1. 서 론

1.1. 연구 배경

대한민국에서 건물 부문의 에너지 소비량과 탄소 배출량은 전체 에너지 소비량과 탄소 배출량에서 각각 22%, 25%를 차지하고 있다(Ministry of Land Infrastructure and Transport; MOLIT, 2020). 대한민국 정부는 건물 부문의 에너지 소비량과 탄소 배출량을 줄이기 위해 다양한 정책을 시행하고 있다. 이를 달성하기 위해, 건물의 에너지 효율을 개선하는 것이 매우 중요한 역할을 하고 있다(Jeong, Hong, Chae, & Kim, 2019). 특히, 대한민국은 2014년부터 대규모 기존 건축물의 에너지 효율 향상을 위해 그린리모델링 사업을 시행하고 있다(MOLIT, 2014). 그린리모델링 사업은 주로, 액티브 요소인 냉난방 설비 교체와 패시브 요소인 단열보강 및 창호 교체에 초점을 두고 있다. 그러나 이와 같은 시공 작업들은 대부분 장기간 소요되기 때문에 시공 기간 동안 실제 거주자의 활동 편의성을 확보할 수 없다. 이러한 문제들로 인해 현장에서는 시공 기간이 상대적으로 짧고 에너지 절감 기술의 설치가 간편한 패시브 기술들이 주목받고 있다. 특히, 다양한 패시브 기술중 외부차양 장치는 다른 요소 기술 대비 상대적으로 저렴하며 설치가 용이하고 빠르기 때문에 그 적용성이 매우 뛰어나다. 외부차양 장치는 태양 복사로 인한 재실자의 불쾌감을 해소시킬 뿐만 아니라 부하 절감에도 매우 유리한 장점을 가지고 있다(Nielsen, Svendsen, & Jensen, 2011). 나아가, 장치를 단순히 고정 설치하지 않고 제어 기술과 통합한다면 건물의 전체 냉난방 부하 절감 측면에서도 매우 유연하게 사용할 수 있다. 이러한 제어 기술이 접목된 외부차양 장치는 그린리모델링 사업을 포함한 다양한 건물 리트로핏 관련 사업에서 다양한 목적으로 사용될 수 있고 실제 거주자의 활동 편의성 측면에서도 광범위한 장점을 가져올 수 있다.

외부차양 장치는 다양한 기후대에서 건물 부하 절감을 위한 주요 기술로 적용되고 있으며 이에 대한 연구도 활발하게 수행되고 있다. 특히, 외부차양 장치는 덥고 습한 기후, 덥고 건조한 기후를 포함한 하계에 그 적용성이 뛰어났다(Ghosh & Neogi, 2018; Farrar-Nagy, Anderson, & Hancock, 2000). 실제로 덥고 습한 하계에 외부차양 장치는 연간 건물 에너지를 약 10% 절감할 수 있었다(Wong & Li, 2007). 또한 외부차양 장치는 실내 열 쾌적성에도 영향을 미치는데, Lee et al.의 연구에 따르면 외부차양 장치를 폭염이 발생하는 하계에 설치할 경우, 실내 열 쾌적성(PMV; Predicted Mean Vote)이 약 0.5‒0.6 감소하였다(Lee, Jung, & Moon, 2019). 이뿐만 아니라 빛 환경 개선에도 상당한 이점을 가지고 있는데, 외부차양 장치를 가변 제어할 경우, 실내 조도와 눈부심(DGP; Daylight glare probability) 개선에 효과적 역할을 수행할 수 있다(Cha, Moon, Kim, Hong, & Baik, 2017). Kim et al.의 연구에 따르면 하계 가변형 외부차양 장치의 운용이 실내 조도를 약 16‒18% 감소시킬 수 있었다(Kim, Kim, Lee, & Choi, 2021).

