표제지

목차

제1장 서론 14

1.1. 연구의 배경 및 목적 14

1.2. 연구의 범위 및 내용 18

1.3. 선행연구 검토 및 연구의 차별성 21

1.3.1. 선행연구 검토 21

1.3.2. 연구의 차별성 23

제2장 이론적 고찰 26

2.1. 각국의 온열환경 기준 26

2.1.1. 우리나라 온열환경 기준 26

2.1.2. 국외의 온열환경 기준 29

2.2. 쾌적 온도관리 개념 31

2.2.1. 열평형모델(Heat balance model) 31

2.2.2. 예상 온열감 반응 모델의 확장 34

2.2.3. 적응모델(Adaptive model) 36

2.3. 소결 38

제3장 대상건물의 온열환경과 에너지 사용현황 조사 및 분석 40

3.1. 온열환경 조사를 위한 실험개요 40

3.1.1. 측정대상 40

3.1.2. 측정항목 42

3.1.3. 실험조건 44

3.2. 온열환경 분석 50

3.2.1. 하절기 온열환경 50

3.2.2. 동절기 온열환경 51

3.3. 에너지 사용현황 조사를 위한 시스템 설치 55

3.3.1. 국내외 미터링 시스템 설치 현황 55

3.3.2. 에너지 미터링 시스템 구축 방법 63

3.3.3. 미터링 시스템의 적용 65

3.4. 에너지 사용현황 분석 73

3.4.1. 에너지 사용량 분석 73

3.4.2. 데이터 분석을 통한 에너지 효율화 방안 선정 80

3.5. 소결 84

제4장 대상건물의 온열환경 지표를 통한 제어전략 88

4.1. 예상 온열감 반응 지표의 단순화를 통한 제어전략 88

4.1.1. 회귀모델 작성을 위한 데이터 구축 88

4.1.2. 회귀모델 작성 및 단순화 90

4.1.3. 회귀모델 검증 93

4.1.4. 단순 예상 온열감 반응 모델을 통한 실내 온열환경 예측 94

4.2. 재실자 온열반응 데이터를 활용한 제어전략 97

4.2.1. 재실자 온열반응 데이터 필터링을 위한 방법론 97

4.2.2. 재실자 온열반응 데이터의 실시간 활용 효과 101

4.2.3. 재실자의 응답에 의한 예상 온열감 반응 지표 결정요소 108

4.2.4. 재실자 온열반응 데이터에 기반한 공조제어 전략 115

4.3. 실내온도를 통한 제어전략 118

4.3.1. 대상건물의 제어현황 및 문제점 118

4.3.2. 최적 기동/정지 제어에 기반한 제어전략 재수립 120

4.3.3. 제어전략을 위한 모델링 122

4.3.4. 모델 보정 및 검증 129

4.4. 소결 131

제5장 재실자 온열반응 데이터에 기반한 공조제어 적용 및 분석 134

5.1. 시뮬레이션의 적용 134

5.1.1. 시뮬레이션 프로그램 134

5.1.2. 시뮬레이션 설정조건 138

5.2. 제어전략을 통한 에너지 절감 가능성 분석 141

5.2.1. 예상 온열감 반응 지표의 단순화를 통한 제어전략 분석 141

5.2.2. 재실자 온열반응 데이터를 활용한 제어전략 분석 143

5.2.3. 실내온도를 통한 제어전략 분석 145

5.2.4. 결과비교 146

5.3. 기존 공조제어 전략과의 비교 150

5.3.1. 기존 공조제어의 입력데이터 150

5.3.2. 재실자 온열반응 데이터 기반 공조제어의 입력데이터 153

5.3.3. 입력데이터의 비교 및 정리 155

5.4. 소결 158

제6장 결론 160

6.1. 연구 결과 160

6.2. 연구의 한계 및 향후과제 164

참고문헌 166

ABSTRACT 174

부록 : 제어전략 EnergyPlus Runtime Language 178

