Evidence-based building energy benchmarking using causal inference = 인과추론을 이용한 건물 에너지 벤치마킹

국문 초록 (Abstract)

건물 에너지 벤치마킹은 유사한 특성을 지닌 건물군과의 상대 비교를 통해, 저성능 건물의 식별, 리트로핏 우선순위 설정, 정책 수립 등에 중요한 역할을 수행한다. 특히, 측정 데이터 기반의 벤치마킹은 건물의 물리적 특성, 기후 조건, 사용자 특성 등 다양한 요인의 복합적인 상호작용을 반영할 수 있어, 현실 맥락을 고려한(context-sensitive) 정량적 평가가 가능하다. 이를 위해 기존 연구에서는 그룹 분류, 에너지 예측 모델, 클러스터링, 에너지 시그니처 등 다양한 방법을 활용해 왔으나, 대부분 상관관계 기반 접근에 의존하고 있어, 교란변수나 건물 간 이질성을 충분히 고려하지 못하는 한계가 있다. 이는 평가 결과의 편향 및 리트로핏 의사결정의 비효율로 이어질 수 있다.
이러한 한계를 보완하기 위해, 본 연구에서는 인과추론 기반의 건물 에너지 벤치마킹 프레임워크를 제안한다. 인과추론은 피어 그룹 (peer-group) 설정 없이도 교란변수를 통계적으로 조정함으로써 외생 요인의 영향을 통제하고, 특정 개입 (예: 단열 강화)에 따른 대안적 시나리오를 추론할 수 있어, 에너지 절감 효과 및 정책 효과의 정량적 평가에 유용하다.
본 연구에서는 정책 목적에 부합하는 맞춤형 벤치마킹 (fit-for-purpose) 관점에서 다음의 세 가지 연구 질문을 설정하였다: (1) 단열 강화가 아파트 난방 에너지 사용량 (EUI)을 감소시키는가? (2) 오래된 사무소 건물은 신축 건물보다 더 많은 난방 및 냉방 에너지를 사용하는가? (3) 지역 간 난방 및 냉방 EUI의 차이는 기후 차이에 의해 설명되는가?
이를 위해, 국내 건축물대장, 기상자료 및 에너지사용량 데이터를 통합하여, 총 1,313개 아파트 및 762개 사무소 건물을 분석 대상으로 선정하였다. 주요 변수로는 외피 성능, 준공연도, 냉난방 시스템, 지역 기후, 사회경제적 요인 (아파트 매매가격), 및 연면적을 포함하였다. 인과효과를 추정하기 위해, 잠재결과 프레임워크 (potential outcomes framework)를 기반으로 고차원 교란변수를 통제하고 이질적 인과 효과를 유연하게 추정할 수 있는 머신러닝 기반의 CausalForestDML 알고리즘을 활용하였다. 각 연구 질문별로 평균 인과효과 (ATE)를 단순 상관계수와 비교하여 교란의 영향을 확인하고, 조건부 (CATE) 및 이질적 인과효과 (HTE)를 정량화하여, 고효율 리트로핏 대상군 식별 및 기후 정규화 효과를 분석하였다.
분석 결과, 아파트의 단열 성능 향상은 난방 EUI를 유의하게 감소시키는 인과효과를 보였으며, 이는 정책적 단열 강화의 실질적 효과를 뒷받침한다. 단, 추정된 ATE는 상관관계 기반 추정보다 작아, 교란변수 조정의 중요성을 시사하였다. 사무소 건물의 경우, 준공연도의 인과효과는 제한적이었으며, 이를 통해 단일 기준으로 리트로핏 우선순위를 설정하는 기존 방식의 한계를 확인할 수 있었다. 또한, 난방도일 (HDD)은 아파트 난방 EUI에 강한 영향을 미친 반면, 냉방도일 (CDD)는 사무소 냉방 EUI와의 인과성이 비교적 약하게 나타나, 기후 정규화가 필요한 건물 유형의 식별에 기여하였다.
본 연구는 기존 피어그룹 기반 상관분석에서 벗어나 인과적 접근을 통해 보다 객관적이고 공정한 건물 에너지 벤치마킹을 가능하게 함을 보여준다. 제안된 프레임워크는 실질적인 개입 시나리오 하에서 에너지 절감 잠재력을 해석 가능하고 확장성 있게 추정할 수 있는 기반을 제공하며, 데이터 기반 정책 설계와 맞춤형 리트로핏 전략 수립을 위한 과학적 근거로 활용될 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Building energy benchmarking is a comparative evaluation process in which a building’s energy performance is assessed relative to a distribution of similar buildings, known as peer group, that share key characteristics such as building type, floor area, and climatic context. Benchmarking allows for context-sensitive assessments by supporting the identification of underperforming buildings, the prioritization of retrofit interventions, and the formulation of performance targets that reflect real-world complexity. Its effectiveness depends on how accurately peer groups are defined and whether key sources of variability such as occupant behavior, maintenance practices, or weather conditions are sufficiently normalized.
To account for such complex interactions among diverse influencing factors, previous research has employed a range of techniques, including group classification, energy prediction models, clustering algorithm, and energy signature, to estimate energy performance in a more nuanced and data-driven manner. However, many approaches rely on correlation metrics and observed similarities, often failing to address confounding variables and building-level heterogeneity. This can result in biased evaluations and suboptimal retrofit decisions.
