서 론
연구의 배경 및 목적
연구의 범위 및 방법
문헌고찰
대상건물의 데이터 수집 및 기초분석
대상건물 개요
수집데이터 개요 및 기본 사용특성 분석
전력사용패턴에 따른 기간분류
케이스 모델별 모델링 방법
시뮬레이션 도구: eQUEST
기상데이터
단열성능
Zoning
입력수준별 케이스 모델의 모델링 방법
Case-1 모델
Case-2 모델
Case-3 모델
케이스 모델별 전력수요 예측성능 평가
전력수요 예측성능 평가지표
케이스 모델별 전력수요 예측성능 평가
결 론
서 론
연구의 배경 및 목적
우리나라 국가 에너지통계에 따르면 비주거용 건물의 에너지수요 증가율은 2000~2014년 기간 중 연평균 3% 증가하였고, 그 중 전력소비 증가율은 연평균 5.7%를 기록했으며, 건물부문에서 전력의 비중이 2000년 43%에서 2014년에 62%로 확대되었다(에너지경제연구원, 2015). 이는 건물부문의 전력소비 비중과 증가율을 고려했을 때 효율적인 수요조절을 통해 전력소비관리가 필요함을 의미한다. 최근 이를 위한 기반기술로 건물에 AMI (Advanced Metering Infrastructure) 도입이 증가하고 있다. AMI는 스마트 미터기와 측정데이터를 전송하는 네트워크, 데이터를 저장하는 서버 및 이를 가시화하는 S/W로 구성된다. AMI를 구성할 경우 일반적으로 메인미터기와 더불어 층별, 실별, 용도별(End Use) 사용량 등을 구분할 수 있는 서브미터링(Submetering)도 추가된다. 서브미터링으로 수집된 데이터는 주요 전력소비요인 확인, 상세 전력사용패턴 및 수요예측, 전력사용량 절감을 위한 제어방법 선택 등과 같이 다양한 분야에서 효율적인 전력수요 조절에 활용된다. 그 중에서도 메인 및 서버 미터 데이터를 분석하여 기존의 건물에너지 모델보다 한층 정밀한 건물에너지 모델링이 가능한데 그에 관한 연구사례가 많지 않다. 따라서, 본 연구는 건물의 운영단계에서 보다 정확한 전력수요 예측을 위해 서브미터링을 통해 수집한 End Use2)별(조명, 전열, 공조 등) 전력사용량을 분석하여 건물의 운영스케줄과 조명 및 기기밀도의 입력스케줄로 활용한다. 이 스케줄의 입력수준을 획득 가능한 데이터 수준별 3가지 시나리오로 구분하여 건물에너지 케이스 모델을 구성한 후 매시각별 및 월별 전력사용량 예측성능을 비교하고자 한다.
2) End Use를 용도별 사용 등으로 번역할 수 있으나, 통용 가능한 국문용어가 아직 없고, 문장구성 시 의미상 혼란을 발생시킨다고 판단하여 본 논문에서는 원문을 그대로 사용함.
연구의 범위 및 방법
건물에너지모델을 구성하는 변수의 종류는 무수히 많기 때문에 각 변수의 입력에 있어 상세함의 정도(입력수준)에 따라 모델링에 투자되는 사용자의 시간과 노력의 양이 달라진다. 본 연구에서는 다른 조건은 고정하고, 측정한 End Use별 전력사용량을 활용한 조명, 전열, 공조 스케줄 및 조명밀도 및 전열밀도를 3가지 상세입력 수준으로 구분하여 입력하였다. 선정된 변수들의 입력값은 간단한 계산방식으로 전처리된 서브미터링 데이터를 활용한다.
케이스 모델은 일체의 정보가 없어 표준스케줄을 사용한 경우(Case-1), 메인미터기에서 측정한 매시각별 전력사용량을 활용할 수 있는 경우(Case-2), 매시각 End Use별 전력사용량을 활용한 경우(Case-3)로 구분한다. 본 연구는 상세 건물에너지 프로그램인 eQEUST를 사용하며, 모델의 예측성능은 ASHRAE 가이드라인(2002)에서 제시한 건물에너지소비량의 예측성능 평가지표인 MBE (mean bias error)와 CV (RMSE) (coefficient of variation of the root mean square error)를 기준으로 시간별, 월별로 비교한다.
