1. 서 론
2. 연구의 방법 및 절차
3. HVAC Split 시스템
3.1 HVAC Split 시스템 모델링
4. 대상 건물 정보 및 GenOpt 최적화
4.1 대상 건물 정보
4.2 최적화 파라미터 및 알고리즘 구축
4.3 최적화 결과
4.4 최적화 모델 성능 지표 및 분석
5. 결론 및 한계사항
6. 시사점
기호 및 약어 설명
Twb : Wet-bulb temperature (℃)
Tc : Dry-bulb temperature (℃)
mi : Measured energy consumption (kWh)
Si : Simulated energy consumption (kWh)
VRFfan : VRF indoor unit supply fan (kWh)
VRFhp : VRF heat pump cooling electric energy (kWh)
VRFair : VRF air terminal cooling electric energy (kWh)
1. 서 론
한국에너지공단에서 발표한 “UN환경계획”에 따르면 건물 운용 시 배출되는 이산화탄소량은 전체 이산화탄소 배출량의 약 28%를 차지하며, 특히 냉난방 및 환기를 담당하는 HVAC (Heating, Ventilating, and Air Conditioning) 시스템은 주요 에너지 소비 원인이다1). 이러한 배경에서 HVAC 시스템의 성능을 개선하고 에너지 효율성을 높이는 것은 중요한 과제로 부각되고 있다. 특히 국내 및 동아시아에서는 DX (Direct Expansion) 기반의 Split 시스템이 널리 사용되고 있으며, 이를 통한 에너지 모델링의 정확도 향상이 필수적이다.
EnergyPlus2)는 ASHRAE 140 가이드라인에 따라 검증된 시뮬레이션 프로그램으로, 건물의 에너지 사용을 평가하고 예측하는 데 주로 사용된다. 무료로 제공되는 이 프로그램은 건물의 실제 모델링과 에너지 관리 전략을지원하며, 이를 기반으로 한 다양한 연구가 수행되어 왔다. Aynur et al. (2009)3)은 VRF (Variable Refrigerant Flow) 시스템과 VAV (Variable Air Volume) 시스템을 비교 분석하였고, Kang et al. (2010)4)은 VRF 시스템의 적용을 실측 데이터와 비교하여 민감도 분석을 수행하였다. Hamza et al. (2012)5)은 선호도 유사성 기법을 통해 적합한 HVAC 시스템을 선정하였다. 이러한 연구들은 HVAC시스템 성능 분석에 있어 EnergyPlus의 유용성을 보여주었지만, 대부분 수동적인 파라미터 조정에 의존하고 있어 실제 데이터와의 정합성을 개선하는데 한계가 있었다.
본 연구는 이러한 한계를 극복하고자, GenOpt를 활용한 비선형 최적화를 통해 실측 데이터와의 일치도를 개선하는 접근을 제시한다. GenOpt는 EnergyPlus와 연계하여 자동화된 최적화 과정을 수행함으로써, 모델의 정확도를 높이고, 에너지 소비를 줄이는 데 효과적임을 입증해왔다. 예를 들어, Hasan et al. (2008)6)은 TRNSYS와 GenOpt를 결합하여 주거용 건물의 생애 주기 비용 최적화를 수행하였고, Karaguzel et al. (2012)7)은 상업용 건물의 외피 설계 매개변수를 최적화하여 에너지 사용량을 최소화하는 연구를 수행하였다. 또한, Delgarm et al. (2016)8)은 EnergyPlus와 입자군 최적화(PSO)를 결합해 건물의 에너지 성능을 다중목적 최적화 방식으로 분석하였으며, 이를 통해 건물의 물리적 특성을 정확히 반영할 수 있었다.
따라서 본 연구는 여러 선행연구에서 수행된 최적화 접근을 DX 기반 Split 시스템의 성능곡선에 추가적으로 활용하여 수행하고, 실측 데이터와 비교하여 기존 파라미터 설정 대비 실측 데이터와의 오차를 최소화 시키는 것을 목적으로 한다. 이를 수행하기 위하여 실제 건물에서 측정된 데이터를 바탕으로 EnergyPlus에 HVAC 시스템 구현을 위한 설정들의 조사와 이러한 조사를 기반으로 모델링된 시뮬레이션 파일을 GenOpt와 연계하여 매개변수들의 최적화를 진행한다. 위의 절차를 통해 진행된 시뮬레이션 데이터와 실측 데이터의 오차 최소화의 가능성을 확인하였다.
