OEMGD 알고리즘을 이용한 건물 냉난방용 최적 에너지 믹스 모델에 관한 연구 : 지열히트펌프와 지역냉난방 시스템을 중심으로

I. 서론

화석연료 사용을 줄이고 온실가스를 저감하여 기후변화에 적극 대응하고자 하는 국가적 노력 속에서 2004년 신에너지 및 재생에너지 개발ㆍ이용ㆍ보급 촉진법이 제정되었고, 1,000 ㎡ 이상 공공건물에 대한 신재생에너지 공급의무화 비율이 연도별로 상향되는 가운데 국내 신재생에너지 공급은 점진적으로 확대되고 있다. 화석연료를 대체하는 3개의 신에너지(new energy)인 연료전지, 석탄액화가스화, 수소에너지와 8개 재생에너지(renewable energy)인 태양열, 태양광, 바이오, 풍력, 수력, 지열, 해양, 폐기물 에너지(Jo et al. 2009) 중에서 지열에너지는 사계절이 뚜렷하고 연중 일정한 지중 온도는 우리나라의 특성에 적합하고, 외부 기후조건과 환경변화에 관계없이 지속적이고 안정적인 에너지를 공급할 수 있는 장점으로 인해 2010년 이후 국내에서 빠르게 확대되고 있다(Yasukawa & Takasugi 2003; Moretti et al. 2013; Beijia & Volker 2015). 국내에서는 주로 150~200 m 깊이의 수직 밀폐형 열교환기가 설치되어 이용되고 있으며, 2012년 이후 공공기관 지방이전에 즈음하여 정부 세종청사를 비롯한 이전 대상 공공기관의 청사에는 대부분 지열히트펌프가 설치되어 2012년 기준 공공기관에 도입된 신재생에너지의 74%를 지열에너지가 점하고 있다. 일반 건물이외 주택 및 공동주택에 지열히트펌프 시스템 보급을 활성화하기 위해 2009년 5월부터 주택용 지열히트펌프 사용전력에 대한 누진세와 할증료를 폐지하는 등 다양한 지원책이 도입되었다. 이에 따라 공동주택에서도 지열히트펌프 시스템이 냉난방열원으로 이용되기 시작했는데, 수도권 신도시를 중심으로 정책적으로 확대 보급되던 지역냉난방방식에 대해 지열히트펌프가 대체재 형태를 나타내고 있다(Ryu & Jung 2014). 지열히트펌프는 2012년 말 공동주택에서 지열히트펌프와 지역난방을 혼합한 시범사업 사례가 있었으나 일정기간 경과 후 설비의 효율성과 경제성을 평가하기 위한 정량적 자료가 부족한 실정이다(Ko et al. 2007; Jang et al. 2014).

본 연구에서는 농촌에너지 분야에서 에너지 절감시설로 인식되고 신재생에너지 확대를 위해 장려되는 지열(Kim 2014)과 지역냉난방 시스템의 경제성에 대한 연구를 수행하였다. 소비자의 에너지 비용 절감과 합리적인 에너지 선택을 위하여 건물 냉난방 시스템 도입 전 에너지믹스 최적 구간을 찾는 프로그램 개발에 대한 연구 필요성을 제기하면서, 에너지 선택에 영향을 미치는 두 가지 요소인 정량적 비용 데이터와 정성적인 외부 영향요소를 포함하여 경쟁관계에 있는 GSHP와 DHC 시스템의 최적 이용방안을 찾고자 하였다.

