서 론
연구방법
연구 개요
대사량(MET) 추정 알고리즘
착의량 추정 알고리즘
에너지 시뮬레이션 모델링
열쾌적성 분석 방법
알고리즘 검증 결과
MET 추정 알고리즘 정확도
CLO 추정 알고리즘 정확도
에너지 시뮬레이션 결과
냉방 부하 분석
열쾌적성 평가
결 론
서 론
건물 부문은 국가 전체 에너지 소비에서 상당한 비중을 차지하며, 그중 냉난방 시스템(Heating, Ventilation and Air-Conditioning, HVAC)은 건물 에너지 소비의 핵심 요소이다(ASHRAE, 2022). 건물 에너지 시뮬레이션(Building Energy Simulation, BES)은 설계 단계부터 운영 단계까지 냉난방 부하 예측 및 에너지 성능 분석에 널리 활용된다(Hirsch and Associates, 2009; Na et al., 2015). 그러나 상용 에너지 시뮬레이션 프로그램의 대부분은 냉방 부하 산정의 핵심 변수인 대사량(MET)과 착의량(CLO)에 대해 정적 표준값을 일괄 적용한다는 한계를 지닌다. 대사량은 냉방 기간 내내 1.0으로 고정되며, 착의량도 여름철 0.5와 같이 계절별 단일값으로 상정하고 있다. 이러한 정적 가정은 강의실이나 사무실 환경에서 재실자의 활동 수준과 복장이 시간대, 계절, 개인 특성에 따라 지속적으로 변동하는 실제 조건을 충분히 반영하지 못한다(O’Brien and Gunay, 2014). 특히 PMV (Predicted Mean Vote) 모델에서 착의량은 민감한 변수로 작용하여, CLO가 약 0.1 변화할 때 PMV는 0.2~0.25 수준으로 변동한다(ASHRAE, 2020). 재실자의 동적 특성이 반영되지 않으면 내부 발열 부하 예측에 오차가 발생하고, HVAC 시스템의 과잉 운전 또는 불충분한 제어로 이어져 에너지 낭비와 쾌적성 저하를 동시에 유발한다(Kim et al., 2025). 이러한 한계를 보완하기 위해 웨어러블 센서 기반 MET 추정 및 설문 기반 CLO 추정 방법이 제안되어 왔으나, 별도의 착용 장비가 요구되거나 실용성과 개인정보 보호 측면에서 제약이 존재한다(Yang and Hsu, 2010). 최근 컴퓨터 비전 및 딥러닝 기술의 발전에 힘입어(Pishchulin et al., 2014; Wang et al., 2020), YOLO 계열의 실시간 자세 추정(pose estimation) 모델과(Pfister et al., 2015; Cao et al., 2021; Konak et al., 2023) 대규모 의류 인식 데이터셋(DeepFashion2)을(Pfister et al., 2015; Cao et al., 2021; Konak et al., 2023) 결합하면 별도의 착용 장비 없이 비접촉 방식으로 재실자의 활동 수준과 착의 상태를 자동으로 추출할 수 있다. 본 연구에서는 (1) YOLOv11n-Pose 기반 대사량(MET) 추정 알고리즘과 (2) YOLOv7-Pose 및 DeepFashion2 기반 착의량(CLO) 추정 알고리즘을 개발 및 검증하였다. 또한 도출된 동적 MET, CLO 값을 eQUEST 에너지 시뮬레이션에 적용하여 정적 가정 대비 냉방 부하 변화와 열쾌적성(PMV, PPD)에 미치는 영향을 분석했다.
연구방법
연구 개요
본 연구는 (1) 영상 기반 MET 추정 알고리즘 개발 및 검증, (2) 영상 기반 CLO 추정 알고리즘 개발 및 검증, (3) 도출된 동적 파라미터를 활용한 건물 에너지 시뮬레이션 및 열쾌적성 분석의 세 단계로 구성된다. 실험 대상 공간은 국립한밭대학교 그린에너지관 2층 209호 강의실(129.6 m2, 재실자 31인)이며, 참여자의 동의하에 수업 시간 중 강의실 상부에 설치된 카메라로 영상 데이터를 수집하였다. 수집된 영상은 YOLO 계열 자세 추정 모델과 DeepFashion2 기반 의류 인식 모델을 통해 재실자의 활동 상태(sitting, standing, walking)와 상·하의 착장 정보를 자동으로 식별한다. 프레임별로 산출된 개별 MET 및 CLO 값을 분 단위로 집계하여 강의실 전체의 집단 평균치를 도출하며, 이 동적 데이터를 eQUEST 모델의 재실자 발열량 및 PMV 입력 변수로 연계하여 시나리오별 냉방 부하와 열쾌적성 지표를 비교한다.
