3.1. 인공지능 기술 알고리즘 체계

하수처리시설에 AI 기술을 적용하기 위해서는 알고리즘이 필요하다. 그 중 가장 기본적인 알고리즘은 인공신경망 (Artificial Neural Network, ANN)이다. 인공신경망이란 인간 의 두뇌와 행동을 정의하고 간단하게 실행하는 구조로 신경 세포를 수학적으로 처리가 가능하도록 만든 것이다(^{Kim et al., 2008}). 또한 인공신경망의 핵심은 경험적 데이터를 가지 고 있지 않은 상태에서 예측되는 값의 정확성과 유효성, 즉 신뢰할 수 있는 데이터를 도출하는 데에 있다(^{Picos and Peralta- Hernández, 2018}). 이러한 신뢰할 수 있는 데이터를 도출하기 위해서는 많은 시행착오 과정을 겪게 되며, 이러한 과정을 줄이기 위해 인공신경망을 다양한 알고리즘을 통해 교육(training)시키고 개선시키는 것이다. 알고리즘의 명칭은 기존의 인공신경망 알고리즘을 바탕으로 교육(training)되는 방법에 따라 달라진다. 또한 각각의 특징이 존재하고 장·단 점이 뚜렷하다(Table. 3). ^{Bagheri et al. (2015)}은 다층퍼셉트 론(Multi Layer Perceptron, MLP) 알고리즘을 사용했다. 다층 퍼셉트론은 단층퍼셉트론(Single Layer Perceptron, SLP)의 비선형적 성질을 해결하지 못하는 한계점을 해결하기 위해 은닉층을 추가하였다(Fig. 1). 그러나 은닉층에서 발생되는 오 차를 설정하는 방법이 제시되어 있지 않고 확실하지 않은 문 제점이 발생한다. 다음으로 기존 연구에서의 역전파(Back Propagation, BP) 알고리즘을 검토했다(^{Elmolla et al., 2010}; ^{Fernandez de Canete et al., 2016}; ^{Giwa et al., 2016}; ^{Kundu et al., 2013}; ^{Vyas et al., 2011}; ^{Xue, 2017}). 각 층에서 발생되 는 오차를 역으로 전파하여 발생된 가중치를 조정하고 오차 가 낮게 발생하도록 구조를 형성하는 것이다(Fig. 2). 그러나 대개 AI 기술에 있어 은닉층이 3개 이상일 때 딥러닝(Deep Learning)이 나타나는데, 역전파 알고리즘의 경우 은닉층의 수가 많아질수록 오차를 줄여주는 가중치의 보정 기능이 상 실되어 기울기가 형성되지 못하고 0이 되는 ‘기울기 소실’ 문 제가 발생하는 한계점이 있다. 다음으로 LM(Levenberg- Marquardt) 알고리즘을 검토했다(^{Abyaneh, 2014}; ^{Nasr et al. 2012}). LM 알고리즘은 Levenberg(^{Levenberg, 1944}) 방법을 Marquardt(^{Marquardt, 1963})가 추가·보완한 알고리즘이다. LM 알고리즘의 경우 비선형적 구조를 해석하는데, 수렴 속도 가 빠른 장점으로 인해 많이 사용되는 방법이다. 그러나 일부 행렬 계산에 있어 직접적인 개입이 필요하다는 단점이 존재 한다(^{Kwak, 2010}; ^{Park and Kim, 2013}). LM 알고리즘을 보 완한 것이 유전자 알고리즘(Genetic Algorithm, GA)이다(Fig. 3). 유전자 알고리즘은 AI 기술 활용에 있어 중요한 알고리즘 이다. 유전자 알고리즘은 반복과정을 통하여 최적 구조 형성 을 도출하고(^{Picos-Benítez et al., 2017}), 비선형적 구조를 해 석·해결에 있어 탁월하며(^{Picos and Peralta-Hernández, 2018}), 실시간으로 데이터를 입력 및 반응하여 최적 구조를 반복하여 형성시켜준다(^{Kadri and Boctor, 2018}). 하수처리시 설에 AI 기술을 적용한다면 비선형적 특성을 해결하고, 계속 변동되는 다양한 데이터를 반영하여 정확한 예측이 가능하다. 그렇기 때문에 AI 기술 알고리즘에는 유전자 알고리즘이 가 장 적합하다고 판단된다.

