단순 모델링 기반 시설원예 스마트 팜의 재배구역 실온 예측에 관한 연구 (Predicting Internal Temperatures of Cultivation Zones in Smart Farming Based on Simple Modeling)

서지정보

· 발행기관 : 대한설비공학회
· 수록지 정보 : 설비공학 논문집 / 36권 / 11호 / 546 ~ 559페이지
· 저자명 : 박승훈, 박관용

초록

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.

영어초록

Smart farming is a sustainable agriculture against population growth and a sustainable production method to address worldwide food security concerns. However, with their high dependence on fossil fuels, reducing carbon emissions remains a critical challenge in smart farming. To mitigate this issue, it is essential to implement model-based control and smart farming operations to enhance energy efficiency. In this study, modeling methods for a control purpose were tested between a building physics-based model and a neural network-based model using hourly data from five days. For model test and validation, 18 days of data were used all models were evaluated based on their performances in predicting internal temperatures of cultivation zones. Results revealed that the neural network-based model exhibited a better performance than the building physics-based model. However, after identifying supplementary modeling points from the building physics-based model and applying these to both models, the predictive performance of the building physics-based model ultimately surpassed that of the neural network-based model.

참고자료

· 없음