기호 및 약어 설명

Cres : 호흡(현열)에 의한 열교환

e : 자연 상수

Ec : 피부 증발에 의한 열교환

Eres : 호흡(잠열)에 의한 열교환

H : 복사 및 대류에 의한 열손실

M : 인체 대사율[W/m2]

n : 데이터 개수

xi : 실제 값의 i번째 데이터

x^i : 예측 값의 i번째 데이터

W : 유효 기계력[W/m2]

1. 서 론

기후 위기가 심화되면서 탄소 중립을 위한 범지구적 노력이 이루어지고 있는 가운데 건물 부문 에너지 감소는 필수적인 과제 중 하나로 평가된다. 한국 정부는 건물 효율 평가 관리를 위해 2021년 건물에너지관리시스템(Building Energy Management System, BEMS)에 대한 국가표준 제정안(KS F 1800-2)¹⁾을 발표했고, 2024년 에너지절약계획서 제출 대상 중 연면적 10,000 m² 이상 건물을 신축하는 경우에 BEMS 구축 및 운영을 의무화하는 등²⁾ BEMS 보급 확대를 위해 노력하고 있다. BEMS는 실시간 모니터링을 통해 에너지 사용량 데이터를 수집하고 분석하여 건물 에너지 사용량을 최적화하는 통합시스템이다. 하지만 모니터링 및 관리 차원을 넘어 운영단계에서의 에너지절감과 효율향상을 위한 구체적인 방법에는 아직 한계가 존재한다. 한편, 디지털 트윈(Digital Twin, DT)은 실제 건물과 가상 모델 사이의 데이터와 운영정보의 상호작용에 관한 개념으로 활발히 연구되고 있다. 건물의 디지털 트윈은 데이터 수집을 통해 건물 운영 및 성능 관리, 에너지 소비 최적화에 관한 의사결정 정보를 제공할 수 있다³⁾. 디지털 트윈 내 건물의 가상 모델은 운영단계에서 대상 건물의 물리적 거동을 묘사하는 수학적 모델의 집합체로 정의되는데⁴⁾, 대부분의 기존 연구에서는 대상 건물의 가상 모델을 구축하는 노력보다는 이미 존재한다는 전제하에 디지털 트윈 기반의 어플리케이션을 제시하고 있다⁵⁾. 본 연구에서는 쾌적지표(Predicted Mean Vote, PMV) 가상센서와 Holistic Operational Signatures (HOS)를 통해 건물의 가상 모델을 구축하여 디지털 트윈 환경을 생성했다. 이러한 가상 모델은 실제 건물에서 BEMS를 통해 전달받은 데이터와 건물의 물리적 거동을 바탕으로 건물 에너지 효율화 정보를 제공할 수 있다. 따라서, 본 연구에서는 건물 에너지 효율화 방안으로 디지털 트윈 기반의 건물에너지관리시스템(DT-BEMS)을 제안하고자 한다.

2. 방법론

본 연구에서는 Fig. 1과 같이 건물의 에너지 효율화를 위해 디지털 트윈 개념을 기존 BEMS에 결합한 디지털 트윈 기반의 건물에너지관리시스템을 제안한다. DT-BEMS 에서는 실제 건물과 건물의 가상 모델 간의 유기적 소통이 가능하다. 디지털 트윈 기반의 가상 모델은 PMV 가상센서와 HOS로 구성된다. HOS는 BEMS의 원본 데이터와 가상센서를 통해 얻은 데이터를 활용하여 건물의 운영단계에서 운전 상태를 분석한 정보에 기반한 건물 에너지 효율화 방안을 제시한다.

Fig. 1

Digital Twin based BEMS concept

2.1 Brick Schema

Brick Schema는 metadata schema로서 건물의 물리적, 논리적 및 가상 자산의 의미론적 설명을 표준화한다⁶⁾. Brick Schema의 요소에는 Fig. 2와 같이 Location, Point, 그리고 Equipment가 존재하며, 대상 건물 시스템의 장비, 센서, 그리고 공간 정보들의 상호 연관적 위계 정보를 통해 데이터 간의 의미론적 구조를 얻어 내는 목적을 가지고 있다. 이를 BEMS에 적용한다면, 데이터가 계측되는 과정에서 포함되는 요소들 간의 표준화된 관계를 정의할 수 있다. 이를 통해, BEMS 내에서 발생 가능한 데이터 맵핑 문제 등을 해결하여 수집되는 데이터 품질을 향상할 수 있다. BEMS에서 계측된 데이터는 DT-BEMS에서 가상모델의 입력 데이터가 되기 때문에, Brick schema 적용을 통한 데이터 품질 향상은 가상 모델의 성능을 강화한다.

