기호설명

Ig : 전일사량 [W/m²]

I_dir : 직달일사량 [W/m²]

I_dif : 확산일사량 [W/m²]

I_dif,sky : 천공 확산 일사량 [W/m²]

I_dif,refl : 지면 반사 일사량 [W/m²]

K_t : 청명 계수 (0~1) [-]

I_o : 대기권 밖 일사량 [W/m²]

𝜙 : 태양의 방위각 [rad]

𝛽 : 태양의 고도 [rad]

𝛾 : 입사각 [rad]

𝜌 : 반사율 [-]

⊥: 수평면(지면)에서의 수직 방향

⊢: 수직면(외벽)에서의 수평 방향

i : 동(E), 서(W), 남(S), 북(N) 방향

GHI: 수평면 전천일사량(Global Horizontal Irradiance) [W/m²]

DNI: 법선면 직달일사량(Direct Normal Irradiance ; I_DN) [W/m²]

DHI: 수평면 확산일사량(Diffuse Horizontal Irradiance) [W/m²]

서 론

태양광 발전 계획 및 에너지 관리 등 다양한 분석을 위해 측정된 전일사량의 성분을 분리하여 사용할 필요가 있다(Paulescu and Paulescu, 2022). 건축 분야에서는 직달일사량과 확산일사량을 고려한 차양의 최적 제어 방법(Lee et al., 2021)과 실내 온열 환경을 평가하는 방법(Kwon et al., 2024) 등에 사용되었다. 직달일사 및 확산일사를 별도로 측정하기 위해서는 고도의 기술력과 고비용의 측정 장비 및 많은 장비 유지보수 비용이 필요하다(Rocha et al., 2021). 이러한 장비의 예로는 팬틸트 모터가 결합된 태양광 추적형 직달일사계, shadow ring이 결합된 확산일사계 등이 있다. 최근에는 단일 센서 모듈 기반의 모델을 통해 법선면 직달일사량, 확산일사량, 그리고 sunshine duration 등을 측정할 수 있는 일사계(SPN1, DeltaT)와 같은 장비가 개발되고 있다.

이와 같은 장비는 설비 규모를 줄임과 동시에 다양한 측정 기능을 제공한다. 건축 분야에서는 쾌적 실내 환경 유지와 에너지 저감을 위한 목적으로, 외피 입면마다 입사되는 분리된 직달 및 확산일사의 영향을 고려하여 실내 환경을 정밀하게 모니터링하거나 제어하는 다양한 방법들이 제안되었다. 그러나 직달일사 및 확산일사를 측정하기 위한 보급화된 센서의 부재로 인해 제안된 방법들은 실제 건물에서의 적용에 한계가 있었다. 실제 현장에서 일사량을 정확하게 분리하고 측정하기 위해서는 고비용의 장비가 필요하다(Lee et al., 2017).

고비용 설비의 대안으로 가상환경에서 적용되는 직산분리 모델은 Perez et al. (1992), Reindl et al. (1990) 그리고 Erbs et al. (1982)와 같은 경험적 모델이 사용된다. 이는 비교적 측정이 쉬운 수평면 전일사(Global Horizontal Irradiance, GHI) 데이터를 활용하여, 건축물 및 신재생에너지 시스템에서 필수적으로 요구되는 법선면 직달일사(Direct Normal Irradiance, DNI)와 확산일사(Diffuse Irradiance)를 분리하는 모델이다(Seo and Kim, 2019). 이 모델은 수평면 전일사, 태양의 고도(β), 대기권 밖 일사량(I_o)을 통해 청명계수(Clearness index; K_t) 값을 1차적으로 계산한 후, 복잡한 계산과정을 거쳐 직달일사와 확산일사를 분리한다.

