서 론

연구의 배경 및 목적

국민 개개인의 생활수준 향상과 더불어 재실자의 안락하고 쾌적한 실내 환경이 요구됨에 따라 건물 에너지 소비량이 점차 증가하는 추세를 보이고 있다. 우리나라에서는 에너지 자원의 자급력이 부족함에 따라 패시브하우스, 그린빌딩 등 에너지 성능이 우수한 신축 건물의 증가와 현재 국내 667만 가구에 이르는 기존 건축물에 대한 에너지 절감 방안이 모색되고 있다(이상준, 2014).

에너지 소비절약을 위해 건물의 전체 에너지사용량 중 50~60%를 차지하는 냉난방 공조시스템에 대해 설계 단계에서부터 에너지 고효율화, 저에너지 등의 다방면 검토가 이루어지고 있다(에너지경제연구원, 2014). 그러나 HVAC 시스템의 작동이 중단되거나 구성요소 기기가 정지되는 경우에는 관리자가 즉시 상황을 파악할 수 있으나, 시스템의 성능저하 등과 같이 점진적인 고장은 관리자로 하여금 고장상황을 인지하기 힘들게 하며 에너지의 과소비를 불러올 수 있다.

HVAC 시스템의 고장징후로 소음, 냄새, 떨림, 누수, 누유, 변색 등이 있으나 건물 전체를 대상으로 할 경우 재실자로 하여 상기 항목을 통한 고장상황 파악이란 불가능에 가깝다. 재실자의 관점에서 고장의 징후로 재실공간의 실온유지가 이루어지지 않는 경우, 에너지 사용량이 증가하는 경우 등을 들 수 있고 실온유지가 이루어지면서 에너지 사용량이 증가하는 경우는 HVAC 시스템 전체를 저효율화 시키는 원인이 된다(일본건축설비기술자협회, 2004).

본 연구에서는 HVAC 시스템에서 발생하는 고장을 발견하고 진단하는 알고리즘에 대해 논하고자 한다.

최근 국내에서는 BEMS 도입을 통하여 건물에서 사용되는 에너지에 대한 정보를 수집하고 종합적 관리를 통해 에너지 비용절감과 효율 개선의 노력이 이루어지고 있다. BEMS의 효율적 운영을 위하여 FDD 모듈의 탑재가 실시되며 그 핵심이 되는 FDD 알고리즘 개발을 위해서는 고장발생에 따른 HVAC 시스템의 응답상태에 대한 분석과 특성 파악이 필요하다.

따라서, 본 연구에서는 에너지 해석 시뮬레이션을 통해 중대형급 사무실의 건물 모델링을 실시하고 HVAC 시스템에 임의의 고장을 발현시켜 고장에 따른 HVAC의 정량적 성능변화에 대해 파악하고, 이를 활용한 고장발견진단 알고리즘 개발에 그 목적을 두었다.

고장발견진단 개요 및 연구동향

고장발견진단 개요

고장의 종류는 시스템의 작동이 정지되는 급격한 고장과 성능저화 같은 점진적인 고장이 있다. Figure 1을 통하여 기본적인 고장발견 및 진단 시스템 구조의 프로세스를 확인할 수 있다(한국에너지기술연구원, 2004).

Figure 1.

System of fault detection and diagnosis

시스템의 고장발견 및 진단기술 개발을 위해서는 먼저 고장의 특성과 중요도를 파악해야한다. HVAC 시스템에서 발생할 수 있는 고장에 대해 설계자, 시공자, 관리자, 사용자들이 느끼는 불만을 중요도에 따라 분류하고 고장발견 및 진단 처리단계를 거치게 된다. 이후 고장의 정도 및 전체 시스템에 미치는 효과를 파악하기 위한 평가단계를 진행하게 되며 여기서 얻어지는 정보를 활용하여 진단 결과와 운전상황에 맞는 적절한 조치 결정을 내리게 된다.

문헌조사를 통한 고장부위 특정

고장발견진단 관련 연구동향 분석에 앞서 실제 건물 HVAC의 고장과 진단은 외부에 충분한 공유가 이루어지지 않는 것이 일반적이다. 고장과 관련된 정보의 공개시에는 기술적 문제의 우려와 책임에 대한 문제를 회피할 수 없기 때문이다. 또한 고장에 대한 정보가 공개되었다 하더라도 노출된 일부 소수의 고장만으로 전체 상황을 유추하기가 힘들며, 특히 개별 운전기기의 성능저화 등과 같은 고장으로 인한 건물 HVAC 전체의 성능변화를 확인하기란 불가능에 가깝다(송영학, 2016).