대사량(MET) 추정 알고리즘
대사량(MET) 추정 알고리즘은 Python 환경에서 구현하였으며, 인체 인식 모델로 YOLO v11n-Pose를 적용하였다(Jocher et al., 2023). 이 모델은 객체 검출과 17개 관절 키포인트 추출을 단일 추론 과정에서 동시에 수행하여, 다중 인원 환경에서도 실시간 처리가 가능하다(Konak et al., 2023). MET을 추정하기 위한 자세 및 재실자의 움직임을 판단하는 플로우 차트를 Figure 1에 나타냈다.
(1) 객체 추적: 각 프레임에서 인체 바운딩 박스의 중심 좌표(centroid)를 계산하고, 이전 프레임의 중심 좌표와의 유클리드 거리를 비교하여 동일 인물 여부를 판단하는 centroid tracker를 적용한다. 프레임 간 이동 거리의 상한 는 영상의 폭 높이 에 비례하여 설정함으로써 해상도에 따른 편차를 반영하고, 비정상적인 ID 연결을 방지한다. 구체적으로는 의 5%와 60픽셀 중 더 큰 값으로 지정한다(Table 1).
(2) 키포인트 누락 보정: 조명 변화나 가림으로 인한 키포인트 누락에 대응하기 위해 버퍼 기반 보정 방식을 적용한다. 약 1.2초 분량의 이력 데이터를 저장하여 검출 오류 시 이전 프레임 값을 참조하며, 안정성 확보를 위해 최소 6프레임의 데이터를 유지한다. 신뢰도 임계치 는 0.3이상인 키포인트만 행동 분석에 활용한다.
(3) 앉기(sitting)/서기(standing) 자세 판별: 앉기와 서기 상태는 하체 관절각도와 상체 기울기를 기반으로 구분한다(Pishchulin et al., 2014). 무릎 각도는 고관절–무릎–발목을 잇는 관절각으로 계산하며, 앉은 자세 판별을 위한 무릎 각도가 임계치 인 115° 이하면 sitting 상태로 분류했다. 이는 앉은 자세에서 무릎이 굽혀지는 인체 특성을 반영한 값이다. 상체 기울기의 임계치 가 110° 이하면 sitting으로 판단했다. 상태 전이 시 급격한 전환을 방지하기 위해 각도 변화에 여유 구간(margin)을 설정했다. 전이구간(sitting ↔ standing)에서는 각도 여유 범위로 는 10.0°, 는 8.0°로 적용하여 경계 구간 내에서 상태가 빈번히 변하지 않도록 했다.
(4) 걷기(walking) 판별: 보행 동작은 발목 관절의 주기적 움직임을 기반으로 판별한다. 발목 좌표의 시간 변화 신호에 Fast Fourier Transform (FFT)분석을 적용하여, 보행 주파수 대역의 하한값 (0.6 Hz)과 상한값 (3.0 Hz) 범위에서 유의미한 에너지가 검출되면 walking 상태로 판단했다(Pfister et al., 2015). 해당 대역의 스펙트럼 에너지 비율 임계치 (0.2)은 전체 에너지 대비 보행 주파수 대역 에너지의 최소 비율을 의미하며, 이 값 이상일 때 보행성 주기 신호로 인정했다. 주기성만으로는 노이즈 제거에 한계가 있으므로, 신호의 피크 크기()와 프레임 간 키포인트 변위의 RMS 변화량()을 함께 고려하여 일시적 흔들림으로 인한 오분류를 방지했다.
(5) 상태 전이 안정화: 프레임 단위의 오분류와 상태 변화의 불안정성을 완화하기 위해 상태 확정 로직을 적용한다. 동일 상태가 일정 시간( = 0.02 s) 유지되는 경우만 최종 상태로 확정하며, 프레임 간 중심점 이동 변이도 고려하여 일정 수준 이상의 이동이 발생할 때에만 실제 움직임으로 판단했다. 이러한 안정화 과정을 통해 일시적 노이즈나 미세 움직임에 의한 오류를 최소화하고, 실제 행동 변화를 안정적으로 반영하도록 했다.
알고리즘의 행동 판별 및 MET추정에 적용된 주요 파라미터와 단계별 임계치(threshold)는 Table 1과 같다.
Table 1.