Fig. 2

Brick Schema elements

2.2 PMV 가상센서

PMV는 온열환경을 평가하는 지표 중 하나로, 실내환경 쾌적도 판단에 사용 가능하다⁷⁾. 하지만 일반적으로 실내 온습도 센서는 벽면에 부착되기 때문에 이 센서가 계측한 데이터로 얻은 PMV는 실제 거주자가 상주하는 공간의 쾌적도를 표현한다고 보기 어렵다. 이러한 문제를 해결하기 위해 Kim and Yoon (2023)⁸⁾은 모델링 방법에 따라 침습(Intrusive) 데이터를 활용하여 거주 공간의 PMV를 예측하는 모델을 구현했다. 또한 식(1)과 같은 ISO7730 standard⁹⁾ 수식을 통해 계산된 PMV 값을 베이지안 추정 기법을 거쳐 보정하는 Gray-box 가상모델이 가장 예측 성능이 우수하다고 밝혔다. Gray-box PMV 보정 값(PMVcalibrated)은 식(2)와 같이 식(1)로 계산된 값(PMVcalculated)에 보정 함수 Cf를 더하여 계산된다. 이를 BEMS에 적용하면, BEMS로 얻은 온습도 데이터를 통해 계산된 PMV 값을 보정하여 실제 거주 공간의 쾌적도를 나타낼 수 있다.

2.3 HOS

HOS (Holistic Operational Signatures)는 건물 운영단계에서의 운전 패턴 시그니처를 통해 설비시스템 가동을 분석하고 진단하는 기술이다^10,11). HOS에서는 건물 운영단계 데이터의 패턴을 유형별로 분류하고 각각의 의미를 부여하여 현재 운전 상태를 진단한다. DT-BEMS의 HOS는 가상 모델의 일부로서 가상센서로부터 데이터를 전달받아 운전 상태를 유형화한다. 에너지 사용 패턴 분석을 위해서 실내 쾌적도 판단을 위한 PMV와, 에너지 자립 측면에서 태양광 발전량을 함께 고려한다. 예를 들어, 태양광 발전량이 충분한 상태에서 건물 에너지 사용량이 적고 실내가 쾌적하지 않으면, 실내 쾌적도 향상을 위해 에너지 사용량을 늘릴 수 있는 상태로 볼 수 있다. 마찬가지로 태양광 발전량은 충분하지만, 건물 에너지 사용량이 미미한 수준이라면 설비시스템이 미가동 중인 것으로 판단할 수 있다. 이 경우 설비시스템이 가동 중이지 않기 때문에, 실내 쾌적도는 운전 상태 유형화에 필요한 요소가 되지 않는다. 이와 같은 방식으로 3가지 종류의 데이터 형태에 기반하여 유형화한 건물의 운전 상태 진단 결과를 통해 건물 에너지 효율화에 기여한다.

3. 적 용

3.1 대상 건물 개요

본 연구에서는 경상북도에 위치한 건물 내 2층 사무용 공간의 약 1개월(2021년,1월)간의 BEMS 데이터를 활용하여 DT-BEMS 환경을 구축하였다. 에너지 사용량 데이터와 태양광 발전량 데이터, 그리고 실내환경 데이터 모두 5분 단위로 수집되었다. 가상 모델 적용 전, 2층 사무용 공간을 중심적으로 대상 건물의 BEMS 계통을 Brick Schema를 통해 표현하였다. Fig. 3은 해당 건물에너지시스템의 architecture를 RDF (Resource Description Framework)를 통해 설계한 후, 이를 RDF 데이터를 표현하는 데 사용되는 파일 확장자인 TTL 파일 형태로 전환하여 가시화한 결과이다.

Fig. 3

Target building brick schema representation

3.2 PMV 가상센서 적용

2.2 내용을 바탕으로 PMV 가상센서에는 3일분의 침습데이터를 활용한 Gray-Box 모델링이 사용되었다. 베이지안 MCMC (Markov Chain Monte Carlo) 방법으로 1일치의 침습데이터를 통해 모델링을 수행했고, 2일치로 모델을 검증하였다. 이 때 보정함수 Cf는 대상 데이터에 대하여 기존연구⁸⁾에서 제안된 2차 방정식 보다 3차 방정식이 정확도가 높았기 때문에 식(3)과 같이 3차 방정식으로 설정했다. 이때, 베이지안 추정 기법의 대상은 보정 함수내 보정 파라미터(a,b,c,d)이다.

BEMS의 온습도 데이터를 식(1)에 입력 변수로 설정하여 PMV 값을 계산하고 PMV 데이터를 생성했다. 이때, 해당 공간 및 기간의 특성을 고려하여 착의량(Clothing Insulation, Clo)과 대사량(Metabolic Rate, MET)값은 모두 1로 가정하였다. 이는 Table 1과 같이 재실자가 일반적인 겨울철 실내복을 입고 편하게 앉아 있는 상황이다. 이외에 일반적인 가정을 따라 기류속도는 0.1 m/s으로 가정하였고, 평균방사온도(Mean Radiant Temperature, MRT)는 직접 측정할 수 없기 때문에 BEMS 온도데이터와 같은 값으로 설정하였다. PMV 수식을 통한 계산 이후 보정 과정이 있기 때문에 해당 가정으로 발생한 오차를 최소화할 수 있다.

