서 론

컴퓨터 및 네트워크 기술의 비약적 발전으로 건물에너지모델링 도구를 건물의 제어에 직접적으로 활용하는 MPC (Model Predictive Control) 연구사례(Muhammad et al., 2017)가 지속적인 관심을 끌고 있다. 이 경우 건물에너지 사용특성에 가장 큰 영향을 미치는 요소 중 하나인 재실상황을 MPC에 반영하는 것은 아주 중요하다. 이러한 일련의 기술을 건물에 적용하는 것은 실용적이지 못한 것으로 이해되어 왔으나 최근 IoT기술이 건물에 본격적으로 활용되기 시작하면서 그 가능성이 커지고 있다.

공간의 재실상황을 추정하는 방법에 대한 연구는 PIR (Passive Infra-Red)센서나 비디오카메라 등을 이용하여 재실상황을 직접적으로 측정하는 방식과 재실상황을 간접적으로 내포하는 데이터를 이용하여 재실을 추정하는 방식으로 구분할 수 있다.

직접 측정방식의 경우 Gunay et al. (2016)은 PIR 센서를 활용하여 재실측정 정확도 개선 방안을 제안하여 93~95%의 정확도를 보였고 Benezeth et al. (2011)은 비디오카메라와 이미지프로세싱을 이용하여 97%의 높은 정확도를 보였지만 Shen et al. (2017)의 지적과 같이 적외선신호나 카메라 시야각이 도달하는 범위 내에서만 재실정보를 수집할 수 있고, 프라이버시를 우려한 거부감이 단점이 되고있다.

이에 따라 간접적인 재실추정방법에 대한 다양한 연구가 수행되고 있다. Candanero et al. (2016)은 약 20m² 규모의 사무실을 대상으로 온도, 상대습도, CO2농도, 조도, 시간 및 날짜 데이터와 같은 실내외 환경정보를 수집하였고, 이를 바탕으로 LDA (linear discriminant analysis), GBM (Gradient Boosting Machine), CART (Classification And Regression Tree), RF (Random Forest) 알고리즘을 이용해 재실여부를 추정하였으며, 추정의 정확도는 95%~99%였다. 김석호와 서동현(2017)은 단위실을 대상으로 온도, 상대습도, CO2농도, 조도와 같은 환경정보에 추가적으로 조명전력, EHP 전력사용량 데이터를 추가하여 Decision Tree 알고리즘을 이용하여 재실을 추정하였고, 역시 약 95%의 정확도로 재실여부 추정 정확도를 보고하였다. 이처럼 IoT데이터라 할 수 있는 실내 환경 및 에너지사용량 데이터를 이용하는 간접적인 재실추정방법을 통해서도 직접적인 재실측정방법과 유사한 정확도를 확보할 수 있음을 알 수 있다.

한편, 실제 건물현황정보를 건물에너지모델에 반영할 수 있는 BCVTB (Building Control Virtual Test Bed)는 EnergyPlus, Matlab, Simulink, Modelica 등 서로 다른 시뮬레이션 프로그램들이 동기화된 시간 속에서 데이터를 주고받으며 시뮬레이션을 수행하는 연동시뮬레이션(co-simulation)을 가능하게 한다(Wetter, 2011). BCVTB를 이용하여 건물로부터 수집한 데이터나 실제 기상정보를 건물에너지 모델링에 반영하려는 시도는 국내에서도 몇 차례 진행되었다. 문현준 외(2013)는 BCVTB를 기반으로 EnergyPlus와 Matlab/Simulink, ERV (Energy Recovery Ventilator) 환기시스템을 통합하여 시뮬레이션 기반의 환기제어시스템을 구축하여 CO₂농도 예측결과를 바탕으로 ERV 시스템을 제어하는 연구를 수행하였으며 곽영훈 외(2011)는 BCVTB 내에서 기상청의 기상예보데이터를 처리하여 EnergyPlus로 전달하여 실시간으로 냉동기의 에너지 사용량을 예측하였다. 박상린 외(2012)는 BCVTB, 에이전트 시뮬레이터(NetLogo) 및 EnergyPlus를 연동하여 재실자의 행위정보를 건물에너지 모델링에 반영하고자 시도한 연구를 진행하였다. 이러한 연구들은 BCVTB를 활용하여 실제 상황을 건물에너지 모델에 반영하려는 시도로 이해되나 실제 건축공간과 환경으로부터 얻은 데이터를 에너지 시뮬레이션에 반영한 사례는 아직 없는 것으로 판단된다.