Classification and parameters for metabolic rate estimation
| Classification | Symbol | Value |
| Centroid tracker and key point | ||
| 0.3 | ||
| Sitting and standing classification | 115.0 | |
| 110.0 | ||
| 10.0 | ||
| 8.0 | ||
| Walking classification | 0.6 | |
| 3.0 | ||
| 0.2 | ||
| 0.4 | ||
| 4.0 | ||
| State transition stabilization | 0.02 |
착의량 추정 알고리즘
재실자 착의량(CLO)의 추정에는 YOLOv7-Pose알고리즘을(Wang et al., 2022) 이용한 DeepFashion2(Ge et al., 2019) 툴을 활용했다. 본 연구에서 적용한 CLO 추정 알고리즘 플로우 차트는 Figure 2와 같다. 입력 영상으로부터 자세 추정, 상·하의 분할, 의류 카테고리 분류, 피부 비율 기반 보정, 최종 CLO 산출의 순서로 처리가 진행된다.
착의량 추정 알고리즘은 다음의 주요 단계로 구성된다.
(1) 자세 추정 및 키포인트 추출: YOLOv7-Pose는 YOLOv7 객체 검출 모델에(Wang et al., 2022) 관절점(keypoint) 추출 기능을 결합한 모델로, 단일 추론 과정에서 사람의 바운딩 박스와 17개의 관절 좌표를 동시에 출력한다(Pfister et al., 2015; Konak et al., 2023). 본 연구에서는 사람 클래스만을 대상으로 검출을 수행하였으며, 중복 검출 제거를 위해 관절점 정보를 포함한 Non-maximum suppression (NMS)를 적용했다. 검출된 바운딩 박스와 관절점 좌표는 입력 이미지 리사이즈 과정의 패딩과 스케일 비율을 반영하여 원본 영상 좌표계로 복원했다.
(2) 다중 인원 추적: 다중 재실자 환경에서 재실자마다 ID를 부여하고, 프레임 간 동일 인물의 ID를 유지하기 위해 Intersection over Union () 기반 공간 정보, HSV 색상 히스토그램 기반 외형 특징, 그리고 이동 방향 정보를 결합한 경량 추적 알고리즘(SimpleTracker)을 적용하였다. 비용 함수는 식 (1)과 같이 세 항의 가중합으로 정의되며, 비용()이 최소인 쌍을 매칭한다.
여기서, 는 이전 프레임 트랙의 예측 바운딩 박스와 현재 검출된 바운딩 박스 간의 겹침 비율로, 값이 클수록 공간적으로 동일 인물일 가능성이 높음을 의미한다. 은 HSV 색상 히스토그램으로 표현된 두 트랙 간의 외형 유사도이며, 복장의 유사성을 판단하는 지표로 활용된다. 은 Exponential Moving Average (EMA) 기반 속도 벡터로 예측한 다음 프레임 위치와 실제 검출 위치 간의 거리로 정의된 이동 예측 오차이다. 는 각 항에 적용되는 가중치 파라미터이다. 동시에 외형 유사도 임계치()을 함께 설정하여, 계산된 유사도가 기준치 미만이면 오매칭으로 간주하였다. 또한 일시적 가림(occlusion) 발생 시에도 트랙을 즉시 제거하지 않고 연속 미검출 프레임 수를 누적 관리하여 추적의 연속성을 확보했다. 비용 함수의 주요 가중치는 Table 2에 나타냈다.
Table 2.
Cost function parameters
(3) 상·하의 구분: 의류 카테고리 분류 정확도를 높이기 위해 인체 전체 영역이 아닌 상의와 하의에 해당하는 관심 영역(ROI)를 분리하여 분석했다. 상·하의 분할 기준선은 바운딩 박스 높이의 60% 지점()으로 설정했다. 상의 ROI는 어깨–팔꿈치–손목 관절점의 좌표 분포를 기준으로 상단부터 엉덩이() 기준선까지의 영역으로, 하의 ROI는 엉덩이 기준선부터 바운딩 박스 하단까지의 영역으로 정의했다. 관절점 신뢰도가 낮거나 누락된 경우에는 바운딩 박스 비율에 기반한 기본 ROI를 사용했다.
