서 론
문헌고찰
대상 건물개요
IoT데이터 수집
건물모델링
Co-Simulation을 위한 통합모델링
대상건물의 조닝 및 외피 모델링
EnergyPlus의 주요 스케줄 모델링
Modelica 설비시스템 모델링
기상데이터
시뮬레이션 결과분석
전열 및 조명 결과분석
VAV팬 전력 사용량 추정성능 분석
결과 및 토론
서 론
EnergyPlus, TRNSYS, eQUEST 등과 같이 건축실무나 연구에서 많이 활용되는 상세 건물에너지 모델링 도구들은 상세하고 정확한 해석결과를 얻기 위해서는 수많은 입력데이터에 대한 정보를 필요로 한다. 하지만, 대부분의 경우 원하는 수준의 정보를 얻는 것은 불가능한 경우가 많아 다양한 입력데이터에서 약식 데이터나 가정에 의한 데이터를 사용하게 되며 이에 따른 실제 사용량과 시뮬레이션간의 차이는 피할 수 없다.
대표적인 사례가 재실자의 존재여부 및 행위에 대한 정보이다. 신축예정인 건물의 준공 후 장기간 사용량을 추정할 경우, 현행 일반적인 모델링 방법처럼 전형적인 재실스케줄과 재실밀도정보로 충분하지만, 운영 중인 건물의 시시각각 에너지 사용량을 추정하기 위해서는 상세한 재실정보가 필요하게 된다. 재실자의 온도조절, 냉난방기기 및 조명, 전기기기 작동, 창이나 차양의 조절 등이 모델에 반영되지 못할 경우, 에너지 사용량의 추정 차이(Macdonald and Strachan, 2001; Santin, 2011)는 불가피한 일이 된다. 재실자와 관련된 부문 이외에도 설비시스템의 부분 부하 운전효율, 고장 및 이상 상태 운전, 자동제어로직, 실별 침기 및 기류이동, 구조체의 단열성능 저하 등이 일반적으로 상세 건물에너지해석 프로그램에서 약식이나 가정에 의해 입력이 되는 요소이다.
그럼에도 불구하고 상세 건물에너지모델을 운영 중인 건물에 활용하려는 시도(Corbin et al., 2013; Kwak et al., 2013; Chae et al., 2013; Moon and Choi, 2014)는 다양한 방면에서 지속적으로 진행되고 있으며 최근 들어서는 스마트미터기, 실내환경센서, 무선네트워크 등 IoT환경구축과 그에 따른 정보를 상대적으로 쉽게 획득할 수 있는 환경이 증가하면서 이를 활용한 연구들이(Kim and Seo, 2017; Shen et al., 2017; Hao et al., 2017) 활발히 수행되고 있다. 이러한 연구들은 앞서 언급한 상세 건물에너지 모델링 도구의 한계로 인해 건물 및 설비의 전체의 상태 모니터링 및 유기적 제어를 대상으로 하는 것은 아니며, 연구단계 또는 실증단계에서 특정 설비 (공조기, 조명기기, 피크전력 등)의 지속적인 커미셔닝 (continuous commissioning)이나, 에너지소비량 예측, 최적제어방법 도출 등 부분적인 적용에 국한되어 있는 것이 대부분 연구의 경향이다.
본 연구에서는 운영 중인 건물을 대상으로 기존 BAS (Building Automation System)와 AMI (Advanced Metering Infrastructure) 시스템을 통해 설비의 운전상태와 에너지소비량을 수집하고, 이를 건물에너지 모델링의 입력데이터 및 검증용 데이터로 활용하는 건물에너지 모델링 환경을 구축하였다. 기존 상세건물에너지 분석도구들이 설비시스템 및 설비시스템의 제어로직을 구현하는데 한계가 있는 점을 감안하여 건물모델링 및 해석에 장점을 가지고 있는 EnergyPlus와 설비시스템 및 제어로직을 비교적 정확히 구현할 수 있는 객체지향 모델링 프로그램인 Modelica를 FMU (Functional Mockup Unit)로 통합한 모델을 활용하였다. 마지막으로 IoT정보를 활용한 통합시뮬레이션 결과를 도출하여 실제 건물의 에너지소비량을 어느 정도 수준으로 예측할 수 있는지 그 성능을 검증하였다.
