서 론

에너지경제연구원(2009) 발표에 따르면 건축물 부분의 에너지 소비량은 전체 에너지 소비량의 약 30%를 차지하고 있다. 건축물 에너지 소비량 중, 주거가 67.2%로 가장 큰 비중을 차지하고 있으므로(통계청, 2010), 주거를 위한 에너지 절감 대책방안이 중요해 보인다. 그러나 건축물 에너지 절감을 위한 해결방안들은 주로 업무, 상업 및 공공시설에 우선시 적용되어지고 있어 주거부분에 대한 적극적인 에너지 절감 대책이 필요하다.

한국은 기후변화 대응하기 위하여 2030년까지 37%의 온실가스 감축목표를 제시하였으며, 에너지 절감을 위한 신기술 개발 및 연구 지원확대와 국민들의 자발적인 실천을 위한 정책들을 추진 중이다(국무조정실, 2016). 또한 빅 데이터 분석을 통한 건축물의 효율적 에너지 운영 및 절약방안 계획수립을 가능하게 하는 BEMS시스템을 도입하여 에너지 절약을 실천하고 있다. 그러나 업무, 상업 및 공공시설과 달리 주거의 경우, 앞서 이야기한 신기술 적용, 에너지 절약 인식제고, BEMS시스템 도입 등의 에너지 절감방안 및 정책들을 적극적으로 활용하기에는 ‘사적 공간’, ‘경제적 부담’, ‘인식의 차이’로부터 오는 한계점이 존재한다. 이러한 한계점을 극복하기 위해서는 주거라는 특성을 고려한 에너지 절감을 위한 연구가 필요하다.

최근 주거 에너지 절감방안에 대한 연구들은 주거에서의 에너지 절감을 위해서는 거주자의 생활패턴을 파악하는 것이 중요하며(조성희와 정수진, 2011), 이를 기반으로 적합한 에너지 소비절감 대책의 중요성을 이야기하고 있다(이윤재 외, 2011). 그러나 주거의 특성상 개인의 사생활침해 문제와 정보수집의 문제에 부딪혀 정량적 분석을 통한 연구가 활발히 이루어지지 않고, 대부분 설문조사를 통한 분석방법에 머물러 있다. 본 연구에서는 ‘2014 생활시간조사’를 활용하여 데이터 수집의 어려움을 극복하고, 다양하고 복잡한 형태의 생활패턴을 빅 데이터 분석기법을 통해 분석하고자한다.

따라서 본 연구의 목적은 한국의 1인 가구를 대상으로 K-modes clustering 기법을 통해 에너지 소비패턴의 유형을 정의하고, EnergyPlus를 통해 각 유형에 따른 에너지 소비량을 도출하여, 유형별 에너지 소비의 특징을 분석하고자 한다.

연구의 대상

한국 1인 가구

1975년 이후 한국 1인 가구가 지속적으로 증가하고, 2015년에 실시한 ‘인구총조사’에 따르면 27.2%로 가구 구성원 중 가장 높은 비율을 차지하고 있다. 1인 가구의 증가는 가구당 총 에너지 소비량을 감소시켰지만 오히려 주거 에너지의 전력소비량을 2배 증가시켰으며, 그 이유는 1인이 거주하더라도 기본적인 생활유지를 위한 가전기기 사용에 의해 에너지 효율이 감소하였기 때문이다(이성근과 이성인, 2008).

따라서 1인 가구는 지속적으로 늘어날 것으로 예상되며, 이는 주거 부분의 에너지 소비절감에 부정적인 영향을 미칠 수 있다. 이러한 사회적 현상에 맞추어 본 연구에서는 1인 가구를 연구대상으로 하고자 한다.

삼전행복주택

행복주택은 대학생, 신혼부부, 사회초년생과 같은 1~2인 가구 지원을 위한 주택으로써, 2014년을 시작으로 2017년까지 15만호 공급을 목표로 진행되었다. 행복주택은 주로 대학생, 사회초년생, 고령자 등 1인 가구를 중점적 대상으로 하고 있으며, 기존의 다른 원룸형태에서 흔히 볼 수 있는 1인 가구 주거의 일반적인 평면유형으로 계획되었다.

