Experimental Study on the Indoor CO2 Concentration Prediction

Hyo-Jun Kim; Han-Gyeol Lee; Jae-Seong Oh; Young-Hum Cho

doi:10.22696/jkiaebs.20210051

Preview

Research Article

Journal of Korean Institute of Architectural Sustainable Environment and Building Systems. 30 December 2021. 613-623
https://doi.org/10.22696/jkiaebs.20210051

Experimental Study on the Indoor CO₂ Concentration Prediction

실내 이산화탄소 농도 예측을 위한 실험적 연구

Hyo-Jun Kim¹

Han-Gyeol Lee²

Jae-Seong Oh³

Young-Hum Cho⁴^*

김 효준¹

이 한결²

오 재성³

조 영흠⁴^*

¹Postdoctoral Researcher, School of Architecture, Yeungnam University, Gyeonsan, Korea

²Master’s Course, Department of Architecture, Graduate school of Yeungnam University, Gyeonsan, Korea

³Undergraduate Course, School of Architecture, Yeungnam University, Gyeonsan, Korea

⁴Associate Professor, School of Architecture, Yeungnam University, Gyeonsan, Korea

¹영남대학교 건축학부 박사후연구원

²영남대학교 일반대학원 건축학과 석사과정

³영남대학교 건축학부 학사과정

⁴영남대학교 건축학부 부교수

^{*Corresponding Author}

ABSTRACT

The purpose of this study is to develop a theoretical-based indoor carbon dioxide (CO₂) concentration prediction model. In addition, a prototype for predictive model validation was developed and laboratory-based performance evaluation was performed. A CO₂ concentration prediction model was developed considering the outdoor air damper opening rate of the air handling unit. A prototype using Arduino and CO₂ generator was produced for performance evaluation. And CO₂ generator was constructed to simulate CO₂ production according to the breathing of occupants. Three scenarios were constructed for the input method of the supply carbon dioxide concentration data, and 27 CASEs were constructed for the change of the input value. As a result of the performance evaluation, the MBE of Scenario 1 was -2.57, 2.02, and -3.84%, respectively, and the CvRMSE was 1.43, 4.08, and 1.02%, respectively. Scenario 2 showed MBE of -9.0, 1.96, and -5.96%, respectively, and CvRMSE of 4.94, 4.99, and 4.69%, respectively. Scenario 3 showed MBE of 3.11, 8.21, and 5.33%, respectively, and CvRMSE of 6.61, 11.38, and 9.07%, respectively. It can be seen that overall good prediction results are shown in all scenarios and CASEs.

Keywords

Indoor CO₂ concentration

Prediction model

Experimental study

Prototype

키워드

실내 이산화탄소 농도

예측

실험적 연구

프로토타입

MAIN

서 론
실내 이산화탄소 예측모델 개발
수학적 모델링
프로토타입 제작
실험장치 및 방법
대상 공간
실험 장치 구성
실험 CASE 선정
예측모델 검증
이산화탄소 농도 예측모델 현장 실험 결과 및 토론
결 론

서 론

건물 냉·난방에너지 사용을 절약하기 위해 단열성능이 높은 창문의 사용을 권장하고, 건물 자체의 기밀성능을 높이고 있다. 하지만 높은 기밀성능의 건물은 실내에서 발생하는 이산화탄소 농도를 실외로의 원활한 배출에 문제가 발생한다(Wang et al., 2017). 실내에서 발생되는 이산화탄소는 일반적으로 재실자의 호흡에 의해 발생하며, 이에 따른 실내 이산화탄소 농도는 관리와 제어가 필요하다. 실내 이산화탄소 농도는 실내공기질 관리법상 오염물질의 평가지표로 규정하고 있으며, 국내에서는 실내 이산화탄소 농도를 1,000 ppm 이하로 유지하기를 권고하고 있다. 실내 공기질에 대한 관심이 높아짐에 따라 이산화탄소를 포함한 실내 공기질 평가 기준들에 대한 다양한 기술과 연구들이 발표되고 있으며, 이산화탄소 농도에 따른 재실자 영향 분석(Satish et al., 2012), 이산화탄소 농도 제어 방안(Kim and Cho, 2017), 이산화탄소 농도 예측(Lu et al., 2010; Shin et al., 2016; Kim et al., 2020) 등의 다양한 연구들이 수행되었다. Shin et al. (2016)와 Kim et al. (2020)의 연구에서는 데이터 기반의 이산화탄소 농도 예측모델이 개발되었으며, 높은 정확도를 확인하였다. 하지만 데이터 기반의 예측모델의 경우 상관관계를 나타낼 수 있는 데이터들이 장기간 저장되어야 개발할 수 있는 단점이 있어, 현장 적용성을 위해서는 수학적 모델을 통하여 예측하는 방안이 필요하다.

