Mobile QR Code QR CODE : Korean Journal of Air-Conditioning and Refrigeration Engineering
Korean Journal of Air-Conditioning and Refrigeration Engineering

Korean Journal of Air-Conditioning and Refrigeration Engineering

ISO Journal TitleKorean J. Air-Cond. Refrig. Eng.
  • Open Access, Monthly
Open Access Monthly
  • ISSN : 1229-6422 (Print)
  • ISSN : 2465-7611 (Online)

  1. 한일엠이씨 본부장 (Director, Hanil Mechanical & Electrical Consultants, 53 Yangsan-ro, Yeongdeungpo-gu, Seoul, 0727, Korea)
  2. 서울과학기술대학교 건축학부 교수 (Professor, School of Architecture, Seoul National University of Science & Technology, Seoul, 01811, Korea)



건물에너지, 분류, 결정계수, 데이터 기반, 실내온도
Building energy, Classification, Coefficient of determination, Data-driven, Indoor temperature

1. 연구배경 및 목적

우리나라를 비롯한 주요 선진국에서는 온실가스 배출 저감을 목적으로 기존 건축물의 에너지 효율화에 대한 필요성 인식이 증가하고 있다. 기존 건축물의 에너지 효율 개선을 위해서는 건물의 열적 성능 조사와 이를 반영한 건물에너지 정량화가 선행된다. 이러한 건물에너지 진단은 비용 편익을 고려한 의사결정 수단으로 건물에너지 정량화에서 실제와의 차이를 줄이는 전반적 과정을 포함한다. 그러나 건물의 열적 매개변수 성능 조사에는 많은 비용과 시간이 필요하며, 여건에 따라 일관된 측정에도 어려움이 있다. 더욱이 건물에너지 소비가 건물의 물리적 성능뿐만 아니라 온도와 습도, 기류, 태양 일사와 같은 자연 환경적 요인과 사회적, 경제적 수준에 따른 사용자의 행동 결정, 건물의 운영 여건에 따라 차이가 발생하는 점을 고려하면 건물에너지 정량화는 더욱 복잡해진다.(1)

건물의 공간은 쓰임에 따라 다수 용도로 분리되며, 공간마다 사용자 행동에 따라 에너지 소비의 차이가 발생할 수 있다.(2) 그러므로 건물에너지 정량화에서 공간마다 용도 또는 열부하 프로필(Profiles)(3)을 규범적으로 일괄 적용하는 것은 실제와 차이를 발생시킨다. 즉, 기존 건축물의 에너지 성능 정량화에서 도면에 표기되는 실 명칭이나 요금고지서, 사용자 설문에 의존하여 공간의 냉난방 여부를 판단하면 실제와의 격차로 이어질 수 있다. 따라서 기존 건축물의 에너지 성능 평가에서 대상 공간의 냉난방 여부를 판단할 수 있는 정량적 수단이 필요하다.

한편, 건물에너지 분야에서 데이터 기반 모델이 활발하게 적용되고 있다.(4) 대표적으로 기계학습(Machine Learning, ML)은 건물에너지 회귀와 분류 문제에서 적극적으로 채택되고 있다. 그러나 데이터 기반 모델은 데이터 세트에 지배적이며 과정의 이해를 제공하지 않는 블랙박스(Black-box) 특성상 다른 사례의 적용에서 재현성의 한계가 있으며(5), 이러한 이유로 가장 우수한 모델에 대한 합의는 여전히 어렵다.(6) 또한, 기계학습 알고리즘의 발전으로 다양하고 복잡해지는 사용환경은 한편으로 적정 알고리즘 선정에서 어려움을 가중한다.(6-8) 따라서, 앞서 언급한 냉난방 공간의 분류가 건물에너지 정량화의 중간 과정임을 고려하면, 냉난방 공간 분류 모델은 작동의 이해가 쉽고 충분히 빠른 응답성으로 유효한 분류 결과를 제공할 수 있어야 한다.

본 연구에서는 건물에너지 사전 진단을 위하여 단순한 통계적 방법으로 수집이 쉬운 실내외 온도 매개변수를 활용하는 냉난방 공간 분류 모델을 제시한다.

