건물 에너지에 대한 발견적 해법과 메타 발견적 해법 최적화

국문 초록 (Abstract)

국제적으로 에너지 자원의 고갈 위기가 심화되고 지구 온난화로 인한 환경위기가 심화되면서 건물 에너지 저감에 대한 관심이 높아지고 있으며, 이에 따라 건축물의 고효율, 저에너지화가 설계과정에서의 중요한 목표로 떠오르게 되었다. 이러한 목표를 달성하기 위한 여러 가지 노력의 일환으로 설계단계에서 건물 에너지 시뮬레이션 도구의 사용이 크게 증가하였다. 건축물의 설계변수들과 주변 기후, 재실자, 실내 기기, 기계 시스템들 간의 상호작용은 매우 복잡하기 때문에 설계자는 이러한 요소들 간의 상호작용을 분석하기 위해 시뮬레이션 도구에 의존한다. 이러한 시뮬레이션 도구의 사용을 통해 설계자는 어떠한 설계변수에 대한 의사결정을 내린 뒤 그 결정에 대한 효과를 분석하고 분석 결과를 다시 의사결정에 반영하는 피드백 과정을 가진다.
피드백 기반의 의사결정 중에서, 의사결정자의 전문적 지식과 경험, 직관에 의해 최적의 대안을 찾는 발견적 해법(發見的解法, 휴리스틱, Heuristic)이 가장 일반적이다. 발견적 해법이란 어떠한 문제에 대한 해답에 빠르게 접근하기 위하여 어림짐작이나 직감, 직관적 판단, 전문적 지식을 이용하는 방법이며, 어떠한 문제 해결을 위해 접근이 용이하고(readily accessible) 느슨하게 적용(loosely applicable)가능한 정보를 활용한다. 발견적해법을 통해 가장 이상적인 해답을 구할 수 는 없지만, 제한된 정보와 시간 내에 직관적으로 실현 가능한 해답을 찾는 장점이 있다. 그러나 발견적해법을 이용한 설계 최적화의 경우, 발견적해법에 의한 해가 최적해에 얼마나 근접한지는 알 수 없다. 또한 대안을 제시하고 그 대안에 대해서만 평가하는 과정의 반복인 ‘시나리오 중심(scenario-by-scenario)' 접근이기 때문에, 제한된 수의 설계대안에 대해서만 평가가 이루어지고, 좁은 탐색범위를 갖는 단점이 존재한다.
발견적해법에 대비, 메타휴리스틱 최적화 방법이 존재한다. 메타휴리스틱은 반복적인 과정을 통해 최적화 문제 해집합의 품질을 향상시키는 방법이다. 메타휴리스틱은 발견적해법과는 달리 넓은 해공간을 탐색할 수 있으며, 다양한 문제에 적용가능하다.
본 연구에서는 발견적해법과 메타휴리스틱 방법 중의 하나인 유전알고리즘을 우체국 건물 에너지 최적화에 적용하였다. 대상 건물은 2010년 정부에서 발주한 프로젝트의 일환으로, 건물 에너지 시뮬레이션 도구인 에너지플러스를 이용하여 에너지 최적화를 달성하는 것이다. 본 연구에서는 발견적해법에 의한 최적화 결과와 유전알고리즘에 의한 최적화 결과 비교를 통하여, 두 가지 방법의 결과 차이와 장단점을 비교분석한다.

다국어 초록 (Multilingual Abstract)

In this paper, application of heuristic and meta-heuristic to energy optimization of a post office building is presented. The target building was first optimized by a heuristic approach which is based on expertise, experience and intuition of experts with the use of a whole building simulation tool, EnergyPlus. Then, the heuristic approach is compared to one of the meta-heuristic approaches, Genetic Algorithm (GA), in terms of energy savings and pros/cons of each approach. The meta-heuristic approach was completed in MATLAB platform where EnergyPlus and GA are coupled. A M-script file was developed to automate execution of simulation runs (reading output files and writing input files) with GA. It should be noted that in this study, most of design and simulation parameters were fixed and given by the client, therefore, the simulationists were not allowed to make any significant change to the original design of the building.
It is not surprising that GA is much better in finding global optimum than the heuristic approach but it takes significant simulation run times as well as programming efforts. The heuristic approach has advantages such as reflection of design context in the decision making and fast communication between stakeholders.

목차 (Table of Contents)

• 목차
• 표 목차 iii
• 그림 목차 iv
• 논문 요약 v
• 제1장 서 론 1
• 1. 서론 1
• 2. 연구방법 2
• 제2장 최적화 알고리즘에 대한 문헌고찰 3
• 1. 최적화의 정의 및 일반론 3
• 1) Trial & Error optimization vs. Function optimization 4
• 2) Simgle variable vs. Multiple variable 5
• 3) Dynamic vs. Static 5
• 4) Discrete vs. Continuous 5
• 5) Constrained vs. Unconstrained 6
• 6) Minimum seeking vs. Random 6
• 2. 최적화 알고리즘 7
• 1) 모의담금질법(Simulated annealing method) 10
• 2) 타부 탐색법(Tabu search method) 10
• 3) PSO(Particle Swarm Optimization) 11
• 4) 개미 집단 최적화(Ant colony optimization) 11
• 5) 유전알고리즘(Genetic algorithm) 12
• 3. 건물 에너지 최적화와 유전알고리즘 12
• 제3장 대상 건물과 시뮬레이션 14
• 1. 대상 건물 14
• 2. 시뮬레이션 모델 작성 18
• 1) 건축적 정보 18
• 2) 실내 발열정보 19
• 3) 형상 모델링과 조닝 22
• 제4장 최적화 시뮬레이션 25
• 1. 발견적해법에 의한 최적화 25
• 2. 유전알고리즘에 의한 최적화 26
• 3. 창면적비 변경을 추가한 유전알고리즘 최적화 35
• 제5장 결과 분석 36
• 1. 발견적해법과 유전알고리즘의 비교 36
• 2. 창면적비가 변화하는 경우 42
• 제6장 결론 48
• 참 고 문 헌 50
• ABSTRACT 54