〈표 2-1〉 실내 온열환경 논문에 근거한 재실자 쾌적환경에 만족하는 실내온도 28

〈표 2-2〉 국내외 온열환경 기준 30

〈표 2-3〉 P.O. Fanger의 주관적 온열감 척도 32

〈표 2-4〉 예상 온열감 반응 기반 제어 논문의 내용·적용방법 및 기준 34

〈표 2-5〉 Expectancy factors for non-air-conditioned buildings in warm climates 36

〈표 3-1〉 대상건물 공조영역 40

〈표 3-2〉 조사에 활용한 미국 공조냉동공학회 온열감 지표 43

〈표 3-3〉 ISO 7730에 기초한 의복의 단열정도 43

〈표 3-4〉 조사에 활용한 ISO 7730 착의량 44

〈표 3-5〉 PMV 측정기기 사양 및 정밀도 45

〈표 3-6〉 재실자 실시간 의견수렴을 위한 설문조사 방법 및 기간 47

〈표 3-7〉 페이퍼 설문조사 내용 49

〈표 3-8〉 외기온도에 따른 실내 공기온도 분포(하절기) 51

〈표 3-9〉 외기온도에 따른 실내 공기온도 분포(동절기) 52

〈표 3-10〉 동절기 후 간절기 동안 재실자의 온열반응 조사 54

〈표 3-11〉 유럽연합의 미터링 시스템 제도 및 설치 현황 59

〈표 3-12〉 모니터링 실측 데이터를 활용한 논문 사례 62

〈표 3-13〉 대상건물의 개요 66

〈표 3-14〉 미국 에너지국 리포트 샘플 및 대상건물 필요 미터링 68

〈표 3-15〉 대상건물의 미터링 시스템 설치 개소 및 위치 69

〈표 3-16〉 미터링 시스템 설계를 위한 고려사항 71

〈표 3-17〉 대상건물의 에너지 사용량 원단위 분석 74

〈표 3-18〉 대상건물의 전력사용량(2011년 7월~2012년 6월) 75

〈표 3-19〉 대상건물의 전력사용량(2012년 7월~2013년 6월) 76

〈표 3-20〉 대상건물의 가스사용량(2011년 7월~2012년 6월) 77

〈표 3-21〉 대상건물의 가스사용량(2012년 7월~2013년 6월) 77

〈표 4-1〉 다중회귀분석을 위한 데이터셋 구축 90

〈표 4-2〉 PMV 평가지표에 따른 값 분포 90

〈표 4-3〉 회귀식의 검증 91

〈표 4-4〉 회귀식을 통한 PMV와 실측 PMV의 종합 비교 93

〈표 4-5〉 공기온도와 복사온도 및 회귀식을 통한 PMV와 실측 PMV 94

〈표 4-6〉 PMV 척도 보정을 위한 BAS 데이터의 활용 95

〈표 4-7〉 외기온도 및 실내공기 온도 분포에 따른 회귀식을 통한 PMV 96

〈표 4-8〉 재실자 온열감 응답 데이터와 오차율 예시(2013.06.26. 10:00) 99

〈표 4-9〉 재실자 온열감 응답 데이터와 오차율 예시(2013.07.10. 13:30) 100

〈표 4-10〉 재실자 온열감 응답 데이터와 오차율 예시(2013.07.09. 16:00) 100

〈표 4-11〉 대표날의 평균·표준편차 및 표준오차 범위 비교 101

〈표 4-12〉 데이터 측정방법과 측정알람 메시지의 유무에 따른 반응비율 102

〈표 4-13〉 데이터 측정방법과 재실자 온열감 상태에 따른 반응비율 104

〈표 4-14〉 단위 체적당 실내 발열밀도에 따른 BAS 온도 보정계수 109

〈표 4-15〉 Thermal insulation for garments and changes of optimum operative temperature necessary to maintain a thermal sensation at light mainly sedentary... 111

