1. 서 론

1.1. 연구 배경 및 목적

건물 부문은 전 세계 에너지 소비와 탄소 배출에서 큰 비중을 차지하는 주요 부문으로, 건물 에너지 효율 향상은 탄소중립 달성을 위한 핵심 과제 중 하나이다(Shaikh, Nor, Nallagownden, Elamvazuthi, & Ibrahim, 2014). 특히 Heating Ventilation and Air Conditioning(HVAC) 시스템은 건물 에너지 소비의 38%를 차지하므로, HVAC 시스템의 효율적인 운영과 제어는 건물 에너지 절감 및 실내 환경 품질 향상을 위한 중요한 수단으로 평가받는다(González-Torres, Pérez-Lombard, Coronel, Maestre, & Yan, 2022).

대형 판매시설은 일반적인 오피스 건물과 달리 판매 품목, 구역 구성, 재실 밀도 등에 따라 내부 부하가 크게 달라지는 특성을 지닌다. 특히, 식품 보존을 위한 냉동·냉장 설비가 상시 운전되면서 HVAC 시스템과의 열적 간섭이 발생하며, 고객의 불규칙한 출입과 외부 기상 조건 변화가 더해져 실내 환경과 에너지 부하 패턴은 동적으로 변화한다(Kolokotroni, Mylona, Evans, Foster, & Liddiard, 2019). 또한 판매시설의 쾌적한 실내 열환경은 고객의 체류 시간 및 매출과도 밀접하게 연관되는 요소로 보고되고 있어(Yoo, Eom, & Zhou, 2024), 대형 판매시설에서는 에너지 절감뿐만 아니라 안정적인 실내 환경 유지가 동시에 요구된다.

현재 건물 자동화 시스템(Building Automation System, BAS)에서 널리 활용되는 규칙 기반 제어는 사전에 정의된 제어 로직과 고정된 설정값에 따라 운전된다. 이러한 방식은 급격한 외기 온도 변화, 재실 인원 변동과 같이 실제 건물에서 발생하는 부하 변동에 유연하게 대응하는 데 한계가 있어 불필요한 에너지 소비가 발생하거나, 목표 쾌적 범위를 벗어나는 실내 환경이 조성될 수 있다(Agouzoul, Simeu, & Tabaa, 2024). 이에, 급변하는 실내외 부하 조건을 실시간으로 반영하고 공간별 특성에 따라 운전 조건을 조정할 수 있는 지능형 HVAC 제어 전략이 요구된다(Choi et al., 2025; Kim & Moon, 2023; Guo, Ham, Kim, & Moon, 2025b).

최근에는 이러한 한계를 보완하기 위한 대안으로 심층강화학습(Deep Reinforcement Learning, DRL) 기반 건물 제어 기술이 주목받고 있다(Wang & Hong, 2020). DRL은 건물의 상태와 제어 행동, 보상 간의 상호작용을 학습함으로써 변화하는 운전 조건에서 에너지 소비와 실내 쾌적을 동시에 고려한 제어 정책을 도출할 수 있다(Kim & Moon, 2026). 그러나 기존 연구는 시뮬레이션 환경에서의 검증에 집중되어 있거나(Fan et al., 2025), 실제 건물에 적용하더라도 단기간 제한적인 실험에 머무른 경우가 많다(Lei et al., 2022). 특히 외기 조건과 내부 부하 변동성이 큰 대형 판매시설을 대상으로, 하절기 장기간 실증을 통해 DRL 기반 제어의 안정성을 검증한 사례는 제한적이다(Guo, Ham, Kim, Kim, & Moon, 2025a; Yu et al., 2021a).