따라서 고장사례를 접할 기회가 드물고 공개된 소수의 고장만으로 전체 시스템의 고장상황을 유추하기 힘들므로 본 연구에서는 기존의 고장발견진단 관련 문헌을 통하여 고장의 부위와 고장의 빈도를 역추적하는 방법을 사용하였다. HVAC의 FDD와 관련된 국내외 학회논문, 학위논문, 보고서, 특허 등 총 295편을 정리하였고 이 중 국내 자료는 80편으로 대한설비공학회, 대한건축학회, 한국 신호처리시스템학회, 한국지능시스템학회 등의 논문집을, 국외 자료는 215편으로 Energy and Buildings, Energy Conversion and Management, Applied Thermal Engineering, Automation in Construction의 저널지를 중심으로 조사하였다(Shengwei and Fu, 2004).

Figure 2는 조사문헌 전체를 대상으로 연도별 FDD 발생 장소를 대분류하여 나타낸 것이다. 크게 AHU, HVAC, Chiller, ETC로 나누었으며, AHU로 구분된 그룹은 개별 공조기나 공조기 내의 서브시스템, 공조기 + 반송계통 등의 연구를 포괄적으로 나타낸 것이고, HVAC은 다양한 운전모드, HVAC 시스템 전체를 대상으로 하는 내용을 포함하고 있다. HVAC에 대한 연구는 조사 연구 초부터 꾸준히 증가한 것을 확인할 수 있으나 AHU의 경우 2000년 이후부터 급증하는 것을 알 수 있다. 이는 HVAC 시스템 중 AHU에서 발생하는 고장의 빈도가 높다는 것을 간접적으로 반영하는 것으로 판단된다(산업자원부, 2005). 기타 분류에서는 외조기, 지역난방, 신재생에너지(태양광, 태양열, 풍력) 등의 연구를 포함하고 있으며 특히 신재생에너지 관련 연구 증가는 2000년 이후 전 세계적으로 신재생에너지 보급 및 확산에 의한 결과라고 판단된다.

Figure 2.

Amount of whole FDD research

다음의 Table 1은 이상의 문헌조사에서 언급된 항목별 고장 원인들 중 비중이 높은 것들을 정리한 것이다. AHU의 경우 Fan의 효율저하에 의한 고장의 빈도가 가장 높았으며 댐퍼 궤도변화, 냉온수 코일 누설, 필터막힘 등의 원인이 나타났다. HVAC에서는 운전 스케쥴의 증가, 재실자 임의의 작동 등의 원인이 있었으며, Chiller의 경우 냉수·냉각수 누설, 펌프 효율저하, 냉수·냉각수 온도변화 등의 원인을 확인할 수 있었다(김민성, 2008).

Table 1. Cause of Fault

고장발견 및 진단방법 분류

본 절에서는 기존 연구에서 사용되었던 고장진단 방법을 분류하였다. 다음의 Figure 3은 현재 연구단계에서 진행되고 있는 진단방법 분류를 나타낸 것이다(Yu et al., 2014).

Figure 3.

Classification of basic diagnostic methods

대분류로 분석기반 방법, 지식기반 방법, 데이터활용 방법으로 나누고 각 대분류에 중분류, 소분류의 세부적인 방법들을 분류하였다.

먼저 분석기반방법(Analytical-based Methods)은 시스템 변수 추정법과 출력잔차방법으로 나누어진다. 시스템 변수 추정법은 시스템이 공장 출하 당시의 초기 변수와 현재 진단에 의해 추정한 변수 간의 차이를 분석하여 고장을 진단하는 것이고, 출력잔차 방법은 상태관측기 이용법과 반전성관계가 있는데 이들 간의 차이는 출력의 구조로 파악한다.

다음은 데이터 활용 방법(Data-driven Methods)으로 시스템에서 얻어지는 많은 차원의 데이터를 관심영역에 해당하는 부분만 추출하여 낮은 차원의 데이터로 변환하는 것으로서, 신호를 기반으로 하는 FDD와 FDD기반 다변수 통계기법으로 나눌 수 있다.

