축열 시스템 제어 최적화 : 에너지 비용 11% 감소

대형 건물의 냉방을 제어하는 축열 시스템은 운영 방식에 따라 에너지 사용량 차이가 발생합니다. 온도 민원 발생으로 급작스러운 제어가 필요할 경우 에너지 사용량은 급증하며 이는 운영 비용 증가의 직접적인 원인이 됩니다. 기존 제어 시나리오는 현장 작업자의 경험을 기반으로 생성되어 작업자의 숙련도에 따라 편차가 크므로 축열 시스템의 실제 상태와 데이터를 반영한 제어 방식의 최적화가 필요합니다.

설비의 회귀 모델(regression model)과 과거 실측 데이터를 기반으로 높은 정확도의 인공지능 기반 시뮬레이터를 생성합니다. 축열 시스템에서 나오는 데이터의 신뢰성 확보를 위해 데이터 클렌징과 탐색적 데이터 분석(EDA)을 통해 제어 변수를 선별합니다. 강화학습 에이전트를 활용해 현장 관리자를 위한 축열 시스템 최적 제어 시나리오를 생성하고, 제어 시나리오를 도출할 수 있는 환경을 구성합니다.

강화학습 기반 에이전트 제어 방식으로 기존 대비 하루 평균 전기 에너지 비용을 약 11% 절감합니다. 개인의 경험에 의존한 제어 시나리오 대신, 데이터 기반의 최적 제어 시나리오를 다양하게 제공함으로써 현장 관리자 간의 편차를 최소화합니다.