Ⅰ. BEOP 방법론을 적용한 공공건축물 에너지 낭비진단 및 온실가스 감축전략

요약 : 본 연구는 BEOP(Building Energy Optimization Plan) 방법론을 적용하여 전국 1,007개 공공건축물의 에너지 사용 및 계약전력 구조를 분석하고, 효율적 관리방안을 도출하였다. 분석 결과, 다수의 건축물에서 계약전력 과다로 인한 불필요한 기본요금 지출이 확인되었으며, 계약전력 조정만으로도 즉각적인 비용 절감과 온실가스 감축이 가능함이 입증되었다. 또한 BEOP 1단계 적용을 통해 전력 사용량 변화 없이 요금제 최적화를 달성하였고, 일부 시설에서는 전기 사용의 일부를 도시가스로 전환하여 추가적인 감축 효과를 확인하였다. 본 연구는 기술적 설비 교체 없이 데이터 기반의 합리적 계약관리만으로도 재정 절감과 탄소 저감이 동시에 가능한 공공건축물 관리모델을 제시하였다. 향후 BEOP 플랫폼을 고도화하여 온실가스 감축 모니터링, NDC 이행 지원, KOC 외부사업 연계 등의 확장 가능성을 제시하였다.

주제어: 건물 에너지 최적화 계획(BEOP), 공공건축물, 에너지 효율화, 계약전력 최적화, 온실가스 감축,

데이터 기반 관리

This study applied the Building Energy Optimization Plan (BEOP) methodology to analyze energy consumption and contract power structures across 1,007 public buildings in Korea, aiming to identify efficient management strategies. The analysis revealed that excessive contract power settings led to unnecessary fixed electricity costs, and that simple contract adjustments could yield immediate financial savings and greenhouse gas (GHG) reductions. Through the BEOP Stage 1 implementation, optimized tariff structures were achieved without changes in actual energy consumption, while some facilities further reduced emissions by partially replacing electric heating with city gas. The findings demonstrate that rational, data-driven contract management—without additional equipment investment—can simultaneously achieve fiscal savings and carbon reduction in public facilities. The study proposes BEOP as a practical model for data-based optimization of public building energy systems and suggests future expansion toward an integrated platform supporting GHG monitoring, NDC (Nationally Determined Contribution) implementation, and external carbon credit (KOC) projects.

Key Words : CBuilding Energy Optimization Plan (BEOP), Public buildings, Energy efficiency

Contract power optimization, Greenhouse gas reduction, Data-driven management

1. 서론

  기후변화는 인류가 직면한 가장 심각한 전 지구적 위기이며, 이에 대한 대응은 모든 국가의 공통된 책무로 인식되고 있다. 대한민국은 이러한 국제적 흐름에 부응하여 「2030 국가온실가스 감축목표(Nationally Determined Contribution, 이하 ‘NDC’)」를 수립하였으며, 2018년 대비 40%의 온실가스 감축을 목표로 하고 있다[1]. 국내 전체 온실가스 배출량의 약 76%는 에너지 사용에서 기인하며, 이 중 건물 부문(Building Sector)은 32.8%의 감축목표를 담당하고 있어 NDC 달성의 핵심 분야로 간주된다[2].

  특히 공공건축물(Public Buildings)은 국민의 세금으로 운영되고, 사회적 취약계층이 주로 이용한다는 점에서 에너지 효율화의 공공성과 사회적 파급효과가 크다. 그러나 많은 공공건축물은 노후화된 설비, 비효율적 운영체계, 전문 관리 인력의 부재 등으로 인해 구조적 에너지 낭비가 지속되고 있다. 2020년 기준 전국 공공건축물은 총 222,916동으로, 이 중 500㎡ 미만 소규모 건축물이 160,695동(72.1%), 500㎡∼3,000㎡ 미만 중규모 건축물이 43,921동(19.7%), 3,000㎡ 이상 대규모 건축물이 17,521동(7.9%) 오기입 779동 약 (0.35%)으로 나타났다[3]. 즉, 대규모 건축물은 전체의 7.9%에 불과하며, 중·소규모 건축물이 91.8%를 차지하고 있다.

  이러한 구조적 분포는 에너지 소비의 대부분이 중·소규모 공공건축물에 집중되어 있음을 의미한다. 그럼에도 불구하고, 해당 건축물들은 에너지 사용 표준이나 계약전력 체계가 명확히 정립되어 있지 않아 공공예산 낭비와 불필요한 온실가스 배출이 반복되고 있다[4]. 따라서 지방정부 등 공공건축물의 에너지 사용 정보를 하나의 통합 플랫폼으로 관리하고 표준화하는 것이 필수적이라 할 수 있다.

  기존의 공공건축물 에너지 관련 연구들은 주로 건축물의 단위면적당 에너지 사용량 산정, 유형별 소비 패턴 비교, 개별 건축물의 에너지 성능 평가 등에 국한되어 왔다[5]. 이러한 연구들은 특정 건물군의 절감 가능성을 제시하는 데 기여하였으나, 계약전력 체계나 요금제 구조 등 실제 예산 지출과 직결되는 관리 영역을 체계적으로 분석하지 못한 한계가 있었다. 또한 공공건축물의 에너지 관리 표준이 부재하고 전문 인력의 부족으로 인해 에너지 관리의 비표준화와 재정 비효율이 누적되고 있음에도 이를 실증적으로 검증한 연구는 매우 제한적이었다[6].

