선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구는 건물성능디자인을 위한 환경 및 에너지 시뮬레이션을 위해 국내에서 사용할 수 있는 국내의 모든 지역의 기상데이터를 제공하는 미기후기반 GBS VWS, Meteonorrm 기상데이터를 검토하기위해 기존에 사용되고 있는 기상데이터인 DOE 와 학회의 기상데이터를 비교한다. 하지만 현재 국내에 제공되는 DOE 기상데이터가 인천, 강릉, 울산, 광주 4개 지역뿐인 관계로 4개 지역의 기상데이터만을 비교 검토 한다.
- 하지만 이 기상데이터에 대한 검토는 아직까지 이루어지지 않고 있다. 이런 이유로 본 연구에서는 상기의 기상데이터와 기존의 기상데이터의 비교분석을 통한 결과를 제시하여, 건축 설계자에게 기상데이터선택을 위한 자료를 제공함을 목적으로 한다.
제안 방법
- 비교대상 기상데이터들은 시간 단위 데이터를 제공하며, 각 기상요소의 데이터의 총 수는 8760개이다. 또한 DOE 기상데이터는 제공형식이 고유의 포맷인 EPW인 관계로 Autodesk 의 Weather Tool을 이용하여 변환 하였다.
- 이를 기준으로 하면, 학회 기상데이터만 산란일사량이 누락된다. 또한 학회의 기상요소 중 일사량관련 측정단위 및 풍향의 측정단위가 다른 기상데이터와 상이하므로 변환을 통하여 통일 하였다.
대상 데이터
- TMY는 1948∼1980년간, TMY2는 1961∼1990년간, TMY3는 1976∼2005년간의 데이터를 사용하고 있다.13) TMY2 데이터는 DOE의 홈페이지에서 Energy Plus용 기상데이터 포맷인 epw형태로 제공받을 수 있으며, 전 세계 2100개 지점14)의 기상데이터를 제공하고 있다. 한국은 인천, 강릉, 광주, 울산의 4개 지점의 데이터를 제공하고 있다.
- 각각의 기상데이터를 비교하기위해 차이가 가장 적게 나타나는 인천의 8월3일 데이터를 1시부터 24시까지의 시간별 데이터를 비교 했다.
- 기상데이터의 작성을 위해서 중요한 요소는 관측 기상데이터이다. 본 연구에 사용된 기상데이터의 경우 학회의 기상데이터와 같이 국내에서 작성된 기상데이터의 경우는 기상청 관측소의 기상데이터를 사용하고 있으며, 해외에서 제작된 기상데이터들은 WMO(World Meteorological Organization)에 등록된 국내 기상 관측소의 측정 데이터를 사용하고 있다. 현재 기상청의 기상관측소의 위치는 103개, WMO에 등록된 기상관측소의 위치는 114개 이다8).
- 건물성능 시뮬레이션을 위한 기상데이터는 관측된 기상데이터를 통계적 처리를 이용하여 표준 기상데이터로 산출한 결과 이며, 이를 위한 산출방법으로는 TMY, TRY 등이 사용되고 있다. 본 연구에서 비교대상으로 사용되는 기상데이터는, TMY, TRY, MM510), RUC(Rapid Update Cycle)를 이용하여 산출된 데이터이며, 각각의 방법은 계산을 위해 사용하는 필요관측기상데이터 기간의 차이가 발생함에 따라 서로 다른 특성을 가지고 있다. 학회의 기상데이터의 경우 TRY를 사용한 이유가 국내 기상청의 관측 기상데이터가 TMY를 위한 30년 데이터를 제공하지 못한 이유로 유추 할 수 있다.
- 본 연구에서는 단순화를 위해서 Autodesk사에서 현재까지 무상으로 제공하고 있는 Vasari20)라는 소프트웨어를 사용 하였다. Vasari에서 건물의 매스를 작성한 후 에너지 분석을 실행하면 자동으로 GBS에 프로젝트로 저장되며, 분석결과가 저장 되며, 이 방법은 비교적 간단하게 기상데이터를 입수 할 수 있도록 한다.
