1. 서 론
1.1 연구 배경 및 기존 문헌 검토
1.2 설문 조사 및 대상지 선정
2. 연구 흐름
3. 방법론
3.1 PMV 입력변수 및 설정조건
3.2 센서 배치 및 데이터 수집
3.3 가상센서 구축 과정
3.4 CFD Simulation
4. 결 과
4.1 가상센서 성능 평가
4.2 PMV가 시각화된 열람실 좌석 선택 시스템
4.3 PMV 고려 전후 불만족도 비교 및 최적 자리 제시
5. 결론 및 추후 연구
1. 서 론
1.1 연구 배경 및 기존 문헌 검토
건물 에너지는 전체 에너지 소비의 약 30%를 차지한다1). 건물을 사용하는 재실자의 행동은 건물 에너지 소비에 큰 비중을 차지하는데, 이는 보다 쾌적한 실내 환경을 원하는 재실자의 욕구에서 비롯된다. 특히 열적쾌적성은 가장 반응이 빠르고 쾌적에 대한 인식을 쉽게 할 수 있는 환경적 요소로서, 비록 다른 요소가 쾌적한 상태가 아니더라도 열적쾌적성이 만족되면 어느 정도의 보상이 가능하다2). 따라서 열적쾌적성을 만족시키는 것은 재실자의 만족도 향상과 더불어 건물 에너지 소비 절감에 기여하는 데 중요한 역할을 한다.
열적쾌적성을 나타내는 지표는 PMV (Predicted Mean Vote), ET (Equivalent Temperature), UTCI (Universal Thermal Climate Index) 등 다양한 지표가 존재하는데, 그중 PMV는 더 정량적이고 직관적으로 열적쾌적성을 표현할 수 있어 국제적으로 널리 사용되고 있다3). PMV는 온도, 상대 습도, 기류 속도 등 다양한 매개변수를 필요로 한다. 이러한 정보들은 일반적으로 물리적인 실물센서를 통해 수집된다. 하지만 이론과 달리, 실제 현장에서 실물센서를 설치하는 데는 물리적 제약이 있을 수 있으며, 측정 지점이 많아질 경우 비용적 문제도 발생할 수 있다.
이러한 문제를 해결하기 위해 가상센서를 활용한다. 가상센서란, 기존 환경에서 얻을 수 있는 데이터를 바탕으로 실물센서로 측정하기 어려운 변수를 추정하기 위한 함수 형태의 모델 또는 알고리즘을 말한다4). 가상센서는 백업 및 대체 가상센서와 관측 가상센서로 구분할 수 있다. 백업 및 대체 가상센서는 실물센서와 동일한 대상을 측정하기 위함을 목적으로 사용되는 것으로, 실물센서를 보완하거나 실물센서에 문제가 발생하였을 때 이를 대체하기 위해 사용된다. 반면, 관측 가상센서는 기존에 존재하는 실물센서로 측정할 수 없거나, 측정하기 힘든 대상을 측정하기 위함을 목적으로 사용된다.
기존 연구에서는 이러한 가상센서를 통해 특정 지점을 센싱하여 공간 내 열적쾌적성을 예측하였다5). Allab et el.6)에서는 에너지 관리를 위해 공간에 센서를 이용하여 PMV를 계산하고, 이를 TRNSYS를 통해 시뮬레이션하였다. Woradechjumroen et el.7)의 연구에서는 실내 에너지 관리 제어를 목적으로 상업용 건물에서 구역 간의 열적 상호작용을 측정하기 위해 가상센서를 활용하였다. Ahamed et el.8)에서는 가상센서를 이용하여 AHU (Air Handling Unit)의 공급온도를 예측하거나 보완하는 연구를 진행하여 HVAC 시스템의 에너지 효율성을 향상시키는 것을 목적으로 하였다. 하지만 기존의 연구들은 열적쾌적성의 측정이 HVAC 시스템 제어나 에너지 소비 절감을 목적으로 하기에, 별도의 HVAC 제어가 없으면 열적쾌적성을 향상시킬 수 없다는 한계가 있다. 또한, 이러한 접근 방식은 개인 사무실이나 주택처럼 공간이 제한적이고 재실자 수가 적은 경우에는 열적쾌적성 정보를 제공할 수 있다. 하지만 넓은 공간에서 재실자의 위치별 열적쾌적성은 상이하다. 따라서 강의실이나 도서관처럼 재실자 수가 많고 재실 위치가 다양해질수록, 기존의 특정 지점만을 센싱하는 방법론은 좌석별로 상이한 특성을 반영할 수 없기에 재실자를 위한 열적쾌적성 정보를 제공하는 데 한계가 있다. 이에 재실자가 위치할 수 있는 모든 공간의 정보를 반영할 수 있도록 모든 좌석을 센싱하여 열적쾌적성을 예측할 필요가 있다.
