Ver4.0 전체 열람

Ver4.0 🏢⚡ 건축물 연간 에너지 사용량 예측 모델, 숫자로 건물의 1년을 미리 살아보기

2026.09.21

재능넷

댓글 0 전체 37 페이지

🏢⚡ 건축물 연간 에너지 사용량 예측 모델, 숫자로 건물의 1년을 미리 살아보기

오피스·리테일·복합상가 같은 상업/업무건축을 중심으로
물리 시뮬레이션부터 머신러닝, 그리고 실측 보정(Calibration)까지 한 번에 정리

EUI EnergyPlus ASHRAE Guideline 14 CV(RMSE) BEMS 제로에너지건축물

☕ 들어가며 : "이 건물, 1년에 전기세 얼마 나와요?"

친구가 갑자기 물어봅니다. "야, 우리 회사가 강남에 연면적 2만㎡짜리 오피스 하나 짓는데, 1년 에너지비 얼마 나와?"

이 질문, 사실 엄청나게 어려운 질문이에요.
왜냐면 건물은 기계가 아니라 생태계에 가깝거든요.
날씨가 바뀌고, 사람이 들락날락하고, 재실자가 블라인드를 올렸다 내렸다 하고,
관리소장님이 기분에 따라 설정온도를 1도 내렸다 올렸다 합니다. 😅

그런데도 우리는 이걸 예측해야 합니다.
설계 단계에선 인허가(에너지절약계획서)와 에너지효율등급 인증 때문에,
운영 단계에선 전기요금 계약전력 산정과 온실가스 감축 목표 때문에,
투자 단계에선 ESG 공시와 자산가치 평가 때문에요.

그래서 오늘은 "건축물 연간 에너지 사용량 예측 모델"이라는,
이름은 딱딱하지만 알고 보면 꽤 재미있는 이 세계를
친구한테 커피 마시면서 설명하듯 쫙 풀어볼게요.

📌 이 글에서 다루는 것

① 에너지 사용량을 결정하는 진짜 변수들
② 예측 모델의 4가지 계보 (물리 / 통계 / 기계학습 / 하이브리드)
③ EnergyPlus·ECO2 같은 실제 도구들
④ 모델이 맞는지 검증하는 국제 기준 (ASHRAE Guideline 14, IPMVP)
⑤ 상업/업무건축에서 자주 터지는 오차 함정들
⑥ 실무 워크플로우와 체크리스트

1️⃣ 먼저, 건물 에너지의 '기본 문법'부터

EUI — 건물계의 '연비'

자동차에 연비(km/L)가 있다면, 건물에는 EUI(Energy Use Intensity, 에너지사용량원단위)가 있습니다.
단위는 보통 kWh/㎡·yr 또는 MJ/㎡·yr.

계산은 무식하게 간단해요.

EUI = (연간 총 1차 에너지 or 최종 에너지 소비량) ÷ (연면적)

예) 연간 전력 3,200,000 kWh + 도시가스 환산 800,000 kWh
    연면적 20,000 ㎡
    → EUI = 4,000,000 / 20,000 = 200 kWh/㎡·yr

⚠️ 여기서 초보자가 100% 헷갈리는 포인트

"최종에너지(Site Energy)"와 "1차에너지(Primary/Source Energy)"는 완전히 다른 숫자입니다.
전기는 발전·송배전 손실 때문에 1차에너지 환산계수가 2.5 내외(국내 에너지효율등급 제도 기준 2.75 적용 이력),
도시가스는 1.1 내외를 씁니다.
즉 같은 1kWh라도 전기가 훨씬 '비싼' 에너지로 계산돼요.
그래서 전기히트펌프 vs 가스보일러 비교할 때 이 계수 하나로 결론이 뒤집히기도 합니다.

상업/업무건축의 에너지 구성비

오피스 건물의 에너지는 대략 이렇게 쪼개집니다. (국내 대형 업무시설 일반적 경향)

용도	대략 비중	특징
냉방 (칠러·팬·펌프 포함)	25~35%	여름 피크 주범, 외기온·내부발열에 민감
난방	10~20%	서울 기준 난방도일이 크지만 내부발열로 상쇄
조명	10~20%	LED 전환으로 급감 중 (과거 25%+ → 현재 10%대)
환기·반송동력(팬/펌프)	10~20%	설계자가 과소평가하는 1순위 항목
급탕	3~8%	오피스는 작고, 호텔/병원은 큼
플러그 로드·OA기기·서버실	15~30%	예측 오차의 최대 원인

여기서 진짜 중요한 인사이트 하나.
주거건축은 '외피(단열·창)'가 왕이지만, 상업/업무건축은 '내부발열과 설비 운전'이 왕입니다.

왜냐고요? 오피스는 사람 밀도가 높고, PC·모니터·복합기가 상시 열을 뿜고,
조명도 빵빵하게 켜져 있어요.
그래서 서울 한겨울에도 오피스 코어부(내주부)는 냉방이 필요한 경우가 흔합니다.
이걸 모르고 주거식 사고로 접근하면 난방을 과대예측하고 냉방을 과소예측하는 참사가 납니다. 🥲

2️⃣ 예측 모델의 4가지 계보 🧬

에너지 예측 모델을 분류하는 방법은 학계마다 다르지만,
가장 널리 쓰이는 건 ASHRAE 기반의 3분류 + 하이브리드입니다.