Fig. 1. Multi-Layer Perceptron (MLP) Algorithm

Fig. 2. Backpropagation (BP) Algorithm

Fig. 3. Genetic Algorithm (GA)

3.2. 인공지능 기술 검증방법

AI 기술을 적용하였다면 해당 기술이 실제로 얼마나 정확한 결과를 도출했는지 유효성과 정확성을 검증해야 한다. 검증방 법이 다양하게 존재하지만 연구 사례 검토 결과 자주 사용되 는 상관관계의 오차와 발생되는 오차를 판단하는 4가지 방법 인 MSE, RMSE, MAE, MAPE를 선정 및 검토했다. 상관관계 의 경우 대부분의 연구에서 하수처리시설에 유입되는 유입수 와 방류되는 처리수의 농도관계를 모두 고려하였으며 몇몇 연 구에서는 처리공법에 따라 온도, 체류시간 등을 고려하였다. 상관관계에 있어 대부분 낮은 오차는 높은 상관관계가 나타나 는 것으로 정확하다고 할 수 있다. 그러나 ^{ME (2009a)}, ^{Hamada et al. (2018)}의 연구 사례에서는 낮은 오차가 발생하 였지만 상관관계의 경우가 다소 낮았다. 이는 하수처리시설의 다양한 데이터에 따른 비선형적 특성에 따른 결과라고 판단되 며, 따라서 AI 기술의 정확성 검증을 위해서는 예측되는 데이 터와 실제 데이터를 비교한 오차의 크기가 비중이 더 크다고 판단된다. 다음으로 MSE(Mean Square Error)를 검증방법으로 활용한 (^{Elmolla et al., 2010}; ^{Kundu et al., 2013}; ^{Wan et al., 2011}) 연구사례를 살펴보았다. MSE의 경우 예측 데이터의 오 차 제곱을 합하고 데이터의 개수를 나누어 예측 데이터로부터 의 차이 정도를 표현한 것이다. 즉, MSE가 낮게 나올수록 높 은 정확성을 뜻한다. 그러나 MSE가 높게 나온다면(높은 오차) AI의 정확도가 낮아지게 되고 오차의 크기로 인하여 부하가 발생해 예측 속도가 저하된다. 속도 저하의 문제를 해결하기 위해 MSE에 루트(√)를 사용하여 오차의 크기를 줄였고, 이 를 RMSE(Root Mean Square Error)라고 한다. (^{Abyaneh, 2014}; ^{Bagheri et al., 2015}; ^{Giwa et al., 2016}; ^{Kundu et al., 2013}; ^{Manu and Thalla, 2017}; ^{ME, 2009a})등은 예측의 정확성 을 검증하기 위해 RMSE를 활용했다. 따라서 MSE와 RMSE 는 예측 정확성을 검증하기 위해 매우 유용한 방법이라고 판 단할 수 있다. 그러나 RMSE는 오차의 크기가 MAE(Mean Absolute Error)보다 항상 높기 때문에 적합하지 못한 검증방 법 중 하나이며, MAE가 예측의 정확성을 검증하는 방법 중 가장 적합하다고 하였다(^{Myttenaere et al., 2016}). 또한 다양한 범위의 데이터를 고려하여 예측의 정확성을 검증하기 위한 방 법으로 MAE와 MAPE(Mean Absolute Percentage Error)를 제 시했다(^{Khair et al., 2017}; ^{McKenzie, 2011}). 이러한 주장은 MSE와 RMSE는 검증을 할 때 사용된 데이터의 개수를 고려 하고, MAE와 MAPE는 검증에 있어 사용된 데이터의 수집 기 간을 고려하기 때문으로 판단된다. 다양한 연구에서 AI 기술 의 검증 방법으로 MAE와 MAPE를 사용한 것으로 확인되었 다(^{Djeddou and Achour, 2015}; ^{Fernandez de Canete et al., 2016}; ^{Hamada et al., 2018}; ^{Nadiri et al., 2018}; ^{Picos-Benítez et al., 2017}; ^{Wan et al., 2011}). 우리나라에서 AI 기술을 하수 처리시설에 적용할 경우, 수집된 데이터는 계절적·지역적 영 향을 받아 다양하고 넓은 범위를 보여줄 것이며 이로 인해 비 선형적 특성이 높다는 것을 확인할 수 있다. 따라서 검증방법 으로 MAE가 MSE보다 유효할 것으로 판단할 수 있지만 AI 기술의 경우 많은 양의 데이터가 필수불가결함으로 데이터 개 수에 따른 오차를 고려해야 한다. 즉, 기간을 선정하여 다양한 범위와 많은 양의 데이터 오차를 검증해야 한다. 그러므로 AI 기술의 정확성을 검증하는 방법으로는 MSE와 MAE를 우선 적 고려해야 하며, 상관관계가 다소 낮게 나타나도 오차의 크 기 발생이 낮다면 문제가 없다고 판단할 수 있으나, 이는 비선 형적 특성으로 인해 나타나는 특징임으로 오차 발생에 비중을 더 두는 것이 옳다고 판단된다.