(4) DeepFashion2 기반 의류 카테고리 매칭: 분리된 상·하의 ROI는 ResNet-18 기반 특징 추출기를 통해 임베딩 벡터로 변환되고, 사전에 구축된 DeepFashion2 참조 임베딩 집합과의 코사인 유사도를 산출하여 가장 유사한 의류 카테고리를 결정했다(Yang et al., 2016; Ge et al., 2019). 동일 카테고리에 다수의 참조 이미지가 존재하므로 카테고리별 최고 유사도 값을 대표값으로 사용하였다. 유사도가 임계치 미만이면 해당 ROI를 unknown으로 처리하고 오분류를 방지했다. 의류 카테고리별 착의량 매핑값은 ASHRAE Standard 55에 기반하여 산출했다(ASHRAE, 2020).
(5) YCrCb 피부색 기반 의류 길이 보정: DeepFashion2 분류만으로는 상의 길이(반팔/긴팔) 및 하의 길이(반바지/긴바지)를 구분하기 어렵다. 이에 YOLOv7-Pose 관절점 기반으로 팔 하부와 정강이 영역에 대한 ROI를 동적으로 생성하고(Wang et al., 2022), YCrCb 색공간 기반 피부 마스킹을 수행하여 피부 노출 비율을 산출했다. 팔 영역 피부 비율이 임계치 이상이면 반팔, 미만이면 긴팔로 보정하고, 이상이면 반바지, 미만이면 긴바지로 보정했다. 길이 보정은 판정 신뢰도가 이상일 때에만 적용하여 과도한 수정에 의한 오류를 방지하도록 했다. YCrCb 색공간 구성 요소 및 피부색 판별 범위는 Table 3과 같다.
Table 3.
YCrCb color space components and skin detection range
(6) 히스테리시스 기반 라벨 안정화: 프레임 단위 분석 특성상 조명 변화, 자세 변화, 부분 가림 등에 의해 의류 카테고리 판정이 순간적으로 변동이 발생할 수 있다. 이를 억제하기 위해 현재 상태가 과거의 결과에 의존하여 급격한 변화를 억제하는 히스테리시스 원리를 도입했다. 최근 프레임 동안의 판정 결과를 누적하고, 특정 라벨이 히스테리시스 판별 비율 임계치() 이상을 차지하는 경우만 최종 라벨을 변경했다. 반대인 경우, 이전 프레임의 라벨을 유지하여 불확실한 상황에서의 잦은 라벨 변경을 방지하도록 했다. 안정화된 최종 카테고리에 ASHRAE Standard 55 기준 CLO 값을 매핑하여 상·하의 착의량을 합산하여 식 (2)를 통해 최종 착의량을 추정했다.
여기서, 은 재실자 1인의 총 착의량을 나타내며, 와 는 각각 상의와 하의의 착의량을 의미한다.
에너지 시뮬레이션 모델링
에너지 시뮬레이션은 DOE-2 엔진 기반의 eQUEST를 활용하였다(Hirsch and Associates, 2009; Park et al., 2013; Na et al., 2015). 분석 대상 건물은 국립한밭대학교 그린에너지관으로, 상하부 층 및 인접 공간과의 열적 경계 조건(thermal boundary conditions)을 반영하기 위해 건물 전체를 먼저 모델링한 뒤, 2층 209호 강의실을 독립된 Thermal zone으로 구축했다. Figure 3은 eQUEST 기반 건물 모델 및 분석 대상 구역을 나타내며, 에너지 시뮬레이션을 위한 대상 건물 및 구역의 세부 조건을 Table 4에 나타냈다.
Table 4.
Building and classroom model specifications
| Category | Item | Value | Target zone | Note |
|
Building information | Building use | University | - | - |
| Area (m2) | 11,144 | 129.6 | - | |
| Floors | B1F~10F | 2F | - | |
| Orientation | - | Northwest | - | |
|
Thermal transmittance, U-value (W/(m2·K)) | Exterior wall | 0.34 | 0.34 | - |
| Interior wall | 0.48 | 0.48 | - | |
| Floor | 0.22 | - | Replaced by ceiling load | |
| Ceiling | 0.81 | 0.81 | - | |
| Window | 2.4 | 2.4 | Wndow-to wall ratio: 25% | |
|
Internal loads | Occupants | 31 persons | 105 W/person (based on 1.0 MET; see Table 5 for case specified values) | |
| Lighting | 6 W/m2 | - | ||
| Equipment | 6 W/m2 | - | ||
| Setpoint | 25℃ | - | - | |
| Schedule | 08:00–18:00 | - | ||
| Weather data | Yuseong-gu, Daejeon | - | ||
| Simulation date | 2025/10/2 | - | ||
착의량(CLO)은 재실자의 열쾌적성 평가 지표(PMV, SET*)에 영향을 미치지만, 건물의 냉방 부하 산정에는 직접적인 영향을 주지 않는다. 한편, EnergyPlus에서는 착의량 스케줄(Clothing Insulation Schedule)을 적용하여 PMV 수치를 시뮬레이션 내에서 직접 도출할 수 있으나, 본 연구에서 사용한 eQUEST (DOE-2 엔진 기반)는 Clothing Insulation Schedule 입력을 지원하지 않는 구조적 한계를 가진다. 이에 따라 실측한 착의량 결과를 시뮬레이션에 직접 적용하지 않고 CBE Thermal Comfort Tool을 활용한 후처리 방식으로 열쾌적성 평가 지표(PMV, SET*)를 도출했다(Kim et al., 2025).
