AI 기반 건물 에너지 시스템 모델링 향상을 위한 샘플링 비용에 관한 능동 학습

기계 학습은 모델 기반 제어 및 최적화를 위한 데이터 중심 모델링 기술로 널리 인정받고 있습니다. 그러나 데이터 중심 모델의 일반화 가능성은 건물 운영에서 사용 가능한 훈련 데이터가 제한된 범위의 작업 조건만을 포함하는 경우가 많아 상당한 도전에 직면합니다. 능동 학습은 새로운 데이터 샘플을 추가하여 훈련 세트를 풍부하게 하기 위해 보지 못한 유익한 작업 조건을 적극적으로 테스트할 수 있습니다. 이로 인해 데이터 중심 모델의 일반화 성능이 향상됩니다. 본 연구에서는 건물 운영 및 외부 환경의 실시간 상태를 반영하는 새로운 거리 및 정보 밀도 기반 샘플 전략을 개발하였습니다. 이 전략은 마할라노비스 거리를 기반으로 하여 라벨이 없는 샘플(보지 못한 작업 조건)의 샘플링 값을 훈련 샘플과 다른 라벨이 없는 샘플과의 유사성을 평가하여 결정합니다. 충분히 대표적인 샘플을 수집하는 것이 어렵고 비용이 많이 들며 시간이 많이 소요될 수 있기 때문에, 건물 에너지 시스템의 정상 운영에 대한 능동 샘플링 과정의 부정적인 영향을 고려하여 다양한 샘플링 방법의 효율성을 비교하기 위한 거리 기반 샘플링 비용 메트릭이 제안됩니다. 본 논문은 실제 고층 건물의 냉각 타워에서 수집된 데이터를 바탕으로 거리 기반 샘플링 전략을 포함한 다섯 가지 능동 학습 방법에 대한 포괄적이고 심도 있는 비교를 제시합니다. 결과는 능동 학습이 유익한 데이터 샘플을 효과적으로 식별하고 데이터 중심 모델의 일반화 성능을 향상시킬 수 있음을 보여줍니다. 연구 결과는 데이터 샘플링 비용을 크게 줄여 AI 기반 데이터 중심 모델링을 향상시키는 데 가치가 있습니다.