마지막으로 대규모 시스템 등에 적용되는 지식기반 방법(Knowledged-based Methods)이 있다. 대규모 시스템의 경우 해석적 기법 적용을 위한 수학적 모델에 필요한 정보를 얻기 어렵고 가능하더라도 시간과 비용이 많이 발생하는 문제가 생기기 때문에 지식기반방법을 사용한다. 인과관계 모델, 시스템 상세 서술, 전문가 지식 또는 대표적 고장징후에 관한 정성적 모델에 기반한 방법이다. 세부적으로는 전문가 시스템(Expert systems), 고장유형 분류(Pattern classification), HVAC의 고장과 관련된 시스템 가동을 인과관계적으로 도식화한 인과관계 분석(Casual analysis)등으로 나뉜다. 본 연구의 서두에서 밝힌 바와 같이 대규모 HVAC을 대상으로 하면서 최소한의 정보를 활용한 FDD진행에 그 목적이 있으므로, 세 가지 방법 중 본 연구의 진행과 목적에 가장 적합한 것으로 판단된다.

고장별 HVAC 성능변화 시뮬레이션 개요

시뮬레이션 대상 건물 개요

FDD 관련 연구에서 HVAC을 이루는 요소 기기를 대상으로 할 경우, 챔버나 실험실 등 실제와 비슷한 규모의 공간을 설정하고 그를 통해 어느정도 실증이 가능하다. 그러나 건물 전체를 대상으로 할 경우 제약이 따르며 실제 건물과의 성능 비교시 발생하는 오차를 무시하지 않을 수 없다. 따라서 본 연구에서는 에너지해석 시뮬레이션 프로그램인 Designbuilder를 이용하여 중대형급 사무실 건물을 모델링하고 HVAC 시스템을 구축한 뒤 건물과 HVAC에 인위의 고장을 발현하여 정량적 에너지 사용량과 실온 변화에 대해 파악고자 하였다. 다음의 Table 2는 건물 및 HVAC에 대한 개요를 정리한 것이다.

Table 2. Simulation model outline

시뮬레이션 대상 건물의 용도는 업무용이며 20층 높이, 연면적 24,000 m²로 중대형 사무실 건물을 대상으로 하였다. 건물의 위치는 서울로 가정하였으며, 건축물 에너지절약 설계기준의 중부지방 외벽 및 지붕, 바닥, 창 및 문 등의 열관류율을 각각 만족 할 수 있도록 설정하였다. 다음의 Figure 4는 HVAC 시스템의 계통도를 나타낸 것이고 구성은 1~6층은 개별공조를 위한 VRF, 7~16층은 흡수식 냉동기와 공조기, 17~20층은 터보 냉동기와 공조기의 조합으로 구성하였다.

Figure 4.

HVAC Schematics

HVAC 시스템 고장상태 설정

앞서 소개한 시뮬레이션을 위한 건물모델과 특성에 대한 에너지사용량과 실온변화 값을 ‘무고장’ 상태로 가정한 뒤, 임의의 ‘고장’을 발생시켜 에너지사용량과 실온변화에 대해 파악하였다. 임의의 고장은 다음의 Table 3과 같이 2장 문헌조사를 통해 설정한 고장상황 설정하고 시뮬레이션을 위한 고장설정 인자를 설정하였다.

Table 3. Fault setting parameter by fault condition

먼저 실의 풍량이 변동하는 고장상황에 대하여 공조기 급기 및 리턴측 Fan의 효율저하를 고장설정 인자로 가정하였다. 다음으로 셋팅된 실내 설정온도가 미 반영되는 고장상황에 대한 고장 설정인자로 냉동기, 냉각탑, 보일러 펌프의 효율저하와 냉동기 COP저하, 보일러 효율 저하를 설정하였다. 재실자의 임의조작으로 인해 운전이 On/Off 되는 고장에 대하여 실의 운전 스케쥴을 분리적용 하는 고장인자를 설정하였고, 배관내 노후화, 부식 등으로 인한 열매체의 누설의 고장상황에 대해 냉수 및 냉각수의 유량변동을 고장설정 인자로 가정하였다. 또한 창이나 문 등의 개구부가 개방된 상태로 운전되는 경우에 관한 고장설정 인자로 침기량 증가의 고장설정 인자를 가정하였다.

