기호 및 약어 설명
그리스 기호 설명
하첨자 설명
1. 서 론
2. 연구 방법
2.1 건물 모델링 조건
2.2 딥러닝 예측모델 조건
2.3 XAI 조건
3. 결과 및 토의
3.1 건물 부하 및 표면 온도 예측
3.2 건물 부하 및 표면 온도 예측을 위한 주요인자 분석
4. 결 론
기호 및 약어 설명
: number of operational parameters
: group of parameters except for the th evaluating parameter
: contribution except for the th evaluating parameter
: overall contribution
1. 서 론
현재 건물의 에너지 소비량은 전 세계 에너지 소비량의 약 30 ~ 40%를 차지하고 있고1) 특히 건물 분야의 에너지 소비를 감소시키기 위한 냉·난방 효율 향상의 필요성이 지속적으로 제기되고 있다. 대한민국 주거 건물의 큰 비중을 차지하는 아파트에서는 일반적으로 냉방 부하를 처리하기 위해 PTAC (Packaged Terminal Air Conditioner)를 활용하고 난방 부하를 처리하기 위해 바닥난방 시스템이 사용된다. 바닥복사 시스템은 실내 전체에 열을 고르게 전달하여 상하부 온도 차이가 작고, 대류 방식에 비해 에너지 효율이 높아 쾌적한 열환경을 유지하면서도 운영 비용이 적게 드는 장점이 있다. 따라서 높은 쾌적성과 효율성을 확보할 수 있는 바닥복사시스템은 냉방과 난방에 모두 적용되어야 하지만 현재 난방에만 적용되고 있다. 일반적으로 스크리드층의 열용량은 열 공급과 부하 발생 시간의 차이를 초래하고 이는 냉방 처리 시 시스템 표면에서의 결로 위험 및 과도한 냉방이 발생 될 수 있다. 따라서 이러한 문제를 해결하기 위해서는 표면 온도와 건물 부하를 미리 예측하여 결로 위험을 줄이고 효율성을 확보할 수 있는 통합 예측 제어 전략이 필요하다.
최근 건물 냉난방 시스템의 부하를 예측하기 위해 딥러닝 기술을 적용한 다양한 연구가 진행되고 있다2). 딥러닝 기술이 건물 예측에 정확성을 확보하기 위해서는 예측하는 출력 변수에 영향을 주는 입력 변수의 정보가 필요하다. 하지만 설정하는 출력 변수에 따라 필요로 하는 입력 변수가 바뀔 수 있어 과도하게 다양한 변수가 측정되어야 하는 상황이 발생한다. 따라서 본 연구에서는 건물 냉방 부하와 시스템 표면 온도를 예측하기 위한 주요 입력 변수의 중요도를 최신 기법인 XAI를 활용해 도출하고자 한다.
2. 연구 방법
본 연구에서는 주거 건물의 냉방 부하와 표면 온도 예측에서의 입력 변수 중요도 도출을 하기 위한 연구 흐름도를 Fig. 1과 같이 나타내었다. 건물 및 HVAC 시스템을 모사하기 위해 Energyplus 24.2.0를 활용하여 시뮬레이션을 수행했다. 도출된 냉방부하와 표면 온도 데이터를 기반으로 Matlab R2022a에서 딥러닝 알고리즘을 활용해 예측 모델을 구성하였다. 그리고 XAI 기법 중 높은 정확도를 확보할 수 있는 SHAP을 적용하여 각 예측 모델에서 입력 변수의 중요도를 도출하였다3).