II. 연구방법

1. 연구대상

본 연구는 GSHP와 DHC의 경제성 비교연구를 우선 하였다. 신재생에너지인 GSHP 시스템으로 운영 중인 건물의 경제성을 DHC로 공급했을 때의 비용 요소들과 비교 연구하였는데 비교대상은 약 3,800 kW 규모의 GSHP 시스템을 설치한 서울 지역의 공공건물과 DHC 2,000 kW규모의 공동주택 건물에 대하여 수명주기 30년을 기준으로 초기투자비, 에너지비용, 수선유지비, 환경비용을 비교한 결과 공공건물의 LCC 비교분석 결과는 Table 1, Fig. 1과 같았으며 공동주택 건물에 대해서는 Table 2, Fig. 2와 같았다. 환경비용의 경우 SO_x, NO_x, Dust와 CO₂ 처리비를 합산하는 것으로 하였다. 비교 결과 신재생에너지 보급정책으로 빠르게 확대되고 있는 기존 에너지시스템인 DHC 시스템이 초기투자비가 큰 GSHP 시스템에 비해 비경제적이지만, 공동주택의 에너지비용 면에서는 GSHP 시스템이 경제적이었다. 그 원인을 분석한 결과, 2009년 5월 이후 주택용 GSHP 시스템에 대한 전기요금의 누진세 감면 제도가 시행된 것으로 확인되었다(Ministry of Knowledge Economy 2009). 이와 같이 에너지 시스템은 에너지 자체의 효율 이외에 에너지 채택에 영향을 미치는 외부 영향요소가 있음을 알게 되었다.

Table 1

LCC analysis of GSHP and DHC systems in public buildings (Thousand Won)

Fig. 1.

Comparison of LCC for GSHP and DHC systems in public building

Table 2

LCC analysis of GSHP and DHC systems in apartments (Thousand Won)

Fig. 2.

Comparison of LCC for GSHP and DHC systems in apartment

신재생에너지와 기존 에너지간의 합리적인 에너지 믹스구간을 찾고자 냉난방을 공급하는 건물 정보를 활용하여 사업수명주기 30년간 소요되는 초기투자비, 에너지비용, 수선유지비, 환경비용을 현재가치로 환산하여 각 건물에서 발생하는 냉난방 에너지 비용을 비교 연구 대상으로 하였다. 또 비용 요소 이외의 신재생에너지와 기존에너지 중 선택에 영향을 미칠 수 있는 조세, 환경비용, 기술비용, 정책 및 건물주의 도입의지 등 9개의 외부 영향요소를 고려하여 최적 에너지 믹스구간을 찾는 알고리즘 모델을 연구 대상으로 하였다.

2. 연구의 범위

냉난방을 공급중인 건물 데이터를 이용하여 에너지 믹스에 영향을 미치는 비용요소인 초기설치비, 에너지 비용, 수선유지비, 환경비용 등 각 시스템의 항목별 LCC 산출을 연구의 범위로 삼았다. 산출된 항목별 LCC를 프로그램을 이용하여 데이터베이스화하였다.

신재생에너지 이용 의무화 정책, 국내외 사회적 신재생 도입 요구, 건물주의 도입의지와 조세, 환경비용, 기술비용 등 외부 영향요소를 연구 범위에 포함하였다. OEMGD 알고리즘에 포함되는 외부영향요소는 Table 3과 같이 설정하였고 각 영향요소는 영향력의 정도에 따라 계수값을 달리하였다. 에너지 믹스에 영향을 미치는 두 요소 즉 비용요소와 외부 영향요소를 Table 4와 같이 기호화 하여 OEMGD 알고리즘에 사용하였다.

Table 3

List of external influence factors for OEMGD algorithm

Table 4

Symbols of LCC cost for OEMGD algorithm

GSHP와 DHC 시스템의 최적 믹스구간(Mix Ratio)을 찾아내는 알고리즘 모델을 설계한 후 외부영향 요소의 변화 시나리오별 검증을 통한 알고리즘 모델의 타당성 확인까지를 연구 범위로 하였다.

3. 연구방법

본 연구에서 정량적 비용항목의 LCC 산출시 수명주기는 DHC사업 경제성분석 기간인 30년, 할인율은 예비타당성 조사를 위한 일반지침에 의거 사회적 할인율 5.5%를 적용하였다(Ahn 2008). 실측자료가 축적되지 않는 정량적 데이터는 Cho(2002)의 기존연구에서와 같이 LCC 분석을 위한 데이터 불확실성 처리기법을 기반으로 비용을 추정하였다. 각 비용요소들을 DB화 하였는데 Fig. 3 및 Fig. 4와 같이 초기운영비, 에너지비용, 수선유지비, 환경비용, 폐기비용 등 5가지 비용요소를 DBMS MySQL(Server 5.7.11)을 이용하여 관계형 DB를 구축하였다. 구축된 DB를 이용하여 Fig. 5와 같이 단위비용 요소의 합으로 단위면적당 LCC가 산출되게 하였으며 각 에너지시스템의 LCC 비용은 Table 5와 같았다.