〈표 4-16〉 상관계수에 따른 상관계수의 언어적 표현 112

〈표 4-17〉 실내온도와 clo 가중치 적용 전후 PMV 비교 114

〈표 4-18〉 대상건물의 동절기 운영특성 118

〈표 4-19〉 하루 24시간 평균 및 최대/최소 외기온도 평균의 비교 123

〈표 4-20〉 각 날의 대표 외기평균과 3일의 산술평균 값 125

〈표 4-21〉 Acceptable calibration tolerances 129

〈표 4-22〉 모델 보정 및 검증 130

〈표 5-1〉 건물외피와 내부부하 관련된 시뮬레이션 설정조건 138

〈표 5-2〉 기기 관련된 시뮬레이션 설정조건 139

〈표 5-3〉 PMVs 및 PMVintuition의 기존 PMV와 제어 방식 비교 방법(이미지참조) 140

〈표 5-4〉 단순 PMV 회귀분석식을 통한 열쾌적성(공조온도 18℃) 141

〈표 5-5〉 단순 PMV 회귀분석식을 통한 베이스라인 모델 대비 항목별 에너지 절감 비율(End-use) 142

〈표 5-6〉 단순 PMV 회귀분석식을 통한 베이스라인 모델 대비 가스사용량 절감 비율(End-use) 143

〈표 5-7〉 재실자 온열반응 데이터를 통한 열쾌적성(공조온도 18℃) 144

〈표 5-8〉 재실자 온열반응 데이터를 통한 베이스라인 모델 대비 가스사용량 절감 비율(End-use) 144

〈표 5-9〉 실내온도를 활용한 제어전략을 통한 에너지 절감 효과 146

〈표 5-10〉 베이스라인 모델 대비 재실자 온열반응 데이터를 활용한 제어의 효과 148

〈표 5-11〉 절전운전과 재실자 온열반응 기반 공조제어의 입력데이터 비교 156

[그림 1-1] 온열환경 지표를 활용한 사무소 건물의 에너지 효율화 방안 논문의 구성 20

[그림 1-2] 재실자 온열반응에 기반한 제어의 개념 23

[그림 1-3] 온열환경 지표를 활용한 사무소 건물의 에너지 효율화 방안 연구의 차별성 24

[그림 2-1] 열평형모델의 개념도 32

[그림 2-2] 적응모델의 개념도 37

[그림 2-3] 적응모델의 세 가지 적응요소 37

[그림 3-1] 대상건물의 조감도 및 측정대상층 40

[그림 3-2] 대상건물의 기준층평면도(4층) 41

[그림 3-3] 규모에 따른 대상건물의 사무실 내부 전경 41

[그림 3-4] BAS 천정 온도 센서 45

[그림 3-5] BAS 센서 위치 도면 45

[그림 3-6] PMV 측정기기를 활용한 실측데이터의 계측 46

[그림 3-7] 재실자 의견 수집을 위한 휴대용 어플리케이션 화면 47

[그림 3-8] 설문조사 참여실 48

[그림 3-9] 외기온도에 따른 실내 공기온도 분포(하절기) 50

[그림 3-10] 외기온도에 따른 실내 공기온도 분포(동절기) 51

[그림 3-11] 난방기간 동안의 외기온도 평균 53

[그림 3-12] 난방기간 동안의 외기온도와 실내온도의 관계(오전 및 오후) 53

[그림 3-13] 유럽연합의 스마트미터링 설치 및 법 규제 현황 57

[그림 3-14] 미터링 시스템 프로세스 (1단계~3단계) 63

[그림 3-15] 미터링 시스템 프로세스 (4단계~5단계) 63

[그림 3-16] 지하 기계실, 공조실 및 각층 EPS실 분전반 전력량계 설치 69

[그림 3-17] 최종 소비처별 전력사용량 (2011년 7월~2012년 6월) 76

[그림 3-18] 최종 소비처별 전력사용량 (2012년 7월~2013년 6월) 76

