1. 서 론
1.1. 연구 배경
1.2. 연구 범위
2. 연구 방법
2.1. 시뮬레이션 프로그램 선정
2.2. 프로그래밍 언어 및 플랫폼 선정
2.3. 연동 시뮬레이션 및 제어로직 개발
2.4. 대상건물 모델링 방법
2.5. ANN 예측모델 개발
3. 연구결과
3.1. 실내온도 및 Unmet hours 분석
3.2. 외기온도 및 실내발열에 따른 AHU 토출 설정온도 분석
3.3. ANN 예측모델 제어에 따른 실내 온열 쾌적성 분석
3.4. 냉방 에너지 소비량 분석
4. 결 론
1. 서 론
1.1. 연구 배경
에너지 효율성은 현대 건축물 설계와 운영에서 중요한 요소로 자리 잡고 있다(Li & Wen, 2014). 특히, HVAC(Heating, Ventilation, and Air Conditioning) 시스템은 건물 전체 에너지 소비의 상당 부분을 차지하고 있어, 이의 효율적인 운영은 에너지 절약과 운영 비용 감소에 필수적이다(Yan & Zhang, 2013). CAV(Constant Air Volume) 시스템은 일정한 공기량을 유지하면서 건물의 냉방 및 난방을 제공하는 방식으로, 상용 건물에서 널리 사용되고 있다(Gao et al., 2018). 그러나, 이러한 시스템은 다양한 외부 환경 조건과 실내 열 부하 변화에 즉각적으로 대응하는 데 한계가 있다(Wang & Jin, 2000). 기존의 CAV 시스템은 단순한 제어 알고리즘을 사용하여 공기 온도를 조절하므로, 실시간으로 변하는 환경 조건을 반영하지 못하고 최적의 에너지 사용을 달성하기 어렵다(Zhou & Wang, 2006). 특히, 최근 기후 변화로 인해 외기 온도의 변동성이 커지고 있으며, 이는 건물 내 HVAC 시스템의 효율적 운영을 더욱 어렵게 만들고 있다. 따라서, 보다 정교한 예측 모델을 통해 실시간으로 변하는 외부 환경과 내부 열 부하를 효과적으로 대응할 수 있는 시스템 개발이 절실히 필요하다(Kalogirou, 2000). 또한, 에너지 비용 상승과 환경 규제의 강화로 인해 건물 운영자들은 더욱 효율적이고 지속 가능한 에너지 관리 솔루션을 필요로 하고 있다(International Energy Agency, 2020). 이러한 문제를 해결하기 위해 인공 신경망(Artificial Neural Network, ANN)을 활용한 제어 기법이 주목받고 있다(Nassif, Kajl, & Sabourin, 2005). ANN은 복잡한 비선형 시스템을 모델링하고 학습할 수 있는 능력을 가지고 있어, HVAC 시스템의 제어 성능을 향상시키는 데 유리하다(Gao et al., 2018). 하지만 이러한 학습모델을 통한 최적제어 연구가 많이 진행된 VAV(Variable Air Volume) 시스템과 달리 CAV 시스템에 대한 연구에서는 주로 PI(Proportional-Integral) 제어 및 RMPC(Robust Model Predictive Control) 기반의 예측 제어와 환기 전략에 초점을 맞추고 있다(Huang et al., 2009; Afram et al., 2021). 또한 시스템 비교를 통한 에너지 성능 비교 연구가 활발히 진행되고 있는 것으로 나타났고 그 중 DCV(Demand Controlled Ventilation) 시스템과의 성능 비교에 관한 연구가 주로 이루어지고 있는 것으로 나타났다(Chen et al., 2020; Al Assaad et al., 2023; Bonato et al., 2020). 따라서, 고급 제어 기술, 특히 머신러닝 기반의 제어에 대한 연구는 상대적으로 부족한 실정으로 나타났다.
1.2. 연구 범위
본 연구는 CAV 시스템의 여름철 냉방 시 문제점을 해결하기 위해, 인공신경망 예측모델을 활용하여 실내 온도를 예측하고, 이를 바탕으로 AHU의 토출온도를 실시간으로 제어하는 방안을 제시하고자 하였다. 주요 목표는 인공신경망 예측 모델의 성능을 평가하고, 제어 알고리즘이 실내 온열 쾌적성에 미치는 영향을 분석하며, 기존 CAV 시스템과의 에너지 절감 효과를 비교하는 것이다. 연구는 EnergyPlus와 Python을 이용한 연동 시뮬레이션으로 수행되었으며, 데이터 분석은 8월 한 달간의 여름철 기간을 대상으로 진행 하였다.