3.3. 인공지능 기술 적용을 위한 빅 데이터 수집

다양한 범위와 많은 양의 데이터, 즉 빅데이터는 AI 기술을 적용하기 위해 필요한 요소 중 하나이다. 하수처리시설의 경 우 유입수의 성상이 계절적·지역적 영향을 받아 선형적 특 성을 보여주기도 하지만, 대개 비선형적 특성이 더 높게 나타 나는 경우 중 하나이다. 때문에 하수처리시설에 AI 기술을 적용하기 위해서는 앞서 언급한 빅데이터의 준비가 필요하 다. 그러나 AI 기술을 사용한 다양한 연구 사례를 검토한 결 과 AI 기술을 위해 사용된 빅데이터의 양은 매우 다양하고 획일화되지 않아 확실한 기준점이 없음을 알 수 있었다. 본 연구에서는 하수처리시설에 AI 기술을 활용한 데이터양을 200개 이상/미만으로 구분하여 비교·분석하였다. ^{Akratos et al. (2008)}은 AI 기술을 적용하기 위해 800개 이상의 많은 데 이터양을 활용하였다. 그러나 비선형적 특성이 높은 하수처 리시설에서는 많은 양의 데이터를 활용하는 것이 적합하나 실제 데이터와 예측 데이터의 상관관계가 낮아지게 되는 문 제점이 발생한다(^{Ding et al., 2014}). 반면에 ^{Güclü and Dursun. (2008)}은 사용된 데이터 개수가 200개 이상이지만 해당 데이터의 수집 기간이 12일로 매우 짧아 계절적 영향을 고려하지 못해 하수처리시설의 대표성을 확보하기에는 어려 웠다. 200개 미만의 데이터를 활용한 연구 사례를 살펴보면 AI 기술 적용 결과, 실제 데이터와 예측 데이터의 오차가 매 우 낮았으며 상관관계도 높게 나왔다. 이는 AI 기술 적용에 있어 많은 양의 데이터가 준비되어 있지 않아도 적용 가능함 을 판단할 수 있다. 그러나 적은 양의 데이터를 사용할 경우, 하수처리시설의 비선형 특성을 고려하지 못하여 넓은 범위가 아닌 협소한 범위에서의 예측이 될 것으로 판단된다. 우리나 라의 경우 아직 4계절이 뚜렷하기 때문에 강우, 온도 등 계절 적 영향을 인지하고 있어야 하며, 이를 위해 4계절 이상의 데 이터가 확보된 최소 1년 이상의 데이터 준비가 필요하다. 그 래서 국내 연구 사례 중 계절적 영향을 고려하여 1년의 데이 터를 활용하였다(^{ME, 2009a}). AI 기술 적용 결과, 실제 데이 터와 예측 데이터의 오차가 낮고 높은 상관관계를 확인하였 지만 몇몇 하수처리시설에서는 낮은 상관관계가 나타났다 (Table. 4). 이는 온도, 강우 등의 계절적 영향으로 인해 데이 터의 범위가 넓어지고 이로 인해 오차가 크게 나타난 것으로 판단된다. 그러므로 국내 하수처리시설에 AI 기술을 적용하 기 위한 데이터양은 적고 많음에 따라 오차의 크기는 발생하 지 않으며, 계절적 영향을 고려하기 위해 최소 1년 이상의 데 이터가 준비되어야 한다고 판단된다. 추가적으로 해당 데이 터의 대표성을 확보해야 한다. 과거 누적된 데이터와 비교해 보았을 때 데이터가 상이할 수 있기 때문이다. 추가적으로 계 절적 영향에 따른 데이터 편차가 높게 발생할 경우 예측 데 이터가 정확하지 못하기에, ^{Griffiths and Andrews. (2011)}이 제시한 것처럼 1년의 데이터를 전부 고려하는 것이 아닌 각 계절별(봄, 여름, 가을, 겨울)로 구분하여 활용하는 것도 적합 한 방법이라고 판단된다.