문헌고찰
본 연구에서 시도하고 있는 IoT실시간 정보를 기반으로 통합시뮬레이션 환경을 구축하고 상호 정보를 교환하는 방식으로 건물 내 현상을 추정하는 기술은 미국의 LBNL에서 2010년을 전후하여 BCVTB를 개발하면서 관련 연구가 본격적으로 시작되었으며 현재는 Modelica를 BCVTB 대신 활용하는 경우도 증가하고 있다. 아래는 이러한 도구들을 활용한 대표적인 연구라 할 수 있다.
Pang et al. (2012)은 BCVTB를 건물에너지모델과 제어알고리즘을 적용할 수 있는 가상의 컨트롤러간의 정보교환 도구로 사용하여 실시간 시뮬레이션 프레임 워크를 제안하였다. BCVTB는 BACnet 모듈을 통한 하드웨어 및 EnergyPlus, TRNSYS 및 MATLAB과 같은 시뮬레이션 소프트웨어를 연결할 수 있는 모듈이 제공되기 때문에 장치와 소프트웨어간 제어신호 교환을 간단하게 실현할 수 있음을 보여주었다.
Hao et al. (2017)은 건물전력수요를 계약전력이하로 관리하거나 외부로부터 수요반응 (DR: Demand Response) 요청 또는 실시간 전력요금정보를 받을 경우 시장이 수요-공급에 따라 최적의 공급량을 결정하는 원리를 기반으로 설비시스템 제어로직을 개발하기 위하여 BCVTB와 EnergyPlus를 이용한 통합시뮬레이션 환경을 구축하였다. 실제 건물 에너지모델은 BAS에서 수집한 실내환경 및 에너지소비량 데이틀 기반으로 보정 및 검증이 이루어졌다.
Huang et al. (2018)은 구축에 시간과 비용이 많이 들고 케이스간 동일한 환경조건을 구현하기 어려운 순수한 실험기반 연구와 시간과 비용은 절약할 수 있으나 입력데이터의 단순화와 가정을 피할 수 없는 모델링 기반연구의 장단점을 상호 보완할 수 있는 방법으로 물리적 장치와 시뮬레이션 모델을 통합하여 연구환경을 구축할 수 있는 HILS (Hardware-in-the-loop System)를 대안으로 선택하였다. 이 들은 건축물과 공조시스템을 각각 EnergyPlus와 Modelica로 구분하여 모델링을 하였다. 두 모델은 FMU를 통해 서로 다른 시뮬레이션 도구들 간에 실내 온습도 정보와 공조기에서 공급하는 열에너지 정보를 교환할 수 있도록 구성하였으며, Modelica내 구축된 제어알고리즘을 통해 VAV박스 제어상태를 결정하도록 구성하였다.
국내의 경우는 Modelica를 활용하여 건물에너지 시뮬레이션 도구와 통합하고, 실제 건물의 운영데이터를 모델링에 입력데이터와 보정에 활용한 사례가 없는 것으로 사료되어 본 연구의 결과가 향후 Co-simulation 관련 연구의 기반 정보를 제공할 수 있을 것으로 사료된다.
대상 건물개요
대상 건물은 대전에 위치한 지하1층, 지상 5층 규모의 사무용 건물이며 연면적은 39,973 ㎡이다. 건물의 주 사용시간은 08:00~18:00이며 간헐적으로 야간 및 주말 근무가 일부 공간에서 발생한다. 건물의 주요한 건축 및 설비적 특징은 Table 1과 같다. 중앙 아트리움을 중심으로 외주부의 서측 및 동측은 개인 사무공간, 남측 및 코너에는 실의 크기에 따라 최대인원 6~10명이 사용하는 사무공간들이 배치되어 있으며 북측 중앙은 엘리베이터, 화장실이 있는 코어로 구성되어 있다.
