서 론
연구의 배경 및 목적
연구의 방법 및 절차
선행연구 고찰
참조모델의 선정
기계학습의 선행연구 고찰
리모델링 전·후 소요량 예측을 위한 예측모델 분석
예측모델 구성
리모델링 전 현황평가를 위한 예측모델(기준면적 확장 예측) 분석
리모델링 후 에너지절감량 산출을 위한 예측모델
예측모델 검증
결 론
서 론
연구의 배경 및 목적
정부는 온실가스 배출량 5억 3,600만톤을 낮추기 위하여 BAU 대비 37% 감축목표 중 국내 감축량을 25.7%에서 32.5%로 상향 조정하였고, 건설분야의 온실가스 감축량과 주요 수단을 발표하였다(MOLIT, 2018). 그 중 신축 건축물 분야는 단계적으로 공공, 민간 부분의 제로에너지빌딩 의무화를 통해 5.5백만톤을 감축목표로 선정하였으며, 기존건축물의 감축방향은 에너지다소비 공공건축물 녹색건축물 전환 의무화 추진, 그린리모델링 활성화를 위한 중장기 방안 수립, 민간 노후 건축물 에너지 성능개선 사업 기획 지정 및 재정 지원 확대 등의 계획으로 9.6백만 톤을 감축하는 로드맵을 발표하였다. 이러한 배경으로 2020년 6월 한국판 그린 뉴딜정책이 추가적으로 발표되면서 공공건축물 리모델링, 민간 노후 건축물 에너지성능개선 사업, 그린리모델링 온실가스 감축 방안 등을 통해 적극적으로 추진되고 있다.
그중 공공건축물 리모델링 부문은 그린리모델링 지원사업 및 15년 이상 경과 된 국공립 어린이집, 보건소, 의료시설 등 1천여 동을 대상으로 에너지성능향상 및 효율 개선 사업을 통해 에너지성능평가 수행이 진행되고 있으나, 민간 노후건축물 에너지성능 개선 사업의 경우 공공건축물과 비교하면 평가 개소가 월등히 많으며, 해당 건물을 세대별로 건축물 에너지성능평가 시 개인이 신청하여 진행하여야 하며, 전문지식이 부족할 경우 상당 시간이 소요되는 문제가 발생한다.
또한, 해당 문제와 다른 법적인 문제로는 건축물의 에너지절약설계기준 및 친환경주택건설기준으로 인해 에너지 시뮬레이션 평가 시 입력 자료 및 개선수준 파악이 용이한 아파트 및 30세대 이상의 공동주택과 다르게 저층주거 건물은 법적으로도 냉난방면적 500 ㎡ 이하일 경우 에너지절약설계기준 대상에서 제외되며, 대부분 30세대 이하임에 따라, 개선 수준에 대한 권장사항 및 법적인 규제에 대한 명확한 자료가 없다. 그에 따라 법적인 단열규제를 적용받지 않은 저층 주거 건물은 대부분 건축도서 정보와 설비변경 이력이 유실되어 그린리모델링 평가 시 활용할 수 있는 입력 인자 자료가 부족함에 따라 건축주가 스스로 자가 건축물에 대한 에너지성능 평가 시 현황파악 및 에너지 절감기술 적용에 대한 절감량 평가도 어려운 실정이다.
이에 다양한 이유로 리모델링 전·후 에너지성능 평가가 어려운 기존건물을 평가하기 위해 표준건물을 개발하고, 표준건물 대비 절감되는 에너지소요량을 산출 또는 예측하는 선행연구가 이루어지고 있으나, 주로 아파트 및 오피스, 상업용 건물을 대상으로 수행되고 있다. 기존 연구방법은 상세 난방도일법(No, 2015) 회귀분석 및 다중회귀분석(Lee, 2015) 등을 통해 수행되었으며, 최근에는 인공신경망을 활용하여 에너지사용량을 예측하는 연구(Kim et al., 2018; Park, 2018)가 수행되고 있는 것으로 조사된다. 그러나 저층주거 건물을 대상으로 표준모델 구축 및 현황 평가, 소요량 예측에 대한 연구는 아직까지 미비한 상황이다.
