2.1 공장 에너지 관리 시스템 (FEMS)에서의 에너지 수요 관리

공장은 업종과 생산 제품에 따라 에너지 소모량과 패턴이 다양하기 때문에 단계적으로 에너지의 사용량을 분석하는 과정이 필요하다. 그림 3과 같이 1단계로는 공장의 에너지 사용 현황을 실시간으로 인지하기 위한 에너지 모니터링 단계가 필요하다. 이 단계에서는 각 종 계측기 및 센서에서 수집되는 데이터를 생산 정보 및 작업자 등과 같은 비정형 데이터를 참고해야한다. 2단계에서는 다각적인 분석을 통해서 에너지의 낭비 요소를 파악해야한다. 공장에서는 열 혹은 스팀, 전기, 압축공기 등의 다양한 유형의 에너지원이 사용되기 때문에 각 공정 프로세스와 유틸리티 및 공장 기기에 대한 이해를 바탕으로 에너지 현황을 분석해야 한다. 다음으로 3단계에서는 과거 데이터인 운전 패턴과 생산 제품 및 외부 조건 등을 고려하여 미래의 에너지 수요를 예측해야 한다. 마지막으로 에너지의 낭비 요소를 제거하고, 최적 설비 운영을 통해서 에너지 공급을 최적화해야 한다. 이를 바탕으로 4단계에서는 에너지 수요 공급을 최적화할 수 있고 공장 운영자는 계획된 공정에 맞춰 에너지 절감을 유도할 수 있다^[3].

2.2 생산관리시스템을 고려한 모델 설계

공장은 업종마다 에너지의 사용패턴이 상이한데, 특히, 에너지 다소비 공정이 포함된 제지, 바이오, 용해, 식품 업종에서도 공정의 프로세스 및 제조품의 종류에 따라 크게 달라진다. 이러한 정보는 공장 내에서 계획적으로 입력되어 관리되기도 하지만, 대부분 공장에서의 공정 계획은 제조 물품 주문 상황을 고려하여 작업자가 판단하여 생산 순서를 조정한다. 또한, 공정 운영 중에 발생할 수 있는 공정의 이상, 에너지 공급의 변화 등의 이벤트로 공정이 변동되거나 작동이 중지되기도 하기 때문에 단순하게 과거의 공정 데이터를 시계열적으로 분석해서는 정확한 수요 및 부하를 예측하기 어렵다. 따라서 공장들에는 이러한 공정의 정보 및 이벤트를 참고하기 위해서는 MES(MES: Manufacturing Execution System) 데이터 활용이 필요하다. MES는 공장 내에서 제조 작업을 계획하고 모니터링하는 시스템이다. MES는 공장의 생산 계획, 작업 지시, 작업 진행, 진행 상황, 품질 관리, 작업자 관리 등 공정과 생산의 진행에 대한 여러 정보를 포함하고 있어서 FEMS에서 예측 시스템을 구성하기 위해서는 이를 고려한 예측 모델 설계가 필요하다. 특히, 전력 소비에 영향을 미치는 생산 계획 및 스케줄이 작업자에 의해 입력 및 관리 되기 때문에 MES의 생산 계획과 조정된 스케줄을 고려한 수요 예측 모델이 필요하다. 그림 4와 같이 공장의 공정이 시작되기 전에 MES 데이터를 사전에 수집하고, 공정이 시작된 뒤 FEMS의 데이터를 수집하여 전처리 전 학습데이터를 구성한다. 수집된 데이터는 이상치를 제거하고, 전력소비의 패턴과 주기성을 고려한 인공지능 학습 모델을 활용하여 정확한 전력 소비 예측 모델을 설계한다^[4].