2. 연구 방법 및 범위

건물의 다양한 공간마다 열적 상태를 감지하기 위해서는 다수의 센서와 이를 연결하는 네트워크가 필요하며, 건물 단위에서 측정되는 에너지사용량을 공간마다 분리하기 위해서는 계통 연계를 위한 복잡한 조치가 요구된다. 따라서, 본 연구에서는 수집이 용이한 각 공간의 실내온도와 기상청에서 제공하는 실외온도를 활용하는 데이터 기반의 냉난방 공간 분류 모델을 제시하고, 다른 사례에서 제시하는 모델을 채택하는 경우에 대하여 적절성을 판단할 수 있도록 건물 단위에서 측정되는 에너지사용량에 대한 실내온도의 특성선택(FS, Feautre Selection) 과정을 포함한다.

냉난방 공간의 분류 모델은 실내온도와 실외온도의 회귀로 구해지는 결정계수(Coefficient of Determination)를 바탕으로 냉방 또는 난방 여부를 판단한다. 결정계수가 1에 가깝게 나타날수록 해당 공간의 실내온도와 실외온도는 강한 양(Positive)의 관계에 있음을 의미한다. 이는 결정계수의 크기가 클수록 해당 공간의 실내온도는 실외온도를 설명할 수 있는 변화 추세를 갖는다고 볼 수 있으므로, 실내온도에 영향을 미치는 열적 매개변수의 영향이 적거나 서로 상쇄되었다고 해석할 수 있다. 따라서, 본 연구에서는 결정계수의 크기에 따라 공간의 냉난방 여부를 냉난방 공간, 간헐적 냉난방 공간, 비냉난방 공간으로 분류하였다.

모델 입력 매개변수의 적절성 검토와 함께 모델의 분류 결과가 건물에너지와 밀접하게 작동하는지 확인하기 위하여 F-test의 유의확률(Significance Probability)을 활용하는 특성선택 과정을 수행하였다. 이를 통해 각 공간의 실내온도가 건물에너지에 대하여 유의한 매개변수인지 검토하였다. 또한, 특성선택에서 제공하는 특성 중요도(FI, Feature Importance)는 큰 값을 나타낼수록 해당 공간의 실내온도가 건물에너지에 밀접함을 의미하므로, 냉난방 공간 분류 결과와 특성 중요도 분석 결과의 선형성(Linearity)을 검토하여 제시하는 분류 모델이 건물에너지와 밀접하게 작동하는지 검토하였다.

3. 평가 지표

3.1 결정계수(Coefficient of determination)

Wright(11)에 의해 도입된 결정계수는 일반적으로 R2로 표기되며, 회귀에서 예측 변수 집합을 포함하는 모델이 반응 변수의 변화를 얼마나 잘 설명하는지 표현한다. 결정계수는 기계학습에서 주로 활용되는 MAPE (Mean absolute percentage error), MAE(Mean absolute error), MSE(Mean square error) 및 RMSE(Root mean square error)와 같은 지표와는 다르게 결과에서 회귀 방법의 성능 품질을 감지할 수 있다.(9) 결정계수는 음수 또는 양수로 표현되며, 회귀가 잘 수행되지 않은 경우에는 음수로, 회귀가 양호하면 0과 1을 포함한 사이의 값으로 나타난다. 이 때 양수로 나타나는 결정계수는 회귀 분석에서 얻는 정확도의 백분율과 유사하다고 볼 수 있으며, 식(1)과 같이 표현된다.(9-11) 여기서 $x_{i}$는 $y_{i}$의 선형회귀 값이며, $y_{i}$는 $i$번째 종속 변수, $\overline{y}$는 $y_{i}$의 평균이다.

