BEMS 데이터를 이용한 HVAC 진단 프레임워크의 적용 사례 연구 = A Case Study on the Application of an HVAC Diagnostic Framework Using BEMS Data

국문 초록 (Abstract)

본 연구에서는 BEMS로부터 수집된 실시간 냉방 운영 데이터를 기반으로 건물의 운영 현황을 진단하고, 효율화 방안을 도출하는 데이터 기반 분석 프레임워크를 제안하였다. 제안된 프레임워크는 데이터 전처리, 적응형 쾌적 모델 기반의 상태 진단, 과냉 원인 분석 및 운영 효율화 전략 제시의 3단계로 구성된다. 제안한 프레임워크를 실제 운영 중인 제로에너지빌딩에 적용하여 분석한 결과 과냉이 지속적으로 높은 비율로 발생하는 공간이 존재하는 것으로 진단되었다. 분석 결과 과냉방이 단순한 일회성 오류가 아니라 건물의 정적인 제어 스케줄과 동적 부하 변화에 적응하지 못하는 시스템의 한계에서 비롯된 체계적이고 예측 가능한 문제임을 확인할 수 있었다.
본 연구에서는 기존에 단순한 모니터링 목적으로 사용되던 BEMS를 진단과 제어 개선을 위한 도구로 전환할 수 있는, 검증되고 재현 가능한 방법론을 제시하였다. 이는 ‘데이터는 풍부하지만 정보는 빈곤한’ 상태를 극복하고, 건물 관리자가 기존 인프라를 활용하여 운영 효율을 극대화할 수 있는 방법을 제시한다는 의미가 있다.
특히 적응형 쾌적 모델을 진단을 위한 동적 임계값으로 활용한 것은 기존의 정적인 진단 방식에서 벗어나 외부 환경과 재실자 쾌적 기대치 사이에서의 동적인 진단을 할 수 있다는 데 의미가 있다. 이를 통해 기존에 ‘일률적으로 공급’하던 냉방을 ‘필요한 냉방’을 하는 방식으로 전환할 수 있다. 또한 문제 발생 이후 대응하는 수동적인 사후 관리에서 벗어나 비효율이 발생하는 공간, 환경, 원인을 정확히 분석함으로써 선제적으로 운영데이터 기반으로 제어를 개선하는 것을 가능하게 한다.
본 연구는 BEMS 데이터 기반 진단 프레임워크의 실효성을 제시했음에도 불구하고, 다음과 같은 한계를 지닌다. 첫째, 연구 범위의 한계이다. 본 연구는 특정 기간 동안 단일 건물(EHP 시스템)만을 대상으로 하였기에, 여기서 도출된 과냉 패턴과 임계값들은 대상 건물의 고유한 특성을 반영한다. 따라서 본 결과를 다른 용도, 구조, HVAC 시스템을 가진 건물에 직접 적용하여 일반화하기는 어렵다. 둘째, 진단 기준의 한계이다. 진단에 활용된 적응형 쾌적 모델은 대규모 현장 연구 기반의 통계적 표준이다. 이는 에너지 효율 진단을 위한 객관적 벤치마크로서는 유효하나, 분석 대상 건물에 상주하는 특정 재실자의 고유한 주관적 쾌적 선호도를 완벽하게 반영하지는 못할 수 있다. 셋째, 방법론 검증의 한계이다. 분석을 통해 도출된 운영 개선안을 실제 시스템에 적용하여, 에너지 절감량 및 쾌적도 개선 효과를 정량적으로 검증하는 단계까지는 이르지 못했다.
따라서 향후에는 제안된 프레임워크를 다양한 HVAC 시스템과 건물 유형에 확대 적용하여 방법론의 강건성을 확보하고, 실제 제어 로직에 개선안을 적용하여 그 효과를 실증하는 후속 연구가 필요하다.

다국어 초록 (Multilingual Abstract)

Building Energy Management Systems (BEMS) generate significant operational data, but this data is often underutilized for basic monitoring and does not lead to meaningful improvements in operational efficiency. This passive use of data results in unnecessary energy consumption and reduced occupant comfort, with overcooling being a common HVAC inefficiency. This study introduces a three-phase analytical framework that utilizes BEMS data to systematically diagnose overcooling issues and provide actionable operational recommendations. The framework consists of: (1) Data Preparation, (2) Problem Diagnosis, and (3) Operation Guidance. The main contribution is the causal identification of temporal patterns, spatial distribution, and root causes of overcooling through statistical analysis and data mining techniques. These insights are translated into conditional execution rules that enable non-expert operators to implement solutions. An application of this framework to summer cooling data from a Zero Energy Building revealed that overcooling occurred during 70.7% of cooling operation hours. Root cause analysis indicated that overcooling is a systematic issue, with hourly patterns correlated to external environmental conditions. This research offers managers a practical methodology to improve energy efficiency and occupant comfort by transforming passive BEMS data into actionable control strategies.