건물에서 소비되는 에너지는 국가 에너지의 40% 이상을 차지하고 있으며, 건물 소비 에너지의 절반은 효율적인 설계와 설비 시스템의 운영 및 제어를 통해 절감이 가능하다. 특히, 기존 건축물의 에너지 사용량을 절감할 수 있는 방법으로 건물 에너지 운영 시스템(Building Energy Management System, BEMS)이 주목받고 있다. BEMS는 각종 센서를 이용하여 건물 운영정보, 실내·외 환경정보, 요소별 에너지 사용량 등을 실시간으로 계측하고, 이를 바탕으로 에너지 절감이 가능한 최적 운전 수행을 위해 구축된다. 그러나 수집된 데이터를 활용하여 건물의 상태를 예측하고 예측치를 바탕으로 건물을 운영하기 보다는, 운영자의 경험, 지식과 같은 주관적 판단에 의해 운영된다. 그 이유는 건물과 부속된 동적 시스템의 특성을 모사하는 모델을 개발하는 것이 상당히 번거롭고 비용과 시간을 많이 소요하기 때문이다.
건물의 설비 시스템은 대부분 비선형이고 시변이 강한 동특성을 지니기 때문에, on/off제어, PID제어와 같은 기존의 피드백 제어(feedback control)로 시스템의 미래 상태를 예측하고 제어하는 것은 어렵다. 이에 비해, 모델기반 예측제어(Model Predictive Control, MPC)는 시변, 외란(외기온도, 침기 등), 목적함수(비용, 에너지, 온열감 등), 제약 조건에 대한 고려가 가능하다. MPC 적용을 위해서 건물 혹은 시스템의 에너지 모델이 필요하며, MPC에 사용가능한 대표적인 모델은 다음과 같다: (1)동적 시뮬레이션 모델(Dynamic Simulation model), (2)데이터 기반의 인버스 모델(Data-driven Inverse model).
동적 시뮬레이션 모델은 EnergyPlus, ESP-r, TRNSYS와 같은 동적 시뮬레이션 툴로 제작된다. 이 모델은 상세한 입력변수와 수치해석 방정식을 이용하여, 시변적인 부하와 그에 따른 건물과 시스템의 동적 반응을 정밀하게 모사할 수 있다. 그러나 모델 작성 시 많은 입력변수를 요구하며, 불확실한 입력변수에 대한 모델의 보정이 필요하다. 또한, 모델의 연산시간이 비교적 길며 모델링 수행자의 주관적 판단과 가정이 개입되어 상이한 결과들이 도출되기도 한다.
인버스 모델은 측정된 데이터와 통계적 기법(회귀분석, 기계학습 등)을 이용하여 완성된 블랙박스 형태의 수학적 모델이다. 동적 시뮬레이션 모델에 비해 필요한 입력변수의 수가 적고, 모델의 보정이 불필요하며, 연산시간이 짧은 것이 특징이다. 또한, 데이터를 기반으로 구축되므로 훈련 데이터의 양과 질에 따라 정확성이 달라지기 때문에 모델 구축 이전에 데이터 전처리(Data Pre-processing)가 수행되어야 한다. 데이터 전처리는 수집된 원시 데이터(raw data)의 품질을 개선하고 분석에 적합한 형태로 변환하여 모델의 성능을 향상시키거나 중요한 정보만을 추출하여 모델 구축 시간을 단축하기 위해 수행된다.
본 연구에서는 동적 시뮬레이션 툴인 EnergyPlus와 인버스 모델링 방법 중의 하나인 랜덤 포레스트(Random Forest)를 냉동기 모델링에 적용했다. 대상 설비는 실제 건물에서 8월 동안 운영되었던 냉동기이며, 건물에 구축된 BEMS에서 기기의 운전 정보를 수집했다(냉동기 출수온도, 냉동기 입수온도, 냉수 유량, 냉각수 출수온도, 냉동기 전력 사용량 등). 본 연구에서는 EnergyPlus 및 랜덤 포레스트를 이용한 냉동기 모델링 과정과 그 결과를 비교하여 두 모델링 방법의 차이와 장단점을 분석한다. 또한 랜덤 포레스트 모델링 과정에서 전문가의 주관적 지식이 포함된 데이터 전처리를 수행하여, 데이터 전처리 방법과 원시 데이터로 구축된 예측 모델과 전처리가 수행된 모델의 성능을 비교한다. 데이터 전처리는 변수 구축과 변수 선택 방법이 단계적으로 수행되며, 이 과정에서 전문가의 지식과 주관적인 선택이 개입된다. 최종적으로 본 연구에서는 인버스 모델의 구축에도 전문가의 경험과 지식이 필수불가결하게 개입됨을 보인다.