1. 서 론

국내외적으로 탄소 배출 저감에 대한 중요성이 대두됨에 따라 건물의 에너지 소비량을 절감시키기 위한 다양한 연구가 수행되고 있다. 에너지 소비량을 절감시키기 위해서는 먼저 현재 건물의 에너지 소비 현황을 파악해야 하는데, 대표적인 방법으로 실제 건물을 이용한 시험과 에너지 성능 평가 시뮬레이션이 있다. 시험은 정확도가 가장 높은 방법이지만 시간과 비용이 많이 소요된다는 단점이 있어, 이를 보완하고자 건물 에너지 시뮬레이션으로 에너지 소비량을 확인하는 방법이 많이 활용되고 있다. 그러나 시뮬레이션은 단순화된 입력 데이터로 실제 조건을 완벽하게 반영하기 어려워 실제 건물 데이터와의 오차가 발생하는 문제점이 있다. 이러한 오차를 Energy Performance Gap (EPG)이라고 정의하며¹⁾, EPG를 줄이기 위한 다양한 연구가 진행되고 있다. 특히 민감도 분석을 통해 주요 파라미터를 식별하고 해당 값을 변경하여 데이터의 정확도를 높이거나, 오차를 줄이기 위한 베이지안 보정을 적용하여 시뮬레이션과 실측 데이터의 불일치를 보정하는 연구가 이루어지고 있다^2,3,4,5,6).

건물 에너지 성능 시뮬레이션을 활용한 에너지 소비량 평가는 건물의 단열 성능, 설비 효율, 내부 발열과 같은 복합적인 건물 고유 파라미터에 의해 계산되지만, 같은 값의 파라미터라도 적용되는 기상 조건에 따라 다른 에너지 소비 특성을 나타낼 수 있다. 따라서 기후대별 기상 조건에서 어떤 파라미터가 상대적으로 큰 영향을 미치는지 확인하는 것은 기후 특성에 따른 적합한 설계 기준을 마련하는 데 중요하다.

이에 본 연구에서는 쾨펜의 기후 구분에 따른 기후대별 기상 조건에 따라 건물 에너지 소비량에 영향을 미치는 주요 파라미터를 확인하고자 하였으며, 대표적으로 열대 기후인 베트남 호치민, 냉대 기후인 대한민국 서울과 한대 기후인 세종과학기지를 대상으로 비교·분석하였다. 이를 위해 기존 문헌을 검토하여 각 기후대에 적합한 파라미터 범위를 조사하고, 외기 온도와 같은 기상 요소는 기후대를 정의하는 시뮬레이션 입력값으로 적용한 뒤, 민감도 분석을 수행하여 각 기후대에서 에너지 소비량에 큰 영향을 미치는 파라미터를 분석하고자 하였다.

2. 기후 구분 체계 및 기후대별 건물 에너지 민감도 분석 문헌 고찰

2.1 쾨펜-가이거(Köppen-Geiger) 기후 구분 체계

쾨펜은 식생의 생장 환경을 기준으로 기온과 강수량을 활용하여 전 세계의 기후를 구분하였으며, 적도에서부터 고위도로 가면서 열대(A), 건조(B), 온대(C), 냉대(D), 한대(E)의 5가지 기후로 분류하였다. 그리고 5가지 기본 기후를 바탕으로 연중 습윤(f), 겨울 건조(w), 계절풍(m), 여름 건조(s), 더운 여름(a), 신선한 여름(b), 건조 초원(S), 사막(W), 툰드라(T), 빙원(F) 등의 기호를 붙여 세부 기후형을 표시하였다. 최한월 평균 기온을 기준으로 18℃ 이상이면 열대 기후, -3 ~ 18℃이면 온대 기후, -3℃ 미만이면 냉대 기후로 분류한다. 건조 기후는 증발량이 강수량보다 많은 기후로 정의하고, 최난월 평균 기온이 10℃ 미만이면 한대 기후로 분류한다⁷⁾.

