건물 디지털 트윈을 위한 실내환경 가상모델 개발 방법 및 활용 방안

국문 초록 (Abstract)

본 연구에서는 건물의 실내환경 모니터링 제약 및 오차로 인해 발생하는 실내 쾌적도 및 운영 에너지 효율 저하 문제를 해결하기 위하여 운영중인 건물의 실내환경 모니터링 한계를 극복하는 실내환경 디지털 트윈을 위한 실내환경 가상모델 개발 방법을 제안하고자 한다. 나아가, 개발된 실내환경 가상모델을 활용하여 실내환경 쾌적도와 건물의 운영 에너지 효율을 분석하는 방법을 제안하고자 한다.
건물의 에너지 사용량 저감하기 위한 건물의 운영 에너지를 효율화에 관한 연구 및 기술의 중요성이 확대되고 있으며, 점차 실내에서 보내는 시간이 증가하고 실내환경에 대한 인식이 높아짐에 따라 실내환경 품질이 매우 중요하게 고려되고 있다. 따라서, 건물의 운영 시 실내환경 품질의 확보를 기반으로 한 운영 에너지 효율화가 필요한 상황이다. 건물의 실시간 데이터를 기반으로 하는 건물 디지털화는 건물의 운영 에너지 사용량을 효율화 할 수 있는 잠재성을 가지고 있으며, 건물의 실시간 데이터는 건물자동화시스템(BAS) 및 건물에너지관리시스템(BEMS) 등에 반영되어 운영 효율성과 실내환경 품질을 향상시키는 데에 기반이 되는 역할을 한다. 그러나, 실내환경 모니터링 관점에서 건물 내 센싱 환경은 충분하지 않으며, 실물 센서로 이루어지는 모니터링은 제한된 변수 범위에서 공간 내 일부 국소적인 지점만을 모니터링하는 실정이다. 이러한 불완전하고 부정확한 실내환경 모니터링은 건물 에너지 효율과 재실자의 쾌적성을 저하시키기 때문에 실물 센서로 측정되지 않는 미지의 데이터까지 포함하는 전지적인 실내환경 모니터링을 위하여 실내환경 디지털 트윈이 필요하다.
문헌 고찰을 기반으로 건물의 실내환경 특성을 고려하는 디지털 트윈 모델링 방법에 대해 고찰하였다. 건물의 실내환경은 준공 이후 건물 운영되는 순간부터 조성되며, 이에 실내환경 디지털 트윈 모델을 개발하기 위해서는 운영 중인 건물에서의 현장 모델링이 수반되어야 한다. 현장 모델링은 건물의 시운전 기간에 수행되는 침습식 측정 데이터를 기반으로 이루어질 수 있지만, 운영 중인 건물의 시운전 기간 동안 측정되는 침습 데이터는 (1) 단기 측정의 한계, (2) 비용적 한계를 가진다. 따라서, 본 연구에서는 건물의 생애주기 관점에서 주기적인 모델링으로 모델을 확장하고 보정하는 실내환경 가상모델 개발 방법을 제안하여 실내환경 가상 모델링에 침습 데이터를 효과적으로 활용하는 방법을 제시하고 있다. 제안된 방법은 실제 건물을 대상으로 적용하여 모델링 접근법에 따른 비교 분석을 통한 단기 측정 침습 데이터의 효과적인 활용방안에 대해 논의하며, 침습 측정 최적화 방법에 대해 검증하였다. 아울러, 개발된 실내환경 가상모델을 건물의 에너지 효율 분석에 활용하여 실내환경 가상모델의 타당성에 대해 검토하였다.
본 연구에서 제안하는 실내환경 가상 모델링 방법과 적용 결과는 다음과 같다. 운영 단계에서 비침습식으로 측정되는 운영 데이터를 기반으로 초기 가상모델이 개발되며, 시운전 단계에서 측정하는 침습 데이터를 기반으로 가상모델을 확장한다. 침습 데이터 기반의 모델링 방법은 Gray-, Black-box 모델링 방법이 있으며, 기계학습 등을 활용한 확률론적 모델 개발 및 결정론적 모델 보정 등으로 가상모델을 개발하여 공간적으로 측정할 수 없는 환경변수나 물리적 센서로 측정하기 어려운 환경변수를 예측한다. 또한, 초기 가상모델의 확장 및 보정 관점에서 주기적인 모델링을 지원하기 위한 침습식 측정을 효율화하는 침습식 측정 최적화 방법을 제시하였다. 이는 최적화 기법을 활용하며 모델의 성능지표와 모델링에 사용하는 데이터 개수를 목적함수로 구성하여, 가상 모델링의 예측 성능을 최대로 확보하면서도 시운전 기간을 최소로 하는 측정 주기 및 기간을 최적으로 추정하는 방법이다.
