서 론

기후변화 대응을 위해 전 세계적 노력의 일환으로 온실가스 감축 목표가 강화되면서, 건물 부문의 에너지 효율 개선은 핵심적인 과제가 되었다. 특히 대한민국은 2030 국가 온실가스 감축목표(NDC) 달성을 위해, 2018년 대비 건물 부문에서 32.8%의 온실가스 배출량 감축이 요구된다(Presidential Commission on Carbon Neutrality and Green Growth, 2025). 그러나 최근의 통계 자료(Green Together, 2025)에 의하면, 신축 건물의 에너지 성능 기준 강화 및 기존 건축물의 에너지 성능 개선 정책에도 불구하고, 건물 부문의 에너지 사용량 감소는 미미하다(Table 1). 전국 기준으로 2022년 에너지 소비량은 2018년 대비 5.6% 증가했으며, 서울 지역은 0.7% 감소했다. 즉, 건물 부문의 에너지 효율 개선 노력이 아직까지 가시적인 결과를 나타내지 못하고 있기에, 보다 효율적인 에너지 관리 방안 마련이 시급함을 알 수 있다.

이처럼 건물 부문 에너지 사용 및 온실가스 배출의 관리가 시급함에 따라, 개별 건축물 단위를 넘어 도시 및 광역 단위에서 건물 에너지 사용 특성을 정확히 파악하고 효율적으로 관리하는 것은 지속가능한 도시 계획과 탄소중립 전략 수립을 위해 중요하다. 이러한 배경에서 도시 건물 에너지 모델링(UBEM, Urban Building Energy Modeling)을 활용한 광역 단위의 에너지 분석과 모니터링에 대한 관심이 증가하고 있다(Hong et al., 2020). 예를 들어, 서울시는 56만 여 동에 이르는 모든 건물의 에너지 소비량과 온실가스 배출량을 GIS 기반으로 통합 모니터링하는 시스템을 구축하였으며(Seoul Metropolitan Government, 2025), 건물별 그리고 지역별 집중적 모니터링의 필요성을 강조하고 있다.

전통적인 UBEM 접근법은 시뮬레이션 엔진(예: EnergyPlus)을 활용한 물리 기반 상향식(bottom-up) 모델링으로, 개별 건물의 형상, 외피 성능, 스케줄 등의 입력값을 종합하여 건물군의 에너지 수요를 시뮬레이션 및 예측한다(Abbasabadi and Ashayeri, 2019). 이러한 시뮬레이션 기반 UBEM은 다양한 시나리오에 대한 정밀 분석이 가능하다는 장점이 있지만, 도시 규모로 건물을 모델링 및 시뮬레이션 하는데에 방대한 입력 데이터 요구와 모델 구축 및 계산의 높은 비용이 요구되는 이슈가 존재한다(Kim, 2021). GIS를 통해 건물의 위치나 규모 등 외형 정보는 비교적 용이하게 확보할 수 있으나, 건물의 단열 및 기밀 성능, 설비 효율과 같은 세부 물리적 특성 정보는 도시 전체 규모로 수집하기 어렵다. 따라서 현재의 시뮬레이션 기반 UBEM 적용에서는 용도별로 대표 형태(archetype)을 정의하여 입력정보를 간소화하는 방법이 일반적으로 사용되고 있다(Ang et al., 2020). 다만, archetype으로 정의된 정보가 실제 정보와 일치하기에 어려움이 존재한다(Ali et al., 2021). 이를 해결하기 위해, UBEM 모델의 자동 보정 연구도 진행되고 있으나(Nagpal et al., 2019), 광역 단위의 건물 모델 보정을 위해 상당한 연산량이 요구된다.