3.4. 하수처리시설에서 에너지와 운영비용 절감을 위 한 인공지능 기술 적용

국내 공공하수처리시설은 500 m³/day 이상 649개, 500 m³/day 미만 3,282개로 총 3,963개이다(^{K-eco, 2016}). 국내 전력사용량 을 산업분류별로 구분 분석한 결과, 총 산업전력 사용량 대비 하수처리시설 전력 사용량은 약 1.95 %이고, 세부적으로 환경 산업분야는 총 산업전력 사용량 대비 약 68.49 %이다(^{KEPCO, 2016}). 이는 전력 사용량에서 높은 비율로 하수처리시설이 차 지하고 있음을 나타낸다(Fig. 4). ^{Yan et al. (2017)}은 하수처리 시설의 향후 전력 사용량이 선진국 대열에 포함된 국가를 기준 으로 약 20 % 증가될 것으로 예측하고 있다. 국내에서도 하수 처리시설에 소비되는 전력 사용량이 매해 높아지고 있는 추세 이며, 환경부에서는 이에 대한 방지책으로 에너지 절감을 위한 정책을 추진 중이지만 실제 하수처리시설에서는 최적화 및 성 과의 결과가 저조한 상황이다. 이러한 정책들은 가시적 결과를 얻기에는 어려움이 존재하기에 AI 기술을 적용하여 에너지·운영비용 절감 효과를 얻을 수 있다고 판단된다. 더불어 국외 연구 사례를 검토해보면 하수처리시설에서 발생되는 에너지·운영비용은 AI 기술을 적용하여 절감이 가능하다고 예측 및 결과를 제시하였다. 우선 하수처리시설에서 에너지 진단을 통 해 에너지 소비가 높은 곳을 선정·판단해야 한다. 국내·외 연구 사례를 검토한 결과, 국외의 경우 하수처리시설 내에서 폭기에 사용되는 에너지 소비 비율이 40 ~ 70 % 범위이며, 펌 프에 사용되는 에너지 소비 비율은 10 ~ 30 % 범위 이상인 것 을 확인할 수 있었다. 국내의 경우에도 하수처리시설에서 에너 지·운영비용을 분석했을 때 폭기와 펌프류가 가장 높은 비율 을 차지하고 있었다(Table. 5)(Table. 6). 그러므로 하수처리시 설에서 에너지·운영비용을 절감하기 위해서는 폭기와 펌프류 를 개선하는 것이 우선적으로 필요하다.

Fig. 4. Power usage by industry, Based on 2016 year (KEPCO, 2016;K-eco, 2016)

^{Mamais et al. (2014)}은 기존 하수처리시설에서 운영되고 있는 DO sensor를 활용하여 합리적인 DO 농도를 설정하였 고 이를 통해 전력 사용량을 절감하였으며, ^{Yoon et al. (2018)}은 빅데이터와 추가적으로 IoT 플랫폼을 활용하여 폭 기 제어를 통한 에너지·운영비용 절감 효과를 달성하였다. ^{Zadorojniy et al. (2017)}는 폭기 제어와 함께 하수처리시설 내부의 유량 펌프, 슬러지 펌프의 빅데이터와 IoT 플랫폼을 사용하여 에너지·운영비용을 절감하였다. 펌프의 경우 에 너지 소비 비율이 폭기 다음으로 높은 비율을 차지하는 요소 이며, 노후화된 펌프가 운영될 때는 보통의 펌프보다 에너지 소비량이 높아질 수 있다. 연구 사례를 살펴보면 펌프 등의 하수처리시설 구성 요소들이 운영·유지비용에 높은 비율을 차지하고 있음을 확인할 수 있었다(^{Panepinto et al., 2016}). 이에 따라 ^{Chalabi and CH2M Beca. (2018)}는 기존의 운 영·유지 방법을 개선하여 빅데이터, IoT 플랫폼을 활용한 예측 운영·유지 방법을 제시하였다(Fig. 5). 제시된 방법을 살펴보면 기존의 유지보수는 일정한 기간을 두고 점검을 통 하여 문제가 확인될 때 진행하는데, 이러한 방법은 보수의 비용이 높으며 보수 기간 동안 처리 공정 일부를 중단해야 하는 문제가 발생한다. 그러나 예측 운영·유지 방법은 정확 한 센서를 통해 구축된 빅데이터를 활용하여 유지보수의 시 점을 예측할 수 있고 이에 따라 보수 비용이 낮아지는 것은 물론 빠른 대처가 가능하다.

Fig. 5. Forecasting operations and maintains using Bigdata and IoT platforms (Chalabi and CH2M Beca, 2018)

이때 하수처리시설에서는 과거 누적 빅데이터가 충분히 존 재해야 하고, 기존에 설치된 계측기들의 정확한 보정을 바탕 으로 IoT 플랫폼을 연동해야만 데이터 수집이 가능하게 될 것으로 판단된다. 그러므로 하수처리시설의 에너지·운영비 용의 절감을 위해서는 각각 하수처리시설에서 에너지 진단을 수행하고 이에 따른 에너지 소비 비율이 높은(폭기, 펌프류 등) 곳을 선정한 후 선정된 곳에 정확한 계측기를 통해 수집 된 누적 데이터가 충분히 준비되어야 할 것으로 판단된다.