대규모 언어 모델의 추론기법을 활용한 건물 에너지 모델의 신뢰성 향상 및 평가 = Leveraging Large Language Model Reasoning for Enhanced Reliability and Validation of Building Energy Models

국문 초록 (Abstract)

본 연구는 건물 부문의 에너지 소비 및 탄소 배출 저감을 위한 핵심 도구인 건물 에너지 모델 (Building Energy Model, BEM)의 신뢰성 향상을 목적으로, 기존 자동 보정 방법이 지니는 탐색 비효율성과 실제 건물의 물리적 특성과 맞지 않는 매개변수 추정 문제를 해결할 수 있는 새로운 대규모 언어 모델 (Large Language Model, LLM) 기반 보정 프레임워크를 제안한다. 기존의 최적화 기반 및 베이지안 기반 보정 방법은 목적 함수 최소화에 집중함으로써 계산 비용이 크고, 매개변수 간 물리적 상호작용을 충분히 반영하지 못하며, 보정 과정이 블랙박스 형태로 진행된다는 한계를 가진다. 이에 본 연구는 LLM을 단순한 보조 도구가 아닌 도메인 인식 기반 추론 도구로 활용하여, 매개변수 제안-물리적 제약 검증-시뮬레이션 평가-피드백 갱신으로 구성된 능동 학습 기반 보정 루프를 설계하였다. 제안된 프레임 워크는 EnergyPlus 기반 BEM 보정 과정에 적용되며, LLM이 이전 탐색 과정과 오차 지표를 해석하여 탐색·활용·조합·정제·재시작 전략을 적응적으로 선택하고, 구조화된 프롬프트를 통해 외피 성능, 공기 교환, 열적 상호작용과 관련된 물리적 제약을 반영하도록 구성되었다. 프레임워크의 성능 검증을 위해 미국 에너지부 (DOE) 기준 건물 모델과 실제 사무용 건물 및 대형마트 건물의 실측 데이터를 대상으로 보정을 수행하였으며, 마르코프 연쇄 몬테카를로 (MCMC) 기반 전역 탐색 방법과 Nelder–Mead 기반 국소 탐색 방법과 비교 분석하였다. 평가 지표로는 ASHRAE Guideline 14에서 제시하는 CV(RMSE)와 NMBE를 적용하였고, 추가적으로 사후 분포 기반의 중첩 계수 (OVL), 최고밀도구간 (HDI), 실용적 동등 영역 (ROPE), 다변량 분산 분석 (MANOVA) 등을 활용하여 매개변수 추정의 통계적 안정성과 물리적 타당성을 종합적으로 평가하였다. 분석 결과, LLM 기반 보정 프레임워크는 기존 방법 대비 시뮬레이션 반복 횟수를 약 30~50% 감소시키고, 설계일 기준 실내 온도 및 공조기 부하 예측에서 CV(RMSE) 1.25~1.72%, NMBE 0.5% 이내의 낮은 오차를 도출하여 보정 결과의 정확도는 ASHRAE Guideline 14 기준 이내를 달성하 였다. 또한 사후 분포 분석을 통해 LLM 기반 보정이 상대적으로 좁은 불확실성 범위를 유지하며, 설계 기준과 일관된 매개변수 조합을 형성하 였다. 특히 U-value와 SHGC 등 외피 관련 매개변수에서 물리적으로 해석 가능한 상관 관계를 유지하여, 목적함수 계산만을 통해 모델 보정을 수행하는 기존 최적화 방법과 구별되는 특성을 보였다. 일반화 검증 결 과에서도 LLM 기반 보정은 다양한 날짜와 계절 조건에서 예측 오차와 편향의 변동성이 가장 작게 나타나, 안정적인 예측 성능을 유지하였다. 본 연구는 LLM을 보정 탐색 과정에 직접 통합함으로써 기존 BEM 보정의 블랙박스적 특성을 완화하고, 계산 효율성과 물리적 해석 가능성을 동시에 향상시킬 수 있음을 정량적으로 입증한다. 제안된 프레임워크는 향후 디지털 트윈 기반 건물 운영 분석, 실시간 재보정, 설명 가능한 에너지 모델링 등으로 확장 가능하며, AI 기반 건물 에너지 모델 보정의 기반을 제공한다.

