서 언

현대 농업의 중요한 과제로 떠오른 첨단 기술의 활용은 농업 에너지 이용 효율을 높이고 환경적 지속 가능성을 달성하기 위한 필수 요소로 자리 잡고 있다. 특히 정보통신기술(ICT)를 접목한 원예 온실은 온실 환경에서 데이터를 수집 및 분석하여 원격 관리와 자동화를 가능하게 함으로써 작물 재배의 효율성을 크게 향상시키고 있다. 첨단 온실 재배는 외부 환경을 통제하여 식물 생장에 필요한 최적의 조건을 제공함으로써 생산량과 품질을 개선하는 데 유리하지만, 이 과정에서 상당한 에너지를 소비한다. 실제로 온실 에너지 비용은 인건비 다음으로 높은 비중을 차지하며, 일반 시설농가 경영비 중 21–25% 수준에 달한다(Taki et al. 2018; Kim and Kim 2022). 더불어 국내 시설 채소 온실 면적과 가온 온실 비중이 꾸준히 증가하고 있는데(Fig. 1), 국내 농가가 주로 사용하는 석유류와 전력이 각각 가온 온실 면적의 80%와 10%를 차지하여 총 90%를 구성한다(Greenhouse Vegetable Production Status, 2023). 온실 에너지의 약 절반이 석유류에 의존하고 있어 국제 유가와 환율 변동에 취약할 뿐 아니라, 최근 농업용 전기 가격까지 급격히 인상되면서 온실 운영비 상승 및 농가 경영 안정성 저해가 심화되고 있다. 결국 이러한 부담을 해소하기 위해서는 최소한의 에너지로 최대한의 생산성을 확보할 수 있는 에너지 효율화 방안을 모색하는 일이 절실하다.

Fig. 1.

Trend of the increasing area (ha) and ratio (%) of heated greenhouses in Korea.

에너지 소비를 줄이고 온실의 경제적, 환경적 지속 가능성을 높이기 위하여 온실 구조 최적화, 단열 성능 강화, 미기상 제어 기술, 대체 에너지 활용 등 다양한 연구와 기술적 접근이 제시되고 있다(Ahamed et al. 2019). 그러나 실제 온실에 이러한 방안을 적용하려면 지역 기후, 온실 유형, 작물 특성 등 여러 요인을 종합적으로 고려해야 하므로, 실행 과정에서 상당한 시간과 비용이 소모될 수 있다. 이러한 부담을 완화하기 위한 효과적인 대안으로 시뮬레이션 및 모델링 기술이 부상하고 있는데, 제한된 여건에서 다양한 전략을 손쉽게 시험하고 최적의 해법을 모색할 수 있다는 장점으로 주목받고 있다(Castro et al. 2024).

특히 건물 에너지 모델링(Building Energy Modeling) 기법과 에너지 시뮬레이션 도구인 EnergyPlus는 온실을 포함한 건축물의 열 이동, 에너지 및 질량 균형, HVAC(Heating, Ventilation, and Air Conditioning) 시스템 작동 조건 및 속성 등을 정교하게 반영하여 에너지 소비를 예측하고 최적화를 수행할 수 있도록 돕는다(Pan et al. 2023; Wang et al. 2023). 이러한 시뮬레이션 기법은 건축물 설계 단계에서 공조 시스템 제어와 실내 환경 관리 방안을 검토 및 개선하는 데 널리 사용되고 있다. Gercek and Durmuş Arsan(2019)은 EnergyPlus를 이용하여 고온 다습한 환경 조건에서 거주용 건물의 성능에 영향을 미치는 주요 요소가 창호의 태양열 투과 정도임을 확인하고, 창호 유형에 따른 에너지 절감 및 건물 구조 설계 방안을 제안하였다. 또한 Tam et al.(2020)은 실내 공기 온도와 CO₂ 농도 개선을 목표로 건물 에너지 모델링과 시뮬레이션을 통해, 건물에 적용 가능한 공조 시스템 제어 전략을 도출하였다. 이 같은 연구들은 건물 에너지 시뮬레이션 모델이 건축물 설계부터 운영 과정에 이르는 전 주기에 걸쳐 에너지 소비와 환경 성능을 다각도로 분석하고, 개선 방안을 제시하기에 유용함을 보여준다. 특히 건물 환경, 구성 요소, 환경 제어 운용 등의 변화에 따라 건물에 요구되는 에너지 수요량과 이에 따른 실내 온도 및 공기질 변화 등을 예측 ‧ 평가하여 최적의 설계 및 운영 전략을 수립하는 데 중요한 기초 자료를 제공한다.

위와 같은 건물 에너지 시뮬레이션 접근법은 농업용 온실 환경으로도 확대 적용되고 있다. Choab et al.(2021)은 건물 에너지 시뮬레이션을 활용하여 모로코 온실의 열역학적 특성과 냉난방 에너지 사용에 영향을 미치는 주요 구성 요소인 온실 재료, 온실 형태 및 방향 등에 대하여 분석하였다. 그 결과로 연간 에너지 수요를 절감할 수 있는 온실 피복재 및 온실 형태를 제안하고 동–서 방향의 온실 구조가 연간 냉난방 비용을 절감할 수 있음을 밝힘으로써 온실 기초 설계에 대한 지표를 제시하였다. Boccalatte et al.(2021)는 소규모 태양광 온실을 대상으로 태양광 발전이 온실의 필요한 전력 에너지를 공급할 수 있는지를 시뮬레이션 하여, 제안한 에너지 절감 방식을 사용한 온실이 1년 이상 소비와 발전의 균형을 유지할 수 있음을 보여주었다. Lee et al.(2023)는 건물 에너지 시뮬레이션을 이용하여 전주 지역의 토마토 온실을 대상으로 연료 전지 열병합 시스템을 적용하기 위한 온실의 냉난방 에너지 부하를 예측하였다. 또 Goo et al.(2024)는 나주시 농업기술센터 온실을 기준으로 다양한 조건 하에서 온도 및 습도 제어와 에너지 비용을 예측해 온실 냉방 부하 절감을 위한 의사 결정 도구 모델을 제작하였다. 이와 같이 온실 에너지 시뮬레이션은 온실의 에너지 부하를 예측하고, 신재생 에너지 도입이나 냉난방 시스템 최적화 같은 다양한 대안을 테스트하여 에너지 효율성과 작물 생육 환경을 동시에 고려할 수 있다는 장점이 부각되고 있다.