이에 본 연구는 사전 학습된 강화학습 기반 건물 자율운전 모델인 aiBAC(AI-based Building Autonomous Control) 자율운전을 실제 대형 판매시설에 적용하고, 하절기 장기간 실증을 통해 그 성능을 정량적으로 평가하는 것을 목표로 한다. 이를 위해 일반 제어와 aiBAC 자율운전 적용 기간의 데이터를 기반으로 가스 사용량, 범위 준수율(Compliance Ratio), 평균 쾌적 범위 이탈 강도(Mean Out-of-Band Intensity, MOBI)를 분석하였다. 또한 외기 온도 및 실내 재실 인원 조건을 고려한 Bin 분석을 수행함으로써, 유사한 환경 조건에서 aiBAC 자율운전의 에너지 절감 효과와 열쾌적성 개선 효과를 검증하였다. 이를 통해 실제 상업용 건물에서 강화학습 기반 자율운전 기술의 적용 가능성과 장기 운전 강건성을 평가하고, 향후 지능형 건물 에너지 관리 시스템의 현장 확산을 위한 기초 자료를 제공하고자 한다.

2. 연구 방법

2.1. 실증 대상지 개요

본 연구는 서울특별시 노원구에 위치한 대형 판매시설을 대상으로 강화학습 기반 AI 자율운전제어(AI-based Building Autonomous Control, 이하 aiBAC) 모델의 실증을 수행하였다. 실증 대상 건물의 층수 규모, 용도 등 주요 제원 및 공조 설비 현황은 Table 1에 제시하였다.

Table 1

Building Overview

Category	Content
Exterior View
Location	Nowon-gu, Seoul, Republic of Korea
Usage	Large retail facility
Number of Floors	B1, 4F
Gross Area	54983.3 m2
Axis	Southwest
System	12 AHUs, 3 Absorption Chiller-Heaters

실증 대상층인 1층은 총 4개의 존(Zone)으로 구성되며, 각 존은 개별 AHU(Air Handling Unit)를 통해 독립적으로 공조된다. 대형 판매시설의 특성상 존별 위치와 용도에 따라 열부하 특성이 상이하며, 각 존의 내부 전경과 주요 부하 특성은 Table 2에 나타내었다.

Table 2

Internal Views and Thermal Load Characteristics of Each Zone

Category	Thermal zone plan	Zone 1	Zone 2	Zone 4
Image
Assigned AHU	-	AHU-4	AHU-5	AHU-7
Key Characteristics	-	Minimally influenced by outdoor conditions	Location of checkout counters and entrances	Location of showcases and entrances

이 중 Zone 3는 신선식품 코너로서 다수의 냉동·냉장 설비가 운영되어 타 구역과 상이한 부하 특성을 보인다. 이에 시설 관리팀이 수동으로 운전·관리하고 있어 본 실증 대상에서는 제외하였으며, aiBAC 자율운전은 나머지 존을 대상으로 각 존의 열특성을 학습하여 제어를 수행하도록 설계하였다.

본 실증은 2025년 7월 4일부터 9월 17일까지 총 75일간 진행되었다. 수집된 데이터 중 시설 휴무, 장비 이상 및 점검 등으로 인해 데이터의 신뢰성이 저하된 일수를 분석에서 제외하였다. 최종적으로 데이터 분석의 객관성을 확보하기 위해 기존의 일반 제어가 적용된 29일과 aiBAC 자율운전이 적용된 21일의 데이터를 선별하여 비교 분석을 수행하였다.

실내환경 데이터는 IoT 센서를 기반으로 1분 단위로 수집 및 저장되었다. 재실자 수 데이터의 경우, 각 존(Zone)별로 설치된 CCTV의 영상 데이터에 IN/OUT 알고리즘을 적용하여 출입 인원을 분석함으로써 존별 재실 인원 추론값을 도출하여 활용하였다. 각 센서의 외관 및 측정 데이터의 범위는 Table 3과 같다.

Table 3

Specifications and Data Ranges of Installed Sensors

Sensor	Image	Sensing Data Range
IoT Sensor		Temperature (°C)	-40–125
		Humidity (%)	0–100
		CO2 (ppm)	0–5,000
		PM (µg/m3)	0–5,000
		VOCs (ppb)	0–29,206
		PIR	0, 1
		Illuminance (lx)	0–100
CCTV		Video Stream Data

2.2. 하이브리드 시뮬레이션을 활용한 학습

실제 건물에 강화학습 에이전트를 직접 적용하여 초기 학습을 진행하는 것은 시스템의 불안정성을 초래하고 극심한 에너지 낭비 및 재실자 불쾌감을 유발할 위험이 크다(Nagy et al., 2023). 따라서 본 연구에서는 하이브리드 시뮬레이션 기반의 학습 환경을 구축하고, 이를 활용하여 aiBAC 자율운전 에이전트를 사전 학습시켰다.

