기호설명

하첨자

1. 연구배경 및 목적

2050년까지 건물부문 탄소중립 목표를 달성하기 위해 정부에서는 민간부분 ZEB 의무화 확산, 고효율 기자재 사용, 신재생에너지 보급 확산 등 다양한 노력을 기울이고 있다. 하지만 주로 설계단계에 초점이 맞춰져 있고 운영단계에서 효율 관리를 위한 정책은 부족한 실정이다. 대부분 건물이 운영단계에서 초기 설계한 에너지 성능을 유지하지 못하는 실정이고 이는 재실자의 사용패턴, 용도별 스케줄, 운영관리 미흡 등에 기인한다. 건물 운영자 입장에서 사용패턴과 스케줄은 변경하기 어렵지만 댐퍼 및 밸브 제어, 열원의 운전 효율관리 등은 적극적 노력으로 개선할 수 있는 여지가 있다.

ASHRAE에서는 건물부문의 에너지 절감 방안으로 HVAC 시스템에서 소비되는 에너지를 산정하기 위한 실용적이고 반복, 검증 가능한 방법의 개발 및 활용을 강조하였고 시뮬레이션 모델을 구축하여 운영 의사결정 수단으로 활용하는 것을 절감 대안 중 하나로 제시하였다.⁽¹⁾ 한 예로 모델기반 예측제어(model predictive control, MPC)를 통한 제어에 대한 관심이 크게 확대되고 있고 지난 10년간 여러 연구에서 에너지 절감 및 쾌적성 향상이 입증되었다.^(2,3) 하지만 모델 성능이 절감 효과를 결정하는 MPC의 특성상 가용한 데이터 및 정보를 활용하여 목적에 맞는 모델을 개발하는 것이 필수적이다.^(4,5)

일반적으로 열해석 모델은 물리적 상세를 직접 묘사하는 white-box model, 데이터 기반 모델인 black-box model, 물리모델의 정확성을 높이기 위해 운전데이터로 주요 파라미터를 보정하는 grey-box model로 분류할 수 있다.⁽⁶⁾ White-box model은 설계도서에 기반하여 에너지 소요량을 계산하기 때문에 운전데이터가 없는 초기 설계모델을 평가할 수 있는 장점이 있지만 수많은 입력변수의 실제 값을 입력할 수 없기 때문에 실제 소비와 차이가 발생하는 등의 단점이 있어 운영 단계에서 모델로써 활용하기 어렵다.^(3,6) Black-box model은 white-box model에 비해 상대적으로 정확도가 높지만 학습을 위해 대량의 데이터와 복잡한 전처리가 필요할 뿐 아니라 데이터 특성에 적합한 모델을 선택하는 노력도 필요하다.^(7,8) 즉 제어변수와 목적변수 사이의 관계성 묘사가 필요하고 이를 위해 목표 지점뿐만 아니라 제어지점의 측정이 필요하며, 대개의 경우 추가 센서 설치가 요구된다. 하지만 운영 중인 기존 건축물에서 효율화를 위해 가동을 중지하고 수배관에 추가 센서를 설치하는 사례는 매우 드물다. Grey-box model은 white-box, black-box model 양쪽의 특성을 모두 갖고 물리적 상관성에 기반하여 데이터 특성을 반영할 수 있도록 물리모델의 파라미터를 보정한다.⁽⁹⁾ 따라서 white-box model 비해 실제 건물의 운전 거동을 잘 묘사하고 black-box model에 비해 적은 데이터로도 운전패턴을 잘 추종할 수 있어 좋은 모델구축 수단으로 활용할 수 있다.⁽⁸⁾

본 연구에서는 실내온열환경 제어를 위해 일반적으로 공조기에서 계측 중인 데이터를 기반으로 실내온도 예측이 가능한 물리 모델 구축 방법을 제안하고 동시에 추후 공조기 등 설비 모델과 동일한 플랫폼에서 연계하여 시뮬레이션할 수 있는 방법을 제안하고자 한다. 이를 위해 최적화 알고리즘을 사용하여 grey-box 형태로 부하모델을 정의할 수 있는 파라미터들을 도출하고 이를 TRNSYS 컴포넌트를 이용하여 구현하고자 한다.