시뮬레이션 기반 UBEM의 대안으로, 에너지 데이터와 통계 및 머신러닝 기법을 활용하는 데이터 기반 UBEM 접근이 주목받고 있다. 데이터 기반 모델은 상세한 물리 입력정보 없이도 건물의 계측 데이터를 바탕으로 건물 에너지 성능을 신속히 분석 및 예측할 수 있어, 대규모 건물군의 적용에도 효과적이다. 다만, 데이터 기반 UBEM은 데이터가 확보되어야 개발 가능한 기술적 특성으로 인해, 지원하는 툴의 수가 적으며, 데이터가 제공 및 공개된 건물에만 제한적으로 적용되고 있다. 더불어, 대다수의 연구에서는 시간 단위로 짧은 간격의 상세 계측된 데이터를 기반으로 구현되어(Piscitelli et al., 2024), AMI (Advanced Metering Infrastructure) 혹은 BEMS (Building Energy Management System)가 설치되지 않은 보통의 건물에는 데이터 기반 분석 기술의 적용이 어렵다. 즉, 광역적으로 적용 가능한 범용적 데이터 기반 UBEM 기술은 아직 부족한 실정이다.

본 연구에서는 IDH (Intrinsic Degree Hour)에 기반한 데이터 기반 UBEM 분석 방법론을 제안한다. 국내에서는 국토교통부 건축HUB를 통해 건축물별 월별 전기 및 가스 에너지 사용량 정보를 지번 단위로 확보할 수 있으며, 본 IDH는 해당 월별 에너지 사용량과 시간별 외기온도 데이터만으로 건물의 냉방 및 난방 에너지 사용 특성을 종합적으로 분석하는 것이 특징이다. IDH는 건물별 최적 난방 및 냉방 기준온도(base temperature)를 추정한 뒤, 외기온도와 시간적 온도편차를 시간에 대해 적산하여 산정되며, IDH와 월별 에너지 사용량 간의 선형적 관계를 설명하는 지표인 통합 냉난방 에너지 성능 계수 U''을 결정한다. U''은 외기온도에 대응한 냉방 및 난방 에너지 사용의 통합된 성능으로, 건물의 열적 응답성과 부하 특성을 동시에 표현한다. 본 연구에서 제안하는 IDH 기반 프레임워크의 타당성과 유용성은 전국 140개 공공건축물에 대한 그린리모델링(GR, Green Remodeling) 사업 데이터를 통해 검증하였으며, 이러한 분석 기법을 UBEM 플랫폼으로 구현하여 도시 단위 건물군의 에너지 성능평가와 모니터링의 방향을 제시한다.

데이터 기반 UBEM 방법: Intrinsic Degree Hour (IDH)

본 연구에서 제안하는 IDH 방법론은 건물별 고유 열적 에너지 사용 특성을 추정하기 위한 데이터 기반 분석 방법으로, 월별 에너지 사용량과 시간별 외기온도만을 활용한다. 기존의 도일법(DD, Degree Day)이나 도시(DH, Degree Hour) 방법이 고정된 기준온도(예: 18.3℃)를 사용하거나, 변화점 모델(CPM, Change Point Model)을 통해 난방과 냉방을 개별 회귀식으로 해석했던 것과 달리, IDH 방법은 난방과 냉방 영향을 하나의 회귀모델로 통합하여 설명한다. 건물의 고유한 난방 및 냉방 기준온도(base temperature)를 최적화 기법으로 추정하여 각 건물의 운전 특성과 열적 특성 차이를 반영한다.

IDH 방법의 기본 가정은 건물의 월간 에너지 사용량은 기준온도에서 벗어난 외기온도의 편차 크기와 지속시간(degree hours)을 누적한 지표(IDH)의 선형 결합으로 설명될 수 있다는 것이다. 다시 말해, 건물 운전 시간 동안 외기온도가 기준온도보다 높거나 낮은 온도 편차를 시간 단위로 적분(누적)한 값이 건물의 기후에 따른 에너지 사용량을 결정하며, 이 선형관계를 가장 잘 성립하는 최적의 기준온도를 결정하는 것이다. 이러한 통합 회귀 접근은 데이터 요구량이 낮고 단순 회귀모델로 구현되므로, 상세한 건물 물리정보나 용도별 계측 없이도 다수 건물의 계절적 부하 특성을 효율적으로 파악할 수 있으며, 대규모 도시 단위에도 적용이 가능하다.

도일법의 이론적 난방 및 냉방 에너지 요구량 E는 기준온도 Tb와 외기온도 To의 편차를 시간에 대해 적분한 값에 비례한다고 불 수 있으며, 연속시간 해석에서의 관계식은 식 (1)과 같다.