또한, 개인별로 느끼는 열적쾌적성이 다름에도 불구하고, 기존의 도서관 열람실 좌석 선택 시스템은 이러한 개인의 열적쾌적성을 반영하지 못한다. 즉, 재실자를 위한 열적쾌적성을 정확히 예측하여도 이러한 정보가 사전에 제공되지 않으면 재실자의 불만족은 여전히 존재한다. 따라서 좌석 선택 시 정보가 제공될 수 있도록 시각화하여 개인의 열적 특성을 고려한 좌석 선택 시스템이 제공될 필요가 있다.
이에 본 연구에서는 가상센서를 활용하여 실내 공간에서의 위치별 PMV를 예측하고, 이를 좌석 선택 시스템에 시각화하여 최적의 좌석을 선택하기 위한 정보를 제공하고자 한다. 또한, 이러한 시스템 적용에 따른 재실자의 불만족도를 개인의 열적 특성을 가정하여 비교함으로써 그 효과를 검토한다.
1.2 설문 조사 및 대상지 선정
K대학교 도서관을 이용하는 학생들을 대상으로 2024년 6월 3일에서 23일까지 설문조사를 실시하여 Table 1과 같이 조건을 나타내었고 Table 2처럼 진행하였다. 설문조사 결과, Fig. 1과 같이 응답자 149명 중 109명인 73%가 열적 환경에 만족하지 못하는 것으로 나타났다. 여러 열람실 중 남쪽과 서쪽에 창이 있어 좌석별 PMV 차이가 클 것이라고 예상되는 ‘4열람실(Fourth Reading Room)’을 대상으로 본 연구를 진행하였다(Fig. 2 참조). 4열람실은 총 172개의 좌석이 있으며, 천장 급기구와 배기구가 각각 16개로 냉난방 및 환기가 되고 있다.
Table 1
Survey condition
| Duration | Participants |
Gender (Man / Woman) | Total respondents |
Satisfied respondents |
Dissatisfied respondents |
| 06/03 ~ 06/23 | Library using students | 49.7% / 50.3% | 149 | 109 | 40 |
Table 2
Survey questions
2. 연구 흐름
본 연구의 방법론은 Fig. 3과 같이 5단계로 나타낼 수 있다. 먼저 가상센서, CFD Simulation, 기본 가정을 통해 PMV의 6개 입력변수를 설정하였다. 다음으로 온도, 습도 데이터 수집을 위해 실물센서, 검증센서를 선정하고 배치하였다. 이후, 수집된 데이터를 바탕으로 입력변수를 선정하고 본 연구에서 제시한 단계적 학습을 통한 가상센서 구축 알고리즘으로 모델을 구축하였다. 기류 속도는 CFD Simulation을 통해 172개 좌석의 값을 도출하였다. 최종적으로 구축된 가상센서와 CFD Simulation을 통해 PMV 가상센서를 구축하고 예측된 PMV를 좌석 선택 시스템에 시각화하여 최적 좌석 제시 및 불만족도를 비교하였다.