2. 연구 방법

본 연구의 모델 개발과 검증 절차를 요약하면 Fig. 1과 같다. 먼저 설계도서와 계측데이터를 이용하여 3가지 방법으로 부하모델을 구축하고 TRNSYS18⁽¹⁰⁾을 사용하여 난방기간 동안 실내온도를 비교한다. 세 가지 모델 중 하나로 우선 건축물의 에너지절약 설계기준에 따라 분석대상 건물 준공시점의 외피 물성정보, 스케줄등을 TRNSYS에서 제공하는 multi-zone building(Type 56) 컴포넌트에 입력하여 white-box 모델을 구축한다. 다음으로 분석 기간 동안 단일 파라미터를 적용한 grey-box 모델 외에, 외기온도와 일사량에 따라 난방기간을 혹한기와 중간기로 나누고 최적화 알고리즘으로 도출한 모델별 파라미터를 TRNSYS 컴포넌트에 입력하여 grey-box 모델을 구축한다. 마지막으로 3가지 방식으로 구축한 부하모델에 동일하게 계측된 열 공급량을 입력하였을 때 실내온도 변화를 비교하는 방법으로 모델 성능을 평가한다.

Fig. 1 Test models: white-box, grey-box, and clustered grey-box models.

3. 모델 개발

3.1 RC 모델

부하는 전체 시스템 에너지 사용량의 주된 원인이기 때문에 정확한 부하 모델 개발은 실제 성능 예측에서 매우 중요한 요소 중 하나이다. 기상데이터와 공조데이터 등 실내로 유입되는 에너지를 통해 grey-box로 개발이 가능하다. 본 연구에서는 부하모델을 Fig. 2와 같이 외피, 실내 2개의 states를 갖는 모델로 단순화하여 3개의 열저항(Resistance)과 2개의 열용량(Capacitance)을 갖는 3R2C 형태로 모델링하였다. 인접 state와의 열전달 이외에 일사와 내부발열, 식(1)에 따라 산정한 공조기 열공급량을 고려하면 식(2), (3)과 같이 외피와 실내 state의 열평형 방정식을 수립할 수 있다. 이때 large –scale office의 실제 내부발열을 계측한 관련 연구에 따라 내부발열량은 450 Wh/(m²day)로 가정하였다.⁽¹¹⁾

Fig. 2 Model structure.

(1)

$Q_{{AHU}}= m_{{RA}}\times Cp_{{air}}\times(T_{{SA}}-T_{{RA}})$

(2)

$Cp_{{env}}\dot{T}_{{env}}=-\left(\dfrac{1}{R_{{oe}}}+\dfrac{1}{R_{{er}}}\right)T_{{env}}+\dfrac{T_{{RA}}}{R_{{er}}}+\dfrac{T_{{OA}}}{R_{{oe}}}+\alpha_{{sol}_{{env}}}Q_{{sol}}+\alpha_{{sol}_{{env}}}Q_{{sol}}+\alpha_{int_{{env}}}Q_{int}$

(3)

$Cp_{{room}}\dot{T}_{{RA}}=\dfrac{T_{{env}}}{R_{{er}}}-\left(\dfrac{1}{R_{{er}}}+\dfrac{1}{R_{inf}}\right)T_{{RA}}+\dfrac{T_{{OA}}}{R_{inf}}+\alpha_{{sol}_{{room}}}Q_{{sol}}+\alpha_{int_{{room}}}Q_{int}+Q_{{AHU}}$

