Research Article

Journal of Korean Institute of Architectural Sustainable Environment and Building Systems. 30 June 2022. 206-218
https://doi.org/10.22696/jkiaebs.20220018

ABSTRACT


MAIN

  • 서 론

  • 측정개요

  •   오피스 대상지 선정

  •   측정방법

  • 결과 및 토의

  •   군집분석(K-means clustering)을 통한 클러스터 분석

  •   재실자 평균 열감각과 실내 환경요인의 변화량 관계 분석

  •   유형별 쾌적온도 분석

  • 결 론

서 론

현재 국내에서는 오피스를 대상으로 한 공조시스템의 제어 방법으로는 중앙 집중 제어가 보편적으로 적용되어 있다. 그러나 중앙 집중 제어되는 오피스의 제어 시스템에 대한 한계를 인식하고 개별 제어 등 다양한 관련 규제와 제어 방법들이 연구되고 있다.

다양한 제어 방법의 개발에 있어 기초가 되어야 하는 가장 큰 변수는 ‘재실자’이다. 건물을 실제로 이용하는 다양한 재실자의 열적 관련 요구를 건물 제어시스템이 받아들이지 못한다면 이는 누구를 위한 방안인지 목적성을 잃는 것과 같다. 특히 다수의 재실자가 한 공간에서 효율적으로 업무 능률을 발휘하기 위해서는 개개인의 열적 쾌적이 담보되어야 한다(Kim et al., 2020). 이에 중앙집중 제어되는 오피스는 재실자의 열적 쾌적성을 필수적으로 고려하여 제어를 결정할 수 있는 방법을 모색하여야 한다.

재실자의 열 쾌적성은 개인마다 차이가 있으나 열・쾌적감 단위의 유형별로 공통적인 특성이 존재한다(Kim et al., 2022). 이를 바탕으로 재실자의 열 쾌적성과 관련된 선행연구에서는 재실자의 열적 민감도(Thermal sensitivity)를 분석하는 연구가 진행되고 있으며(Rupp et al., 2019), 최근 연구(Gauthier et al., 2020)에서는 주관적인 재실자의 열적 쾌적성을 클러스터화하여 유형별로 특성을 구분하였다. 그러나 중앙 집중 제어되는 오피스에서 재실자 중심의 실내 환경 제어를 위해서는 일반적으로 재실자 열 쾌적감의 만족으로 간주되는 열감각(TSV)을 적용한 ‘쾌적온도(열감각 투표 ‘0’, 중립)’가 필요하다(ASHRAE, 2013). 기존의 제어시스템 관련 클러스터 연구들에서는 열적 민감도로 도출된 유형에 대한 쾌적온도와 관련된 분석이 부족하다.

따라서 본 연구에서는 오피스 내 재실자의 각기 다른 열적 민감도를 공통된 특성을 기반으로 클러스터하여 여러 명의 재실자를 하나의 유형으로 정의한 후, 각 유형별 쾌적온도를 도출하였다. 이는 오피스 내 재실자의 열적 민감도에 따른 재실자 그룹을 규명하고 그에 따른 재실자 유형별 열감각 기반의 쾌적온도를 도출하여 재실자의 열적 민감도 수준에 따른 열적 쾌적성의 특성을 파악하는 것을 목적으로 한다.

측정개요

오피스 대상지 선정

실험 대상지 개요는 Table 1과 같다. 실험 대상지 모두 중앙 제어되는 난방기기의 설정온도는 22°C였다. 모든 공간 내 천장에는 공조시스템(HVAC)이 설치되어 있으며, 이를 조절하여 실내 온도 조절과 실내오염 공기 방지 및 공기 청정도 유지하고 있다. 본 건물은 고기밀성 단열창, 로이복층유리 및 단열필름을 적용한 냉난방 효율이 높은 건물이다.

Table 1.

