Locality-sensitive Health and Comfort management in Smart Buildings: Monitoring, Digital Twins, Renewable Design, and Autonomous control towards Net Zero-Energy

다국어 초록 (Multilingual Abstract)

Over the past century, urban landscapes have experienced profound transformations due to demographic shifts and technological advancements. The expansion of populations and urban infrastructure has given rise to the concept of smart cities, envisioned as a sustainable trajectory for future urban development. Nevertheless, these advancements may exacerbate environmental burdens, threatening global ecological stability. The 2022 Global Building Performance Report indicates that the building sector accounts for 30% of global energy consumption. To mitigate these challenges, integrated Building Management Systems (IBMS) have become crucial, leveraging the Internet of Things, cyber-physical monitoring, and autonomous control systems.
This thesis introduces AI-driven subsystems designed to enhance various aspects of IBMS, including sequential modeling methods for characterizing non-linear behavior and temporal correlations in data-deficient and sensor-limited indoor environments. It also presents solutions for developing cyber-physical systems capable of autonomous fault detection and root cause discovery in complex building environments. Moreover, the framework supports the decarbonization of the building sector by optimizing the sizing of renewable energy storage and supply systems and implementing autonomous ventilation control for multizone buildings. Chapters 1 and 2 provide the introduction and a detailed literature review. The remainder of the dissertation is organized as follows:
Part I entitled “Computational Intelligence for locality-sensitive Modeling in Data-Deficient, Sensor-devoid Indoor Environments Through Transfer Learning and Probabilistic Networks” consists of three chapters.
In Chapter 3, a transfer learning-based deep residual network (ResNet) is developed for sequential modeling of PM2.5 health risk levels in data-deficient subway stations. The proposed ResNet structure, aided by a sliding window, is compared with conventional regression and RNN models for early detection of health risk levels. The ResNet model demonstrated improved modeling accuracy, reducing errors by 10.6% and 8.91% relative to S-LSTM2 and S-GRU2, respectively. Additionally, the transfer learning framework mitigated errors caused by data scarcity by up to 40%. The supervisory control schema driven by the TL-ResNet effectively reduced PM2.5 concentrations by 29.21% compared to a standalone ResNet model lacking sufficient data.
In Chapter 4, a data-driven PM2.5 deep-AI soft sensor is developed to forecast one-hour-ahead air quality index levels for metro stations lacking PM2.5 monitoring capabilities. This model combines an attention-aware GRU (MH-BiGRU) network with a zero-shot transfer learning (ZSTL) substructure. The ZSTL employs a similarity function to optimally match source and target domains, thereby reducing prediction error. The similarity function effectively reduces zero-shot prediction errors by 75.6%, 17.5%, and 82.8% for three target metro stations by ensuring an optimal match of source and target station pairs.
In Chapter 5, a gated probabilistic transformer (PT-Trans) framework is developed for probabilistic sequential forecasts of PM2.5 concentrations and health risk levels within underground subway stations. The PT-Trans framework is combined with a multi-objective genetic algorithm (MOGA) to integrate probabilistic models with building monitoring and control systems. Compared to conventional models, the proposed PT-Trans model demonstrates a 17.4% improvement in prediction interval coverage probability and a 34.3% reduction in the Winkler score.
Part 2 entitled “Attention architectures for autonomous Cyber-Attack Detection, root cause discovery, and Correction towards sustainable building management” consists of two chapters.
Chapter 6 presents a sensor validation framework that combines a denoising autoencoder (AE) with a deep learning prediction module to effectively address multiple sensor failures (MSFs). This integrated approach underpins the proposed GRU integrated attention-based fault detection and reconstruction network (GADRN). The GADRN demonstrates a 51% improvement in critical success index (CSI) compared to standard AE. Sensor fault identification results show that the GADRN consistently identifies faulty sensors across various fault periods. Accurate sensor reconstruction for MSFs enabled a reduction in ventilation energy use by 22.5%.
Chapter 7 presents a cyber-attack detection and diagnosis framework specifically tailored for HVAC systems within modern multizone building environments. The framework integrates a Granger causality-based causal graph with a denoising GRU-AE model to enable fault detection, root cause analysis, and correction of cyber-attacks in complex environments. The Granger causality-based causal graph effectively highlighted the root causes of each cyber-attack, facilitating timely corrective actions to mitigate their cascading effects.
