Fit-for-purpose building energy modeling and calibration: Dynamical vs. representational fidelity = 건물 에너지 모델링 및 보정: 정확도 중심 對 현실 표현 충실도 중심

다국어 초록 (Multilingual Abstract)

Building energy model calibration is commonly performed using dynamical fidelity criteria, such as statistical goodness-of-fit metrics, to assess agreement between simulated and measured data. However, the extent to which such criteria ensure model reliability under hypothetical decision-making contexts remains unclear. This thesis examines the limitations and potential unreliability of traditional calibration approaches that focus primarily on dynamical fidelity.
An EnergyPlus model of a complex office building was developed using a highly automated, parametric modeling workflow implemented through Rhino, Grasshopper, and Python. Model calibration was conducted using a sampling-based approach, enabling efficient exploration of high-dimensional parameter spaces and repeatable sample selection through parallel computation. Conventional dynamical fidelity metrics, including daily and hourly CVRMSE and MAE, were used to select calibrated samples on a weekly basis, which were then employed to generate short-term forecasts.
To evaluate the robustness of these calibrated models, five fit-for-purpose what-if scenarios were designed to expose the models to varying contextual conditions representative of realistic operational and decision-making environments. The results demonstrate that marginal differences in calibration metrics can lead to substantially divergent predictions under different conditions, indicating that satisfaction of dynamical fidelity criteria alone does not guarantee representational fidelity. Even samples identified as “overall best” through retrospective evaluation exhibited unreliable performance across several what-if scenarios.
It can be said that conventional error tolerance-based calibration secures dynamical fidelity but not representational fidelity, and dynamical fidelity is a necessary but fundamentally insufficient condition for model reliability. Evaluating models not only under as-is conditions but also under counterfactual, purpose-driven what-if scenarios is essential for establishing the structural adequacy and reliability for decision-making objectives.

국문 초록 (Abstract)

건물 에너지 모델이 현실을 충분히 모사한다고 판단하기 위한 기준은 모델과 실제 건물의 출력값 간의 일치도를 평가하는 모델 정확도(dynamical fidelity)와, 내부 인과 구조의 유사성을 평가하는 현실 표현 충실도(representational fidelity)로 구분될 수 있다. 기존의 모델 보정 연구는 주로 정확도 지표에 기반하여 수행되어 왔으나, 이러한 접근이 다양한 의사결정 상황에서 모델의 예측 신뢰성과 활용 가능성을 충분히 보장하는지에 대해서는 명확한 검증이 이루어지지 않았다. 본 연구는 모델 정확도와 현실 표현 충실도의 개념적 구분을 통해 정확도 중심의 기존 보정 접근법이 갖는 한계를 분석하고, 다양한 의사결정 시나리오 하에서의 모델 신뢰성 확보를 위해 현실 표현 충실도를 고려한 보정의 필요성을 검토하는 목적으로 한다.
본 연구에서는 복합 업무용 건물을 대상으로 Rhino, Grasshopper, Python을 연계한 파라메트릭 모델링 과정을 통해 EnergyPlus 기반의 건물 에너지 모델을 구축하고, 샘플링 기반 보정 기법을 적용하여 고차원 매개변수 공간을 효율적으로 탐색하였다. 일별 및 시간별 CVRMSE와 MAE 등 기존의 정확도 지표를 활용하여 주 단위로 보정 후보 샘플을 선별하고, 다음 주에 대한 예측 정확도를 평가하였다. 또한, 보정된 모델을 활용할 다양한 의사결정 상황에서의 모델 신뢰성을 평가하기 위해 다섯 가지 목적 지향적(fit-for-purpose) what-if 시나리오를 구성하고, 기존 운영 조건과 상이한 환경 및 제어 조건 하에서의 예측 결과를 비교·분석하였다.
분석 결과, 정확도 지표 상에서의 미미한 차이에도 불구하고 외부 환경 조건에 따라 예측 결과가 크게 상이하게 나타났으며, 기존 제어 조건에서는 높은 정확도를 보인 모델들조차 what-if 시나리오에서는 일관되지 않은 예측을 보였다. 특히 특정 주가 아닌, 전체 기간에 대해 최상의 정확도를 보인 샘플들 역시 새로운 의사결정 시나리오 하에서는 신뢰성 있는 예측을 보장하지 못했다.
이러한 결과는 정확도의 만족이 현실 표현 충실도를 보장하지 않음을 시사하며, 보정 기간의 확대나 관측 데이터의 양 및 범위 증가만으로는 다양한 의사결정 상황에서의 모델 신뢰성을 확보하기 어렵다는 것을 보여준다. 따라서 건물 에너지 모델의 보정 및 검증 과정에는 출력값 재현 성능뿐만 아니라 내부 구조와 변수 간 상호작용에 대한 검토가 포함되어야 하며, 모델 정확도를 넘어 의사결정 목적과 적용 맥락을 명시적으로 고려한 보정 및 검증 프레임워크가 필요함을 시사한다.

목차 (Table of Contents)

• Abstract i
• Table of Contents iii
• List of Figures v
• List of Tables vi
• Chapter 1. Introduction 1
• 1.1 Research backgrounds 1
• 1.1.1 Role of simulation models 1
• 1.1.2 Purpose of model calibration 5
• 1.1.3 Fidelity criteria 7
• 1.2 Research gap and problem statement 9
• 1.3 Organization of the dissertation 13
• Chapter 2. Literature review 16
• 2.1 Error metrics 17
• 2.2 Calibration approaches 20
• 2.2.1 Deterministic approach 20
• 2.2.2 Stochastic approach 22
• 2.2.3 Sampling-based approach 24
• 2.3 Summary 27
• Chapter 3. Simulation model & calibration 28
• 3.1 Simulation models 30
• 3.1.1 Target building 30
• 3.1.2 Modeling process 31
• 3.1.3 Calibration parameters 39
• 3.1.4 Sampling process 42
• 3.2 Model calibration and evaluation 44
• 3.2.1 Sample selection 44
• 3.2.2 What-if scenarios 44
• 3.3 Summary 47
• Chapter 4. What-if scenario-based model evaluation 49
• 4.1 Error tolerance-based calibration 49
• 4.2 Predictions under what-if scenarios 57
• 4.2.1 6/30 – 7/4 predictions 57
• 4.2.2 7/7 – 7/11 predictions 65
• 4.2.3 “Best” samples 67
• 4.3 Summary 74
• Chapter 5. Conclusions and future works 76
• 5.1 Summary 76
• 5.2 Discussion and future works 80
• Reference 82
• Appendix A. Code 87
• A.1 Model preprocess 87
• A.2 Sample generation 106
• A.3 What-if scenario generation 108
• Appendix B. Supplementary figures 110
• B.1 Outdoor air temperature and GHI 110
• B.2 What-if scenario results 111
• Abstract in Korean 118