기존 K_t 기반 직산 분리 모델은 하나의 일사계로부터 취득된 과거 시간단위의 데이터를 기반으로 하기에 설계단계에서의 PV 및 건물 에너지 시뮬레이션에서는 효과적으로 적용될 수 있으나, 건물 운영단계에서 실시간 기상변화에 따른 PV 제어, 건물 온열환경 평가 및 차양 제어 등에서는 적용이 어려울 수 있다. 실시간 예측성능을 높이기 위해 복수의 일사량계를 사용하는 방법으로, 기존 연구에서는 동, 서, 남, 북 및 상, 하 6개 방향의 일사계 배열을 사용하여 직달일사량을 예측하는 방법을 제안한 바 있다(Centeno Brito et al., 2021). 이 연구에서는 6개 방향의 전일사량을 측정하고, 각 방향별 물리적인 관계식을 적용하여 선형 최소자승법(Linear Least Squares Method)을 이용해 직달일사량을 예측하는 방법이 제시되었다.

본 연구에서는 Centeno Brito et al.의 연구에서 제안되었던 복수의 일사량 센서 모듈을 적용하여 기존 K_t 기반 직산 분리 모델 대비 실시간 예측 성능을 향상시킬 수 있는 일사계 모델을 개발하는 것에 초점을 맞추었다. 동, 서, 남, 북 및 수평면(TOP)의 5개 방향 일사량 값이 실시간 태양 위치 변화에 따라 직달 및 확산 성분의 크기가 달라지는 특성을 활용하여, 법선면 직달일사량(DNI)과 확산일사량(DHI)을 구분하는 방법을 제안한다. 이를 위해 다방향 피라노미터 배열 개념을 적용한 소형 일사계 모듈(CUBE-i)을 제안하고, DNN (Deep Neural Network) 모델을 이용한 DNI 예측 방법을 도출하였다. 제안한 모델은 태양의 위치 정보 없이 5개 레이어로 구성된 DNN 모델을 통해 DNI를 예측한다. 예측 성능을 최적화하기 위해 MSE (Mean Squared Error)를 손실 함수로 사용하고, 모델 성능을 정량적으로 평가하기 위해 R²(결정계수)과 RMSE (Root Mean Squared Error) 지표를 사용하였다. 본 연구는 제안된 모델의 적용성을 검토하기 위한 기초 연구로, 시뮬레이션을 통하여 방향별 일사량 데이터를 입력 값으로 하는 Python 기반 DNN 모델의 DNI 예측 성능을 검토한다.

청명 계수와 태양 입사각에 따른 방위별 일사량 분석

본 장에서는 태양 위치 및 청명도와 다방향 전일사량의 크기 사이의 관계를 분석하여 직달일사량이 방향별 일사량에 주는 영향을 검토하였다. 하늘의 상태(청명도)와 일사의 성분을 묘사하는 기존 물리 모델을 검토하고 Meteonorm 프로그램(Version 8.0, Meteotest, 2021) 기상 데이터를 활용하여 이에 따른 방향별 일사 크기 편차를 정량적으로 분석하였다.

맑은 날은 태양의 대기권 바깥으로부터 투과되는 직달일사가 지표면에 도달하는 비율이 높아지고 반대로 흐린날에는 구름이나 대기 오염등의 영향으로 인해 직달일사가 반사되거나 차단되어 지표면에 도달하는 양이 감소한다. 이러한 대기의 영향을 나타내는 지표로 청명계수가 있으며 일반적으로 0에서 1 사이의 값을 가진다. 청명계수는 다음 식 (1)과 같이 계산된다.

청명계수는 1에 가까울수록 하늘이 맑아 법선면 직달일사량이 지표면에 도달하는 비율이 높으며, 값이 0에 가까울수록 구름이나 대기 오염등으로 인해 확산일사의 성분이 상대적으로 많아진다. 직달일사와 확산일사의 합으로 구성되는 태양 일사는 수평면 또는 각 방위별에 따라 입사되는 일사량의 크기가 달라진다. 수직면에 도달하는 전일사량은 직달일사와 두가지 확산일사 성분의 합으로 표현된다. 방위별(i) 수직면에 도달하는 전일사량(Igi⊥)은 식 (2)와 같이 표현될 수 있다.

