1.1. 연구의 필요성

정부는 2050 탄소중립 실현을 위해 탄소중립·녹색성장 기본법을 제정하고, 건물 부문의 온실가스 감축을 위한 핵심 이행 수단으로 제로에너지빌딩(ZEB) 인증 의무화를 단계적으로 강화하고 있다. 녹색건축물 조성 지원법 및 관련 로드맵에 따라, 2020년 연면적 1,000m² 이상 공공건축물을 시작으로 2023년에는 500m² 이상 공공건축물로 대상이 확대되었다. 특히 2025년부터는 연면적 1,000m² 이상 민간 건축물 및 30세대 이상 공동주택까지 의무화 대상이 전면 확대됨에 따라, 건물 부문의 에너지 효율화는 선택이 아닌 필수적인 과제로 대두되었다. 이에 따라, 건물 에너지 분석의 중요성이 커지고 있으며 인공지능(AI)과 빅데이터를 활용하여 설비를 자율적으로 제어·최적화하는 건물 에너지 관리 시스템(BEMS)이 핵심 해결책으로 부상하고 있다. 그러나 이러한 기술적 진보에도 불구하고, 인공지능(AI) 기반 시스템의 실질적인 에너지 절감 효과를 객관적으로 검증하는 데에는 여전히 한계가 존재한다. 특히 인공지능(AI) 기반 제어는 실시간 재실 현황이나 기상 변화에 따라 설비의 운전 상태를 수시로 변경하는 동적 특성을 가지므로, 정적인 환경을 전제로 한 기존의 검증 방식으로는 정확한 평가에 어려움이 따른다.

현재 국내에서 통용되는 대표적인 건물 에너지 성능 평가 기준으로는 국제 프로토콜인 IPMVP와 ASHRAE Guideline 14, 국제 표준인 ISO 50015가 있다. 이들 표준은 에너지 절감량 산출을 위한 구체적인 기술적 가이드라인을 제공하며 높은 신뢰성을 인정받고 있다. 하지만 이들 국제 프로토콜은 주로 운전 스케줄이 고정된 전통적인 건물이나 단일 설비의 교체 성과를 측정하는 데 최적화되어 있음을 알 수 있다. 특히 기존 표준들은 제로에너지빌딩(ZEB) 구현의 핵심 요소인 태양광 등 신재생에너지의 발전량 변동성이나, 전력망 수급 상황에 따른 능동적인 부하 수요 변화를 구체적으로 반영하지 못한다는 단점이 있다. 또한 인공지능(AI)이 적용된 스마트 건물의 경우 자율 제어로 인해 운전 패턴이 비선형적으로 변화하기 때문에, 기존의 방법론을 그대로 적용하면 베이스라인 모델의 정확도가 현저히 떨어진다는 문제가 발생한다^{[1- 5]}.

따라서 국제 표준의 신뢰성 있는 검증 절차를 준수하면서도, 신재생에너지 연계 및 인공지능(AI) 시스템의 동적인 운전 특성을 효과적으로 반영할 수 있는 개선된 측정 및 검증 방법론의 정립이 시급하다.

1.2. 연구의 목적 및 방법

본 연구에서는 인공지능(AI) 기반 건축물의 특성을 반영하여 에너지 절감량과 탄소 배출 감축량을 하나의 수식으로 통합 산정하는 새로운 방법론을 정립하는 것을 목적으로 한다.

구체적으로는 신재생에너지의 실질적 기여도를 보정하는 '대체공급 반영계수(f_r )'를 도입하여 산정의 정확도를 높이고, NIST의 ALFUS 개념을 도입한 '자율성 평가 모델'을 통해 인공지능(AI) 시스템의 기술적 고도화를 정량적으로 검증할 수 있는 체계를 제안하고자 한다.

