저비용 IoT 기반 실내 열쾌감 측정 및 에어컨 에너지 소비 예측 시스템

초록

본 연구는 라즈베리파이 4B+와 저가 센서를 활용해 실시간 실내 열쾌감(PMV)과 에어컨 설정 온도를 측정하고, SVM‑RF 혼합 모델로 1 °C 온도 변화에 따른 에너지 소비와 CO₂ 배출량을 예측한다. MQTT‑REST 기반 클라우드와 iOS·Windows 앱을 연동해 사용자에게 에너지 절감 피드백을 제공함으로써 중소형 사무실의 자발적 절전 행동을 유도한다.

상세 분석

이 논문은 기존 열쾌감 측정이 요구하는 복잡한 방사 온도·공기 속도 등 6가지 변수의 직접 측정을 저비용 센서와 수학적 변환으로 대체한다는 점에서 혁신적이다. 라즈베리파이 4B+에 SHT35, BME280, 풍속 센서, CO₂ 센서, 그리고 150 mm 구형 검은 구를 이용한 글로브 온도 측정 장치를 결합해 실내 환경 데이터를 실시간으로 수집하고, Python Sympy와 Math 라이브러리를 이용해 PMV를 계산한다. 또한, AC 패널의 디지털 디스플레이를 카메라(OV5647)와 OpenCV 기반 이미지 인식으로 읽어내어 설정 온도를 문자열로 변환한다는 접근은 하드웨어 개입 없이 기존 설비를 활용할 수 있게 한다.

데이터 전송은 MQTT의 Publish/Subscribe 모델을 사용해 라즈베리파이 → MQTT 브로커 → 클라우드(MySQL) → REST API 순으로 흐르며, 다계층 암호화로 보안을 강화하였다. 머신러닝 파이프라인은 먼저 SVM을 이용해 특성 중요도를 평가·제거하고, 이후 Random Forest, ANN, 선형 회귀, SVR 등 회귀 모델을 교차 검증한다. 최종적으로 SVM‑RF 조합이 R² 0.97이라는 높은 설명력을 보였으며, 1 °C 온도 조정 시 에너지 절감량과 CO₂ 감소량을 정량적으로 제공한다.

시스템은 iOS 알림과 Windows 데스크톱 UI를 통해 실시간 피드백을 제공함으로써 사용자의 인지와 행동 변화를 촉진한다. 그러나 모델 학습에 사용된 데이터가 특정 사무실 환경에 국한돼 있어 일반화 가능성에 한계가 있을 수 있다. 또한, PMV 계산에 사용된 복사 온도 추정식은 구형 구의 표면 온도만을 기반으로 하므로 외부 복사 영향이 큰 공간에서는 오차가 발생할 가능성이 있다. 향후 다중 구형 센서 배열이나 적외선 열화상 카메라 도입으로 측정 정밀도를 높이고, 전이 학습(Transfer Learning) 기반 모델을 적용해 다양한 건물 유형에 대한 적용성을 확대할 여지가 있다.