문헌고찰
AMI 구축건물이 드물고, 축적된 데이터를 추가적으로 심도있게 분석한 사례가 많지 않아 서브미터링 데이터를 활용한 건물에너지 모델링 또는 에너지 절감방안 분석에 관한 연구사례는 많지 않다. 안기언 외(2012)는 설계단계 건물의 에너지모델 제작 과정에서 발생하는 문제들을 모델러의 주관적 판단과 가정, 입력정보의 부재, 검증의 부재, 동적 시뮬레이션모델의 사용성 측면에서 쟁점을 제시하고, 모델링 프로세스의 표준프로세스 구축의 중요성을 강조하였는데, 용도별 건물의 표준스케줄이 하나의 해결책이 될 수 있음을 알 수 있다. 실제 서버미터링 데이터를 활용한 사례로, 이나은 외(2013)는 기존 업무용건물을 대상으로 에너지절감안(EEM, Energy Efficiency Measure)을 제시하기 위해 대상건물의 운영 및 내부발열 요소를 모니터링 및 인터뷰로 수집한 후 EnergyPlus로 모델링하고 절감안을 적용한 후 대상건물에서 수집된 End Use 별 데이터를 EEM 에너지모델의 절감성능을 검증하는데 활용하였다. 미터데이터를 에너지모델에 본격적으로 활용한 공동석(2016)은 기존 업무용건물의 BEMS를 통해 수집한 에너지사용량데이터를 이용하여 군집화기법 중 하나인 K-mean 클러스터링 기법으로 전력소비패턴을 분류하고, 이를 EnergyPlus의 운영스케줄로 반영하여 M&V (measurement and verification) 평가 수준이 매우 높아질 수 있음을 사례로 제시하였다.
기존 연구들은 수집한 서브미터링 데이터를 모델의 예측성능 검증에 활용하는데 그치거나, 머신러닝과 같은 복잡한 데이터 분석기법을 동원하여 적용하는 등 쉽게 활용 가능한 사례가 많지 않으며 또한 이러한 노력에 따른 에너지모델의 정확성을 정량화한 사례가 드물어 본 연구의 수행에 따른 차별성이 충분한 것으로 사료된다.
대상건물의 데이터 수집 및 기초분석
대상건물 개요
분석 대상건물은 청주시에 위치한 C대학의 연구 및 강의동이며 개요는 Table 1과 같다. 대상건물은 지상 4층, 지하 1층 규모이지만, 실제 분석대상은 4층의 동측 50%이며, 주요 실용도는 강의실, 연구실, 사무실과 회의실이다. 냉방은 EHP 또는 A/C이며, 난방은 증기방열기와 EHP 및 전기보조난방을 사용한다.
Table 1. Building features
수집데이터 개요 및 기본 사용특성 분석
대상 공간에서 서브미터링은 분전반 내에 용도가 분류된 각 차단기에 스마트미터기를 설치하여 이루어진다. Figure 1은 각 차단기가 담당하고 있는 조명사용량의 수집범위를 나타내며, Figure 2는 각 차단기에 연결된 플러그 전원 및 A/C전력 개소를 보여주고 있다. 전력사용량은 15분 간격으로 2016년 1월부터 수집하고 있으며, 수집한 데이터의 개요는 Table 2와 같다. 분석에 사용된 2016년 전체 데이터 중 무선네트워크로 전송오류로 인해 93.3%의 데이터만 분석에 활용되었다.
Table 2. Summary of submetering measurement features
Figure 3은 2016년 End Use별 일간 전력사용량의 시계열 그래프이다. 조명전력은 방학과 학기 중, 시험기간과 비시험기간으로 구분하여 일별 약 20 kWh~134 kWh로 편차가 크다. 전열은 콘센트에 연결하여 사용하는 오피스가전 이외에도 소형냉방기기, 보조난방기기가 있기 때문에 계절에 의한 영향을 크게 받으며 하계 60~120 kWh/일, 동계 60~160 kWh/일로 End Use 중 일별 전력사용량이 가장 높다. 공조는 계절의 영향을 크게 받아 하계의 경우 최대 100 kWh/일, 동계 140 kWh/일의 사용량을 보이며, 강의 같은 간헐적 사용특성 때문에 전력사용패턴이 년중에 걸쳐 매우 불규칙하다.
