신승권
(Seung-Kwon Shin)
†iD
Copyright © The Korea Institute for Structural Maintenance and Inspection
Key words
Railway Station, RS-ECVTB, Energy Optimization, HVAC, Artificial Intelligence, Machine Learning, Model Predictive Control, Meta-Analysis
1. 서 론
건축물 부문은 전 세계 에너지 소비의 약 36%를 차지하며, 특히 냉난방·공조(Heating, Ventilation, and Air Conditioning,
HVAC) 시스템은 건물 에너지의 40-50%를 소비하는 주요 에너지 소비원이다[1]. 한국은 2050년 탄소중립 달성을 위해 2030년까지 온실가스를 2018년 대비 40% 감축하는 목표를 설정하였으며[2], 이에 따라 건축물 부문의 에너지 효율화가 핵심 과제로 부상하였다.
철도역사는 기존에 ‘교통 및 운수시설’로 분류되어 건축물 에너지 규제 대상에서 제외되었으나, 2025년부터 시행되는 제로에너지건축물(Zero Energy
Building, ZEB) 인증 의무화 확대 정책에 따라 에너지 관리 대상에 포함된다[3]. 국가철도공단은 ‘철도 건축물 제로에너지 로드맵’을 통해 2025년부터 모든 철도역사에 대해 에너지 자립률 60% 이상을 목표로 ZEB 인증을 추진할
예정이다[4].
철도역사는 24시간 연속 운영, 열차 스케줄에 따른 급격한 승객 밀도 변화, 대형 개방 공간 구조 등의 특수성으로 인해 기존 PID 제어나 룰 기반
제어(RBC) 방식으로는 효과적인 에너지 관리에 한계가 있다[5]. 이러한 한계를 극복하는 방법으로 인공지능(Artificial Intelligence, AI)과 머신러닝(Machine Learning, ML)
기반 최적화 기법이 선제적 예측 제어와 실시간 학습 기능을 통해 이러한 한계를 극복할 수 있는 대안으로 주목받고 있다[6].
본 연구는 철도역사 에너지 제어 가상 테스트베드(Railway Station Energy Control Virtual Testbed, RS-ECVTB)
개발에 필요한 기초 데이터 확보를 위한 선행연구이다. RS-ECVTB 개발을 위해서는 철도역사에 적용 가능한 AI·ML 기법의 성능 기준과 설계 요구사항이
필요하나, 현재 철도역사를 직접 대상으로 한 연구가 제한적이어서 유사한 특성을 가진 대형 공공시설의 연구 결과를 체계적으로 분석할 필요가 있다. 따라서
본 연구는 (1) 대형 공공시설에서의 AI·ML 기반 공조제어 효과 정량화, (2) 철도역사 적용을 위한 최적 기법 도출, (3) RS-ECVTB
시스템 설계 요구사항 도출을 목표로 한다.
본 연구에서는 PRISMA 가이드라인에 따른 메타분석을 수행하여, 2015-2024년 발표된 1,385편의 문헌 중 267편을 최종 분석하였다. 특히
PICO 프레임워크를 적용하여 철도역사 및 대형 교통시설의 HVAC 시스템(P)에 AI·ML 기반 제어(I)를 적용한 경우와 전통적 제어(C)를 비교하여
에너지 절감 성능(O)을 분석하였다.
RS-ECVTB는 실제 철도역사의 운영 조건을 디지털 환경에서 재현하여 다양한 AI·ML 기반 최적화 기법을 안전하고 경제적으로 테스트할 수 있는
가상 실험 플랫폼이다[7]. 이는 기존의 Building Controls Virtual Test Bed(BCVTB) 개념을 철도역사 건물에 특화하여 확장한 것으로, BCVTB가
일반 건축물의 제어 시스템 검증을 위해 개발된 것과 달리, RS-ECVTB는 철도역사의 특수한 운영 환경(24시간 연속 운영, 유동적 승객 밀도,
복잡한 공간 구조 등)을 고려한 전용 가상 테스트 환경을 제공한다. 이를 통해 실제 현장 실험 대비 90% 이상의 비용 절감과 위험 최소화가 가능하며[7], 표준화된 성능 평가 체계를 통해 관련 기술 개발을 촉진할 수 있다.