모델은 식(4)와 같이 외기온도, 일사에너지 유입량, 공조에너지 유입량, 내부 발열량을 입력받아서 외피 표면온도와 실내온도를 결과로 도출하는 상태-공간모델(State-Space Model)로 표현할 수 있다.^(12,13) 본 연구에서는 구성한 시스템 모델을 미분방정식 음해법(implicit method)을 이용하여 시간 항을 이산화한 후 수치해를 찾는 방법을 사용하였고 구축한 3R2C 모델을 Matlab과 연동하여 room state 온도가 계측온도를 유사하게 추종할 수 있도록 적절한 파라미터 값을 최적화 알고리즘을 이용하여 결정하였다. 최적화는 일반적으로 제약조건에 따라 여러 변수를 입력 값으로 하는 함수의 최댓값 또는 최솟값을 찾는 것을 의미하고 본 연구에서는 최적변수 도출을 위해 Matlab의 PSO(Particle swarm optimization) 알고리즘을 이용하였다. PSO 알고리즘은 주어진 설계변수의 범위 내에서 목적함수의 조건을 만족하는 최적해 집단을 광역적으로 탐색한다.⁽¹⁴⁾

(4)

$ \begin{align*} \left[\begin{aligned}\dot{T}_{{env}}\\\dot{T}_{{RA}}\end{aligned}\right]=\left[\begin{matrix}-\left(\dfrac{1}{R_{{oe}}}+\dfrac{1}{R_{{er}}}\right)&\dfrac{1}{R_{{er}}}\\\dfrac{1}{R_{{er}}}&-\left(\dfrac{1}{R_{{er}}}+\dfrac{1}{R_{inf}}\right)\end{matrix}\right]\left[\begin{aligned}T_{{env}}\\T_{{RA}}\end{aligned}\right]+\left[\begin{matrix}\dfrac{1}{R_{{oe}}}&\alpha_{{sol}_{{env}}}&0&\alpha_{int_{{env}}}\\\dfrac{1}{R_{inf}}&\alpha_{{sol}_{{room}}}&1&\alpha_{int_{{room}}}\end{matrix}\right]\left[\begin{matrix}T_{{OA}}\\Q_{{sol}}\\Q_{{AHU}}\\Q_{int}\end{matrix}\right] \end{align*}$

(5)

$T_{{RA}}=\left[\begin{matrix}0&1\end{matrix}\right]\left[\begin{matrix}T_{{env}}\\T_{{RA}}\end{matrix}\right]$

부하모델을 정의하는데 사용되는 파라미터들은 계절적 특성과 사용패턴의 영향을 많이 받는다. 특히 침기량은 실내외 온도차에 의해 발생하는 압력의 영향을 받고, 일사량은 블라인드와 같은 보조 장치의 사용 패턴에 따라 다르기 때문에 실제 운전데이터에서 계절별 차이를 유발한다. 따라서 1월부터 4월까지의 난방기간에 대해서 우선 전체 난방기간 동안 파라미터 값이 변하지 않는 단일 모델을 개발하고, 이어서 혹한기와 중간기 두 종류의 클러스터로 파라미터를 구분한 모델로 나누어 개발을 진행하였다.

군집분석 방법은 다변량 자료구조에 대해서 변수 특성을 고려하여 상이한 그룹으로 정의하고 그 군집의 대표 특성을 찾아 분석하는 기법으로 본 연구에서는 기본적 군집분석 방법 중 하나인 K-means 알고리즘을 적용하였다. K-means 알고리즘은 유클리드 거리 계산에 기반하여 군집을 형성하는 방법으로 변수가 많을 경우 한계가 존재하지만 본 연구에서는 온도와 일사량을 대상으로 혹한기, 중간기 2개 군집으로 분류하였기 때문에 간편하게 적용할 수 있다.

Table 1은 case별 부하모델 decision variables의 초기 값, 최적화 범위와 결과를 나타낸다. Initial 값에 포함된 성능은 시공품질, 경계조건에 따른 기밀성능 차이 등 설계 조건과는 다른 여러 가지 가정을 포함하고 있기 때문에 실제 열적 특성과는 차이가 있다. 본 부하모델의 최적화 목적은 실내온도 계측 값과 시뮬레이션 값이 같아지도록 decision variables값을 도출하는 것이다. 따라서 열전달계수, 열용량 등 zone의 열적 특성을 정의하는 design variables을 최적화하여 모델이 계측 값을 추종할 수 있도록 식(6)과 같이 목적함수를 수립하여 Table 1과 같이 결과를 도출하였다.