Table 1. Target building features
공조방식은 빙축열과 증기보일러를 이용한 VAV방식이며 외주부에는 컨벡터가 설치되어 있다. 총 4대의 공조기 중 1, 2번 공조기가 기준층인 3~5층을 수직으로 양분하여 공조한다. 각 실에는 부하에 따라 용량이 다른 VAV박스가 배치되어 있으며 복도 공간만 CAV방식의 공조가 이루어진다.
IoT데이터 수집
대상 건물은 준공된지 15년 이상이 지난 건축물이지만 BAS가 구축되어 있다. 2011년에는 AMI를 추가로 구축하여 BAS 데이터 및 주요 에너지설비의 에너지소비량을 최소 1분 간격으로 저장할 수 있다.
Table 2는 BAS 및 AMI 데이터 항목을 정리한 것으로 외부환경정보, 설비시스템의 상태정보, 더블 스킨 및 아트리움의 상태정보, 각종 설비(조명, 전열, 설비시스템)의 에너지사용량 등 총 626개의 항목의 데이터를 저장한다. BAS데이터 중 실온도는 각 실별로 수집하며 AMI데이터 중 전열 및 조명의 사용량은 층별로 데이터를 수집한다. 이와 같이 수집된 조명사용량, 전열사용량, 실의 온도, 설비시스템의 운전상태 및 사용량은 시뮬레이션 결과와 비교 및 검증에 사용한다.
Table 2. AMI & BAS Data List Summary
건물모델링
Co-Simulation을 위한 통합모델링
건축설비 및 제어의 실제적인 모사의 필요성 증대로 주로 자동차 및 발전산업에서 활용하는 HILS 시뮬레이션 환경구축개념을 건물에너지 해석에 시도하고자 EnergyPlus 와 Modelica를 활용하여 통합모델링을 하였다. 본 연구에서 대상으로 하고 있는 건물과 설비를 각각 다른 모델링도구 및 IoT정보를 이용하여 구축하는 개념은 Figure 1과 같다.
Modelica는 EnergyPlus로 모델링된 각 실에서 계산된 실온도와 습도 정보를 이용하여 매 시간간격마다 VAV 박스를 통해 각 실로 공급되는 현열 및 잠열량을 계산하여 다시 EnergyPlus에 내부발열값(internal gain)의 형태로 전달하여 다시 각 실의 온도 및 상대습도 결과를 계산하도록 한다. 이러한 계산과정의 보정과 검증을 위해 각 실에서 측정된 실내 온습도 정보와 BAS에 저장된 실 설정온도 정보를 활용하게 된다.
두 모델링 도구는 FMU를 통해 상호 계산정보를 주고 받게되는데 본 연구에서는 EnergyPlus의 ‘External Interface:Unit Export’를 이용하여 EnergyPlus FMU 파일을 작성하였으며, 이 파일을 Modelica로 구축된 설비시스템 모델에서 불러와서 통합하였다. Figure 2는 ‘Schedule’, ‘Variable’ 2가지 객체를 통해 대상건물의 모든 실별 입출력 변수를 생성하여 총 653개(입력변수 130개, 출력변수 523개)의 변수를 Modelica와 주고 받을 수 있도록 설계한 교환 변수들의 구성체계를 요약하여 보여주고 있다.