지면 반사(Idif,refl i⊢)는 모든 방위에 대해 동일한 반사율(albedo; 𝜌)을 갖는 것으로 가정한다. 해당 방향(i)에 입사되는 전일사량은 법선면 직달일사량(I_DN)과 cos(𝛾)에 따라 영향을 크게 받으므로, 모든 방위에 동시에 일사량을 측정할 때 시간에 따른 태양의 위치 변화는 각 방위별 일사계에 도달하는 일사의 크기에 영향을 미친다.

선술한 바와 같이, 각 방위별 그리고 수평면 일사량은 태양의 천공상의 위치와 하늘의 청명도에 따라 달라지므로, 각 센서에 도달하는 일사량 값은 계절에 따른 태양 고도 차이와 맑고 흐린 하늘의 정도에 따라 큰 차이를 보일 수 있다. Figure 1은 6월의 청명계수가 다른 두 기간의 시간별 수평면 일사량 및 입사각을 나타낸 그림이다. Figure 1(a)는 입사각 크기를 (b) 및 (c)는 청명계수가 다른 6월 26일 및 6월 3일의 입사각 및 일사량을 나타낸다. 사용된 일사량 데이터는 Meteonorm 프로그램에서 도출된 대구 지역의 데이터를 사용하였다. 두 날짜의 입사각 차이는 약 1° 내외이다. 하늘의 상태는 Watanabe 모델(1983)에 기반하여 분류하였다. 이 모델에서는 청명계수가 약 0.53 이상인 때를 기준으로 해당 시각 clear sky를 구분되며, 이에 따라 직달일사량 계산 방식이 달라진다(Lee and Lee, 2018). Figure 1(b) 및 (c)는 유사한 입사각을 가지더라도 하늘의 청명도에 따라, 즉 맑은날 해당 방향으로 입사되는 일사량의 크기가 달라진다는 것과 입사각이 작을수록 일사량의 크기가 커진다는 것을 정량적으로 보여준다. 위 사례는 수평면에 입사되는 직달일사량의 크기가 코사인 입사각 크기에 비례하므로 특히 하늘의 청명도가 높을 때 전일사량의 크기가 커진다는 것을 보여준다. 이러한 물리적 관계에 따른 전일사량의 크기는 맑은 하늘 수직면에서 더욱 뚜렷한 방위별 입사 일사량 크기 차이를 경험하게 한다.

Figure 1.

Example of solar irradiance on the horizontal (Top) surface and incident angle: (a) visualization of solar position and incident angles, (b) High clearness index with strong direct irradiance, (c) Low clearness index with dominant diffuse irradiance

상기 언급된 바와 같이 청명계수와 태양 입사각은 대상면으로 입사되는 일사량의 크기에 영향을 미치게 된다. 법선면 일사량의 경우, 태양의 위치와 하늘의 청명도에 따라 방위별 일사량의 차이가 뚜렷하게 나타날 수 있다. 하늘의 청명도와 태양의 위치가 방위별 일사량에 미치는 영향을 정량적으로 검토하기 위하여 4가지 Case를 구분하여 방위별 일사량과 입사각의 관계를 분석하였다. Figure 2는 청명계수(K_t)와 태양의 고도(β)에 따른 방위별 분석 결과이다. 청명계수는 Watanabe 모델(1983)에 제안한 산정식을 적용하여 계산하였으며, 맑은날 (Clear sky)은 평균 0.6, 흐린날(Overcast sky)은 평균 0.25의 값을 가진다. Figure 1에서 분석되었던 입사각에 따른 일사량 분석을 청명계수와 태양의 고도, 그리고 방위에 따라 20개의 case로 구분하여 검토하였다. 사용된 일사량 데이터는 Meteonorm 프로그램으로, 실측된 수평면 전일사량을 기반으로 모델 기반으로 한 시간별 각 방위별 전일사량을 산출하며, 관측소가 없는 지역에서는 위성 데이터 및 인근 지역의 관측소 데이터를 기반으로 보간하는 방법 등을 통해 일사량 데이터를 생성할 수 있다. 대구지역(35.83° N, 128.60° E)의 보간 데이터를 사용하였으며, 태양의 고도 차이가 큰 6월과 12월 데이터를 사용하였다.

