서 론

연구 배경

최근 국내외는 지구의 온난화 및 기후변화로 인해 각종 재해들을 발생하였으며, 다양한 형태로 사회 및 경제적인 문제로도 인식되고 있다. 지구온난화 및 기후변화에 대응하기 위한 핵심 정책으로 정부는 2021년 기존 2030 국가 온실가스 감축목표(NDC)인 2018년 대비 35%에서 5% 상향된 40% 이상으로 온실가스 감축목표를 상향하고 유엔기후변화협약 사무국에 제출하였다. 또한, 2020년 2050 탄소중립 목표를 선언하였다(ME, 2021).

지구온난화 현상 및 기후변화에 미치는 중요한 원인 중 하나인 온실가스는 건물에서 사용되는 에너지로 큰 영향을 받고 있다. 건물에서 사용되는 에너지 사용량은 국가 에너지 총 사용량 대비 약 28%를 차지하고 있다. 건물의 에너지 사용량은 전기, 도시가스, 지역난방으로 구분되며, 전기 에너지사용량은 전체 건물의 에너지 사용량 중 절반이 넘는 52%의 비중을 가진 것으로 나타났다(MOLIT, 2021).

이렇듯 건물의 전기 에너지 사용량에 대한 에너지 절감 방안이 필요하며, 이는 정부의 탄소중립 목표 실현을 이루는데 필수적이다. 건물 에너지 절감 방안 중 설계 초기 단계에서 이루어지는 다양한 시뮬레이션 기술과 리모델링 단계에서 사용될 수 있는 시뮬레이션으로 크게 구분할 수 있다. 본 연구에서 제시하는 기술은 에너지 벤치마크 프로세스로 설계 초기 단계뿐 및 리모델링 단계에서도 사용될 수 있는 빅데이터와 딥러닝 기반의 기술이다.

에너지 벤치마크 프로세스는 국내외 정부산하 연구소 및 여러 단체들에서 개발되고 고도화되었다. 대표적인 에너지 벤치마크 모델은 미국의 환경청에서 개발한 ENERGYSTAR portfolio가 있다. ENERGYSTAR portfolio는 사용자가 입력한 건물과 유사한 미국의 유사한 건물군과 비교하여 에너지 성능을 비교 및 분석하여 제공한다(Azulay et al., 2009).

Vaisi et al. (2023a)은 26개의 공공 청사를 바탕으로 CIBSE에서 제공하는 TM46 벤치마크 도구를 이용하여 전력 소비량과 가스 소비량에 대한 에너지 벤치마크 모델을 개발하여 건물의 에너지 성능을 비교 및 분석하였다. 이를 토대로 4개의 에너지 벤치마크 등급을 ‘Best Practice’, ‘Good Practice’, ‘Benchmark’ 및 ‘Poor Practice’으로 선정하고 15개의 에너지 효율 등급을 이용하여 업무시설에 대한 등급 평가를 실시하였다. 또한, Vaisi et al. (2023b)은 2016년부터 2019년까지 31개의 학교 시설에 대하여 월별 에너지 소비량을 분석하여, 에너지 사용량의 기준을 전력은 9,000 kWh/m²/yr, 가스는 171,000 kWh/m²/yr, 총 에너지 사용량은 180,000 kWh/m²/yr으로 선정하고 Top-Down 방식의 14개의 매개변수를 이용한 에너지 벤치마크 모델에서 건물의 유효면적과 용적률이 가장 높은 상관관계를 가진 것을 확인하였다.

Khoshbakht et al. (2018)은 호주의 80개 대학 캠퍼스를 대상으로 에너지 사용량과 에너지 사용 강도를 이용하여 공간 유형 및 점유 조건을 분석하였다. 확률적 프론티어 모델(Stochastic Frontier Analysis)을 이용하여 에너지 벤치마크 모델을 개발하였으며, 연구실, 강의실, 화학연구실, 보건시설의 에너지 사용 강도를 분석하여, 에너지 절약 기술을 제시하였다.