Overview of the target building

Category (a) Case 1 (b) Case 2 (c) Case 3 (d) Case 4
Location Buk-gu, Daegu Buk-gu, Daegu Nam-gu, Daegu
Facility Building G of K University Daegu A center B office
Experimental area 138.12㎡ 26.05㎡ 38.47㎡ 58.95㎡
Facility use Office space
method Central HVAC system (central heating system)
Building features 24 mm low-e double glass low-e double glass low-e double glass
U-value 1.690W/㎡K 1.690W/㎡K 1.740W/㎡K 1.600W/㎡K
SHGC 0.486

측정방법

Table 2의 측정장비를 이용하여 Figure 1과 같이 설치하였다. 실험공간(1)은 3대의 시스템 난방기와 기계환기 설비(ERVs)(정사각형 0.5 m×0.5 m 토출구 8개)가 있다. 실험공간(2)는 1대의 시스템 난방기에 기계환기 설비(ERV) 토출구 1개가 있다. 실험공간(3)은 1대의 시스템 난방기와 기계환기 설비(ERVs) 토출구 2개가 있다. 실험공간(4)는 1대의 시스템 난방기와 기계환기 설비(ERV) 토출구 2개가 있다. 실험 대상지의 모든 시스템 난방기 및 기계환기 설비는 천장에 설치되어 있으며, 중앙집중식으로 제어된다.

Table 2.

Test range and precision of the measurement instruments (physical data)

Model Measured element Unit Test range Precision Resolution
testo 480 air temperature °C 0 ~ 50°C ± 0.1°C 0.1°C
relative Humidity RH 0 ~ 100% RH ± (1.8%RH + 0.7 measurement %) 0.1% RH
air current m/s 0 ~ +5 m/s ± (0.03 m/s + 4 measurement %) 0.01 m/s
radiant temperature °C 0 ~ +120°C - 40 ~ +1000°C 0.1°C
CO2 ppm 0 ~ + 10000 ppm ± (75 ppm + 3 measurement %) 1 ppm
PMV - -3 ~ +3 - 0.01
PPD - 0 ~ 100% - 0.1%
TR-72Ui air temperature °C -10 ~ 60℃ ±0.3℃ 0.1°C
relativeHumidity RH 10 ~ 95% RH ±5% 1%RH

/media/sites/kiaebs/2022-016-03/N0280160303/images/Figure_KIAEBS_16_3_03_F1.jpg
Figure 1.

Locations of measurement instruments and questionnaire respondents

주관적인 재실자 쾌적성을 파악하기 위해 평가지표 파트(1)에서 피험자의 주관적인 쾌적감, 파트(2)는 개인적인 기본 정보에 대해 작성하도록 구성하였다. 본 연구에서 도출한 평가지표 내 항목 및 척도는 관련 선행연구(Schweiker et al., 2019; Schweiker et al., 2020)를 바탕으로 Figure 2와 같이 도출하였다. 열・쾌적감 관련 연구에서 열감각(Thermal Sensation Vote, TSV), 열쾌적성(Thermal Comfort Votes, TCV), 열수용도(Thermal Acceptability, TA) 및 열선호도(Thermal Preference, TP)는 건물 열 조건에 대한 주관적인 평가를 수집하는 데 사용된다(ISO 10551, 2001; Zhang et al., 2017) 모든 피험자는 최소 12시간 전에 알코올, 흡연 및 강렬한 신체 활동을 피하도록 요청하였다. 실험 시 측정되는 데이터에 대한 조사 및 공유, 저장, 요구사항을 포함한 모든 과정에서 참가자들의 윤리적 승인을 받았다.

Table 3과 같이 평가지표 파트(2)의 개인적인 특성을 분석하였다. 실제 실측공간에 근무하는 직원과 사전에 모집된 피험자를 포함하여 총 105명이 참가하였다. 의류 단열(clo) 및 대사율(met)은 ASHRAE의 오피스 기준과 유사한 수준으로, 편차는 전체 약 10% 수준으로 조사되었다. 이는 변수의 제한으로 실험 결과에 미치는 영향을 최소화하였다.

/media/sites/kiaebs/2022-016-03/N0280160303/images/Figure_KIAEBS_16_3_03_F2.jpg
Figure 2.

Part (1) Questionnaire items and rating (subjective data)

Table 3.

Part (2) Personal characteristics of the experimental subjects

Subjects Age Height (cm) Weight (kg) BMI (kg/m2) Clo Met
Mean 𝜎 Mean 𝜎 Mean 𝜎 Mean 𝜎 Mean 𝜎 Mean 𝜎
Male (N:50) 28.24 3.44 176.72 6.16 76.23 9.03 24.95 3.56 0.9 0.1 1.1 0.1
Female (N:55) 29.13 3.25 168.21 5.12 65.25 7.82 22.76 4.93 1.1 0.3 1.1 0.1
Total (N:105) 28.59 3.72 172.98 9.89 71.34 13.92 23.17 5.34 1.0 0.3 1.1 0.1

σ is standard deviation.