2. 연구 방법
2.1. 시뮬레이션 프로그램 선정
EnergyPlus는 미국 에너지성(DOE)에서 개발된 건물 냉난방 부하, 열환경, 에너지 해석 프로그램으로, DOE-2와 BLAST의 장점을 결합한 소프트웨어이다. EnergyPlus는 ASHRAE에서 권장하는 Heat Balance 기법을 사용하여 비정상 상태의 열전도, 복사, 대류에 대한 동적 해석이 가능하다. 또한, EnergyPlus는 Erl(EnergyPlus Runtime Language)과 EMS(Energy Management System)을 통해 다양한 제어 알고리즘을 구현할 수 있다는 장점을 가졌다(U.S. Department of Energy, 2020). 최근 EnergyPlus의 시뮬레이션 엔진은 C++에서 Python으로 점차 변경되며 EMS 기능이 강화되었고 Python Plug-in과 Library Mode를 통해, EnergyPlus API를 활용한 외부 스크립트(C 또는 Python) 작성이 가능하다. Plug-in 모드에서는 Python 스크립트를 입력 파일과 연동하여 EnergyPlus 실행 중에 호출할 수 있으며 이에 따라 본 연구에서는 Python 기반 머신러닝을 적용하기에 적합한 에너지 시뮬레이션 프로그램으로 EnergyPlus를 선정하였다.
2.2. 프로그래밍 언어 및 플랫폼 선정
본 연구에서는 EnergyPlus와의 연동 시뮬레이션 및 머신러닝 개발을 위해 Python을 사용하였다. Python은 간결한 코드와 쉬운 문법으로 유지보수와 디버깅이 용이하며, 다양한 라이브러리를 통해 여러 분야에서 활용할 수 있다(Srinath, 2017). 머신러닝 환경 구축에는 Anaconda 플랫폼을 사용하였는데, 이는 수천 개의 패키지와 라이브러리를 포함한 완전한 배포판을 제공하여 개발 효율성을 높이고, 버전 관리와 가상 환경 설정이 용이하기 때문이다. 또한 Anaconda는 Jupyter Notebook을 기본으로 포함하여, 대화형 환경에서 코드 실행과 데이터 시각화, 문서화를 지원해 머신러닝 모델의 개발과 실험에 유용하다.
2.3. 연동 시뮬레이션 및 제어로직 개발
연동 시뮬레이션은 EnergyPlus와 Python은 API 또는 Plug-in을 통해 진행할 수 있으며 EnergyPlus의 Calling Point에 따라 자신이 원하는 지점에서 Python 스크립트로 작성한 함수를 불러올 수 있다. 본 연구에서 개발한 ANN 예측모델은 실내부하 요건과 AHU 공급온도에 따른 실내온도를 예측하기 때문에, “After Predictor Before HVAC Managers”의 Calling Point를 사용하였다. 해당 Calling Point는 예측기가 실행된 직후 발생하며 기존의 HVAC 매니저가 호출되기 전에 발생된다. 각 시간 단계마다 발생하며 다양한 제어 작업에 유용하다. Figure 1는 연동 시뮬레이션을 통한 제어 로직을 간단히 나타내며 이는 다음과 같다. EnergyPlus로부터 HVAC 매니저가 호출되기전 각 시간 단계마다 ANN에 필요한 데이터들을 Python으로 송출되고 Python에서는 ANN 예측 모델을 통해 AHU 토출온도의 설정온도에 따른 실내온도를 예측하게 된다. 예측된 실내온도 중 24 ~ 26°C 범위에 드는 AHU 토출 설정온도는 별도의 List에 저장되며 그 중 가장 높은 설정온도를 최종 값으로 결정하여 EnergyPlus로 반송된다.