쾨펜의 5가지 기후대 중 열대와 한대 기후는 외기 온도 및 냉·난방 수요의 대비가 가장 크기 때문에 기상 조건에 따른 파라미터 영향도를 비교하기에 적합하다고 판단하였다. 열대 기후는 연중 기온이 높고 우기, 건기가 뚜렷한 열대 사바나 기후(Aw)에 해당하는 베트남 호치민을 선정하였으며, 한대 기후는 한대 툰드라 기후(ET)에 속하며 남극 대륙의 킹조지섬(King George Island)에 위치한 세종과학기지를 대상으로 선정하였다. 추가적으로 국내 적용성과 비교 결과의 해석 용이성을 고려하여, 연교차가 매우 크고 여름에 강수량이 많은 냉대 동계 건조 기후(Dwa)에 해당하는 서울을 선정하였다. 각 지역의 기후 데이터는 에너지 성능 시뮬레이션인 EnergyPlus에서 사용 가능한 *.epw 파일을 제공하는 Repository of Building Simulation Climate Data⁸⁾에서 확보하였으며, 주요 기후 특성은Table 1 및 Fig. 1과 같다.

Fig. 1

Annual distribution of climate variables (DBT, RH, and WS) for the three locations

2.2 기후대별 건물 에너지 민감도 분석에 관한 기존 문헌 고찰

대상 지역에 대한 민감도 분석을 수행하기에 앞서 기상 조건에 따라 건물 에너지 소비에 영향을 미치는 주요 파라미터 차이가 존재하는지 확인하고, 본 연구에 적합한 민감도 분석 방법을 선택하기 위해 관련 문헌들을 고찰하였다. 먼저 민감도 분석 방법은 국부(Local) 방법과 전역(Global) 방법으로 구분되며, 전역 방법은 다시 회귀 분석 방법(Regression method), 변수 선별 방법(Screening based method), 분산 기반 방법(Variance based method)으로 구분된다. 변수 선별 방법은 빠르다는 장점이 있으나 변수 선별 알고리즘에 따라 결과가 달라질 수 있다는 단점이 있다. 분산 기반 방법은 정확도가 가장 높고 복잡한 모델에도 적용 가능하나 시간이 많이 소요되고 해석이 복잡하다는 단점이 있다. 회귀 분석 방법은 두 방법의 중간 단계로, 적당한 비용과 빠른 연산 시간의 장점이 있다. 민감도 분석 방법의 대표 방법, 계산 시간, 경제성, 정확도 및 유연성을 비교한 표는 Table 2와 같다⁹⁾.

Hygh et al. (2012)¹⁰⁾의 연구에서는 ASHRAE (American Society of Heating, Refrigeration, and Air- Conditioning Engineers)에서 정의한 기후대 중 미국에 위치한 4개의 기후를 대상으로 건물 에너지 소비에 영향을 미치는 파라미터의 영향도를 분석하였다. 민감도 분석은 회귀 분석 방법 중 하나인 SRC (Standardized Regression Coefficient) 방법을 사용하였으며 건물 방향, 차양과 벽체, 지붕, 창문의 열관류율과 같이 건물 외피 특성과 관련된 27개의 설계 파라미터를 대상으로 분석을 수행하였다. 분석 결과 난방 우세 지역에서는 열관류율이, 냉방 우세 지역에서는 SHGC나 차양의 영향이 크게 나타났으며, 창면적비, 종횡비, 층수 등과 같은 건물 형상 요소가 전체적으로 민감하게 나타났다. SHGC와 차양은 냉난방에 서로 반대되는 효과를 가지므로 총 에너지에는 상대적으로 낮은 민감도 지수를 보였다. Naji et al. (2021)¹¹⁾의 연구에서는 호주에 위치한 6개 기후(습윤 아열대, 아열대, 한랭 반건조, 사바나 등)에 대하여 외벽과 지붕의 열관류율, 단열재의 열관류율, 창문 면적 등 외피 특성에 관한 35개의 파라미터를 대상으로 연간 냉·난방부하에 미치는 영향을 분석하였다. 민감도 분석 방법은 회귀 분석 방법 중 하나인 SRRC (Standardized Rank Regression Coefficient)를 사용하였으며, SRRC 방법은 양의 값이 나오면 입력값이 출력값과 비례 관계, 음의 값이 나오면 반비례 관계가 있음을 나타낸다. 대상 건물은 조립식 건물로, 분석 결과 8개의 지역 중 7개 지역에서 냉방 요구량이 난방 요구량보다 높은 것으로 나타났으며 모든 기후대에서 연간 난방 부하는 외벽 단열재의 두께, 북향 창문 차양 계수, 북향 창문 면적 계수의 세 가지 파라미터가 영향이 크게 나타났다. 냉방 부하에 민감한 파라미터는 북향 창문의 차양 계수, 면적으로 나타났으며 모든 향의 창문과 관련된 요인들이 냉방 부하에 민감한 파라미터로 나타났다. 이는 냉방이 지배적인 기후에서 창문 유형이 중요한 요소임을 나타낸다. Saurbayeva et al. (2023)¹²⁾의 연구에서는 쾨펜 기후대 중 건조 지역(B)의 네 개 하위 구역(고온 사막 기후, 저온 사막 기후, 고온 반건조 기후, 저온 반건조 기후)을 대상으로 총 에너지 소비량에 영향을 미치는 주요 파라미터를 분석하였다. 민감도 분석 방법은 회귀 분석 방법인 SRRC, PRCC (Partial Rank Correlation Coefficients)와 변수 선별 방법인 Morris를 사용하여 교차검증 하였으며, 파라미터는 건물 방향(BO), 벽면 태양열 흡수율(WSA), 지붕 태양열 흡수율(RSA), 창문 전도도(WinC) 등 8가지 초기 설계 단계 파라미터로 선정하였다. SRRC 및 PRCC 분석 결과 모든 기후에서 WSA, RSA, WinC가 높은 영향으로 나타났으며, 총 에너지 소비량에서 WSA, RSA는 비례, WinC는 반비례 관계를 보였다. Morris 분석 결과에서는 BO가 가장 민감한 파라미터로 나타났으며, 그 뒤로 WSA, RSA가 크게 나타났다.

