기술 요약: RESCAST-100K

문제 정의

주거용 에너지 부하 및 실내 온도의 정확한 단기 예측은 홈 에너지 관리, 그리드 균형, 수요 반응을 위해 매우 중요합니다. 그러나 주거 환경에서의 데이터 희소성, 파편화 및 개인정보 보호 문제는 견고한 모델 개발을 저해합니다. 기존의 딥러닝 접근 방식은 일반적으로 타겟 도메인의 방대한 과거 데이터를 필요로 하지만, 실제 주거 환경에서는 이러한 데이터를 구하기가 매우 어렵습니다. 또한, 주거 환경은 다차원적인 이질성(지리, 기후, 건물 외피, HVAC 시스템 등)을 나타내며, 이는 뚜렷한 분포 변화(distribution shifts)를 유발하여 교차 도메인 일반화(cross-domain generalization)를 어렵게 만듭니다.

현재의 벤치마크들은 다음과 같은 중대한 한계를 가지고 있습니다:

• 좁은 범위: 많은 데이터셋이 비주거용 건물에 집중되어 있거나 HVAC 부하 및 실내 온도와 같은 핵심 타겟이 누락되어 있습니다.
• 공변량 누락: 기존 리소스들은 일반화를 위해 필요한 외생 변수(날씨, 제어 신호)나 정적 건물 특성을 생략하는 경우가 많습니다.
• 교차 도메인 지원 부족: 통제된 도메인 변화 하에서 체계적인 평가를 지원하거나, 합성 데이터와 실제 데이터를 통일된 스키마 하에 통합하여 "심투리얼(sim-to-real)" 평가를 가능하게 하는 데이터셋이 거의 없습니다.

방법론 및 데이터셋 구축

저자들은 주거용 예측에서의 교차 도메인 일반화를 연구하기 위해 설계된 대규모 벤치마크인 RESCAST-100K를 소개합니다.

데이터셋 구성

• 규모: ResStock에서 유도되고 EnergyPlus를 통해 시뮬레이션된 약 100,000 가구의 미국 가정 데이터.
• 해상도: 15분 단위 시계열 데이터.
• 타겟: 가구당 세 가지 결합된 타겟:
  1. 총 전력 부하 (kWh)
  2. HVAC 부하 (kWh)
  3. 실내 온도 (°F)
• 특징(Features):
  • 외생 동적 입력(Exogenous Dynamic Inputs): 날씨 채널(건구/습구 온도, 습도, 풍속, 일사량) 및 HVAC 설정값(setpoints).
  • 정적 공변량(Static Covariates): 지리, 기후 존, 벽체 구조, 기초 유형, HVAC 장비 등 40개 이상의 건물 특성.
• 실제 데이터 통합: 본 벤치마크는 다섯 가지 실제 주거 데이터셋(ECOBEE, HEAPO, IDEAL, NEST, REFIT)을 통일된 스키마로 통합하여 심투리얼(sim-to-real) 평가를 가능하게 합니다.

설정 기반 도메인 추상화

RESCAST-100K의 핵심 기능은 YAML 기반의 설정 주도 인터페이스로, 사용자가 해석 가능한 축을 따라 소스(source) 및 타겟(target) 도메인을 인스턴스화할 수 있도록 합니다:

• 지리 (주, 지역)
• 기후 존 (ASHRAE/IECC)
• 건물 외피 (벽체 유형, 구조)
• HVAC 장비 (가열 기술)

이를 통해 통제된 분포 변화 하에서 전이 학습(transfer learning), 도메인 적응(domain adaptation), 제로샷 일반화(zero-shot generalization)를 체계적으로 평가할 수 있습니다.

실험 설정

저자들은 이 문제를 누락된 공변량이 존재하는 확률적 예측(probabilistic forecasting) 문제로 정의합니다.

• 태스크: $L_c$ (384 타임스텝/4일)의 컨텍스트와 정적 속성이 주어졌을 때, $L_f$ (96 타임스텝/1일) 길이의 궤적을 예측합니다.
• 강건성(Robustness): 확률적 마스킹 연산자를 사용하여 누락된 동적 채널(날씨, 설정값)과 정적 공변량을 시뮬레이션함으로써 모델의 강건성을 테스트합니다.
• 벤치마킹 모델: 다음 6가지 모델 패밀리를 평가합니다:
  • 순환 신경망(Recurrent): 인코더 LSTM (LSTM-E), 인코더-디코더 LSTM (LSTM).
  • 트랜스포머 기반(Transformer-based): Transformer, TimeXer, PatchTST.
  • 믹서 기반(Mixer-based): TSMixer.
  • 강건한 변형(Robust Variants): 누락된 데이터를 처리하기 위해 모델을 수정함 (예: LSTM-R, Transformer-R).
• 지표: 점 예측 정확도를 위한 정규화 평균 제곱근 오차(NRMSE)와 확률적 정확도를 위한 연속 순위 확률(CRPS).