본 연구는 온실 환경을 모사하는 데에 건물 에너지 시뮬레이션인 EnergyPlus를 활용하였다. EnergyPlus는 건물의 물리적 조건과 에너지 흐름의 정밀한 묘사가 가능한 오픈소스 기반의 무료 소프트웨어로, 접근성이 높아 다양한 농가 및 온실에 보편적으로 적용할 수 있는 잠재력이 있다. 또한 Python과 연동이 가능하며 사용자 정의 제어 전략을 구현할 수 있는 Energy Management System(EMS) 모듈을 포함하고 있어, 온실 제어 인공지능 모델 및 강화학습 알고리즘의 연동 및 호환성의 측면에서 추후 에너지 시뮬레이션 모델 기반의 인공지능 최적 제어 시스템 개발에 적용하기에 적합하다.

인공지능과 결합된 제어 알고리즘을 활용하여 온실 에너지 소비를 효율화 하려는 연구도 활발히 진행 중이다. Hu and You(2022)는 재생 에너지의 활용을 극대화하고 온실 운영에 사용되는 에너지 소비를 줄이기 위해 모델 예측 제어(Model Predictive Control)와 머신러닝을 통합한 온실 환경 제어 프레임워크를 제안하였다. 반밀폐형 온실의 조건과 환경을 반영하는 시뮬레이션 모델을 구축하여 통합 환경 제어 모델을 적용한 결과, 재생 에너지 사용 효율성이 127.5% 향상되고 작물 생산량이 최대 16.1% 증가함을 보고하였다. 또한 Chen et al.(2023)은 벤로형 온실의 천창 및 냉각 패드팬 운용을 목표로 인공지능 제어 알고리즘을 온실 시뮬레이션에 적용함으로써, 팬 가동 시간을 30.47%까지 줄이면서도 작물 생육에 적합한 환경을 유지할 수 있음을 보였다.

이러한 선행 연구들은 인공지능 기반 제어 알고리즘을 활용하여 온실 에너지 소비 절감과 작물 생장 환경 개선을 동시에 달성할 수 있음을 보여준다. 에너지 소비를 최소화하면서 최적의 생육 환경을 조성하기 위해서는 온실의 최적 제어 전략에 대한 연구가 필수적이며, 인공지능 모델을 활용한 전략 도출이 효과적인 대안이 될 수 있다. 이를 성공적으로 구현하기 위해서는 먼저 정교한 온실 에너지 시뮬레이션 모델을 구축 및 검증하는 과정이 선행되어야 한다.

따라서 본 연구는 이러한 배경에서 강원도 평창에 위치한 실증 온실을 대상으로 EnergyPlus 기반의 에너지 시뮬레이션 모델을 개발하고, 모델의 정확도를 실측 데이터와 비교 및 검증하는 데 중점을 두었다. 이후 난방 및 환기 설정 온도 설정값을 달리 적용한 세 가지 시나리오를 적용하여 전력 사용량과 난방용 등유 소비를 분석하였고, 각 시나리오에서의 온도 설정값과 시뮬레이션으로 도출된 온실 내부 온도를 비교함으로써 각 시나리오별 설정이 작물 재배 환경에 미치는 영향을 평가하였다. 이를 통해 온실 시뮬레이션이 에너지 효율화와 작물 환경 관리를 위한 주요 도구로 활용될 수 있음을 제시하고자 한다. 궁극적으로 본 연구의 결과는 온실 최적 제어 전략에 대한 기초 자료를 제공하고, 향후 인공지능 기반의 에너지 절감 및 환경 제어 알고리즘 개발에 활용될 수 있는 토대를 마련하는 데 기여할 것으로 기대한다.

재료 및 방법

온실 구조 및 온실 모델링

본 연구는 강원특별자치도 평창군 대관령면 횡계리에 위치한 한국과학기술연구원 스마트팜 융합연구센터(Korea Institute of Science and Technology, KIST)의 횡계 AI 실증온실을 대상으로 온실 모델링을 진행하였다. 해당 온실은 폭 8.0m의 8-span 벤로형 온실이며 측고 5.3m, 동고 6.27m, 길이 24.0m의 규모를 갖추고 있다. 온실은 재배 공간과 관리실로 구분되어 있으며, 본 연구에서는 재배 공간을 중심으로 모델링을 진행하였다. 연구에 사용된 재배 공간의 면적은 1,344m²(56.0 × 24.0m, 403평)이다.

온실 내부의 열 환경 및 에너지 소비량을 다양한 환경 설정에 따라 분석하기 위해, 실제 온실에서 사용되는 천창 개폐 시스템, 2중 스크린, 난방 레일, 내부 유동팬, 포그 시스템 등을 모델에 구현하였다. 온실의 3D 구조 모델링은 Sketchup의 플러그인인 OpenStudio를 활용해 수행했으며, 온실 자재 특성 및 설비 시스템 설정 등은 OpenStudio 애플리케이션과 EnergyPlus 23.1을 통해 수행하였다. 기상 데이터는 미국 해양 대기청의 통합 지표 데이터베이스(Integrated Surface Database, ISD)를 기반으로 개발된 표준 기상 데이터인 TMYx(Typical Meteorological Year)를 사용하였다(Lawrie and Crawley 2019). TMYx는 크게 두 가지 유형으로 나뉘는데, 첫 번째 유형은 해당 지역의 전체 ISD 데이터를 바탕으로 생성된 것이고, 두 번째 유형은 최신 데이터를 기반으로 만들어져 기후 변화와 도시화에 따른 기상 특성을 더 잘 반영한다. 첫 번째 유형은 최신 기상 패턴을 상대적으로 덜 포함할 수 있기 때문에, 본 연구에서는 연구 시점 기준으로 가장 최신 데이터인 TMYx(2007–2021)를 활용하였다(Bre et al. 2021).

