2.1 실물센서로 구성된 센서네트워크

건물에너지시스템의 센서네트워크에서는 온도, 압력, 습도 등에 대한 실물센서 측정값과 장치 또는 액츄에이터(Actuator)의 제어 피드백 값 등의 정보가 수집된다. 이러한 데이터는 실시간으로 수집 및 저장되어 건물에너지시스템 제어, 커미셔닝(Commissioning), 실시간 모니터링, 운전패턴 분석 등의 목적으로 활용된다. 하지만, 실물센서로 이루어진 센서네트워크는 1) 데이터의 불확실성, 2) 센싱 범위, 3) 활용 범위에 대한 한계점이 있다. 첫째로, 실물센서는 센서 자체에 문제가 발생하거나 주변 환경에 의해 센서가 영향을 받아, 측정값이 불확실할 수 있는 문제가 있다.⁽⁶⁾ 이는 센싱값을 기반으로 구축된 상위레벨 기술들에 악영향을 주며 전체적인 건물에너지시스템의 성능을 하락시킬 수 있다. 두 번째로, 실물센서는 비용적 또는 구조적 이유로 설치할 수 있는 개수가 한정적이다. 즉, 센서네트워크에서 측정하는 정보가 한정적이라는 것을 의미한다.^(7,8) 이는 시스템 고도화에 따라 더욱 많은 정보가 요구되는 최신 건물에너지시스템에서 치명적인 한계점이다. 세 번째로, 실물센서로 이루어진 센서네트워크는 현재 시점의 데이터만을 계측하는 모니터링의 성격이 강하기 때문에 활용 범위에 대한 한계가 존재한다. 예를 들어, 센서네트워크의 이상 검출 및 진단(Fault detection and diagnosis)과^(9,10) 변수 예측(Prediction) 등의 기술은 실물센서가 제공하는 모니터링 기능만으로는 구현이 어렵다.

2.2 가상센서와 센서네트워크

가상센서(Virtual sensor)는 건물에너지시스템에서 생성되는 다양한 정보를 기반으로 실물센서로 측정하기 어렵거나 불가능한 값을 측정하는 소프트웨어적인 모델이다.⁽¹⁾ 최신 연구들에서는 가상센서를 건물에너지시스템에 적용하여 앞서 언급된 실물센서네트워크의 한계점을 극복하고, 센서네트워크에서 생성된 데이터를 더욱 적극적으로 활용하는 방법들이 연구되고 있다. Fig. 1은 기반 정보, 모델링 방법, 모델 출력, 활용범위에 따라 가상센서를 체계화한 도식을 나타낸다. Fig. 1(a)에 표현된 바와 같이 가상센서는 기반 정보로 설계정보, 실물센서의 측정값, 장치 사양, 하위 가상센서의 출력, 도메인 지식 등을 활용한다. 이러한 정보를 바탕으로 가상센서는 물리모델 기반 방식(Physical model-driven), 데이터 기반 방식(Data-driven), 그리고 앞선 두 형태가 혼합된 그레이박스 방식(Grey-box)으로 모델링 될 수 있다(Fig. 1(b)). 가상센서의 출력 변수는 Fig. 1(c)와 같이 모델의 적용 레벨(Application level)과 적용 목적(Application purpose)에 따라 분류할 수 있다. 가상센서는 출력의 레벨에 따라 변수 레벨(Variable-level), 장치 및 요소 레벨(Equipment/component-level), 시스템 레벨(System-level), 건물 레벨(Building-level)로 분류된다. 예를 들어 가상센서 모델이 단일 변수를 출력한다면 변수 레벨로 볼 수 있고, 대상 시스템 내 여러 변수를 출력한다면 시스템 레벨로 볼 수 있다. 가상센서의 적용 목적은 Fig. 1(c)와 같이 1) 백업 및 대체^(7,8), 2) 관측⁽¹¹⁾, 3) 예측⁽¹²⁾, 4) 보조로⁽¹³⁾ 나누어진다. 백업 및 대체 목적의 가상센서는 설치된 실물센서의 중복(Redundancy) 센서 개념으로 대상 실물센서에 대한 백업, 또는 유사시 실물센서 대체를 위해 구축된다. 관측 목적의 가상센서는 실물센서가 부재한 위치의 변수를 측정하거나, 단일의 실물센서로 측정되기 어려운 상태정보, 성능지표 등을 관측하기 위한 센서이다. 예측 목적의 가상센서는 특정 변수의 미래 거동을 예측하며, 보조 목적 가상센서는 변수 측정 또는 예측의 목적이 아닌 상위 가상센서를 위한 입력변수로의 활용을 목적으로 한다. 이와 같이 가상센서는 다양한 정보와 모델링 방법으로 구축되어 센서 네트워크의 계측 정확도를 높히고, 센싱 범위와 활용 범위를 확장하기 위해 사용된다(Fig. 1(d)).

