서 론

건물에서 냉난방 및 환기 등을 포함하는 HVAC&R (Heating, Ventilating, Air Conditioning and Refrigeration) 시스템을 통한 에너지소비량은 전체 건물 에너지소비량의 약 38%를 차지하는 것으로 알려져 있다(Gonzales-Torres et al., 2022). 건물 에너지 성능은 냉방과 난방 기간을 포함한 연간에 걸친 에너지 성능을 평가하는 것이 필요하며, 건물 에너지 시뮬레이션을 통하여 효과적으로 수행할 수 있다. 최근 건물 에너지 시뮬레이션을 위한 다양한 툴이 제공되고 있으며, TRNSYS (Transient System Simulation Tool) (TRNSYS 18, 2023)와 같은 동적 시뮬레이션 툴을 이용한 연구가 많이 이루어지고 있다(Hong, 2015; Kim and Ahn, 2021; Ha et al., 2022; Lim et al., 2023). 건물 에너지 시뮬레이션을 통한 성능분석은 건물 현장으로부터의 성능 데이터를 통하여 시뮬레이션 모델을 학습시켜 모델의 주요 파라미터(Parameters)를 캘리브레이션(Calibration) 할 수 있다면 결과에 대한 신뢰성을 더욱 높일 수 있다. 건물의 냉난방 부하나 시스템에 대한 시뮬레이션 프로그램을 기반으로 모델의 학습에 관한 연구가 최근에 수행된 사례들이 있으나, 주택용 건물에 대한 경우 또는 냉난방 부하 모델에 한정되거나 운전제어에 적용을 위한 목적의 연구로 이루어졌다(Persson et al., 2011; Lim et al., 2019; Oh et al., 2023). 건물 에너지 시뮬레이션을 통한 성능분석은 시뮬레이션 모델의 신뢰성이 중요하여 이를 향상시키기 위해서는 건물로부터의 충분한 데이터 확보가 필요하다. 그렇지만 건물에서 취득할 수 있는 에너지 성능 데이터는 한정적이거나 장기간 측정하기에 시간과 비용 등의 어려움이 있다. 또한 시뮬레이션 모델의 제작을 위해서는 다양한 건물이나 에너지시스템에 대한 모델링 경험을 갖춘 숙련도 높은 기술자가 필요하다. 그러나 건물 부하 모델이나 히트펌프 모델 등을 활용하기 위하여 상당히 많은 개수의 파라미터와 성능 데이터를 입력해야 하므로 보다 간단하게 접근할 수 있는 기술적 방법이나 수단이 제공된다면 매우 유용할 것이다.

한편 건물의 탄소배출 저감을 위하여 최근 정부에서는 공공건축물 그린 리모델링 사업과 민간 건축물 그린 리모델링 이자지원사업 등을 통하여 사업(Green Remodeling Center, 2024)을 지원하고 있어 건물 리모델링에 대한 수요가 점차 높아질 전망이며 최근에 리모델링 공공건물의 에너지 분석에 관한 연구도 증가하고 있다(Lee and Kim, 2017; Bae et al., 2022; Kim et al., 2022; Lee et al., 2022; Lee and Choi, 2022). 특히 리모델링이 이루어진 건물의 경우에는 앞서 언급한 건물 에너지 시뮬레이션을 이용한 성능분석을 위하여 필요한 건물 성능 데이터를 충분히 확보하기 어려운 경우로 볼 수 있다. 충분히 필요한 데이터를 구하기 위해서는 장기간의 시간이 필요하겠지만, 단기간의 데이터를 이용하면서도 연간 성능을 계산하는 데 있어서 적절한 정확도를 가지는 방법이 제공된다면 리모델링 건물의 성능을 파악하는 데 유용한 분석 수단으로 활용될 수 있을 것이다.

본 논문에서는 리모델링 건물이나 성능 데이터가 부족한 건물의 경우에 냉난방 시스템과 재생에너지 등의 연간 수준의 기간에 대한 에너지 성능분석을 위한 방법을 제안하고자 하며, 실제 건물에 적용하기 전에 기술적 유효성을 파악하기 위한 시뮬레이션 환경에서의 사전 분석 연구이다. 제안하는 방법은 다음과 같다. (1) TRNSYS 시뮬레이션 프로그램의 환경하에서 대상 건물에 대한 단순화한 시뮬레이션 모델을 도출한다. (2) 대상 건물에 대한 상세한 시뮬레이션 모델로부터 생산한 상대적으로 단기간의 성능 데이터를 이용하여 단순화 모델을 학습시킨다. (3) 학습이 이루어진 단순화 모델을 이용하여 학습에 이용하지 않은 기간을 포함한 장기간에 걸친 성능을 예측적으로 계산한다. (4) 단순화 모델의 성능은 상세 시뮬레이션 모델로부터 계산한 에너지 성능과 비교하여 그 성능을 평가한다. (5) 본 연구에서 건물의 에너지 성능으로는 냉난방 히트펌프 시스템의 전기에너지 소비량과 태양광열 PVT 집열기 모듈의 전기에너지 생산량의 차이인 순에너지 소비량(Net energy consumption)으로 하였다.