3. 방법론
3.1 PMV 입력변수 및 설정조건
PMV를 구하기 위한 6개의 입력변수를 Table 3와 같이 설정하였다. 먼저, 온도 및 상대 습도는 172개의 좌석을 대표하기 위한 45개의 가상센서 모델을 통해 각 지점의 온습도를 예측하였다. MRT(Mean Radiant Temperature)는 평균복사온도로서, 기존 문헌을 참고하여 건구온도와 동일하다고 가정하였다9). 이는 해당 연구에서 20,000건 이상의 데이터를 분석한 결과, 일반적인 사무실 환경에서는 건구온도만으로 MRT를 충분히 추정할 수 있으며, MRT를 별도로 측정하는 것이 열적쾌적성 개선에 있어 큰 실질적 이점을 제공하지 않는다고 결론지었기 때문이다. 또한, 본 연구는 가상센서를 통한 PMV 정보의 시각화를 주요 목표로 하는 기초 연구로써, 열람실 환경에서 MRT를 측정할 경우 이용자에게 불편을 줄 수 있어 별도의 측정을 고려하지 않았다. 다음으로 기류 속도는 CFD Simulation을 통해 172개 좌석의 기류 속도를 도출했는데, 경계조건으로 실제 측정한 급기 및 배기의 풍속 2.5 m/s를 설정하였다. clo(의복량)는 다음 Fig. 4와 같은 설문조사 결과를 토대로 가장 높은 비율을 차지한 반팔티(75.8%)와 긴바지(62.4%)의 조합인 0.5로 산정하였다. met는 열람실 이용자의 일반적인 활동을 Writing으로 가정하여 1.0으로 산정하였다.
Table 3
PMV input variables
3.2 센서 배치 및 데이터 수집
상시 부착되는 실물센서는 esp32 보드에 DHT22 온습도 센서를 연결하여 아두이노 개발환경에서 프로그래밍하였다. esp32 보드는 별도의 서버 저장 PC가 필요하지만, 열람실이라는 공간의 제약으로 인해 물리적 PC의 배치가 불가능하다. 따라서 일종의 mini PC인 라즈베리파이와 포트포워딩하여 온습도 데이터를 MySQL 데이터베이스와의 연동을 통해 저장하였다. 이러한 시스템을 통해 별도의 현장 방문 없이도 실시간 데이터 관리를 가능하도록 구현하였다.
가상센서로 예측된 값은 실제값이 아니므로 별도의 검증이 필요하다. 이에 TR72A 센서를 통해 온습도 데이터를 수집하여 검증에 이용하였다. 열람실 내 모든 좌석의 가상센서를 구축하기 위해서는 172개의 검증센서가 필요하지만, 물리적٠경제적 한계로 인해 본 연구에서는 좌석 4개당 하나의 모델을 만들어 총 45개의 모델(model_01 ~ model_45)로 172개의 좌석을 대표하였다. 활용 가능한 12개의 검증센서를 이용해 Fig. 5와 같이 각 주차별로 배치하였다. 05/14부터 06/02까지는 매주 11개씩 사용하였고, 마지막 주차인 06/04부터 06/09까지는 12개 배치하여 검증을 위한 데이터를 수집하였다.
Fig. 6을 보면 실물센서는 4열람실을 대표할 수 있도록 동서남북 방위에 각각 배치하였으며, 창이 없는 외주부에 추가 배치하였다. 검증센서는 4개의 좌석이 만나는 꼭짓점에 두었고, 실물센서와 검증센서 모두 열람실 내 착석해 있는 재실자의 평균 높이인 1.2 m 높이에 위치시켰다. 또한, esp32 보드의 특성상 별도의 유선 전원 공급이 필요하기에 연장 케이블을 통해 전력망을 구축하였고, 네트워크 라우터를 설치하여 실시간 데이터 송수신을 구현하였다. Fig. 7과 Fig. 8에서 실물센서와 검증센서의 실제 배치된 모습을 확인할 수 있다.