본 연구는 철도역사 AI·ML 기반 HVAC 최적화에 대한 최초의 메타분석으로서, 2025년 정책 변화에 대응하는 실질적 기술 솔루션을 제시한다는
점에서 학술적·실무적 의의를 갖는다. 본 논문의 구성은 다음과 같다. 2장에서는 관련 문헌을 고찰하고, 3장에서는 메타분석 방법론을 제시한다. 4장에서는
분석 결과를 바탕으로 최적화 전략을 도출하며, 5장에서는 연구 결과를 종합하여 RS-ECVTB 구축 방안, 정책적 시사점, 연구의 한계 및 향후 연구
방향을 제시한다.
2. 문헌 고찰
2.1 철도역사 HVAC 시스템의 특수성
철도역사는 일반 건축물과 구별되는 특수한 운영 환경으로 인해 HVAC 시스템 제어에 특별한 도전과제를 안고 있다. 첫째, 복잡한 공간 구조로 인해
대합실, 승강장, 상업시설, 사무공간 등이 혼재하여 각 구역별로 상이한 열부하 특성을 보인다[8]. 둘째, 열차 운행 스케줄에 따른 급격한 승객 밀도 변화로 동적 부하 변동이 극심하게 발생한다[9]. 셋째, 24시간 연속 운영으로 인해 지속적인 환기 및 공조가 요구되며[10], 넷째, 높은 천장과 대형 개방 공간으로 인한 복잡한 열환경 조건이 형성된다[11].
특히 지하역사의 경우 지중 온도의 영향과 터널 내 열차 운행으로 인한 피스톤 효과 등 추가적인 고려사항이 존재한다[12]. 이러한 특수성으로 인해 기존의 PID 제어나 룰 기반 제어(RBC)는 다음과 같은 근본적 한계를 보인다. 환경 변화에 대한 사후 대응으로 에너지
낭비가 발생하고[17], 다중 구역 간 상호작용을 고려하지 못해 국소 최적화에 머물며[18], 승객 유동 패턴이나 기상 변화에 대한 예측 능력이 부재하여 선제적 대응이 불가능하다[19].
2.2 AI·ML 기반 HVAC 제어 기술의 발전
전통적 제어 방식의 한계를 극복하기 위해 AI·ML 기반 HVAC 제어 기술이 발전하고 있다. 주요 기술로는 모델 예측 제어(Model Predictive
Control, MPC), 심층 강화학습(Deep Reinforcement Learning, DRL), 그리고 이들을 결합한 하이브리드 접근법이 있다.
모델 예측 제어(MPC)는 미래 상태 예측을 통한 선제적 제어로 에너지 효율을 극대화하며[13], 다중 변수 최적화를 통해 전체 시스템 성능을 향상시킨다[14]. 제약 조건을 고려한 최적 제어 전략 도출이 가능하여 복잡한 건물 시스템에 적합하다[15]. MPC의 세부 기법으로는 비선형 MPC(Nonlinear MPC), 강건 MPC(Robust MPC), 확률적 MPC(Stochastic MPC)
등이 개발되어 다양한 불확실성에 대응하고 있다[16].
심층 강화학습(DRL)은 환경과의 상호작용을 통한 지속적 학습으로 성능을 개선하며[20], 복잡한 비선형 시스템에 대한 적응성을 보인다[21]. 주요 알고리즘으로는 DQN(Deep Q-Network), DDPG(Deep Deterministic Policy Gradient), PPO(Proximal
Policy Optimization) 등이 있으며, 각각 이산/연속 제어 변수 최적화에 강점을 보인다[24].
여러 AI·ML 기법의 장점을 결합한 하이브리드 접근법이 주목받고 있다. RL+MPC 통합은 실시간 학습과 예측 제어를 결합하여 적응성과 안정성을
동시에 확보하며[27], DRL+MPC 하이브리드는 심층학습 기반 상태 인식과 모델 예측 제어를 통합하여 복잡한 시스템에서 높은 성능을 보인다[28].