대상 건물 및 시스템 개요

대상 건물과 TRNSYS 상세 모델

본 연구에서 대상으로 한 건물은 사무용 공공건물로서 한국에너지기술연구원의 연구동 건물 중의 한 건물을 대상으로 하였으며, Figure 1(a)와 1(b)는 각각 북측과 남측에서 보이는 건물의 외관 모습이고, 건물 냉난방부하 상세 모델에 사용한 기하학적 형상을 Figure 1(c)와 1(d)에 나타내었다. 건물은 지하 1층과 지상 4층으로 이루어져 있으며, 전체 연면적은 약 5,851 ㎡로서 지하 1층 면적은 648 ㎡이고, 1층부터 4층의 면적은 각각 1,289 ㎡, 1,296 ㎡, 1,296 ㎡, 1,321 ㎡이다. Figure 2에는 상세 건물 모델링을 통하여 층별 실내를 조닝(zoning)하여 모델링한 모양을 지하층, 1층, 2층 및 3층에 대하여 각각 나타내었고, 4층은 3층의 조닝과 동일하게 하였다. 건물의 상세 정보를 이용하여 TRNSYS 시뮬레이션 프로그램의 Type 56을 이용한 건물 모델링에 필요한 파라미터 값들을 입력하였다. 건물 부하의 상세 모델을 위하여 지하층은 2개의 존으로 구분하였고, 지상층은 4개 층에 대하여 층별로 복도를 중심으로 양측 사무용 공간으로 북측, 남측, 동측, 서측 등으로 구분하여 나누었으며, 지하층의 2개 존, 1층의 5개 존, 2층의 9개 존, 3층의 7개 존, 4층의 7개 존 등 총 30개의 존으로 구성하였다. 존별 창문 면적, 벽의 층 재료와 두께 등은 건물의 설계자료를 최대한 반영하여 입력하였다. 존별 거주자, 컴퓨터 등 전기기기 사용과 조명으로 인한 에너지소비와 열취득 등을 주중과 주말 등 주간 스케쥴을 활용하였으며, ASHRAE 90.1 (ASHRAE, 2008)에서 제시하는 값을 참고하여 거주자, 전기기기와 조명으로 인한 단위 면적당 열에너지 발생량은 복사와 대류로 인한 영향을 고려하여 각각 3 W/㎡, 9 W/㎡, 10 W/㎡로 하였다. 냉방과 난방 운전은 주중의 오전 8시부터 오후 6시까지로 설정하였고 실내 설정온도는 각각 22℃ 와 26℃로 하였다.

Figure 1.

Side views of the building considered in the study (a) south side and (b) north side and geometrical shapes for the detailed building model (c) south side and (d) north side

Figure 2.

Zones of the detailed building model for interior space with (a) basement, (b) first floor, and (c) second floor and (d) third floor

대상 시스템 개요 및 TRNSYS 상세 모델

본 건물의 냉난방 및 에너지시스템으로 고려한 것은 공기열원 히트펌프, 히트펌프 실외기 입구공기 가열용 송풍기 및 물-공기 열교환기, 태양광열 PVT (Photovoltaic Thermal) 집열기, 지중열교환기, 순환펌프 등으로 구성하였으며, 태양광열 PVT 설비와 지중열 설비 등과 같은 재생에너지 시스템 등은 가상으로 포함하였다. 이와 같은 시스템의 개념적인 구성을 Figure 3에 나타내었다. 건물의 냉난방을 위하여 공기열원 히트펌프에서 생산된 냉풍과 온풍이 건물 모델로 공급되고, 히트펌프 난방 모드에 실외기로 유입하는 외기를 가열하기 위하여 열교환기를 배치하였으며, 열교환기로는 버퍼조에서 온수를 순환시키게 되며, 열교환기를 나온 온수는 지중열교환기를 거쳐 다시 버퍼조로 순환하도록 구성하였다. 한편으로 버퍼조의 온수는 태양광열 PVT 집열기 모듈로 순환으로 승온이 이루어지며, 버퍼조 온수는 비난방기에는 지중열교환기로 순환하면서 지중온도를 상승시킨다. 온도가 상승한 지중온도는 겨울철 난방 운전시 히트펌프 열원으로 활용하여 히트펌프 성능향상이 가능하다. 본 논문에서 고려한 지중열교환기는 깊이 2 m 정도의 얕은 깊이로 보어홀(Borehole) 수직형 지중열교환기나 수평형으로 지중열교환기를 설치하고 상부와 측면부에 단열재를 설치하는 방식을 고려하였다. 이러한 얕은지중열은 단기 또는 중기간에 걸친 열저장에 적용할 수 있으며, 기존 보어홀 방식의 지중열교환설비에 비하여 깊이가 얕아 초기비용이 감소하는 장점을 가지고 있다 (Naranjo-Mendoza et al., 2019).

