데이터 기반 양상추 온실 기후 제어: BiLSTM·GRU 예측 모델을 활용한 실시간 MPC 구현

초록

본 연구는 검증된 동적 온실 모델로부터 생성한 시뮬레이션 데이터를 이용해 LSTM·GRU 네트워크를 학습하고, 이를 모델 예측 제어(MPC)에 통합하여 난방·환기·CO₂ 주입을 최적화한다. 10‑fold 교차 검증을 통해 예측 정확도를 검증했으며, GRU 기반 MPC가 기존 전통 MPC 대비 습도 위반률을 54.77 %에서 15.45 %로, 온도 편차를 2 °C 이하로 감소시키고, 계산 시간은 LSTM 대비 40 % 절감함을 확인했다.

상세 분석

이 논문은 온실 기후 제어에 있어 전통적인 1차 원리 기반 모델의 복잡성·파라미터 튜닝 어려움을 데이터‑드리븐 블랙박스 모델로 대체하려는 시도를 체계적으로 수행한다. 먼저, van Henten 온실 모델을 활용해 2001‑2020년 네덜란드 Schiphol 공항의 실제 기상 데이터를 기반으로 다양한 외부 교란(태양복사, 외기 온도·CO₂·습도)과 제어 입력(난방, 환기, CO₂ 주입)을 조합한 시뮬레이션 데이터를 701 200 샘플(15 분 간격) 생성한다. 데이터 전처리는 정규화와 결측치 제거를 포함하며, 10‑fold 교차 검증을 통해 모델의 일반화 능력을 평가한다.

예측 모델은 양방향 LSTM(BiLSTM)과 GRU 두 종류를 설계했으며, 입력 벡터는 과거 l_d 단계의 교란, l_u 단계의 제어 입력, l_y 단계의 출력(온도, 습도, CO₂, 건물 건조물량)으로 구성된다. LSTM은 입력·망각·출력 게이트와 셀 상태를 통해 장기 의존성을 보존하고, GRU는 업데이트·리셋 게이트를 결합해 파라미터 수를 약 30 % 감소시켜 학습·추론 속도를 높인다. 실험에서는 동일한 하이퍼파라미터(히든 유닛 수, 학습률, 배치 크기 등)를 적용해 두 모델의 예측 RMSE와 MAE를 비교했으며, 결과적으로 GRU가 LSTM에 근접한 정확도를 유지하면서 연산량이 현저히 낮은 것을 확인했다.

예측 모델을 MPC에 통합하는 방식은 다음과 같다. 매 제어 주기마다 최신 상태와 과거 입력·출력을 이용해 LSTM/GRU가 미래 N 시간(예: 2 h) 동안의 온·습·CO₂·건조물량을 예측하고, 이를 기반으로 선형/비선형 최적화 문제를 풀어 난방·환기·CO₂ 주입량을 결정한다. 목적 함수는 에너지 소비 최소화와 건조물량 최대화를 가중합으로 정의하고, 온도·습도·CO₂ 농도에 대한 생물학적 제약(예: 18‑24 °C, 60‑80 % 상대습도, 800‑1200 ppm CO₂)을 포함한다.

시뮬레이션 결과는 세 가지 주요 지표에서 기존 MPC(전통 모델 기반)보다 우수했다. 첫째, 습도 위반률이 54.77 %에서 GRU‑MPC는 15.45 %, LSTM‑MPC는 17.71 %로 감소했다. 둘째, 주간·야간 온도 편차가 2 °C 이하로 유지되어 작물 성장에 부정적인 온도 변동을 최소화했다. 셋째, GRU‑MPC는 평균 계산 시간을 LSTM‑MPC 대비 약 40 % 단축했으며, 실시간 제어 요구사항(≤5 s 내 응답) 을 충족했다. 에너지 절감 효과는 약 12 %이며, 건조물량(수확량) 증가율은 8 % 수준으로 보고되었다.

논문의 강점은 (1) 실제 기상 데이터를 기반으로 한 대규모 시뮬레이션 데이터셋 구축, (2) 10‑fold 교차 검증을 통한 모델 신뢰성 확보, (3) 예측 정확도와 계산 효율성을 동시에 고려한 GRU 선택, (4) MPC와의 긴밀한 통합을 통해 제어 성능을 정량적으로 입증한 점이다. 그러나 제한점도 존재한다. 데이터가 전적으로 시뮬레이션에서 생성되었기 때문에 센서 노이즈, 모델 드리프트, 실제 장비 비선형성 등에 대한 검증이 부족하다. 또한, 입력 변수 선택과 히스토리 윈도우 길이에 대한 민감도 분석이 부족하여 현장 적용 시 최적 파라미터 튜닝이 필요할 것으로 보인다. 향후 연구에서는 실제 온실에서의 장기 운용 테스트, 온라인 학습(continual learning) 기법 도입, 그리고 물·비료 등 다중 자원 최적화를 포함한 다목적 MPC 확장이 기대된다.