2.1 건물 모델링 조건
복사 냉방 시스템을 적용하기 위해 바닥 복사 시스템을 활용하고 있는 한국의 서울 광진구 소재 공동주택을 대상 건물로 선정하였다. 한 세대를 한 개의 존으로 설정하였고 건물은 남향으로 모델링하였다. 또한 재실밀도는 2024년 평균 가구원수를 토대로 설정하였다4). 건물 부하에 영향을 미치는 요소를 크게 3가지로 구분하여 건물 자체의 특성, 내부 환경, 외부 환경으로 나누었을 때 건물 자체의 특성은 건물의 설계 조건 관련 요소로 벽체의 열 관류율, 층고, 등으로 정의되고 건물 내부 환경은 건물 운영 조건 관련 요소로 재실자 스케쥴, HVAC 시스템 등에 해당된다. 마지막으로 건물의 외부 환경은 건물이 위치한 지역의 기후를 의미하며 본 연구에서는 한국 서울지역의 기후를 선정하였다. 일반적으로 국내 기후는 고온 다습한 하절기 조건을 가지고 있어 바닥복사 냉방시스템만으로는 모든 냉방 부하를 처리하기 어렵다5). 따라서 본 연구에서는 바닥복사냉방시스템을 우선적으로 활용하여 냉방 부하를 처리하고 발생할 가능성이 있는 결로 문제를 해결하고 부족한 냉방 부하를 일반적으로 활용하는 PTAC 시스템을 함께 적용시키고자 한다. 자세한 시뮬레이션 조건은 Table 1에 정리하였고 건물의 모델 전경은 Fig. 2와 같다. Energyplus를 활용한 시뮬레이션은 시간 단위의 해석을 하기 위해 1시간 단위로 시뮬레이션을 진행하였다.
Table 1.
Simulation boundary conditions
2.2 딥러닝 예측모델 조건
기존의 여러 연구에서 활용한 입력 변수를 종합한 선행연구에서는 시간 변수와 환경 변수를 총 9개의 변수로 나누어 건물 부하 예측에 사용하였다. 아래의 Table 2에 기존의 연구들에서 어떻게 입력 변수를 활용하였는지 간략하게 작성하였고 이를 토대로 본 연구의 입력 변수를 선정하고자 한다.
Table 2.
Input variables used in various studies
| Reference | Input variables |
|
The use of occupancy space electrical power demand in building cooling load prediction6) |
Dry-bulb temperature, wet-bulb temperature, global solar radiation, rainfall, clearness of sky, cloud condition and wind speed |
|
On-line building energy prediction using adaptive artificial neural networks7) |
Outdoor dry-bulb temperature, wet-bulb temperature, horizontal solar flux, hour of the day |
|
Artificial neural network model for forecasting sub-hourly electricity usage in commercial buildings8) |
Outdoor dry-bulb temperature, outdoor relative humidity, percipitation probability, rain indicator, wind speed, sky condition, day indicator, interval stamp, hvac operation schedule |
|
Analysis of input parameters for deep learning-based load prediction for office buildings in different climate zones using eXplainable Artificial Intelligence9) |
Dry-bulb temperature, wet-bulb temperature, global solar radiation, sky cover, wind speed, hour of day, weekday, Saturday, sunday |
본 연구에서는 부하예측뿐만 아니라 표면 온도를 동시에 예측을 하기 위해 표면 온도에 큰 영향을 줄 수 있는 실내온도와 절대습도를 포함하여 총 11개의 변수를 Table 3과 같이 선정하였다.
Table 3.
Deep learning input variables
시간 및 환경 요소는 부하와 선형적인 관계가 있어 은닉층의 개수가 증가할수록 정확도가 높아지지 않고 오히려 감소하기 때문에 은닉층을 3개로 설정하였다10). 노드의 수는 많을수록 정확도가 높아지지만 정확도의 차이가 크지 않아 계산의 효율성을 위해 1000개로 설정하였다. 학습률은 값이 높을수록 최적화가 빠를 수 있지만 정확도가 감소하거나 수렴이 어려울 수 있어 다양한 시도 끝에 0.002가 최적값임을 확인하였다. 학습 주기의 경우 많이 학습할수록 정확도가 높아지지만 과도한 학습은 새로운 데이터의 예측 정확도를 감소시킬 수 있는 오버피팅이 발생할 수 있다. 이러한 문제를 방지하기 위해 기존 연구에서 활용한 1000회가 최적 값으로 확인되었다11,12). 따라서, 본 연구에서는 딥러닝 모델에서 활용되는 다양한 하이퍼 파라미터 중 모델의 정확도에 영향을 미치는 6개의 값을 Table 4와 같이 설정하였다12). 또한 건물 부하와 표면 온도 모두 시간 단위의 예측을 진행하였고 표면 온도의 경우 시간 지연 효과를 고려하여 1시간 이전의 데이터로 다음 시간을 예측하고자 한다13).