  이에 본 연구는 기존 연구의 한계를 보완하고, 데이터 기반의 공공건축물 에너지 사용 실태를 종합적으로 분석하여 에너지 낭비 요인 및 비효율적 예산 구조 규명을 목표로 하였다. 이를 위해 연구자가 독자적으로 개발한 BEOP(Building Energy Optimization Platform) 방법론을 적용하여 계약전력 체계, 에너지원별 비용 구조, 온실가스 배출량 간의 상호 연계성을 분석하였으며, 이를 토대로 공공건축물 에너지 관리의 표준화 및 최적화 전략을 도출하였다.

  본 연구를 통해 단순한 에너지 절감 수준을 넘어 공공재정 효율성 제고와 NDC를 위한 실질적 관리 전략 수립이 가능하게 함으로써 기존 연구와의 차별적 접근이 가능하다는 의의를 가진다. 즉, 기술적 효율화에 그치지 않고, 공공건축물 에너지 사용의 표준화, 예산 절감, 온실가스 감축, 취약계층 복지 증진이라는 다층적 성과로 이어질 것으로 기대된다. 더 나아가 본 연구는 공공부문 전반의 데이터 기반 에너지 정책 수립 및 국가 2030 NDC 목표 달성을 위한 실질적 실행모델로 활용될 수 있을 것이다.

2. 선행연구 및 연구 방향

2.1 에너지 소비 및 효율 분석

 건물 부문은 전 세계 에너지 소비의 약 30∼40%를 차지하며, 온실가스 배출의 주요 원인으로 지목되어 왔다. 이에 따라 건물의 에너지 소비 요인을 규명하고 효율성을 향상시키기 위한 다양한 연구가 수행되어 왔다[7].

  기존 연구에서는 공공건축물의 에너지 성능 개선을 위한 관리체계의 미비함을 지적하며, 체계적 운영관리의 중요성이 강조되었다. 특히 기존 공공건축물의 약 96.5%가 관리의 사각지대에 놓여 있어, 이를 개선하지 않고서는 실질적인 에너지 절감 및 온실가스 감축이 어렵다는 결과가 제시되었다[8].

  선행연구들은 건물의 에너지 소비가 물리적 요인(규모, 단열 성능, 건축 연한 등)과 사회·행태적 요인(거주자 특성, 냉·난방 운영 패턴 등)의 복합적 작용에 의해 결정됨을 보여주었다[9]. 그러나 기존 연구의 대부분은 대규모 상업용 또는 주거용 건물에 초점을 두었으며, 사회적 취약계층이 주로 이용하는 중·소규모 공공건축물(전체의 약 92%)에 대한 체계적 분석은 부족하였다. 특히 계약전력의 과대·과소 설정에 따른 요금 비효율성을 정량적으로 분석한 연구는 매우 제한적이었다.

  이상의 선행연구 검토를 통해, 공공건축물의 에너지 효율 향상을 위해서는 물리적 성능 개선뿐 아니라 계약전력 체계의 합리화, 에너지원별 효율성 비교, 요금 및 온실가스 배출량을 통합적으로 고려한 최적화 모델 구축이 필요함이 확인되었다.

  본 연구에서는 이러한 한계를 보완하기 위해 연구자가 독자적으로 개발한 BEOP 시스템을 적용하였다. BEOP는 한국전력공사의 전력 계약 기준(1 kW당 최대 450 kWh 사용 가능 체계)을 기반으로, 건축물의 연간 에너지 사용 패턴을 분석하여 계약전력의 적정성, 에너지원별 열량(kcal), 비용, 온실가스 배출량을 비교·진단하는 통합 플랫폼이다. 이를 통해 최소 비용과 최소 탄소배출을 동시에 달성할 수 있는 최적의 에너지 운영 체계를 도출하도록 설계되었다.

Table 1. BEOP Procedure

단계	분석 내용	주요 분석 항목	목적
1	건축물 에너지 사용량 패턴 분석 및 한전 계약 체계 진단	연간 전력 사용량, 계약전력, 피크 수요, 요금 구조	계약전력 적정성 및 요금 비효율 진단
2	계절별 에너지원별 비교 분석	전력·가스·유류 사용량, 열량(kcal), 비용, CO₂배출량	에너지원별 효율성 및 탄소배출 최적 조합 도출
3	개선 시나리오 기반 최적화 분석	계약전력 조정, 운영 패턴 개선, 감축 시뮬레이션	비용 절감 및 온실가스 감축 효과 검증

본 연구의 BEOP 분석은 공공건축물의 실제 에너지 사용 패턴과 요금 체계를 정량적으로 진단하고, 에너지원별 효율성과 환경 영향을 통합적으로 평가함으로써, 공공건축물의 에너지 관리 및 탄소 감축을 위한 표준화된 의사결정 지원체계를 제시하는 것을 목표로 하였다.

