1.1. 연구의 필요성

상업용 건축물에서 조명 설비는 주요 전력 소비 부하 중 하나이며, 특히 편의점과 같은 소형 리테일 공간은 장시간 또는 24시간 운영되는 특성으로 인해 조명 에너지 관리의 중요성이 높다. 미국 에너지부의 상업용 기준 건물 모델에 따르면 조명은 상업 건물 에너지 성능을 좌우하는 핵심 설비 중 하나로 다루어지고 있으며^[1], 이에 따라 조명 제어 기술의 고도화는 건물 에너지 절감 전략에서 중요한 의미를 가진다.

기존 상업 공간의 조명 제어는 주로 스위칭, 디밍, 재실 감지, 주광 연계 방식 등을 기반으로 운영되어 왔다. 그러나 실제 사용자 행동은 고정된 시간표나 단순 점유 여부만으로 설명되기 어렵고, 공간 내 이동과 체류 패턴에 따라 조명 요구가 연속적으로 변화한다. 기존 연구에서는 사용자의 조명 스위칭 및 디밍 제어 행동 특성이 공간 맥락과 점유 형태에 따라 달라질 수 있음을 보고하였으며^{[2, 3]}, 단순 반응형 제어만으로는 실제 이용 패턴을 충분히 반영하기 어렵다는 한계가 제시되었다.

최근에는 이러한 한계를 보완하기 위하여 사용자 행동과 환경 정보를 함께 고려하는 상황인지 기반 조명 제어 기술이 활발히 연구되고 있다. 특히 점유자 중심 조명 제어는 에너지 절감과 시환경 만족도를 동시에 향상시킬 수 있는 방법으로 제안되고 있으며^[4], 사용자 조명 및 차양 행동을 예측하는 모델 연구도 함께 진행되고 있다^[5]. 이러한 접근은 단순한 사후 반응형 제어를 넘어, 사용자의 이동과 공간 이용 패턴을 미리 반영하는 예측형 조명 제어의 필요성을 뒷받침한다.

한편 실제 상업 공간의 리트로핏 환경에서는 무선 기반 제어 인프라가 통신 안정성, 유지관리, 구축 비용 측면에서 제약 요인으로 작용할 수 있다. 이에 따라 기존 전력선을 통신 매체로 활용하는 전력선 통신 기반 조명 제어 기술이 대안으로 주목받고 있으며^{[6, 7]}, 기존 배선을 그대로 활용할 수 있다는 점에서 리트로핏 적용성이 높다.

본 연구는 이러한 배경에서 기존 연구에서 제안된 예측형 상황인지 조명 제어 기법을 실제 편의점 환경에 적용하고, 조명 에너지 성능을 분석하는 것을 목적으로 한다. 이를 위해 서울 소재 A편의점을 대상으로 스마트 조명 제어 시스템을 구축하고, 구역 기반 반응형 제어, 상품 중심 제어, 휴식 구간 적응 제어, 이동 경로 예측 기반 제어를 적용하여 약 61일간의 조명 에너지 소비 데이터를 비교·분석하였다. 본 연구에서 적용한 이동 경로 예측 기반 조명 제어 알고리즘은 선행연구에서 구축한 9개 존 기반 실내 테스트베드 환경에서 실제 구현 및 성능 검증이 수행된 알고리즘을 기반으로 한다^[8].

선행연구에서는 규칙기반 제어와 예측기반 제어의 반응성, 조도 유지 성능 및 에너지 효율을 비교하여 예측기반 제어의 효과를 검증하였다. 본 연구는 이를 실제 편의점 환경에 적용하고, 실측 사용자 행동 데이터를 기반으로 다양한 조명 제어 전략의 에너지 절감 효과를 분석하였다는 점에서 차별성을 가진다.

2.1. 편의점 실증 대상 개요

본 연구에서는 상황인지 기반 예측형 조명 제어 시스템의 실제 적용 가능성을 검증하기 위하여 서울 소재 편의점(A편의점)을 실증 대상 공간으로 선정하였다. 해당 매장은 약 78.51m² 규모의 소형 리테일 공간으로, 상품 진열대, 계산대, 냉장 진열대, 출입구 동선 등 다양한 기능 공간이 혼합된 구조를 가지고 있다. 편의점은 일반적으로 24시간 운영되는 특성을 가지며, 시간대에 따라 고객 방문 패턴과 공간 이용 밀도가 크게 변화하는 대표적인 상업 공간 유형이다.

