싱가포르 연구진이 열대 기후 상업 건물의 냉난방 공조 시스템(HVAC)을 위한 혁신적인 인공지능(AI) 제어 기술인 'CQD-ERL(Contextual Quality-Diversity Evolutionary Reinforcement Learning)'을 제안했습니다. 이 기술은 기존의 단일 최적 정책에 수렴하는 방식 대신, 다양한 운영 환경에 특화된 여러 정책들을 동시에 학습하고 관리하여 에너지 효율을 극대화하는 것을 목표로 합니다.
CQD-ERL은 데이터 기반의 운영 맥락, 즉 일일 날씨와 부하(load) 체제 같은 요인들을 바탕으로 전문화된 정책들을 분류하고 저장합니다. 이 정책들은 경사도(gradient)를 사용하지 않는 진화 연산자와 소프트 액터-크리틱(Soft-Actor-Critic) 정책 경사 연산자를 통해 학습되며, 하나의 리플레이 버퍼(replay buffer)를 공유합니다. 특히, 모든 제어 행동은 실행 전에 결정론적 안전 보호막(deterministic safety shield)을 거쳐 안전성을 확보합니다. 이 컨트롤러는 싱가포르 상업 건물의 잠재 부하, 냉각탑 접근 방식, 습도 제약 조건을 반영한 2단계 축소 환경에서 훈련되었으며, 미국 난방냉동공조학회(ASHRAE) 가이드라인 36 기준선 대비 연간 백테스트에서 우수한 성능을 보였습니다.
이 기술은 복잡하고 변화무쌍한 열대 기후 환경에서 건물의 에너지 소비를 최적화하는 데 중요한 진전을 의미합니다. 기존의 정적인 제어 시스템이나 단일 정책 기반의 AI는 다양한 외부 환경 변화에 유연하게 대응하기 어려웠습니다. 하지만 CQD-ERL은 여러 상황에 맞는 맞춤형 정책을 제공함으로써, 에너지 절감은 물론 쾌적한 실내 환경 유지에도 기여할 수 있습니다. 이는 특히 에너지 비용이 높은 상업 건물 운영자들에게 실질적인 이점을 제공하며, 미래 스마트 빌딩 및 에너지 관리 시스템의 발전에 중요한 기반이 될 것입니다.