따라서, 본 연구에서는 IoT 센서 데이터를 기반으로 실제 사용공간의 재실여부를 건물에너지 시뮬레이션에 반영하기 위해 R언어, BCVTB, EnergyPlus를 MPC환경으로 구축하였다. 대상공간의 실제 재실여부를 추정하기 위해 실내 환경 및 에너지사용량 데이터를 바탕으로 김석호와 서동현(2017)의 연구에서 수행한 CART 알고리즘을 이용하였고, 개발한 MPC환경을 검증하기 위하여 재실여부가 반영된 조명제어를 통해 조명에너지절감 가능성을 검증하였다.

연구의 방법 및 절차

이러한 연구를 진행하기 위해 실제 사용되는 공간을 대상으로 IoT데이터를 수집하고, 수집된 데이터를 처리 및 분석하여 재실여부를 추정하였고 이를 건물에너지 모델에 반영한 후 재실추정결과에 기반한 MPC 시뮬레이션 결과와 실제 조명사용량에 기반한 시뮬레이션 결과를 비교하였다. 이를 위한 상세한 절차는 아래와 같다.

(1)R언어를 활용한 대상공간의 IoT 센서 데이터 수집 및 전처리(실내 환경, 에너지 사용량, 재실여부 데이터)

(2)R언어를 활용하여 수집한 데이터와 분류 알고리즘으로 재실여부 추정

(3)추정된 재실여부를 반영한 조명제어 시나리오에 따른 조명스케줄과 실제 조명사용량을 모사하는 조명스케줄 생성

(4)BCVTB를 통해 두 가지 조명스케줄을 EnergyPlus로 전달하여 시뮬레이션 수행

(5)재실추정 기반의 조명제어를 반영함에 따른 조명에너지절감 효과 분석

대상공간 및 데이터수집

본 연구의 대상공간은 22.5m² 면적의 개인 사무실로 Table 1은 대상공간의 일반정보 및 에너지사용기기 정보를 요약하여 보여주고 있다. LED 조명기구는 사용자에 의해 수동스위치로 On/Off로 제어되나, 켜져 있는 경우 자연채광에 따라 자동으로 디밍제어가 된다.

Table 1. Summary of general information and energy use equipment of target room

대상공간의 데이터 수집을 위해 Figure 1과 같이 IoT 센서를 이용한 측정환경을 구축하였고 Table 2는 측정장치 및 수집데이터 정보를 요약하고 있다. 수집하는 데이터는 온도, 상대습도, CO2농도, 조도 등 실내 환경데이터와 조명전력, PC 전력사용량, EHP 전력사용량, 그리고 검증용 재실 데이터이다. 데이터는 2017년 2월과 2017년 5월의 총 2개월 동안 수집되었고, 서로 다른 장비로부터 수집된 데이터는 시간형식이나 측정간격, 측정범위를 벗어난 값에 대한 표기방식 등이 상이하므로 분석에 앞서 전처리를 수행하였다.

Figure 1.

Configuring environment for data collection

Table 2. Information about collected data and sensors

IoT 센서 데이터 기반 재실추정

수집된 데이터를 이용한 대상공간의 재실추정은 김석호와 서동현(2017)의 연구를 참고하여 (1) 주요 입력변수의 선별, (2) CART 알고리즘을 이용한 분류모델의 학습, (3) 학습된 분류모델을 이용한 재실추정과 검증 순으로 진행하였다. 재실추정을 위한 분류모델의 학습 및 검증과정에서 수집된 데이터 중 4개의 실내 환경데이터와 3개의 에너지 사용량데이터는 입력변수로, 재실여부데이터는 출력변수로 사용되었다. 분석에 사용된 데이터는 2개월간의 15분 단위 데이터로, 총 45312개의 데이터 포인트이다. 수집기간 중 마지막 7일의 데이터는 검증데이터로 사용하였고 나머지는 학습에 사용되었다. CART 알고리즘의 구현을 비롯한 일련의 재실추정과정은 오픈소스 기반의 소프트웨어인 R을 이용하여 수행하였다.

주요 입력변수의 선정

CART 알고리즘을 이용한 분류모델의 학습을 위해서는 단일 입력변수뿐만 아니라 입력변수들의 조합도 고려해야 하므로 Zhang et al. (2011)이 제안한 방법을 바탕으로 gain ratio를 이용하여 7개의 입력변수 중 재실추정에 대한 영향력이 높은 4개의 주요 입력변수를 선별하였다. Table 3은 입력변수별 계산된 gain ratio 값을 내림차순으로 보여주고 있으며, gain ratio 값이 클수록 재실추정에 대한 영향력이 높음을 의미한다.