실증 대상 매장은 리모델링을 통해 스마트 조명 제어 시스템을 구축하였으며, Fig. 1은 리모델링 이전의 매장 내부 공간 상태를 보여준다. 기존 매장은 일반적인 상업 공간과 유사하게 균일 조명 기반의 조명 환경을 가지고 있었으며, 조명 제어 기능은 별도로 적용되지 않은 상태였다.

매장 내부에는 총 42개의 LED 조명기구가 설치되어 있으며, 상품 진열 영역과 이동 동선의 시인성을 확보하기 위해 균일 조도를 유지하도록 설계되어 있다. 본 연구에서는 매장 내부 공간 특성을 고려하여 조명 제어를 위한 기능적 구역을 정의하였다. 주요 구역은 출입구 영역, 상품 진열대 영역, 계산대 영역, 냉장 진열 영역, 휴식 및 이동 통로 영역 등으로 구분되며, 각 구역은 고객 이동 패턴과 체류 특성을 반영하여 조명 제어 단위로 설정되었다. 편의점 공간은 고객 이동이 비교적 짧은 시간 동안 다양한 구역을 연속적으로 통과하는 특징을 가지므로, 단순 재실 기반 조명 제어 방식보다는 사용자 이동 패턴을 고려한 예측형 조명 제어 적용 가능성이 높은 환경으로 판단된다.

Fig. 1. Test site before renovation

따라서 본 연구에서는 해당 매장을 대상으로 스마트 조명 제어 시스템을 구축하고 실제 운영 환경에서 조명 에너지 소비 특성을 분석하였다.

Table 1은 편의점 내 기능 구역과 각 구역에 적용된 주요 조명 제어 전략을 나타낸다. 구역 구분은 공간 기능, 사용자 이동 동선 및 체류 특성을 고려하여 설정하였으며, 이후 조명 제어 알고리즘의 상태(state) 정의와 에너지 소비 분석에 활용하였다. 특히 상품 진열 영역은 Product-Focused Control, 휴식 및 이동 통로 영역은 Rest-Adaptive Control의 주요 적용 구역으로 설정하였다.

2.2. 스마트 조명 시스템 구성

본 연구에서 적용한 스마트 조명 제어 시스템은 기존 조명 인프라를 최대한 유지하면서 제어 기능을 추가할 수 있도록 Closed-Circuit Power Line Communication(CPLC) 기반 통신 구조를 적용하였다. CPLC 방식은 기존 전력 배선을 통신 매체로 활용하여 제어 신호를 전달하는 방식으로, 별도의 통신 배선 설치 없이 조명 제어 네트워크를 구성할 수 있다는 장점을 가진다.

Fig. 2. Electrical distribution panel of the test site

Fig. 2는 실증 매장의 전력 분전반 및 조명 전력 공급 구조를 보여준다. 본 시스템에서는 기존 전력 배선을 활용하여 조명 제어 신호를 전달할 수 있도록 구성하였으며, 이를 통해 상업 공간 리트로핏 환경에서도 추가적인 통신 배선 없이 스마트 조명 제어 시스템을 구축할 수 있도록 하였다. 시스템은 중앙 제어 장치와 구역별 조명 제어 모듈로 구성되며, 각 제어 모듈은 조명 기구의 점등 및 디밍 제어 기능을 수행한다. 중앙 제어 장치는 매장 내 센서 데이터를 수집하고 조명 제어 알고리즘을 기반으로 각 구역의 조명 동작을 결정한다. 구역별 제어 모듈은 중앙 제어 장치로부터 전달되는 제어 신호에 따라 조명 밝기를 조절하거나 점등 상태를 변경한다.

또한 매장 내 사용자 이동 및 환경 정보를 수집하기 위해 PIR(Passive Infrared) 센서와 조도 센서가 함께 설치되었다. Fig. 3은 매장 천장에 설치된 PIR 센서를 보여준다. PIR 센서는 각 구역의 점유 여부를 감지하여 재실 정보를 제공하며, 조도 센서는 주변 밝기를 측정하여 자연광 유입에 따른 조명 밝기 조정을 지원한다. 이러한 센서 정보는 중앙 제어 장치로 전달되어 상황인지 기반 조명 제어에 활용된다.

Fig. 3. Installed PIR sensors for occupancy detection

Fig. 4. Smart lighting installation in the convenience store

Fig. 4는 스마트 조명 시스템이 적용된 매장 내부 조명 환경을 보여준다. 조명 시스템은 매장 전반에 균일하게 설치된 LED 조명기구와 센서 네트워크를 기반으로 구성되며, 센서 정보와 제어 알고리즘을 통해 조명 동작이 자동으로 조정된다.