(1)
$R^{2}= 1-\dfrac{\sum_{i=1}^{m}(x_{i}-y_{i})^{2}}{\sum_{i=1}^{m}(\overline{y}-y_{i})^{2}}$

3.2 특성선택(Feature Selection)

특성선택은 기계학습에서 수행되는 분류, 회귀 또는 클러스터링과 같은 작업에서 모델을 구축하기 위하여 가장 유용한 기능을 선택하는 프로세스이다. 이 과정은 해결하고자 하는 문제의 크기를 축소하고, 과적합을 방지하여 모델의 예측 정확도와 일반화에 기여한다.(12)

특성선택은 방식에 따라 필터, 래퍼, 임베디드 방식으로 구분된다. 필터 접근 방식은 기계학습 알고리즘과 상관없이 통계적 방법을 적용하여 각 특성마다 점수를 부여여 순위를 지정한다. 이와 대조적으로 래퍼 방식은 학습 알고리즘을 활용하여 특성의 조합을 평가하여 특성마다 순위를 결정하며, 임베디드 방식은 내장 메커니즘으로 특성선택이 학습 과정의 일부로 수행된다. 본 연구에서는 학습 알고리즘과 무관하게 평가할 수 있는 필터 방식 중 F-test를 활용한다.(12, 13)

F-test는 두 표본의 분산에 대한 차이가 통계적으로 유의한가를 판별하는 검정 기법으로, F-test 특성선택은 식(2)와 같이 구해지는 특성 중요도(FI)를 통해 입력 매개변수를 식별한다. 특성 중요도는 식(2)와 같이 구할 수 있으며, 큰 값을 우선 순위의 특성으로 정한다.(14) 여기서 FI는 특성 중요도이며, p는 F-test로 구해지는 유의확률 p-value(15)이다.

(2)
$FI = -\log(p)$

3.3 상관계수(Correlation Coefficient)

상관 분석은 두 변수 간의 선형적 관계가 있는지 연관성 정도를 결정한다. 서열, 비율 등의 척도로 측정된 변수 간의 관련성 파악에 활용할 수 있으며, 두 변수 사이의 관계 강도를 의미하는 상관계수(Correlation Coefficient)는 R로 표기한다. 상관계수의 크기가 0.7 이상이면 강한 선형 관계에 있다고 판단할 수 있다.(16)

4. 분석 대상과 공간 분류 기준

4.1 분석 대상

분석 대상은 대한민국 충청남도 아산시에 위치한 기숙사 용도로, 1992년 준공되었으며, 운동선수 합숙소로 운영되고 있다. 규모는 연면적 474 m2으로 지하 1층, 지상 2층 건물이다. 1층은 사무실, 침실, 식당 및 주방, 2층은 침실 및 다목적실로 구성되어 있으며, 냉난방 및 급탕, 조명 환기는 주로 전력을 사용한다. 대상 건물은 대부분의 기존 건축물과 마찬가지로 건물 단위에서 에너지사용량이 집계되고 있다. 건물에너지 관리를 위한 시스템은 부재하고, 공간마다 냉난방 설비 시스템의 운전 이력을 확인할 수 없어 건물의 운영 현황에 대해서는 사용자 설문조사를 통해 정보를 수집하였다.

건물은 선수단 일정을 기준으로 운영되고 있었다. 식당은 매일 정해진 시간에 3회 단체 식사하고, 훈련 이외 시간에는 간헐적인 일상 휴식에 사용된다. 사무실은 공용 PC의 사용과 휴게를 목적으로 쓰이고 있으며, 침실(a)는 배식원 1인, 침실(b)는 선수단 지도자 1인, 침실(c), (d), (e), (f)는 방마다 선수 2인이 사용하며 다목적실(g)는 공용으로 사용되고 있었다. 또한, 재실 시간은 선수단 일정에 따라 월마다 차이가 발생하였는데, 당해 3월은 선수단 일정으로, 건물 사용자가 재실하는 시간이 높았던 것을 확인하였다.