결과 및 토의

군집분석(K-means clustering)을 통한 클러스터 분석

군집분석은 공통된 특징이나 유사한 값을 서로 연결하여 유형화시키는 분석 방법으로, 최근에는 기계학습 분류되어 대량의 복잡한 데이터의 관계를 이해하는 데 사용되고 있다. 이 방법의 목적은 N개의 변수에 대한 유사성을 기반으로 객체를 상대적으로 유사한 유형끼리 분류하는 것으로, 재실자들의 대량의 복잡하고 주관적인 열쾌적감을 공통의 유사성을 기준으로 유형화할 수 있다. 이는 재실자의 요구사항이 적용되지 못하는 중앙집중 제어 시 재실자를 고려하기 위한 재실자 유형별 적절한 제어 방안을 설계할 수 있다.

이는 대표적인 군집 알고리즘으로 계산 효율성이 높으며, 계층적 군집 분석보다 큰 규모의 데이터를 다룰 수 있다. N개의 군집갯수가 적용되었을 때 K-평균 클러스터링은 이를 k-세트로 분류한다. 클러스터링은 다음과 같은 식 (1)에서 목적 함수 J를 사용하여 전체 클러스터 내 분산을 최소화하는 것을 목표로 한다(Yoganathan et al., 2016).

(1)
J=j=1kj=1nxi(j)-cj

k: 클러스터 수

n: 관측치 수

xi(j): 관찰, n-observation

cj: 클러스터-j의 중심값

xi(j)-cj: 중심값까지의 각 관측치 사이의 거리

그러나 위의 방법론은 사전에 몇 개의 클러스터를 만들 것인지에 대해 직접 지정해주어야 하므로 다소 주관적인 판단이 들어간다는 단점이 있다. 이를 보완하기 위해 선행연구 분석을 바탕으로 k값(군집 개수)의 성능을 보장하기 위해 재실자의 특성에 따른 적절한 제어 방법을 분석하기 위해서 선행연구(Schweiker and Wagner, 2018)를 바탕으로 3번의 검증 이후, 관계 분석을 거쳐서 군집화(유형화)하였다. 본 연구에서는 평균 연결법을 사용한 덴드로그램을 통해 집단 간 분석으로 군집을 조합하였으며, 데이터는 피험자 105명의 설문지(Figure 2) 데이터 중 열감각(TSV) 변화량 데이터 5,134개를 사용하였으며, 클러스터 분석 시 유사성(변수)은 TSV를 기준으로 하였다.

클러스터 분석 결과, 유형별 특성이 뚜렷하게 도출된 군집갯수는 5개로 도출되었다. 따라서 본 연구에서는 5개의 case(이하 cluster)을 대표군으로 설정하였다.

도출된 결과는 Figure 3과 같다. (0.0)을 중심으로 중간값은 cluster.4로 묶였으며, y축을 기준으로 음수는 cluster.3으로, 양수는 cluster.2로 묶였다. cluster.1은 x축을 기준으로 양수에, 열감각은 –1부터 1까지의 범위에 분포되는 결과값이 묶였다. cluster.5는 온도가 모든 범위에 속하며, 열감각 변화는 –1과 0에 포함되는 결과들이 묶였다. 클러스터 5개에서 cluster.4가 2,341개로 가장 많은 케이스가 클러스터링 되었으며, cluster.5가 1,160개 2번째로 많은 케이스를 클러스터링하였다. 이후 순서대로 cluster.1이 908개, cluster.3이 385개로 클러스터링 되었으며 마지막으로 cluster.2가 340개로 가장 적은 데이터가 클러스터링 되었다.

cluster.1의 온도의 변화율(δ2Top) 평균은 1.5°C이며, TSV의 변화율(δ2TSV) 평균은 0.3이다. cluster.2의 평균 δ2Top는 1.3°C이며, δ2TSV은 2.2이다. cluster.3의 평균 δ2T는 -1.3°C이며, δ2TSV은 –2.3이다. cluster.4의 평균 δ2T는 0°C로 변화량이 없는 것을 의미하며, δ2TSV은 0.1이다. 마지막 cluster.5의 평균 δ2T는 –0.4°C이며, δ2TSV은 –0.6으로 도출되었다.