Figure 2.

Analysis of solar irradiance by orientation based on clearness index (K_t), solar altitude (β)

맑은 날(Clear sky)인 6월 26일의 일사량을 분석한 결과, 오전 9시에는 동쪽의 일사량(Figure 2(a) 참조)이 585 W/m², 서쪽의 일사량(Figure 2(c) 참조)이 155 W/m²로 나타났고, 오후 4시에는 서쪽의 일사량(Figure 2(d) 참조)이 607 W/m², 동쪽의 일사량(Figure 2(b) 참조)이 127 W/m²로 관측되었다. 여름에는 수평면의 일사량(Figure 2(e) 참조)이 877 W/ m² 최대이고 겨울에는 남쪽면의 일사량(Figure 2(f) 참조)이 542 W/ m² 최대이다. 이는 태양의 위치에 따라 일사량 분포가 달라지며 특히 태양의 고도가 높고 청명계수가 큰 조건에서는 각 방위별 일사량 차이가 극명하게 나타난다는 것을 확인할 수 있다. 또한, 동일한 6월 내에서 맑은 날과 흐린 날(Overcast sky)을 비교한 결과, 태양 고도와 방위각이 차이가 작아 입사각 또한 유사함에도 불구하고, 청명도의 따라 방위별 일사량의 편차는 뚜렷하게 나타난다. 즉, 맑은 날에는 전일사량 중 직달일사량의 비중이 커져 방위별 일사량의 편차가 크게 나타나는 반면, 흐린 날에는 직달일사량의 비중이 작기 때문에 수평면을 제외한 모든 방위에서 유사한 수준(0~170 W/m²)의 일사량이 나타나고 방위 간 편차가 감소하는 경향을 보였다. 한편, 계절이 다른 6월과 12월을 비교하면, 태양 고도 및 입사각의 차이가 크게 나타남에도 불구하고, 흐린 날에서는 방위별 일사량 값이 전반적으로 유사하게 나타났다. 이는 청명도가 낮을 경우 입사각의 영향이 줄어들고, 방위별 일사량의 분포는 직달일사량의 비중이 지배적이라는 것을 시사한다. 특히 북쪽의 경우(Figure 2(g) 참조), 모든 조건에서 절대적인 일사량 수준은 낮게 나타났지만, 맑은 날(Clear sky)에는 시간에 따른 태양의 위치에 따라 다른 방위와의 일사량 편차가 가장 극명하게 나타났고, 흐린 날(Overcast sky)에는 방위에 관계없이 유사한 값을 나타낸다. 따라서 기존의 청명계수(K_t) 기반 예측 방식은 수평면 일사량의 편차만 고려하므로 실시간 예측 성능에 한계가 존재할 수 있으며, 직달 일사의 크기가 클 수록 방위별 일사량의 편차가 커지는 경향이 있다. 즉 태양 고도를 직접 입력값으로 사용하지 않더라도 이러한 방위별 편차를 이용해서 DNI에 예측에 필요한 유효한 변수로 작용할 수 있다.

다중센서 기반 직달일사 예측 모델 개발

앞서 분석한 바와 같이 방위별 전일사량의 크기는 태양의 위치와 직달일사의 크기에 따라 큰 편차를 보인다. 본 연구에서는 이러한 전일사량의 크기 차이를 반영하여 DNI를 예측하는 모델 개발 프로세스를 제안하였다. DNI 모델은 동, 서, 남, 북, 및 수평면(TOP)의 전일사량 값을 입력 변수로 사용하고, 별도의 태양 기하학적 변수나 태양의 고도 등 별도의 계산 절차 없이 DNI를 예측할 수 있도록 설계되었다.