4.2 건물 운영 데이터

2021년 1월 17일부터 5월 31일까지 건물의 운영 데이터를 수집하였다. 수집 데이터는 실내온도, 실외온도, 건물에너지 사용량이다. 실외온도는 분석 대상이 위치한 아산시를 기준으로 기상청 제공 자료를 활용하였으며, 각 실마다 실내온도는 측정범위(0~55℃), 분해능(0.1℃), 정확도(±0.5℃)의 온도 센서 T&D TR-72wf(17)를 설치하여 시간 단위로 동시 측정하고, 건물에너지 사용량과 동일한 일 단위로 환산하였다. 건물에너지 사용량은 주사용 에너지원인 전력에 대하여, 건물 전력량계에서 일 단위 측정된 결과를 수집하였다(Fig. 1).

Fig. 1 Building data, (a) Building energy, (b) Outdoor temperature, (c~l) Indoor temperature.
../../Resources/sarek/KJACR.2023.35.8.402/fig1.png

4.3 공간 냉난방 판단 기준

일반적으로 건물의 실내환경은 재실자의 쾌적함을 목적으로 외부 환경에 대응하기 위하여 조절되며, 냉난방 시스템은 공간의 실내온도를 목표하는 범위로 조절한다. 즉, 실내온도와 실외온도의 회귀에서 높은 결정계수를 보이면 해당 공간의 실내온도는 열적 매개변수의 영향이 적다고 볼 수 있으며, 낮은 결정계수에서는 열적 매개변수의 영향이 크다고 볼 수 있다. 다만, 분석 대상 용도마다 열적 특성은 상이하므로 결정계수의 크기에 따른 판단 기준을 일반화하기는 어렵다. 그럼에도 결정계수는 회귀 분석에서 얻는 정확도의 백분율을 의미하므로 적용하는 사례마다 결정계수의 크기에 따른 판단 기준을 조정하여 실내 공간의 냉난방 여부를 분류할 수 있다. 본 연구에서는 Table 1과 같이 냉난방 공간 분류의 판단 기준을 설정하였다.

Table 1 Zone classification criteria

Zone type

R-squared Size

🅐

Cooling or Heating

R2 ≤ 0.3

🅑

Intermittent heating or cooling

0.3 < R2 < 0.7

🅒

Non-cooling and heating

R2 ≥ 0.7

5. 분석결과

5.1 결정계수 기반 냉난방 공간 분류

Table 1에서 제시하는 판단기준을 바탕으로 각 실마다 냉난방 여부를 판단, 분류하였다.

전체 분석 기간에서, 복도는 R2 0.856으로 가장 높은 결정계수를 보였으며 비냉난방 공간(🅒)으로 분류하였다. 복도의 결정계수가 높은 이유는 인접한 식당 열적 영향에도 불구하고 설치된 냉난방 설비가 없고, 기밀성 낮은 출입문으로 외기 영향에 밀접했기 때문으로 판단된다. 식당, 침실(a), (b)는 각각 R2 0.367, 0.560, 0.338로 간헐적 냉난방 공간(🅑)으로, 사무실은 R2 0.123로 냉난방 공간(🅐)으로 분류하였다. 침실인 Room(c), (d), (e), (f)는 각각 R2 0.137, 0.001, 0.010, 0.224로 냉난방 공간(🅐)으로, 다목적실 Room(g)는 R2 0.670으로 간헐적 냉난방 공간(🅑)으로 분류하였다(Table 2).

Table 2 Results of R2 for each zone

Room

Hallway

Office

Restaurant

Room(a)

Room(b)

Room(c)

Room(d)

Room(e)

Room(f)

Room(g)

