대형 건물 에너지·쾌적성 최적화를 위한 PWA 기반 분산 MPC

초록

**
본 논문은 대형 건물의 HVAC 제어에 있어 비선형 PMV 지수를 Piecewise‑Affine(PWA) 근사로 변환하고, ADMM 기반 분산 모델 예측 제어(MPC) 구조를 설계한다. 제안된 알고리즘은 비볼록 최적화를 일련의 작은 볼록 문제로 분해해 계산량을 크게 줄이며, 36개 구역 사례에서 중앙집중형 대비 실행 시간을 86 % 단축함을 실증하였다.

**

상세 분석

**
이 연구는 건물 에너지 관리 분야에서 두 가지 핵심 난제를 동시에 해결한다. 첫째, PMV(예측 평균 온도) 지수는 온도·습도·복장·풍속 등 다변량 비선형 함수를 포함해 실시간 MPC에 적용하기 어렵다. 저자는 기존의 단순 선형 근사 대신 구간별 선형화를 수행하는 Piecewise‑Affine(PWA) 모델을 도입해, 각 구역별 PMV를 다중 선형 구간으로 근사한다. PWA 근사는 원래 비선형 함수를 정확히 보존하면서도, 각 구간이 선형 제약·목적식으로 표현되기 때문에 QP(Quadratic Programming) 형태로 변환이 가능하다.

둘째, 대형 건물은 수십 개에서 수백 개에 이르는 제어 구역을 포함하고, 각 구역은 열역학적 RC 모델로 기술된다. 이때 전체 시스템 차원은 수천 개가 되며, 중앙집중형 MPC는 실시간 구현이 불가능한 수준의 계산 복잡도를 초래한다. 이를 해결하기 위해 논문은 ADMM(Alternating Direction Method of Multipliers) 기반의 분산 최적화 프레임워크를 설계한다. 각 구역은 로컬 MPC 서브프로블럼을 독립적으로 해결하고, 인접 구역 간 열전달(외벽·공동벽)과 전력 제한 같은 coupling 제약은 ADMM의 라그랑주 승수를 통해 반복적으로 조정한다.

핵심 기여는 ‘볼록 ADMM 알고리즘’이다. 비볼록 PWA‑QP 문제를 직접 풀기보다는, PWA 근사의 이진 선택 변수(어떤 구간에 속하는가)를 고정한 상태에서 남은 연속 변수에 대해 볼록 QP를 풀도록 변형한다. ADMM 반복 과정에서 각 서브문제는 작은 규모의 볼록 QP로 전환되며, 이는 상용 QP 솔버로도 빠르게 해결 가능하다. 저자는 수렴성을 이론적으로 증명해, 알고리즘이 원래 비볼록 문제의 지역 최적점에 수렴함을 보였다.

실험에서는 36구역(4층, 각 층 9구역) 건물 모델을 사용해 시뮬레이션을 수행했다. 에너지 효율성(전력 소비)과 쾌적성(PMV 편차)의 두 목표를 가중치 α로 조정했으며, 시간대별 전력 요금도 반영했다. 결과는 다음과 같다. (1) 분산 ADMM은 30 % 이하의 반복 횟수로 수렴했으며, 전체 실행 시간은 중앙집중형 대비 86 % 감소했다. (2) PWA 근사를 사용한 경우, 선형 근사 대비 PMV 오차가 평균 0.12 °C 감소해 실제 쾌적성 유지에 유리했다. (3) 전력 요금 변동에 따라 가중치 λ을 조정함으로써 피크 전력 사용을 효과적으로 억제하면서도 실내 온도 편차는 0.3 °C 이내로 유지했다.

이 논문은 비선형 쾌적성 모델을 고정밀 PWA 형태로 변환하고, ADMM을 활용해 분산 형태로 풀어 실시간 적용 가능성을 확보한 점이 혁신적이다. 다만, PWA 구간 설계가 사전 데이터에 크게 의존하고, 구간 수가 늘어날 경우 라그랑주 승수 업데이트 비용이 증가할 수 있다는 한계도 존재한다. 향후 연구에서는 자동 구간 생성 기법과 비동기 ADMM 변형을 도입해 확장성을 더욱 강화할 여지가 있다.

**