Part 3 entitled “Enhancing Indoor Comfort Control in Pursuit of Net Zero Building Realization through RESS sizing and Deep Reinforcement Learning” consists of two chapters.
Chapter 8 presents an optimal sizing framework for a PV-Hydrogen-battery based renewable energy storage and supply (RESS) system for net-zero energy buildings. The methodology combines techno-economic analysis and energy self-sufficiency to determine the optimal sizes of the electrolyzer, fuel cell, and battery-based energy storage system (BESS). The results demonstrate the effectiveness of the NSGA-III based optimal configuration in achieving nearly 90% self-sufficiency for the building, with a weighted average cost of electricity (Cwa) of $0.0866 per kWh.
Finally, Chapter 9 enhances the IBMS with a multi-agent reinforcement learning (MARL) framework for autonomous thermal comfort control in multizone buildings, focusing on improving building energy self-sufficiency. The findings demonstrate that, compared to conventional rule-based systems, the multi-agent deep Q-learning network significantly improves the predicted mean vote (PMV) within the comfortable range throughout the year. Furthermore, the MARL framework achieves reductions in energy consumption by 15% and 20% compared to conventional on-off and scheduled control systems, respectively.

국문 초록 (Abstract)

지난 한 세기 동안 도시 경관은 인구수의 증가와 급격한 기술 발전에 의해 많은 변화를 겪었다. 이러한 급격한 기술 발전은 환경에 대한 부담을 증가시키므로, 글로벌 환경 안정성에 위험을 야기할 수 있다. 특히, 2022 글로벌 빌딩 성능 보고서 (2022 Global Building Performance Report)에 따르면, 건물 부문의 에너지 소비량이 전세계 에너지 소비의 30%를 차지하는 것으로 나타났다. 이러한 문제를 해결하고 지속가능한 미래 도시 개발을 위해 스마트 시티의 개념이 대두되었으며, 사물 인터넷, 사이버 물리적 모니터링 및 자율 제어 시스템을 통합하는 통합 빌딩 관리 시스템 (IBMS, Integrated Building Management Systems)가 필수적인 기술이 되었다.
본 논문은 IBMS의 다양한 기능을 강화하기 위한 인공지능 (AI, Artificial intelligence) 기반 서브시스템들을 개발하였다. 개발된 AI 기반 서브시스템은 비선형 거동 및 시계열적 상관관계를 추출하기 위한 순차적 모델링 방법을 포함하고, 측정 데이터와 센서가 부족한 실내 건축물 환경에 적용될 수 있다. 또한 복잡한 건축물 환경에서 자율 센서 오류 감지 및 근본 원인 발견이 가능한 사이버-물리 시스템 (CPS, cyber-physical systems) 개발을 위한 솔루션을 제공한다. 마지막으로, 신재생 에너지 기반 저장 및 공급 시스템의 크기를 최적화하고 멀티존 건축물에 대한 자율 환기 제어를 구현하여 건물 부문의 탈탄소화를 지원한다. 1장과 2장은 서론과 문헌 조사이고, 논문의 나머지 내용은 다음과 같이 구성된다:
제 1부의 연구 주제는 "전이학습과 확률적 네트워크를 통한 데이터가 부족하고, 센서가 미설치된 실내 건물 환경에서의 지역-민감 (locality-sensitive) 모델링을 위한 컴퓨팅 인텔리전스"이며, 3장 및 4장, 5장으로 구성되어 있다.
3장에서는 데이터가 부족한 지하역사에서 PM2.5에 대한 위해성 수준을 순차적으로 모델링하기 위해 전이 학습 기반 심층 잔차 네트워크(ResNet, Residual network)를 개발하였다. 심층 잔차 네트워크는 슬라이딩 윈도우 기법을 적용하여 통합 실내공기질 지수 (CIAI, Comprehensive Indoor Air quality Index) 수준을 조기에 감지하기 위해 PM2.5를 모델링하도록 개발되었으며, 회귀 및 순환신경망 (RNN, Recurrent neural network) 모델과 그 모델링 정확도를 비교하였다. 개발된 심층 잔차 네트워크는 모델링 정확도를 향상시켜 S-LSTM2 및 S-GRU2에 비해 오류를 각각 10.6% 및 8.91% 감소시켰다. 또한 전이 학습은 데이터 부족으로 인한 오류를 최대 40%까지 저감했다. 전이학습 기반 심층 잔차 네트워크기반 감독 제어 (Supervisory control) 방법론은 학습 데이터가 부족한 기존 심층 잔차 네트워크기반 감독 제어 방법에 비해 PM2.5 농도를 29.21% 감소시켰다.