구분	별칭	대표 도구/기법	필요 데이터	강점 / 약점
Forward (White-box)	물리 기반, 공학적	EnergyPlus, TRNSYS, IES-VE, DOE-2, ECO2	도면, 자재 물성, 설비 사양, 스케줄, 기상데이터	✅ 설계 단계 가능, 대안 비교 강함 ❌ 입력 노동 큼, 실측과 괴리
Data-driven (Black-box)	통계/기계학습, 역모델	회귀, Change-point, ARIMA, XGBoost, LSTM	과거 계측 데이터 (최소 12개월 권장)	✅ 정확도 높음, 빠름 ❌ 기존 건물만, 설명력 약함
Grey-box	준물리, RC 네트워크	RC 열망 모델, 상태공간 모델	소량 계측 + 물리 구조	✅ 데이터 적어도 OK, MPC 적합 ❌ 파라미터 추정 난이도
Hybrid / Calibrated	보정 시뮬레이션	EnergyPlus + Bayesian/GA 최적화	물리모델 + 실측 청구서/BEMS	✅ 실무 표준, 신뢰도 높음 ❌ 시간·비용 큼

💡 언제 뭘 써야 하나? (초간단 판단법)

• 아직 안 지어진 건물 → Forward(물리) 밖에 답 없음
• 지어진 지 1년 넘은 건물, 청구서 있음 → Change-point 회귀로 시작
• BEMS 15분 데이터 1년치 있음 → 머신러닝(XGBoost류) 압도적
• 리모델링 성과 검증(M&V) → 보정 시뮬레이션 or IPMVP Option C
• 실시간 제어 최적화 → Grey-box + MPC

3️⃣ Forward 모델 : 건물을 컴퓨터 안에 다시 짓기 🏗️

EnergyPlus가 실제로 하는 일

미국 DOE(에너지부)가 개발한 EnergyPlus는 전 세계 건물에너지 해석의 사실상 표준입니다.
얘가 하는 일을 한 문장으로 요약하면:

"건물을 여러 개의 열적 존(Thermal Zone)으로 쪼갠 뒤,
1년 8,760시간(또는 그 이하 타임스텝) 동안 각 존의 열평형 방정식을 반복해서 푼다."

열평형 방정식은 대충 이렇게 생겼습니다.

C_z · (dT_z/dt) = Σ Q̇_internal      (사람·조명·기기 발열)
                + Σ h_i·A_i·(T_si - T_z)   (표면 대류)
                + Σ ṁ_inf·Cp·(T_out - T_z) (침기)
                + Σ ṁ_sys·Cp·(T_sup - T_z) (공조 급기)
                + Σ ṁ_zone·Cp·(T_zj - T_z) (존간 혼합)

여기서 표면 온도 T_si는 또 CTF(전달함수법)나 유한차분으로 벽체 내부 축열을 풀어서 구합니다.
그러니까 연립 미분방정식을 시간마다 반복해서 푸는 것이 시뮬레이션의 실체예요.

🔁 계산 루프 구조 (EnergyPlus의 3중 관리자)

1. Surface Heat Balance Manager — 벽·창 표면 열전달
2. Air Heat Balance Manager — 실내 공기 온습도
3. Building Systems Simulation Manager — 공조기, 코일, 칠러, 보일러, 배관/덕트

이 셋이 서로 값을 주고받으며 수렴할 때까지 반복(iteration)합니다.
그래서 존이 수백 개인 대형 오피스는 연간 시뮬레이션 1회에 수십 분이 걸리기도 해요.

국내 제도용 도구 : ECO2 / ECO2-OD

한국에서 건축물 에너지효율등급 인증과 제로에너지건축물(ZEB) 인증을 받으려면
반드시 ECO2라는 프로그램을 씁니다.

ECO2는 EnergyPlus 같은 동적 시뮬레이션이 아니라,
독일 DIN V 18599 계열의 월간 준정상상태(Monthly Quasi-Steady-State) 계산법을 기반으로 해요.

항목	EnergyPlus (동적)	ECO2 (월간 준정상)
타임스텝	시간/분 단위 (8,760h+)	월 단위 (12 step)
계산 속도	느림	매우 빠름
축열·동적 거동	정밀 반영	이용률(utilization factor)로 근사
주 용도	설계 대안 비교, 연구, M&V	인증·법정 평가 (공정성·재현성 우선)
결과 성격	'예측'에 가까움	'표준화된 등급 비교'에 가까움

⚠️ 아주 중요한 오해 정정

"에너지효율등급 1++ 받았는데 왜 실제 전기요금은 그대로죠?"

당연합니다. 인증용 계산값은 실제 소비량 예측값이 아닙니다.
인증은 표준 운전조건·표준 재실 스케줄을 강제로 가정해서
'건물 자체의 성능'을 공정하게 줄 세우는 게 목적이에요.
실제 건물은 야근하고, 서버실 돌리고, 설정온도 다르게 씁니다.
이 둘의 차이를 Performance Gap(성능 격차)라고 부르고,
연구에 따라 실제 소비가 예측의 1.5~2.5배로 나타나는 사례도 보고됩니다.

