Research Article

Journal of Korean Institute of Architectural Sustainable Environment and Building Systems. April 2021. 152-165
https://doi.org/10.22696/jkiaebs.20210013

ABSTRACT


MAIN

  • 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.

/media/sites/kiaebs/2021-015-02/N0280150204/images/Figure_KIAEBS_15_2_04_F1.jpg
Figure. 1.

Flowchart of study

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.

Selection result of energy factor range

Variables Unit Number
1 2 3 4 5
Building type and standard total floor area
Type Building - A B C
Standard total floor area A (㎡) 36 49 66 99 109
B (㎡) 39 54 82
C (㎡) 39 59 66 84
Variable of Architects
Plan form - 1:2 2:1 1.12:1
Number of room - 1~2 2~3
Number of bathroom - 1 2
Balcony form - None Expand Non-Expand
Position of floors - A (D) B (E) C (F)
Window to wall ratio % 15 20 25
Azimuth - 0 45 90
Climate zone Central Southern Jeju
Variable of Passive
Construction year - 1980 1987 2001
Infiltration ac/h 1.25 2.0 2.0
Variable of Usage
Average people n 2 3 4
Schedule % 0 25 50 75 100
Variable of Active
Heating Eff % 80
Cooling COP % 2.88
Lighting W/㎡ 10
Equipment load W/㎡ 1.97 2.17 2.37

※ Type Building : A : Detached house, B : Multifamily house, C : Row house

※ Position of floors : A : Top Floor, B : Middle (Reference) Floor, C : Bottom Floor

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.

Literature Review on machine learning for energy consumption prediction

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.

Selection of random forest parameter and value

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.

Selection of factors and variables for predictive model

Contents Value
Type Building Factor Train Test
Detached house 36, 66, 109 49, 99
Multifamily house 39, 82 54
Row house 39, 89 59, 66
Climate zone Central, Southern, Jeju
Construction year U-Value 1980, 1987, 2001
Infiltration 1.25, 2.0, 2.0
Position of floors A (D), B (E), C (F)
Plan form 1:2, 2:1, 1.12:1
Number of room A (1~2), B (2~3)
Number of Bathroom A (1), B (2)
Balcony form None, Expand, Non-Expand
Heating Eff 80%
Cooling COP 2.88
Lighting 10 W/㎡
Average People (Equip load) 2 (1.97), 3 (2.17), 4 (2.37)

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.

Energy consumption prediction result according to the change in the reference area

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
/media/sites/kiaebs/2021-015-02/N0280150204/images/Figure_KIAEBS_15_2_04_T5-1.jpg /media/sites/kiaebs/2021-015-02/N0280150204/images/Figure_KIAEBS_15_2_04_T5-2.jpg /media/sites/kiaebs/2021-015-02/N0280150204/images/Figure_KIAEBS_15_2_04_T5-3.jpg

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.

Selection of variables for energy saving technology

Variables Before Remodeling Condition After Remodeling Condition Reference
Green Remodeling Tech nology Building Category Construction
Year
(1980, 1987, 2001)
Central Southern Jeju Building Energy Conservation Design Standards
[2017-881]
※ Regional division is organized before remodeling
Wall 0.170 0.220 0.290
Roof 0.150 0.180 0.250
Floor 0.200 0.250 0.330
Window 1.000 1.200 1.600
LED 10 W/㎡ 7 W/㎡ -
High Eff Boiler 80% (Heating Eff) 91% (Heating Eff) Energy Efficiency 1 Class
High Eff air conditioner 2.88 (Cooling Eff ) 3.2 (Cooling Eff ) Energy Efficiency 1 Class
Photovoltaic - 3 kWh Green home
Mini Photovoltaic - 300 Wh Solar map
Insulation Film - 3.27 W/㎡K N Company Product
Insulaion Paint - 0.047 W/㎡K S Company Product
Dimming - 4 step -
Inside Blind - Apply Winter Season 18:00~07:00 Summer Season 7:00~18:00 Inter Season 07:00~18:00
Outside Blind - Apply

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.