이에 본 논문은 선행 연구인 Kim et al. (2020)의 ‘저층 주거 건물의 에너지 소요량 예측을 위한 에너지인자 정의 및 참조모델 개발’ 의 후속 연구로서 선행논문에서 제시한 저층 주거 건물의 참조모델을 토대로 평가의 확장 및 참조모델의 활용성 증진의 목적으로 수행하였다.
이를 위해 저층 주거 건물 참조모델을 대상으로 다양한 인자 특성을 반영한 모델 확장(기준면적)에 따른 소요량 예측과 에너지 절감기술 적용에 따른 절감량 예측을 수행하였다. 이를 통해 개발된 예측모델을 활용 시 저층 주거 건물의 리모델링 전·후를 평가할 수 있으며, 나아가 노후 건축물 에너지성능개선사업 등 건물 에너지 절감 평가 시 기초자료 및 간략 평가 자료로 활용이 가능하다. 이에, 해당 자료를 토대로 기초자료가 부족한 저층 주거 건물의 리모델링 전·후 에너지 성능 평가 및 그린리모델링 활성화에 기여하고자 한다.
연구의 방법 및 절차
본 연구는 앞서 저층 주거 건물 참조모델 개발의 후속연구로 리모델링 전·후에 대한 평가를 위하여 현황평가 시 기준면적 평가 확장 및 에너지절감 기술에 따른 효과 예측 연구를 수행하였다.
선행연구는 참조모델 설정을 위한 공공기관 통계데이터의 평균값 또는 최빈값을 기준으로 표준모델을 정의하고, 에너지 입력 인자 정의를 통해 시뮬레이션으로 참조모델을 구성하여 해당 모델의 평가를 통해 국가통계의 사용량과 소요량을 비교 분석하였다.
본 논문은 앞서 개발된 참조모델을 활용한 후속 연구로, 기준면적으로만 평가가 가능했던 모델을 대상으로 다양한 주거면적에 대응하기 위하여 기준면적과 기준면적의 사이 값을 예측하는 모델을 기계학습을 통해 도출하였으며, 참조모델의 기준면적을 학습 자료(Train Data)로 사용하고, 기준면적과 기준면적 사이에 값을 검증 자료(Test Data)로 사용하였다.또한 리모델링 후 에너지소요량 예측을 위하여 에너지 절감기술을 선정하고, 해당 절감기술을 복합적용 시 절감되는 에너지소요량 및 절감율에 대해 예측하는 연구를 수행하였다. 학습 및 검증 자료로 활용된 모든 자료는 Designbuilder 에너지 시뮬레이션의 결과값이며, 평가 시 해당 값의 시뮬레이션 결과값을 참값으로 가정하고 오차율을 평가하였다. 이에 전체 연구에 대한 프로세스 및 후속 연구로 해당되는 부분을 나타낸 그림은 Figure 1과 같다.
해당 연구를 수행하기 위하여 활용한 건물에너지 시뮬레이션 프로그램은 Energyplus의 Third-Party 프로그램인 Designbuilder를 활용하였으며, 기준면적 및 절감기술 변경 시 유저의 실수를 방지하고자 자동으로 인자를 변경해주는 Python의 eppy 알고리즘을 활용하여 에너지 시뮬레이션 분석을 수행하였다.
수행방법으로는 선형회귀분석(Linear Regression), 랜덤포레스트(Random Forest), 신경망(Nueral Network) 분석방법을 적용하여 평가를 수행하였고, 평가의 검증 방법은 시뮬레이션 결과와 학습을 통해 예측된 결과를 비교하여 결정계수(R2), 평균제곱근편차(RMSE), 평균제곱근 오차의 변동계수(CVRMSE)의 지표를 활용하였으며, R2이 높고, RMSE, CVRMSE가 낮게 분석되는 결과값이 예측율이 높은 것으로 검증을 수행하였다. 이를 통해 도출된 결과로 참조모델을 활용하여 리모델링 전·후 평가에 대한 유효성을 검증하였다.