하이브리드 시뮬레이션 모델은 실증 대상 대형 판매시설의 건축 정보, 설비 구성, BAS 운전 데이터 및 실측 환경 데이터를 기반으로 구축하였다. 먼저 EnergyPlus 모델에는 실증 대상 건물의 공간 구획, 외피 및 창호 구성, 내부 발열 조건(재실, 조명, 기기), 외기 조건을 반영하여 건축 환경적 열거동을 모사하였다. 이를 통해 외기 온도, 일사, 내부 부하 변화에 따른 각 Zone의 실내 온도 변화를 계산할 수 있도록 하였다.

이후, HVAC 시스템은 Modelica 기반으로 별도로 구현하였다. Modelica 모델에는 AHU 유량, AHU 급·환수 온도, 외기댐퍼 개도율, 냉온수기 유량, 냉온수기 급·환수 온도와 같은 주요 설비 요소와 제어 변수를 반영하여 모델을 Calibration 하였다.

두 시뮬레이션 엔진은 Functional Mock-up Interface (FMI) 표준 유닛을 통해 실시간으로 데이터를 연동하였다. EnergyPlus는 각 Zone의 실내 온도, 재실 및 외기 조건을 도출하고, Modelica는 이를 입력으로 받아 설비 시스템의 동적 응답과 에너지 사용량을 계산하였다. 이후 Modelica에서 산출된 결과는 다시 EnergyPlus 모델에 전달되어 Zone 열환경 계산에 반영되도록 하였다. 이러한 양방향 데이터 교환 구조를 통해 건물 열거동과 공조 시스템 운전 특성을 동시에 고려하는 학습 환경을 구성하였다. 이를 통해 aiBAC 자율운전은 실제 현장과 열역학적으로 유사한 가상 환경에서 10,000회(episodes)의 반복 학습을 거치며 최적의 성능을 갖는 제어 정책을 사전 습득하였으며, 실제 현장 적용 시 초기 에러 없이 즉각적으로 안정적인 제어 성능을 발휘할 수 있도록 유도하였다.

2.3. aiBAC: DDQN 기반의 건물 자율운전 알고리즘

심층 Q-네트워크(DQN)는 복잡한 비선형 제어에 효과적이나, 행동 선택과 가치 평가에 동일한 신경망을 사용하여 가치가 지속적으로 과대평가 되는 한계가 있다. 건물 공조 제어에서 이러한 과대평가 현상은 정책의 불안정성을 유발하고, 실제 운전 환경에서의 일반화 성능을 저하시킬 수 있다. 모델이 과적합될 경우, 장기간의 실제 현장 운영 중 마주하는 예상치 못한 기상 변화나 불규칙한 부하 변동 등 훈련되지 않은 외란이 발생했을 때 제어의 안정성을 상실하게 된다(Yu et al., 2021b).

본 연구에서는 과적합 문제를 해소하고 장기 실증 환경에서의 제어 강건성을 확보하기 위해 DDQN(Double Deep Q-network) 알고리즘을 채택하였다. DDQN은 행동 결정 신경망(Q-network)과 가치 평가 신경망(Target Q-network)을 분리함으로써 제어 가치의 과대평가를 방지하고, 에이전트가 안정적인 공조 제어 정책을 학습하도록 유도한다. 이는 복잡한 열역학적 환경을 지닌 대형 판매시설에서 변동하는 실내외 부하에 대응하여, 실내 쾌적성 유지와 에너지 절감을 동시에 달성하는 데 기여한다. DDQN의 인공신경망 가중치 업데이트를 위한 손실 함수(Loss Function) 공식은 식 (1)과 같다.