January

0.653🅑

0.382🅑

0.628🅑

0.632🅑

0.399🅑

0.104🅐

0.262🅐

0.255🅐

0.086🅐

0.503🅑

February

0.616🅑

0.426🅑

0.284🅐

0.387🅑

0.082🅐

0.255🅐

0.002🅐

0.184🅐

0.002🅐

0.246🅐

March

0.573🅑

0.011🅐

0.011🅐

0.140🅐

0.129🅐

0.001🅐

0.026🅐

0.037🅐

0.002🅐

0.048🅐

April

0.758🅒

0.445🅑

0.569🅑

0.188🅐

0.276🅐

0.053🅐

0.180🅐

0.070🅐

0.035🅐

0.420🅑

May

0.701🅒

0.430🅑

0.620🅑

0.052🅐

0.355🅑

0.104🅐

0.226🅐

0.260🅐

0.170🅐

0.365🅑

Total Period

0.856🅒

0.123🅐

0.367🅑

0.560🅑

0.338🅑

0.137🅐

0.001🅐

0.010🅐

0.224🅐

0.670🅑

월마다 분석 결과에서는, 선수단 일정으로 재실 시간이 길었던 3월에서는 다른 기간에 비해 낮은 결정계수를 보였다. 식당은 2~3월은 냉난방 공간(🅐), 1월과 4, 5월은 간헐적 냉난방 공간(🅑)으로 분류된다. 특히, 사무실은 3월을 제외하고는 간헐적 냉난방 공간(🅑)으로 분류되나, 3월에서 R2 0.011로 낮게 나타나는 이유로, 이 기간의 데이터를 포함하는 전체 기간에서 냉난방 공간(🅐)로 분류되었다. 마찬가지로 침실(a)와 (b)도 매 월마다 냉난방 공간(🅐)으로 분류되는 경우가 더 많았음에도, Fig. 2와 같이 다른 기간의 데이터 강도의 차이로 전체 기간에서는 간헐적 냉난방 공간(🅑)으로 분류되었다(Table 2). 따라서, 분류 모델은 건물의 운영에서 기간마다 사용 특성에 차이가 있음을 고려하여, 적절한 분할된 기간으로 평가되어야 한다(Figure 2).

Fig. 2 Coefficient of determination of each zone.
../../Resources/sarek/KJACR.2023.35.8.402/fig2.png

결과적으로, 결정계수 기반 냉난방 공간 분류는 전체 기간에 대하여 Fig. 3과 같이 4.1절에서 조사된 건물의 실제 운영 현황을 잘 표현하였다. 다만, 실내온도는 외피 열 성능, 실내 열 취득, 실외기온 및 일사 등 다양한 열적 매개변수의 영향을 받으므로 낮은 결정계수가 반드시 건물의 냉난방 에너지사용의 증가를 의미하지는 않는다.

Fig. 3 Zone Classification results.
../../Resources/sarek/KJACR.2023.35.8.402/fig3.png

5.2 특성 중요도

본 절에서는 분류 모델의 입력으로 활용한 실내온도가 유효한 매개변수 인지 확인하고, 5.1절의 분류 결과와 비교하기 위하여 건물에너지에 대하여 각 실내온도의 특성 중요도(FI, Feature Importance)를 분석하였다.

분석 결과, 복도의 실내온도는 특성 중요도 FI 48.97점으로 가장 높게 나타났다. 이는 복도의 실내온도가 건물에너지에 밀접하게 작동하는 매개변수임을 의미하며, 이는 실외온도와 건물에너지 관계에 기인한다고 볼 수 있다.(18) 한편, 특성 중요도의 크기를 서열화하면 순위 2위부터 8위까지의 공간 유형은 Room으로, 특성 중요도는 Room(a), (g), (d), (f), (b), (e), (c) 순으로, 각각 FI 29.55, 24.07, 17.72, 6.99, 6.02, 4.34, 3.69로 나타났다. 또한, 사무실과 식당은 각각 FI 3.40, 2.37의 결과를 보였다.

한편, 특성 중요도는 p-value로 구해진다. 일반적으로 p-value가 0.05보다 작은 경우에서 유의하다고 판단하는데(15), 식(2)에서 알 수 있듯이 p-value가 0.05일 때 특성 중요도 FI는 1.301를 나타낸다. 즉, 특성 중요도가 1.301보다 큰 경우에는 해당 공간의 실내온도는 건물에너지에 대한 유의한 특성으로 볼 수 있다. Table 3과 같이 각 공간의 특성 중요도는 2.37~29.55 범위로 나타났으므로 분류 모델의 입력으로 활용한 실내온도는 모두 건물에너지에 대한 유의한 특성임을 확인할 수 있다. 따라서 이 방법으로 다른 사례에서도 건물 단위의 에너지사용량을 바탕으로 특성 중요도와 실내온도 매개변수의 유의함을 확인하여 제시하는 분류 모델을 적용할 수 있다.

