1.1. 연구의 필요성

상업용 건축물에서 조명은 전체 에너지 소비의 약 20~30%를 차지하며, 특히 리테일과 같이 공간 활용 패턴이 동적으로 변화하는 환경에서는 정적인 조명 제어 방식이 에너지 낭비의 주요 원인으로 지적된다^{[1, 2]}. 이에 따라 단순한 자동화를 넘어, 사용자 중심의 상황반응적 제어(human-centric responsive control)에 대한 수요가 증가하고 있으며, 이는 스마트 빌딩의 핵심 구성 기술로 부각되고 있다^[3].

전통적인 조명 제어 시스템은 조도센서 및 존재감지(PIR) 센서를 기반으로 한 반응형 제어(rule-based control) 방식이 주를 이루며, 이는 구현이 용이하고 안정성이 높다는 장점이 있다. 하지만 사용자의 행동 변화에 즉각 대응하지 못해, 과조명(over-illumination), 반응 지연 등으로 인한 에너지 낭비 및 사용자 불편이 발생하고 있다^[4].

이러한 한계를 극복하기 위한 대안으로, 최근에는 사용자의 이동 경로, 시간대, 점유 이력 등 시계열 데이터를 활용한 예측 기반 제어(predictive control)가 주목받고 있다^{[5, 6]}.

예측 제어는 사용자의 동선을 선제적으로 파악하여 조명을 사전에 점등함으로써, 에너지 효율과 사용자 경험을 동시에 향상시킬 수 있다. 특히 마르코프 체인 기반의 경량 모델은 엣지 디바이스에서도 실시간 제어가 가능하다는 점에서 높은 실현 가능성을 지닌다.

그러나 기존 연구는 대부분 시뮬레이션 중심의 성능 평가 또는 알고리즘 설계 수준에 머무르고 있으며, 동일한 조건 하에서 규칙기반 제어와 예측기반 제어의 구조적 차이가 실제 조명 성능에 미치는 영향을 정량적으로 분석한 실증 연구는 드물다. 또한 경량 마르코프 기반 예측 제어가 실제 환경에서 어느 정도의 에너지 절감과 사용자 반응성 향상에 기여하는지를 비교한 연구도 매우 제한적이다^[7].

본 연구는 다음의 목적을 가진다.

센서 기반 제어 인프라를 활용한 테스트베드를 구성하고, 규칙기반 제어와 경로 예측 기반 제어를 동일 조건 하에서 적용함으로써, 에너지 사용량, 반응 시간(TRD:Time to Responsive Dimming), 불필요 점등 횟수(RAC:Redundant Activation Count), 조도 예측 정확도(CV(RMSE), NMBE) 등을 정량적으로 비교·분석한다. 실험은 총 9개의 조명 존으로 구성된 실내 공간에서 28일간 수행되었으며, 성능 평가는 ASHRAE Guideline 14-2023 기준을 준수하였다.

본 연구의 주요 기여는 다음과 같다.

· 제어 알고리즘 수준에서의 정량 성능 비교를 통해, 시스템 외형이 아닌 알고리즘 구조 자체의 효과성 검증

· 경량 마르코프 기반 예측 제어의 엣지 환경에서의 실현 가능성과 반응성 향상 효과를 실증

· 리트로핏 기반 조명 시스템에서의 알고리즘 선택 가이드라인 제공

· 에너지 효율과 사용자 경험을 동시에 고려한 스마트 조명 제어 설계의 실질적 기준 제시

2.1 알고리즘 중심의 정보 처리 구조

조명 제어 알고리즘은 다음의 세 단계 정보 처리 흐름을 따른다:

· 1단계: 상태 인식 (Sensing) : PIR 센서, 조도 센서, 시간대 구분 모듈, 사용자 이동 이력 추적기를 통해 현재 점유 상태, 조도 수준, 시간 맥락 등의 정보를 수집한다. 이는 실시간 공간 상태를 파악하는 기반 단계로서, 제어의 정확성과 밀접하게 연결된다^{[8, 9]}.