2.3. 조명 제어 전략 및 운영 시나리오

본 연구에서는 편의점 환경에서의 조명 에너지 절감 효과를 분석하기 위해 총 네 가지 조명 제어 전략을 적용하였다. 각 제어 전략은 조명 제어 수준과 상황인지 정보 활용 정도에 따라 구분된다.

첫 번째는 구역 기반 반응형 제어(Zone-Based Reactive Control) 방식으로, 각 구역의 재실 여부와 주변 조도 정보를 기반으로 조명을 점등하거나 디밍하는 방식이다. 해당 방식은 기존 상업 공간에서 일반적으로 사용되는 재실 기반 조명 제어를 기준 모델로 설정하였다.

두 번째는 상품 중심 조명 제어(Product-Focused Lighting Control) 방식으로, 상품 진열대 주변에서 사용자 접근이 감지될 경우 해당 구역의 조명을 강화하여 상품 가시성을 높이고, 사용자가 떠날 경우 조명을 단계적으로 감소시키는 방식이다.

세 번째는 휴식 구간 적응 제어(Rest-Area Adaptive Control) 방식으로, 사용자의 체류 시간이 상대적으로 긴 공간에서 조명 점등 시간을 확장하여 잦은 조명 점멸로 인한 시각적 불편을 줄이도록 설계하였다.

네 번째는 이동 경로 예측 기반 조명 제어(Trajectory-Based Predictive Control) 방식으로, 사용자의 최근 이동 경로 데이터를 기반으로 다음 이동 구역을 예측하고 해당 구역의 조명을 사전에 점등하는 방식이다. 본 연구에서는 사용자 이동 패턴 예측을 위해 1차 마르코프 체인 기반 이동 예측 모델을 적용하였다.

본 연구에서 적용한 Trajectory Predictive Control은 선행연구^[8]에서 구축된 9개 존 기반 테스트베드 환경을 통해 실제 구현 및 성능 검증이 수행된 예측형 조명 제어 알고리즘을 기반으로 한다.

편의점 실증 환경에서는 약 61일간 사용자 이동 및 재실 데이터를 수집하였으며, 수집된 동일 데이터셋을 기반으로 No Control, Zone-Based Reactive Control, Product-Focused Control, Rest-Adaptive Control 및 Trajectory Predictive Control 전략을 각각 적용하여 에너지 소비 특성을 비교 분석하였다.

각 제어 전략의 에너지 소비량은 동일한 실측 사용자 행동 데이터를 기반으로 독립적으로 산출되었으며, 실제 편의점 공간에서 각 제어 전략을 개별적으로 장기간 운영하여 측정한 결과가 아니라, 수집된 사용자 행동 로그를 입력값으로 활용한 오프라인 재현(replay-based analysis) 결과이다. 따라서 본 연구는 제어 전략별 실제 운영 성능을 직접 비교한 실험이 아니라, 동일한 사용자 이용 조건에서 각 제어 전략의 상대적 에너지 절감 가능성을 평가하기 위한 분석으로 수행되었다.

3.1. 조명 제어 알고리즘 개요

본 연구에서는 편의점과 같은 소형 리테일 공간에서의 조명 에너지 절감을 위해 사용자 행동 정보를 기반으로 한 상황인지 기반 예측형 조명 제어 알고리즘을 적용하였다. 기존의 재실 기반 조명 제어 방식은 센서를 통해 감지된 점유 여부에 따라 조명을 사후적으로 제어하는 구조를 가지며, 사용자의 이동 과정에서 조명 반응 지연이 발생하거나 불필요한 점등이 발생하는 한계를 가진다.

이에 비해 본 연구에서 적용한 제어 알고리즘은 사용자 이동 패턴을 분석하여 향후 이동 가능성이 높은 구역을 사전에 예측하고, 해당 구역의 조명을 선제적으로 제어하는 방식으로 구성된다. 이를 통해 조명 반응 지연을 최소화하고, 실제 공간 이용 패턴에 기반한 효율적인 조명 운영이 가능하도록 하였다.

전체 조명 제어 흐름은 다음과 같다.

센서 데이터 수집 → 사용자 위치 인식 → 이동 패턴 모델링 → 다음 위치 예측 → 조명 제어 수행

이 과정에서 PIR 센서를 통해 수집된 재실 정보와 시간 정보를 기반으로 사용자 위치 상태를 추정하며, 누적된 이동 이력을 활용하여 상태 전이 확률을 계산한다. 이후 예측 결과를 기반으로 각 구역의 조명 밝기 및 점등 상태를 동적으로 결정한다.

