건물부문 온실가스 저감을 위해서는 전체 건물의 47.2%를 차지하는 주거용 건물의 대응이 요구된다. 이를 위해서는 건물의 물리적 성능의 지속적인 향상을 통한 신축에 대한 대응뿐만 아니라 다수의 기존 건물에 대한 기술적, 제도적 대응책이 마련되어야 한다. 특히 에어컨 보급률의 빠른 상승 추세와 함께 지속적으로 증가하는 전력사용량에 대해 다각도로 대응이 요구된다. 이를 위해서는 주거용 건물에서 소비되는 냉방에너지에 대한 정보 기반이 마련되어야 한다. 에너지의 거시적인 분석 측면에서 보면, 정보의 부족으로 가구부문의 용도별 에너지 구분이 어려운 상태이며, 이로 인해 주거용 냉방에너지소비량 평가가 이루어지지 않거나 과소 추정되고 있다. 미시적으로는 시뮬레이션 수행 시 관련 정보의 부족은 예측된 에너지사용량과 실제 에너지 사용량 사이에 차이를 유발하게 된다.
본 연구는 이러한 배경 하에 두 가지 목적을 갖는다. 첫 번째 연구목적은 국내 주거용 건물의 에어컨 사용 행태를 이해하는 것이다. 주거용 건물에서 거주자의 에어컨 사용 행태는 문화적, 기후적, 사회적 특성의 영향을 받는다. 그렇기 때문에 국가별 혹은 지역별로 상이할 수 있다. 국내의 경우 에어컨 사용 행태 정보를 수집하고 상세 분석한 사례가 전무하다. 국외 역시 관련 연구가 많이 이루어지지 않았으며, 대부분 단편적 연구결과의 서술에 한정되어 있다. 이러한 연구현황에 있어 국내의 에어컨 사용 행태를 수집 및 분석함으로써 향후 행태연구의 기반을 마련하고자 하였다. 두 번째 목표는 냉방기기 사용을 예측하며, 이를 활용하여 거주자 행태가 반영된 건물에너지 분석을 실시하는 것이다.
위와 같은 목표를 달성하는데 있어 연구는 4단계로 진행되었다: 대상선정 및 데이터 수집, 행태정보 분석, 행태 예측, 데이터 분석 툴과 건물에너지 분석 툴의 통합 시뮬레이션.

(1) 대상선정 및 데이터 수집
기존 연구들을 통해 거주자의 에어컨 사용행태에 영향을 미칠 수 있는 요인들을 선별하고, 물리적 환경요인에 의해 행태 분석 및 예측이 가능하도록 제한조건에 따라 대상세대를 선정하였다.
선정된 대상세대로부터 실내 온습도, 재실 정보, 창 개폐 상태 그리고 에어컨 사용 정보가 수집되었으며, 실외 온습도와 일사량, 그리고 통합 대기질 지표는 각각 기상청과 환경부 제공정보를 활용하였다. 에어컨 사용 정보의 경우 에어컨 리모컨 조작 시의 적외선 신호를 수집함으로써 온오프뿐만 아니라 기존 연구들에서 수집되지 못한 설정온도, 풍량, 기타 기능에 대한 수집이 가능하였다.

(2) 물리적 환경요인에 의한 행태정보 분석
행태 분석 및 예측은 수집된 데이터 중에서 재실 상태가 유지되는 경우를 대상으로 각 세대별로 각각 진행되었다. 우선적으로 데이터 수집기간동안의 물리적 환경요인에 대한 분석을 실시하였으며, 대상 세대별 에어컨 사용 행태정보로써 에어컨 조절 빈도(온오프, 설정온도, 풍량), 재실 상태를 고려한 에어컨 사용률, 그리고 설정온도에 관해 분석을 실시하였다.
물리적 환경요인과 온오프 발생 시점을 함께 분석한 결과를 기반으로, 본 연구에서는 행태 발생 시점이 아닌, 각 시점에서의 에어컨 온오프 상태를 예측을 진행하였다. 다음으로 재실비율과 에어컨 사용률 비교를 통해 재실중심의 에어컨 운영이 아닌 물리적 환경요인에 근거한 에어컨 운영의 필요성을 확인하였다. 에어컨 설정온도의 경우 본 연구에서 확보된 데이터만으로는 예측이 불가능한 것으로 판단되었으며, 수집된 설정온도 데이터의 분포를 분석 한 결과 거주자의 특성에 따라 분포 역시 달라져야 함을 확인하였다.

