1. 서 론

사우디아라비아는 대표적인 사막기후 지역으로, 극도로 덥고 건조한 환경 특성을 나타내며 여름철 외기온이 54℃에 달하는 경우도 발생한다.⁽¹⁾ 이러한 혹독한 기후 조건은 실내 재실자의 온열 쾌적성 확보를 어렵게 하며, 주거 및 업무 공간에서 냉방 수요를 증가시키고 있다. 특히, 사우디아라비아는 국가 전체 전력 소비량의 약 80%가 건물에서 발생하고 있으며, 이 중 약 50%가 냉방 에너지로 사용되고 있어 냉방이 에너지 소비의 핵심 요인으로 작용하고 있다.⁽²⁾ 이와 같은 높은 냉방 의존도는 전력 피크 부하를 심화시키며, 에너지 생산 및 공급 시스템의 안정성에 심각한 부담을 초래하고 있다. 또한, 사우디아라비아는 풍부한 석유 및 천연가스 자원을 보유한 산유국임에도 불구하고 자국의 에너지 소비 증가로 인해 수출 가능한 에너지 여력이 줄어들고 있으며, 이는 국가 경제에 구조적인 위험요소로 작용할 수 있다.⁽³⁾ 이에 따라 사우디아라비아 정부는 ‘사우디 비전 2030(Saudi Vision 2030) 정책’을 통해 화석연료 중심의 경제구조에서 벗어나 에너지 효율성 제고와 지속 가능한 발전을 위한 정책적 전환을 추진하고 있으며⁽⁴⁾, 특히 건물에서의 냉방 에너지 저감은 이러한 정책 목표 달성의 핵심 전략으로 부상하고 있다. 이러한 배경으로 인해, 실내 재실자의 온열 쾌적성을 확보하면서도 냉방 에너지 소비를 효율적으로 제어할 수 있는 기술적 접근이 중요해지고 있다. 최근에는 실내외 기후 조건과 재실자의 온열 쾌적성(Predicted Mean Vote, 이하 PMV) 등을 반영하여 인공지능 기반의 머신러닝(Machine learning) 알고리즘 등을 활용한 에너지 제어 시스템이 주목받고 있다. 특히, 머신러닝은 다양한 환경 데이터를 학습함으로써 기존의 고정된 제어 방식보다 훨씬 정밀하고 유연한 냉방 운용을 가능하게 하며, 고온건조한 기후 특성을 지닌 사우디아라비아에서 에너지 효율성을 확보할 수 있는 핵심 기술로 대두될 수 있다.

