Agentic Building Energy Modeling

건물 에너지 모델링(Building Energy Modeling, BEM)은 건물의 에너지 소비를 예측하거나 분석하기 위한 시뮬레이션 기술로, 냉난방, 조명, 환기 등 다양한 에너지 요소들을 시간 단위로 정량적으로 모사한다. 이러한 모델은 에너지 성능 진단, 건물 개보수 시뮬레이션, 탄소배출량 분석 등 다양한 목적에 활용된다.

그러나 기존의 에너지 모델링 방식은 여러 한계를 지닌다. 대표적으로 EnergyPlus와 같은 시뮬레이션 엔진은 상세한 입력 파일(IDF: Input Data File)을 요구하며, 이는 건물의 기하학적 정보, 재료 특성, 내부 부하, 시스템 구성 등의 복잡한 정보를 포함해야 한다. 이러한 입력 파일을 수작업으로 구성하거나, DesignBuilder와 같은 상용 툴을 통해 간접적으로 생성하는 방식은 고도의 전문성을 요하며, 시간과 비용이 많이 소요된다. 특히 도시 단위의 대규모 건물 모델링에서는 이러한 접근 방식이 비효율적이며 확장성에 한계를 지닌다.

이러한 배경 속에서 본 연구는 Agentic Building Energy Modeling, 즉 AI 에이전트 기반의 자동화된 건물 에너지 모델링 기법을 제안한다. 이 방법은 대규모 언어 모델(LLM)과 전문가 지식 기반의 에이전트를 활용하여, 기존의 수작업 또는 반자동화 방식의 한계를 극복하고, 건물의 비정형 데이터를 정형화된 시뮬레이션 입력파일로 자동 변환할 수 있도록 한다.

기존 연구에서는 LLM을 파인튜닝(fine-tuning)하여 IDF 생성에 적용한 사례가 있으나, 이는 다량의 도메인 데이터, 시간, 계산 자원을 요구하며, 새로운 도시나 건물 유형에 대한 확장성이 떨어지는 단점이 있다. LLM의 발전은 이러한 한계를 뛰어넘어 지식 엔지니어링 통한 시스템 구현을 가능케한다. 이에 따라 본 연구는 전문가의 지식 체계를 반영한 AI 에이전트 구조를 설계하여, 전문가 수준의 건물 에너지 모델링을 자동으로 수행하는 방식을 제안한다.

본 모델링 프레임워크에서는 다양한 유형의 데이터를 결합한다. 예를 들어, 건물의 GIS 데이터는 폴리곤 기반의 외피 형상 생성을 위한 기초 자료로 사용되며, 행정 데이터는 건물 용도, 면적, 층수, 착공연도 등 IDF 객체를 구성하기 위한 정보를 제공한다. 또한 스트리트 뷰 이미지를 분석하여 건물 외벽의 창문 비율(창면적비, window-to-wall ratio)을 추정함으로써, 시뮬레이션 정확도를 높인다.

에이전트가 이러한 복합적 작업을 성공적으로 수행하기 위해서는 전문가 수준의 엔지니어링 지식과 규칙 기반의 지식 체계가 필수적이다. 본 연구는 정교화된 지식 엔지니어링(knowledge engineering)을 통해, 건물별로 의미 있는 IDF 객체를 생성하고, 도시 단위 시뮬레이션을 가능케 하는 자동화된 시뮬레이션 파이프라인을 구축한다.

Building Energy Modeling (BEM) is a simulation technique used to predict and analyze a building's energy consumption. It quantitatively models various energy components—such as heating, cooling, lighting, and ventilation—on a time-dependent basis. These models are widely applied for purposes such as energy performance assessment, retrofit simulations, and carbon emission analysis.

However, conventional approaches to energy modeling present several limitations. Simulation engines like EnergyPlus require a detailed input data file (IDF: Input Data File), which must include complex information such as building geometry, material properties, internal loads, and system configurations. Creating these input files manually or using commercial tools like DesignBuilder demands a high level of expertise and incurs significant time and cost. These challenges are further amplified when modeling buildings at the urban scale, making traditional methods inefficient and lacking scalability.

Against this backdrop, the present study proposes Agentic Building Energy Modeling, an automated building energy modeling framework powered by AI agents. This approach leverages Large Language Models (LLMs) in conjunction with expert knowledge-based agents to overcome the limitations of manual or semi-automated workflows. The agent transforms unstructured building-related data into structured simulation-ready IDF files.

Previous studies have employed fine-tuning of LLMs for generating IDF files. However, such methods require large domain-specific datasets, extensive computational resources, and significant time investment, while offering limited scalability to new building types or cities. Recent advances in LLMs now enable system-level implementations through knowledge engineering rather than fine-tuning. In response, this study designs an AI agent framework grounded in expert knowledge to perform automated, expert-level building energy modeling.

The proposed framework integrates multiple types of data. For instance, GIS data provides geometric information used to construct polygonal building envelopes; administrative data contributes attributes such as building use type, floor area, number of stories, and construction year, which are essential for generating IDF objects. Furthermore, street view images are analyzed to estimate the window-to-wall ratio, improving the fidelity of the building envelope modeling.

To successfully perform such multifaceted tasks, the agent must incorporate expert-level engineering logic and a rule-based knowledge system. This study implements a refined knowledge engineering process that enables the generation of meaningful IDF objects for each building and constructs an automated simulation pipeline suitable for city-scale modeling.

본 서비스는 https://bist.t-ranno.com/energyplus 에서 제공되고 있으며, 아래는 서비스 시연 영상이다.

에이전트는 건물의 데이터, EO2 용도 프로필, 에너지 설계 기준 등의 데이터를 활용하여 에너지 플러스 입력파일을 생성하고 시뮬레이션을 수행하고 그 결과를 분석한다.