본 연구에서는 실내 이산화탄소 농도가 모니터링 되지 않는 공간의 실내 이산화탄소 농도 예측방안을 확보하고자 , 수학적 모델 기반의 실내 이산화탄소 농도 예측모델을 개발하였다. 개발한 예측모델은 재실인원, 공급 풍량, 공조 시스템의 외기 댐퍼 개도율을 변수로 가지며, 실험실 기반의 성능 평가를 진행하기 위해 재실인원의 호흡에 따른 이산화탄소 발생량을 모사하는 이산화탄소 발생장치를 구축하였다. 검증을 위해 아두이노 기반의 프로토타입을 제작하였으며, 공급 이산화탄소 농도 데이터의 입력 방법에 따라 3가지의 시나리오를 구분지어 예측모델의 정확도를 평가하였다.

실내 이산화탄소 예측모델 개발

수학적 모델링

식 (1)은 실내 이산화탄소 농도를 예측하는 이론식으로서, 대상 공간의 체적, 실내 이산화탄소 발생량, 초기 이산화탄소 농도, 공급 이산화탄소 농도, 공급 풍량을 변수로 이산화탄소 농도를 산정한다(Costanzo, 2011).

(1)

C_{i} (t) = C_{s} (t) + \frac{G (t)}{Q_{s} (t)} + (C_{i} (t - 1) - C_{s} (t) - \frac{G (t)}{Q_{s} (t)}) e^{- I t}

where, $C_{i} (t)$ : Indoor carbon dioxide concentration at time t, ppm

$V$ : Indoor volume, m³

$Q_{s} (t)$ : Supply air flow rate at time t, m³/hr

$C_{s} (t)$ : Supply air carbon dioxide concentration at time t, ppm

$G (t)$ : The amount of carbon dioxide generated in space at t, m³/hr

$C_{i} (t - 1)$ : Indoor carbon dioxide concentration at time t-1, ppm

$I$ : Indoor ventilation rate ( = $Q_{s} / V$ )

공기조화기에서 공급 이산화탄소 농도는 외기와 환기량의 비에 따라 질량보존의 법칙으로 정리할 수 있으며, 풍량 식 (2), (3), (4), (5)과 같이 외기 댐퍼 개도율에 대해 공급 풍량을 산정할 수 있다.

(2)

Q_{s} C_{s} = Q_{o} C_{o} + Q_{r} C_{r}

(3)

C_{s} = α_{o} C_{o} + α_{r} C_{r}

(4)

α_{r} = 1 - α_{o}

(5)

C_{s} = α_{o} C_{o} + (1 - α_{o}) C_{r}

where, $Q_{o}$ : Outdoor air flow rate, m³/hr

$Q_{r}$ : Return air flow rate, m³/hr

$C_{o}$ : Outdoor air carbon dioxide concentration, ppm

$C_{r}$ : Return air carbon dioxide concentration, ppm

$α_{o}$ : Outdoor air damper opening ratio

$α_{r}$ : Return air damper opening ratio

식 (1)과 식 (5)을 결합하여 공급 이산화탄소 농도를 외기 댐퍼 개도율을 이용하여 산정할 수 있으며, 식 (6)과 같다.