여기서, E는 에너지 요구량(kWh), U'은 건물 전체 열 손실 계수(kW/K), Tb는 기준온도(℃), To는 외기온도(℃), t는 시간(h)이다.

IDH 방법에서는 에너지 요구량을 설명하는 이론적 도일법 수식을 실제 에너지 사용 특성에 맞게 확장한다. 첫째, 건물별 최적 난방 기준온도와 냉방 기준온도를 각각 산정하고, 둘째로 실제 에너지 사용량을 설명하고자, 건물 운영 시간이 집중되는 주간(9시부터 18시)의 외기온도 편차만을 누적하여 유효 degree hour를 계산하며, 셋째는 기저부하 에너지를 절편으로 포함한 형태로 회귀식을 구성함으로써 실제 에너지 사용량을 설명하도록 한다. 이때 기저부하는 외기온도와 무관하게 연중 일정하게 소모되는 에너지로서, 기후 비민감성 부하(조명, 콘센트 등)의 에너지 소비량을 의미한다. 이를 고려한 IDH 회귀모델은 식 (2)와 같이 정의된다.

여기서, E'은 에너지 사용량(kWh), U''는 종합 에너지 성능 계수(kW/K, 추정값), Tb,opt는 고유 기준온도(℃, 추정값), Ebase는 기저부하 에너지(kWh, 추정값)이다.

특히 U''은 건물 외피 열관류율과 환기부하를 나타내는 기존의 열 손실 계수 U'과 유사한 차원을 지니지만, 단순 열전달 값이 아닌 건물의 실제 에너지 사용 성능을 타나내는 계수로 해석되는데, 건물의 물리적 단열성능뿐 아니라 설비시스템의 효율, 운전방식 등의 영향까지 포함되어 있다. 즉, U''은 건물이 기온 변동에 반응하여 에너지를 소비하는 종합적인 특성을 지닌다.

최종적으로, Tb,opt에 의한 냉방과 난방의 degree hour는 월별 합산되어, 월별 에너지 사용량과 월별 degree hour는 식 (3)과 같이 단순 선형 회귀로 표현될 수 있다.

여기서, Em'은 월별 에너지 사용량(kWh), HDHm은 월별 난방 DH의 합계(℃·h)로 ∑d=1Dm∑t=917(Tb,opt-To(t))+로 계산하며, CDHm은 월별 냉방 DH의 합계(℃·h)로 ∑d=1Dm∑t=917(To(t)-Tb,opt)+ 로 계산한다. 여기서 Dm은 해당 달의 일 수(28~31)이다. 본 연구에서는 Em'과 DH의 스케일 차이를 고려하여, 비교 및 해석의 편의성을 위해 선형 회귀로 정량화되어 결정된 U''의 값에 720(=24시간×30일)을 곱하였다.

전술한 바와 같이, IDH 회귀에서 건물별 난방 및 냉방 기준온도를 결정하여, 에너지 사용량과 기후 상관성을 극대화한다. 추정된 기준온도 Tb,opt는 난방 및 냉방 에너지 소비의 양적 수준을 결정하는 임계점 역할을 하게 되며, 건물의 단열, 내부발열, 운영조건에 따라 달라질 수 있다. 본 연구에서는 난방과 냉방의 기준온도 조합을 변화시키며, 월별 에너지 사용량 Em'과 월별 IDH (HDHm와 CDHm)간의 선형회귀 R²를 평가하고, R²가 최대가 되는 지점을 최적 기준온도로 선정하였다. 더불어, 선형회귀를 위한 데이터의 활용 기간은 냉방과 난방기간을 모두 포함하되, 난방기간이 불연속으로 분리되는 문제를 피하고자, 5월부터 이듬해 4월까지 1년 단위로 설정하였다. 본 연구의 IDH 선형회귀 및 R² 산정은 python 3.12.3과 scikit-learn 라이브러리를 활용하였다.