/media/sites/kiaebs/2022-016-03/N0280160303/images/Figure_KIAEBS_16_3_03_F3.jpg
Figure 3.

Case cluster (case.1-5)

재실자 평균 열감각과 실내 환경요인의 변화량 관계 분석

도출된 유형별(cluster.1-5) 실내 환경요인의 평균 데이터는 Table 4와 같으며, Table 5와 같이 각 유형의 평가지표(열감각(TSV), 열쾌적(TCV), 열수용도(TA), 열선호도(TP))에 대한 조사 결과를 Figure 4로 도출하였다.

cluster.1은 Cold(-3)부터 Warm(2)에 TSV가 분포되어 있다. 가장 많이 도출되는 TSV값은 Neutral(0)이며, 가장 적은 응답 항목은 Cool(-2)이다. cluster.1에서 대다수는 (1)TSV은 ‘0(Neutral)’하며 (2)TCV는 ‘6’으로, 동시에 (3)TA에서 ‘열을 수용하며(1,2)’, (4)TP에서 ‘현재 상태 유지, 만족(0)’에 높은 응답 비율로 전체적으로 현재 상태에 만족하며 적응하는 쾌적감을 보였다. cluster.2의 결과, Slightly cool(-1)부터 Warm(2)에 분포되어 있다. 가장 많이 도출되는 TSV는 Neutral(0)이며, 가장 적은 응답 항목은 Warm(2)이다. cluster.2에서 대다수는 (1)TSV은 ‘0’하며 (2)TCV는 ‘4’하지만, (3)TA에서 ‘열을 수용할 수 없다(-1)’고 응답하였다. 또한 (4)TP에서 ‘0,1’로 유지와 조금 따뜻한 열을 선호하는 것으로 나타났다. cluster.3의 결과, Cold(-3)부터 Warm(2)까지 분포되어 있다. 가장 많이 도출되는 TSV는 Cold(-3)이며, 가장 적은 응답 항목은 Warm(2)이다. cluster.3에서 대다수는 (1)TSV은 ‘-3’하며 (2)TCV는 ‘3’로 춥고 조금 불쾌하기 때문에 (3)TA에서 ‘-2’에 69.2%로 높은 비율을 보였으며 (4)TP에서 ‘1’로 조금 따뜻한 열을 선호하는 것으로 나타났다. cluster.4은 Cold(-3)부터 Warm(2)까지의 범위에 TSV가 분포되어 있다. 가장 많이 도출되는 TSV값은 Neutral(0)이며, 가장 적은 응답 항목은 Slightly warm(1)이다. cluster.4에서 대다수는 (1)TSV은 ‘0’하며 (2)TCV는 ‘6’으로 만족하며, (3)TA에서 ‘1’과 (4)TP에서 ‘0’을 통해 현재 상태에 만족하며 유지될 것을 선호하는 것으로 나타났다. cluster.5는 TSV가 Cold(-3)부터 Warm(2)까지의 범위에 분포하였다. 가장 많이 도출되는 TSV값은 Slightly cool(-1)이며, 가장 적은 응답 항목은 Warm(2)이다. cluster.5는 대다수가 (1)TSV은 ‘0’하며 (2)TCV는 ‘6’으로 만족하지만, (3)TA에서 ‘-1’과 (4)TP에서 ‘1’로 현재보다 따뜻한 환경을 원하는 것으로 나타났다.

Table 4.

Summary of physical data

cluster Indoor environmental factor
Air temperature (°C) Relative Humidity (%) CO2 (ppm) PMV PPD (%)
Mean 𝜎 Mean 𝜎 Mean 𝜎 Mean 𝜎 Mean 𝜎
cluster 1 21.9 1.8 19.0 2.2 735.5 102.2 -0.4 0.4 11.7 10.5
cluster 2 22.4 1.3 20.2 2.5 766.0 129.0 -0.3 0.3 9.3 7.8
cluster 3 21.9 1.0 21.4 2.4 779.6 150.0 -0.4 0.2 9.1 5.9
cluster 4 21.9 1.8 20.3 3.2 772.7 136.5 -0.3 0.4 11.0 12.3
cluster 5 22.2 1.2 19.2 2.7 760.5 101.8 -0.2 0.2 8.1 5.8
Total 21.9 1.65 19.9 2.96 757.9 128.18 -0.4 0.43 11.3 12.28

/media/sites/kiaebs/2022-016-03/N0280160303/images/Figure_KIAEBS_16_3_03_F4.jpg
Figure 4.