다음으로는 본 방법을 국내 업무용 건물에 적용하여 실내환경 가상모델을 개발하였다. 먼저, 대상 건물에서 대상 공간의 실내환경 분포를 측정하여 공간 내 위치별로 온도 및 습도의 차이가 존재함을 발견하였고, 온도조절기 위치와 거주역 위치의 환경 차이는 실물 센서 설치위치 한계에 따른 실내 열환경 모니터링 계통오차를 발생시킴을 시사하였다. 이에 온도조절기 위치에서 측정되는 실내 환경변수를 기반으로 거주역의 PMV를 예측하는 가상모델을 개발하였고, 모델링 접근법에 따른 가상모델의 예측 성능을 비교하였다. 그 결과 Gray-box 모델링 방법으로 개발된 가상모델은 3개 기간(운영시간 중 에어컨 가동조건, 운영시간 중 에어컨 비가동 조건, 건물의 비운영시간)에 대해 각각 더 높은 정확도(0.05-0.22 MAE)를 제공하였다.
대상 건물에서 거주역 PMV 가상모델을 개발하기 위한 침습 데이터 측정 조건을 최적화하였다. 최적화된 침습 측정 조건은 817분 주기의 1분측정 조건으로 하루 내에서 총2분 데이터를 사용하는 조건이었으며, 침습 데이터 사용량이 99.8% 감소하였다. 최적화된 침습 데이터를 사용하는 가상모델의 예측 성능을 검토하고자, 가상모델 개발에 사용되는 침습 데이터 케이스에 따라 예측 성능을 비교하였다. 침습 데이터 없이 개발된 초기 가상모델의 MAE는 0.157이었고, 최적화를 수행하지 않는 조건인 장기 침습 데이터로 보정된 가상모델의 MAE는 0.052였다. 최적화된 침습 데이터 세트를 사용하는 가상모델은 장기 침습 데이터 세트와 동등한 정확도(0.034 MAE)를 제공하여, 최적화된 침습 측정 조건이 최소한의 침습 데이터로 최대의 예측 성능을 확보함을 나타내었다.
개발된 거주역PMV 가상모델을 가상센서로 활용하여 건물의 운영 에너지 효율을 분석하였다. 가상센서로 실시간 예측되는 실내 쾌적도를 기반으로 건물의 에너지 사용량과 발전량을 고려하여 건물의 에너지 운전 상태를 진단하는 방법을 제안하였으며, 이를 대상건물에 적용하였다. 시운전 기간에서 실측PMV로 도출된 결과를 각각 가상센싱된 PMV와 온도조절기 위치 PMV를 기반으로 도출한 평가와 비교하여 건물 에너지 평가에 사용되는 실내환경 쾌적도 예측 정확도를 평가하였다. 가상센싱된 PMV를 기반으로 도출한 결과의 정확도는 97.1 %로 매우 높았으며, 온도조절기 위치에서 계산된 PMV를 사용하는 경우의 정확도는 76.8 %로 상대적으로 낮게 나타났다. 이를 통해 건물의 에너지 효율을 분석할 때, 실내환경 가상모델 기반의 정확한 실내환경 모니터링이 필요함을 시사하였다.

다국어 초록 (Multilingual Abstract)

In this study, a method is proposed for developing a virtual model for indoor environments, specifically for indoor environment digital twin, to overcome limitations in monitoring indoor environmental conditions and operational energy efficiency degradation caused by constraints and errors in indoor environment monitoring in operational buildings. Furthermore, a method is suggested to analyze indoor environmental comfort and building operational energy efficiency using the developed indoor environment virtual model.