대상 온실은 바닥 난방레일과 벤로형 구조의 특성상, 수직 높이에 따른 온도 성층화가 발생할 가능성이 높다(Ge et al. 2023). 그러나 EnergyPlus 시뮬레이션에서는 내부 공기가 균일하게 혼합된다고 가정하므로, 실제 온실에서 발생하는 높이에 따른 온도 분포를 정확하기 재현하기 어렵다. 이를 개선하기 위해 Goo et al.(2024)은 벤로형 온실을 대상으로 IRT(Infrared Radiation Transfer) 자재(material)와 Airflow Network 기능을 결합하여 공간을 구획하는 모델링 방안을 제시하였다. 특히, EnergyPlus에서 구현되는 IRT 자재는 공간 표면 간 적외선 복사 교환을 가능케 하여 수직 구간의 열 환경을 보다 실제에 가깝게 모사할 수 있도록 돕는다. 본 연구에서는 이러한 선행연구를 참고하여, 온실 내부를 상층구역(Zone 1)과 하층구역(Zone 2)으로 구분하고, 두 구역 사이에 IRT 자재로 구성된 문(IRT Door)을 수평으로 배치함으로써 자연스러운 열교환과 공기 유동이 일어날 수 있도록 모델링하였다. 생성된 3D 온실 모델은 Fig. 2와 같다.

앞서 구축한 모델을 토대로 대상 온실의 자재 특성을 다음과 같이 설정하였다. 온실은 경량 철골 구조로 설계되었고, 바닥은 토양 위에 폴리에스터(Polyester) 천으로 덮여 있는 구조이다. 이를 반영하기 위하여, 바닥 재질은 두 가지 자재가 적층된 형태로 구성하였다. 폴리에스터 천의 재료 특성은 불투명 자재의 열 저항값을 설정할 수 있는 Material : NoMass 객체를 활용하여 0.0001m²·K·W^-1로 설정하였다(Hashan et al. 2017). 또한, 철재 프레임과 토양의 특성은 불투명한 건축 자재 특성을 정의하는 Material 객체를 사용하여 Table 1과 같이 설정하였다(Adesanya et al. 2022; Goo et al. 2024).

대상 온실의 외피 재료 및 2중 스크린에 대한 자재 특성은 Table 2와 같다. 온실의 벽체는 복층 폴리카보네이트(Polycarbonate)로 구성되어 있으며 불소수지 필름(Ethylene Tetra Fluoro Ethylene; F-CLEAN Clear, AGC Green-Tech Co., Ltd., Tokyo, Japan)으로 덮여 있다. 온실의 벽체 및 천창은 빛이 투과되어야 하므로 광학적 특성을 갖는 건축 요소를 정의하는 WindowMaterial : Glazing 객체를 활용하였다(Moretti et al. 2017). 또한, 2중 스크린은 창문 차양의 특성을 정의하기 위한 WindowMaterial : Shade 객체를 활용하였다(Adesanya et al. 2022).

3D 구조 모델링을 기반으로, 온실 내 설비 시스템을 다음과 같이 설정하였다. 먼저 천창 개폐 시스템은 온실 도면에 명시된 개폐 가능한 천창(Fig. 2, openable window)을 기준으로 설계하였다. 천창은 중심축을 기준으로 수평 회전하는 방식이며, 이를 반영하기 위해 Component : DetailedOpening 객체에서 개구부 유형(Large Vertical Opening)을 Horizontally Pivoted 로 지정하였다. 또한, 환기 온도 스케줄에 따라 천창이 최소 20% 개방되도록 Minimum Venting Open Factor를 0.2로 설정하였다. 실제 온실에서는 Fig. 2에 표시된 창문 면적의 절반(50%)만 개폐되므로, 모델에서도 Opening Factor를 0.5로 설정하여 표면 면적의 절반만 개폐되도록 조정하였다. 온실의 스크린에 해당하는 차광 시스템은 빛의 투과를 조절하고 보온의 역할을 한다는 점에서 동일하도록 WindowShadingControl 객체를 활용하여 창문에 스크린을 부착한 형태로 재료를 정의하였다. Table 2에 제시된 재료 특성을 기반으로, 개폐 천창을 제외한 나머지 부분에 부착된 형태로 모델링하였다. 난방 시스템은 기름보일러에서 가열된 물이 바닥 난방 튜브 레일을 지나며 온실 내부를 데우는 방식이다. 온실 내부에서 발생하는 대류 및 복사열을 보다 정확하게 모델링하기 위해 Baseboard : RadiactConvective : Water 객체를 사용하였다. 해당 객체는 물을 기반으로 하는 보일러 베이스보드 난방기로써 해당 장치가 보일러에 연결되어 온실 내부를 난방 하는 것으로 모델링하였다. 온실 내에는 유동팬이 여러 대 설치되어 있으나, 앞서 언급했던 것처럼 EnergyPlus는 기본적으로 내부 공기가 균일하게 혼합된다고 가정하기 때문에, 실제 온실처럼 유동팬 작동에 따른 공기 유동 상태를 직접적으로 모델링하기 어렵다. 이를 보완하기 위해, Fan : ZoneExhaust 객체를 사용하여 유동팬 작동을 모델링하였다. 해당 객체는 벽이나 창문과 같은 표면을 통해 공기 흐름을 모델링할 수 있으며, 천창 개폐 시스템과 연동함으로써 보다 현실적인 온실 내 공기 순환을 구현할 수 있도록 하였다. 온실에는 총 7개의 유동팬이 설치되어 있으며, 이를 모델링에 모두 포함하여 내부 공기 유동을 세부적으로 반영하였다. 마지막으로 포그 시스템은 EnergyPlus 내에 직접 대응되는 설정이 없으므로, WaterUse : Equipment 객체를 활용하여 효과를 구현하였다(Goo et al. 2024). 이 객체는 세면대와 샤워기 등의 가정용 온수 사용을 모델링하는 용도이지만, 이를 활용하면 특정 구역에서 발생하는 현열 및 잠열 획득을 실제 물 사용량과 연계하여 시뮬레이션 할 수 있다. 본 연구에서는 포그 시스템을 통해 15–16°C의 물이 1시간에 약 1톤 분무되도록 설정하였으며, 이에 따른 최대 유량은 0.0002778m³·s^-1 이다.