2.4. 대상건물 모델링 방법
본 연구에서는 프로토 타입(Proto type)의 중형 오피스 건물 모델링을 진행하였으며 이는 Figure 2와 같다. 바닥면적은 장방형의 형태로 대략 52 m × 35 m이며 층고는 Plenum을 포함한 3.9 m로 구축되었다. 또한 대상 건물의 창 면적비는 30%로 외벽에 창문을 구성하였으며 각 층은 열 환경 조건에 따른 실내부하 설계를 다르게 하기 위해 향 방향에 따른 4개의 외주부와 내주부로 구분되어 있다. 건물 벽체 및 창호의 열적 성능은 Table 1과 같으며 이는 ASHREA Standard 90.1을 참조하였다(ASHRAE, 2019). 대상 건물의 HVAC 시스템은 기본적으로 이코노마이저, 냉각/난방 코일, 공급 팬으로 구성되어 있으며 중앙 시스템은 2개의 냉동기와 냉각탑 그리고 보일러로 구성되어 있다. 각 실내는 재열 코일이 내장되어 있는 VAV 시스템을 통해 개별 공조된다. 각 시스템의 입력 및 내부발열 조건은 Table 2와 같다. 기상데이터는 EnergyPlus에서 자체적으로 제공하는 인천 기상데이터를 활용하였으며 HVAC 작동 스케줄은 05시부터 19시까지로 설정하였다.
Table 1.
Specification of material properties
Table 2.
Simulation condition
| Group | Type | Value | Units |
| HVAC | AHU supply temperature | 13 ~ 18 | °C |
| AHU fan design static pressure | 1125 | Pa | |
| AHU fan efficiency | 63 | % | |
| Minimum outdoor air flow rate | 4.24 | m3/s | |
| AHU fan maximum flow rate | 11.94 | kg/s | |
| Plant | Chiller 1,2 COP | 5.5 | |
| Chiller 1,2 capacity | 200000 | ||
| Chiller 1,2 water temperature | 7 | °C | |
| Condenser water temperature | 25 | °C | |
| Boiler capacity | 120000 | ||
| Boiler thermal efficiency | 0.78 | ||
| Internal heat gain | Occupancy* | 9.3 | m2/person |
| Lighting† | 9.1 | W/m2 | |
| Equipment‡ | 14.4 | W/m2 | |
| Infiltration | 0.048 | m3/s |
2.5. ANN 예측모델 개발
ANN 예측모델 개발을 위해 EnergyPlus 시뮬레이션을 사용하여 AHU 공급 설정온도를 13°C부터 18°C까지 설정한 6개의 시나리오와 스케줄을 무작위로 변경한 8개의 시나리오 데이터를 생성하였고, 이를 통해 총 30,912개의 1시간 단위 데이터를 얻었다. 데이터는 7:3의 비율로 훈련 데이터와 검증 데이터로 분할하였으며, Feature와 Target은 Table 3과 같다. 모델의 성능 평가는 ASHRAE Guideline 14-2002에서 권장하는 cv(RMSE)와 R² 지표를 사용하였다(ASHRAE, 2014). cv(RMSE)는 예측 값과 실제 값의 차이를 평가하는 지표로, 값이 작을수록 모델의 예측 성능이 우수함을 나타낸다. R²는 예측 값과 실제 값 사이의 상관관계를 나타내며, 0에서 1 사이의 값을 가지며, 1에 가까울수록 높은 상관관계를 의미한다. ANN 모델은 실내외 조건, 실내 발열 조건, AHU 토출 설정온도에 따라 실내 온도를 예측하도록 설계되었다. 모델의 아키텍처는 Sequential 형태로, 입력층에 10개의 뉴런, 두 개의 은닉층에 각각 18개와 19개의 뉴런, 출력층에 1개의 뉴런으로 구성되었다. 가중치 초기화를 위해 He_normal 가중치 초기화를 사용하였으며 이는 ReLU 활성화 함수와 함께 사용되어 기울기 소실 문제를 완화하는 데 효과적이다(He, Zhang, Ren, & Sun, 2015). 옵티마이저로는 Adam(학습률 0.001)을 사용하였으며, 이는 불안정한 그래디언트와 노이즈 문제를 효과적으로 해결할 수 있다(Kingma & Ba, 2015). 은닉층에는 ReLU 활성화 함수를, 출력층에는 Sigmoid 활성화 함수를 적용하였다. ReLU는 계산 효율성을 높이고 기울기 소실 문제를 줄이는 데 유리하며(Nair & Hinton, 2010), Sigmoid는 출력 값을 확률로 해석할 수 있게 한다(Han, Kim & Kim, 2015). 모델은 Epoch 150, Batch size 16으로 학습되었으며, 손실 함수와 평가 지표로는 MSE를 사용하였다. 최종적으로, ANN 예측 모델의 cv(RMSE)는 7.6%, R²는 0.73을 기록하여 실내 온도 예측에 적합한 성능을 보였으며 이는 Figure 3과 같다.