(6)

C_{i} (t) = (α_{o} (t) C_{o} (t) + (1 - α_{o} (t)) C_{i} (t - 1)) + \frac{G (t)}{Q_{s} (t)} + ((α_{o} (t) (C_{i} (t - 1) - C_{s} (t)) - \frac{G (t)}{Q_{s} (t)}) e^{- I t}

프로토타입 제작

실내 이산화탄소 농도 예측모델의 성능 검증을 위하여 프로토타입을 개발하였다. 프로토타입은 Aduino Uno를 활용하여 식 (6)을 실시간으로 산정할 수 있도록 제어부를 구성하였다. 식 (6)을 산정하기 위해 입력값으로 공급 풍량, 외기 댐퍼 개도율, 외기 이산화탄소 농도, 재실인원을 사용하고, 고정 값으로 실내 체적을 이용하여 실내 이산화탄소 농도를 예측한다. 풍속 센서를 제어부에 연결하여 구성하였으며, Figure 1은 프로토타입의 입출력 프로세스 및 개념도를 나타내며, Table 1은 프로토타입에 사용된 센서 및 제어부의 사양을 나타낸다.

https://static.apub.kr/journalsite/sites/kiaebs/2021-015-06/N0280150603/images/Figure_KIAEBS_15_6_03_F1.jpg

Figure 1.

Conceptual diagram of indoor CO₂ prediction prototype

Table 1.

Components of prototype

Section	Model	Specification
Control		Micro Controller	ATmega328
		Frequency	16 MHz
		EEPROM	1 KB
		SRAM	2 KB
		Memory	32 KB
		Operating Voltage	5 V
Input		Power Supply	24 V AC/DC±20%
		Air Velocity Range	0~20 m/s
		Working Humidity Range	5~95% RH
		Output	4-20 mA
		Temperature Range	Working Temperature Porbe	-25°C~50°C
			Working Temperature Electronic	-10°C~50°C
			Storage Temperature	-30°C~60°C

실험장치 및 방법

대상 공간

본 연구에서는 실내 이산화탄소 농도 모델 개발 및 검증을 위하여 HVAC (Heating, Ventilation & Air Conditioning)시스템이 설치된 실험실을 대상 공간으로 선정하였다. 대상 공간은 HVAC 시스템을 통해 멀티존에 대해 공조가 가능한 실험 공간으로, 실험은 체적 5.4 m(W) × 7.2 m(D) × 3 m(H)의 독립실에서 진행하였다. 대상 공간에 설치된 HVAC 시스템은 변풍량 터미널 유닛, 공조기, 공랭식 히트펌프로 구성되어 있다. 변풍량 터미널 유닛은 실내 온도를 제어하기 위하여 공급 풍량을 제어하며. 공조기는 냉온수 코일과 공급, 환기팬이 설치되어 있다. 변풍량 터미널 유닛의 사양은 정격 풍량 1,360 CMH, 재가열 코일 4,000 kcal/h이며, 공조기의 공급팬은 풍량 12,000 CMH, 정압 92 mmAq, 환기팬은 풍량 9,600 CMH, 정압 35 mmAq이다. 또한 VFD (Variable Frequency Drive)를 통한 팬 속도 제어가 가능하며, BAS (Building Automation System)을 통하여 모니터링 및 자동제어된다. Table 2는 대상 공간의 개요와 시스템 사양을 나타낸다.

Table 2.

Summary of test-bed

Category		Specification
Target Building	Building Type	Laboratory
	Space Size	5.4 m×7.2 m×3 m
HVAC Systems	AHU	Supply Fan	Air Flow (CMH)	12,000
			Static Pressure (mmAq)	92
		Return Fan	Air Flow (CMH)	9,600
			Static Pressure (mmAq)	35
	VAV Terminal Unit	Rated Air Flow Rate (CMH)		1,360
		Capacity of Reheating Coil (kcal/h)		4,000