4장에서는 데이터 기반 PM2.5 심층 인공지능 소프트 센서를 개발하였다. 개발된 데이터 기반 PM2.5 심층 인공지능 소프트센서는 PM2.5 모니터링 성능이 부족한 지하역사의 공기질 지수 (Air quality index)를 한 시간 조기에 예측할 수 있다. 이 소프트 센서는 소스 도메인과 타겟 도메인의 최적 매칭을 위한 유사성 함수를 통해 어텐션-인식 GRU(MH-BiGRU) 네트워크와 제로샷 전이 학습(ZSTL, Zero-shot transfer learning) 를 결합하여 예측 오류를 줄인다.
5장에서는 지하역사 내 PM2.5 농도와 인체 위해성수준을 확률적으로 예측하기 위해 게이티드 확률 트랜스포머(PT-Trans, gated probabilistic transformer) 프레임워크를 개발하였다. PT-Trans는 확률적 모델과 건물 모니터링 및 제어 시스템을 통합하기 위해 다목적 유전 알고리즘(MOGA, Multi-objective genetic algorithm)과 결합되었다. 개발된 PT-Trans는 기존 모델에 비해 예측 오류 수렴 확률(PICP, Prediction error converge probability)을 17.4% 향상시켰으며, 윙클러 점수는 34.3% 감소시켰다.
제 2부의 연구 주제는 “지속 가능한 건물 관리를 위한 자율 사이버 공격 탐지, 근본 원인 분석 및 오류 복원 방법론을 위한 어텐션 구조”이며, 6장과 7장으로 구성되어 있다.
6장에서는 여러 센서 오류 문제를 효과적으로 처리하기 위한 센서 검증 방법론를 개발한다. 개발된 센서 검증 방법론은 잡음 제거 오토인코더(DAE, Denoising autoencoder)와 심층 학습 모델을 통합하여 여러 센서 오류 문제를 처리한다. 이 통합 접근 방식을 이용하여 GRU 통합 어텐션 기반 오류 탐지 및 재구성 네트워크(GADRN, GRU integrated attention-based fault detection and reconstruction network)를 형성한다. GADRN은 표준 오토인코더보다 51% 높은 주요 성공 지수(CSI, Critical success index) 를 나타냈다. 센서 오류 식별 결과는 GADRN이 다양한 오류 기간 동안 일관되게 센서 오류를 식별할 수 있음을 나타냈다. 다중 센서 고장의 정확한 센서 복원은 환기 에너지 사용을 22.5% 감소시켰다.
7장에서는 현대 멀티존 건물 환경 내 공조환기시스템 (HVAC, Heating, ventilating, and Air conditioning) 시스템에 특화된 사이버 공격 탐지 및 진단 방법론을 개발한다. 이 방법론은 오류 탐지, 근본 원인 분석 및 복잡한 환경에서 사이버 공격의 복원이 가능하도록 그랜저 인과 기반 인과 그래프 (Granger causality-based causal graph)와 잡음 제거 GRU-AE 모델을 통합한다. GRU-AE 모델은 100%의 오류 탐지율, 82%의 CSI, 그리고 17%의 오탐율을 기록하며 높은 오류 탐지 성능을 보였다. 그랜저 인과 기반 인과 그래프는 각 사이버 공격의 근본 원인을 효과적으로 강조하여, 그 영향을 줄이기 위한 시기적절한 교정을 용이하게 하였다.
제 3부의 연구 주제는 “신재생 에너지 시스템 크기 최적화 및 심층 강화 학습을 통한 넷제로 건물 실현을 위한 실내 쾌적성 향상”이며, 8장과 9장으로 구성되어 있다.
8장에서는 넷제로 에너지 건물을 위한 태양광-수소-배터리 기반 재생 에너지 저장 및 공급(RESS, Renewable energy storage and supply) 시스템의 최적 크기 결정 방법론을 개발한다. 이 방법론은 전해조, 연료전지 및 배터리 기반 에너지 저장 시스템의 최적 크기를 제공하기 위해 기술경제성 분석 및 에너지 자립성을 결합한다. 또한, 수요 관리 기술을 건물 에너지 저장 시스템과 통합하여 그리드 이용률을 향상시킨다. 그 결과, NSGA-III 기반 최적 구성이 건물의 90% 에너지 자립성을 달성하는 데 효과적임을 보여주었으며, 가중 평균 전력 비용(Cwa, Cost of electricity)은 0.0866 $/kWh였다.
