기호설명

하첨자

1. 서 론

시설원예 스마트 팜(이하 스마트 팜)은 온실, 수직 농업, 식물공장 등 시설 내에서 인위적으로 생육환경을 조절하여 재배작물을 집약적으로 생산하는 현대적 농업시설을 의미한다. 스마트 팜은 기후위기와 식량안보 문제에 효과적으로 대응할 해결책으로 주목받고 있어 그 시설의 수요가 증가하고 있다.^(1,2)

노지 스마트 팜을 제외한 대부분의 스마트 팜 시설은 건축물이기에 에너지 소비 특성 또한 건물과 매우 유사하다. 스마트 팜 시설을 건물과 비교한다면, 건물 내 재실자의 쾌적을 위해 실내 적정 온/습도 범위가 존재하듯, 스마트 팜은 작물별 생육 적온/적습이 존재한다.⁽³⁾ 또한 스마트 팜 에너지 사용은 냉·난방, 양액제조(급탕), 조명, 환기로 크게 나누어지는데 이 또한 건물에서 냉·난방, 급탕, 조명, 환기로 주 사용 용도를 분류하는 것과 유사하다.⁽⁴⁾ 이와 같이 스마트 팜은 건물과 유사한 특성을 바탕으로 최적의 설비 시스템 설계 및 운영이 가능하지만 에너지의 효율적 이용에 관한 성과를 보고한 사례는 드물다.

최근, 기계설비를 활용한 시설 기반의 집약적 생산방식이 농/축/수산 분야에서 주목받고 있음에도 불구하고 농/축/수산 분야의 유류 의존도는 60% 이상으로 여전히 높고⁽³⁾, 건물 부문 대비 에너지 효율화 관련 연구개발은 미흡한 실정이다. 농/축/수산 분야에서 에너지 부문이 차지하는 비중은 전체의 4% 수준으로, 건물 분야에서 에너지 효율화 기술 개발이 진행된 만큼 스마트 팜 분야에서도 이를 적용하여 에너지 효율화를 통한 탄소배출량 감축을 이룰 수 있다면 농/축/수산 분야 배출 잠재량 270만 톤을 절감할 수 있다.⁽⁵⁾

건물은 창, 단열재, 축열체, 일사조절장치 등 외피를 구성하는 요소가 복합적인 반면, 스마트 팜 시설(특히 온실)은 피복재 구조가 단순하다. 또한, 공간별 제어/운영 특성이 다양하고 복잡한 건물과는 달리 스마트팜은 시설 및 재배작물별 시스템의 제어 및 운전 특성을 일반화할 수 있다. 이러한 스마트 팜의 특성을 바탕으로 스마트 팜의 경제성을 향상시키기 위한 연구들이 다수 발표되었다. 스마트 팜의 경제성을 높이는 방식은 크게 두 가지로 구분할 수 있는데, 생산성을 높이는 방식과 에너지 효율을 높이는 방식이다.

생산성 향상에 관련한 연구들은 대부분 설정값 기반의 규칙제어 방식을 채택하고, 제어 적용을 시스템 단위로 확장하여 운영자에게 서비스를 개발하는 연구들이 발표되었다.⁽⁶⁾ Durai and Shamili⁽⁷⁾은 지역, 기상 여건에 따른 재배 작물을 추천하고, 생장 도일(growing degree days)을 기반으로 적정 운영 솔루션을 제안하였다. Apat et al.⁽⁸⁾ 는 온도, 습도, 토양의 pH, 강수량, 작물 이름 등의 매개변수를 포함하여 과거 데이터를 기반으로 작물 수확량을 예측하는 모델을 제안하였다.

최근에는 생산성과 에너지 효율을 복합적으로 고려할 수 있는 제어 전략을 연구한 사례 또한 다수 발표되었다.⁽⁹⁾ Kakraliya et al.⁽¹⁰⁾은 작물 생산 시점까지 투입되는 에너지를 직접/간접적 에너지로 분류하여 신재생에너지의 도입을 통해 직접적 에너지 사용을 절감할 수 있는 운영 전략을 에너지 예측 모델을 기반으로 도출하고, 이를 통한 경제성 분석 추정 결과를 제시하였다. Rabea et al.⁽¹¹⁾은 냉․난방, 전력 공급에 필요한 PV, 공기식 히트펌프, 팰릿보일러, 축열조로 구성된 시스템을 스마트 팜 에너지 수요를 공급하도록 적용하였을 때, 생육적온을 유지하면서도 동시에 kWh당 0.2$의 경제성을 확보할 수 있음을 밝혔다. 스마트 팜 데이터 통신 시스템의 전력 최적화를 목적으로, 사물인터넷 기술이 도입된 스마트 팜 저전력 데이터 네트워크 구성을 제안하여 최대 40%까지 네트워크 시스템 소비전력을 절감한 연구 또한 발표되었다.⁽¹²⁾