이와 관련된 선행 연구로 Mao et al.⁽⁵⁾은 다양한 기후대의 주거 공간을 대상으로 PMV 기반의 에너지 소비 최적화를 위해 수치 해석(CFD), 반응 표면모델(RSM), 예측모델 기반 제어 알고리즘을 활용하였으며, 이를 통한 단일 변수 조절이 아닌 공기 공급 온도와 유량을 동시에 제어하는 방식으로 기존 제어 대비 최대 6.5%의 에너지 감소 효과를 보였다. Afram et al.⁽⁶⁾은 주거용 HVAC 시스템을 대상으로 인공신경망(Artificial Neural Network, 이하 ANN)을 활용한 모델예측제어(Model Predictive Control, 이하 MPC) 기법을 적용하여 실내외 기후 변수 및 온열 쾌적성 지표(PMV)에 기반한 동적 온도 설정 포인트를 생성하고, 이를 통해 냉방 에너지 소비 및 운전 비용 절약에 대한 가능성을 나타냈다. Boutahri and Tilioua⁽⁷⁾은 스마트 빌딩(Smart Building)의 열쾌적성과 에너지 소비 최적화를 위해 PMV 지수를 예측하는 머신러닝 기반 모델을 개발하였다. 머신러닝 모델의 학습은 라즈베리파이(Raspberry Pi)와 결합된 계측 장치를 통해 사용자 정보 등의 수집 데이터를 전처리한 뒤, Pearson 상관분석으로 주요 변수를 도출하고 이를 바탕으로 SVR, ANN, RF, XGBOOST 머신러닝 모델을 활용하여 예측 분석을 진행하였다. 그 결과, Random Forest와 XGBOOST 모델이 각각 결정계수(R2) 0.967, 0.964로 높은 예측 정확도를 나타내며, HVAC 시스템의 에너지 절감과 온열 쾌적성 향상에 효과적임을 입증하였다. Ahn and Park⁽⁸⁾은 EnergyPlus 시뮬레이션 프로그램을 활용하여 확률적 접근과 결정적 접근을 비교하였다. Monte Carlo 기법을 적용하여 외기 조건, 내부 발열, 사용자 행동 등 다양한 입력 변수의 변화에 따른 PMV 값의 분포를 분석하였다. 그 결과, 동일한 조건에서도 입력 변수의 불확실성에 따라 PMV 예측값에 큰 차이가 발생함을 확인하였으며, 이는 열쾌적성 기반 제어에 있어 불확실성 고려가 필요함을 나타내었다. Kim and Yoon⁽⁹⁾은 스마트 온도조절기의 점유 영역 열쾌적을 직접 센싱 없이 추정하기 위해 ‘가상 PMV 센서’를 제안하고, 짧은 시운전(침입형) 데이터로 화이트․블랙․그레이박스 모델을 비교 학습하여 벽면 온도조절기 위치 차이에 따른 체계오차(최대 -2.4℃)를 보정한 대표 PMV를 관측했으며, 단 1일 데이터만으로도 PMV 평균절대오차 0.05를 달성하여 일반적 적용에는 데이터․지식 융합의 그레이박스 접근이 최적임을 제시하였다. Moon⁽¹⁰⁾은 TS (Thermal Sensation)를 포함한 열쾌적 지표를 제어 기준으로 한 열환경 제어 기법의 성능을 분석하기 위해, 미국 5층 오피스 건물을 대상으로 시뮬레이션을 수행하였다. 온도, 습도, PMV, TS를 제어 기준으로 한 4가지 제어 로직을 비교한 결과, PMV 제어는 PMV와 TS 쾌적도를 동시에 가장 안정적으로 유지하였으며, 특히 고온다습 기후에서 냉방 에너지 사용량을 최대 64.2%(잠열 기준)까지 절감하는 등 에너지 효율성에서도 우수한 성능을 보였다. Jang and Suh⁽¹¹⁾은 35×35 m 규모의 사무소 기준층을 내주부와 외주부로 구분해 VAV와 FCU를 결합한 중앙공조 시스템을 EnergyPlus로 모델링하고, 실온 제어와 PMV 제어의 성능을 비교하였다. 실온 제어는 난방 20℃와 냉방 26℃를 기준으로 한 방식과 목표 온도를 22.5℃에서 24℃로 좁힌 방식을 검토했으며, PMV 제어는 지표를 ±0.5 범위에 유지하도록 설정했다. 분석 결과 PMV 제어는 연중 PMV 분포를 0에 가깝게 집중시키고 쾌적 시간 비율을 외주부 85.8%, 내주부 98.3%로 높였고, 동일한 쾌적 수준을 목표로 한 실온 제어 대비 냉난방 에너지 사용량을 6.1% 절감했다. 에너지절약기준 온도와 비교하면 총에너지는 14.3% 증가했으나, 해당 기준의 쾌적 시간 비율이 외주부 43.1%, 내주부 35.7%에 그쳐 PMV 기반 제어가 쾌적성과 에너지 소비의 균형을 향상시키는 전략임을 시사한다.

그러나 기존 연구의 상당수는 이상적인 조건에서 특정 공간을 모델링한 시뮬레이션 기반 분석에 국한되어 왔다. 이러한 접근은 고온․건조한 사우디아라비아의 기상 조건과 다양한 사용자 행태가 복합적으로 작용하는 실제 운용 환경에서, 알고리즘 기반 냉방 제어 기술이 동일한 수준의 에너지 절감 효과와 온열 쾌적성 향상을 실현할 수 있는지에 대한 실증적 근거가 부족하다는 한계가 있다.

이에 본 연구는 사우디아라비아의 고온․건조 기후를 재현할 수 있는 기후환경실을 구축하고, 그 내부에 목업(Mock-up) 챔버를 설계․설치하였다. 이를 기반으로 개발된 머신러닝 알고리즘 적용 전․후의 성능을 비교하는 실증 실험을 수행하여, 냉방 에너지 절감과 실내 온열 쾌적성 향상의 실현 가능성을 정량적으로 검증하였다. 이러한 연구 접근은 알고리즘의 실제 환경 적용성을 입증함과 동시에, 향후 고온건조 지역에서의 스마트 냉방 제어전략 수립에 활용될 수 있는 중요한 기초자료를 제공한다.