· 2단계: 상황 해석 (Situation Analysis) : 수집된 정보는 알고리즘 유형에 따라 서로 다른 방식으로 처리된다. 규칙기반 제어는 IF–THEN 논리 조건에 따라 상황을 해석하고, 예측기반 제어는 1차 마르코프 모델을 통해 사용자 이동의 상태 전이 확률을 계산한다.

· 3단계: 제어 결정 (Control Decision) : 규칙기반 제어는 센서 조건을 만족할 때 즉각적인 ON/OFF를 수행하며, 예측기반 제어는 전이 확률이 임계값 이상일 경우 사전 점등을 수행한다. 이는 점등의 시점이 '사후 반응'이냐 '사전 예측'이냐의 차이로 이어지며, 반응성과 에너지 효율성에 직접적인 영향을 미친다.

이 구조는 전통적인 하드웨어 중심 통신망 기술 설명과 달리, 제어 알고리즘의 정보 처리 관점에서 설계된 차별화된 접근이다.

2.2 입력 변수 정의 및 해석 방식

입력 변수는 총 4가지이며, 알고리즘별로 해석 방식과 기능이 다르다. Table 1은 각 입력 변수의 유형과 알고리즘별 활용 방식을 요약한 것이다.

특히 I4는 예측기반 제어에서 핵심 역할을 하며, 전이 확률 P( Zt+1∣Zt ) ≥ θ인 경우에만 사전 점등을 수행한다. 본 연구에서는 θ = 0.66으로 설정하였다.

2.3 실험 환경 및 구성

· 공간: 실험은 단일 실내 공간을 물리적 파티션을 이용해 9개의 조명 제어 존(zone)으로 구획한 폐쇄형 테스트베드에서 수행되었다. 각 존은 개별 조명기구 및 센서(PIR, 조도센서)가 설치되어 있으며, 제어 및 측정이 독립적으로 가능하도록 설계되었다. Fig. 1은 테스트베드의 평면 레이아웃과 존(zone) 구성 예시를 보여준다. 본 테스트베드는 외기에 면한 창이 있는 공간에서 구성되었으며, 실험은 주광 유입이 가능한 실제 환경 조건에서 수행되었다. 조도 센서는 외부 주광과 내부 인공광을 모두 포함한 실시간 조도값을 측정하였으며, 제어 알고리즘은 이를 기반으로 디밍 동작을 수행하였다. 또한 Fig. 2는 실험 공간의 기능적 구역 설정 및 센서 배치를 시각적으로 나타낸 것이다. 존별 센서 구성 및 사용자 이동 경로 시나리오 설계에 참고되었다.

· 센서 구성: 각 존에는 PIR 센서(존 점유 여부 탐지), 조도센서(실시간 광량 측정), 마이크로컨트롤러(제어 신호 송출 및 로깅)가 설치되었으며, 센서 데이터는 중앙 서버로 수집되었다.

· 조도 센서는 주광(외광) 및 인공조명을 모두 포함한 실내 총광량을 실시간으로 측정하였으며, 측정값은 자동 디밍 제어의 입력으로 활용되었다.

· 기간: 실험은 총 28일간 진행되었으며, 1~14일차에는 규칙기반 제어, 15~28일차에는 예측기반 제어 알고리즘을 적용하여 성능을 비교하였다.

· 동선 시나리오: 실험자는 사전 정의된 30개 이상의 경로 시나리오 중 무작위(Random)로 선택된 경로를 실험 회차마다 1회 수행하였으며, 동일 경로는 반복되지 않도록 설계되었다. 예측 알고리즘은 실험 당시 최초로 마주하는 경로에 대해 실시간 예측을 수행해야 하므로, 성능에 유리한 조건이 부여되지 않았다.

· 로깅 주기: 모든 조도값 및 에너지 사용량은 1분 간격으로 기록되었으며, 모든 센서 및 제어 로직은 동기화된 시간 기준으로 동작하도록 구성되었다.

