서 론
시뮬레이션 모델 성능지표 및 캘리브레이션 선행연구
대표적인 M&V 가이드
모델 캘리브레이션 선행연구
적용 대상 건물 및 시뮬레이션 모델링
적용 대상 건물
캘리브레이션을 위한 측정 데이터
건물에너지시뮬레이션 모델링
모델 캘리브레이션 방법
1단계: 파라메터 캘리브레이션
2단계: 팩터(Factor) 최적화 캘리브레이션
모델 캘리브레이션 결과
결론 및 향후 연구 계획
서 론
건물에너지 시뮬레이션 모델은 건물 에너지 부하 및 소비량을 예측할 수 있게 도움을 주며 에너지 거동 및 부하 계산에 필요한 건물, 시스템, 기상, 스케줄 등을 통해 구성이 되며 파라메터의 적절성에 따라 시뮬레이션 결과에 미치는 영향이 매우 크다. 특히 실제 존재하는 건물을 대상으로 건물 에너지 시뮬레이션 모델을 구성하고 이를 통해 운전방법이나 제어기법 등과 관련한 연구 결과를 도출하고자 할 때에는 더욱 실제 건물에서 측정한 데이터와 비교하여 열적 거동, 에너지 소비, 냉난방 부하의 발생 등이 유사한지 오차를 나타내는 통계론적 방법을 통한 검증(Measurement and Verification, M&V)을 하여야 하며, 건물 에너지 시뮬레이션 모델을 통한 연구 결과의 신뢰성을 확보할 수 있다.
하지만 시공시 설계 값에서 생기는 오차 및 정보의 불확실성, 건물, 설비, 배관, 덕트 등의 각 부위에서 생기는 열손실, 재실자의 스케줄 차이 등에 의해 실제 건물에서의 성능데이터와 시뮬레이션 모델에서 계산한 데이터 간에 차이를 발생시킨다. 이를 건물 에너지 시뮬레이션 모델에 사용한 파라메터 및 팩터를 조정하여 일정한 허용 범위 내로 시뮬레이션 결과를 유지하여야 한다.
본 연구에서는 주택을 대상으로 한 건물에너지 시뮬레이션 모델을 구성하고, 대상건물로부터의 측정데이터를 이용하여 시뮬레이션 모델의 파라메터를 조정하여 캘리브레이션을 수행하였으며, 더욱 향상된 모델 캘리브레이션을 위하여 1차적으로 시행착오적인 방법으로 주요 파라메터를 조정한 후에 2차적으로 GenOpt라는 최적화 툴을 시뮬레이션모델에 연계하여 주요 계수값을 최적화함으로써 캘리브레이션의 성능을 향상시킬 수 있었다.
시뮬레이션 모델 성능지표 및 캘리브레이션 선행연구
대표적인 M&V 가이드
국내외 연구에서 사용되는 가장 대표적인 M&V 가이드로는 ASHRAE Guideline 14-2014, the International Performance Measurement and Verification Protocol (IPMVP), the Federal Energy Management Program (FEMP)가 있으며, 본 연구에서 사용한 M&V 가이드는 ASHRAE Guideline 14-2014이며, 성능지표로서 적용가능한 두가지 지표 중의 하나인 NMBE (Normalized Mean Bias Error)는 식 (1)과 같으며, CV(RMSE) (Coefficient of Variation of the Root Mean Square Error )는 식 (2)와 같다.
| $$NMBE=\overline m\times\frac{{\displaystyle\sum_{i=1}^n}(m_i-s_i)}n\times100(\%)$$ | (1) |
| $$CV(\mathrm{RMSE})=\frac1{\overline{\mathrm m}}\times\sqrt{\frac{{\displaystyle\sum_{\mathrm i=1}^{\mathrm n}}({\mathrm m}_{\mathrm i}-{\mathrm s}_{\mathrm i})^2}{\mathrm n}}\times100(\%)$$ | (2) |
Table 1은 대표적으로 사용되는 FEMP, 9, 11의 월별, 시간별 데이터를 사용하였을 경우에 대한 각각의 NMBE와 CV(RMSE)의 허용 오차 정도를 나타내고 있다.