기존 문헌들은 다양한 기후대에서 건물 에너지 민감도 분석을 수행하였으나, 대부분의 연구가 단일 국가 또는 단일 기후대 내의 여러 지역을 비교하는 연구이며 열대, 한대와 같이 극지방을 대상으로 민감도 분석 및 비교를 진행한 연구는 적은 것으로 확인된다. 또한 민감도 분석 수행의 목적이 초기 설계 단계에서의 주요 파라미터를 확인하기 위함으로 대부분의 파라미터가 건물의 외피 요소(단열, SHGC, 차양 등) 중심으로 선정되어 있어 내부 발열이나 냉난방 설비 효율에 대한 민감도 분석도 필요할 것으로 판단된다. 마지막으로 민감도 분석 기법이 대부분 파라미터 하나의 단일 영향을 분석하는 방법으로 적용되어 파라미터간의 상호작용 효과를 정량적으로 확인하는 연구가 필요하다고 판단하였다. 따라서 본 연구에서는 건물 전력 소비량에 영향을 주는 주요 파라미터에 대한 민감도 분석을 수행하기 위해 변수 선별 방법인 Morris와 분산 기반 방법인 Sobol을 함께 활용하고자 한다.

Morris는 입력 변수가 출력 변수에 미치는 영향이 중요한지 또는 무시할 수 있는지, 선형인지 비선형인지를 단순하고 빠르게 확인할 수 있다는 장점이 있다³⁾. Morris는 각 변수에 대한 출력 변화율의 평균을 평균 민감도 지수(μ), 절대값 평균 민감도 지수(μ*), 표준편차(σ) 값으로 도출한다. Sobol은 입력 변수에 대한 출력 변수 분산의 기댓값을 출력 변수의 전체 분산으로 나눈 값으로 정의하며, 출력 변수에 대한 입력 변수들 간의 상호작용까지 정량적으로 분석할 수 있다. 본 연구에서는 하나의 변수를 변화시켰을 때 출력값의 변화율을 나타내는 1차 민감도 지수(S1)와 두 변수를 동시에 변화시켰을 때 추가적인 영향을 나타내는 2차 민감도 지수(S2), 그리고 총 민감도 지수(ST) 값을 도출하여 민감도 분석을 수행하고자 하였다. Morris 방법을 통해 영향이 큰 변수를 1차적으로 확인하고, Sobol 방법을 통해 이를 교차 검증하여 각 파라미터의 민감도 및 상호작용 효과를 정량적으로 분석하고자 하였다.