다국어 초록 (Multilingual Abstract)

This study proposes a novel Large Language Model (LLM)-based calibration framework to improve the reliability of Building Energy Models (BEMs), which are essential tools for reducing energy consumption and carbon emissions in the building sector. Conventional automated calibration methods, including optimization-based and Bayesian approaches, often exhibit limited search efficiency and may produce parameter estimates that are inconsistent with the physical characteristics of real buildings. In addition, these methods often incur high computational costs, inadequately capture physical interactions among parameters, and operate as black-box processes with limited interpretability. To address these limitations, this study employs an LLM as a domain-aware reasoning agent and develops an active learning–based calibration loop consisting of parameter proposal, physical constraint validation, simulation evaluation, and feedback updating. The proposed framework is applied to EnergyPlus-based BEM calibration, where the LLM interprets iterative search histories and error metrics to adaptively select search, exploitation, refinement, and restart strategies. Physical constraints related to envelope performance, air exchange, and thermal interactions are incorporated through structured prompting. The framework is evaluated using U.S. Department of Energy (DOE) reference building models and measured data from a real office building and a large retail building, and the results are compared with those obtained using Markov Chain Monte Carlo (MCMC)-based global search methods and the Nelder–Mead local optimization method. Calibration performance is assessed using CV(RMSE) and NMBE in accordance with ASHRAE Guideline 14. In addition, posterior distribution–based metrics, including the overlap coefficient (OVL), highest density interval (HDI), region of practical equivalence (ROPE), and multivariate analysis of variance (MANOVA), are used to evaluate the statistical stability and physical plausibility of the estimated parameters. The results indicate that the LLM-based calibration framework reduces the number of simulation iterations by approximately 30–50% compared to conventional methods, while achieving calibration accuracy that satisfies ASHRAE Guideline 14. Under design-day conditions, CV(RMSE) values of 1.25–1.72% and NMBE within ±0.5% are obtained for indoor temperature and HVAC load predictions. Posterior distribution analyses show that the proposed approach maintains a relatively narrow uncertainty range and yields parameter combinations that are consistent with design standards. In particular, physically interpretable correlation structures are preserved among envelope-related parameters such as U-value and solar heat gain coefficient (SHGC), distinguishing the proposed method from conventional optimization approaches that tend to converge toward solutions driven primarily by numerical error minimization. Generalization tests further show that the LLM-based calibration exhibits smaller variations in prediction error and bias across different days and seasonal conditions. This study quantitatively demonstrates that directly integrating LLMs into the BEM calibration process mitigates the black-box nature of conventional calibration methods while simultaneously improving computational efficiency and physical interpretability. The proposed framework provides a foundation for future applications such as digital twin based building operation analysis, real-time recalibration, and explainable energy modeling, thereby advancing AI-enhanced BEM calibration methodologies.

목차 (Table of Contents)

• 제1장 서 론 1
• 1.1 연구 배경 및 목적 1
• 1.2 연구 범위 및 방법 3
• 1.3 연구 동향 5
• 제2장 연구 방법 및 이론 고찰 8
• 2.1 BEM 시뮬레이션 도구 8
• 2.1.1 개요 및 해석 방법 8
• 2.1.2 EnergyPlus 11
• 2.2 대상 건물의 개요 14
• 2.2.1 기준 건물 모델 14
• 2.2.2 실제 대상 건물 17
• 2.3 비교 최적화 방법 20
• 2.3.1 MCMC 기반 전역 최적화 21
• 2.3.2 Nelder-mead 기반 국소 최적화 22
• 2.4 LLM 기반 최적화 프레임워크 23
• 2.4.1 개념적 프레임워크 23
• 2.4.2 보정 루프의 수학적 공식화 25
• 2.4.3 적응형 최적화 전략 선택 27
• 2.4.4 대규모 언어모델 기반 프롬프트 설계 및 추론 29
• 2.5 평가 지표 33
• 2.6 추정 매개변수의 통계적 및 물리적 일관성 분석 35
• 제3장 연구 결과 및 분석 38
• 3.1 기준 모델을 통한 보정 38
• 3.1.1 기준 모델 보정 결과의 열특성 분석 38
• 3.1.2 기준 모델의 최적 매개변수 비교 41
• 3.1.3 기준 모델의 보정 계산 비용 및 정확도 비교 평가 44
• 3.2 실제 데이터 기반 보정 46
• 3.2.1 보정 과정의 탐색공간 및 최적값 46
• 3.2.2 계절별 다일 보정 48
• 3.2.3 대체 대상 및 건물 유형 53
• 3.3 사후 분포 및 물리적 일관성 분석 58
• 3.3.1 사후 분포 기반 수렴 및 탐색 특성 분석 58
• 3.3.2 사후 분포 기반 통계적 분석 62
• 3.4 일반화 검증 64
• 3.4.1 예측 성능의 동적 정확도 평가 64
• 3.4.2 예측 성능의 정량적 검증 72
• 제4장 결 론 78
• 참고문헌 80
• ABSTRACT 86