Table 1. Calibration criteria of FEMP, ASHRAE Guide 14, IPMVP
| Data Type | Index | FEMP Criteria | ASHRAE Guideline 14 | IPMVP |
| Calibration criteria | ||||
| Monthly criteria (%) | NMBE | ± 5 | ± 5 | ±20 |
| CV (RMSE) | 15 | 15 | - | |
| Hourly criteria (%) | NMBE | ± 10 | ± 10 | ± 5 |
| CV (RMSE) | 30 | 30 | 20 |
모델 캘리브레이션 선행연구
1) 시행착오적인 방법을 이용한 캘리브레이션
Paul et al. (2011)는 EnergyPlus를 이용하여 Four-story office building을 대상으로 캘리브레이션을 진행하였으며, 파라메터를 수정하고 시뮬레이션을 진행한 후 CV(RMSE)와 NMBE, 그래프 출력을 통하여 파라메터를 수정하였다. Giorgio et al. (2014)는 EnergyPlus를 이용하여 히트펌프 전력량과 평균 실내 온도를 캘리브레이션 하였으며, CV(RMSE)와 MBE를 M&V 가이드로 사용하였다. Zheng and Burcin (2015)는 EnergyPlus를 이용하여 BES 모델을 구성하였으며, 5-Step Calibration Framework를 통한 캘리브레이션 방법을 제안하였다. 캘리브레이션을 위해 선정한 파라메터를 선형 회귀를 이용하여 캘리브레이션 하였다. Valentina et al. (2015)는 EnergyPlus를 이용하여 BES 모델을 구성하였고, EnergyPlus와 GenOpt을 이용하여 내부 발열, ACH, 외피 레이어의 물성 등의 파라메터 캘리브레이션을 진행하였다. Mohammad and Tony (2015)는 EnergyPlus를 이용하여 BES 모델링을 하였고, 연구자의 판단을 통해 캘리브레이션 하였다. Germán and Carlos (2017a)은 Genetic algorithm을 이용하여 파라메터를 최적화 하였으며, 파사드 재료의 두께, 슬라브의 SHC, 슬라브의 두께, 벽체의 물성, 지붕의 물성 등을 선정하였다. 이상의 연구에서는 모델링을 수행한 연구자가 판단하는 주요 파라메터 값들을 수정하고 비교하여 조정을 반복하는 시행착오적인 접근방법을 적용한 연구사례라고 할 수 있다.
2) TRNSYS에서의 GenOpt를 이용한 캘리브레이션
Valentina et al. (2015)는 EnergyPlus를 이용해 작성한 BES 모델과 GenOpt를 이용하여 캘리브레이션을 진행하였다. 살펴본 사례 연구에서는 텍스트 기반 프로그램인 EnergyPlus라는 시뮬레이션 툴을 사용하여 모델 파라메터 수정 등에 최적화 프로그램을 더 폭넓게 활용할 수 있겠으나, 본 연구에서 사용한 시뮬레이션 프로그램인 TRNSYS에서는 GenOpt를 이용한 모델 파라메터 수정은 불가능하다. TRNSYS에서 GenOpt를 이용하여 수정이 가능한 영역은 Input 값으로 다른 컴포넌트나 스케줄을 통해 값을 받아올 수 있는 Factor(인자)이다.
그러므로 TRNSYS를 이용한 시뮬레이션 모델을 캘리브레이션하고자 할 경우에는 캘리브레이션을 위한 모델 파라메터 수정은 연구자의 판단과 시뮬레이션 결과와 측정 데이터를 M&V의 오차 지표를 이용하여 비교를 하고, 수정한 파라메터를 적용한 모델 시뮬레이션의 반복을 통해 이루어져야 한다. 하지만 주요 파라메터 수정만으로 모델 캘리브레이션이 정밀하게 이루어지지 않을 수 있으므로 팩터의 수정을 통해 추가 캘리브레이션이 가능하다.
적용 대상 건물 및 시뮬레이션 모델링
적용 대상 건물
1) 건물 구조 및 개요
적용 대상 건물은 대전의 한국에너지기술연구원에 위치한 ZeSH-Ⅱ (Zero energy Solar House – Phase II)로 2009년 지어졌으며, 지하 1층과 지상 2층의 실험주택으로 지하 446 ㎡, 지상 1층 1,411 ㎡, 지상 2층 811 ㎡이다. 공조가 되는 1층과 2층의 평면은 Figure 1과 같다. 건물의 구조는 철근콘크리트 구조로 되어 있으며, 바닥과 지붕은 각각 총 400 mm, 벽체는 250 mm의 스티로폼 단열재로 되어 있다. 창호는 거실에 슈퍼 진공유리와 그 외 삼중 로이유리로 되어 있다.