2.3 백업 가상센서의 중요성

3.1 센서네트워크 시계열 데이터의 계측주기

시계열 데이터의 계측주기는 데이터가 수집되는 시점 사이의 시간 간격을 의미한다. 건물에너지시스템 센서네트워크에서 출력되는 시스템 변수들은 센서의 측정값, 장치의 제어 입력(Control input), 제어 출력(Control output) 등으로 이루어져 있다. 이와 같은 변수들은 특정 시점의 타임스탬프(Timestamp) 데이터를 측정하거나 일정 기간의 평균값 또는 누적값을 측정하는 등 다양한 측정 특성을 갖는다. 또한, 같은 타임스탬프 방식이더라도 데이터의 계측주기가 1초, 1분, 1시간과 같이 다를 수 있다. 이러한 특징은 측정 시계열 데이터의 시간 해상도(Temporal resolution) 차이를 발생시킨다. 데이터의 해상도 측면에서 계측주기가 짧은 데이터는 높은 시간 해상도(High-temporal-resolution)로 볼 수 있으며, 반대로 계측주기가 긴 데이터는 낮은 시간 해상도(Low-temporal-resolution)로 볼 수 있다. 일반적으로 같은 패키지(Package) 시스템 또는 장치에서 측정되는 변수들에서는 계측주기의 차이가 거의 발생하지 않는다. 이는 패키지 시스템에서는 같은 시간 단위로 변수를 계측하여 제어 및 모니터링을 수행하기 때문이다. 하지만 건물 전체 범위에 설치된 대규모 시스템의 경우, 시스템 구역마다 데이터의 계측주기가 다를 수 있다. 예를 들어, 기계실부터 개별 세대까지 연결된 건물에너지시스템에서, 기계실과 개별 세대의 데이터 계측주기는 다를 수 있다. 이는 수집된 데이터들의 시계열 차이로 나타난다.

3.2 가상센서 구축에서의 데이터 계측주기

가상센서 모델의 입력변수로 다양한 시스템 변수를 활용하면 변수 간 수학적/물리적 관계가 잘 학습된 좋은 성능의 가상센서를 구축할 수 있다. 하지만, 가상센서 모델링에 사용하고자 하는 데이터가 서로 다른 계측주기로 측정되는 경우, 동일 시계열로의 종합이 어렵다. 따라서 데이터 간 계측주기를 일치시키는 과정이 요구된다. 데이터의 계측주기를 일치시키는 방법에는 다음과 같은 두 가지 방법이 있다. 첫 번째는 비교적 짧은 계측주기를 가진 데이터를 긴 계측주기 데이터로 업스케일링(Upscaling)하는 것이고, 두 번째는 긴 계측주기를 가진 데이터를 짧은 계측주기 데이터로 다운스케일링(Downscaling)하는 것이다(Fig. 2). 여기서 스케일(scale)은 데이터 시계열 단위의 위계를 의미하며 상위(Upper) 스케일부터, 년, 월, 일, 시간, 분, 등으로 볼 수 있다. 하지만, 데이터 업스케일링 방법은 1) 기존 데이터가 가진 정보를 소실시키고, 2) 데이터 개수(양)를 축소시키는 문제가 있다. 1분 주기의 데이터를 1시간 주기 데이터로 업스케일링하는 경우를 예로 들면, 1분 간격으로 표현된 시스템의 운전상태와 변수 간 관계에 대한 정보는 1시간 데이터에서 희석될 수 있으며, 데이터의 양은 1/60으로 줄어든다. 이러한 문제들은 가상센서 모델의 학습 측면에서 불리하게 작용할 수 있다. 반면, 데이터 다운스케일링 방법은 업스케일링에서 발생하는 정보 소실 문제와 데이터 축소의 문제는 없지만, 수행 방법이 모호하다. 이는 시스템적인 요소를 유기적으로 고려하여, 긴 시간 주기로 계측된 데이터를 짧은 주기의 데이터로 분해(disaggregate)하는 것이 어렵기 때문이다. 만약, 데이터 간 시계열을 맞추기 위해 긴 계측주기 데이터를 균등 분할(선형 보간) 한다면, 이는 오히려 변수들 사이의 관계성을 훼손할 수도 있다. 따라서 가상센서 구축을 위해서 계측주기가 서로 다른 데이터를 활용하려면 시스템 변수들의 관계성을 고려한 다운스케일링 방법이 요구된다.