3.2. 사용자 이동 패턴 모델링

사용자의 이동 패턴을 모델링하기 위해 본 연구에서는 1차 마르코프 체인(first-order Markov chain) 기반 확률 모델을 적용하였다. 편의점 환경에서는 사용자가 인접 구역으로 순차적으로 이동하는 경향이 강하므로, 현재 상태만으로 다음 상태를 예측하는 1차 모델이 적합하다.

공간은 총 N개의 조명 제어 구역으로 구성되며, 각 구역은 상태(state)로 정의된다. 시간 t에서 사용자의 위치를 Xt라 할 때, 상태 전이 확률은 다음과 같이 정의된다.

여기서

i : 현재 구역

j : 다음 구역

P(i → j) : i에서 j로 이동할 확률

Xt : time t에서의 사용자 위치 상태

t : 데이터 수집 시각 (hour)

Pr : prediction probability (예측 확률)

상태 전이 확률은 편의점 실증 환경에서 수집된 사용자 이동 데이터를 기반으로 계산된다. 본 연구에서는 약 61일간 수집된 사용자 이동 및 재실 로그를 이용하여 상태 전이 확률 행렬을 구축하였다.

여기서

Nij : 구역 i에서 구역 j로 이동한 횟수

Pij : 상태 전이 확률

n : 전체 구역 수

이와 같이 구성된 상태 전이 확률 행렬은 편의점 내 주요 이동 경로 및 이용 패턴을 확률적으로 표현하며, 이후 예측 기반 조명 제어에 활용된다. 구축된 상태 전이 확률 행렬은 동일한 실측 사용자 행동 데이터에 기반하여 각 제어 전략의 에너지 소비량 산정 과정에 활용되었으며, 이를 통해 사용자 행동 조건 차이에 따른 영향을 최소화하였다.

3.3. 예측 기반 조명 제어 로직

예측 기반 조명 제어는 현재 사용자 위치와 상태 전이 확률을 기반으로 다음 이동 구역을 추정하고, 해당 구역의 조명을 사전에 제어하는 방식으로 수행된다.

현재 사용자가 구역 i에 위치할 경우, 다음 이동 구역 j*는 다음과 같이 결정된다.

이는 현재 위치에서 가장 높은 상태 전이 확률을 가지는 구역을 다음 이동 위치로 선택하는 것을 의미한다. 즉, 현재 상태에서 가장 높은 전이 확률을 가지는 구역을 다음 이동 위치로 예측한다. 예측 결과를 기반으로 각 구역의 조명 출력은 다음과 같이 정의된다. 본 연구에서는 예측 구역에 대한 밝기 비율 α를 0.7~0.9 범위로 설정하고, 비활성 구역의 밝기 비율 β는 0.2~0.4 범위로 설정하였다. 해당 파라미터 범위는 선행 테스트베드 연구^[8]에서 수행된 예비 실험 결과를 기반으로 설정하였다. 예비 실험에서는 α 및 β 값 변화에 따른 에너지 소비량과 조명 품질을 비교 분석하여 에너지 절감과 시각적 쾌적성 간의 균형을 확보할 수 있는 범위를 도출하였다. 또한 예측 기반 제어에서의 선제 점등 임계값은 선행연구^[8]의 실험 조건을 고려하여 0.6으로 설정하였다.

여기서

Lj(t) : 시간 t에서 구역 j의 조명 밝기

Lmax : 최대 조명 밝기

α : 예측 구역 밝기 비율 (0<α<1)

β : 비활성 구역 밝기 비율 (0<β<α)

또한 조명 밝기의 급격한 변화로 인한 시각적 불편을 방지하기 위해 단계적 디밍 제어를 적용하였다. 조명 밝기는 일정 시간 간격 Δt마다 점진적으로 변화하도록 설정되며, 이를 통해 사용자 경험을 고려한 자연스러운 조명 전환을 구현하였다.

3.4. 상황인지 기반 조명 제어 통합

본 연구에서는 이동 예측 정보뿐만 아니라 다양한 상황 정보를 통합하여 조명 제어를 수행하였다. 주요 입력 변수는 다음과 같다.

• 재실 정보 Oj (PIR 센서 기반)

• 주변 조도 Dj

• 시간 정보 T

• 상태 전이 확률 Pij

최종 조명 출력은 다음과 같은 함수로 표현할 수 있다.

조명 제어는 다음과 같은 우선순위에 따라 수행된다.