데이터 수집 기간은 05/14부터 06/09까지로, 상시 부착된 실물센서와 달리 검증센서는 일주일마다 대상 지점을 교체하여 총 4주간 수집하였다. 결측치에 경우, 이전 시간대의 값을 사용하였고 모든 데이터를 열람실 운영시간인 05:00 ~ 23:00까지 10분 간격으로 전처리하였다.
3.3 가상센서 구축 과정
모델 학습을 위한 입력변수 고려 대상으로는 기본적인 변수인 “Temperature”, “Humidity”에 이를 활용한 파생 변수를 추가하였다. 먼저 센서 거리에 따른 영향을 반영하기 위한 변수인 “Distance”와 “esp coordinate”, 온도와 습도의 시간별 순간 변화율을 나타내는 “Gradient”, 각 시간대의 전후 차이를 반영한 “Variation”을 선정하였다. 또한, 외기 조건을 고려하기 위해 기상청 기상자료개방포털을 통해 연구 지역의 시간별 기상 데이터를 수집하여 “Outdoor Temperature”, “Wind Speed”를 추가하였고, 시계열 데이터의 특성을 반영하기 위해 각 데이터를 푸리에 변환한 “sin_h”, “cos_h” 변수도 추가하였다. 마지막으로 재실자의 영향을 고려하기 위해 실제 도서관 좌석 시스템을 웹스크래핑하여 수집한 데이터인 “Number of Occupants”까지 총 11개의 입력변수를 고려 대상으로 선정하였다.
본 연구의 가상센서는 관측 가상센서로, Data-driven 방식으로 모델링하여 입력변수(X)와 타겟값(Y)의 관계를 나타냈다. 사용된 데이터는 시간에 따라 연속된 값을 가지는 시계열 데이터로서 ‘t-1 시점’ → ‘t 시점’ → ‘t+1 시점’과 같이 나타낼 수 있다. 해당 연구에서 제시하는 알고리즘의 목표는 ‘t+1 시점’의 타겟값을 예측하는 것으로, 이를 위해 타겟값의 이전 시점 데이터인 ‘t-1 시점’과 ‘t 시점’의 데이터를 모델 구축에 활용하였으며 그 과정을 Fig. 9에 나타내었다.
(1) 학습 단계(Training) : ‘t-1’ 시점의 입력변수(X)와 타겟값(Y)의 관계를 학습하여 모델을 구축한다.
(2) 테스트 단계(Testing) : ‘t 시점’의 입력변수(X/)를 학습된 모델에 적용하여 타겟값(Y/)을 출력하고, 이를 실제값(Y//)과 비교하여 모델의 성능을 검증한다. 모델이 기준치인 cv (RMSE) 10% 이내를 만족하면10), 해당 모델을 최종 모델로 선정하여 ‘t+1 시점’의 타겟값 예측에 사용하고 그렇지 않으면 다시 학습 단계로 돌아가 조정 과정(Adjustment process)을 거친다.
(3) 예측 단계(Prediction) : 최종 구축된 모델로 ‘t+1 시점’의 타겟값을 예측한다.
앞서 제시한 구축 알고리즘 방법론을 통해 4열람실을 대표할 수 있는 총 45개의 가상센서를 구축하였다. 검증센서로 측정한 일주일간의 주차별 데이터를 사용하여 Fig. 10처럼 “4일 학습–1일 테스트”의 과정을 두 번 수행하였으며, 두 모델 중 성능(cv (RMSE))이 더 우수한 모델을 채택하였다.
또한, 주중(화, 수, 목, 금)과 주말(토, 일)로 인한 학습 및 테스트 데이터의 일관성을 확인하기 위해 05/14 ~ 06/09 총 4주간 평균 재실자 수를 분석하였다. 실제 도서관 좌석 선택 시스템을 웹스크래핑하여 실시간으로 도서관 재실자의 데이터를 수집하고, 이를 주중과 주말의 평균 재실자 수를 계산하여 Fig. 11로 나타내었다. Fig. 11을 보면 주중과 주말의 평균 재실자 수는 각각 17, 12명으로 유사하여, 학습 및 테스트 데이터에서 주중과 주말의 일관성이 유지된 것으로 판단하였다.