- 비교대상 기상데이터는 실제관측데이터를 통계처리(TMY2 와 TRY)를 통해서 작성된 기상데이터와 위치 보간법과 수치기상모델(MM5)을 이용하여 작성된 미기후 기반 기상데이터 두 가지 종류로 구분할 수 있다.
- 비교대상 기상데이터들은 시간 단위 데이터를 제공하며, 각 기상요소의 데이터의 총 수는 8760개이다. 또한 DOE 기상데이터는 제공형식이 고유의 포맷인 EPW인 관계로 Autodesk 의 Weather Tool을 이용하여 변환 하였다.
- 본 연구는 건물성능디자인을 위한 환경 및 에너지 시뮬레이션을 위해 국내에서 사용할 수 있는 국내의 모든 지역의 기상데이터를 제공하는 미기후기반 GBS VWS, Meteonorrm 기상데이터를 검토하기위해 기존에 사용되고 있는 기상데이터인 DOE 와 학회의 기상데이터를 비교한다. 하지만 현재 국내에 제공되는 DOE 기상데이터가 인천, 강릉, 울산, 광주 4개 지역뿐인 관계로 4개 지역의 기상데이터만을 비교 검토 한다.
- 현재 국내에서 사용가능한 미기후를 위한 기상데이터로는 해외에서 개발된 데이터 및 방법이 있다. 현재 이용 가능한 데이터 및 방법은 미국 Autodesk사의 GreenBuilding Studio6)(이하 GBS)의 Virtual Weather Station(이하 VWS)이라는 기상데이터 및 스위스의 Meteotest사의 Meteonorm7)을 이용하여 작성되는 기상데이터가 있다. 이 방법들은 기존의 기상데이터 구축방법인 TMY(Typical Meteorological Year)와 TRY(Test Reference Year)의 방법을 사용 하지 않고 새로운 방법을 사용 하여 미기후 기반의 기상데이터를 제공한다.
- 현재까지 국내에서 사용 가능한 기상데이터는 출처가 불명확한 서울과 대전의 데이터, 미국에너지부(Department of Energy : 이하 DOE)에서 Energy plus용으로 제공하는 인천, 강릉, 광주, 울산 4개 도시의 데이터1), 공기조화냉동공학회에서 작성한 국내 13개 도시의 데이터2) 그리고 한국태양에너지학회(이하 학회)에서 작성한 국내 11개 주요도시의 기상데이터3)가 있다. 이러한 기상데이터들은 전국의 특정 지점들의 기후만을 대표하는 기상 데이터로서 발생할 수 있는 다양한 기후변화 및 기후차이를 반영하지 못하는 한계를 지니고 있으며, 각각의 기상데이터의 기후요소들이 차이가 있어 일반 건축 설계자가 그 내용을 파악하기가 어렵다.
데이터처리
- 통계처리를 통하여 기존의 기상데이터와의 비교를 수행 하였으며, 각각의 기상데이터는 인과관계를 가지고 있는 것이 아니라 상관관계를 가지고 있다는 전제하에 비교대상 기상데이터가 서로 독립적인지 아니면 상관관계를 가지고 있는지를 분석하기 위하여 상관관계 분석방법을 사용 했으며, 상관관계 분석 방법 중 피어슨 상관계수(Pearson correlation coefficient)를 이용하여 기상데이터 간의 선형적 상관관계를 파악한다. 분석은 각각의 기상데이터를 지역별, 기상요소별로 분류하여 상관관계분석을 이용하여 기상데이터간의 비교를 수행한다.
- 상관관계분석을 위하여 피어슨 상관계수(Pearson correlation coefficient)분석 방법을 사용 하였으며, 지역별로 각 기상데이터의 기상요소간의 상관계수를 도출하여, 각각의 데이터가 어느 정도의 선형적 상관관계를 가지고 있는지 분석하였다. 결과 해석의 기준은 다음과 같다25).