2. 연구의 방법 및 절차
본 연구의 방법 및 절차는 다음 Fig. 1과 같다. 첫 번째 과정은 EnergyPlus에서 DX 기반 Split 시스템의 다양한 특성들에 조사를 진행하는 초기 단계이며 EnergyPlus에서 Split 시스템 설정 방법과 각 특성에 대해 조사하였다. 두 번째 과정은 HVAC Split 시스템을 EnergyPlus에 효과적으로 모델링하기 위한 방법들을 정리하는 단계이다. 본 연구에서는 여러 HVAC Split 시스템들 중 VRF 시스템을 적용하였다. 마지막 과정은 이를 실제 건물에 적용하여 모델링을 수행 및 시뮬레이션을 진행하는 단계로 시뮬레이션 결과를 바탕으로 대상 건물의 구조적 특성, Split 시스템의 구성 및 운영 조건 등을 실제 데이터를 기반으로 최적화 과정을 적용하는 단계로 구성된다.
3. HVAC Split 시스템
3.1 HVAC Split 시스템 모델링
HVAC Split 시스템의 모델링은 Fig. 2와 같이 크게 세 가지로 나누어 볼 수 있으며 각 시스템의 특징은 다음과 같다.
(a) Ideal loads Air System은 EnergyPlus에서의 기본이 되는 공기 부하 시스템으로 주로 건물 설계에서 에너지 및 열 부하를 시뮬레이션 하는데 사용되는 개념적 도구이다. HVAC 시스템이 난방 또는 냉방을 충족하기 위한 가상 부하 결과를 나타내며, 초기 건물 설계 단계에서 열 부하 추정 또는 더 구체적인 HVAC 시스템과의 비교 분석을 위해 주로 사용한다.
(b) VRF (Variable Refrigerant Flow) 시스템은 다수의 실내 유닛을 이용하여 각각의 공간에 대해 맞춤형 냉방 및 난방을 제공하는 HVAC 시스템이다. 이 시스템은 냉매의 유량을 조절하여 각 실내 유닛이 필요로 하는 냉난방 용량을 제공한다. 중앙 실외기는 냉매를 공급하며, 각 실내 유닛은 개별적으로 냉매 유량을 조절하여 온도를 유지한다. 특히 중규모 이상의 건물에서 다수의 공간이나 구역에 대한 독립적인 온도 조절이 요구될 때 효과적이며 가장 널리 이용되고 있다.
(c) PTAC (Packaged Terminal Air Conditioner) 시스템은 일체형 냉난방 장치로, 주로 호텔이나 소규모 상업 건물에서 사용된다. PTAC 시스템은 실내와 실외 사이에서 열 교환하는 독립적인 냉난방 시스템을 갖추고 있다. 설치가 간편하고 유지관리가 쉬우며, 각 공간의 독립적인 온도 조절이 가능하지만, 다른 시스템에 비해 에너지 효율이 낮다는 단점이 있다.
Fig. 2에 제시된 세 가지 시스템을 EnergyPlus에 구현하기 위해서는, EnergyPlus의 System objects에 대한 상세한 설정이 필요하다. 본 논문에서는 이러한 설정의 모든 세부사항을 기술하지는 않으며, 설정 과정에서 고려해야 할 일반적인 요소들을 Table 1에 간략하게 정리하였다. 이후, 연구의 방법 및 절차에서 설명한 바와 같이, VRF 시스템을 모델링하고, 이를 바탕으로 EnergyPlus 시뮬레이션을 수행하여 결과를 도출하였다.
Table 1.
Classification of settings in EnergyPlus
4. 대상 건물 정보 및 GenOpt 최적화
4.1 대상 건물 정보
본 연구는 서울에 위치한 상업용 건물을 대상으로 진행되었다. 대상 건물은 총 8층 규모로, 연면적은 4,051 m2이다. 지상 1층부터 3층까지는 음식점으로 구성되어 있으며, 4층부터 8층까지는 상업용 시설로 이루어져 있다. 4층부터 8층까지의 열전달 계수는 건물이 준공된 2001년을 기준으로 설정하였고, 내부 열 스케줄은 ASHRAE 90.1 규정을 적용하였다. 해당 건물의 실제 전력 사용량 데이터를 확보하기 위해 전력 사용 고지서를 이용하였으며, VRF 시스템 모델링 과정에서는 실제 해당 층에 설치된 실외기의 용량을 반영하였다. 시뮬레이션 결과를 실측 데이터와 비교하기 위해, 4층부터 8층까지의 상업 공간의 실측 데이터를 확보하였으며, 대상 건물의 자세한 정보는 Table 2에 정리하였다.