국내에서도 모델 기반의 제어 전략을 도출하고 이를 적용한 연구들이 발표되었다. Energy Plus⁽¹³⁾를 이용하여 축사용 에너지 모델을 개발하고, 개발된 물리모델을 바탕으로 외기 냉방을 활용한 환기 에너지 최적 제어 전략을 도출한 사례⁽¹⁴⁾와 약 100일간 3분 간격으로 수집된 5만 건의 데이터를 바탕으로 실내 환경인자 예측 모델을 개발하고, 시뮬레이션을 통해 냉방기 가동시간을 10%가량 감축한 사례⁽¹⁵⁾가 대표적이다.

언급된 국내외 연구들은 대상 스마트 팜의 물리적 거동을 묘사할 수 있는 모델을 기반으로 주요 제어변인의 예측값을 도출하여 제어 전략을 수립하여 적용한 사례이다. 이러한 연구들이 실질적으로 적용되기 위해서는 스마트 팜 제어 시스템에 직접 탑재할 목적으로 제어 모델을 개발하고, 개발된 제어 모델을 실제 시스템 제어에 탑재하여 사용하기 위한 연구들이 수행되어야 한다. 이를 위해서는 모델을 개발하는 단계에서 신속한 모델링 방법과 빠른 연산이 가능한 모델링 방식을 채택하여야 한다.

이에 본 연구에서는 스마트 팜 시설 구축 후, 운영 초기에 축적된 단기간의 운영 데이터만으로 제어 목적으로 구축할 수 있는 서로 다른 두 가지 모델링 방식을 검토하고자 한다. 건축설비 분야에서 모델 기반 예측제어에 주로 사용되는 물리식 기반 모델링 방식과 인공신경망 기반의 모델링 방식을 이용하여 5일간의 시간 간격 데이터만으로 모델을 구축하고, 스마트 온실의 재배구역 실온 예측 모델링 과정과 그 결과를 비교하였다. 그로부터 스마트 팜 시설의 건축적 특성과 모델링 방식의 차이에서 기인한 주요 특징들을 정리하여, 시설원예 스마트 온실에 적합한 모델링 방식을 제안하고자 한다.

2. 연구방법

본 연구에서는 5월 18일부터 6월 10일까지 23일간 측정된 시간 단위 데이터를 기반으로 building physics 기반의 물리모델과 인공신경망 기반의 모델을 구축하여 재배구역의 실온 예측 성능을 서로 비교하였다. 본 연구의 프로세스는 Fig. 1에 나타내었다.

데이터 처리, 모델링에는 Python 3.12를 사용하였다. 본 연구에서 비교하고자 하는 두 가지 모델링 방식은 모두 모델링 과정에서 데이터를 필요로 한다. 따라서 측정된 데이터를 각각 모델을 구축하기 위한 학습 데이터 세트, 그리고 모델의 성능을 검토하기 위한 검증 데이터 세트로 나누어 모델링 단계에서 활용하였다.

물리 모델과 인공신경망 모델 간의 예측성능은 본 연구가 아니더라도 국내외에서 다양한 주제로, 다각적으로 논의된 바 있다. 본 연구에서는 도출된 모델의 재배구역 실온 예측성능 결과와 더불어, 모델링 방법론의 차이에서 기인하는 각 모델링 방식의 과정과 결과를 모델의 사용성(utility) 관점에서 논하고자 한다.

Fig. 1 Research process to comparison the building physics-based and the neural network based modeling method.

3. 데이터 기반 모델링 방법론

3.1 모델링 대상 공간 및 측정 데이터

본 연구의 대상은 전남 나주시 소재의 스마트 팜으로 재배면적 1,011.2 m², 높이 6 m 규모의 유리온실이다. 대상 시설의 재배구역은 너비 31.6 m, 폭 32 m로 딸기, 멜론 및 아열대과수 등의 생육과정을 체험할 수 있도록 설계되었다. 온실의 천장 피복재는 4 mm 두께 저철분 산광 강화유리(비열 670 J/kg·K, 밀도 2,500 kg/m³)가, 측벽은 16 mm 두께 폴리메타크릴산메틸(비열 1,470 J/kg·K, 밀도 1,180 kg/m³)로 구성되어 있다.