대상건물의 조닝 및 외피 모델링
대상건물의 계단실과 코어를 간접공조존으로 구분하였고, 복도 및 개별실들은 실제 칸막이 구분에 따라 조닝하였다. 이러한 조닝법은 운영중 건물이라는 점과 각 실마다 VAV 박스가 설치되어 있어 실별 제어특성이 다르게 나타날 것을 고려하여 선택한 것이다. Figure 3은 대상건물 기준층에서 실별 담당하는 공조기가 표시된 평면으로 붉은색(AHU-1)과 노란색 (AHU-2)으로 각 존별 담당 공조기를 구분하여 표기하였다.
외벽은 베이스보드에 단열재와 석고보드로 마감이 되었으며 내벽은 경량 칸막이를 사용하여 고정벽체가 없는 구조이다. 대상건물은 주간에도 블라인드를 대부분 내려놓고 있는 것으로 조사되어 외부창은 24 mm 컬러 복층유리(SHGC 0.481)에 내부 블라인드를 모델에 반영하였다. Table 3은 부위별 외피 구성 및 열관류율을 나타낸 것이다.
Table 3. Summary of input values for building constructions
EnergyPlus의 주요 스케줄 모델링
사무용 건물의 냉·난방부하 및 에너지사용량에 영향을 주는 주요 요인 중 재실 인원, 기기, 조명의 이용이 있으며 운영중인 건물을 대상으로 이러한 요인을 정량화하여 입력하는 것은 어려운 일이다. 특히, 재실정보는 건물의 냉난방, 조명, 기기사용 등에 영향을 미치며 실제 사용량과의 오차를 가져오는 원인이 된다. 이에 실제 사용량과 시뮬레이션 결과의 오차를 줄이기 위해 대표실을 선정하여 정확한 재실스케줄을 분석하고 그에 따른 조명 및 기기사용의 변화특성을 조사한 선행연구(Seo and Ihm, 2018)의 결과를 기반데이터로 활용하였으며 추가적으로 실별 재실특성을 입력하기 위해 LBNL Occupancy Simulator를 활용하여 재실/조명/기기 스케줄을 생성하였다.
LBNL Occupancy Simulator는 Chen et al. (2017)의 연구에서 제안한 Markov-chain알고리즘과 사무실의 전형적인 시간별 스케줄을 사용하여 존별 재실상황을 시뮬레이션하는 도구이다. 사용자가 재실자수, 공간용도, 이벤트(Status transition, Random, Meeting)를 입력하면 이 입력값에 기반하여 각 존의 재실스케줄을 생성한다. 재실자의 비재실 상황은 세 가지 이벤트로 구분되는데, Status transition은 재실 시작시간과 끝 시간, 점심시간 등을 고려한 이벤트이며, Random이벤트는 실의 방문객을 고려한 이벤트를 의미하며 Meeting 이벤트는 회의참석으로 인해 자리를 비우는 시간을 고려하기 위한 이벤트이다.
대상 건물에서 사용하는 실의 용도는 회의실, 1인실, 5인실, 10인실, 실험실로 용도구분하였으며 존별 10분 단위 스케줄을 생성하여 모델에 적용하였다. Figure 4는 생성스케줄 중 2개의 서로 다른 1인실을 대상으로 생성된 재실스케줄의 평일 2일의 결과를 보여준다. 1인 실이긴 하지만 방문객을 고려하여 최대 4명까지 순간적으로 증가하는 경우, 재실자가 회의, 점심 등으로 실을 완전히 비우게 되는 경우 등이 주어진 조건 내에서 임의적으로 생성되어 매 시간별 다른 재실패턴을 나타냄을 확인할 수 있다.
사무용 건물의 기기사용은 재실인원수가 많아짐에 따라 사용량이 증가한다고 가정한다. 선행연구(Seo and Ihm, 2018)를 참고하면 재실인원이 증가함에 따라 1.17 W/㎡·person의 기기 사용량이 추가되는 점을 활용하여 사무용 기기들의 매시각별 이용율(Plug Schedule Fraction)을 식 (1)과 같이 도출하였다.
| $$PlugSchedule\;Fraction=BLF+\{1.17\times NoP\}/EPD$$ | (1) |
여기서, BLF (Base Load Fraction)은 대상 건물의 실제 사용량을 기준으로 결정된 값이며 NoP (Number of People)는 방문 인원을 제외한 재실인원으로 앞서 생성한 재실스케줄값을 이용해 계산된 인원수이다. EPD (Equipment Power Density, W/㎡)는 가동여부에 관계없이 설치된 기기의 단위면적당 밀도를 의미한다.