Selection of sampling cases for energy technology effect analysis

NO Passive Location Usage Energy Saving Technology
Construction year Position of floors Climate
Zone
Azimuth Average
People
Sche
dule
Shading Lighting Window Insulation
1 1980 central 0 2 25% 0 0 0 0
2 1980 central 0 2 25% 0 0 0 INS
3 1980 central 0 2 25% 0 0 0 PAI
4 1980 central 45 3 50% RUV LED+DIM FIL 0
5 1980 central 45 3 50% RUV LED+DIM FIL INS
6 1980 central 45 3 50% RUV LED+DIM FIL PAI
7 1980 central 90 4 75% BLI LED WIN 0
8 1980 central 90 4 75% BLI LED WIN INS
9 1980 central 90 4 75% BLI LED WIN PAI
10 1987 jeju 0 3 75% 0 LED FIL 0
11 1987 jeju 0 3 75% 0 LED FIL INS
12 1987 jeju 0 3 75% 0 LED FIL PAI
13 1987 jeju 45 4 25% RUV 0 WIN 0
14 1987 jeju 45 4 25% RUV 0 WIN INS
15 1987 jeju 45 4 25% RUV 0 WIN PAI
16 1987 jeju 90 2 50% BLI LED+DIM 0 0
17 1987 jeju 90 2 50% BLI LED+DIM 0 INS
18 1987 jeju 90 2 50% BLI LED+DIM 0 PAI
19 2001 southern 0 4 50% 0 LED+DIM WIN 0
20 2001 southern 0 4 50% 0 LED+DIM WIN INS
21 2001 southern 0 4 50% 0 LED+DIM WIN PAI
22 2001 southern 45 2 75% RUV LED 0 0
23 2001 southern 45 2 75% RUV LED 0 INS
24 2001 southern 45 2 75% RUV LED 0 PAI
25 2001 southern 90 3 25% BLI 0 FIL 0
26 2001 southern 90 3 25% BLI 0 FIL INS
27 2001 southern 90 3 25% BLI 0 FIL PAI
28 1980 jeju 0 4 50% RUV LED 0 0
29 1980 jeju 0 4 50% RUV LED 0 INS
30 1980 jeju 0 4 50% RUV LED 0 PAI
31 1980 jeju 45 2 75% BLI 0 FIL 0
32 1980 jeju 45 2 75% BLI 0 FIL INS
33 1980 jeju 45 2 75% BLI 0 FIL PAI
34 1980 jeju 90 3 25% 0 LED+DIM WIN 0
35 1980 jeju 90 3 25% 0 LED+DIM WIN INS
36 1980 jeju 90 3 25% 0 LED+DIM WIN PAI
37 1987 southern 0 2 25% RUV LED+DIM FIL 0
38 1987 southern 0 2 25% RUV LED+DIM FIL INS
39 1987 southern 0 2 25% RUV LED+DIM FIL PAI
40 1987 southern 45 3 50% BLI LED WIN 0
41 1987 southern 45 3 50% BLI LED WIN INS
42 1987 southern 45 3 50% BLI LED WIN PAI
43 1987 southern 90 4 75% 0 0 0 0
44 1987 southern 90 4 75% 0 0 0 INS
45 1987 southern 90 4 75% 0 0 0 PAI
46 2001 central 0 3 75% RUV 0 WIN 0
47 2001 central 0 3 75% RUV 0 WIN INS
48 2001 central 0 3 75% RUV 0 WIN PAI
49 2001 central 45 4 25% BLI LED+DIM 0 0
50 2001 central 45 4 25% BLI LED+DIM 0 INS
51 2001 central 45 4 25% BLI LED+DIM 0 PAI
52 2001 central 90 2 50% 0 LED FIL 0
53 2001 central 90 2 50% 0 LED FIL INS
54 2001 central 90 2 50% 0 LED FIL PAI
55 1980 southern 0 3 75% BLI LED+DIM 0 0
56 1980 southern 0 3 75% BLI LED+DIM 0 INS
57 1980 southern 0 3 75% BLI LED+DIM 0 PAI
58 1980 southern 45 4 25% 0 LED FIL 0
59 1980 southern 45 4 25% 0 LED FIL INS
60 1980 southern 45 4 25% 0 LED FIL PAI
61 1980 southern 90 2 50% RUV 0 WIN 0
62 1980 southern 90 2 50% RUV 0 WIN INS
63 1980 southern 90 2 50% RUV 0 WIN PAI
64 1987 central 0 4 50% BLI 0 FIL 0
65 1987 central 0 4 50% BLI 0 FIL INS
66 1987 central 0 4 50% BLI 0 FIL PAI
67 1987 central 45 2 75% 0 LED+DIM WIN 0
68 1987 central 45 2 75% 0 LED+DIM WIN INS
69 1987 central 45 2 75% 0 LED+DIM WIN PAI
70 1987 central 90 3 25% RUV LED 0 0
71 1987 central 90 3 25% RUV LED 0 INS
72 1987 central 90 3 25% RUV LED 0 PAI
73 2001 jeju 0 2 25% BLI LED WIN 0
74 2001 jeju 0 2 25% BLI LED WIN INS
75 2001 jeju 0 2 25% BLI LED WIN PAI
76 2001 jeju 45 3 50% 0 0 0 0
77 2001 jeju 45 3 50% 0 0 0 INS
78 2001 jeju 45 3 50% 0 0 0 PAI
79 2001 jeju 90 4 75% RUV LED+DIM FIL 0
80 2001 jeju 90 4 75% RUV LED+DIM FIL INS
81 2001 jeju 90 4 75% RUV LED+DIM FIL PAI

※ BLI : Inside Blind RUV : Outside Blind, LED : LED, DIM : Dimming, WIN : Window, FIL : Film INS :Insulation, PAI : Paint

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.

