재실자 중심 스마트 윈도우 제어 알고리즘 개발 및 에너지 절감 효과 평가

Abstract

최근 건물 운영단계의 에너지 및 탄소배출 절감에 대한 필요가 증대됨에 따라, 스마트 윈도우 기술에 대한 관심이 높아지고 있다. 스마트 윈도우는 외부에서 유 입되는 일사 투과율을 자유롭게 조절하여 냉방 효율을 높여줌과 동시에 사용자들 에게 쾌적한 실내 환경을 제공해줄 수 있는 창을 의미한다. 기존 선행연구들에서 스마트 윈도우 적용과 함께 적절한 제어 방안을 적용함으로써 에너지 절감 효과 를 향상시킬 수 있음을 확인하였다. 하지만, 스마트 윈도우를 단순히 실내외 환경 변수에 의해서만 제어할 경우 재실자가 선호하는 변색 수준과 다를 수 있어 실내 환경 만족도 및 쾌적성이 저하될 수 있다. 아직까지는 재실자의 유형 및 각 행위 에 따른 재실자 선호 변색 수준을 고려하여 스마트 윈도우를 제어하는 방안에 대 한 연구가 부족한 실정이며, 이에 대한 연구 개발이 필요한 상황이다. 따라서, 본 연구에서는 재실자 유형 및 행위에 따른 선호 변색 수준을 고려하여 스마트 윈도우 변색 수준을 제어하는 재실자 중심 스마트 윈도우 제어 (Occupant-Centric Control, OCC) 알고리즘을 개발하고 에너지 절감 측면에서 적용 효과를 평가하고자 하였다. 재실자 중심 스마트 윈도우 제어 알고리즘으로 머신러 닝 기반 예측 제어 알고리즘과 하이브리드 제어 알고리즘을 개발하였으며, 각 제 어 알고리즘에 따른 에너지 절감 측면 적용 효과를 비교 분석하였다. 본 연구의 주요 결과는 다음과 같다. (1) 국내외 스마트 윈도우 기술 동향 및 스마트 윈도우 제어 방안 관련 선행 연구 들을 분석하였다. 기존 선행 연구들에서 적용된 스마트 윈도우 제어 변수와 적용 후 에너지 절감 효과를 비교 분석하였으며, 한계점을 파악하여 재실자 유형 및 행 위에 따른 선호 변색 수준을 고려하여 제어하는 재실자 중심 스마트 윈도우 제어 알고리즘의 개발 필요성을 언급하였다. (2) 재실자 선호 스마트 윈도우 변색 수준 및 영향 요인들을 분석하기 위하여 실 제 주택에 스마트 윈도우를 설치하고 데이터 수집, 실내외 환경 요소와 재실자 선 호 변색 수준 분석, 재실자 행동 유형과 독립 변수들이 재실자 선호 스마트 윈도 우 변색 수준에 미치는 영향 분석을 진행하였다. 이때, 시간 요소, 실외 조도, 실 내 온도, 재실자 행동 패턴을 파악할 수 있는 각 공간에 대한 재실 여부, TV 전력 사용량 관련 변수를 독립 변수로 활용하였다. 재실자 행동 유형에 따른 선호 스마 트 윈도우 변색 수준과 독립 변수에 대한 데이터 수집을 위해 실험기간 동안 실 험 참가자들이 스마트 윈도우가 설치된 연구 대상 공간에 재실하여 행위에 따라 선호하는 변색 수준으로 조절하였다. 데이터 수집 후 전처리 과정을 거친 후 시간 대별 실측된 실외 조도, 재실자 선호 스마트 윈도우 변색 수준과 실내 온도 변화 를 분석하였다. 일원배치 분산분석, Bonferroni 사후 검정, 점이연 상관계수를 활 용한 상관 분석을 통해 재실자 행동 유형과 선호 변색 수준 간의 관계 정도를 분 석하였다. 또한, 다중공선성 여부 검토, Pearson 상관계수를 활용한 상관 관계 분 석, 변수 중요도 분석을 통해 각 독립 변수가 종속 변수인 재실자 선호 변색 수준 에 미치는 영향을 분석하였다. (3) 재실자 중심 스마트 윈도우 제어는 재실자 유형 및 행위에 따라 달라지는 선 호 변색 수준을 반영하여 스마트 윈도우 변색 수준을 제어하는 것을 말한다. 본 연구에서는 재실자 중심 스마트 윈도우 제어 알고리즘으로 머신러닝 기반 예측 제어 알고리즘(Model Predictive Control, MPC)과 하이브리드 제어 알고리즘(HC1, HC2)을 개발하고, 시뮬레이션을 통하여 에너지 절감 측면에서 적용 효과를 평가 하였다. 머신러닝 기반 예측 제어 알고리즘(Model Predictive Control, MPC)은 머신러닝 모델을 활용하여 재실자 선호 변색 수준을 예측 제어하는 알고리즘이다. 개발 단 계는 머신러닝 모델 개발, 머신러닝 모델 성능 평가, 최종 머신러닝 모델 선정, 변 수 선정, 머신러닝 모델기반 예측 제어 알고리즘 성능 검증 순으로 진행되었다. 재실자 선호 스마트 윈도우 변색 수준 예측을 위해 5개 머신러닝 모델을 개발하고 예측 정확도, 학습 속도 그리고 일반화 성능 측면에서 성능을 비교 분석하였 다. 분석 결과, 5개 머신러닝 모델 중 익스트림 그라디언트 부스팅(Extreme Gradient Boosting, XGBoost) 모델이 예측 정확도와 학습 속도 그리고 일반화 측면 에서 우수한 성능을 보였다. 변수 중요도 기준 XGBoost 모델에 대한 적정 변수 세트 크기를 선정한 뒤, 해당 머신러닝 모델을 활용한 예측 제어 알고리즘을 실제 연구 대상 공간에 설치된 스마트 윈도우에 적용하여 성능을 검증하고자 하였다. 성능 검증 결과, 예측 제어된 변색 수준과 실제 재실자 선호 변색 수준 오차 정도 인 MAPE 값은 0.94%로 산정되어 제어 알고리즘의 성능을 검증하였다. 하이브리드 제어 알고리즘은 재실자 선호 변색 수준 정보를 학습한 머신러닝을 활용하여 스마트 윈도우 변색 수준을 예측 제어할 경우 에너지 절감 효과를 최대 화하기 위한 규칙을 혼합 적용하여 제어하는 알고리즘이다. 본 연구에서는 재실 기반 규칙과 시간 기반 규칙 시나리오를 선정하여 머신러닝 기반 예측 제어와 혼 합 적용하고자 하였다. 재실 기반 규칙 시나리오는 재실자가 비재실 상태일 경우 특정 변색 수준으로 제어하는 것을 의미한다. 시간 기반 규칙 시나리오는 특정 시 간에 정해진 변색 수준으로 제어하는 것을 의미한다. 이러한 규칙을 예측 제어와 혼합 적용하여 스마트 윈도우를 제어함으로써 실내로 유입되는 일사를 조절하여 에너지 절감 효과를 최대화하고자 하였다. 규칙 시나리오 조합에 따라 두 가지 하 이브리드 제어 알고리즘을 개발하였으며, 예측 제어와 재실 기반 규칙 시나리오를 혼합 적용한 하이브리드 제어 알고리즘(HC1)과 시간 기반 규칙 시나리오와 재실 기반 규칙 시나리오를 예측 제어와 혼합 적용한 하이브리드 제어 알고리즘(HC2) 을 개발하였다. (4) 재실자 중심의 스마트 윈도우 변색 수준 제어를 위해 머신러닝 기반 예측 제 어 알고리즘, 하이브리드 제어 알고리즘(HC1, HC2)을 적용한 경우와 소색상태의 스마트 윈도우를 적용한 경우(기준 모델)를 분석 대안으로 선정한 후 제어 알고리 즘에 따른 에너지 절감 효과를 평가하고자 하였다. 