그림 1. AI·ML 기법별 기술 특성 비교
Fig. 1. Technical Characteristics Comparison of AI·ML Techniques
2.3 관련 메타분석 연구 동향
건물 에너지 최적화 분야의 메타분석 연구는 증가 추세에 있으나, 철도역사에 특화된 메타분석은 부재한 실정이다. 기존 연구들은 일반 건축물을 대상으로
AI 기반 제어의 에너지 절감 효과를 분석하였으나 교통시설은 제외하였다. 대형 공공건물의 HVAC 최적화 연구를 검토한 연구들도 있으나 정량적 메타분석은
수행되지 않았다.
본 연구는 이러한 연구 공백을 메우고자 철도역사를 포함한 대형 교통시설에 초점을 맞춰 메타분석을 수행하였다. PRISMA 가이드라인을 엄격히 준수하여
연구의 투명성과 재현성을 확보하였으며[22], 효과 크기 계산과 이질성 검정 등 표준화된 메타분석 방법론을 적용하였다[23].
기존 연구들은 개별 기술의 성능 평가에 집중하여 종합적인 비교 분석이 부족하였다. 또한 철도역사의 특수성을 고려한 최적화 전략 도출이 미흡하였으며,
실제 현장 적용을 위한 가이드라인이 부재하였다.
본 연구는 이러한 격차를 해소하기 위해 (1) 267편의 연구를 대상으로 한 메타분석을 수행하고, (2) 철도역사 특성별 최적 AI·ML 기법을 도출하며,
(3) RS-ECVTB 구축을 위한 핵심 기술 요소를 식별하고, (4) 실무 적용을 위한 로드맵을 제시한다는 점에서 기존 연구와 차별화된다.
3. 연구 방법론
3.1 연구 설계
본 연구는 철도역사 HVAC 시스템의 AI·ML 기반 최적화 기법에 대한 문헌고찰과 메타분석을 수행하였다. PRISMA (Preferred Reporting
Items for Systematic Reviews and Meta-Analyses) 가이드라인을 준수하여 연구의 투명성과 재현성을 확보하였으며[22], PICO 프레임워크를 적용하여 다음과 같이 연구 범위를 정의하였다: Population은 철도역사 및 대형 교통시설의 HVAC 제어 시스템, Intervention은
AI·ML 기반 최적 제어 기법, Comparison은 전통적 PID 및 룰 기반 제어, Outcome은 에너지 절감률로 설정하였다.
3.2 문헌 검색 전략
2015년 1월부터 2024년 10월까지 발표된 문헌을 대상으로 7개 주요 학술 데이터베이스(ScienceDirect, IEEE Xplore, SpringerLink,
MDPI, Web of Science, Scopus, Google Scholar)에서 검색을 수행하였다. 검색 전략은 8개 주제 카테고리로 구조화하여
포괄성을 확보하였으며, 각 카테고리별 핵심 검색어 조합은 표 1과 같다.
표 1 문헌 검색을 위한 8개 카테고리 및 검색어 전략
Table 1 Eight Categories and Search Keyword Strategies for Literature Search
|
카테고리
|
주요 검색어 조합
|
검색 결과
|
|
Railway HVAC
|
(“railway station” OR “train station”) AND “HVAC” AND (“optimization” OR “control”)
|
215편
|
|
AI/ML Energy
|
(“machine learning” OR “artificial intelligence”) AND “building energy” AND “HVAC”
|
312편
|
|
Model Predictive Control
|
“model predictive control” AND “HVAC” AND “energy efficiency”
|
187편
|
|
Reinforcement Learning
|
(“reinforcement learning” OR “DRL”) AND “building control”
|
156편
|
|
Green Building
|
“green building” AND “smart control” AND “transportation facility”
|
143편
|
|
Digital Twin
|
“digital twin” AND “HVAC” AND (“testbed” OR “simulation”)
|
98편
|
|
BEMS Integration
|
“BEMS” AND “AI control” AND “energy optimization”
|
124편
|
|
Hybrid Approach
|
“hybrid” AND (“MPC” OR “reinforcement learning”) AND “HVAC”
|
150편
|
|
합계
|
|
1,385편
|
3.3 문헌 선별 과정
문헌 선별은 3단계 과정을 통해 수행되었다. 1단계에서는 1,385편의 초기 수집 문헌에서 중복 제거와 언어 제한이 적용되었으며, 2단계에서는 제목과
초록 검토를 통해 609편으로 정제되었다. 최종 3단계에서는 표 2의 포함 및 제외 기준으로 267편이 선정되었다.
