1. 서 론
2. 연구 방법론
3. 공공데이터 수집 및 전처리
3.1 공공데이터 수집
3.2 데이터 전처리
4. 영유아 시설 피평가 군집 세분화
4.1 영유아 시설 군집 설정
4.2 군집별 상관관계 분석
5. 군집별 에너지 사용량 회귀분석
6. 결 론
7. 한계점 및 향후 연구계획
기호 및 약어 설명
: Regression coefficients
: Number of data
: Independent variable
: The actual value of the dependent variable
: The predicted value of the dependent variable
: The average of all actual values
: Dependent variable
: Coefficient of variation of the root mean square error (%)
: Energy use intensity (10-3toe/m2·yr)
: Primary key
: Coefficient of determination
: Simplified weather-sensitive energy disaggregation
: Variance inflation factor
1. 서 론
기후변화와 탄소 배출 문제는 전 세계적으로 가장 중요한 환경 이슈 중 하나로 대두되고 있다. 국제에너지기구(IEA)에 따르면, 20세기 이후 전 세계 탄소 배출량은 지속적으로 증가해 2023년에는 374억 톤으로 최고치를 기록했다고 보고하였다1). 이러한 상황에 대응하고자 국제사회는 유엔 기후변화 협약(1992년)2), 교토 의정서(1997년)3), 파리협정(2015년)4) 등 다양한 협약을 통해 탄소 배출 감축을 위해 노력해 왔다. 100% 재생 가능 에너지 사용을 목표로 하는 RE100 글로벌 캠페인(2014년)5)도 추진 중이며, 현재 400개 이상의 기업이 이 캠페인에 참여하고 있다. 이는 탄소 배출 저감 목표를 달성하기 위한 국제적인 협력의 일환이다. 국내에서도 정부는 2050 탄소중립 목표 달성을 위해 ‘한국형 그린 뉴딜’을 발표하고, 신재생에너지 확대, 건물 에너지 효율화, 전기차 인프라 확충 등을 추진하고 있다. 또한, 탄소배출권 거래제를 도입하여 기업들이 자발적으로 탄소 감축에 참여하도록 장려하고 있다.
건물 부문은 전 세계 에너지 소비와 탄소 배출의 주요 원인 중 하나로, 탄소중립 목표 실현을 위해서 효율적인 건물에너지 관리가 필수적이다. IEA에 따르면, 건물 운영에서의 에너지 소비량은 전 세계 최종 에너지 소비의 약 30%를 차지하며6), 유엔환경계획(UNEP)은 건물 부문이 온실가스 배출의 약 21%와 전 세계 에너지 수요의 34%를 차지한다고 보고하고 있다7). 국내에서는 건물 부문이 2018년 기준 약 1억 8천만 톤의 탄소를 배출하여 전체 배출량의 24.7%를 차지한다고 보고하였다8). 특히 서울 지역의 경우 온실가스 배출량의 68%가 건물에서 발생해 건물 에너지 관리의 중요성이 더욱 강조되고 있다9).
이러한 문제를 해결하기 위해 국내외에서 제로에너지 건물(ZEB) 도입, 그린 리모델링(GR) 등 다양한 정책이 진행되고 있으나, 이러한 정책들의 실효성을 높이기 위해서는 건물의 에너지 소비를 정확히 평가하고 관리할 수 있는 표준 모델이 필수적이다. 기존의 단위면적당 에너지 사용량(EUI) 지표는 건물 운영 특성을 충분히 반영하지 못해 편향된 결과를 초래할 수 있는 한계가 있다. 건물의 운영 방식, 사용 용도, 에너지 사용 패턴이 각기 다른 상황에서 동일한 지표로 평가하는 것은 부정확할 수 있다. 이에 따라 특정 건물 유형, 특히 에너지 소비 특성이 복합적인 건물에 적합한 표준화된 모델이 요구된다. 현재까지 다양한 시도가 있었으나, 특정 건물 유형을 대상으로 한 표준화된 모델은 여전히 부족한 상황이다.