Table 4.
Deep learning conditions
| Hyperparameter | Value |
| Hidden layers | 3 |
| Hidden neurons | 1000 |
| Learning rate | 0.002 |
| Epoch | 1000 |
| Activation function | Rectified Linear Unit (ReLU) |
| Optimizer | Adam |
2.3 XAI 조건
XAI는 AI 예측 결과를 쉽게 이해하고 시스템이 제공하는 근거를 토대로 사용자가 명확한 의사결정을 내릴 수 있도록 하는 인공지능으로 블랙박스를 사용하더라도 입력 변수와 출력 변수의 상관관계를 해석할 수 있는 기법이다.
이러한 XAI 기법 중 건물 부하 예측에서 가장 높은 정확도를 보인 SHAP 기법13)은 게임이론의 원리를 사용하여 특징간 독립성을 통해 기여도를 분석하여 모델을 해석을 하는 기법이다. 이 기법은 여러 가지 다른 입력 변수를 조합하고 해당 입력 변수의 평균적인 변화를 해석하는 값인 Shapley value를 계산한다. Shapley value는 특정 입력 변수의 기여도를 나타내며 주어진 모델의 예측 결과에 특정 입력 변수가 어떠한 영향을 미쳤는지 평가할 수 있는 기법이다.
본 연구에서 다양한 입력 변수들의 중요도를 해석하기 위해 식(1)에서 계산되어진 SHAP 값을 활용하고자 한다. 이를 통해 각 입력 변수들이 출력값에 대한 기여도를 평가할 수 있게 되고 사용자가 입력과 출력값의 상관관계를 해석하게 되어14) 건물의 운전 전략 및 측정 센서의 경량화 전략을 수립할 수 있게 된다.
3. 결과 및 토의
3.1 건물 부하 및 표면 온도 예측
Table 1에서 선정한 건물의 특성을 반영하여 여름철 냉방 기간(6월 ~ 8월)에 대해 에너지 시뮬레이션을 진행하였고 시뮬레이션 결과값에서 11개의 입력 변수를 선정해 세대당 냉방 부하를 예측하였다. 이 때, 시뮬레이션 값과 딥러닝 기반 예측값의 데이터를 비교한 결과를 Fig. 3과 같이 나타냈고 CV (RMSE)는 10.51%이다. 이는 ASHRAE standard chapter 19에서 제시한 시간별 데이터로 건물의 부하 예측 시 CV (RMSE)를 30% 이하로 유지해야 하는 기준을 충족시키는 수치이다. 따라서, 예측값이 높은 정확도로 예측하고 있음을 의미하며, 통합 예측을 하기 위해 활용된 입력 변수와 하이퍼 파라미터 값들이 충분한 신뢰성을 갖추고 있음을 알 수 있다.
표면 온도 예측도 건물 부하 예측과 마찬가지로 통합 예측을 하기 위해 11개의 입력 변수를 활용하여 예측을 진행하였다. 표면 온도 예측은 시간 지연 효과를 고려하여 1시간 전의 환경 변수와 시간 변수를 토대로 다음 시간의 실내 표면 온도를 예측하도록 하였다13). 시뮬레이션을 통해 산출한 표면 온도와 딥러닝 기반 예측으로 산출된 표면 온도 데이터를 아래의 Fig. 4와 같이 나타내었고 MAE는 0.38℃, CV (RMSE)는 2.56%로 나타났다.
또한, Fig. 5와 Fig. 6를 보면 최대 부하가 발생한 시점인 8월 10일의 24시간 데이터를 분석한 결과 건물의 냉방 부하는 일사량 증가와 내부 발열에 의해 발생한 축열량으로 인해 저녁 시간에 부하가 최대 부하가 발생한 후 점차 감소하는 경향을 볼 수 있다. 최대 부하가 발생한 날의 데이터를 Fig. 5와 같이 정리하였을 때 시스템의 가동시간이 18:00 ~ 09:00로 되어 있기에 냉방 시스템이 가동되지 않아 부하가 0으로 나온 것으로 보인다. 바닥 표면 온도의 경우 구조체의 열용량으로 인해 보다 완만한 변화를 나타내며, 부하에 비해 1 ~ 2시간 뒤에 바닥 표면 온도가 감소하는 것을 알 수 있다. 이는 일반적으로 주거용 건물에서 사용하고 있는 스크리드 층에 의해 시간 지연 효과가 발생하여 다른 시간 패턴을 보이는 것으로 판단된다.
