HVAC 서라게이트 모델로 PV 자체소비 최적화와 시뮬레이션 비용 7배 절감

초록

본 논문은 건물 HVAC 시스템의 에너지 소비를 예측하는 서라게이트 모델을 활성 학습(active learning) 기법으로 구축한다. 작은 열저항 회로 실험을 통해 회귀 모델과 불확실성 기반 샘플링을 검증한 뒤, OpenModelica 기반 건물 시뮬레이터와 연계해 온‑오프라인 학습을 수행한다. 결과적으로 전체 시뮬레이션 시간을 약 7배 단축하고, 온도 설정값을 최적화해 PV 생산량의 자체소비 비율을 크게 높일 수 있음을 보였다.

상세 분석

본 연구는 에너지 효율 향상을 위한 두 가지 핵심 과제를 동시에 해결한다. 첫째, 건물 에너지 시뮬레이션은 다변량 입력(외기 온도, 실내 설정 온도, 인원·장비 사용 등)과 복잡한 열·전기 연계 모델 때문에 계산 비용이 매우 높다. 이를 완화하기 위해 저자들은 ‘서라게이트 모델’이라는 개념을 도입했으며, 이는 고비용 시뮬레이터를 대체할 수 있는 경량 회귀 모델이다. 서라게이트를 학습시키는 과정에서 ‘활성 학습(active learning)’을 적용해, 모델이 가장 불확실한 영역을 자동으로 탐색하도록 설계하였다. 구체적으로는 초기 소수의 시뮬레이션 데이터를 기반으로 베이지안 회귀(또는 가우시안 프로세스) 형태의 예측과 표준편차(불확실성)를 산출하고, 표준편차가 최대인 입력점을 새로운 시뮬레이션에 투입한다. 이 과정을 불확실성이 사전에 정의한 임계값(0.01) 이하가 될 때까지 반복함으로써, 전체 입력 공간을 균일하게 샘플링하는 전통적 방법에 비해 훨씬 적은 시뮬레이션 횟수로 높은 정확도를 달성한다.

두 번째로, 논문은 이 방법론을 실제 건물 HVAC 시스템에 적용한다. OpenModelica와 Python 기반 OMPython API를 활용해 건물의 전기·열 동역학을 모델링하고, 온도 설정값과 외기 온도 두 차원의 입력 공간(≈2,500 조합)을 정의하였다. 초기 10개의 무작위 시뮬레이션으로 서라게이트를 시작하고, 활성 학습 루프를 통해 추가 샘플을 선택한다. 실험 결과, 전체 2,500 조합을 전부 시뮬레이션하는 경우 대비 약 350~400회의 시뮬레이션만으로도 평균 절대 오차가 2 % 이하로 수렴했으며, 전체 시뮬레이션 시간은 기존 대비 7배 가량 단축되었다.

마지막으로, 서라게이트가 제공하는 실시간 예측을 기반으로 ‘온도 설정값 최적화 알고리즘’을 구현하였다. 이 알고리즘은 두 목표—열적 쾌적성 유지와 PV 자체소비 극대화—를 다중 목표 함수로 결합하고, 서라게이트가 예측한 에너지 소비를 입력으로 최적의 실내 온도 설정을 도출한다. 시뮬레이션 결과, 최적화된 온도 스케줄을 적용했을 때 PV 생산량 대비 자체소비 비율이 평균 15 % 상승하고, 그리드 전력 구매량이 유의미하게 감소하였다.

핵심 인사이트는 다음과 같다. (1) 활성 학습 기반 서라게이트는 고비용 건물 에너지 시뮬레이션을 효율적으로 대체할 수 있다. (2) 불확실성‑주도 샘플링은 전체 입력 공간을 균등하게 탐색하는 전통적 그리드 탐색보다 5~10배 적은 시뮬레이션으로도 충분한 정확도를 제공한다. (3) 서라게이트와 최적화 로직을 결합하면 실시간 DR(수요반응) 전략을 구현할 수 있어, 재생에너지 자체소비를 크게 향상시킬 수 있다. 이러한 접근은 대규모 캠퍼스·오피스 건물뿐 아니라, 스마트 홈, 전기차 충전 스테이션 등 다양한 에너지 관리 시나리오에 확장 가능하다.