Figure 3은 제안된 DNI 예측 모델 개발 프로세스를 나타낸다. 본 연구에서 제안된 DNI 예측 모델 개발 프로세스는 실제 현장에서 측정된 방향별 전일사량 값을 학습 데이터로 사용한다 (Figure 3(b) 참조). 단, 본 연구에서는 제안된 방법의 적용성 검토를 목적으로 경험적 모델에서 얻어진 방향별 일사량 데이터를 사용하였다(Figure 3(a) 참조).

Figure 3.

Development of prediction model: (a) training data derivation process in this study, (b) training data derivation process in the field, (c) one-site application of CUBE- i, (d) conceptual diagram of CUBE- i

제안된 방법은 태양의 위치와 계절성을 포함하는 1년간의 실측된 방위별 전일사량 데이터를 기반으로 예측 모델을 학습하고, 이를 다방향 측정 모듈인 제안된 일사계 모델에 탑재하여 실시간으로 직달일사량(DNI)을 예측하는 2단계 구조로 설계되었다. 그러나 본 연구는 적용성 검토를 위한 기초 연구로서, 예측 모델 구축을 위한 입력 변수 구성 및 방법론의 적용성 검토를 목적으로 수행되었다. 이를 위해, 실측 데이터가 아닌 Meteonorm 프로그램에서 도출된 대전 지역(36.33° N, 127.43° E)의 보간된 데이터를 기반으로 한 8760개의 시간별 방위별 및 수평면 일사량 데이터를 활용하였으며, 동, 서, 남, 북 및 수평면(TOP)의 총 5개 방향의 전일사량 값을 입력 변수로 하여 DNI 예측 가능성을 시뮬레이션 기반으로 평가하였다. 이에, 향후 실측 실험을 통한 데이터 학습 및 최종 모델에 대한 검증 과정이 필요하다.

Figure 3(a)는 Meteonorm에서 방위별 전일사량을 계산하는 프로세스를 나타낸다. Meteonrom은 측정된 수평면 전일사량을 기반으로 Decomposition Model (Perez et al., 1991)과 Transposition Model (Perez et al., 1986)을 활용하여 각 방위별 전일사량을 산출한다. 또한 Meteonorm은 측정 장비가 설치되지 않은 지역에서도 위성 기반 시물레이션 또는 기상 데이터베이스를 통해 확보된 전일사량 데이터를 활용하여 적용이 가능하다. Figure 3(b)는 Meteonorm에서 도출된 각 방위별 전일사량과 DNI를 학습하여 CUBE- i 의 예측 모델을 구축하는 과정이다. Figure 3(c)는 CUBE- i 를 활용하여 각 방위별 전일사량을 측정한 후, 학습된 모델을 바탕으로 DNI를 예측하는 과정이다. Figure 3(d)는 개발된 방위별 소형 일사계(CUBE- i)의 원리를 나타낸 것으로, 태양의 방위각(𝜙) 및 고도 변화에 따라 각 방향에서 측정되는 일사량이 어떻게 변화하는지를 보여준다. 특히, 태양의 위치 변화에 따라 각 방향에서 수집되는 일사량의 차이를 정량적으로 분석할 수 있도록 설계되었다.

Figure 4는 본 연구에서 제안한 DNN 모델의 구조이다. 동, 서, 남, 북, 수평면의 전일사량 데이터를 입력 변수로 사용하고, DNI를 출력 변수로 설정하였다. 총 5개 레이어(입력층 1개, 은닉층 3개, 출력층 1개)로 구성되며, 은닉층은 각각 128, 128, 64개의 뉴런으로 구성된 모델이다.

Figure 4.