활동량과 착의량의 정적·동적 조합에 따른 시뮬레이션 조건은 Table 5와 같이 설정하였다. 기준 모델(Case 1)은 두 변수 모두 표준값을, Case 2는 착의량만 실측값, Case 3은 대사량만 실측값을 적용하며, 제안 모델(Case 4)은 두 변수 모두 실측값을 적용하여 실측 데이터의 영향을 단계별로 비교·분석하였다. 냉방 부하 분석은 eQUEST의 입력 구조상 대사량 변화가 반영되는 Case 1과 Case 3만을 비교하였으며, 열쾌적성 분석은 Case 1부터 Case 4까지 모든 조건에 대해 수행했다.
Table 5.
Simulation case configurations
열쾌적성 분석 방법
열쾌적성 분석은 ASHRAE 55 기준의 CBE Thermal Comfort Tool을 활용하여 PMV, PPD, SET*를 산출하여 평가했다. PPD는 PMV로부터 산출되는 불만족자 비율(%)이며, ASHRAE Standard 55는 PMV −0.5~+0.5, PPD 10% 이하를 쾌적 범위로 규정하고 있다(ASHRAE, 2020). SET* (standard effective temperature, 표준 유효 온도)는 실내 열환경을 단일 온도 지표로 통합하여 표현하는 환경지표이다.
알고리즘 검증 결과
MET 추정 알고리즘 정확도
단일 인원 검증 실험은 피험자가 sitting, standing, walking을 순서대로 수행하는 통제 환경에서 진행하였다(Ainsworth et al., 2011). 재현성 확보를 위해 조건별 30~50회 반복 실험을 수행하였다. 활동 상태별 기준값(ASHRAE Standard 55 표준 MET), 실험값, 오차율을 Table 6에 나타냈다(ASHRAE, 2020).
Figure 4는 1인 MET 추정에 대한 실제값과 실험값의 상관관계를 나타낸다. MET 추정 알고리즘의 단일 인원 검증 결과, 전체 평균 오차율은 24.9%로 나타났으며, 기준값과 실험값 간의 선형 상관계수는 R = 0.44였다. Sitting 상태에서는 무릎 각도 기반 분류가 명확히 작동하여 sitting 상태에서 0%, standing 상태에서 54.2%, walking 상태에서 20.4%의 오차율을 보였다. Standing 오분류가 집단 평균 MET에 기여하는 오차는 약 +0.05 MET(약 4.8%) 수준으로 추산되어, 분 단위 집단 평균 산정에 미치는 영향이 제한적임을 확인했다.
Standing 오분류가 집단 평균 MET에 미치는 영향을 정량적으로 추정하면, 실제 강의실에서 standing 상태의 발생 비율(약 8%)을 고려할 때 약 +0.05 MET(집단 평균 대비 약 4.8%) 수준이며, walking 실측값이 이론값을 하회(−20.4%)하는 경향과 일부 상쇄된다. 또한 에너지 시뮬레이션에는 개별 프레임값이 아닌 분 단위 집단 평균(1.08 MET)이 입력되므로, 프레임 단위 오분류가 최종 결과에 미치는 영향은 제한적이다. 이러한 오분류를 완화하기 위한 보완 방안으로는 (1) 연속 프레임 자세 유지 시간 임계값 적용, (2) Hysteresis 기반 경계 구간 설정, (3) 이동평균 필터를 활용한 시계열 노이즈 제거 등을 향후 알고리즘 개선 방향으로 제시한다(Kim et al., 2017; Kim and Choi, 2024).
Table 6.