Fig. 2.

3D greenhouse model created in OpenStudio with openable ceiling windows (highlighted in red) for external airflow in Zone 1 (upper greenhouse) and an IRT Door for infrared radiation exchange between Zone 1 and Zone 2 (lower greenhouse).

온실 시뮬레이션 검증

온실 시뮬레이션 모델이 실제 온실 환경을 얼마나 정확하게 재현했는지 확인하기 위하여, 3월에서 6월까지 대상 온실에서 1시간 간격으로 수집한 실내 온도와 시뮬레이션 결과로 산출된 온도를 비교하여 모델의 정확도를 검증하였다. 이때, 시뮬레이션에 적용된 난방 및 환기 설정값은 실제 온실 설정 온도 시나리오(Scenario 3, Real Greenhouse setpoint)에 기반한 일부 3개월치(3–6월)의 데이터와, 온실이 위치한 강원도 대관령의 날씨 데이터를 반영하였다. 온실 내부 온도는 Fig. 3에 표시된 네 지점에 설치된 센서의 측정값을 평균하여 산출하였다. 이 중 한 개의 센서는 SH-VT260(SOHA-TECH, 서울시, 한국)으로, 온도, 습도 및 이산화탄소 농도를 측정할 수 있으며 ‒25°C에서 85°C까지의 범위에서 ±0.3°C 이내의 측정 오차를 가진다. 나머지 세 센서는 고급형 RMFarm3(Ireis, 강릉시, 한국)에 포함된 온습도 센서로, ‒20°C에서 120°C까지의 범위를 측정할 수 있으며 온도에 대한 정확도는 ±5% 이다. 모든 센서는 작물이 생장함에 따라 생장점 높이에 맞추어 위치를 조정하였고, 이 과정에서 지면으로부터 약 190–222cm 범위에서 측정이 이루어졌다.

Fig. 3.

Environmental sensors in the greenhouse were installed at intervals along each cultivation bed to measure conditions near the plants’ growing tips, with their vertical placement adjusted as the plants grew.

건축물의 에너지 절감 효과와 성능을 검증하기 위해 활용되는 M&V(Measurement and Verification) 기준인 ASHRAE Guideline 14-2002는 건물 시뮬레이션 결과와 실제 측정값 간의 허용 오차 범위를 제시하고 있다. 이 가이드라인에 따르면, 시간별 데이터를 사용할 경우 허용 가능한 오차 범위는 Cv(RMSE)(Coefficient of Variation of the RMSE)가 30% 이하, MBE(Mean Bias Error)가 ±10% 이내이어야 한다. Cv(RMSE)와 MBE의 계산식은 다음과 같다.

Mi은 실제 측정 값, Si는 시뮬레이션 예측 값, M¯은 Mi의 평균이다.

세 가지 온실 환경 설정 시나리오

본 연구에서는 다양한 난방 및 환기 온도 조건을 온실 에너지 시뮬레이션에 적용하여, EnergyPlus로 산출되는 환경 요소와 에너지 사용량 변화를 비교하기 위해 세 가지 시나리오를 구성하였다(Fig. 4). 세 가지 시나리오들은 (1) 고정 설정 온도 시나리오(Scenario 1, Static setpoint), (2) 이상적 생육 온도 시나리오(Scenario 2, Ideal setpoint), (3) 실제 온실 설정 온도 시나리오(Scenario 3, Real greenhouse setpoint)로 구성되었다.

Fig. 4.

Heating and natural ventilation setpoints for three simulation scenarios: (A) Scenario 1 (Static setpoint): fixed setpoints maintained from January through June; (B, C) Scenario 2 (Ideal setpoint): two distinct setpoints applied for January-February and March-June; (D, E, F) Scenario 3 (Real greenhouse setpoint): bi-monthly setpoint adjustments implemented from January to June.