선행연구 고찰
참조모델의 선정
Kim et al의 「저층 주거 건물의 에너지 소요량 예측을 위한 정의 및 참조모델 」에서 제시하는 참조모델을 선정하여 분석을 수행하였으며, 해당 표준모델의 기준 면적 및 기기설정값은 통계적 평균값 또는 최빈값에 의해 설정된 값이며, 해당 내용은 Table 1과 같다.
Table 1.
기계학습의 선행연구 고찰
기계학습은 세계적으로 4차산업 이후 다양한 분야(언어학습, 딥러닝, 시뮬레이션 모델링, 기계번역, 소셜네트워크, 로복틱스, IoT, 이미지 및 영상인식 등)에서 활용되고 있다.
최근 건축 분야에서도, 인공지능 및 기계학습을 통한 연구는 점차 증가하고 있으며 2017년 발표된 Kang et al의 「건축분야의 인공지능 기계학습연구동향」에서 2000년 국내 2편, 국외 8편에 불과하던 논문이 2016년 국내 13편, 국외 37편으로 증가 폭이 커짐에 따라 연구가 점점 확대된다고 설명하였다. 이처럼, 건축환경·설비 분야에서 기계학습을 활용한 논문들이 다수 게재됨에 따라 건축분야에서 기계학습 분야는 점차 증가 추세에 있는 것을 확인하였다.
이에 본 연구 분야와 직접적 관련이 있는 건축물 에너지소요량 및 사용량을 예측하는 연구에 대하여 선행연구 고찰을 수행하였다. 수행 결과, 대부분 설비 상태 예측 및 건물 부하예측에 대한 분석이 주를 이뤘으며, 본 연구와 유사한 선행연구는 아래의 Table 2와 같다.
Table 2.
Author | Development Purpose |
Research Method |
Assessment Method | Input | Output | Differentiation |
Jung(2018) | Office Building Load Prediction Model | ANN, CHAID, | CVRMSE |
Temperature humidity | Load Prediction Result | Not Low- Rise Residential Building |
Bae(2019) | Analysis of Energy Consumption According to Economizer Control Method |
Random Forest |
CVRMSE MBE |
Temperature (in, out) humidity (in, out) Duct Control | Energy consumption reduced during economizer control | |
Nam et al.(2019) | Prediction of Building Energy Consumption Using Deep Learning |
Neural network (Tensorflow) |
CVRMSE Error |
Outside Temperature, Solar Radiation | Cooling, Lighting, Energy Consumption | |
Lee(2020) |
Prediction of Energy consumption in a building using life patterns of Single-Person Households | Neural network |
R, MSE | Gender, Age, Income, Educ ation level, Occupation |
Building Energy Consumption | Characteristics of occupants, not factors of buildings |
Hong(2020) | Prediction for Building and Housing Energy Saving Using Weather Information and Machine Learning |
MLP, CNN, LSTM | MAE | Building, Date, Weather data | Energy Usage Cost | Not Low- Rise Residential Building |
이처럼 선행연구는 주로 오피스 및 상업시설을 대상으로 기후, 기온, 습도에 따라 건물의 부하 및 사용량을 예측하는 논문이 대부분이다. 하지만 본 논문은 저층 주거 건물을 대상으로 건물 인자에 따라서 리모델링 전 에너지소요량을 예측하고 리모델링 기술 적용 후 에너지소요량을 예측하는 모델을 개발한 것이 차별성으로 판단된다.
