서 론
건축물의 설비기준 등에 관한 규칙에 따르면 신축 공동주택에 적용될 기계환기 설비의 성능은 세대 전체 공간을 대상으로 하는 3단 이상의 제어가 가능해야한다. 현재 공동주택에 설치된 대부분의 기계환기 설비는 관련 법에서 규정하는 최소의 기준을 만족하는 수준이며 이는 해당 공간 거주자의 행태를 고려하지 않은 운전 방법으로 볼 수 있다(Cho and Cho, 2021). 자동운전을 통해 제어를 실시하는 경우도 있는데 이는 특정 농도를 기준으로 단수를 제어하는 단순 제어로 기준 농도를 넘어간 후에 환기량을 늘리는 경우가 많아 실내공기질 유지가 어렵다는 근본적인 문제가 있다. 하지만 기준 농도를 넘지 않았는데도 단수를 올려 운전하는 방식 역시 팬 에너지 및 공조 에너지가 증가되는 문제가 발생한다(Shin et al., 2018). 즉, 실별 재실자의 수와 행위 패턴 예측을 통한 최적 공기량을 제공해야 최소의 에너지로 청정하고 쾌적한 실내 거주 환경을 제공할 수 있게 된다.
이에 많은 연구자들이 환기장치 최적운전 알고리즘 관련한 연구를 수행해왔다. CO2 센서(Clark et al., 2019), 재실센서(Ozcan et al., 2005), 온도센서(Pavlovas, 2004)를 활용하거나 혹은 둘 이상의 센서(Laverge et al., 2011; Li et al., 2020; Kim et al., 2020a)를 활용한 수요기반 제어 알고리즘 연구는 오래 전부터 이루어져왔다. 최근에는 기계학습을 활용한 연구도 다양하게 진행되고 있는데 사무실의 CO2 농도를 예측하기 위한 연구나(Kallio et al., 2021), 강의실의 CO2 농도를 예측하기 위한 연구가(Tagliabue et al., 2021; Zhong et al., 2019) 다양한 기계학습모델을 적용해 실시된 바 있다. 이처럼 실측데이터를 활용해 기계학습을 수행하게 되면 특정 거주자의 행태를 반영한 실내 환경 예측이 가능하게 되고, 이를 활용하면 최적운전이 가능할 수 있다. 다만, 다양한 센서의 설치나 데이터의 수집이 비교적 용이한 사무실이나 강의실의 경우와는 달리 주택의 경우 환기설비의 구조 자체가 단순한 경우가 많고 경제적, 사회적으로 민감한 사안들이 많아 다양한 데이터의 수집 자체가 어려울 수 있다. 하지만, 공동주택과 같은 주거용도의 공간은 통계(Statistics Korea, 2020a)에서 보여주듯이 그 규모에 따라 거주자의 구성이나 생활 패턴이 유사한 특성이 있어 비교적 제한된 데이터로 신뢰도 높은 학습이 가능할 수 있다. 이에 본 연구에서는 실제 현장에 적용이 용이한 최적의 기계학습 모델을 제작하기 위해 실내 CO2 농도에 영향을 주는 최소한의 정보만으로 공동주택 재실자의 행위 패턴을 반영한 실내 CO2 농도 예측이 가능 수준에 대한 기초 연구를 실시하였다.
연구의 범위 및 방법
연구의 범위
본 연구는 실제 공동주택에서 습득이 용이한 최소한의 데이터로 재실자 행태를 반영한 실내 CO2 농도 예측 기계학습 모델을 개발하기 위한 기초 연구로 먼저 데이터 습득을 위한 대표 가구의 선정을 실시하였다. 통계에 의거 대한민국 대표 가구라고 할 수 있는 4인이 일반적으로 거주하는 84 m2 타입 공동주택 유닛을 선정하여 9월 15일~10월 15일까지 약 한 달간 데이터 수집을 진행하였다. Figure 1은 본 연구의 흐름을 보여주는 다이어그램이다.
식 (1)은 단위 시간 후 실내 CO2 농도를 예측을 위해 활용되는 대표적인 물리식이며 CO2 농도 예측을 위한 입력 변수를 확인할 수 있다.
