인공지능 기반 건물 냉난방 부하 제어 기법의 비교 분석

국문 초록 (Abstract)

본 논문은 Peltier 기반 HVAC 실험 장치를 이용하여 PID, 단순 AI 및 AI 예측 제 어（AI-LMPC）의 온도제어와 에너지 사용 특성을 비교하였다. 분석은 여섯 가지 예측 모델 평가, 동일 전구 부하 조건의 단순 AI 자동제어 비교, 그리고 PID와 AI-LMPC 의 교대제어 비교로 구성하였다. 예측모델 평가에서는 모든 지표에서 항상 우수한 단일 모델이 존재하지 않았다. 단 일 GRU와 비교하여 GRU+RF와 GRU+XGBoost는 온도 MAE를 각각 47.2%와 43.2%, 전압 MAE를 각각 38.0%와 30.4% 감소시켰다. 그러나 연산시간은 GRU+RF 326.48 s, GRU+XGBoost 22.19 s였으므로 예측성능과 계산가능성을 함께 고려하여 GRU+XGBoost를 후속 제어의 대표모델로 선정하였다. 동일 전구 부하와 동일 설정조건에서 추출한 완전한 30 min 3제어기 cycle 비교에 서 AI-XGB의 온도 MAE는 AI-RF보다 네 사례 모두 42.1–48.9% 낮았다. Cooling Day 사례에서는 AI-XGB가 PID보다 낮은 온도 MAE와 3.4–22.9% 낮은 30 min 환 산 에너지를 보였으나, Heating Night에서는 PID의 온도 MAE와 ±1°C 유지율이 더 우수하였다. 따라서 단순 AI 제어의 성능은 운전모드와 열부하 조건에 따라 달라졌다. AI 예측 제어는 GRU+XGBoost 예측, 후보전압 생성, 60 s 단순화 rollout, 온도·에 너지·출력변화 목적함수 및 규칙 기반 안전제약을 결합하였다. 이는 완전한 표준 다단 계 MPC가 아니라 본 실험 장치에서 10 s 주기로 실시간 운전하기 위한 경량 구현이 다. 약 25.8 h 누적 Cooling 비교에서는 PID와 AI-LMPC의 실제 운전시간이 달랐으므 로 원시 누적 에너지 총량 대신 평균전력과 30 min 환산 에너지를 사용하였다. 평균 외기온도 차이가 0.09°C인 조건에서 AI-LMPC의 평균전력은 44.85 W에서 42.57 W 로, 30 min 환산 에너지는 22.43 Wh에서 21.29 Wh로 감소하여 PID보다 약 5.1% 낮 았다. 23–25°C 유지율은 PID 77.8%, AI-LMPC 80.0%였다. 결과적으로 AI 제어가 모든 조건에서 PID를 대체할 수는 없었다. PID는 저부하 및 안정 유지 조건에서 높은 안정성을 보였고, AI-LMPC는 유효 Cooling 조건에서 유사 한 온도범위 유지와 낮은 시간 정규화 에너지를 보였다. 따라서 냉난방 제어기는 열 부하와 운전상태를 인식하여 PID와 AI 예측 제어를 선택하는 혼합구조로 발전할 필 요가 있다. 야간 유효 Cooling pair P1–P4에서는 AI-LMPC가 PID보다 낮은 평균전력을 보이 는 사례가 관찰되었으나, 외기온도와 초기조건 차이로 인해 이를 일반적인 절감률로 해석하지 않았다. 장시간 누적 Cooling 비교에서는 두 제어기의 실제 운전시간 차이 를 고려하여 평균전력과 30 min 환산 에너지를 사용하였다. 평균 외기온도 차이가 0.09°C인 조건에서 AI-LMPC의 시간 정규화 에너지는 PID보다 약 5.1% 낮았고, 23– 25°C 유지율은 PID 77.8%, AI-LMPC 80.0%였다. 종합적으로 본 연구의 결과는 AI 기반 제어가 PID 제어의 단순한 대체 수단으로 이해되어서는 안 됨을 시사한다. PID, 단순 AI 제어 및 AI-LMPC의 상대적 적합성은 운전 조건에 따라 달라진다. 향후 연구에서는 실험 데이터를 확장하고, 더 많은 반복 ABAB 비교를 수행하며, 적응형 목적함수 가중치를 개선하고, 더 크고 현실적인 HVAC 시스템을 대상으로 조건 인식 기반 혼합 제어 전략을 개발할 필요가 있다.