여기서 s와 a는 각각 현재 상태와 행동, s'는 다음 상태를 의미하며, r은 보상, γ는 할인율(Discount factor)이다. θi는 현재 상태에서 행동을 결정하는 현재 Q-신경망의 가중치(Parameter)이며, θi-는 다음 상태의 행동 가치를 평가하는 타겟 신경망의 가중치를 나타낸다. 본 연구에서 에이전트가 학습하는 최적화 타겟은 건물 공조 환경에서 상충될 수 있는 세 가지 핵심 요소인 에너지 절감, 열쾌적성 유지, 그리고 실내공기질(IAQ) 개선을 동시에 달성하는 것이다. 이를 위해 에이전트는 다목적 최적화(Multi-objective optimization) 관점에서 각 요소의 패널티와 인센티브가 유기적으로 결합된 보상 구조를 기반으로 환경과 상호작용하며 최적의 제어 규칙을 탐색한다. 이에 따라, aiBAC 자율운전의 State, Action, Reward를 Table 4에 제시하였으며 보상함수의 구체적 설계는 Figure 1에 그래프로써 나타내었다.

Figure 1

Reward function graph.

2.4. 성능 평가지표

2.4.1 Compliance Ratio

Compliance Ratio는 제어 알고리즘이 건물 운영 시간 동안 실내 열환경을 목표한 온열 쾌적 범위 내로 얼마나 안정적으로 유지하였는지를 평가하는 정량적 지표(Wang, Cheng, & Zhang, 2025)이며, 식 (2)와 같이 정의된다.

여기서, tcomf는 건물 영업시간 중 실내 온도가 설정된 목표 온열 쾌적 범위를 만족하는 누적 시간이며, t은 성능 평가 대상이 되는 전체 운용 시간을 의미한다. 본 연구에서는 대형 판매시설의 실질적인 영업시간 및 공조 시스템 가동 시간인 10:00부터 23:00까지(총 780분)를 평가 대상 시간으로 설정하였다.

2.4.2 Mean Out-of-Band Intensity(MOBI)

기존의 열쾌적 및 실내환경 평가 연구에서는 범위 이탈 시간(Exceedance Hours), 범위 준수율(Compliance Rate), Discomfort Degree-Hour 등의 지표가 널리 활용되어 왔다. 이들 지표는 목표 범위의 만족 여부 또는 누적 이탈량을 평가하는 데 유용하지만, 동일한 범위 준수율을 보이는 제어 방식 간 이탈 강도의 차이를 명확하게 설명하기에는 한계가 있다. 특히 범위 준수율은 이탈 발생 여부만을 고려하므로 실제 이탈의 심각도를 반영하지 못하며, Degree-Hour 지표는 이탈 강도와 지속시간이 동시에 누적되어 제어의 정밀성을 독립적으로 평가하기 어렵다. 또한 장기 열쾌적 성능 평가에서는 단순한 범위 이탈 여부뿐만 아니라 이탈의 심각도(severity)를 함께 고려할 필요성이 제기되고 있다(Silva, Ghisi, & Lamberts, 2016).

이에 본 연구에서는 목표 온도 범위(21~23°C)를 벗어난 시점에서의 평균 이탈 강도를 평가하기 위해 Mean Out-of- Band Intensity(MOBI)를 제안하였다. MOBI는 목표 범위를 벗어난 모든 시점에서의 온도 이탈량을 산정한 후 이를 이탈 발생 횟수로 정규화한 지표로, 범위 이탈 시 평균적으로 목표 범위에서 얼마만큼 벗어났는지를 나타낸다. 따라서 동일한 TCR(Temperature Compliance Ratio)을 나타내더라도 실제 제어가 목표 범위 인근에서 유지되었는지 여부를 정량적으로 평가할 수 있으며, 제어 알고리즘의 정밀성과 안정성을 판단하기 위한 보조 지표로 활용될 수 있다. MOBI의 산출식은 식 (3)과 같다.

