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 연구의 내용적 범위는 공동주택의 특성 및 에너지 사용량 데이터베이스를 구축하고, 특성과 에너지 사용량 기반의 군집을 형성하는 것이다. 다시 말해서, 공동주택 단지의 개선여부를 결정하기 위한 의사결정 지원 도구 개발에 활용될 수 있는 공동주택 분류체계를 구축하는 것이다. 이 때, 분류체계를 구성하는 개체를 세대 단위, 동 단위, 단지 단위 등으로 설정할 수 있는데, 국내의 공동주택 개선 사업에서는 일반적으로 단지 단위의 의사결정이 이루어지는 것을 감안하여, 각 단지를 하나의 개체로 하여 분류체계를 개발하였다.
- 따라서 본 연구에서는 기존 공동주택들의 프로젝트 특성 및 각종 에너지 사용량 데이터베이스를 구축하고, 통계적 기법을 활용하여 에너지 사용량 기반의 군집을 형성함으로써 공동주택 개선단계에서의 의사결정 기준으로 활용할 수 있는 공동주택 분류체계를 개발하는 것을 목적으로 한다.
- 본 연구에서는 노후 공동주택의 개선 과정에 있어 현재로서는 거의 전무한 개선여부 의사결정을 지원하는 도구를 개발하는 첫 단계로 공동주택 특성 및 에너지 사용량에 기반을 둔 공동주택 분류체계를 개발했다.
- 본 연구의 내용적 범위는 공동주택의 특성 및 에너지 사용량 데이터베이스를 구축하고, 특성과 에너지 사용량 기반의 군집을 형성하는 것이다. 다시 말해서, 공동주택 단지의 개선여부를 결정하기 위한 의사결정 지원 도구 개발에 활용될 수 있는 공동주택 분류체계를 구축하는 것이다.
- 한편, 본 연구의 최종적 목표는 에너지 사용으로 인한 이산화탄소 배출량을 파악하고, 그에 따른 의사결정 지원 도구를 개발하는 것이다. 이를 위해서는 에너지원들의 사용량을 모두 통합하여 이산화탄소 배출량으로 환산한 수치를 기준으로 분류체계를 구축할 필요도 있다.
제안 방법
- 본 연구에서는 에너지 사용량에 대한 데이터베이스를 구축함에 있어, 공동주택에서 소비하는 주된 에너지원들인 전력, 가스, 지역난방의 3가지에 대해 분석하는 것으로 한정하였다. 공동주택 분류체계를 구축하기 위하여, 데이터 마이닝 기법 중 하나인 의사결정나무를 활용하여, 유사 특성에 근거하여 군집을 형성하였다. 의사결정나무는 의사결정 규칙에 따라 관심의 대상이 되는 집단을 몇 개의 소집단으로 분류하거나 예측하는 분석기법이다.
- 의사결정나무와 같은 데이터 마이닝 과정을 수행하기 위해서는 입력변수 및 목표변수의 정의가 필요하다. 공동주택 특성에 따른 에너지 사용량의 차이를 분석하고자 하므로 공동주택 특성을 입력변수로, 전기, 가스, 지역난방 각각의 에너지 사용량을 목표변수로 설정했다. 건물 특성 중 에너지 사용량에 영향을 미치는 것들을 입력변수로 설정해야 하는데, 일반적으로 건물 에너지 사용량에 영향을 미치는 특성은 크게 다음 6가지로 구분할 수 있다.
- 공동주택의 특성에 기반을 둔 분류체계를 구축하기 위해 앞서 입력변수로 선정한 여러 공동주택 단지의 특성 데이터를 수집했으며, 목표변수로 선정한 해당 단지들의 에너지 사용량 데이터 역시 확보하여 데이터베이스를 구축했다.
