에너지 ICT 융합연구단 서지현

학연생이 상위 5%이내 저널 Building and Environment에 "Data-driven approach to predicting the energy performance of residential buildings using minimal input data"의 주저자로 우수한 연구력을 인정받아 KIER SCHOOL 에서 찾아가 보았습니다.

1. 연구를 시작한 계기나 배경은 어떻게 되나요?

건물의 에너지 성능 개선 사업에서 건물의 현재 상태를 파악하기 위해서 에너지 진단은 반드시 필요합니다. 하지만 대규모 사업에서는 기존의 에너지 진단 방법을 적용하기 어려워 시간 및 노동력을 절감시킬 수 있는 방법을 찾고자 하였습니다.

2. 연구과정은 어땠나요?

에너지 성능 예측을 위한 입력 변수를 정리하고 에너지 진단 프로세스별로 5가지의 입력 변수 조합을 생성했습니다. 입력 변수 조합을 MLR(Multiple Linear Regression),ANN(Artificial Neural Network) 및 SVR(Support Vector Regression) 모델에 적용하여 적합한 조합을 선정했어요. 총 입력변수인 F01(입력변수 13개)와 각 부위의 열관류율과 난방면적이 입력변수인 F05(입력변수 5개)의 NRMSE(Normalized Root Mean Square Error)가 3% 밖에 차이나지 않아, F05를 본 연구의 입력변수로 선정하였습니다. F05에 맞게 각 예측 모델의 하이퍼파라미터를 조절하였고, 정확도와 시간적 측면에서 각 모델들을 비교하였습니다. 그 결과, ANN 모델이 가장 적은 시간을 소요하면서 정확도가 높았습니다. 마지막으로 국내 노후 표준 주택으로 사례연구를 진행하였습니다. 실제 값과의 상대 오차가 1.4%로 높은 예측정확도를 보였습니다.

3. 연구하면서 어려웠던 점이나 장애요소가 있었나요?

4. 이번 성과, 무엇이 다른가요?

본 연구는 에너지 진단 프로세스를 단축시키기 위해 최소한의 입력 변수를 추출하는 것에 초점을 뒀습니다. AI를 적용하여 건물 에너지 성능을 예측하기 위한 대부분의 연구들이 건물군 또는 개별 건물 단위로 예측하였어요. 하지만 국내의 주거건물 유형은 공동주택이 절반 이상을 차지하고 각 가구마다 에너지 성능 차이가 나기 때문에 개별 가구 단위로 예측하는 모델을 만들었습니다.

5. 연구원생활 중 기억에 남는 일이 있다면 무엇인가요?

연구원생활을 하면서 좋은 기억이 많이 있지만 메타버스를 활용한 2021년 KIER 학연생 학술제 참여가 가장 기억에 남습니다. 메타버스를 들어본 적은 있으나 직접 이용해 본 것은 학술제 때 처음이었습니다. 저만의 아바타를 만들어 가상공간에서 제 연구 성과를 발표하는 것이 새롭게 느껴졌습니다. 코로나 19로 인해 많은 사람들과 교류할 기회가 없었는데, 메타버스를 이용하여 이러한 점을 극복하여 여러 분야의 학연생과 의견을 나눌 수 있는 좋은 기회였습니다.

6. 꼭 이루고 싶은 목표나 후속 연구계획은?

건물 에너지는 많은 외부 요인들에 영향을 받습니다. 하지만 현재 사용하는 방법들로 이 요인들을 측정하고 성능평가에 적용하기는 어려워요. 데이터 기반 방법은 이러한 기존 방식의 문제점을 해결하고 새로운 관점에서 볼 수 있습니다. 앞으로도 데이터 기반 방법을 이용하여 측정하기 어려운 요인들을 고려하는 건물 에너지 성능 예측 모델을 개발하고, 개별 건물 규모뿐만 아니라 건물군, 도시규모까지 예측하는 연구를 하고자 합니다.