2) 건물 설비시스템
ZeSH-Ⅱ의 냉난방 및 급탕 시스템은 Figure 2와 같이 축열탱크를 중심으로 난방 시에는 BIST (Building Integrated Solar Thermal)를 통해 생산한 온수와 지열히트펌프를 사용하여 주택의 바닥배관을 통해 난방을 하게 되고, 냉방 시에는 축열탱크에 냉수를 저장하여 주택의 천장에 있는 FCU를 이용하여 냉방을 한다. 급탕 공급을 위한 축열 탱크 또한 BIST와 지열히트펌프를 통해 온수를 저장하여 사용한다.
캘리브레이션을 위한 측정 데이터
캘리브레이션에 사용한 측정데이터는 2019년 3월 12일부터 27일까지의 ZeSH-Ⅱ에서 측정한 데이터를 사용하였으며, 이 중 시뮬레이션의 기상 데이터로 Figure 3과 같은 외기 온도와 수평면 일사 데이터를 사용하였으며, 3월 12일과 13일은 시뮬레이션 데이터의 초기 값의 안정화 되는 기간으로 사용하고 14일부터 27일까지 실제 캘리브레이션을 위한 데이터로 사용하였다. 캘리브레이션에 사용한 데이터는 실내 온도, 냉난방을 위한 축열탱크 온도, 급탕을 위한 축열탱크 온도, 히트펌프 전력량, 난방수의 급수 온도와 환수 온도, 난방수 유량을 사용하였다.
건물에너지시뮬레이션 모델링
건물의 기하학적 형상에 대한 TRNSYS 3D 모델링은 스케치업 2015와 Add-on 프로그램인 Trn3D을 이용하여 idf 파일을 작성하였으며, 건물과 통합적으로 연계되어야 하는 설비시스템 모델링을 위한 설비의 개략적인 구성은 Figure 2와 동일하다. 난방 시에는 바닥난방을 하며, 태양열로 급탕과 난방에 필요한 열을 공급하고 히트펌프를 사용하여 부족한 열을 보충한다. 냉방 시에는 히트펌프를 이용하여 축열조에 냉수를 저장하여 천장의 FCU를 통해 냉방을 하며, 태양열은 급탕을 공급한다. 건물의 다중 존 부하의 열 및 공기 유동 해석을 위해 Type56-trnflow를 이용하였으며, TRNSYS의 공기 유동 해석을 위한 Add-on 프로그램인 TRNFlow로 air-node를 구성하여 모델링 하였다.
모델 캘리브레이션 방법
본 연구에서 적용한 모델 캘리브레이션은 먼저 모델에 대한 주요 파라메터를 시행착오적인 방법으로 수정하면서 모델로부터 계산한 데이터와 실측한 데이터의 차이가 줄어들 수 있도록 조정하는 작업과 다음 단계로 GenOpt라는 최적화 툴을 시뮬레이션 모델과 연동하여 모델로부터 계산한데이터와 실측한 데이터와의 오차의 제곱합이 최소가 되도록 모델의 주요 팩터(Factors)를 최적화툴을 이용하여 조정하도록 하는 2단계로 구성하였다. 본 연구에서 캘리브레이션은 Figure 4와 같은 과정으로 구성되어 있다. 캘리브레이션을 위해 시뮬레이션을 실행한 후 건물 열 에너지 공급량, 히트 펌프 전기 사용량, 실내온도, 냉온수축열조온도 등의 요소에 대해 결과 파일을 측정 파일과 비교하여 CV(RMSE), NMBE를 일 단위와 캘리브레이션 전체 기간에 대해 계산하였다.
파라메터(parameter)와 팩터(factor)의 차이는 시뮬레이션 기간 중 변하지 않는 물리적 특성이나 설정값은 파라메터로 설정하게 되어 있으며, 시뮬레이션 기간 중 상수나 입력값을 외부로 받아서 변할 수도 있는 값은 팩터로 설정 가능하다.
1단계: 파라메터 캘리브레이션
파라메터 캘리브레이션 단계에서는 건축 재료의 물성(열전도율, 비열, 열용량), ACH (Air Change rate per Hour), 히트 펌프 정격 전력 및 유량 등의 파라메터를 변경하였다. 시뮬레이션 결과에 따른 모델 파라메터를 수정할 때에 다음 시뮬레이션 결과를 예측하여 모델 파라메터의 값을 변경할 때는 연구자의 판단이 중요한 요소로 작용한다. 수십, 수백 번의 캘리브레이션 과정을 통해 보정해나가는 작업을 하며, 시뮬레이션 조건이나 기상 데이터에 따라 연구자의 판단에 의해 변경한 파라메터가 일정하게 좋은 캘리브레이션 결과를 도출할 수도 있지만 특정 상황에서만 일치하는 결과를 나타낼 수도 있으므로 실제 다양한 조건에서의 캘리브레이션이 필요하다. 캘리브레이션을 위해 조정한 파라메터와 조절 범위, 파라메터 최종 결정값은 Table 2와 같다.