Rating scale results of occupant

Table 5.

Summary of subjective data

Cluster Rating scale of occupant
(1) TSV (2) TCV (3) TA (4) TP
Mean 𝜎 Mean 𝜎 Mean 𝜎 Mean 𝜎
cluster 1 -0.09 1.13 5.32 1.25 0.79 1.32 0.30 0.63
cluster 2 0.14 0.90 4.14 0.90 -0.42 1.39 0.71 0.75
cluster 3 -2.38 1.04 3.76 0.92 -1.38 1.12 1.07 0.64
cluster 4 -0.44 1.24 5.24 1.28 0.51 1.46 0.45 0.63
cluster 5 -0.78 1.19 5.07 1.31 0.01 1.50 0.64 0.68
Total -0.53 1.25 5.17 1.29 0.36 1.49 0.49 0.66

유형별 쾌적온도 분석

유형별 TSV의 결과를 바탕으로 회귀분석 후, 각 유형(cluster)의 중성온도(이하 쾌적온도)를 도출하였다. 열 감각에 해당하는 실내 온도로 정의되는 ‘쾌적온도(열감각 투표 ‘0’, 중립)’는 일반적으로 재실자 주관적 열 중립성을 위한 온도(열쾌적성)으로 간주된다(ASHRAE, 2013). ASHRAE 55의 적응 모델과 선행연구(Yang et al., 2015; Dhaka et al., 2015; Kumar et al., 2016; De Dear and Brager, 2002)는 독립변수(x)와 종속변수(y)로 건물 내 실내 온도(x)와 재실자 열감각(TSV)(y)을 적용한 회귀분석을 통해 쾌적온도를 도출하였다. 여기서 쾌적온도는 회귀방정식에서 재실자의 TSV 값이 ‘0’과 같을 때, 쾌적온도는 치환되는 온도와 같다는 이론적 배경을 가진다(Griffiths, 1988). 쾌적온도를 계산하기 위해 본 연구에서는 다음과 같은 식 (2)를 사용하였다. 쾌적온도(Tn)은 평균 작용온도(Top)와 평균 열 감각(TS/mTSV)을 알고 있는 경우, 회귀 계수에 대한 값(b)이 있는 경우 계산할 수 있다(Humphreys et al., 2013).

(2)
Tn=Top-mTSV/b

식 (2)를 통해 도출된 결과는 Figure 5와 같다.

cluster. 1에서 도출된 온도 중 가장 높은 반응을 보인 온도는 24.9°C이며, 이때 Neutral(0)부터 Warm(2)의 범위로 나타났다. 가장 낮은 값은 17.0°C이다. 이때 재실자 TSV는 Cold(-3)부터 Slightly warm(1)의 범위로 나타났다. 온도가 낮을 때는 추위를 느끼며, 온도가 높을 때 따뜻함을 느낀다. cluster.1은 온도에 민감하게 반응하는 유형이다. cluster.1의 회귀식 y=0.1269x-2.8981, R2는 0.32으로 계산된 쾌적온도는 22.8°C (p = 0.022)이다.

cluster.2의 결과, 가장 높은 반응을 보인 온도는 23.3°C이며, 도출된 온도 중 가장 낮은 값은 20.0°C이다. 이때 재실자 TSV는 Slightly cool(-1)부터 Neutral(0)의 범위로 나타났다. cluster.2는 실내 온도가 설정온도 이상일 때 반응하며, 쾌적성을 유지(0)하는 모습을 보였다. 또한 온도가 낮을 때는 조금 춥다(-1)고 느끼지만, 앞선 cluster.1보다 전체적으로 높은 온도를 보인다. cluster.2 또한 온도에 민감하게 반응하는 유형이다. cluster.2의 회귀식은 y=0.1638x-3.8185, R2는 0.24로 계산된 쾌적온도는 23.3°C (p = 0.035)이다.