Forward 모델의 필수 입력 7종 세트

#	입력	실무 팁 / 자주 틀리는 부분
1	기상데이터 (EPW)	서울/인천/대전 등 표준기상년(TMY) 사용. 그런데 도심 열섬으로 실제는 1~2℃ 높음. 최근 10년 실측 AMY로 바꾸면 냉방부하가 눈에 띄게 증가
2	형상·존닝	외주부(Perimeter) 4.5m + 내주부(Core) 분리는 필수. 한 덩어리로 모델링하면 냉난방 동시 발생을 못 잡음
3	외피 물성	U-value만 넣고 열교(Thermal Bridge)를 무시하면 난방부하 10~30% 과소평가. 커튼월 멀리언은 특히 심각
4	창호 SHGC / VLT	상업건축은 창면적비(WWR)가 60~80%. SHGC 0.1 차이가 냉방에너지 수 %를 바꿈
5	내부발열 밀도	사람 0.1~0.2인/㎡, 조명 5~8W/㎡(LED), 기기 10~15W/㎡. 서버실·UPS실은 별도 존으로 따로
6	스케줄	가장 과소평가되는 입력. 24시간 프로파일 × 평일/토/일/공휴일. 오피스는 실제로 오전 7시부터 오후 10시까지 부하가 있음
7	HVAC 시스템 & 부분부하 효율	정격 COP만 넣으면 안 됨. 칠러는 연중 대부분 부분부하(30~60%)로 돌아가므로 IPLV/부분부하 곡선이 결과를 지배

🧊 칠러 부분부하 이야기 (실무자 눈물 포인트)

대형 오피스 냉동기는 여름 최성수기 며칠 빼면
1년 내내 정격의 30~60%로 돌아갑니다.
그런데 설계도서엔 정격 COP 5.8만 딱 적혀 있죠.
실제 연간 평균 효율(IPLV/NPLV)을 넣지 않으면
냉방에너지를 20~40% 과소예측하게 됩니다.
특히 정속형 터보냉동기는 저부하에서 효율이 급락(서징 회피 운전)하니 꼭 곡선 입력!

4️⃣ Data-driven 모델 : 데이터가 말하게 하라 📊

(1) 도일법 — 가장 오래되고 가장 안 죽는 방법

난방도일(HDD)·냉방도일(CDD)는 100년 가까이 쓰인 고전입니다.

HDD(base 18℃) = Σ max(0, 18 - T_daily_avg)
CDD(base 18℃) = Σ max(0, T_daily_avg - 18)

연간 난방에너지 ≈ (UA_total × 24 × HDD) / 시스템효율

단순하지만 주거·소규모 건물에선 놀랍도록 잘 맞습니다.
문제는 상업건축. 내부발열이 크니까 기준온도 18℃가 안 맞아요.
오피스는 실제 밸런스 포인트가 12~15℃로 내려가기도 합니다.
그래서 등장한 게 다음 방법이죠.

(2) Change-point 회귀 (3P / 4P / 5P 모델)

ASHRAE가 밀어주는, 월별 청구서만 있으면 되는 최고 가성비 모델입니다.

모델	형태	적용 대상
2P	단순 선형	온도 의존 약한 부하
3P Heating	기준점 아래로만 기울기	난방만 하는 건물 (가스 사용량)
3P Cooling	기준점 위로만 기울기	냉방만 하는 건물 (여름 전력)
4P	기준점 1개, 양쪽 기울기	전기냉난방 통합 건물
5P	기준점 2개 + 중간 평탄부	대형 오피스 (냉·난방 모두 + 베이스로드)

# 5-Parameter 모델 수식
E = β0 + β1 · max(0, β3 - T) + β2 · max(0, T - β4)

  β0 : 베이스로드 (조명·기기·서버·급탕)
  β1 : 난방 기울기
  β2 : 냉방 기울기
  β3 : 난방 change-point 온도
  β4 : 냉방 change-point 온도

이거 하나 돌리면 건물 진단이 바로 됩니다.

🔍 파라미터로 건물 읽는 법

• β0(베이스로드)가 총량의 50% 넘음 → 조명/기기/서버 과다, 야간 소등 안 됨, 상시 팬 운전 의심
• β3와 β4 사이가 좁음 → 냉난방 동시 발생, 데드밴드 설정 잘못
• β1(난방 기울기)이 급함 → 외피 단열 불량 또는 과도한 외기도입
• 여름 데이터 R²가 낮음 → 습도(잠열) 부하 영향, 엔탈피 기반 모델 필요

(3) 머신러닝 — ASHRAE Great Energy Predictor III 이후의 세계

2019년 ASHRAE가 Kaggle에서 개최한 Great Energy Predictor III (GEPIII) 대회는
이 분야의 분수령이었습니다.
전 세계 1,400여 개 건물의 시간별 미터 데이터로 에너지를 예측하는 대회였고,
3,600여 팀이 참가했죠.

결과는? 딥러닝이 아니라 그래디언트 부스팅 트리(LightGBM/XGBoost/CatBoost) 앙상블이 우승했습니다.

🏆 GEPIII에서 배운 교훈 5가지

1. 표 형태(tabular) 데이터에선 GBDT가 여전히 왕
2. 모델 튜닝보다 이상치 제거·데이터 정제가 점수를 더 올림
3. 미터 고장, 0값 연속 구간, 단위 오류(kBTU↔kWh)가 실데이터엔 수두룩
4. 시간·요일·공휴일 피처가 기상 피처만큼 중요
5. 여러 모델 앙상블이 단일 최강 모델보다 안정적

피처 엔지니어링 — 여기서 승부가 갈린다

# 시간 정보는 '순환형'으로 인코딩해야 함
hour_sin = sin(2π × hour / 24)
hour_cos = cos(2π × hour / 24)
# (23시와 0시가 멀리 떨어지는 문제 해결)

# 실무에서 효과 좋은 파생 변수들
- 이동평균 외기온 (3h, 24h, 72h)  → 건물 축열 지연 반영
- 습구온도 / 엔탈피              → 잠열 부하 반영
- 일사량 누적                    → 창호 취득열
- 공휴일 플래그, 명절 플래그      → 국내는 설/추석이 절대적
- 직전 주 동일 시간 사용량(lag)   → 운영 패턴 관성
- 업무일 연속 일수               → 월요일 워밍업 효과

⚠️ 시계열 데이터의 치명적 함정 : Data Leakage

에너지 데이터를 랜덤하게 셔플해서 train/test 나누면
R² 0.99가 나옵니다. 그리고 실전에서 처참하게 망합니다. 💀

왜냐면 테스트셋의 '미래'가 학습셋에 섞여 들어가기 때문이에요.
반드시 시간 순서를 지키는 분할(Time-based split) 또는
TimeSeriesSplit(Rolling-origin CV)를 써야 합니다.