3. 건물 에너지 소비량에 영향을 주는 주요 파라미터에 대한 민감도 분석

3.1 대상 건물 및 사용 프로그램

에너지 시뮬레이션 프로그램은 미국 에너지부(Department of Energy)의 공식 에너지 분석 프로그램인 EnergyPlus를 이용하였으며, 모델링된 대상 건물의 정보는 Table 3과 같다. Morris 및 Sobol은 관련 문헌을 참고하여 Python 환경에서 구현하였다. 특히 Sobol 분석은 매우 많은 시뮬레이션을 필요로 하므로, 라틴 하이퍼큐브 샘플링(Latin Hypercube Sampling, LHS)을 이용해 1,000개의 입력 조합을 생성하였다. 생성된 입력 조합은 EPProblem-EvaluatorEP 프레임워크(Building and Energy Simulation, Optimization and Surrogate-modeling, BESOS)를 통해 EnergyPlus 모델과 연동하여 연간 전력 소비량을 자동으로 계산하였으며, 이를 기반으로 Gaussian Process Regression (GPR) 대리모델을 구축하였다.

Table 3

Building information (EnergyPlus)

	Model Information
	Building size	6 m × 3.6 m × 2.5 m
	Floor	1
	Window size	2.1 m × 1.8 m
	Cooling Setpoint : 28℃	Heating Setpoint : 20℃

3.2 민감도 분석을 수행할 대상 파라미터 및 범위 설정

민감도 분석을 수행하기에 앞서, 건물 에너지 소비량에 영향을 줄 것이라고 판단되는 파라미터를 선정하고 기후대별 적절한 범위를 정하기 위해 기존 문헌을 참고하였다. 민감도 분석을 수행할 대상 파라미터는 Chu et al. (2022)¹³⁾를 참고하여 건물 에너지에 관한 설계변수인 외벽 단열재 두께, 창호 열관류율, 창호 SHGC(Solar Heat Gain Coefficient), 침기량(Air Change per Hour)과 냉방설비 효율(Coefficient of Performance, COP), 내부 발열(기기, 조명)의 7가지로 선정하였다. 해당 7가지 파라미터를 대상으로, 서울의 단열재 두께는 국내 에너지절약설계기준¹⁴⁾을 참고하였으며 그 외 범위는 관련 논문^4,13)을 참고하여 설정하였다. 호치민과 세종과학기지의 경우 극지방에 대한 상대적으로 연구가 적은 것을 고려하여 각각 열대 기후^{15,16,17,18,19)}와 한대 기후^{20,21,22,23,24,25)}를 대상으로 작성된 논문을 참고하여 파라미터 범위를 설정하였다. 파라미터 중 내부 발열 변수인 기기 발열 및 조명 발열은 세 지역 모두 공통적인 값으로 설정하였다. 위 7가지 파라미터에 대한 EnergyPlus 내부의 Class name 및 Field name에 대한 정보는 Table 4, 기후대별 파라미터 최소, 최대 범위는 Table 5와 같다. 이외의 설정값은 세 지역 모두 동일하게 설정하였다.

3.3 기후대별 민감도 분석

(1) 열대 기후(베트남 호치민)

열대 기후인 베트남 호치민에 대한 Morris 및 Sobol 결과 그래프는 Fig. 2와 같다. Morris 분석 결과 Electric Equipment Density, Light Density, COP, ACH, SHGC 순으로 영향력이 큰 것으로 확인되며 U-factor와 Insulation Thickness는 영향력이 거의 없는 것으로 분석되었다. Sobol 분석 결과 총 민감도 지수는 Electric Equipment Density가 42%, Light Density가 30%, COP가 17%, ACH가 7%로 나타났으며, U-Factor 및 Insulation Thickness는 0%에 근접한 값으로 나타나 영향이 거의 없음을 확인하였다. 1차 민감도 지수도 동일한 순위로 나타났으며 총 민감도 지수와 1차 민감도 지수의 차이가 크지 않은 것으로 보아 변수 간의 영향보다 독립적인 영향이 크게 작용함을 확인할 수 있었다. 2차 민감도 지수의 경우 ACH가 대부분의 파라미터와 상호작용을 보였으며, 특히 ACH-COP, ACH-Light Density, ACH-U-facter 순으로 크게 나타났다. 그러나 앞서 설명했듯이 독립적인 영향이 크게 작용하며 변수 간 상호작용에 대한 민감도의 기여도가 미미한 수준이므로 실질적 영향은 크지 않은 것으로 판단된다.

