Impact of uncertainty in archetype building parameters predicting GHG emission reductions through retrofit = 대표건물 미지변수 불확실성이 리트로핏을 통한 온실가스 배출 감축량 예측에 미치는 영향 분석

다국어 초록 (Multilingual Abstract)

This thesis aims to quantitatively investigate how two sources of input uncertainty, namely the distribution shape and the input range of model parameters, influence the estimated mean greenhouse gas reduction from retrofit measures applied to a stock of office buildings in South Korea. To achieve this objective, an ANN surrogate model was developed based on building energy simulation results, and empirical cumulative distribution functions of the mean greenhouse gas reduction were derived for ten uncertainty scenarios.
The results show that variations in distribution shape led to relatively limited changes in the mean reduction, remaining within approximately 4%. In contrast, the definition of the input range can exert a more dominant influence on the estimated mean reduction. Under a practical input range reflecting domestic codes and standards, the variation in mean reduction reached 6.7%, which is comparable to the effect of distribution shape. However, when a physically plausible maximum credible range was applied, the mean reduction increased by up to 28.8%. This indicates that overly broad assumptions regarding input ranges may result in substantial overestimation of mitigation potential. Furthermore, the relative importance of distribution shape and input range can vary depending on how uncertainty in the building stock is assumed, with input range potentially becoming the dominant source of uncertainty.
From a policy perspective, even changes of a few percent in estimated mean greenhouse gas reduction can have significant implications for national mitigation target setting. Therefore, a rational and context appropriate definition of input ranges should be prioritized in retrofit impact assessments, while distribution shape should also be considered according to the analysis objective and application scope. This thesis highlights the importance of systematic input uncertainty management in archetype based urban building energy modeling and suggests the need for adopting probability-based performance indicators to support more reliable evaluation of greenhouse gas mitigation policies.

국문 초록 (Abstract)

본 연구는 국내 오피스 건물군을 대상으로 리트로핏 시 온실가스 배출량감축효과를 평가할 때, 입력변수의 분포 형태와 입력범위라는 두 불확실성 요인이 평균 온실가스 감축량 추정치에 미치는 영향을 정량적으로 분석하는 것을 목적으로 한다. 이를 위해 시뮬레이션 결과를 기반으로 ANN 대리모델을 구축하고, 총 10개의 불확실성 시나리오에 대해 평균감축량의 경험적 누적분포(ECDF)를 도출하였다.
분석 결과, 입력변수의 분포 형태 변화는 평균 감축량을 최대 4% 이내에서 변동시키는 제한적인 영향을 보였다. 반면 입력범위 설정은 평균 감축량에 보다 지배적인 영향을 미칠 수 있음을 확인하였다. 실무적 범위 수준에서는 평균 감축량 변동 폭이 약 6.7%로 분포 형태에 의한 영향과 유사한 수준을 보였으나, 물리적으로 가능한 최대 신뢰 범위를 적용할 경우 평균 감축량은 최대 28.8%까지 증가하였다. 이는 과도한 입력범위 가정이 감축효과를 과대추정할 수 있음을 시사하며, 입력범위 설정에 따라 분포 형태와 입력범위의 상대적 영향력이 유사해질 수도, 또는 입력범위가 지배적인 불확실성 요인으로 전환될 수도 있음을 의미한다.
정책적 관점에서 볼 때, 수 퍼센트 수준의 평균 감축량 변동조차 국가 온실가스 감축 목표 설정에 중대한 영향을 미칠 수 있으므로, 감축효과 평가 시 입력범위의 합리적 정의가 우선적으로 고려되어야 한다. 동시에 분포 형태 역시 분석 목적과 적용 범위에 따라 함께 고려될 필요가 있다. 본 연구는 대표건물 기반 UBEM에서 입력불확실성 관리의 중요성을 정량적으로 제시하며, 향후 신뢰구간 기반의 확률적 성과지표 도입을 통한 보다 신뢰도 높은 감축정책 평가의 필요성을 시사한다.

목차 (Table of Contents)

• Abstract i
• Table of Contents ii
• List of Figures iv
• List of Tables v
• Chapter 1. Introduction 1
• 1.1. Study Background 1
• 1.2. Research Objectives 6
• 1.3. Research Scope 8
• 1.4. Thesis organization 9
• Chapter 2. Literature review 11
• 2.1. Archetype based approaches for UBEM. 11
• 2.2. Uncertainty in UBEM 14
• 2.3. Research gap 16
• Chapter 3. Research Methodology 18
• 3.1. Archetype Modeling and Retrofit ECMs 19
• 3.1.1. Representative Building Characteristics 20
• 3.1.2. Configuration on Retrofit ECMs 21
• 3.2. Definition of Input Parameters 22
• 3.2.1. Configuration of Input Variables 23
• 3.2.2. Baseline Ranges Definition for Uncertain Inputs 25
• 3.3. Definition of Uncertain Factors 31
• 3.3.1 Distribution Shape Uncertainty Scenarios 32
• 3.3.2. Input Range Uncertainty Scenarios 37
• 3.4. LHS Based Probabilistic Input Generation 42
• 3.5. ANN Surrogate Model Development 44
• 3.5.1. Purpose and Scope of the Surrogate Model 45
• 3.5.2. Input and Output Variable Definition 45
• 3.5.3. Training Data Generation and Preprocessing 46
• 3.5.4. ANN Architecture and Training Configuration 46
• 3.5.5. Model Validation and Performance Evaluation 47
• 3.5.6. Significance of the Surrogate Model 48
• 3.6. ECDF Based Uncertainty Analysis 48
• 3.6.1. Concept and Mathematical Definition of ECDF 49
• 3.6.2. Advantages of ECDF-Based Uncertainty Analysis 50
• 3.6.3. Construction of ECDF for Mean GHG Reduction 50
• 3.6.4. ECDF-Based Comparison Metrics 51
• 3.6.5. Application of ECDF for Uncertainty Analysis 51
• Chapter 4. Analysis of Uncertain Effects 53
• 4.1. Variation in Mean GHG Reduction by Distribution Shape 54
• 4.1.1. Variation in Mean GHG Reduction 55
• 4.1.2. Changes in Uncertainty Characteristics 57
• 4.1.3. ECDF Comparison across Distribution Shapes 58
• 4.2. Variations in Mean GHG Reduction by Input Range 62
• 4.2.1. Changes in Mean GHG Reduction 64
• 4.2.2. Changes in Uncertainty: Confidence Interval Width 66
• 4.2.3. ECDF Comparison by Input Range 67
• 4.3. Relative Impacts of Input Uncertainty Factors 69
• 4.4. Impacts of Input Uncertainty within Practical Ranges 71
• Chapter 5. Conclusion 75
• References 78
• Abstract in Korean 82