Table 3 Feature importance
../../Resources/sarek/KJACR.2023.35.8.402/tb3-1.png

Rank

Feature Name

(Indoor Temperature)

Feature Importance

1

Hallway

48.97

2

Room(a)

29.55

3

Room(g)

24.07

4

Room(d)

17.72

5

Room(f)

6.99

6

Room(b)

6.02

7

Room(e)

4.34

8

Room(c)

3.69

9

Office

3.40

10

Restaurant

2.37

5.3 분류 결과와 특성 중요도의 상관분석

실내온도와 실외온도의 회귀로 구해지는 결정계수와 건물에너지에 대한 실내온도의 특성 중요도를 상관 분석하였다. 상관 분석으로 선형적 관계의 강도를 분석하는 이유는, 결정계수는 유의확률(p-value)과 통계적 개념이 다르므로 그 크기에 대한 직접적 비교는 어렵기 때문이다.(9, 15)

상관분석 결과, 앞서 도출한 결정계수와 특성 중요도에서 상관계수 R은 0.793로 나타나, 강한 선형 관계에 있음을 확인하였다. 이는 실내외 온도로 구해진 결정계수 기반의 냉난방 공간 분류 결과가 건물에너지에 대한 실내온도의 특성 중요도와 강한 선형적 관계에 있음을 의미하므로, 결정계수 기반의 냉난방 공간 분류 결과가 건물에너지와 유의미하게 작동한다고 판단할 수 있다. 또한, 이는 도일법(Degree-day method)(18)과 같은 건물에너지의 열역학적 관계와 같은 맥락으로 볼 수 있다.

냉난방 공간 분류에 특성선택이 아닌 결정계수를 활용하는 이유는, 회귀는 매우 단순한 통계적 방법으로 재현이 용이하고 직관적이며, 온라인으로 제공되는 기상자료를 활용하는 경우에 실내온도만을 입력 매개변수로 작동하는 단순함을 갖기 때문이다. 제시하는 결정계수 기반 냉난방 공간 분류 모델은 공간의 실내온도가 실외온도에 대하여 저항하는 수준을 묘사하여 냉난방 공간에 대한 적절한 분류를 제공한다.

5.4 분류 모델의 활용

제시하는 냉난방 공간 분류 모델은 단순한 입력 매개변수로 작동하며, 다른 사례에서 활용하는 경우에 건물 단위의 에너지사용량을 바탕으로 해당 공간의 실내온도가 유의미한 매개변수인지 판별하는 수단을 함께 제공한다.

분류 모델은 건물에너지 진단에서 보정 시뮬레이션(19)에 활용할 수 있다. 실내 공간에 설치된 실내온도 센서만으로 냉난방 공간 분류에 대한 정량적 결과를 제공하므로, 사용자 설문 등으로 제공되는 정보에 비해 공간의 열적 운영상태를 정량적으로 파악하고 보정 시뮬레이션에 반영하여 건물에너지 시뮬레이션 결과를 개선할 수 있다. 또한, 건물에너지 관리에서는 요금고지서 등으로 확인되는 에너지사용 결과로 판단하는 것이 아닌 실내 열적 상태가 적절한지 관리할 수 있는 수단이 되며, 경제적 비용으로 원격 건물에너지 관리에 활용할 수 있다.

본 연구에서는 다른 사례의 적용을 위하여 모델의 입력 매개변수의 적정성을 판단할 수 있는 수단(5.2절, 5.3절)을 함께 제공하므로, 다양한 용도의 건물, 공간에서 활용할 수 있다. 다만, 본 연구에서 제시하는 판단기준(Table 1)에서 결정계수의 범위는 건물, 공간의 용도에 따라 합리적으로 조정할 수 있다. 이 때, 결정계수의 크기가 반드시 건물에너지 사용량의 증감을 의미하지 않음을 고려하여야 한다.