(6)

$\min f_{{obj}}=\sum_{k=1}^{n}\left(T_{{RA}_{{mea}}}-T_{{RA}_{"\sim "}}\right)$

Table 1 Design variables and bounds for optimization (RC model)

Design variables	Initial values	Optimization ranges		Case 1 Results	Case 2 Results		Unit
		Min	Max	1~2304 h	1~1151 h	1152~2304 h
$R_{{oe}}$	1.53×10-4	9.02×10-5	2.71×10-3	1.81×10-4	9.51×10-4	8.85×10-4	K/W
$R_{{er}}$	8.87×10-4	2.51×10-5	2.71×10-3	3.02×10-5	3.02×10-5	3.02×10-5	K/W
$R_{inf}$	1.03×10-3	2.06×10-4	1.03×10-2	8.79×10-3	6.81×10-4	5.67×10-4	K/W
$Cp_{env}$	7.95×106	7.95×107	7.95×1010	1.19×109	1.07×1010	1.18×1010	J/K
$Cp_{room}$	3.50×106	1.75×106	5.80×108	3.80×108	4.49×108	4.49×108	J/K
$\alpha_{{sol}_{{env}}}$	0.5	0	1	7.62×10-2	5.34×10-6	1.56×10-1	-
$\alpha_{{sol}_{{room}}}$	0.5	0	1	3.80×10-2	1.39×10-1	5.53×10-2	-
$\alpha_{int_{{env}}}$	0.5	0	1	1.23×10-6	5.37×10-5	1.37×10-1	-
$\alpha_{int_{{room}}}$	0.5	0	1	0.98	1	8.74×10-1	-

3.2 TRNSYS를 이용한 RC모델 구현

본 연구에서 시뮬레이션에 사용된 TRNSYS는 건물 부하모델 및 설비시스템을 구성하는 주요 설비 컴포넌트들을 라이브러리 형태로 제공한다. 부하 모델은 설비시스템의 에너지 요구 인자이기 때문에 제어 및 평가를 위해서는 설비시스템과 연계되어야 한다. Fig. 2와 같이 RC로 구축한 부하모델을 다양한 설비시스템과 동일 플랫폼에서 시뮬레이션이 가능하게 하기 위하여 단일 zone을 하나의 구조체(lumped mass)로 가정한 Type 963 컴포넌트 모델을 이용하여 구축하였다. Type 963은 단일 zone을 가정한 모델로 하나의 열용량과 열 저항 그리고 다수의 열에너지가 실내로 유입될 때 온도를 계산할 수 있는 모델이다. 에너지 평형방정식과 습평형방정식에 따라 zone의 온도를 산정하지만 본 연구의 분석 대상은 난방기간에 한정하므로 현열만 고려하였다.

3R2C 모델에서 각 state는 2개의 열저항을 갖고 인접 state와 열교환 하지만 Type 963은 1개의 열저항만 입력 가능하기 때문에 두 개의 Type 963 모델을 활용하여 각 입력 값을 재조정하여 식(4), (5)가 구현되도록 사용하였다. 이를 위해, 식(7), (8), (9)와 같이 계산하여 외부에서 유입되는 열에너지로 변환하여 입력하였다. Room state는 식(7), (8)에 따라 각각 외기와 벽체와의 열교환을 계산하고 일사, 내부발열, 공조기에 의한 열유입량이 입력되면 식(10)에 따라 실내온도를 산정한다. 식(9)에 따라 envelope state와 외기와의 열교환이 계산되면 식(11)에 따라 표면온도를 산정한다. Equation card는 수식 입력창으로 전술한 입력 값 재조정을 위해 사용하였다.

