서 론

건물 에너지 해석의 신뢰성을 확보하기 위해서는 건물이 지어지는 지역의 기후를 대표할 수 있는 적합한 기상데이터를 적용하는 것이 매우 중요하다. 에너지 시뮬레이션에 널리 활용되고 있는 표준 기상년(Typical meteorological year: TMY) 데이터는 해당 지역의 전형적인 기후 조건 하에서 여러 설계 대안 간의 에너지 성능을 비교하는데 사용될 수 있으나, 특정 년도의 기상 조건 하에서 건물의 에너지 성능을 분석하는 용도로는 활용하기 어려운 측면이 있다. Moradi et al.은 2010~2019년에 수집된 실제 기상데이터를 에너지 시뮬레이션에 반영하였을 때, 표준 기상데이터를 적용한 경우에 비해 냉난방 부하의 차이가 어느 정도 발생하는지 분석하여, 표준 기상데이터에 기반하여 설계된 건물이 의도된 에너지 성능을 발휘하지 못할 수 있음을 지적하였다(Moradi et al., 2023). Jan Kočí et al.은 최근 5년간의 기상데이터를 적용할 경우, 표준 기상데이터에 의한 결과에 비해 난방부하는 3.95% 낮게 산출되고, 냉방부하는 3.96% 높게 산출된다고 보고하였다(Kočí et al., 2019). 최근 기후 변동성이 커짐에 따라, 실제 기상데이터를 에너지 시뮬레이션에 적용하는 경우도 증가하고 있을 뿐 아니라, 기후변화 시나리오에 따라 가상의 미래 기상데이터를 도출하여 장래의 건물 냉난방부하 특성을 예측하는 연구도 다양하게 수행되고 있다(Kim and Park, 2016; Hosseini et al., 2021).

한편 기존 건물의 시뮬레이션 결과를 실제 계측된 에너지 사용량과 비교하여 시뮬레이션 모델을 검증하는 과정을 보면, 시뮬레이션 결과는 TMY 데이터에 기반하여 산출된 것인 반면, 에너지 사용량은 특정 년도의 계측 데이터로 평가되는 것이 일반적이다. 이때 특정 년도의 기상 조건이 TMY 데이터와 큰 차이를 보일 경우, 해석 결과의 오차가 증가하여 시뮬레이션 모델의 검증이 어려워질 우려가 있다. 이는 기존 건물의 리모델링 효과를 분석할 때에도 문제를 야기할 수 있으므로, 건물 에너지 해석 시 실제 기상데이터(Actual weather data: 이하 AWD)의 적용을 검토할 필요성이 있다. 기존 연구에서는 에너지 시뮬레이션에 TMY와 AWD를 적용하였을 경우의 냉난방 부하 차이를 주로 비교하였으나, 특정 년도의 AWD를 적용했을 경우 시뮬레이션 결과가 그 해의 에너지 소비량과 어느 정도 차이를 보이는지에 대해서는 분석이 미흡한 것으로 판단된다.

이에 본 연구에서는 DesignBuilder에서 제공되는 년도별 AWD (DesignBuilder Software Ltd., 2025)를 활용하여, 서울 및 부산지역의 공동주택에 대한 난방에너지 시뮬레이션을 수행하였다. 두 지역의 2014년~2019년 AWD를 전용면적 85 ㎡의 전형적인 공동주택의 시뮬레이션 모델에 적용하여 난방에너지를 분석하였으며, 시뮬레이션 결과는 해당기간의 K-APT 사용량 데이터로부터 산출한 난방에너지 사용량(Seo et al., 2023)과 비교하였다. 또한 AWD적용 모델과 TMY 적용 모델의 시뮬레이션 결과를 비교 분석하여, 시뮬레이션 모델 검증 시 AWD의 적용 필요성을 확인하고자 하였다.