다국어 초록 (Multilingual Abstract)

This thesis compares PID control, simple AI control, and AI prediction-assisted control （AI-LMPC） using a Peltier-based HVAC experimental apparatus. The analysis consists of six prediction-model evaluations, simple AI automatic-control comparisons under identical bulb loads, and alternating PID/AI-LMPC control comparisons.
No single prediction model was superior across all metrics. Relative to the GRU baseline, GRU+RF and GRU+XGBoost reduced temperature MAE by 47.2% and 43.2% and voltage MAE by 38.0% and 30.4%, respectively. GRU+RF required 326.48 s, whereas GRU+XGBoost required 22.19 s; therefore, GRU+XGBoost was selected by jointly considering prediction performance and computational feasibility.
For complete 30-min three-controller cycles with identical bulb loads and setpoints, AI-XGB achieved 42.1–48.9% lower temperature MAE than AI-RF in all four cases. In the Cooling Day cases, AI-XGB showed lower temperature MAE and 3.4–22.9% lower 30-min normalized energy than PID. In the Heating Night cases, PID achieved lower temperature MAE and higher within-band ratios. Thus, the performance of simple AI control depended on the operating mode and thermal load.
The AI-LMPC controller combined GRU+XGBoost prediction, candidate-voltage generation, a simplified 60-s rollout, a temperature-energy-smoothness objective, and rule-based safety constraints. It was a lightweight real-time implementation with a 10-s control cycle rather than a full standard multistep MPC solver.
In the approximately 25.8-h cumulative Cooling comparison, actual PID and AI-LMPC durations differed; therefore, time-weighted average power and 30-min normalized energy were used instead of raw cumulative totals. With a 0.09°C difference in mean outdoor temperature, average power decreased from 44.85 W to 42.57 W and normalized energy decreased from 22.43 Wh to 21.29 Wh, corresponding to an approximately 5.1% reduction. The 23–25°C within-band ratios were 77.8% for PID and 80.0% for AI-LMPC.
The results indicate that AI control cannot replace PID under all conditions. PID was stable under low-load and steady-maintenance conditions, whereas AI-LMPC showed comparable temperature-band maintenance and lower time-normalized energy under effective Cooling conditions. A condition-aware hybrid structure that selects PID or AI prediction-assisted control according to thermal load and operating state is therefore recommended.

목차 (Table of Contents)

• 제1장 서론 1
• 1.1 연구 배경 1
• 1.2 건물 냉난방 부하 제어의 필요성 3
• 1.3 전통 PID 제어와 AI 제어 방법의 한계 6
• 1.4 연구 목적 9
• 1.5 연구 범위 및 방법 11
• 1.6 논문 구성 14
• 제2장 실험 장치 및 제어 시스템 17
• 2.1 실험 장치 구성 17
• 2.2 하드웨어 구성 및 신호 흐름 23
• 2.3 PID 제어 구조 27
• 2.4 단순 AI 제어 구조 30
• 2.5 AI 예측 제어(AI-LMPC) 구조 32
• 2.6 데이터 수집 변수 및 CSV 구조 36
• 2.7 평가 지표 38
• 2.8 본 장의 요약 40
• 제3장 데이터셋, 예측 모델 및 실험 결과 설명 42
• 3.1 예측 과제 및 입력·출력 정의 42
• 3.2 여섯 가지 예측 모델 구조 44
• 3.3 사전 예측 평가 데이터셋 설명 47
• 3.4 사전 예측 평가 데이터 특성 설명 50
• 3.5 사전 예측 평가 결과 정리 54
• 3.6 단순 AI 자동제어 보충 실험 데이터 설명 56
• 3.7 AI 예측 제어(AI-LMPC) 실제 자동제어 실험 데이터 설명 58
• 3.8 본 장의 요약 62
• 제4장 AI 기반 냉난방 제어 방법의 비교 분석 64
• 4.1 사전 예측 평가 모델 성능 비교 65
• 4.2 모델 선택 및 대표 모델 선정 75
• 4.3 단순 AI 제어 실험 비교 77
• 4.4 AI 예측 제어 도입의 필요성 83
• 4.5 AI 예측 제어(AI-LMPC) 구조 및 데이터 선별 기준 85
• 4.6 야간 Cooling 유효 제어 구간 분석 90
• 4.7 주간 저부하 Cooling 구간 분석 94
• 4.8 외기온도를 고려한 누적 Cooling 성능 비교 96
• 4.9 종합 논의 99
• 4.10 본 장의 요약 102
• 제5장 결론 및 향후 연구 104
• 5.1 연구 결론 104
• 5.2 연구 기여 105
• 5.3 연구 한계 107
• 5.4 향후 연구 방향 110
• 참고문헌 114
• 부록 A-1 전체 사전 예측 평가 결과 118