Table 2.
Overview of the target building
위와 같이 모델링된 대상 건물에 대하여 비교적 데이터의 결측치가 적은 2022년 6월 1일부터 2022년 6월 30일까지의 실제 대상 건물의 전력 사용량과 실외기 성능 데이터의 값들을 반영하였다. 전력 사용량은 월별 고지서를 통해 확보하였고, 실외기 성능데이터는 제조사의 성능 곡선과 실제 운영데이터를 반영하였다. 기상 데이터는 기상청9)에서 제공한 기상자료 개방 포털 데이터를 활용하였다. 다음 Fig. 3에는 시뮬레이션 기간 동안의 외기온도와 수평면 일사 데이터가 제시되어 있으며, 이 데이터들은 시간단위로 사용 되었다. 이러한 실측 데이터와 기상데이터를 기반으로 VRF 시스템의 모델링을 진행하였으며, 이를 통해 EnergyPlus 시뮬레이션의 정확도를 높이고자 하였다.
4.2 최적화 파라미터 및 알고리즘 구축
본 연구의 최적화는 4 ~ 8층의 상업공간들 중 실측 데이터가 잘 확보되어있는 4층을 대상으로 하였으며, Table 3과 같이 4층은 3개의 Zone으로 구성되어 있으며, 특정 Zone들에서 오피스 공간대여가 이루어지고 있다. 각 Zone에는 개별적으로 VRF 시스템이 적용되어 있으며 Zone 1은 휴게 공간으로, 간단한 요리를 할 수 있는 시설이 포함되어 있다. Zone 2와 Zone 3는 주로 회의 공간으로 구성되어 있으며, 각각의 공간 특성과 사용량에 맞추어 조명과 기기밀도는 실측 정보를 반영하여 Design builder 프로그램을 이용하여 VRF 시스템이 모델링 되었다.
Table 3.
Overview of the 4th floor
본 연구에서 적용한 최적화는 GenOpt라는 최적화 툴을 EnergyPlus와 연동하여 4층의 각 Zone에서 발생한 에너지 소비량 데이터와 실측한 데이터간의 오차의 제곱합이 줄어들 수 있도록 조정하였다.
최적화 파라미터로는 건물의 물리적 거동을 반영하기 위해 외벽, 문, 창문의 열전도율과 각 Zone에서 발생하는 실내 발열량, 기기 발열량, 침기량을 설정하였다. 이를 통해 각 Zone의 에너지 소비 특성을 정확하게 모델링 하고자 하였다. 추가로 VRF 시스템의 성능 최적화를 위해 Biquadratic 기반의 커브 성능의 계수를 최적화 대상으로 적용하였으며, 식(1)과 같이 a부터 f까지의 각 계수를 최적화하였다.
위와 같은 최적화 과정을 통해, 건물의 물리적 특성과 VRF 시스템의 성능을 정밀하게 분석하고, 실측 데이터와의 정확도를 향상시킬 수 있는 파라미터 값을 도출하고자 하였다. 이 최적화 과정은 각 Zone의 특성을 반영하여 실내 환경의 쾌적성을 유지하면서도 에너지 소비를 최소화하는 데 중점을 두었으며 최종적으로, 각 Zone에서 발생하는 VRF Indoor unit supply fan, VRF Heat pump cooling electric energy, VRF Air terminal cooling electric energy의 합이 실측 데이터 와의 오차가 줄어들도록 식(2)와 같이 목적함수를 구성하였다.
최적화 과정과 상세 설정 사항은 다음 Table 4와 같다.
Table 4.