난방에너지 해석 방법

시뮬레이션 모델

AWD의 적용 효과를 검토하기 위해서는 해당 기간의 에너지 사용량 데이터를 확보할 수 있는 건물을 선정해야 하므로, 본 연구에서는 기존 연구(Seo et al., 2023)에서 난방 에너지가 분석된 기존 공동주택을 대상으로 시뮬레이션을 수행하였다. 1990년대에 건축된 공동주택 403단지(서울 345단지, 부산 58단지)를 분석 대상으로 하였으며, 단지 내 모든 세대를 모델링하는 것은 현실적으로 불가하므로, 전형적인 공동주택 유형인 전용면적 85 ㎡의 단위세대를 Figure 1과 같이 DesignBuilder로 모델링하여 분석하였다. 중간층 중간 세대를 가정하여, 전면과 후면 외피는 외기에 접하는 것으로, 측면 벽체 및 천장과 바닥은 인접 세대에 접한 것으로 설정하였다. 분석 대상 건물의 외피 및 난방 시스템 정보는 Table 1에 요약하였다. 실제 에너지 사용량은 Table 2와 같이 기존 연구(Seo et al., 2023)에서 K-APT의 사용량 정보로부터 도출한 2014년~2019년의 난방 에너지 사용량을 활용하였다.

Figure 1.

Simulation model of investigated apartment building

실제 기상데이터 및 표준 기상데이터

Figure 2는 DesignBuilder사의 Climate Analystics 데이터베이스에서 제공되는 서울과 부산 지역의 AWD(2014년~2019년)와 TMY 데이터의 외기온 분포를 Violin plot으로 나타낸 것이다. TMY와 유사한 분포를 나타내는 기상데이터도 있으나, 대부분의 경우 년도별로 외기온 분포의 차이를 보일 뿐 아니라 TMY와의 차이도 상당 부분 존재함을 알 수 있다.

Figure 2.

Outdoor temperature distribution of AWD and TMY weather data

Table 3은 기상 데이터별 연평균 외기온, 난방기 평균 외기온과 난방도일을 나타낸 것으로, TMY와의 차이를 살펴보면 서울의 경우 연평균 외기온은 –1.3~–0.4℃, 난방기 평균 외기온은 –1.4~+0.2℃, 난방도일은 28~331도일의 차이를 보인다. 부산의 경우 연평균 외기온은 –0.4~+0.2℃, 난방기 평균 외기온은 –0.9~+0.5℃, 난방도일은 –96~137도일의 차이를 보여, 특정 년도 대상의 에너지 시뮬레이션에 TMY를 적용하였을 경우 해석 결과의 정확도가 저하될 우려가 있을 것으로 예상된다.

난방에너지 해석 결과

기상데이터별 난방 열출력

기상데이터가 난방 에너지에 미치는 영향을 분석하기 위해, 먼저 외기온에 따른 보일러의 열출력(Boiler heating rate)을 검토하였다. Figure 3은 검토 결과의 예시로서, Figure 3(a)는 서울의 2014년 AWD와 TMY 적용 시 외기온–열출력 관계를, Figure 3(b)는 부산의 2015년 AWD와 TMY 적용 시 외기온–열출력 관계를 나타낸 것이다. 두 지역 모두 외기온이 낮아짐에 따라 열출력이 증가하는 일반적인 경향을 보이며, 난방부하가 상대적으로 큰 서울 지역의 추세선 기울기가 더 가파른 것을 볼 수 있다. 또한 AWD와 TMY 적용 시의 외기온–열출력의 관계가 서로 다른 추세선으로 나타나는데, 이는 기상데이터의 종류가 외기온에 따른 난방 에너지 소비량에 차이를 유발한다는 것을 시사한다.

Figure 3.

Boiler heating rate with outdoor temperature depending on weather data

Figure 4는 난방 기간 전체에 걸친 보일러의 열출력을 오름차순으로 정리하여 곡선으로 나타낸 것이다. 이 곡선이 위에 있을수록 난방 에너지 소비량이 많다는 뜻이며, 또한 해당 년도가 상대적으로 추운 해였음을 의미한다. 서울의 경우 AWD에 의한 열출력 곡선이 TMY에 의한 열출력 곡선보다 대부분 위에 존재하여, TMY에 비해 난방에너지 소비량이 더 높게 산출되었음을 의미한다. 부산의 경우에는 열출력 곡선의 분포로 볼 때 AWD를 적용할 때 TMY에 비해 대부분 난방에너지가 더 높게 산출되었으나, 일부 년도에 있어서는 더 낮게 산출된 것으로 판단된다.