한편, 난방이 지배적인 기후대에서도 외부차양 장치는 건물부하 절감에 높은 잠재력을 가질 수 있다(Hou, Xu, Li, Lv, & Liu, 2021). 동계에는 외부차양 장치가 열손실 방지에 효과적인데, Kim et al.의 연구에 따르면 동계 외부차양 장치는 외피로의 열 손실을 약 11‒24% 저감할 수 있었다(Kim, Kim, Lee, & Moon, 2020). 이처럼 외부차양 장치는 하계와 동계에 다양한 측면에서 개선 효과를 보이고 있지만 하계에 효과가 뛰어난 대표적 패시브 시스템인 만큼, 동계에 그 효과를 입증한 연구가 하계 대비 현저히 적은 실정이다. 특히, 사무소와 같이 동계에도 냉방부하가 발생하는 특수성을 가진 건물이 존재하기 때문에 동계에 대한 평가는 필수적이다. 따라서 본 연구는 외부차양 장치가 하계뿐만 아니라 동계에도 건물 부하 절감에 중요한 역할을 수행할 것으로 판단하였고 시뮬레이션을 기반으로 그 효과를 입증하고자 하였다.

1.2. 연구 목적

본 연구에서는 건물 리트로핏과 에너지 효율 개선 사업 등에 적용할 수 있는 패시브 기술 중 외부차양 장치를 운영하고 부하 절감 효과를 분석하고자 한다. 더불어, 부하 절감에 효율적인 머신러닝 기반 제어 기술을 접목하여 건물부하 변동에 능동적으로 제어되도록 구현하고자 하였다(Yeon, Yu, Seo, Yoon, & Lee, 2019). 외부차양 장치가 주로 운용되는 하계가 아닌 동계에 외부차양 장치를 운용하여 건물부하 절감에 대한 잠재력을 확인하고자 하였다. 요약하면, 본 연구는 하계 대비 동계에 외부차양 장치 효과 분석에 대한 연구가 현저히 적었기 때문에 동계에 그 효과를 분석하고자 하였고 이를 달성하기 위해 머신러닝 기반의 최적 제어 기술을 도입하여 능동 제어를 구현하고자 하였다. 주요 목적은 아래와 같다.

1. 동계 외부차양 장치의 건물부하 절감 효과를 분석한다.

2. 머신러닝 기반 최적 제어 기술의 접목 효과를 분석한다.

2. 연구 방법

2.1. 건물 에너지 시뮬레이션 모델

본 연구에서는 건물 에너지 시뮬레이션을 위해 EnergyPlus를 사용하였다(Department of Energy; DOE, 2021). EnergyPlus는 대표적인 건물 에너지 시뮬레이션 툴로, 동적 열전달 해석이 가능하다. 시뮬레이션을 위한 대상 건물은 대한민국 대전에 위치한 소형 오피스로 결정하였다. 건물의 향은 남향으로 설정되었고 4개의 외주부과 1개의 내주부로 구성하였다. 바닥 면적은 464m²로 소형 사무실에 속하며 창면적비(WWR; Window to Wall Ratio)는 22.1%로 설정하였다. 이때, 내부 발열과 공조 시스템의 스케쥴은 주말을 제외한 평일에 09:00‒18:00로 적용되었다. 외부차양 장치의 최적 제어에 따른 건물부하를 분석하기 위해 남쪽 존을 분석 대상 존으로 설정하였고 제어를 위한 외부차양 장치는 분석 대상존의 남쪽 창에 부착하였다. 이 장치는 수평 방향의 블라인드 방식으로 하였으며 0도에서 90도 까지 10도 간격으로 제어되도록 설정하였다. Figure 1은 시뮬레이션을 위한 건물 모델 형상을 보여주며 Table 1은 시뮬레이션의 상세 입력 변수를 나타낸다(American Society of Heating, Refrigerating and Air-Conditioning Engineers; ASHRAE, 2014; ASHRAE, 2016; ASHRAE, 2017).

Figure 1.

Schematic design for building energy simulation.

