2.1 군집 분석을 통한 유형별 도시철도 역사 선정

서울교통공사가 관리 하의 291개 도시철도 역사에 대한 K-means를 수행하였다. 그러나 K-means 수행 결과, 군집에 따른 특성 정의가 불가하여 K-means의 단점을 보완한 GMM clustering을 활용하였다. 수행 결과, 특성 정의가 가능한 3개의 군집으로 유형화되었다 ⁽⁴⁾.

GMM clustering의 결과, cluster-0의 특성과 가장 유사한 형태를 보이는 역사는 대림역, 당산역, 건대입구역이다. 다만 에너지 시뮬레이션을 위한 형상 구축 시에는 임대 상가 면적이 중앙값과 가장 근접한 건대입구역을 cluster-0의 형상으로 선정하였다. cluster-1의 특성과 유사한 형태를 보이는 역사는 상월곡역, 수락산역, 중앙보훈병원역이다. 임대 상가 면적과 일일 평균 승하차 인원을 고려하여, 수락산역을 cluster-1의 대표성이 보이는 형상으로 선정하였다. cluster-2 군집은 층 규모, 면적, 준공연도 등의 측면에서 철도역사 중 가장 표준에 해당하는 일반적 형태를 보이는 유형이다. 이들 중 사용특성(승하차 평균 인원, 임대상가 면적 등)이 중앙값에 부합하는 홍대입구역을 cluster-2의 형상으로 선정하였다 ⁽⁴⁾.

2.2 유형별 도시철도 역사 에너지 시뮬레이션 형상 구축

건축물 에너지성능 도출에 활용되는 ECO2, EnergyPlus 등은 독립적인 시뮬레이션 프로그램으로, 변수 입력체계가 복잡하여 일반 사용자가 이용하기 어렵다. 그러나 다중회귀 예측모형의 기반이 되는 에너지 사용량 데이터 확보를 위해서는 시뮬레이션 수행은 필수적이다. 따라서 3차원의 에너지 시뮬레이션 수행이 가능한 EnergyPlus를 이용하였다.

에너지 시뮬레이션 프로그램에서 결과에 영향을 미치는 요소는 건축, 기계, 전기적 요소 등으로 다양한 입력변수가 존재한다. 그러나 철도역사의 경우는 도시철도 역사인 경우가 많아 건축적 요소(지붕, 외벽, 창문 등)를 고려하지 않아도 무관하다. 따라서 시뮬레이션 수행 시에는 기계 및 전기 설비에 관한 변수를 입력변수로 한정하여 에너지 해석 형상을 구축하였다.

2.3 에너지 시뮬레이션을 위한 도시철도 역사 설비시스템 구성

선정한 도시철도 역사 내의 설비시스템은 냉방기능을 포함하는 공조기, 급탕, 환기, 그리고 개별 에어컨으로 구성하였다. 유형의 특성을 반영하여 선정한 건대입구역, 수락산역, 홍대입구역 3개의 도시철도 역사 모두 난방 공조 시스템을 적용하지 않는다. 다만 역사 내의 사무실 등의 공간에서는 개별 에어컨을 적용하여 난방 시스템을 구성하는 것으로 확인되었다.

2.4 선정된 도시철도 역사의 시뮬레이션-실제 사용량 오차 검토

2호선의 지상 역사와 7호선의 지하 역사가 복합적으로 구성된 건대입구역의 에너지 사용량은 수락산과 홍대입구역과는 다르게 전열 부하(Room Electricity)에서 큰 차이를 보인다. 이는 도시철도 역사의 일부인 지상에 노출되어있는 지상 역사 내 임대상가의 부재가 원인인 것으로 판단하였다.

군집 유형별 특성을 바탕으로 선정한 도시철도 역사의 연간 실제 에너지 사용량은 건대입구역 1,490,653kWh, 홍대입구역 2,330,580kWh, 수락산역 2,309,217kWh이다.

도시철도 역사 시뮬레이션을 통해 도출된 에너지 소요량은 건대입구역 1,337,853kWh, 홍대입구역 2,174,721kWh, 수락산역이 2,238,051kWh의 결과를 보였다.