2.2 인공지능 및 빅데이터 기반 분석 연구

  최근 건물 에너지 관리 분야에서는 인공지능(AI)과 빅데이터를 활용한 에너지 수요 예측 및 최적화 연구가 활발히 이루어지고 있다.

  소규모 분산자원 및 재생에너지 발전소를 효율적으로 통합·관리하기 위한 인공지능 기반 분산형 에너지자원 관리시스템(Distributed Energy Resource Management System, DERMS)이 제안되어, 건물 단위에서의 에너지 자원 운영 효율화와 중개거래 기반의 전력시장 연계 가능성을 제시하였다[10]. 또한, 인공신경망(Artificial Neural Network, ANN), 서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest) 등 다양한 머신러닝 알고리즘을 적용하여 건물 유형별 에너지 사용량을 예측하고, 기후 변수·운영 특성·설비 조건이 에너지 소비에 미치는 영향을 정량적으로 분석한 연구가 다수 수행되었다[11].

이러한 연구들은 데이터 기반 예측모형이 기존의 통계적 회귀모형에 비해 높은 정확도와 적응성을 보이며, 이를 통해 계약전력 설정, 요금 체계 개선, 운영 효율화 의사결정에 활용될 수 있음을 입증하였다.

  한편, 클러스터 분석(Cluster Analysis)을 활용하여 건축물의 에너지 사용 패턴을 유형별로 분류하고 비효율 구간을 진단한 연구도 보고되었다[12]. 이러한 접근은 에너지 소비 특성을 정량적으로 파악하여 공공건축물의 요금 체계 최적화 및 의사결정지원모델(Decision Support Model) 구축에 활용 가능한 실질적 시사점을 제공하였다.

  선행연구들은 인공지능 및 데이터 마이닝 기법을 활용한 에너지 사용량 예측과 효율성 진단의 유용성을 입증하였으며, 본 연구의 BEOP 모델에 머신러닝 기반 최적화 알고리즘을 결합함으로써 공공건축물의 계약전력 진단 및 에너지 효율화 방안을 고도화할 수 있는 근거를 제공하였다.

2.3 국내 에너지 정책 및 제도

  국내에서는 「건물 에너지 효율등급제」[13], 「제로에너지건축물 의무화」[14], 「BEMS 설치 의무화」[15], 「공공건축물 그린리모델링」[16] 등 건물 에너지 효율 향상을 위한 제도적 기반이 마련되었다. 이러한 정책들은 주로 기술적 성능 향상과 제도적 기준 확립에 중점을 두고 추진되었다.

Table 2. Building Energy Efficiency Policy & System

구분	정책명	개시년도	주요 내용	한계점
1	건물 에너지 효율등급제	2001	건물 에너지 성능 등급화 및 정보 제공	설계중심, 실제 운영 효율 반영 미흡
3	BEMS 설치의무화	2018	에너지 사용 실시간 모니터링 및 제어	설치 대비 활용률 및 분석 미흡
2	제로에너지건축물 의무화	2020	신축 건물의 에너지 자립률 제고	초기 비용 부담, 기존 건물 적용 한계
4	공공건축물 그린 리모델링	2020	노후 공공건축물 에너지 절감 및 개선	사업 선정 중심, 운영관리 부족

그러나 중·소규모 공공건축물의 운영관리 측면에서는 계약전력 설정의 비효율성, 요금 체계의 불합리성, 데이터 기반 운영 최적화 부족 등 한계가 지적되었다. 이에 따라 최근 연구들은 단순한 기술 중심 개선을 넘어 에너지 데이터 분석과 요금 체계 개선을 통합적으로 고려한 관리 기반 접근의 필요성을 강조하였다.

  특히, 공공건축물의 실증 데이터를 기반으로 한 운영 효율화 및 요금 최적화 전략 수립이 요구되고 있어, 관련 에너지 정책수립이 필요하다.

2.4 연구 방향

  본 연구는 기존 공공건축물 에너지 연구가 부분적 효율성 분석 또는 예측모델 개발에 국한되었던 한계를 보완하고자 수행되었다. 이를 위해 연구자가 독자적으로 개발한 BEOP 시스템을 적용하여, 공공건축물의 에너지 사용 패턴, 계약전력 적정성, 요금 효율성, 온실가스 감축 잠재량을 통합적으로 진단하는 새로운 분석 체계를 제시하였다.

  BEOP는 한국전력공사의 전기 계약 기준(1 kW 계약전력당 최대 450 kWh 사용 가능 체계)을 기반으로 건축물별 연간 에너지 사용 패턴을 정량적으로 분석하였다.

Fig. 1. Building Energy Use Analysis(Stage 1)

이를 통해 계약전력 대비 실제 사용 전력의 부하율 및 피크 패턴을 진단하고, 과다·과소 계약 여부를 평가함으로써 요금체계의 비효율성을 개선할 수 있는 구조적 방향을 도출하였다. 또한 전력, 가스, 유류 등 에너지원별 사용량, 열량(kcal), 비용, 온실가스 배출량을 비교·분석하여 에너지원별 최적 조합(energy mix)을 제시하였다.