Structure of the proposed DNN model for DNI prediction

예측 성능을 최적화하기 위해 손실 함수로는 평균제곱오차(Mean Squared Error, MSE)를 사용하였다. 본 연구에서는 대전 지역의 연간 1시간 간격 시뮬레이션 데이터를 기반으로 딥러닝 모델을 학습하였으며, 전체 데이터는 무작위로 분할하여 80%는 학습용, 20%는 테스트용으로 구성하였다. 학습 데이터 중 20%는 검증용으로 사용되었으며, 모델 학습 과정에서는 과적합을 방지하고 일반화 성능을 확보하기 위해 검증 손실이 최소가 되는 시점의 모델을 저장하였다. 이때 콜백 함수를 활용하여 검증 손실 기준 최적 모델을 자동으로 선정하였다. 모델은 Python 언어를 기반으로 수행하였다. 제안된 DNN 모델의 학습 구성요소는 Table 1과 같다.

Table 1은 제안된 DNN 모델의 입력·출력 구성, 은닉층 구조, 손실 함수 및 최적화 알고리즘을 포함한 학습 설정 값을 요약한 것이다. 본 구성은 방위별 전일사량과 DNI 간의 비선형 관계를 효과적으로 학습할 수 있도록 설계되었으며, 학습 안정성과 예측 성능을 동시에 확보할 수 있도록 하였다.

지역별 예측 모델 성능평가

본 연구에서는 Meteonorm 기반으로 도출된 방위별 전일사량 데이터를 활용하여 모델을 학습하고 예측 정확도를 검증하기 위해 국내 기준으로 시뮬레이션을 수행하였다. Meteonorm은 각 관측소에서 측정된 데이터를 기반으로 데이터베이스가 구축되어 있으며, 사용자가 선택에 따라 특정 관측소의 데이터뿐만 아니라 다른 지역의 데이터도 활용할 수 있다. 일반적으로 측정 데이터를 활용하는 것이 이상적이지만, 본 연구는 예비 연구로서 신뢰성이 검증된 데이터를 사용하여 시뮬레이션을 진행하였다. 이 과정에서 대한민국의 위도상 중심에 위치한 대전(33.63°)의 8760개의 방위별 전일사량 데이터를 기반으로 DNI 값을 예측하고 검토하기 위해 국내 주요 도시들의 방위별 전일사량 데이터를 활용하여 시뮬레이션을 수행하였다. 이를 통해 특정 지역에서 학습한 모델을 사용하여도 다른 지역에서 일정 수준 이상의 예측 정확도를 유지할 수 있음을 확인하고자 하였다.

Figure 5는 각 지역의 위도와 경도 및 적용된 모델을 제시하였다. Method 1은 대전 지역 데이터를 기반으로 학습한 후, 이를 바탕으로 다른 지역의 일사량을 예측하는 방식이며, Method 2는 각 지역별 데이터를 개별적으로 학습하여 해당 지역의 일사량을 예측하는 방식이다.

Figure 5.

Regional Distribution of Selected Locations for Model Evaluation in South Korea

이러한 접근법은 특정 지역에서 학습된 모델이 다른 지역에서도 높은예측 성능을 유지할 수 있는지를 검토하는 데 중점을 둔다. 만약 Method 1이 다양한 지역에서 충분한 성능을 발휘한다면, 지역별 데이터로 학습이 필요한 모델이 아닌 타지역으로 확장이 가능할 수 있다. 이에 따라, 기준 지역(대전)에서 학습된 모델이 국내 다른 지역에서도 유효한지 여부 및 지역별 학습이 필수적인지를 분석하였다. 기준 지역(대전)의 예측성능은 Figure 6과 같다.

Figure 6.

Performance evaluation of DNI estimation in the reference location: Daejeon

실측값 대비 예측된 DNI의 모델 성능 평가를 위해 결정계수(R²)과 RMSE (Root Mean Square Error) [W/m²]를 활용하였다. R² 값이 1에 가까울수록 측정값과 예측값 간 상관성이 높고, 모델의 설명력이 우수하며 비교가 용이하다(Ramírez-Rivera and Guerrero-Rodríguez 2024). RMSE는 오차 크기를 실제 단위로 나타내며, 값이 0에 가까울수록 모델의 예측 정확도가 높음을 의미하며, 큰 오차에 더 민감하게 반응하기 때문에 모델 성능을 평가하는 주요 지표로 사용된다. R² 및 RMSE은 다음 식 (3) 및 식 (4)를 통해 계산된다.