주요 결과

1. 인도메인(In-Domain) 성능

데이터가 완전히 가용할 때는 Transformer 기반 및 TimeXer 모델이 일반적으로 가장 높은 정확도를 달しまいました. 그러나 데이터가 누락되었을 때, TSMixer와 TimeXer는 고전적인 LSTM 및 표준 Transformer보다 일관되게 우수한 성능을 보이며 불완전한 입력에 대한 탁월한 강건성을 입증했습니다.

2. 교차 도메인 제로샷 일반화

네 가지 도메인 변화 카테고리(주, 기후 존, 벽체 유형, 가열 기술)에 대해 평가되었습니다:

• 부하 예측 (총 부하 및 HVAC): TSMixer-R이 모든 도메인 카테고리에서 일관되게 가장 낮은 NRMSE와 CRPS를 달성했으며, TimeXer-R이 그 뒤를 바짝 쫓았습니다.
  • 관찰: MLP-mixer 모델은 단일 어텐션 연산에 비해 믹싱 과정에서 외생 특징을 여러 번 처리함으로써 외생 특징에 대한 의존성을 더 잘 학습하는 것으로 보입니다.
• 온도 예측: TimeXer-R이 최고의 정확도를 달성했습니다.
  • 관찰: 타겟에 대한 셀프 어텐션(열 관성을 유지)과 외생적 영향력을 위한 크로스 어텐션(cross-attention)을 사용하는 TimeXer의 방식이 매끄럽고 설정값에 의해 구동되는 열 역학을 포착하는 데 더 우수함이 증명되었습니다.
• 베이스라인 성능: 순환 모델(LSTM)과 일반적인 Transformer는 도메인 변화(특히 온도 예측) 시 성능이 크게 저하되었습니다(종종 10배 이상 차이 발생).

3. 심투리얼(Sim-to-Real) 평가

합성 데이터로 학습된 모델을 다섯 가지 실제 데이터셋에 제로샷으로 테스트했을 때:

• 점 예측 정확도: 미세 조정(fine-tuning) 없이는 예상대로 심투리얼 갭으로 인해 NRMSE가 크게 악화되었습니다.
• 확률적 정확도: CRPS 값은 상대적으로 낮고 일관되게 유지되었습니다. TSMixer-R과 TimeXer-R이 가장 좋은 성능을 유지했습니다.
• 시사점: 합성 데이터에 대한 확률적 사전 학습(probabilistic pretraining)은 점 예측 정확도보다 실제 가정으로 더 신뢰성 있게 전이됩니다. 이는 모델이 타겟 도메인 데이터 없이도 타겟 신호의 일반적인 분포 형태를 포착하고 있음을 시사합니다.

기여 및 의의

본 논문은 다음과 같은 주요 기여를 주장합니다:

1. RESCAST-100K 데이터셋: 지리, 기후, 건축물과 같은 축을 따라 교차 도메인 예측을 연구할 수 있는 구성 주도형 인터페이스를 갖춘 대규모(10만 가구) 다중 타겟 데이터셋.
2. 통합 스키마: 고충실도 물리 기반 시뮬레이션을 다섯 가지 실제 데이터셋과 통합하여, 이전에는 불가능했던 규모의 엄격한 심투리얼(sim-to-real) 평가를 가능하게 함.
3. 벤치마킹 인사이트: 순환, 어텐션, 믹서 아키텍처에 대한 체계적인 평가를 통해, 크로스 어텐션(cross-attention) 및 MLP-mixer 기반 모델이 도메인 변화 및 데이터 누락 조건에서 순환 및 고전적 트랜스포머 베이스라인보다 일관되게 우수함을 밝힘.

의의:
저자들은 RESCAST-100K를 머신러닝 및 빌딩 분석 커뮤니티를 발전시키기 위한 필수적인 자원으로 포지셔닝합니다. 교차 도메인 일반화를 위한 표준화된 대규모 벤치마크를 제공함으로써, 주거용 에너지 시스템의 전이 학습 및 도메인 적응 발전을 제한해 온 "포괄적인 주거 데이터셋의 부재" 문제를 해결합니다. 연구 결과는 특정 아키텍처 선택(Mixer 및 Cross-Attention)이 주거 에너지 예측에 내재된 이질성을 처리하는 데 결정적임을 시사합니다.