최근 전 세계적으로 지구 온난화로 인한 환경문제가 심화됨에 따라 에너지 절약의 중요성이 대두되고 있다. 이에 UN 기후협약 및 교토의정서 채택 등 세계 각국들은 에너지 절감 방법을 위한 정책들을 제시하고 있다. 우리나라 또한 저탄소 녹색성장 및 에너지 효율 정책 등의 계획을 수립하고 단계적 목표를 달성하기 위해 산업, 수송, 건물, 공공 각 부문별 정책적, 기술적 기반구축과 연구를 진행하고 있다.
우리나라 건물부문의 최종 에너지 소비는 전체의 18.2%를 차지하고 있으며 건물의 운영단계에서 소요되는 에너지 비용 및 설비 관리비는 전 생애주기 비용 중 72%를 차지한다. 건물부분 정책 중 주거용 건축물은 2025년까지 에너지 사용량 제로를 계획하고 있다. 상업용 건물의 경우 아직 정량적인 에너지 절감 수치는 수립되지 않았지만 에너지 사용량 절감 및 효율화라는 궁극적인 목표는 다르지 않을 것이다.
단계적 에너지 사용량 저감과 효율화의 기술적인 한계는 건물에너지 시뮬레이션 활용의 증가와 결부되며 점차 그 중요성이 증가하고 있다. 실제, 건물의 시뮬레이션 방법은 제공된 데이터를 통해 모델링을 구현하고 불확실한 요소의 경우 일반적으로 작업자의 경험적 판단 또는 주관적 견해가 반영된다. 이는 건물 시뮬레이션 초기단계에서 중요한 요소이며 입력 값에 따라 결과의 큰 차이를 보일 수 있다. 특히 재실자와 관련된 요인은 최근 그 중요성이 대두됨에 따라 중요 연구 분야로 발전되고 있다.
건물 내 에너지 소비의 주체는 재실자이며 재실자에 관한 정확한 정보는 시뮬레이션 결과의 신뢰성에 영향을 준다. 그러나 건물과 달리 재실자는 다양한 변수가 존재하며 개개인의 특성이 있어 정확한 정보를 파악하는데 어려움이 있다. 기존 연구자들은 재실자의 정보를 파악하기 위해 확률적, 통계적 접근방법을 활용하고 있지만 실시간으로 변하는 재실자의 정보를 파악하는데 한계가 있다. 그러나 재실자와 관련된 정보들은 실시간 변하는 재실자의 정보를 파악함에 있어 정확성을 높일 수 있는 요소이며 개개인의 제어에 의해 사용되는 기기의 경우 개인의 특성을 반영할 수 있다.
따라서 본 논문에서는 건물 시뮬레이션 수행 시 입력되는 재실자의 주요 요인 중 하나인 재실 스케줄 예측을 기존 방법에 재실자 성향에 따른 활동별 기기사용 패턴을 적용한 재실예측 알고리즘 개발에 관한 연구를 진행하였으며 이를 소규모 사무 공간과 성격이 유사한 대학원 연구실에 적용하여 그 효과를 알아보았다.

본 논문의 주요 결과는 다음과 같다.

1) 재실예측 방법에 관한 기존 방법들을 분석하여 대상공간의 특징과 활용방법의 효율성을 검토하여 본 연구에 적용하였다. 본 연구의 대상공간은 단일 공간으로, 재실인원수가 타 공간에 비해 적고 실제 데이터를 수집하기 위한 최적의 환경이 제공되지 않음에 따라 단일 공간에서 상대적으로 적은 데이터 정보로 예측의 정확성이 높은 방법을 선정하여 활용하였다. 또한 선정된 방법의 한계를 보완하기 위해 연구실내 재실자와 밀접한 관련이 있는 개인 사무기기(PC, 개인조명)와 공용기기(실 조명)의 사용패턴을 결합하여 예측 알고리즘을 개발하였다.