Metabolic rate estimation accuracy by activity state
| Item | Sitting | Standing | Walking |
| Reference value (MET) | 1.0 | 1.2 | 2.0 |
| Measured value (MET) | 1.0 | 1.85 | 1.59 |
| Error (%) | 0 | 54.2 | 20.4 |
다중 인원 강의실 환경에 적용한 결과, Figure 5와 같이 인원 수가 적고 시야가 확보된 경우 안정적인 추적과 행동 분류가 이루어졌다. 반면 Figure 6과 같이 피사체가 작게 보이거나 서로 가리는 경우 관절 검출 정확도가 저하되는 한계가 관찰되었다. YOLOv11n-Pose의 키포인트 검출 신뢰도 임계값 0.5를 기준으로, 가림이 적은 저밀도 구간에서는 프레임당 검출률이 약 90% 이상으로 안정적으로 유지된 반면, 31명이 밀집한 고밀도 구간에서는 검출률이 약 70~80%(프레임당 평균 검출 인원 22~25명) 수준으로 저하되었다. 미검출 재실자는 주로 뒷줄에 위치하여 sitting 상태인 경우가 대부분이므로, 미검출로 인한 편향은 집단 평균 MET가 실제보다 소폭(약 +0.03~0.05 MET) 높게 산출되는 방향으로 작용할 가능성이 있다. 이러한 가림 편향이 집단 평균 추정값에 내재된 통계적 불확실성으로 작용함을 본 연구의 한계로 명시한다. 이러한 한계에도 불구하고, 영상 기반으로 산출된 분당 집단 대사량 평균은 1.08로 기존 표준값 1.0과 유의미한 차이를 보였다.
CLO 추정 알고리즘 정확도
착의량 알고리즘 검증은 4가지 착의 조건(반팔+반바지, 긴팔+반바지, 반팔+긴바지, 긴팔+긴바지)에 대해 ASHRAE Standard 55 기준 CLO 값과 알고리즘 추정값을 비교하였다. 각 조건별 기준값, 실험값, 오차율의 결과를 Table 7에 나타냈다. 검증 결과, CLO 추정 알고리즘의 검증 결과, 상대 오차율은 0.3~23.8% 범위로 분포하였으며 전체 평균 오차율은 11.5%로 나타났다.
Table 7.
Clothing insulation estimation accuracy by clothing condition
Figure 7은 4가지 착의 조건에 대한 기준값과 실험값의 상관관계를 나타낸 검증 그래프이다. 기준값과 실험값 간 선형 상관계수는 R = 0.83으로, 추정 CLO 값이 기준값의 증가 경향을 비교적 정확히 반영하였다. 이는 제안 알고리즘이 단순 분류에 그치지 않고, 착의 상태 변화에 따른 정량적 CLO 변화를 효과적으로 포착함을 보여준다. 다만 CLO는 의복 자체의 물리적 특성으로 정의되나, 실제 착의 양상은 계절과 외기 조건의 영향을 받을 수 있다. 본 연구는 계절적 맥락을 독립 변수로 명시적으로 모델링하지 않았으며, CLO 0.36~0.70 범위의 4가지 착의 조합 중 특정 조합에서 최대 23.8%의 오차가 발생하였다는 점을 한계로 명시한다.
Figure 8은 실제 강의실 환경에서의 CLO 추정 알고리즘 적용 결과화면이다. 각 재실자의 상·하의 의류 카테고리가 프레임 단위로 표시되고, 개인별 CLO 추정값이 함께 출력된다. 분석 결과, 집단 평균 CLO는 약 0.565 ± 0.122로 산출되었다. 다만 앞서 MET 추정에서 기술한 바와 같이 가림 현상에 의한 검출 누락(False Negative)으로 미검출 재실자의 착의 상태가 평균에서 제외되므로, 도출된 집단 평균 CLO에는 동일한 통계적 불확실성이 내재되어 있다.
에너지 시뮬레이션 결과
실측 기반의 집단 평균 MET 1.08과 표준 MET 1.0을 기반으로 산출된 재실자 발열량을 eQUEST에 적용하여 냉방 부하를 비교한다. 대사량 변동에 따른 냉방 부하 차이를 확인하기 위해 Case 1과 Case 3의 비교를 중심으로 분석했다.
냉방 부하 분석
Figure 9는 표준 MET(1.0)을 적용한 Case 1의 209호 강의실 시간대별 공간 냉방 부하 그래프이며, 오후 15시에 피크 냉방 부하 3,581 W가 나타났다. 야간(1~7시)에는 설정온도 이하로 냉방이 불필요한 음(−)의 부하가 기록되며, 오전 8시부터 부하가 상승하는 패턴을 보였다.
