1. 연구배경 및 목적

2008년 UN의 미래보고서에 따르면 2025년 물 부족 인구가 27억 명으로 증가하고, 세계인구 절반의 연간 1인당 물 사용량이 1,000㎥가 되지 않는 물 부족 상황에서 생활할 것으로 예상했다.⁽¹⁾ 또한 최근 우리나라도 이상기후의 영향으로 매년 물 부족 문제가 심각해지고 있다. 전 세계적 수자원 부족 문제는 유한한 담수자원에 대한 급격한 인구증가가 가장 큰 원인이므로 수자원 확보 기술이 절대적으로 필요하다. 수자원 확보 기술 중 해수담수화 기술이 높은 성장률을 보이며 고성장이 예상된다. 현재 해수담수화 기술은 기존 전력망을 이용하는 기술에 국한되어 있고, 화력발전의 한계 및 원자력발전의 한계로 신재생에너지를 이용한 에너지 공급 시스템을 개발이 필요한 실정이다. 또한 기존 신재생에너지 발전 효율이 한계에 다다르고 있어, 양질의 열과 전력을 생산 가능한 HCPVT 시스템 적용이 추진되고 있다. 이러한 가운데 최근 세계적으로 다양한 산업에서 인공지능 기반 예측 및 진단 기법 적용이 활발히 진행 중이다. 특히, 빅 데이터에 기반으로 기계학습기술을 산업용 플랜트에 적용하기 위한 많은 연구들이 진행되고 있다. 실제로 인공지능 기술을 적용한 해양가스플랜트 분석 연구와 딥 러닝을 이용한 태양광 발전 영향 요인 선별 및 예측 모델 설계 등의 연구가 활용되어 지고 있다.⁽²⁾ 이와 관련된 선행연구로서 Kim et al.⁽³⁾은 해양 가스전의 유동관내 유체유동분석을 바탕으로 다양한 생산조건에 대한 유동학적 분석을 수행하였고, 해양가스 플랜트 내 이상 신호 발생 시 이상 유무를 진단할 수 있는 모델을 구축하였다. 이로 인해 분석 시간의 단축과 운영비절감효과를 예상하였다. Kim et al.⁽⁴⁾는 태양광 발전량 예측에 딥 러닝 기법과 과거 데이터 길이에 대한 실험을 진행하여 최적의 딥 러닝 기법, 예측 모델을 설계하였으며, Kang⁽⁵⁾는 캠퍼스의 전력 수요 특성을 분석하고, 인공신경망 기반 단기 전력 수요 예측 모델을 제안하였다. 이는 빌딩 에너지관리시스템에 적용되어 빌딩 에너지 절감과 마이크로그리드의 개발에 따른 전력수요 예측에 활용될 것으로 기대했다.

이와 같이 빅 데이터를 활용한 인공지능 기반 예측 및 진단 기법을 통해 다양한 대상에서의 문제들을 사전에 예측하고 진단 및 관리함으로써 시스템의 신뢰성을 높이고 최고의 효율을 낼 수 있다. 따라서 AI 기반의 진단기법을 HCPVT 해수담수화 융합시스템에 적용하여 기존 신재생에너지를 적용한 담수플랜트에서 심각하게 문제시 되었던 운영 및 관리 문제를 효율적으로 개선하고자 한다.⁽⁶⁾ 이에 따라 본 연구에서는 HCPVT 해수담수화 융합시스템의 AI 기반의 예측진단을 위한 기본 구축 방안을 제시하고자 한다.

2. 연구대상 및 방법

2.1 연구 대상

본 연구의 대상은 HCPVT 해수담수화 융합시스템⁽⁷⁾으로(Fig. 1 참조), 효율적이고 원활한 운용을 위해 AI기반 예측진단기술을 적용한 HCPVT 해수담수화 예측진단시스템을 개발하는 것이다. 또한 지도 학습(Supervised Learning)을 통해 다양한 문제들을 사전에 예측하고 진단 및 관리할 수 있다. 이로 인해 HCPVT 해수담수화 융합 시스템의 신뢰성을 높이고 최고의 효율을 낼 수 있다. 이로 인해 추후 구축되는 실증 시스템에 최적화된 인공지능형 담수화플랜트의 통합 예측진단시스템 구축이 가능할 것으로 예상된다.

Fig. 1 Concept diagram of HCPVT seawater desalination fusion system.