Figure 3.

Conceptual schematic diagram for thermal energy systems and heat flow in the study

대상 건물의 냉난방 부하와 태양광열 PVT 집열기 모듈 및 얕은 지중축열과 연계한 히트펌프 냉난방 시스템에 대하여 TRNSYS 상세 시뮬레이션 모델을 제작하였고 프로그램의 화면 모습을 Figure 4에 나타내었다. 냉난방 시스템 모델로 공기열원 히트펌프 모델인 Type 954c를 적용하였다. 층별로 히트펌프 1대씩 냉난방을 담당하는 것으로 하였고, 냉각능력 148 kW 수준으로 설정하였다. 태양광열 PVT 집열기는 Type 563을 적용하였고, 집열기 폭과 길이는 각각 1.8 m, 420 m로 설정하였다. 지중열교환기는 2 m 깊이의 얕은 지중축열을 적용하기 위하여 Type 557a 모델을 활용하였다. 지중축열부 체적 4,956 ㎥, 보어홀 깊이 2 m, 보어홀 개수 1,500개, 지중열교환기 체적의 상부와 측면은 30 cm 두께의 단열재를 설치하는 것으로 하였다. 외기를 가열하기 위한 송풍기는 공기열원 히트펌프 실외기 풍량을 기준으로 하여 16 ㎥/s, 정압 20 mmH₂O, 소비전력 4.8 kW로 정하였다. 지중열교환기와 버퍼조 사이의 순환펌프는 37,800 kg/h, 양정 10 m, 소비전력 3.6 kW로 하였다.

본 논문에서 적용한 상세 시뮬레이션 모델로 계산한 연간 냉방부하와 난방부하는 각각 44.7 kWh/㎡과 23.9 kWh/㎡이며, Lee et al. (2022)의 연구에서 사무용 건물의 ECO2 (2021) 프로그램의 적용 기준을 참고하고 용도 프로필의 불확실성을 고려하여 EnergyPlus (2024) 프로그램으로 시뮬레이션한 냉방부하와 난방부하 각각의 범위인 10.4~96.1 kWh/㎡과 8.3~42.5 kWh/㎡의 중간값 정도 위치의 값에 해당한다. 따라서 본 연구의 건물 냉난방 부하에 대한 상세 모델은 연구 대상으로 타당한 건물 부하 수준을 나타내는 것으로 보인다.

Figure 4.

Displayed view of detailed simulation model for building system in the study

TRNSYS 단순화 모델 학습과 예측적 성능분석

본 연구에서는 TRNSYS 시뮬레이션 프로그램의 모델 단순화를 통하여 건물 냉난방 부하와 냉난방 시스템 및 재생에너지 시스템을 포함한 건물 에너지시스템에 대한 장기 성능분석을 위한 방법을 제안하고 평가하는 것이다. 가장 기본적인 접근방법은 시스템 모델의 주요 구성요소 특히 사용자가 입력해야 할 파라미터의 개수가 많고 정확한 값을 입력하기에도 쉽지 않은 파라미터를 갖는 구성요소 모듈에 대하여 가능한 단순화한 모듈로 대체하여 단순화 모델을 구성하는 것이다. 다음으로 단순화 모델에 포함된 결정하여야 할 파라미터는 건물로부터의 단기간 데이터를 이용하여 모델을 학습하여 구한다. 학습이 이루어진 단순화 모델은 장기간에 대한 시뮬레이션으로 성능을 예측적으로 계산할 수 있으며 이에 대한 성능을 분석하여 평가할 수 있다. 모델 학습 과정과 그 이후 장기간에 대한 에너지 분석 과정에서 사용되는 기후정보는 두 과정에서 모두 정확하게 주어지는 것으로 가정하였다.