아울러, 월별 에너지 사용량 Em'과 월별 IDH의 선형회귀를 통해 결정되는 기울기 U''은 외기온도 편차 1 K·1 h 당 건물이 추가로 소비하는 평균 에너지 소비량을 나타낸다. 즉, U''이 클수록 기후 변화에 민하게 반응하여 에너지를 많이 소모하는 비효율적 건물이며, 작을수록 효율이 좋은 건물을 의미한다. 본 IDH 방법론은 난방 및 냉방을 통합하여 단일 지표로 표현하므로, 건물군 성능 비교 및 개선 전후 성능변화 분석에 유용하다. 또한, 회귀식의 절편 Ebase는 비계절성 기저부하를 나타내며, U''과 함께 건물의 상시부하 특성을 정량적으로 표현할 수 있다.

그린리모델링 사업 수행 건물 및 데이터

본 연구에서는 2020년부터 GR 사업이 수행된 공공건축물 가운데, 2021년에 GR 공사가 준공되고, 에너지 계량 값이 건물 단위에 매칭되어 개별 건물의 에너지 사용량에 대한 식별이 가능한 140동(어린이집 93동, 보건소 47동)을 대상으로 IDH 방법론을 적용하였다. 건물마다 에너지 계측 시점의 차이가 존재하기는 하나, 2018년 1월부터 2022년 12월까지에 대해 국가건물통합에너지 데이터베이스의 전기 및 가스 에너지 데이터를 활용하였다. 이를 통해, 건물마다 GR 사업 전 최소 2년, 그리고 사업 후 1년의 월별 에너지 사용 데이터를 정제하였다.

한편, 대상 건물들에 대해 그린리모델링 사업 보고서를 통해 ECO2-OD 시뮬레이션 출력 값을 확인하였으며, ECO2-OD의 연간 1차 에너지 소요량과 실제 연간 1차 에너지 사용량에 대해 정규화한 값을 비교한 결과는 Figure 1과 같다. ECO2-OD의 1차 에너지 소요량에는 기저부하 에너지가 포함되어 있지 않기 때문에, 대부분의 경우에서 실제 에너지 사용량이 시뮬레이션 결과 대비 높은 것을 확인할 수 있다(붉은색 점선 위). 실제 에너지 사용량과 시뮬레이션 결과가 선형적 관계를 보이지 않는 현상은 시뮬레이션 알고리즘의 한계나 입력변수의 불확실성 등 다양한 요인에서 기인할 수 있다. 따라서 실제 데이터가 확보된 상황에서는 데이터 기반 UBEM이 건물의 실제 운영 특성과 에너지 사용 패턴을 직접적으로 반영할 수 있으므로 보다 적합한 방법론이 될 수 있다.

Figure 1.

Comparison between ECO2-OD and Metered Normalized Primary Energy Use

그린리모델링 사업 건물의 IDH 적용 결과

본 연구에서 제안하는 IDH 방법론은 GR 사업이 수행된 140개 건물을 대상으로 적용하였으며, 2021년 준공을 기준으로 사업 시행 전과 후의 에너지 사용량 변화와 IDH의 냉난방 종합 에너지 성능 계수 U''의 변화를 확인하였다(Table 2 및 Figure 2). 먼저, GR 사업을 통해 연간 1차 에너지 소비량은 통계적으로 감소하였다. 평균값을 기준으로, 사업 시행 전인 2018년 5월부터 2019년 4월, 그리고 2019년 5월부터 2020년 4월의 연간 에너지 소비량 평균은 377.4 kWh/m²와 351.5 kWh/m²였으나, 사업 후인 2021년 5월부터 2022년 4월에는 327.6 kWh/m²로, 각각 13.2%와 6.8% 감소하였으며, 이는 GR 사업이 건물 에너지 사용 효율 향상에 긍정적인 영향을 미쳤음을 정량적으로 보여준다.

건물의 종합적인 냉난방 성능인 IDH의 U''(식 (3) 선형 회귀식의 기울기) 또한 개선되었다. 분석 결과, GR 사업 전의 U''은 평균 7.54 kW/K (중간 값 5.70 kW/K)였으나, 사업 후에는 평균 6.28 kW/K(중간 값 5.18 kW/K)로 평균 16.7%(중간 값 기준 9.1%)감소하였다. 기울기의 감소는 건물의 외피 성능 향상 또는 설비 효율 개선으로 인해 동일한 난방 및 냉방 부하를 충족하는데 필요한 에너지가 줄었음을 의미한다.