- 통계처리를 통하여 기존의 기상데이터와의 비교를 수행 하였으며, 각각의 기상데이터는 인과관계를 가지고 있는 것이 아니라 상관관계를 가지고 있다는 전제하에 비교대상 기상데이터가 서로 독립적인지 아니면 상관관계를 가지고 있는지를 분석하기 위하여 상관관계 분석방법을 사용 했으며, 상관관계 분석 방법 중 피어슨 상관계수(Pearson correlation coefficient)를 이용하여 기상데이터 간의 선형적 상관관계를 파악한다. 분석은 각각의 기상데이터를 지역별, 기상요소별로 분류하여 상관관계분석을 이용하여 기상데이터간의 비교를 수행한다.
이론/모형
- Energy Plus의 경우 기상데이터가 제공하지 않는 지점의 기상데이터에 대한 처리방법으로 Meteonorm의 사용을 제시하고 있다. Meteonorm은 가까운 곳의 TMY2 데이터를 이용하여 외삽법(Extrapolation)을 이용하여 생성한다. 만약 근처에 참조를 할 기상데이터가 없다면 가장 가까운 곳의 TMY2 데이터를 이용하여 보간법을 통해 시간 데이터를 생성해낸다15).
- GBS VWS의 경우 다른 기상데이터와는 산출방법상에 차이가 있다. 즉, GBS VWS가 사용하는 산출방법은 RUC16)와 MM5 두 가지 중기후(mesoscale climate)시뮬레이션용 기상수치모델을 사용한다. RUC모델은 관측된 데이터의 오류나 누락을 보정하지 않는 관계로, GBS VWS에서는 MM5 모델을 오류나 누락데이터를 보정 또는 보간 하는 용도로 사용하고 있다17).
성능/효과
- 분석결과 중 풍향과 운량의 경우에서 유의하지 않은 경우가 나왔으며, 그 이외의 경우에는 모두 유의확률 0인 유의한 결과가 나왔다. 유의하지 않은 결과는 다음과 같다.
- 광주, 울산의 경우 편차가 보이지 않으나 인천에서는 DOE와 비교 시 편차를 보이고 있으며, 강릉에서는 학회와 비교 시 편차를 보이고 있다. 전체적으로 GBS VWS가 Meteonorm에 비해서 상관계수가 약간 높게 나타나고 있다.
- 8 사이 이며, 특히 울산에서 GBS VWS와 학회를 비교 했을 때, 강한 양적 상관관계가 있음을 보여주고 다른 경우에는 뚜렷한 양적 상관관계를 보여준다. 전체적으로는 지역 간의 편차는 미미한 것으로 보이며, GBS VWS가 Meteonorm에 비해 상관계수가 높게 나타나고 있다.
- 이 산점도를 통해 각각의 기상요소들의 선형상관관계를 확인할 수 있으며, 전반적으로 양적 선형 상관관계를 보임을 알 수 있다. 특히 건구온도와 노점온도의 경우 상관계수가 다른 기상요소에 비해 높게 나타나며, 강한 양적 상관관계를 보임을 확인할 수 있다. 이에 비해 다른 기상요소들은 상관계수가 낮게 나타나며, 온도계열에 비하여 약한 상관관계를 보이고 있다.
후속연구
- 학회의 경우 신뢰성 검토에 사용된 기상요소는 건구온도와 풍속에 대해서만 수행한 것으로 나타나 있다28). 이 부분에 대한 추가 연구도 필요 할 것이다.
- 향후 연구에서는 상기의 기상데이터를 이용하여 실제 건물성능의 차이를 비교 및 분석할 필요가 있으며, 좀 더 정확한 분석을 위해서는 기존 건물을 대상으로 실제 건물성능과 시뮬레이션 상에서의 건물성능의 차이를 비교해야 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.