앞선 알고리즘을 바탕으로 각 모델에 적용할 최적의 입력변수를 선정하기 위해 먼저 45개의 모델 중 하나를 선정하여 초기 검토를 수행하였다. 분석에는 1주차 데이터(05/14 ~ 05/19)를 기반으로 오버피팅에 강한 앙상블 모델인 Random Forest 기계 학습 알고리즘을 활용하였으며, 기본적인 입력변수인 온도와 습도만을 이용하여 모델을 구축하였다. 모델 성능 비교 결과, 13번 모델의 예측 성능이 가장 낮았으며() 이를 개선 대상으로 선정하였다. 이후, 대상 모델의 성능 향상을 위해 인공신경망 ANN (Artificial Neural Network)을 이용하여 파생 변수를 포함한 여러 입력변수 조합을 반복적으로 실험(trial and error)한 결과, 다음 Table 4와 같이 온도, 습도 모델별 최적의 입력변수를 도출하였다.
최적의 입력변수를 바탕으로, 최종적으로 사용할 기계 학습(Machine Learning) 모델 선정을 위해 4가지 알고리즘을 비교하여 Table 5에 나타내었다. 판단 지표는 결정계수(R2)를 이용하였고, 학습 기간은 05/14 ~ 05/17, 테스트 기간은 05/18로 진행하였다. 비교한 알고리즘으로는 앙상블 모델 중 Bagging 방식의 Random Forest와 Boosting 방식의 XGBoost, 시계열 데이터 처리에 특화된 LSTM (Long Short–Term Memory), 그리고 딥러닝 기반 인공신경망인 MLP (Multi–Layer Perceptron)가 포함되었다. 13번 모델에 동일한 입력변수를 적용한 결과, MLP가 온도와 습도 모두에서 가장 우수한 예측 성능을 나타냈다. 또한, 결정계수 자체는 절대적으로 높지 않았으나, 앞선 검토 결과 45개의 모델 중 가장 낮은 예측 성능을 보인 대상 모델(13번)에 대해서도 일정 수준 이상의 정확도를 유지할 수 있다는 점에서, 모든 좌석을 센싱하는 연구 목적에 부합하여 MLP를 최종 모델로 채택하였다.
Table 4
Optimal input variables for temperature / humidity models
Table 5
Comparison of R2 for each ML model
| Random Forest | XGBoost | LSTM | MLP | |
| temp_R2 | 0.36 | 0.50 | -0.10 | 0.75 |
| hum_R2 | -0.44 | -1.29 | 0.43 | 0.60 |
3.4 CFD Simulation
172개 좌석의 기류 속도를 측정하기 위해 SimScale을 이용한 CFD 시뮬레이션을 수행하였다. SimScale은 SimScale GmbH에서 개발된 클라우딩 컴퓨팅 기반의 소프트웨어로서, CFD (Computational Fluid dynamics), FEA (Finite Element Analysis), Thermal Simulation 등에 사용 가능하다11). SimScale은 무료로 사용할 수 있으며, 웹 기반에서 쉽게 작업이 가능하다. 또한, AutoCAD 및 Revit과 같은 타사 디자인 소프트웨어와의 호환이 가능하여, 기존 CFD 연구에서도 활용되고 있다12,13). 본 연구에서는 시뮬레이션을 위해 현장 실측을 기반으로 평면도, 천장 도면 및 가구 배치 도면을 작성하고, 이를 바탕으로 SimScale에 필요한 열람실 모델을 생성하였다. 이후 AutoCAD 3D CAD와 Revit을 활용하여 Fig. 12(a)와 같이 기하학적 모델을 구축하고, 172개 좌석에 기류 속도를 도출하기 위한 측정 포인트를 각각 설정하였다. 좌석별 기류 속도는 재실자가 착석할 때 머리 높이인 1.2 m에서 측정하였다. 경계조건을 산정하기 위해 testo-405i 풍속계를 사용하여 열람실 내 급기구의 기류 속도를 측정하였으며, 측정된 기류 속도의 최댓값인 2.5 m/s를 열람실의 급기구와 배기구 각각 16개에 설정하였다. 또한, 운영시간 동안 공조 시스템이 지속적으로 유지되는 열람실의 특성으로 인해 급․배기구의 기류 속도가 일정하다고 판단하여 정상상태로 가정하고 시뮬레이션을 진행하였다. 기타 시뮬레이션에 대한 자세한 사항은 다음 Table 6에 나타내었다.