Fig. 3.

Network style data model

Fig. 4.

Quantitative cost factors and network style data model

Fig. 5.

LCC cost of the unit area (1 ㎡)

Table 5

Calculation of LCC cost for OEMGD algorithm

비정량적 외부영향요소는 Table 3과 같이 정부정책, 국내외 신재생에너지의 도입 요구, 건물주의 도입의지 및 GSHP와 DHC 시스템에 각각 영향을 미치는 조세, 환경비용, 기술발전 등 9개의 요소를 선정하고 각 요소의 영향 정도에 따라 계수를 부여하였다. 9개의 외부영향요소는 가변적인 변량값을 갖는다. 변수들의 확률현상을 컴퓨터로 재현하는 기법을 사용하면 9가지 요소가 각각의 변수를 생성하게 되어, 확률현상의 수학적 해석은 신뢰도가 떨어지게 된다. 이를 해소하기 위해서 시나리오 기법을 적용하여(Choi & Park 2000) 일부 영향요소에 상수를 부여하고 믹스비율에 직접 영향을 미치는 외부 요인들만 난수를 생성하도록 하였다.

단위면적당 두 에너지 시스템의 믹스 비율은 식 (1)과 같이 계산될 수 있고, 신재생에너지 믹스비율 MIXR_NRE는 식 (2)와 같이 정부정책(Government Policy, GP)과 건물소유주의 의지(α)에 사회적 요구(Social Request, SR)이 결합된 함수로 산정하였다.

$\[ {\mathrm{OEMGD}}_{\mathrm{unit\; LCC}}={\mathrm{MIXR}}_{\mathrm{NRE}}\times {\mathrm{GSHP}}_{\mathrm{unit\; LCC}}+\left(1-{\mathrm{MIXR}}_{\mathrm{NRE}}\right)\times {\mathrm{DHC}}_{\mathrm{unit\; LCC}} \]$

(1)

$\[ {\mathrm{MIXR}}_{\mathrm{NRE}}={\left({\mathrm{GP}}_{\mathrm{NRE}}+{\mathrm{\alpha }}_{\mathrm{NRE}}\right)}^{{\mathrm{SR}}_{\mathrm{NRE}}} \]$

(2)

수치해석 프로그램인 Octave 4.0을 이용하여 OEMGD 알고리즘 모델을 설계하여 최적믹스비율(MIXR_NRE), 건물주의 신재생에너지 도입의지(α_NRE), 최적믹스비율일 때 수명주기비용(LCC)을 산출하게 하였다. 9개의 비정량적 외부영향요소의 영향을 관련기관마다 문의하기 어렵고, 얻어진 회신 또한 정확성을 담보하기 어려우므로 몬테카를로 기법(Monte Carlo method)으로 난수를 사용하여 확률과정을 수치적으로 반복 시행함으로서 극한적으로 해를 얻고자 하였다(Lee & Shin 2006). Fig. 6은 몬테카를로 기법을 이용한 OEMGD 알고리즘의 의사코드를 보여준다. 그러나 무한히 많은 난수를 통해 얻어진 결과는 예측범위가 넓어서 특정한 의미를 찾고자 할 때 해석에 문제점이 있을 수 있다. OEMGD 알고리즘 모델에서 설정한 9개의 영향요소를 모두 난수로 확률해석을 하게 되면 해석의 범위가 넓어져 알고리즘의 결과에 대한 신뢰성이 낮아진다.

Fig. 6.

Example of OEMGD algorithm Pseudo-Code using Monte Carlo method

이 문제를 극복하고자 본 연구에서는 신재생에너지 의무화 목표 등 조절 가능한 외부목표인 정부정책, 조세영향 등에 상수를 부여하고 GSHP와 DHC시스템의 환경비용, 기술발전에 따른 비용은 동일조건으로 하고 5,000개의 난수를 생성시켜 OEMGD 알고리즘 모델의 민감도와 최적 LCC 도출을 검증하였다.

