근래에 친환경 저에너지 건축의 관심이 증가하면서 건물의 생애주기 중 유지관리 측면에서 건물 에너지 절감의 필요성이 대두되고 있다. 사무용 건물의 에너지 사용량 중 32%는 HVAC 시스템에 의해 소비되며(Sane, Haugstetter, & Bortoff, 2006), 이에 따라 건물 에너지와 관련된 모든 이해관계자는 건물 에너지 해석을 통해 효율적으로 에너지 사용량을 관리해야 한다.
기존 건물의 에너지 해석을 위해 사용되는 방법은 전통적으로 제 1법칙 기반 모델이 활용되었으며, ISO 13790과 같은 규범적 모델(normative model) 또는 동적 시뮬레이션 도구(EnergyPlus, TRNSYS, IES-VE, IDA-ICE) 기반 모델을 활용한 방법으로 구분된다.
ISO 13790과 같은 규범적 모델은 사칙연산과 간단한 대수식으로 건물 에너지 사용량을 평가하므로, 사용자에 주관적 개입이 필요치 않으며, 동일한 계산 결과를 산출 할 수 있고, 수식에 따른 입·출력 변수 사이의 관계를 파악할 수 있다(van Dijk, Spiekman, & de Wilde, 2005). 동적 시뮬레이션 도구를 사용하여 구축된 모델은 시간에 따라 변화하는 건물의 동적 거동을 표현할 수 있는 장점이 있다(안기언, 김영진, & 박철수, 2012). 그러나 기존 건물을 대상으로 동적 시뮬레이션 도구를 활용해 모사할 경우, 건물 전반에 걸친 전문 지식과 상당한 모델링 시간이 요구되는 단점이 있다. 또한 확률적으로 변화하는 변수(재실, 조명, 기기 스케쥴, 침기)에 대한 고려와 함께 수많은 입력 정보들을 반영해야 한다.
반면 기계학습 모델은 모델 작성에 고도의 전문 지식이 요구되지 않고 다수의 변수에 대한 추정이 불필요하다. 또한 실제 측정된 데이터를 활용하여 소수의 입력 변수만으로 모델 구축이 가능하며, 모델이 알고리즘에 의해 자율 구성되므로, 동적 시뮬레이션 모델 작성보다 더 실용적인 방법이 될 수 있다(서원준 & 박철수, 2016; Edwards, New, & Parker, 2012; Kim, Ahn, & Park, 2016; Zhang et al., 2015).
본 연구의 대상 건물은 서울특별시에 위치한 오피스 및 근린생활 건물이며, 연면적은 32,600, 지하 7층/지상 30층 규모이다. 대상 건물은 하절기(7~8월)동안 빙축열 시스템을 통해, 냉방을 실시하며 본 연구에서는 전력 사용량과 연관된 냉각탑, 냉동기, 브라인 펌프, 냉각수 펌프, 공기조화기에 대해 기계학습 모델을 작성하였다. 기계학습 모델을 구축하기 위한 과정은 기계학습 알고리즘의 파라미터 선정, 훈련·검증 기간 선정, 입·출력 변수 선정, 커스터마이징, 모델 구축으로 이루어지며, 구축된 기계학습 모델의 예측 성능, 연산 시간 등을 분석한다.
본 연구에서 커스터마이징을 통해 개발된 기계학습 모델은 기존 구축되는 기계학습 모델 대비, 정확성과 연산시간 측면에서 우수한 성능을 지닌 모델임을 알 수 있으며, 동시에 기존 건물을 대상으로 다양한 기계학습 모델을 구축할 때 발생하는 제약사항 등을 개선시킬 수 있었다. 본 연구의 결과는 다양한 설비 기기에 따라 적절한 기계학습 알고리즘 및 입·출력 변수 선정 등의 도움이 될 것으로 판단되며, 기계학습 모델이 기존 최적제어 및 진단에 활용되던 동적 시뮬레이션 모델의 실용적인 대안이 될 수 있음을 보여준다.
본 연구에서 최종적으로 개발된 각 기기별 기계학습 모델은 MPC(Model Predictive Control), 실시간 온라인 업데이트 모델, 각 기기별 기계학습 모델의 통합(federated modeling)에 관한 연구에 기반이 될 수 있을 것으로 판단된다.