이를 위해, EnergyPlus 23.1을 활용하여 분석 대안별 냉방 및 난방 에너지 소요량을 산출하고, 기준 모델 적용대비 각 제어 알고리즘 적용 시 냉방 에너지 절감률과 난방 에너지 증가율 그리 고 총 에너지 절감률을 산출하여 에너지 절감 효과를 평가하였다. 재실자 중심 스마트 윈도우 제어 알고리즘 적용에 따른 에너지 절감 효과 평가 결과, 소색 상태의 스마트 윈도우 적용 대비 재실자 중심 스마트 윈도우 제어 알 고리즘 적용시 평균 35.2%의 냉방 에너지를 절감할 수 있는 것으로 분석되었다. 제어 알고리즘 중 하이브리드 제어 알고리즘(HC2)을 적용할 경우 소색 상태의 스 마트 윈도우 적용 대비 냉방 에너지 절감률이 가장 큰 것으로 분석되었으며, 제어 알고리즘 적용에 따른 냉방 에너지 절감률 최댓값과 최솟값 차이는 5%인 것으로 분석되었다. 난방 에너지 소요량 경우 재실자 중심 스마트 윈도우 제어 알고리즘 적용 시 소색 상태의 스마트 윈도우 적용 대비 평균 0.7% 난방 에너지 소요량이 증가하는 것으로 분석되었다. 또한, 제어 알고리즘 적용에 따른 난방 에너지 증가 율 최댓값과 최솟값 차이는 0.7%으로 분석되었다. 냉방 에너지 소요량과 난방 에 너지 소요량을 합친 총에너지 소요량 경우 재실자 중심 스마트 윈도우 제어 알고 리즘 적용 시 소색 상태의 스마트 윈도우 적용 대비 평균 2.4% 총에너지 소요량 이 절감되는 것으로 분석되었다. 제어 알고리즘 중에서는 하이브리드 제어 알고리 즘(HC2) 적용 시 소색 상태의 스마트 윈도우 적용 대비 총에너지 절감률이 가장 높은 것으로 분석되었으며, 제어 알고리즘 적용에 따른 총에너지 절감률 최댓값과 최솟값 차이는 1.1%인 것으로 분석되었다.;Various adaptive technologies are being developed to mitigate energy loss from thermally vulnerable building envelope components. Particularly, there is increasing interest in adjustable smart window technologies that can respond to indoor and outdoor environmental factors as well as user demand. Previous studies have demonstrated that by applying appropriate control strategies along with smart window technology, significant energy savings can be achieved. However, Existing research has identified a lack of studies focusing on controlling smart window tint levels based on occupant types and behavior patterns to enhance indoor environmental satisfaction and comfort. Therefore, there is a need for research and development in this area. In this study, we aimed to develop an occupant-centric smart window control algorithm that considers occupant characteristics and behavior patterns to adjust smart window's tint levels accordingly, thereby enhancing indoor environmental satisfaction and comfort while achieving energy savings. We developed machine learning-based model predictive control algorithms (MPC) and hybrid control algorithms (HC1, HC2) for occupant-centric smart window control and compared their performance in terms of energy savings. The main results of this study are as follows: 1) In this study, an analysis is conducted on current trends in both domestic and international smart window technologies, as well as previous research pertaining to methods of smart window control. The investigation delves into the control variables utilized in prior studies, along with an examination of the resultant energy-saving effects upon their application. Furthermore, by discerning the limitations present in previous research endeavors, the necessity for the development of an occupant-centric smart window control algorithm is underscored. This algorithm is intended to account for preferred tinting levels based on the distinct characteristics of occupants, including their types and behavioral patterns. 