여기서 는 실제 값을 의미하며 는 예측 값 은 데이터의 포인트 개수를 의미한다.
여기서 는 실제 값을 의미하며 는 예측 값 는 실제 값의 평균 은 데이터의 포인트 개수를 의미한다.
Table 3.
Method for Constructing Learning data
3. 연구결과
3.1. 실내온도 및 Unmet hours 분석
Figure 4는 8월 1일부터 31일까지 HVAC 시스템 작동 시간 동안, ANN 예측모델을 적용한 경우와 AHU 토출온도를 13°C(AHU_13), 18°C(AHU_18)로 고정했을 때의 실내온도를 비교한 결과를 보여준다. 모든 Case에서 기본 Thermostat 설정값은 26°C로 설정하였다. AHU 토출온도를 13°C로 고정한 경우에는 과냉방이 발생하여 대부분의 시간 동안 실내온도가 Thermostat 설정값인 26°C보다 낮게 유지되었다. 반대로 AHU 토출온도를 18°C로 고정했을 때는 토출온도가 높아 실내 부하를 충분히 해소하지 못하고, 실내온도가 Thermostat 설정값보다 높아지는 경우가 빈번하였다. 이러한 현상은 AHU-CAV 시스템이 고정된 토출온도와 공급 풍량으로 인해 실내 부하에 적절히 대응하지 못했기 때문이다. 이에 반해 ANN 예측모델을 적용한 경우에는 실내온도 예측값의 오차를 고려하여 실내 설정온도를 24 ~ 26°C로 조정하였다. 그 결과, 대부분의 시간 동안 실내온도 조건이 만족되었으며, 최소 24°C의 온도를 유지하고, 몇몇 경우를 제외하고 대부분의 시간에 Thermostat 설정값인 26°C를 유지할 수 있었다. 따라서, 설정된 온도 조건에 충족하지 못하는 시간인 Unmet hours는 총 315시간 중 43시간으로 줄어들었으며, 이는 13°C와 18°C로 고정한 경우에 비해 약 84% 감소한 수치이다.
3.2. 외기온도 및 실내발열에 따른 AHU 토출 설정온도 분석
본 연구에서 개발된 ANN 예측모델은 실내/외 조건과 AHU 토출 설정온도에 따라 실내온도를 예측한다. 이를 바탕으로 외기온도와 실내 내부발열 변화에 따른 AHU 토출온도의 설정 변화를 분석하였다. Figure 5는 8월 1일부터 31일까지 HVAC 시스템 작동 시간 동안의 실외 온도, 내부발열, 그리고 AHU 토출 설정온도의 변화를 보여주며, 이 데이터를 통해 실내/외 조건에 따른 AHU 토출 설정온도의 증감을 확인할 수 있다. 분석 결과, 내부발열과 외기온도가 높은 시간대에는 AHU 토출 설정온도가 14, 15°C로 낮게 설정되었으며, 반대로 내부발열과 외기온도가 낮은 시간대에는 AHU 토출 설정온도가 최대 18°C로 높게 설정되었다. 이처럼 내부발열은 일정한 패턴을 보이는 반면, 외기온도는 불규칙한 변화를 보이기 때문에, 외기온도가 낮을 경우에는 내부발열이 높더라도 대류열 획득량이 감소하여 실내 부하가 줄어드는 경향을 보였다. 이로 인해 ANN 예측모델은 외기온도에 따라 AHU 토출 설정온도를 조정하는 것으로 나타났다. 특히, 내부발열이 높지만 외기온도가 20 ~ 25°C 사이일 경우, AHU 토출온도는 16°C 이상으로 설정되었다.