특히 인공지능(AI)의 제어 수준을 0점에서 10점까지 정량적으로 산출할 수 있는 ALFUS 기반 자율성 평가 모델의 상세 점수 배분 기준을 제시하여 에너지 측정의 신뢰성을 제고하고자 한다. 이를 통해 인공지능(AI) 기반 건물 에너지 관리 시스템(BEMS)의 성능을 객관적으로 입증하고, 나아가 탄소중립 실현을 위한 제도의 고도화에 이바지하고자 한다.

제안된 산정 모델과 자율성 평가 지표의 적용 절차를 체계화하여, 인공지능(AI) 기반 건축물의 성능을 종합적으로 검증할 수 있는 실무적 가이드라인을 제시한다.

2.1. 총 에너지 절감량(E_Saving) 통합 산출 모델

본 연구에서는 전력, 도시가스, 신재생에너지를 1차 에너지 소요량으로 환산하여 합산하는 통합 산정식을 적용한다.

인공지능(AI) 기반 건축물의 에너지 절감량은 식 (1)과 같이 산정한다.

여기서, E_Saving : 총 에너지 절감량

T: 분석 대상이 되는 전체 평가 기간

E_Base,t : 베이스라인에서 기간 T의 전력 사용량

E_ECM,t : 에너지 절감 조치 적용 후 기간 T의 전력 사용량

θ_E : 연료가스 단위환산계수

G_Base,t : 베이스라인에서 기간 T의 연료가스 사용량

G_ECM,t : 에너지 절감 조치 적용 후 기간 T의 연료가스 사용량

θ_G : 연료가스 단위환산계수

E_Ren,Base,t : 베이스라인에서 기간 T의 공급된 신재생에너지량

E_Ren,ECM,t : 에너지 절감 조치 적용 후 기간 T의 공급된 신재생에너지량

f_r : 신재생에너지 대체공급 반영계수

총 에너지 절감량 E_Saving 은 평가기간 T 동안의 절감량 합계로 정의한다. E_Saving 의 값이 양(+)이면 절감, 음(–)이면 증가를 의미한다. 평가기간 T는 동일 간격의 시계열(예: 시간, 일, 월 등)로 구성되며, 시작과 종료 범위는 측정 경계와 일치하도록 설정한다. 에너지 절감량을 산정하기 위해서는 기후 변화와 건축물의 점유 특성 등 외부 요인을 베이스라인 설정에 적절히 반영하기 위해, 최소 12개월 이상의 연속적인 에너지 데이터를 확보할 것을 권장한다. 총 에너지 절감량은 전력 환산계수 θ_E 를 적용하여 GJ로 환산하며, θ_E 는 1 kWh=3.6 MJ=0.0036 GJ의 관계를 사용하여 일반적으로 0.0036GJ/kWh로 한다.

연료가스 단위환산계수 θ_G 는 해당 연료의 발열량(HHV 또는 LHV)을 기준으로 GJ/Nm³(또는 GJ/kg)로 정하며, 적용 기준(연료 종류, 발열량 근거, 출처)을 문서에 명시한다. 필요 시 공급사 또는 국가고시의 공인 값을 적용한다.

신재생에너지 대체공급 반영계수(f_r )는 재생에너지 공급이 화석에너지 소비를 얼마나 직접적으로 대체하는지를 나타내는 계수이다. 설정 근거와 판단 논리는 보고서에 기술하여야 한다^{[5, 6]}.

2.2. 신재생에너지 대체공급 반영계수의 적용 기준

건물 에너지 성능 평가에 있어 제로에너지빌딩 구현을 위한 신재생에너지 발전 설비(PV, BIPV 등)의 도입은 필수적이다. 그러나 발전된 에너지가 건물 내에서 자가 소비되는지, 혹은 외부 전력망(Grid)으로 송출되어 별도의 금전적 보상을 받는지에 따라 에너지 절감 성과의 귀속 주체가 달라진다. 이에 본 연구에서는 에너지 절감량 산정 시 발생할 수 있는 중복 인정의 오류를 원천적으로 방지하고, 성과 검증의 투명성을 확보하기 위해 신재생에너지 대체공급 반영계수(f_r )를 도입하고 다음과 같은 적용 기준을 수립하였다.