실험 장치 구성

이산화탄소 농도 예측모델을 적용한 프로토타입의 성능 평가를 위하여 실험 장치를 구성하였다. 재실자의 이산화탄소 발생을 모사하기 위하여 Figure 2와 같이 이산화탄소 발생기를 제작하였으며, 이산화탄소 발생량은 레귤레이터, 유량 밸브, 유량 측정기 및 on/off 밸브를 통해 조절할 수 있다. 1인의 재실자가 발생하는 이산화탄소 발생량은 0.018 m³/hr으로 가정하였다. 이는 사무 업무(Activity : 1.2Met)시 호흡으로 발생되는 이산화탄소 양이며, 활동량에 따른 이산화탄소 발생량은 Table 3과 같다(ASHRAE, 2016). 실험공간을 독립 실로 활용하기 위해 다른 실의 공급 댐퍼 개도율을 0%로 설정하여 실험하였다. Table 4는 실험에 추가적으로 사용된 측정 장치인 KIMO AQ200, TSI 7545, TSI 9565의 사양을 나타내며, 각각 공급 이산화탄소 농도, 실내 이산화탄소 농도, 실내 공급 풍량을 측정하는데 사용되었다.

https://static.apub.kr/journalsite/sites/kiaebs/2021-015-06/N0280150603/images/Figure_KIAEBS_15_6_03_F2.jpg

Figure 2.

Experiment of indoor CO₂ concentration prediction

Table 3.

Activity and CO₂ production

Activity	CO₂ production
Activity	L/min	m³/hr
Sleeping	0.2	0.012
Seated Quiet	0.25	0.015
Office Work	0.3	0.018
Walking	0.55	0.033
Light Machine Work	0.6	0.036
Heavy Work	1.05	0.063

Table 4.

Specification of sensor for experiment

Sensor	Specification
KIMO　AQ200	Outdoor and Supply CO₂ Concentration	Range	0 to 5,000 ppm
		Accurancy	± 3% of reading or ± 50 ppm
		Resolution	1 ppm
TSI 7545	Indoor CO₂ Concentration	Range	0 to 5,000 ppm
		Accurancy	± 3% of reading or ± 50 ppm,
		Resolution	1 ppm
TSI 9565	Wind Speed	Range	0 to 50 m/s
		Accurancy	± 3% of reading or ±0.015 m/s
		Resolution	0.01 m/s

실험 CASE 선정

본 연구에서는 이산화탄소 예측 식 (1)을 바탕으로 식 (6)을 고안하여 사용하는 변수들에 대하여 측정 기기를 축소시킴과 동시에 높은 정확도의 실내 이산화탄소 농도 값을 예측하고자 한다. Table 5와 같이 실내 이산화탄소 예측모델에 사용되는 공급 이산화탄소 농도 입력 방법에 대하여 측정 및 산정으로 구분하고 3가지 시나리오로 나누어 실험을 진행하였다. 첫 번째 시나리오(#1)는 공급 이산화탄소 농도를 직접 측정하였고, 두 번째 시나리오(#2)는 외기 농도를 측정하고 식 (6)을 활용하여 공급 이산화탄소 농도를 산정한다. 세 번째 시나리오(#3)는 외기 이산화탄소 농도를 400 ppm으로 가정하고(Lee et al., 2018), 식 (6)을 활용하여 공급 이산화탄소 농도를 산정하였다.

Table 5.

Experiment scenario for input data

Scenario	OA CO₂ concentration	SA CO₂ concentration
#1	None	Measured
#2	Measured	Calculated using eq (6)
#3	Assumed to be constant concentration (400 ppm)	Calculated using eq (6)

실험 CASE는 Kim et al. (2020)에서 제시한 이산화탄소 농도에 영향을 미치는 인자인 재실인원, 공급 풍량, 외기 댐퍼 개도율을 변화시키며 구축하였다. 재실인원(P)은 1, 3, 5인, 공급 풍량(Q)은 100, 800, 1500 CMH, 외기 댐퍼 개도율(α)은 25, 50, 75%로 변수를 선정하였으며, 총 27개의 실험 CASE를 선정하였으며, Table 6과 같다. 재실인원은 제작한 이산화탄소 발생장치를 통해 조절하였으며, 공급 풍량은 팬 스피드와 공급 댐퍼 개도율을 변동하여 조절하였으며, 외기 댐퍼 개도율은 Figure 2의 (a)에서 외기 댐퍼와 배기 댐퍼, 환기 댐퍼를 변동하여 조절하였다.