2.3 공장의 부하 데이터 특징

공장에서 수집되는 공정 데이터에는 제품의 생산 중에 작업자의 인위적 제어, 고장 및 불량에 의한 이상 데이터가 포함되기 때문에 이상 데이터를 포함하여 부하 예측 모델을 구성하는 경우 성능이 저하의 주요 원인이 될 수 있다. 특히, 공장에서는 제품의 생산 시작 시각과 종료 시각에 작업자의 제어로 인하여 인위적인 이탈 데이터가 발생하기 때문에 이를 이상 데이터로 간주하고, 모델을 학습시켜야 정확한 수요 예측 모델 설계가 가능하다. 또한, 공장에서는 공정 내에서 제품의 생산 종류가 빈번하게 바뀌기 때문에 제품마다의 운전 조건과 범위를 고려해서 데이터를 해석해야 한다. 그림 5에는 공정에서 측정 중인 계측 정보의 예시이다. 예시에서는 같은 공정 단위에서 계측되고 있는 3종류의 부하 데이터(빨간 실선, 파란 실선, 초록 실선)를 나타내고 있으며, 가로 x축은 공정 시간, 세로 y축은 각 태그의 계측 단위이고, 제품의 생산 종류(16종류)마다 다른 패턴을 보이는 것을 알 수 있다. 생산되는 제품의 종류에 따라 가동/비가동 되는 경우가 존재하며, 데이터가 결측되어 오염되는 패턴도 상이하다. 또한, 일부 공정이 외부에 노출되어 있어 외기온도의 특성에 따라 공정 제어 조건이 달라지는 바이오 업종의 경우에는 기상 데이터를 참고하여 학습 모델을 구성해아한다. 기상청의 외기온도 예측값은 공장의 정확한 위치와는 다소 차이가 있으나, 실제 냉동기 및 냉각탑 등의 운전은 예측된 외기 조건에 따라 사전 제어가 이루어지므로, 부하 예측의 간접 입력 변수로 유의미하게 활용될 수 있다. 특히 MES 기반의 생산 스케줄과 연계 시 외기 조건 변화에 따른 냉방 수요 반영이 가능하다. 따라서 인공지능 모델을 활용하여 부하를 예측하기 위해서는 결측치 데이터를 처리하고, 시각 동기화를 진행해야하며, 외기온도 및 MES 데이터를 고려하여 학습 군집을 구성하여 모델을 구성해야 한다.

동일 공정 단위에서 측정된 3종의 센서 데이터(온도, 압력, 부하 등)의 시간 흐름에 따른 변화를 나타낸다. 제품 종류(총 16종)에 따라 센서값의 분포, 작동 구간, 결측 패턴이 서로 다르게 나타남을 확인할 수 있으며, 이는 예측 모델 구성 시 제품별 학습 군집 설정 및 이상치 처리의 중요성을 시사한다.

2.4 인공지능 기반 시계열 예측 모델

인공지능 기반 시계열 데이터 예측 알고리즘에서는 순환 신경망 모델을 통한 예측 연구가 가장 활발하게 소개되고 있다. 순환 신경망 (Recurrent Neural Network; RNN)은 인공 신경망의 한 종류로서 내부의 은닉 상태 (Hidden State)가 매 순간의 출력 데이터를 만들어내는 과정에 참여한다. 기존 인공 신경망은 훈련 완료된 가중치만으로 이루어져, 입력 데이터와의 연산을 통해 출력 데이터를 형성한다. 하지만, 순환 신경망은 신경망 내부의 은닉 상태 벡터가 과거로부터의 정보를 전달하는 역할을 담당한다. 은닉 상태 벡터가 신경망 내부에 남아 정보를 전달하는 순환 신경망의 구조는 데이터의 추세를 반영하여 출력을 결정해야하는 문제에서 매우 좋은 성능을 나타낸다. 하지만 순환 신경망의 경우 신경망 내부에 잔존하는 은닉 상태 벡터가 지금까지 입력된 데이터의 추세를 기억하고 있으므로, 서로 다른 출력을 나타낼 수 있다. 이와 같이, 순환 신경망은 같은 입력 데이터임에도 데이터가 입력된 순서 또는 추세에 따라 다른 출력을 만들고자 할 때 사용하기에 적합하다. 하지만, 순환 신경망은 입력 데이터의 길이가 길어질수록 초기에 입력된 데이터의 정보를 충분히 미래로 전달하지 못하는 현상이 발생할 수 있으며, 이러한 문제를 기울기 소실 문제 (Vanishing Gradient Problem)라 한다. 기울기 소실 문제를 해결하기 위해 개발된 새로운 종류의 순환 신경망이 바로 장단기 기억 신경망 (Long Short-Term Memory; LSTM)이다. 장단기 기억 신경망은 내부에 존재하는 메모리 셀을 통해 망각 수준을 제어하는 방식으로 동작한다. 셀 내부의 망각 게이트는 셀에서 제거할 정보를 결정하기 위해 사용되며, 입력 게이트는 새롭게 입력되는 정보 중 저장하고자 하는 정보를 결정하기 위해 사용된다. 장단기 기억 신경망은 대부분의 시계열 데이터 처리에서 매우 높은 성능을 나타내어 다양한 연구 분야에서 활발하게 사용되고 있다^[5-7].