첫 번째 시나리오인 ‘고정 설정 온도 시나리오’에서는 24시간 동안 난방 온도 설정값과 환기 설정값을 각각 15°C와 35°C로 일정하게 유지되도록 하였다. 이는 대상 온실의 온도 운영에서 최저 및 최고 온도 범위인 15–35°C 내에서 고정적인 온도 설정이 미치는 영향을 확인하기 위한 것으로, 계절 변동에 따른 외부 환경 변화를 고려하지 않은 일종의 기준점 역할도 수행되도록 설계되었다. 두 번째 시나리오는 토마토의 생육 특성과 계절적 변화를 고려하여 이상적인 설정을 반영한 ‘이상적 생육 온도 시나리오’이다. 토마토의 정상 생육 및 과실 생산이 가능한 주간 온도 범위(21–29°C)와 야간 온도 범위(15.5–21°C)를 바탕으로 주간과 야간에 서로 다른 온도를 적용하도록 설정하였다. 주간과 야간의 구분은 강원도 대관령 지역의 월평균 일출 및 일몰 시간을 기준으로 하였고, 온실 재배의 계절적 특성을 반영하여 겨울철(1월과 2월)에는 난방 및 환기 설정값을 3월에서 6월보다 2–3°C 낮게 적용하였다. 세 번째 시나리오는 ‘실제 온실 설정 온도 시나리오’로서, 실제 운영 데이터를 기반으로 현실적인 온실 관리 조건을 반영하였다. 대상 온실에서 실제 운영된 온도 설정값을 바탕으로, 2개월 단위로 구분하여 1–2월, 3–4월, 5–6월의 온도를 각각 다르게 적용하였다. 본 시나리오에서는 1–6월의 설정값을 적용함으로써 현장에 적용 가능한 온도 설정값이 에너지 수요에 미치는 영향을 파악하고자 한다.

모든 시나리오에서 난방 및 환기 설정 온도 외의 다른 환경 요소들은 동일하게 유지하였다. 유동팬과 포그 시스템은 24시간 구동 상태로 설정했고, 스크린은 월별 일출과 일몰 시간을 반영하여 일출부터 일몰까지 개방되도록 하였다. 시뮬레이션은 모든 시나리오에서 1월부터 6월까지 동일하게 진행하였다.

시뮬레이션 시나리오에 따른 난방 및 환기 설정 온도 범위 위반 분석: Violation Score

각 시나리오의 난방 및 환기 설정 온도는 작물 생육에 필요한 적정 온도 범위를 기반으로 설정되었다. 난방 설정 온도는 온실 내부 온도가 이 값 이하로 떨어지지 않도록 유지해야 하는 최소 기준이며, 환기 설정 온도는 이 값을 초과하지 않도록 관리해야 하는 최대 기준으로 간주하였다. 시뮬레이션을 통해 각 시나리오에서 설정한 난방 및 환기 온도 범위가 얼마나 안정적으로 유지되는지를 평가하고, 이를 목표 작물의 생육 조건 충족 여부로 해석하였다. 온실 온도가 정해진 범위를 벗어날 경우 작물의 생장과 수확량이 저하되고 작물 스트레스가 증가하기 때문에, 온실 재배의 경제성을 높이기 위해서는 설정 온도를 안정적으로 유지하는 온도 관리가 필수적이다(Omer 2024).

시나리오별 시뮬레이션에서는 10분 간격으로 온실 내부 온도를 산출하였고, 이 값이 난방 설정 온도 미만이거나 환기 설정 온도를 초과하는 상황을 평가하기 위해 두 가지 위반(violation) 유형을 정의하였다. 첫 번째 위반 유형은 산출된 온도가 난방 설정 온도 이하로 떨어져 온실 내부가 충분히 가온 되지 못한 상태를 나타내고, 두 번째 위반 유형은 예측 온도가 환기 설정 온도보다 높아져 온실 내부 온도가 지나치게 상승한 상태를 나타낸다. 시뮬레이션으로 산출된 온도가 설정된 온도 범위를 벗어난 정도를 정량적으로 평가하기 위하여 각 위반 발생 시 시뮬레이션 온도가 설정 기준에서 얼마나 벗어났는지를 양의 편차로 계산하고 이를 누적 합산하여 첫 번째 위반 유형에 대하여서는 Violation Score(lower)로, 두 번째 위반 유형에 대하여서는 Violation Score(upper)로 각각 정의하였다. 난방 온도 미만 위반과 환기 온도 초과 위반은 서로 다른 환경 제어 조치가 필요할 수 있기 때문에, 두 위반 유형별 점수를 독립적으로 산출하였으며, Violation Score가 클수록 온도가 설정 범위에서 더 많이 벗어났음을 의미한다. Violation Score의 계산 방법은 다음 수식으로 나타낸다.

THeatS(i)는 시간 i에서의 난방 설정 온도, TVentS(i)는 환기 설정 온도, 그리고 Tpred(i)는 시뮬레이션 예측 온도이다.

전력 및 등유 사용량 계산

본 연구에서 수행한 온실 에너지 시뮬레이션은 온실 운영에 필요한 에너지 사용량을 정밀하게 산출하기 위해 설계되었다. 시뮬레이션에서는 크게 두 가지 주요 에너지원, 즉 전력과 난방용 등유의 사용량을 계산하였다. 전력 사용량 계산에는 유동팬 구동 전력과 난방 보일러의 온수 공급 펌프에 소모되는 전력이 포함되었으며, 난방 보일러 가동 시 소비되는 등유량이 에너지 사용 결과값으로 도출되었다.

시나리오별 에너지 부하는 MJ 단위로 산출되므로, 이를 실제 사용량 단위인 전력(kWh)과 등유(L) 사용량으로 환산한 뒤 그에 따른 비용을 산정하였다. 구체적으로 전력 사용량은 1MJ을 0.2778kWh로 환산하여 산정하였고, 등유는 1L당 36.6MJ의 열량을 가정하여 에너지 부하 값을 36.6으로 나누어 사용량(L)을 산정하였다.

전력 요금 산정에는 2024년 1월 1일부터 시행된 농사용전력(을) 저압 요금 체계를 적용하였다. 기본 요금 1,150원과 전력량 요금 56.8원/kWh를 기준으로 하였으며, 계산의 일관성과 실제 농가의 전력 사용 패턴을 고려하여 계약 전력 74kWh, 역률 지상 100%, 진상 0%로 설정하였다. 등유 요금의 경우, 시뮬레이션 기간인 1월부터 6월까지의 실제 시장 가격을 반영하였다. 이를 위해 2024년 1월부터 6월까지 강원도 주유소의 면세 등유 월평균 판매가격을 분석하여, 평균 가격인 1,144.77원/L를 적용하였다.