V : space volume (m3)
T : time (h)
Q : air change volume (m3/h)
C : CO2 level (mg/m3)
Co : CO2 level outside (mg/m3)
Ci : CO2 level inside (mg/m3)
G : CO2 generation (mg/h)
물리식 (1)에 따르면, 단위 시간 후의 실내 CO2 농도를 확인하기 위해 환기량과 CO2 발생량을 확인할 필요가 있다. 환기량의 경우 기계환기장치 운전 단수, 자연환기 , 침기 등이 직접적인 변수로 활용될 수 있고, 실내 공기온도 역시 자연환기를 유발하는 인자로 추정되어 변수로 활용하였다. 실내 CO2 발생량은 재실자의 수나 활동의 종류 등과 밀접한 관련이 있는 것으로 알려져있어(Costanzo et al., 2011) 이를 추정하기 위해 IR 카메라 등이 활용되는 경우가 있으나 공동주택에 이를 활용하기는 어렵다고 판단되었다(Hong and Yoon, 2012). 이에 공동주택 실별 재실자의 재실시간 및 행위패턴이 비교적 일정하다는 통계(Statistics Korea, 2020b)에 근거한 가정 하에 요일과 시간을 재실자 스케줄을 반영하기 위한 변수로 활용하였다. 특히 평일의 경우 요일이나 시간대에 맞춰 출퇴근이나 취침 등 거주자의 특별한 행위 패턴이 발생하는 경우가 많으므로 수집된 데이터 중 평일의 데이터만 본 연구에 활용하였다.
다음은 학습 결과를 비교하기 위해 구분한 데이터 셋에 대한 설명이다.
1)특정인이 주로 거주하는 개인실 data set 수집 및 개인실 CO2 농도 예측한다(Figure 2_Case 1).
2)특거실의 센서로 세대 전체의 환기량이 조절되는 경우가 많으므로 대표실인 거실에 대한 data set 수집 및 거실의 CO2 농도 예측한다(Figure 2_Case 2).
3)모든 실의 data set으로 거실의 CO2 농도를 예측한다(Figure 2 Case 3).
4)학습에 필요한 최소한의 data set을 시간, 온도, 실내 CO2 농도로 정의하고 이를 Basic data set으로 한다.
5)학습에 필요한 일반적 데이터 셋을 요일, 시간, 온도, 실내 CO2 농도, 환기장치 운전 단수, 자연환기 유무로 하고 Plus data set으로 한다.
Figure 2는 데이터 수집 공간과 이를 통해 CO2 농도가 예측되는 대상 공간에 대한 분석 Case들을 보여주는 다이어그램으로 각 Case는 Basic data set과 Plus data set으로 학습한 후 해당 공간의 CO2 농도를 예측하였다.
이를 통해 4인 가구 84 m2 타입에 적정한 CO2 농도 예측 기계학습 모델을 제안하였다.
기계학습 알고리즘
본 연구에 활용된 프로그램은 기계학습을 위해 일반적으로 활용되는 Python이다.
학습에 활용된 기계학습 알고리즘은 총 5가지로 타 연구(Kim et al., 2020b)에서도 실내 CO2 농도 예측에 우수한 성과를 보인 Artificial Neural Network (ANN), Deep Neural Network (DNN), K-Nearest Neighbors (KNN), Long Short-Term Memory (LSTM)와 속도, 메모리 효율성 측면에서 활용이 용이한 LightGBM (LGBM)을 분석에 추가로 포함하였다. 아래는 모델별 특징을 설명한 부분이다.
1)Artificial Neural Network (ANN) : 복잡한 패턴 학습이 가능하여 원하는 방향의 수준으로 활용하기 좋은 것으로 알려져있다. 본 연구에서는 225개의 노드와 3개의 은닉층을 구성하고 선형 활성화 함수인 linear를 사용한 예측 모델을 개발하였다.
2)Deep Neural Network (DNN) : ANN의 확장 형태로, 여러 은닉 층을 포함하여 복잡한 관계 학습이 가능하며 ANN보다는 복잡하고 고차원적인 데이터를 다루는 데 주로 사용되어 진다. 본 연구에서는 ANN과 동일한 은닉층과 노드수로 구성하였다.
3)K-Nearest Neighbors (KNN): 분류나 회귀 문제에서 이용되며, 가까운 이웃 데이터를 통해 예측 수행한다. 본 연구에서는 n neighbors=10으로 구성하여 분석하였다.
4)Long Short-Term Memory (LSTM) : RNN의 변형 모델로 장기 의존성 문제 해결 가능하며 LSTM에는 정보 흐름을 제어하는 게이트 메커니즘이 추가되어 있어 시간이 관여되는 문제에 대해 해결 할 수 있어 시간을 변수로 사용하는 본 연구 분석에 적합할 것으로 분석되었다.
5)LightGBM : GBDT보다 빠르고 메모리 사용량 적으며 성능이 우수하지만 과적합 위험이 있는 것으로 알려져있다. 이 과적합을 해결하기 위해 하이퍼 파라미터를 max depth=5, min samples split=2, min samples leaf=1, max features=None으로 설정하여 분석에 활용하였다.