재배구역의 실내온도(Tin) 및 외기온도(Text)와 수평면 전일사량(qsol) 측정점을 Fig. 2에 나타내었다. 재배구역 실온 측정에 사용된 기기는 T사의 온습도계를 사용하였으며, 재배구역 상부에는 실내 공기의 온습도를 균일하게 유지하기 위한 교반기가 작동하고 있기에 재배구역 정중앙 1.2 m 높이를 측정하였다. 외부 측정점으로는 시설 옥외에 설치된 외기온습도 및 일사량계 트랜스미터 데이터를 사용하였으며 1시간 간격으로 샘플링 된 데이터를 사용하였다.

본 연구에서 사용한 물리모델은 열 저항(thermal resistance)과 열용량(thermal capacity)으로 구성된 RC 모델이며 인공신경망 모델은 순환신경망의 일종인 long short-term memory(LSTM)모델을 사용하였다. RC 모델과 LSTM 모델을 구축하기 위해 측정된 데이터를 모델을 학습하기 위해 사용할 training set과 학습된 모델의 예측성능을 검증하기 위해 사용할 test & validation set으로 구분하였다. 사용한 training set은 전체 시계열 데이터 23일(100%) 중 초반 5일간(23%)의 데이터이며, 나머지 18일간의 데이터는 모델 검증에 사용하였다.

Fig. 2 Data measurement points of the target building.

3.2 Long short-term memory(LSTM) 모델

LSTM 모델은 순환신경망(recurrent neural network, RNN)의 일종이다. RNN 기반의 학습 모델은 데이터의 시변적(time variant) 특성을 효과적으로 추종하기 위해 주로 사용한다. 예를 들면, 시간 변화에 따른 데이터의 특성이 나타나는 온도, 습도, 일사량 등을 예측할 때 RNN 기반의 학습 모델이 예측성능이 우수하다고 알려져 있다⁽³⁾. LSTM은 RNN 모델 중에서도 일반적인 신경망 구조와 같이 입/출력층 및 은닉층으로 모델의 구조를 사용자가 자유롭게 구성할 수 있다. 이런 LSTM의 사용 용이성을 고려하여 본 연구의 신경망 모델로 채택하였다.

Fig. 3 Memory cell structure of the long short-term memory(LSTM).

LSTM은 입력 데이터를 메모리 셀에 저장하고, sliding window 방식으로 메모리 셀을 작동하여 정보를 처리한다. Fig. 3에 나타낸 바와 같이, LSTM은 이전 시점(t−1) cell의 정보를 현 시점(t) 셀로 전달하기 위해 망각 게이트(gt), 입력 게이트(it), 출력 게이트(ot)의 3가지 게이트를 사용하여 t−1에서의 출력값(ht−1)을 t에서의 입력값(xt)과 함께 각 게이트에 입력한다. 이때, 각 게이트는 모델의 학습 과정에서 결정된 가중치, 바이어스에 따라 ht−1과 xt로부터 gt, it를 계산하고, 다음 셀의 후보 셀 상태를 결정한다. 이 후 전 단계에서 결정된 후보 셀 상태와 ot를 바탕으로 ht, yt를 출력하며, 이 과정의 반복으로 메모리 셀을 순차적으로 구성한다.

LSTM의 입력은 여러 time step으로 이루어진 순차적 데이터 배열로 이루어져 있는 반면 출력은 단일 time step의 값을 출력한다. 이와 같이 여러 개의 입력으로 하나의 출력을 연산하는 LSTM 구조를 many to one 구조라 하며 사용자로부터 hyperparameter로 window size와 look back을 받도록 하여 ht, yt를 출력하는 과정에서 이 값을 참조하여 연산을 수행한다.

3.3 Thermal resistance-capacity(RC) 모델

RC모델은 열에너지의 전달 원리를 열저항(R)과 열용량(C), 그리고 각각의 온도 계산 절점과 각 절점의 경계조건, 입력 등을 열 회로로 나타낸 선형 모델이다. 본 연구에서는 Fig. 4 우측에 나타낸 바와 같이 3개의 열저항(Rin, Rout, Rvent)과 2개의 열용량(Cair, Cenv)으로 구성된 3R2C 모델을 사용하였다.

Fig. 4 Description of the 3R2C model configuration.