· 사용자 이동 경로 시나리오 : 실험자는 사전 정의된 30개 이상의 경로 시나리오 중 매 회차마다 무작위(Random)로 선택된 경로를 따라 이동하였다. 경로는 실내 공간의 출입구, 중앙 통로, 회의 구역, 벽면부 등을 포함하여 다양한 동선 조합으로 구성되었으며, 동일 경로는 실험 기간 동안 반복되지 않도록 설계되었다.

· 알고리즘은 이러한 학습되지 않은 비정형 경로에 대해 사전 정보 없이 실시간 예측을 수행해야 했기 때문에, 실험 조건은 실제 환경에서의 불확실성 상황을 충분히 반영하였다.

Fig. 1. Functional zoning and layout of the full-scale testbed-1

Fig. 2. Functional zoning and layout of the full-scale testbed-2

2.4 성능 평가 지표

알고리즘의 성능 평가는 다음의 정량 지표를 기준으로 수행하였다.

· CV(RMSE): 예측 조도값과 실제 측정값 간의 정규화된 평균 제곱근 오차

· NMBE: 절대 편향 오차의 방향성 측정 지표

· TRD (Time to Responsive Dimming): 사용자의 위치 변화에 따른 조명 반응 시간

· RAC (Redundant Activation Count): 불필요한 점등 횟수

· 이 중 CV(RMSE)와 NMBE는 ASHRAE Guideline 14-2023에서 공식적인 에너지 절감 성능 평가 지표로 채택되어 있다^[10].

3.1 규칙기반 제어 알고리즘 구조

규칙기반(Rule-Based) 알고리즘은 IF–THEN 문장으로 구성된 제어 정책을 활용한다. 시스템은 센서 데이터(조도, 점유 등)에 따라 사전에 정의된 조건을 만족하는 경우 해당 조명을 ON 또는 OFF 한다. 기본 구조는 다음과 같다.

여기서 Si는 i번 존의 점유 상태, Li는 i번 존의 현재 조도(luminance), Ltarget은 목표 조도이다. 이 알고리즘은 선형 시간 복잡도(O, 1)를 가지며, 실시간성 및 안정성 측면에서 장점을 가진다.하지만 제어 규칙이 증가할수록 시스템의 복잡도가 기하급수적으로 상승하며, 규칙 간의 충돌이나 해석상의 불명확성이 발생할 수 있다. 이러한 한계는 rule-based 방식이 센서 입력에 즉각 반응하는 결정론적 구조를 기반으로 하기 때문이며, 복잡한 제어 시나리오에 대한 유연한 대응이 어려운 구조임을 시사한다^[13].

3.2 예측기반 제어 알고리즘 구조

예측기반 제어는 1차 마르코프 체인(Markov Chain)을 기반으로 사용자의 다음 위치를 확률적으로 예측하고, 해당 존(zone)의 조명을 사전에 점등하는 방식으로 작동한다. 상태 전이 행렬 P는 다음과 같이 정의된다:

이 수식은 현재 위치 Zt에서 다음 위치 Zt+1로의 이동 확률을 의미하며, 알고리즘은 이를 기준으로 사전 점등 여부를 결정한다. 실내 사용자 이동이 마르코프 성질(현재 상태만으로 미래 상태 예측 가능)을 만족한다고 가정하며, 과거 로그로부터 전이 확률을 누적 학습함으로써 예측 성능을 지속적으로 개선할 수 있다.