[그림 3-19] 최종 소비처별 가스사용량 (2011년 7월~2012년 6월) 77

[그림 3-20] 최종 소비처별 가스사용량 (2012년 7월~2013년 6월) 77

[그림 3-21] 2차에너지 전력 (2011년 7월~2012년 6월) 78

[그림 3-22] 2차에너지 전력 (2012년 7월~2013년 6월) 78

[그림 3-23] 2차에너지 가스 (2011년 7월~2012년 6월) 78

[그림 3-24] 2차에너지 가스 (2012년 7월~2013년 6월) 78

[그림 3-25] 1차에너지 전력 (2011년 7월~2012년 6월) 79

[그림 3-26] 1차에너지 전력 (2012년 7월~2013년 6월 79

[그림 3-27] 에너지 제 1소비처 (2011년 7월~2012년 6월) 80

[그림 3-28] 에너지 제 1소비처 (2012년 7월~2013년 6월) 80

[그림 3-29] 가장 추운날과 가장 따뜻한 날의 온도 분포 81

[그림 3-30] 가장 추운날과 가장 따뜻한 날의 전력 및 가스사용량 82

[그림 4-1] 공기온도와 복사온도의 차이 94

[그림 4-2] 회귀식을 통한 PMV와 실측 PMV 오차 94

[그림 4-3] 외기온도에 따른 회귀식을 통한 PMV 95

[그림 4-4] 측정알람 메시지의 유무에 따른 반응비율 103

[그림 4-5] 재실자 온열감 상태에 따른 반응비율 104

[그림 4-6] 측정알람 메시지 후 반응시간 106

[그림 4-7] 재실자 온열반응 데이터 유효값의 한계 106

[그림 4-8] 측정알람 메시지 후 1시간 이내 반응시간 106

[그림 4-9] 측정알람 메시지 후 시간별 응답 분포 107

[그림 4-10] 측정알람 메시지 후 시간별 응답 비율 107

[그림 4-11] 실내 밀도에 따른 온열환경의 차이(보정 전) 109

[그림 4-12] 실내 밀도에 따른 온열환경의 차이(보정 후) 110

[그림 4-13] 실내온도와 clo 가중치 적용 전후 PMV 비교 113

[그림 4-14] 재실자 직관 PMV와 단순 회귀식을 통한 PMV의 관계 115

[그림 4-15] aPMV 공식 적용 후 재실자의 직관 PMV와 단순회귀식을 통한 PMV의 관계 117

[그림 4-16] 보일러 두 대의 일일 스케줄(2012년 2월) 119

[그림 4-17] 난방기기 운영에 따른 전력사용량 119

[그림 4-18] A typical room air temperature curve according to load conditions 120

[그림 4-19] 최적 기동/정지 제어에 기반한 제어전략 재수립 121

[그림 4-20] 동절기 외기온도의 변화 122

[그림 4-21] 외기온도의 주기 변화 124

[그림 4-22] 실내온도와 시간당 온도 변화량 126

[그림 4-23] 온도변화 추이(Phase 1; 보일러 시작 후 재실시간 전) 127

[그림 4-24] 온도변화 추이(Phase 2; 재실 후부터 점심시간 전) 127

[그림 4-25] 온도변화 추이(Phase 3; 점심시간 후) 128

[그림 4-26] 온도변화 추이(Phase 4; 점심시간 및 재실 종료 후) 128

[그림 4-27] 시뮬레이션과 실측값의 오차 범위 130

[그림 5-1] EnergyPlus - the big picture 136

[그림 5-2] Architecture of the BCVTB with the EnergyPlus client(black) and other clients(grey) 137