2. 기후환경실 및 Mock-up 챔버 개요

사우디아라비아의 기후환경을 모사하고, PMV 기반의 머신러닝 알고리즘을 적용하여 냉방 에너지 효율과 실내 재실자 온열 쾌적성 개선 효과를 분석하기 위해, 한국건설생활환경시험연구원(Korea Conformity Laboratories, 이하 KCL)의 기후환경실⁽¹²⁾ 내 사무용 공간을 모사한 Mock-up 실증 챔버를 설치하여 실험을 수행하였다.

Fig. 1(a)에 나타난 바와 같이 기후환경실은 ‘10(L) × 10(W) × 4.5(H) m’의 규모이며 실내 공간과 기후 모사를 위한 항목별 구현 가능하다. 온도의 범위는 Table 1과 같이 -30℃에서 80℃까지 조절이 가능하며, 습도, 강우량, 그리고 강설량에 대하여 아래 표와 같은 범위로 조절이 가능하다.

Fig. 1. KCL Climate Environment Chamber: (a) and (b) for before and after the chamber installed.

또한, Mock-up 실증 챔버는 Fig. 1(b)에 나타낸 바와 같이 가로 6 m, 세로 3.6 m, 높이 2.5 m 규모로 제작하였다. 한쪽 면에는 가로 2.4 m, 세로 1.5 m 크기의 Low-E 코팅이 적용된 창호를 설치하여 외부 일사에 의한 열교환 특성을 모사하였다. 외벽은 열적 특성을 고려하여 두께 100 mm의 EPS (Expandable Polystyrene) 단열재로 마감되었으며, 실내 냉방 조건을 구현하기 위해 에어컨을 설치하고, 내부 발열을 재현하기 위해 LED 조명을 설치하였다. Mock-up 챔버는 기후환경실 중앙에 위치시켜 챔버의 외부환경 노출을 균일하게 유지하였으며, 챔버의 전체적인 구조와 내부 설치 장치는 Fig. 2에서 나타낸다. Table 2는 주요 구성 요소 및 사양을 보여주고 있으며, 이를 통해 실제 고온건조 기후 환경에 노출된 건물 환경과 유사한 열․공기 조건을 모사하고 제안된 제어 방법론을 검증하였다.

Fig. 2. Overview of mock-up chamber structure.

재실자의 온열 쾌적성(PMV) 및 냉방 에너지 소비량을 평가하기 위해 목업 챔버의 중앙에 높이 1.1 m 지점에 PMV 측정기를 설치하였다. 또한, 냉방기, 내부 조명, 공기 순환팬, 챔버 내 전체 전력 사용량을 계측할 수 있도록 전력량계(Power meter)를 설치하였다. 실내․외 온습도 변화가 실내 열환경과 에너지 소비에 미치는 영향을 분석하기 위해, 실내 3개 지점(높이 1.1 m)과 실외 1개 지점(높이 1.3 m)에 온습도 센서(Thermometer/Hygrometer)를 설치하였다. 계측 장비의 설치 위치와 챔버 내 배치는 Fig. 3에서 나타내고 있으며, 측정 항목별 장비 사양과 설치 위치에 대한 상세 정보는 Table 3에서 보여준다.

Fig. 3. Installation of measuring instruments in the mock-up chamber.