조명스케줄은 재실 인원이 아닌 재실여부와 관련이 있다고 가정하였다. 조명스케줄은 재실스케줄을 기준으로 존에 1명이라도 재실할 경우 조명기구를 100% 켠다고 가정하여 스케줄을 작성하였다. 1층 로비, 각 층별 복도는 7:00~19:00까지 모든 조명이 켜져 있다고 가정하였고 그 외의 시간에는 조명의 50%가 켜져 있는 것으로 가정하였다.
Modelica 설비시스템 모델링
대상건물의 설비시스템과 이 설비들의 제어로직은 Modelica로 모델링하였다. 냉동기, 냉각탑, 보일러, 엘리베이터, PV시스템 등 모든 설비시스템이 모델링에 포함되었으며, 특히 AHU와 EHP, VAV 박스를 정밀하게 모델링하였다. Figure 5는 각 존에 설치된 VAV 박스의 모델링 부분으로 하단의 VAV 박스의 풍량을 결정하는 부분과 상단의 VAV 토출공기의 현열량과 잠열량을 계산하는 부분으로 구성되어 있다. 이 계산결과는 Modelica에 통합된 EnergyPlus FMU 모듈의 해당 각 존으로 전달된다.
Figure 6은 Modelica에서 VAV 박스 공급공기의 상태를 계산하는 방식을 개념도로 설명하고 있으며, 식 (2)와 식 (3)은 1차 공급 풍량 (Q, m3/h), 공급공기온도 (ts)와 실온도(tr)의 차이에 기반하여 VAV박스에서 공급하는 공기의 상태를 현열과 잠열로 변환하는데 사용된 수식을 보여준다.
VAV박스 공급공기 현열량(qs, kW)은 식 (2)로 계산하며, γ는 공급공기의 비중량 1.2 kg/m3이며, Cp는 중량비열 값 0.24 kcal/kg·m2이다. 잠열량 (qL, kW)은 식 (3)에 따라 공급공기의 엔탈피(qT, kW)를 식 (2)로 계산된 현열값을 빼서 계산한다. 엔탈피는 Modelica의 VAV 박스모델 에서 공급공기의 상태에 기반하여 Modelica에서 자동계산한 값이다.
| $$q_s=Q\times\gamma\times C_p\times(t_r-t_s)$$ | (2) |
| $$q_L=q_T-q_S$$ | (3) |
기상데이터
통합모델에 사용되는 2019년 01월부터 2019년 8월까지의 기상데이터는 기상청에서 제공하는 대전지역의 시간별 기온, 습도, 해면 기압, 일사, 풍속, 풍향, 전운량 데이터를 다운로드 받아 epw 파일로 변환하여 사용하였다.
시뮬레이션 결과분석
앞서 모델링한 통합모델의 전열사용량, 조명사용량, 공조기 팬 사용량을 대상건물의 측정데이터와 비교하였다. 시뮬레이션을 통한 에너지사용량 예측결과와 실제사용량의 오차검증을 위해 ASHRAE Guideline 14의 MBE (Mean Bias Error)와 Cv (RMSE) (Coefficient of variation of the Root Mean Squared Error) 지표를 활용하였다. 지표의 신뢰도는 시간별 데이터 기준으로 MBE는 ±10%이내일 때, Cv (RMSE)는 30%이하 일 때 시뮬레이션이 실제 사용량의 예측수준이 높다고 판단한다.