HCPVT는 고집광 태양광열 병합발전으로 거울을 이용하여 태양광을 작은 면적에 집중시킴으로써, 변환 효율을 높여 열을 회수하는 장치이다. HCPVT는 전기 30%, 열 40%로 최소 70% 이상의 태양에너지를 유용한 에너지로 전환할 수 있다.⁽⁸⁾ HCPVT로부터 생산된 열은 축열조에 저장되고, 전력은 EMS(Energy Management System)를 통해 RO(Reverse Osmosis) 공정의 전력원으로 활용되거나, 날씨와 같은 예측할 수 없는 변수로 인해 HCPVT로 전력 생산이 불가능할 시를 대비해 남는 전력을 ESS(Energy Storage System)에 저장한다. HCPVT와 ESS 모두 전력 공급이 불가능할 시엔 Electric Grid를 통해 전력을 공급한다.

해수담수화는 바다에 존재하는 해수를 열과 전기 등의 에너지를 이용해 염분, 중금속 등을 제거한 뒤 사용이 가능한 담수로 전환하는 기술이다. 해수 담수 공정 방식에는 크게 막분리법과 증발법이 있으며, 본 연구에서는 RO 공정, MD(Membrane Desalination) 공정, MED(Multi Effect Desalination) 공정을 결합한 하이브리드 해수담수 플랜트를 적용한다. 이때 담수 용량이 대용량이면 MD 공정을, 소용량이면 MED 공정을 이용한다. RO 공정은 압력을 이용한 방법으로 물은 통과시키지만 용질은 거의 투과시키지 않는 역삼투압에 해수를 가압하여 담수만을 분리해내는 공법으로, 염분 및 이물질을 걸러내는 반투막을 가운데 두고 양쪽에 담수와 바닷물을 각각 부으면 담수가 이동해 바닷물 쪽 높이가 올라가는 삼투 현상이 생긴다. 이후 바닷물 쪽에 압력을 가하면 반투막을 통과해 염분이 걸러진 담수의 양이 늘어난다. 이때 HCPVT로부터 생산된 전력이 RO 공정에 전력원으로 사용되며 일부는 열교환기를 데우는 데 사용된다. MD 공정은 물이 통과하지 못하는 분리막을 이용하여 고온의 유입수 중 수증기만 통과시킨 후 냉각시켜 담수를 생산하는 기술로, 바닷물보다 더 높은 고농도 조건에서도 담수 생산이 가능하다. 증발법이기 때문에 별도의 압력을 필요로 하지 않으며 RO에 비해 제거율이 상당히 좋은 편이지만 낮은 증발속도로 효율성이 낮다. 이때 HCPVT로부터 생산된 열은 MD 공정을 위해 해수를 데우는 데 사용된다. MED 공정은 반복적으로 응축을 통해 담수를 얻는 해수담수화 방법으로 응축수를 수집하여 순도가 높고, 폐열원 사용이 가능하여 발전소 폐열의 순환을 가능하게 한다. 이때 HCPVT로부터 생산된 열은 MED 공정을 위한 해수를 데우는 데 사용된다.

2.2 연구 방법

본 연구를 진행하기 위한 흐름도를 작성하였다(Fig. 2 참조). 연구 배경 및 목적 등을 파악하는 이론적 고찰 뒤 진단 요소 분석을 위해 DB 구축 개념 설계를 진행한다. 이후 AI 기반 예측진단시스템을 위한 기계학습 모델을 선정한 뒤, HCPVT 해수담수화 융합시스템의 고장 요소를 선별을 진행한다.

Fig. 2 Flowchart for developing predictive diagnostic technology.

선행된 국내의 인공지능 기반의 연구 개발 동향 및 사례의 조사를 위해 포털 사이트인 Google, 학술연구 정보서비스 RISS, 국회도서관 등을 이용하여 2001년 이후의 자료 및 논문 검색을 통해 진행한다. 인공지능과 진단분야에 관련된 키워드를 결합하여 자료를 검색한다. 검색에 사용한 인공지능의 키워드는 인공 신경망, 딥러닝, 머신러닝, 인공지능을 이용하고, 진단 분야의 키워드로는 신재생에너지, 해수담수화, 에너지, 플랜트를 이용한다.