그리고 '연간' 예측이 목표라면
최소 1년 학습 → 다음 1년 검증 구조가 이상적입니다.
6개월 데이터로 학습하면 여름만 알거나 겨울만 아는 반쪽 모델이 돼요.

모델별 실전 성능 감각

모델	연간 총량 오차 감각	비고
도일법	±20~30%	초기 스크리닝용
Change-point 회귀 (월별)	±5~15%	가성비 최고, 해석 쉬움
비보정 EnergyPlus	±20~50%	설계값 vs 실측 Gap 큼
보정된 EnergyPlus	±5~10%	ASHRAE G14 기준 충족 가능
XGBoost/LightGBM (시간별)	CV(RMSE) 10~25%	데이터 품질에 좌우
LSTM/Transformer	GBDT와 비슷하거나 약간 우위	데이터 많고 패턴 복잡할 때

5️⃣ 모델을 믿어도 되나? 검증의 국제 표준 🎯

여기가 진짜 핵심입니다. "내 모델 잘 맞아요"는 증명해야 하는 주장이에요.
국제적으로 통용되는 두 개의 지표가 있습니다.

NMBE와 CV(RMSE)

NMBE (%) = [ Σ(y_i - ŷ_i) / ((n - p) × ȳ) ] × 100
  → 편향(bias). +면 과소예측, -면 과대예측
  → 오차의 '방향'을 봄. 서로 상쇄될 수 있음이 함정

CV(RMSE) (%) = [ √( Σ(y_i - ŷ_i)² / (n - p) ) / ȳ ] × 100
  → 산포(scatter). 오차의 '크기'를 봄
  → 상쇄 불가, 진짜 실력이 드러나는 지표

  y_i : 실측값,  ŷ_i : 예측값,  ȳ : 실측 평균
  n : 데이터 수,  p : 모델 파라미터 수

ASHRAE Guideline 14 허용 기준

데이터 단위	NMBE 허용	CV(RMSE) 허용
월별 (Monthly)	± 5 % 이내	15 % 이내
시간별 (Hourly)	± 10 % 이내	30 % 이내

참고로 다른 기준도 있어요.

기준	월별 NMBE / CV(RMSE)	시간별 NMBE / CV(RMSE)
ASHRAE Guideline 14	±5% / 15%	±10% / 30%
IPMVP	±20% / -	±5% / 20%
FEMP M&V Guideline 3.0	±5% / 15%	±10% / 30%

⚠️ NMBE만 자랑하는 보고서를 조심하세요

1월에 +30% 과소, 7월에 -30% 과대 예측한 모델이 있다고 합시다.
연간 NMBE는? 0%입니다. 완벽해 보이죠. 😇

하지만 CV(RMSE)를 계산하면 40%가 넘게 나올 겁니다.
두 지표는 반드시 함께 봐야 합니다.
그리고 진짜 실무자는 여기에 하나 더 봅니다 —
월별 잔차(residual) 플롯에 계절 패턴이 남아 있는가?
패턴이 보이면 모델이 물리적으로 뭔가 놓치고 있다는 신호예요.

보정(Calibration)은 어떻게 하나

비보정 시뮬레이션이 실측과 30% 차이 난다고 칩시다. 어떻게 좁힐까요?

🛠️ 보정 우선순위 (영향력 큰 순서)

1단계 — 기상데이터 교체 : TMY → 실제 해당 연도 AMY(Actual Meteorological Year). 이것만으로 10% 이상 좁혀지는 경우 많음
2단계 — 스케줄 현실화 : 실제 출입카드 로그, 조명 회로 계측, 주차장 대수로 재실률 추정
3단계 — 플러그로드 밀도 조정 : 야간 최소부하(base) 실측값으로 역산
4단계 — 설정온도·데드밴드 : BAS 트렌드 로그에서 실제 설정값 추출
5단계 — 설비 효율 곡선 : 부분부하 성능 커브 실측 반영
6단계 — 침기율(Infiltration) : 블로어도어 테스트 값이 있으면 최고, 없으면 감도분석 범위로

보정 방식도 진화했습니다.

방식	설명	장단점
Manual / Evidence-based	엔지니어가 근거 자료 기반으로 하나씩 수정	물리적 타당성 ↑, 시간 오래 걸림
Automated (GA, PSO)	유전알고리즘 등으로 파라미터 자동 탐색	빠름, 비물리적 해로 수렴 위험
Bayesian Calibration	파라미터를 확률분포로 추정 (MCMC)	불확실성 정량화 가능, 계산량 큼
Meta-model 기반	시뮬레이션 대체 surrogate(회귀/GP/NN) 학습 후 최적화	수만 회 탐색 가능, 대체모델 정확도 의존

😈 보정의 어두운 면 : Equifinality (동일결과성)

"단열 나쁘게 + 침기 적게" 조합과 "단열 좋게 + 침기 많게" 조합이
똑같은 연간 에너지 결과를 낼 수 있습니다.

즉, CV(RMSE)를 통과했다고 해서
모델의 각 파라미터가 실제와 같다는 보장은 전혀 없어요.