The importance of research and technology related to optimizing the operational energy of buildings for reducing energy consumption has been growing. As the time spent indoors increases and awareness of indoor environments rises, indoor environmental quality becomes crucial. Thus, ensuring indoor environmental quality during building operation forms the basis for optimizing operational energy efficiency. Building digitalization based on real-time data has the potential to enhance the efficiency of operational energy use in buildings. Real-time data from buildings plays a foundational role in improving operational efficiency and indoor environmental quality through systems such as Building Automation Systems (BAS) and Building Energy Management Systems (BEMS). However, from the perspective of indoor environment monitoring, the sensing environment within a building is often insufficient, and monitoring with physical sensors typically covers only localized points within a limited range of variables. This incomplete and inaccurate indoor environment monitoring, which does not include unknown data not measured by physical sensors, necessitates a comprehensive indoor environment monitoring approach using an indoor environment digital twin to improve building energy efficiency and occupant comfort.
Based on a literature review, digital twin modeling methods considering the indoor environmental characteristics of buildings were examined. Indoor environments are formed from the moment a building is put into operation, and to digitally twin the indoor environment, on-site modeling is necessary in operational buildings. On-site modeling can be based on intrusive measurement data collected during the building's commissioning period, but the intrusive data collected during the commissioning period of an operational building has limitations, including (1) short-term measurements and (2) cost constraints. Therefore, in this study, a method is proposed for developing an indoor environment virtual model that extends and calibrates the model through periodic modeling from the perspective of the building's life cycle. This method effectively utilizes intrusive data for indoor environment virtual modeling. The proposed method is validated through the application to an actual building, discussing effective utilization of short-term intrusive measurement data based on a comparative analysis according to the modeling approach and verifying optimization methods for intrusive measurements.
The proposed method for indoor environment virtual modeling and its application results in this study are as follows: an initial virtual model is developed based on non-intrusive operational data collected during the operational phase, and the model is expanded based on intrusive data collected during the commissioning phase. Modeling methods based on invasive data include gray- and black-box modeling methods, and virtual models are developed through probabilistic model development and deterministic model calibration using machine learning. The developed virtual models can use for measure environmental variables or physical physical variables that cannot be measured spatially. Furthermore, from the perspective of extending and calibrating the initial virtual model, an optimization method for intrusive measurements is proposed to support periodic modeling. This optimization method utilizes optimization techniques to construct an objective function composed of the model's performance indicators and the number of data used for modeling. It aims to maximize the prediction performance of the virtual model while minimizing the measurement frequency and duration during the commissioning period.
Next, the proposed method was applied to develop an indoor environment virtual model for a domestic commercial building. Initially, the indoor environmental distribution of the target space in the building was measured, revealing differences in temperature and humidity at various locations within the space. It was observed that the environmental variation between the temperature control unit location and the residence area introduces errors in indoor thermal environment monitoring due to the constraints of physical sensor installation locations. Based on the indoor environmental variables measured at the temperature control unit location, a virtual sensor was developed to predict the Predicted Mean Vote (PMV) in the residence area, and the predictive performance of the virtual sensor was compared according to the modeling approach. The results indicated that the virtual sensor developed with the Gray-box modeling method exhibited higher accuracy (0.05-0.22 Mean Absolute Error) for each of the three periods (air conditioning during working hours, non-air conditioning during working hours, non-operational hours).
The intrusive data measurement conditions for developing a PMV virtual sensor in the target building were optimized. The optimized intrusive measurement condition involved measurements every 1 minute within 817 minutes per day, resulting in a 99.8% reduction in the amount of intrusive data used. To evaluate the predictive performance of the virtual sensor using optimized intrusive data, a comparison was made based on the intrusive data cases used in developing the virtual sensor. The Mean Absolute Error (MAE) of the initial virtual sensor developed without intrusive data was 0.157, and the MAE of the virtual sensor calibrated with long-term intrusive data, which did not undergo optimization, was 0.052. The virtual sensor using the optimized intrusive data set provided equivalent accuracy (0.034 MAE) to the long-term intrusive data set, demonstrating that the optimized intrusive measurement conditions secure maximum predictive performance with minimal intrusive data.