대상 건물과 시스템에 대한 TRNSYS 단순화 모델

대상 건물 에너지시스템의 구성요소 중 단순화하고자 하는 구성요소는 건물 열부하, 히트펌프 COP (Coefficient Of Performance) 성능, 태양광열 PVT 집열기 열 및 전기 효율, 지중열교환기 등으로 선정하였다. 히트펌프의 경우, 상세 모델에서는 층별로 개별적인 히트펌프가 냉난방을 담당하는 것으로 구성하였고, 단순화 모델에서는 한 대의 히트펌프로 단순화하였다. Figure 5는 본 연구에서 대상으로 하는 건물 에너지시스템에 대한 단순화 모델의 구성을 나타낸 것이다. 모델 단순화를 위하여 사용한 건물 부하 모델은 단일 존에 대한 Lumped Capacitance Building 모델인 Type 88, 히트펌프 COP 성능모델은 수식 모델, 태양광열 PVT 집열기 모델은 열 및 전기 생산효율 수식 모델, 지중열교환기 모델은 Type 653을 사용하여 필요한 파라미터 개수를 획기적으로 절감시켰다. 그 외의 구성요소와 연결 및 제어 등은 상세 모델과 동일하게 구성하였다.

TRNSYS에서 제공하는 여러 모듈 중 단순화를 위하여 선택한 Type 88, Type 653 모델에도 파라미터를 사용자가 입력해야 하지만, 본 연구에서는 학습을 통하여 결정하는 방식이므로 중요 파라미터를 골라 학습용 파라미터로 선정하고, 나머지 파라미터는 통상의 값을 적용하는 방식으로 하였다. Table 1에 상세 모델과 단순화 모델에 대한 Type 번호, 단순화 모델에서 학습으로 결정할 주요 파라미터를 비교하였다.

Figure 5.

Displayed view of simplified simulation model for building system in the study

단순화를 위한 건물 열부하 모델은 Type 88 Lumped 부하 모델을 적용하였고, Figure 6에 단순화된 정도를 나타내기 위하여 건물 부하 상세 모델 Type 56을 이용하여 TRNBuild 프로그램에서 존닝을 모델링한 메뉴 화면들과 Type 88의 모델링 메뉴화면과 비교하여 나타내었다. 또한 Type 88을 열회로 모델로 재구성하여 표현하였다. Type 56으로 건물을 모델링하기 위한 메뉴 화면과의 비교에서 알 수 있듯이 입력 정보의 상당한 단순화가 이루어질 수 있음을 알 수 있다. Type 88에 대한 열회로는 모델에 필요한 파라미터를 이용하여 열저항과 열용량으로 구성한 단순한 열회로이며, 건물의 열손실계수 Uz, 열용량 Cz, 내부열취득량 qi,g, 일사열전환율 αs 등을 학습으로 결정해야 할 파라미터로 선정하였다.

Figure 6.

Comparison of building load models (a) displayed view of Type 56 building model for zoning in TRNBuild program and (b) displayed view of Type 88 building model parameters in TRNSYS main program and its representation into thermal network model

히트펌프 성능모델 단순화를 위해서는 냉방 및 난방에 대하여 각각 히트펌프 COP를 실외기 열원측 공기 온도에 대한 1차 함수로 가정한 수식 모델을 적용하였다.

단순화한 태양광열 PVT 집열기 모델을 위해서는 전력생산 효율과 열생산 효율을 각각 상수로 간단하게 정의하였다.

지중열교환기 단순화 모델로 Type 653을 선택하였으며 파라미터 중 축열매체밀도 ρg와 열용량 cg을 학습을 통하여 결정해야 할 파라미터로 선정하였다.

단순화 모델의 학습과 이를 이용한 예측적 성능분석

본 연구에서 제안하는 단순화한 건물 에너지시스템 모델을 이용한 학습과 예측 성능의 평가에 대한 개략적인 개념을 Figure 7에 나타내었다. Figure 7(a)는 실제 건물에 적용할 경우를 나타내었고, Figure 7(b)에는 본 연구에서 적용한 방식으로 실제 건물 대신에 상세 시뮬레이션 모델을 이용하였다. 실제 건물 또는 상세 시뮬레이션 건물 모델을 이용하여 단순화 모델을 학습시킬 수 있는 단기간의 데이터를 생산하고 단순화 모델을 학습시켜 모델 파라미터에 대한 최적값을 결정한다. 학습한 단순화 모델의 성능을 평가하기 위하여 실제 건물 또는 상세 시뮬레이션 건물로부터 학습에 사용하지 않은 장기간의 에너지 성능 데이터와 단순화 모델을 이용하여 계산한 에너지 성능 데이터를 비교하여 성능을 평가한다.

