티스토리 뷰

채널 KEPCO

인공지능과 에너지데이터의 시너지

ⓒ픽사베이

 

우리는 4차 산업 혁명 시대에 살고 있습니다. 인공지능(AI), 사물인터넷(IoT), 빅데이터 등 낯선 단어가 매일같이 언론과 매체에서 쏟아지지만, 전공자가 아니라면 의미를 어렴풋이 짐작할 뿐입니다. 이번 기사에서 4차 산업 혁명의 핵심인 인공지능과 빅데이터의 관계와 이들이 에너지 분야에서 어떻게 활용되는지 알아보겠습니다.

 

빅데이터는 문자, 형상, 위치 데이터처럼 정형화되지 않고 수치화하기 어려울 뿐 아니라, 값과 형태도 끊임없이 변화·증가하는 자료를 말합니다. 단순히 많은 양의 데이터는 빅데이터라고 할 수 없습니다. 이러한 데이터는 라지데이터라고 일컫는데요.

 

예를 들자면 인터넷 쇼핑몰의 검색어, SNS 유입률, 장바구니 품목 데이터는 규모, 종류, 변동성이 크기 때문에 빅데이터에 해당합니다. 하지만 통계청의 인구주택총조사는 그 규모가 크더라도 단일 데이터이고, 값이 5년간 고정되기 때문에 라지데이터로 간주할 수 있죠. 빅데이터는 규모(Volume), 종류(Variety), 변동성(Velocity) 특성을 보유했다고 해서 3V로 표현하기도 합니다.

 

이런 빅데이터를 활용할 수 있게 만드는 인공지능 기술이 바로 머신러닝과 딥러닝입니다. 머신러닝이란, 컴퓨터가 스스로 학습할 수 있도록 하는 알고리즘과 기술입니다. 어떠한 작업(Task)에 대한 꾸준한 경험(Experience)를 통하여 그 작업에 대한 성능(Performeance)을 높이는 것이 핵심이죠. 여기서 경험에 해당하는 것이 바로 데이터이고, 좋은 품질의 데이터가 많다면 더욱 좋은 성능을 도출할 수 있습니다.

 

뉴런과 퍼셉트론의 메커니즘 ⓒ이현수 제작


딥러닝은 머신러닝의 한 종류로서, 인간의 뇌와 유사한 메커니즘을 사용합니다. 먼저 우리의 뇌에는 약 1,000억 개의 뉴런(신경세포)이 있습니다. 뉴런은 외부의 자극을 받아들이고, 특정 자극 이상일 때 활성화되며 신호를 전달합니다. 이러한 신경계의 수많은 뉴런이 구성하는 하나의 거대한 망은 신경망이라고 합니다.

 

딥러닝에서 뉴런의 역할을 하는 것은 퍼셉트론이라고 부릅니다. 퍼셉트론에 데이터가 입력되면(Input), 해당 신호의 중요성을 의미하는 가중치(Weight)와 곱하여 더해집니다. 신호의 합이 임계값*을 넘으면 1, 넘지못하면 0을 출력하죠. 그러고 나서 입력과 가중치에 따라 출력(Output)을 생성합니다.

 

*임계값이란, 재료의 특성이 어느 값을 넘을 때 불연속적으로 변화하는 경우 그 경계가 되는 값을 말합니다.

 

퍼셉트론이 여러 개 연결되면 뉴런처럼 층이 형성되어 “인공 신경망”을 구성합니다. 인공신경망이 확장되면, 기계가 스스로 학습하고 오차를 줄이기에 충분히 깊은 학습(Deep Learning) 모델이 됩니다. 입력과 출력이 모두 주어진 데이터로 학습을 진행할 때마다 실제 출력과 가중치에 의한 출력의 오차가 발생합니다. 머신러닝을 통해 꾸준한 반복을 한다면 오차를 최소화시키는 가중치를 찾을 수 있는데, 이것이 딥러닝의 목적입니다. 쉽게 말해 기계가 주어진 정보를 학습할수록 이상적인 결과에 가까워지는 것입니다.