그래서 보정 모델로 리모델링 대안을 평가할 땐 위험합니다.
"단열 보강하면 15% 절감" 같은 결론이, 틀린 파라미터 조합 위에 세워졌을 수 있거든요.
→ 대응책: 서브미터(용도별 계량)를 늘려서 제약조건을 추가하고,
파라미터 탐색 범위를 물리적으로 타당한 구간으로 강하게 제한하세요.

6️⃣ 상업/업무건축만의 특수 변수들 🏙️

주거용 예측 모델을 그대로 오피스에 갖다 쓰면 왜 안 되는지, 구체적으로 봅시다.

① 임대율(Occupancy Rate)이라는 거대 변수

연면적 5만㎡ 오피스인데 임대율이 60%라면?
빈 층은 조명도 안 켜고 공조도 최소로 돌립니다.
하지만 공용부·주차장·엘리베이터·상시 팬은 그대로 돌아가요.

그래서 에너지-임대율 관계는 원점을 지나는 직선이 아니라,
절편이 큰 직선입니다.

E_total ≈ E_fixed(공용부·주차장·기계실) + E_variable × 임대율

→ 임대율 0%여도 EUI가 80~100 kWh/㎡·yr 나오는 건물이 실존함

예측 모델에 임대율 변수를 안 넣으면,
준공 첫해(임대율 낮음) 실측치로 보정한 모델이
만실이 된 3년 차에 완전히 틀려버립니다.

② 데이터센터·서버실이라는 블랙홀

요즘 오피스에는 MDF실, 통신실, 전산실이 반드시 있습니다.
여기는 24시간 365일 냉방이 필요해요. 겨울에도요.

발열밀도가 500~2,000 W/㎡에 달하는 경우도 있고,
이건 일반 사무실(30~40 W/㎡)의 수십 배입니다.
연면적 비중은 1%인데 에너지 비중은 10%를 넘기도 해요.

💡 모델링 팁

서버실은 반드시 별도 존 + 별도 HVAC 시스템 + 연중 상시 스케줄로 모델링하세요.
그리고 여기에 프리쿨링(외기냉방/이코노마이저)을 적용하면
겨울철 냉방에너지를 극적으로 줄일 수 있어서,
대안 비교 시 아주 매력적인 항목이 됩니다.

③ 리테일(판매시설)의 특수성

요소	오피스	리테일/백화점
조명밀도	5~8 W/㎡	15~30 W/㎡ (스포트라이트, 쇼케이스)
재실밀도	0.1~0.2 인/㎡	피크 시 0.3~0.5 인/㎡
운영시간	평일 09~19시	매일 10~22시 (주말 피크)
외기도입	인원 기준	대량 (출입문 개폐 침기 포함)
특수부하	서버실	냉장·냉동 쇼케이스, 식당가 주방 후드

특히 식품매장의 냉장 쇼케이스는
자기 부하도 크고, 주변 공기를 차갑게 만들어 매장 난방부하를 증가시키는
이중 효과가 있습니다. 이걸 무시하면 겨울 난방을 과소예측해요.

④ 계약전력과 피크 관리 (여긴 '총량'이 아니라 '순간'이 돈)

국내 일반용 전력(갑/을)은 기본요금이 최대수요전력(kW) 기준입니다.
그리고 한 번 찍힌 피크는 이후 11개월간 요금 산정에 영향을 줍니다.

즉 상업건축 에너지 예측에서는 연간 총량(kWh) 예측과
최대 피크(kW) 예측이 완전히 다른 문제라는 걸 알아야 해요.

⚡ 피크 예측이 중요한 이유

• 계약전력 과다 → 안 쓰는데 기본요금 계속 냄
• 계약전력 과소 → 초과 사용 위약금 폭탄
• 축열조(빙축열·수축열) 도입 타당성 판단의 근거
• ESS/태양광 용량 산정의 기준
• 수요반응(DR) 시장 참여 수익 예측

⑤ 재실자 행태(Occupant Behavior)의 무작위성

연구자들이 가장 골치 아파하는 부분입니다.
같은 설계, 같은 기후의 동일 건물 두 채가
2배 이상 에너지 차이를 보이는 경우가 실제로 보고됩니다.

원인은 사람이에요.

• 블라인드를 언제 내리는가 (일사 취득 변동)
• 창문을 언제 여는가 (자연환기 vs 공조 낭비)
• 설정온도를 몇 도로 하는가 (여름 24℃ vs 26℃ → 냉방 15~20% 차이)
• 퇴근할 때 모니터·조명을 끄는가
• 야근 빈도와 주말 출근 빈도

최근 연구는 이를 확률론적 행태 모델(Stochastic Occupant Behavior Model)로 다룹니다.
결정론적 스케줄 대신, 마르코프 체인이나 로지스틱 회귀로
"외부 일사가 X W/㎡일 때 블라인드를 내릴 확률" 같은 걸 모델링하는 거죠.

7️⃣ 불확실성을 '인정'하는 예측 📈

이제 좀 성숙한 이야기를 해봅시다.

좋은 예측 모델은 "연간 245,381 kWh입니다"라고 말하지 않습니다.
"연간 230,000 ~ 268,000 kWh 사이일 확률이 90%입니다"라고 말합니다.