구체적인 인자의 차별성을 설명하면, 건물용도(단독, 다세대, 연립), 장단변비, 방의 개수, 화장실 개수, 발코니의 형태, 건물위치, 방위, 지역, 창면적비, 준공년도 등의 인자를 모두 활용하여 기계학습을 수행하였고, 기준 연면적만 평가할 수 있는 부분을 확장하여 기준면적 사이에 있는 건물도 에너지소요량 예측이 가능하며, 리모델링 후 단일기술 적용에 의한 절감량 산정이 아닌 복합기술 적용 시에도 절감되는 에너지소요량을 예측하는 것이 본 논문의 차별점이다.
또한 연구방법으로 가장 많이 활용된 것은 예측식의 기본 모델인 회귀분석(Linear Regression)을 주로 활용하였으며, 선형회귀분석 평가 이후 분석의 정확도를 높이기 위하여 다른 기계학습 알고리즘을 적용하여 평가를 수행하거나, 기계학습에 대한 필요성을 기재하였다. 선형 회귀 이후 사용 빈도수로 보면 인공신경망(Neural Network)의 빈도가 가장 높았으며, 인공신경망 외에는 Random Forest 방법이 수행되는 것을 확인하였다. 이에 본 논문은 사용률이 높은 선형회귀, 랜덤포레스트, 인공신경망 방법을 활용하여 평가를 수행하였으며, 비교 지표로는 R2과 CVRMSE를 활용하여 비교 및 분석하였다.
리모델링 전·후 소요량 예측을 위한 예측모델 분석
예측모델 구성
선형회귀는 기계학습이 아닌 회귀식에 의하여 X축의 예측소요량과 Y축의 실제 소요량을 두고 산점도를 통해 결정계수를 도출하는 것으로 별도의 학습 없이 단순 회귀식을 통해 산출된다.
랜덤포레스트 모델의 경우, n_estimators는 랜덤포레스트안의 결정 트리 개수를 정의하는 것으로 범위는 100~ 500으로 지정하였으며, 샘플이 몇 개 이상이어야 분할할 수 있는지에 대한 규정 값으로는 2, 10, 50, 100로 설정하였다. 이에 Table 3과 같이 랜덤포레스트에 대한 최적 매개변수를 탐색하기 위해 그리드 탐색을 적용하였으며, 그리드 탐색의 조건은 다음과 같다.
Table 3.
Parameter | Value |
Number of estimators | 100, 200, 300, 400, 500 |
Minimum samples to split | 2, 10, 50, 100 |
Minimum Gini impurity to split | 0.1, 0.2, 0.3, 0.4, 0.5 |
인공신경망은 회귀 모델로 일반적으로 이용되는 완전 연결 신경망(fully-connected network)으로 구성하였으며, 독립변수의 개수 (39개)를 고려하여 노드 수가 각 16, 16, 8개인 세 개의 레이어로 구성하였다. 과적합을 방지하기 위해 각 레이어 사이에 배치 정규화(batch normalization) 레이어를 추가하였으며, 200 epoch 이상 모델의 검증데이터 손실(validation loss)이 개선되지 않을 때 학습을 종료하게 구성하였다. 위와 같은 방식을 적용하여 선형회귀, 랜덤포레스트, 인공신경망으로 각각 예측모델을 구성하여 연구를 수행하였다.
리모델링 전 현황평가를 위한 예측모델(기준면적 확장 예측) 분석
선행 연구의 참조모델로 선정된 기준면적은 단독주택 39, 49, 66, 99, 109 ㎡, 다가구(세대) 주택 39, 54, 82 ㎡, 연립주택 39, 59, 66, 84 ㎡ 이다. 따라서 기준면적 사이에 대하여 예측 가능 여부를 판단하기 위하여 중간 면적을 제외하고 학습자료(Train data)를 토대로 학습을 시켰으며, 총 개수는 13,843개 데이터로 구성되어있다. Test 모델은 각 용도에서 중간면적에 해당되는 면적으로 총 데이터는 10,459개이며, 해당 결과와 예측모델을 통해 도출된 결과를 토대로 검증하였다.