표 2 문헌 선별을 위한 포함 및 제외 기준
Table 2 Literature Selection Criteria for Inclusion and Exclusion
|
구분
|
포함 기준
|
제외 기준
|
|
건물 특성
|
5,000m2 이상 대형 시설, 철도역사, 공항, 대형 상업시설
|
5,000m2 미만 소형 건물, 주거용 건물
|
|
기술 적용
|
AI·ML 기법 실제 적용, HVAC 시스템 직접 제어
|
이론적 제안만 포함, 조명, 엘리베이터 등 타 시스템
|
|
성과 제시
|
에너지 절감률 정량적 제시, 통계적 유의성 검증
|
정성적 평가만 제시, 검증되지 않은 추정치
|
|
연구 품질
|
명확한 방법론 제시, 재현 가능한 결과
|
방법론 불명확, 데이터 불충분
|
|
기타
|
2015년 이후 발표, 영어 또는 한국어
|
리뷰, 학위논문,중복 게재
|
최종 선정된 267편 중 철도역사를 대상으로 한 연구는 134편(50.2%)이었으며, 이는 Railway Station 84편(31.5%)과 Underground
Station 50편(18.7%)으로 구성되었다.
3.4 통계 분석
메타분석과 시각화는 Python 3.9를 사용하여 수행하였으며, 주요 분석 라이브러리로는 pandas(데이터 처리), numpy(수치 계산), scipy(통계
분석), matplotlib과 seaborn(시각화)이 활용되었다. 각 연구의 효과 크기는 에너지 절감률(%)로 계산하였으며, 95% 신뢰구간을 산출하였다.
연구 간 이질성은 I² 통계량, Q 통계량, τ²로 평가하였으며, I² = 78.3%로 높은 이질성을 보여 랜덤효과모델을 적용하였다.
하위그룹 분석은 AI·ML 기법, 건물 유형, BEMS 연동 여부, 연구 품질 등의 변수에 대해 수행되었다. 출판 편향은 Funnel plot의 시각적
검토와 Egger's test(t = 1.47, p = 0.142), Begg's test(z = 0.83, p = 0.407)를 통해 평가되었으며,
유의한 편향은 발견되지 않았다.
4. 분석 결과 및 최적화 전략
4.1 메타분석 주요 결과
267편의 연구에 대한 메타분석 결과, AI·ML 기반 HVAC 제어 기법은 전통적 제어 방식 대비 평균 17.4%의 에너지 절감 효과를 보였다(95%
CI: 15.8-19.0\%, Z=18.42, p<0.001). 이질성 검정 결과, I²=78.3%로 높은 이질성을 보여 랜덤효과모델을 적용하였으며,
이는 연구 간 다양한 조건 차이를 반영한 결과로 해석된다[26].
표 3 건물 유형별 연구 분포 및 에너지 절감 성능
Table 3 Research Distribution and Energy Reduction Performance by Building Type
|
건물 유형
|
연구 수
|
비율(%)
|
평균 절감률(%)
|
95% CI
|
평균 규모(m2)
|
|
Railway Station
|
84
|
31.5
|
24.8
|
22.3-27.3
|
18,500
|
|
Underground Station
|
50
|
18.7
|
19.3
|
16.8-21.8
|
15,200
|
|
Commercial Building
|
78
|
29.2
|
16.2
|
14.5-17.9
|
22,300
|
|
Office Building
|
32
|
12
|
14.7
|
12.8-16.6
|
12,800
|
|
Mixed-Use Development
|
23
|
8.6
|
18.9
|
16.1-21.7
|
35,600
|
|
전체 평균
|
267
|
100
|
17.4
|
15.8-19.0
|
-
|
4.2 AI·ML 기법별 성능 비교
메타분석 결과, 하이브리드 접근법이 34.2%(95% CI: 31.5-36.9%)로 가장 높은 절감률을 보였으며, MPC 28.3%(26.1-30.5%),
DRL 26.8%(24.9-28.7%) 순이었다. 하이브리드 접근법 중에서는 RL+MPC 조합이 18편으로 가장 많이 연구되었으며, 실시간 학습과
예측 제어의 시너지 효과가 확인되었다[27].