몬테카를로 시뮬레이션

1. 불확실한 입력 파라미터마다 확률분포 지정
   예) 침기율: 균등분포 0.2 ~ 0.8 ACH
       플러그로드: 정규분포 μ=12, σ=3 W/㎡
       설정온도: 삼각분포 23 ~ 26℃
       COP: 정규분포 μ=4.5, σ=0.5

2. 각 분포에서 무작위 샘플링 (LHS: Latin Hypercube Sampling 권장)
3. 샘플 조합마다 시뮬레이션 실행 (보통 500~2,000회)
4. 결과 분포로부터 신뢰구간 산출

민감도 분석 — 어디에 돈을 쓸지 알려주는 도구

기법	유형	특징
OAT (One-At-a-Time)	국소	간단하지만 상호작용 무시
Morris Method	전역 스크리닝	적은 계산으로 영향 큰 변수 추림
SRC / 표준화 회귀계수	전역	선형성 가정 필요
Sobol Indices	전역 분산분해	상호작용까지 정량화, 계산량 큼

🎯 민감도 분석의 실용적 가치

오피스 건물 민감도 분석을 돌리면 대체로 이런 순서가 나옵니다.

1위 : 내부발열 밀도 & 스케줄
2위 : HVAC 시스템 효율 (특히 부분부하)
3위 : 설정온도 및 제어 전략
4위 : 창호 SHGC & 창면적비
5위 : 외기도입량 / 침기율
6위 : 벽체 단열 두께

보이시죠? 상업건축에서 벽 단열재를 10cm에서 15cm로 늘리는 건
생각보다 효과가 작습니다.
차라리 그 돈으로 고효율 냉동기와 제대로 된 BEMS, 커미셔닝에 투자하는 게
투자수익률이 훨씬 좋아요.

8️⃣ 실무 워크플로우 : 처음부터 끝까지 🧭

CASE A. 신축 설계 단계 (아직 건물이 없다)

[1] 기획설계  — 유사 용도 벤치마크 EUI로 목표 설정
                 (예: 대형 오피스 목표 EUI 180 kWh/㎡·yr)
      ↓
[2] 계획설계  — 간이 물리모델로 매스·향·WWR 대안 비교
                 (SketchUp+Honeybee, Climate Studio 등)
      ↓
[3] 기본설계  — EnergyPlus 상세 모델 구축, 존닝 확정
                 민감도 분석으로 투자 우선순위 결정
      ↓
[4] 실시설계  — 설비 사양 확정, 부분부하 곡선 반영
                 에너지절약계획서 / ECO2 인증 평가
      ↓
[5] 시공/준공 — 커미셔닝(TAB, 제어 검증)
                 As-built 모델로 업데이트
      ↓
[6] 운영 1년  — 실측 데이터로 Calibration
                 ASHRAE G14 기준 충족 확인 → 운영 최적화 모델로 전환

CASE B. 기존 건물 운영 (데이터가 있다)

[1] 데이터 수집
    - 전기/가스/지역난방 청구서 최소 24개월
    - BEMS/BAS 트렌드 로그 (있으면 금상첨화)
    - 기상 데이터 (기상청 ASOS 시간별 관측값)
    - 운영 정보: 임대율, 근무시간, 공휴일, 특이사항

[2] 데이터 정제  ★ 여기가 전체 공수의 60%
    - 결측 처리 (선형보간? 아니면 그냥 제외?)
    - 이상치 탐지 (IQR, Z-score, 물리적 상한/하한)
    - 미터 고장 구간 플래그 (연속 0값, 급격한 계단 변화)
    - 단위 통일, 검침일 불일치 보정 (월별 일수 정규화!)
    - 타임존/서머타임 확인

[3] 탐색적 분석 (EDA)
    - 온도-에너지 산점도 → Change-point 형태 확인
    - 시간대별 히트맵 → 야간/주말 낭비 탐지
    - 부하 지속곡선(Load Duration Curve) → 피크 특성

[4] 베이스라인 모델 구축
    - 월별: Change-point 회귀
    - 시간별: GBDT / 시계열 모델
    - 교차검증은 반드시 시간 순서 유지

[5] 검증
    - NMBE, CV(RMSE) 산출
    - 잔차 플롯에 계절/요일 패턴 없는지 확인

[6] 활용
    - 예측 vs 실측 실시간 모니터링 → 이상 감지(FDD)
    - 개선공사 후 절감량 산정 (IPMVP Option C)
    - 다음 해 예산 수립, 탄소배출량 보고

🧹 데이터 정제, 이거 진짜 무시하면 큰일납니다

제가 본 실제 사례들:

• 검침일이 매월 25일인데 달력 월로 처리해서 온도 매칭이 엉망
• 여름 한 달 전력량이 0으로 기록됨 → 미터 교체 기간이었음
• 가스 사용량 단위가 ㎥인데 kWh로 착각 (열량 환산계수 누락)
• 태양광 발전량이 소비량에서 상계되어 기록됨 → 총 소비 과소평가
• 임차인 전용 미터가 별도라 건물 통합 미터에 안 잡힘

모델링 기법 고르는 데 3일 쓰고, 데이터 정제에 3시간 쓰면
결과는 100% 쓰레기가 나옵니다. Garbage In, Garbage Out.

9️⃣ 국내 제도와 연결하기 🇰🇷

제도	근거	예측 모델과의 관계
에너지절약계획서	녹색건축물 조성 지원법	일정 규모 이상 건축 인허가 시 제출. 에너지성능지표(EPI) 점수 확보 필요
건축물 에너지효율등급 인증	녹색건축물 조성 지원법	ECO2로 1차에너지 소요량 산출 → 1+++ ~ 7등급
제로에너지건축물(ZEB) 인증	동법 / 국토부 고시	효율등급 1++ 이상 + 에너지자립률 + BEMS 설치. 공공·민간 단계적 의무화 확대
건축물 에너지·온실가스 정보체계	국토부·한국부동산원 운영	전국 건축물의 실제 에너지 사용량 DB → 벤치마크 EUI 산출 기반
온실가스 목표관리제 / 배출권거래제	기후위기 대응 탄소중립기본법	일정 배출량 이상 사업장은 감축목표 관리. 예측·검증 모델 필수
BEMS 설치 확인제	국토부 고시	계측·분석·제어 기능 요건. 예측 모델 탑재 시 고도화 가능

📍 실무 포인트

국토부·한국부동산원의 건축물 에너지·온실가스 정보체계는
연면적, 용도, 준공연도별 실제 사용량 통계를 제공합니다.
여기서 동일 용도·동일 규모 건물군의 EUI 분포를 뽑아
"우리 건물이 상위 몇 %인가"를 계산하는 게
가장 빠르고 설득력 있는 1차 진단입니다.