최적화된 파라미터와 초기 값이 입력되면 Fig. 3과 같은 관계에 따라 수치적으로 수렴 가능하도록 각 states의 온도를 계산한다.

Fig. 3 3R2C model devised using TRNSYS.

(7)

$Q_{inf}=\dfrac{T_{{RA}}-T_{{OA}}}{R_{inf}}$

(8)

$Q_{{er}}=\dfrac{T_{{RA}}-T_{{env}}}{R_{{er}}}$

(9)

$Q_{oe}=\dfrac{T_{{env}}-T_{{OA}}}{R_{oe}}$

(10)

$T_{{RA}}=T_{{env}}-\dfrac{Q_{inf}+Q_{{er}}+Q_{{AHU}}+\alpha_{{sol}_{{room}}}Q_{{sol}}+\alpha_{int_{{room}}}Q_{int}}{Cp_{{room}}}$

(11)

$T_{{env}}=T_{{OA}}-\dfrac{Q_{{oe}}+Q_{{er}}+\alpha_{{sol}_{{env}}}Q_{{sol}}+\alpha_{int_{{env}}}Q_{int}}{Cp_{{env}}}$

4. 분석대상 건물 개요 및 계측현황

분석대상 건물은 2004년에 준공된 지상 15층 규모의 업무시설로 서울에 소재하며 1층, 2층에는 근린생활시설이 위치하고 3층부터 15층까지는 업무시설로 사용 중이다. 본 연구에서는 기상청 기상자료개발포털 자료에서 제공받은 서울특별시(지점번호 108)의 일사량과 외기온도를 시뮬레이션에 사용하였다. Fig. 1과 같이 부하모델은 3가지 방식으로 구축하였고 그중 white-box 모델 구축을 위하여 비교적 사용 스케줄이 일정한 업무시설 중 중간층을 기준층으로 선정하였다. 설계도서의 누락으로 건물의 상세한 외피 물성정보는 알 수 없었지만 외벽, 지붕, 바닥, 창으로 분리하여 Table 2와 같이 준공 시점의 법적 단열기준을 적용하였다. 부하 계산에 필요한 재실자 밀도, 내부발열량 등은 대규모 사무실의 용도프로필이⁽¹⁵⁾ Table 2의 물성정보를 이용하여 산정하였다.

또한 대상 건축물의 기계설비실에는 건물에너지관리시스템(BEMS)이 설치되어 Fig. 4와 같은 관제 포인트를 Table 3과 같은 방식으로 모니터링 및 저장한다. 대상 건물의 공조기는 CAV 방식으로 운전되기 때문에 계측된 공기조화 데이터와 작동신호 $\chi$에 따라 식(12)에 적용하여 실내로 공급되는 난방 에너지를 산정하였다. 겨울철 외기는 실내와 온도차가 크고 외기의 도입 비율은 부하에 영향을 미치는 주요 요인이지만 대상지에서는 기록되고 있지 않다. 따라서 본 연구에서는 계측 가능한 데이터를 이용하여 식(13)과 같이 외기 도입에 따른 Mixing air (MA) 온도를 표현하였고 식(14)에 따라 각 공조기의 시간별 외기 도입량을 추정하였다.

외기의 유입은 상대적으로 짧은 시간 동안 실내 부하 변동을 유발할 수 있고 특히 겨울철은 실내외 온도차이가 크기 때문에 효율적인 AHU 제어를 위해서는 time resolution을 줄이는 것이 필요하다. 하지만 제어 대상 지표인 실내온도는 1시간 간격으로 계측되고 있기 때문에 계측 데이터로 모델을 fitting 하여 더 짧은 time step의 시뮬레이션이 가능한 grey-box 모델을 제어에 활용하는 것이 효과적이다. 즉, 시간단위 데이터로 calibration한 모델이 적절히 계측 값을 추종하면, 양단의 온도가 경계조건으로 잡혀있고 따라서 시뮬레이션 환경에서 더 짧은 time step으로 분석한 결과도 그 범위를 넘을 수 없기 때문에 계측데이터가 존재하지 않더라도 신뢰할 수 있다. 모델기반 예측제어(model predictive control, MPC) 특성상 모델의 예측 성능이 중요하기 때문에 제어에 필요한 time step의 예측 값을 신뢰할 수 있으면 에너지 절감 및 쾌적성 향상을 기대할 수 있다.