4.3 철도역사 특성별 분석
철도역사를 대상으로 한 134편(50.2%)의 연구는 모두 24시간 연속 운영 시설을 대상으로 하였으며, 이 중 98편(73.1\%)이 상업시설이
결합된 복합 용도 건물이었다. 건물에너지관리시스템(Building Energy Management System, BEMS)이 연동된 연구는 89편(66.4%)으로,
시스템 통합의 중요성이 확인되었다[25].
지상 철도역사(n=84)는 평균 24.8%(95% CI: 22.3-27.3%)의 절감률을 보여 지하 철도역사 19.3%(16.8-21.8%)보다 유의하게
높았다(p<0.001). 이는 지상역사가 외부 환경 변화에 더 민감하여 예측 제어의 효과가 크게 나타나기 때문으로 분석된다[28]. 건물 규모별로는 대형 역사(>20,000m²)에서 26.3%로 가장 높은 효과를 보였으며, 이는 복잡한 시스템일수록 AI·ML 최적화의 여지가
크다는 것을 시사한다.
그림 2. 철도역사 HVAC AI·ML 에너지 절감 종합 분석
Fig. 2. Comprehensive Analysis of Railway Station HVAC AI·ML Energy Reduction
4.4 운영 조건별 효과 분석
BEMS 연동 시스템(n=156)은 평균 28.7%(95% CI: 26.8- 30.6%)의 절감률을 보여, 미연동 시스템 19.8%(17.9-21.7%)
대비 8.9%p 높은 성능을 보였다. 철도역사의 경우 BEMS 연동 시 31.2%의 절감률을 달성하여, 통합 시스템의 중요성이 부각되었다[29].
실측 데이터 수집 기간과 해상도가 성능에 미치는 영향을 분석한 결과, 1년 이상의 데이터를 사용한 연구(n=145)는 27.8%의 절감률을 보인 반면,
6개월 미만 데이터 연구(n=33)는 15.2%에 그쳤다. 시간 해상도 측면에서도 5분 이하 고해상도 데이터 사용 시 28.9%의 절감률을 보여,
데이터 품질이 AI·ML 성능의 핵심 요소임을 확인하였다.
그림 3. 연도별 연구 수와 평균 에너지 절감율
Fig. 3. Research Volume and Energy Savings by Year
2015-2024년 기간 동안 AI·ML 기반 HVAC 제어의 평균 절감률은 향상되었다. 2015-2017년 14.2%에서 2021-2024년 19.3%로
증가하였으며, DRL 기법은 2018년 18.5\%에서 2024년 32.7\%로 성능 향상을 보였다. 이는 알고리즘 개선과 컴퓨팅 파워 증가, 그리고
빅데이터 활용 확대의 결과로 해석된다.
Funnel plot 분석 결과 연구들이 대칭적으로 분포하여 출판 편향은 관찰되지 않았다. 통계적 검정에서도 Egger's test(t=1.47,
p=0.142)와 Begg's test(z=0.83, p=0.407) 모두 유의하지 않아 출판 편향이 없음을 확인하였다.
그림 4. 출판 편향 평가용 Funnel Plot
Fig. 4. Funnel Plot for Publication Bias Assessment
연구 결과의 강건성을 검증하기 위해 수행한 민감도 분석에서, 고품질 연구만 포함한 경우(n=85) 평균 절감률은 19.2%(95% CI: 17.1-21.3%)로
전체 결과보다 약간 높았으나 유사한 패턴을 유지하였다. 상·하위 5% 극값을 제외한 분석에서도 17.1%(15.6-18.6%)로 일관된 결과를 보여,
메타분석 결과의 신뢰성을 확인하였다.