미국의 ENERGY STAR Portfolio Manager가 하는
1~100점 스코어링과 같은 개념이죠.

🔟 디지털 트윈과 예측 제어, 그 다음 이야기 🚀

MPC (Model Predictive Control)

지금까지는 "1년 뒤 얼마 쓸까?"를 봤는데,
이걸 짧은 시간 단위로 돌리면 제어가 됩니다.

매 15분마다:
  1. 향후 24시간 기상예보 수신
  2. 향후 24시간 재실 스케줄 예측
  3. 시간대별 전기요금 단가 조회
  4. 건물 모델로 여러 제어 시나리오 시뮬레이션
  5. 비용(또는 탄소) 최소화 제어 시퀀스 선택
  6. 첫 스텝만 실행 → 다음 15분에 다시 계산 (Receding Horizon)

예를 들어 "내일 오후에 폭염이 오고 요금이 비싸다" → 새벽에 미리 과냉방(Pre-cooling)해서
건물 구조체에 냉기를 저장하는 전략을 자동으로 찾아냅니다.
연구 사례에서 냉방에너지 10~30% 절감이 보고됩니다.

디지털 트윈

BIM + IoT 센서 + 보정된 에너지 모델이 합쳐지면 디지털 트윈이 됩니다.

레벨	수준	가능한 일
Level 1	3D 형상 (BIM)	시각화, 자산 관리
Level 2	+ 실시간 센서 연동	모니터링, 알람
Level 3	+ 보정된 물리 모델	What-if 분석, 예측
Level 4	+ 자동 제어 루프	MPC 자율 운전, 자가 최적화

FDD (Fault Detection & Diagnostics)

예측 모델의 숨은 활용처가 바로 고장 진단입니다.

"모델이 예측한 오늘 사용량은 8,200 kWh인데 실제는 11,400 kWh"
→ 39% 초과 → 자동 알람 → 점검해보니 댐퍼 액추에이터 고장으로
외기를 100% 도입하고 있었음. 😱

이런 Simultaneous Heating & Cooling, 스케줄 미준수,
밸브 누설, 센서 드리프트 같은 문제는
육안으로는 절대 안 보이고 오직 데이터로만 드러납니다.

💰 재미있는 사실

미국 LBNL 연구에 따르면, 상업건물의 에너지 낭비 중
상당 부분이 설비 성능 부족이 아니라 '제어 오작동과 운전 실수'에서 옵니다.
즉 돈 들여 장비를 바꾸기 전에, 예측 모델로 지금 건물을 진단하는 게
투자 대비 효과가 훨씬 큽니다.
이걸 지속적 커미셔닝(Ongoing Commissioning)이라고 부르죠.

1️⃣1️⃣ 자주 터지는 실패 사례 모음 💥

실패 유형	증상	원인	처방
난방 과대예측	실측 대비 난방 40% 높게 나옴	내부발열 과소 입력, 존닝 미분리	외주/내주 존 분리, 기기밀도 실측 반영
냉방 과소예측	여름 실측이 예측의 1.5배	칠러 부분부하 효율 미반영, 서버실 누락	IPLV 곡선 입력, 상시부하 별도 존
베이스로드 누락	야간·주말 사용량 못 맞춤	대기전력, 상시 팬, 주차장 조명 미포함	야간 최소부하 실측으로 역산
과적합	학습 R² 0.99, 실전 엉망	랜덤 분할, 변수 과다	시간순 분할, 정규화, Feature 선택
드리프트	1년 뒤 정확도 급락	임대율·용도·설비 변경	주기적 재학습, 모니터링 지표 설정
Equifinality	보정 통과했는데 개선안 예측이 틀림	물리적으로 틀린 파라미터 조합	서브미터 추가, 파라미터 범위 제한
기상 불일치	특정 해만 크게 틀림	TMY 사용, 이상기후 연도	AMY 사용, 기상 정규화(Weather Normalization)

🌡️ 기상 정규화(Weather Normalization)란?

"작년보다 전기 10% 덜 썼어요!"
→ 근데 작년이 역대급 폭염이었다면? 그건 성과가 아니라 날씨입니다. 😅

그래서 M&V(측정·검증)에서는 예측 모델을 이용해
같은 기상 조건으로 환산한 뒤 비교합니다.

절감량 = (개선 전 모델에 개선 후 기상 대입한 예측값) - (개선 후 실측값)
        ± 비정형 조정 (임대율 변화, 운영시간 변경 등)

이게 IPMVP Option C(전체 시설 계량)의 핵심 로직이에요.