Tin은 재배구역의 실내온도(℃)를, Tenv는 점선으로 표시된 재배구역의 외피를 대표하는 온도를, Cenv는 외피 전체 열용량(J/K)을 의미한다. Rin은 Tenv을 기준으로 실내측 열저항(K/W)을, Rout은 실외측 열저항(K/W)을 의미하고, Rvent는 Text와 Tin 사이의 침기/누기로 인한 열손실을 반영하기 위한 열저항(K/W)이다. Cair는 실내 공기의 열용량(J/K)을 의미하고, τ는 투과율, α는 흡수율을 의미한다.

Fig. 4에 나타낸 3R2C 모델은 qsol, Text를 입력받아 Tin, Tenv을 출력한다. 다수의 입/출력을 처리하기 위해 본 연구에서는 상태-공간 표현(state-space representation)을 사용하였다. 3R2C 모델의 열평형방정식을 상태-공간 표현에 따른 행렬식으로 나타내면 식(1)과 같은 미분방정식의 형태가 된다.

(1)

$$ \left\{\begin{array}{l} \mathrm{C} \dot{\mathrm{~T}}(t)=\mathrm{AT}(t)+\mathrm{BU}(t) \\ \mathrm{Y}(t)=\mathrm{JT}(t)+\mathrm{DU}(t) \end{array}\right. $$

행렬 A, B, C, D, J는 RC모델의 열저항, 열용량 등의 주요 매개변수로 구성된 행렬이다. 식(2)에 나타낸 바와 같이 행렬 T(t)는 시간에 의해 변화하는 상태변수, Ṫ(t)은 상태변수의 미분항을 의미한다. U(t)는 입력을, Y(t)는 출력을 의미한다.

(2)

$$ \dot{\mathrm{T}}(t)=\left[\begin{array}{c} \dot{T}_{\text {env }}(t) \\ \dot{T}_{\text {in }}(t) \end{array}\right], \quad \mathrm{T}(t)=\left[\begin{array}{c} T_{\text {env }}(t) \\ T_{\text {in }}(t) \end{array}\right], \quad \mathrm{U}(t)=\left[\begin{array}{c} T_{\text {out }}(t) \\ q_{\text {sol }}(t) \end{array}\right], \quad \mathrm{Y}(t)=\left[\begin{array}{c} T_{\text {in }}(t) \\ T_{\text {env }}(t) \end{array}\right] $$

식(1), (2)를 바탕으로 3R2C모델을 구성하는 상태-공간 방정식은 다음의 식(3)과 같이 풀어 쓸 수 있으며, 출력 Y(t)는 2차 단위행렬과 식(2)의 T(t) 행렬의 곱으로 단순히 T(t) 행렬의 성분만을 출력하였다.

(3)

$$ \left[\begin{array}{cc} C_{\text {env }} & 0 \\ 0 & C_{\text {air }} \end{array}\right] \dot{\mathrm{T}}(t)=\left[\begin{array}{cc} -R_{\text {out }}^{-1}-R_{\text {in }}^{-1} & R_{\text {in }}^{-1} \\ R_{\text {in }}^{-1} & -R_{\text {in }}^{-1}-R_{\text {vent }}^{-1} \end{array}\right] \mathrm{T}(t)+\left[\begin{array}{cc} R_{\text {out }}^{-1} & \alpha \\ R_{\text {vent }}^{-1} & \tau \alpha \end{array}\right] \mathrm{U}(t) $$

식(1)~(3)에 나타낸 상태-공간 표현식은 미분방정식 음해법 풀이를 이용하여 이산화한 후 수치 해를 찾는 방법을 이용하여 각 시간에 따른 상태변수 값을 계산하였다.

3R2C 모델은 RC 모델 중 구조가 매우 단순한 모델에 속한다. 이렇듯 단순한 모델 구조를 채택한 이유는 추후 시스템 제어에 활용하기 위해 모델의 복잡도를 낮추고 연산 시간을 최소화하기 위함이다. 예측하고자 하는 시스템이 복잡할수록 모델의 구조 또한 복잡하게 설정하는 것이 예측성능 향상에 유리하다는 것은 이미 잘 알려진 사실이나^(18-20), 본 연구의 스마트 온실은 건물의 구조가 단순한 건식 구조체이기에 복잡한 모델 구조를 채택하면 모델링 과정에서 불필요한 시간 소요, 반복적 최적화 작업을 초래하게 된다. 단순화된 RC 모델과 LSTM 모델 구조를 사용한 것이 본 연구에서 채택한 모델링 방식의 공통적 특징이다.

