1.1 연구의 배경

탄소배출 및 에너지 문제가 세계 대도시의 주요 문제로 대두됨으로서 건축을 비롯한 도시 개발과 재생사업에서도 에너지 절감 및 탄소배출에 대한 인식이 높아진지 오래되었다. 지난 2015년 파리 신기후 체제 출범에 따라 세계 각국은 기존 교토의정서 때와는 다르게 각 국가별 감축목표를 스스로 제시해야할 뿐 아니라 대상범위가 확대되고 감축량의 설정목표도 적극적으로 제시되어야 한다. 이에 따라 단일건물에서 타운, 도시, 지역단위까지 점차적으로 확대 적용할 수 있는 적용대상별 전략이 필요하고 대상에 맞는 실질적이고 구체적인 대책마련이 시급하다고 할 수 있다. 건물분야의 정부 정책으로 2015년 11월 23일 발표한 2030년 에너지 신산업 확산전략에 따르면 2025년부터는 국내 신축되는 모든 건물은‘제로에너지 빌딩’으로 건축되어야 한다고 발표했다.

정부가 제시한 제로에너지 타운의 정의는 건물의 에너지 최적화 설계와 관리․운영을 통해서 총 에너지 소비를 절감을 시키고, 도시에서 생산할 수 있는 신재생에너지, ESS(Energy Storage System) 등의 구축확대로 소비의 양과 생산하는 에너지양이 균형을 이루는 도시를 말한다. 우리나라는 가정, 상업, 공공․기타를 합한 건물 부문의 2015년 기준 에너지 소비 비중이 산업 부문에 비해서는 낮으며 2035년까지의 부문별 소비량 전망에서도 산업 부문에 비해 낮은 소비 비중을 차지 할 것으로 예상된다. 그러나 국가경제의 주요생산 활동과 밀접하게 관련되어 있는 산업 부문의 에너지 소비를 줄이는 데에는 한계가 있기 때문에, 건물 부문의 에너지 및 온실가스 감축의 중요성은 매우 크다고 할 수 있다.⁽¹⁾ 이에 정부는 건물에너지 절약의 중요성을 인식하고 2000년 이후 건물의 에너지효율성 제고와 소비량 절감을 위한 정책들을 활발히 시행하고 있다. 그럼에도 불구하고 상업․공공부문의 에너지 소비가 증가하고 있고, 2000년대 초반 이후 국제유가 급등의 영향으로 전기요금이 상대적으로 저렴해짐에 따라 상업․공공 부문의 전력 소비가 빠르게 증가하게 되었다. 이에 건물 부문의 에너지 절약 및 효율 정책을 강화하고 재정비하는 것이 필요한 시점이다. 이를 위해서는 무엇보다도 건물 부문을 대상으로 시행되고 있는 에너지 절약․효율 정책에 대한 분석이 우선적으로 이루어져야 한다. 하지만, 안타깝게도 건물 대상 에너지 절약․효율 정책의 효과 분석을 위한 상세한 자료는 부재한 상황이다. 또한 관련 자료 및 DB 구축의 필요성이 지속적으로 제기되어 왔음에도 불구하고 아직까지도 정책 분석에 적합한 자료조사 및 DB 구축을 위한 노력은 시작 단계에 불과한 실정이다. 지난 정부 때 시행한 정부 3.0은 공공정보를 적극적으로 개방․공유하고, 부처 간 칸막이를 없애고 소통․협력함으로써 투명하고 효율적인 정부를 구현하기 위해 마련한 제도이다. 이를 통해 국민 맞춤형 서비스를 제공함과 동시에 새로운 부가가치 및 일자리 창출과 창조경제를 지원하는 지난 정부운영 패러다임 중에 하나였다. 정부차원에서의 노력에도 불구하고 여전히 공공 데이터의 축척-개인정보 노출에 대한 불안감, 부처 간 협업의 어려움 등으로 정부 3.0의 목적과 시행의도대로 활발히 진행 되지 못하고 있는 실정이다.

1.2 연구의 목적

본 연구의 목적은 정부의 노력으로 모아진 건물과 관련된 여러 종류의 데이터를 상세함과 내용에 따라 분류 시킨 후 다변수 매트릭스⁽²⁾를 이용하여 단계별 건물데이터를 조합하고, 조합된 데이터의 의미를 적용대상별로 살펴보고자 한다. 각 적용대상별(도시부터 단일건물까지)로 도출된 데이터의 의미를 정의내리고 조합에 따라 방법론을 구분시키면 도시단위의 거시적인 관점에서부터 미시적 건물에너지 절감의 실질적인 대안 제시가 가능하다. 또한 기존에 공개된 건물데이터와 관련해서 건물정보, 에너지 정보, 경제(부동산)정보 등을 필요한 목적에 따라 추출할 수 있는 건물에너지 데이터 맵(테이블)을 구축할 수 있다. 데이터를 목적에 따라 각 카테고리별 취득할 수 있도록 분류하고 건물에너지 사용 절감을 위한 유의미한 데이터의 활용방안의 적용대상별 사례를 제시하고자 한다.