마지막으로, 9장은 멀티존 건물의 자율 열 쾌적성 제어를 위한 다중 에이전트 강화 학습(MARL, Multi-agent reinforcement learning) 방법론을 IBMS에 적용한다. 이 연구는 건물 에너지 자립성을 향상시키는 데 중점을 두었다. 연구 결과, 다중 에이전트 심층 Q-러닝 네트워크는 연중 쾌적 범위 내 예측 평균 투표(PMV, Predicted mean vote)를 크게 향상시키며, 기존의 규칙 기반 on-off 제어 시스템과 스케줄 제어 시스템에 비해 에너지 소비를 각각 15% 및 20% 줄이는 데 성공했다.

목차 (Table of Contents)

• ACKNOWLEDGEMENTS I
• LIST OF FIGURES VIII
• LIST OF TABLES XII
• ABSTRACT XIV
• CHAPTER 1. INTRODUCTION 1
• 1.1 Research background and motivation 1
• 1.2 Research objectives 6
• 1.3 Dissertation outline 7
• 1.4 Related publications 9
• CHAPTER 2. LITERATURE REVIEW 11
• 2.1 Autonomous Building management systems 11
• 2.2 AI applications in building environments 13
• 2.2.1 Pertinent literature for AI-driven Modeling and prediction. 13
• 2.2.2 Pertinent literature for AI-driven monitoring and fault detection 18
• 2.2.3 Pertinent literature for building decarbonization and AI-driven control 22
• PART I: COMPUTATIONAL INTELLIGENCE FOR LOCALITY-SENSITIVE MODELING IN DATA-DEFICIENT, SENSOR-DEVOID INDOOR ENVIRONMENTS THROUGH TRANSFER LEARNING AND PROBABILISTIC NETWORKS 27
• CHAPTER 3. TRANSFER LEARNING-DRIVEN MODELING AND SEQUENTIAL FORECASTING FOR MANAGING PM2.5-ASSOCIATED HEALTH RISKS AND IMPLICATIONS IN SUBWAY VENTILATION. 28
• 3.1 Introduction 28
• 3.2 Materials and methods 30
• 3.2.1 Data description of target stations and preliminary analyses 30
• 3.2.2 Sequential modeling via sliding windows 34
• 3.2.3 Residual neural networks 36
• 3.2.4 Transfer learning and experimentation 39
• 3.2.5 Health risk assessment and sequential modeling performance. 40
• 3.2.6 Impact of sequential modeling on ventilation performance 41
• 3.2.7 Proposed Methodology. 43
• 3.3. Results and discussion 44
• 3.3.1 Sequential PM2.5 modeling 44
• 3.3.2 Transfer learning driven PM2.5 modeling 47
• 3.3.3 Impact of data-deficient model on ventilation system 51
• 3.4 Summary 55
• CHAPTER 4. DEEP-AI SOFT SENSOR FOR SUSTAINABLE HEALTH RISK MONITORING AND CONTROL OF FINE PARTICULATE MATTER AT SENSOR DEVOID UNDERGROUND SPACES: A ZERO-SHOT TRANSFER LEARNING APPROACH 56
• 4.1 Introduction 56
• 4.2 Materials and methods 58
• 4.2.1 Data description and statistical analysis 58
• 4.2.2 PM2.5 soft sensor modeling 61
• 4.2.3 Settings and implementation of zero-shot transfer learning 63
• 4.2.4. Implications of AI-soft sensor forecasts on metro ventilation 65
• 4.2.5. The proposed method 65
• 4.3 Results and discussions 67
• 4.3.1 Soft sensor development on source metro stations 67
• 4.3.2 AI-soft sensor transfer on target domain stations 70
• 4.3.3 Ventilation control assessment under transferred soft sensors 74
• 4.4 Summary 77
• CHAPTER 5. ENHANCING THE SUSTAINABLE MANAGEMENT OF FINE PARTICULATE MATTER-RELATED HEALTH RISKS AT SUBWAY STATIONS THROUGH SEQUENTIAL FORECAST AND GATED PROBABILISTIC TRANSFORMER. 78
• 5.1 Introduction 78
• 5.2. Materials and methods 81
• 5.2.1. Data description and preliminary analyses 81
• 5.2.2 Sequential probabilistic soft sensor modeling 83
• 5.2.3 Genetic algorithm enabled quantile selection 86
• 5.2.4 Performance metrics 88
• 5.2.5 Proposed method 89