4. 학습 및 최적화를 활용한 모델 구축

모델의 학습(training) 및 검증(test & validation)에 사용된 데이터는 Fig. 5에 나타냈다. 상단 붉은색 실선, 검정색 점선은 실온, 녹색 실선 데이터는 외기온을 의미하며(좌측 온도 축) 그 아래 노란색 실선 그래프는 수평면 전일사량(우측 일사량 축) 데이터를 나타냈다. 모델을 구축하기 위해 23일간 측정된 재배구역 실온(Tin.mea), 외기온(Text) 수평면 전일사량(qsol)의 시간 단위 데이터 중 최초 5일간의 연속된 데이터를 활용하였으며, 모델의 검증에는 나머지 18일간의 데이터를 활용하였다.

Fig. 5 Separation of training (=modeling), test & validation set among the measurement data.

5. 모델링 결과

Table 1의 조건에 따라 학습된 LSTM 모델과 Table 2의 입력 조건에 따라 최적화된 RC 모델의 모델링 결과는 Fig. 6에 산점도로 나타냈다. 산점도에는 각 케이스별 RMSE(root mean square error)와 CV(cross-validation) RMSE를 함께 나타냈다. 본 논문의 기술상 편의를 위해 3R2C 모델 최적화 및 LSTM 모델 학습에 사용된 5일간의 데이터를 학습 데이터(3R2C 모델은 영문 ‘optimization data’, LSTM 모델은 영문 ‘training data’로 표기), 모델의 예측성능 검증에 사용한 18일간의 데이터는 모두 검증 데이터(test & validation data)로 명하였다. 또한, RC 모델 최적화로 도출된 최적 해는 Table 3에 나타냈다.

Fig. 6 Modeling result comparison between RC model and LSTM model.

Table 3에 나타낸 최적화 결과로 찾아진 값들은 Table 2의 정의역 범위 내에 존재하는 해(solution)이다. 특히, Cair의 경우 초기에 계산된 실내 공기의 열용량보다 약 2.7배 큰 값으로 열용량이 결정되었는데, 이것은 제한된 매개변수로 묘사하고자 하는 대상을 표현하고자 할 때 자주 보고되는 특징이다.^(19,20)

Fig. 6의 (a), (b)는 RC 모델과 LSTM 모델의 학습 성능을, (c), (d)는 예측성능을 의미하며 그래프의 점선으로 나타낸 y=x 직선에 표식이 가까울수록 측정 데이터와 모델 예측 값의 오차가 작다는 것을 의미한다. Fig. 6의 산점도 우측 하단의 RMSE와 CV RMSE는 (a)-(d)의 모든 경우에 LSTM 모델이 더 낮게 나타났다. 이것은 LSTM 모델의 학습 및 예측성능이 RC 모델보다 더 우수하다는 것을 의미한다. LSTM 모델링에 사용된 학습 데이터의 수가 매우 적음에도 불구하고 (d)의 LSTM 모델의 CV RMSE가 8.45%로 나타났다.

Fig. 7 Indoor temperature optimization (training), test & validation result comparison of RC and LSTM model.

본 연구에서 LSTM 학습에 사용된 데이터의 비율은 일반적으로 사용되는 지도학습에 사용되는 학습 데이터의 비율 대비 매우 낮기에 LSTM 모델 학습에 사용된 데이터의 비중이 증가할수록 Table 4에 나타낸 바와 같이 RMSE, CV RMSE는 감소하는 경향을 보인다. 그럼에도 불구하고 5일치의 학습 데이터만으로 RMSE와 CV RMSE만을 가지고 비교하면, Fig. 6(c)에서 RC 모델이 22.7%의 데이터를 사용하여 각각 2.46℃, 9.46%를 보여 예측성능 측면에서 RC 모델이 LSTM 모델보다 큰 오차를 보인다고 판단할 수 있다.

Fig. 6의 RC 모델과 LSTM 모델의 산점도 분포에서, Fig. 6(b), (d)의 LSTM 모델은 산점도가 y=x기준으로 중앙에 분포하는 반면, RC 모델은 온도가 낮은 구간에서 모델의 실온 예측 결과가 낮게 나타나 산점도가 y=x기준으로 아래쪽에 위치하는 것을 확인할 수 있다. 이를 확인하기 위해 학습 및 검증에 사용된 데이터를 입력하여 RC 모델과 LSTM 모델의 실온 예측 결과를 그래프로 나타내면 Fig. 7과 같다.