III. 결과 및 고찰

1. 시나리오별 OEMGD의 결과

신재생에너지 사용 의무화 정책에 따라 보급되고 있는 지열을 이용한 GSHP와 기존 에너지 시스템인 DHC의 최적 믹스모델로 설계한 OEMGD 알고리즘의 타당성을 검증하기 위하여 아래 6개의 시나리오를 설정하였다. 비용 데이터는 Table 7과 같이 냉난방을 공급하고 있는 전국 28개 건물의 냉난방 관련 비용 DB를 이용하고 외부영향요소는 몬테카를로 기법을 활용하여 난수를 채택하여, 예시된 Fig. 7과 같이 수치해석 프로그램 Octave 4.0으로 알고리즘 코드를 작성하였다. 각 건물에서 수집된 비용 데이터와 외부영향요소가 믹스되는 개념은 Fig. 8과 같이 나타낼 수 있다. 각 시나리오를 알고리즘으로 산정한 결과 Table 6과 같이 각 시나리오 별 최적 믹스비율과 단위면적 1 ㎡에서 GSHP와 DHC시스템이 믹스된 최소 수명주기비용(LCC)을 얻게 되었다.

Table 6

Results of six scenarios with OEMGD algorithm

Table 7

LCC Data of GSHP and DHP energy system in buildings (Thousand Won)

Fig. 7.

Algorithm code for scenario A (GPNRE = 0.14)

Fig. 8.

Cost data and external influence factors for mix model in algorithm

1) 시나리오 A

GP_NRE = 0.14(2015년 9월 이후 서울시 주요건물 신재생에너지 도입의무 비율)

조세비용, 환경비용, 기술비용은 GSHP와 DHC 동일조건 계수 부여

- 결과 : 재생에너지 도입 의사결정자의 영향요소(α_NRE) 계수 0.0004, 믹스비율 MIXR_NRE 0.00038526, 단위면적당 최적 LCC 비용 242.42천원/㎡

2) 시나리오 B

GP_NRE = 0.2(2016~17년 공공기관 신재생의무화 도입의무화 평균)

- 결과: α_NRE 0.0006, MIXR_NRE 0.0016193, 단위당 LCC 비용 242.56 천원/㎡

3) 시나리오 C

GP_NRE = 0.3(2020년 이후 공공기관 신재생의무화 비율 적용) 시나리오

- 결과: α_NRE 0.0002, MIXR_NRE 0.0081216, 단위당 LCC 비용 243.33천원/㎡

4) 시나리오 D

GP_NRE = 0.14(시나리오 A 와 동일)

EnerTAX_GSHP = 0.7, EnerTAX_DHC = 0.9

신재생에너지(GSHP) 전기료 누진세 면제 고려 (요금인하로 기본값 1이하 0.7 적용)

기존에너지 (DHC) 지역냉방 하절기 요금인하 효과고려(냉방요금은 하절기 4개월만 적용되어 중앙값 이하로 부여하되 0.9 적용)

- 결과: α_NRE 0.0002, MIXR_NRE 0.00038636, 단위당 LCC 225.33 천원/㎡

5) 시나리오 E

GP_NRE = 0.2 (시나리오 B 와 동일)

에너지 비용요소 EnerTAX_GSHP = 0.7, EnerTAX_DHC = 0.9 적용

- 결과: α_NRE 0.0004, MIXR_NRE 0.0016128, 단위당 LCC 비용 225.45 천원/㎡

6) 시나리오 F

GP_NRE 0.3 (시나리오 C와 동일)

EnerTAX_GSHP 0.8 (2020년 이후 지열에너지 확대보급 이후 요금감면 축소 예상)

EnerTAX_DHC 0.95 (전력예비율 상승, 지역냉방 열원인 열병합발전 가동 축소 예상)

- 결과: α_NRE 0.0004, MIXR_NRE 0.0081433, 단위당 LCC 234.65 천원/㎡

IV. 요약 및 결론

본 연구는 최근 신재생에너지설비 의무화에 따라 확대되고 있는 지열히트펌프와 도농지역까지 확대되는 지역난방의 경제성을 수리적으로 비교하고자, 수치해석 알고리즘 모델을 개발하여 연구를 수행하였다. 신재생에너지 보급 목표를 달성하되 지중열 사용에 따른 지중 온도변화 등의 우려를 극복하기 위하여, 단일 에너지시스템보다는 에너지시스템을 믹스하여 시너지 효과를 도모할 수 있는 최적 믹스비율을 수리적으로 산정하여 에너지 이용효율을 제고하는 데 목적이 있었다.