기존에 개발된 다양한 벤치마크 모델은 건물 에너지 절감에 대해 효과적인 방안을 제시했으나, 모델 개발에 있어서 이론만 고려한 모델로 실제 건물에 해당 모델을 적용하면 오차가 발생하였다. 그 예로, 데이터 세트가 비선형적 요인으로 이상치에 민감하게 반응하는 OLS (Ordinary Least Squares, 최소제곱법) 회귀 분석을 통한 에너지 벤치마크 모델이 있다(Roche et al., 2000).

Roth and Rajagopal (2018)은 미국의 1,000개 상업용 건물 데이터 세트를 기반으로 하는 분위 회귀 모델을 기반하여 정확도가 개선된 건물 에너지 벤치마크 모델을 제안했다. 조건부 평균 대신 공변량을 기반으로 응답 변수의 조건부 분포를 추정하고 건물 에너지 성능에 미치는 주요 매개변수를 결정하고 이상치(Outlier)를 처리하여 에너지 벤치마크 모델을 개발하였다. 그 결과, 로지스틱 선형 회귀 모델링을 사용할 때 달성되었을 때보다 표준 오차를 줄이는 것으로 확인하였다. 본 연구에서의 방법론은 Roth and Rajagopal (2018)의 방법론과 유사하지만, 데이터 세트의 이상치 및 비선형성에 대해 기존 OLS회귀 기반의 에너지 벤치마크 모델보다 더 좋은 결과를 도출할 수 있는 머신러닝 기법 중 하나 인 Tree기반의 LightGBM 알고리즘을 이용하여 분위회귀모델의 성능을 높혔다(Nzarigema et al., 2022).

연구의 목적

본 연구에서는 다양한 건물 용도 중 전기 에너지 사용량과 가스 에너지 사용량을 주로 사용하는 노인복지시설에 대하여 2019년을 기준으로 한 실제 건축물 정보, 에너지 사용량 정보 및 기상 정보를 이용하여 Tree기반 LighGBM 분위회귀모델 에너지 벤치마크 모델을 개발하였다.

에너지 벤치마크 모델에 사용되는 각 입력변수에 대한 인자 분석을 진행하고, 전국 노인복지시설 중 건물의 규모와 연간 에너지 사용량이 다른 4개의 케이스를 선별하여 모델의 성능을 확인하고자 한다.

연구 방법

데이터 수집

본 연구에서는 건축법규상 『건축법 시행령 별표1. 용도별 건축물의 종류』 중 노유자시설의 노인복지시설에 대하여 Tree기반 LighGBM 분위회귀모델 에너지 벤치마크 모델(이하 에너지 벤치마크 모델)을 개발하였다. 여기서, 노인복지시설은 생활형(입소) 시설과 이동(통원)형 시설으로 구분되나, 본 에너지 벤치마크 모델에 사용된 데이터셋에서는 고려하지않았다. 에너지 벤치마크 모델의 통합 데이터베이스의 기초가 되는 각 건물의 주소 정보는 보건복지부에서 공공데이터포털에 제공하는 데이터를 취합하였다(MOIS, 2024). 국토교통부에서 제공하는 세움터의 대용량 데이터 제공 서비스에서 건축물대장 정보 중 표제부 데이터를 이용하였으며, COVID-19이전 정상적인 생활패턴을 보인 2019년의 에너지 사용량에 대해 전기 에너지 사용량과 가스 에너지 사용량을 각각 취합하고, 각 건물의 주소를 사용하여, 각 데이터를 분류하였다(MOLIT, 2024).