The operational energy efficiency of the building was analyzed based on the developed indoor environment virtual model, specifically utilizing the PMV virtual sensor for the residence area. A method to diagnose the building's energy operation state was proposed by considering the building's energy consumption and generation based on indoor comfort, and it was applied to the target building. During the commissioning period, the accuracy of predicting indoor comfort used in building energy assessment was evaluated by comparing the results derived from actual PMV measurements with those based on the virtual sensed PMV and the temperature control unit PMV. The accuracy of the results based on the virtual sensed PMV was very high at 97.1%, whereas the accuracy using the PMV calculated from the temperature control unit was relatively low at 76.8%. This suggests that accurate indoor environment monitoring based on an indoor environment virtual model is necessary when analyzing the building's energy efficiency.

목차 (Table of Contents)

• 제１장 서 론 1
• 제１절 연구배경 및 목적 1
• 제２절 연구의 범위 및 방법 6
• 제２장 예비적 고찰 11
• 제１절 건물 디지털 트윈에 관한 기존 연구 11
• １. 디지털 트윈에 관한 이론적 고찰 11
• ２. 건물 디지털 트윈 및 가상모델에 관한 기존 연구 14
• 제２절 건물 실내환경 가상모델에 관한 기존 연구 16
• １. 건물 실내환경 가상모델에 관한 이론적 고찰 16
• ２. 실내환경 가상모델의 도전과제 19
• 제３장 실내환경 가상모델 개발 방법 21
• 제１절 건물 실내환경 가상모델의 역할 22
• 제２절 건물 실내환경 가상모델 개발 방법 24
• １. 건물 생애주기 내 실내환경 가상모델 개발 방법 24
• ２. 모델링 접근법에 따른 가상모델 개발 방법 27
• ３. 주기적인 침습식 측정을 통한 실내환경 가상모델 고도화 30
• 제４장 거주역 실내 환경변수 가상모델 개발 33
• 제１절 공간 내 실내환경 분포 측정 34
• １. 대상 건물 실측 34
• ２. 공간 내 지점 별 실내환경 분포 분석 42
• 제２절 거주역 PMV 가상모델 개발 방법 및 적용 47
• １. White-box 모델링 방법 47
• ２. 침습 데이터 기반 Black-box 모델링 방법 49
• ３. 침습 데이터 기반 Gray-box 모델링 방법 51
• 제３절 거주역 PMV 가상모델 예측 결과 55
• １. 운영기간 내 거주역 PMV 가상모델 예측 결과 55
• ２. 모델링 접근법에 따른 가상모델 성능 비교 62
• 제４절 소 결 64
• 제５장 주기적 모델링을 위한 침습식 측정 최적화 65
• 제１절 실내환경 가상모델 고도화를 위한 침습 측정 최적화 방법 66
• １. 실내환경 가상모델 개발 프로세스 67
• ２. 최적화 기법 기반의 침습식 측정 조건 최적화 68
• 제２절 대상 건물 침습식 측정 최적화 적용 69
• １. 침습식 측정 최적화 적용 케이스 설정 69
• ２. 거주역 PMV 가상모델 개발을 위한 침습 측정 최적화 74
• 제３절 침습식 측정 최적화 결과 79
• １. 최적화 결과를 기반으로 개발된 거주역 PMV 가상모델 예측 결과 79
• ２. 최적화된 침습 측정 조건 결과 81
• ３. 온도조절기 위치와 데이터 기간에 따른 검증 결과 85
• 제４절 소 결 90
• 제６장 실내 환경변수 가상모델을 활용한 건물 에너지 효율 진단 91
• 제１절 실내 환경변수 가상센싱 기반 건물 에너지 효율 진단 방법 92
• １. 심볼릭데이터 기반 건물 에너지 효율 진단 방법 92
• ２. 심볼릭 데이터 분석을 통한 건물 에너지 효율 진단 지표 개발 94
• 제２절 BEMS 데이터를 활용한 건물 에너지 효율 진단 적용 96
• １. 대상건물 BEMS 데이터 개요 96
• ２. 클러스터링 기반 심볼릭 데이터 생성 101
• ３. 심볼릭 데이터 분석 및 평가 103
• 제３절 거주역 PMV 가상센싱 기반 건물 에너지 효율 진단 결과 105
• １. 장기 건물 에너지 효율진단 결과 105
• ２. 시운전 기간 내 건물 에너지 효율 진단 검증 109
• 제４절 소 결 112
• 제７장 결 론 113
• 참 고 문 헌 117
• ABSTRACT 125