Figure 7.

Conceptual diagram for methodology (a)applied to actual buildings, (b)Applied to a simulation building as a substitute for an actual building in the study

본 논문에서는 단순화 모델의 파라미터를 결정하는 과정을 모델 학습(Model training)이라고 칭하였으며, 모델 캘리브레이션(Model calibration)이라고도 볼 수 있다. 이 과정에서는 주어진 학습용 데이터를 단순화 모델에 이용하여 단순화 모델로 계산한 학습성능 지표값과 상세 모델에서 계산한 학습성능 지표값의 차이를 최소화하는 파라미터값들의 집합을 결정하게 된다. 학습성능 지표로는 에너지소비량과 생산량을 포함한 순에너지소비량에 대하여 단순화 모델로부터의 계산값과 상세 모델로부터의 계산값 사이의 오차 제곱에 대한 합을 적용하였으며, 식 (4)와 같이 표현할 수 있다.

단순화 모델의 학습은 상세 모델에서 계산한 학습 성능 지표 yi와 단순화 모델로 계산한 학습 성능 지표 y^i 와의 차이의 제곱에 대한 학습 기간의 기간 데이터 개수 n에 대한 합인 목적함수 Jtraining가 최소가 되도록 하는 p개로 이루어진 파마미터들에 대한 최적값의 조합 P*을 결정하는 것이다.

성능평가 방법 및 성능지표

성능평가 방법

단순화 모델은 상세 모델에서 생산한 단기간의 데이터를 이용하여 파라미터 캘리브레이션(Calibration)을 통한 모델 학습(Model training)과정을 거치도록 하였는데, Table 2에는 본 연구에서 적용한 모델 학습과 그 후에 학습한 모델의 성능 평가를 위한 데이터 기간을 나타내었다. 모델 학습을 위하여 고려한 기간은 2주, 4주, 6주 및 8주의 4가지 경우를 포함하여 학습을 진행하였다. 단순화 모델의 학습에 적용한 기간은 다음과 같이 난방과 냉방의 데이터를 각각 취할 수 있도록 4월과 5월에 걸쳐서 선택하였다. 모델 학습을 위하여 적용한 알고리즘은 GenOpt (2021, LBNL) 최적화 툴 프로그램에서 제공하는 Hooke-Jeeves법을 활용하였다. Table 3에서는 단순화 모델의 학습 과정에서 파라미터를 결정하기 위하여 최적화 툴에서 필요로 하는 상한값과 하한값 그리고 초기값을 예시로서 나타내었다.

본 연구에서 모델 학습을 위하여 적용한 학습성능 지표는 앞서 식 (4)에서 나타낸 것과 같이 히트펌프 소비전력과 태양광열 PVT 모듈 생산전력을 고려한 순전력소비에 대한 상세 모델에서의 계산값과 단순화 모델로부터의 계산값에 대한 차이의 제곱 합으로 적용하였다.

상세 모델과 단순화 모델의 시뮬레이션에서 필요한 기상정보는 서울의 TMY 데이터를 이용하여 2년간에 대한 시뮬레이션 기간으로 계산하였다. 첫해의 4월과 5월 중 데이터를 학습에 이용하고 모델 성능 평가는 6월부터 12월 및 다음 연도 3월까지의 7개월 및 10개월의 2가지 기간에 대하여 시뮬레이션한 후 상세 모델과 단순화 모델로부터의 계산 결과를 비교하여 성능을 평가하였다.

성능지표

단순화 모델의 학습 성능은 ASHRAE (2014), FEMP (DOE, 2015) 등에서 제시하는 성능 평가 가이드라인에서의 지표 중 하나인 NMBE (Normalized Mean Bias Error)를 식 (5)와 같이 적용하였고, 이 식에서 p=12를 적용하였다.

위 식에서 yi는 상세 시뮬레이션으로부터의 i번째 데이터, y^i는 학습시키는 단순화 모델로부터 계산한 i번째 데이터, n은 학습에 사용된 총 데이터의 개수, p는 학습하는 모델에 사용되는 파라미터 개수, y¯는 상세 시뮬레이션으로부터의 데이터의 평균값이다.

본 연구에서 사용한 에너지데이터 성능지표는 순전기에너지소비량(Net electric energy consumption)으로 하였고, 식 (6)과 같이 히트펌프 전력소비량과 태양광으로부터 전력생산량의 차이로 정의하였다.