이상의 10가지 고장설정 인자들에 대해 각 고장의 정도를 변화시켜 정리한 것이 다음의 Table 4이다. 고장은 점진적인 고장에 해당하는 10, 30%의 고장부터 급격한 고장에 해당하는 50, 70%의 고장으로 분류하였고, 각 고장정도에 대한 연간 및 기간별 에너지 사용량과 실온변화에 대해 파악하였다.

Table 4. Fault configuration of simulation model

시뮬레이션 결과분석

에너지사용량 분석

상기에서 정의된 시뮬레이션 대상모델의 개요와 고장상태에 대한 개요를 통해 이번 절에서는 연간 및 기간별 에너지 사용량과 실온변화에 대해 파악하였다.

Table 5는 설정된 10가지의 고장 시뮬레이션 설정인자들의 각 고장정도에 따른 연간 에너지 사용량과 무고장 모델의 에너지 사용량 대비 증감률을 표로써 정리한 것이다. 무고장 모델의 경우 연간 에너지 사용량이 207.88kWh/m²로 고장설정 인자 중 가장 높은 증감을 보인 항목은 냉동기 COP저하(70%고장시 350.51, 68.61%)였으며, 가장 낮은 증감을 보인 항목은 냉각수 유럄감소(70% 고장시 207.35kWh/m², -0.25%)이다.

냉동기 COP가 저하될 경우 실내에서 발생하는 냉방부하에 대한 냉동기의 용량에는 무리가 없으나 효율의 극감소로 인해 에너지 사용량이 급증한 것이고 냉각수유량 저하에 따른 에너지 사용량의 감소는 냉각수의 온도가 내려가 냉수와의 열교환시 적은 유량으로 충분한 열 교환을 이루어 낼 수 있다는 것을 의미하므로 줄어든 냉각수의 반송 동력이 감소한 것으로 판단된다.

Table 5. Energy consumption and increase/decrease ratio by type of fault

*E.C: Energy Consumption *I.D.R: Increase Decrease Ratio

실온변화 분석

실온변화에 대한 분석을 위하여 20층의 모델링 건물중 개별공조를 담당하는 VRF가 적용된 3층과 흡수식 냉동기+공조기가 적용된 12층, 터보 냉동기+공조기가 적용된 18층을 각 대표층으로 선정하여 실온에 대해 분석하였다. 실온의 변화가 나타날 것으로 예상되는 냉방기간(08월06일~08월13일)과 난방기간(01월08일~01월15일) 각각 1주일을 선정하여 실온에 대해 분석한 결과를 다음의 Figure 5와 Figure 6에 나타내었다.

Figure 5.

Room temperature variation of non-fault model

Figure 6.

Room temperature variation of non-fault model

위의 Figure 5와 Figure 6에서 알 수 있듯이 09시~18시동안 냉방기간 설정온도인 26°C, 난방기간 설정온도인 22°C의 실내 설정온도가 유지되는 것을 확인할 수 있다. 비공조 시간대의 실온은 외기온의 영향을 받아 냉방기간 최대 33°C까지 상승하고 난방기간 최대 2°C까지 떨어지는 것을 확인할 수 있다.

다음의 Figure 7과 Figure 8은 고장이 발생하였을 경우 무고장 모델의 실온과 비교를 위하여 침기량 2.0ACH 고장발생 시 나타난 실온의 변화를 그래프화 한 것이다. 먼저 냉방기간 실온의 변화를 살펴보면 공조시간대에 26°C의 설정온도를 추적하지 못하는 것을 알 수 있다. 또한 실온의 변화 분포가 외기온의 분포 형상을 따라가는 형태를 나타내었으며, 이는 고장의 정도가 더욱 심화될수록 뚜렷해지는 경향을 보였다.

Figure 7.

Room temperature variation of fault model

Figure 8.

Room temperature variation of fault model

난방기간 실온변화의 경우 22°C의 설정온도를 추적하기는 하나 비공조 시간에 실내 기밀이 이루어지지 않아 실내온도가 급격히 떨어지고 이로인해 공조가동 시 에너지 사용량이 급격히 증가하는 결과를 나타내었다.