전열 및 조명 결과분석
AMI데이터로 수집된 전열 및 조명사용량은 층별 사용량으로만 측정되기 때문에 시뮬레이션 결과는 각 실별 에너지사용량을 층별 사용량으로 계산한 값과 비교하였다.
Figure 7은 10분단위 전열사용량의 측정데이터와 시뮬레이션 결과를 비교한 것으로 요일별 사용량 차이를 전열추정모델이 반영하지 못한 것을 확인 할 수 있다. Table 4는 일주일간 매 시간별 사용량 기준으로 MBE , Cv (RMSE) 검증지표를 확인한 결과를 보여주고 있다. 층별 MBE는 –14.0 ∼ –1.5%, Cv (RMSE)는 11.4%∼22.5%로 시뮬레이션이 실제 사용량 예측에 있어 4층을 제외하고 신뢰기준을 만족한다.
Table 4. Plug load estimation result (7/29 ~8/04, hourly)
| Classification | 3rd Floor | 4th Floor | 5th Floor | Total (1F~5F) |
| MBE | -1.5% | -14.0% | -5.7% | -8.1% |
| Cv (RMSE) | 11.4% | 22.5% | 19.7% | 14.0% |
Figure 8은 조명사용량은 비교로 근무시간인 8:00~18:00시 사이의 사용량 추정결과는 AMI데이터와 유사하지만, 그 외의 부정기적으로 발생하는 야간 사용량으로 오차가 발생하였다. Table 5는 검증대상기간 전체를 포함하여 층별 조명사용량 추정성능을 보여주고 있다. 층별 MBE는 –2.0∼–1.3%로 성능기준을 만족하나, 층별 Cv (RMSE)는 5층을 제외하고 추정오차가 큰 것으로 나타났다. 이 결과가 야간 및 주말 조명사용량 등에 크게 영향을 받아 발생하는 것으로 판단되어 Table 6과 같이 근무시간인 8:00∼ 17:00 동안만의 추정성능을 재분석한 결과는 판정기준을 만족하는 것으로 나타났다.
Table 5. Lighting load estimation result with night time (7/29~8/04, hourly)
| Classification | 3rd Floor | 4th Floor | 5th Floor | Total |
| MBE | -1.7% | -1.3% | -2.0% | -1.7% |
| Cv (RMSE) | 35.3% | 53.5% | 27.9% | 30.2% |
Table 6. Lighting load estimation result w/o night time (7/29~8/04, 8:00~17:00, hourly)
| Classification | 3rd Floor | 4th Floor | 5th Floor | Total |
| MBE | 0.2% | 19.9% | 1.2% | 5.6% |
| Cv (RMSE) | 21.5% | 37.8% | 14.8% | 19.1% |
VAV팬 전력 사용량 추정성능 분석
VAV팬의 전력사용량은 해당 공조기가 담당하는 존의 모든 VAV박스가 각 실의 냉방부하에 따른 공급풍량 결정에 따라 변동이 심한 특성을 가진다. 본 연구에서는 제어설정의 단순화를 위해 정압은 제외하고 VAV 박스의 제어방식을 실과 공급공기의 온도차로 결정되도록 설정하였다.
일반적으로 시뮬레이션을 시작한 초기 1~2일 동안 열용량 계산결과가 안정화되지 않는 EnergyPlus의 특성을 감안하여 검증기간을 2주로 확대하였다. Figure 9는 2주간 팬의 전력사용량 측정데이터와 시뮬레이션 결과를 비교한 것으로 시뮬레이션 에러 및 오전/오후 운전조건이 확연히 다른 초기 3일을 제외한 기간의 팬 전력사용량이 실제 사용량에 근접한 결과를 확인할 수 있다. Table 7은 1시간 단위 팬 전력사용량의 MBE 및 Cv (RMSE)를 계산한 결과이다. 첫 번째 주의 시뮬레이션 결과가 모델의 신뢰성 기준을 만족시키지 못한 반면, 두 번째 주는 MBE –0.3%, Cv (RMSE) 15.9%로 팬의 소비특성 변화를 잘 추종하지는 못하지만 전반적인 소비량 추정은 만족함을 확인할 수 있다.