Fig. 4 Coefficient of determination and features importance results.
../../Resources/sarek/KJACR.2023.35.8.402/fig4.png

6. 결 론

기존 건축물의 에너지성능 개선에 대한 필요성 인식이 증가하고 있다. 건물에너지 정량화에서 실 명칭이나 사용자 설문조사를 바탕으로 용도 프로필을 규범화하여 일괄 적용하면 실제와의 차이를 발생시킨다. 이를 개선하기 위해서는 냉난방 공간 분류를 위한 정량적 수단이 필요하며, 기존 건축물의 수와 경제적 제약을 고려하면 충분히 비용 효율적으로 활용할 수 있어야 한다.

본 연구에서는 결정계수를 활용한 데이터 기반의 냉난방 공간 분류 모델을 제시하고, 기계학습에서 활용되는 특성 중요도를 활용하여 분류 모델을 유효성을 검토하였다. 본 논문의 가장 큰 기여는 데이터 기반의 다양한 분류 모델에서, 가장 단순한 회귀 방법으로 구해지는 결정계수를 바탕으로 수집이 용이한 실내외 온도를 입력 매개변수로 활용하는 냉난방 공간 분류 모델을 제시하고, 무엇보다 데이터 기반 모델이 다른 사례에 적용하기 어려운 한계점이 있다는 것을 고려할 때, 이해가 쉬운 작동 방법과 함께 다른 사례에서 모델 채택이 적절한지 판단하는 수단을 함께 제시하였다는 점이다. 결과적으로 제시한 분류 모델은 냉난방 공간을 적절하게 분류하여, 실제 운영 현황을 유사하게 표현하였다. 연구의 결과를 요약하면 다음과 같다.

(1) 냉난방 공간 분류 모델은 실내 및 실외 온도를 입력으로 출력되는 결정계수의 크기에 따라 냉난방 공간을 감지, 분류한다.

(2) 공간마다 실내외 온도로 구해지는 결정계수는 건물에너지에 대한 특성 중요도와 강한 선형 관계(R = 0.793)를 보였으며, 이는 분류 모델의 결과가 건물에너지 사용량과 밀접함을 의미한다.

(3) F-test를 활용하는 특성선택으로 실내온도마다 유효한 입력 매개변수인지 선별할 수 있으며, 다른 사례의 적용에서 건물 단위 에너지사용량을 바탕으로 분류 결과가 건물에너지 소비와 밀접한지 판단할 수 있다.

(4) 일부 간헐적 냉난방 공간에서는 기간마다 분류 결과가 다르게 나타났으며, 전체 기간의 분석 결과에 영향을 주었다. 따라서, 대상 건물의 기간에 따른 사용 특성을 고려하여 분석 기간을 설정하여야 한다.

(5) 분류 모델은 본질적으로 도일법과 유사한 맥락을 갖는다. 입력 매개변수인 실내온도는 실외온도 이외에도 다양한 열적 매개변수의 영향을 받으므로, 결정계수의 크기가 반드시 에너지사용 강도를 의미하지는 않는다.

(6) 실내 공간마다 결정계수의 크기는 상대적으로 비교할 수 있으므로, 결정계수의 크기에 따라 냉난방 공간을 분류하는 판단 기준은 분석 대상에 따라 조정하여 적용할 수 있다. 다만, 분류 모델의 활용성 확대를 위해서는 다양한 용도의 공간에서 시스템 운전 이력과 실 단위 에너지사용량을 포함한 추가 연구가 필요하다.

본 연구에서 제시하는 결정계수 기반 냉난방 공간 분류 모델은 단순한 입력 매개변수와 낮은 계산 비용으로 작동하므로 다양한 모델과 통합되어 건물에너지 분야에서 활용될 수 있기를 기대한다.

후 기

본 연구는 국토교통부 도시건축연구사업의 주요사업으로 수행한 결과입니다(과제번호: 22AUDP-C151656-04).