3.3 관계변수 기반 시계열 데이터 다운스케일링 방법

본 논문에서는 관계변수를 기반으로 한 시간의 누적값이 계측된 시간단위 데이터를 분단위 데이터로 다운스케일링하는 방법을 제안한다. 본 논문에서 제시하는 방법의 핵심은 대상변수와 가장 수학적 관계성이 가장 높은 변수를 찾고, 그 변수와 대상변수가 갖는 수학적 관계성을 활용하여 대상변수를 다운스케일링하는 것이다. Fig. 3은 제시된 방법에 대한 단계적 프로세스를 보여준다. 1) 첫 번째 단계에서는 대상변수($t_{hour}$)와 다른 시스템 변수의 집합($R_{hour}$)과의 상관관계를 분석하여 대상변수와 가장 상관관계가 높은 관계변수(rhour)를 규명한다. 이때 분석은 대상변수를 기준으로 수행하기 때문에 분석에 사용되는 시스템 변수들은 시간단위 데이터로 업스케일링하여 사용한다. 여기서, 분단위 데이터의 계측주기(Measuring period)는 m으로, 시간단위 데이터의 계측주기는 h로 표현되었으며, 두 계측주기의 차이(d)는 식(1)과 같이 정의되었다. 업스케일링은 식(2)와 같이 시간단위 데이터의 계측주기에 맞게 분단위 데이터를 평균하는 것으로 수행할 수 있다. 식에서 i는 시간단위 데이터, j는 분단위 데이터에서의 general counter이다. 2) 두 번째 단계에서는 분단위 시계열 영역에서 대상변수와 관계변수의 수학적 관계를 표현하는 함수 모델(f)을 구축한다(식(3)). 모델의 입력변수는 정규화(Normalize)된 관계변수($r_{hour,norm}$)를 사용하고, 출력변수는 정규화된 대상변수($t_{hour,norm}$)를 사용한다. 3) 세 번째 단계에서는 시간단위 시계열 영역에서 구축하였던 함수 모델과 정규화된 분단위 관계변수($r_{min,norm}$)를 바탕으로 분단위 대상변수($t_{min,norm}$)를 추정한다(식(4)). 이후, 시간단위 매개변수와 분단위 대상변수를 활용하여 식(5)와 같이 스케일 계수(Scale factor, s)를 계산한다. 식(4)에 대한 개념은 분단위 관계변수를 바탕으로 추정한 매개변수의 합에 스케일 계수를 곱한 값이 시간단위 누적 데이터와 같다는 것이다. 마지막 단계에서는 분단위 데이터 계측 단위마다 계산된 스케일 계수를 바탕으로 식(6)과 같이 다운스케일링된 대상변수를 산출한다.

4.1 대상 건물에너지시스템 개요

본 논문에서 제시한 데이터 다운스케일링 방법을 실제 현장에 적용하고, 가상센서 구축에서 다운스케일링 방법 활용에 대한 효과를 분석하기 위하여 지역난방시스템이 설치된 공동주택을 대상 건물로 설정하였다. 대상건물은 7개 동으로 이루어져 있으며 각 동은 27개 층으로 구성되어 있다. 대상 건물의 지하 2층 기계실에는 건물로 공급되는 열원(지역온수)와 건물을 순환하는 난방수의 열교환이 이루어지는 지역난방 열교환시스템(District heating substation)이 설치되어 있다. 열교환시스템은 저층부(3층~14층)와 고층부(15층~27층)에 대한 시스템이 분리되어 있으며, 본 논문에서는 고층부 시스템을 대상으로 연구를 수행하였다. 기계실 난방계통은 Fig. 4에 표현된 모식도와 같이 열교환기를 기준으로 1차측(Primary side), 2차측(Secondary side)로 나눌 수 있다. 난방수 공급온도 제어는 외기보상제어를 기반으로 이루어지며 2차측 공급온도를($T_{H,sup}$)를 외기보상온도에 맞추도록 1차측 통수 유량이 밸브 개도($V_{DH}$)를 통해 제어된다. 또한, 세대측 난방부하 변동에 따른 유량 부하에 대응하기 위한 차압조절밸브(Differential pressure valve)가 설치되어 있고, 공급 및 환수관의 압력 측정값을 바탕으로 펌프의 주파수를 조절하는 가변주파수제어(Variable frequency drive)가 적용되어 있다. 본 연구에서는 2019년 12월 11일부터 2020년 03월 31일까지의 총 112일(16주)의 겨울철 난방데이터가 사용되었다.