4.5 최적화 전략 도출
본 연구는 메타분석 결과를 종합하여 RS-ECVTB 구축에 필요한 핵심 기술 요소를 도출하였다. 첫째, 알고리즘 측면에서는 하이브리드 접근법(RL+MPC)을
우선 고려해야 하며, 둘째, 최소 1년 이상의 5분 해상도 실측 데이터 확보가 필수적이다. 셋째, BEMS와의 통합은 8.9%p의 추가 효과를 제공하므로
시스템 설계 시 반드시 고려되어야 한다. 넷째, 지상역사와 지하역사의 특성 차이를 반영한 맞춤형 제어 전략이 필요하며, 마지막으로 지속적인 성능 모니터링과
개선을 위한 품질 관리 체계 구축이 요구된다.
5. 결 론
본 연구는 철도역사 에너지 제어 가상 테스트베드(RS-ECVTB) 개발에 필요한 기초 데이터 확보를 위해 대형 공공시설의 AI·ML 기반 HVAC
제어 효과에 대한 메타분석을 수행하였다. PRISMA 가이드라인에 따라 2015-2024년 발표된 1,385편의 문헌 중 267편을 최종 분석한 결과,
AI·ML 기반 HVAC 제어 기법은 전통적 제어 방식 대비 평균 17.4%의 에너지 절감 효과를 나타냈다(95% CI: 15.8-19.0%, Z=18.42,
p<0.001).
기법별 성능 분석에서 하이브리드 접근법(RL+MPC)이 34.2%로 가장 우수한 성능을 보였으며, MPC 28.3%, DRL 26.8% 순으로 나타났다.
철도역사 특성별로는 지상역사(24.8%)가 지하역사(19.3%)보다 유의하게 높은 절감률을 보였고, 대형 역사(>20,000m²)에서 26.3%로
가장 높은 효과를 나타냈다. BEMS 연동 시스템은 28.7%의 절감률로 미연동 시스템 대비 8.9\%p 향상된 성능을 보였으며, 1년 이상의 고해상도(5분
이하) 데이터 사용 시 28.9%의 절감률을 달성하였다.
본 연구 결과는 RS-ECVTB 개발의 핵심 설계 기준으로 활용될 수 있다. 평균 17.4%는 최소 성능 기준으로, 하이브리드 접근법의 34.2\%는
최적 성능 목표로 설정되어야 한다. 알고리즘 측면에서는 RL+MPC가 우선 구현되어야 하며, 지상/지하역사의 성능 차이를 반영한 맞춤형 제어 전략이
필요하다. 시스템 요구사항으로는 BEMS 연동 기능, 고해상도 데이터 처리(5분 이하), 장기 데이터 학습 기능(1년 이상)이 필수적이다.
본 연구의 한계로는 철도역사 직접 연구가 50.2%에 불과하여 도출된 17.4%의 절감률은 참고 지표로 활용되어야 하며, 철도역사의 특수한 운영 조건을
고려한 추가 연구가 필요하다. 또한 기준선 제어 방식의 정의가 연구마다 상이하여 결과 해석에 주의가 요구된다.
본 연구는 RS-ECVTB 개발을 위한 최초의 메타분석 기반 기초 연구로서, 철도역사 AI·ML 기반 HVAC 최적화의 성능 기준과 설계 요구사항을
제시하였다. 도출된 결과는 2025년 ZEB 인증 의무화 정책 대응과 철도역사 에너지 효율화 기술 발전에 기여할 것으로 기대된다.
감사의 글
본 연구는 한국철도기술연구원 주요사업(가상화기반 에너지 통합형 철도역사 스마트 운영기술 개발, PK2503C1)의 연구비 지원으로 수행되었습니다.
References
IPCC, “Climate Change 2023: Synthesis Report,” Geneva: Intergovernmental Panel on
Climate Change, 2023.
Ministry of Strategy and Finance, “Korean New Deal Green Growth Strategy,” 2020.
Korea Energy Agency, “Building Energy Consumption Statistics,” 2023.
Ministry of Land, Infrastructure and Transport, “Plan to expand zero-energy building
certification,” 2024.
Korea National Railway, “Zero Energy Roadmap for Railway Buildings 2025- 2035,” 2023.
Zhang, J., et al., “Challenges and Opportunities in Railway Station Energy Management:
A Global Perspective,” Energy Policy, vol. 182, 113756, 2023.