Figure 6에서는 HVAC 작동 시간 동안 각 시간대의 평균 실내/외 온도, 내부발열, 그리고 AHU 토출온도를 나타낸다. 외기온도와 내부발열이 높은 오전 8시부터 오후 5시까지의 실내온도는 평균 25.5°C ~ 26°C로 나타났으며, 이 시간대의 AHU 토출 설정온도는 15°C, 16°C 사이였다. 반면, 내부발열이 낮은 오전 5시에서 7시, 그리고 오후 6시에서 7시에는 실내온도가 평균 23 ~ 24°C로 나타났고, 이때 AHU 토출 설정온도는 18°C로 설정되었다. 이는 내부발열이 낮아지면서 AHU 토출 설정온도가 최고 18°C로 설정되었지만, 본 연구에서 설정한 Thermostat 범위에 완전히 충족하지는 못해 일부 과냉방이 발생했음을 나타냈다. 따라서 ANN 예측모델의 최대 설정 범위를 조정할 필요성이 제기된다.
3.3. ANN 예측모델 제어에 따른 실내 온열 쾌적성 분석
본 연구에서는 ANN 예측모델을 통해 제어된 AHU 토출 설정온도가 실내 온열 쾌적성에 미치는 영향을 분석하기 위해 PMV(Predicted Mean Vote)와 PPD(Predicted Percentage of Dissatisfied)를 사용하였다. PMV 값은 ±3 그리고 0에 가까울수록 실내 온열 쾌적성이 높음을 나타낸다. ASHRAE Standard 55에 따르면 실내 온열 쾌적성은 PMV가 –0.5에서 +0.5 사이, PPD가 10% 이내일 때 만족스러운 상태로 정의된다(ASHRAE, 2017). 분석 대상은 중간의 내주부(MFCore)를 대상으로 분석을 진행하였다. Figure 7은 ANN 예측모델 제어를 적용한 중간층 내주부의 8월 1일부터 31일까지의 PMV와 PPD를 나타낸다. ANN 예측모델에 따른 제어 결과, PMV는 –0.2에서 +0.7 사이로 변동하며, 대부분의 시간 동안 실내 온열 쾌적성이 우수한 것으로 평가되었다. 또한, PPD도 대부분의 시간에서 10% 이내의 값을 보여 쾌적한 실내 환경을 유지하였다. 이 연구에서는 CAV 시스템의 특성상 공급풍량이 고정되어 있으므로, 제어 변수로 작용하는 AHU 토출온도만이 실내 온열 쾌적성에 영향을 미친다. ANN 예측모델은 AHU 토출온도를 13 ~ 18°C로 조정하여 실내 온열 쾌적성을 유지하려고 했지만, 일부 시간 동안 온열 쾌적성 범위를 벗어난 경우도 있었다. 이는 본 연구의 ANN 예측모델 제어 알고리즘이 실내 온열 쾌적성을 직접 고려하지 않고, 단순히 실내 건구온도만을 제어한 결과로, 외기 조건 변화에 따라 실내 온열 쾌적성 범위를 벗어난 것으로 판단된다. 따라서 향후 연구에서는 온열 쾌적성을 고려한 제어 알고리즘의 개선이 필요할 것으로 보인다.
3.4. 냉방 에너지 소비량 분석
Figure 8은 8월 1일부터 31일까지의 전체 냉방 에너지(AHU Fan, Chiller, Cooling Tower, Pump) 소비량을 보여준다. CAV 시스템 특성상 공급 풍량이 고정되어 있으므로 모든 경우의 Fan 에너지 소비량은 5.63 MWh로 동일하게 나타났다. 그러나 냉수 및 냉각수를 공급하는 기기들의 에너지 소비량은 AHU 토출온도에 따라 달라졌다. AHU 토출온도가 가장 낮은 AHU_13의 경우, 냉각 코일의 부하가 가장 높아 Chiller, Cooling Tower, Pump의 에너지 소비량이 각각 1.28 MWh, 18.29 MWh, 1.45 MWh로 가장 높았다. 반대로, AHU 토출온도가 높은 AHU_18에서는 Chiller, Cooling Tower, Pump의 에너지 소비량이 각각 14.67 MWh, 1.28 MWh, 0.81 MWh로 가장 낮았다. ANN 예측제어의 경우, 실내 온도에 따라 변동적으로 제어되어 Chiller, Cooling Tower, Pump의 에너지 소비량이 각각 16.21 MWh, 1.33 MWh, 0.98 MWh로 나타났다. 기기별 에너지 소비량을 보면 Cooling Tower의 에너지 소비량은 ANN 예측제어와 두 고정 토출온도 경우에 비해 20 ~ 23%의 증감률을 보여 가장 큰 변화를 보였으나, 전체 냉방 에너지 소비량에 가장 큰 영향을 미친 것은 Chiller의 에너지 소비량 차이였다. Chiller는 전체 냉방 에너지 소비량의 약 67%를 차지하며, 그 차이에 따라 전체 냉방 에너지 소비량이 결정되었다. 따라서 전체 냉방 에너지 소비량은 AHU_18이 22.38 MWh로 가장 낮았고, ANN 예측제어가 24.16 MWh, AHU_13이 26.66 MWh로 나타났다. ANN 예측제어는 두 고정 토출온도 경우와 비교했을 때 약 ±2 MWh의 차이를 보였으며, 이는 실내 온도에 따라 단순히 AHU 토출온도를 제어한 결과 에너지 소비량의 차이가 상대적으로 적었기 때문이다. 에너지 소비량 절감을 위해서는 AHU 토출온도에 따른 냉각 코일의 부하에 따라 냉수와 냉각수의 온도와 유량을 추가로 제어하는 방법이 더 효율적일 것으로 판단된다.