결 과

온실 시뮬레이션 검증

시뮬레이션 모델의 성능 검증을 위해, 시뮬레이션에서 예측된 온도가 실제 대상 온실의 내부 온도 변화를 어느정도 반영하는지 비교하였다. Table 3은 ASHRAE Guideline 14-2002에 따라 월별 내부 온도 오차를 나타낸 결과이고, Fig. 5에서는 3월부터 6월까지의 검증기간 동안 시뮬레이션 예측 온도와 실제 온실 내부 온도 간의 변화를 비교하였다. 그 결과, 3월에서 6월사이 월별 Cv(RMSE) 및 MBE가 각각 허용 오차 범위 수준 이내인 30% 및 ±10% 이내로 나타났으며, 전체 기간에 대해서도 Cv(RMSE)는 19.38%, MBE가 0.52%로 측정되어, 시뮬레이션 결과와 실제 측정값 간의 오차가 허용 범위 내에 있음을 확인하였다.

Fig. 5.

Comparison of outdoor temperatures, simulated indoor temperatures, and measured indoor temperatures for March (A), April (B), May (C), and June (D).

Figure 5에서 볼 수 있듯이, 시뮬레이션에서 도출된 온도가 실제 온실의 온도와 유사한 패턴을 보이고 있어, 온실 시뮬레이션이 하루 동안의 실내 변온 환경을 정상적으로 예측하고 있음을 알 수 있다. 그러나 5–6월 기간에는 시뮬레이션 예측 온도가 실제 온도보다 더 높게 나타나는 경향이 관찰되었으며, Table 3에서 해당 기간의 MBE 수치가 음수로 나타난 것도 이러한 과대 추정을 뒷받침한다. 이 같은 차이는 단순히 모델 설정 문제가 아닌, 모델 변수와 모델 형식, 관측 과정에서의 불확실성, 외부 기온이나 습도, 일사량 등 온실에 영향을 주는 다양한 요인을 종합적으로 고려할 필요가 있음을 시사한다(Beaulac et al. 2024). 실제로 Rasheed et al.(2020)의 연구에서도 시뮬레이션 값과 실제 온도의 차이가 자연 환기 제어가 이루어지는 주간 시간대에 가장 크게 나타났다고 보고하였고, 통제되지 않는 외부 변수의 개입이 시뮬레이션의 오차를 유발할 수 있는 가능성을 보였다.

한편, 본 연구에서는 시뮬레이션에서 산출된 에너지 사용량이 실제 온실 운영 상황과 어느 정도 부합하는지 직접 검증하지 않았다. 향후 연구에서는 시뮬레이션 모델이 산출한 에너지 소비량의 신뢰성을 평가하기 위해, 실제 온실 환경에서 전력량 센서 등을 활용해 데이터를 수집하고 시뮬레이션 결과와 정량적으로 비교 및 분석하는 연구가 필요하다. 이를 통해 모델의 정확도를 높이고, 시뮬레이션의 한계를 파악하여 모델을 수정 및 보완하는 후속 연구가 이루어질 수 있을 것으로 기대한다.

시나리오 별 온도 범위 위반 점수 및 에너지 사용량 비교

세 가지 시뮬레이션 시나리오를 적용했을 때의 위반 점수, 전력 사용량, 난방 연료 사용량, 예상 비용에 대한 결과는 다음과 같다. 먼저, 각 시나리오에서 설정한 난방 및 환기 온도와 시뮬레이션으로 산출된 내부 온도를 비교하여, 내부 온도가 설정된 온도 범위를 얼마나 벗어났는지를 점수화한 후 이를 월별로 누적하여 시각화 하였다(Fig. 6). 점수가 높을수록 실제 온도가 목표 범위에서 크게 벗어났음을 의미한다. 대부분의 시나리오에서 시간이 지남에 따라 월별 Violation Score(lower)는 감소하는 반면, Violation Score(upper)는 증가하는 경향을 보였다. 또한, 전반적으로 Violation Score(lower)가 Violation Score(upper)보다 더 높게 나타났다.

시나리오별 특징을 살펴보면 Scenario 1에서 1월과 2월의 Violation Score(lower)가 가장 높게 나타났다. 특히 1월의 경우, Scenario 1의 Violation Score(lower)가 Scenario 3에 비해 34% 더 높았다(Table 4). 이는 해당 시뮬레이션 환경 조건에서Scenario 1과 같이 난방 온도를 하루 종일 일정하게 유지하는 방식보다는 Scenario 2와 Scenario 3과 같이 주 ‧ 야간 또는 시간대별로 온도를 차등 조절하는 방식이 온실 내부 온도 유지와 관련하여 유리함을 나타냈다. 한편, Scenario 3에서는 5월부터 Violation Score(upper)가 다른 시나리오들에 비해 급격히 증가하는 양상을 보였다(Fig. 6B). 이는 5월에서 6월 사이 외부 기온이 상승하면서 30°C를 초과하는 날이 많아진 데 따른 결과로 해석된다. Scenario 1에서는 환기 설정 온도가 하루 종일 35°C로 유지되었고, Scenario 2에서는 주간 시간 동안 30°C로 설정되었다. 반면, Scenario 3에서는 외부 기온 상승에 대응하기 위하여 5월과 6월의 평균 환기 설정 온도를 22°C로 낮추어 운영하였다. 이로 인해 시뮬레이션에서 산출된 실제 온도와 환기 설정 온도 간의 차이가 다른 시나리오보다 크게 나타났으며, 그 결과 Violation Score(upper)가 상대적으로 높게 계산되었다.

Fig. 6.

Comparison of monthly violation scores for each scenario: (A) Violation Score (lower) and (B) Violation Score (upper).