Table 6.

Experiment CASE

CASE	Parameter			CASE	Parameter			CASE	Parameter
CASE	P	Q	α	CASE	P	Q	α	CASE	P	Q	α
CASE 1	1	100	0.25	CASE 10	3	100	0.25	CASE 19	5	100	0.25
CASE 2	1	100	0.5	CASE 11	3	100	0.5	CASE 20	5	100	0.5
CASE 3	1	100	0.75	CASE 12	3	100	0.75	CASE 21	5	100	0.75
CASE 4	1	800	0.25	CASE 13	3	800	0.25	CASE 22	5	800	0.25
CASE 5	1	800	0.5	CASE 14	3	800	0.5	CASE 23	5	800	0.5
CASE 6	1	800	0.75	CASE 15	3	800	0.75	CASE 24	5	800	0.75
CASE 7	1	1500	0.25	CASE 16	3	1500	0.25	CASE 25	5	1500	0.25
CASE 8	1	1500	0.5	CASE 17	3	1500	0.5	CASE 26	5	1500	0.5
CASE 9	1	1500	0.75	CASE 18	3	1500	0.75	CASE 27	5	1500	0.75

예측모델 검증

본 연구에서는 ASHRAE Guideline 14에서 제공하는 기준을 바탕으로 실내 이산화탄소 농도 예측모델의 정확도 평가를 진행하였다(ASHRAE, 2014). 이산화탄소 농도 예측모델을 평가하기 위해 RE (Relative Error), MBE (Mean Bias Error)와 CvRMSE (Coefficient of Variation of Root Mean Square Error)를 이용하여 정확도를 평가하였다. MBE는 예측값의 총량적인 오차를 나타내며(식 (8)), CvRMSE는 분산 정도를 통해 오차를 분석하는 방법(식 (9))이다.

(7)

R E = \frac{(y_{i} - \overset{⏜}{y_{i}})}{y_{i}}

(8)

M B E = \frac{\sum_{i = 1}^{n} (y_{i} - \overset{⏜}{y_{i}})}{n}

(9)

C_{v} R M S E = (\sqrt{\frac{\sum_{i = 1}^{n} (y_{i} - {\hat{y}}_{i})^{2}}{n}} / \bar{y}) \times 100

where, $y_{i}$ : Measured data

${\hat{y}}_{i}$ : Prediction data

$\bar{y}$ : Mean of measured data

$n$ : Number of data

이산화탄소 농도 예측모델 현장 실험 결과 및 토론

이산화탄소 농도 예측모델의 현장 실험을 실시하였으며, 시나리오 및 CASE에 따라 총 81번의 실험을 진행하였고, 일반 운영 상황에서의 예측모델의 성능을 평가하기 위하여 추가적으로 연속 운전에 대하여 검증을 진행하였으며, 실험 결과를 분석하였다. Table 7은 실험 시나리오 및 CASE에 따른 예측 결과와 측정값과의 상대오차를 나타낸다.

Table 7.