4.2 대상 건물의 센서네트워크

대상 건물에는 크게 두 가지 정보, 1) 지역난방시스템 기계실 데이터와 2) 세대 난방에너지 사용량에 대한 센서네트워크가 구축되어있다. 지역난방시스템 기계실 센서네트워크에서는 Fig. 4에 표시된 온도, 압력, 밸브 개도율에 대한 정보가 1분 주기로 센서와 포지션 피드백 신호를 통해 계측된다. 세대 난방에너지 센서네트워크에서는 각 세대가 사용한 난방에너지사용량에 대한 정보가 원격검침 열량계로 계측된다. 하지만, 사용량에 대한 데이터는 기계실 데이터와 달리 1시간에 대한 누적값이 기록된다. 따라서, 두 센서네트워크의 정보를 통합 활용하기 위해 세대 난방에너지 데이터를 기계실 데이터의 계측주기(1분 단위)과 일치하게 다운스케일링하였다.

4.3 에너지사용량 데이터 분석

본 연구에서 제시한 방법 적용에 앞서, 세대측 사용량 데이터에 대한 군집화 분석(Clustering analysis)을 수행하였다. 해당 분석은 대상 시스템의 일별 에너지 사용량 패턴을 규명하기 위해 수행되었으며, 군집화 결과는 본 논문에서 제시한 다운스케일링 방법의 효과 분석(4.5절)에 연계하여 활용하였다. 분석 결과, 세대

에너지 사용량 패턴에 따른 세 가지 군집이 Fig. 5와 같이 도출되었다. 군집은 난방에너지 사용량의 크기에 따라 ‘Severe’, ‘Moderate’, ‘Light’로 명명되었다. Fig. 6에는 달(4주) 단위(Fig. 6(a)), 주 단위(Fig. 6(b)) 군집 분포가 표현되어있다. 종합적으로, 외기온도가 상대적으로 낮아 에너지사용량이 많은 12월과 1월에는 ‘Severe’ 군집이 지배적이었으며, 2월에는 ‘Moderate’, 3월에는 난방사용량이 적은 운전패턴인 ‘Light’ 군집이 지배적이었다.

4.4 케이스 설계

본 연구에서는 다운스케일링한 데이터를 가상센서 구축에 활용할 때의 효과를 비교 분석하기 위하여 Table 1과 같이 테스트 Case를 설정하였다. 각 Case에 사용된 가상센서 모델은 모두 2차 환수온도를 센싱하는 모델이지만 입력변수를 다르게 설계하였다. Case 1에서는 에너지사용량 데이터를 모델에 사용하지 않고 기계실 데이터만을 모델 구축에 활용하였다. Case 2에서는 1시간 단위의 에너지사용량 데이터를 1분 단위로 균등 분할하여 기계실 데이터와 함께 모델의 입력변수로 사용하였다. 마지막으로, Case 3에서는 관계변수 기반 다운스케일링이 수행된 에너지사용량 데이터와 기계실 데이터를 함께 활용하여 모델을 구축하였다. 모든 Case의 모델은 Fig. 7에 표현된 구조의 다층퍼셉트론(MLP) 인공신경망 모델을 활용하였다. 모델 훈련에 사용된 방법과 파라미터는 모두 동일하며, 입력층과 출력층 사이의 은닉층(Hidden layer)의 뉴런 개수 또한 32개로 동일하게 설계하였다.