한편, 2018년 5월부터 2019년 4월의 연간 1차 에너지 사용량 평균은 377.4 kWh/m²인 반면 중간값은 327.1 kWh/2이며, 이러한 평균과 중간값의 차이는 다른 연도에서도 확인할 수 있는데 일부 에너지 소비가 높은 건물들이 평균의 상향을 견인하고 있음을 나타낸다. 이를 고려하면, U'' 개선율의 중간값 9.1%가 연간 1차 에너지 사용량 개선율의 중앙값 12.3%(GR 전 2018년 5월~2019년 4월과 GR 후 비교)와 6.8%(GR 전 2019년 5월~2019년 4월과 GR 후 비교) 사이에서 유의미한 통계적 수치를 지니는 것으로 판단된다. 종합적으로, 본 연구의 데이터 분석 결과, GR 사업이 개별 건물의 에너지 소비량을 효과적으로 절감하며, 건물의 종합적인 냉난방 성능을 개선하는데 기여했음을 알 수 있다.

Figure 2는 IDH로 도출한 degree hour를 독립변수로, 월별 에너지 사용량을 종속 변수로 설정하여 분위 회귀(Quantile regression) 분석을 수행한 결과다. 각 그림은 2018년 5월~2019년 4월(GR 전), 2019년 5월~2020년 4월(GR 전), 그리고 2021년 5월~2022년 4월(GR 후)의 데이터를 기반으로 중간 값, 50% 범위(25~75%), 90% 범위(5~95%) 신뢰구간을 시각화하였다. 먼저, 본 연구에서 제안하는 종합 에너지 성능 계수 U''은 IDH 기반의 선형 회귀 기울기에서 도출되므로 신뢰구간 50% 범위를 벗어나는 데이터 포인트가 U''에 미치는 영향에 대해서 추가적인 검증이 필요한 것으로 판단된다. 즉, 특정 건물의 에너지 사용에 대한 분석이 종합 에너지 성능 계수 U''과 IDH 기반의 degree hour만으로 충분히 설명되지 않을 수 있음을 뜻하며, 이에 대한 추가 분석을 통해 IDH 방법론의 신뢰성 향상이 필요한 것으로 판단된다. 아울러, 90% 신뢰구간을 벗어나는 데이터의 경우, 매우 극단적인 에너지 소비 패턴을 보이는 건물로 판단되며, 이러한 건물들은 IDH 분석 결과의 정확성을 저해할 수 있는 요인일 수 있으므로, 실제 현장에서 건물의 비효율적인 운영, 데이터 오류 등에 대해 확인이 필요하다. 향후 본 연구의 분석 결과를 근거로 현장 방문하여 본 연구 제안 IDH 방법론에 대해 추가적인 검증을 진행할 예정이다.

Figure 2.

Quantile regression between monthly degree hours and monthly primary energy use

IDH 적용 데이터 기반 UBEM 플랫폼 구현

본 연구에서는 GR 데이터를 기반으로 IDH 분석의 타당성을 검토함과 동시에, 이 분석 기술을 활용한 UBEM 플랫폼을 개발하였다. Figure 3은 UBEM 플랫폼의 동작 개념도로, 건축물 대장 및 월별 에너지 사용량을 수집하고, 이를 바탕으로 IDH 분석을 수행하여 건물별 통합 냉난방 에너지 성능 계수 U''을 산정한 뒤, 산출된 IDH 분석 결과와 원천 데이터를 통합하여 플랫폼 데이터베이스에 저장한다. 이후, 사용자가 플랫폼에 접속하여 특정 건축물의 에너지 성능이나 냉난방 특성에 대해 자연어로 질의를 하면, 플랫폼은 RAG (Retrieval-Augmented Generation) 아키텍처를 기반으로 데이터베이스에서 IDH 관련 정보를 검색 및 통합하여, 대규모 언어모델(LLM, Large Language Model)을 통해 최종적으로 자연어 응답으로 제공한다.

Figure 3.