단순화 모델은 학습이 이루어진 후에는 학습에 사용하지 않은 기간에 대하여 에너지성능예측 결과를 계산한 후 상세 시뮬레이션으로부터 동일한 기간에 대하여 계산된 에너지 성능과 비교하여 성능을 평가하였으며, 단순화 모델의 에너지예측 성능을 평가하기 위한 지표로 NMBE (Normalized Mean Bias Error)를 식 (7)과 같이 적용하였으며, ASHRAE Guideline I4-2014를 참고하여 p=1을 적용하였다.

모델의 정확도(Model accuracy)는 위에서 정의한 오차 NMBE를 이용하여 식 (8)과 같이 계산하였다.

성능평가 결과 및 적용성 제언

평가 결과

본 연구에서 모델의 학습 과정에서의 최적화 알고리즘의 최대 반복 회수는 300회로 제한하여 진행하였다. 모델 학습 성능은 식 (8)에서와 같이 학습 성능 오차 NMBE(%)의 절대값을 취한 후 100에서 뺀 값으로 정의하였으며, 시간 및 일간 데이터를 활용하여 계산한 모델 캘리브레이션의 정확도는 97.5% 이상으로 계산되었다.

학습이 이루어진 모델은 학습에 사용하지 않은 나머지 기간 중 6월부터 12월까지의 7개월과 6월부터 3월까지의 10개월에 대한 에너지 성능 예측에 이용하였으며, 에너지예측 성능 결과 중 월별 순에너지소비량에 대한 모델의 정확도를 Figure 8(a)와 8(b)에 학습기간 4가지 경우에 대하여 7개월과 10개월에 대한 정확도를 비교하여 각각 나타내었다. 2주간의 데이터로 학습하고 예측한 경우에 각각 88.8%와 79.6%로 가장 낮았으며, 최고성능은 7개월에 대한 평가에서는 6주간의 학습데이터를 이용한 경우, 10개월에 대한 평가에서는 8주간의 학습데이터를 이용한 경우에 각각 97.7%와 91.6%의 정확도를 나타내었다. 이러한 성능 수준은 월간 예측 성능에 대하여 요구하는 성능 수준으로 FEMP와 ASHRAE에서 제시하는 오차 ±5% (Lim et al., 2019)에 평가 기간에 따라 약간 높거나 다소 미치지 못하는 수준이지만, IPMPV에서의 ±20% (Lim et al., 2019) 수준보다는 높게 나타났다. 7개월 평가의 경우에 학습 기간이 6주인 경우에 비하여 8주인 경우가 정확도가 약간 낮아지는 경향을 나타내었는데, 이에 대한 정확한 이유를 분석하기는 어렵지만 단순화 모델의 학습 과정에 적용한 최적화 알고리즘의 성능, 최적화를 위한 반복 회수의 제한 등으로 인하여 학습 결과가 로컬최적해(Local optimum)로 나타났을 가능성이 있으며, 이에 따라 결과의 일관성이 약간 낮아진 것으로 보인다. 따라서 향후 연구로 학습 결과가 글로벌 최적화(Global optimum)에 근접할 수 있도록 하고 충분히 다양한 조건에서 모델을 학습하고 여러 가지 학습 기간에 따른 성능 평가에 관한 추가 연구가 필요할 것이다.

한편 월별 히트펌프 전력소비량에 대해서만 에너지예측 성능을 평가해 보면 10개월 평가 기간에 있어서 4가지 학습 기간에 대하여 정확도 계산 결과를 Figure 9에 나타내었으며, 8주간 학습한 모델의 예측 성능이 94.8%로 나타났으며, 그림으로 나타내지는 않았지만, 7개월에 대한 정확도는 학습 기간 2주부터 8주까지에 대하여 92.6%, 94.3%, 97.6%, 98.9%로 계산되었다. 본 연구에서 모델의 예측 성능은 시간대별이나 일별 데이터에 대한 NMBE 오차도 월별로 계산한 오차와 유사한 수준으로 나타났다. 그렇지만, RMSE (Room Mean Squared Error)로 시간대별 및 일별로 오차를 계산할 때 매우 높게 나타나 시간대별 또는 일별로 에너지소비량을 분석하는 것은 본 논문에서 제안한 방법으로는 적용성이 낮으며, 월별 에너지소비량에 관한 결과 분석에 활용할 수 있을 것이다.