Table 6
Detailed CFD settings
시뮬레이션 결과, Fig. 12(c), Fig. 13과 같이 좌석의 평균 기류 속도는 0.12 m/s, 최댓값은 0.4 m/s, 최솟값은 0.02 m/s로 좌석별 기류 속도를 도출하였다. 또한, Fig. 12(b)와 같이 대다수 급기구 근처의 좌석에서 기류 속도가 높게 나온 것을 확인할 수 있다.
4. 결 과
4.1 가상센서 성능 평가
MLP를 통해 구축된 45개의 모델의 성능을 평가하였다. 데이터 스케일에 관계없이 성능을 평가하기 위해 cv (RMSE)를 평가 지표로 사용하였다. ASHRAE Guideline 1410)에 따르면, cv (RMSE)가 30% 이내일 경우 신뢰성이 있다고 판단하지만, 본 연구에서는 더욱 정교한 모델 구축을 위해 cv (RMSE) 10% 이내를 기준치로 선정하였다. 테스트는 토요일, 일요일 주말 이틀 동안 각각 진행하였고, 온도 모델 성능을 Fig. 14(a)와 Fig. 14(b)에, 습도 모델 성능을 Fig. 14(c)와 Fig. 14(d)에 나타내었다. 그 결과, 온도, 습도 각각 45개의 모델 모두 기준치를 만족함을 확인할 수 있다.
4.2 PMV가 시각화된 열람실 좌석 선택 시스템
구축된 가상센서 모델과 CFD 시뮬레이션을 바탕으로 06/17의 PMV를 예측하여 12시(Fig. 15(a))부터 22시(Fig. 15(e))까지 시간별로 시각화하였다. 172개 좌석의 평균 PMV는 12시(평균 PMV : -1.48)에 상대적으로 낮게 나온 이후 점차 증가하며, 해가 진 이후인 22시(평균 PMV : -0.36)에도 ISO 7730 기준에 따른 권장 열쾌적범위(-0.5 < PMV < +0.5)를 유지하였다.
4.3 PMV 고려 전후 불만족도 비교 및 최적 자리 제시
PMV를 고려하지 않고 무작위로 좌석을 선택한 경우인 Fig. 16과, PMV를 고려하여 최적의 좌석을 제시한 경우인 Fig. 17을 비교하여 재실자의 불만족도 변화를 분석하였다. 비교를 위한 대상 시점은 06/17 18시이며, 해당 일자의 평균 재실자 수인 53명이 좌석을 선택한 것으로 설정하였다. 또한, 현실적인 개선 효과를 반영하기 위해 53명의 열적 특성을 설문조사 응답 비율에 맞게 조정하여 산정하였다. 정량적인 분석을 위해 다음과 같은 가정과 알고리즘을 진행하여 좌석별 PMV와 개인의 열적 특성을 합산한 결과를 비교하였다.