2.2. ANN 기반 난방부하 예측 모델

본 연구에서는 동계 건물부하를 최소화할 수 있는 외부차양 장치의 최적 제어를 구현하였다. 이를 달성하기 위해 건물부하를 예측할 수 있는 머신러닝 모델을 제작하였다. 모델 제작에 요구되는 데이터는 EnergyPlus 시뮬레이션 데이터를 사용하였고 이를 실측 데이터로 가정하여 연구를 수행하였다. 시뮬레이션 기간은 대한민국의 대표적 동계인 12월, 1월, 그리고 2월로 설정하였다. Python 컴퓨팅 언어를 활용하였고, 건물 부문에서 가장 많이 쓰이는 기계학습인 ANN(Artificial Neural Network) 모델을 개발하였다(Bourdeau, Zhai, Nefzaoui, Guo, & Chatellier, 2019). 개발된 ANN 모델은 동계 동안 건물부하를 예측하고 외부차양 장치의 최적 슬랫 각도를 도출하여 최적 제어하게 된다. 이 때, 최적 제어는 동계 각 타임 스탭 건물부하가 최소화 되도록 구현되었다. 최적 제어에 대한 자세한 설명은 2.3절에서 다룬다. 모델 개발을 위한 데이터셋은 시뮬레이션 기간 동안의 시간당 데이터로 구성되었으며, 이 중 80%는 훈련 데이터, 20%는 테스트 데이터로 사용되었다. 입력 데이터는 외부차양 장치의 슬랫 각도를 포함하여 건물 난방부하에 영향을 미치는 8개 변수로 결정되었다(Table 2 참조). 각 변수는 뉴런의 가중치를 업데이트하는 과정에서 동일한 영향도를 부여하기 위해 최대최소 정규화 기법이 적용되었다. 위와 같이 개발된 모델의 예측 정확도는 결정계수 R²과 NMBE(Normalized Mean Bias Error)를 사용하여 평가하였고 각 지표는 식1과 식2에 나타내었다. Table 2는 모델 개발을 위한 데이터 세트의 입력, 출력 변수를 나타내며 Table 3는 모델의 하이퍼파라미터를 보여준다. Table 3의 number of neurons, number of hidden layers, 그리고 epochs의 값은 모델이 학습해야 할 패턴을 명확히 지도하고 과적합을 방지하기 위해 설정되었고 batch size와 learning rate는 학습을 위해 처리되는 데이터의 양을 메모리 효율성과 균형을 맞추기 위해 설정되었다.

여기서, Y는 타겟 데이터, Y^ 은 예측된 데이터, Y¯는 타겟 데이터의 평균, 그리고 N은 타겟 데이터의 개수를 의미한다.

2.3. 연동 시뮬레이션 환경 구축

본 연구는 외부차양 장치의 최적 제어를 구현하기 위해 건물 에너지 시뮬레이션 환경(EnergyPlus)과 ANN 모델 개발 환경(Python)을 통합한 연동 시뮬레이션 환경을 구축하였다. 연동 시뮬레이션 환경은 EnergyPlus의 Python API를 사용하여 구축되었다. 구동 방식은 먼저, 매 타임스탭마다 Python이 EnergyPlus로부터 받은 8개의 입력 변수로 다음 타임스탭의 건물부하를 예측하게 된다. 그 이후, Python은 예측된 건물부하가 최소화 되는 시점에서의 외부차양 장치 슬랫 각도를 Python API를 통해 EnergyPlus로 전송한다. 이때, 전송된 슬랫 각도는 외부차양 장치의 제어 신호로 설정된다. 이 두 과정은 설정된 시뮬레이션 기간이 종료될 때까지 반복된다. Figure 2는 연동 시뮬레이션 환경의 다이어그램을 보여준다.

Figure 2.

Diagram of co-simulation process.

3. 연구 결과

3.1. ANN 모델의 정확도

이 섹션에서는 개발된 ANN 모델의 성능에 대해서 논의하고자 한다. 일반적인 모델 개발 프로세스에서는 초기 모델의 예측 성능이 모델 개발 이후의 최적화 프로세스 필요 여부를 판단하는 중요한 지표가 된다. 즉, 초기 모델의 예측 성능이 우수하면 사용하고자 하는 사용처의 제어에 바로 활용될 수 있지만, 그 반대의 경우에는 최적화 프로세스를 수행한 이후에 예측 성능을 향상시켜 적용해야 한다. 본 연구는 최적화 프로세스 필요 유무를 판단하기 위해 개발된 모델의 예측 성능을 분석하였다. Figure 3의 (a)는 개발된 ANN 모델의 예측 성능을 보여주고 (b)는 1월 중 건물부하가 가장 높았던 1주일간의 건물부하 추이를 보여준다.