2.4.3 Bin 분석 기법

대조군(일반 제어)과 실험군(aiBAC 자율운전)이 유사한 하절기 기간에 운전되었더라도, 외기 상태, 재실 인원, 내부 기기 발열 등 복잡하고 건물 환경 요인으로 인해 단순한 소비 에너지 총량이나 기간 평균값의 비교만으로는 제어 알고리즘의 실질적인 성능을 입증하는 데 한계가 있다. 더욱이 외기 온도와 공조 부하 간의 상관성을 정량적으로 보정하기 위해 건물 에너지 분야에서 보편적으로 활용되는 도일(Degree Day) 분석법은 대형 판매시설과 같이 잠열(Latent heat) 부하의 영향이 지배적인 환경에서는 에너지 및 냉방 부하의 보정 방식으로 사용하기에 부적합하다.

이에 본 연구에서는 실시간 실내외 환경 변화 조건을 통제하고 두 제어 방식의 에너지 저감 성능을 공정하게 평가하기 위해 Bin 분석 기법을 도입하였다(ASHRAE, 2024). 유사한 물리적 환경 조건의 데이터를 동일한 구간(Bin)으로 군집화함으로써, 동등한 환경 조건 하에서의 냉방 부하 절감량을 정량적으로 비교·분석하고자 한다. Bin 분석은 외기온도와 실내 재실자 수를 구간으로 나눠 진행하였으며 구간을 나눈 기준은 Table 5와 같다.

3. 연구결과

3.1. 대표일 비교 분석

전체 실증 기간 중 일반 제어와 aiBAC 자율운전의 대표일을 각각 2일씩 선정하여, 제어 방식에 따른 운전 데이터와 정량적 평가 결과를 Table 6과 Figure 2에 제시하였다. 제어 방식별 성능을 비교한 결과, aiBAC 자율운전은 제외 구역인 Zone 3을 제외한 전 구역에서 81.7~89.6%의 높은 Temperature Compliance Ratio(TCR)를 기록하며 실내 온도를 쾌적 범위 내로 안정적으로 유지한 반면, 일반 제어는 목표 범위를 이탈하는 경우가 다수 발생하였다. 반면, CO₂ Compliance Ratio(CCR) 및 PM_2.5 Compliance Ratio (PCR)의 경우 두 제어 방식 모두에서 100%를 기록하여 쾌적한 실내 공기질 환경이 상시 확보됨을 확인하였다. 아울러 냉온수기는 건물 전체를 대상으로 운전되나 본 분석에서는 자율운전이 적용된 해당 층의 3개 공조기에 대한 성과를 집중적으로 검토하였다. 그 결과, 가스 사용량은 일반제어 1,434 m³ 대비 약 2.1% 절감된 1,404 m³을 기록하였다. 이는 본 연구에서 제안한 aiBAC 자율운전이 열쾌적을 개선함과 동시에 건물 에너지를 효과적으로 절감할 수 있음을 입증하는 결과이다(Figure 2(d)).

Figure 2

Performance Comparison Between Baseline and aiBAC Control on Two Representative Days.

aiBAC 자율운전의 제어 특성을 파악하고자, Zone 4(AHU-7) 설정온도 및 댐퍼 개도율 제어값 외기 환경(온도 및 엔탈피), 그리고 재실자 수 데이터를 비교 분석하였다(Figure 3). 분석 기간 동안 하절기의 높은 외기 온도로 인해 외기 엔탈피가 실내 엔탈피보다 높게 유지되었다(Figure 3(d)). 이에 따라 aiBAC 자율운전과 일반 제어 모두 외기 댐퍼를 0% 개도로 운전하여 불필요한 냉방부하 상승을 차단하였다. 두 제어 방식은 외기 댐퍼 제어에서 동일한 전략을 취한 반면, 공조기 설정온도 제어 방식에서는 차이를 보였다.

