2.1 대상지 선정

충청북도 진천군에 위치한 진천 친환경에너지타운은 범정부차원에서 진행된 친환경 에너지 사업의 일환으로 친환경 에너지 설비를 통해 지역의 에너지 생산기지로 발전시키는 것을 목적으로 한다. Fig. 1은 진천 친환경에너지타운의 배치현황을 나타낸다. 연면적은 72,000 m²이며 보건소, 어린이집, 도서관, 문화의집, 고등학교, 통합제어관리실 등의 시설이 있다. 전기 에너지는 태양광과 연료전지를 통해 생산이 된다. 태양광발전설비의 경우 전기를 공급하는 역할을 하며 주차장, 각 건물의 지붕, 운동장 등에 설치되었으며 설치 면적은 4,467 m², 용량은 750 kW이다. 태양열 집열기의 경우 난방 및 온수 생성에 필요한 에너지를 공급한다. 보조 열원으로 히트펌프 3대가 설치되어 있으며 계간축열조의 지열, 하수열, 잔열을 이용하여 운전한다.⁽²⁰⁾

Fig. 1 Layout of Jincheon eco-friendly Energy Town.(20)

2.2 시스템 제어방식

진천 친환경에너지타운에 설치된 태양열 집열기는 진공관형과 평판형으로 구분되며, 각각 약 800 m²의 크기를 가지고 있다. 이 중, 평판형 집열기는 저온 영역에서 높은 집열 효율을 보이고, 진공관형 집열기는 고온 영역에서 효율이 높아 2가지 종류를 선택하여 사용하였다. 집열기에서 생산된 열은 높이 10 m, 4,000 m³의 계간축열조에 저장된 후, 중앙 공급 방식을 통해 각 건물에 공급된다. 태양열 시스템은 집열부와 축열부로 나뉘며 이는 Fig. 2와 같다. 집열매체는 물, 축열매체는 브라인수용액을 사용하였으며 집열펌프와 축열펌프는 다른 조건에서 제어된다. 그중 집열펌프는 일사량을 동작조건으로 하며 기준은 0.4 kWh/m² 이상인 경우이다. 축열펌프의 경우에는 축열부의 진공관형 집열기의 출구온도와 집열부의 평판형 집열기의 입구온도의 차가 5℃ 이상일 때 작동된다. 또한 축열매체 온도는 계간축열조에서 각 건물에 공급하는 최저온도인 50℃ 이상이다.⁽²¹⁾

Fig. 2 Schematic diagram of the solar thermal system using two types of collector.

2.3 상관관계(PCC: Pearson Correlation Coefficient) 분석

ANN 예측모델을 개발하기 위한 변수들 간의 상관관계 분석을 수행하였다. 분석에는 매개변수 간의 관계를 결정하는 데 주로 사용되는 PCC(Pearson Correlation Coefficient)분석을 이용하였다. PCC분석은 두 변수 간의 선형적 상관관계를 평가하는 데 사용되는 통계적 방법으로, 연구에서 변수 간의 관계를 분석하는 데 유용하다. 이 계수는 -1에서 1사이의 값으로 나타나며, +1, -1은 각각 양의 선형 상관관계, 음의 선형 상관관계를 가진다. 값이 0에 가까울수록 상관관계가 적다는 것을 나타낸다. 상관관계를 계산하는 식(1)은 다음과 같다.⁽²²⁾

2.4 프로그래밍 언어 선정 및 개발 환경 구축방법

본 연구에서는 ANN 예측모델을 구축하기 위해 Python 언어를 활용하였다. Python은 개발자들이 코드를 쉽게 이해하고 수정할 수 있는 특징을 갖추고 있으며, 더불어 풍부한 라이브러리들을 제공하여 사용자가 필요한 다양한 기능들을 쉽게 불러와 모델 개발이 용이하다.⁽²³⁾ 인공지능 개발 환경을 구축하기 위해 Anaconda 플랫폼을 활용하였다. Anaconda는 패키지 관리와 배포과정을 간소화하기 위해 설계된 플랫폼으로, 가상 환경을 간편하게 설정할 수 있는 기능을 제공한다. 이는 버전 의존성이 민감한 인공지능 라이브러리 관리에 매우 유용하다.⁽²⁴⁾ 본 연구에서 활용한 라이브러리 중 하나인 Keras는 딥러닝 모델을 쉽게 구축하고 학습시키기 위한 파이썬 기반의 고수준 API이다. Keras는 다양한 모델 구조와 레이어를 지원하며 활성화 함수, 최적화 알고리즘, 손실 함수 등을 선택할 수 있는 유연성을 제공한다.⁽²⁵⁾ 또한 Tensor Flow는 그래프 기반 계산, 다양한 플랫폼 지원, 유연한 모델 구성, 분산 학습 및 배포 등 다양한 기능을 제공한다.⁽²⁶⁾