 

에너지 분야에서 취급하는 데이터 플랫폼은 다양합니다. 일간·월간·연간 에너지 사용량, 보유설비뿐만 아니라 에너지 효율의 변수가 되는 날씨나 설비 등도 데이터가 될 수 있습니다. 정부 주도 하에 전기, 가스, 수도 데이터를 표준화하여 누구나 쉽게 에너지 사용량을 확인할 수 있는 미국의 ‘그린버튼’이 대표적입니다. 한국전력도 i-smart, 계량데이터포털을 운영 중이며, 최근에는 전력데이터 클라우드 서비스인 허브팝(Hub-PoP) 플랫폼으로 디지털 전환을 추진 중입니다. 몇 가지 사례를 통해 이러한 에너지데이터와 인공지능의 관계를 확인할 수 있습니다.

 

ⓒ픽사베이

 

풍력발전의 간헐성 극복

AI와 에너지 분야의 융합은 간헐적인 재생에너지의 공급과 수요를 보다 정확히 예측하고 최적화할 수 있게 합니다. 구글 딥마인드는 과거의 일기예보 기록과 터빈의 에너지 변환 기록을 신경망 네트워크의 데이터로 학습하여 실제보다 36시간 먼저 풍력에너지 출력을 예측했습니다. 인공지능이 원하는 방향으로 바람을 불게 할 수는 없지만, 에너지 출력의 예측가능성을 높이는 것은 전기 공급의 안정성과 직결되므로 큰 의미가 있습니다. 나아가서 머신러닝과 센서를 결합한다면, 시기·시간대 별 풍향 및 환경에 따라 세팅을 변경하여 풍력 생산을 극대화하는 것도 충분히 가능합니다.

머신러닝 적용 시 전력부하 감소 확인 ⓒ딥마인드 홈페이지

 

구글 데이터센터의 에너지절감 사례

구글은 세계에서 가장 많이 사용되는 검색사이트이면서 메일, 동영상 서비스를 지원합니다. 1년 365일 내내 방대한 양의 데이터를 감당하기 위해 구글 데이터센터의 IT 설비는 끊임없이 작동하죠. 서버, UPS(무정전 전원 장치)가 작동하며 내뿜는 열을 가라앉히기 위해 냉방 장치도 가동되고, 엄청난 양의 에너지를 소비합니다. AI 기업 딥마인드는 구글 데이터센터의 센서 수천 개로 수집된 과거의 온도, 전력, 냉각펌프, 냉각수 유속 등의 데이터를 취합했습니다. 신경망을 이용한 딥러닝으로 전력사용효율(PUE)을 높이도록 학습한 결과, 냉각에 사용되는 소비전력을 일정하게 40% 줄이는 데 성공했습니다.

 

전력수요 예측

인공지능의 활약이 기대되는 에너지 분야는 바로 전력입니다. 전력수요는 급속하게 성장하는 가운데 안정적인 전력 공급을 위해서 체계적이고 종합적인 수요관리, 부하관리의 필요성이 더욱 강조되고 있습니다. 한국전력도 전력 공공데이터를 활용해 전력수요를 예측하는 경진대회를 개최하는 등 인공지능과 빅데이터 생태계를 활성화하기 위해 노력하고 있습니다. 전력연구원에서는 기상데이터를 활용한 단기·중기·장기 전력수요 예측 시스템 등을 연구·개발했습니다. 과거의 기상요소(기온, 습도, 풍속 등)와 수요데이터(평일, 주말, 공휴일, 공휴일 전후일 등)를 이용하여 입력데이터를 선정하고, 예측하고자 하는 날에 대하여 학습을 수행하는 것입니다. 장기적인 데이터가 축적될수록 전력수요 예측 알고리즘의 정확도는 높아져 안정적인 전력 수급과 수요 반응의 전략의 기초자료로 활용할 수 있습니다. 각각의 알고리즘은 시스템으로 개발되어 실제 한전의 일간 및 주간 전력수요 예측 업무에 활용되고 있습니다.

 

이렇게 인공지능은 에너지의 확보부터 공급, 관리에 이르기까지 영역을 넓히고, 활용도를 높여가고 있습니다. 지금까지의 성과보다 앞으로의 적용 분야와 가능성이 훨씬 크기 때문에 더욱 기대됩니다. 기후변화와 에너지전환으로 인류가 골머리를 앓는 지금, 어쩌면 인공지능과 에너지데이터의 시너지가 그 해답의 실마리를 제공할 수도 있을 것 같습니다.

 

 

 


댓글쓰기 폼

한국전력 블로그 굿모닝 KEPCO!

관리자
글 보관함