2) 기기들의 사용패턴은 재실자의 활동에 따라 변화할 것으로 가정하고 대상공간의 재실자를 대상으로 활동에 따른 기기사용패턴과 재실여부를 총 3주간 설문조사를 통해 정보를 수집하였다. 수집된 3주간의 데이터 중 2주 데이터는 알고리즘의 각 단계에 필요한 형태로 가공되어 예측에 활용되었으며, 1주간 데이터는 알고리즘의 효과를 검증하기 위한 데이터로 사용되었다. 재실자의 활동은 Work, Break, Meet, Lecture, Off 5가지로 분류하였다. 활동에 따른 기기사용 패턴의 상관분석 결과를 현재 시각의 기기사용 데이터가 들어오면 역으로 활동을 예측하는데 활용하였으며 활동별 재실확률 값을 적용하여 현재 시각의 재실유무 및 다음 시각의 재실유무를 예측할 수 있다. 현재 시각의 기기사용 데이터는 실시간으로 알고리즘에 입력 값으로 적용된다고 가정하였다.

3) 예측결과 실제와 유사한 패턴의 스케줄이 도출되었다. 기존 예측은 기기상태를 반영하지 않은 방법으로 본 연구에서 제안하는 알고리즘 영향력의 정량적 비교를 위해 기기상태의 반영 여부에 따른 예측 스케줄과 실제 스케줄 차이를 MBE와 Cv(RMSE)를 활용하여 확인하였다. 그 결과 기기상태를 반영한 예측의 MBE, Cv(RMSE)는 각각 ?2.42%, 48.68%, 반영하지 않은 예측은 41.77%, 97.51%로 나타났으며 예측의 정확도가 더 높음을 확인하였다.

4) 재실자의 기기제어 성향에 따라 예측 결과차가 Cv(RMSE)기준 78.96% 발생했다. 전체 재실자 4명에 대한 분석결과 기기제어 적극성의 차이에 따라 3가지 타입으로 분류되었고 기기제어에 적극적 성향인 재실자 일수록 예측의 정확도가 높음을 확인하였다. 또한 실제와 오차가 발생하였던 요인 중 알고리즘의 수정을 통해 보완될 가능성이 있는 추가기기(회의실 조명)와 고정 스케줄(Lecture)을 반영하여 예측의 정확성을 증가 시켰다. 수정 전 예측과 실제 데이터의 Cv(RMSE)값은 48.68%에서 추가기기 수정 후 47.10%, 고정 스케줄 수정 후 44.81%로 낮아짐을 확인하였고 수정 전 대비 수정 후 예측의 정확성이 증가함을 확인하였다.

5) 알고리즘 개발 시 사용되지 않은 검증 스케줄을 예측함으로써 제안하는 알고리즘의 활용 가능성을 검증하였다. 전체 예측 스케줄의 MBE는 ?6.18%, Cv(RMSE)는 59.24%로 알고리즘에 의해 도출된 스케줄 결과 값 44.81% 대비 14.43%의 차이로 유사한 결과를 도출한 것으로 판단 가능하며, 재실자 타입별 분석결과 기기제어에 적극적인 타입일수록 예측의 정확성이 높았으며 Cv(RMSE)기준 최대 75%의 차이가 발생하였다.

The importance of the energy saving comes up to the fore as the environmental issues from the global warming are deepening throughout the world. Hence, all countries of the world are proposing energy saving policies including UN Climate Change Convention and Kyoto Protocol. Korea has also established policies like low-carbon green growth and energy efficiency. In order to accomplish the goals, it is establishing the technological and political foundation and performing research in industry, transportation, building, and public fields.

The buildings in Korea takes up 18.2% of the final energy consumption and the energy cost and facility management cost are 72% of its lifetime cost. The government plans to achieve 0 energy consumed in the residential buildings in the building part of the policies. In case of the commercial buildings, the exact amount of the energy saving was not established but has same ultimate goal of “reduction and efficiency in the energy consumption.”