전력사용패턴에 따른 기간분류
연중에 걸쳐 불규칙한 전력 사용특성을 갖는 대학건물을 정확하게 모델링하기 위해선 유사 사용특성 기간을 정의할 필요성이 있다. 이를 위해 Granderson (2011)이 제시한 부하 프로파일링(Load Profiling) 기법 중 하나인 변동성(Variability) 지표를 활용한다. 이 지표는 부하의 변화 폭을 계산하여, 데이터 간 편차를 정량화 할 수 있다. 특정 기간 내 매시간별 평균 전력사용량과 매시간별 전력사용량 간 편차를 식 (1)과 같이 계산한 뒤, 그 편차를 해당 시간대의 평균 전력사용량으로 나누어 매시간별 부하변동성(Load Variability)을 식 (2)와 같이 계산한다. 계산된 매시간별 부하변동을 24시간 평균하면 특정한 기간범위의 부하변동성(SLV, Site Load Variability)을 식 (3)으로 계산할 수 있으며, 값이 클수록 데이터 간 편차가 큼을 의미한다.
| $${\mathrm D}_\mathrm k=\frac{{\displaystyle\sum_{\mathrm i=1}^\mathrm n}({\mathrm x}_\mathrm{ik}-{\overline{\mathrm x}}_\mathrm k)}{\mathrm n}$$ | (1) |
| $${\mathrm{LV}}_\mathrm k=\frac{{\mathrm D}_\mathrm k}{{\overline{\mathrm x}}_\mathrm k}$$ | (2) |
| $$\mathrm{SLV}(\%)=\frac{{\displaystyle\sum_{\mathrm k=1}^\mathrm n}{\mathrm{LV}}_\mathrm k}{24}\times100$$ | (3) |
여기서, xik 는 k 시간대에 측정된 i번째 전력사용량, 는 k 시간대 평균 전력사용량, n은 날짜 수(일)이다.
에너지 모델에 입력할 각 End Use별 입력 스케줄을 간소화하고 유사 전력사용 프로파일 기간을 구분하기 위해 대상건물의 전력사용패턴에 가장 큰 영향을 미치는 계절과 학사일정을 기준으로 Figure 4와 같이 사용특성 그룹을 분류한 후 어떤 그룹이 SLV가 작은지 평가하였다. 계절을 기준으로 한 그룹1은 월별로 기간을 단순 분류하였고, 학사일정을 기준으로 한 그룹2는 시험기간 전·후로 세분한 학기중과 방학을 고려하여 총 11개 기간으로 분류하였다. 평일과 주말 및 End Use별로 구분하여 각 그룹별 SLV를 계산한 결과는 Table 3과 같다. 주말의 공조부문을 제외하면 그룹2의 SLV가 그룹1보다 낮기 때문에 각 기간 내 전력사용량 간 변동성이 더 작음을 알 수 있다.
Table 3. Comparison result of SLV with respect to Term Zoning Criteria (Unit: %)
| Period | Group | Type of end use | Total | ||
| Lighting | Plug | Air-Conditioning | |||
| Week | Group-1 | 30 | 23 | 91 | 28 |
| Group-2 | 27 | 21 | 90 | 25 | |
| Weekend | Group-1 | 31 | 24 | 77 | 29 |
| Group-2 | 29 | 23 | 80 | 28 | |
케이스 모델별 모델링 방법
시뮬레이션 도구: eQUEST
본 연구에 사용된 eQUEST는 건물의 위치 및 기상, 기하학적 형상, 재료 및 설비시스템의 특성, 운영스케줄 등을 건물모델에 반영하여 건물의 에너지사용량을 추정하는 상세 에너지해석 도구이다. 이 중 운영스케줄은 조명, 전열, 재실, 공조 등과 같이 건물에너지사용의 주요 요소들의 시간에 따른 변화율(Fraction)을 의미하며, 매시간별 변화율에 최대사용밀도 또는 재실인원을 곱하여 매 시간별 사용량을 계산하게 된다.