이를 바탕으로 시뮬레이션 결과에 의한 에너지 소요량과 실제 에너지 사용량 간의 차이를 검토한 결과, 건대입구역은 10% 수준, 홍대입구역은 7% 수준, 수락산역은 3% 수준의 차이를 보인다.

다만 해당 오차 수준은 공조면적을 평가면적의 단위로 환산하는 과정이 동반되지 않았으므로 오차 검토에 대한 설득력이 부족하다. 일반적으로 시뮬레이션을 통한 건축물 에너지 소요량의 평가는 단위면적당 원 단위 기준으로 평가하기 때문이다. 이에 따라 공조면적에 대한 평가면적 단위로 환산 시, 건대입구역은 –2.91%, 홍대입구역은 –2.02%, 수락산역은 0.12%의 오차를 보이고, 절대오차 비율은 3% 이내이다.

3.1 다중회귀 분석기법을 활용한 예측모형 구축

서울권 내 291개의 도시철도 역사가 존재하고, 다른 지역을 포함하면 712개이다. 시뮬레이션 프로그램을 통한 DB 구축은 절대적인 수량 문제와 다양한 도시철도 역사의 형태로 인하여 모든 경우의 수를 시뮬레이션하는 것이 불가능하며, 비효율적이다. 존재하는 도시철도 역사의 모든 경우의 수를 고려할 수 없다는 것은 시뮬레이션 결과 기반의 의사결정 지원 도구가 신뢰 불가함을 의미한다.

이에 군집 유형 특성에 따라 유형별 대표로 선정한 도시철도 역사의 에너지 시뮬레이션 결과를 바탕으로 다중 회귀분석(Multiple linear regression analysis)을 수행하였다.

도시철도 역사의 에너지성능 산출을 위한 다중 회귀분석은 아래의 순서로 진행하였다. 종속변수의 설정은 에너지 시뮬레이션 수행 시 발생하는 연간 에너지 소요량으로 하였다. 다중 회귀분석 수행을 위한 독립변수는 기계·설비 위주의 변수로 제한하였다. ‘지상층 유무, 지하층 유무, 층 규모, 공조면적, 공조기 이코노마이저 유무, 공조기 열 교환효율, 팬 효율, 펌프 효율, 냉동기 효율, 조명밀도, 침기율’의 총 11개 독립변수를 구성하여 연간 에너지 소요량을 예측하는 다중회귀 예측모형을 도출하였다.

3.2 다중회귀 예측모형의 예측성능 평가

머신러닝 지도학습 기법의 하나인 다중회귀 예측모형에 대한 성능을 평가하는 주요 방법으로는 6가지 평가지표가 존재한다. 6가지의 평가지표는 R2(R-Squared), SSE(Sum Squared Error), MSE(Mean Squared Error), RMSE(Root Mean Square Error), MAE(Mean Absolute Error), MAPE(Mean absolute percentage error) 등이 있다. 본 연구에서는 RMSE를 통하여 판단할 수 있는 SSE와 MSE 결과는 별도로 도출하지 않았다.

R2는 0~1 사이의 수치로 독립변수들의 종속변수에 대한 설명력을 나타낸다. 1에 가까울수록 다중회귀 예측모형의 설명력이 높다. 본 연구에서 학습된 다중회귀 예측모형은 0.978의 설명력을 보이므로 다중회귀 예측모형에 대한 신뢰성 입증이 가능하다. RMSE는 표준편차 공식과 같으므로 실제값을 예측한 수치의 표준편차라고 볼 수 있다. 본 연구에서 RMSE는 589.75로 나타났다. 도시철도 역사의 연간 에너지소비량이 2,000,000kWh/yr 수준이므로 2백만에서 589.75 수준에 해당하는 RMSE 수치는 0.03%의 변동성을 가진다고 해석한다. 이처럼 RMSE는 표본데이터 규모에 영향을 받으므로 종속변수의 단위가 커질수록 RMSE의 단위도 커진다. 따라서 RMSE는 예측모형별 절대적인 수치로 비교 불가능하다. MAE는 에러에 관한 절댓값의 평균을 의미한다. RMSE와의 차이로는 RMSE는 평균 제곱 오차이고, MAE는 평균 절대오차이다. 이로 인해 다중회귀에 따른 예측 안정성을 중시한다면 RMSE로 다중회귀 예측모형을 평가하고, 절대적인 전체 오차 크기가 더 중요하다면 MAE로 다중회귀 예측모형을 평가한다. MAPE는 MAE를 퍼센트로 변환한 것으로, 0~∞(무한)의 값을 가질 수 있다. 0에 가까울수록 우수한 다중회귀 예측모형이라고 판단한다. 본 연구에서 평가된 다중회귀 예측모형의 MAPE 결과는 0.067로 평가되었고, 구축한 다중회귀 예측모형의 신뢰성이 높음을 의미한다.