The reduction of energy consumption stage by stage and the technological limitations of efficiencies are considered more important than before as they are linked with the increased use of building energy simulations. The actual simulation method realizes the modeling through the given data; and the empirical decisions or personal opinions are reflected in the uncertain elements. This is the important element in the initial stages of the building simulation, and the differences in the values of the input may show big differences in the results. The occupant related elements are becoming important field to research as its importance are magnified.
The occupants are the subjects of the inner energy consumption in the buildings. That is why the accurate information regarding the occupant affects the reliability of the results. But unlike buildings, occupants have many variables and own characteristics which make it hard to get the accurate information. Previous researchers used statistical and probabilistic approaches to understand the simultaneously changing information of the occupants. But the information related with the occupants is necessary element to raise the accuracy and the equipment used by the occupants can reflect the characteristics of the individuals.

One of the important elements being entered into the execution of the building simulation is the occupancy schedule prediction. The research proceeded in developing the occupancy prediction algorithm which was applied with the equipment usage patterns by activities according to the occupant’s tendencies. This algorithm was applied to the graduate school laboratory which has similar characteristics with small office space to test its effectiveness.





The main findings of the research are as follows.

1) Previous methods of occupancy prediction were analyzed and the characteristics of subject space and its utilization methods for applications are reviewed in this research. The subject space of this research is a single space where the number of occupants is smaller than other spaces and relatively small data was available. Therefore this research selected methods that provides accurate prediction with limited information and utilized it. The limitations of the selected method was complemented by developing prediction algorithm that combines the patterns of personal and public equipment usages including PC, personal lights and public lights closely related with the occupants of the subject space.

2) The patterns of using equipment are assumed to be changing according to the occupant’s activities and the occupancy and the equipment usage patterns were gathered through 3 weeks of surveys. Two week’s data from the three weeks of survey was processed and was used in the steps of making the algorithm and the data of the other week was used to prove the effects of the algorithm. Activities of the occupants were classified into 5 categories which are Work, Break, Meet, Lecture, and Off. When the equipment usage data of the present time comes in, the result of the correlation analysis of the equipment usage pattern according to the activity was used to predict the future activity. Occupancy probabilities of each activity were applied to predict the current and future occupancy. The present data of the equipment usage is assumed to be used as input to the algorithm in the real time.

3) The result of the prediction was similar to the actual patterns. Previous predictions did not reflect the condition of the equipment. For the qualitative comparison on the effects of the algorithm proposed here, this research used MBE and Cv(RMSE) to confirm the difference between actual schedule and predicted schedule considering two cases one reflecting the conditions of the equipment and the other not reflecting. As a result, the MBE and Cv(RMSE) of the prediction reflecting the conditions of the equipment are shown to be 2.42% and 48.68% while the prediction not reflecting the conditions showed 41.77% and 97.51% which proves that the accuracy was enhanced.

4) The difference of 78.96% in Cv(RMSE) occurred between predictions according to the equipment tendencies occupants had. The difference in the activeness of equipment control of the 4 occupants was classified into three types. Occupant with more active equipment control tendency showed higher accuracy of prediction. Also the actual error came from the meeting room light (additional equipment) and fixed schedule which were used on the revision of algorithm to improve the accuracy. The Cv(RMSE) value of the actual and prediction before the modification was 48.68% but it changed to 47.10% after modifying the additional equipment and 44.81% after modifying the fixed schedules. The prediction proved to be more accurate after modification.

5) The data of the one week which was not used in developing the algorithm was predicted to prove the possibilities of the application of the algorithm. MBE of the overall prediction was -6.18% while Cv(RMSE) showed 59.24%. The difference of Cv(RMSE) and predicted value is 14.43% and the algorithm is considered to have drawn similar results. From the analysis of the different types of the occupants, the active types of the equipment control showed more accurate prediction and the maximum difference in Cv(RMSE) was 75%.