건물의 에너지 효율을 향상시키는 것은 지구 온난화에 대응하려는 노력의 중요한 요소이다. 건물 외피의 열적 성능은 에너지 성능에 영향을 미치는 가장 중요한 열적·물리적 특성이다. 따라서 건물 외피의 열적 성능을 파악하는 것은 효과적인 에너지 절감 조치를 적용하는 데 필수적이다. U값(U-value)은 건물 외피의 열적 성능을 정량적으로 나타내는 정량적 지표이다. U값을 산정하기 위한 방법은 측정 캠페인 없이 건물 정보를 활용하는 수동적(passive) 방법과, 현장(in situ)에서 측정하는 능동적(active) 방법으로 크게 분류된다. 본 논문은 건물 외피의 실제 U값을 결정하기 위해 사용된 가장 흔히 이용되는 방법과 선행 연구의 실험 결과를 검토하고 평가한다. 이에 따라 본 논문은 실험실 측정은 제외하고 현장(field) 측정 연구에만 초점을 맞춘다. U값을 산정하는 데 사용되는 기존 방법을 비교하는 것은 연구자들이 적절한 현장 측정 방법과 향후 연구 방향을 선택하는 데 도움을 줄 수 있다.

기후변화는 대한민국의 건물 에너지 소비와 실내 열적 쾌적성에 유의미한 영향을 미치며, 에너지 효율 및 기후 회복력(climate resilience) 강화를 위한 필요성을 부각한다. 본 연구는 IPCC SRES A2 및 SSP5-8.5 시나리오를 일반 대기순환모형(general circulation models)과 형태 변형(morphing) 기반 도구와 통합하여 서울에 대한 시간 단위 기후 데이터를 생성한다. DOE 기준 건물(DOE reference building)을 이용한 에너지 시뮬레이션 결과, 2080년대에 냉방 수요는 증가하고 난방 수요는 감소하는 것으로 나타났다. 수동적 및 능동적 조치로서 단열 성능의 향상과 효율적인 냉방 시스템 도입은 냉방 에너지 수요를 완화하는 데 도움이 된다. Fanger의 예측 평균 투표점수(Predicted Mean Vote, PMV) 기반 분석은 이러한 개보수(retrofit) 이후 실내 열적 쾌적성이 향상됨을 시사한다. 본 연구 결과는 적응형 설계(adaptive design)와 회복력 있는 정책의 필요성을 강조한다.

이중 스킨 파사드(DSF) 시스템은 난방 및 냉방 부하를 줄이면서 거주자 쾌적성을 향상시키는 방식으로 열적 성능을 개선하기 위한 유망한 건축 전략으로 부상해 왔다. 그러나 그 효과는 실외 기후 조건에 따라 달라질 수 있다. 특히 캐비티(cavity) 내 공기 순환이 충분하지 않으면 과도한 열 축적으로 이어져 과열을 유발하고, 냉방 부하를 증가시키며, 거주자 쾌적성을 저하시킬 수 있다. 이러한 한계를 해결하기 위해 본 연구는 캐비티 열 조건을 동적으로 조절할 수 있는 IoT 기반 스마트 이중 스킨 파사드(SDSF) 시스템을 제안한다. 여름철에 커튼월(curtain wall) 기반 건물 유형의 실내 열환경 개선 효과를 평가하기 위해 전면 규모 현장 실험을 수행하였다. 실내 조건은 다양한 차양 및 환기 제어 전략 하에서 단일 스킨 파사드(SSF)와 SDSF 시스템 간에 비교하였다. 그 결과 SDSF는 배기 팬과 블라인드를 실시간 제어함으로써 주간의 실내 온도를 효과적으로 낮추고 야간 조건을 안정화하는 것으로 나타났다. 예측 평균 투표치(PMV) 분석 또한 SDSF에서 거주자의 열적 쾌적성이 개선됨을 추가로 시사하였다. 이러한 연구 결과는 IoT를 통합한 SDSF 시스템이 실내 열적 쾌적성과 에너지 성능을 모두 유의미하게 향상시킬 수 있음을 뒷받침하는 경험적 근거를 제공하며, 기후 대응형 건물 외피 설계에 대한 실행 가능한 전략을 제시한다.