점등 임계 확률 θ는 0.66으로 설정하였으며, 전이 확률이 θ 이상일 경우에만 선제 점등이 이루어진다. 이로 인해 불필요한 에너지 사용을 방지하고, 예측 신뢰도가 낮은 경우에는 점등을 보류하거나 Rule-based fallback 구조를 활용한다. 그러나 예측기반 제어는 충분한 학습 데이터가 축적되지 않은 초기 단계에서 오차 전파의 가능성이 존재하며, 이로 인해 TRD(Time to Responsive Dimming)의 지연 및 RAC(Redundant Activation Count)의 증가와 같은 문제가 발생할 수 있다. 이는 실내 제어 시스템의 복잡성과 불확실성을 고려할 때, 예측 모델 기반 제어가 갖는 일반적인 구조적 한계로도 보고된다^[14].

본 연구에서는 이러한 단기 예측 기반 제어의 적응성과 회복력을 실험적으로 분석하고자, 전이 확률 행렬을 매일 리셋하는 설계를 적용하였다. 이는 반복 학습 환경이 아닌, 학습되지 않은 무작위 경로에 대해 실시간 예측 성능을 평가하고자 하는 실험 목적에 따른 것이다. 따라서, 실험 중 실제로 예측 실패에 따른 오차 전파가 다수 발생하였으며, 이를 기반으로 예측기반 제어의 한계와 대응 구조를 분석하였다.

3.3 알고리즘 간 구조 및 복잡도 비교

규칙기반 제어와 예측기반 제어는 입력 변수, 추론 방식, 연산 구조, 반응 시점 및 적응성 측면에서 본질적으로 다르다. 다음 Table 2는 이 두 제어 방식의 구조적 차이를 요약한 것이다.

위 비교에서 알 수 있듯이, 예측기반 제어는 연산 복잡도가 상대적으로 높으나, 사용자 체감 품질과 에너지 효율 측면에서 유의미한 성능 개선이 가능하다. 이는 이후 4장에서 다루는 정량 지표(CV(RMSE), TRD, RAC, 에너지 소비량)의 개선과도 직접적으로 연계된다.

3.4 제어 오차 전파와 대응 방안

예측기반 제어는 상태 전이 확률의 누적 오차로 인해 점등 정확도가 저하될 수 있으며, 이는 TRD(Time to Responsive Dimming)의 지연 및 RAC(Redundant Activation Count)의 증가로 이어질 수 있다.

이러한 문제를 완화하고 예측 실패 상황에서도 시스템의 안정성을 유지하기 위해, 본 연구에서는 다음과 같은 오차 완충(fault-tolerant) 제어 구조를 설계하였다:

· 전이 확률이 임계값(θ) 미만인 경우, 점등 보류 또는 대기 상태 유지

· 동일 경로에서 예측 실패가 3회 이상 발생할 경우, 해당 경로는 자동으로 Rule-Based fallback 모드로 전환

· 전이 확률 행렬은 매일 초기화되어, 단기 이동 패턴에 민감하게 적응할 수 있도록 설계

특히, 전이 행렬의 일일 리셋은 장기 누적 학습을 배제하고 단기 학습 기반 적응성의 성능 관찰하기 위한 실험 설계에 따른 것이다. 이는 초기 적용 단계 또는 불확실성이 큰 환경에서의 제어 시스템의 반응 특성을 모사하기 위한 목적을 가진다.

또한, 실험에서는 회차마다 상이한 무작위 동선이 사전 설정되어, 알고리즘이 학습되지 않은 동선에 대해 실시간 예측을 수행해야 하는 구조였다. 이로 인해 예측 오차 및 점등 실패 사례가 실제로 발생하였으며, fallback 구조가 효과적으로 작동함을 실험적으로 확인하였다.

이와 같은 전략은 예측 기반 제어의 유연성과 규칙 기반 제어의 결정론적 안정성을 통합함으로써, 오차 전파 억제, 복원력 향상, 사용자 경험의 안정화 측면에서 균형 잡힌 제어 성능을 확보하는 데 기여할 수 있다.