본 연구를 위해, 한국토지공사(LH)에서 계획한 삼전행복주택의 자료요청을 통해 설계도면과 에너지 절약계획서를 획득하였고, 본 연구의 정확한 에너지시뮬레이션을 위한 기초자료로 사용할 수 있다. 또한 삼전행복주택은 에너지효율등급인증을 통해 3등급을 받은 건축물로 추후 연구결과에 따른 에너지 소비의 기준으로도 활용할 수 있다.

따라서 본 연구에서는 서울시 송파구 삼전동에 위치한 삼전행복주택의 41m²유형을 연구대상으로 하고, 최상위층과 최하위층은 외부환경의 영향을 크게 받으므로(Jang and Kang, 2018) 주거 층의 중간인 4층에 위치한 주거지를 최종 연구대상으로 선정하였다. 대상지의 주변 현황과 실내구조는 Figure 1과 같다.

Figure 1.

Perspective and plan type of Samjeon House

연구의 방법

2014 한국생활시간조사 데이터

‘2014 생활시간조사’의 목적은 국민들의 24시간 동안의 라이프스타일 파악하고, 정책수립과 학문 연구의 기초자료를 제공하는 것 이다. 1999년 이후, 5년을 주기로 실시되며 전국의 각 800개 조사구를 대상으로 진행되었다. 각 가구원의 시간일지 작성방법으로 진행되었고, 24시간을 10분단위로 분할하여 144개의 시간에 대한 생활코드가 작성되었다. 이에 대한 마이크로 데이터는 Microdata Intergrated Service (MDIS)를 통해 획득하였으며, 도시에 거주하는 1인 가구 5,240개의 생활시간 데이터를 통해 연구를 진행하고자 한다.

K-modes clustering

클러스터링은 빅 데이터 분석방법으로 데이터의 패턴분석, 군집화, 분류 등 다양한 목적을 위해 활용되고 있다. 그 중 MacQueen (1967)에 의해 최초로 제안된 K-means clustering은 k개의 각 중심으로부터 가장 유사한 표본을 가진 데이터들을 군집화 시켜주며, 이는 가장 대중적으로 쓰이고 있는 클러스터링 방법이다. 그러나 K-means clustering은 연산이 가능한 숫자 값으로 구성된 데이터에만 적용할 수 있다는 한계점을 가지고 있다(Huang and Ng, 2003). 본 연구에서는 숫자 값이 아닌 행동분류로 이루어진 데이터를 기반으로 클러스터링을 진행해야하므로 K-means clustering은 적합하지 않다.

기존의 K-means clustering의 한계점을 보완하기 위해, Huang (1998)은 K-modes clustering을 제시하였다. K-modes clustering란 숫자 값이 아닌 명목변수로 이루어진 데이터 형태에 대해 적용가능하다. 명목변수란 남자와 여자 같이 숫자로 표현할 수 없는 데이터를 말하며, 데이터의 정보만 가질 뿐 이를 숫자와 같이 양적으로 표현하지 못한다.

K-modes clustering은 객체 사이의 거리를 측정하는 ‘거리함수’와 최적화된 분석을 위한 ‘비용함수’로 이루어져있다.

D는 명목변수로 이루어진 객체 X의 집합이고, X의 개수는 n개이며, D=[X₁, X₂, ..., X_n] (1≤i≤n) 와 같이 표현할 수 있다. 객체 X_i가 m개의 명목변수를 가진다면 X=[X_i,1, X_i,2, ..., X_i,m] (1≤j≤m) 와 같다 하자.

Z=[Z₁, Z₂, ..., Z_k] (1≤l≤k) 는 k개의 클러스터 중심의 집합이고, C_l 클러스터의 중심 Z_l이 m개의 명목변수를 가진다면, Z_l=[Z_l,1, Z_l,2, ..., Z_l,m] (1≤j≤m)와 같다.

먼저 ‘거리함수’를 통해 C_l 클러스터의 중심 Z_l=[Z_l,1, Z_l,2, ..., Z_l,m] 과 객체 X_i=[x_i,1, x_i,2, ..., x_i,m] 과의 거리를 구하는 식은 (1)과 같다.

$\text{거리함수}:d\left(x_i,z_{l,j}\right)=\left\{\begin{array}{l}0,x_{i,j}=z_{l,j}\\ 1,x_{i,j}\ne z_{l,j}\end{array}\right.$  (1)

d(x_i,j, z_l,j는 X_i와 Z_l의 거리를 측정하는 함수로써 j번째 변수들의 비교를 통해 두 객체간의 거리를 계산한다. (1)과 같은 거리함수 식을 통해 각 객체 X와 클러스터의 중심 Z 사이의 거리를 계산하고, (2)의 결과 값이 최소화하는 방향으로 모델을 최적화한다.