• 재실 여부 판단

• 이동 경로 예측

• 주변 조도 반영

• 조명 출력 결정

특히 재실 정보가 존재하지 않는 구역은 최소 밝기 상태로 유지되며, 일정 시간 이상 점유가 감지되지 않을 경우 조명을 자동으로 소등하도록 설정하였다. 또한 주변 조도가 일정 기준 이상 확보되는 경우에는 조명 밝기를 제한하여 불필요한 에너지 소비를 방지하였다.

3.5. 제어 전략별 적용 방식

본 연구에서는 동일한 알고리즘 구조를 기반으로 네 가지 조명 제어 전략을 정의하고, 각 전략의 에너지 성능을 비교 분석하였다.

• Zone-Based Reactive Control : 재실 정보에 기반하여 해당 구역의 조명을 점등하는 기본 제어 방식으로, 비교 기준(baseline)으로 사용된다.

• Product-Focused Control : 상품 진열 영역에서 사용자 접근이 감지될 경우 해당 구역의 조명 밝기를 우선적으로 증가시키는 방식이다.

• Rest-Adaptive Control : 체류 시간이 긴 구역에 대해 조명 유지 시간을 확장하여 빈번한 점멸을 방지하는 방식이다.

• Trajectory Predictive Control : 마르코프 기반 이동 예측 모델을 활용하여 다음 이동 구역을 사전에 예측하고 조명을 선제적으로 제어하는 방식이다. 본 연구에서는 예측 확률이 일정 임계값 이상인 경우에만 선제적 점등이 수행되도록 하여 불필요한 조명 동작을 방지하였다. Trajectory Predictive Control에서 관찰되는 주기적 변동 패턴은 특정 제어 알고리즘의 인위적 특성보다는 편의점 이용자의 반복적인 방문 패턴과 주요 이동 동선의 반복성에 기인한 것으로 판단된다. 특히 출입구, 상품 진열대 및 계산대 중심의 이동 경로가 반복적으로 나타남에 따라 상태 전이 확률 행렬이 안정적으로 형성되었으며, 이에 따라 예측 기반 제어의 에너지 소비 패턴 또한 유사한 주기를 나타낸 것으로 분석된다.

이 중 Trajectory Predictive Control은 본 연구의 핵심 제어 방식으로, 기존 반응형 조명 제어 방식 대비 높은 에너지 절감 가능성을 제공할 수 있는 방법으로 평가된다. 본 연구에서는 예측 확률이 임계값 0.6 이상인 경우에만 선제적 점등이 수행되도록 설정하여 불필요한 조명 동작을 방지하였다.

본 연구에서는 동일한 실측 사용자 행동 데이터를 기반으로 각 제어 전략을 독립적으로 적용하여 에너지 소비량을 산출하였다. 이를 통해 사용자 행동 조건의 차이에 따른 영향을 최소화하고 제어 전략 자체의 상대적 성능을 비교할 수 있도록 하였다.

4.1. 실험 개요 및 데이터 구성

본 연구에서의 무제어(No Control) 조건은 편의점의 상품 진열 특성을 고려하여 모든 조명기구가 24시간 100% 출력으로 유지되는 기준 시나리오로 설정하였다. 따라서 무제어 조건의 조명 에너지 소비는 시간대 및 일자에 관계없이 일정한 값으로 출력되었다.

본 연구에서는 제안한 상황인지 기반 예측형 조명 제어 알고리즘의 에너지 절감 성능을 평가하기 위해 편의점 실증 환경에서 약 61일간(2024년 11월 15일 ~ 2025년 1월 15일)의 조명 에너지 데이터를 분석하였다.

실증 기간 동안 편의점 내 사용자 이동 및 재실 데이터를 지속적으로 수집하였으며, 수집된 동일 데이터셋을 기반으로 각 조명 제어 전략을 독립적으로 적용하였다. 에너지 소비량은 실측 사용자 행동 데이터를 입력값으로 사용하여 No Control, Zone-Based Reactive Control, Product-Focused Control, Rest-Adaptive Control 및 Trajectory Predictive Control 조건을 각각 재현하는 오프라인 재현 분석(replay-based analysis) 절차를 통해 산출하였다. 따라서 제어 전략 간 비교는 동일한 사용자 행동 조건에서 수행되었으며, 사용자 이용 패턴 차이에 따른 영향을 최소화하였다.