2.5 예측모델 성능 지표

ANN 예측모델의 예측 정확도를 평가하기 위해 Cv(RMSE)(Coefficient of Variation of the Root Mean Squared Error)를 사용하였다. 이 방법은 ASHRAE Guideline 14에서 권장하는 방법으로, 오차율 검증에 대한 신뢰성이 높으며, 시간 단위의 데이터를 사용하는 경우 30% 이내의 오차가 허용된다.⁽²⁷⁾ Cv(RMSE)의 계산은 식(2)과 같이 수행하였다.⁽²⁸⁾ 이를 통해 ANN 예측모델의 예측 정확도를 신뢰성 있게 평가할 수 있다.

NMBE(Normalized mean bias error)는 예측값과 실측값 사이의 편향을 평가하는 지표이다. 모델의 예측이 실측값과 비슷할수록 NMBE의 값은 0에 가깝다. ASHRAE Guideline 14에 의하면 시간 단위데이터를 활용하는 모델에서 -10%<NMBE<10% 이내의 오차가 허용되며 NMBE의 계산식은 식(3)과 같다.⁽²⁹⁾

R2(R-Square)는 예측모델을 통해 예측된 값과 실측값 사이의 상관관계를 나타내는 지표로, 1에 가까울수록 상관관계가 높고 0에 가까울수록 낮다.⁽³⁰⁾ ASHRAE Guideline 14에 의하면 0.8 이상을 적정 기준으로 하며 계산식은 식(4)와 같다.⁽²⁹⁾

3.1 학습데이터 구축방법

본 연구에서는 진천 친환경 에너지 타운으로부터 2019년 8월 1일부터 2020년 7월 31일까지 1시간 단위의 외기습도, 수평면 일사량, 경사면 일사량, 집열부와 축열부의 온도와 유량데이터, 태양열 축열량을 수집하였다. 수집된 데이터 수는 총 8,784개를 수집하였으며 그중 시스템이 작동되지 않는 시간과 각 변수당 태양열 축열량이 0이 시간을 제외하였다. 2020년 1월부터 7월까지 1203개 데이터를 학습데이터로 활용했고, 2019년 8월부터 12월까지 668개 데이터를 테스트 데이터로 구축하였다. ANN 예측모델의 Input/Output은 Table 1과 같다. Table 2는 태양열 축열량을 6개 구간으로 분류한 학습 데이터의 구성비를 나타낸다.

3.2 데이터 정규화 방법

데이터 정규화는 데이터의 품질을 향상시키고 인공신경망 모델의 정확도를 높이는데 중요한 역할을 한다. 또한 변수들 간 척도가 다를 때 데이터의 범위를 일정하게 하여 종합적으로 비교할 수 있다. 따라서 이에 본 연구에서는 정규화 방법 중 MinMaxScaler를 사용하여 데이터 정규화를 진행하였다. MinMaxScaler는 데이터의 최대, 최솟값을 이용하여 0과 1 사이의 값으로 범위를 일정하게 하는 정규화 방법이며 계산식은 식(5)와 같다.^(31,32) 본 연구의 Input/Output 변수들의 최대, 최솟값의 범위는 Table 3과 같이 설정하였다. 정규화 전에는 데이터의 범위가 서로 다르기 때문에 데이터 예측에 어려움이 있지만 정규화 후에는 0과 1 사이에 데이터가 균일하게 분포하게 되어 척도를 일정하게 조정하여 예측 성능을 향상시킬 수 있다.