Figure 10은 실측 기반 동적 MET(1.08)를 적용한 Case 3의 209호 강의실 시간대별 공간 냉방 부하 그래프이다. Case 3의 최대 피크 냉방 부하는 약 3,829 W로 산출되어 Case 1(약 3,581 W) 대비 248 W(약 6.93%) 증가하였다. Figure 9와의 비교를 통해 실측 MET 적용이 냉방 부하에 미치는 영향을 확인할 수 있다. 두 결과 모두 오후 15시에 피크를 기록하는 유사한 일간 패턴을 보이나, Case 3은 운영 시간 전반에 걸쳐 Case 1보다 일관되게 높은 부하를 나타냈다.
이러한 결과의 차이는 재실자의 실제 활동 수준에서 기인한다. Case 1에 적용된 표준 1.0 MET는 ASHRAE Standard 55에서 규정하는 일반적인 사무 활동 기준을 따르는 반면 Case 3에 적용된 실측 동적 MET는 평균 1.08로 측정되어 표준보다 약 8% 높게 나타났다. eQUEST는 인체 발열량을 MET 값에 비례하여 산출하므로, 현장에서 측정된 동적 MET는 실내 열부하 계산에 직접 반영되었다. 표준값 대비 8% 높은 실측 평균 MET가 냉방 부하 계산에 누적되어, 오후 피크 시간 기준 Case 1 대비 약 6.93%의 부하 상승을 초래하였다. 이는 표준 MET에 기반한 정적 모델이 강의실의 실제 활동 수준을 과소평가할 수 있음을 시사한다. 결과적으로 실측 기반의 동적 MET를 적용한 Case 3이 실제 부하에 더 근접한 예측치를 제공하며, 건물 에너지 설계 단계에서 재실자 행동 데이터의 반영이 부하 예측의 신뢰도 향상에 기여할 수 있음을 보여준다.
MET가 약 8% 증가하였음에도 피크 냉방 부하 증가율이 6.93%로 나타난 것은 공간 냉방 부하의 산정 구조에 의한 결과이다. eQUEST에서 산출되는 공간 냉방 부하는 인체 발열량 외에도 외피(벽체·창문)를 통한 열전달, 외기 침투 부하, 조명 발열량 등 복수의 열원이 복합적으로 합산된다. 본 분석에서 인체 발열량(Case 1: 3,255 W → Case 3: 3,503 W)의 증가분은 전체 냉방 부하의 일부 항목에 해당하므로, MET 자체의 증가율(약 8%)이 전체 부하 증가율(6.93%)보다 다소 높게 나타나는 것은 이러한 복합 열원 구조에 기인한 합리적인 결과이다.
열쾌적성 평가
실측된 동적 데이터가 실내 온열 환경에 미치는 영향을 정량적으로 분석하기 위해, ASHRAE 55 기준의 CBE Thermal Comfort Tool을 이용하여 PMV, PPD, SET*를 산출하였다. 평가 기준 시점은 냉방 부하가 가장 높은 15시로 설정하였으며, 실내 환경 조건은 설정 온도 25℃, 상대 습도 50%, 공기 속도 0.1 m/s, 평균 복사 온도(MRT)는 실내 온도와 동일한 것으로 가정하였다. Case별 열쾌적성 평가 결과는 Table 8과 같다.
Table 8.
Thermal comfort indices by simulation case
| Case | MET | CLO | PMV | PPD | SET* (℃) |
| Case 1 | 1.0 | 0.5 | −0.40 | 8% | 24.0 |
| Case 2 | 1.0 | 0.56 | −0.26 | 6% | 24.4 |
| Case 3 | 1.08 | 0.5 | −0.27 | 6% | 24.2 |
| Case 4 | 1.08 | 0.56 | −0.14 | 5% | 24.6 |
모든 Case에서 PMV는 ASHRAE Standard 55의 쾌적 범위(−0.5~+0.5)를 만족하였고, PPD도 10% 이하의 기준을 충족하였다. 기준 모델인 Case 1(PMV −0.40)과 비교하여, CLO만 동적으로 적용한 Case 2는 PMV −0.26(ΔPMV = +0.14), MET만 동적으로 적용한 Case 3은 PMV −0.27(ΔPMV = +0.13)로 나타나, CLO와 MET의 쾌적성 개선 효과가 유사한 수준으로 확인되었다. 두 요소를 동시에 적용한 Case 4는 PMV −0.14(ΔPMV = +0.26)로 가장 중립값에 근접하였으며, 이에 대응하는 SET*는 Case 1의 24.0℃에서 Case 4의 24.6℃로 0.6℃ 상승하였다.
