Causality and extrapolation ability of bi-directional knowledge share model for HVAC systems = 양방향 지식 공유 HVAC 시스템 모델의 인과성 및 추론 능력

다국어 초록 (Multilingual Abstract)

The building sector, responsible for nearly 40% of global energy consumption, faces increasing pressure to improve efficiency particularly during the operational phase, which accounts for the majority of a building’s lifecycle energy use. Simulation-based decision-making is essential for improving operational performance of building systems. By quantitatively evaluating control strategies, simulation models help identify energy-saving options and inform real-time decisions. However, despite its potential, simulation-based decision-making is rarely applied in practice, mainly due to the difficulty of developing models that are both reliable and applicable under real-world conditions.
For simulation models to be truly useful in building operations, they must satisfy two critical requirements: causality and practicality. A practical model should be trainable with limited and often fragmented real-world data, while a model with strong extrapolation ability must provide reliable predictions even under unseen scenarios. Without these traits, simulation models risk offering misleading guidance, especially in dynamic and data-scarce environments common to building operations.
To address these limitations, this study investigates how simulation models can be enhanced through bi-directional knowledge share. Rather than developing models in isolation, I propose enabling communication between models trained on different but related datasets. This approach allows models to mutually expand their understanding of system behavior, even in the presence of data imbalance or domain gaps. To implement this collaborative learning framework, federated learning (FL) is adopted, which facilitates parameter-level knowledge exchange while preserving data privacy and ownership across different domains.
Beyond improving model development, the study also addresses the question of how to evaluate whether a model is “good enough” for decision-making. We focus on the causal knowledge embedded in the model, specifically, the causal relationships between control variables and system outcomes. Using double machine learning (DML), we extract and quantify these causal effects and introduce uncertainty in causal inference as a new evaluation metric. Unlike conventional accuracy-based metrics that focus only on in-distribution prediction error, uncertainty in causal inference captures the stability and reliability of a model’s predictions under unseen conditions, offering a more in-depth measure of extrapolation ability.
The proposed approach is validated through simulation-based case studies involving various building types and HVAC systems, including chillers, variable refrigerant flow (VRF) systems, and packaged terminal air conditioning (PTAC) units. Results show that federated learning significantly enhances the reliability and extrapolation performance of simulation models, particularly when knowledge is shared with similar dynamic characteristics. In addition, the results demonstrate that uncertainty in causal inference can serve as a meaningful indicator of a model’s extrapolation ability. As uncertainty in causal inference decreases, the model's predictions become more stable and physically plausible in unobserved scenarios, suggesting that this metric can be used to assess and infer improvements in performance beyond conventional accuracy-based evaluations.
In summary, this study proposes a novel methodology to enhance the causality and extrapolation ability of simulation models for building HVAC operations. It addresses the challenges of limited data and model robustness by adopting a federated learning framework, enabling decentralized knowledge sharing across systems. At the same time, it introduces causal inference techniques as a way to evaluate model reliability under unobserved conditions. Through this integrated approach, the study offers two key perspective expansions: (1) a shift from isolated to federated frameworks for simulation model development, and (2) a shift from traditional error-based evaluation to causality-based evaluation focused on the stability of inferred causal relationships. These contributions lay the groundwork for more reliable and informed decision-making in real-world building operations.

국문 초록 (Abstract)