본 연구에서는 각 제어 전략에 대해 동일한 사용자 행동 로그를 입력값으로 적용하여 시간별 조명 점등 상태 및 디밍 수준을 계산하였다. 이후 각 조명기구의 정격 소비전력(W)과 제어 알고리즘에 의해 결정된 출력 비율을 반영하여 시간 단위 소비전력을 산출하였으며, 이를 누적하여 일일 조명 에너지 소비량(kWh/day)을 계산하였다. 따라서 본 연구에서 제시한 에너지 소비량 및 절감률은 실제 현장에서 각 제어 전략을 독립적으로 운영하여 측정한 결과가 아니라, 동일한 실측 사용자 행동 데이터를 기반으로 수행한 오프라인 재현(replay-based analysis) 결과에 해당한다. 본 연구의 결과는 실제 운영 환경에서 측정된 에너지 소비량이 아니라, 동일한 사용자 행동 데이터를 기반으로 각 제어 전략을 적용하였을 경우의 예상 에너지 소비량을 산출한 결과이다. 실험은 동일한 매장 환경에서 수행되었으며, 조명 제어 전략에 따른 에너지 소비 특성을 비교하기 위해 다음과 같은 네 가지 제어 방식을 적용하였다.

• Zone-Based Reactive Control

• Product-Focused Control

• Rest-Adaptive Control

• Trajectory Predictive Control

또한 비교 기준으로 무제어(No Control) 상태를 함께 설정하여 각 제어 전략의 절감 효과를 정량적으로 분석하였다. 조명 에너지 소비량은 시간 단위로 수집 및 계산되었으며, 이를 기반으로 시간대별 소비 패턴과 일일 총 에너지 소비량을 분석하였다. 본 분석은 동일한 실측 사용자 행동 데이터를 기반으로 수행되었으므로, 제어 전략 간 비교는 사용자 이용 조건의 영향을 배제한 상태에서 이루어졌다. 따라서 본 연구의 결과는 동일한 편의점 이용 패턴에 대해 각 조명 제어 전략의 상대적 에너지 성능을 비교·평가한 결과로 해석할 수 있다.

본 연구에서 산출된 에너지 소비량은 실제 측정값이 아닌 계산값(calculated energy consumption)이며, 각 제어 전략 적용 시 예상되는 상대적 에너지 성능을 평가하기 위한 지표로 활용하였다.

4.2. 시간대별 조명 에너지 소비 특성

Fig. 5. Average hourly lighting energy consumption patterns for different control strategies

Fig. 5는 실험 기간 동안의 평균 시간대별 조명 에너지 소비 패턴을 나타낸다. 무제어 조건에서는 일정한 에너지 소비가 유지되는 반면, 제어 전략 적용 시 사용자 이용 패턴에 따라 시간대별 변동이 나타난다. 고객 이용이 증가하는 주간 및 저녁 시간대에는 상대적으로 높은 조명 사용 패턴이 나타났으며, 심야 시간대에는 재실 빈도 감소에 따라 에너지 소비가 감소하는 경향을 보였다. 모든 제어 전략에서 공통적으로 무제어(No Control) 대비 에너지 소비가 감소하는 경향을 보였으며, 특히 Trajectory Predictive Control 방식이 전 시간대에서 가장 낮은 에너지 소비가 예측되었다. 이는 사용자 이동 경로를 사전에 예측하여 불필요한 조명 점등을 최소화하고, 필요한 구역에만 조명을 집중적으로 제공한 결과로 판단된다.

4.3. 일일 조명 에너지 소비 특성

Fig. 6. Daily lighting energy consumption comparison for different control strategies

Fig. 6은 실험 기간 동안 제어 전략별 일일 조명 에너지 소비량 변화를 나타낸다. 무제어(No Control) 조건에서는 모든 조명기구가 24시간 100% 출력으로 유지되기 때문에 기간 전체에 걸쳐 일정한 에너지 소비 패턴을 보인다. 반면, 제어 전략이 적용된 경우에는 사용자 이용 패턴 및 조명 제어 방식에 따라 일일 에너지 소비량에 변동이 발생하는 것을 확인할 수 있다. Zone-Based Reactive Control은 재실 기반 제어 특성에 따라 일정 수준의 에너지 절감을 유지하면서도 비교적 완만한 변동 패턴을 보인다. Product-Focused Control은 특정 시간대의 상품 진열 영역 중심 조명 강화로 인해 일부 기간에서 에너지 소비가 증가하는 경향을 보이며, Rest-Adaptive Control은 체류 시간 기반 제어 특성으로 인해 비교적 안정적인 에너지 소비 패턴을 나타낸다.