본 연구에서 설계한 OEMGD 알고리즘 모델의 구동 결과는 기존 에너지인 DHC 시스템이 신재생에너지인 GSHP에 비하여 경제성이 있는 것으로 나타난다. 이는 환경 친화적이고 연료비용이 저렴한 신재생에너지가 경제성이 있을 것이라는 예상과는 상이한 결과로써 에너지 시스템을 도입할 때 연료비용 이외 시설투자비, 수선유지비, 환경비용, 폐기비 등 장기간에 걸친 비용이 고려되지 않았기 때문이다. 따라서 연료비용 이외의 다양한 비용요소를 고려하여 기존 에너지 시스템이 아닌 타 에너지를 도입할 때 두 시스템간의 적정 믹스 비율을 산출하고 점진적으로 새로운 에너지시스템을 확대하게 된다면 기존 에너지시스템의 유휴화도 방지할 수 있을 것이다. GSHP가 농촌과 농업부문에서 지속적으로 확대되려면 설치비용의 지원뿐만 아니라 GSHP의 단점인 초기투자비 절감을 위한 기술연구 지원도 필요할 것으로 사료된다.

냉난방 에너지 비용에 대한 정보가 축적되고 외부영향요소를 정확히 판단하는 전문가가 육성된다면, OEMGD 알고리즘 모델 연구와 같은 최적 에너지믹스 연구는 소비자와 투자자의 비용절감과 에너지 이용 효율제고에 기여할 것으로 예상된다.

References

• Ahn, SH., (2008), General Guide for Feasibility 5th ed, Korea Development Institute.
• Beijia, H., Volker, M., (2015), Life cycle sustain ability assessment of ground source heat pump in Shanghai, China, J Cleaner Production, p1-8.
• Cho, HN., (2002), Development of an uncertainty treatment module for life cycle cost analysis system of steel bridge, Korea Infrastructure Safety & Technology Corporation.
• Choi, DJ., Park, HK., (2000), Analysis of Water Privatization Scenarios with Multi-Criteria Decision Techniques, Korean Soc Civil Engineers, 20(1), p175-187.
• Jang, YJ., Kim, SY., Shin, YS., Kim, GH., (2014), Economic analysis of geothermal energy facilities applied to public buildings, Korean J Inst Build Const, 14(5), p423-432. [https://doi.org/10.5345/JKIBC.2014.14.5.423]
• Jo, YJ., Lee, JY., Lim, SY., Hong, GP., (2009), A review on potential effects of installation and operation of ground source heat pumps on soil and ground water environment, Korean J Soil Groundw Environ, 14(3), p22-31.
• Kim, YJ., (2014), A study of agricultureㆍrural use condition & policy plan, Korea Rural Economic Institute.
• Ko, MJ., Oh, JK., Kim, YI., Kim, YS., (2007), Economic estimation of heat storage type geothermal source heat pump system adopted in government office building by a payback period method, Korean J Solar Energy Soc, 27(4), p175-182.
• Lee, DK., Shin, SM., (2006), A study on uncertainty analyses of monte carlo techniques using sets of double uniform random numbers, Arch Res, 8(2), p27-36.
• Lee, KC., Hong, JH., Kong, HJ., (2016), A Study of comparative economic evaluation for the system of ground source heat pump and district heating and cooling, Korean J Air-Conditioning Refrigeration Engineering, 28(3), p103-109. [https://doi.org/10.6110/KJACR.2016.28.3.103]
• Ministry of Knowledge Economy, (2009), Regulation of progressive tax exemption in geothermal energy use, Available from http://www.mke.go.kr [cited 2016 May].
• Ryu, HG., Jung, WS., (2014), A research for application of geothermal cooling-heating system in multi family apartment, Korean Institute of Architectural Sustainable Environment and Building Systems, 10, p19-31.
• Yasukawa, K., Takasugi, S., (2003), Present status of underground thermal utilization in Japan, Elsevier, 32(4), p609-618. [https://doi.org/10.1016/j.geothermics.2003.07.011]