2024.03.30 (토)

  • 흐림동두천 1.0℃
  • 흐림강릉 1.3℃
  • 서울 3.2℃
  • 대전 3.3℃
  • 대구 6.8℃
  • 울산 6.6℃
  • 광주 8.3℃
  • 부산 7.7℃
  • 흐림고창 6.7℃
  • 흐림제주 10.7℃
  • 흐림강화 2.2℃
  • 흐림보은 3.2℃
  • 흐림금산 4.4℃
  • 흐림강진군 8.7℃
  • 흐림경주시 6.7℃
  • 흐림거제 8.0℃
기상청 제공

커버스토리

[인터뷰] 이광호 고려대 건축학과 교수

“ZEB인증, BEMS 확산 견인…AI 접목 분석·제어 필수”
모니터링용 저가 BEMS시장 잠식…주관적 운용 지양해야

제로에너지건축물(ZEB) 확대 정책에 따라 BEMS 수요확대가 기대되고 있지만 사실상 실질적인 효과가 제한적인 상황에서 ICT를 활용한 AI BEMS가 미래 기계기술로 주목받고 있다.

대한설비공학회(회장 강용태) 미래성장특별위원회(위원장 장영수)에서 간사로 활동하고 있는 이광호 고려대 교수는 향후 주목받을 기계기술로 ‘AI 기반의 BEMS’를 꼽았다.

이광호 교수는 미국 일리노이대에서 박사학위를 취득했으며 미국 버클리대 전임연구원을 거친 건축환경설비분야 전문가로서 ISO(국제표준기구) 기술위원회 163 워킹그룹 17 및 22 등 총 2개 워킹그룹의 의장(Convenor)으로 활동하고 있다. 이광호 고려대 교수를 만나 AI 기반 BEMS의 필요성과 현재까지의 연구수준에 대해 들었다.

■ AI BEMS를 미래기술로 뽑은 이유는
BEMS는 최근 가속화되고 있는 ZEB인증제의 전제조건으로서 센서, 네트워크 프로토콜, BAS(Building Automation System), 최적화기술 등을 통해 건축물 에너지절감 성능향상을 위해 적용한다.

ZEB인증은 2020년부터 공공기관이 연면적 1,000㎡ 이상 건축물을 신축·재축·별동 증축하는 경우 ZEB인증을 획득해야 한다.

또한 ZEB인증과 별도로 1만㎡ 이상 대형 공공건축물은 BEMS를 구축해야 하며 서울시의 경우 10만㎡ 이상의 건축물도 BEMS를 적용토록 강제하고 있다.

이러한 추세에 따라 BEMS는 지속적으로 보편화될 전망이지만 현재 ZEB인증을 위한 BEMS 설치확인은 설치유무만 확인하고 어떻게 운영되는지는 전혀 관리하지 않으니 사실상 유명무실한 상황이다.

BEMS 구축에 따른 기대효과와 필요성이 있으니 보급을 확산하는 것인데 운영이 미흡하니 효과가 없고 시장신뢰를 잃어가고 있다. 제대로 운영해야 에너지절감, 쾌적성확보가 가능하다.

■ 현재 BEMS를 평가하면
ZEB인증 시 설치유무만 확인하므로 저가의 BEMS가 주류를 이루고 있다. 이러한 상황이 ‘제 발목잡기’로 작용한다. 에너지절감 효과가 있는 솔루션도 있지만 단가를 최우선 고려사항으로 적용하다보니 BEMS는 효과가 없다는 인식이 확산되고 있다.

모니터링, 데이터분석, 최적제어 등이 가능해 BEMS를 제대로 운용하는 건물사례가 많아야 산업과 시장이 활성화될 수 있지만 현재로서는 찾아보기 어렵다.

특히 제어 역시 문제가 크다. 운영자가 없는 경우가 많고 있어도 전문성이 부족해 경험치를 기반으로 주관적인 제어를 수행한다. AHU 취출공기 온도, 냉수·냉각수 설정온도 등 시스템의 주요 제어변서 설정값을 주관적 판단에 의존해 운영하고 있으며 부하 및 시스템 작동변수 변화에도 제어변수를 동적으로 운영하지 않고 일정하게 설정하는 경우가 대부분이다.

■ AI 기반 BEMS란
일반적으로 BEMS는 데이터를 실시간 모니터링하고 분석 및 제어까지 나아가야 한다. 그러나 지금까지는 분석 전 단계인 모니터링까지만 가능한 상황이다.

이러한 에너지사용량 등에 대한 모니터링 데이터를 기반으로 어떻게 에너지를 줄일 수 있을지 도출하는 과정이 포함돼야 하며 이를 구현하기 위해 제어가 수행돼야 한다.