건물의 주소를 기반한 건물의 대장정보는 총 27,459개를 수집하였으며, 전기 에너지 사용량의 정보가 있는 건물은 총 16,573개, 가스 에너지 사용량는 16,204개를 취합했다. 몇몇 에너지 사용량 데이터는 1월부터 12월사이에 일부 기간의 데이터가 소실되거나 누락된 데이터가 확인되어, 해당 건물군에 대한 데이터는 제외시켜 월별 데이터가 모두 있는 건물군만 선별하는 작업을 진행하였다. 최종 선정된 13,006개의 데이터를 이용하여 전기 에너지 사용량과 가스 에너지 사용량에 대해 1차 에너지 환산 계수를 각각 적용하여 총 에너지 사용량을 도출하여 적용하였다. 1차 에너지 환산 계수는 한국에너지공단의 내규 건축물 에너지효율등급 인증제도 운영규정에서 참고하여, 가스 에너지 사용량은 1.1, 전기 에너지 사용량은 2.75로 설정하여 총에너지 사용량 도출에 사용하였다(KEA, 2016).

에너지 벤치마크 모델에 주요 변수인 기상 데이터는 각 건물과 가장 근접한 장소에 위치한 기상청의 자동 기상 관측소(AWS)를 이용하여 데이터를 수집했다(KMA, 2024). 각 건물과 가장 근접한 AWS의 위치 확보를 위해 두 지점의 위도와 경도를 기반으로 두 지리적 지점 사이의 거리를 계산하는 Haversine 함수를 이용하였으며, 함수의 식 (1)은 아래와 같다. 기상 데이터는 연평균 외기 온도, 연간 최소 외기 온도, 연간 최대 외기온도, 냉방 도일과 난방도일로 구성된다.

여기서 hav(θ)는 haversine 함수이다. φ1,φ2는 각각 포인트 1의 위도와 포인트 2의 위도이고, λ1,λ2는 각각 포인트 1의 경도와 포인트 2의 경도이다.

본 에너지 벤치마크 모델은 냉방도일과 난방도일을 입력변수로 사용하여, 냉난방도일의 균형점 온도는 국내를 기준으로 냉방도일은 24℃, 난방도일은 18℃을 사용하여 각 값을 도출하였다(Choi, 2005). 냉방도일과 난방도일은 아래 식 (2)와 식 (3)으로 산출된다.

여기서 Ti는 i일의 평균기온, Tb는 기준기온, N은 각각 일일 평균기온이 기준기온보다 높거나 낮을 때의 일수이다.

각 데이터의 수집 프로세스는 Figure 1과 같다. 데이터 이상치를 제외하기 위해 총 에너지 사용량을 기준으로 상위 5%와 하위 5%에 해당하는 데이터를 제외하여 최종 데이터셋을 완성했다.

Figure 1.

Building energy benchmark model data collecting process

분위회귀모델

여러 예측 변수에 걸쳐 응답 변수의 조건부 평균값을 예측하는 선형 회귀 분석과는 다르게 분위 회귀 분석은 반응 변수의 조건부 분위값으로 추정한다(Rodriguez and Yao, 2017). 분위 회귀 모델은 선형회귀모델의 분석 조건을 만족하지 않을 때 대체 가능한 확장형 모델이며 식 (4)에 따라 산출된다. 여기서, 베타 계수는 선형 회귀 분석과 다르게 분위에 따라 달라지는 함수이다. 각 분위의 베타 계수는 중위수 절대 편차를 최소화하여 찾을 수 있다. 본 연구에서는 1분위부터 99분위까지 각 분위를 대표하는 99개 모델을 개발했다.

여기서 yi는 응답 변수이고 β0은 특정 분위 𝛽에서의 절편이며, x는 베타 계수, x는 예측 변수, z는 예측 변수의 수, n은 데이터 포인트의 수이다.

LightGBM

Tree기반 그레디언트 부스팅 기법 중 하나인 LightGBM은 처리 속도, 정확도 및 훈련 속도가 모두 우수한 알고리즘으로 빅데이터를 다루기에 적합하며, 메모리를 효과적으로 사용한다(Al Daoud, 2019). 또한, 모델의 성능을 높이기 위해 하이퍼 파라미터의 최적 설정을 위한 프로세스를 제공한다. 본 연구로 개발한 모델에서는 하이퍼 파라미터의 랜덤 서치(Random Search)기능을 이용하여 최적화된 하이퍼 파라미터를 선정하고 99개 분위 회귀 모델에 적용하였다.