Table 3. Calculated gain ratio of each variable

분석을 통해 gain ratio 값을 기준으로 상위 4개의 입력변수를 주요 입력변수로 선정하였다. 2월에는 조명전력과 조도, PC 전력사용량, 온도가 입력변수로 선정되었고, 5월에는 조명전력, PC 전력사용량, EHP 전력사용량, 조도가 입력변수로 선정되었다. 동계인 2월은 난방을 위해 EHP 뿐만 아니라 증기방열기 및 보조난방기기를 병용함에 따라 EHP 전력사용량의 영향력이 낮은 것으로 나타났으며 실내외 온도차가 크므로 온도의 영향력이 높아진 것으로 나타났다. 반면 5월은 온화한 계절의 영향으로 사용자가 창문을 일부 개방한 상태로 생활하여 지속적인 환기가 이루어짐에 따라 실내 환경 변수인 CO2, 온도, 상대습도의 영향력이 줄어든 것으로 나타났다.

CART 알고리즘을 이용한 분류모델의 학습

CART 알고리즘은 Decision Tree 알고리즘의 한 종류로, 주어진 학습데이터 입력변수와 출력변수의 관계를 바탕으로 입력변수의 값에 따라 출력변수의 값을 분류하는 분류모델을 학습하는 알고리즘이다. 학습데이터로는 2월과 5월에 수집한 데이터에 대해 각각 앞부분부터 21일과 24일치의 데이터를 이용하였다. CART 알고리즘은 R언어와 rpart 패키지(Therneau, 2017)를 이용하여 구현하였다. 분류모델의 학습은 각 기간별로 선별된 4개의 주요 입력변수를 바탕으로 15개의 입력변수조합을 고려하여 수행되었고, 최종적으로 기간별 15개의 분류모델이 학습되었다. Figure 2는 2월과 5월에 대해 CART 알고리즘으로 학습된 분류모델 중 정확도가 가장 높은 모델을 보여주고 있다.

Figure 2.

The best accurate CART classification model of each analysis period

재실추정 및 검증

학습된 분류모델과 학습에 사용되지 않은 7일간의 검증데이터를 이용하여 기간별로 재실을 추정하고 추정의 정확도를 검증하였다. Table 4는 각 분류모델의 입력변수조합과 재실추정 정확도를 나타낸다. 재실추정의 정확도는 2월의 경우 최대 94.79%의 정확도를 보였고, 5월의 경우 91.67%의 정확도를 보였다.

Table 4. Accuracy of occupancy prediction of each model

Table 4. Accuracy of occupancy prediction of each model (Continued)

2월의 경우 정확도가 높은 모델은 대부분 조명 및 조도를 입력변수조합으로 사용하여으나, 본 분석에서는 조명제어를 수행하기 위해 재실을 추정하는 것이므로 조명과 관련된 입력변수인 조명전력 및 조도이외의 입력변수인 PC 전력사용량과 온도 변수가 입력변수조합으로 고려된 모델의 추정결과를 사용하는 것이 적절할 것으로 판단하였다. 따라서 2월의 조명제어분석에는 7번 모델(Lighting_Power+PC_Usage+Temperature)의 재실추정결과를 사용하였다. 5월의 경우 정확도가 가장 높으면서도 조명과 관련된 변수를 입력변수조합으로 고려하지 않는 1번 모델(PC_Usage+EHP_Usage)의 재실추정결과를 사용하였다.

추정된 재실스케줄 기반 조명제어 효과평가

추정한 재실데이터에 기반한 조명제어의 효과를 평가하고자 (1) 간단한 조명제어 알고리즘을 작성하고, 이를 바탕으로 대상공간으로부터 측정한 조명사용량과 앞서 추정한 재실데이터를 이용하여 조명스케줄을 각각 생성하였다. (2) 각 스케줄을 이용하여 대상공간의 에너지모델을 작성하고 (3) 시뮬레이션을 위한 실제 기상데이터를 제작하였으며, (4) BCVTB를 기반으로 조명스케줄을 제어에 반영할 수 있는 시뮬레이션 환경을 구축하였다. 마지막으로, (5) 생성한 조명스케줄을 반영한 시뮬레이션을 수행함으로 조명제어의 효과를 평가하였다.