- 의사결정나무 분석에는 통계분석 소프트웨어인 SPSS Statistics 18의 트리 기능을 이용했다. 앞서 정의한 대로 입력변수 및 목표변수를 설정하고, 각각의 데이터베이스를 대상으로 트리 기능을 수행했다. 확장 방법으로는 CHAID (Chi-squared Automatic Interaction Detection) 알고리즘을 선택했으며, 분리를 계속 진행하는지의 결정기준은 전력의 경우 데이터수가 많으므로 상위 노드에는 최소 300개, 하위 노드에는 최소 100개의 데이터가 들어가는 것으로, 데이터 수가 적은 가스와 지역난방의 경우 상위 노드에 최소 100개, 하위 노드에 최소 30개의 데이터가 들어가는 것으로 설정했다.
- 공동주택 분류체계 개발을 위하여, 통계자료 및 국가 정보포털을 활용하는 한편, 다양한 에너지원의 공급 및 관리업체를 통해 필요한 데이터를 수집하였다. 의사결정나무 기법을 이용하여 유사한 특색을 갖는 데이터의 군집을 형성하였고, 이러한 군집에 기초하여 공동주택 단지의 특성과 전력, 가스, 지역난방 에너지 사용량을 반영한 공동주택 분류체계를 구축했다.
- 반면, 특성이 유사한 공동주택들을 군집화한 뒤 각 군집 내에서의 에너지 사용량을 비교한다면, 단일 단지의 개선여부 결정 및 여러 단지들 간의 개선 우선순위 선정 등에 있어 보다 적합한 의사결정이 가능하게 된다. 이와 같은 관점에서 본 연구에서는 통계적 기법을 통해 유사 특성을 지닌 공동주택들의 군집을 형성함으로써 공동주택 분류 체계를 구축했다.
- 이 시스템은 2009년 8월 주택법 시행령의 개정에 따라 2009년 10월부터 공동관리비 내역을 공개한 데 이어 2010년 10월부터는 전력, 수도, 가스 등의 사용료까지 공개해 오고 있다. 이와 함께 공동주택 단지의 세대수, 동수, 난방방식, 관리비 부과 면적, 세대타입, 복도유형 등 다양한 특성 정보 역시 제공하고 있는데, 본 연구에서는 이 특성 정보를 이용하여 데이터베이스를 구축했다.
- 결과적으로 지역구, 세대타입, 복도유형, 난방방식, 경과년수, 동 수, 최고층수, 관리비 부과 연면적, 세대수, 세대당 면적 등 10가지 항목이 입력변수로 선정되었다. 한편, 목표변수는 전력, 가스, 지역난방 각각의 단위면적당 사용량으로 설정했다. 표 1에 선정된 변수와 각각의 척도 유형을 나타냈다.
- 앞서 정의한 대로 입력변수 및 목표변수를 설정하고, 각각의 데이터베이스를 대상으로 트리 기능을 수행했다. 확장 방법으로는 CHAID (Chi-squared Automatic Interaction Detection) 알고리즘을 선택했으며, 분리를 계속 진행하는지의 결정기준은 전력의 경우 데이터수가 많으므로 상위 노드에는 최소 300개, 하위 노드에는 최소 100개의 데이터가 들어가는 것으로, 데이터 수가 적은 가스와 지역난방의 경우 상위 노드에 최소 100개, 하위 노드에 최소 30개의 데이터가 들어가는 것으로 설정했다.
대상 데이터
- 공동주택 단지 특성의 경우, 국토해양부에서 운영하는 공동주택관리정보시스템3)을 활용하여 서울시 내 공동주택 단지들의 다양한 특성 정보를 수집했다. 이 시스템은 2009년 8월 주택법 시행령의 개정에 따라 2009년 10월부터 공동관리비 내역을 공개한 데 이어 2010년 10월부터는 전력, 수도, 가스 등의 사용료까지 공개해 오고 있다.
- 공동주택 분류체계 개발을 위하여, 통계자료 및 국가 정보포털을 활용하는 한편, 다양한 에너지원의 공급 및 관리업체를 통해 필요한 데이터를 수집하였다. 의사결정나무 기법을 이용하여 유사한 특색을 갖는 데이터의 군집을 형성하였고, 이러한 군집에 기초하여 공동주택 단지의 특성과 전력, 가스, 지역난방 에너지 사용량을 반영한 공동주택 분류체계를 구축했다.