$\text{비용함수 :\hspace{0.17em}}P\left(U,Z\right)=\sum _{l=1}^k\sum _{i=1}^n\sum _{j=1}^m{u}_{i,l}d\left(x_{i,j},z_{l,j}\right)$  (2)

U=[u_i,l]은 n×k 형태의 0과1로 이루어진 행렬로 u_i,l=1은 객체 X_i가 가장 거리가 가까운 클러스터 C_l에 할당되었음을 나타낸다. 모델의 최적화를 위해 클러스터의 중심을 재설정하고 반복하여 비용함수 P(U,Z)의 최솟값을 얻어냄으로써 분석을 중지하고, 클러스터 분석의 결과를 도출해낸다.

따라서 본 연구는 K-modes clustering을 적용하여 1인 가구의 생활시간 데이터를 통해 생활패턴을 분석하고 에너지 소비패턴을 유형화한다. 이를 위한 방법은 다음과 같은 순서로 이루어진다. 먼저, 데이터의 전처리 과정을 거처 5,240객체의 144개의 시간에 대한 행동코드를 정리하여 데이터 셋을 준비하고, Python3.6을 사용하여 Huang (1998)이 제시한 알고리즘을 K-modes clustering 분석환경을 구축하여 분석을 실시한다.

먼저, 데이터 셋을 갖추기 위해 ‘2014 생활시간조사’의 138개로 이루어진 기존 행동코드를 바탕으로 에너지 소비와 연관된 행동을 재정의 하였다. 재실여부에 따라 외출을 하였을 때는 ‘Away’로 설정하였으며, 항상 사용하는 냉장고를 제외한 전등, 컴퓨터, TV, 세탁기, 가스레인지, 온수사용에 대해 각각의 행동을 분류하였다. 그 외, 재실중이지만 에너지와 연관된 행동이 없는 경우는 ‘Other’로 정의하였고, 거주자가 잠든 경우에는 소등을 가정하여 ‘Sleeping’으로 따로 구분하였다. 따라서 ‘2014 생활시간조사’ 138개의 행동을 에너지 소비와의 연관을 통해 총 8개의 행동으로 정의하여 Table 1과 같이 데이터 셋을 구축하였다.

Table 1. Dataset for K-modes clustering

그 다음으로 K-modes clustering을 위한 분석환경은 Python3.6을 사용하여 구축 하였다. 본 연구에서는 각 k에 대해 분석을 반복하여 비용함수의 최솟값을 도출하고, k를 찾아내고자 한다. K-modes clustering의 분석과 최적화된 k를 찾는 방법은 다음과 같다.

① k개의 임의의 클러스터 중심을 선택한다.

② 각 개체와 클러스터 중심 간의 거리를 계산하고, 가장 가까운 클러스터 중심에 각 개체를 할당 한다. 모든 개체가 클러스터에 할당 시키고, 각 객체와 클러스터 중심의 거리가 짧아지는 방향으로 클러스터 중심을 이동시킨다.

③ 각 클러스터의 이동된 중심은, 이전의 중심과의 비교를 통해 결과가 다른 경우 ② 단계로 돌아가고 이를 반복한다. 이전 중심과 비교하였을 때, 동일한 결과 값이 발생하는 경우 이를 중지한다.

에너지 시뮬레이션(EnergyPlus)

EnergyPlus는 다른 에너지 시뮬레이션 보다 구체적인 건축물의 재료 및 설비 시스템 구현이 가능하고, 설비 시스템 제어가 용이하다는 장점을 가지고 있다(Zhou et al., 2014). 또한 거주자의 행동에 관한 요소도 고려할 수 있어 거주자를 고려한 에너지 연구에 활발히 사용되고 있다.