Fig. 2. Energy Usage Optimization Analysis(Stage 3)                

이러한 접근은 기존 연구에서 주로 활용된 머신러닝 기반 예측모델(ANN, SVM, Random Forest 등)이 미래 사용량 예측에 집중된 것과 달리, 계약·요금·배출량을 통합한 실증적 관리 개선 모델을 제공한다는 점에서 차별성을 갖는다. 즉, 본 연구는 단순 예측을 넘어 행정적·경제적 실행이 가능한 최적화 모델을 구축함으로써 공공부문에서 실질적으로 적용 가능한 관리 체계를 제시하였다.

  아울러 BEOP는 정량적 에너지 진단 결과를 기반으로 정책적 의사결정 지원이 가능하도록 설계되었다. 이를 통해 지방정부 및 공공기관은 건축물 단위 효율성 평가를 넘어, 온실가스 감축 실적의 외부사업(KOC) 등록과 예산 절감 근거 자료로 활용할 수 있다. 더 나아가 BEOP는 CNPP(Cyber-based NDC Power Platform)와 연계되어, 공공건축물 단위의 에너지 절감 실적을 통합 관리하고 탄소중립 이행 전략과 연동할 수 있는 기반을 제공한다.

Fig. 3. CNPP Usage Examlpe

결과적으로 본 연구는 기술적·경제적·정책적 관점이 결합된 공공건축물 에너지 관리의 새로운 표준화 모델을 제시하였다. 이는 공공부문의 온실가스 감축, 예산 절감, 에너지 자립도 제고에 실질적으로 기여할 수 있을 것으로 판단된다.

3. 연구방법

3.1 연구대상 및 적용 방법

  BEOP 방법론은 전국 약 1,007개 공공건축물을 분석 대상으로 설정하였으며, 각 건축물의 전력 사용량, 계약전력, 요금 체계, 온실가스 배출량 등을 통합적으로 진단·평가하도록 설계되었다. 특히, BEOP의 실효성을 검증하고 구체적인 개선 방안을 도출하기 위해, 전국 119안전센터의 사회적 중요성, 전국 분포 및 취약계층 접점 등을 고려하여 일반전력 저압 건축물 에너지 사용 데이터를 중심으로 분석하였다.

Table 3. Target Public Buildings by Region (N=1,007)

지역	서울	부산	경기	인천	강원	충남	전남	경북	경남
계	94	72	179	49	60	68	66	81	76
지역	대구	광주	대전	울산	세종	충북	전북	제주	창원
계	49	25	24	25	5	44	45	20	25

3.2 주요 변수

  본 연구의 분석에 사용된 주요 변수들은 Table 4에 제시하였다. 이들 변수는 건축물의 에너지 소비 특성과 관련 비용을 종합적으로 평가하고, 이를 기반으로 최적화 방안을 도출하는 데 활용되었다.

Table 4. Definition of key variables & units

변수	측정단위	설명
전력 사용량	kWh	건축물별 월별 및 연간 전력 소비량 (순간 전력, 누적 전력)
열량	kcal	냉난방 및 온수 등 열에너지 소비량
온실가스 배출량	tCO₂	에너지 사용에 따른 직접 및 간접 배출량
연료 사용량	N㎥, L	도시가스, 경유 등 기타 연료 사용 데이터
에너지 비용	원 (KRW)	전력 및 연료에 대한 실제 요금 청구액
계약 전력	kW	한국전력과의 전력 공급 계약 용량
기본 요금	원 (KRW)	계약 전력에 따라 부과되는 고정 요금
사용 패턴	-	시간대별, 계절별 에너지 사용 경향

3.3 데이터 분석 기법

  본 연구에서는 대규모의 에너지 및 온실가스 배출 데이터를 정밀하게 분석하기 위하여 다양한 데이터 과학 기법을 적용하였다.

  우선, 빅데이터 분석 기법을 통해 전국 공공건축물에서 수집된 방대한 에너지 사용 데이터를 정제하고, 시계열 분석과 이상치 탐지를 수행하였다. 이를 통해 계절적 변동성 및 비정상적 소비 패턴을 식별할 수 있었다.

Fig. 4. Big Data Analysis of Building Energy Use

다음으로, 데이터 마이닝(Data Mining) 기법을 활용하여 건축물별 에너지 사용 특성과 비효율적 소비 요인을 도출하였다. 특히 군집 분석(Cluster Analysis), 연관 규칙 분석(Association Rule Mining), 주성분 분석(Principal Component Analysis, PCA) 등의 모듈을 적용함으로써, 건물 유형별 에너지 소비 구조와 낭비 요인 간의 상관관계를 정량적으로 규명하였다.

Fig. 5. Month Optimization Data Analysis

또한, 머신러닝(Machine Learning) 기법을 활용하여 에너지 소비 예측 및 최적화 방안을 제시하였다. 선형 회귀(Linear Regression), 의사결정나무(Decision Tree), 랜덤 포레스트(Random Forest), 신경망(Neural Network) 등의 알고리즘을 적용하여 건물의 에너지 사용량을 예측하고, 효율적 운영 및 온실가스 감축을 위한 최적화 시나리오를 도출하였다.