이에 Table 4와 같이 지역, 준공년도, 건물위치 용도, 기준면적을 토대로 하위 변수인 장단변비, 방 개수, 화장실 개수, 발코니 형태, 기기발열 별로 변화되는 에너지소요량을 예측하여 리모델링 전 다양한 인자 변경 및 기준면적 변화에 대응 가능한 예측모형을 개발하였다.
Table 4.
기준면적 및 설계적 특성인자 변경에 따른 시뮬레이션 결과값과 예측모형의 에너지소요량 값 예측 결과, 아래의 Table 5와 같이 분석되었다. 선형회귀의 R2=0.914로 높게 나타났으며, 랜덤포레스트의 경우 R2=0.505로 낮게 분석되었다. 뉴런네트워크의 경우 0.987로 높은 결정계수로 분석되었다.
Table 5.
Contents | Linear Regression | Random Forest | Neuron Network |
R2 | 0.914 | 0.505 | 0.987 |
MSE | 410,739 | 1,382,324 | 88,183 |
RMSE | 640.889 | 1,047.859 | 296.95 |
CVRMSE | 19.25% | 35.32% | 8.92% |
Graph | Units : kWh | ||
랜덤포레스트의 경우 결정계수가 낮게 분석된 원인은 단계적으로 수행하는 모델 특성 상 학습되지 않은 기준면적을 예측하는데 있어 조건이 없음에 따라, 학습의 데이터가 부족한 것으로 사료되며, 이에 결과가 크게 차이가 난 것으로 판단된다, 선형회귀가 높게 나온 원인으로는 기준면적에 따라 에너지소요량이 증감하는데 있어 기준면적 인자가 지배적으로 작용하여 에너지소요량이 선형으로 예측되는 것으로 사료된다.
MSE와 RMSE, CVRMSE는 선형회귀 19.25%, 랜덤포레스트 35.32%, 뉴런네트워크 8.92%로 뉴런네트워크가 가장 낮게 분석됨에 따라, 예측모델로서 결정계수는 높으며, CVRMSE는 낮음에 따라 통계적으로 유의한 것으로 판단된다.
리모델링 후 에너지절감량 산출을 위한 예측모델
에너지 절감량 산출을 위한 시뮬레이션 분석 모델은 앞서 도출한 참조모델이 기본 구성이며, 리모델링 전(현황평가)에서 활용된 각 면적에 입력된 인자별 기준값이 Base Model이다. 이에 각 기준면적별로 에너지 절감기술을 적용하여 절감율을 분석하였으며, 해당 기술은 그린리모델링 사례를 통해 활용되는 기술로 선정하였다. 이에 선정된 기술 및 값은 아래의 Table 6와 같다.
Table 6.
위와 같이 선정된 기술을 참조모델에 적용하여 분석을 수행하며, 단일기술의 적용뿐만 아니라 복합기술 적용 시 절감되는 에너지를 분석하기 위하여 직교배열표의 방법에 따라 각 기술을 그룹화 하였으며 세 개 수준으로 정의하였다. 세 개 수준으로 정의 시, 기술의 동시 적용 및 오류를 방지하고자 유사 기술을 그룹으로 구성하여 분석을 수행하였다(ex: 창호 : 실외, 실내 블라인드). 이에 차양은 실외블라인드, 실내블라인드, 조명은 LED, LED+디밍, 창호는 교체와 창호필름, 단열은 단열재, 단열페인트로 그룹을 구성하였으며, 해당 용도별 기준면적당 직교배열표 방식을 활용하여 81개 Case를 선정하였으며, 내용은 아래의 Table 7과 같다.
Table 7.
본 예측모델 개발을 위하여 학습에 활용한 Data의 총 개수는 24,300개이며, Train Data의 개수는 13,842개, Test Data 10,458개로 수행하였다. 해당 모델의 검증은 현황예측 모델과 동일하게 중간 기준면적은 학습시키지 않았으며, Test Model도 학습시키지 않은 면적에서 절감된 에너지소요량의 결과로 수행하였다. 에너지 절감기술 적용에 따른 에너지소요량 예측 결과, 선형회귀 R2=0.893, 랜덤포레스트 R2=0.518, 뉴런네트워크 R2=0.984로 분석되었으며, 앞서 현황분석과 마찬가지로 뉴런네트워크 알고리즘이 결정계수가 높은 것으로 분석되었고, CVRMSE는 10.58%로 낮게 도출되어 예측에 적합한 것으로 판단된다(Table 8 참조).