가정 1) 설문조사에서 “보통”으로 응답하지 않은 경우, 온열감에 따라 Table 7과 같이 열적 특성 산정
가정 2) 개인의 열적 특성과 PMV는 서로 합산하여 계산
가정 3) 계산된 값이 열쾌적범위인 ±0.5를 벗어나면 불만족한 것으로 간주
- PMV 고려 전 : 53명의 재실자를 좌석에 무작위로 배정하는 것을 1,000번 반복 시행하여 최대 및 평균 불만족도 산출
- PMV 고려 후 : 동일 재실자를 열쾌적범위를 만족하는 좌석에 배정, 만족하는 좌석이 없어도 권장 범위에 가깝도록 배정
Table 7
Proportion of individual thermal characteristics based on survey
Fig. 18과 Fig. 19는 PMV 고려 전후 열람실 전체의 PMV-PPD 관계를 나타낸 것으로, 분석 결과, PMV 고려 전(Fig. 18)에는 90.6%가 불만족한 반면, PMV를 고려한 Fig. 19에서는 만족 영역에 재실자가 증가했음을 확인할 수 있으며, 불만족도가 52.8%로 41.7% 감소하였다. 또한, 설문조사에서 열적 특성을 “약간 춥다(Slightly cold)” 이상 답한 사람이 43%로, “덥다(Hot)”고 답한 26%보다 많았으나, 이를 만족시키기 위한 PMV가 +0.5 초과인 좌석이 0개였기 때문에 최적 좌석을 제시하였음에도 여전히 불만족이 존재하였다. PMV 고려 후에도 불만족한 28명의 열적 특성과 좌석 배치를 분석한 결과, 82.1%에 해당하는 23명이 여전히 추위로 불만족한 것으로 나타났다. 이는 해당 사람들을 위한 적절한 좌석이 부족하여 발생한 것으로, 공간이 과냉방되어 재실자의 불만족과 더불어 에너지가 낭비되고 있음을 나타낸다.
5. 결론 및 추후 연구
본 연구에서는 개인별 열적 불만족도를 줄이기 위해, 가상센서를 활용하여 열람실 전체 좌석의 PMV를 예측하였다. 이를 좌석 선택 시스템에 시각화하여 최적의 좌석을 제시한 결과, 재실자의 불만족도가 최대 41.7% 감소하였음을 가상실험을 통해 확인하였다. 이는 좌석 선택 시 PMV를 고려함으로써 재실자의 불만족도를 감소시킬 수 있으며, 이를 통해 불필요한 냉난방 부하 감소 등 건물 에너지 최적화에 기여할 수 있음을 시사한다. 또한, 본 연구의 의의는 다음과 같이 요약할 수 있다.
1) 전체 공간을 나타낼 수 있는 가상센서 시스템 : 일반적으로 공간 내 특정 지점을 가상센싱하는 기존 연구와 달리, 도서관 열람실의 172개 모든 좌석의 PMV를 나타내는 가상센서 구축 알고리즘을 제시하였고, 개발된 45개의 가상센서가 신뢰성 기준(cv (RMSE 10% 이내))을 모두 만족했다.
2) 재실자 열적 불만족도 감소 : 건축적, 설비적 시공 및 제어를 통해 열적 불만족도를 줄이는 기존 방안과 달리, 이용자에게 열적쾌적성 정보를 제공함으로써 HVAC의 추가 설치와 제어 없이도 열적 불만족도를 줄일 수 있음을 정량적으로 도출하였다.
3) 실시간 시스템 구현 : 실시간 데이터 송수신 시스템을 구현하는 과정은 PMV 실시간 예측 및 HVAC 자동 제어에 기초 연구로 활용될 수 있다.
추후 연구로, 성별이나 나이, 의복량 등 개인의 특성에 따라 달라지는 PMV를 고려할 수 있는 좌석 선택 시스템을 개발하고자 하며, 이로 인해 개인의 열적 특성을 고려한 맞춤형 좌석을 제시할 수 있을 것으로 기대한다. 또한, CO2 등을 고려함으로써 열적쾌적성 이외에 IEQ 측면에서도 재실자의 만족도를 고려할 예정이다.