Fig. 6. Greenhouse Gas Emission Optimization Scenario

이와 같은 체계적이고 과학적인 분석 절차를 기반으로 한 BEOP 기반 공공건축물 에너지 사용 최적화 및 온실가스 감축 방법론을 통해, 건축물의 에너지 사용 현황을 심층적으로 진단하고, 맞춤형 절감 및 감축 전략 수립을 위한 정량적 근거를 마련하였다.

4. 결과 분석

4.1 공공건축물 에너지 사용 최적화 1단계: 계약전력 및 요금 구조 분석

  본 연구에서는 전국 1,007개 공공건축물을 대상으로 연간 및 월별 에너지 사용량(전력, 냉·난방, 온수 등)과 비용 데이터를 심층적으로 분석하였다. 이를 통해 각 건축물의 고유한 에너지 소비 패턴과 계절별 수요 변화를 정량적으로 파악하였으며, 단순 총량 분석으로는 식별하기 어려운 비효율 요인을 규명할 수 있었다. 특히 피크 수요 시간대의 전력 사용 경향과 냉난방 부하 변동이 전체 비용에 미치는 영향이 뚜렷하게 나타났다.

건축물별 계약전력과 실제 최대 수요전력을 비교한 결과, BEOP 분석체계에 따라 세 가지 유형으로 구분되었다.

Table 5. Energy Use Optimization Results(step 1) 

분류	건축물 수 (백분율)	특징
초과금 납부 예상 건물	115(11.4%)	계약전력 대비 실제 사용량이 많아 초과 부과금 발생 가능
적정 계약전력 유지 건물	178(17.7%)	계약전력 남음 0∼2 kW, 적정 수준
과도한 계약전력 보유 건물	714(70.9%)	계약전력 남음 ≥3 kW, 기본요금 절감 잠재력 큼
총계	1,007(100%)	-

전국 공공건축물의 계약전력 적정성 분석 결과, 전체의 약 70.9%에 해당하는 714개소가 과도한 계약전력을 유지하고 있는 것으로 나타났다. 이들 건축물은 실제 최대 수요전력 대비 3 kW 이상 초과된 계약전력을 보유하고 있어, 기본요금 절감의 잠재력이 매우 큰 것으로 평가되었다.

  반면, 계약전력이 적정 수준(남음 0∼2 kW)인 건축물은 178개소(약 17.7%)로 상대적으로 적었으며, 초과 부과금 발생이 예상되는 건물은 115개소(약 11.4%)로 나타났다. 이들은 계약전력보다 실제 사용량이 많아 초과요금이 부과될 가능성이 높은 것으로 확인되었다.

  BEOP 방법론을 적용한 분석결과, 다수의 공공건축물이 비효율적인 계약전력을 유지하고 있으며, 계약전력 조정 및 요금 체계 개선을 통한 기본요금 절감 효과가 상당할 것으로 판단되었다. 따라서 향후 공공건축물의 에너지 관리 정책은 계약전력의 합리적 설정과 실사용 기반 요금 최적화를 우선 과제로 고려할 필요가 있다.

4.2 낭비 요금 진단 및 1차 개선 효과

  BEOP 기반의 분석을 통해 공공건축물의 계약전력 적정성을 진단하고 예산 낭비 규모를 산정한 결과, 전체 1,007개 건축물 중 829개소(약 82.3%)에서 구조적 예산 낭비 요인이 확인되었다(Table 6). 이에 따라 1단계 개선(계약전력 재조정 및 요금구조 합리화)만으로도 연간 약 5억 5천만 원의 기본요금 절감이 가능한 것으로 평가되었다.

Table 6. Analysis results for public building data

항목	전체	비율
총 건물 수	1,007개소	100%
합리적 계약 건물	178개소	17.67%
초과 부가 건물	115개소	11.42%
계약 초과 건물	714 개소	70.90%
예산 낭비 건물	829개소 (115 + 714)	82.32%
1단계 예상 절감 금액	551,138,400원	-

분석 결과, 공공건축물의 에너지 비용 중 상당 부분은 비합리적인 전기요금 계약 구조에서 비롯되는 것으로 나타났다. 실제 사용량과 계약전력이 불일치하거나 요금제가 비효율적으로 선택된 경우, 불필요한 기본요금이 지속적으로 발생하였다. 이러한 구조적 요인으로 인해 대부분의 공공건축물에서 불필요한 예산 지출이 누적되는 것으로 분석되었다.