Figure 3.

Performance of the ANN based predictive model: (a) Scatter analysis, (b) Trend of heating load.

예측 성능 분석 결과, 개발된 ANN 모델의 R²는 약 0.95, NMBE는 약 8.6%로 확인되었다. 또한건물부하가 가장 높았던 대표 주에서 예측된 건물부하는 타겟 건물부하의 추이를 정확하게 예측하였다. 이 모델은 초기 개발 프로세스에서 이미 ASHRAE guideline 14의 시간당 정확도 기준을 만족하였기 때문에 별도의 최적화 프로세스를 거치지 않고 외부차양 장치의 최적 제어에 적용할 수 있다고 판단하였다(ASHRAE, 2014).

3.2. 건물부하 분석

이 섹션에서는 외부차양 장치의 제어 유무에 따른 비교 분석 결과에 대해서 토론하였다. 부하 분석은 슬랫 각도가 고정된 4가지 케이스(0도, 30도, 60도, 그리고 90도)와 ANN 모델을 적용한 케이스를 대상으로 수행하였다. 분석은 상업용 건물의 특수성을 고려하려 냉방부하와 난방부하 모두 분석하였다. 일반적으로 주거용 건물은 동계에 냉방부하가 거의 존재하지 않지만 상업용 건물의 경우 내부 발열 요소와 일사부하로 인해 동계에도 냉방부하가 충분히 발생할 수 있기 때문이다. Figure 4는 각 케이스별 시간당 냉방, 난방부하를 나타낸다.

Figure 4.

Analysis of hourly building load: (a) Cooling load, (b) Heating load.

시간당 냉방부하 분석 결과, 슬랫 각도가 고정된 케이스에서 냉방부하는 슬랫 각도 0도인 경우에 가장 낮게 나타났고 슬랫 각도 90도인 경우에 가장 높게 나타났다. 이는, 외부차양 장치의 슬랫 각도가 증가할수록 실내로 유입되는 일사부하가 높아졌기 때문이다. ANN 제어의 경우 슬랫 각도 0도와 유사하게 냉방부하가 가장 낮게 나타났는데 일사부하가 집중되는 낮 시간대에 슬랫 각도를 0도로 제어했기 때문이다. 시간당 난방부하 분석 결과, 슬랫 각도가 고정된 케이스에서 난방부하는 슬랫 각도 90도의 경우에 가장 낮게 나타났고 슬랫 각도 0도인 경우에 가장 높게 나타났다. 이는, 냉방부하 분석 결과와 상반되는 결과이다. 이러한 현상이 발생한 이유는 외부차양 장치의 슬랫 각도가 증가할수록 일사부하를 차단되었기 때문이다. ANN 제어의 경우 일사부하의 영향이 발생하는 초기 시점과 영향이 줄어드는 말기 시점에 슬랫 각도를 증가시켜서 일사부하를 실내로 유입시켰고 이로 인해 난방부하가 감소되었다. 이러한 결과는 ANN 모델이 냉방부하와 난방부하 모두 최소화가 되도록 최적 제어한 것으로 판단된다.

위에서 언급된 사무실 건물의 특수성은 피크 부하가 발생하는 design day에 그 패턴을 확인하기 유리한데, 그 이유는 극한의 기후가 냉방부하와 난방부하를 모두 증가시킬 수 있기 때문이다. 따라서 본 연구는 사무실 건물의 특수성을 확인하고 피크 부하의 변동성을 분석하기 위해 winter design day의 케이스별 부하 분석을 수행하였다. Figure 5는 각 케이스 별 일간 피크 부하를 보여준다.

Figure 5.

