한국태양에너지학회(회장 강기환) 추계학술발표대회가 지난 10일부터 12일까지 광주광역시 김대중컨벤션센터에서 개최돼 제로에너지건물(ZEB)과 관련된 다양한 연구내용이 발표됐다.
지난 11일 열린 ZEB발표세션(좌장 김홍욱)은 △인공지능 기반 건물에너지 사용량 최적화기법 소개(박정규 오토시맨틱스) △ECO2와 디자인빌더 프로그램을 이용한 공공건축물 그린리모델링 에너지성능 비교분석(김지혜·유지숙 공주대) △발열유리창호의 열류패턴 분석(이루다 한밭대) △실측데이터 기반 교육시설 건물의 그레이박스 모델 개발(최광원 인하대) △건물에너지 모델 예측제어를 위한 LSTM 기반 일사량 예측(이성진 한국에너지기술연구원 에너지ICT융합연구단) 등으로 구성됐다.
‘인공지능 기반 건물에너지 사용량 최적화기법 소개’ 발표에서 박정규 회원은 BEMS 시스템의 한계를 극복하고자 AI기술을 도입, △실시간 에너지수요 예측 △실시간 최적운전방안 도출 △설비제어 직접연결 또는 실시간 운전자 정보제공 방식 인공지능 전문가시스템 등을 구현한 결과를 소개했다.
이를 위해 DNN, RL 등 다양한 인공지능 기술이 활용됐으며 건물에너지 생산·분배과정에 대한 모델링과 시뮬레이터 구축 등 건물자체에 대한 분석기법도 동시에 적용됐다. 시스템 유효성을 대형 상업건물에 적용한 결과 냉난방공조 에너지비용이 하절기 기준 20%, 연간 10% 절감되는 것이 확인됐다.
이어 ‘ECO2와 디자인빌더 프로그램을 이용한 공공건축물 그린리모델링 에너지성능 비교분석’ 발표에서 김준태 공주대 교수 연구팀은 현재 공공건축물 제로에너지 의무화가 시행되고 있는 가운데 국내 건축물에너지효율등급 및 에너지자립률 평가툴로 활용하는 ECO2가 텍스트기반 입력, 월별 평균 기후데이터 활용 등 특성에 정확성에 논란이 제기되자 한계를 파악하기 위해 디자인빌더와의 비교분석을 진행했다.
디자인빌더는 에너지플러스를 기반으로 하는 동적 건물성능평가 시뮬레이션 프로그램으로 ASHRAE 90.1의 데이터값을 사용하며 ECO2보다 더 많은 기상데이터를 포함한다. 또한 인접실의 열영향과 같은 환경조건 등 영향을 더 자세히 반영하고 있다.
연구팀은 보건진료소 건물 1개소를 대상으로 ECO2와 디자인빌더 프로그램으로 그린리모델링 전·후 건축물의 냉난방, 조명, 환기, 급탕 등 5대 부하의 1차에너지소요량을 각각 비교분석해 건축물 에너지성능 평가프로그램이 ECO2의 한계점을 드러냈다.
이루다 한밭대 회원은 ‘발열유리창호의 열류패턴 분석’ 발표를 통해 실제 주거건물에서 사용 중인 발열창호 실험을 통해 결로방지·난방부하 대응 등 측면에서 발열유리의 역할을 알아보기 위해 열흐름 패턴, 실내 열환경 특성 등을 분석했다. 이번 연구는 그간 선행연구들이 대부분 통제된 실험조건에서 분석된 것에 비해 실제 거주공간에서 실험했다는 의미가 있다.
분석 결과 발열유리는 외기온·열효율이 비례관계를 보이는 구간, 외기온과 반비례 관계를 보이는 구간, 외기온과 관계없이 열류흐름의 변동이 극심한 구간 등 3가지 패턴으로 구분되는 것으로 나타났다. 설치방위에 따라서는 월평균 남측 발열창호 투입에너지소비량은 43.4Wh/㎡, 북측은 88.5kWh/㎡ 등으로 분석됐다.
이어 최광원 인하대 회원은 ‘실측 데이터 기반 교육시설 건물의 Grey-box 모델 개발’ 발표를 통해 대학교 캠퍼스 고층건물 한 영역에 그레이박스 모델을 개발하기 위한 연구결과를 소개했다.
고층 1인 오피스 공간에서 측정된 다양한 실내환경 데이터및 외부환경 데이터를 이용해 Grey-box 모델링을 수행했으며 실내 CO₂ 농도 플러그파워 등 값을 이용해 재실스케쥴을 간접적으로 계산했다. 또한 측정이 불가한 실내의 4way 공조기의 냉방 에너지값은 카탈로그의 정격값을 적용했다. 외부 환경 데이터로서 기상청의 일사량과 외기 온도데이터를 활용했다.
약 4주간 실측이 진행됐으며 주중 및 주말의 스케쥴에 따라 실내기(Heat pump)의 운영 데이터와 운영되지 않은 데이터를 확보한 결과 Grey-box 모델 예측성능은 1주 모델링데이터에서 RMSE(Root mean square error) 1℃ 미만의 준수한 성능을 보였다. 또한 3주의 검증데이터에서도 1℃ 미만의 성능으로 나타났다.
한국에너지기술연구원 에너지ICT융합연구단 연구팀은 ‘건물에너지 모델 예측 제어를 위한 LSTM기반 일사량 예측’ 발표에서 인공지능 기반 예측방법 중 하나인 LSTM(Long Short-Term Memory)을 활용, 일사량을 예측한 과정을 설명했다.
LSTM 모델은 2021년 6월부터 8월까지 수집된 기상정보를 이용해 학습했다. 예측시점으로부터 하루 전 관측된 온도, 습도, 풍속, 운량, 일조, 일사량을 이용해 다음날의 시간별 일사량을 예측토록 모델링됐다. 또한 기존 회귀모델 중 널리 활용된 ‘Seo-model’의 일사량 예측값과 실제측정값을 비교해 두 모델간의 예측정확도를 검증했다.
목록