다음은 각 시나리오 별 에너지 사용량을 비교한 시뮬레이션 결과이다. 시뮬레이션에서는 전력과 난방용 등유 사용량을 기반으로 에너지 부하를 산출하였고, 총 에너지 부하는 Scenario 1, 2, 3에서 각각 195,428MJ, 255,913MJ, 223,608MJ으로 나타나 Scenario 2에서 가장 많은 에너지가 소비되었다. 시간의 경과에 따른 에너지 사용 패턴을 살펴보면, 6월에 가까워질수록 전체적인 에너지 부하가 감소하는 경향을 보였다(Fig. 7). 이는 여름철에 접어들면서 난방 필요성이 줄어드는 것에 기인한 것으로 판단된다. 한편, 겨울철(1–2월)에는 Scenario 3의 에너지 부하가 각각 76,087MJ(1월)와 57,640MJ(2월)로 가장 높게 나타났다. 그러나 3월부터는 Scenario 2의 에너지 부하가 56,808MJ로 증가하여, Scenario 1에 비해 39.15% 높은 수준을 보였다(Table 5). Scenario 1은 다른 시나리오들에 비해 전반적으로 에너지 사용량이 적었지만, 1–2월 Violation score(lower)가 높아 적정 온도 범위를 유지하는 데에는 미흡한 것으로 나타났다. Elings et al.(2005)는 주간 및 야간 설정 온도를 2°C 낮춘 결과 16%의 에너지를 절약할 수 있었으나, 일사량이 부족한 겨울철 온실 내부 온도 하락으로 인해 엽면적이 감소하고 토마토 트러스 형성에도 악영향이 생겨 결과적으로 품질 저하 가능성이 있다고 언급한 바 있다. 이러한 결과는 에너지 효율성과 작물 생육 조건 사이의 균형을 고려한 최적의 온실 환경 관리 전략 수립의 중요성을 강조한다.

Fig. 7.

Comparison of the total energy (electricity (MJ) + fuel oil (MJ)) outcomes in three scenarios.

시나리오에 따른 전력 사용량은 각각 12,773kWh, 12,926kWh, 12,826kWh로 세 시나리오가 비슷한 수치를 보였다(Table 6). 이는 해당 시뮬레이션에서 전력 사용량이 유동팬과 난방 보일러 온수 공급 펌프의 작동의 합으로 계산되는데, 전체 전력 사용량의 90% 이상이 유동팬에 의해 소비되었기 때문에 보일러 온수 공급 펌프 전력 사용량의 차이가 크게 영향을 미치지 않았던 것으로 해석된다. 따라서 시나리오 별 총 에너지 사용량 비교(Fig. 7)에서 6월에 가까워질수록 총 에너지 부하가 감소하는 경향을 나타내었던 것은 대부분의 전력 사용이 상시 가동되도록 설정된 유동팬에 의해 발생했기 때문으로, 월별 총 에너지 부하의 차이는 등유 사용량에서 기인하였다.

등유 사용량은 난방 가동과 밀접한 관련이 있어, 난방 수요가 높은 겨울철(1–2월)에 가장 사용량이 많고 이후 기온 상승과 함께 점차 감소하는 경향을 보인다(Table 7). 시나리오에 따른 등유 사용량을 비교하였을 때, Scenario 2에서 총 5,721L로 가장 많은 등유가 사용되었다. 특히 Scenario 2는 3월부터 6월까지 등유 사용량이 다른 시나리오에 비해 많았으며, 외부 기온이 비교적 높은 5월과 6월에도 각각 408.715L와 189.461L를 소비한 것으로 나타났다. 이는 Scenario 2의 난방 설정 온도가 야간 15.5°C, 주간 21°C로 다른 시나리오보다 높게 설정되어, 목표 온도에 도달하기 위해 더 많은 등유가 필요했기 때문으로 해석된다. 5–6월 등유 사용량이 가장 적은 Scenario 3에서는 난방 설정 온도를 평균 약 14°C로 낮추어 설정하였다. 이처럼 외부 기온이 상승하는 시기에는 난방 필요성이 줄어들기 때문에 난방 설정 온도를 낮추면 불필요한 난방 가동을 최소화할 수 있을 것으로 풀이된다.

결론 및 고찰

국내 가온 온실 면적은 꾸준히 증가하고 있으며, 온실 운영비에서 에너지 비용이 차지하는 비중도 상당히 높은 수준이다. 온실 에너지 소비의 대부분은 석유류와 전력에 의존하는데, 2023년 기준 전력을 이용한 가온 농가의 비중이 11.1%까지 확대되었음에도 여전히 석유류 의존도가 높은 상황이다(Greenhouse Vegetable Production Status, 2023). 이는 에너지 수입 의존도가 높은 한국에서 국제 정세 변화에 따라 유가와 환율 변동이 발생할 경우, 에너지 비용이 급등할 위험이 있음을 시사한다. 더불어 농업용 전기 요금도 지속적으로 인상되고 있어, 농사용 전력량 요금(을) 저압 기준은 2022년 4월 39.1원/kWh에서 2025년 4월 65.9원/kWh로 68.5% 인상될 예정이다. 이러한 에너지 비용 상승은 생산비를 높여 농가의 경제적 부담을 더욱 가중시키고 있다. 이러한 배경에서, 본 연구에서 개발한 온실 에너지 시뮬레이션 모델은 온실 운영 시 에너지 소비를 정량적으로 분석하고, 다양한 환경 설정에 따른 전력 및 등유 사용량과 이에 따른 비용을 시나리오별로 평가함으로써 경제적 측면에서의 직관적인 이해를 가능하게 하였다. 나아가 시뮬레이션에서 산출한 온실 온도를 실제 온실에서 측정한 온도와 비교한 결과, 두 값의 오차가 허용 범위 내에 있음을 확인하였다. 이는 온실 에너지 시뮬레이션이 효과적인 에너지 관리 전략을 수립하고, 농가의 운영 비용을 절감하기 위한 기초 데이터로 활용될 수 있음을 보여준다.