Fig. 4 Schematic of AHU configurations of target building

5. 결과 및 검증

5.1 Clustering 결과

K-means clustering 알고리즘은 clustering 기법 중 가장 기본이 되는 기법으로 분류하고자 하는 데이터를 사전 정의된 목표 cluster 수인 K개만큼의 그룹으로 분류한다. 목표 Cluster 수를 미리 결정해야 하기 때문에 데이터에 대한 도메인 지식이 필요하다는 단점이 있지만 기상데이터는 보편적으로 혹한기, 중간기의 특성이 있기 때문에 쉽게 적용 가능하다. 실제 난방이 공급된 2304 h(4월 7일)까지 시간별로 계측된 외기온도와 일사량을 입력변수로 군집 분석결과 Fig. 5와 같이 1152 h(2월 18일)을 기준으로 혹한기와 중간기가 나누어지는 것으로 도출되었다.

Fig. 5 Clustering analysis result for outdoor air temperatures.

5.2 실내온도 분석결과

본 연구에서는 calibration과 clustering의 수행 결과 분석을 위해 식(12)에 따라 산정한 QAHU을 동일하게 공급했을 때 모델별 실내온도를 계측 값과 비교하였다. 분석모델은 설계도서만을 이용하여 구축한 white-box model, 실제 measured data를 묘사하도록 구축한 grey-box 모델 중 클러스터 수에 따라 구분하여 Table 4와 같이 구축하였다. 1월부터 4월까지 시간 단위로 계측된 전체 2,304개 데이터 중 공조기가 작동하지 않은 날을 제외한 853개 데이터 전체를 대상으로 모델 calibration을 진행하였다.

Table 5와 Fig. 6은 공조기가 가동 중일 때 열 공급량과 모델별 실내온도(return air temperature)를 계측 값과 비교하여 나타낸 것이다. Model 1은 약 20~35℃ 사이에서 전반적으로 계측 값보다 높게 형성되었고 온도분포 양상이 상이하게 나타났다. 특히 혹한기 난방 에너지가 크게 공급되었을 때 CVRMSE 25.93%로 계측 값과 가장 크게 차이를 보였는데 이는 외피 물성 값의 오차로 인한 열적 거동의 차이로 해석된다. Model 2는 CVRMSE 16~18% 사이로 분석되어 Model 1에 비해 성능이 개선되었고 온도 분포 패턴이 유사하여 부하의 특징이 파라미터에 적절히 반영된 것으로 분석되었다. 하지만 다른 clustring 영역인 period 2로 갈수록 패턴은 유지한 채 일정한 간격 차이를 보이는 것으로 분석되었다. 마지막으로 기간별로 R, C 값을 구분한 Model 3의 분석결과 CVRMSE가 4~8% 사이로 온도 분포 패턴뿐 아니라 계측 값을 가장 적절히 추종하는 것으로 분석 되었다. 혹한기와 중간기의 파라미터를 분리함으로써 Model 2에서 추종이 어려웠던 계절적 요인을 포함하여 peroid 2에서도 계측 값과 유사한 실내온도를 도출하는 것으로 분석되었다.