경향에 따른 고장항목 분류

지금까지 시뮬레이션을 통한 고장에 따른 연간 및 기간별 에너지 사용량과 실온변화의 결과를 토대로 에너지사용량과 실온변화의 경향에 따른 분류를 실시한다. 다음의 Table 6은 10가지 고장항목들의 경향을 분류하여 그룹핑한 것이다.

Table 6. Trend classification in energy consumption and room temperature

*E.C: Energy consumption *R.T: Variation of room temperature

그룹 A의 경우 고장설정에 따른 시뮬레이션 결과 에너지 사용량이 증가하고 실온의 변동이 발생하는 그룹으로 AHU fan의 효율저하, VRF 개별 공조시스템의 운영시간 증가, 침기량 증가의 항목을 포함하고, 그룹 B의 경우 고장설정 시뮬레이션 결과 에너지사용량이 증가하나 실온의 변동이 발생하지 않는 것으로 보일러 효율저하, 냉동기 COP 저하의 항목을 포함한다. 그룹 C의 경우 고장에 따른 시뮬레이션 결과 에너지사용량이 감소하면서 실온의 변화는 발생하지 않는 것으로 냉각수 유량 감소의 항목이 이에 해당한다. 마지막으로 그룹 D는 고장에 따른 시뮬레이션 결과 에너지사용량의 변동이 없고 실온의 변화 역시 발생하지 않는 것으로 냉동기 펌프 효율저하, 냉각탑 펌프 효율저하, 보일러 펌프 효율저하, 냉수유량 감소의 항목을 포함한다.

고장발견진단 알고리즘

알고리즘 개요

알고리즘 개발과 적용에 앞서 기존에 진행된 상당수의 연구에서는 공조 시스템을 이루고 있는 기기들의 개별적 요소에 국한되어 개별요소의 고장발생이 시스템 전체에 미치는 영향을 파악하기 매우 어렵다(최창식, 2006). 또한 알고리즘의 정확도와 신뢰성 향상을 위한 센서, 계측기 등의 추가 장비 투입으로 정밀한 알고리즘의 개발과 적용을 가능하게 했으나 비용발생, 관련 프로그램 개발 등 2차적인 문제를 동반하고 있다(Jeffrey and Steven, 2006). 이렇듯 개발된 알고리즘은 사용자로 하여금 전문 지식을 요구하게 되며 적재적소에 필요한 형태로의 변형이 불가능하게 만든다(Howard and James, 2015).

FDD 알고리즘 개발과 적용을 위해서는 기존의 건물이 지니는 HVAC의 성능정보가 필요하다. 신축 건물의 경우 HVAC의 운영정보가 전무한 상태에서 알고리즘 적용을 통한 고장의 발견과 진단은 무리가 있다. 따라서 이번 장에서는 기존 건물의 연간 데이터를 활용한 알고리즘과 신축 건물등의 HVAC 운영 정보가 없는 건물에서의 월간 데이터를 활용한 알고리즘을 제시한다.

연간 데이터를 활용한 알고리즘

에너지 패시브화, 그린 리모델링 등과 같이 기존 건물에서의 에너지 절약은 건물에서 나타나는 이전의 운영정보를 토대로 새로운 방법을 제시한다.

이번 절에서는 FDD 알고리즘 적용 대상을 시스템 운영정보가 존재하는 건물을 대상으로 가정하여 연간 시뮬레이션 결과를 토대로 다음의 Figure 9와 같은 알고리즘을 제시한다.

Figure 9.

Annual algorithm

3장에서 정의한 10가지 고장의 4가지 고장정도를 통해 연간 시뮬레이션 결과를 도출하고 결과값을 평균화하여 알고리즘 상에 에너지 사용량과 실온변화의 조건을 제시하였다. 다음의 식 (1)을 통하여 알고리즘 상의 입력 데이터에 대한 조건을 나타내었다.