특히 영유아 시설의 경우 다른 건물과는 달리 에너지 소비 패턴이 복합적이다. 냉난방, 조명, 취사, 환기, 다양한 전기기기의 사용 등이 복합적으로 이루어지며10), 영유아의 건강과 안전을 고려한 운영 방식이 에너지 소비에 큰 영향을 미친다. 그러나 영유아 시설의 특수한 운영 패턴과 에너지 사용 특성을 반영한 연구와 데이터는 부족한 실정이다11). 이에 따라 영유아 시설에 특화된 에너지 소비 평가 모델이 구축되어야 하며, 보다 정확한 에너지 관리와 평가가 진행되어야 한다.
따라서 본 연구는 영유아 시설의 에너지 소비량을 평가하기 위한 회귀 모델을 개발하는 것을 목표로 한다. 개방형 공공 데이터를 활용한 회귀 분석으로 영유아 시설의 에너지 소비 패턴을 체계적으로 분석하고, 이를 통해 다양한 영유아 시설의 유형에서 발생하는 에너지 사용 특성을 파악하고자 한다. 간단한 회귀 모델을 통해 실용적, 효과적인 분석 방법을 제시하며, 이를 바탕으로 향후 탄소중립 목표 실현에 기여하고 영유아 시설의 효율적인 에너지 관리 방안을 제시하고자 한다.
2. 연구 방법론
Fig. 1은 연구의 전체 과정을 보여준다. 본 연구에서는 개방형 데이터인 공통 데이터(건축물대장 및 건물에너지), 용도 특화 데이터(어린이집 기본정보)를 매칭하여 어린이집 데이터가 반영된 공공데이터를 확보하였다. 이후 확보된 공공데이터의 결측치 및 이상치 제거 등 전처리 과정을 통해 데이터 신뢰성을 확보하였다. 확보된 데이터를 기반으로 영유아 시설 에너지 사용 특성을 반영한 군집을 설정하였으며, 각 군집별 상관관계가 높은 주요 영향 인자를 도출하였다. 도출된 주요 영향인자를 활용하여, 각 군집별 에너지 사용량을 예측하는 선형 회귀분석을 진행하였다. 최종적으로 개방형 공공데이터 기반의 선형 회귀 모델이 개발되었다.
3. 공공데이터 수집 및 전처리
3.1 공공데이터 수집
공공데이터는 공공기관이 전자적으로 생성하거나 취득하여 관리하는 모든 전자화된 파일을 의미하며, 연구 목적에 맞게 이를 수집하고 활용해야 한다. 본 연구에서는 개방형 공공데이터인 건축데이터 민간 개방 시스템12)에서 제공하는 공통 데이터(건축물대장, 건물에너지)와 어린이집공개포털13)에서 제공하는 어린이집 기본정보를 활용하여, 연구에 필요한 데이터 기반을 구축하였다. 수집한 데이터는 서울 지역의 2018년과 2019년의 2개년 자료이며, Table 1에 이를 정리하였다.
Table 1
Data collected from public institutions
개별 건물에 대한 정보를 제공하는 건축물대장, 건물에너지, 어린이집 기본정보 데이터는 상호 연계되어 있지 않기 때문에, 건물의 고유 관리번호인 PK (Primary key), 대지 위치와 주소 등을 기준으로 데이터를 매칭하여 통합하였다. 이후, 에너지 사용량 데이터는 에너지원별(전기에너지, 가스에너지)로 수집한 후, 이를 더욱 세부적으로 분석하기 위해 SED (Simplified weather-sensitive energy disaggregation) 기법14)을 적용하여 에너지 사용 용도(기저, 난방, 냉방)에 맞게 분리를 진행하였다. SED 기법은 월별 에너지 사용량을 날씨에 민감한 에너지(냉방, 난방)와 날씨에 무관한 에너지(기저)로 구분하는 방법론이다. 각 에너지원별로 분리된 사용량은 연도별로 합산하여 정리되었으며, 최종적으로 기저, 난방, 냉방사용량에 포함된 전기 및 가스에너지에 kWh 환산계수를 적용하여 kWh 단위로 표준화하였다. 전기 및 가스에너지는 각각 kWh와 MJ로 구분되며, 가스에너지는 0.2226 kWh/MJ로 환산하여 사용하였다.