3. 머신러닝 기반 PMV 예측 및 실내 설정 온도 알고리즘

본 연구에서는 재실자의 온열 쾌적성을 정량적으로 예측하고, 해당 값을 기반으로 냉방 시스템의 제어를 위해 실내 온도를 설정하기 위한 알고리즘을 개발하였다. Fig. 4는 해당 알고리즘의 전체 흐름 및 데이터 처리 방식을 도식화한 것이다. 알고리즘은 먼저 실험 데이터를 불러오는 단계로 시작되는데, 입력 데이터는 주중 운전일(Weekday) 조건을 만족할 경우에만 처리되며, 그렇지 않은 경우에는 냉방 시스템을 종료(AC System Off)하고 해당 시점은 제어 로직에서 제외된다. 운전일로 판단되면 시간 정보와 센서 데이터를 순차적으로 읽어 들이고, 이를 기반으로 PMV를 계산하게 된다. PMV 계산에는 실내 공기 온도, 상대 습도, 평균 복사 온도(Mean Radiant Temperature), 공기 유속 등 물리적 변수(Physical Variables)와 재실자의 활동량(Metabolic Rate) 및 착의량(Clothing Insulation) 등 개인적 변수(Personal Variables)가 포함된다. 전체 센서 측정 및 변수 처리 방식은 오른쪽 블록에 정리되어 있으며, 각 변수는 센서 실측(Sensor Measuring), 가정 기반 고정값(Fixed Value based on Assumption), 혹은 머신러닝 추정치(Estimates based on ML)를 통해 입력된다. 이후 계산된 PMV 값은 사전에 정의된 온열 쾌적 범위와 비교되어, 냉방 장치의 운전 여부와 설정 온도를 결정한다. PMV가 허용 범위에 포함될 경우, 에어컨은 특정 설정 온도로 작동되며 그렇지 않은 경우에는 에어컨 작동을 중지하거나 최소한의 세기로 작동된다.

Fig. 4. The algorithm of machine-learning (ML) based PMV and thermostat temperature calculation.

마지막으로, 각 시점의 PMV 계산 결과와 센서 데이터는 다음 시간 단계의 입력 변수로 활용되어 지속적인 제어 루프를 형성한다. 이러한 방식은 에너지 소비를 최소화하면서도 재실자의 온열 쾌적성을 정량적으로 유지하는 머신러닝 제어 기반의 실내 환경 조절 시스템 구현에 적합함을 시사한다.

3.1 평균복사온도(MRT) 예측 모델 구성

실시간 재실자의 온열 쾌적성 지표인 PMV를 산정하기 위한 핵심 요소 중 하나인 평균복사온도(Mean Radiant Temperature, 이하 MRT)를 머신러닝 기반으로 예측하는 모델을 구성하였다. 본 연구에서는 인공신경망(Artificial Neural Network, 이하 ANN)을 활용하여 MRT를 예측하는 방식을 채택하였다. ANN 기반 MRT 예측 모델은 Fig. 5와 같이, 입력층(Input layer), 은닉층(Hidden layer), 출력층(Output layer)으로 구성된 다층 퍼셉트론(Multilayer Perceptron) 구조를 갖는다. 이러한 구조는 데이터를 다양한 클래스로 분류하고 정렬하는데 매우 효과적이며, 비선형 모델을 학습시키고 실시간으로 모델을 훈련하는데 장점이 있다.⁽¹³⁾ 다층 퍼셉트론 입력 변수는 모두 센서로부터 수집 가능한 실내 공기 온도, 냉방 설정 온도, 실외 공기 온도, 그리고 시간 정보(Time Data)의 네 가지 항목으로 구성된다. 이들 변수는 MRT와의 상관성이 높은 물리적 변수로 사전 선정되었으며, 각 입력값은 실시간으로 수집되어 예측 모델의 입력값으로 제공된다. 이와 같이 구성된 MRT 예측 모델은 기존의 센서 측정 기반 시스템 대비 높은 유연성과 비용 효율성을 확보할 수 있으며, 실시간 쾌적도 제어 알고리즘의 핵심 입력값으로서 기능한다. 본 모델은 Python 기반의 머신러닝 PyTorch 라이브러리를 활용하여 구현되었으며, 온도 조절 및 쾌적도 유지 자동화 알고리즘 내에서 실시간 PMV 산정에 기여한다. 아래 Fig. 5는 ANN 모델의 일반적인 구조를 나타낸다.

Fig. 5. A typical architecture of a multilayer-based ANN model.

Table 4. ANN model parameter information

Parameter name	Range
Model	∘Artificial Neural Network (ANN)
Hidden layer	∘2
Neuron number	∘40
Activate function	∘ReLU
Input variables	∘Indoor air temperature
	∘Outdoor air temperature
	∘Initial air conditioning setpoint
	∘Time information
Output variable	∘Mean radiant temperature (MRT)