2.3. 탄소 배출 감축량 연계

에너지 절감량이 도출되면, 이를 국가 고유 배출계수(National Specific Emission Factor)와 연계하여 최종적인 탄소 배출 감축량으로 환산하는 과정이 수행된다. 산출 결과의 객관성과 신뢰성을 확보하기 위하여, 적용되는 배출계수는 환경부 온실가스종합정보센터에서 제공하는 탄소배출계수(CEF) 통합 데이터베이스 혹은 국가 온실가스 배출계수 고시 값을 최우선으로 적용하는 것을 원칙으로 한다. 대상 시스템이 전력, 도시가스, 지역난방 등 이종의 에너지원을 복합적으로 사용하는 경우, 각 에너지원별 절감량에 해당 에너지원의 고유 배출계수를 개별적으로 적용한 뒤 이를 합산하여 총 감축량을 산정하여야 한다. 이때 각 에너지원의 물리적 단위와 배출계수의 단위가 일치하도록 환산 과정을 거치며, 계수 값은 성과 검증 시점에서 가용한 가장 최신의 확정치를 반영한다. 이를 바탕으로 탄소 배출 감축량을 도출하는 수식은 식 (2)와 같이 정의된다^[7].

3.1. 항목별 세부 평가 기준 및 점수 배분

본 연구에서는 인공지능(AI) 기반 건물 에너지 관리 시스템(BEMS)의 기술적 성숙도를 객관적으로 판단하기 위해 NIST의 ALFUS 평가 체계를 건축물 제어 환경에 최적화하여 재정립하였다. 제안하는 자율성 지수(A_I )는 단일 지표가 아닌, 관리자 독립성(S_H ), 임무 복잡성(S_M ), 환경 난이도(S_E )라는 세 가지 핵심 항목을 종합적으로 고려하여 산출된다. 각 항목은 시스템의 성능을 결정짓는 독립적인 변수로서 작용하며, 단순한 제어 자동화를 넘어 예측 불가능한 재실 환경과 복합적인 에너지 설비 간의 최적화 능력을 입체적으로 평가한다. 각 항목은 0점에서 10점까지의 11단계로 정량화되며, 이를 통해 시스템이 인간의 개입 없이 얼마나 복잡한 상황을 자율적으로 해결할 수 있는지를 객관적인 수치로 평가한다.

3.2. 관리자 독립성(S_H, Human Independence)

관리자 독립성은 시스템의 운용 프로세스 전반에서 관리자의 개입이 어느 정도로 배제되었는지를 평가하는 척도이다. 이는 단순히 물리적인 작업의 자동화 비율을 측정하는 것을 넘어, 상황 판단 및 의사결정의 주도권이 인간에서 인공지능(AI)으로 이양되는 과정을 단계별로 정의한다. 평가 기준은 Table 1과 같이 운용자의 개입 시간 비율과 제어 수단의 고도화 수준을 복합적으로 고려한다. 초기 단계(0~2점)에서는 관리자가 시스템의 모든 기능을 직접 통제하는 상태에 머무르나, 중기 단계(3~5점)에서는 인공지능(AI)가 의사결정을 보조하고 관리자가 승인하는 협업적 제어 단계로 진화한다. 운용자 개입 시간 비율이 동일한 구간(예: 3점과 4점)의 경우, 시스템이 제공하는 정보의 질적 수준과 의사결정 지원 능력의 차이를 반영하여 점수를 차등 부여하였다. 구체적으로, 3점(승인 기반 제어)은 시스템이 단일 추천 값을 제시하여 관리자의 검증이 필요한 단계지만, 4점(선택 기반 제어)은 시스템이 복수의 시나리오를 분석·제시하여 관리자가 최적 안을 선택할 수 있도록 지원하는 단계이다. 이는 4점 시스템이 더 고도화된 연산 및 분석 능력을 갖추었음을 의미하므로, 운용자 개입 시간 비율(80% 이하)은 동일하더라도 기술적 성숙도 측면에서 상위 등급으로 평가한다. 평가 점수 6점 이상의 고도화 단계에서는 예외 상황을 제외한 모든 상황을 자율적으로 통제하는 상태에 도달하며, 최상위 단계(9~10점)에서는 보고 절차조차 최소화되거나 생략된 완전 무인 운전을 지향한다.