Fig. 2

Sensitivity analysis for Ho Chi Minh (Left : Morris, Right : Sobol)

(2) 냉대 기후(대한민국 서울)

냉대 기후인 대한민국 서울에 대한 Morris 및 Sobol 결과 그래프는 Fig. 3과 같다. Morris 분석 결과 Electric Equipment Density, Light Density, COP, SHGC 순으로 영향력이 큰 것으로 확인되며, ACH, U-factor와 Insulation Thickness는 영향력이 거의 없는 것으로 분석되었다. Sobol 분석 결과도 동일한 순위로 나타났으며, Electric Equipment Density가 54%, Light Density가 39%, COP가 6%로 나타났다. 호치민과 동일하게 총 민감도 지수와 1차 민감도 지수의 차이가 크지 않아 독립적인 영향이 크게 작용함을 확인할 수 있다. 2차 민감도 지수는 COP-Electric Equipment Density, Insulation Thickness-U-factor, U-factor-SHGC 순으로 크게 나타났으나 1차 민감도 지수에 비해 미미한 값으로 나타나 실질적인 영향은 크지 않은 것으로 판단된다.

Fig. 3

Sensitivity analysis for Seoul (Left : Morris, Right : Sobol)

(3) 한대 기후(세종과학기지)

한대 기후인 세종과학기지에 대한 Morris 및 Sobol 결과 그래프는 Fig. 4와 같다. Morris 분석 결과 Electric Equipment Density, Light Density, ACH, Insulation Thickness 순으로 영향력이 큰 것으로 확인되며 COP, U-factor, SHGC는 영향력이 거의 없는 것으로 분석되었다. Sobol 분석 결과도 동일한 순위로 나타났으며, Electric Equipment Density가 57%, Light Density가 40%, ACH가 2%로 나타났다. 역시 앞의 두 지역과 동일하게 총 민감도지수와 1차 민감도 지수의 차이가 크지 않았다. 2차 민감도 지수는 ACH와 COP가 대부분의 변수와 상호작용을 보였으며, 특히 ACH-Light Density, ACH-Insulation Thickness, ACH-COP 순으로 크게 나타났다.

Fig. 4

Sensitivity analysis for King Sejong Station (Left : Morris, Right : Sobol)

3.4 기후대별 민감도 분석 결과 고찰

본 연구에서는 열대·냉대·한대의 세 기후 조건에서 동일한 건물 모델을 대상으로 Morris와 Sobol 분석을 수행하였다. 분석 결과, 세 지역 모두 내부 발열 변수인 Electric Equipment Density와 Light Density가 가장 영향력이 큰 파라미터로 나타났으며 특히 서울과 세종과학기지에서는 두 파라미터의 독립적인 영향의 합이 90% 이상을 차지하였다. 이는 외기 조건이 크게 변화하더라도 내부 발열에 의해 결정되는 냉방 부하가 전력 소비량의 상당 부분을 지배한다고 판단할 수 있다. COP는 호치민과 서울의 민감도 분석에서 3순위로 크게 나타난 반면, 세종과학기지에서는 영향력이 거의 없고 ACH의 영향도가 더 크게 나타났다. 이는 대상 지역이 난방 부하가 지배적인 극한 저온의 환경이므로 냉방 COP가 에너지 소비에 미치는 실질적 영향이 거의 없으며, 침기로 인한 외기 유입이 난방 부하 증가에 직접적인 영향을 미쳤기 때문으로 판단된다. 또한 세종과학기지에서는 Insulation Thickness의 영향도가 다른 지역에 비해 높게 나왔는데, 극한 저온의 조건에서 외피성능의 중요성이 증가하여 단열 두께 변화가 민감하게 작용했다고 볼 수 있다.