Method 1을 적용하기 위해 기준 지역으로 선정한 대전의 8760개 방위별 전일사량 데이터를 학습하여 예측을 수행하였다. 예측 결과, 예측 모델이 Meteonorm에서 제공하는 값을 기준으로 학습하였을 때 R²이 0.99, RMSE가 3.73으로 높은 정확도를 보였다. 이를 통해 태양 위치에 따른 방위별 전일사량의 크기의 특성을 반영하여 계산된 DNI가 예측에 있어 유효하게 작용하고 있음을 확인할 수 있다. 특히 태양의 입사각과 일사의 크기에 따라 방위별 전일사량이 달라지며, 이러한 차이를 반영함으로써 DNI를 보다 효과적으로 분리할 수 있음을 확인하였다. 본 연구에서는 이상적인 환경에서 계산된 DNI값을 기준으로 학습하였지만, 방위별 일사량을 학습한 모델이 Perez 모델과 동일한 경향을 보였다. 이는 Perez모델을 통해 산출된 값이 실제 측정값과 차이가 클 수 있음에도 불구하고, 제안한 방법이 기존 방식과 일관된 패턴을 보인다는 점에서 의미가 있다. 따라서 제안한 모델이 실제 측정된 일사량을 사용하였을 때 기존 K_t 기반 직산 분리 모델 대비 실시간 모니터링에 있어 개선된 결과를 보일 것이라고 판단된다.

모델의 적용성을 검토하기 위해 국내 지역의 예측 결과를 비교 분석하였다. Table 2는 기준 지역을 기반으로 학습한 모델(Method 1)이 개별 지역에서 학습한 모델(Method 2)과 비교하여 얼마나 높은 성능을 유지하는지 확인할 수 있으며, 모델의 적용성을 평가하는 판단 기준이 된다.

국내 지역에서 Method 1과 Method 2를 비교한 결과, 두 모델 모두 기존의 DNI 값과 예측 성능이 높은 경향을 보였다. 특히, 기준 지역인 대전에서 학습한 모델(Method 1)과 각 지역을 개별적으로 학습한 모델(Method 2) 간의 예측 값의 차이가 크지 않았다. 이는 특정 지역을 기준으로 학습한 모델이 다른 지역에서도 일정 수준 이상의 예측 성능을 유지할 수 있음을 시사한다. 또한, 일부 지역에서는 지역별 기후 특성과 일사 환경에 따른 미세한 차이가 나타났지만, 전반적으로 두 모델의 오차는 크지 않았다. 이를 통해 특정 지역에 데이터를 학습하지 않더라도, 적용 가능 지역의 확장 가능성이 있음을 확인할 수 있었다. 좀 더 넓은 범위에서의 적용성 검토를 위해 기준 지역인 대전의 위도(36.33°)를 기준으로 ±20° 범위 내의 해외 지역을 선정하여 Method 1의 예측성능을 검토하였다. 예측 결과는 Table 3과 같다.

Table 3.

Comparison of prediction performance for overseas regions trained using Method 1

Case Study	Classification of region within ±10° and ±20° from reference region
Method 1	Name	Okinawa	Manila
	Prediction Graph
	Difference	-10	-20
	Latitude	26.63	14.52
	R2	0.9990	0.9941
	RMSE	6.4614	15.9631
	Name	Harbin	Moscow
	Prediction Graph
	Difference	+10	+20
	Latitude	45.72	55.98
	R2	0.9995	0.9992
	RMSE	4.8976	6.1721