Figure 4.

Distribution of boiler heating rate depending on weather data

시뮬레이션 결과와 실사용 데이터의 비교

Figure 5는 기상데이터에 따른 연간 난방에너지 사용량 분석 결과를 EUI (Energy use intensity)로 나타낸 것이다. K-APT에서 추출된 에너지 사용량(EUI_Measured)은 각 해의 난방도일에 비례하여 변동하는데 반해, TMY는 특정 년도의 기상 조건을 반영할 수 없으므로 년도에 상관없이 일정한 값(EUI_TMY)을 나타나는 것을 볼 수 있다. 반면 AWD를 적용한 경우(EUI_AWD), 각 해의 난방도일에 따라 EUI가 변동하는 경향을 보이며, 실제 측정된 에너지 사용량(EUI_Measured)과의 차이가 줄어드는 것을 볼 수 있다.

Figure 5.

Comparison of heating energy consumption by weather data

TMY 적용 시 실제 사용량 데이터와의 오차는 Table 4에 나타난 바와 같이 서울의 경우 –15.3%~–1.0%까지 나타나며, 부산의 경우 –14.6%~+1.7%까지 나타나 TMY 데이터가 특정 년도의 기상 조건을 충분히 반영하지 못하는 것으로 판단된다. AWD를 적용한 시뮬레이션 결과의 오차는 서울의 경우 –1.7%~+8.9%, 부산의 경우 –3.7%~+2.9%로 나타나, TMY 적용 시뮬레이션에 비해 더 적은 오차를 보이며, 오차의 크기도 ±10% 이내로 실제 사용량에 더 유사한 결과를 도출하는 것으로 사료된다.

TMY 적용 모델의 보정

AWD를 이용한 시뮬레이션이 특정 년도의 실제 에너지 사용량에 근접한 결과를 도출할 수 있음을 확인하였다. 그러나 표준으로 정립되어 대중에게 공개된 TMY 데이터(KIAEBS, 2024)에 비해, AWD는 아직까지 널리 통용되지 않아 데이터를 쉽게 확보할 수 없는 상황으로 사료된다. 이에 TMY 데이터로 해석한 결과를 보정하여 AWD를 적용한 효과를 거둘 수 있는 방법을 검토하였다.

이를 위해 2014~2019년의 시뮬레이션에 이용된 AWD의 기상 인자들(climatic factors)과 난방 에너지와의 상관관계를 분석하여, 난방 에너지에 지배적인 영향을 미치는 인자를 선별하였다. Figure 6의 Correlation plot을 보면 난방 에너지와 강한 상관관계를 보이는 기후 인자는 두 지역 모두 동절기 평균 외기온(상관계수 서울 –0.94, 부산 –0.89), 난방도일(상관계수 서울 0.92, 부산 0.89)임을 알 수 있다. 이는 실내외 온도차에 의한 관류 열부하의 비중이 큰 외피부하 지배형 건물의 특성에 기인하는 것으로 판단된다.

Figure 6.

Correlation between heating energy consumption and climatic factors

이에 평균 외기온 편차와 난방도일을 이용하여 TMY 데이터로 산출된 난방 에너지 사용량을 보정하는 방안을 검토하였다. 난방에너지는 동절기 평균 외기온에 반비례한다고 생각할 수 있으나, 평균 외기온이 0이거나 음수일 경우 난방 에너지 계산이 불가할 수 있으므로, 식 (1)과 같이 평균 외기온과 소정의 기준 온도(균형점 온도, 18℃)와의 편차를 인자로 활용하였다. 또한 난방도일은 연간 난방 에너지를 추정할 수 있는 직관적인 지표(Kim and Lee, 2018)이므로 식 (2)와 같이 TMY 데이터의 난방도일과 특정 년도 난방도일의 비율을 활용하였다.