Result of CO₂ prediction experiment

CASE	#1				#2				#3
	CO₂ concentration [ppm]		Relative error [%]		CO₂ concentration [ppm]		Relative error [%]		CO₂ concentration [ppm]		Relative error [%]
	Min	Max	Min	Max	Min	Max	Min	Max	Min	Max	Min		Max
CASE 1	375.5	420.9	3.1	21.6	375.9	435.8	2.6	18.8	375.7	430.9		2.8	19.8
CASE 2	381.5	429.2	0.9	21.9	382.3	445.9	0.7	19.7	381.8	435.9		0.8	21.0
CASE 3	383.0	420.9	3.3	24.1	384.4	448.4	2.6	19.3	383.8	436.9		2.9	21.3
CASE 4	275.5	432.9	0.7	21.0	382.9	465.7	0.7	15.0	381.1	429.7		0.1	21.6
CASE 5	376.4	395.2	0.9	4.0	385.5	475.7	1.4	15.7	381.8	425.9		0.5	3.7
CASE 6	353.4	362.8	1.1	33.8	374.9	462.2	2.2	14.8	370.4	420.5		0.4	21.6
CASE 7	361.7	401.1	2.0	7.1	372.5	467.1	0.9	8.6	370.0	421.2		0.1	2.5
CASE 8	369.3	390.2	1.0	6.2	388.0	486.9	3.2	17.7	380.7	419.3		1.0	2.7
CASE 9	353.8	367.9	1.9	4.7	388.4	468.1	3.6	26.8	378.6	415.0		1.0	12.5
CASE 10	385.4	532.1	0.7	17.2	386.3	552.6	1.9	15.5	386.0	546.4		1.5	16.1
CASE 11	396.7	546.1	2.3	23.0	397.5	559.9	2.1	21.7	397.0	551.4		2.2	22.5
CASE 12	404.0	536.7	4.0	18.4	450.6	565.8	1.4	17.4	404.9	553.3		3.1	17.8
CASE 13	363.0	470.3	0.2	25.8	369.1	538.1	0.0	15.1	367.7	502.5		1.2	20.7
CASE 14	389.5	491.0	0.9	4.9	398.2	552.8	3.2	17.6	394.3	492.3		2.2	5.9
CASE 15	387.7	439.4	0.7	12.9	398.8	540.6	3.6	9.6	392.9	473.6		0.1	6.1
CASE 16	380.2	489.9	0.1	3.2	392.3	558.0	3.0	11.3	389.1	490.8		0.0	3.0
CASE 17	388.3	465.6	0.0	0.7	402.3	554.1	3.9	19.2	394.6	463.2		0.1	2.8
CASE 18	379.6	395.0	3.4	21.4	398.6	499.0	0.2	7.3	391.8	446.6		0.3	10.9
CASE 19	393.9	635.7	2.3	39.7	394.4	666.7	2.4	36.7	394.3	661.4		2.4	37.2
CASE 20	424.9	671.9	0.5	28.9	425.6	687.6	0.6	27.4	425.1	677.9		0.5	28.3
CASE 21	432.4	659.3	0.7	31.6	433.8	686.2	0.2	29.3	432.9	671.1		0.4	30.6
CASE 22	384.5	536.4	8.4	35.3	395.3	628.1	5.9	28.5	390.2	594.9		7.1	30.6
CASE 23	421.9	573.3	0.6	5.4	432.2	620.7	0.5	13.9	428.5	565.6		0.3	10.2
CASE 24	410.9	484.1	0.1	34.8	423.3	593.9	0.4	20.1	417.1	531.0		4.1	28.5
CASE 25	381.5	585.4	3.2	23.0	392.1	632.1	0.5	17.7	389.1	554.0		1.2	25.2
CASE 26	403.0	526.6	1.6	4.5	416.8	618.0	5.3	21.2	409.2	507.4		0.2	3.5
CASE 27	386.7	438.0	0.3	5.0	405.9	550.1	4.6	31.9	395.8	478.4		2.0	14.9