Fig. 7(a)는 RC 모델의 재배구역 실온 최적화(optimization), 테스트 및 검증(test & validation) 결과를 그래프로 나타낸 것이며 (b)는 LSTM 모델의 결과를 나타난 것이다. 주간에 3R2C 모델의 실내온도(Tin.model)가 측정된 실내온도(Tin.mea)를 따르지만, 야간 또는 5/29일, 6/4일, 6/7일 등의 일사량이 적은 시기에 Tin.model은 외기온도(Text)를 따른다. 일반적으로 우리나라 온실은 겨울철 생육 적온·적습을 유지하기 위해 가습과 난방을 함께 실시하도록 설계되는 점을 고려하면, 해당 시설에서 추가적으로 가습 및 난방이 실시되었음을 알 수 있다.

반면, Fig. 7(b)는 대체적으로 Tin.model이 Tin.mea를 따르고 있으나, 규칙이나 패턴을 찾아보기 어렵다. 예컨대 5/24일 주간에 Tin.model이 Text보다 낮거나, 일사량이 없는 6/3일 야간에 Tin.model이 Text보다 낮게 나타나는 것은 물리적으로 이해하기 어렵다. Table 4에 나타낸 바와 같이 학습 데이터의 수를 증가시켰을 때도 전반적인 RMSE가 개선되었을 뿐, 이러한 임의성은 개선되지 않았다. 그럼에도 불구하고, RMSE나 CV RMSE 결과만으로는 Fig. 7(b)의 LSTM 모델이 RC 모델보다 예측성능이 우수한 것으로 보인다.

상대습도가 낮고 일사량이 없는 야간에 난방이 실시된 근거로, 시설의 데이터베이스에서 binary 데이터를 확인하였다. 해당 데이터(S, signal)는 Fig. 8과 같이 온실의 상대습도, 상대습도 변화량 및 일사량과의 관계를 보이는 것을 확인하였다. Fig. 8(a)에서 S는 온실의 습도가 낮을 때 0, 높을 때 1의 경향을 보이며, Fig. 8(b)에서는 상대습도의 시간에 따른 변화량이 양수일 때 1, 음수일 때 0을 나타낸다. 또한, Fig. 8(c)에서 일사량이 없거나 낮을 때 1, 높을 때 0을 나타내는 것으로 보아 0은 ‘off’ 상태, 1은 ‘on’ 상태를 의미한다고 추정할 수 있다. 이러한 상관관계를 바탕으로 본 논문에서는 야간 재배구역 실온이 외기온도보다 항상 높게 나타나는 이유를 가습으로 인한 난방 효과가 반영된 것으로 판단하였다.

Fig. 8 Correlation between the unidentified data 'S' and each of the following: (a) relative humidity, (b) derivative of relative humidity, (c) solar irradiation.

본 연구에서는 앞서 기술한 RC 모델의 결과와 Fig. 8의 상관관계를 토대로 S가 1일 때 가습을 통해 임의의 열량이 공급되었다고 가정하여 두 모델의 구조를 Fig. 9와 같이 변경하였다. 각 모델에서 S=1일 때 qh가 Tin에 열량을 공급하도록 모델링 조건을 변경하였다. 이에 따라, 식(2)의 입력 행렬과 식(3)의 상태변수에 qh×S항이 반영되도록 3R2C 모델의 식을 수정하였다. 추가된 qh만을 최적화의 단일 설계변수로 지정하고 Table 4의 값을 그대로 사용하여 식(4) 및 최적화 알고리즘을 통해 qh값을 도출하였다. 도출된 qh는 324.03 W이며, 이를 적용하여 LSTM 모델을 Table 3의 조건에 qh×S 데이터를 입력으로 추가하여 다시 학습시켰고 그 결과는 Fig. 10에 나타내었다.

Fig. 10(a)와 (b)는 Fig. 9에 따라 qh×S항이 각 모델에 추가 반영된 결과를 산점도와 시계열 그래프로 3R2C 모델, LSTM 모델을 각각 나타낸 그래프이다. 5/17일부터 21일까지의 데이터는 학습에, 나머지는 검증에 사용된 데이터이다. 좌측 산점도 그래프 상단에는 qh×S항이 각 모델에 추가 반영되기 전(Before)과 후(After)에 해당하는 검증 데이터의 RMSE, CV RMSE를 각각 나타냈다.