Optimization process and settings
위 최적화 알고리즘에 대한 파라미터 최적화는 초기값을 기준으로 하한선과 상한선을 각각 초기값의 50%로 지정하였으며, 스텝 크기(step size)는 초기값의 10%로 적용하였다. 각 Zone에서 설정된 파라미터들에 대한 최적화를 진행하기에 앞서, 건물 운영 특성에 맞도록 주중 및 주말의 스케줄을 실측 데이터를 기반으로 1차 조정하였다. 이를 통해 실제 사용 패턴을 보다 정확하게 반영하고, 시뮬레이션의 신뢰성을 높이고자 하였다. 주중과 주말의 스케줄 조정은 각각의 Zone의 특성을 고려하여 실제 측정 데이터를 기반으로 수행되었다. Zone 1의 경우, 휴게 공간으로 사용되기 때문에 주중 동안 일정 시간 동안 사용이 유지되는 반면, Zone 2와 Zone 3은 주로 회의 용도로 사용되어 주중에는 불규칙적인 패턴의 사용을 보였다. 이러한 특성을 반영하여 주중과 주말의 사용 시간과 패턴을 조정하였으며, 실측 데이터와의 비교를 통해, 조정된 스케줄이 실제 에너지 사용 패턴을 얼마나 정확하게 반영하는지를 확인하였다. Fig. 4는 스케줄의 조정과 최적화의 결과를 나타낸다. (a)의 경우 초기 모델링된 시뮬레이션 결과를 나타내며 (b)는 Zone의 용도에 맞게 스케줄을 조정한 결과이다 (c)는 최적화의 결과를 나타낸다. 이러한 순차적 비교 분석을 통해 조정된 스케줄과 설정한 최적화 매개변수들이 에너지 소비 특성을 정확하게 반영함을 확인하였다.
4.3 최적화 결과
위 Fig. 4(b)의 결과와 같이 1차적인 스케줄 조정을 진행한 후 파라미터를 조정하여 최적화를 진행하였으며 그 결과는 다음 Table 5와 같다. 물리적 특성의 경우, 벽과 문의 열전도율 파라미터는 최적화 과정에서 성능이 향상되도록 조절되었다. 벽체의 열전도율은 초기값 1.4 W/(mㆍK)에서 최적값 1.26 W/(mㆍK)로 조정되었으며, 문의 열전도율은 초기값 0.19 W/(mㆍK)에서 최적값 0.17 W/(mㆍK)로 조정되었다. 이는 열전도율이 낮아져 열 손실을 줄이는 방향으로 최적화가 이루어진 것을 의미한다. 반면, 창문의 경우는 초기값 0.9 W/(mㆍK)에서 최적값 1 W/(mㆍK)로 조정되어 반대의 경향이 나타났다. EenrgyPlus 내에서 열 관류율의 수치를 직접 변경할 수 없어 벽체 내부를 구성하는 Parameter들의 열전도율 값을 수정하여, 열관류율을 변경하였다.
Table 5.
Detailed information and optimization parameters
각 Zone의 파라미터를 분석한 결과, 세 개의 Zone 모두 침기의 경우 초기값과 최적값이 동일하게 유지된 반면 실내 발열(조명, 장비)의 경우 감소함을 확인하였으며, 도출된 최적 파라미터값을 반영한 6월의 에너지 사용량은 다음 Table 6에 요약되었다.
Table 6.
Optimization results
최적화 전후의 에너시 사용량 데이터를 비교해 보면, VRF 실내기 공급 팬의 에너지는 135.7 kWh에서 102 kWh로 감소하였고, VRF 히트 펌프 냉방 전력은 895.9 kWh에서 671.7 kWh로 감소하였다. 또한, VRF 공기 터미널 냉방 전력은 51.8 kWh에서 38.6 kWh로 감소하였다. 최적화 후 총 에너지는 812.3 kWh로, 최적화 전 시뮬레이션 에너지 1083.4 kWh과 비교했을 때 실측 데이터인 838.5 kWh에 더욱 근접한다. 이는 파라미터의 최적화를 통해 시스템의 전체 에너지 소비를 실측 데이터에 가깝게 모델링 할 수 있음을 시사한다.
4.4 최적화 모델 성능 지표 및 분석
최적화 모델의 정확도를 평가하기 위해 3가지의 지표를 사용하였다. 첫 번째 지표는 정확도를 측정하는 방법 중 대표적으로 널리 사용되는 RMSE (Root Mean Square Error)를 이용하여 평가하였으며 계산식은 식(3)과 같다.
두 번째 지표는 NMBE (Normalized Mean Bias Error)로, 이 지표는 모델값과 실측값 사이의 편향을 평가하는 지표로 ASHRAE Guideline 14에서 명시한 시간 단위 데이터를 이용하는 모델에서는–10% < NMBE < 10% 이내에서 오차가 허용되며 계산식은 식(4)와 같다.
세 번째 지표는 CV (RMSE) (Coefficient of Variation of the Root Mean Squared Error)를 사용하였다. 이 지표 또한 ASHRAE Guideline 14에서 명시한 지표로, 오차율 검증에서 높은 신뢰성을 보이며, 시간 단위 데이터를 이용하는 경우 30% 이내에서 오차가 허용되며 계산식은 식(5)와 같다.