기존의 HVAC의 운영정보가 남아있는 상태에서 건축물 리모델링, HVAC 기기의 교체 등으로 인해 새로운 운영정보의 취득이 실시되는 경우, 해당 시스템의 고장을 판별하기 위하여 기존 데이터와 현재 취득되는 데이터간의 차이를 통해 고장을 판별하게 된다. 만약 기존의 데이터와 현재 취득되는 데이터간의 차이에 대한 절대값이 0일 경우 이는 기존 시스템과 현재 시스템간의 운영 특성이 동일하다는 것으로 볼 수 있으며 즉, 고장이 발생하지 않은 것이라고 판단할 수 있다. 그렇지 않은 경우 제시된 알고리즘의 조건문에 따라 고장의 결과를 추적하게 되고 최종적으로 고장 발생의 가능성이 가장 큰 요소에 해당하는 항목을 사용자에게 제시하게 된다.

여기서,

: 고장모델의 연간 에너지 사용량

: 무고장 모델의 연간 에너지 사용량

: 고장모델의 실내 온도

: 무고장 모델의 실내 온도

월간 데이터를 활용한 알고리즘

건물 HVAC의 운영정보가 있는 건물과 달리 신축 건물이나 리모델링 건물 등과 같이 이전의 운영정보가 있지 않은 건물에서는 2절의 연간 데이터를 활용한 알고리즘 적용에 무리가 있다. 연간 데이터를 축적 후 고장발견진단을 진행하는 방법이 있으나 데이터 축적 초기에 고장이 발생할 경우 지속적인 에너지 사용량 증가로 인한 경제적, 시간적 리스크를 감수해야하는 경우가 발생한다.

따라서 이번 절에서는 고장정도별 월별 에너지 사용량과 실온변화에 대한 분석과 경향 분류를 통해 Figure 10과 같은 FDD 알고리즘을 제시한다.

Figure 10.

Monthly algorithm

앞서 언급한 바와 같이 기존의 HVAC 운영정보가 없는 경우 시스템 운영 초기에 나타날 수 있는 고장을 발견하고 진단하기 위해 실시간으로 고장을 발견할 수 있는 알고리즘의 개발이 필요하다. 그러기위하여 최소 1개월의 운영 데이터 확보가 필요하며, 이후 시뮬레이션상의 에너지 사용과 실온변화를 확보된 데이터와의 차이를 통해 ‘고장’과 ‘무고장’을 판별하고 고장발생시 조건에 따라 알고리즘상의 결과를 추적한다.

여기서, 

: 고장모델의 월간 에너지 사용량

: 무고장 모델의 월간 에너지 사용량

: 고장모델의 실내 온도

: 무고장 모델의 실내 온도

연간 데이터를 활용한 알고리즘과 달리 월간 데이터를 활용한 알고리즘에서는 알고리즘 진행을 위한 에너지 사용량의 조건(X, Y)이 월별로 상이하게 나타났다. 이는 월간 알고리즘의 에너지 사용량에 대한 판단문 조건의 경우 5%와 30%로 고정되어있는 반면 월간 알고리즘의 에너지 사용량 판단문에서는 X와 Y로 나타내어 월별로 바뀌게 된다. 여러 경우의 수를 두고 검토하였을 때 고장의 판별이 가장 다양하게 발생하는 결과를 나타내는 것을 합리적으로 선택한 것이고 그 결과를 다음의 Table 7을 통하여 나타내었다.

Table 7. Monthly energy consumption conditions

알고리즘 추적 결과

Figure 9와 Figure 10의 알고리즘 상에서 결과로 제시된 A~H의 해당 항목을 Table 8과 Table 9, Table 10을 통하여 정리하였다.

Table 8. Fault setting factor by result group (A~C)

Table상에서 나타난 Lv은 고장의 정도를 분류하였을 때, 점진적인 고장에 해당하는 10, 30%의 고장을 Lv 1으로 표기하였고, 급격한 고장에 해당하는 50, 70%의 고장을 Lv 2로 표현한 것이다.

Table 9. Fault setting factor by result group (D~E)

Table 10. Fault setting factor by result group (F~H)

연간 알고리즘과 월간 알고리즘 상호간의 상이한 결과를 나타내었고 특히 월간 알고리즘의 경우 하절기와 동절기에 각각 에너지 사용량의 증감이 발생하는 항목이 다른 것으로 나타났다. 하절기에 냉동기 COP저하에 따른 냉방능력 효율이 떨어짐으로써 발생하는 에너지 사용량의 증가와 동절기 보일러 효율저하로 인한 난방능력 효율이 떨어짐으로써 발생하는 에너지 사용량의 증가가 가장 큰 원인이라 판단된다.