Conceptual Diagram of Data-driven UBEM platform utilizing IDH

Figure 4는 플랫폼 인터페이스로, 현재 고양시 26,333동의 건축물에 대한 건축물 대장, 에너지 사용 데이터, 그리고 IDH 분석 결과는 사용자의 질의에 대한 자연어 답변 생성의 소스로 활용된다. 예를 들어, 사용자가 특정 지역을 대상으로 에너지 효율이 낮은 건축물에 대해 질문한다면, 본 플랫폼의 RAG 기술을 통해 플랫폼 데이터베이스에서 통합 냉난방 에너지 성능 계수 U''가 가장 좋지 못한 건물을 찾고, 해당 건물의 정보를 사용자에게 제공한다(Figure 4(a)). 아울러, 단일 건물 뿐만 아니라 UBEM 목적 및 특성을 고려한 복수 건물의 조회 및 비교 결과 제시도 가능하다(Figure 4(b)).

이러한 구현은 본 논문의 IDH 방법론이 실제 도시 단위의 데이터 기반 UBEM 플랫폼에 적용 및 활용될 수 있음을 보인다. 즉, 본 데이터 기반 UBEM 플랫폼은 기존 시뮬레이션 기반 UBEM과 달리, 사용자가 직접 입력하거나, 시뮬레이션하지 않고도, IDH 분석 결과를 기반으로 광역적 건물 에너지 분석 결과를 즉각 제공한다. 즉, 데이터 기반의 UBEM 플랫폼은 IDH 분석 결과를 활용하여 도시 건물 에너지 데이터에 대한 접근성을 높이는 동시에, 건물 에너지 성능 분석 결과를 쉽게 조회하고 이해할 수 있게 하여, 정책 수립, 리모델링 계획, 에너지 절감 전략 수립 등 다양한 의사결정에서 유용한 지원 도구로 기능할 수 있을 것으로 기대한다.

Figure 4.

Data-driven UBEM platform interface based on IDH method

결 론

본 연구는 월별 에너지 사용량과 외기온도 데이터만을 활용하여 건물의 열적 특성을 진단할 수 있는 IDH의 데이터 기반 UBEM 방법론을 제안하였다. 본 IDH 방법론은 건물별 최적 기준온도를 R² 최대화 절차를 통해 산출하고, 이를 통해 건물 종합 에너지 성능계수 U''를 정량화한다. 이는 실제 건물 에너지 사용량에 대해 기존의 고정된 기준온도 기반 분석이 갖는 한계를 극복하고, 제한된 데이터 환경에서도 개별 건물의 고유 에너지 소비 특성을 분석할 수 있게 한다.

본 연구에서는 그린리모델링 사업 데이터를 활용하여 IDH 방법론의 타당성을 검증하고, IDH 방법론을 UBEM 플랫폼에 적용하였다. 플랫폼은 IDH 분석 결과를 데이터베이스화하고, RAG 아키텍처를 기반으로 자연어 인터페이싱 기능을 제공한다. 본 IDH 활용 데이터 기반 UBEM은 대규모 건물군의 에너지 성능을 신속히 파악할 수 있고, 건물 에너지 관련 정보에 대한 활용성과 접근성이 향상될 것으로 기대한다.

한편, 본 연구의 IDH 방법론은 새로운 개념에 대한 초기 실증 단계로, 다음 사항의 한계 극복 및 검증을 위한 후속 연구가 필요하다.

•적용대상: 본 IDH 방법론은 주간 운영이 집중되는 공공건축물(어린이집, 보건소)을 대상으로 하였기에, degree hour 계산을 위한 외기온도 편차를 주간(9~18시) 시간대에 한정하여 누적하였다. 단, 주거 및 숙박시설의 상시 운영, 그리고 난방의 야간 피크부하 발생 등 다양한 건축물 용도와 운영 형태를 고려하여, 방법론의 확장과 추가 검증이 필요하다.

•시간해상도: 냉방시 축열 효과로 인해 야간의 외기온도가 주간의 냉방부하에 영향을 미치나, 본 연구는 월 단위 에너지 사용량을 활용하는 거시적 관점의 접근으로 세부적인 영향이 반영되지 않았다. 향후 BEMS 및 AMI 등 상세 계측 데이터를 활용하여 시간 단위(micro) 물리적 거동과 월 단위(macro) IDH 지표 간의 상관성을 비교 분석하는 연구가 필요하다.