ANN 모델을 활용한 MRT 예측 모델 구축에 사용된 주요 매개변수(Parameter)는 Table 4와 같다. 앞서 언급한 바와 같이, 머신러닝 기반 예측 모델은 ANN 구조를 적용하였으며, 은닉층(Hidden layer)의 개수는 2개, 각 층의 뉴런(Neuron) 수는 40개로 설정하였다. 활성 함수는 ReLU(Rectified Linear Unit)를 사용하였으며, 입력 및 출력 변수 역시 Table 4와 같이 정리하였다. 구축된 ANN 모델을 통해 예측된 MRT 값은 실시간 PMV(Predicted Mean Vote) 계산에 반영되었으며, 산출된 PMV와 쾌적 범위를 기준으로 설정 온도를 실시간으로 조정하였다. 이를 통해 실내 냉방기가 자동 제어되도록 하여, 에너지 효율성과 재실자의 쾌적성을 동시에 확보할 수 있도록 설계하였다. 마지막으로, 구축된 ANN 모델의 예측 성능과 신뢰성 검증은 다음 장에서 상세히 제시한다.

3.2 예측 모델의 신뢰성 검증

본 연구에서 구축한 예측 모델의 신뢰성 검증은 총 세 단계로 진행되었다. 첫 단계에서는 ANN(Artificial Neural Network) 모델을 통해 예측된 MRT(Mean Radiant Temperature) 값과 실제 데이터셋을 비교하여 정확도를 평가하였다. 학습된 데이터셋을 기반으로 MRT 예측이 허용 가능한 범위 내에 들어오는지 검토한 결과, Fig. 6(a)과 (b)에서 볼 수 있듯이 오차율과 분포가 적정 수준임을 확인하였다. 오차 분포 통계 분석 결과, 평균 절대 오차(MAE)는 0.42°C였으며, 2.5%와 97.5% 백분위수는 각각 -0.84℃와 0.87℃로 나타났다. 이는 모델이 실제 데이터와 유의미한 수준에서 일치함을 보여준다.

Fig. 6. The validation procedure of the prediction model: (a) Error distribution of MRT prediction, (b) Actual MRT vs. predicted MRT values, (c) Comparison between measured vs. predicted setpoint temperatures, (d) Measured PMV values within the range.

두 번째 단계에서는 예측된 MRT 값을 활용하여 계산된 PMV(Predicted Mean Vote)가 설정된 쾌적 범위 내에서 적절히 반영되는지를 검토하였다. 이를 위해 실내 공기 온도와 예측된 설정 온도의 변화를 시계열로 비교 분석하였다. Fig. 6(c)은 최적화된 실내 설정 온도에 따라 실내 온도가 안정적으로 유지되는 과정을 보여주며, 이를 통해 구축된 제어 알고리즘이 실시간 운전에 적합함을 확인할 수 있었다. 마지막으로, Fig. 6(d)에 제시된 바와 같이, 챔버 내 서로 다른 위치에 설치된 PMV 측정기에서 수집된 값과 예측 모델의 결과를 비교하였다. 분석 결과, PMV 값은 설정 경계(±0.5) 이내에서 유지되었으며, 최적의 설정 온도를 기반으로 실내 열환경이 안정적으로 조절되는 것을 확인하였다. 이를 통해 예측 모델이 실제 환경에서도 타당하게 작동함을 검증하였으며, 다양한 시나리오별 비교 분석을 통해 모델의 일반화 가능성 또한 확보하였다.

4. 목업 실험 주요 설정 항목

5. 실험 결과 분석

5.1 기후 조건

실험은 사우디아라비아의 TMY2 기상 데이터를 기반으로 도출한 대표일의 기후 조건을 적용하여 수행하였다. Case 1 실험을 24시간 연속으로 가동한 후, 약 2시간의 정상상태(Steady-State) 도달 과정을 거쳐 순차적으로 Case 2와 Case 3의 실험을 수행하였다. 이러한 절차는 각 실험 조건 간 초기 상태를 동일하게 유지하고, 기후 조건 변화에 따른 성능 평가의 신뢰성을 확보하기 위함이다.

Fig. 7. Controlled climate conditions in the CEC.

Fig. 7은 실험에 적용된 기후 조건을 나타낸 것으로, 해당 대표일의 최고 기온은 43.5℃이며, 최저 기온은 28.9℃이다. 또한, 최고 상대습도는 28.8%, 최저 상대습도는 11%로 나타났다. 이러한 조건은 사우디아라비아의 고온건조 기후의 일반적인 특성을 반영하며, BEMS 기반 냉방 성능 및 쾌적성 평가를 위한 적절한 실험 환경으로 판단한다.