References

1 
Li, L., Sun, W., Hu, W., and Sun, Y., 2021, Impact of Natural and Social Environmental Factors on Building Energy Consumption: Based on Bibliometrics, Journal of Building Engineering, Vol. 37, p. 102136.DOI
2 
Fajilla, G., Borri, E., De Simone, M., Cabeza, L. F., and Bragança, L., 2021, Effect of Climate Change and Occupant Behaviour on the Environmental Impact of the Heating and Cooling Systems of a Real Apartment. A Parametric Study Through Life Cycle Assessment, Energies, Vol. 14, No. 24, p. 8356.DOI
3 
Ferrari, S., Zagarella, F., Caputo, P., and Bonomolo, M., 2023, Internal Heat Loads Profiles for Buildings’ Energy Modelling: Comparison of Different Standards, Sustainable Cities and Society, Vol. 89, p. 104306.DOI
4 
Amasyali, K. and El-Gohary, N. M., 2018, A Review of Data-driven Building Energy Consumption Prediction Studies, Renewable and Sustainable Energy Reviews, Vol. 81, pp. 1192-1205.DOI
5 
Gundersen, O. E., Shamsaliei, S., and Isdahl, R. J., 2022, Do Machine Learning Platforms Provide Out-of-the-box Reproducibility?, Future Generation Computer Systems, Vol. 126, pp. 34-47.DOI
6 
Seyedzadeh, S., Rahimian, F. P., Glesk, I., and Roper, M., 2018, Machine Learning for Estimation of Building Energy Consumption and Performance: A Review, Visualization in Engineering, Vol. 6, No. 1, pp. 1-20.DOI
7 
Wei, Y., Zhang, X., Shi, Y., Xia, L., Pan, S., Wu, J., and Zhao, X., 2018, A Review of Data-driven Approaches for Prediction and Classification of Building Energy Consumption, Renewable and Sustainable Energy Reviews, Vol. 82, pp. 1027-1047.DOI
8 
Dong, Z., Liu, J., Liu, B., Li, K., and Li, X., 2021, Hourly Energy Consumption Prediction of an Office Building Based on Ensemble Learning and Energy Consumption Pattern Classification, Energy and Buildings, Vol. 241, p. 110929.DOI
9 
Chicco, D., Warrens, M. J., and Jurman, G., 2021, The Coefficient of Determination R-squared is More Informative than SMAPE, MAE, MAPE, MSE and RMSE in Regression Analysis Evaluation, PeerJ Computer Science, Vol. 7, e623.DOI
10 
Zhang, D., 2017, A Coefficient of Determination for Generalized Linear Models, The American Statistician, Vol. 71, No. 4, pp. 310-316.DOI
11 
Wright, S., 1921, Correlation and causation.URL
12 
Solorio-Fernández, S., Carrasco-Ochoa, J. A., and Martínez-Trinidad, J. F., 2020, A Review of Unsupervised Feature Selection Methods, Artificial Intelligence Review, Vol. 53, No. 2, pp. 907-948.DOI
13 
Pirbazari, A. M., Chakravorty, A., and Rong, C., 2019, Evaluating Feature Selection Methods for Short-term Load Forecasting, In 2019 IEEE International Conference on Big Data and Smart Computing, pp. 1-8.DOI
14 
https://kr.mathworks.com/help/stats/fsrftest.html.URL
15 
Thiese, M. S., Ronna, B., and Ott, U., 2016, P Value Interpretations and Considerations, Journal of Thoracic Disease, Vol. 8, No. 9, E928.DOI
16 
Asuero, A. G., Sayago, A., and González, A. G., 2006, The Correlation Coefficient: An Overview, Critical Reviews in Analytical Chemistry, Vol. 36, No. 1, pp. 41-59.DOI
17 
https://www.micronmeters.com/product/tr-72wf-temperature-and-humidity-data-logger-wireless.URL
18 
Meng, Q. and Mourshed, M., 2017, Degree-day Based Non-domestic Building Energy Analytics and Modelling Should Use Building and Type Specific Base Temperatures, Energy and Buildings, Vol. 155, pp. 260-268.DOI
19 
Fabrizio, E. and Monetti, V., 2015, Methodologies and Advancements in the Calibration of Building Energy Models, Energies, Vol. 8, No. 4, pp. 2548-2574.DOI