Figure 10에는 월별 순에너지소비량, 월별 히트펌프 에너지소비량 그리고 월별 태양광열 PVT 집열기의 에너지생산량을 상세 모델과 단순화 모델에서 계산한 값을 비교하였다. 단순화 모델에서 계산한 히트펌프 에너지소비량은 상세 모델과 비교하여 태양광열 PVT 집열기 에너지생산량에 대한 오차보다 조금 더 높게 나타났는데, 히트펌프 에너지소비량은 건물 열부하 단순화 모델과 히트펌프 성능 단순화 모델의 두 모델의 성능에 영향을 받으므로 태양광열 PVT 집열기만을 고려하는 경우에 비하여 상대적으로 성능 오차가 더욱 높게 나타나는 것으로 보인다. 또 단순화 모델의 경우 상세 모델에 비하여 겨울철 에너지소비량이 여름철에 비하여 더 낮게 나타났는데 이 부분도 단순화 모델의 최적화 성능과 관련이 있을 것으로 보이며 특히 모델 학습에서 결정된 단순화 모델의 실내열취득값 파라미터의 영향으로 보인다. 즉 실내열취득값 파라미터에 대한 정확한 값 예를 들면 상세 모델의 실내열취득값 보다 조금 더 크게 결정되는 경우 상세 모델에 비하여 여름철에는 냉방부하가 더 높고 겨울철에는 난방부하가 더 낮게 나타날 수 있을 것이다. 이러한 결과는 모델 학습의 최적화 성능을 향상시키고, 단순화 모델에 대하여 주중과 주말, 계절별로 내부열취득에 대한 스케쥴을 달리 적용하여 성능개선을 이룰 수 있을 것으로 기대한다.

본 연구의 적용가능 범위 및 향후 연구 제언

본 연구에서는 학습을 위한 데이터에 냉방과 난방 운전 기간이 포함될 수 있도록 하기 위한 방안으로 난방이 끝나는 4월과 냉방이 시작되는 5월에 걸쳐서 8주까지 학습기간을 선정하였다. 그렇지만, 실제로 적용할 경우에는 냉방 또는 난방 기간의 데이터만 이용가능할 수도 있으므로 이러한 때에는 학습에 포함하지 않은 냉방 또는 난방 운전기간에 대한 데이터는 제조사에서 제공하는 성능 데이터를 활용하는 방식을 검토할 수 있을 것이다.

본 연구에서 단순화한 모델의 특성상 시간대별 또는 일별 수준의 시간 간격에 대한 넷에너지성능을 분석하기에는 적절한 성능을 보이지 않았으며, 월별 에너지성능에 대해서 적용하기에 적합한 수준의 정확도를 나타내었으므로 월별로 에너지성능을 분석하여 연간 성능을 평가하는 데에 활용이 가능할 것이다. 일별 또는 시간대별로 더 짧은 시간 간격에 대해서도 우수한 예측 성능을 갖기 위해서는 건물 부하 모델에 대한 추가적인 수정과 보완이 필요할 것이며, 이 경우에는 장기간 예측에 활용보다는 단기간에 대한 예측과 분석에 활용하는 것이 더 바람직할 수 있을 것으로 생각된다.

또한 본 연구의 평가대상 건물은 실제 건물로부터의 데이터를 학습과 평가에 이용하지 않고, 이를 대신하여 상세 모델로부터의 데이터를 이용하였다. 상세 모델로부터 생산한 데이터는 실제 데이터는 아니지만 센서와 측정의 오차나 고장 등으로 인한 데이터의 오류 등의 요소가 포함되지 않고 성능적인 면만 반영된 데이터를 사용할 수 있는 장점도 있다. 그렇지만 연구의 신뢰성을 더욱 높이기 위해서는 실제 건물로부터 측정한 데이터를 이용한 연구를 진행하는 것이 필요할 것이다.

한편, 본 연구에서는 TRNSYS에서 제공되는 모델 중 단순화가 가능한 모듈을 선택하여 모델 단순화를 구성하였고 단순화 모델의 성능개선이 필요하다. 이를 위해서는 본 기법의 장점을 유지하면서 성능을 향상시킬 수 있도록 세심한 검토를 통한 수정 보완 연구가 필요할 것이다. 예를 들면 단순한 건물 열부하 모델에서 열부하에 영향을 미치는 실내열취득량에 대하여 24시간 일정한 상수값으로 가정을 하였으나, 스케쥴 등을 반영하여 성능개선을 위한 수정 방안에 대한 검토할 수 있을 것이다. 또한 단순화 모델의 파라미터를 결정하는 학습 과정에서의 최적화 알고리즘의 종류와 반복 회수 등과 관련하여 글로벌 최적화(Global optimization)에 가까운 학습 결과가 도출될 수 있도록 시도하고, 학습 성능에 영향을 미치는 다양한 인자에 대한 추가적인 검토도 필요할 것이다.