3.2 데이터 전처리
전처리는 데이터 분석 과정에서 필수적인 단계로, 수집된 데이터의 품질 및 분석 결과의 신뢰성 향상을 위해 이루어진다. 데이터 전처리는 분석에 사용될 데이터 셋의 오류를 수정하고 누락된 값을 처리하며, 분석 대상과 맞지 않는 불필요한 데이터를 제거하는 과정을 포함한다. 본 연구에서도 공공데이터 수집 단계에서 확보한 어린이집 유형별 데이터를 대상으로 분석의 정확성 및 데이터 신뢰도를 높이기 위해 전처리를 실시하였다. 이 때, 어린이집 유형은 영유아 보육법15)에 따라 Table 2처럼 총 7개 유형으로 분류되지만, 가정 어린이집 및 직장 어린이집은 집합 건물의 특성상 건물의 에너지 사용량이 통합되어 있어 분석에 적합하지 않으므로 제외하였다. 구체적으로 이는 어린이집 개별 건물의 에너지 사용량만이 아닌, 주거 및 직장의 에너지 사용량이 통합된 결과를 보여준다.
Table 2
Classification by type of daycare center
전처리 과정은 가용데이터 확보, 결측치 제거, 이상치 제거의 단계로 진행되었다. 가용데이터 확보 단계에서는 분석하고자 하는 어린이집 유형(국공립, 사회복지법인, 법인단체, 협동, 민간 어린이집), 분석에 필요한 변수(대지면적, 건축면적, 보육실 면적, 높이 등)를 확보하였다. 이후 확보된 데이터 내에서 대지면적, 건축면적, 건폐율, 연면적, 용적률산정연면적, 총동연면적, 높이 등의 항목에서 값이 0으로 기록된 결측 데이터를 제거하였다. 이상치 제거 단계에서는 에너지 사용량과 건물 특성에서 통계적으로 비정상적이라고 판단된 값을 제거하여 데이터의 대표성과 정확성을 향상시켰다. Fig. 2와 같이 이러한 일련의 전처리 과정을 통해 총 3,011개의 데이터에서 1,569개로(약 52%) 데이터가 정제되었다. 또한 어린이집 특성을 반영하는 변수, 건물의 수평적 특성을 반영하는 변수, 건물의 수직적 특성을 반영하는 변수로 데이터가 분류되었다.
4. 영유아 시설 피평가 군집 세분화
4.1 영유아 시설 군집 설정
전처리 된 정제 데이터를 바탕으로 데이터 분석을 수행하였다. 분석에서는 가정 어린이집과 직장 어린이집을 제외하고, 국공립 어린이집, 사회복지법인 어린이집, 법인단체 어린이집, 협동 어린이집, 민간 어린이집의 5가지 유형을 대상으로 하였다. 각 유형은 운영 주체에 따라 운영 방식, 운영 일정, 에너지 사용 패턴에서 차이를 보이기 때문에, 이를 기준으로 군집을 설정하였다.
구체적으로, 국가, 공공기관 및 법인에서 직접 운영하거나 공공 목적을 위해 운영되는 국공립 어린이집, 사회복지법인 어린이집, 법인단체 어린이집을 Group 1로 분류하였다. 이는 공공의 목적을 반영한 운영 방식을 채택하며, 운영 일정과 에너지 사용 패턴에서 일관성을 보일 가능성이 높다. 반면, 개인 사업자가 운영하는 민간 어린이집과 협동 어린이집은 운영 방식과 일정에서 자율성을 가지며, 이에 따라 에너지 사용 패턴에서도 차이가 있을 것으로 판단되어 Group 2로 분류하였다.