데이터의 수집
데이터 수집 대상 공간과 데이터 수집
본 연구의 데이터 수집 대상 공간은 Figure 3와 같다. 거실+부엌(LR+ K) 및 침실 3개로 구성되어 있으며, 남측에 거실과 침실3개, 북측에 드레스룸이 배치된 타입이다. 설치된 기계환기장치는 열회수 환기장치로 메이커가 제공하는 정보에 따르면 강 165CMH, 중 150CMH, 약 75CMH의 3단 풍량을 제공한다. 본 디퓨저는 실별로 창가측 구석에 급기 디퓨저가 1식씩 설치되어 있고, 배기 디퓨저는 거실에 4식이 설치된 상황이다. 센서는 문과 창문이 설치되지 않은 벽 중심에 위치한 탁자 위 1.2 m 정도 위치에 설치되었으며 I사의 복합 센서를 활용하였다(Figure 3).
이 I사의 복합센서는 CO2 농도 외에도 초미세먼지, 미세먼지, 온도, 습도 등의 데이터를 측정하여 저장한다(Figure 4).
본 복합 센서에 설치된 CO2 센서는 비분산 적외선 흡수법을 적용한 센서로 이는 가스 분자별 특정 파장의 빛을 흡수하는 특성을 통해 가스 농도에 따른 광 흡수율을 측정하고 농도를 검출하는 방식으로 가장 신뢰성있는 측정 방식으로 알려져있다. 특히 본 제품은 Auto-calibration system을 내장하여 그 신뢰도가 높고, 국내 K 인증기관의 검교정 챔버에서 교정을 받은 제품이다. 메이커에서 제공하는 센서의 측정 범위는 0~10,000 ppm이며, 오차는 3% 내외이다.
본 센서를 통해 수집된 데이터는 요일, 시간, 온도, 거실의 CO2 농도이며, 환기장치 운전 단수, 자연 환기 유무 데이터는 거주자가 변동시 기록하는 방식을 통해 별도로 수집하였다. 이를 통해 수집 된 데이터는 총 21,990 set이다. 수집된 데이터 셋을 효과적으로 활용하고 모델 성능 평가시 신뢰성 있는 추정값을 얻기 위해 k-fold 교차 검증 방법론을 채택하였다. 10 개의 폴드로 데이터 셋을 나누어 각각의 폴드는 독립적인 테스트 셋 역할을 할 수 있다. 이러한 절차를 반복하여 다양한 조합의 훈련/테스트 폴드로 모델 학습 및 성능 평가를 진행하였다.
예측 모델 분석
예측 모델의 성능을 검토하기 위해 측정 값과 예측 값의 R²와 CvRMSE를 산출하였다. R²는 회귀 모델의 예측 성능을 평가하는 지표로 1에 가까울수록 모델이 예측 성능이 우수함을 의미한다. CvRMSE는 평균제곱근의 오차이며 실제값과 예측값의 차이를 파악하는데 효과적이다.
Basic data set
Table 1은 Basic data set으로 학습된 개인실(Case 1 개인실 data로 학습), 거실(Case 2 거실 데이터로 학습), 거실(Case 3 전실 data로 학습)의 CO2 농도 예측 결과이다.
Table 1.
Basic data set cases
Table 1에서 볼 수 있듯이, LGBM을 제외한 모든 모델이 0.9 이상의 높은 신뢰도를 보여주고 있으며, LSTM과 ANN 모델의 R² 값 각각 0.96과 0.95 CvRMSE 값 1.06과 1.26으로 Case 1에서 가장 우수한 모델로 분석되었다. Figure 5는 Case 1,2,3 모두에서 높은 신뢰도를 보여준 ANN과 LSTM 모델을 통한 데이터 예측값과 측정값을 비교한 그래프이다.
개인실의 경우 주로 1인이 사용하는 경향이 있고, 수집된 데이터의 거주자가 요일이나 시간과 깊은 연관이 있는 생활 패턴을 보여줬기 때문으로 추측된다.
Case 2의 경우는 Case 1에 비해 전체적으로 약간 예측 신뢰도가 떨어지는 모습을 보여주는데 0.9 이상의 값을 보여주는 모델은 ANN 하나였다. 그 외에는 0.79 ~0.87까지의 예측 신뢰도를 보여주었다. 개인실과는 달리 거실은 4인의 구성원이 사용하는 공간으로 요일 및 시간과 거주자 생활 패턴 사이의 연관 불확실성이 증가한 것으로 분석된다.
Case 3의 경우는 Case 2보다 향상된 값을 보여주며 특히 ANN과 LSTM이 R² 값 각각 0.93과 0.95 CvRMSE 값 1.1과 0.96으로 높은 신뢰도를 보여주었다. 이는 전 실의 데이터를 통해 실별 CO2 농도에 대한 더 많은 정보가 학습됨에서 오는 정확도 상승으로 보인다.
Table 2는 분석에 사용된 모든 모델의 상관관계를 보여주는 그래프이다.
Plus data set
Table 3은 Plus data set으로 학습된 개인실(Case 1 개인실 data로 학습), 거실(Case 2 거실 데이터로 학습), 거실(Case 3 전실 data로 학습)의 CO2 농도 예측 결과이다.