정확한 GHI 데이터는 비용 효율적인 PV 시스템을 설계하는 데 필수적이지만, 많은 지역에서는 현장 측정이 부족하다. 최근의 연구들은 다지역 GHI 예측 모델이 학습 위치를 넘어서는 범위에서도 잘 일반화됨을 보여주었으나, 이러한 성과는 PV 시스템 최적화에는 활용되지 못했으며, PV 최적화는 여전히 측정 데이터에 의존하고 전통적인 PV 최적화 접근법은 관측된 GHI 데이터를 계속 사용하고 있다. 본 연구는 이러한 간극을 메우기 위해 다지역 데이터셋을 활용하여 ML 기반 GHI 예측 프레임워크를 구동하고, 그 출력값을 5단계 PV 성능 모델에 통합한 다음 연간 에너지 생산량과 LCOE에 대한 다목적 최적화를 위해 NSGA-II를 적용하였다. 최적의 PV 구성은 경사각 39°, 방위각 212°, 모듈 타입 3이었으며 LCOE는 0.1545 KRW/kWh를 달성하였다. 측정 기반 최적화와의 차이는 경사각에서 1° 미만, 방위각에서 3° 미만, LCOE에서는 6.6% 미만이었다. 이 프레임워크는 태양 및 PV 데이터가 제한된 지역에서도 비용 효율적인 PV 시스템 설계를 가능하게 한다.

건물의 U-값을 정확하게 평가하는 것은 에너지 리트로핏을 최적화하는 데 결정적으로 중요하다. 그러나 기존 방법(예: 열유속계(Heat Flow Meter)와 적외선 열화상(Infrared Thermography))은 실용성을 제한하는 엄격한 요구조건이 따른다. 본 연구는 민감도 분석과 동적 건물 에너지 시뮬레이션을 통해 태양복사 효과를 반영함으로써 U-값 계산을 위한 보정 모델을 개발하였다. 한국의 교육시설 건물에서 확보한 실제 데이터로 검증한 결과, 제안한 모델은 정확도를 유의미하게 향상시켜 오차율이 남향 벽에서는 83%에서 17%로, 북향 벽에서는 92%에서 14%로 감소하였다. 이러한 결과는 보다 신뢰할 수 있는 열 성능 평가를 가능하게 하며, 대규모 건물 에너지 리트로핏에 기여한다.

건물의 에너지 효율을 향상시키는 것은 지구 온난화에 대응하려는 노력의 중요한 요소이다. 건물 외피의 열적 성능은 에너지 성능에 영향을 미치는 가장 중요한 열적·물리적 특성이다. 따라서 건물 외피의 열적 성능을 파악하는 것은 효과적인 에너지 절감 조치를 적용하는 데 필수적이다. U값(U-value)은 건물 외피의 열적 성능을 정량적으로 나타내는 정량적 지표이다. U값을 산정하기 위한 방법은 측정 캠페인 없이 건물 정보를 활용하는 수동적(passive) 방법과, 현장(in situ)에서 측정하는 능동적(active) 방법으로 크게 분류된다. 본 논문은 건물 외피의 실제 U값을 결정하기 위해 사용된 가장 흔히 이용되는 방법과 선행 연구의 실험 결과를 검토하고 평가한다. 이에 따라 본 논문은 실험실 측정은 제외하고 현장(field) 측정 연구에만 초점을 맞춘다. U값을 산정하는 데 사용되는 기존 방법을 비교하는 것은 연구자들이 적절한 현장 측정 방법과 향후 연구 방향을 선택하는 데 도움을 줄 수 있다.