Fig. 3은 Group 1과 Group 2의 전체 및 정규화된 기저, 난방, 냉방 에너지 사용량을 상자 수염 그래프로 비교한 결과를 나타낸다. 정규화는 어린이집의 면적 차이를 배제하여 에너지 사용량을 공정하게 비교하기 위해 용적률산정연면적으로 나누어 수행되었다. 분석 결과, 전체 에너지 사용량에서 Group 1이 Group 2에 비해 상대적으로 높은 경향을 보였다. 특히, Group 1은 더 높은 중앙값과 평균값을 보이며, 두 그룹 간의 에너지 소비 패턴 차이를 시사한다. 반면, 정규화된 에너지 사용량 분석에서는 Group 2가 Group 1보다 더 높은 경향을 나타냈다. 이는 Group 2가 면적에 따른 영향을 제외했을 때, 실제 에너지 소비량이 더 높다는 것을 의미하며, 운영 주체에 따라 에너지 사용 패턴이 다를 수 있음을 보여준다.
4.2 군집별 상관관계 분석
상관관계 분석은 두 변수 간의 관계를 파악하여 한 변수의 변화가 다른 변수에 어떤 영향을 미치는지 확인하는 통계 기법이다. 이는 변수들 사이의 연관성을 수치적으로 표현하여 분석 모델의 적절한 변수 선택과 해석을 가능하게 한다. 본 연구에서는 영유아 시설의 운영 주체에 따라 분류된 두 군집(Group 1: 공공 및 법인 운영, Group 2: 사립 운영)의 타당성을 검증하기 위해, 각 군집의 에너지 사용량(냉방, 난방, 기저)과 17개 영향 인자 간의 상관관계를 분석하였다. 변수 간 데이터 불균형을 고려하여 각 변수의 개별적인 영향을 평가하고자, 에너지 사용량과 각 변수 간의 1대1 상관관계를 평가하는 단변량 상관관계 분석을 실시하였다. 상관성은 결정계수(R2)로 평가하였으며, 식(1)로 나타난다.
보육실 수, 건폐율, 용적률, 승용승강기 수는 에너지 사용량과의 상관관계가 현저히 낮아 분석에서 제외하였으며, 최종적으로 13개의 변수를 주요 영향 인자로 선정하였다. 이후, 변수 간의 높은 상관관계로 인한 다중공선성 문제를 해결하기 위해 13개 변수에 대해 다중공선성 분석을 수행하였다. 이는 독립 변수들 간의 중복 정보로 인해 회귀 계수의 추정이 불안정해지는 것을 방지하기 위함이다. 다중공선성 분석은 일반적으로 사용되는 분산팽창지수인 VIF (Variance inflation factor)를 기준으로 진행하였으며, VIF 값이 10 이상인 변수는 제외하였다. Fig. 4에 제시된 5개의 그룹으로 분류된 변수들에 대해 다중공선성 분석과 결정계수(R2)를 종합적으로 고려하였다. 그 결과, 보육실 면적, 재원 아동 수, 건축면적, 용적률산정연면적, 높이로 5개 변수가 최종 주요 영향 인자로 선정되었다.
Fig. 5는 최종적으로 도출된 5개의 주요 영향 인자와 에너지 사용량 간의 상관관계를 heatmap으로 시각화한 결과이다. 주요 영향인자는 보육실 면적(1), 재원 아동 수(2), 건축면적(3), 용적률산정연면적(4), 높이(5)로 표기하였으며, 에너지 사용량은 기저, 난방, 냉방 에너지로 표기하였다. 각 그룹별 주요 영향 인자와 에너지 사용량 간의 상관관계는 결정계수(R2) 및 P-value를 통해 평가되었다. 결정계수(R2)는 각 변수와 에너지 사용량 간의 설명력을 측정하여 해당 변수의 영향력을 파악하기 위한 것이며, P-value는 상관관계의 통계적 유의성을 평가하여 해당 관계가 우연에 의한 것이 아님을 검증하기 위해 사용되었다.