일반 제어의 경우, 운영 시간(10:00–23:00) 동안 설정온도를 22°C로 고정하여 운전한 반면(Figure 3(a)), aiBAC 자율운전은 실시간 실내외 부하 변동에 반응하여 공조기 설정온도를 21°C에서 23°C 사이로 동적으로 조절하였다(Figure 3(a)). 실내온도를 실내 쾌적 기준(21~23°C)을 넘지 않는 선에서 가능한 시간에서 설정온도를 상한선인 23°C로 유지함으로써, 22°C 고정 제어를 수행한 일반 제어 대비 에너지 소비량을 최소화하였다. 구체적인 동적 제어 특성을 살펴보면, 9월 15일 20시경 실증 대상지의 쇼핑하는 재실자 수가 증가함에 따라(Figure 3(c)) 인체 발열에 의한 실내 냉방 부하가 상승하였다. aiBAC 자율운전은 설정온도를 23°C에서 21°C로 하향 조절함으로써 실내 온도가 쾌적 범위를 벗어나는 것을 방지하였다. 또한, 9월 16일 14시경에는 상승하는 외기 온도 및 엔탈피(Figure 3(d))에 대응하여 공조기 설정온도를 21°C로 하향 조절하여 실내 쾌적성을 확보하였다(Figure 3(a)). 이후 외기 환경 변화로 인해 오르던 외기 온도와 엔탈피가 급감하여 냉방 부하가 감소하자(Figure 3(d)), aiBAC 자율운전은 이에 다시 대응하여 설정온도를 23°C로 상향 조절함으로써 불필요한 냉방 에너지 낭비를 최소화하였다(Figure 3(a)). 이와 같이 aiBAC 자율운전은 실시간 실내외 부하 변동에 대응한 동적 설정온도 제어를 통해, 실내 열쾌적성을 확보하는 동시에 냉방 에너지를 효과적으로 절감할 수 있음을 입증하였다.

Figure 3

Dynamic operational data profiles of baseline control and aiBAC control on representative days (Zone 4).

3.2. 전체 실증 기간에 대한 성능 비교

본 절에서는 전체 실증 기간 수집된 데이터를 바탕으로 일반 제어와 aiBAC 자율운전의 성능을 실내 열쾌적성, 실내공기질(CO₂, PM_2.5), 그리고 에너지 절감 성과검증(M&V, Measurement and Verification)을 통해 산출된 냉온수기 가스 사용량 측면에서 비교 분석하였다(Table 7, Figure 4). IPMVP 기반 성과검증방법에 따라 베이스라인을 수립하여 에너지절감 성능 평가를 수행하였으며, 냉온수기 가스 사용량은 aiBAC 자율운전 시 17,056.0 m³로 일반제어 18,786.6 m³ 대비 9.2% 절감되었다. TCR은 aiBAC 자율운전 시 평균 74.6%를 기록하여 일반 제어 51.4% 대비 23.2% 상승하였다. 이는 aiBAC 자율운전이 공조기 설정온도를 동적으로 제어함으로써, 건물 에너지 소비 절감과 재실자 쾌적도 향상을 동시에 달성할 수 있음을 정량적으로 입증하는 결과이다.

Figure 4

Performance and energy consumption comparison between baseline and aiBAC control for the entire period.

3.3. MOBI 분석

TCR 지표상으로 aiBAC 자율운전은 약 25.4%의 이탈 비율을 기록하였으나, 본 연구에서 제안한 MOBI를 통해 이탈의 질적 심각도를 분석한 결과 제어 성능의 우위가 더욱 명확하게 확인되었다(Figure 5). 일반 제어의 평균 이탈 온도는 0.82°C로 실내 재실자가 불편함을 인지할 수 있는 수준인 반면, aiBAC 자율운전은 이를 0.55°C로 감소시켜 약 32.9%의 개선 효과가 나타났다.

Figure 5

MOBI Between Baseline and aiBAC Control.

이는 aiBAC 자율운전이 설령 목표 범위를 일시적으로 이탈하더라도, 부하 변동에 즉각적으로 대응하여 이탈 거리를 최소화하고 있음을 보여준다. 결과적으로 MOBI의 감소는 양적 지표(TCR)만으로는 포착하기 어려운 aiBAC 자율운전의 쾌적도 정밀 유지 기능과 복원력을 증명하는 핵심적 척도라 할 수 있다.