위도의 차이가 ±10° 범위 내에서는 예측값이 기존 DNI값과 거의 일치하는 경향을 보였다. 이는 해당 범위 내에서는 기후 조건과 태양 일사 환경이 비교적 유사하여 모델이 안정적인 예측 성능을 유지할 수 있음을 의미한다. 그러나 위도의 차이가 ± 20° 범위까지 확대되면, 학습 데이터와 대상 지역의 기후 조건 차이가 커지면서 예측 성능이 다소 저하되는 경향을 보였다. 특히 학습 지역보다 위도가 낮은 지역에 대해서는 예측 정확도가 더 크게 감소하는 경향을 보였다. 이는 지구의 자전축이 기울어져 있기 때문에, 북반구의 저위도 지역에서는 여름철 정오 무렵 태양이 북쪽 방향에 위치하게 된다. 이로 인해 북쪽 방향에서도 직달일사가 도달할 수 있다. 그러나 북쪽면에 직달일사가 포함되지 않은 대전 지역의 학습 데이터 특성상, 해당 방향에 대한 예측 오차가 상대적으로 크게 나타난 것으로 판단된다.

결 론

직달일사와 확산일사의 측정은 건물 에너지 저감 및 태양광 발전 등 산업 분야에서의 계획 및 에너지 관리에 있어 중요한 요소이지만, DNI 데이터를 모니터링하기 위한 저비용 소형 일사계의 부재로 인해 대부분 가상환경에서의 모델 기반 예측 제어 또는 설계 단계에서 에너지 성능 검토가 이루어지고 있다. 이에 본 연구에서는 소형 및 저비용 일사계를 활용한 실시간 DNI 예측 모델을 개발하기 위해 다방향 일사계 모듈을 을 사용하는 DNN 모델을 제안하였다. 그리고 제안된 모델의 적용성 검토를 위해 시뮬레이션을 통한 대한민국 20개 지역에서의 DNI 예측을 수행하였다. DNI 예측 결과 대한민국 특정 지역에서의 얻어진 데이터를 기반으로 전지역에서 R² 0.9988 이상 및 RMSE 7.3 W/m² 이하의 높은 예측 성능을 보였고, 위도 차가 ±10° 범위의 국외 지역에서도 유사한 예측 성능을 보이는 것을 확인할 수 있었다. 그러나 위도 차가 ±20° 범위에서는 R² 0.9890 이상 및 RMSE 21.9 W/m² 이하로 오차가 증가하는 것을 확인하여, 학습 데이터 지역과 위도 차가 크게 벌어지는 곳에서는 CUBE-i 모델의 도출과정에서 추가적인 개선이 필요할 것으로 확인되었다.

CUBE-i 모델의 적용성 검토를 위해 사용된 Perez 모델은 이상화된 반구 형태를 가정하며, 이는 태양과 수평면만을 고려한 단순한 환경으로, 실제 도시 및 건축 환경의 복잡한 요소들을 충분히 반영하기 어렵다. 특히 수직면에 입사하는 일사량은 지형, 주변 건물, 반사 표면 등의 영향을 크게 받으며, 반사광 성분은 반구의 하부 영역에서 발생하고, 이는 도시 맥락에 따라 상이하게 나타날 수 있다. 본 연구에서는 다양한 위도를 고려하여 모델의 예측 정확도를 분석하였으나, 그 신뢰성과 확장 가능성을 확보하기 위해서는 실측 데이터를 기반으로 한 검증이 반드시 필요하다. 향후 연구에서는 실제 측정된 DNI를 기반으로 예측 성능을 정량적으로 평가하고 검증할 계획이다. 본 연구에서 목표로 하는 저가형 CUBE-i 모델은 향후 건물 에너지 관리 시스템(BEMS)을 비롯한 다양한 응용 분야에서 정밀한 일사량 정보 제공을 목표로 건물 온열환경 모니터링, 패시브 및 액티브 시스템 제어, 태양광 발전(PV) 효율 모니터링 등의 실시간 모니터링 및 제어 시스템의 효율성을 높이는 데 기여할 수 있을 것으로 판단된다.