결정계수(R2) 는 각각 기저에너지 (Group 1: 0.37 ≤ R2 ≤ 0.79, Group 2: 0.26 ≤ R2 ≤ 0.78), 난방에너지 (Group 1: 0.38 ≤ R2 ≤ 0.72, Group 2: 0.38 ≤ R2 ≤ 0.76), 냉방에너지 (Group 1: 0.30 ≤ R2 ≤ 0.67, Group 2: 0.34 ≤ R2 ≤ 0.68)로 나타났다. 이는 어린이집 특성과의 상관관계는 비교적 낮은 반면, 건물 특성과의 상관관계는 높은 경향을 보인다. 또한 모든 주요 변수의 P-value는 0.05 미만으로 나타났으며, 이는 각 변수와 에너지 사용량 간의 상관관계가 통계적으로 유의함을 의미한다.
5. 군집별 에너지 사용량 회귀분석
군집별 에너지 사용량 예측을 위해 최종 선정된 5개의 주요 영향 인자를 바탕으로 선형 회귀분석을 수행하였다. 기상 데이터를 적용하지 않았기 때문에, 2018년과 2019년 데이터를 각각 분리하여 연도별 에너지 사용량 분석을 진행하였다. 이를 통해 Group 1 (공공 및 법인 운영)과 Group 2 (사립 운영)에 대해 개별적으로 회귀모델을 구축하였다. 모델의 일반화 성능을 평가하기 위해 데이터를 무작위로 샘플링하여 훈련 및 테스트 세트로 분할한 후 회귀분석을 실시하였다. 식(2)는 선형 회귀분석을 통해 도출된 회귀식을 나타내며, 종속변수 Y는 에너지 사용량(기저, 난방, 냉방), 독립변수 X는 주요 영향 인자(X1: 용적률산정연면적, X2: 건축면적, X3: 재원 아동 수, X4: 보육실 면적, X5: 높이)로 구성된다. 각 모델의 계수 C는 Table 3에 추가하였다.
Table 3
Regression model coefficients through linear regression analysis
각 에너지 용도별 회귀모델에서 식(1)의 설명력(R2)과 식(3)의 예측 오차(CVRMSE)를 계산하여 모델의 정확도를 평가하였으며, 결과는 Table 4에 요약되어 있다. 각 에너지 용도에 대한 그룹별 평균 설명력(R2)은 다음과 같다. Group 1의 경우, 기저에너지(Train: 0.67, Test: 0.63), 난방에너지(Train: 0.63, Test: 0.56), 냉방에너지(Train: 0.51, Test: 0.45)로 도출되었다. Group 2의 경우, 기저에너지(Train: 0.62, Test: 0.59), 난방에너지(Train: 0.64, Test: 0.59), 냉방에너지(Train: 0.5, Test: 0.47)로 도출되었다.
Table 4
Train and test results through linear regression analysis (R2, CVRMSE)
기저 에너지는 건물의 일상적인 운영과 유지에 필요한 기본적인 에너지 사용량을 나타낸다. 이는 주로 외부 환경 요인보다는 내부 요인(예: 조명, 전기 설비, 전자기기 등)에 의해 영향을 받기 때문에 비교적 일정한 특성을 가지며, 높은 설명력을 보이는 것으로 판단된다. 반면 냉방과 난방 에너지는 외부 기상 조건(예: 외기온, 일사량 등)에 크게 영향을 받는다. 본 연구에서는 기상 데이터를 적용하지 않아 외부 환경인자에 의한 변동성을 고려하지 않았으며, 이로 인해 냉방 및 난방 에너지 모델의 설명력이 기저 에너지보다 낮은 것으로 판단된다. 또한, 건물의 열 성능(예: 열관류율) 역시 고려하지 않았으며 이것이 낮은 설명력의 이유로 사료된다. 기상 및 건물의 열 성능 변수를 추가적으로 고려할 경우, 기저, 냉방, 난방 에너지 사용량에 대한 설명력이 개선될 것으로 예상된다. 예측된 에너지 사용량의 경향성과 패턴을 시각적으로 표현하기 위해 Fig. 6으로 제시하였다.