기상데이터
기상청에서 제공하는 청주시 1시간단위 2016년도 기상데이터를 DOE-2의 포맷으로 변환하여 건물에너지모델에 적용하였다.
단열성능
건물에너지 모델의 단열성능은 준공당시의 기준인 1987년도 중부지역의 단열재 두께기준을 따랐으며, 모델의 3D 이미지는 Figure 5와 같다. 어둡게 표현된 영역은 비사용존으로 설정하고 분석대상 존과의 경계벽은 열전달이 없는 것으로 가정하여 시뮬레이션 결과에 영향을 미치지 않도록 하였다. 4층의 점선으로 둘러싸인 공간이 서브미터링 및 건물에너지 분석대상이다.
Zoning
건물에너지 모델의 조닝은 서브미터기별 측정존과 실의 용도를 기준으로 구분하였다. 조닝의 분류기준에 따라 모델은 11개 존으로 Figure 6과 같이 구성하였다.
입력수준별 케이스 모델의 모델링 방법
케이스 모델은 가장 일반적인 미터데이터가 없는 경우(Case-1), 메인미터링이 가능한 경우(Case-2), 서브미터링이 가능한 경우(Case-3) 총 3가지 시나리오로 구분하였다. 케이스 모델의 분류기준과 주요 입력변수의 값은 Table 4와 같이 정리하였다.
Table 4. Lighting, plug, occupancy and HVAC schedules and power density input references
Case-1 모델
Case-1 모델은 모델링에 필요한 상세정보를 조사하지 못하고 행하는 일반적인 건물모델링 방식을 가정하였다. 즉 조명, 전열, 재실 스케줄은 DOE-2에서 제공하는 표준스케줄을 사용하며 냉난방은 설정온도를 만족하지 못할 때 항상 가동하는 것으로 입력하였다. 냉난방 설정온도는 산업통상자원부고시 에너지관리기준에 따라 냉방 설정온도는 26℃, 난방 설정온도는 20℃로 가정하였다. Figure 4에서 학사일정에 따라 분류한 11개 기간에 대한 Case-1 모델의 평일과 주말 중 매시간별 조명, 전열, 재실 스케줄은 Figure 7과 같다.조명밀도(LPD: Lighting power density)와 기기밀도(EPD: Equipment power density)는 실별 조명기구의 개수 및 조명기구별 소비전력, 실별 주로 사용되는 기기의 종류와 개수, 기기별 소비전력을 현장조사 후 Table 5와 같이 정리하여 입력하였다. Case-2 모델의 LPD 및 EPD는 Case-1 모델과 동일하다.
Table 5. LPD and EPD input values of each case (Unit : W/㎡)
Case-2 모델
Case-2 모델은 메인미터기로 수집한 매시각별 전력사용량을 활용하여 조명, 전열, 재실, 공조 스케줄로 입력한 경우를 가정하였다. Figure 8은 학사일정기간별 매시각 평균 전력사용량(ECAverage,h)을 피크 전력사용량(ECMax,h)에 대한 비율로 계산한 결과(RatioSch,h)로 조명, 전열, 공조, 재실 스케줄의 입력값으로 활용하였다.
Case-3 모델
Case-3 모델은 서브미터기로 수집한 End Use별 전력사용량 분석한 결과를 건물에너지 모델에 반영하는 경우를 가정하였다. Figure 9는 Case-2와 같은 방식을 사용하였으나 End Use 별 전력 사용량을 구분하여 학사일정별 평균값을 스케줄로 작성한 결과 중 조명전력의 스케줄을 보여주고 있다.