본 연구에서는 건물 에너지성능을 평가하고자 하는 경우 상세한 모델을 제작하는 데 어려움을 크게 극복할 수 있도록 단순화한 모델을 적용하고 건물로부터의 데이터를 이용한 학습을 통하여 단순화 모델의 신뢰성을 향상시켜 적용할 수 있는 건물 에너지 평가 방법을 제시하고자 하였다. 모델 단순화로 인한 성능적인 특성으로 인하여 시간대별 성능 예측보다는 월간 성능 예측으로 건물의 연간 에너지 성능을 평가하는 목적에 활용하는 것이 바람직하며, 향후의 연구로는 제안한 기법의 성능을 더욱 안정화하고 신뢰성을 보다 향상시킬 수 있도록 실제 건물을 통한 성능 검증과 다양한 시도를 통한 분석이 이루어진 후에 활용이 이루어지는 것을 기대한다. 대상 건물은 리모델링이 이루어진 건물이나 제공되는 데이터의 기간이 제한적인 건물의 간이에너지 성능 평가에 활용할 수 있을 것이다.

Figure 8.

Model testing performance based on NMBE with monthly net energy consumption (a) from June to December for 7 months and (b) from June to March for 10 months

Figure 9.

Model testing performance based on NMBE with monthly heat pump energy consumption from June to March for 10 month

Figure 10.

Comparison of monthly annual energy performance simulated with detailed model and simplified model for (a) net energy consumption, (b) heat pump energy consumption, and (c) solar PVT energy production

결 론

본 연구에서는 건물에 대한 연간 에너지 성능분석을 위하여 단기간의 성능 데이터로 건물 에너지시스템에 대한 모델을 학습한 후에 월별 연간 에너지 성능을 분석하는 기법을 기반으로 하며 건물 에너지시스템 모델은 TRNSYS 환경에서 파라미터 개수가 가능한 최소화될 수 있도록 간소화된 모델을 선택하는 방식을 제안하였다.

시뮬레이션을 통한 사례 분석을 수행하였으며 사무용 건물을 대상으로 TRNSYS 상세 시뮬레이션 모델을 이용하여 TRNSYS 환경에서 단순화시킨 모델을 학습시키기 위한 데이터를 생성시켰고, 학습 기간은 냉난방을 포함하면서 2주, 4주, 6주 및 8주로 달리하여 학습한 후 학습에 사용되지 않은 기간에 대하여 연간 수준인 7개월과 10개월에 대한 순에너지소비량 분석을 위한 시뮬레이션을 수행하였다. 이때 기후정보는 정확히 주어지는 것으로 가정하였다. 건물의 에너지시스템은 공기열원 히트펌프 냉난방 시스템, 태양광열 PVT 집열기, 지중열교환설비, 버퍼 열저장조, 물-공기 열교환기 등으로 구성하였다. 모델 단순화를 위한 대상 요소는 건물 열부하 모델, 히트펌프 COP 성능, 태양광열 PVT 집열기의 전기 및 열 효율, 지중열교환설비 모델로 하였다. 특히 건물 냉난방 부하 모델은 Type 56을 사용하기 위한 수많은 파라미터를 Type 88의 Lumped model로 단순화된 건물 냉난방 부하 모델을 적용하여 4개의 파라미터로 수준으로 매우 간소화하였다.

제안한 기법을 적용한 결과, 학습 기간이 길어질수록 에너지 분석 성능은 더 향상되었으며, NMBE 모델 오차를 통하여 계산한 모델의 정확도는 7개월과 10개월의 두 가지 성능 평가 기간에 대하여 6주 학습 기간의 경우 97.7%와 90.7%, 8주 학습 기간에서는 95.9% 및 91.6%의 정확도를 각각 나타내었다. 본 연구에서 제안한 기법은 시간대별이나 일별 에너지 성능은 상세 모델과 많은 오차를 나타내지만, 월별 에너지 성능은 90% 이상의 정확도를 보여주어 월별 연간 에너지 분석에 적용이 가능한 수준으로 보인다. 본 논문에서 제안한 기법은 건물에서 구할 수 있는 데이터가 2개월 이하로 충분한 기간에 걸쳐 제공되지 못할 때 적용하여 10개월과 같은 수준의 장기간에 걸친 월별로 1년에 가까운 수개월간의 에너지 성능분석에 활용될 수 있을 것으로 기대한다. 제안한 기술의 실용적인 활용을 위해서는 실제 건물에서의 데이터를 이용한 학습과 성능 평가, 그리고 다양한 학습 조건에서의 성능 평가 등의 연구가 필요하다.