Data-driven moving-window Bayesian inference for transient CO2–temperature network models of buildings

건물은 정적인 상자가 아닙니다. 건물은 숨을 쉬고, 열을 저장하며, 그 안에 있는 사람들에게 반응하는 살아있는 시스템입니다. 문이 열리거나, 사람이 들어오거나, 창문이 살짝 열릴 때마다 내부의 공기는 변화하며 온기와 이산화탄소를 함께 실어 나릅니다. 수십 년 동안 엔지니어들은 이러한 변화가 실내 쾌적함에 어떤 영향을 미치는지 예측하기 위해 노력해 왔지만, 열과 공기 질을 별개의 문제로 취급하는 모델에 의존해 왔습니다. 그들은 벽이 열을 전달하고 사람이 온기를 생성한다는 사실은 알고 있지만, 특히 센서가 드문드문 있거나 건물의 행동 양식이 갑자기 변할 때 방 사이를 이동하는 보이지 않는 기류를 추적하는 데는 종종 어려움을 겪습니다. 과제는 제한된 데이터로부터 실시간으로 학습하면서, 센서의 오류와 건물의 행동 방식이 실제로 변화한 것을 구분할 수 있고, 동시에 난방 및 냉방 시스템을 제어하는 데 유용할 만큼 계산 속도가 빠른 시스템을 만드는 것이었습니다.

에인트호번 공과대학교(Eindhoven University of Technology)의 연구진은 건물의 온도와 이산화탄소 농도를 동전의 양면처럼 다루는 새로운 접근 방식을 개발했습니다. 열과 공기 질을 각각 독립적으로 보는 대신, 이들은 공기의 흐름과 인간의 존재라는 보이지 않는 동인을 통해 이 둘을 연결하는 모델을 만들었습니다. 이 프레임워크에서 공기의 움직임은 공통된 실마리입니다. 한 방에서 다른 방으로 이산화탄소를 운반하는 바로 그 기류가 열 또한 운반합니다. 온도와 이산화탄소의 변화를 관찰함으로써, 시스템은 역으로 추론하여 사람들이 어디에 있는지, 공기가 구역 사이를 어떻게 이동하는지, 그리고 건물 자체가 에너지를 어떻게 저장하거나 방출하는지를 파악할 수 있습니다. 이 방법은 고가의 센서를 촘촘하게 배치할 필요가 없습니다. 사무실 건물에서 흔히 사용 가능한 희소한 데이터를 활용하며, '무빙 윈도우 베이지안 추론(moving-window Bayesian inference)'이라는 기술을 사용합니다. 이 방식은 건물의 전체 이력을 한꺼번에 분석하려 하기보다, 최근의 짧은 시간 단위(예: 40분간의 창)만을 살펴봅니다. 이를 통해 회의가 끝나고 사람들이 작은 사무실에서 큰 회의실로 이동하는 것과 같이 조건이 변할 때 빠르게 적응할 수 있습니다.

아이디어를 테스트하기 위해 연구진은 먼저 네 개의 작은 사무실, 두 개의 큰 회의실, 그리고 연결 통로가 있는 완벽한 컴퓨터 생성 건물 모델을 구축했습니다. 이 시뮬레이션 세계에서는 '진실'을 정확히 알고 있었습니다. 즉, 각 방에 몇 명의 사람이 있는지, 공기가 얼마나 빨리 움직이는지, 벽이 열을 얼마나 전달하는지를 정확히 알고 있었습니다. 그다음 연구진은 저렴한 실제 센서에서 나타나는 미세한 부정확성을 모사하여 현실적인 센서 오류를 도입했습니다. 이 새로운 모델을 해당 데이터에 적용했을 때, 모델은 공기 흐름과 점유 상태의 숨겨진 패턴을 성공적으로 재구성했습니다. 모델은 사람들이 작은 사무실에서 큰 회의실로 이동하는 과정을 추적할 수 있었으며, 새로운 현실에 맞춰 기류와 열 저장량에 대한 내부 추정치를 조정했습니다. 결정적으로, 시스템이 이전에 본 적 없는 갑작스러운 변화에 직면했을 때, 단순히 추측하는 대신 불확실성을 신호로 보냈습니다. 가능한 답변의 범위가 넓어지면서, 충분한 새로운 데이터가 흘러들어와 새로운 상태를 확정할 때까지 "아직 잘 모르겠습니다"라고 사용자에게 알리는 식입니다. 이러한 불확와(uncertainty)를 정량화하는 능력은 핵심적인 특징인데, 이는 혼란스러운 전환기에 시스템이 자신 있게 틀린 예측을 하는 것을 방지하기 때문입니다.

연구진은 이 결합 모델을 온도만을 고려한 더 단순한 버전과 비교했습니다. 완벽한 시뮬레이션 환경에서는 열과 이산화탄소가 물리 법칙에 의해 매우 밀접하게 연결되어 있었기 때문에 온도 전용 모델도 상당히 양호한 성능을 보였습니다. 그러나 결합 모델은 한 가지 측면에서 월등히 뛰어난 모습을 보였습니다. 바로 점유 상태의 급격한 변화에 훨씬 더 빠르게 적응한다는 점이었습니다. 사람들이 이동했을 때, 이산가탄소 데이터를 사용하는 모델은 공기 흐름과 인원수에 대한 이해를 거의 즉시 업데이트한 반면, 온도 전용 모델은 뒤처지는 모습을 보였습니다. 이는 온도 데이터를 사용할 수 있는 상황에서도 이산화탄소 정보라는 추가적인 층위가 건 내부에서 일어나고 있는 일에 대한 올바른 설명을 더 빠르게 찾아내도록 돕는다는 것을 시사합니다.