cluster.3의 결과, 가장 높은 반응을 보인 온도는 23.6°C이며, 도출된 온도 중 가장 낮은 값은 19.0°C이다. 가장 높은 온도(23.6°C)일 때 Neutral(0)에 응답하였다. cluster.3은 실내 온도가 설정온도 이상일 때 대부분 ‘보통’의 열감을 보이며, 쾌적성을 유지(0)하는 모습을 보였으나, 설정온도 이상의 온도에서 춥다(-3)고 응답하였다. cluster.3의 회귀식은 y=0.1341x–3.0763로, R2는 0.30으로 쾌적온도는 22.9°C (p = 0.002)이다. 이를 통해 cluster.3은 특히 낮은 온도에 민감하게 반응하며, 추위에 불쾌적함을 느낀다.

cluster.4은 가장 높은 온도는 24.9°C이며, 이때 Neutral(0)부터 Warm(2)의 범위에서만 나타났다. 도출된 온도 중 가장 낮은 값은 17.6°C이며, TSV는 Cold(-3)부터 Slightly cool(-1)의 범위에 나타났다. 온도가 낮을 때는 추위를 느끼며, 온도가 높을 때 따뜻함을 느끼나, 가장 많이 응답 ‘현재 상태 만족, 보통(0)’이 19°C부터 24.9°C의 넓은 온도범위를 도출하였다. 이를 통해 cluster.4는 실내 온도에 반응은 하지만, 대부분 반응하지 못하며 둔한 열감각을 지닌 유형임을 확인하였다. cluster.4의 쾌적온도(중성온도)의 회귀식은 y = 0.2256x - 5.3844로, R2는 0.40로 계산된 쾌적온도는 23.8°C (p = 0.018)이다.

cluster.5는 가장 높은 온도는 24.9°C이며, 이는 가장 적은 응답 항목인 Warm(2)의 범위에서만 나타났다. 도출된 온도 중 가장 낮은 값은 19.4°C이며, TSV는 Slightly warm(1)의 범위에만 나타났다. 이는 가장 높은 온도의 특성과 유사하다. 가장 많이 응답 조금 춥다(-1)는 20.0°C부터 24.5°C까지 나타난다. 설정온도 이상의 온도에서도 춥다고 느낀다. 그러나 ‘현재 상태 유지, 보통(0)’이 20.0°C부터 24.9°C까지 유사한 범위로 도출되었다. 전체적으로 cluster.5는 낮은 온도에 대해 불쾌적하게 반응하며, 24°C 이상 되어야 보통(0) 이상의 TSV값을 보였다. 이를 통해 cluster.5는 둔한 열감각을 지닌 유형으로 구분할 수 있다. cluster.5의 회귀식은 y=0.2349x-5.8529로 났으며, R2는 0.34로 쾌적온도는 24.9°C (p = 0.007)로 도출되었다.

/media/sites/kiaebs/2022-016-03/N0280160303/images/Figure_KIAEBS_16_3_03_F5.jpg
Figure 5.

Comfortable temperature of cluster

Table 6.

Comfortable temperature results of cluster

Cluster Regression analysis Comfortable temperature (Tn)
cluster.1 y = 0.1269x - 2.8981 22.8°C
cluster.2 y = 0.1638x - 3.8185 23.3°C
cluster.3 y = 0.1341x - 3.0763 22.9°C
cluster.4 y = 0.2256x - 5.3844 23.8°C
cluster.5 y = 0.2349x - 5.8529 24.9°C

본 연구에서 도출한 각 유형별 쾌적온도는 Table 6과 같이 정리할 수 있으며 재실자의 민감도 유형에 따라 쾌적온도는 최대 2.1°C의 차이를 보인다. 열적 변화에 대해 재실자의 열적 민감도가 높은 유형(cluster 1,2,3)은 비교적 낮은 쾌적온도 분포를 보였다. 반면, 실내온열환경의 변화에 둔감하게 반응한 재실자 유형의 쾌적 온도는 상대적으로 높은 양상을 보였다. 선행연구들과 비교하여보면, Hawila et al. (2018)의 연구 결과는 낮은 실내 온도에서 허용 가능한 열 쾌적성을 유지하기 위해서는 21°C보다 높은 설정온도가 필요하다고 하였으며, Wang and Hong (2020)은 재실자의 안락한 실내 온도는 설정값이 22.7°C인 난방 모드의 경우 20.5~24.9°C 사이로 도출하였다. 본 연구에서 도출된 각 유형의 쾌적온도 또한 20.5~24.9°C 사이의 범위에 속한다. 또한 도출된 쾌적온도 범위는 난방 모드에서 현재 ASHRAE 표준 55와 유사하였다. Aryal and Becerik-Gerber (2018)은 설정값 21°C와 22.5°C의 고정된 건물 레벨 설정값과 비교에서 재실자의 열감각의 선호도에 따라 22.5°C를 기준으로 각 구역 수준 설정값을 다르게 선택하였을 때 따뜻한 기후에서는 3.2%, 추운 기후에서는 1.6%의 평균 에너지 절약을 달성할 수 있음을 확인하였다. 기준 설정값에 대한 평균 만족도(약 23%)보다 재실자의 열감각에 따라 한 공간 안에서 각 구역 수준 설정값을 적용하였을 때 평균 만족도가 약 63%로 과반수 이상이 만족하는 결과를 보였다. 따라서 본 연구에서 각 민감도 유형별도 도출된 쾌적온도를 제어 시스템에 적용하여 실내 환경을 제어한다면, 재실자의 쾌적성 유지 및 향상에 기여할 수 있으며, 동시에 에너지 절약을 달성할 수 있을 것이라 사료된다.