조명제어 시나리오 수립 및 스케줄 생성

기존의 조명사용을 모사하는 조명스케줄과 추정된 재실데이터 기반의 효율적인 조명제어를 반영한 조명스케줄을 생성하고자 Figure 3과 같이 조명제어 시나리오를 구성하였다. Figure 3의 a)는 기존의 조명사용을 시뮬레이션에서 모사하기위해 조명사용량이 있는 경우 조명이 켜지고 조명사용량이 없는 경우 꺼지도록 스케줄을 생성하는 시나리오다. b)는 조명 조명제어 적용 시의 시나리오로, 대상공간에 사람이 있다고 추정됨에도 조명사용량이 존재한다면 조명이 꺼지도록 제어하고(조명스케줄을 조정하고) 그 외의 상황에서는 조명 사용량에 기반한 조명스케줄이 반영되도록 구성하였다. 이와 같이 수립된 시나리오를 바탕으로 R 언어를 이용하여 두 가지의 조명스케줄을 텍스트파일(.txt) 형태로 생성하였다.

Figure 3.

Lighting control algorithm based on actual lighting use and occupancy estimation for developing lighting schedules that are utilized in MPC

대상공간 에너지모델 작성

에너지모델은 대상공간으로부터 수집한 일반정보 및 에너지사용기기 정보를 바탕으로 DesignBuilder를 이용하여 EnergyPlus 모델로 작성하였다. 대상공간은 창문이 남서향으로 늦은 오후에 자연채광이 활발히 이루어지며, 소비전력이 40W인 LED조명이 3개 사용되고 있다. 그리고 창문의 실내 측 블라인드의 채광특성은 조명사용량을 활용하여 블라인드 슬랫(slat)의 각도를 보정함으로 대상공간의 정보를 근사하게 모사하도록 모델링하였다. Table 5는 에너지모델의 주요 입력변수와 입력값을, Figure 4는 완성된 모델의 외관을 보여주고 있다.

Table 5. Input variables and values of energy model of target experiment room

Figure 4.

EnergyPlus energy model of target room

기상데이터

EnergyPlus 시뮬레이션을 위한 기상데이터는 분석기간인 2017년 2월과 5월에 대해 기상청이 제공하는 실제 기상관측데이터를 이용하여 작성하였다. 먼저 기상청으로부터 입수한 청주지역의 1시간 단위 기상관측데이터를 DOE 2.1A Reference Manual (1980)에서 제공하는 관측기상데이터 기반의 기상데이터 생성방법을 참고하여 기상데이터 파일(.bin)을 생성하였고 이를 EnergyPlus의 Weather Converter Tool을 이용하여 EnergyPlus용 기상데이터 파일(.epw)로 변환하였다.

BCVTB 기반 조명제어 반영 시뮬레이션 환경 구축

두 가지 조명스케줄을 EnergyPlus로 전달하여 재실정보 기반 조명제어 에너지 시뮬레이션을 수행하고자 BCVTB 기반의 MPC 시뮬레이션 환경을 구축하였다. 구축된 MPC 모델은 시뮬레이션이 시작되면 매 시뮬레이션 간격(time-step)마다 텍스트파일(.txt)형태로 생성된 조명스케줄을 읽어 EnergyPlus에 재실상황이 반영된 조명스케줄을 변경한다. Figure 5는 BCVTB로 구축된 실제 재실여부가 반영된 조명제어를 수행할 수 있는 MPC모델의 모습을 보여주고 있다.

Figure 5.

BCVTB model for simulation reflecting lighting control

조명제어 반영 시뮬레이션 수행 및 결과분석

Figure 6은 2월(a)과 5월(b)동안 재실정보 기반 조명제어 스케줄을 반영한 시뮬레이션을 수행하여 검증기간(각 월별 마지막 7일)에 대해 15분 단위 시뮬레이션 결과를 비교하고 있다. 각 그래프의 최상단 그래프(Lighting)는 조명에너지 시뮬레이션의 결과로 밝은 회색은 기존 조명스케줄에 따른 조명에너지 사용량을, 어두운 회색은 재실정보 기반 조명제어 후의 조명에너지 사용량을 의미하며, 중간과 하단의 그래프는 같은 기간 추정 및 측정된 재실여부(1: 재실, 0: 비재실)를 의미한다.

Figure 6.