- 한편 에너지 사용량 데이터의 경우 공동주택관리정보시스템에서 일부 제공하고는 있으나, 누락된 데이터가 많고 데이터의 신뢰성이 부족하다. 따라서 전력, 가스, 지역난방에 대해 각각의 에너지원을 공급∙관리하는 업체들을 통해 데이터를 확보했다. 전력 사용량은 한국전력공사, 가스 사용량은 서울지역 도시가스 공급업체 2곳, 지역난방 에너지 사용량은 한국지역난방공사의 담당부서를 통해 각각 1,771개, 375개, 309개 공동주택 단지의 데이터를 확보했다.
- 이 때, 분류체계를 구성하는 개체를 세대 단위, 동 단위, 단지 단위 등으로 설정할 수 있는데, 국내의 공동주택 개선 사업에서는 일반적으로 단지 단위의 의사결정이 이루어지는 것을 감안하여, 각 단지를 하나의 개체로 하여 분류체계를 개발하였다. 또한, 본 연구의 지역적 범위는 공동 주택 단지의 밀집도가 높고, 관리비와 사용료 역시 가장 높게 나타나는 서울시에 소재한 공동주택으로 한정하였다.
- 본 연구에서는 에너지 사용량에 대한 데이터베이스를 구축함에 있어, 공동주택에서 소비하는 주된 에너지원들인 전력, 가스, 지역난방의 3가지에 대해 분석하는 것으로 한정하였다. 공동주택 분류체계를 구축하기 위하여, 데이터 마이닝 기법 중 하나인 의사결정나무를 활용하여, 유사 특성에 근거하여 군집을 형성하였다.
- 위와 같은 선별 과정을 거쳐 전력 부문 1,664건, 가스 부문 355건, 지역난방 부문 292건의 데이터베이스를 구축했다.
- 따라서 전력, 가스, 지역난방에 대해 각각의 에너지원을 공급∙관리하는 업체들을 통해 데이터를 확보했다. 전력 사용량은 한국전력공사, 가스 사용량은 서울지역 도시가스 공급업체 2곳, 지역난방 에너지 사용량은 한국지역난방공사의 담당부서를 통해 각각 1,771개, 375개, 309개 공동주택 단지의 데이터를 확보했다.
- 의사결정나무의 말단 노드를 leaf라고 하는데, 각각의 leaf가 본 연구에서 구축하고자 한 분류체계의 각 집단, 즉 유사 특성을 지닌 단지들의 군집 역할을 한다고 볼 수 있다. 전력에 대해 수행한 의사결정나무 모델의 경우 9개의 leaf가 형성되었고, 각 leaf는 최소 137개, 최대 324개의 데이터로 구성되었다. 의사결정나무 수행을 위해 적용된 10개의 입력변수 중, 세대당 면적과 복도유형 2개의 입력변수가 분류 기준으로 사용되었다.
- 5% 이내에 해당하는 자료는 이상값으로 판단하여 제거했다. 즉, 전체 데이터 중 5% 유의수준 내에서 유의한 데이터만을 분석대상으로 했다.
- 그림 3 및 표 3은 단지별 단위면적당 가스 사용량(㎥/㎡)을 목표변수로 적용하여 의사결정나무 분석을 수행한 결과를 보여준다. 총 7개의 leaf가 형성되었고, 각 leaf는 최소 35개, 최대 77개의 데이터로 구성되었다. 분류 기준으로 사용된 입력변수는 세대당 면적과 복도유형, 그리고 동 수의 3가지였다.
성능/효과
- 1) 단지의 세대수가 100세대 미만인 경우는 분석대상에서 제외했다.
- 2) 공동주택 특성 및 에너지 사용량에 대한 정보들 중 일부가 누락된 경우는 분석대상에서 제외했다.