[그림 5-3] 단순 PMV 회귀분석식을 통한 베이스라인 모델 대비 가스사용량 절감 비율(End-use) 143

[그림 5-4] 재실자 온열반응 데이터를 통한 베이스라인 모델 대비 가스사용량 절감 비율(End-use) 145

[그림 5-5] 실내온도를 활용한 제어전략을 통한 시뮬레이션 결과 및 잠재 에너지 절감 시간 146

[그림 5-6] 베이스라인 모델 대비 제어전략 효과분석 결과 147

[그림 5-7] 베이스라인 모델 대비 재실자 온열반응 데이터를 활용한 제어의 효과 148

[그림 5-8] 검토된 공조제어 전략의 비교 149

[그림 5-9] 절전운전의 비교 152

[그림 5-10] 응답시간에 따른 유효값의 한계 153

[그림 5-11] 유효값 15분 이내의 재실자 응답 153

[그림 5-12] 필터값 오류범위 ±3% 이내의 재실자 응답 154

[그림 5-13] 재실자 온열반응 데이터를 기반으로 한 공조요구 온도 154

[그림 5-14] 재실자 응답데이터를 기반으로 한 공조제어 전략 157

 Energy conservation has become the most important issue throughout the world. The building sector is a particularly efficient area for making energy reduction. In South Korea, the government has recently enforced regulations associated with buildings. Temperature restriction in indoor environment is one of the common ways of energy reduction in order not to dissipate heating and cooling energy; however the people who are in restricted temperature feels uncomfortable. It is commonly deepened when rooms cannot be controlled individually. Furthermore it is intensified in intermittent operation period which the mean outdoor air temperature begins to be higher than average in South Korea.

The Predicted Mean Vote (PMV) model has used to control for thermal comfort, which is based on clothing insulation, metabolic rate, and four environmental parameters: air temperature, mean radiant temperature, air speed, and relative humidity. It is complex and limited because it requires a number of measurement indices. So Richard et al. developed thermal sensor which can control all variables; however it is still complex and constraint matter. Furthermore, occupants cannot feel the same thermal sensation even they are in the same space. For the reason, occupants should express their thermal sensation and HVAC system should be able to apply their demand. It is proved by an adaptive principle. The adaptive model means that people react in ways which tend to restore their comfort, when change occurs such as to produce discomfort. In this study, we integrated three determinant factors of adaptive model (behavioral, physiological, and psychological adjustment) with individual intuitive thermal sensation and connected it with the minimal factor of environment indices. In order to find the minimal factors, we analyzed major variables of PMV and simplified the parameters in order to implement without additional cost or equipment like sensors. Finally, we reviewed how much the method could save energy and promote thermal comfort.

At first, we designated an existing office building as a reference building to gather data from actual field and to describe simplified PMV equation. The building has been operating for 13 years since construction. We regarded that equipment repair or maintenance is needed now that building's deterioration is commonly intensified between 10 to 15 years. We investigated energy usage of the reference building through metering system. We also metered environmental parameters by using PMV meter and organized the gathered data, which two values were fixed as 1.2 met for a seated/quiet position and 1.0 clo for average clothing in winter. We surveyed occupants' thermal sensation in the reference building with two types of questionnaire: paper and cellular phone application.

We designed regression PMV model with three parameters: air temperature, mean radiant temperature, and relative humidity. We simplified the equation in order of lower influence. In order to understand influence among parameters, we sorted significant variables by using standardized regression coefficients. Finally the simplified PMV can be summarized in two environmental factors. We evaluated that the simplified PMV is reasonable, which is difference between two factors is only 0.01.

We also designed intuition PMV model with one parameters and two intuition factors: occupants' thermal sensation and clothing insulation. We filtered occupants5 thermal sensation data with Kalman's filter method. The data is reasonable when there is an alarm message for asking questionnaire. The response ratio is different in occupants' thermal condition. In conclusion, the filtered occupants' thermal sensation can be used as a real time HVAC control and input value of HVAC control.

We designed numerical modeling by using hourly temperature difference during heating period. We could use the method if we cannot acquire occupants' thermal sensation.

In order to appraise the benefits, we used an energy analysis and thermal load simulation program named EnergyPlus (ver.7.0) and Energy Management System (EMS) logic in the program. We modeled the reference building and revised it with a guideline in ASHRAE standard. In addition, we compared the simplified PMV control and intuition PMV control with a control based on room temperature.

As a result the intuitive PMV control benefits from 7.4% of thermal comfort and 5.6% of energy reduction compared to room temperature control.