍처 (GRU 기반) 와 레이어 정규화 (Layer Normalization) 를 도입하여 기울기 소실/폭발 문제를 완화하고, 4 차 Runge-Kutta (RK4) 방법을 사용하여 잠재 공간의 연속 시간 역학을 적분합니다.
• 손실 함수: 데이터 충실도 손실, 물리 정보 손실 (보존 법칙 위반 패널티), 그리고 보존량 자체의 오차를 줄이는 보존 손실을 결합하여 학습합니다.

2.2 시스템 수준 통합 및 DAE 솔버

• DAE 형식화: 개별 구성 요소 모델들을 통합할 때, 분기점에서의 압력 평형과 질량 유량 일관성과 같은 대수적 제약 조건을 명시적으로 만족시키기 위해 DAE 솔버 (IDA, DASSL) 를 사용합니다.
• 솔버 최적화: 다양한 솔버 (대수적 솔버, DAE-IDA, DAE-DASSL) 의 성능을 공정하게 비교하고 최적의 정확도 - 효율성 균형을 찾기 위해 베이지안 최적화 (Bayesian Optimization) 를 사용하여 솔버 파라미터 (오차 허용치, 시간 단계 크기 등) 를 자동 조정합니다.
• 적응형 고해상도 스텝핑: 제어 입력 (압축기 속도, 밸브 개도) 의 급격한 변화가 발생할 때, 해당 구간에서 시간 단계를 자동으로 줄여 과도 현상을 정밀하게 포착합니다.

2.3 시스템 오차 보정 네트워크 (Corrector Network)

• 구성 요소 간의 결합과 수치 적분 오차로 인해 시스템 수준에서 발생하는 잔류 편향을 보정하기 위해 경량의 보정 신경망을 도입합니다.
• 이 네트워크는 시뮬레이션 초기 구간 (짧은 궤적) 에서 학습하여 시스템 전체에 적용되며, 가우시안 프로세스 (GP) 와 지수 이동 평균 (EMA) 을 통해 보정값을 평활화하여 시간적 안정성을 확보합니다.

3. 주요 기여 (Key Contributions)

1. 보존량 중심의 암시적 PINODE: 냉매 질량과 내부 에너지를 출력으로 처리하여 보존 법칙을 학습 과정에 직접 통합하고, 자동 미분을 통한 물리 정보 학습을 가능하게 함.
2. 안정적인 장기 예측: 게이트된 아키텍처와 레이어 정규화를 통해 강성 (stiff) 이 있는 열유체 시스템에서 안정적인 장기 예측을 달성.
3. 명시적 제약 조건을 가진 DAE 통합: 시스템 수준의 대수적 제약 (압력 평형, 질량 유량) 을 DAE 솔버를 통해 명시적으로 강제하여 열역학적 일관성을 유지.
4. 자동화된 솔버 튜닝 및 확장성 검증: 베이지안 최적화를 통해 솔버 파라미터를 자동 조정하고, 최대 32 개의 압축기 - 응축기 쌍으로 구성된 대규모 시스템에서도 확장 가능함을 입증.

4. 결과 (Results)

• 정확도: 고충실도 시뮬레이션 (Dymola) 대비 평균 절대 백분율 오차 (MAPE) 가 2.5% 미만 (최적 조건에서 2.04%) 으로 매우 높았습니다.
• 계산 속도: 기존 고충실도 시뮬레이션 대비 4 배에서 9 배의 속도 향상 (Speedup) 을 달성했습니다. (예: DAE-IDA 솔버 기준 약 58.91 초 vs 기존 146.8 초 이상)
• 확장성: 2 개에서 32 개의 압축기 - 응축기 쌍으로 구성된 대규모 시스템까지 성공적으로 시뮬레이션할 수 있음을 입증했습니다.
• 솔버 비교: 베이지안 최적화 결과, DAE-IDA 솔버가 정확도와 계산 효율성 간의 가장 우수한 균형 (Pareto 최적) 을 보였습니다.

5. 의의 (Significance)

이 연구는 물리 기반 모델의 정확성과 데이터 기반 모델의 계산 효율성을 성공적으로 결합한 사례입니다. 제안된 프레임워크는 대규모 HVAC 시스템의 실시간 제어, 최적화, 고장 감지, 그리고 건물 에너지 관리 시스템 (BEMS) 과의 연동에 필수적인 실시간 시뮬레이션 가능성을 제공합니다. 특히, 복잡한 열역학적 상호작용을 보존 법칙을 위반하지 않으면서도 빠르게 계산할 수 있는 능력을 통해, 기존에는 계산 비용 문제로 접근하기 어려웠던 대규모 시스템 설계 및 운영 최적화에 새로운 가능성을 열어주었습니다.