Lee, S., et al., “Virtual Testbed Development for Smart Building Energy Systems: A
Systematic Approach,” Applied Energy, vol. 361, 122945, 2024.
Wang, Y., et al., “Real-time Sensor Data Integration for Building Energy Simulation
using FMU,” Building Simulation, vol. 16, no. 4, pp. 687-704, 2023.
Kim, H., et al., “Dynamic Model Parameter Calibration in FMU-based Building Simulation,”
Energy and Buildings, vol. 289, 113045, 2024.
Chen, L., et al., “Enhanced Model Predictive Control using FMI Standard for HVAC Systems,”
Control Engineering Practice, vol. 134, 105456, 2023.
Liu, X., et al., “Multi-system Integration in Smart Buildings using FMU Co-simulation,”
Automation in Construction, vol. 158, 105201, 2024.
Park, J., et al., “Dynamic Modeling Requirements for Railway Station HVAC Systems,”
Transportation Research Part D, vol. 118, 103689, 2023.
Brown, K., et al., “Passenger Flow Dynamics and Energy Implications in Railway Stations,”
Transportation Research Part A, vol. 178, 103856, 2023.
Davis, P., et al., “Internal Heat Gain Variations in Transportation Hubs: Measurement
and Modeling,” Energy and Buildings, vol. 292, 113156, 2024.
Wilson, A., et al., “Multi-zone Energy Management in Mixed-use Railway Facilities,”
Applied Energy, vol. 348, 121523, 2023.
Taylor, S., et al., “24/7 Operation Challenges in Public Transportation Buildings,”
Building Research & Information, vol. 52, no. 3, pp. 289-305, 2024.
Johnson, D., et al., “Limitations of Traditional HVAC Control in Dynamic Environments,”
HVAC&R Research, vol. 29, no. 8, pp. 1123-1140, 2023.
Miller, C., et al., “Real-time Adaptive Control for Occupancy -driven HVAC Systems,”
Energy and Buildings, vol. 287, 112998, 2024.
Garcia, R., et al., “Multi-zone Interaction Effects in Large Building HVAC Control,”
Building Simulation, vol. 16, no. 5, pp. 789-806, 2023.
Lopez, M., et al., “Predictive Information Utilization in Smart Building Control Systems,”
Renewable and Sustainable Energy Reviews, vol. 195, 114356, 2024.
Zhang, W., et al., “Deep Reinforcement Learning for Building Energy Management: A
Comprehensive Review,” Applied Energy, vol. 342, 121178, 2023.
Moher, D., et al., “PRISMA 2020 Statement: An Updated Guideline for Reporting Systematic
Reviews and Meta-Analyses,” BMJ, vol. 372, no. 71, 2020.
Borenstein, M., et al., “Introduction to Meta-Analysis, 2nd Edition,” Hoboken: John
Wiley & Sons, 2021.
Li, H., et al., “Proximal Policy Optimization for Building Energy Management,” Machine
Learning, vol. 112, no. 9, pp. 3456-3478, 2023.
Kim, J., et al., “Deep Q-Networks in Smart Building Control: Challenges and Solutions,”
Expert Systems with Applications, vol. 234, 121089, 2024.
Martinez, A., et al., “Actor-Critic Methods for HVAC Control in Large Buildings,”
Artificial Intelligence, vol. 318, 103891, 2023.
Patel, R., et al., “Hybrid Reinforcement Learning and Model Predictive Control,” IEEE
Transactions on Smart Grid, vol. 14, no. 2, pp. 1234-1245, 2023.
Thompson, L., et al., “RL-MPC Integration for Building Energy Optimization,” Automation
in Construction, vol. 156, 105123, 2024.
Lee, M., et al., “DRL-MPC Hybrid Approach for Railway Station HVAC Control,” Transportation
Research Part D, vol. 125, 103967, 2024.
저자소개
He received his B.S. and M.S. degrees in Department of Electrical Engineering and
Ph.D. degree in School of Electrical and Computer Engineering from Sungkyunkwan University,
Korea, in 1995, 1998 and 2001, respectively. Hs is currently a principal researcher
in Korea Railroad Research Institute (KRRI).
E-mail : skshin@krri.re.kr
ORCID ID : http://orcid.org/0000-0002-6493-1483