5.2 실내 온도

Fig. 8은 각 실험 Case 별 실내 온도 변화를 나타낸 것이다. 실험 결과, Case 1과 Case 2는 냉방 설정 온도를 24℃로 설정하였으나, 실제 측정된 실내 평균 온도는 약 22.9℃ 로 나타났다. 이는 냉방기에 내장된 서모스탯(Thermostat)이 위치한 상부 기준점과 실내 온도 센서가 위치한 1.1 m 평가점 간 높이 차에서 기인된 것으로, 상․하부의 온도층화(자연대류)로 하부 온도가 상대적으로 낮게 나타나는 전형적인 특성이다.⁽¹⁵⁾ 다만, 본 연구에서 세 가지 Case 모두 동일한 센서 및 높이 체계를 적용하여 실험을 진행하였으므로, 수치상의 절댓값 차이가 존재하더라도 Case 간 상대 비교의 공정성은 확보된다. 또한, 본 연구의 주요 분석은 단순 온도 수치만이 아니라, PMV 기반의 온열 쾌적성 지표를 통해 수행되었기 때문에, 센서 위치에 따른 수치상의 편차가 연구의 결론에 큰 영향을 미치지는 않는다.

Fig. 8. Indoor temperature for each case during the experiment.

한편, Case 3에서는 평균 실내 온도가 약 24.1℃로 나타나 설정 온도보다 다소 높게 유지되었다. 이는 재실자의 온열 쾌적성(PMV)에 기반하여 설정 온도가 동적으로 조정되는 제어 전략의 결과로 해석되며, 실증 시에도 에너지 절감과 쾌적성 확보를 동시에 달성할 수 있는 가능성을 시사한다.

5.3 냉방 에너지 소비량

Fig. 9는 각 실험 Case 별 실내 냉방 전력 소비량을 비교한 결과를 나타낸 것이다. 24시간 동안의 냉방 운전 중 측정된 총 에너지 소비량은 Case 1의 정속형 에어컨의 경우 총 16.1 kWh, Case 2의 인버터형 에어컨은 8.7 kWh, 그리고 Case 3의 PMV 기반 알고리즘 제어 방식은 8.2 kWh를 소비한 것으로 확인되었다. 이 결과는 인버터형 에어컨이 정속형 대비 약 46%의 에너지를 절감할 수 있음을 보여주며, Case 3은 인버터형 대비 약 6%의 추가 절감 효과가 나타났다. 다만, 추가 절감된 6%라는 수치는 계측 요소 및 측정 장비 등의 오차범위를 고려하였을 때 유의미한 효과로 해석하기는 한계가 있다. 그럼에도 불구하고 PMV(Predicted Mean Vote) 기반의 머신러닝 알고리즘을 적용한 Case 3의 중요한 의의는 에너지 절감 효과에 더해, 재실자의 쾌적성을 정량적으로 보장하면서 불필요한 냉방 운전을 억제했다는 점에 있다. 이는 에너지 효율성과 사용자 만족도를 동시에 달성할 수 있는 효과적인 전략임을 시사하며, 실제 현장 적용 시 쾌적성 중심의 지능형 제어가 에너지 절감과 사용자 만족도를 확보할 수 있음을 실증적으로 보여준다.

Fig. 9. Air conditioner power consumption for each case.

5.4 재실자 온열 쾌적성(PMV)

Fig. 10은 냉방 운전 방식에 따른 재실자 온열 쾌적성의 변화를 PMV(Predicted Mean Vote) 지표를 통해 나타낸 것이다. PMV는 실내 열환경에 대한 인체의 평균적인 열적 반응을 정량적으로 표현한 지표로, ASHRAE Standard 55에서는 -0.5에서 +0.5까지 범위를 재실자가 쾌적함을 느끼는 구간으로 정의하고 있다.⁽¹⁶⁾

Case 1(정속형 에어컨)에서는 평균 PMV가 약 -0.9로 ‘추움(Cool)’ 상태에 해당하였으며, 전체 시간 동안 PMV가 쾌적 범위를 만족하지 못해 PMV Unmet Rate는 100%로 나타났다. 이는 해당 운전 방식 하에서 쾌적한 실내 열환경이 전혀 유지되지 않았음을 의미한다.