Table 7. Electricity Use and Rate Analysis for 20 Buildings

No.	연간 사용량 (kWh)	연간 요금 (원)	단가 (kWh/원)	비고
1	50,041	10,584,230	211.51
2	50,056	7,413,070	148.10
3	50,067	8,302,450	165.83
4	50,077	6,655,664	132.90
5	50,152	6,865,290	136.89
6	50,184	8,008,070	159.57
7	50,235	6,950,000	138.35
8	50,313	10,849,480	215.63
9	50,349	6,369,970	126.52	최저
10	50,444	11,234,111	222.71
11	50,445	8,520,960	168.91
12	50,483	6,591,940	130.58
13	50,576	11,598,850	229.33	최대
14	50,643	8,684,450	171.48
15	50,745	6,800,430	134.02
16	50,767	7,043,140	138.74
17	50,775	9,133,390	180.08
18	50,788	7,367,810	145.08
19	50,809	7,938,870	156.25
20	50,834	6,578,750	129.42

이를 검증하기 위해, 연간 약 5만 kWh의 전력을 사용하는 대표적 공공건축물 20개소를 표본으로 선정하여 세부 분석을 수행하였다. 분석 결과, kWh당 전력요금 단가는 최소 126.5원에서 최대 229.3원까지 분포하였으며, 이는 약 81.2%의 단가 편차를 보였다(Table 7). 이러한 격차는 계약전력의 과다 설정, 요금제 선택 오류, 계절별 부하 관리 미흡 등 복합적인 요인에서 기인하는 것으로 해석된다.

  표본 분석 결과는 공공건축물의 전기요금 구조가 단순히 사용량의 차이에 의한 것이 아니라, 계약전력 설정과 요금체계 설계의 불균형에서 비롯됨을 실증적으로 보여주었다. 전수 분석 결과에서도 동일한 경향이 확인되었으며, 이는 계약전력 최적화를 통한 기본요금 절감 및 예산 효율화의 필요성을 뚜렷하게 뒷받침하였다.

4.3 실증 검증 및 1차 개선 결과

  본 연구에서는 BEOP 기반 에너지 최적화 방법론의 실효성을 검증하기 위하여 실제 공공 및 일반건축물에 적용하였다. 1차 개선을 통해 에너지 비용 절감 및 온실가스 감축 효과가 검증되었으며, 각 사례별 분석 결과는 다음과 같다.

4.3.1 공공건축물 사례; 경기 포천(BEOP 1, 2단계 적용)

  경기도 포천 소재 공공건축물에 BEOP 1단계(계약전력·요금 구조 최적화)와 2단계(운영 효율화 및 부하관리)를 순차적으로 적용하였다.

  Table 8에서 보는 바와 같이 분석 결과, 전력 사용량은 58,190kWh에서 39,084kWh로 19,106kWh(약 32.8%) 감소하였으며, 이에 따라 전력요금은 약 1,490,706원 절감되었다.

Table 8. BEOP Stage 1 & 2 Results for Pocheon-si Buildings

Table 8. BEOP Stage 1 & 2 Results for Pocheon-si Buildings

또한, 온실가스 배출량은 26.77tCO₂에서 22.13tCO₂로 4.64tCO₂(약 17.3%) 감축된 것으로 나타났다. 이는 단순한 설비 교체와 계약전력 및 운전 패턴의 조정만으로도 유의미한 감축 효과를 달성할 수 있음을 보여준다.

4.3.2 공공건축물 사례: 경기 양주(BEOP 1단계 적용)

  경기도 양주 소재 공공건축물에 BEOP 1단계를 적용한 결과(Table 9), 전력 사용량은 2022년 대비 2024년에 약 16,321kWh(21.7%) 증가하였음에도 불구하고, 계약전력 조정을 통해 기본요금이 약 310만 원(59.9%) 절감된 것으로 나타났다.

  이는 요금 인상 요인을 상쇄할 수 있을 정도의 절감 효과로, 계약전력 최적화가 실제 비용 효율성 향상에 기여함을 확인하였다. kWh당 단가 또한 182.1원에서 168.3원으로 약 7.6% 감소하였으며, 이는 전력요금제 조정 및 부하분산 관리의 효과로 해석된다.

Table 9. BEOP Stage 1 Results for Yangju-si Buildings

항목	2022년	2024년	증감
kWh	75,392	91,713	16,321(+21.65%)
원	13,727,190	15,444,950	1,717,760 (+12.51%)
kWh/원	182.1	168.3	-13.8(-7.57%)
kW	70	28	-42(-60%)
기본 요금	5,174,400	2,069,760	-3,104,640 (-59.99%)
주; 2022년 대비 2024년 요금 인상률; 6∼8월 6.43%, 3∼6월 & 9∼10월 9.53%, 11∼2월 7.21% 인상

4.3.3 일반건축물 사례: 충북 충장대 소재 펜션 (BEOP 1단계 적용)

  소규모 민간건축물에 대한 적용 사례로, 충장대 소재 ○○펜션에 BEOP 1단계를 적용하였다. Table 10에서 보듯이, 전력 사용량은 소폭 증가(+0.44%)하였으나 계약전력 조정 및 요금제 변경을 통해 연간 전력비용은 약 264만 원(28.6%) 절감되었다.

  또한, kWh당 단가는 260원에서 184원으로 약 29% 감소하여, 중·소형 민간 건축물에서도 BEOP 시스템의 적용이 실질적인 경제적 효과를 제공함을 입증하였다.

Table 10. BEOP Stage 1 Results for ○○ Pension Buildings

항목	2023년	2024년	절감량	비고
kWh	35,451	35,608	+157	0.44% 증가
원	9,223,020	6,581,074	2,641,946	28.6% 절감
kWh/원	260	184	-76	29% 절감

5. 고찰

  본 연구에서는 전국 1,007개 공공건축물을 대상으로 BEOP 기반의 에너지 사용 최적화 방법론을 적용하여, 계약전력의 적정성, 요금 구조, 에너지 소비 패턴을 종합적으로 분석하였다. 분석 결과와 실증 사례를 통해 도출된 주요 고찰 사항은 다음과 같다.