2) The occupant-centric smart window control refers to controlling the tint level of smart windows based on occupant's characteristic and behavioral patterns, reflecting their preference levels. To achieve this, machine learning-based model predictive control algorithms(MPC) and hybrid control algorithms(HC1, HC2) were developed and evaluated for their performance in energy savings. The machine learning-based predictive control algorithm (MPC) utilizes machine learning models to predict and control the preferred tint level of occupants. The development process included several steps: data collection and preprocessing, development of machine learning models, evaluation of model performance, feature selection, and selection of the final predictive model. During the experimental period, participants occupied residential spaces equipped with smart windows(SPD) and manually controlled the tint levels according to their preferences. The collected datasets included occupant-preferred tint level, indoor and outdoor environmental factors, and occupancy-related data. Five machine learning models were developed and the final predictive model was selected based on prediction accuracy, training speed, and generalization performance. Among the five machine learning models evaluated, the Extreme Gradient Boosting (XGBoost) model, which utilized 8 input features, demonstrated superior performance. It excelled in prediction accuracy, learning speed, and generalization performance. The predictive control algorithm, employing the Extreme Gradient Boosting (XGBoost) model with 8 input features, was applied to control smart windows installed in an actual residential space. To verify the performance of this control algorithm, the Mean Absolute Percentage Error (MAPE) between the predicted and actual occupant-preferred tint levels was calculated, resulting in MAPE value of 0.94%. The hybrid control algorithm considers occupant-preferred tint levels to maximize energy savings when controlling smart windows by setting rules for mixed application during predictive control. In this study, scenarios based on occupancy-based rules and time-based rules were selected for mixed application during predictive control. The occupancy-based rule scenario involves controlling to specific tint levels based on occupancy status, while the time-based rule scenario involves controlling to predetermined tint levels at specific times. By applying these rules during predictive control, the smart windows are controlled to appropriate tint levels, thereby adjusting the incoming daylight and maximizing energy savings. Two hybrid control algorithms were developed based on combinations of rule scenarios: the first algorithm applies only the occupancy-based rule scenario (HC1), while the second algorithm applies a mixed application of the time-based rule scenario and the occupancy-based rule scenario during predictive control (HC2). 