효율적인 건물 운영은 시뮬레이션 기반 의사결정을 통해 실현될 수 있다. 시뮬레이션 기반 의사결정의 본질은 다양한 제어 전략을 모델로 정량적으로 평가하고, 이를 바탕으로 더 나은 운영 방안을 도출하는 데 있다. 이를 가능하게 하려면, 제한된 현장 데이터만을 활용하더라도 유용한 정보를 제공할 수 있는 신뢰할 만한 모델을 구축하는 것이 핵심이다.
이러한 관점에서, 건물 운영 단계에 활용되는 HVAC 시스템의 모델은 두 가지 핵심 요건을 충족해야 한다. 첫째, 실용성 측면에서는 현장에서 수집 가능한 제한적인 정보만으로도 복잡하고 비선형적인 시스템의 동적 거동을 예측할 수 있어야 한다. 둘째, 신뢰성, 특히 추론 능력 측면에서 데이터에 포함되지 않은 제어 조건이나 운영 시나리오에 대해서도 정확한 평가가 가능해야 한다. 다시 말해, 데이터의 범위를 넘어선 예측에서도 신뢰할 수 있어야 한다.
본 연구는 HVAC 시스템 모델의 실용성과 신뢰성을 확보하기 위한 두 가지 관점의 확장을 제시한다. 첫 번째는 모델 개발 관점에서의 전환으로, 기존의 고립형 접근 (isolated approach)에서 통합적 접근 (integrated approach)으로의 확장을 제안한다. 즉, 각 건물의 로컬 데이터를 활용해 독립적으로 모델을 개발하는 방식에서 나아가, 다른 건물 또는 시스템의 모델과 양방향으로 지식을 공유함으로써 학습이 어려운 부분, 특히 추론 능력에 해당하는 지식을 보완하는 접근이다. 이를 구현하기 위해 본 연구는 연합학습 (federated learning)을 도입한다. 연합학습은 데이터를 직접 공유하지 않고, 학습된 파라미터만을 교환함으로써 로컬 데이터로부터 학습한 제한적인 지식을 확장할 수 있는 협력 학습 방법이다.
두 번째는 모델 평가 관점의 전환으로, 기존의 오차 기반 평가 (error-based evaluation)에서 인과성 기반 평가(causality-based evaluation)로의 확장을 제안한다. 모델의 추론 능력은 측정 데이터가 존재하지 않는 영역에서의 예측 능력을 의미하기 때문에, 기존의 예측 오차만으로는 평가할 수 없다. 따라서 본 연구는 인과적 관점 (causal lens)을 도입하여, 제어 변수(T)와 예측 변수(Y) 사이의 인과관계 (dY/dT)가 모델에 잘 학습되었는지를 중심으로 평가한다. 이를 위해 double machine learning (DML)을 활용하여 인과효과를 추정하고, 모델의 인과 지식의 신뢰성과 안정성을 평가하기 위한 지표로서 인과적 불확실성 (uncertainty in causal inference)를 제안한다. 또한, 시뮬레이션 기반 실험을 통해 모델의 인과성 추론 결과와 실제 추론 능력 간의 정량적 관계를 분석함으로써, 인과성 기반 평가의 유용성을 실증적으로 제시한다.
이러한 두 관점의 확장의 필요성과 효과를 입증하기 위해, 본 연구는 세 가지 가상의 건물을 활용하여 시뮬레이션 사례연구를 수행한다. 미국 에너지성 reference building 중 사무용 건물 1 (냉동기), 사무용 건물 2 (VRF), 주거용 건물 (PTAC)을 각각 선택하여, 같은 건물–같은 시스템, 같은 건물–다른 시스템, 다른 건물–다른 시스템이라는 세 가지 시나리오에서 모델 간의 의사소통이 서로의 부족한 지식을 보완하는 데 얼마나 효과적인지를 분석한다. 각 사례에서 개발된 모델에 대해 DML을 적용하여 인과효과를 추론하고, 그 불확실성을 정량화함으로써 양방향 지식 공유를 통한 인과 지식의 확장 정도를 평가한다. 마지막으로, 모델의 추론 능력과 인과적 불확실성 간의 관계를 정량적으로 비교 분석함으로써, 두 관점의 확장이 시뮬레이션 기반 건물 성능 평가 및 운영 이해를 한층 심화시킬 수 있음을 보여준다.
정리하면, 본 연구는 시뮬레이션 기반 건물 운영 모델의 실용성과 신뢰성을 동시에 확보할 수 있는 새로운 접근법을 제시한다. 연합학습을 통해 모델 간 지식을 효율적으로 공유함으로써 기존 데이터 기반 모델 개발의 한계를 보완하고, 인과성 기반 평가를 통해 추론 능력을 보다 정밀하게 검증할 수 있도록 하였다. 나아가, 모델 간 협업과 인과성 중심의 평가라는 두 가지 관점의 확장은 시뮬레이션 기반 건물 운영 연구에 있어 새로운 패러다임을 제시하며, 실제 건물 운영의 효율성과 신뢰성을 향상시키는 데 기여할 수 있을 것으로 기대된다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1. Background 1
• 1.2. Scope 9
• 1.3. Thesis organization 11
• Chapter 2. Literature review 14
• 2.1. “Good enough” approach 14
• 2.2. From isolated to integrated approaches 17
• 2.3. Evaluation of the simulation models 39
• 2.4. Summary 44
• Chapter 3. Bi-directional knowledge share enhancing extrapolation ability of HVAC models 47
• 3.1. Federated learning: bi-directional knowledge share 47
• 3.2. Causal analysis 56
• 3.3. Causality of bi-directional knowledge share model 67
• 3.4. Summary 71
• Chapter 4. Target buildings and systems 73
• Chapter 5. Development and validation of bi-directional knowledge share models for HVAC systems 81
• 5.1. Three case studies 81
• 5.2. Bi-directional knowledge share between two chiller models – case study 1 86
• 5.3. Bi-directional knowledge share between a chiller model and a VRF model – case study 2 111
• 5.4. Bi-directional knowledge share between a VRF model and a PTAC model – case study 3 133
• 5.5. Discussion 148
• 5.6. Summary 154
• Chapter 6. Conclusion 155
• References 161