시나리오 #1에서 실내 이산화탄소 예측 결과는 CASE 별 0.7~39.7%의 최대 상대오차를 나타내었다. 시나리오 #2는 7.3~36.7%, 시나리오 #3은 2.7~37.2%의 최대 상대오차를 나타내었다. 시나리오별로 최대 오차율이 5% 이하인 CASE의 수는 각각 7개, 0개, 6개 이였으며, 최대 오차율이 30% 이상인 CASE의 수는 각각 5개, 0개, 3개 이였다. 전반적으로 공급 풍량이 1500 CMH인 CASE들의 오차율이 낮은 경향을 보였다. 또한 재실인원이 3인인 CASE들과 외기 댐퍼 개도율이 50%인 CASE들이 비교적 낮은 오차율을 보였다. CASE 19에서 시나리오 #1을 통해 예측한 실내 이산화탄소 농도 값에 대한 오차는 최대 39.7%까지 발생했으며, CASE 17에서 시나리오 #1로 예측한 실내 이산화탄소 농도 값에 대한 오차는 최대 0.7%만이 발생했다. 동일 시나리오 내에서도 CASE에 따라 서로 다른 오차율을 보였다. 또한 시나리오별 유사한 오차율을 보이는 CASE가 있는 반면, 상이한 오차율을 보이는 CASE도 있었다. 이는 공급되는 이산화탄소의 농도를 산출하는 값에서 발생한 차이가 원인으로 예상된다. 시나리오 #1과 시나리오 #2의 공급 이산화탄소 농도 값에 차이가 발생함을 보아 실제 혼합되어 공급되는 공기는 외기 댐퍼 개도율과 동일한 비율로의 혼합은 진행되지 않음을 확인했다. 이는 외기 댐퍼 개도율에 따른 혼합 공기의 이산화탄소 농도 혼합비에 대하여 추가적인 고려가 필요한 것으로 판단된다. 이를 통해 개도율에 대한 혼합 공기의 혼합비의 관계를 도출한다면 보다 높은 정확도로 실내 이산화탄소를 예측할 수 있을 것으로 판단된다.

Figure 3은 실험 공간의 일반 운전 상황에 대하여 실내 이산화탄소 농도를 예측한 결과이다. 시나리오 #1의 R²값은 최소 0.820, 최대 0.956을 보이며, 시나리오 #2는 최소 0.809, 최대 0.942, 시나리오 #3은 최소 0.812, 최대 0.951을 보였다. 재실인원이 1인일 때 R²값은 가장 높은 경향을 보이며, 시나리오 #1과 시나리오 #2는 3인, 시나리오 #3은 5인 일 때 가장 낮은 값을 나타냈다. 각 실험 CASE 및 시나리오에 대한 MBE값과 CvRMSE값은 Table 8과 같다. 시나리오 #1의 MBE는 각각 –2.57, 2.02, –3.84%를 나타내었으며, CvRMSE는 1.43, 4.08, 1.02%를 나타내었다. 시나리오 #2의 MBE는 각각 –9.0, 1.96, –5.96%를 나타내었으며, CvRMSE는 4.94, 4.99, 4.69%를 나타내었다. 시나리오 #3의 MBE는 각각 3.11, 8.21, 5.33%을 나타내었으며, CvRMSE는 6.61, 11.38, 9.07%를 나타내었다. 모든 시나리오에서 ASHRAE Guideline 14의 기준인 MBE는 10% 이하, CvRMSE는 30% 이하를 만족하는 예측 결과를 나타내는 것을 확인할 수 있다.

https://static.apub.kr/journalsite/sites/kiaebs/2021-015-06/N0280150603/images/Figure_KIAEBS_15_6_03_F3.jpg

Figure 3.

Comparison of measured and predicted CO₂ concentration

Table 8.

Error analysis result of indoor CO₂ prediction model

Scenario	Occupant	MBE (%)	CvRMSE (%)
#1	1	-2.57	1.43
	3	2.02	4.08
	5	-3.84	1.23
#2	1	-9.0	4.94
	3	1.96	4.99
	5	-5.96	4.69
#3	1	3.11	6.61
	3	8.21	11.38
	5	5.33	9.07

결 론

본 연구에서는 수학적 모델 기반의 실내 이산화탄소 농도 예측모델을 개발하였다. 공조 시스템의 외기 댐퍼 개도율을 고려한 이산화탄소 농도 예측모델을 개발하였고, 성능 평가를 위하여 아두이노 기반의 프로토타입을 제작하였다. 또한 실험실 기반의 성능 평가를 위하여 이산화탄소 발생기를 구축하여 재실인원의 호흡에 따른 이산화탄소 발생을 모사하였으며, 공급 이산화탄소 농도 데이터의 입력 방법에 따라 3가지의 시나리오를 구성하였으며, 입력값의 변화에 따라 27개의 CASE를 구성하였다.