3.3. 임무 복잡성(S_M, Mission Complexity)

임무 복잡성은 인공지능(AI) 모델이 수행하는 제어 알고리즘의 기술적 난이도와 최적화의 범위를 평가한다. 이는 시스템이 얼마나 복잡한 문제를 해결할 수 있는지를 나타내는 지표이다. Table 2의 세부 평가 기준에 따르면, 평가는 단순 제어 로직에서 시작하여, 단일 설비 최적화, 설비 간 연동, 그리고 다목적 최적화로 확장되는 기술적 깊이를 다룬다. 특히 평가 기준 6점 이상의 단계에서는 단순한 반응형 제어를 넘어, 미래의 부하를 예측하고 선제적으로 대응하는 예측 제어 능력이 요구된다. 평가 기준 9점 이상의 최상위 단계에서는 강화학습과 같은 적응형 알고리즘을 통해 사전에 정의되지 않은 비정형 상황에서도 스스로 최적값을 도출하고, 시스템 오류 시 스스로 복구하는 자율적 적응 및 자가 치유(Self-healing) 능력을 포함한다.

3.4. 환경 난이도(S_E, Environmental Difficulty)

환경 난이도는 Table 3에 명시된 바와 같이 시스템이 인지하고 처리해야 하는 데이터의 다양성, 불확실성, 그리고 연결성을 평가한다. 데이터 수집 범위가 개별 센서에서 공간 단위로, 나아가 외부 환경 및 인간 행동 패턴으로 확장될수록 높은 점수가 부여된다. 초기 단계에서는 정형화된 물리적 센서 데이터(온도, 습도 등)의 처리에 국한되나, 고도화될수록 인간의 행동 패턴(스케줄, 선호도 등)과 같은 비정형 데이터를 해석하는 능력이 요구된다. 최상위 단계인 10점은 건물 내부를 넘어 전력 계통(Grid)이나 인접 건물과의 데이터 연동을 통해 생산적 소비자(Prosumer)로서의 역할을 수행할 수 있는 연결 환경을 의미한다.

3.5. 가중치 적용 및 최종 등급 산정

종합 자율성 지수(A_I )는 앞서 정의한 3가지 축(S_H , S_M , S_E )의 점수에 건물의 운영 목적과 특성에 따른 가중치(W)를 반영하여 산출한다. 이때, 최종 등급 판정에는 최소값 기준을 적용하여 평가의 엄격성을 확보한다. 즉, 종합 점수가 높더라도 특정 축의 기술 수준이 해당 등급의 필수 요건을 충족하지 못할 경우, 가장 낮은 점수를 받은 축의 등급으로 최종 자율성 단계가 결정된다. 이는 인공지능(AI) 알고리즘이 아무리 고도화되었더라도, 여전히 관리자의 상시 개입이 필요하다면 이를 진정한 자율 시스템으로 볼 수 없다는 것을 반영한 것이다. 종합 자율성 지수(A_I )는 식 (3)과같이 산정된다.