(3) 에어컨 온오프 상태 예측 모델 개발
다음으로 행태모델을 건물에너지 분석 시 반영하기 위해서는 에어컨 운영에 대한 정보가 도출되어야 한다. 본 연구에서는 각 시점에서의 에어컨 온오프 상태 예측을 실시하였다. 이 때 예측 방법에 있어서 로지스틱 회귀모델, 랜덤 포레스트, 그리고 서포트 벡터 머신 기법에 대해 비교 검토되었다.
각 알고리즘에 의한 에어컨 온오프 상태 예측 성능은 F-measure, Cohen’s Kappa, 그리고 온오프 빈도를 기준으로 평가되었으며, 최종적으로 각 세대별로 가장 예측성능이 우수한 알고리즘을 선정하였다. 그 결과 세대에 따라 랜덤 포레스트와 서포트 벡터 머신이 예측 알고리즘으로 상이하게 선정되었으며, 변수들의 영향력 또한 세대별로 상이하였다.

(4) 데이터 분석 툴과 건물 에너지 분석 툴의 통합 시뮬레이션
거주자의 에어컨 사용 행태는 실내 온열환경을 변화시키고, 변화된 온열환경은 거주자의 다음 행태를 결정하는데 영향을 미친다. 즉, 거주자의 행태와 실내 온열환경, 그리고 그에 따른 건물에너지는 유기적으로 연계되어 있다. 반면 앞서 세대별로 선정된 에어컨 온오프 예측 알고리즘은 데이터 분석 툴인 R(R Studio)에서 구현되며, 예측 결과를 반영하여 EnergyPlus에서 건물에너지가 분석된다. 즉 거주자의 행태를 반영하여 냉방에너지를 분석하기 위해서는 행태 분석 툴과 건물에너지 해석 툴의 통합이 요구된다. 본 연구에서는 BCVTB상에서 R과 EnergyPlus의 각각의 입출력 파일이 연동되는 방식으로 두 개의 툴이 통합되었다.
세대별 행태모델을 표준 주거용 세대에 적용하여 냉방에너지 변화를 비교검토 한 결과, 설정온도가 증가함에 따라 모든 행태모델에 대해서 냉방에너지소비량이 감소하였으나, 예측된 에어컨 운영 결과와 행태 모델들 간의 격차에 대한 경향성은 발견되지 않았다.

그동안 주거용 건물 거주자 행태는 국내뿐만 아니라 국외에서도 그 복잡성과 데이터 수집의 어려움으로 잘 다뤄지지 않았으나, 냉방에너지 예측의 정확성 향상과 에너지 절감 방안의 구체적 마련을 위해서는 거주자의 냉방기기 사용 행태에 관한 연구가 진행되어야만 한다. 본 연구는 이와 같은 목적을 달성하기 위한 초기 연구로써, 행태 연구 단계별로 도출된 연구결과는 향후 연구에 큰 도움이 될 것으로 기대된다.