Table 2. Calibration results of Main parameters
2단계: 팩터(Factor) 최적화 캘리브레이션
파라메터 캘리브레이션 진행하는 과정에서 파라메터의 조정만으로 측정 데이터와 시뮬레이션 결과의 차이가 더 이상 좁혀지지 않는 경우 팩터의 조정을 통해 더 나은 캘리브레이션 결과를 기대할 수 있다. 본 연구에서는 외부에서 각 실로 창호를 통해 들어오는 일사를 방해하는 정도를 표현할 수 있는 인자인 외부 그림자 팩터(external shad. factor)를 캘리브레이션할 팩터로 선정하였다. 측정 데이터에 비해 시뮬레이션 결과에서 실내 온도가 주간에 상당히 높게 상승하였으며, 파라메터의 수정만으로 캘리브레이션에 한계가 있어 영향을 받을 팩터를 조금씩 바꿔가며 테스트 하였으며, 주간 실내 온도 상승에 외부 그림자 팩터가 큰 영향을 준 사실을 확인하였다.
팩터의 조정은 GenOpt를 이용한 최적화 과정을 통하여 이루어지도록 하였으며, 측정데이터를 입력 파일(Type9c)을 사용하여 TRNSYS에 입력하였으며, 측정데이터와 시뮬레이션 결과의 각 존의 실내 온도, 냉온수축열조, 히트펌프 전력 사용량, 주택에 공급한 열량의 차이가 최소화 되도록 식 (3)과 같이 목적함수를 구성하였다.
최적화 알고리즘은 Hybrid Generalized Pattern Search with Particle Swarm Optimization (Hybrid GPS with PSO)을 사용하였으며, 최적화 알고리즘의 파라메터는 기본 설정값을 사용하였다. 변수의 설정은 공조되는 실마다 1개의 외부 그림자 팩터(external shading factor)를 찾도록 하였으며, 범위는 0 이상 1 이하로 설정하였고, 간격은 0.1로 두었다. GenOpt 최적화 결과 변수의 최종값은 0.1의 간격이 나타나도록 결정되지 않았으며, 목적함수의 결과가 일정한 값 이하로 줄어들지 않을 때 변수의 간격을 줄여 가며 최종해를 찾는 GPS 알고리즘의 영향으로 0.1 간격보다 더 작은 값에서 최적화 결과가 도출되었다고 판단된다. 캘리브레이션을 위해 조정한 팩터는 Table 3과 같으며, GenOpt를 이용해 결정된 최적화된 결과를 나타낸다.
Table 3. Calibration results of Main Factors
모델 캘리브레이션 결과
모델 캘리브레이션은 시뮬레이션을 실행한 후 결과 파일과 측정 데이터의 값을 비교하여 각 컴포넌트의 파라메터 수정을 하고, 파라메터의 수정만으로 더 성능개선이 이루어지지 않는 부분을 GenOpt를 이용하여 팩터 수정을 진행하였다 캘리브레이션 전과 후를 비교한 결과는 Figure 5와 같다.
실내온도 및 평균 실내온도, 냉온수축열조온도의 검증 지표로는 ASHRAE Guideline 14의 기준 중 시간별 데이터를 사용하였으므로 CV(RMSE)는 30%, NMBE는 ±10% 기준을 적용하였다. 히트펌프의 전력량은 건물부하-냉온수축열조-히트펌프 구성으로 부하 발생 시점과 히트펌프 동작 시간과 작동 시간의 일치가 어렵기 때문에 14일 동안 일일 히트펌프의 총 전력 사용량을 CV(RMSE)와 NMBE를 통하여 비교하였다.
Table 4는 캘리브레이션 단계별로 각 존의 실내온도와 평균 실내온도의 캘리브레이션 기간 전체의 평균 CV(RMSE)와 NMBE을 나타내며, 캘리브레이션 이전의 초기값, 파라메터 캘리브레이션 이후와 팩터 캘리브레이션 이후의 결과를 나타낸다. 주요 파라메터의 캘리브레이션을 통해 실내 평균 온도의 CV(RMSE)는 6.80에서 3.28로 개선되었으며, 주요 팩터 캘리브레이션을 통해 1.67까지 오차가 개선된 것을 확인하였다.