Analysis of daily building load.

winter design day의 일간 피크 부하 분석 결과, ANN 제어의 경우 다른 케이스 대비 냉방부하와 난방부하가 모두 가장 낮게 나타났다. 이는, ANN 모델이 건물 부하가 최소화가 되도록 최적 제어를 수행한 것으로 판단된다. 특히, ANN 제어는 냉방부하가 가장 높게 나타난 슬랫 각도 90도 대비 냉방부하를 약 58% 절감할 수 있었고 난방부하가 가장 높게 나타난 슬랫 각도 0도 대비 난방부하를 약 5% 절감할 수 있었다. 이러한 결과를 통해 동계 전체에 걸쳐 최적 제어를 구현하는 것이 동계 전체 누적 부하 절감에도 장점을 가져올 수 있을 것으로 판단하였다. Figure 6는 각 케이스 별 동계 누적 냉방부하와 난방부하를 보여준다.

Figure 6.

Analysis of seasonal building load.

12월, 1월, 그리고 2월의 전체 동계 누적 부하 분석 결과, ANN 기반 제어는 난방부하가 가장 높게 나타난 슬랫 각도 0도 대비 난방부하 절감률이 약 10%로 확인되었고, 종합적으로 전체 누적 건물부하는 약 9% 절감 가능하였다. 이는, 동계 전체에 걸쳐 건물부하 측면에서 ANN 기반 최적 제어가 슬랫 각도가 고정된 차양 장치보다 더 유리하게 작용할 수 있음을 시사한다. 더불어 ANN 모델이 동계에도 냉방부하가 발생하는 상업용 건물의 특수성까지 고려할 수 있는 부하 최적 제어가 가능할 것으로 판단된다.

4. 논 의

건물부하 예측 성능이 확보된 ANN 모델은 건물부하를 능동적으로 최적화 할 수 있었고 슬랫 각도가 고정된 외부차양 장치 대비 건물부하를 효과적으로 절감하였다. 따라서 외부차양 장치를 동계에 효율적으로 운영하면 건물부하 절감 측면에서 우수할 것으로 판단된다. 마찬가지로 냉방부하가 더 높게 나타나는 하계에도 상업용 건물에서의 부하 절감 효율을 향상시킬 수 있는 잠재력이 있기 때문에, 향후 연구에서는 동계뿐만 아니라 하계의 운영 특성을 반영할 수 있는 ANN 모델의 고도화가 요구된다.

5. 결 론

본 연구는 하계에 건물부하 절감 효과가 뛰어난 대표적 패시브 시스템인 외부차양 장치를 동계에 운용하고 동계 기간 동안의 건물부하 절감 효과를 분석하고자 하였다. 건물부하를 효과적으로 절감하기 위해 ANN 기반의 최적 제어를 도입하고 능동 제어를 수행하였다. 소형 오피스의 남쪽 존을 타켓 존으로 설정하고 능동 제어에 따른 건물부하를 분석하였다. 주요 연구 결과는 아래와 같다.

1. 개발된 ANN 모델의 건물부하 예측 정확도는 R² 약 0.95, NMBE 약 8.6%로 우수하였다.

2. ANN 기반 최적 제어는 냉방부하와 난방부하를 모두 효과적으로 절감시킬 수 있었고 최적 제어를 통해 전체 건물부하(약 9%) 절감을 달성하였다.

3. ANN 기반 최적 제어를 통해 사무소 건물에서의 건물부하 절감 가능성에 대한 잠재력을 확인하였다.

본 연구에서는 동계 최적 제어 분석 결과를 통해 건물부하 절감의 가능성과 그 잠재력을 확인하였다. 향후, 동계뿐만 아니라, 하계와 간절기를 포함한 전체 기간에서 외부차양 장치를 효율적으로 운영할 수 있는 최적 제어 모델의 고도화가 필요할 것으로 판단된다. 본 연구는 건물부하 절감을 위한 키네틱 파사드와 같은 패시브 기술에 통찰력을 제공할 수 있을 것으로 판단되며 해당 분야의 기초 연구로 활용될 수 있을 것으로 기대된다.