Fig. 10(a)의 3R2C 모델은 RMSE (CV RMSE)가 0.3℃(1.1%) 개선되었다. Fig. 7(a)의 3R2C 모델은 일사량이 적거나 없는 야간에 Tin.model의 그래프가 Text를 따랐던 반면, Fig. 10(a)에서는 Tin.model 그래프가 Tin.mea를 추종하게 되었고, 이에 따라 실온이 낮은 구간(약 30℃ 이하)에서의 산점도 또한 y=x에 가깝게 개선되었음을 확인할 수 있다. Fig. 10(b)의 LSTM 모델 산점도는 20℃ 이하 구간에서 Fig. 7(b) 대비 산점도의 변화가 나타난 것을 확인할 수 있으나, RMSE 수치상 LSTM 모델은 0.02℃(0.06%) 개선되어 예측 정확도 향상은 매우 미약하다.

Fig. 10 LSTM 모델의 실온예측 결과가 35℃를 넘지 않는 경향을 보인다. 일반적인 시계열 예측을 위한 신경망 알고리즘은 학습 데이터의 범위 내에서 패턴을 학습하므로 예측 데이터가 학습 데이터의 최대/최소 범위 내에 분포하도록 가중치가 결정된다. 즉, 학습에 사용된 재배구역 실온의 최대값은 35℃를 초과하지 않으므로 이러한 결과가 나타나게 된다. 반면, RC 모델의 예측 결과는 40℃ 이상을 나타내기도 하는데 이는 qh×S항이 추가됨으로 인해 RC 모델의 실온 예측 결과가 전반적으로 증가한 것으로 판단된다. 만약 이를 고려하여 기존에 찾아진 RC 모델의 매개변수를 다시 최적화한다면, Fig. 10에 나타낸 RC 모델의 예측성능은 더욱 개선될 것이다.

Fig. 9 3R2C (left) and LSTM (right) model structure with a heating supply term, qh×S

모델을 구축하는 과정에서 물리적 인과관계를 기반으로 개선사항을 검토하여 3R2C 모델과 LSTM 모델의 구조 및 입력 데이터를 모두 개선했음에도 Fig. 7의 상태로부터 Fig. 10의 상태까지 모델의 예측정확도 개선을 시도한 효과는 3R2C 모델에만 유효했다. 이러한 결과의 차이를 가져온 변인은 모델링 방식의 차이이며, LSTM 모델과 RC모델의 본질적 특성이 서로 다르기 때문으로 판단된다. LSTM 모델은 입력 데이터로부터 연산을 거쳐 데이터를 출력하기까지의 과정이 설명이 불가능한 black-box 모델의 구조이므로 3R2C 모델의 예측정확도만 개선된 이유를 LSTM 모델과 RC모델의 본질적 특성 차이를 바탕으로 규명할 수는 없다. 그러나, 본 연구는 데이터가 부족한 상황에서는 물리적 연관성을 바탕으로 부족한 데이터를 보완할 수 있는 모델링 방법을 채택하는 것이 효과적인 예측성능을 확보할 수 있음을 시사한다.

Fig. 10 Result of 3R2C and LSTM model adding a heating supply term.

6. 결 론

농업분야 스마트 팜은 작물의 생산성을 높이고 식량안보 문제를 해결할 수 있는 첨단 농업 솔루션으로 인구증가와 환경 문제에 대응하는 지속 가능한 생산방식으로 주목받고 있다. 그러나 아직도 화석연료 의존도가 높아 스마트 팜 시설 수요 증가에 비례하여 탄소 배출량 감축 문제가 대두되고 있다. 이를 해결하기 위해서는 스마트 팜의 운영 에너지 효율을 높이기 위한 모델 기반의 제어방식 도입이 필요하며, 스마트 팜 구축 직후 신속히 시스템 제어에 적용할 수 있는 모델링 방식에 대한 연구가 필요하다. 본 연구에서는 스마트 팜 시설의 재배구역을 대상으로 모델 기반 예측제어에 활용할 수 있는 물리식 기반 모델링 방식과 인공신경망 기반 모델링 방식을 각각 사용하여 제어용도로 활용 가능한 모델을 개발하고 각 모델의 실온 예측성능을 비교·분석하였다.

물리식 기반 모델링 방식은 3R2C 모델을 이용한 gray-box 모델링을, 인공신경망 기반 모델링 방식은 LSTM 모델을 채택하였으며 5월 18일부터 6월 10일까지 23일간 재배구역을 대상으로 측정된 시간 단위 실온 데이터를 3R2C 모델과 LSTM 모델의 묘사 대상으로 설정하였다. 시설 구축 및 운영 초기에 신속한 모델 구축이 요구되는 상황을 가정하기 위해 초기 5일간의 데이터를 모델링에 활용하고 나머지 18일간의 데이터를 모델 검증에 사용하였다.