Case 2(인버터형 에어컨)의 경우, 평균 PMV는 약 -0.7로 여전히 ‘추움’ 상태에 가까웠으며, 전체 시간 중 약 44%만이 쾌적 범위 내에 해당하여 PMV Unmet Rate는 56%로 확인되었다.

Fig. 10. Comparison of PMV results during the experiment.

반면, Case 3(PMV 기반 알고리즘 적용)의 평균 PMV는 약 0.1로 쾌적 구간에 해당하였으며, 전체 시간 중 94%가 쾌적 범위에 속해 PMV Unmet Rate는 6%로 크게 개선되었다. 이는 해당 제어 알고리즘이 실내 환경 보다 정밀하게 제어하여 재실자의 열적 쾌적성을 안정적으로 유지하였음을 보여준다.

각 Case별 PMV Unmet Rate를 비교한 결과는 Fig. 11에 제시하였다. Case 2(인버터형 에어컨)는 Case 1에 비해 PMV Unmet Rate가 46% 감소하였으며, Case 3(PMV 기반 알고리즘 적용)은 Case 2보다 50% 추가로 감소한 것으로 나타났다.

Fig. 11. Reduction in PMV unmet rate (%).

이러한 결과는 Case 3의 알고리즘이 재실자의 온열 쾌적성을 실시간으로 예측하고 이를 냉방 제어에 반영함으로써, 기존 제어 방식 대비 월등히 높은 수준의 온열 쾌적성 유지율을 달성하였음을 시사한다. 즉, 단순한 온도 설정 기반 제어와는 달리, PMV 기반 지능형 제어는 실제 체감 환경을 반영하여 실내 환경의 질을 정밀하게 향상시킬 수 있으며, 에너지 저감과 동시에 사용자의 쾌적성을 효과적으로 높일 수 있는 전략임을 입증하였다.

6. 결 론

본 연구는 고온․건조한 사우디아라비아의 기후 조건을 모사한 기후환경실 내 목업 챔버(Mock-up chamber)를 대상으로, PMV(Predicted Mean Vote) 기반 머신러닝 알고리즘을 적용한 냉방 제어 시스템의 성능을 정량적으로 검증하고자 수행되었다. 이를 위해 세 가지 냉방 운전 방식을 비교 분석하였다(Case 1: 정속형, Case 2: 인버터형, Case 3: PMV 기반 알고리즘 적용). 연구 결과, 다음과 같은 주요 결론을 도출할 수 있었다.

(1) 냉방 에너지 소비량 측면에서 인버터형 에어컨(Case 2)은 정속형 대비 약 46%의 에너지를 절감하였고, PMV 기반 알고리즘 적용 방식(Case 3)은 인버터형 대비 추가로 약 6%의 에너지 절감 효과를 보였다. 이는 기후조건에 능동적으로 반응하는 지능형 제어 기술이 에너지 효율성 향상에 기여함을 입증한 결과이다.

(2) 재실자의 온열 쾌적성 분석 결과, 정속형(Case 1)과 인버터형(Case 2)의 PMV Unmet Rate은 각각 100%와 56%로 PMV 쾌적범위(-0.5 ~ +0.5)를 대부분 만족시키지 못한 반면, PMV 기반 제어 방식(Case 3)은 평균 PMV 0.1, PMV Unmet Rate 6%로 약 94%의 시간 동안 쾌적 범위를 유지하는 우수한 쾌적 성능을 나타냈다.

(3) Case 3에서는 평균 제어 온도가 설정 온도(24℃)보다 약간 높은 24.1℃로 유지되었음에도 불구하고 재실자의 온열 쾌적성을 확보함과 동시에 에너지 절감을 달성하였다. 이는 PMV 기반 알고리즘이 단순 온도 기준이 아닌, 재실자의 체감 환경을 정밀하게 반영한 제어를 수행함으로써 효율적인 냉방 운전을 가능하게 한다는 점을 시사한다.

따라서, 본 연구는 개발된 PMV 기반 머신러닝 제어 알고리즘이 고온․건조한 기후 조건에서도 재실자의 온열 쾌적성을 유지하면서 냉방 에너지 소비를 효과적으로 저감 할 수 있는 유효한 솔루션임을 실증하였다. 본 결과는 향후 사우디아라비아를 비롯한 고온․건조 지역에서의 스마트 빌딩 설계 및 에너지 효율화 전략 수입을 위한 중요한 기초자료로 활용될 수 있다.