• 5.3. Results and discussion 91
• 5.3.1 Probabilistic forecast and baseline comparison 91
• 5.3.2. Multi-objective quantile selection and health risk estimation 96
• 5.3.3. Application of probabilistic forecast for subway ventilation system 99
• 5.4 Summary 101
• PART II: ATTENTION ARCHITECTURES FOR AUTONOMOUS CYBER-ATTACK DETECTION, ROOT CAUSE DISCOVERY, AND CORRECTION TOWARDS SUSTAINABLE BUILDING MANAGEMENT 103
• CHAPTER 6. MULTI-SENSOR FAULT DETECTION AND CORRECTION FOR AUTOMATED IAQ MONITORING IN SMART BUILDINGS THROUGH ATTENTION-AWARE AUTOENCODERS WITH SPATIAL PREDICTION MODULE 104
• 6.1 Introduction 104
• 6.2 Materials and methods 106
• 6.2.1. IAQ data and sensor fault description 106
• 6.2.2. Development of soft sensor validation for multi-sensor failure 109
• 6.2.3. Multi-head attention-based sensor validation framework 113
• 6.2.4 Experimentation for single and multiple sensor faults 115
• 6.2.5 Impact of multiple sensor failure on ventilation control system. 117
• 6.2.6 Proposed sensor validation method 118
• 6.3. Results and discussion. 120
• 6.3.1. Sensor validation for subway IAQ monitoring 120
• 6.3.2 Performance evaluation on MSF 126
• 6.3.3 Impact of MSF on ventilation system 128
• 6.4 Summary 131
• CHAPTER 7. ROOT CAUSE ANALYSIS FOR CYBER-ATTACK DETECTION, AND DIAGNOSIS IN MULTI-ZONE HVAC BUILDINGS THROUGH GATED RECURRENT NETWORKS. 132
• 7.1 Introduction 132
• 7.2 Materials and methods 134
• 7.2.1. Description of the multi-zone HVAC system 134
• 7.2.2 Data description and system faults 135
• 7.2.3 Cyber-attack detection and diagnosis for autonomous 139
• 7.2.4 Implications of cyber-attack on energy usage and thermal comfort 144
• 7.2.5 Proposed method 145
• 7.3. Results and discussion 146
• 7.3.1 Cyber-attack detection performance and root cause discovery 146
• 7.3.2 Implications of cyber-attack on building HVAC management. 151
• 7.4 Summary 155
• PART III: ENHANCING INDOOR COMFORT CONTROL IN PURSUIT OF NET ZERO BUILDING REALIZATION THROUGH RESS SIZING AND DEEP REINFORCEMENT LEARNING 157
• CHAPTER 8. OPTIMAL SIZING AND CONFIGURATION OF HYDROGEN-BATTERY BASED RENEWABLE ENERGY STORAGE AND SUPPLY SYSTEMS FOR NET-ZERO BUILDINGS VIA TECHNO-ECONOMIC ANALYSIS 158
• 8.1 Introduction 158
• 8.2 Materials and methods 160
• 8.2.1 System description 160
• 8.2.2 Mathematical model 164
• 8.2.3 Techno-economic model 169
• 8.2.4. Modeling DSM controls assumptions 172
• 8.2.5 multi-objective optimization and RES sizing 173
• 8.3 Results and discussion 175
• 8.4 Summary 187
• CHAPTER 9. MULTI-AGENT DISTRIBUTIONAL REINFORCEMENT LEARNING FOR ENERGY-EFFICIENT THERMAL COMFORT CONTROL IN MULTI-ZONE BUILDINGS WITH DIVERSE OCCUPANCY PATTERNS 189
• 9.1 Introduction 189
• 9.2 Materials and methods 192
• 9.2.1 System description 192
• 9.2.2 Distributed multiagent reinforcement learning 195
• 9.2.3 Key elements of MARL-DDQN 200
• 9.2.4 TRNSYS-Python co-simulation 202
• 9.2.5 Performance evaluation 204
• 9.3 Results and discussion 205
• 9.4 Summary 215
• CHAPTER 10. CONCLUSION AND FUTURE DIRECTION 217
• REFERENCES 220
• 국문 초록 235
• CURRICULUM VITAE 240