4. 결 론
본 연구에서는 EnergyPlus와 Python을 활용한 시뮬레이션을 통해 인공신경망(ANN)을 사용하여 CAV 시스템의 AHU 토출온도를 예측하고 제어하는 알고리즘을 개발하였다. 연구 대상은 대형 오피스 건물로, CAV 시스템의 토출온도를 13 ~ 18°C 범위로 설정하여 8월 한 달 동안의 데이터를 분석하였다.
ANN 예측모델을 적용했을 때, 실내온도는 대부분 설정 범위인 24 ~ 26°C를 유지했으며, 설정 온도 조건을 충족하지 못한 시간은 315시간 중 43시간으로, 고정 제어 방식에 비해 약 84% 감소하였다. 이는 ANN 모델이 실내 부하에 따라 토출온도를 적절히 조절할 수 있는 것으로 나타났다
외기온도와 내부발열이 높은 시간대에는 AHU 토출온도가 14 ~ 15°C로 낮게 설정되었고, 낮은 시간대에는 18°C로 설정되었다. 일부 시간대에는 실내 부하가 낮아 과냉방이 발생했으며, 이를 개선하기 위해 ANN 예측모델의 설정 온도를 조정할 필요가 있을 것으로 사료된다
ANN 예측모델을 통해 제어된 실내온도는 PMV가 -0.2에서 +0.7 사이로 나타나 대부분의 시간에 온열 쾌적성을 유지했다. PPD도 대부분 10% 이내로 유지되었지만, 외기 조건 변화에 따라 온열 쾌적성 범위를 벗어나는 경우가 있었다. 이는 ANN 모델이 온열 쾌적성을 충분히 고려하지 않았기 때문으로, 향후 연구에서는 온열 쾌적성을 포함한 제어 알고리즘의 개선이 필요할 것으로 나타났다
AHU_18의 전체 냉방 에너지 소비량이 22.38 MWh로 가장 낮았고, AHU_13이 26.66 MWh로 가장 높았다. ANN 예측제어의 에너지 소비량은 24.16 MWh로 중간 수준이었다. 이는 ANN 예측모델이 실내 온도 변화에 따라 에너지를 효율적으로 사용했지만, 추가적인 냉수 및 냉각수 온도와 유량 제어를 통해 에너지 절감이 가능할 것으로 판단된다.
종합적으로, 본 연구는 ANN 예측모델이 실내온도와 에너지 효율을 효과적으로 제어할 수 있음을 보여주었으며, 향후 연구에서는 모델의 온열 쾌적성 요소와 열원제어를 포함할 경우, 더욱 개선된 에너지 관리가 가능할 것으로 나타났다.
본 연구에서 적용된 ANN 예측모델은 변수 간 상호작용을 해석하는 데 한계가 있으므로, 향후 연구에서는 White-box 모델과 같은 회귀 분석 및 물리 기반 모델을 활용하여 ANN과의 성능을 평가하고, 각 모델의 변수 설명 능력과 예측 정확도를 비교하고자 한다. 더불어, ANN 예측모델의 일반화를 위해 다양한 환경 및 조건 하에서 모델을 검증하고, 데이터 편향을 최소화할 수 있는 방법을 모색하여, 다른 건물 유형이나 HVAC 시스템에도 적용 가능한 범용성을 확보하고자 한다.