Table 4. Comparison calibrated model M&V indices with base model M&V indices
캘리브레이션 이후 평균 실내온도의 CV(RMSE)는 2.3%에서 2.2%로 변화하였고, NMBE는 –1.1%에서 1.2%로 상편향에서 하편향으로 변화하였다. 또한 캘리브레이션 이후 냉온수축열조의 CV(RMSE)는 5.2%에서 8.2%로, NMBE는 1.9%에서 1.5%로 나타났다. 냉온수축열조의 CV(RMSE)가 캘리브레이션 이후 다소 높아졌으나 ASHRAE의 CV(RMSE) 기준인 30% 이하의 허용치를 충분히 만족하고 있다. 히트펌프의 전력소비량은 캘리브레이션 이전 일일 총량을 기준으로 계산한 CV(RMSE)가 40.5%에서 23.4%로 17.1% 개선되었으며, NMBE는 20.9%에서 9.5%로 11.4% 개선되었다. 결론적으로 히트펌프 전력소비량의 캘리브레이션 과정 중 평균 실내온도는 NMBE에서 냉온수축열조의 CV(RMSE)가 3% 낮아졌으나 히트펌프 전력소비량의 캘리브레이션 결과 CV(RMSE)와 NMBE가 각각 17.1%, 9.5% 향상되어 캘리브레이션 이후 개선된 것으로 판단된다.
결론 및 향후 연구 계획
신재생에너지 설비가 구성되어 있는 저에너지주택을 대상으로 TRNSYS를 이용하여 건물 에너지 시뮬레이션 모델을 구성하고 실제 측정 데이터를 이용하여 캘리브레이션을 통해 정확도를 개선시켰으며 보조 도구로써 GenOpt를 사용하였다. 각 존의 실내온도와 냉온수축열조의 온도는 ASHRAE Guideline 14의 CV(RMSE)hourly와 MBEhourly의 기준을 사용하여 정확도를 확인하였고, 히트펌프 전력량은 주택부하 발생과 열원 공급 시점 일치의 문제로 1일 전체 전력량을 이용하여 정확도를 비교하였다. 본 연구를 통해 얻은 결론은 다음과 같다.
(1) 캘리브레이션을 통하여 시뮬레이션모델에서 계산한 실내 및 냉온수조의 온도와 측정한 온도를 비교한 결과, GenOpt를 이용한 캘리브레이션 최적화를 적용하여도 성능개선에 큰 영향은 미치지 않는 것으로 보인다. 즉 평균 실내온도의 CV(RMSE)나 NMBE는 크게 개선되지 않았으며, NMBE의 편향이 상편향(-1.1%)에서 하편향(1.2%)로 변화하였다. 냉온수축열조의 CV(RMSE)는 5.2%에서 8.2%로 약 3% 정확도가 낮아졌다.
(2) 모델 캘리브레이션을 통하여 히트펌프 전력소비량은 캘리브레이션 이전 일일 총량을 기준으로 계산한 CV(RMSE)가 40.5%에서 23.4%로 17.1% 개선되었으며, NMBE는 20.9%에서 9.5%로 11.4% 개선되어 정확도가 더 높아졌다.
(3) 건물 에너지 모델을 캘리브레이션하고자 하는 경우, 모델에 사용된 주요 파라메터의 조정 뿐만 아니라 건물 부하가 영향을 미칠 수 있는 외부차양으로 인한 그림자효과와 같은 팩터를 함께 캘리브레이션 하여 실제 건물과 건물 에너지 모델의 차이를 보완할 수 있는 요소로 사용할 수 있다. 건물모델링 작업자가 TRNSYS 시뮬레이션을 이용하는 경우, 기존의 대부분의 경우에서는 모델 캘리브레이션은 결과 확인 및 파라메터 조정을 연구자의 반복 작업을 통해 진행하였지만, 본 연구의 사례에서와 같이 팩터의 조정은 GenOpt과 같은 최적화 도구를 사용한 캘리브레이션을 통하여 모델의 성능을 더욱 개선할 수 있다.
향후 연구로 실제 대상 건물에 적용된 재료, 구조, 설비 시스템 등의 사항과 실제 모델에 적용된 값을 비교하여 건물과 시뮬레이션 모델 차이를 실무적 수준에서 어떻게 보완해야 하는지에 관한 연구를 진행할 계획이다.