본 연구에서는 EnergyPlus를 통해 5,240개의 에너지소비행동에 대한 에너지 소비량을 도출하고자 한다. 건축물의 재료 및 구성에 대한 세부사항은 LH로부터 자료를 받아 에너지 절약계획서와 도면을 참고하였고, 실내 냉·난방 온도는 ‘건축물 에너지효율등급 평가’ 기준에 따라 설정하였다. 날씨는 서울시의 ‘대한민국표준기상데이터’(한국태양에너지학회와 한국친환경설비학회, 2015)를 활용하였고, 가전기기 및 전등의 전력량 기준은 ‘가전기기 보급률 및 가정용 전력소비행태조사’(한국전력거래소, 2013)를 참고하였다. EnergyPlus를 실행하기 위한 전체적인 요소의 구성은 Table 2와 같다.

Table 2. Input information in EnergyPlus

Sketch up을 활용하여 삼전행복주택과 주변의 환경을 구축하였고, 이를 OpenStudio로 변환하여 벽체, 창호 및 냉난방 시스템과 같은 건축물의 물리적 틀을 구현하였다. 날씨의 경우 EnergyPlus에서 서울 날씨데이터를 제공하지 않으므로 Elements 소프트웨어를 통해 서울시의 대한민국표준기상 데이터를 EnergyPlus의 Weather data형식에 맞게 변환하였다. 또한 ‘2014 한국생활조사’ 데이터를 기반으로 5,240개의 거주지에서의 기기사용 및 행동에 대한 시간표를 작성하였다. 마지막으로 입력 요소들을 EnergyPlus의 확장자인 IDF파일로 변환시켜 5,240개의 IDF파일을 생성하였으며, 이를 통해 에너지 시뮬레이션을 진행하였다. 이와 같은 과정은 Figure 2와 같다.

Figure 2.

Energy simulation process in EnergyPlus software

분석결과

한국 1인 가구 거주자 에너지 소비패턴 유형

5,240개의 데이터 중, 하루 24시간 동안 거주지에 재실하지 않은 47개를 제외한 5,193개의 데이터를 가지고 분석을 실시하였다. K-modes clustering 분석을 진행한 결과 한국 1인 가구 거주자의 에너지 소비패턴은 7가지의 유형이 존재하는 것으로 나타났다. 분석결과를 바탕으로 7가지 에너지 소비패턴 유형을 정의하기 위해, 거주자의 시간대별 행동을 시각화한 Figure 3과 사회, 경제 및 인구학적 특성을 나타낸 Table 3을 살펴보자.

Figure 3.

Daily energy consumption pattern of 7 Clusters in House

Table 3. Household information of 7 Clusters

(1) Cluster1은 65세 이상(51.7%)로 주를 이루고 있고, 경제적 소득이 적은 클러스터이다. 04:00~10:00 사이에 외출활동을 하며, 그 이외에는 거주지 내 활동이 많다.

(2) Cluster2은 65세 이상(66.0%), 여성(68.8%), 월 소득 100만원 이하(75.8%), 돌봄 필요 가구(65.78%)의 비율이 가장 높은 유형으로, 개인적인 실외활동 및 취미생활 거의 없으며 거주지가 주 활동공간이다.

(3) Cluster3은 가장 높은 비율이 경제활동(81.4%)을 하고 13:00이후인 오후부터 일과가 이루어지는 것으로 보인다. 늦은 저녁 경제활동이 끝난 뒤, 03:00~13:00경 거주지에서는 주로 취침을 하는 것으로 나타났으며, 거주지에서는 취침이외의 에너지소비와 연관된 활동이 적고 생활패턴이 불규칙하다.

(4) Cluster4는 Cluster1과 비슷한 시간을 거주지에서 보내고 있으며, 성별, 월 소득, 직업의 유무에 대한 항목이 유사하지만 나이에서의 차이를 보였다. Cluster4의 주 외출활동 시간대는 16:00~23:00이며, 주거지에서 취미생활을 하며 보내는 시간이 높게 나타났다.

(5) Cluster5는 Cluster3과 비슷한 취침시간대를 가지지만 그 이후 거주지에서 주로 시간을 보내며 취미생활로 시간을 보내며, 저녁 시간대인 22:00~08:00 에는 외출을 하였다.

(6) Cluster6은 경제활동과 외부활동이 활발한 나이대인 젊은 층의 비율이 높고, 65세 이상(9.0%) 비율이 가장 낮다. 또한 거주지 재실시간이 제일 적었으며, 거주지에서의 주 활동은 개인위생 관리이외에는 다른 활동이 가장 적은 유형이다.