나아가 본 모델의 활용은 단순한 에너지 수요 예측을 넘어, 작물 생산성과 직결되는 최적의 생육 환경을 분석하고 예측하는 도구로 활용될 수 있다. 본 연구에서 활용한 시뮬레이션 접근법은 온실 내부 환경을 정밀하게 예측하여 관리 및 제어하려는 기존 연구들의 연장선에 있다. 선행 연구에서는 인공신경망(ANN)을 이용하여 온도를 예측하거나, 전산유체역학(CFD) 모델로 차광과 바람의 영향을 분석하고, 온실 조건에 따라 최적의 환기 온도를 탐색하는 등의 연구가 수행되었다(He et al. 2014; Kim et al. 2018; Jung et al. 2020). 본 연구는 특정 난방 및 환기 시나리오에서 설정 온도가 안정적으로 유지되는지 시뮬레이션으로 평가하고, 이를 통해 효과적인 온실 환경 관리 조건을 분석하였다. 이처럼 온실 시뮬레이션은 다양한 환경 조건을 효과적으로 재현하고 실제 환경에 적용 가능한 전략을 탐색하는 데 매우 유용함을 보여준다.

본 연구의 온실 에너지 시뮬레이션 모델은 작물 생육 모델이 포함되지 않았다는 한계를 가진다. 일반적인 건물 에너지 시뮬레이션과 달리, 온실 시뮬레이션에서는 작물이 환경과 생물학적으로 상호작용한다는 점을 고려해야 한다. 작물 생육에 영향을 주는 주요 요인으로는 온도, 상대 습도, 이산화탄소 농도, 광 등이 있으며, 이들 요소는 온실의 에너지 소비와 내부 환경에 큰 영향을 준다. 그러나 본 연구에서는 이 중 온도만을 변수로 반영하였다. 실제 온실에서는 작물의 증산작용이 상대 습도에 영향을 주며, 이는 냉각 효과를 유발하여 온실 내부의 열환경을 변화시키는 중요한 요인으로 작용한다. 또한, 이산화탄소 농도는 작물의 광합성률과 밀접하게 연관되어 있어, 이를 적절히 조절함으로써 생산성을 극대화할 수 있다. 따라서 향후 연구에서는 작물 생육 모델을 시뮬레이션 환경을 통합하여, 온실 내부 환경을 보다 정밀하게 재현하고 에너지 사용 특성을 보다 정확하게 분석할 필요가 있다. 이를 통해 실제 온실 운영에 더욱 최적화된 에너지 관리 전략을 수립할 수 있을 것이다.

더 나아가, 시뮬레이션 모델을 실제 농업 현장에서 보다 실용적으로 활용하기 위해서는, 단순히 에너지 소비량을 예측하는 데 그치지 않고, 에너지를 최소화하면서도 작물 생육을 최적화할 수 있는 환경 제어 전략을 제시할 수 있어야 한다. 이를 위해 강화학습(Reinforcement Learning)과 같은 자율 최적화 알고리즘을 적용하여, 온실의 다양한 환경 요인을 반영한 최적의 제어 전략을 도출하는 방안을 고려할 필요가 있다. 최근 연구에서는 외부 기후 변화와 작물 생육 특성을 반영한 온실 시뮬레이터를 구축하고 이에 강화학습 알고리즘을 적용함으로써 자원 사용 효율을 높일 수 있음이 보고되었다(An et al. 2021). 강화학습 기반 환경 제어의 주요 장점은 환경 데이터를 지속적으로 학습하며 최적의 의사결정을 내릴 수 있다는 점이다. 이는 기존의 규칙 기반 제어보다 더욱 유연하고 역동적인 운영을 가능하게 한다. 실제 적용 사례를 살펴보면, 강화학습 알고리즘은 외부 기후 변화에 따라 난방 및 환기 설정을 실시간으로 조정할 수 있어 에너지 소비를 줄이면서도 작물 생육에 최적화된 환경을 유지할 수 있도록 한다. Ajagekar et al.(2023)의 연구에서는 이러한 강화학습 기반 온실 자동 제어를 통해 에너지 소비를 55% 이상 절감할 수 있음을 보여주었으며, 이는 온실 자동화 및 최적화 기술의 발전 가능성을 시사하는 결과로 해석된다. 이러한 접근 방식을 활용하면, 온실의 에너지 소비를 최소화하면서도 작물 생육에 적합한 환경을 자동으로 조성할 수 있는 지능형 제어 전략을 개발할 수 있다. 궁극적으로 이는 온실 운영의 에너지 효율성과 생산성을 동시에 극대화하는 방향으로 발전할 것으로 기대된다. 나아가, 이러한 기술의 발전은 지속 가능한 농업의 실현 뿐만 아니라 온실 운영의 경제성 향상에도 크게 기여할 것으로 전망된다.

결론적으로, 건물 에너지 시뮬레이션은 새로운 에너지원 및 에너지 절감 기술을 적용하기에 적합하며 원하는 기간에 대한 결과를 예측하고 분석할 수 있는 도구로 활용할 수 있다(Chahidi et al. 2021; Beaulac et al. 2024; Hou et al. 2024). 특히 온실 에너지 시뮬레이션은 단순한 에너지 소비 예측에서 나아가, 실시간 최적화 기반의 지능형 환경 제어 시스템으로 확장될 잠재력을 지닌다. 이러한 방향으로 연구를 발전시킨다면, 지속 가능한 농업과 탄소 중립 목표 달성에도 크게 기여할 수 있을 것으로 기대된다.