결 론

본 연구에서는 주관적인 재실자의 열 쾌적성을 수치화하여 열적 민감도 기준으로 클러스터링하였다. 클러스터링으로 도출된 열적 민감도 유형별로 각각 쾌적 온도가 도출되었으며, 온도 범위는 22.8°C부터 24.9°C로 재실자의 민감도 유형에 따라 쾌적온도는 최대 2.1°C의 차이를 보였다. 결과적으로 재실자의 만족감과 쾌적하다고 판단하는 환경은 각 열적 민감도 유형별로 차이가 있음을 확인하였다. 따라서 공조 제어에 영향을 주는 쾌적온도는 재실자를 통합하여 고려하는 것이 아니라, 재실자의 유형 및 선호도를 파악하여 적용하는 것이 재실자의 쾌적감을 고려한 제어 방안의 마련에 도움이 된다.

중앙 집중 제어되는 오피스 내에서 다양한 쾌적성과 열감각의 선호도는 에너지 소비의 높은 변동으로 이어지지 않는다. 따라서 재실자의 열 쾌적감(열감각)에 따라 구별되는 쾌적온도를 고려하여 제어 설정 온도를 선택한다면, 현재 단일화되어 적용되는 설정온도보다 개개인의 열적 만족도가 높아지며, 제어 시스템의 오버슈팅 구간을 고려하여 에너지 절약이 가능할 것이다.

본 연구의 결과는 향후 오피스 재실자의 열적 쾌적성을 개선하고 건물 에너지 소비를 줄이기 위해 개인의 열감각 선호도와 HVAC 제어의 사용을 학습하기 위한 새로운 기술의 개발에 활용될 수 있다. 또한 이 연구의 결과는 건물 설계, 운영, 제어 최적화, 에너지 성능 분석 및 정책 결정에서 보다 현실적인 온도 조절기의 설정값을 제안할 수 있다.

Acknowledgements

이 논문은 2019년도 정부(교육부) 재원으로 한국 연구재단의 지원을 받아 수행된 연구임(NRF-2019H1A2A1077137). 이 논문은 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(No. NRF-2022R1C1C2007215).