세 지역 모두 Morris와 Sobol 분석 순위가 동일했으며, Sobol 분석 결과 해당 모델의 연간 전력 소비량은 파라미터간 상호작용보다 각 파라미터의 독립적인 영향에 의해 결정됨을 확인할 수 있다. 본 연구 결과는 열대·냉대·한대와 같이 기후 특성이 크게 대비되는 조건에서도 내부 발열에 대한 파라미터가 건물 전력 소비량에 핵심 요소임을 보여주며, ACH, COP, Insulation Thickness는 기후대의 특성에 따라 상대적으로 영향도가 변화함을 보여준다. 그러나 Hygh et al. (2015)¹⁰⁾의 연구에서 언급하였듯이 SHGC와 같이 냉방과 난방에 상반된 영향을 미치는 파라미터는 총 에너지에 상대적으로 낮은 민감도 지수를 보일 수 있다는 점에서, 추후 연구에서는 총 전력 소비량이 아닌 냉방 소비량과 난방 소비량으로 구분하여 민감도를 비교하는 것이 필요하다고 판단된다.

기존 기후대별 민감도 분석 연구들은 주로 단열재, 창호 열관류율, 창호 SHGC, 차양 등 외피 중심으로 파라미터를 선정하여 민감도 분석을 수행하였으나 본 연구에서는 외피뿐만 아니라 설비 효율, 내부 발열에 대해서도 분석을 진행했다는 차별성이 존재한다. 다만 본 연구에서 사용한 대상 건물이 단일존으로 구성되어 외피에 대한 영향보다 내부 발열에 대한 영향이 크게 작용했을 가능성이 존재하여, 보다 다양한 크기의 건물에서 분석을 진행해야 할 필요가 있다. 추후 연구에서는 본 연구에서 고려하지 않았던 창면적비, 지붕 열관류율 등 건물 외피에 대한 파라미터를 추가하여 다양한 크기 및 위치의 건물에 대하여 민감도 분석을 수행하고자 한다.

4. 결 론

본 연구에서는 열대·냉대·한대 기후를 대표하는 베트남 호치민, 대한민국 서울, 남극 세종과학기지를 대상으로 민감도 분석을 수행하여 건물 에너지 소비량에 영향을 주는 파라미터를 기후대별로 분석하였다. 민감도 분석 대상 파라미터는 건물 외피, 설비 효율 및 내부 발열에 해당하는 7개로 선정하였으며 주요 결과는 다음과 같다.

(1) 세 지역 모두 내부 발열과 관련된 Electric Equipment Density와 Light Density가 영향이 큰 파라미터로 나타났으며, 특히 서울과 세종남극기지에서는 두 파라미터의 총 민감도 지수의 합이 90% 이상을 차지하였다. 이는 외기 조건이 상이해도 내부 발열에 의해 결정되는 냉방 부하가 연간 전력 소비량에 지배적인 영향을 미친다는 것을 의미한다.

(2) COP, ACH, Insulation Thickness는 기후대별로 다른 민감도 특성을 보였다. 냉방 부하 비중이 높은 호치민과 서울은 COP가 높은 민감도를 보였으며, 반대로 난방 부하가 지배적인 세종과학기지의 경우 ACH와 Insulation Thickness의 민감도가 상대적으로 크게 나타났다. 이는 극한 저온 환경에서 침기량과 외피 성능이 난방 부하에 직접적으로 기여하기 때문으로 판단된다.

기존 기후대별 민감도 분석 연구가 외피 중심 파라미터에 집중된 것과 달리, 본 연구는 설비 효율과 내부 발열을 포함하여 세 가지 상이한 기후대에서 영향도를 비교했다는 점에서 차별성을 가진다. 또한 단일 국가 내의 다양한 기후대를 대상으로 한 것이 아닌, 기후대별 다양한 국가 및 대륙을 분석 대상 지역으로 선정했다는 점에서도 차별성이 있다. 본 연구의 결과는 상대적으로 부족한 극지 환경의 에너지 성능 평가 연구를 위한 기초 자료로 활용될 수 있을 것으로 기대되며, 국내외 건물 에너지 성능 평가 시뮬레이션에 내부 발열에 대한 요소가 충분히 고려되어야 함을 시사한다. 향후 연구에서는 건조 및 온대 기후에 대해서도 민감도 분석을 실시하고자 하며, 총 전력 소비량 뿐만 아니라 냉방 소비량과 난방 소비량으로 구분한 민감도 분석을 수행하여 파라미터의 영향도를 보다 정확하게 분석하고자 한다.