Train set으로 모델링이 완료된 모델을 test set을 통해 검증한 결과, Fig. 4와 같이 실제 PMV와 근접하게 PMV가 보정된 것을 확인할 수 있었다. 또한 식(3)의 보정 파라미터(a, b, c, d)에 대해 Table 2와 같은 결과를 얻었다. 이 중 Median 값을 이용해서 BEMS 데이터로 계산한 PMV 값을 보정하였다. PMV 모델 예측 정확도를 검증하기 위해서 식(4)의 평균절대오차(Mean Absolute Value, MAE)를 평가 지표로 사용하였다. 보정 전, 후 MAE는 각각 약 0.2429, 0.0389였으며 변동 값은 0.2040 정도였다.

Fig. 4

Comparison between PMV before and after calibration and true PMV

3.3 HOS 기반 운전 유형 부여

에너지 사용 패턴 분류를 위해 1시간 단위로 변환한 에너지 사용량, 태양광 발전량, 그리고 실제 거주 공간의 PMV 데이터를 각각 3개의 군집으로 나누는 과정을 거쳤다. 에너지 사용량과 태양광 발전량 데이터는 존재하는 모든 값을 기준으로 3개 구간으로 분할했다. PMV 값 분류에는 쾌적 구간(-0.5 ~ 0.5)을 설정하여 이 구간을 만족할 때는 comfort, 이보다 값이 클 경우 hot, 낮을 경우 cold를 부여하는 방식을 사용하였다. 이때, 해당 데이터는 동계에 수집된 데이터이기 때문에 쾌적 구간보다 값이 큰 hot 구간에 대해서 에너지 사용량이 middle일 때는 쾌적을 달성한 것으로, high일 때는 과다한 운전으로 해석하였다. 3개의 군집으로 나누어진 데이터는 시계열 기준으로 통합하여 Table 3의 운전 유형 분류 기준에 따라 1시간 단위로 운전유형을 부여하였다.

4. 결과 및 고찰

3.2의 PMV 보정 모델을 활용해 보정한 PMV (PMVcalibrated)와 식(1)을 통해 계산한 PMV (PMVcalculated)와의 차이(PMVdifference)를 식(5)와 같이 계산했다. 5분 단위 데이터에서 평균 0.23, 최대 0.85정도의 값이 보정되었다. 1시간 단위 평균 데이터에서도 Fig. 5와 같이 평균 0.20, 최대 0.48 정도의 차이를 보였다. 이는 BEMS 데이터로부터 얻은 PMV 값과 실제 거주 공간의 PMV 값 간의 유의미한 차이가 있다는 것을 나타낸다. 또한, 보정 전에 쾌적 구간을 벗어났던 데이터가 보정 후 쾌적 구간에 속하게 되는 등의 차이를 통해 PMV 가상센서 기반 실제거주환경 모델링의 중요성을 확인하였다.

Fig. 5

Difference between calibrated PMV and calculated PMV

Fig. 6과 같이 HOS 기반 운전 유형을 부여하기 위해 에너지 사용량과 태양광 발전량, 그리고 보정된 PMV 데이터를 각각 3개의 군집으로 나누어 히트맵으로 표현했다.

Fig. 6

Heatmaps for each dataset

3개 군집으로 나누어진 데이터는 1개의 데이터로 통합되어 Table 3의 운전 유형 분류 기준에 따라 각각 운전 패턴 유형을 부여받는다. 이와 같은 방식으로 진단한 운전 유형의 결과를 Fig. 7로 나타냈다. 전체 데이터 중 잉여 에너지 발생이 36.02%를 차지했다. 이는 데이터 구간 분할시 존재 값을 기준으로 설정했는데, 에너지 사용량 데이터 특성상 low 구간에 분포가 집중되어 있기 때문에 나타난 결과로 사료된다. 이외에는 운전 증가가 가능한 유형, 운전 감축이 필요한 유형, 비효율 운전 유형이 각각 8.33%, 3.49%, 5.38% 비율로 존재하는 것을 확인할 수 있었다. 실제 건물 제어 계통에 이 정보를 전달함으로써 약 17.2% 데이터에 대해 제어 변경을 통해 실내 쾌적도를 향상하거나, 에너지 소비량을 절감할 수 있다.

Fig. 7

Diagnosis results of operation types and rates by type

5. 결 론

본 연구에서는 Brick Schema 적용과 DT-BEMS 환경 구축을 통해 건물 에너지 효율화 방안을 제시하였다. DT-BEMS의 가상 모델의 PMV 가상센서를 적용하여 BEMS 데이터 기반으로 실제 거주 공간의 쾌적 지표를 얻어내고 HOS 기술 적용으로 건물 운전 패턴을 분류하고 각 패턴의 의미를 부여했다. 운전 패턴 진단 결과를 설비시스템 제어 계통과 연계한다면, 건물 에너지 사용을 최적화할 수 있다. 본연구의 대상 건물 운전 유형을 진단한 결과 약 17.2%의 건물 제어 최적화가 가능했다. 향후 연구에서는 HOS 정보 기반의 분류기를 개발하고, 이를 제어 계통과 연계하여 실시간으로 건물 에너지 효율을 분석하며 최적으로 제어하는 기술을 연구하고자 한다.