특히 Trajectory Predictive Control은 전체 기간에 걸쳐 가장 낮은 에너지 소비 수준을 유지하며, 사용자 이동 경로를 사전에 예측하여 불필요한 조명 점등을 최소화한 결과로 판단된다. 이러한 결과는 예측 기반 조명 제어 방식이 기존 반응형 제어 방식 대비 우수한 에너지 절감 가능성을 보여준다.

Trajectory Predictive Control에서 관찰되는 주기적 에너지 소비 패턴은 특정 제어 알고리즘의 특성에 의한 결과라기보다 편의점 이용자의 반복적인 방문 특성과 이동 동선의 반복성에 기인한 것으로 판단된다. 특히 출입구, 상품 진열 구역 및 계산대 중심의 이동 경로가 반복적으로 나타남에 따라 상태 전이 확률 행렬이 안정적으로 형성되었으며, 이에 따라 예측 기반 조명 제어의 에너지 소비 패턴 또한 유사한 주기를 나타낸 것으로 분석된다. 다만 실제 에너지 절감 효과는 공간 구성, 조명기구 배치, 사용자 체류 시간 및 이동 특성에 따라 달라질 수 있으며, 향후 다양한 상업 공간을 대상으로 추가 검증이 필요하다.

4.4. 조명 에너지 절감 효과 예측 분석

본 연구에서는 각 조명 제어 전략 적용 시 예상되는 에너지 절감 효과를 정량적으로 평가하기 위해 무제어(No Control) 조건 대비 에너지 절감률을 산정하였다. 절감률은 다음과 같이 정의된다.

여기서 Ebaseline은 무제어 조건에서의 평균 일일 조명 에너지 소비량을 의미하며, Econtrol은 각 제어 전략 적용 시의 평균 일일 에너지 소비량을 의미한다.

Table 2는 제어 전략별 평균 일일 조명 에너지 소비량 및 절감률을 나타낸다. 무제어 조건에서의 평균 에너지 소비량은 약 18.2 kWh/day로 나타났으며, 모든 제어 전략에서 에너지 소비 감소 효과가 확인되었다.

Zone-Based Reactive Control 적용 시 약 29.7%의 에너지 절감이 예상되었고, 재실 기반 조명 제어만으로도 일정 수준의 에너지 절감이 가능함을 확인하였다.

다음으로 Product-Focused Control 적용 시 약 36.3%의 에너지 절감이 예상되었고, 상품 진열 중심의 조명 최적화를 통해 추가적인 절감 효과를 확보할 수 있음을 보여준다.

세 번째로, Rest-Adaptive Control 적용 시 약 31.9%의 에너지 절감이 예상되었고, 체류 시간 기반 조명 유지 전략이 에너지 절감과 사용자 편의성 간의 균형을 제공하는 것으로 나타났다. 특히 Trajectory Predictive Control 적용 시 약 39.0%의 에너지 절감이 예상되었으며, 비교 대상 전략 중 가장 높은 절감 효과가 계산되었다. 이는 사용자 이동 경로를 사전에 예측하여 필요한 구역에만 조명을 선제적으로 제공하고, 불필요한 점등을 최소화한 결과로 판단된다. 이러한 결과는 단순 재실 기반 제어를 넘어 사용자 행동 패턴을 고려한 예측형 조명 제어가 상업 공간에서의 에너지 절감에 효과적인 접근 방식임을 시사한다.

본 연구 결과는 예측 기반 조명 제어가 차세대 에너지 효율형 리테일 환경 구축을 위한 유망한 기술임을 보여준다. 이는 동일한 사용자 행동 데이터 조건에서 비교한 결과로, 예측 기반 제어가 단순 재실 기반 제어보다 공간 활용 패턴을 보다 효과적으로 반영할 수 있음을 의미한다. 또한 예측 기반 제어는 추가적인 센서 설치 없이 기존 사용자 이동 데이터를 활용할 수 있다는 점에서 상업 공간 리트로핏 환경에 적용 가능성이 높은 것으로 판단된다.

5.1. 연구 결과 요약

약 61일간 수집된 실측 사용자 행동 데이터를 기반으로 수행한 분석 결과, 제안한 조명 제어 전략은 다음과 같은 주요 성과를 나타내었다.

• 에너지 절감 성능 : Trajectory Predictive Control 적용 시 무제어 조건(18.2kWh/day) 대비 약 39.0% 수준의 에너지 절감이 예상되었으며, 평균 일일 조명 에너지 소비량은 약 11.1 kWh/day 수준으로 감소할 것으로 예측되었다.

• 제어 전략별 특성 차별화 : Zone-Based, Product-Focused, Rest-Adaptive 제어 방식은 각각 재실 기반, 상품 중심, 체류 시간 기반 특성을 반영한 상이한 에너지 소비 패턴을 나타내었다.