3.3 ANN 예측모델 구축 및 최적화

본 연구에서는 ANN 예측모델을 구성하기 위해 3.1절에서 언급된 바와 같이 2020년 01~07월 데이터를 학습 및 검증데이터(8:2)로, 2019년 08~12월 데이터를 테스트 데이터로 사용하였다. Table 4는 모델에 적용된 Hyperparameter를 나타낸다. Initializer는 인공신경망에서 가중치와 편향을 초기화하는 방법이다. 그중 GlorotNormal은 입력과 출력의 연결 수를 고려하여 가중치를 적절하게 초기화하고 모델의 속도와 성능을 향상시킬 수 있다. Activation function은 인공신경망에서 입력값을 받아 뉴런의 출력값을 계산하는 함수이다. 그중 Relu 함수는 입력값이 양수면 그대로 출력하고, 음수일 경우에는 0을 출력한다. Sigmoid 함수는 입력값을 0과 1 사이의 값으로 압축하여 출력한다.⁽³³⁾ MSE는 Loss 함수 중 하나로, 예측값과 실측값 사이의 제곱 오차의 평균을 계산하는 함수이다.⁽³⁴⁾ Accuracy는 분류 문제에서 주로 활용되는 Metrics 중 하나로, 예측값이 실측값과 얼마나 일치하는지를 계산하여 전체 샘플 중 올바르게 분류된 샘플의 비율을 나타낸다.⁽³⁵⁾ Optimizer는 모델의 학습 과정에서 손실 함수를 최소화하고 가중치의 최적값을 찾는 데 사용된다. 그중 Adam은 Gradient의 변동을 고려하여 학습률을 조정하는 기능을 갖추고 있어 다양한 모델에 대해 빠르고 안정적인 학습을 지원한다.⁽³⁶⁾ Early stop은 Callback 함수 중 하나로 학습 과정에서 모델의 성능이 개선되지 않을 경우 학습을 종료시킨다. reduceLR은 학습 과정에서 학습률을 동적으로 조절하는 기능을 제공하는 함수이다.⁽³⁷⁾ 최적화된 ANN 예측모델의 아키텍처는 Fig. 3과 같이 Hidden layer 3개 층에서 각층의 뉴런 개수가 10, 10, 15이고 Batch size는 12 일 때, Validation data-set은 Cv(RMSE)=8%, 최종 Test data-set는 Cv(RMSE)=11.69%, NMBE = -1.21%, R2=0.933의 성능을 나타냈으며 이는 ASHRAE Guideline 2014에서 권장하는 조건을 충족하였다.

Fig. 3 Architecture of optimal ANN model.

4.1 입출력 변수 간의 상관관계 분석

본 연구에서 사용한 입출력 변수 간의 상관관계를 파악하기 위해 IBM Statistics SPSS 26을 활용하였으며 결과는 Table 5와 같다. 입력변수는 집열부의 온도, 유량데이터(Tin,f,c, Tout,f,c, Ff,c, Tin,e,c, Tout,e,c, Fe,c)와 축열부의 온도, 유량데이터(Tin,f,s, Ff,s, Tin,e,s·Tout,f,s, Tout,e,s, Fe,s)로 나뉜다. 그 중 Tin,f,c, Tin,e,c, Tout,e,c, Tout,e,s 변수는 출력변수인 Solar stored energy와의 상관관계가 0.1 이하로 매우 낮게 나타났으며 Humidity, Tout,f,c, Ff,c, Tin,f,s, Tin,e,s·Tout,f,s 변수 또한 -0.295, 0.142, 0.108, -0.206, -0.114로 다소 낮은 상관관계를 보였다.

그에 반해 Fe,c, Ff,s, Fe,s 변수는 0.407, 0.414, 0.456로 상관관계가 있음을 보였고 Horizontal insolation, Slope surface insolation 변수는 0.840, 0.929로 높은 상관관계를 보였다. 상관관계 분석 결과를 통해 Humidity, Tin,f,c, Tin,e,c, Tin,f,s, Tin,e,s·Tout,f,s, Tout,e,s 변수는 음의 상관관계를 나타내며 그 값이 클수록 Solar stored energy의 값이 감소하는 경향을 확인할 수 있다. Horizontal insolation, Slope surface insolation, Tout,f,c, Ff,c, Tout,e,c, Fe,c, Ff,s, Fe,s 변수는 양의 상관관계를 나타내며 그 값이 클수록 Solar stored energy의 값이 증가하는 경향을 보인다.

Table 6은 태양열 시스템의 집열부, 축열부의 입출구온도와 유량의 변수를 열량으로 계산하여 Solar stored energy와의 상관관계를 분석한 표이다. 계산된 평판형 집열량, 진공관형 집열량, 평판형 축열량, 진공관형 축열량은 각각 0.919, 0.884, 0.804, 0.408로 Solar stored energy와의 상관관계가 높음을 나타냈다. 온도와 유량 데이터가 상관성은 떨어졌지만 식(6)을 통해⁽³⁸⁾ 계산된 집열량과 축열량의 경우 상관성이 높기 때문에 각각을 입력변수로 사용했다.