Table 3.
Plus data set cases
Basic data set에서와 같이 Plus data set에서 학습된 본 케이스도 모든 모델이 0.86 이상의 높은 신뢰도를 보여주고 있으며, ANN과 LSTM모델의 R² 값은 공히 0.92, CvRMSE 값 각각 1.59과 1.61으로 Case 1에서 가장 우수한 모델로 분석되었다.
Case 2의 경우, ANN이 R² 값 0.96, CvRMSE 값 0.86으로 가장 예측 정확도가 높았으며, Case 1에 비해 전체적으로 약간 예측 신뢰도가 떨어지는 모델도 있고 향상되는 모델도 있지만 LGBM을 제외하고는 큰 차이없이 0.87~0.93이라는 고르게 높은 정확도를 보여주었다.
Case 3의 경우는 Case 2보다 향상된 값을 보여주었고 ANN, DNN, LSTM이 R² 값 공히 0.97 CvRMSE 값 각각 0.65,0.75,0.71로 매우 높은 신뢰도를 보여주었다. 본 케이스는 LGBM의 경우도 R² 값 0.96이 측정되어 많은 정보가 입력되면 가벼운 모델도 높은 예측값을 보일 수 있을 것으로 분석된다.
Figure 6은 Case 1,2,3 모두에서 높은 신뢰도를 보여준 ANN과 LSTM 모델을 통한 데이터 예측값과 측정값을 비교한 그래프이다.
Table 4는 분석에 사용된 모든 모델의 상관관계를 보여주는 그래프이다.
개인실의 경우 시간에 따른 변수의 이상치 발현 빈도수가 거실에 비해 낮은 편이라 개인실 CO2 농도 예측 결과인 Case 1의 경우 거의 모든 모델들이 높은 예측성능을 보여주는 것으로 분석된다. 특히 이는 원룸과 같은 개인실의 경우 최소한의 변수로도 높은 확률의 예측이 가능함을 보여준다. 다만 4인이 사용하는 거실의 경우, 재실자 스케줄에 대한 불확실성이 개인실에 비해 증가하기 때문에 정확한 예측을 위해서는 더 많은 데이터가 필요했던 것으로 보인다. 하지만, 적은 변수로도 ANN과 LSTM 모델은 다른 모델에 비해 높은 예측 정확도를 보여주었기 때문에 이에 대한 활용성은 매우 높을 것으로 판단된다.
결 론
본 연구에서는 공동주택 기계환기 설비의 최적 제어 운전을 위해 활용될 공동주택 CO2 농도 예측 모델을 개발하고 검증하였다. 이를 위해 기본적인 data set부터 일반적인 data set까지 다양한 data set과 모델을 활용하였고, 그 결과를 요약하면 다음과 같다.
(1)Basic data set으로 학습한 개인실 케이스(Case 1)는 LGBM을 제외한 모든 모델이 거의 90%에 가까운 CO2 예측 신뢰도를 보여 1인 거주 공간의 경우 간단한 모델로도 실내 CO2 농도 예측이 가능할 것으로 분석되었다.
(2)Basic data set으로 학습한 거실 케이스(Case 2)는 거실 데이터만으로 CO2 농도를 예측하는 것 보다 전실 데이터로 거실의 CO2 농도를 예측하는 케이스(Case 3)가 더 정확한 것으로 분석되었다. ANN과 LSTM은 모든 Case에서 대체적으로 우수한 성능을 보여주었고, 다양한 변수와 관련된 데이터가 제공될 경우 더 높은 신뢰도를 보여주었다.
(3)Plus data set으로 학습한 케이스는 Basic data set으로 학습한 결과보다 대체적으로 더 높은 신뢰도를 보여주었고, 그 차이는 Case 2에서 평균 4%, Case 3에서 평균 7% 였다. 단, Case 1의 경우는 LGBM을 제외하고는 같거나 더 낮은 신뢰도를 보여주었다.
본 연구를 통해 공동주택의 경우 비교적 기본적인 데이터만으로도 높은 신뢰도의 CO2 농도 예측이 가능할 수 있음을 확인하였고, 향후 최소 에너지로 청정한 실내 환경 유지에 기여할 수 있는 차세대 기계환기 시스템 운전 알고리즘 개발에 기여할 수 있을 것으로 보인다. 단, 본 연구는 1달 동안 한 가정에서 수집된 데이터만으로 학습된 모델이라는 한계를 가지고 있다. 이에 차후 연구로 다양한 가족 구성과 공간 구성을 가지는 여러 가구에서 데이터를 수집하고 이를 활용한 학습 및 검증을 통해 대한민국 공동주택에 가장 적합한 기계학습 모델을 제안할 계획이다.