성능 평가의 결과는 시나리오 #1의 MBE는 각각 –2.57, 2.02, –3.84%를 나타내었으며, CvRMSE는 1.43, 4.08, 1.02%를 나타내었다. 시나리오 #2의 MBE는 각각 –9.0, 1.96, –5.96%를 나타내었으며, CvRMSE는 4.94, 4.99, 4.69%를 나타내었다. 시나리오 #3의 MBE는 각각 3.11, 8.21, 5.33%를 나타내었으며, CvRMSE는 6.61, 11.38, 9.07%를 나타내었다. 모든 시나리오에서 ASHRAE Guideline 14의 기준인 MBE는 10% 이하, CvRMSE는 30% 이하를 만족하는 예측 결과를 나타내는 것을 확인할 수 있다.

본 연구를 통해 수학적 모델 기반의 실내 이산화탄소 농도 예측모델을 개발하였고, 현장 적용성을 확인하였다. 향후 연구에서는 실내 이산화탄소 예측모델을 이용한 HVAC 시스템 자동제어 및 고장감지진단 등의 활용방안에 관한 연구의 진행이 필요할 것으로 판단된다.

Acknowledgements

본 연구는 산업통상자원부(MOTIE)와 한국에너지기술평가원(KETEP)의 지원을 받아 수행한 연구 과제입니다(No. 20202020800360).

References

Costanzo, S., Cusumano, A., Giaconia, C. (2011). Ventilation rates and unsatisfied percentage from indoor CO₂ concentration. Indoor Built Environment, 20(2), 232-245. 10.1177/1420326X10373330

Kim, H.-J., Cho, Y.-H. (2017). A Study on a Control Method with a Ventilation Requirement of a VAV System in Multi-Zone. Sustainability, 9(11), 2066. 10.3390/su9112066.

Kim, H.-J., Cho, Y.-H., Ryu, S.-R. (2020). Verification of Machine Learning Algorithm for CO₂ Prediction in Building. Journal of Korean Institute of Architectural Sustainable Environment and Building Systems, 14(6), 699-706.

Lee, H.-S., Kim, S.-H., Choi, J.-M. (2018). A Study on the Natural Cooling Effect by Ventilation Control Mode of Window at School Classroom. Journal of the Korean Solar Energy Society, 38(4), 67-76. 10.7836/kses.2018.38.4.067

Lu, T., Knuutila, A., Viljanen, M., Lu, X. (2010). A novel methodology for estimating space air change rates and occupant CO₂ generation rates from measurements in mechanically-ventilated buildings. Building and Environment, 45(5), 1161-1172. 10.1016/j.buildenv.2009.10.024

Satish, U., Mendell, M.J., Shekhar, K., Hotchi, T., Sullivan, D., Streufert, S., Fisk, W.J. (2012). Is CO₂ an indoor pollutant? Direct effects of low-to-moderate CO₂ concentrations on human decision-making performance. Environmental health perspectives, 120(12), 1671-1677. 10.1289/ehp.110478923008272PMC3548274

Shin, K.-J., Kim, H.-J., Cho, Y.-H. (2016). A study of the Prediction Model of Indoor Carbon Dioxide Concentrations. Journal of Korean Institute of Architectural Sustainable Environment and Building Systems, 10(1), 83-89.

Wang, F., Feng, Q., Chen, Z., Zhao, Q., Cheng, Z., Zou, J., Reeve, H. (2017). Predictive control of indoor environment using occupant number detected by video data and CO₂ concentration. Energy and Buildings, 145, 155-162. 10.1016/j.enbuild.2017.04.014

ASHRAE. (2014). Guideline 14-2014. Measurement of energy, demand, and water savings, American Society of Heating, Refrigerating, and Air Conditioning Engineers, Atlanta, GA.

ASHRAE. (2016). Standard 62.1-2016: Ventilation for Acceptable Indoor Air Quality (IAQ); ASHEAE: Atlanta, GA, USA.

Journal of Korean Institute of Architectural Sustainable Environment and Building Systems ISSN:1976-6483(Print) 2586-0666(Online) 한국건축친환경설비학회논문집