[2026-04-15 | D-Log] JLL, 눈먼 돈 잡는 '건물 가계부'를 쓰다: 센서 데이터로 찾아낸 억만금의 절약 비결

2018년 미국 부동산 서비스 기업 존스랑라살(Jones Lang LaSalle, JLL)은 건물 에너지 관리 플랫폼인 제트(JLL Jet)를 도입한 첫해에만 수천만 달러 규모의 운영 비용을 절감했다. 건물 내 수만 개의 센서에서 쏟아지는 방대한 데이터를 분석해 낭비되는 에너지를 정확히 찾아낸 결과다.

대형 오피스 빌딩은 24시간 내내 막대한 에너지를 소비한다. 조명, 냉난방, 환기 시스템이 사람의 움직임과 상관없이 일정하게 작동하는 경우가 많다. 수십 층 규모의 건물에서 매일 발생하는 에너지 사용량 데이터는 수 기가바이트에 달한다. 관리자는 어디서 에너지가 새는지 파악조차 하기 어렵다.

건물 관리팀은 매달 날아오는 전기요금 고지서만 확인했다. 어느 층에서, 어떤 장비가, 왜 에너지를 과도하게 쓰는지 알 수 없었다. 수천 명의 입주자가 사용하는 사무실에서 발생하는 데이터는 너무 복잡하고 흩어져 있었다.

제트 플랫폼은 먼저 건물 내 사물인터넷(Internet of Things, IoT) 센서에서 수집한 시계열 데이터를 분석했다. 시계열 데이터는 시간 흐름에 따라 기록된 값이다. 시스템은 이를 바탕으로 시간대별 에너지 소비 패턴을 분류했다(K-Means Clustering). 비슷한 소비 형태를 가진 구역끼리 묶어 건물 전체의 비효율 지점을 찾아냈다.

복잡한 변수를 줄이는 작업도 병행했다. 온도, 습도, 재실 인원, 시간 등 수십 가지 변수 중 에너지 소비에 결정적인 영향을 미치는 요인만 골라냈다(Principal Component Analysis). 불필요한 데이터 노이즈를 제거하자 에너지 낭비 패턴이 명확히 드러났다. MIT Sloan Review가 다룬 것처럼, 건물 데이터 분석은 수치 확인에 그치지 않는다. 시스템의 이상 징후를 실시간으로 탐지하는 과정이다.

시스템은 과거 데이터를 학습해 미래 에너지 소비량을 예측했다(Time Series Forecasting). 예측치와 실제 소비량을 비교해 오차가 발생하면 즉시 관리자에게 알렸다. 냉난방 장비가 설정 온도와 다르게 작동하는지, 특정 구역의 전력 소비가 갑자기 치솟는지 확인했다(Regression Analysis). 이런 방식은 정해진 스케줄대로 작동하던 기존 건물 운영을 실시간 반응형으로 바꿨다.

초기에는 데이터 품질 문제로 어려움을 겪었다. 노후화된 건물 센서에서 들어오는 데이터가 불완전했기 때문이다. 데이터가 튀거나 아예 끊기는 경우가 잦았다. 팀은 누락된 데이터를 보간법(Interpolation) 으로 채우고, 이상치를 제거하는 전처리 과정을 자동화해 데이터 신뢰도를 높였다. 조직 내부에서는 기존 관리 방식만 고집하는 현장 인력과의 마찰도 있었다. 데이터 기반의 자동 제어가 오히려 불편하다는 인식이 강했다. 관리자들은 데이터가 보여주는 절감 효과를 직접 확인하고 나서야 시스템을 신뢰하기 시작했다.

도입 후 1년 만에 에너지 소비량은 평균 15% 이상 줄었다. 장비 고장을 미리 예측해 유지보수 비용도 20% 가까이 절감했다. 건물 탄소 배출량 역시 뚜렷하게 감소했다.

참고 출처

• https://www.jll.com/en/newsroom/jll-launches-jet-to-accelerate-smart-building-adoption

홈페이지