3.1 공정 데이터의 결측 관리

공정 데이터를 활용하여 수요 및 부하 예측 알고리즘 개발에 앞서 가장 먼저 수행해야 하는 과정은 데이터 간 취득 시간을 동기화하고, 결측치를 보간하는 데이터 정제 과정이다. 데이터 정제는 데이터 분석 또는 머신러닝 모델을 만들기 전에 데이터를 깨끗하게 만드는 과정이다. 이 중에서도 결측치 처리는 특히 중요한 단계에 해당한다. 결측치는 데이터의 일부가 누락된 상태를 나타내며, 이를 처리하지 않으면 예측 모델의 정확도가 저하될 수 있다. 결측치 처리 과정을 다음의 단계에 따라 진행할 수 있다^[8-10].

3.2 데이터 동기화

FEMS를 통해 수집된 데이터 간 취득 시간을 동기화해야 한다. 이는 서로 다른 시간 간격으로 수집된 데이터를 동일한 시간 축으로 맞추는 작업을 의미한다. 동기화된 데이터를 통해 보다 정확한 분석이 가능하다.

• 시간 축 정렬

- 모든 데이터 소스의 시간 스탬프를 동일한 형식으로 변환해야 한다.

- 공통의 시간 간격(예 : 분, 시간, 일 등)을 설정하여 데이터를 정렬해야 한다.

• 동기화 작업

- 각 데이터 포인트가 동일한 시간 간격을 가지도록 데이터 샘플링 또는 인터폴레이션을 수행해야 한다.

- 누락된 시간 구간에 대해 데이터 보간(interpolation)을 통해 값을 채워 넣어야 한다.

3.3 결측치 식별

데이터 동기화 이후에는 데이터 세트에서 결측치를 식별이 필요하다. 이는 데이터의 완전성을 확인하고, 결측치가 발생한 위치와 범위를 파악하는 과정이다.

• 결측치 확인

- 각 변수별로 결측치가 존재하는지 여부를 확인해야 한다.

- 결측치의 비율을 계산하여 전체 데이터 세트에서 결측치가 차지하는 비중을 파악해야 한다.

• 결측치 패턴 분석

- 결측치가 임의로 발생했는지, 아니면 특정 패턴을 따르는지 분석해야 한다.

- 패턴에 따라 결측치 처리 방법을 결정해야 한다.

3.4 결측치 처리 방법

결측치를 처리하는 방법에는 여러 가지가 있으며, 각 방법은 데이터의 특성과 분석 목적에 따라 선택된다.

• 제거(Drop)

- 완전 삭제법 : 결측치가 있는 행이나 열을 모두 삭제하는 방법이다.

장점 : 단순하고 직관적이다.

단점 : 데이터 손실이 크고, 데이터의 대표성이 떨어질 수 있다.

- 부분 삭제법 : 결측치가 적은 부분만 선택적으로 삭제하는 방법이다.

장점 : 데이터 손실을 최소화할 수 있다.

단점 : 모든 결측치를 처리할 수는 없다.

• 대체(Impute)

- 평균/중앙값 대체법 : 결측치가 있는 데이터를 해당 변수의 평균값이나 중앙값으로 대체하는 방법이다.

장점 : 쉽게 구현 가능하며, 데이터 손실이 없다.

단점 : 데이터의 변동성을 감소시킬 수 있다.

- 최빈값 대체법 : 결측치를 해당 변수의 최빈값으로 대체하는 방법이다.

장점 : 범주형 데이터에 적합하다.