실제 환경에서도 사용자의 이동은 전적으로 무작위라기보다는, 시간대, 공간 기능, 업무 흐름에 따라 일정 수준의 패턴성을 갖는다는 것이 여러 선행연구에서 제시되고 있다. 본 실험은 가장 불리한 조건인 학습되지 않은 무작위 동선을 가정하였고, 이러한 조건에서도 fallback 구조를 통해 시스템의 안정성과 반응성을 유지할 수 있음을 검증하였다. 이는 향후 실환경에 적용 시, 반복되는 부분 동선 학습을 병행할 경우 더욱 향상된 성능을 기대할 수 있음을 시사한다. 실제 공간에서도 사용자의 이동은 완전한 무작위라기보다는, 일정한 시간대, 공간의 용도, 업무 패턴에 따라 반복적 동선이 나타난다는 연구 결과들이 존재한다. Chen et al. (2018)은 건물 내 점유자 추정(occupancy estimation) 및 감지(detection) 기술에 대한 리뷰를 통해, 실제 환경에서 시간대 기반의 재현 가능한 occupancy pattern이 존재함을 지적하였으며, 이와 같은 반복성이 예측기반 제어 알고리즘의 적용 가능성을 높인다고 서술하였다. 이는 본 연구의 알고리즘이 무작위 경로 실험에서도 작동 가능성을 확인한 바와 같이, 일정한 이동 패턴이 존재하는 상업 공간이나 사무 공간 등에서 더욱 향상된 성능을 기대할 수 있음을 뒷받침한다^[15].

4.1 조도 예측 오차 분석: CV(RMSE)와 NMBE

조도 유지 성능은 조명 환경의 품질을 판단하는 핵심 지표로, CV(RMSE)는 정규화된 제곱근 평균 오차를, NMBE는 예측값의 편향 방향을 나타낸다. 실험 결과는 다음 Table 3과 같다.

예측기반 제어는 CV(RMSE) 기준으로 규칙기반 제어 대비 약 8.4% 오차 감소를 달성하였으며, 이는 ASHRAE Guideline 14-2023에서 제시하는 검증 가능한 절감 기준치(±20%)를 상회하는 결과이다^[16].

NMBE가 0에 가까운 수치를 보였다는 점은, 과조도 또는 과소조도 현상이 최소화되었음을 의미하며, 이는 센서 노이즈 및 사용자 동선의 불확실성 속에서도 마르코프 기반 확률 필터링이 실질적인 안정성 확보에 기여했음을 시사한다. 본 실험은 실제 환경과 유사한 조건을 반영하기 위해, 외기에 면한 창으로 주광이 유입되는 공간에서 수행되었으며, 조도 센서는 인공광과 주광이 모두 혼재된 실내 총 조도를 실시간으로 측정하였다. 이에 따라 조도 예측 오차 분석은 외부광 변화까지 포함한 복합 조명 환경에서의 알고리즘 성능을 나타내며, 이는 제어 알고리즘의 실환경 적용 가능성을 보다 현실적으로 반영한 결과로 해석할 수 있다.

4.2 사용자 반응 시간 (TRD: Time to Responsive Dimming)

TRD는 사용자의 위치 변화 발생 이후 조명이 점등되기까지의 평균 지연 시간을 의미하며, 시스템의 실시간 반응성을 나타내는 핵심 지표다. Table 4는 제어 방식에 따른 TRD 성능 차이를 정량적으로 보여준다.

예측기반 제어는 사전 점등 전략(preemptive lighting)을 통해 TRD를 규칙기반제어 대비 2.8초 → 0.9초, 약 68% 단축시켰다. 이는 단순 반응 속도 향상에 그치지 않고, 작업 연속성 보장, 시각적 충격 최소화, 고령자 및 약자 환경에서의 안전성 확보 등 다양한 사용자 경험 개선에 기여할 수 있는 요소로 평가된다 ^[17].

4.3 불필요한 점등 횟수 (RAC: Redundant Activation Count)

RAC는 점유되지 않은 공간에서의 불필요한 점등 횟수로, 시스템의 효율성과 에너지 절감 효과를 반영하는 지표는 Table 5와 같다.