EPD와 LPD는 최대 전력부하가 발생한 시점의 값을 기준으로 해당 존의 면적을 나눔으로써 계산되었는데 이 결과는 Table 5에서 확인 할 수 있다. LPD의 경우 현장조사한 결과에 비해 항상 작게 측정 및 계산되어 설치된 조명기구가 항상 100% 이용되지 않는 점을 잘 반영하고 있는 것으로 판단된다. 그러나 EPD의 경우는 현장조사 결과보다 상당히 높은 측정값이 나타난 것으로 미루어, 플러그 전원을 사용하는 다양한 기기의 종류 및 사용행태를 현장조사에서 확인하기 어려운 점을 보여준다고 할 수 있다.
케이스 모델별 전력수요 예측성능 평가
전력수요 예측성능 평가지표
케이스 모델의 예측성능 평가지표는 ASHRAE (2002)에서 제시하는 MBE (Mean Bias Error)와 CV (RMSE) (Coefficient of Variation of the Root Mean Square Error)를 사용했으며, 각 평가지표는 식 (4), 식 (5)와 같이 계산할 수 있다.
| $$\mathrm{MBE}(\%)=\frac{\mathrm\Sigma({\mathrm y}_\mathrm i-\overbrace{{\mathrm y}_\mathrm i}}{(\mathrm n-\mathrm p)\overline{\mathrm y}}\times100$$ | (4) |
| $$\mathrm{CV}(\mathrm{RMSE})=\frac{\sqrt{{\displaystyle\frac1{\mathrm n}}\mathrm\Sigma({\mathrm y}_\mathrm i-{\overbrace{\mathrm y}}_\mathrm i)^2}}{\overline{\mathrm y}}\times100$$ | (5) |
여기서, yi는 i번째 시간의 측정값, 는 i번째 시간의 예측값, 는 측정값의 평균, n은 측정데이터의 개수, p는 매개변수(parameter)의 개수를 의미한다. MBE는 부호에 관계없이 0에 가까울수록 좋으며, CV (RMSE)는 값이 작을수록 분산이 적음을 의미한다. 각 예측성능 평가지표는 시간단위에 따라 허용오차범위가 달라진다. 각 지표의 허용오차범위는 월단위일 경우 MBE는 ±5%, CV (RMSE)는 15%이고, 1시간단위일 경우 MBE는 ±10%, CV (RMSE)는 30%이다.
케이스 모델별 전력수요 예측성능 평가
3가지 케이스 모델의 예측성능은 총 전력사용량 및 End Use 별 전력사용량을 기준으로 시간별, 월별로 비교하였다. Figure 10과 11은 케이스 모델들의 1시간단위 전력사용량 예측값이 측정한 전력사용패턴을 잘 따르는지 평가하기 위해 부하 변동성이 가장 큰 시험기간이 포함된 1주일간의 냉방과 난방기간을 각각 보여주고 있다. Case-1 모델은 실제 건물과 관련이 없는 대학건물의 전형적 스케줄을 사용하였기 때문에 냉난방기간 모두 실제 전력사용패턴과 큰 차이를 보였다. Case-2 모델과 Case-3 모델은 학사기간별 평균 시간당 전력사용량을 기본으로 스케줄이 입력되었기 때문에 총 전력사용량 변화의 최대/최소 값 사이에서 변화하면서 최대값의 추정에서 에러가 커지는 현상을 확인할 수 있다. 실제 Case-2와 Case-3의 6월의 매시각 데이터 기반 CV (RMSE)는 40.5%와 38.5%로 나타났고, 12월의 CV (RMSE)는 52.5%와 52.5%로 나타났다. 이는 Case-2와 Case-3의 스케줄 입력방식을 메인 미터기 데이터를 기반으로 할 경우, 두 케이스간 추정 성능에서 통계적인 큰 차이가 없음을 의미한다.