여기서,

EUITMY, modified 1 : 평균 외기온 편차를 이용한 EUI 보정치 [kWh/㎡]

EUITMY, modified 2 : 난방도일을 이용한 EUI 보정치 [kWh/㎡]

EUITMY : TMY로 산출된 EUI [kWh/㎡]

TBP : 균형점 온도 (18℃)[℃]

Tout : 특정 년도의 동절기 평균 외기온 [℃]

Tout,TMY : TMY의 동절기 평균 외기온 [℃]

HDD : 특정 년도의 난방도일 [℃·day]

HDDTMY : TMY의 난방도일 [℃·day]

Figure 7.

Comparison of AWD and modified-TMY model

Figure 7은 위 두 가지 보정 방법으로 산출된 난방 에너지를 AWD 적용 시의 난방 에너지와 비교한 결과이다. 평균 외기온 편차를 활용한 보정 방법은 서울의 경우 4.2%~8.2%, 부산의 경우 0%~8.8%의 오차를 나타내었다. 난방도일을 활용한 보정 방법은 서울의 경우 2.0%~7.1%,부산의 경우 0.1%~7.6%의 오차를 나타내었다. 두 가지 지표 모두 ±10% 이내의 오차를 나타내며, 특정 년도의 외기온 및 난방도일은 기상청 공개 데이터로부터 쉽게 확보할 수 있으므로 TMY 모델을 보정하는데 유효하게 활용할 수 있을 것으로 사료된다. 난방도일을 활용한 보정 방법이 좀 더 정확한 결과를 산출할 것으로 예상되나, 정확도를 보다 향상시킬 수 있는 균형점 온도나 난방도일 산출 구간에 대한 추가적인 연구가 필요한 것으로 판단된다. 다만 본 연구는 2014~2019년 기간에 한정된 AWD 및 실사용 데이터를 활용하여 수행된 한계가 있으므로, 좀 더 장기간의 최근 데이터를 활용하여 AWD의 적용 타당성과 TMY 모델 보정 방법에 대해 추가적인 연구가 수행될 필요가 있다.

결 론

본 연구에서는 표준 기상데이터(TMY)를 적용한 시뮬레이션 모델이 특정 년도의 에너지 사용량을 분석하는데 한계가 있음을 감안하여, 실제 기상데이터(AWD)를 적용한 시뮬레이션 모델이 실제 사용량 데이터에 얼마나 근접한 결과를 산출하는지 분석하였다. 또한 TMY 데이터를 보정하여 AWD를 적용한 모델과 유사한 결과를 얻을 수 있는 방법을 제안하고 그 효과를 분석하였다. 본 연구의 주요 결과를 요약하면 다음과 같다.

(1)TMY 적용 시 실제 사용량 데이터와의 오차는 서울의 경우 최대 –15.3%, 부산의 경우 최대 –14.6%까지 나타나, TMY 데이터가 특정 년도의 기상 조건을 충분히 반영하지 못하는 것으로 분석되었다.

(2)AWD를 적용한 시뮬레이션 결과의 오차는 서울의 경우 –1.7%~+8.9%, 부산의 경우 –3.7%~+2.9%로 나타나 실제 사용량에 더 근접한 결과를 얻을 수 있었다.

(3)동절기 평균외기온과 난방도일을 활용하여 TMY 모델을 보정하는 방안을 제시하였으며, 보정 결과 AWD 모델 대비 서울은 최대 8.2%, 부산은 최대 8.8%의 오차를 나타내어 두 가지 지표를 TMY 모델을 보정하는데 유효하게 활용할 수 있을 것으로 사료된다.

향후 다양한 지역을 대상으로 장기간에 걸친 AWD의 적용 효과를 검토할 필요가 있으며, 기후 인자와 에너지 사용량의 상관관계에 대한 보다 면밀한 분석을 통해 TMY 모델의 보정 방법을 보완할 필요가 있다.