예측기반 제어는 사전 점등 전략(preemptive lighting)을 통해 TRD(Time to Responsive Dimming)를 규칙기반 제어 대비 2.8초에서 0.9초로 단축시켰다(약 68% 감소). 이와 같은 반응 속도 향상은 단순 제어 개선을 넘어, 작업 중 조명 변화로 인한 시각적 충격을 줄이고, 특히 고령자나 민감 사용자 환경에서의 안전성 향상에 기여할 수 있다.

4.4 총 에너지 사용량 비교

총 조명 에너지 사용량은 1분 간격의 로그 데이터를 기반으로 누적 전력량(Wh)으로 산출되었으며, 제어 방식별 일일 평균 에너지 사용량은 Table 6과 같다.

예측기반 제어는 규칙기반 제어와 동일한 조명 인프라 및 센서 구성을 유지한 채, 제어 알고리즘만을 변경한 경우를 가정한다. 해당 시스템의 전기요금 절감 효과는 소형 상업공간(예: 15평 규모 편의점) 기준, 일반용(을) 요금제 단가(145원/kWh, 한국전력 2025년 기준)를 적용하여 분석하였다.

실험에서 관측된 평균 절감률(15.2%)을 바탕으로 환산할 경우, 해당 편의점에서의 연간 전기요금 절감액은 약 43,100원 수준이다. 알고리즘 도입 비용을 약 20만 원(설치 및 셋업 포함)으로 가정하면, 초기 투자 회수 기간(ROI)은 약 4.6년이며, 이는 별도의 센서 추가 설치나 장비 교체 없이, 알고리즘 변경만으로 실현 가능한 절감 효과라는 점에서 경제적 타당성이 확보된다.

본 ROI 산정은 유지보수비용, 하드웨어 교체주기 등의 변수를 배제한 단순 비교이나, 향후에는 LCC(Life Cycle Cost) 기반의 정량적 ROI 모델링 및 민감도 분석을 통해 다양한 환경에서의 경제성을 보다 정밀하게 평가할 예정이다.

4.5 요약 및 분석 결과 해석

예측기반 제어 알고리즘은 모든 성능 지표에서 규칙기반보다 우수한 결과를 보였으며, 특히 사용자 중심의 반응성(TRD)과 불필요 점등 최소화(RAC) 측면에서 인지 환경 및 에너지 효율성 모두를 만족하는 균형형 제어 전략임이 확인되었다.

5.1 연구 결과 요약

28일간의 실험 결과, 예측기반 제어 알고리즘은 규칙기반 제어에 비해 다음과 같은 성능적 우위를 보였다.

· 조도 유지 성능: CV(RMSE) 기준 약 39.4%의 오차 감소를 통해 조명 품질의 정밀도 향상

· 반응성 개선: TRD(Time to Responsive Dimming)를 2.8초에서 0.9초로 단축 (68% 개선)

· 불필요 점등 감소: RAC(Redundant Activation Count)를 53% 절감하여 에너지 낭비 방지

· 에너지 효율 향상: 일일 평균 약 15.2%의 소비 전력 절감 효과 확보

이러한 결과는 단순 알고리즘 구조 차이뿐 아니라, 예측기반 제어의 정보 해석 메커니즘이 사용자 이동 패턴을 효과적으로 학습·적용했기 때문에 가능했으며, 사용자의 행동을 ‘수동적으로 감지’하는 기존 방식에서 ‘능동적으로 예측하여 대응’하는 사용자 중심 제어(human-centric control)로의 전환 가능성을 실증적으로 입증하였다. 특히 TRD 개선 효과는 고령자 환경, 전시 공간, 병원 등에서의 안전성 확보와 시각적 연속성 유지 측면에서 높은 실용적 가치가 있다.

5.2 연구의 한계

본 연구는 다음과 같은 제한점을 가진다.