- 3) 단위면적당 에너지 사용량을 기준으로 상∙하위 2.5% 이내에 해당하는 자료는 이상값으로 판단하여 제거했다. 즉, 전체 데이터 중 5% 유의수준 내에서 유의한 데이터만을 분석대상으로 했다.
- 따라서 ‘건물 특성’에 해당하는 항목들만을 입력변수로 사용하되, 개별 건물의 특성보다는 단지의 특성에 해당하는 항목들을 선별했다. 결과적으로 지역구, 세대타입, 복도유형, 난방방식, 경과년수, 동 수, 최고층수, 관리비 부과 연면적, 세대수, 세대당 면적 등 10가지 항목이 입력변수로 선정되었다. 한편, 목표변수는 전력, 가스, 지역난방 각각의 단위면적당 사용량으로 설정했다.
- 그러나 대체적으로는 목표변수인 면적당 지역난방 에너지 사용량과 양의 상관관계를 갖는 양상을 보인다. 경과년수가 오래된 단지들의 군집인 leaf 1의 평균이 나머지 군집들에 비해 월등히 높고, leaf 2, 3과 leaf 4, 5의 평균을 비교해 봐도 경과년수가 오래된 leaf 4, 5의 평균이 높은 것을 확인할 수 있다. 지역난방의 경우 연수가 오래될수록 시설의 노후화로 인해 효율이 떨어지게 되어 상대적으로 많은 양의 에너지를 소비한 것으로 유추할 수 있다.
- 분류 기준으로 사용된 변수가 3가지인 만큼 전력 부문만큼 분석이 간단하지는 않지만, 공통적으로 나타나는 특성은 있다. 다른 변수는 동일하고 세대당 면적만이 차이나는 leaf 1과 2, leaf 4와 5를 비교해 보면 공통적으로 세대당 면적이 작을수록 높은 평균 가스 사용량을 보였다. 또한 leaf 1, 2에 비해 세대당 면적이 작은 leaf 4~7의 평균 가스 사용량 역시 높게 나타났다.
- 의사결정나무 기법을 활용하여 군집을 형성하고, 각 군집 내에서 유사한 특성을 갖는 데이터를 비교함으로써, 의사결정의 정확성을 향상시킬 수 있고, 동시에 합리적인 결과를 도출할 수 있다. 따라서 단일 단지에 대한 개선여부 결정 및 개선이 우선적으로 요구되는 단지 선정 등 의사결정에 본 분류체계를 활용함으로써, 에너지 사용량을 공동주택 개선단계에서의 판단기준으로 적절히 고려할 수 있다.
- 경과년수는 동일하고 세대당 면적에서 차이를 보이는 군집들인 leaf 2와 leaf 3, 또 leaf 4와 leaf 5간의 비교를 통해 이 같은 사실을 확인할 수 있다. 따라서 전력, 가스의 경우와 마찬가지로 세대 면적의 지역난방 사용량에 대한 영향도는 그리 크지 않음을 알 수 있으며, 세대당 면적이 클수록 면적당 세대 수는 오히려 줄어드는 만큼 단지 단위의 비교에서 면적당 사용량 역시 줄어들게 됨을 확인할 수 있다.
- 먼저 세대당 면적을 살펴보면 전력, 가스 부문 의사결정나무와 마찬가지로 세대당 면적이 작을수록 높은 평균 사용량을 보였다. 경과년수는 동일하고 세대당 면적에서 차이를 보이는 군집들인 leaf 2와 leaf 3, 또 leaf 4와 leaf 5간의 비교를 통해 이 같은 사실을 확인할 수 있다.
- 10개 입력변수 중 분류 기준으로 사용된 입력변수는 경과년수와 세대당 면적 2가지였다. 세대당 면적은 전력, 가스, 지역난방 부문에서 모두 분류 기준으로 사용되면서 에너지 사용량에 영향을 미치는 핵심적인 요인임이 다시 나타났다. 한편 경과년수의 경우 전력, 가스 부문에서는 분류 기준으로 사용되지 않았던 것에 비해 지역난방 부문의 의사결정나무에서는 사용되었고, 복도유형은 이와 반대로 이전 두 부문에서는 분류 기준으로 사용되었으나 지역난방 부문에서는 사용되지 않았다.