Energy consumption prediction result according to energy saving technology

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
/media/sites/kiaebs/2021-015-02/N0280150204/images/Figure_KIAEBS_15_2_04_T8-1.jpg /media/sites/kiaebs/2021-015-02/N0280150204/images/Figure_KIAEBS_15_2_04_T8-2.jpg /media/sites/kiaebs/2021-015-02/N0280150204/images/Figure_KIAEBS_15_2_04_T8-3.jpg

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.

K-fold validation result

Contents K-fold R2 MSE RMSE CVRMSE
Before Remodeling Train K fold 1 0.98983 89,069.55 298.4452 8.79%
K fold 2 0.996714 28,923.52 170.0692 4.99%
K fold 3 0.983447 146,800.3 383.1452 11.23%
K fold 4 0.989599 92,337.98 303.8716 8.89%
K fold 5 0.991663 73,369.36 270.8678 7.94%
Test K fold 1 0.989213 97,862.36 312.8296 9.05%
K fold 2 0.996699 29,383.34 171.4157 5.01%
K fold 3 0.982789 148,571 385.4491 11.35%
K fold 4 0.989252 92,335.04 303.8668 9.02%
K fold 5 0.992058 70,705.99 265.906 7.82%
Average 0.990 88,739.16 288.88 8.15%
After Remodeling Train K fold 1 0.983509 131,510 362.6431 11.68%
K fold 2 0.990684 74,658.52 273.2371 8.78%
K fold 3 0.984373 126,236.4 355.2977 11.39%
K fold 4 0.983202 135,836.8 368.5604 11.79%
K fold 5 0.984542 124,266.5 352.5145 11.30%
Test K fold 1 0.983025 140,745.3 375.1604 11.87%
K fold 2 0.990198 79,746.22 282.3937 9.01%
K fold 3 0.983575 129,430.5 359.7645 11.60%
K fold 4 0.983058 132,908.3 364.5659 11.84%
K fold 5 0.983884 129,518.2 359.8864 11.59%
Average 0.986 116,407.77 338.30 10.74%

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.

Acknowledgements

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

References

1
Kim, J.H., Seong, N.C., Choi, W.C., Choi, K.B. (2018). An Analysis of the Prediction Accuracy of HVAC Fan Energy Consumption According to Artificial Neural Network Variables. Journal of the Architectural Institute of Korea Structure & Construction, 34(11), 73-79.
2
Kim, K.S., Yoo, D.C., Choi, C.H., Jang, H.I. (2020). Development of Energy Variable Definition and Reference Model for Predicting Energy Consumption of Low-rise Residential Buildings. Journal of the Architectural Institute of Korea, 2020, 36, 199-208.
3
Nam, Y.G., Hong, S.K., Cho, S.H., Choi, C.Y. (2019). A Study on the Prediction of Building Energy Consumption Using Deep Learning Technique. Journal of the Korean Society of Mechanical Technology, 21(6), 136-1144.
4
Bae, J.G. (2019). Development of Energy Consumption Prediction Model using Economizer Method in the Office Building with Machine Learning. Master's thesis. Department of Architectural Engineering, Yonsei University, Korea.
5
Hong, S.W. (2020). Prediction for Building and Housing Energy Saving Using Weather Information and Machine Learning. Doctoral thesis, Department of Intelligent Robot Engineering, Hanyang University, Korea.
6
Jung, J.H. (2018). Electricity Load Forecasting with Weather Data for Commercial Buildings based on Machine Learning. Master's thesis. Department of Architectural Engineering, Cheongju University, Korea.
7
Lee, S.H. (2020). An Analysis and Prediction of Energy consumption in a building using life patterns of Single-Person Households. Master's thesis. Department of Architecture, Sejong University, Korea.
8
Lee, T. G. (2015). Study on Electric Power Consumption in The University Building using Multiple Regression Analysis and Energy Simulation. Master's thesis. Department of Mechanical Engineering, University of Seoul, Korea.
9
No, B.I. (2015). Prediction of Heating Energy Consumption of Apartment Buildings Using Performance Evaluation of Detailed Heating Degree-days. Master's thesis. Department of Architectural Engineering, Chungbuk National University, Korea.
10
Park, G.H. (2018). Machine learning for building energy management Based on short/long-term prediction algorithm Performance analysis. Master's thesis. Department of Computer and Information Science, Korea University, Korea.
11
Ministry of Land, Infrastructure and Transport (MOLIT). (2018). 2030 Greenhouse Gas Reduction Roadmap Amendment and 2018-2020 emission permit allocation plan confirmed : Ministry of Land, Infrastructure and Transport.
12
ASHARAE (2002). ASHRAE Guideline 14 Measurement of Energy, Demand and Water Savings. American Society of Heating, Refrigerating, and Air-Conditioning Engineers, New York, USA.
페이지 상단으로 이동하기