• 시간대 기반 에너지 최적화 : 평균 시간대별 분석 결과, 예측 기반 제어는 사용자 이동이 발생하기 이전에 조명을 선제적으로 제어함으로써 불필요한 점등을 효과적으로 감소시켰다.

• 실증 환경 적용 가능성 : 기존 전력선을 활용한 CPLC 기반 시스템에서도 예측형 조명 제어 알고리즘이 안정적으로 동작함을 확인하였다.

이러한 결과는 편의점과 같이 사용자 이동이 빈번하고 체류 시간이 짧은 공간에서 예측형 조명 제어가 에너지 효율 향상에 효과적인 접근 방식임을 보여준다.

5.2. 연구의 한계

본 연구는 실제 상업 공간을 기반으로 수행되었으나, 다음과 같은 한계를 가진다.

• 데이터 일반화 한계 : 본 연구는 단일 편의점 매장을 대상으로 수행되었으며, 매장 규모 및 이용 패턴에 따라 결과가 달라질 수 있다.

• 사용자 행동 단순화 : 사용자 이동 패턴은 확률 기반 모델로 단순화되었으며, 비정형 행동이나 돌발 상황에 대한 반영에는 한계가 있다.

• 제어 파라미터 설정 : 조명 밝기 비율(α, β) 및 예측 임계값 설정은 경험적 기준에 기반하고 있어 환경별 최적화가 추가적으로 필요하다.

• 다중 사용자 환경 미반영 : 실제 상업 공간에서는 복수 사용자가 동시에 존재하지만, 본 연구에서는 단일 사용자 이동 패턴 중심으로 분석이 수행되었다.

• 오프라인 재현 기반 분석의 한계 : 본 연구의 에너지 성능 평가는 동일한 실측 사용자 행동 데이터를 기반으로 수행된 오프라인 재현 분석 결과이며, 실제 운영 환경에서 각 제어 전략을 장기간 독립적으로 운영한 결과와는 차이가 있을 수 있다.

5.3. 향후 연구 방향

향후 연구에서는 다음과 같은 방향으로 확장이 필요하다.

• 적응형 예측 모델 고도화 : 시간대, 요일, 사용자 유형 등을 반영한 동적 상태 전이 모델을 도입하여 예측 정확도를 향상시킬 필요가 있다.

• 다중 사용자 기반 제어 : 복수 사용자 환경에서의 이동 패턴 충돌 및 상호작용을 고려한 제어 알고리즘 개발이 요구된다.

• 하이브리드 제어 전략 : 예측 기반 제어와 재실 기반 제어를 결합한 하이브리드 제어 구조를 통해 안정성과 효율성을 동시에 확보할 수 있다.

• 실시간 학습 기반 시스템 : 온라인 학습을 통해 사용자 패턴 변화에 적응하는 지능형 조명 제어 시스템으로의 확장이 필요하다.

• 대규모 공간 확장성 검증 : 대형 상업시설 및 복합 건축물 환경에서의 적용 가능성에 대한 추가 검증이 요구된다.

• 실환경 장기 운영 검증 : 향후에는 각 조명 제어 전략을 실제 운영 환경에서 독립적으로 적용하여 장기간 운영 성능과 사용자 만족도를 검증할 필요가 있다.

5.4. 실용적 시사점

본 연구는 편의점과 같은 소형 상업 공간에서 조명 제어 전략에 따른 에너지 절감 효과를 예측·분석함으로써, 실제 적용 가능한 스마트 조명 시스템 설계 기준을 제시하였다. 특히 예측 기반 조명 제어는 약 39% 수준의 조명 에너지 절감 가능성을 확인하였으며, 이는 소형 리테일 공간의 운영비 절감과 에너지 관리 효율 향상에 기여할 수 있음을 보여준다.

이러한 결과는 리트로핏 환경에서도 추가 배선 없이 적용 가능한 CPLC 기반 조명 제어 시스템과 결합될 경우, 초기 투자 비용 대비 높은 에너지 절감 효과를 기대할 수 있음을 시사한다. 또한 본 연구는 스마트 조명 제어 기술이 편의점, 소형 리테일 매장 등 다양한 상업 공간에 적용 가능한 실질적인 에너지 관리 솔루션이 될 수 있음을 보여주며, 향후 스마트 빌딩 및 지능형 에너지 관리 시스템(Intelligent Energy Management System)의 핵심 요소 기술로 활용될 수 있는 가능성을 제시한다.