4.5 관련 변수기반 데이터 다운스케일링

세대 에너지사용량 데이터는 3.2절에서 제시된 관계변수 기반 다운스케일링 방법이 적용되었다. 첫 번째 과정으로 세대 난방에너지 사용량(1시간 단위 데이터)과 기계실 데이터(1분 단위 데이터)의 선형적 관계성이 분석되었다. 결과로, 1차측 밸브 개도율에 대한 데이터가 에너지사용량과 가장 큰 관계성(Pearson correlation: 0.908)을 보이는 것으로 나타났다(Table 2). 두 번째 과정으로 밸브 개도율과 세대 에너지사용량 사이의 수학적 관계를 표현하는 3차 회귀식 모델을 구축하였다. 세 번째 과정으로는 해당 회귀모델을 활용하여 스케일 계수를 산출하였다. 마지막 과정으로 에너지사용량 데이터를 1분 단위 데이터로 다운스케일링하였다. Fig. 8은 운전데이터에서 일부 추출된 48시간의 결과를 나타내며 에너지사용량이 다운스케일링 된 모습을 확인할 수 있다. Fig. 8에서 녹색 선은 균등 분할된 에너지사용량을, 자주색 선은 논문에서 제시한 다운스케일링 방법을 적용한 에너지사용량을, 적색 점선은 다운스케일링된 에너지사용량의 한 시간의 평균을 의미한다. 녹색 선과 적색 점선은 Fig. 8에서 같은 선으로 나타나는데, 이는 다운스케일링된 에너지사용량의 한 시간 동안의 합은 한 시간 누적 에너지사용량과 같게 계산되기 때문이다.

4.6 결과 분석

결과 분석은 4.3절의 에너지사용량 분석 결과와 연계하여 수행되었다. 총 데이터 기간(112일)은 28일 단위로 4세트로 나누어 한 세트는 가상센서 훈련에, 다른 세 개의 세트는 가상센서 테스트에 사용되었다. 훈련 및 테스트 성능은 달 별로 계산되었다. 예를 들어, Fig. 9(a) Case 1의 ‘Month (1) training’에 표현된 네 개의 막대 그래프 중 첫 막대는 모델 훈련 결과이며, 나머지 세 개의 막대는 테스트 결과이다. Fig. 10은 4.4절에서 설명된 Case 별 가상센서 성능을 기간별로 나타낸 도식이다. Fig. 9(a)는 가상센서값과 실제값의 평균 제곱근 편차 (RMSE)를 나타내며, 가상센서 성능을 뜻한다. Fig. 9(b)은 가상센서값과 실제값 사이의 오차의 표준편차(STD)를 의미하며 가상센서의 정밀도(Precision)를 의미한다. 각 그래프의 상단에 위치한 히트맵(heatmap)은 테스트 기간에서의 성능지표들의 평균을 나타낸다.

Case 1의 결과에서, ‘Severe’와 ‘Moderate’ 군집이 지배적으로 나타났던 Month f(1~3)을 가상센서 훈련에 사용하고 테스트할 경우 성능이 준수하게 나타났다. 하지만, ‘Light’ 군집이 지배적으로 나타나는 Month (4)에 대한 테스트 결과는 다른 Month에 비해 좋지 않은 결과를 보였다. 또한, Month (4) training의 결과를 보면, 훈련 조건(‘Light’ 군집이 지배적인 조건)과 운전 조건이 상이한 Month (1~3)에 대해서 특히 낮은 가상센서 성능을 보였다. 종합적으로, 에너지사용량 정보를 가상센서 구축에 사용하지 않은 Case 1에서는 학습한 운전 조건에 대해서만 좋은 성능이 나타나는 학습데이터의 의존성 문제(Training data dependency problem)⁽⁹⁾가 나타났다. 한편, Case 1의 센서오차 표준편차(STD of errors)는 대동소이한 수준으로 나타났다.

Case 2의 결과를 보면, Month (1~3)을 훈련에 사용한 모델들에서 Case 1보다 좋은 성능이 나타나는 것을 확인할 수 있다. 하지만, Month (4)를 훈련에 사용한 경우 Case 1보다 오히려 성능이 하락하는 것이 관찰되었다. 이는 Case 2 가상센서 구축에 사용한 균등분할된 난방사용량 데이터가 Month (4)에서 정보적이지 못했다는 것을 의미한다. 즉, 시스템 환경을 고려하지 않고 데이터를 다운스케일링하여 사용하는 것은 합리적이지 않다는 것을 보여준다. Case 2의 센서오차의 표준편차는 평균제곱근 편차 결과와 비슷한 양상으로 나타났다.

Case 3의 결과는 Case 1과 Case 2의 단점이 보완된 결과가 나타났다. Month (1~3)을 훈련에 사용한 모델과, Month (4)를 훈련에 사용한 모델 모두 전체 기간에 대해 준수한 성능을 보였다. 이는 관계변수를 기반으로 다운스케일링한 에너지사용량 데이터가 모델에 정보적으로 작용하였다는 것을 보여주는 결과이다.