3) To evaluate the energy-saving effects of occupancy-centered control algorithms, we selected and compared the cooling and heating energy consumption across four scenarios: the clear state of the smart window (base model), and smart windows with occupancy-centered control algorithms— specifically Model Predictive Control (MPC), Hybrid Control 1 (HC1), and Hybrid Control 2 (HC2). The annual cooling and heating energy consumption for each scenario was simulated using EnergyPlus 23.1. The results showed that applying the occupant-centered smart window control algorithm resulted in an average reduction of 35.2% in cooling energy consumption compared to the baseline model. This indicates that the occupant-centered smart window control algorithm is advantageous for cooling energy savings. Among the control algorithms, the hybrid control algorithm (HC2) achieved the highest cooling energy savings compared to the baseline model, with a maximum difference of 5% in cooling energy savings among the control algorithms. Regarding heating energy consumption, the application of the occupant-centered smart window control algorithm resulted in an average increase of 0.7% in heating energy consumption compared to the baseline model (Case 1). The difference in heating energy increase rates among the control algorithms was relatively small, with a maximum difference of 0.8%. When considering the total energy consumption, which includes both cooling and heating energy, the occupant-centered smart window control algorithm led to an average reduction of 2.4% in total energy consumption compared to the baseline model. The hybrid control algorithm (HC2), which combines machine learning-based predictive control with occupancy-based and time-based rule scenarios, showed the highest total energy-saving effect. The difference in total energy-saving effects among the control algorithms was up to 1.2%. This study developed machine learning-based predictive control algorithms and hybrid control algorithms (HC1, HC2) for occupant-centric smart window control, considering occupants' preferred tint levels according to their characteristics and behavior patterns. In residential spaces equipped with smart windows, the diversity in occupant behavior patterns and preferred tint levels necessitates occupant-centered control strategies. The occupant-centered smart window control algorithm developed in this study, which maximally reflects the preferred tint levels of occupants, is expected to enhance occupant comfort and achieve energy savings. When applied to residential spaces, the control algorithm is anticipated to further optimize energy consumption and improve the overall living environment. In future research, it is essential to refine occupant-centric control algorithms by collecting additional occupancy-related data and preferred tint levels based on various occupant behavior patterns. This will allow for a comprehensive performance evaluation in terms of energy savings, indoor environmental satisfaction, comfort, and convenience for occupants. Moreover, further studies should explore the simultaneous application of occupant-centric smart window control algorithms and appropriate lighting control strategies to maximize energy-saving effects.