위와 같은 세 가지의 지표를 적용한 최적화 모델의 결과 평가는 다음 Table 7에 요약되어 있다.
Table 7.
Calibration criteria & evaluation
| Data type | Index | ASHRAE Guideline 14 criteria | Before optimization | After optimization |
|
Hourly criteria (kWh) | RMSE | - | 1.15 | 0.84 |
|
Hourly criteria (%) | NMBE | ±10 | 25.30 | 0.40 |
| CV(RMSE) | 30 | 51.40 | 37.22 |
최적화 모델 평가 결과, RMSE가 1.15 kWh에서 0.84 kWh로 감소하며 모델의 정확도가 개선되었음을 확인할 수 있었다. 또한, NMBE는 25.30%에서 0.40%로 대폭 감소하여, ASHRAE Guideline 14에서 제시하는 기준인 ±10%를 충족하였다. 그러나 CV (RMSE)는 51.40%에서 37.22%로 감소하였음에도 불구하고, 여전히 ASHRAE Guideline 14의 기준을 만족하지 못하였다. 이는 CV (RMSE)가 전체 오차의 크기를 반영하는 지표로서, 본 연구 대상인 상업용 오피스 공간 대여 시설에서 특정 시점(휴일, 새벽)에 발생한 데이터가 영향을 미친 결과로 해석된다.
5. 결론 및 한계사항
본 논문에서는 HVAC Split 시스템의 다양한 유형들을 개괄적으로 서술하고, 이를 EnergyPlus에 실질적으로 적용한 후, GenOpt를 활용하여 각 변수에 대한 최적화 과정을 수행하여 실측데이터와의 오차를 분석 하였으며,결과는 다음과 같다.
첫째, 최적화 후 VRF 시스템의 에너지 소비는 실측 데이터와 매우 유사한 수준으로 나타났다. 최적화 후 총 에너지 소비는 812.3 kWh로, 최적화 전 시뮬레이션 에너지 소비 1083.4 kWh와 비교했을 때 실측 데이터인 838.5 kWh에 더욱 근접하여 오차의 최소화를 확인하였다.
둘째, 평가 성능 지표로 사용된 RMSE는 1.15 kWh에서 0.84 kWh로 감소하였으며, NMBE는 25.30%에서 0.40%으로 크게 감소하였다. CV (RMSE)는 51.40%에서 37.22%로 감소하였지만 ASHRAE Guideline 14의 허용 오차 기준을 충족하진 못하였다.
본 연구를 통해 GenOpt와 같은 최적화 도구를 사용하여 에너지 모델의 정확도(오차의 최소화)를 효과적으로 개선할 수 있음을 확인하였다. 하지만 기상데이터와 실내 열환경 데이터가 특정 기간에 한정되어 있어, 연간 에너지 성능 평가의 가능성을 확인하지는 못하였다. 또한 CV (RMSE) 지표가 ASHRAE Guideline 14의 기준을 충족하지 못한 것으로 나타났는데, 이는 특정 시점(예: 휴일, 야간시간대)의 운영 특성을 정확히 반영하지 못한점이 원인으로 사료된다.
6. 시사점
본 연구는 EnergyPlus와 GenOpt를 결합한 최적화를 통하여 상업용 건물의 HVAC 시스템 에너지 소비의 오차를 줄이는 것에 대한 가능성을 확인하였다는 점에서 다음과 같은 시사점을 갖는다.
첫째, 최적화 기법을 통해 수동적인 파라미터 조정의 한계를 극복 가능성을 확인하고, 모델링의 정확성을 향상시킬 수 있음을 보여주었다.
둘째, 최적화 과정에서 VRF 시스템의 실질적인 성능 곡선을 반영함으로써, 실제 건물의 시스템 특성에 근접한 시뮬레이션 결과를 얻을 수 있었다.
셋째, 본 연구에서 다룬 최적화 접근은 다양한 건물 유형과 기후 조건에도 적용이 가능하며, 에너지 소비량 예측의 정밀도를 높일 수 있는 가능성을 확인하였다.
향후 연구에서는 보다 상세한 운영 스케줄을 반영한 시뮬레이션을 수행하고, 계절적 기후 변화와 같은 외부 요인을 고려한 최적화를 통해 모델의 신뢰도를 높이는 것이 필요하다. 또한, 변수별 영향도를 분석하여 각 요소가 에너지 소비에 미치는 구체적인 영향을 규명함으로써, 더욱 정교한 건물 에너지 분석 및 최적화 기반의 냉난방 시스템 모델링이 가능해질 것이다.