에너지 벤치마크 모델

본 연구에서 개발한 에너지 벤치마크 모델은 Figure 2의 에너지 벤차마크 개발 프로세스에 따라 건물의 특성 정보(건축면적, 연면적, 건물의 층수, 건물의 사용년수, 건축면적률)와 기상 정보(연평균 외기온도, 연평균 최소외기온도, 연평균 최대 외기온도, 냉방도일, 난방도일)를 사용하여 분위 회귀 점수를 도출한다. 여기서, 건축면적률은 연면적 대비 건축면적의 비율로 노인 복지시설은 주로 공동 주택과 동일한 대지를 사용함에 따라 대지에 비례하는 용적률이 아닌 건물의 면적에 대해 비례하는 값으로 선정하였다. 본 모델은 필요로 하는 변수를 입력하면, 99개의 분위별로 건물의 총에너지 사용량을 예측한 결과 데이터를 산출한다. 대상 건물의 1년간의 총에너지 사용량을 99개의 분위별 총에너지 사용 예측값과 비교하여, 대상 건물의 특성 정보와 가장 유사한 분위를 도출한다. 건물의 면적이 총에너지 사용량에 미치는 관계가 비선형적인 특징을 나타내어 분위회귀모델의 입력 요소로 건물의 연면적이 사용되었으며, 이에 따라 에너지 벤치마크 모델에서는 원단위 대신 총에너지 사용량이 사용되었다.

Figure 2.

LightGBM-based quantile regression energy benchmark model development process

결 과

데이터 설명

Figure 3은 13,006개 노인복지시설에서 수집한 연간 총에너지 사용량의 분포를 보여주고 있다. 에너지 사용량의 데이터 세트는 500,000 kWh 미만에서 다수의 건물이 분포돼 있으며, 데이터 세트의 평균(M)은 823,434.75 kWh, 표준 편차(SD)는 719,626.07, 중앙값은 682,960 kWh로 확인되었다. 이를 토대로 선형 회귀 분석에 대하여 적합성을 검토해본 결과 평균과 중앙값 간에 큰 차이를 보였으며, 데이터가 균일하게 분포되지 않은 것으로 확인되어 일반적인 선형회귀모델에는 적합하지 않은 것으로 파악되었다. 이렇듯 에너지 사용량이 극단적으로 작거나 많은 건물군이 분포되어있어 일반 회귀 모델로 에너지 벤치마크 모델을 만들기엔 적합하지않으며, 분위회귀모델과 같이 비선형적 요소를 감안할 수 있는 모델이 용이할 것으로 판단했다.

Figure 3.

Distribution of annual integrated energy consumption in domestic senior welfare facilities

총 에너지 사용량 영향인자 분석

에너지 벤치마크 모델에 사용된 입력변수 중 건물의 특성과 기상 데이터에 대한 총 에너지 사용량에 대한 상관관계를 분석하였다. Figure 4의 건축면적(Building area)은 면적이 증가할수록 에너지 사용량도 증가하는 패턴을 보이며, R2=0.97로 강한 양의 상관관계를 보였다. 연면적(Total floor area)도 건축면적과 동일하게 면적이 증가함에 따라 에너지 사용량　또한 증가하는 패턴을 보였다. 건물의 층수(Number of floor)는 층수가 증가함에 따라 에너지 사용량이 급격하게 증가하지만 13층부터 층수가 증가할 수록 에너지 사용량이 감소하는 패턴을 보였다. 건축면적률(Floor area ratio)은 600%까지는 비슷한 에너지 사용량을 사용하나, 600%를 초과하는 건물군에서 급격하게 에너지 사용량이 증가하는 패턴을 보였으며. 결정계수는 R2=0.86로 강한 양의 상관관계를 보였다. 건물의 사용년수(Years of use of the building)는 신축 건물일수록 에너지 사용량이 크며, 건물의 사용년수가 증가하면서 에너지 사용량도 감소하였으며, 결정계수 또한 R2=0.49로 음의 상관계수를 보였다. 연평균 외기온도(Annual average outdoor temperature)는 8℃부터 16℃를 보였으며, 에너지 사용량은 온도가 올라갈수록 에너지 사용량은 소폭 감소하였다. 결정계수는 R2=0.19로 확인했다. 연간 최소온도(Annual minimum outdoor temperature)도 연평균 외기온도의 패턴가 유사하게 온도가 높아질수록 에너지 사용량이 감소하였으며, 연간 최대온도(Annual maximum outdoor temperature) 또한 동일한 패턴을 보였다. 난방도일과 냉방도일은 에너지 사용량이 크게 영향을 미치지않는 것으로 확인했다. 에너지 벤치마크 모델에 사용된 입력변수에서 건물의 특성은 기상 정보와 상대적으로 높은 상관 관계를 가졌다. 하지만, 건물의 에너지 사용량을 예측하는데 있어서 기본적인 요소로써 입력변수에 포함시켜 모델을 개발하였다.