To decrease the amount of carbon greenhouses gases produced by buildings, actions on residential buildings?47.2% of all buildings?is imperative. This requires not only the development in the physical performance of buildings through new constructions but also technological and policy measures for a large number of existing buildings. In particular, the continued energy use accompanied by the rapid rise of AC(Air Conditioner) ownership implies the need for multi-faceted countermeasures. To this end, the data on the cooling energy consumed by residential buildings need to set the foundation. From a macro perspective of energy analysis, the lack of data makes it difficult to discern household energy use according to purpose, resulting in the complete lack or underestimation of cooling energy use. From a micro perspective, the lack of relevant data when conducting simulations causes differences between predicted energy use and real energy use.
Against this backdrop, this study has two purposes. The first is to understand the AC use behavior of residential buildings in Korea. AC use of occupants in residential buildings is impacted by factors of culture, climate, and society, causing differences according to countries or regions. In the case of Korea, there are no studies that collected data related to AC use and analyzed it in detail. Even in other countries, there have only been a handful of studies, most of which are limited to outlining a narrowly-focused research. This study hopes to provide a basis of future behavior studies by collecting and analyzing AC use behavior data in Korea. The second purpose is to predict AC use, so as to conduct building energy analysis that reflects occupant behavior.
To this end, this study was carried out in four steps: selection of subject household and data collection, behavioral data analysis, behavior prediction, and an integrated simulation of data analysis tool and building energy analysis tool.

(1) Subject selection and data collection.
Variables that may affect the residents’ AC use behavior were extracted using existing studies, and subject households were selected according to conditions that would allow a behavioral analysis and the prediction of behaviors caused by physical environmental variables.
Data on indoor temperature and humidity, occupation status, window operation, and AC use were collected from subject households. For outdoor temperature and humidity, solar radiation levels, and air quality index, this study used data provided by the Meteorological Association and the Ministry of Environment, respectively. For data on AC use, the infrared signals from the remote-control operation were collected, enabling the collection of not only on/off operation but also those on set-point temperature, wind volume, and other functions.

(2) Behavioral analysis of physical environmental variables
Behavior analysis and predictions were conducted for data from resident occupancy periods for each household. An analysis based on the environmental variables during the data collection period was conducted, followed by the analysis of AC operation frequency (on/off, set-point temperature, wind volume), AC use based on occupancy, and set-point temperature.
Based on the results of the analysis that factored in environmental variables and the point of on/off operation, this study aimed to predict not when the behavior occurs, but the on/off state at each point in time. Next, the occupancy rate and AC use were compared to establish the need to conduct a study of AC use based on environmental factors rather than resident occupancy. The AC set-point temperature, it could not be predicted with only the data collected for this study, and the analysis of the collected set-point temperature data distribution found that the distribution needs to be changed according to the occupant characteristic.

(3) Development of the AC ON/OFF state prediction model
To apply the behavioral model to building energy analysis, the AC operation data needs to be extracted. This study conducted an on/off state prediction for each time period. The logistic regression model, random forest, and support vector machine method were selected as the prediction method, a comparative analysis of which followed.
The performance of AC state prediction by each algorithm was assessed using F-measure, Cohen’s Kappa, and on/off frequency. Based on the assessment, the algorithm that showed the best performance was selected for each household: the prediction algorithm differed depending on the household?random forest and support vector machine?and the influence of variables differed for each household, as well.

(4) Integrated Simulation of Data Analysis tool and the building energy analysis tool
Occupant AC use behavior changes the indoor thermal environment, and the changed thermal environment impacts the occupant behavior that follows. That is, the occupant behavior, indoor thermal environment, and the building energy that follows are organically linked to one another. On the other hand, the AC on/off prediction algorithm selected for each household was realized in R (R Studio), a data analysis tool, the results of which were used in EnergyPlus to assess the building energy. Hence, calculating the cooling energy according to occupant behavior requires the integration of behavior analysis tool and building energy assessment tool. For this study, the integration was done by linking the R-value on BCVTB and the input and output of EnergyPlus.
Comparing the cooling energy change after applying the behavior model of each household to a standard household revealed that the increase of set-point temperature resulted in the decrease of cooling energy consumption for all model. The expected tendencies in the gap between AC use results and the behavioral model were not present.

So far, the complexity of the study and difficulty in collecting data resulted in the scarcity of studies investigating the occupant behavior of residential buildings both within and outside Korea. Nonetheless, to enhance the accuracy of cooling energy prediction and the development of specific methods to reduce energy use, a study of occupants’ AC use is necessary. This study is a preliminary study to such an end, and the results that derived the results according to the stages of behavioral analysis is expected to contribute greatly to future studies.