Table 7. Supply fan energy estimation validation result
| Classification | First week (7/ 29 ~ 8/04) verification | Second week (8/05 ~ 8/11) verification |
| MBE | 11.3% | -0.3% |
| Cv (RMSE) | 33.5% | 15.9% |
결과 및 토론
본 연구에서는 운영 중인 건물을 대상으로 기존 BAS와 AMI시스템을 통해 설비의 운전상태와 에너지소비량을 수집하고, 이를 건물에너지 모델링의 중요한 입력데이터 및 검증용 데이터로 활용하는 건물에너지 모델링 환경을 구축하였다. 구체적으로는 건물모델링 및 해석에 장점을 가지고 있는 EnergyPlus와 설비시스템 및 제어로직을 비교적 정확히 구현할 수 있는 Modelica를 EnergyPlus FMU로 통합하였으며 건물의 사용량에 영향을 미치는 재실스케줄을 LNBL Occupancy Simulator를 활용하여 생성하였다. 이 재실스케줄 및 측정된 조명 및 기기사용 특성을 기반으로 조명 및 기기 스케줄을 추가로 생성하여 모델에 반영하였다. 통합모델 시뮬레이션을 통해 전열, 조명, VAV팬에너지 사용량 추정성능을 비교한 결과는 아래와 같다.
(1) 층별 전열사용량의 MBE는 –14.0% ∼ –1.5%, Cv (RMSE)는 11.4%∼22.5%로 시뮬레이션이 실제 사용량보다 약간 과소예측을 하며, 4층을 제외하고 추정성능은 ASHRAE 기준을 만족하는 것으로 나타났다. 다만, LNBL Occupancy Simulator가 요일별 사용특성의 변화까지 고려하지 못하여 에러가 발생하는 부분은 재실추정기법의 한계로 판단된다.
(2) 층별 조명사용량은 MBE는 –2.0%∼–1.3%, Cv (RMSE)는 27.9%∼53.5%로 예측성능이 떨어지는 것으로 나타났으나, 야간 및 주말 조명사용량이 주요한 에러요인으로 판단하여 업무시간만 한정하여 추정한 결과 MBE는 0.2%∼19.9%, Cv (RMSE)는 14.8%∼37.8%로 사용 특성이 특이한 4층을 제외하고 추정결과의 신뢰성을 만족하는 결과로 나타났다.
(3) VAV팬의 전력사용량 추정성능은 두 번째 주의 경우 MBE –0.3%, Cv (RMSE) 15.9%로 추정성능 기준을 만족한다. 하지만 팬의 실제 소비특성의 매시각별 변화를 정확히 추종하지는 못하는 한계를 보여주고 있다.
BAS와 AMI시스템에서 수집된 설비의 운전상태, 실내환경 및 에너지소비량 정보를 활용하여 재실/조명/기기 스케줄을 실제 사용 특성을 모사하여 모델링하려고 노력하였다. 그 결과 전반적인 시뮬레이션을 통한 에너지소비량 추정성능은 만족하나, 비정기적으로 발생하는 연장근무, 외근, 운전방식 변경 등은 통합모델에 반영이 안되어 소비량 변화 추종성능은 떨어지는 것으로 나타났다. 시시각각 변화하는 이용 및 제어특성을 반영하기 위해선 보다 더 많은 IoT정보의 다양한 방식으로 활용이 필요하며, 이는 앞으로의 연구에 포함되어 진행되어야 할 것으로 사료된다. 본 연구의 결과가 추후 보다 광범위하고 정확한 건물에너지 모델링 기법을 구축하는데 기반이 될 것으로 기대한다.