Table 8.
Contents | Linear Regression | Random Forest | Neuron Network |
R2 | 0.893 | 0.518 | 0.984 |
MSE | 416,317 | 1,240,327 | 103,005 |
RMSE | 645.226 | 1,114.7 | 320.9 |
CVRMSE | 21.28% | 36.7% | 10.58% |
Graph | Units : kWh | ||
이에 리모델링 전·후 평가 수행 시 활용 가능한 두 가지 예측모델을 도출하였으며, 리모델링 전·후에 대한 예측모델의 결정계수가(R2) 0.9 이상으로 분석되었고, CVRMSE 15% 이하로 도출됨에 따라 예측모델로서 검증되었으며 통계적으로도 유의하다고 판단된다.
추가로 ASHRAE Guideline 14 (ASHRAE, 2002)에서 제시하는 M&V 평가 시 활용하는 지표도 만족하고 있는 것으로 분석되었으나, M&V의 경우, 사용량과 소요량으로 비교를 수행함에 따라 다소 차이가 있을 수 있으나, 국내 저층주거의 통계적 참조모델을 통해 산출된 소요량을 Energyplus 또는 Designbuilder와 같은 시뮬레이션을 수행하지 않고 15% 이내로 예측하는 것은 의미있는 결과로 판단된다.
이에 해당 예측모델을 활용하여 저층 주거 건물의 도서가 미비하고, 입력사항에 대하여 부족한 자료가 있어도 다양한 인자 및 기준면적에 대응한 통계적 참조모델을 활용하여 본인의 건물과 유사한 면적의 에너지소요량에 대한 파악이 가능하며, 추가적으로 에너지 절감기술 적용에 따라 리모델링 후 절감량 산출도 결과로 도출됨에 따라, 저층 주거 건물의 평가 및 활용에 있어 활용도가 높을 것으로 판단된다.
예측모델 검증
예측모델 검증으로는 뉴런네트워크 모델을 대상으로 K-fold 검증을 수행하였다. K-fold 검증은 전체자료를 K개의 집합으로 구성하여 K-1개의 집합을 학습 자료(Train Data)로 사용하고 나머지 1개의 집합을 Test Data로 활용하는 방법으로 과정을 반복하며 수행한다. 이러한 방법은 과적합을 방지하고, 모든 데이터를 학습과 검증의 자료로 활용함에 따라, 최적의 매개변수를 구하기 위한 모델 튜닝에 주로 활용된다.
본 논문은 약 40,000개의 데이터를 5개의 K-fold로 구분하여 수행하였으며, Train과 Test를 나누어 각각 시뮬레이션 결과와 예측 값을 비교하였다. 분석 결과, 위의 Table 9와 같으며, 리모델링 전·후 모든 K-fold의 결정계수는 0.9 이상으로 도출 되었으며, 리모델링 전 평균 결정계수(R2)는 0.990로 예측율이 매우 높았고, CVRMSE는 8.15%로 분석되었다. 리모델링 후 평균 결정계수(R2)는 0.986으로 도출되었으며, CVRMSE는 10.74%로 분석되었다. 이로써 K-fold 교차검증을 통해 예측모델의 정확성을 검증하였으며 결정계수와 CVRMES로 통계적 타당성을 증명한 것으로 판단된다. 이를 통해, 자료가 부족한 저층 주거 건물 그린리모델링 및 노후 건물 에너지소요량 현황 평가 및 개선 시 절감되는 에너지소요량 평가 모델의 기초자료로 제시한다.
Table 9.