Figure 4.

Relationship between various factors and total energy consumption of senior welfare facility

에너지 벤치마킹 적용 사례

에너지 벤치마크 모델은 건축 면적, 연면적, 건물 사용년수, 건축 면적률, 건물의 층수, 연평균 외기온도, 연간 최소 온도, 연간 최대 외기온도, 냉방도일과 난방도일를 이용하여 99개의 분위에 걸친 건물의 총 에너지 사용량을 추정하고, 실제 건물에서 사용된 과거 1년의 총 에너지 사용량을 기반하여 분위 회귀 모델을 통해 도출된 에너지 사용량 예측값과 반복 비교하여 오차가 가장 낮은 분위를 결정한다. 본 연구의 최종 목표는 실제 건물 사례에 대하여 해당 건물의 데이터를 이용하여 에너지 벤치마크 모델을 개발하였을 때 모델의 성능을 확인하는 것이다. 에너지 벤치마크 모델의 분위별 에너지 사용량을 이용하여 각 Case 건물의 에너지 성능을 비교 및 분석하였다. Table 1의 Case별 입력 변수를 이용하여 각 건물의 에너지 사용량 누적 분포를 도출하고, 실제 에너지 사용량을 분석했다. Figure 5는 각 케이스들에 대한 에너지 사용량 예측값 대비 실제 에너지 사용량이 위치하는 분위를 보여준다. Case 1의 실제 총 에너지 사용량은 23148.93 kWh로 28 분위에 위치하며, Case 2는 연간 총 54876.86 kWh를 사용하였으며, 2분위에 위치한다. Case 3는 49109.02 kWh로 9분위, Case 4는 53분위에 위치하는 것을 확인했다.

Figure 5.

The distribution of building total energy consumption for each cases from the senior welfare facility

결 론

건축법규상의 다양한 건물 용도 중 노인복지시설에 대하여 데이터 수집을 진행하고 Tree기반 LightGBM 분위회귀모델을 이용한 에너지 벤치마크 모델을 개발하였다. 노인복지시설의 에너지 사용량은 편중된 분포를 나타내어, 기존 선형회귀모델이 아닌 분위회귀모델을 이용하였다. 건물의 규모와 총 에너지 사용량이 다른 실제 건물 사례 4개에 대하여 본 연구에서 개발한 에너지 벤치마크 모델에 적용하였다. 벤치마킹 모델을 적용한 결과, 대상 건물의 실제 에너지 사용량과 분위회귀모델의 결과를 이용한 예상 사용량 에너지 분포를 기반으로 건물의 에너지 벤치마킹이 가능한 것으로 나타났다. 추후 COVID-19가 종식된 이후의 1년간의 에너지 사용량을 사용하여 에너지 벤치마크 모델을 개발하고, 2019년의 에너지 사용량 데이터를 사용한 에너지 벤치마크 모델간의 검증을 실시하여 동일하거나 근접한 점수가 나오는지 검증을 실시할 예정이다.