여기서 W_H , W_M , W_E 는 각각 관리자 독립성, 임무 복잡성, 환경 난이도에 대한 가중치를 의미하며, 정규화를 위해 가중치의 합은 3.0이 되도록 설정한다. 기본적으로는 세 요소의 균형적인 발전을 전제로 1:1:1의 가중치를 적용하는 것을 표준으로 한다. 다만, 시스템의 운용 목적에 따라 유연한 적용이 가능하다. 예를 들어, 관리 인력 최소화가 핵심인 무인 관리 시설(Unmanned Facility)의 경우 W_H 를 상향 조정하거나, 정밀 제어가 필수적인 데이터센터와 같은 환경에서는 W_M 을 상향 조정할 수 있다. 이때 가중치의 변경은 자율성 평가 점수에만 반영될 뿐, 식 (1)을 통해 산출되는 물리적인 에너지 절감량에는 직접적인 영향을 미치지 않는다. 본 연구에서는 3대 요소의 균형적인 평가를 위해, 각 항목에 1:1:1의 동일 가중치를 적용하였다. 특히, 최종 등급 판정 시에는 산출된 평균 점수뿐만 아니라 최소값 기준을 병행 적용하여 평가의 엄격성을 확보하였다. 이는 시스템의 특정 기능이 아무리 고도화되었더라도, 여전히 관리자의 상시 개입이 필요하다면 이를 진정한 의미의 자율 시스템으로 볼 수 없다는 내용을 반영한 것이다. 따라서 최종 자율성 등급은 산출된 A_I 점수와 각 축의 개별 점수 중 가장 낮은 점수를 고려하여 보수적으로 결정한다.

3.6. ALFUS 기반 자율성 등급의 정의 및 분류

산출된 자율성 지수(A_I )를 근거로, 인공지능(AI) 기반 건물 에너지 관리 시스템(BEMS)의 기술적 성숙도를 0단계부터 10단계까지 총 11단계의 등급(Level)으로 체계화하였다. 이러한 등급 분류는 추상적이었던 '스마트'의 개념을 정량화함으로써, 건물주에게는 시스템 성능에 대한 객관적 지표를, 엔지니어에게는 기술 개발의 로드맵을 제공한다는 점에서 중요한 의의가 있다. 각 등급은 인간의 개입 수준과 시스템의 제어 권한 범위에 따라 구분되며, 세부적인 기술적 정의는 Table 4와 같다.

본 연구에서는 11단계의 ALFUS 자율성 등급을 시스템의 제어 권한 위임 정도와 지능화 수준에 따라 다음의 네 가지 기술적 범주로 유형화하였다. 첫째, 기초 단계(0등급~2등급)는 데이터 기반의 학습이나 추론 기능이 부재한 전통적인 시퀀스 제어 영역에 해당한다. 이 단계의 시스템은 사전에 정의된 로직을 반복 수행할 뿐, 환경 변화에 대한 능동적인 대응 능력은 갖추지 못한다. 둘째, 의사결정 지원 단계(3등급~5등급)는 인공지능(AI)이 데이터 분석을 통해 최적의 제어 방안을 제시하지만, 최종 승인 권한은 인간에게 있는 'Human-in-the-loop' 방식이다. 현재 상용화된 대부분의 스마트 빌딩 솔루션이 이 단계에 머물러 있으며, 인공지능(AI)은 관리자의 판단을 돕는 보조적 수단으로 활용된다. 셋째, 자율 운영 단계(6등급~8등급)는 시스템이 제어 권한을 위임받아 폐쇄 루프(Closed-loop) 내에서 독자적으로 설비를 운용하는 상태로의 진입을 의미한다. 본 연구의 사례 연구 대상인 6등급 시스템이 이 범주에 속하며, 이 단계에서 인간의 역할은 직접적인 조작자(Operator)에서 시스템의 안전성과 건전성을 감시하는 감독자(Supervisor)로 전환된다. 즉 'Human-on-the-loop'의 역할로 전환된다. 이때, 시스템은 자율적으로 작동하되 비상시 인간이 제어권을 회수할 수 있는 안전장치(Fail-safe)를 포함한다. 이는 단순 자동화를 넘어선 실질적인 자율주행(Self-driving) 개념이 건물 제어에 구현된 단계라 할 수 있다. 넷째, 지능형 완전 자율 단계(9등급~10등급)는 시스템이 전력망 수급 상황이나 기상 변화 등 외부 환경과 연결되어, 변화하는 조건에 맞춰 스스로 알고리즘을 진화시키는 'Human-out-of-the-loop' 단계이다. 이는 예기치 못한 비정형 상황에서도 시스템의 최적 성능을 유지하는 단계로, 차세대 인공지능(AI) 기반 건물 에너지 관리 시스템(BEMS)이 지향해야 할 궁극적인 기술적 목표를 시사한다^{[8, 9]}.

