변화에 적응하기: 개념 변동 상황에서 건물 열역학 모델링을 위한 지속학습과 전이학습 비교

초록

본 연구는 건물 운영 중 수집되는 새로운 측정 데이터를 활용해 열역학 모델을 지속적으로 업데이트하는 방법을 탐색한다. 전이학습(TL), 지속학습(CL), 그리고 처음부터 학습하는 방식(스크래치)을 비교하고, 개념 변동(레트로핏·점유 변화) 상황을 포함한 57년 시뮬레이션 데이터를 사용해 성능을 평가한다. 제안된 ‘Seasonal Memory Learning(SML)’은 기존 방법보다 예측 정확도를 2835% 향상시키면서 계산 비용을 낮추는 최적의 CL 전략으로 확인되었다.

상세 분석

이 논문은 건물 열역학 모델링에서 데이터 부족 문제를 해결하기 위해 사전 학습된 모델을 활용하는 전이학습(TL)의 장점을 인정하면서, 운영 기간 동안 지속적으로 축적되는 데이터를 어떻게 효율적으로 활용할 것인가라는 핵심 질문을 제기한다. 특히, 건물의 물리적 특성이나 점유 패턴이 변하는 ‘개념 변동(concept drift)’ 상황에서 모델이 급격히 성능 저하되는 문제를 다루고 있다. 이를 위해 저자는 세 가지 주요 업데이트 전략을 정의한다. 첫째, 새로운 데이터가 충분히 모였을 때마다 모델을 처음부터 재학습하는 ‘스크래치 학습’; 둘째, 기존 TL 모델을 매 업데이트 시점마다 전체 데이터를 이용해 재미세조정하는 ‘전이학습 기반 적응’; 셋째, 지속학습(CL) 기법을 적용해 이전 지식을 보존하면서 새로운 데이터만을 이용해 모델을 순차적으로 업데이트하는 방법이다.

CL 분야에서 흔히 발생하는 ‘catastrophic forgetting’ 문제를 완화하기 위해 메모리 기반, 정규화 기반, 가중치 고정 기반 등 다양한 메커니즘을 검토했으며, 특히 ‘Episodic Memory’, ‘Elastic Weight Consolidation(EWC)’, ‘Gradient Episodic Memory(GEM)’ 등을 실험에 포함시켰다. 그러나 기존 CL 기법들은 건물 열역학의 장시간 지연과 높은 시간 해상도 요구사항을 충분히 반영하지 못한다는 한계가 있었다. 이에 저자는 ‘Seasonal Memory Learning(SML)’이라는 새로운 CL 전략을 제안한다. SML은 계절별(봄·여름·가을·겨울)로 데이터를 구분해 각각의 시즌에 특화된 메모리를 유지하고, 업데이트 시점에 해당 시즌의 메모리와 최신 데이터를 결합해 모델을 재학습한다. 이렇게 하면 계절적 특성에 따른 피처 드리프트와 레트로핏·점유 변화와 같은 개념 변동을 동시에 고려할 수 있다.

실험 설계는 5~7년 동안 시뮬레이션된 8개의 단일 가구 건물을 기본 시나리오로 사용하고, 추가로 40개의 건물을 대상으로 7년 기간의 대규모 분석을 수행했다. 시뮬레이션은 BuilDa 프레임워크와 Modelica 기반 FMU를 활용해 실제 기후, 건물 구조, HVAC 시스템, 점유 스케줄 등을 정밀하게 모델링했으며, 레트로핏(단열 강화, 창호 교체)과 점유 변동(가구 수 변화) 두 종류의 개념 변동을 인위적으로 삽입했다. 평가 지표는 평균 절대 오차(MAE)와 루트 평균 제곱 오차(RMSE) 외에도 업데이트당 연산 시간과 메모리 사용량을 포함한 계산 효율성을 고려했다.

결과는 SML이 모든 시나리오에서 가장 높은 예측 정확도를 보였으며, 특히 개념 변동이 존재할 때 초기 TL 기반 모델 대비 34.9%까지 오차 감소 효과를 나타냈다. 기존 CL 기법들(EWC, GEM 등)은 어느 정도 성능을 회복했지만, 메모리 관리와 정규화 파라미터 튜닝에 따라 성능 편차가 컸다. 전이학습 기반 적응 방법은 전체 데이터를 매번 재학습함으로써 정확도는 향상되었지만, 연산 비용이 크게 증가해 실시간 혹은 엣지 디바이스 적용에 부적합했다. 스크래치 학습은 장기적으로 TL과 동등한 성능에 도달했지만, 초기 데이터 부족 시 큰 오차를 보였다.

또한, 업데이트 주기(월간, 분기별, 연간)와 모델 성능 간의 trade‑off를 분석한 결과, 월간 업데이트가 가장 높은 정확도를 제공했지만 계산 부하가 급증했으며, 분기별 업데이트가 실용적인 정확도와 비용 사이의 최적점을 제공한다는 결론에 도달했다. 마지막으로, 대규모 40건물 실험에서도 SML이 일관된 우수성을 유지했으며, 건물 특성(연면적, 위치, 난방 시스템)별로 성능 차이가 미미함을 확인했다.

이 논문은 건물 열역학 모델링에 있어 지속학습과 전이학습을 체계적으로 비교하고, 계절 및 개념 변동을 동시에 고려한 메모리 기반 CL 전략을 제시함으로써, 제한된 연산 자원을 가진 현장 적용에 실질적인 가이드라인을 제공한다는 점에서 학술적·실무적 의의가 크다.