후속연구
- 그러나 실제적으로 전력, 가스, 지역난방 에너지의 용도에는 차이가 있고, 개선 단계에서도 각각의 에너지원별 사용량 현황을 파악하여, 그에 적합한 개선 방안을 수립해야 한다. 따라서 앞서 언급한 3가지 에너지원 각각에 대해 분류체계를 구축하고, 향후 필요에 따라 통합하는 방법이 바람직하다.
- 이에 앞서 엘리베이터 대수, 옥상 및 벽면녹화여부 등 공동주택 에너지 사용량에 영향을 미칠 수 있는 추가적인 특성들을 조사하여 입력변수를 다양화하는 한편 상관분석 및 분산 분석 등 다양한 통계분석을 실시하여 목표변수인 ‘에너지 사용량’을 보다 잘 설명해주는 모델로 만들기 위해 입력변수를 최적화할 필요가 있다. 또한 에너지원의 종류에 따라 확보한 데이터베이스의 개수와 종류가 상이하므로 추가적인 데이터 수집을 통해 공동주택 단지에서 사용하는 에너지로 인한 이산화탄소 배출량을 통합적으로 관리할 수 있는 도구로의 발전이 요구된다.
- 본 연구에서는 앞서 언급한 바와 같이, 공동주택 개선 단계에서의 의사결정에 활용할 수 있는 단지 단위의 분류체계를 구축하고자 하므로, 위의 요인들 중 단지 단위로 적용이 가능한 요인만을 입력 변수로 설정할 필요가 있다. 따라서 세대에 따라 상이한 사용자 특성, 설비 특성, 요구되는 실내 환경의 질 등의 항목은 입력변수로 사용하지 않았다.
- 따라서 일부 정부기관 및 지방자치단체에서 시행 중인 에너지 절감 관련 인센티브 제도를 지속적으로 개선 및 발전시켜 나가야 한다. 이러한 제도적 뒷받침과 본 연구 및 후속 연구를 통한 의사결정 지원 도구들이 조화를 이루었을 때, 공동주택 개선을 통한 에너지 절감 및 이산화탄소 감축 효과는 극대화될 것이다.
- 이에 앞서 엘리베이터 대수, 옥상 및 벽면녹화여부 등 공동주택 에너지 사용량에 영향을 미칠 수 있는 추가적인 특성들을 조사하여 입력변수를 다양화하는 한편 상관분석 및 분산 분석 등 다양한 통계분석을 실시하여 목표변수인 ‘에너지 사용량’을 보다 잘 설명해주는 모델로 만들기 위해 입력변수를 최적화할 필요가 있다.
- 한편 복도유형과 동 수의 경우에는 세대당 면적과 관계가 얽혀 있고 군집간 비교가 가능한 군집이 부족해 단편적인 비교만으로 가스 사용량과의 상관관계를 찾기에는 어려움이 있으며 보다 다양한 통계적 분석을 통해 이들 변수의 영향도를 분석할 필요가 있다.
- 향후 본 연구에서 제시한 분류체계를 토대로 각 군집 내 사례 기반추론 및 유전자 알고리즘 등의 적용을 통해 유사사례 도출을 통한 개선여부 의사결정 지원 모델을 개발하는 연구를 진행할 것이다. 이에 앞서 엘리베이터 대수, 옥상 및 벽면녹화여부 등 공동주택 에너지 사용량에 영향을 미칠 수 있는 추가적인 특성들을 조사하여 입력변수를 다양화하는 한편 상관분석 및 분산 분석 등 다양한 통계분석을 실시하여 목표변수인 ‘에너지 사용량’을 보다 잘 설명해주는 모델로 만들기 위해 입력변수를 최적화할 필요가 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.