ΔPMV = +0.26의 변화는 ASHRAE 55의 7점 척도 기준에서 “약간 서늘함(−0.40)”으로부터 “중립(neutral)에 근접한 상태(−0.14)”로의 전환을 의미하며, 0.1 수준의 PMV 변화도 재실자가 감지할 수 있는 온열감 차이로 보고된다. PPD 또한 8%에서 5%로 3% 감소하여 불만족 재실자 비율이 실질적으로 줄어드는 효과가 확인되었다. 이는 동일한 설정온도(25℃) 조건에서도 재실자 실측 특성을 반영함으로써 추가적인 설비 운전 없이 쾌적성 예측 정확도를 향상시킬 수 있음을 시사한다.
결 론
본 연구에서는 영상 기반 AI 기술을 이용하여 재실자의 동적 대사량(MET)과 착의량(CLO)을 자동 추정하는 알고리즘을 개발·검증하고, 도출된 동적 파라미터를 eQUEST 에너지 시뮬레이션에 적용하여 정적 가정 대비 효과를 분석하였다. 주요 결론은 다음과 같다.
(1)MET 추정 알고리즘: YOLOv11n-Pose 기반 MET 추정 알고리즘은 단일 인원 환경에서 평균 오차율 24.9% (R = 0.44)를 기록하였고, sitting 상태에서 0%, walking 상태에서 20.4%의 오차율을 보였다. 다중 인원 강의실 환경에서 도출된 집단 평균 MET는 1.08로, 기존 고정값 1.0과 유의미한 차이를 보였다.
(2)CLO 추정 알고리즘: YOLOv7-Pose와 DeepFashion2 기반 CLO 추정 알고리즘은 4가지 착의 조건에서 평균 오차율 11.5% (R = 0.83)의 성능을 보였으며, 실제 강의실에서 집단 평균 CLO 0.565 (±0.122)를 도출했다.
(3)에너지 시뮬레이션 및 열쾌적성 결과: 실측 MET 적용 시 피크 냉방 부하가 Case 1 (3,581 W) 대비 Case 3 (3,829 W)으로 6.93% 증가하여, 표준값 기반 정적 모델이 실제 냉방 수요를 과소평가할 수 있음을 확인하였다. 동적 MET·CLO를 동시에 반영한 Case 4는 PMV -0.14 (ΔPMV = +0.26)로 가장 중립에 근접하였으며, 모든 Case에서 ASHRAE Standard 55의 쾌적 기준(PMV ±0.5, PPD ≤ 10%)을 만족하였다. 이는 동일한 설정온도 조건에서도 재실자 실측 특성을 반영함으로써 열환경 예측의 정확도를 실질적으로 향상시킬 수 있음을 시사한다.
다만 본 연구는 중규모 강의실(129.6 m², 31명)을 대상으로 2025년 10월 2일 단일 관측일에 한정하여 수행되었다는 한계를 가진다. 특히 가림 현상에 의한 검출 누락(False Negative)이 집단 평균 추정값에 통계적 불확실성으로 작용하며, 10월 초의 착의 조건이 냉방 부하가 극심한 하절기(7~8월)와 상이하여 계절적 대표성에도 제약이 존재한다. 또한 본 연구에서 사용한 eQUEST (DOE-2 엔진)는 Clothing Insulation Schedule 입력을 지원하지 않아 시뮬레이션 내부에서 PMV를 직접 산출하지 못하며, 이에 따라 실측 CLO는 CBE Thermal Comfort Tool을 통한 후처리 방식으로 열쾌적성 평가에 반영되었다.
향후 연구에서는 (1) 하절기 피크 냉방 시기와 동절기 난방 시기를 포함한 다계절 데이터 수집, (2) 사무실·도서관·체육관 등 다양한 공간 유형과 재실 밀도 조건에서의 검증, (3) 연속 프레임 자세 유지 시간 임계값, hysteresis 기반 경계 구간 설정, 이동평균 필터 등을 활용한 알고리즘 개선을 통해 범용성과 정확도를 체계적으로 향상시킬 예정이다. 또한 실측 MET·CLO를 반영한 모델을 기반으로 PMV 0을 유지하는 최적 냉방 설정 온도를 도출하여, 재실자 쾌적성 확보와 에너지 효율 개선을 동시에 달성할 수 있는 제어 방안을 검토할 계획이다.