이것이 실제 환경에서도 유효한지 확인하기 위해 연구진은 동일한 건물 구조를 가진 축소된 물리적 모델을 제작했습니다. 그들은 작은 팬을 사용하여 방 사이의 공기를 구동했고, 인공적인 탄소 배출원을 조절하여 한곳에 사람들이 모이는 상황을 시뮬레이션했습니다. 완벽한 컴퓨터 시뮬레이션과 달리, 이 물리적 설정에는 실제 세계의 불완전함이 존재했습니다. 공기가 완벽하게 섞이지 않았고, 센서 자체의 특이한 성질이 있었으며, 건물의 행동이 이론적 방정식과 항상 일치하지도 않았습니다. 이러한 불일치에도 불구하고 모델은 인상적인 성능을 보여주었습니다. 모델은 인공적인 "사람들"이 열원을 켜고 끌 때 발생하는 이산화탄소와 온도의 상승 및 하락을 성공적으로 추적했습니다. 더욱 중요한 것은, 결합 모델이 온도 전용 버전보다 훨씬 더 명확한 그림을 제공했다는 점입니다. 실제 실험에서 온도 데이터만 사용했을 경우, 모델은 사람이 없는 방에 가짜 열원을 만들어내며 잘못된 가정으로 온도 변화를 설명하려 했습니다. 이산화탄소 데이터는 현실을 점검하는 역할을 하여 이러한 오류를 방지하고 공기 흐름 추정에 대한 불확실성의 범위를 좁혀주었습니다. 모델은 온도 변화가 다른 곳의 가짜 열원이 아니라, 메인 룸에 있는 알려진 열원에 의해 발생한다는 것을 학습했습니다.

또한 연구진은 시간 창(time window)의 크기가 결과에 어떤 영향을 미치는지 조사했습니다. 그들은 더 긴 데이터 창을 사용할수록 노이즈를 완화하고 무작위적인 센서 오류와 실제 추세를 더 잘 구별할 수 있어 정확도가 향상된다는 것을 발견했습니다. 그러나 창이 너무 길어지면 모델이 둔해지고 갑작스러운 변화에 반응하는 속도가 느려졌습니다. 최적의 지점(sweet spot)은 시스템이 정확하면서도 반응성을 유지할 수 있게 해주었습니다. 연구진은 또한 모델이 개별 센서의 노이즈 수준을 추정할 수 있다는 사실도 발견했습니다. 만약 센서가 오작동하거나 건물의 행동이 모델의 예상에서 크게 벗어나면, 시스템은 자동으로 불확실성 범위를 넓혀 데이터의 신뢰도가 평소보다 낮음을 알렸습니다.

결과가 유망하기는 하지만, 연구진은 한계점도 명시했습니다. 이들의 모델은 각 방의 공기가 완벽하게 혼합된다고 가정하는데, 이는 실제로는 드문 일입니다. 실제 사무실에서는 환기구 근처의 공기가 창가 근처의 공기보다 더 차가울 수 있습니다. 또한 연구진은 오직 시뮬레이션된 사람들만이 유일한 열원인 단순화된 시나리오에 집중했으므로, 햇빛, 컴퓨터, 조명과 같은 다른 흔한 요인들을 무시했습니다. 실제 건물에서는 이러한 추가적인 열원들이 상황을 복잡하게 만들어, 사람의 효과와 장비의 효과를 분리하는 것을 어렵게 만들 수 있습니다. 연구진은 향-후 연구에서 이 모델이 실제 규모의 건물에서도 견고하게 작동할 수 있도록 이러한 추가 요인들을 포함해야 한다고 제안했습니다. 또한 현재의 계산 방식은 효과적이긴 하지만 요구 사양이 높으므로, 표준적인 건물 제어 시스템에서 지속적으로 실행될 수 있도록 최적화가 필요할 수 있다고 인정했습니다.

궁극적으로 이 연구는 건물의 소리에 귀를 기울이는 강력하고 새로운 방법을 보여줍니다. 온도와 이산화탄소를 결합된 시스템으로 취급함으로써, 연구진은 제한된 데이터로부터 공기 흐름과 점유 상태의 보이지 않는 역학을 추론할 수 있는 방법을 만들어냈습니다. 이는 단순히 미래를 예측하는 도구가 아니라, 건물의 변화에 따라 자신의 확신 정도를 조절하며 현재를 이해하는 도구입니다. 사무실 건물 관리자들에게 이는 난방 및 냉방 시스템이 단순히 온도 조절기에 반응하는 것이 아니라, 실제 사람과 공기의 흐름에 반응하여 모든 구석에 센서를 설치하지 않고도 에너지를 절약하고 쾌적함을 개선할 수 있는 미래를 의미합니다. 앞으로의 과제는 이 모델을 더 복잡하고 거대한 실제 규모의 건물에 맞게 정교화하는 것이지만, 공기와 열이 동일한 이야기를 들려준다는 핵심 아이디어는 이미 그 효용성이 입증되었습니다.