본 연구에서 채택한 grey-box 모델 변수 calibration 방법은 모델러가 문제를 정의하고, 정의된 조건에서 주어진 목적을 달성하는 최적해를 도출하는 방법이다. 이 방법은 부정방정식의 형태로 정의된 함수의 정의역과 공역을 제한하여 해를 찾아가는 과정을 포함한다. 따라서, 주어진 목적을 달성하는 여러 해가 존재할 수 있다. 즉, 본 연구에서 최적화를 통해 찾아진 파라미터는 대상 건물의 물리적 거동을 설명하는 유일한 값이 아닐 수 있다. 도출된 해가 실제 성능과 물리적으로 일치하지 않을 수 있지만 계측된 실내온도와 유사하게 거동하기 때문에 건물의 효율적 운용을 위한 MPC에서 유용하게 활용할 수 있다.

Fig. 6 Comparison results of return air temperature.

Table 4 Detail for each models

Model	Methodology	Number of clusters	Calibration (Y/N)
Model 1	White-box model	1	N
Model 2	Grey-box model	1	Y
Model 3	Grey-box model	2	Y

Table 5 Model comparison for room air temperature

Model		MBE (℃)	CVRMSE (%)
Model 1	Total	- 3.86	22.77
	Period I	- 4.76	25.93
	Period II	- 2.30	16.25
Model 2	Total	- 3.63	17.10
	Period I	- 3.28	16.22
	Period II	- 4.27	18.48
Model 3	Total	- 0.48	7.05
	Period I	- 0.80	8.07
	Period II	0.09	4.93

6. 결 론

본 연구에서는 제한된 데이터 환경에서 grey-box 모델링 방식으로 부하모델의 파라미터를 도출하는 방법을 제안하고 설비모델과 동일한 플랫폼에서 연계하여 모델별 실내온도를 분석하였다. 이를 위해 TRNSYS 라이브러리에서 제공하는 단일 state 모델을 연결하여 3R2C grey-box 모델을 표현하고, 모델 사이의 열전달 인자를 입력 값으로 가정하며 구성하였다. 모델별 분석결과를 계측데이터와 비교한 결과 각각 CVRMSE가 17.1%, 7.05%로 ASHRAE guideline 14를 만족하는 것을 확인하였다. 본 연구에서 제안한 모델링 방식은 외피정보, 계측데이터가 부족한 일반적인 상업건물에서 추가적인 센서를 설치하지 않고 공조데이터만 사용하여 모델을 구축한 점과 클러스터링 기법이 계절적 요인에 따라 변화하는 부하 특성 반영에 긍정적인 영향을 미치는 것을 보여준 점에서 기존 연구와의 차별성을 찾을 수 있다.

앞서 서술한 바와 같이 grey-box 모델의 typical한 운전 환경을 적용한 후 수행된 것이기에 실제 운전 환경에서 optimal parameter는 달라질 수 있다. 다른 말로 하면, modeler가 가정한 운전 환경의 에러를 calibration 과정에서 일부 상쇄하였기 때문에 예측 성능이 높아진 것으로 볼 수 있다. 하지만 어느 경우에도 이러한 연구 결과는 데이터가 부족한 기존 건축물들의 에너지 관리 및 제어를 위한 개선된 의사결정도구로 활용될 수 있다.

또한 개발한 모델을 공조 및 열원시스템과 동일한 플랫폼에서 시뮬레이션할 수 있는 방법을 제안하였다. 즉 연구 결과와 같이 TRNSYS 플랫폼에서는 클러스터에 따라 기간별로 상이한 optimal parameters를 적용하여 시뮬레이션할 수 있고 이를 통해 다양한 엔지니어링 분석 및 평가하는 것이 가능하다. 하지만 실제 현장 제어 적용 시 서버에 해석 프로그램을 설치하는 것은 computational resources 문제 등 제약사항이 발생하기 때문에 향후 개발 모델을 surrogate 모델화하는 방식 등 적용 측면에서 추가적인 연구를 수행할 예정이다. 또한 개발 모델을 통해 달라지는 외기 조건, 실내 설정온도에 따라 설비가 연결된 TRNSYS 모델에서 공조기 에너지 사용량을 거꾸로 예측하거나 열원의 사용량을 시간대별로 최적화하는 등 MPC 목적의 추가적인 연구가 필요하다.