4.1 웹 기반 데이터 시각화 도구 개발

웹 기반 에너지 사용량 데이터 시각화 및 의사결정 지원 도구의 제작을 위해 개발언어로 Python을 이용하였다. 데이터 시각화를 위한 웹 퍼블리싱은 Streamlit 패키지⁽⁶⁾를 활용하였고, 에너지 사용량 예측모형 구축은 Scikit-Learn⁽⁷⁾ 라이브러리를 이용하였다. Streamlit 패키지는 머신러닝, 딥러닝, 데이터 분석 분야에서의 결과를 웹을 통해 시각화하는 대시 보드 구성 기능을 지원한다. 별도 서버가 필요 없는 Back-end(백-앤드) 리스 형태라는 것이 주요 특징이다. 이러한 특징을 활용하여 웹 퍼블리싱이 용이하고, 웹 형태이므로 다중 접속이 가능하며, 배포와 수정이 쉬운 시각화 도구를 개발하였다.

본 연구를 통해 개발된 웹 기반 데이터 시각화 및 의사결정 지원 도구는 인터넷이 제공되는 환경이라면 웹 링크 소지 시 장소와 관계없이 사용될 수 있도록 작성하였다.

Scikit-learn 라이브러리는 시뮬레이션 결과를 이용한 데이터 학습과 다중회귀 예측모형의 구축 등 데이터 처리 기능을 제공한다. 시뮬레이션의 변경에 따라 데이터 교체 시 실시간으로 예측모형이 수정되도록 구축하여 사용자에게 열린 방식으로 개발되었다.

4.2 에너지 사용량 데이터의 시각화

웹 시각화 대시 보드는 건물 기본정보를 기준으로 건물 개선 전과 후의 변수 입력 시, 다중회귀 예측모형을 통해 에너지성능에 대한 시각화 그래프를 출력한다.

출력한 시각화 그래프는 개선 전과 후의 연간 2차 에너지 사용량에 관하여 Bar-Chart 그래프로 표현된다. 냉방, 난방, 급탕, 환기, 조명의 5개 사용처별 에너지 소요량을 연도별·월별 단위로 결과가 나타나도록 구축하였다.

4.3 ZEB 등급 취득을 위한 의사결정 지원 도구 가이드

본 연구를 통해 개발된 의사결정 지원 도구는 에너지 사용량 데이터를 기반으로 최소 목표치의 ZEB 등급 달성을 위해 필요한 건물 에너지 절감량을 제공한다. 또한, 의사결정 지원 도구로써 개발된 대시 보드는 필요한 건물 에너지 절감량에 따라 신재생 에너지 적용량에 대한 가이드를 제안한다.

의사결정 지원 도구는 ZEB 등급 취득을 위하여 다음과 같이 사용해야 한다. 다중회귀 예측모형으로부터 도출된 건물 에너지 소요량을 기반으로 ZEB 등급 취득 대상이 되는 도시철도 역사의 기본정보를 입력한다. 기본정보로는 도시철도 역사가 위치한 지역, 도시철도 역사 내 실제 공조면적 비율, ZEB 인증 목표 등급을 필수로 입력해야 한다. 사용자가 알고 있는 기본정보 입력 시, ZEB 목표 등급 취득을 위해 필요한 신재생 에너지 발전 용량 수준을 산정하여 안내한다. 산정된 신재생 에너지를 실제 도시철도 역사에 적용하는 경우, 신재생 에너지 적용 전과 후에 대한 개선 효과를 분석하여 Bar-Chart 그래프로 제공한다.