3.2 건물 부하 및 표면 온도 예측을 위한 주요인자 분석
딥러닝 기반 건물 부하 예측과 표면 온도 예측을 진행한 모델을 활용하여 XAI 기법 중 SHAP 기법으로 입력 변수의 상대적 중요도를 평가하여 Fig. 7과 같이 나타내었다.
건물 부하 예측의 입력 변수 중요도는 실의 평균온도가 가장 높고 외부 건구온도, 시간 순으로 나타났다. 건물 부하에 영향을 미치는 HVAC 가동 시간은 해당 공간에 거주하는 재실자의 스케줄에 따라 결정되며 설정 온도를 유지하기 위해 HVAC 시스템이 작동하게 된다. 이로 인해 실내 온도가 변화하게 되고 이러한 변화는 곧 건물 부하에 직접적인 영향을 미치므로 실내 평균 온도는 건물 부하 예측을 위한 입력 변수 중 가장 높은 중요도를 갖게 된다. 또한, SHAP 분석 결과를 통해 시간과 관련된 변수보다 환경 변수의 중요도가 더 높게 나타나는 것을 확인할 수 있었다.
표면 온도 예측에 필요한 주요 입력 변수로는 외부 건구온도, 절대습도, 일사량으로 나타났다. 외부 건구 온도는 한국의 여름철 기후 특성상 고온 다습하다. 이로 인해 축열이 발생하게 되고 표면 온도가 변화하기 때문에 가장 높은 영향을 받는 것으로 보인다. 표면 온도 예측도 환경 변수의 중요도가 예측의 정확도에 많은 영향을 미치는 것을 알 수 있었다.
따라서, 건물 부하의 경우 실내 평균 온도, 외부 건구온도, 시간, 일사량 4가지 변수가 주요 변수이며, 표면 온도의 경우 외부 건구온도, 절대 습도, 일사량, 실내 평균온도, 운량 이렇게 6가지 변수가 주요 변수로 나타났다.
4. 결 론
본 연구는 건물의 특성 및 환경 관련 요소를 입력 변수로 설정하여 건물 냉방 부하 및 표면 온도를 통합적으로 예측할 수 있는 딥러닝 기반 예측 모델을 구축하고 그 성능을 평가하였다. EnergyPlus 시뮬레이션을 통해 생성한 냉방 부하 및 표면 온도 데이터를 학습 데이터로 활용하였으며 모델 성능 평가는 CV (RMSE), MAE 등의 정확도 지표와 SHAP 기법을 통한 입력 변수 중요도 분석을 통해 수행하였다. 그러나 실제 건물의 환경 조건이 아니라 시뮬레이션 데이터를 활용하였기에 실제 운전 환경에서 발생할 수 있는 변동성을 충분히 반영하지 못한다는 한계가 존재한다. 따라서 향후 연구에서는 위에서 활용한 입력 변수에 대한 실측 데이터를 활용하여 모델 검증 및 다양한 기후대에서의 표면 온도 예측을 진행하고자 한다.
(1) 냉방 부하 예측 결과 CV (RMSE)는 10.51% 표면 온도 예측 결과 MAE는 0.38℃, CV (RMSE)는 2.56%로 나타났으며 제안한 11개의 입력 변수를 활용하여 높은 정확도를 확보하였다.
(2) 입력 변수의 중요도를 SHAP 기법을 활용하여 평가한 결과 건물 부하는 실의 평균온도, 외부 건구온도, 시간, 일사량 순으로 중요도가 나타났으며, 앞의 4개의 변수가 주요 변수로 나타났다.
(3) 표면 온도의 경우 외부 건구온도, 절대습도, 일사량, 실내 공기 온도, 외부 습구온도, 운량 순으로 중요도가 나타났으며, 6개의 변수가 주요 변수로 나타났다.