4.2 ANN 예측모델 예측성능 분석

본 연구에서 개발한 ANN 예측모델의 성능 분석을 위해 여러 예측성능지표 사용하였다. R2는 실측값에 대한 예측값의 적합도를 확인하기 위한 통계 방법 중 하나이며 높은 연관성을 나타낼수록 그 값은 1에 가깝다. 본 연구에서 개발한 ANN 예측 모델의 R2는 대략 0.933으로 ASHRAE Guideline 2014 권장 기준 0.8보다 높은 예측성능을 보였으며 이는 Fig. 4와 같다.

Fig. 5는 예측값과 실측값의 차를 나타내며, 그래프를 통해 예측값의 경향성을 분석하였다. NMBE는 음의 값을 나타낼 때, 예측값이 실측값 보다 작은 경향을 보인다. 본 연구에서 개발된 ANN 예측모델의 NMBE는 -1.21%로 ASHRAE Guideline 2014 권장 기준 ±10% 이내로 우수한 성능을 나타냈으며 그 값이 상당히 작았다. 따라서 예측값과 실측값의 차이는 음의 경향을 보였다. 하지만 대략 51%로 그 비율은 상당히 미미하였기 때문에 모델의 균형이 잘 이루어진 것으로 사료된다. 또한 전체 데이터 대비 82%가 ±20 kWh 이내로 상당히 낮은 예측 오차를 나타냈다. 이외 ±20 kWh초과 ±40 kWh 이하는 15%를 차지하였으며 ±40 kWh 초과는 3%의 데이터 비율을 나타냈다. 18%에 해당하는 예측 오차의 경우, 실측 중에 발생한 기기의 운영 오류와 이상치 데이터로 인한 악영향으로 인해 발생한 것으로 판단된다.

Fig. 4 Correlation between actual solar stored energy and predicted solar stored energy.

Fig. 5 Analysis of prediction data bias.

4.3 태양열 축열량 구간별예측 오차율 분석

본 연구에서 개발한 ANN 예측모델의 문제점을 파악하기 위해 태양열 축열량 구간에 따른 예측 성능 비교 분석을 진행하였다. Fig. 6은 태양열 축열량 구간별 실측값과 ANN 예측모델을 통해 예측값의 상자 수염 그림(Box-and-whisker) 그래프를 나타내며 파란색 박스는 실측값, 빨간색 박스는 예측값을 나타낸다.

태양열 축열량이 50 kWh 초과 구간일 때 Cv(RMSE)는 평균 10.9%로 높은 예측도를 나타냈지만 50 kWh 이하의 구간에서는 약 52%로 예측정확도가 크게 떨어지는 것을 확인하였다. 예측 정확도가 떨어지는 이유는 다음과 같다. 첫째, 3.1절의 학습데이터 비율에서 알 수 있듯 태양열 축열량 50 kWh 이하 데이터 비율은 약 12%로 다른 구간에 비해 구성비가 적다. 이는 충분한 학습을 할 수 없기 때문에 예측성능이 떨어지는 것으로 판단된다. 둘째, 데이터 측정과정에서 시스템 오류로 인한 이상치 데이터 때문이다. Fig. 7은 태양열 축열량이 50 kWh 이하, 50 kWh 초과 구간의 수평면 일사량을 나타낸 그림이다. 2.2절에 언급한 바와 같이 진천 친환경에너지타운의 집열펌프의 동작조건은 일사량이 0.4 kW/m²일 때 작동한다. 하지만 Fig. 7에서 수평면 일사량이 0.4 kWh/m² 이하일 때를 보면, 태양열 축열량 50 kWh 초과인 그래프(b)에서는 전체의 약 2%의 데이터가 측정되었지만, 50 kWh 이하 그래프(a)에는 전체의 약 52%가 측정되었다. 셋째, 계절에 따른 태양열 축열량 차이 때문이다. 50 kWh 초과 그래프(b)에서는 수평면 일사량과 태양열 축열량이 증가하는 추세를 나타냈지만 50 kWh 이하 그래프(a)의 경우 수평면 일사량에 따른 태양열 축열량의 관계는 다소 낮다. 특히 두 그래프에서 나타나듯이 동일한 수평면 일사량 구간인 0.2 ~ 0.6 kWh/m²에서 태양열 축열량의 차이를 나타낸다. 일사량의 경우 계절이 아닌 운량, 건축물의 환경, 날씨 등에 따라 값의 차이가 발생하지만, 태양열 축열량의 경우 계절에 따른 외기온도, 습도 등의 영향을 받기 때문이다.

Fig. 6 Analysis of the predictive performance of an ANN for solar stored energy.

Fig. 7 Analysis of solar stored energy and horizontal insolation in the section.