3.4. Bin 분석

외기 온도 및 실내 재실 인원 변동에 따른 일반 제어 대비 aiBAC 자율운전의 실질적인 냉방 부하 절감 효과를 정량적으로 평가하기 위해 Bin 분석을 수행하였으며, 결과는 Table 8과 Figure 6에 제시하였다.

Figure 6

Cooling Load Comparison by Outdoor Temperature and Occupancy Bins.

외기 온도 기반 Bin 분석 결과, 외기 온도가 30°C에서 34°C로 상승함에 따라 aiBAC 자율운전의 평균 냉방 부하 절감률은 1.7%에서 9.3%로 증가하였다. 이는 외기 조건 악화로 냉방 부하가 증가하는 고부하 환경에서 aiBAC 자율운전의 동적 제어가 일반 제어보다 높은 운전 효율을 확보할 수 있음을 시사한다.

실내 재실자 수 기반 Bin 분석에서는 전체 구간 평균 14.3%의 부하 절감 효과가 확인되었다. 특히 재실자가 없는 구간에서 24.9%의 가장 높은 절감률을 나타냈다. 이는 aiBAC 자율운전이 재실자가 없는 비재실 시간대의 불필요한 냉방을 억제하고, 재실자 수에 따른 부하 변동을 실시간으로 반영하여, 동일한 부하 조건에서 불필요한 에너지 사용을 억제하였기 때문이다.

4. 논 의

본 연구의 실증 모델은 실내 쾌적도 최적화와 총에너지 절감 측면에서는 유효성을 입증하였으나, 시간대별 에너지 피크 타임에 부과되는 동적 가격 요소를 고려하지 못했다. 이러한 한계를 보완하기 위해, 향후 연구에서는 수요반응(Demand Response) 기반 전력요금 체계를 보상함수에 통합하여, 에너지 소비량 절감뿐 아니라 운영 비용 최소화까지 고려한 다목적 최적화 제어 전략을 개발할 필요가 있다.

5. 결 론

본 연구에서는 강화학습 기반 건물 자율운전 시스템인 aiBAC 자율운전을 실제 대형 판매시설에 적용하고, 하절기 장기 실증을 통해 에너지 절감 효과와 실내 공기질 개선 효과를 평가하였다. 이를 위해 일반 제어가 적용된 29일과 aiBAC 자율운전이 적용된 21일의 데이터를 대상으로 가스 사용량, Compliance Ratio, MOBI를 비교 분석하였으며, 외기 온도 및 재실 인원 조건을 고려한 Bin 분석을 수행하였다.

분석 결과, aiBAC 자율운전은 일반 제어 대비 일일 평균 가스 사용량을 9.2% 절감하였다. 또한 실내 열쾌적성 지표인 TCR은 51.4%에서 74.6%로 향상되었으며, MOBI는 0.82°C에서 0.55°C로 감소하여 목표 온도 범위 이탈 시에도 보다 안정적인 실내 환경을 유지하는 것으로 나타났다. 대표일 분석에서도 aiBAC 자율운전은 냉방 부하를 절감하면서 동시에 열쾌적성을 향상시켜 에너지 효율과 실내 환경 품질을 동시에 확보할 수 있음을 확인하였다.

외기 온도 및 재실 인원 기반 Bin 분석 결과, aiBAC 자율운전은 모든 구간에서 일반 제어 대비 냉방 부하 절감 효과를 나타냈으며, 특히 고온 외기 조건에서 절감 효과가 더욱 확대되는 경향을 보였다. 이는 aiBAC 자율운전이 실시간 부하 변동에 능동적으로 대응하여 복잡한 운전 환경에서도 안정적인 제어 성능을 유지할 수 있음을 의미한다.

본 연구는 실제 대형 판매시설을 대상으로 강화학습 기반 자율운전 기술의 장기간 현장 적용 성능을 검증하였다는 점에서 의의가 있다. 특히 기존 연구들이 주로 단기 실증에 머물렀던 것과 달리, 실제 운영 환경에서 에너지 절감과 열쾌적성 향상을 동시에 달성할 수 있음을 실증적으로 증명하였다.