머신러닝 연구를 위한 대규모 건물 열 데이터, 이제 프레임워크로 쉽게 생성한다

초록

건물 에너지 제어를 위한 머신러닝 연구에는 방대한 열역학 데이터가 필요하나, 기존 데이터는 양과 질이 부족하고 생성도 어려웠다. 이 논문은 전문 지식 없이도 대량의 고품질 합성 열 데이터를 생성할 수 있는 높은 구성 가능성의 프레임워크 ‘BuilDa’를 제안한다. Modelica 기반 물리 모델을 FMU로 변환해 Python에서 실행하며, 다양한 건물 파라미터와 운영 시나리오를 설정할 수 있다. 486개 모델의 전이 학습 연구에 활용된 사례를 통해 유용성을 입증한다.

상세 분석

본 논문이 제안하는 BuilDa 프레임워크의 기술적 핵심은 ‘접근성’과 ‘물리적 정확성’의 조화에 있다. 기존 EnergyPlus나 Modelica 기반 시뮬레이션이 전문 도메인 지식을 필수로 요구했던 점을 극복하기 위해, 사용자 친화적인 구성 계층(Converter Layer)을 도입했다. 이 계층은 사용자가 직관적인 고급 파라미터(예: 벽체 유형 선택)를 입력하면, 이를 물리 모델의 상세한 저수준 파라미터(예: U-값, 열용량 분포)로 자동 변환하여 물리적 일관성을 유지한다. 이는 ML 연구자가 복잡한 건물 시뮬레이션 세부사항을 알지 못해도 광범위한 변동성을 가진 데이터셋을 생성할 수 있게 하는 결정적 설계다.

모델의 물리적 기반은 단일 구역(single-zone) Modelica 모델로, VDI 6007 표준을 준수하여 신뢰성을 확보했다. 핵심은 R-C(저항-용량) 네트워크를 사용한 벽체 모델링으로, 각 구성 요소를 3개의 노드로 이산화하여 계산 효율성과 정확성 사이의 균형을 잡았다. 또한, 창문 개폐에 따른 환기 열손실을 VDI 2078 표준 기반 공식으로 모델링하고, 히트펌프 성능 곡선을 실제 기기 데이터를 참조해 구현하는 등 세부적인 현실 반영이 두드러진다. ‘운영 중 변경’ 기능은 리트로핏 시나리오 시뮬레이션과 같은 동적 연구를 가능하게 하는 중요한 확장성이다.

결국 BuilDa는 단순한 데이터 생성기를 넘어, ML 연구 질문(예: “건물 유사성이 전이 학습 성능에 미치는 영향은?")에 맞춤형으로 데이터 환경을 설계할 수 있는 실험 플랫폼으로의 가치를 지닌다. 제공되는 5가지 세대별/구조별 벽체 프로필과 다양한 기후, 생활 패턴 프로필은 이를 실현하는 기본 블록을 구성한다. 이 프레임워크는 건물 에너지 ML 연구의 병목 현상인 데이터 가용성 문제를 해결함으로써, 보다 체계적이고 대규모의 실증 연구를 촉진할 것으로 기대된다.