결 론
본 논문은 저층 주거 건물 에너지성능 평가와 민간건축물 그린리모델링 활성화를 위하여 선행연구에서 개발된 참조모델을 기준으로 리모델링 시 다양한 인자가 반영된 기준면적 확장에 의한 소요량 예측(현황파악) 및 에너지 절감기술 적용에 따른 효과 소요량 예측(개선 후) 모델을 개발 및 검증하였다.
이에, 단독주택 36, 66, 109 ㎡, 다가구(세대) 주택 39, 82 ㎡, 연립주택 39, 84 ㎡을 대상으로 학습을 수행하였으며, 단독주택의 경우 49. 99 ㎡를 예측하도록 하였고, 다가구 주택의 경우 54 ㎡, 연립주택의 경우 59, 66 ㎡를 대상으로 인자 변경에 따라 소요량 값에 대한 평가 및 검증을 수행하였다.
시뮬레이션과 예측모델 검증 결과는 결정계수(R2) 및 CVRMSE의 지표로 분석하였다. 이에 에너지 절감기술을 적용하지 않은 리모델링 현황 평가 예측 결과는 선형회귀 R2=0.914, CVRMSE 19.25% 랜덤포레스트 R2=0.505, CVRMSE 35.32%, 뉴런네트워크 R2=0.987, CVRMSE 8.92% 으로 도출되었으며, 예측률이 가장 높은 모델은 뉴런네트워크로 선정되었다.
또한 에너지 절감기술을 적용한 예측을 수행한 결과, 선형회귀 R2=0.893, CVRMSE 21.28% 랜덤포레스트 R2=0.518, CVRMSE 36.7%, 뉴런네트워크 R2=0.984, CVRMSE 10.58% 로 분석되었으며, 앞서 현황분석과 마찬가지로 뉴런네트워크 알고리즘이 결정계수가 높은 것으로 분석되었고, CVRMSE는 낮게 도출되어 예측에 적합한 것으로 도출되었다.
결과를 종합하면, 저층 주거 건물의 에너지소요량 평가 시 두개의 예측모델로 자료가 부족한 저층주거 건물의 리모델링 전·후를 평가할 수 있으며, 두 모델 다 뉴런네트워크의 알고리즘이 R2 0.9 이상, CVRMSE 15% 이하로 분석됨에 따라 소요량 예측 시 유의한 것으로 분석되었다.
이에, 통계적 유의성을 검증한 뉴런네트워크 모델을 토대로 K-fold 검증결과, 리모델링 전 평균 결정계수(R2)는 0.990, CVRMSE는 8.15%로 분석되었다. 리모델링 후 평균 결정계수(R2)는 0.986으로 도출되었으며, CVRMSE는 10.74%로 분석됨에 따라, 예측모델의 정확성 및 타당성을 검증 한 것으로 판단된다.
이로써 40,000개의 학습데이터를 통해 별도의 시뮬레이션 수행 없이, 간단한 입력인자 입력인자만 입력하여 평가할 수 있는 정확도가 높은 예측모델을 개발하였다. 또한 저층 주거 건물의 리모델링 시 적용 기술에 따른 에너지 절감량 평가에 대하여 Designbuilder 및 Energyplus를 사용하지 않고, 단열에 대한 법적 기준(2020년 기준) 및 고효율냉난방기기 적용에 대한 평가가 가능할 것으로 판단된다.
이를 바탕으로 국내 민간건축물 그린리모델링, 도시개선 사업, 도시재생사업 시 저층 주거 건물을 대상으로, 에너지 절감량을 산정하고, 개략적인 평가자료로 활용할 수 있을 것으로 기대할 수 있다. 이에, 후속 연구로는 해당 알고리즘을 통합하여 일원화 하는 연구를 수행하며, 해당 알고리즘을 통하여 저층 주거 건물의 리모델링 전·후 실제 사용량과 소요량 검증을 통해 예측모델의 유의성을 입증하는 연구가 향후 진행되어야 할 것으로 사료된다.