(7) Cluster7은 5,193개의 데이터 중, 2,074개가 이 유형에 해당되며 일반적인 직장인의 생활유형으로 보인다. 그러나 65세 이상(45.4%),여성(64.8%)과 직장 없음(51.2%)의 비율로 보아 직장인 외에도, 거주지 밖에서 개인시간을 보내는 유형으로도 볼 수 있다.

한국 1인 가구 거주자 에너지 소비패턴 유형별 에너지 소비량

생활시간조사 데이터를 통해 5,139개의 에너지 시뮬레이션을 진행 하고, 7가지의 에너지 소비패턴 별 에너지 소비량을 비교하기 위해 Figure 4와 같이 Boxplot으로 나타내었다. 연간 총 에너지 소비와 전등, 가전기기, 난방, 냉방 5가지 항목에 대해 7가지의 ‘1인 가구 거주자 에너지 소비패턴 유형’은 다음과 같이 서로 다른 에너지 소비량을 보였다.

Figure 4.

Yearly energy consumption of 7 Clusters in House

연간 총 에너지는 Table 4에서 볼 수 있듯이 Cluster2, Cluster1, Cluster7, Cluster4, Cluster5, Cluster6, Cluster3의 순으로 소비량이 높았다. Cluster1과 Cluster2는 5가지 항목에서 모두 상위에 해당하며, 이는 재실시간에 따른 영향을 크게 받아 쾌적한 실내 환경과 개인생활유지를 위한 것으로 보인다. 그 중 Cluster2는 돌봄 필요가구가 65.78%로 집에 상주하는 비율이 높은 것으로 보아 에너지 소비가 가장 높은 것을 알 수 있다. 또한 에너지 소비가 가장 높은 Cluster2가 에너지 소비가 가장 낮은 Cluster3에 비해 생활패턴 이외 모두 같은 조건에서 약 2배의 에너지 소비가 높게 나타났다.

Table 4. Energy consumption ranking

Cluster1과 재실시간이 유사한 Cluster4는 모든 항목에 대해 에너지 소비량이 적게 나타났다. 두 가지 유형의 가장 큰 가구특성 차이는 나이와 재실시간대 이다. 젊은 층의 비율이 높은 Cluster4는 주로 취침, 여가생활, 개인관리에 시간을 보내고, 노인의 비율이 높은 Cluster1은 음식준비, 설거지와 같은 거주 환경유지를 위한 에너지 소비가 큰 것으로 보인다. 이러한 가구특성으로 인한 생활패턴의 차이 때문에 재실시간이 비슷하더라도 에너지 소비의 차이가 있음을 알 수 있었다.

또한, 재실시간이 길지만 에너지 소비량이 적은 경우가 존재했다. Cluster4가 Cluster7 에 비해 재실시간이 길게 나타났지만, Cluster7이 가전기기와 난방에서 에너지 소비량이 큰 것으로 분석되었다. Cluster1과 비슷한 가구특성을 가진 Cluster7은 거주 환경유지를 위한 생활패턴을 가지므로 가전기기의 에너지 소비량이 높은 것으로 판단된다. 난방 에너지의 경우, Cluster7과 다르게 Cluster4는 겨울철 상대적으로 외부온도가 높은 낮에 재실하고 있으며, 외출시간이 짧아 실내온도를 다시 적정온도로 돌려놓기 위한 에너지가 적게 소비되는 것으로 보인다. 반대로 여름철에는 낮 시간의 높은 온도로 인해 Cluster4의 냉방에너지가 Cluster7보다 높았으며, Cluster7은 저녁 시간대에 자연환기를 통해 실내온도를 26도 이하로 유지하여 냉방에너지로 인한 에너지 소비를 줄인 것으로 보인다. 이와 같은 현상은, 재실시간이 비슷하지만 거주지에 머무는 시간대가 상반되는 Cluster5와 Cluster6의 비교를 통해 확연히 확인할 수 있었다.