Comparison of simulation results before and after reflecting lighting control

Figure 6a)와 b)의 조명에너지 사용량 그래프를 살펴보면 2월과 5월 모두 밝은 회색면과 어두운 회색면이 겹치지 않는 부분을 확인할 수 있다. 이는 대상공간에 재실자가 없다고 추정되었음에도 조명이 사용 중인 경우(밝은 회색) 조명을 끄도록 제어(어두운 회색)함으로 조명에너지가 절감되는 효과가 나타나는 부분이다. 검증 기간에 2월에는 25.57%의 에너지절감이 이루어졌고, 5월에는 68.33%의 에너지가 절감되는 것으로 나타났다. 5월 25일부터 28일까지는 사용자의 부주의한 사용을 가정하여 조명을 켜둔 상태로 장기간 대상공간을 떠난 상황으로 사용자의 부주의로 인해 이와 같은 상황이 발생할 경우 상당량의 낭비되는 조명에너지를 절감할 수 있음을 알 수 있다.

재실추정의 오류에 의해 부정확한 조명스케줄이 생성되고, 원하지 않는 제어의 결과가 나타나는 경우가 있을 수 있다(2017.05.31. 자정~오전 9시). 비재실을 재실로 추정하는 false positive 오류가 발생한 경우 불필요한 조명을 끄는 제어를 수행하지 못하므로 조명에너지의 낭비를 막지 못하지만 재실자의 불편으로 이어지지는 않는다. 반면 재실을 비재실로 추정하는 false negative 오류가 발생할 경우(2017.02.27. 15시~21시) 재실자가 존재함에도 조명을 끄도록 제어함에 따라 재실자의 불편을 초래할 수 있다. 그러므로 재실추정 기반의 조명제어를 수행함에 있어 false positive보다 false negative 오류를 상대적으로 개선이 필요한 오류로 볼 수 있다(Shen et al., 2017). 또한 본 연구를 통해 높은 재실추정 정확도가 낮은 false negative를 보장하지는 않는다는 것을 확인할 수 있었다. 2월은 5월보다 재실추정 정확도는 1.34% 높았으나, false negative 오류의 발생률도 3배가량 높았다. 이처럼 추정된 재실정보와 조명사용량에 기반한 조명제어를 위해 재실을 추정하고자 할 경우, false negative 오류는 정확도와 함께 재실추정의 주요한 성능평가 기준이 될 수 있다. Table 6은 분석기간에 대한 재실추정의 정확도와 오류의 유형별 발생률 및 발생빈도를 보여준다.

Table 6. Negative and positive false rate in occupancy estimation for the analysis periods

결 론

본 연구는 개인사무실로부터 수집된 실내 환경 및 에너지사용량 데이터를 바탕으로 추정된 재실여부를 기반으로 조명제어를 수행할 수 있는 MPC환경을 R언어, BCVTB, EnergyPlus를 통합하여 구축하였고, 실제 재실공간에서 측정한 IoT데이터를 활용하여 조명에너지 절약제어가 가능함을 보여주고 있다. 본 연구의 결과는 다음과 같이 요약할 수 있다.

(1)대상공간으로부터 수집된 IoT 센서 데이터와 CART알고리즘을 이용한 두 분석기간에 대한 재실추정의 정확도는 최대 94.79% (2월 분석기간)와 91.67% (5월 분석기간)로 나타났다.

(2)재실추정결과를 기반으로 조명제어를 수행할 경우 두 분석기간에 대해 실제 사용량에 비해 25.57% (2월)와 68.33% (5월)의 에너지를 절감할 수 있었다. 이 절감률은 개별실의 사용특성에 따라 크게 달라질 수 있어 큰 의미는 없으나, 실제 상황을 반영한 에너지 시뮬레이션을 통한 다양한 부분에서 에너지 절감 가능성을 보여주는 의미는 적지 않다.

(3)또한 조명제어를 목적으로 재실을 추정할 경우, 재실추정의 성능평가를 위해 추정의 정확도와 함께 false negative 오류의 발생률을 고려하는 것이 적절함을 확인하였다.

결론적으로 요약하면, 본 연구를 통해 기존 1주일을 단위로 고정된 재실현황을 건물에너지모델에 반영하던 것에서 실제 재실데이터를 반영함으로써 건물에너지 시뮬레이션의 신뢰성을 획기적으로 높일 수 있는 가능성을 보여주고 있다고 할 수 있다. 다만, 본 연구의 대상공간은 1인이 사용하는 사무실로 본 연구의 결과는 개인사무실이라는 범주에 한정된다. 향후 연구에서는 대상공간을 오픈 오피스로 확장할 수 있을 것이며, 재실추정 기반의 조명제어에 있어 false negative 오류를 줄이는 방안에 대해 연구가 이루어져야 할 것으로 사료된다.