1️⃣2️⃣ 실무 체크리스트 ✅

단계	확인 항목
목적 정의	□ 왜 예측하는가? (인증 / 예산 / M&V / 제어)
	□ 필요한 시간 해상도는? (연간 / 월별 / 시간별 / 15분)
	□ 목표 정확도는? (ASHRAE G14? 자체 기준?)
	□ 총량만? 아니면 피크도?
데이터	□ 최소 12개월(가능하면 24개월) 확보
	□ 검침일과 기상데이터 기간 정렬
	□ 모든 에너지원 포함 (전기/가스/지역난방/신재생)
	□ 임차인 개별 계량분 누락 여부 확인
	□ 이상치·결측 처리 방침 문서화
모델링	□ 존닝: 외주부/내주부, 특수부하실 분리
	□ 스케줄: 평일/토/일/공휴일 구분
	□ HVAC: 정격 아닌 부분부하 성능 입력
	□ 열교·침기 반영 여부
	□ 시간순 데이터 분할 (ML의 경우)
검증	□ NMBE와 CV(RMSE) 함께 제시
	□ 잔차 플롯에 계절/요일 패턴 없음
	□ 용도별(End-use) 분해 결과가 벤치마크와 부합
	□ 감도분석으로 핵심 변수 식별
보고	□ 점 추정이 아닌 구간(신뢰구간) 제시
	□ 가정과 한계 명시
	□ 재현 가능한 입력파일·코드 보관

🎁 마무리 : 모델은 답이 아니라 '대화 도구'

여기까지 오느라 고생 많았어요. 마지막으로 진짜 하고 싶은 말을 할게요.

"모든 모델은 틀렸다. 그러나 일부는 유용하다."
— George E. P. Box

건축물 에너지 예측 모델의 목적은
소수점 둘째 자리까지 맞히는 게 아닙니다.

진짜 목적은 이거예요.

• "이 건물은 어디서 에너지가 새고 있는가?"를 찾아내는 것
• "A안과 B안 중 뭐가 더 나은가?"를 비교하는 것
• "이 투자에 10억을 쓸 가치가 있는가?"를 판단하는 것
• 건축주, 설계자, 시공자, 운영자가 같은 숫자를 보고 대화하게 만드는 것

특히 상업/업무건축은 운영 기간이 수십 년입니다.
준공 시점의 EUI 1% 차이가 30년 누적되면
수억 원, 수천 톤 CO₂의 차이로 벌어져요.

그래서 예측 모델은 설계 단계의 '숙제'가 아니라,
건물의 전 생애를 함께하는 '주치의'여야 합니다.

🌱 오늘부터 할 수 있는 3가지

1. 내 건물 EUI를 계산해보세요.
작년 전기·가스 청구서 12장이면 30분이면 됩니다.
그리고 같은 용도 건물 평균과 비교해보세요.

2. 온도-사용량 산점도를 그려보세요.
엑셀이면 충분합니다. X축 월평균기온, Y축 월별 사용량.
V자가 나오는지, 어디서 꺾이는지, 베이스로드가 얼마인지 보세요.
이 그래프 하나가 건물 진단 리포트 10장보다 많은 걸 말해줍니다.

3. 야간·주말 사용량을 확인하세요.
아무도 없는데 주간의 40% 이상 쓰고 있다면,
거기엔 분명히 돈이 새고 있습니다.

건축 에너지 분야는 물리학 + 통계학 + 데이터 사이언스 + 현장 감각이
전부 필요한, 꽤 매력적인 융합 영역입니다.
혼자 다 잘하기는 어렵고, 그래서 서로 배우고 묻는 게 중요해요.

혹시 설계 시뮬레이션이나 BEMS 데이터 분석 쪽에서 막히는 부분이 있다면,
재능넷 같은 재능 공유 플랫폼에서 실무 경험 있는 분들의
1:1 코칭이나 모델 리뷰를 받아보는 것도 좋은 방법입니다.
특히 EnergyPlus IDF 파일 디버깅이나 ECO2 입력값 검토처럼
혼자 며칠 붙잡고 있어도 안 풀리는 문제를
경험자가 30분 만에 짚어주는 경우가 정말 많거든요.

재능넷의 '지식인의 숲'에는 이런 기술 콘텐츠들이 계속 쌓이고 있으니,
건축·설비·데이터 분야에 관심 있다면 한 번씩 둘러보셔도 좋겠습니다. 🌳

📚 더 깊이 파고 싶다면 (레퍼런스)

• ASHRAE Guideline 14 — Measurement of Energy, Demand, and Water Savings
• ASHRAE Handbook Fundamentals, Ch.19 Energy Estimating and Modeling Methods
• IPMVP Core Concepts (EVO)
• EnergyPlus Engineering Reference (US DOE)
• ISO 52000 시리즈 / DIN V 18599 (유럽 계산체계)
• ASHRAE Great Energy Predictor III (Kaggle, 2019)
• 국토교통부 「건축물의 에너지절약설계기준」
• 건축물 에너지·온실가스 정보체계 (국토교통부·한국부동산원)
• 한국에너지공단 건축물 에너지효율등급 인증 운영규정 / ECO2 매뉴얼

🏢 건물은 지어지는 순간부터 30년짜리 데이터를 만들기 시작합니다.
그 데이터를 읽을 줄 아는 사람이, 결국 건물을 지배합니다. ⚡

지식인의 숲 - 지적 재산권 보호 고지

지적 재산권 보호 고지

사용 제한: 재능넷의 명시적 서면 동의 없이 본 컨텐츠를 복제, 수정, 배포, 또는 상업적으로 활용하는 행위는 엄격히 금지됩니다.
데이터 수집 금지: 본 컨텐츠에 대한 무단 스크래핑, 크롤링, 및 자동화된 데이터 수집은 법적 제재의 대상이 됩니다.
AI 학습 제한: 재능넷의 AI 생성 컨텐츠를 타 AI 모델 학습에 무단 사용하는 행위는 금지되며, 이는 지적 재산권 침해로 간주됩니다.