6. 결 론
본 연구는 개방형 공공데이터를 활용하여 영유아 시설의 에너지 소비 성능을 평가할 수 있는 회귀 모델을 개발하였다. 연구의 주요 내용은 다음과 같이 요약된다. 먼저 영유아 시설의 특수한 에너지 사용 패턴을 반영하기 위해 데이터를 전처리하고, 군집별 특성을 분석하였다. 이를 통해 영유아 시설 유형이 공공 및 법인 운영(Group 1)과 사립 운영(Group 2)으로 분류되었다. 각 군집별 영향인자와 에너지 사용량 간의 상관관계를 분석하여, 5개의 변수(보육실 면적, 재원 아동 수, 건축면적, 용적률산정연면적, 높이)가 주요 영향인자로 도출되었다. 도출된 주요 영향인자를 활용하여 선형 회귀 분석을 실시하였고, 연도별 데이터를 구분하여 회귀 모델의 정확성을 평가하였다.
연구 결과, Group 1의 경우에 기저 에너지(Train: 0.67, Test: 0.63), 난방 에너지(Train: 0.63, Test: 0.56), 냉방 에너지(Train: 0.51, Test: 0.45), Group 2의 경우에 기저 에너지(Train: 0.62, Test: 0.59), 난방 에너지(Train: 0.64, Test: 0.59), 냉방 에너지(Train: 0.5, Test: 0.47)로 기저 에너지 모델이 냉방 및 난방 에너지 모델에 비해 높은 설명력을 보이는 결과가 도출되었다. 이는 기저 에너지가 주로 내부 요인에 의해 결정되기 때문으로 해석된다. 반면, 냉방과 난방 에너지는 외부 기후 조건의 영향을 많이 받기 때문에 설명력이 상대적으로 낮게 나타났으며, 이는 기상 데이터를 적용하지 않은 한계로 판단된다. 또한 전반적으로 설명력이 낮은 것은 건물 성능의 영향 인자를 고려하지 않은 것으로 사료된다.
7. 한계점 및 향후 연구계획
본 연구는 실제 건물에서 계측되어 정리된 공공데이터를 활용하여 영유아 시설(어린이집)의 에너지 사용량 평가를 위한 초기 단계의 모델링을 수행하였다. 연구 수행에 있어서 인지 및 도출한 한계점과 관련 향후 연구는 다음과 같다.
∙어린이집 유형의 군집 세분화
이번 연구에서는 운영 패턴의 차이를 고려하여 군집화를 진행하고, 군집 간 에너지 사용량의 차이를 확인하였다. 그러나 제한된 데이터로 인해 군집화 과정이 단순화되었다는 한계가 있다. 향후 연구에서는 다지역 및 다년도와 같은 확장된 데이터 셋을 이용하여 보다 정제된 데이터 전처리 기법을 활용할 예정이다. 이로써추가적인 군집 세분화를 진행하며, 군집 내 에너지 소비 특성을 보다 정밀하게 분석할 계획이다.
∙주요 영향인자의 도출
본 연구에서는 어린이집 특성을 반영하기 위해 보육실 면적과 재원 아동 수와 같은 상대적으로 낮은 상관관계를 가지는 변수들을 포함하였다. 그러나 변수 설정에 있어서 중요한 항목의 누락이나 데이터 전처리에 있어서 저품질 데이터의 포함 가능성도 존재한다. 따라서 향후 연구에서는 냉난방 면적 등의 추가 변수를 고려하고 보다 면밀한 데이터 전처리 과정을 수행할 예정이다. 이를 통해 모델의 설명력을 높이고 에너지 소비 패턴을 보다 정확하게 파악할 수 있을 것으로 기대된다.
∙기상 데이터 및 건물 성능의 미반영
본 연구에서는 기상 데이터와 건물 성능 요인을 반영하지 않았으며, 연구 지역이 서울로 한정되었다는 한계가 있다. 향후 연구에서는 기상 데이터를 변수로 추가하여 외부 요인의 영향을 보다 정확히 반영할 예정이다. 또한, 건물 성능을 나타내는 준공년도와 착공년도 등의 변수를 포함하여 모델의 설명력을 높일 계획이다. 이를 통해 연구의 범위를 다른 지역으로 확장하여 다양한 기후 조건의 영향을 분석하고, 모델의 일반화 가능성을 향상시켜 여러 지역의 어린이집 에너지 소비 패턴을 체계적으로 파악하고자 한다.