· 데이터 기반 학습 의존성: 예측기반 제어는 과거 데이터 기반의 상태 전이 확률에 의존하기 때문에, 예외적인 이동 경로 또는 비정형 행동에는 낮은 대응력을 보일 수 있음

· 임계 확률 민감도: 점등 임계값 θ의 설정에 따라 TRD, RAC 등의 민감도가 상이하게 나타날 수 있으며, 환경별 튜닝이 필요함

· 단일 사용자 시나리오 기반: 실험은 단일 사용자 기반의 시나리오에 한정되어 있어, 다중 사용자 환경에서의 효과성 및 충돌 가능성에 대한 검토는 부족함

· 공간 스케일의 제한: 9개 존(zone)으로 구성된 중소형 테스트베드에 한정된 결과로, 대규모 건축물에 대한 확장 가능성은 향후 검증이 필요함

5.3 향후 연구 방향

이상의 한계를 극복하고, 제어 알고리즘의 범용성과 실효성을 확장하기 위한 후속 연구 방향은 다음과 같다.

· 적응형 전이 행렬 설계 : 시간대, 요일, 사용자 유형(직원/고객) 등의 문맥 정보(context)를 반영한 다차원 전이 확률 행렬 구조를 도입함으로써, 보다 정밀한 예측 기반 제어를 구현

· 하이브리드 제어 프레임워크 고도화 : 예측 실패 발생 시 자동으로 rule-based fallback을 수행하는 하이브리드 알고리즘의 전환 기준, 우선순위, 예외처리 로직 등을 체계화하여 복원력(resilience) 강화

· Edge-AI 환경 최적화 : 엣지 디바이스 기반의 연산 제한 환경에서도 안정적으로 구동될 수 있도록 모델의 경량화(quantization, pruning) 및 연산 구조 최적화 연구 필요

· 심리·인지 기반 UX 통합 지표 개발 : 정량적 조도 성능 외에도, 시각 피로도, 공간 만족도, 작업 몰입도 등 사용자 중심의 UX(User Experience) 지표를 통합하여 조명 제어의 총체적 품질을 평가하는 프레임워크 구축

· 복수 사용자 시나리오 대응 제어 로직 설계 : 사용자의 상호작용, 충돌, 예측 간섭 가능성을 고려한 다중 사용자 기반 예측 모델 개발이 요구됨

5.4 실용적 시사점

본 연구는 스마트 조명 시스템의 제어 알고리즘 선택 시, 구현 편의성과 안정성을 중시하는 전통적 규칙기반 방식과, 예측 정확도와 반응성을 강화한 예측기반 제어 간의 실질적인 성능 차이를 실험적으로 검증하였다.

특히 예측기반 제어는 조도 정확도, 반응 시간, 에너지 절감 등 사용자 중심 지표에서 고르게 향상되었으며, 기존 규칙기반 제어를 기준으로 알고리즘만 전환하는 경우, 초기 투자 대비 ROI(투자비 회수기간) 단축 효과를 기대할 수 있음을 시사한다.

예를 들어, 15평 규모의 소형 편의점을 가정하고, 국내 일반용(을) 요금 기준(145원/kWh)을 적용할 경우, 일일 에너지 절감량 15.2%는 연간 약 52,000원의 전기요금 절감으로 환산되며, 이는 소프트웨어 중심의 알고리즘 업그레이드 비용(예: 수십만 원 규모) 대비 ROI 회수기간을 약 7.8% 단축시키는 효과로 해석할 수 있다. 이는 신규 센서 인프라나 하드웨어 추가 없이 알고리즘만 업그레이드했을 때 가능한 결과이며, 초기 투자비와 유지보수비가 낮은 리트로핏 기반 소형 상업 공간에서 실효성이 높다.

향후 본 기술은 리트로핏 대상 상업공간, 편의점, 뷰티 살롱, 고령자 복지시설 등에서 실용적 도입 가능성이 높으며, 스마트 빌딩, IFMS(지능형 시설 관리 시스템) 등에도 핵심 제어 기술로 확장될 수 있을 것으로 기대된다.