이상의 Table 8, 9, 10은 알고리즘 추적결과를 나타낸 것이다. 먼저, 연간 알고리즘에 해당하는 세로축의 Annual 의 경우 각 고장 결과그룹(A~H)의 항목을 Lv 1과 Lv 2를 이용하여 표현하였다. 간단한 예로 알고리즘 판단문을 추적하여 결과로 나타난 B그룹의 경우 냉수유량 감소에 대한 결과 Lv 1 (10, 30% 고장정도), Lv 2 (50, 70% 고장정도)를 나타내는 것이다.

월간 알고리즘의 경우 에너지 사용량에 대한 판단문의 조건 변화로 각 월별 알고리즘 추적결과가 다양하게 나타났으며, 하나의 예를 들어 하절기에 해당하는 6월~9월의 결과 그룹 E를 살펴보면 AHU의 Fan 효율저하 항목을 포함하고 있지만 동절기에 해당하는 11월~2월에는 침기량 증가의 고장 항목을 포함하고 있다. 즉 하절기에는 AHU Fan 효율저하로 인한 고장발생이 동절기에는 침기량 증가로 인한 고장이 발생하는 것을 의미한다.

결 론

본 연구를 통해 건물 HVAC에 고장이 발생할 경우 나타나는 주요 고장징후로써 에너지 사용량의 증감과 실온의 변화에 대해 시뮬레이션을 통한 정량적 비교 분석을 실시하였고 이를 활용하여 FDD 알고리즘 작성을 실시하였다.

고장 사례에 대한 공유가 어려운점을 감안하여 FDD 관련 문헌조사를 통하여 고장의 부위와 원인에 대해 분석한 결과, HVAC 시스템 전체 및 AHU, 냉동기 개별요소에 대한 연구가 집중적으로 이루어졌다.

정의한 고장의 부위와 원인을 활용하여 중대형급 사무실 건물을 모델링하고 중앙 및 개별공조 HVAC을 설정하여 10가지 임의의 고장설정 인자를 통해 연간 및 월별 에너지 사용량 및 실온변화 특성에 대해 분석하였다. 고장의 정도를 70%로 가장 심화하였을 경우 무고장 모델 대비 가장 많은 에너지 증감폭을 나타낸 것은 68.6%의 냉동기 COP 저하 항목으로 나타났고 이를 계절별 에너지 사용량으로 나누어 비교하였을 경우, 하절기(6~9월)에는 96.6%의 차이를 보였다.

아울러 에너지 사용량과 함께 실온 변화에 대해 분석한 결과, 침기량 증가에 의한 실온변화 폭이 가장 두드러지며 하절기 실온이 최대 31°C, 동절기 실온이 최저 -6°C까지 떨어지는 것을 확인할 수 있었다.

10가지의 고장항목에 대한 에너지 사용량과 실온변화 특성을 종합하여 경향에 따른 분류를 실시하였다.

그 결과 에너지 사용량이 증가하고 실온의 변동이 나타나는 A그룹, 에너지 사용량이 증가하고 실온의 변동이 발생하지 않는 B그룹, 에너지 사용량이 감소하고 실온의 변동이 발생하지 않는 C그룹, 에너지 사용량과 실온의 변동이 발생하지 않는 D그룹으로 분류하였고 이를 활용하여 FDD 알고리즘을 제시하였다.

FDD 알고리즘을 건물에 적용하기 위해 기존 건축물에 해당하는 연간 알고리즘과 신축 건물에 해당하는 월간 알고리즘으로 나누어 제시하였으며, 각 알고리즘의 결과에 해당하는 항목을 표를 통하여 정리하였다.

본 연구는 에너지 절약기법중 하나인 FDD의 알고리즘 개발에 관한 연구로 최소한의 건물 HVAC 정보를 활용하고 사용자로 하여금 FDD에 대한 접근성 향상을 도모하였다. 제시된 알고리즘을 통하여 HVAC 고장에 대한 개략적인 파악이 용이할 것으로 판단하며, 알고리즘 작성 조건으로 제시한 실의 온도변화와 건물의 에너지 사용량 외에 추가되는 조건 활용 시 보다 구체적이고 객관적인 알고리즘 개발이 가능할 것으로 판단된다.