  첫째, 다수의 공공건축물이 실제 부하 특성과 무관하게 과도한 계약전력을 유지하고 있는 것으로 나타났다. 이러한 불일치는 연간 기본요금의 구조적 낭비를 초래하였으며, 전력 사용량이 유사한 건축물 간에도 계약 유형과 요금제 선택의 차이에 따라 최대 280% 이상의 지출 격차가 발생하는 것으로 확인되었다. 이는 기존 연구들이 주로 기술적 효율화나 신축 건물 중심의 대규모 설비 개선에 집중된 것과 달리, 본 연구가 중·소규모 공공건축물의 계약전력 구조적 비효율성을 정량적으로 규명하였다는 점에서 의미가 있다.

  둘째, BEOP 기반의 1단계 개선(계약전력 및 요금제 최적화)을 적용한 결과, 에너지 사용량의 증감과 관계없이 비용 절감 효과가 나타났다. 예를 들어, 경기 양주시 사례에서는 전력 사용량이 증가하였음에도 불구하고 계약전력 조정과 기본요금 절감으로 인해 총비용 증가가 억제되었으며, 충남 서산시의 ○○펜션 사례에서는 사용량이 소폭 증가하였음에도 연간 약 28.6%의 전력요금 절감이 달성되었다. 이는 BEOP 방법론이 중·소형 공공건축물에서도 실질적 비용 효율성을 확보할 수 있는 정량적 근거를 제시한 결과로 평가된다.

  셋째, 경기 포천시 공공건축물의 사례에서는 BEOP 1·2 단계를 적용한 결과, 연간 19,106kWh의 전력 절감, 1,490,706원의 요금 절감, 4.64tCO₂의 온실가스 감축이 동시에 달성되었다. 1단계에서는 계약전력 조정 및 요금제 최적화를 통해 기본요금을 절감하였으며, 2단계에서는 난방 부문의 일부를 전기에서 도시가스로 전환하는 에너지원 전환(energy mix) 전략을 적용함으로써 추가적인 감축 효과를 도출하였다. 이러한 결과는 BEOP가 단순한 전력 절약 수준을 넘어, 계약 관리와 에너지원 전환을 통합한 운영 최적화 모델로서 비용 절감과 온실가스 감축을 동시에 달성할 수 있음을 입증하였다.

  넷째, 본 연구는 전국 단위의 공공건축물 데이터를 활용하여 BEOP의 적용 가능성과 실증적 타당성을 검증하였으며, 이를 통해 데이터 기반의 계약전력 관리체계를 제안하였다. 본 방법론은 공공건축물의 에너지 사용 구조를 정량적으로 진단하고, 행정 단위별로 예산 낭비 요인을 가시화함으로써, 향후 공공건축물 에너지 관리의 표준화, 정책 의사결정의 데이터화, 지방정부형 디지털 모니터링 체계 구축 등으로 확장될 수 있는 기반을 마련하였다.

6. 결론

  본 연구는 BEOP 방법론을 기반으로 전국 1,007개 공공건축물을 대상으로 계약전력의 적정성과 요금 구조의 효율성을 실증적으로 분석하였다. 분석 결과, 다수의 공공건축물에서 계약전력이 과다하게 설정되어 불필요한 기본요금 지출이 발생하고 있었으며, 합리적인 계약 조정만으로도 즉각적인 재정 절감 효과를 기대할 수 있는 것으로 나타났다.

  BEOP 1단계 적용 결과, 전력 사용량의 증감과 관계없이 요금제 및 계약전력의 최적화를 통해 연간 비용 절감 효과가 확인되었다. 또한 BEOP는 단순한 에너지 절약 접근이 아니라, 데이터 기반의 합리적 관리 전략을 통해 공공건축물의 운영 효율성과 온실가스 감축을 동시에 달성할 수 있는 실질적 방법론임이 입증되었다.

  첫째, 취약계층이 이용하는 소규모 공공건축물 포트폴리오를 대상으로 에너지 소비 현황과 계약 구조를 종합적으로 분석하여 재정 낭비의 규모와 원인을 실증적으로 규명하였다.

  둘째, BEOP 기반의 에너지 사용 최적화 알고리즘에 빅데이터 분석 및 머신러닝 기법(예: 선형회귀, 의사결정나무, 랜덤포레스트, 서포트 벡터 머신, k-최근접이웃(KNN), 신경망)을 결합함으로써, 단순 절감 수준을 넘어 계약전력의 적정성 진단, 요금제 최적화, 운영 효율화를 실현할 수 있는 정량적 분석 프레임워크를 구축하였다.

  본 연구는 1단계 수준의 합리적 계약관리 중심 분석에 초점을 두었으며, 이를 기반으로 향후 BEOP를 플랫폼형 통합관리 체계로 확장하기 위한 후속 연구의 필요성이 제기되었다. 후속 연구에서는 온실가스 배출 최적화 및 실시간 감축 모니터링 체계, 에너지 효율 진단–계약관리–탄소감축 통합 관리체계 구축을 통해, BEOP 기반 외부사업(KOC) 연계 및 수익화 구조 설계로의 확장이 요구된다.