단점 : 데이터의 다양성을 감소시킬 수 있다.

• 예측 모델 기반 대체법 (Prediction Model)

- 회귀 대체법 : 회귀 분석을 통해 결측치를 예측하여 대체하는 방법이다.

장점 : 예측 정확도가 높다.

단점 : 복잡한 계산이 필요하다.

- K-최근접 이웃(KNN) 대체법 : 결측치가 있는 데이터를 K-최근접 이웃의 값으로 대체하는 방법이다.

장점 : 데이터의 유사성을 유지할 수 있다.

단점 : 계산 비용이 크다.

• 고급 기법

- 다중 대체법 : 결측치를 여러 번 대체하여 다양한 시나리오를 생성하고, 이를 결합하여 최종 값을 결정하는 방법이다.

장점 : 보다 신뢰성 높은 결과를 제공한다.

단점 : 복잡도가 높다.

- 기계 학습 기법 : 랜덤 포레스트, 딥러닝 등 기계 학습 알고리즘을 사용하여 결측치를 예측하는 방법이다.

장점 : 높은 정확도를 제공한다.

단점 : 계산 비용이 매우 높다.

3.5 검증 및 평가

결측치 처리가 완료되면, 데이터의 일관성과 정확성을 검증해야 한다.

결측치 처리는 데이터 정제 과정에서 중요한 단계로, 에너지 수요예측의 정확성을 높이는 데 필수적이다. 적절한 결측치 처리를 통해 데이터의 완전성을 확보하고, 예측 모델의 성능을 극대화할 수 있다. 이 과정에서 데이터 동기화와 다양한 결측치 처리 기법을 활용하여 신뢰성 높은 데이터를 구축하는 것이 중요하다.

빅데이터를 분석하는 과정에서 데이터 정제는 매우 중요한 단계이며, 필수적으로 수행되어야 한다. 불량 데이터에는 앞서 언급한 결측치, 통신 시간 지연에 따른 지연값, 오측정값, 통신 및 측정 노이즈, 심지어 조작된 데이터가 있을 수 있다. 아래 그림은 시간에 따른 취득 특징들의 결측치 발생 양상을 나타낸다. 시간축과 특징축에서 모두 무작위적으로 발생할 수도 있으나, 공간-시간적으로 집중되어 결측치가 발생하는 경우도 존재한다. 최근에는 모델 기반 대체 기술들이 활발하게 연구되고 있으며, 생성적 적대 신경망 (Generative Adversarial Networks) 역시 이러한 연구의 일환이다. 본 연구에서 취득된 데이터는 결측치가 다수 분포되어 있지는 않으며, 특정 모델을 이용하여 결측치를 대체할 수 없는 환경이다. 따라서 보간법을 이용하여 취득 시간을 동기화하고 결측치를 정제하는 과정을 수행하였다.

4.1 바이오 업종 학습 데이터 전처리 방법

바이오 업종 FEMS에서 수집되는 데이터들에서는 측정 오류로 인한 데이터 오염 및 결측이 주로 발생하였다. 바이오 공장 내에서 취득 데이터는 총 44종으로 유량 3종, 누적 유량3종, 온도 16종, 압력 2종, 부하량 10종, 누적부하량 10종 등이다. 취득 기간은 2023년 1월1일부터 2023년 6월 19일까지로 측정 간격은 15분 단위로 취득되었다. 정상적으로 모든 데이터가 취득되었다면 16320 × 1 의 데이터 길이를 가져야 한다. 하지만, 계측기의 오류 및 통신 문제 등으로 데이터는 손실 및 오염될 수 있으므로, 데이터 기반 인공지능 모델을 구성하기 위해서는 데이터 전처리 단계에서 오염된 데이터를 정제하는 과정이 필요하다.