Fong et al. (2007)연구에 따르면 나이와 성별은 에너지 소비에 영향을 미치며, 거주자의 고령화와 여성의 비율이 높을수록 에너지 소비량을 증가시킨다. 본 연구의 결과를 통해서도 나이와 성별의 차이가 에너지 소비에 큰 영향을 미치는 것으로 판단된다. 7가지의 유형 중, 65세 이상의 비율이 가장 높았던 Cluster1, Cluster2, Cluster7 은 연간 총 에너지 소비량이 1위, 2위 ,3위에 해당했으며, 3가지 유형모두 여성이 가장 많은 비율을 차지하고 있었다. 그 다음으로 4위, 5위인 Cluster4, Cluster5 또한 여성의 비율이 남성보다 높게 나타났고, 나머지 6위, 7위는 Cluster6과 Cluster3로 남성의 비율이 높을 것을 볼 수 있다. 따라서 나이와 성별에 따라 추구하는 생활방식과 에너지 소비생활의 차이를 가져올 수 있음을 이야기한다.

소득과 직장의 유무는 재실시간에 영향을 미쳐 에너지 소비량의 차이를 도래하는 것으로 볼 수 있다. Cluster3, Cluster5, Cluster6 직장을 가지며 소득이 높을수록 에너지 소비가 적으며, Cluster3과 Cluster5의 경우에는 직장을 가지는 비율이 81.4%와 93.9%로 야간 시간대에 외출하는 것으로 보아 야간근무로 인한 소득이 높은 것으로 해석할 수 있다. 소득에 따른 에너지 소비에 대한 선행연구에 따르면 경제적수준이 높을수록 에너지 소비에 대한 제약이 줄어 거주지의 환경을 유지하기 위한 에너지 소비가 증가한다(정재원 외, 2015; 노승철과 이희연, 2013). 그러나 본 연구에서는 선행연구와 달리 소득이 높을수록 에너지소비가 적은 것으로 나타났다. 1인 가구의 특성상 경제적 활동이 활발할수록 소득이 높고 거주지의 재실시간이 줄었기 때문에 이러한 결과가 나타난 것으로 보인다.

결 론

본 연구는 ‘2014 생활시간조사’ 데이터를 활용하여 한국의 대표적인 1인 가구 에너지 소비패턴을 유형화하고, 각 유형에 따른 에너지 소비량을 분석하였다. 클러스터 결과 7가지로 1인 가구 에너지 소비패턴을 유형화 시켰으며, 각각 클러스터에 대한 에너지 소비패턴과 에너지 소비량의 비교분석을 통해 사회, 경제, 및 인구학적 특성이 에너지소비에 미치는 영향을 살펴보았다. 그 결과, 65세 이상의 노인과 여성이 다른 집단에 비해 에너지 소비가 높음을 알 수 있었다. 또한 기존 선행연구와 달리 경제적 수준이 높을수록 재실시간이 감소함에 따라 에너지 소비가 적은 것으로 나타났으며, 이는 1인 가구에서 가지는 특징으로 볼 수 있었다. 또한 에너지 소비패턴에 따라 크게는 에너지 소비량이 2배차이가 발생할 수 있음을 확인할 수 있었다.

따라서 가구의 특성인 나이, 성별, 경제적 수준, 돌봄 필요에 따라 생활패턴의 차이가 있음을 확인할 수 있었고, 이러한 생활패턴의 차이가 에너지 소비에 영향을 미치는 것을 본 연구의 결과를 통해 알 수 있었다. 본 연구의 결과물인 7가지의 에너지 소비패턴 유형은 주거부분 에너지 연구의 기초자료와 에너지 절감 대책을 위한 정보제공으로써 활용할 수 있다. 또한, 에너지 소비패턴의 유형화는 곧 다가올 스마트 빌딩 시대에 개인 주거지 별 에너지 관리 시스템 적용을 위한 틀을 제공할 수도 있다.

본 연구는 K-modes clustering기법을 적용하여 5,240개의 ‘1인 가구의 행동코드’를 통한 클러스터링 분석을 진행한 것에 의의가 있다. 기존 선행연구들은 설문조사, 시나리오작성(이승한 외, 2011)을 기반으로 주관적인 해석방법에 따라 생활패턴 연구를 진행해 왔지만, 본 연구에서는 5,240개의 24시간 동안의 행동데이터를 활용하여 객관적이고 실증적인 방법으로 에너지 소비패턴 유형을 정의하였다. 이러한 연구방법과 과정을 바탕으로 추후 1인 가구뿐만 아니라 다인가구를 대상으로 연구할 수 있으며, 공동주택 이외에도 단독주택, 원룸, 다세대 주택 등의 거주자의 생활패턴을 고려한 에너지 소모패턴 연구에 적용이 가능하다.