3.1 건물에너지 소비 영향 인자(Building Energy Influential Factors 이하 BEIF)

Table 1은 건물에너지 소비에 영향을 주는 인자를 1~7까지 분류하고 정의한 표이다. BEIF 1~4는 독립적 으로 정보 활용 가능성이 높은 기본정보 군으로 분류되며, 5~7은 기본 정보(BEIF 1~4)에 의한 추정도 가능 하지만 BEIF 1~4의 자체적으로 조합된 정보 및 추가된 변수로 인해 보다 정확하고 가치가 높은 정보로 판단하고 이용할 수 있는 정보 군이다.

3.2 BEIF 조합

일반적인 데이터의 질(Data Quality)을 결정하는 6가지 특징은 다음과 같다. 정확도(Accuracy), 유효성(Validity), 신뢰성(Reliability), 적시성(Timeliness), 타당성(Relevance), 완결성(Completeness)으로 구분할 수 있다. Table 1은 1~7개의 데이터에는 위에 언급한 6가지 데이터의 특징이 포함되어 있고, 이 중에서도 건물에너지 데이터의 중요도를 가늠하는 것으로는 시간에 따른 에너지 소비와의 연관성을 봤을 때 적시성이 중요하다고 할 수 있다. 대부분 건물로부터 도출되는 데이터는 정확도, 유효성, 신뢰성, 타당성, 완결성 등 5개의 속성은 갖췄다고 판단 할 수 있으나, 사용되는 데이터의 대부분은 한 달 전, 6개월 전, 길게는 완공직후의 데이터들로서 엔지니어링적인 분석은 가능할 수 있으나 적시성이 제외된 실시간 에너지 관리방안을 수립하기에 부족하다고 판단된다. Table 1의 건물에너지 사용에 영향을 주는 인자들의 속성을 데이터의 레벨에 따라 분류할 경우 Fig. 4와 같은 건물에너지 데이터 맵(Building Energy Data Map)이 형성된다. Fig. 4의 세로축은 건물의 영향을 주는 요인을 순서대로 나열한 것이며, 가로축은 2개 이상의 데이터가 조합이 되었을 때 새로운 데이터로 축척되며 또 다른 정보로 읽히게 되는 결과를 낳게 된다. 이를 Data의 Order 혹은 Level이라고 칭한다.⁽⁶⁾