References

1
Aryal, A., Becerik-Gerber, B. (2018). Energy consequences of Comfort-driven temperature setpoints in office buildings. Energy and Buildings, 177, 33-46. 10.1016/j.enbuild.2018.08.013
2
De Dear, R.J., Brager, G.S. (2002). Thermal comfort in naturally ventilated buildings: revisions to ASHRAE Standard 55, Energy and Buildings, 34, 549-561. 10.1016/S0378-7788(02)00005-1
3
Dhaka, S., Mathur, J., Brager, G., Honnekeri, A. (2015). Assessment of thermal environmental conditions and quantification of thermal adaptation in naturally ventilated buildings in composite climate of India, Building and Environment, 86, 17-28. 10.1016/j.buildenv.2014.11.024
4
Gauthier, S., Bourikas, L., Al-Atrash, F., Bae, C., Chun, C., de Dear, R., Hellwig, R.T., Kim, J., Kwon, S., Mora, R., Pandya, H., Rawal, R., Tartarini, F., Upadhyay, R., Wagner, A. (2020). The colours of comfort: From thermal sensation to person-centric thermal zones for adaptive building strategies. Energy and Buildings, 216, 109936. 10.1016/j.enbuild.2020.109936
5
Hawila, A. A.-W., Merabtine, A., Chemkhi, M., Bennacer, R., Troussier, N. (2018). An analysis of the impact of PMV-based thermal comfort control during heating period: A case study of highly glazed room. Journal of Building Engineering, 20, 353-366. 10.1016/j.jobe.2018.08.010
6
Humphreys. M.A., Rijal, H.B., Nicol, J.F. (2013). Updating the adaptive relation between climate and comfort indoors; new insights and an extended database. Building and Environment. 63, 40-55. 10.1016/j.buildenv.2013.01.024
7
Kim, S.K., Hon, W.H., Hwang, J.H., Jung, M.S., Park, Y.S. (2020). Optimal Control Method for HVAC Systems in Offices with a Control Algorithm Based on Thermal Environment. Buildings, 10(5), 95. 10.3390/buildings10050095
8
Kim, S.K., Ryu, J.H., Seo, H.C., Hong, W.H. (2022). Understanding Occupants' Thermal Sensitivity According to Solar Radiation in an Office Building with Glass Curtain Wall Structure. Buildings, 12(1), 58. 10.3390/buildings12010058
9
Kumar, S., Mathur, J., Mathur, S., Singh, M.K., Loftness, V. (2016). An adaptive approach to define thermal comfort zones on psychrometric chart for naturally ventilated buildings in composite climate of India, Building and Environment, 109, 135-153. 10.1016/j.buildenv.2016.09.023
10
Rupp, R.F., Kim, J.S. Ghisi, E., Dear, R.D. (2019). Thermal sensitivity of occupants in different building typologies: The Griffiths Constant is a Variable. Energy and Buildings, 200, 11-20. 10.1016/j.enbuild.2019.07.048
11
Schweiker, M., Abdul-Zahra, A., André, M., Al-Atrash, F., Al-Khatri, H. et al. (2019). The Scales Project, a cross-national dataset on the interpretation of thermal perception scales. Sci. Data, 6, 1-10. 10.1038/s41597-019-0272-631772199PMC6879730
12
Schweiker , M., André, M., Al-Atrash, F., Al-Khatri, H., et al. (2020). Evaluating assumptions of scales for subjective assessment of thermal environments - do laypersons perceive them the way, we reserachers believe?. Energy and Buildings, 211, 109761. 10.1016/j.enbuild.2020.109761
13
Wang, Z., Hong, T. (2020). Learning occupants' indoor comfort temperature through a Bayesian inference approach for office buildings in United States, Renewable and Sustainable Energy Reviews, 119, 109593. 10.1016/j.rser.2019.109593
14
Yang, L., Zheng, W., Mao, Y., Lam, J.C., Zhai, Y. (2015). Thermal adaptive models in built environment and its energy implications in Eastern China, Energy Procedia, 75, 1413-1418. 10.1016/j.egypro.2015.07.237
15
Yoganathan, D., Kondepudi, S., Kalluri, B., Manthapuri, S. (2016). Optimal sensor placement strategy for office buildings using clustering algorithms. Energy and Buildings, 158, 1206-1225. 10.1016/j.enbuild.2017.10.074
16
Zhang, N., Cao, B., Wang, Z., Zhu, Y., Lin, B. (2017). A comparison of winter indoor thermal environment and thermal comfort between regions in Europe, North America, and Asia. Build. Environ, 117, 208-217. 10.1016/j.buildenv.2017.03.006
17
Griffiths, I.D. (1988). Sloar energy applications to buildings and solar radiation data, in: T.C., Steemers (Ed.). Proceedings of the EC Contractors' Meeting Held in Brussels, Belgium, 1 and 2 October 1987, Dordrecht: Springer, Netherlands, 110-114.
18
Schweiker, M., Wagner, A. (2018). Interactions between thermal and visual (dis-) comfort and related adaptive actions through cluster analyses. BauSIM2018-7. Deutsch-Österreichische IBPSA-Konferenz Tagungsband, Karlsruhe.
19
ASHRAE 55-2013. (2013). Ashrae Handbook: Fundamentals, Atlanta, GA.
20
ISO, ISO 10551. (2001). Ergonomics of the thermal environment - Assessment of the influence of the thermal environment using subjective judgment scales.
페이지 상단으로 이동하기