그러나, Figure 12~15와 같이 케이스 모델들의 예측값과 측정값 간 월별 전력사용량을 총량과 조명, 전열, 공조의 순서대로 End Use 별 비교결과를 보면 이러한 결론은 총 전력사용량의 관점에서만 유효함을 알 수 있다. Case-2 모델은 End Use의 월별 사용량의 관점에서 보면 모든 월에 걸쳐 조명사용량은 과대평가를 하고, 전열 사용량은 과소평가를 하고 있으며, 냉난방 사용량은 계절에 따라 일관성 없이 과다/과소 평가를 반복하고 있음을 볼 수 있다. 반면 Case-3의 각 End Use별 월별 사용량은 3가지 요소 모두 약간의 오차는 있지만 고른 추정성능을 보이고 있다. Table 6은 이러한 결과를 종합하여 각 케이스 모델별 총량 및 조명을 기준으로 한 년간 예측성능을 보여주고 있다. 이 표는 총량의 관점에서 년간 사용량 추정 에러는 Case-2와 Case-3이 큰 차이를 보이지 않지만, End Use 사용특성을 반영하지 못하는 Case-2는 조명사용량 만으로 비교하면 Case-3에 비하여 큰 오차를 보인다는 것을 발견할 수 있다. 이러한 결과는 전열 및 공조에 있어서도 동일하다.
Table 6. Monthly and hourly estimation performance value comparison of each case
그러나, 월별 예측성능을 기준으로 Case-3 모델만이 MBE와 CV (RMSE)가 각각 0.6%, 5.2%로 모두 허용오차범위 내에 해당되었으며, 1시간단위 예측성능은 모든 케이스가 허용오차범위를 만족하지 못하여 본 연구에서 활용한 학사운영 기간별 평균 스케줄을 사용하는 것만으로 허용오차를 만족하는 건물에너지 모델링이 허용오차를 극복하지 못함을 알 수 있다.
결 론
본 연구는 실제 건물을 대상으로 운영단계에서 서브미터기로 측정한 End Use별 전력사용량을 각 용도별 스케줄 입력값으로 활용한 건물에너지 모델링(Case-3)을 통해 월별, 시간별 End Use별 전력수요를 예측했다. Case-3 모델의 예측성능을 평가하기 위해 시계열 미터데이터를 활용할 수 없는 일반적인 경우의 표준스케줄을 사용하는 모델링(Case-1), 메인 미터기데이터만을 활용할 수 있어 모든 용도에 같은 스케줄을 활용하는 모델링(Case-2) 경우를 추가하여 입력의 수준에 차이를 둔 3가지 케이스 모델을 제시하고 각 모델의 예측결과를 비교했다. 시각별 스케줄을 측정데이터에 기반하여 입력하는 방법은 일반적인 모델링 방법이 아니기 때문에 변동성지수의 개념을 도입하여 대상 건물의 전형적인 전력사용 특성을 기간별로 구분하여 11개의 구분된 기간별 전형적인 스케줄을 작성하였다.
각 케이스별 시뮬레이션 결과 매시각별 총 전력사용량을 추정하는 관점에서는 Case-2와 Case-3은 구별되는 성능차이가 없었다. 하지만, 시뮬레이션 결과를 End Use로 분리하여 예측성능을 평가하면 Case-2는 Case-1과 구분이 어려울 정도의 높은 에러를 산출한다. 이러한 결과는 일반적인 건물에너지 모델링 방법이 발생 시킬 수 있는 에러가 적지 않음을 의미하여, 한국전력의 iSMART처럼 매시각별 사용량 정보를 가지고 있다 하더라도 용도별 입력정보가 신뢰성이 없을 경우 End Use 추정의 정확성은 기대할 수 없음을 의미한다. 예를 들어, Case-2 타입으로 모델링된 결과를 활용하여 조명 또는 공조설비의 효율강화에 따른 절감량을 추정하는 것은 월별 사용량 수준에서도 높은 End Use 추정오차가 발생 한다는 것을 의미하며 건물에너지 End Use를 정확하게 추정하기 위해서는 보다 더 정밀한 추정법을 활용하거나 End Use용 모델입력정보의 정확성이 중요함을 알 수 있다.
End Use 정보를 활용함에도 불구하고 매시각별 데이터 추정의 정확도 측면에서는 허용오차를 극복하지 못함에 따라 이에 관한 상세 분석과 개선안을 제시하지 못한 점을 본 연구의 한계 및 앞으로의 연구방향으로 제시하면서 논문을 마무리하고자 한다.