To address these limitations, this study proposes a causal inference-based benchmarking framework that estimates the treatment effects of key building and climatic factors such as insulation levels, building vintage, and regional climate conditions on energy use. This study utilized observational data from South Korea’s national building register, weather records, and energy consumption statistics. A total of 1,313 apartment buildings and 762 office buildings were examined. Key variables included envelope performance, building vintage, climatic conditions, HVAC system type, socioeconomic context (proxied by apartment price), and gross floor area.
Following a fit-for-purpose benchmarking perspective, the study defined treatment-outcome relationships aligned with specific policy concerns and structured the analysis around three research questions: Q1. Does improved insulation reduce heating EUI in apartment buildings?; Q2. Do older office buildings consume more heating and cooling energy than newer ones?; Q3. Does climatic variation explain cross-regional differences in heating and cooling EUI?
Grounded in the potential outcomes framework, the study employed CausalForestDML, a machine learning-based estimator that flexibly adjusts for high-dimensional confounding and captures treatment effect heterogeneity. For each research question, the average treatment effects (ATEs were first compared with simple regression models to illustrate the impact of confounding. Conditional and heterogeneous treatment effects (CATEs and HTEs) were also estimated to identify buildings with higher retrofit potential and to explore regionally normalized energy performance distributions.
The empirical findings confirmed that insulation upgrades causally reduce heating EUI in apartments, though the effect was smaller than correlation-based estimates, highlighting the role of confounding variables. The causal impact of building vintage on office energy use was modest, suggesting that building age alone is not a sufficient indicator for prioritizing retrofits in commercial buildings. Climatic variation, particularly heating degree-days, had a strong effect on heating energy use in apartment, whereas the effect of cooling degree-days on office cooling EUI was weaker, reinforcing the importance of climate normalization in benchmarking practices.
By moving beyond peer group-based comparisons, this study demonstrates how causal inference can provide more objective, equitable, and policy-relevant insights into building energy performance. The proposed framework offers a scalable and interpretable approach for estimating energy-saving potential under realistic intervention scenarios, thereby supporting fairer benchmarking practices, more targeted retrofit strategies, and evidence-based policy design.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1 Background and objectives 1
• 1.1.1 Challenge to evaluate existing building energy performance 1
• 1.1.2 Previous work in building energy benchmarking 3
• 1.1.3 Need for a causal inference in energy benchmarking 6
• 1.2 Research scope and methodology 9
• 1.3 Organization of the dissertation 14
• Chapter 2. Literature review 17
• 2.1 Introduction 17
• 2.2 Energy prediction models 18
• 2.3 Clustering-based analyses 20
• 2.4 Energy signature method 22
• 2.5 Causal inference 24
• Chapter 3. Methodology 32
• 3.1 Introduction 32
• 3.2 Correlation analysis 35
• 3.2.1 Correlation coefficient 35
• 3.2.2 Omitted variable bias 35
• 3.3 Causal inference 38
• 3.3.1 Randomized controlled trials (RCTs) 38
• 3.3.2 Potential outcomes framework 39
• 3.3.3 Structural causal models and do-operator 41
• 3.3.4 Identification assumptions: unconfoundedness and overlap 43
• 3.4 Causal effect estimation using CausalForestDML 46
• 3.4.1 Motivation for machine learning-based causal estimation 46
• 3.4.2 Double machine learning and Frisch-Waugh-Lovell (FWL) theorem 48
• 3.4.3 CausalForestDML procedure 50
• 3.5 Refutation test 52
• 3.5.1 Placebo test 52
• 3.5.2 Subset test 53
• 3.5.3 Random common cause 53
• 3.5.4 Bootstrap validation 54
• 3.5.5 Summary of refutation framework 54
• 3.6 Counterfactual evaluation framework 55
• 3.6.1 Definition of counterfactuals 56
• 3.6.2 Comparison of factual and counterfactual outcomes 57
• Chapter 4. Experimental design 59
• 4.1 Research framework 59
• 4.2 Data collection and pre-processing 60
• 4.2.1 Data collection 60
• 4.2.2 Data pre-processing 62
• 4.3 Variable description 65
• 4.3.1 Building attributes 66
• 4.3.2 External conditions 70
• 4.3.3 Socioeconomic factors 72
• 4.3.4 Energy use intensity (EUI) 73
• 4.4 Model configuration by research questions (Q1-Q3) 76
• 4.5 Model validation of CausalForestDML 88
• Chapter 5. Results 90
• 5.1 Introduction 90
• 5.2 Does the improvement of insulation levels in apartment buildings lead to a reduction in heating EUI? 90
• 5.2.1 Correlation analysis 91
• 5.2.2 Causal inference 92
• 5.2.3 Comparison with existing studies 97
• 5.2.4 Decision-making scenarios based on counterfactual outcomes 98
• 5.3 Do office buildings from older vintages consume more heating and cooling EUI than those from newer buildings? 102
• 5.3.1 Correlation analysis 102
• 5.3.2 Causal inference for heating EUI 103
• 5.3.3 Causal inference for cooling EUI 107
• 5.3.4 Comparison with existing studies 111
• 5.3.5 Decision-making scenarios based on counterfactual simulation 112
• 5.4 Do buildings in colder or hotter regions use more energy for heating or cooling? 116
• 5.4.1 Correlation analysis 116
• 5.4.2 Causal inference for heating EUI in apartments 117
• 5.4.3 Causal inference for cooling EUI in office buildings 120
• 5.4.4 Comparison with existing studies 124
• 5.4.5 Climate normalization for heating EUI in apartments 126
• 5.5 Summary 129
• Chapter 6. Conclusion 133
• 6.1 Summary 133
• 6.2 Discussion and future study 136
• References 138
• Abstract in Korean 148