4.1. 통합 에너지·탄소 절감량 산정 결과 비교

설정된 가상 건물 모델을 대상으로 인공지능(AI) 건물 에너지 관리시스템(BEMS) 도입 전(Baseline)과 도입 후(ECM)의 에너지 데이터를 생성하여 기존 M&V 방식과 제안된 통합 산정 모델의 결과값을 비교 분석하였다. 시나리오는 태양광 발전량(5,400kWh) 중 50%(2,700 kWh)는 자가 소비되고, 나머지 50%는 잉여 전력으로 전력망(Grid)에 역송되는 상황을 설정하였다.

4.1.2 탄소 배출 감축량(tCO₂eq) 환산

도출된 에너지 절감량에 2024년 승인된 전력 배출계수 0.4541tCO₂eq/MWh를 적용하여 최종 탄소 감축 기여도를 산출하였다.

(5)

$8.4 [MWh] \times 0.4541 [tCO_{2}eq/MWh] = 3.81 tCO_{2}eq \\ 5.7 [MWh] \times 0.4541 [tCO_{2}eq/MWh] = 2.59 tCO_{2}eq \\ R_{error} = \frac{3.81 - 2.59}{2.59} \times 100 \approx 47.1\%$

Fig. 1. Comparison of energy and carbon savings

Fig. 1의 비교 그래프에서 확인할 수 있듯이, 기존 방식은 실제 건물 내에서 감축되지 않은 외부 송출 전력까지 저감 성과로 포함함으로써, 실제 기여도 대비 약 47% 과대 평가된 결과를 나타냈다. 제안된 모델은 이러한 오차를 배제하고, 실질적인 탄소중립 기여분만을 정량화함으로써 검증의 신뢰성을 확보하였다.

4.2. ALFUS 기반 자율성 수준 평가

해당 시나리오에 적용된 인공지능(AI) 시스템의 기술적 수준을 제안된 자율성 수준 평가 모델로 확인한 결과는 다음과 같다.

⋅ 관리자 독립성(S_H ) : 시스템이 최적 제어 안을 제시하고 관리자가 거부하지 않으면 실행되는 거부권 행사 단계로 운영되므로 5점을 부여하였다.

⋅ 임무 복잡성(S_M ) : 단일 설비 제어를 넘어, 태양광 발전량과 연동하여 부하를 조절하는 설비 간 단순 연동을 수행하므로 5점으로 평가되었다.

⋅ 환경 난이도(S_E ) : 실내 온습도 센서뿐만 아니라 외부 기상 데이터(일사량)를 변수로 활용하므로 객체, 공간, 환경 단계인 5점을 적용하였다.

Fig. 2. ALFUS autonomy assessment result

가중치를 균등(W=1)하게 적용하여 식 (6)에 따라 산출한 종합 자율성 지수(A_I )는 Fig. 2와 같이 5점이며, 최소값 기준에 따라 최종 등급은 Level 5(거부권 행사)로 판정되었다. 이는 해당 건물이 완전 자율 운영(Level 10)으로 나아가기 위해 예외 상황 자동 대응(S_H ) 및 예측 제어 고도화(S_M )뿐만 아니라, 전력망(Grid)과의 양방향 데이터 연동을 통한 환경 난이도(S_E )의 확장이 필수적으로 요구됨을 시사한다.