이때 AI의 역할이 중요하다. 모니터링 데이터를 기반으로 어떻게 제어하면 에너지를 줄일 수 있을지 판단해야 하며 정확한 시점에 최적의 방법으로 HVAC 등 액티브시스템을 제어하는 역할을 수행한다.

■ AI 기반 BEMS 요소기술은
먼저 AI 모델 기술향상이 필요하다. AI 모델에는 여러가지가 있지만 설비성능 및 에너지소비량 예측을 위한 모델을 개발해야 한다. 또한 이러한 데이터를 분석해 제어할 수 있는 기술과 현장의 이상현상을 자동감지·탐지하는 기술도 중요하다.

사실상 AI, BEMS 등과 관련한 요소기술 자체는 많이 개발돼 있지만 현장에 적용하다 보면 예측하지 못한 변수가 많이 발생한다. 예컨대 실증과제 진행 중 온도센서가 고장이 났지만 이를 인지하지 못하고 AI가 잘못된 데이터로 학습하는 경우가 있었다. 이러한 현상을 방지할 필요가 있다.

또한 경험의 공유도 중요하다. AI 기반 BEMS 개발 및 보급 과정에서 분명 시행착오가 발생할 것이므로 산업 전반의 기술·성능 향상을 위해 경험을 공유함으로써 같은 시행착오를 다른 현장에서 불필요하게 겪는 일을 방지할 수 있다.

이와 함께 범용성 향상방안에 대한 고민도 필요하다. 건물마다 시스템, 부하조건이 다르므로 하나의 AI 모델만으로 모든 건물에 적용할 수는 없지만 조건이 다르더라도 최대한 보편적으로 적용할 수 있는 BEMS에 대한 연구가 진행돼야 한다.



■ AI 기반 BEMS 관련 연구성과는
삼성전자가 발주한 ‘Machine Learning 기반 제어설정값 최적화 알고리즘 효과 검증과 개선’ 과제를 진행한 바 있다.

해당 연구를 통해 상업용 건물 HVAC시스템의 에너지소비를 줄이기 위해 인공신경망(ANN: Artificial Neural Network) 기반의 실시간 모델예측제어(MPC: Model Predictive Control) 알고리즘 및 최적화 알고리즘을 개발했다.

또한 개발한 알고리즘을 실제건물에 적용했으며 알고리즘을 통한 냉방전력 에너지소비량 절감 효과를 분석하기 위해 실측데이터를 활용했다. 이를 위한 시스템 제어변수는 냉동기의 냉수 출수온도와 냉각탑의 냉각수 출수온도로 설정했다.

최적화 과정을 거쳐 완성한 ANN 모델을 활용, 부하발생 범위에 따른 각 냉수온도 및 냉각수온도의 최소 건물에너지소비량 지점을 탐색했다. 제어변수의 제어범위로는 냉수온도의 경우 6~12℃, 냉각수온도의 경우 25~32℃로 설정했으며 각 온도가 1℃씩 변경되는 경우 부하구간별 건물 에너지소비량이 최소가 되는 온도지점을 예측했다. 이 온도를 이후 시간의 설정조건으로 BEMS에 공급했다.

부하구간 설정은 세 구간으로 나눴다. 오전 9시를 최소부하 구간으로, 오후 5시를 중간부하 구간으로, 오후 1시를 최대부하 구간으로 설정했다. 보다 정량적인 운전조건 도출을 위해 냉수 온도가 이전시간 냉수 온도보다 2℃ 이상 차이를 보이는 경우 1℃만 상승 및 하강하도록 하는 제약조건을 설정했다. 또한 냉각수 온도의 이전시간 운전조건에 따라 외기 습구온도 지점 이상으로 냉각수온도가 가동되도록 제약조건을 설정했다.

에너지절감 효과분석 및 알고리즘 성능평가를 위한 방법으로는 냉수 출수온도 및 냉각수 출수온도를 가변제어하는 ANN제어를 적용했을 때의 에너지소비량 및 COP와 냉수 출수온도 및 냉각수 출수온도를 고정하는 일반제어 방식일 때의 에너지소비량 및 COP를 비교·분석했다. 연구결과 ANN모델의 정확성은 Cv(RMSE) 4.9%로 우수한 결과를 나타냈으며 ANN기반 제어 알고리즘의 에너지절감 분석결과 냉동기와 냉각탑의 전체 평균 에너지절감률은 7.4%, 평균 COP상승률은 9.4%를 확인했다.

관련기사