  결론적으로, BEOP 기반의 데이터 중심 에너지 최적화 접근은 공공건축물의 비효율적 계약 구조로 인한 재정 낭비 문제를 실증적으로 규명하였으며, 합리적 계약관리 중심의 새로운 에너지 관리 패러다임을 제시하였다. 향후 BEOP 플랫폼의 통합적 확장은 공공예산 효율화, 국가 온실가스 감축목표(NDC) 달성, 그리고 취약계층 에너지 복지 향상에 실질적으로 기여할 것으로 판단된다.

 REFERENCES

(1) S. H. Park, C. H. Lee, M. Y. Jung, & S. H. Yeom. (2024). Diagnosis of the Implementation Status of the 2030 National Greenhouse Gas Reduction Target through Regional Energy Planning and Emission Analysis. Journal of Climate Change Research, 15(3), 327–341. DOI: 10.15531/KSCCR.2024.15.3.327

(2) Y. S. Jung. (2024). A Study on Greenhouse Gas Emission Factors and Performance Indicators in the Building Sector. Journal of the Architectural Institute of Korea, 40(1), 225–234. DOI: http://dx.doi.org/10.5659/JAIK.2024.40.1.225

(3) K. J. Lee, & J. Bang. (2021). Public Buildings in Numbers 2020. Sejong: Architecture & Urban Research Institute.

(4) S. M. Oh, H. Y. Yang, & S. E. Lee. (2020). Development of Data Processing Types for Public Building Energy Information System (PEIS). Journal of the Architectural Institute of Korea, 35(9), 109–118. DOI: http://dx.doi.org/10.5659/JAIK.2020.36.9.109

(5) J. S. Lee, I. B. Lee, D. A. Jung, J. H. Cho, H. H. Jeong, & Y. B. Choi. (2025). Analysis of Energy Load According to Design Variables of Building-Integrated Rooftop Greenhouses Using Energy Simulation. Journal of Building Energy Conservation, 34(2), 169–180. DOI: 10.12791/KSBEC.2025.34.2.169

(6) J. Y. Choi. (2025). Analysis and Standardization Strategy of Energy Management System Standards. Journal of the Korean Institute of Communication Sciences, 50(2), 331–340. DOI: http://dx.doi.org/10.7840/kics.2025.50.2.331

(7) G. Y. Cho, & J. H. Yoo. (2021). Analysis of Energy Use Data for Decision-Making in Energy Performance Improvement Remodeling of Public Buildings in Seoul. Journal of the Korean Solar Energy Society, 41(4), 63–72. DOI: http://dx.doi.org/10.7836/kses.2021.41.4.063

(8) J. M. Kim. (2022). Policy Effects of Green Remodeling and Energy Consumption Prediction of Small Buildings. Journal of Korea Construction Science, 69, 139–141.

(9) S. W. Oh, & J. C. Jung. (2025). Regional Typology and Characteristics Analysis Based on Energy Consumption Patterns and Influencing Factors. Journal of Environmental Impact Assessment, 34(2), 47–67. DOI: 10.14249/eia.2025.34.2.47

(10) S. Y. Yang, Y. H. Kim, W. Lee, & W. J. Kim. (2021). Power Brokerage Trading System for Efficient Management of Small Distributed Energy Resources. Journal of the Korea Institute of Electronic Communication Sciences, 16(4), 735–742.

DOI: https://doi.org/10.13067/JKIECS.2021.16.4.735

(11) S. B. Lee. (2020). A Study on Building Energy Consumption Prediction Methods Using Regression Analysis. Journal of Architecture and Environment, 12(12), 1090–1097.

(12) S. H. Kim, & J. W. Lee. (2021). Clustering Analysis of Nationwide Apartment Complex Electricity Consumption Based on Public Data. Journal of the Korea Institute of Architectural and Environmental Building Systems, 15(5), 537–548. DOI: http://dx.doi.org/10.22696/jkiaebs.20210045

(13) H. J. Kim, & D. H. Seo. (2022). A Study on the Improvement of Energy Efficiency Rating Standards for Residential Buildings. Journal of Architecture and Environment, 38(12), 283–288.

(14) H. J. Cho, S. G. Choi, & D. K. Hwang. (2023). Study on Heating and Cooling Load Standards of Multi-Family Housing in Response to Mandatory Zero Energy Building Certification. Korean Journal of Air-Conditioning and Refrigeration Engineering, 35(12), 633–645. DOI: 10.6110/KJACR.2023.35.12.633

(15) H. J. Lee, & I. S. Kim. (2020). Issues and Trend Analysis on Changes in Zero Energy Policy and System. Journal of Energy Engineering, 29(2), 79–84. DOI: http://dx.doi.org/10.5855/ENERGY.2020.29.2.079

(16) J. I. Jung, & W. G. Park. (2024). Artificial Intelligence Technologies for Building Energy Management: Trends and Future Prospects. Journal of Building Energy Research, 39(4), 32–41.