해당 시설의 일사량, 외기온도를 입력 데이터로, 재배구역의 실온을 출력 데이터로 하여 gray-box 모델링 방식을 이용하여 3R2C 모델을 구축하고, LSTM 모델을 학습하여 두 모델의 예측성능을 비교하였다. 모델의 예측성능 검증 단계에서 3R2C 모델과 LSTM 모델의 RMSE(CV RMSE)는 각각 2.46℃(9.46%), 2.17℃(8.45%)로 나타나 LSTM 모델이 평균적으로 3R2C 모델보다 측정 데이터와의 오차가 더 낮은 것으로 보였다.

3R2C 모델의 실온 예측 결과 그래프로부터 모델링 개선점을 도출하여 3R2C 모델과 LSTM 모델에 이를 각각 반영하여 두 모델의 예측정확도 개선을 시도하였다. 그 결과, 3R2C 모델의 RMSE(CV RMSE)는 0.3℃(1.1%) 개선됐지만, LSTM 모델은 0.02℃(0.06%) 만 개선되어 모델의 예측정확도 개선 시도의 효과는 3R2C 모델에 유효하게 나타났다. 이러한 결과로부터, 본 연구의 주요 결론을 요약하면 다음과 같다.

(1) 본 연구가 목표하였던 단기간의 데이터로부터 신속하고 빠른 제어용 모델을 구축하는 데에는 gray-box 모델링과 black-box 모델링 모두 유효하며, LSTM 모델이 3R2C 모델보다 평균적인 오차가 더 적게 나타나 예측성능의 우수성 관점에서는 LSTM 모델이 소폭 우세하였다. 또한, CV RMSE는 모두 10% 이내로 나타나 구조가 간단한 스마트 팜 시설에서는 단순한 모델 구조만으로도 10% 오차범위 내의 예측성능을 확보할 수 있었다.

(2) 3R2C 모델의 실온 예측 결과 그래프로부터 일사 유입이 적거나 없을 때 모델 예측성능의 편차가 발생한다는 사실을 추론할 수 있었다. 반면, LSTM 모델의 실온 예측 결과로부터는 별다른 특징을 찾을 수 없었다. 실제로 난방열이 투입되었는지 여부 및 투입된 열량 등을 검증하지는 못하였으나, 3R2C 모델의 결과와 스마트 팜 시설의 일반적인 사용 행태를 고려하여 해당 편차가 발생하게 되는 인과관계를 파악할 수 있었다. 이는 물리적 연관성(building physics)을 기반으로 직관적으로 사고를 확장하여 합당한 추론이 가능하였기 때문이다.

(3) 인과관계를 바탕으로 추산된 투입 열량을 3R2C 모델과 LSTM 모델에 반영하여 예측정확도 개선을 시도하였으나 3R2C 모델에만 개선 시도가 유효하게 나타났다. 이 결과는 LSTM 모델이 채택하고 있는 RNN 구조보다 3R2C 모델에 적용된 미분방정식이 스마트 팜을 대상으로 측정된 데이터를 더 잘 설명할 수 있다는 것을 의미한다.

본 연구에서 비교 대상으로 선정한 두 모델은 모두 data-driven 모델이지만 RC 모델은 입출력 데이터를 방정식의 관계로 정의하였고 LSTM 모델은 그렇지 않았다는 차이점이 있다. 그럼에도 불구하고 LSTM 모델의 RMSE가 더 낮게 나타난 것은 묘사하고자 하는 대상을 합리적으로 추정할 수 있는 단순하고 새로운 방법론이 유효하다는 것을 보여준다.

본 연구에서 채택한 모델링 방식은 매우 단순하고, 그 적용 대상 또한 구조가 단순한 스마트 온실 시설이기에 본 연구에서의 결론을 일반적인 결론으로 확장하기에는 어려우나, 모델링 방식의 차이에서 기인하는 명확한 특성을 규명하였다는 것에 본 연구의 의의가 있다. 향후에는 투입된 열량을 검증할 수 있도록 하여 서로 다른 모델링 방식의 유효성에 대한 상세한 분석을 실시할 예정이며, 나아가서는 단순 모델링 기반의 스마트 온실 제어 모델을 제안하여 에너지 절감을 위한 예측제어 유효성 등을 검토할 예정이다.