데이터 간 시간 간격이 모두 다른 데이터를 동기화하기 위해 큐빅-스플라인 보간을 실시한다. 큐빅-스플라인 보간은 연속 함수를 효과적으로 근사하는 보간 방법의 하나다. 이 기법은 데이터가 주어진 구간에서 3차 다항식을 따르도록 한다. 그림 6은 T1 데이터의 983번 샘플(2023년 1월 11일 08시 15분 ~ 2023년 1월 11일 10시 30분)과 9731번 샘플(2023년 4월 14일 01시 15분 ~ 2023년 4월 14일 03시 00분)에서 데이터 보간된 결과를 관찰한다. 두 예시에서 모두 결측치를 보간하여 연속적인 데이터의 형태를 나타낸다. 향후 딥러닝 네트워크의 입력으로 사용되어야 할 데이터이므로, 제거나 대체에 비해 효과적인 형태의 데이터 보간법으로 판단된다.

4.2 제지 업종 학습 데이터 전처리 방법

제지 업종에서 수집되는 데이터들은 공정의 변동과 작업자의 예기치 못한 조작으로 인한 데이터들이 주로 발생하였다. 따라서 변동폭이 큰 데이터들을 관리하기 위해서는 전처리 방법을 적용하고 학습 데이터를 구성해야 한다. 제지업종은 바이오 업종과는 다른 데이터 구조와 이상 데이터가 발생한다. 그림 7에서 볼 수 있듯이 제지 업종에서는 2000개 이상의 데이터 관제점이 존재하고, 에너지 태그는 10개 이상, 공정 태그는 2000개 이상, 진단 태그 7개가 존재한다. 또한 취득된 데이터가 1분 간격으로 측정되고 있기 때문에 바이오 업종에 비하여 데이터 샘플링이 높다. 따라서 제지 업종은 결측된 데이터보다 이상 데이터를 제거하여 학습데이터를 구성해야 한다.

FEMS에 수집된 데이터를 바탕으로 인공지능 기반 전력 수요 예측 모델을 학습시키게 되는데, 공정에서 제어로 인하여 간헐적으로 발생하는 이상 데이터들을 제거하기 위하여 그림 8와 같이 슈하트 품질관리기법(Shewhart individuals control chart)을 활용하여 학습 성능을 저해하는 데이터들을 제거한다. 공정은 통계적 관리 상태로 공통 원인인 변동이 존재하고, 이를 파악하고 통제하고 유지해야만 정상적인 제품이 생산되고, 생산량 예측이 가능하다. 제품을 생산하는 공정에서 데이터들은 변동성을 나타내게 되지만, 일부 공정에서는 인과 관계가 없는 통제되지 않는 변동성 요인이 포함된다. 슈하트 품질관리기법에서 이상치를 판별하는 상한선과 하한선은 이동평균과 6 시그마 이론에 따라 결정된다. 서로 다른 데이터 $x_{i}$ 와 그 전 상태 값 $x_{i-1}$에 대하여 아래의 수(1)-(2)와 같이 정의된다.

총 m개의 데이터값에 대하여 m-1 동안 이동평균으로 정의되고, 이때 상한선(UCL: Upper Control Limit)과 하한선(LCL: Lower Control Limit)은 수(3)-(4)와 같이 정의된다. (상수 2.66은 슈하트 계수표에 따라 정의된다.)

슈하트 관리 기법을 적용하였을 때, 데이터의 이상치 분포는 정상 88.32%, 이상치 11.68%의 결과를 보였고, 이상치를 제거하여 학습데이터를 경량화시키고, 모델의 과적합을 방지하여 성능을 향상을 기대할 수 있다.

5.1 학습 성능 향상 방법

드랍아웃은 신경망에서 사용되는 정규화(regularization) 기법 중 하나로, 과적합(overfitting)을 줄이고 모델의 일반화 성능을 향상시키는 데 도움을 준다. 드랍아웃은 훈련 과정에서 신경망의 일부 노드를 랜덤하게 선택하여 제외한다. 이를 통해 모델이 특정 노드에 지나치게 의존하지 않도록 한다. 이로써 각 노드는 독립적으로 학습되어 더 강력하게 특징을 학습할 수 있고, 또한 다양한 조합으로 특징을 학습하게 된다. 드랍아웃은 주로 완전연결계층이나 은닉층에서 적용되며, 일반적으로 훈련 중에만 적용되고 테스트나 예측 시에는 모든 노드를 사용하여 모델의 출력을 계산한다.

5.2 바이오 업종 부하 예측 결과

5.3 제지 업종 부하 예측 결과