본 논문은 강화학습(RL) 기반 HVAC 제어의 효율성을 다양한 배경 기후 조건에서 평가하고, RL 전략이 실내 및 지역 도시 기후에 미치는 영향과 RL 전략의 도시 간 전이 가능성을 분석하는 통합 프레임워크를 제시합니다. 건물 에너지 모델을 통합한 도시 기후 모델과 RL을 결합하여, 다양한 기후 조건에서의 보상(에너지 소비 및 열적 편안함의 가중치 조합으로 정의), RL 전략의 실내 및 지역 도시 기후에 대한 영향, 그리고 RL 전략의 도시 간 전이 가능성을 평가합니다. 연구 결과, 보상 및 RL 전략의 영향은 배경 기후가 다른 도시 간에 현저한 차이를 보이며, 보상 가중치의 민감도와 RL 전략의 전이 가능성 또한 배경 기후의 영향을 크게 받는다는 것을 밝혔습니다. 특히, 더운 기후의 도시는 에너지 소비와 열적 편안함을 균형 있게 고려하는 대부분의 보상 가중치 구성에서 더 높은 보상을 달성하는 경향이 있으며, 대기 온도 변화가 큰 도시에서는 RL 전략의 전이 가능성이 더 높은 것으로 나타났습니다. 이러한 결과는 다양한 기후 환경에서 RL 기반 HVAC 제어 전략을 철저히 평가해야 함을 강조하며, 도시 간 학습이 RL 기반 HVAC 제어의 배치에 도움이 될 수 있다는 새로운 통찰력을 제공합니다.