3.3 적용대상별 사례

4.1 BEIF Map 결과 및 활용방안

Fig. 8은 앞서 설명한 First Order Data, Second Order Data, Third Order Data의 각 단계에서 예상되는 최종결과물이다. First Order Data의 첫 번째 그림은 서울시 25개 자치구의 비주거용도 83,000개의(전처리 과정에서 이상치 데이터 건물 제외)정보를 다변수 매트릭스로 적용하여 매핑한 결과이고 이를 지역별로 단위면적당 에너지 소비별로 구분하였을 때 에너지 효율등급을 2등급씩 상향 조절을 가정하였을 때의(Fig. 5의 우측하단) 면적당 에너지 절감비용과 온실가스 절감에 대한 결과를 보여주고 있다. Fig. 8의 첫 번째 막대그래프에서는 2등급 상향 시 에너지 절감 가능성을 비용으로 환산한 결과이다. 절감 비용이 높은 순으로는 강남구, 노원구, 서초구의 순이며, 전체 25개 자치구의 총합은 2016년 기준 약 1조 8,400억 원이 절감 가능한 비용으로 나타난다. 두 번째 막대그래프는 같은 조건이었을 때(에너지 효율 2등급 상향) 온실가스 감축량을 환산한 결과이고 서울시에서만 3,000만 tCO_2-eq를 절감을 예상할 수 있다. 온실가스 절감 량 기준으로는 용산구, 강남구, 서초구의 순서이며 이것은 앞서 에너지 절감 비용의 지역순위와 다소 차이를 나타내는데, 이것은 1차 에너지 환산 계수의 차이에서 반영이 다르고 주요 건물에너지 열원(전기, 가스 등)의 온실가스 배출량이 다름에서 오는 차이이다. Fig. 8의 Second Order Data의 결과물은 우리나라 공기업(K)의 12개 지역본부 중 세 곳(서울본부, 경기본부, 경남본부)에서 한 해 동안(2014년) 사용한 건물에너지를 냉·난방, 기저, 조명 에너지의 소비패턴으로 도출한 결과이다. BEIF 1~4 및 BEIF 5 즉 재실 운영과 관련한 데이터를 조합하게 되면 각 대상건물의 계절별 주요 에너지(냉방, 난방, 기저, 조명)소비의 경향을 파악할 수 있다. 서울, 경기, 경남 모두 겨울철 에너지 소비가 크며 재실과 관계없이 사용 되는 기저에너지의 소비가 큰 것으로 파악된다. 그 외 조명에너지 경우에서도 외기온에 따라 조명에너지 소비가 달라지는 패턴을 볼 수 있다. 특히 Fig. 8 가운데 열 경기본부의 경우, 겨울철 에너지 소비에서 그룹핑 되는 패턴이 보이고 경남본부의 경우 여름철 에너지 소비에서 그룹핑 패턴 및 여름철 높은 온도대의 산발적인 냉방 에너지의 소비가 나타나는 경향이 보인다. 이와 같은 방법으로 전국에 걸친 총 12개의 건물에너지 소비 패턴을 Fig. 8과 같이 냉난방, 조명, 기저에너지 및 각 에너지 소비의 경향별로 파악할 수 있고 이 결과에 따라 중․장기적 에너지 절감 전략을 도입하여 우선적으로 에너지 절감을 시행해야 되는 건물을 선정할 수 있다. Fig. 8의 Third Order Data의 결과물은 대상건물(서울본부)에서 도출된 모든 히스토리 데이터를 기반으로 지도학습-비지도 학습의 알고리즘을 적용하여 에너지 소비 패턴에서 공통적-유사인자를 추출한 결과물을 나타냈다. 즉, 에너지 소비에 영향을 주는 환경변수, 에너지변수, 운영과 관련된 변수들 중에 유사한 속성의 데이터 군집을 만들어주는 알고리즘(DBSCAN, K-means)을 사용하여 특정한 에너지 소비패턴(Second Order Data)의 결과가 (x)변수로 인해 이뤄졌음을 판단할 수 있게 된다. 다시 말하자면, Second Order Data는 에너지 패턴만 알 수 있었다면 Third Order Data의 방법론으로 그 패턴 안에 어떠한 변수로 인해 에너지가 소비되었는지 구체적 결과가 도출 되는 것이다. Fig. 8의 우측 두 번째 그림은 밀도가 높은 데이터끼리 군집시키는 알고리즘(DBSCAN)을 사용하여 6개의 군집을 형성한 결과이다. 에너지 다소비 군집 2개를 선정하여 다소비 군집에서의 중요변수를 추출하는 과정을 거치면 대상건물의 에너지 다소비 군집에 영향을 주는 주요 변수를 도출하게 된다. 이 과정을 거친 대상건물의 에너지 소비는 난방에너지와 중간기 에너지변수에 의해 소비됨을 알 수 있었다. 기계학습 알고리즘 중 클러스터링 코딩(K-means)을 대상건물에 적용하였을 때 겨울철의 에너지 소비 외에도 조명에너지의 변수가 에너지 소비에서 중요변수로 도출됨을 알 수 있었다. Fig. 8의 내용을 요약하자면, 1) First Order Data의 환경정보, 에너지 정보, 건물 정보들을 분석자의 목적에 맞게 입력 및 제거 하게 되면 에너지 다소비 건물의 랭킹, 절감률, 지역별 비교할 수 있는 정보가 제공되지만 구체적인 절감 안을 도출하기에는 한계가 있다. 2) 반면 Second Order Data에 경우에는 건물 에너지정보와 재실 운영의 정보를 조합한 결과로 여름철 겨울철의 에너지 소비패턴을 파악할 수 있고 냉난방기의 가동시점 및 이웃건물과의 비교를 통해 구체적으로 어느 기간의 에너지 소비가 심각한지의 여부를 알 수 있다. 하지만 특정 기간의 어떠한 변수로 인한 소비인지는 알 수 없는 한계가 있다. 3) 마지막으로 Third Order Data에서는 에너지 소비에 영향을 주는 BEIF 1~7까지 구성된 데이터를 가지고 클러스터링 알고리즘을 사용하게 되면 에너지 다소비 기간(특정기간동안)에너지 소비에 영향을 주는 변수가 무엇인지 밝혀주는 결과를 갖게 되었다.

4.2 기대효과

본 연구는 정부의 노력으로 모아진 건물과 관련된 여러 종류의 데이터를 그 데이터의 상세함과 내용에 따라 단계별로 조합시키고 다변수 매트릭스를 이용하여 데이터를 조합하였을 때 거시적인 관점에서부터(도시단위 건물분야 에너지 절감 비용) 미시적 관점의 건물에너지 절감의 실질적인 대안(대상건물의 에너지 소비의 주요 인자 도출)을 제시하였다. 건물의 에너지 절감 측면에서 연구 분야에서 이뤄지는 엔지니어링 방법론을 활용한 분석법 및 절감 방안은 방법론은 사용자에 따른 결과 값이 변동이 심하고 절감 방안을 적용하는 대상에도 그 한계성이 있어왔다. 건물의 에너지 소비에 대한 인식이 높아짐에 따라 그 방법론과 해결책도 다양해지고 있지만, 모든 대상에 같은 방법론을 적용할 수 없고 규모와 데이터의 속성에 맞는 절감 안과 해결책이 제시되어야 한다고 판단된다.