예측진단시스템의 대상은 HCPVT 해수담수화 융합시스템 중 신재생에너지 발전과 담수화 장비의 작동 상태이다. 진단의 기준은 장비의 주요 요소들의 고장 진단 범위 접근 여부와 기준치 이하의 작동 등 장비 성능의 이상여부 판단이다. 이를 위해 장비별 고장 요소 판단을 위해 각 장비에 대한 진단 및 예측의 대상이 될 요소를 파악해야 한다. 앞선 방법과 동일하게 각 장비의 고장 및 예측 진단에 대한 자료 및 논문 수집 및 분석을 통해 진행한다. 장비의 키워드는 PT(Photo Thermal), PV(Photo-Voltaic)와 ESS, 진단분야의 키워드는 고장, 진단, 예측진단과 수명예측으로 두 키워드를 결합하여 자료를 수집한다. 또한 자체적 실험 혹은 실증 사례 등을 통해 성능에 대한 평가와 고장에 대한 정의 등이 이루어진 논문을 기준으로 수집하였다. 각 장비별 고장 요소는 논문 내에서 성능 및 고장 진단을 위해 실증 실험에 사용된 요소로 선정한다.

3. 예측진단시스템 사례 조사 및 분석 결과

기존 연구 동향 분석 사항은 실제 시스템 및 플랜트 구축에 사용된 프로그래밍 툴, 인공지능(AI) 기법, 진단 분야 그리고 적용 대상의 4가지 항목으로 조사 및 분석하였다. 기존 예측진단시스템에 대한 사례조사는 Table 1과 같으며, 프로그래밍 툴은 Java, C++, Python 등, 인공지능 기법으론 머신러닝, 딥러닝과 의사결정나무 등이 파악되었다. 진단 분야로는 수명 예측, 수요 예측과 고장 예측 등, 적용 대상은 배터리, 건물과 플랜트 등으로 파악되었다. 이에 대한 상세한 분석 내용은 Fig. 3과 같다.

기존논문 조사내용을 AI 기법, 프로그래밍 툴, 진단 분야, 적용 대상 기준으로 분석하였다. AI 기법 분석 결과 Fig. 3(a)로 머신러닝 기법이 37%, 딥러닝 기법 14%, 스마트 그리드 6%로 분석되었다. 최근 예측 진단 기술 및 이미지 인식, 음성 인식 등의 기술 발달에 따른 머신러닝 및 딥러닝 기법은 최근 증가하는 추세인 것을 알 수 있다. 머신러닝 기법 사용 시 솔루션을 쉽게 구할 수 있는 머신러닝 라이브러리를 사용하므로 Table 2와 같이 사용 점유율 상위 세 가지 머신러닝 라이브러리의 특징을 비교 및 분석했다. Tensorflow는 텐서 보드를 사용, Caffe는 Caffe Model Zoo에서 훈련된 네트워크를 바로 사용 가능, Torch는 C 및 C++ 라이브러리를 사용한다는 특징이 있다.

Fig. 3 Usage ratios and result of analysis for research trend.

프로그래밍 툴 적용 비율 분석 결과는 Fig. 3(b)와 같으며, Matlab 29%, Rstudio 13%, C++ 8%, Python 8%로 분석되었다. 이후 EMS 및 머신러닝 라이브러리와의 연동성을 고려한 프로그래밍 툴의 장․단점을 Table 3과 같이 비교 및 분석하였다. Matlab은 공학에 특화되어있으며 Python은 문법이 쉽고, C++은 빠른 실행 성능을 가진다는 장점이 있다. 또한 Python과 C++은 오픈소스로 무료로 이용 가능하다.

진단분야 분석 결과는 Fig. 3(c)로 예측진단이 적용 비율이 75%로 가장 높았으며, 최근 예측진단 적용 비율이 증가하는 추세는 AI 기반 예측 기술 발달로 인한 것으로 예상되었다.

AI 적용대상 분석 결과는 Fig. 3(d)와 같으며 플랜트 19%, 발전소 16%로, 산업용이 총 35%로 분석되었으며, 이는 최근 발전소 및 산업용 플랜트에 예측 진단 기술을 적용함에 따라 증가하는 추세가 나타나는 것으로 판단되었다. 이에 따라 HCPVT 해수담수화 융합시스템에 Matlab 또는 Python 프로그램 툴을 사용하여 예측 진단시스템 개발하는 것이 적합할 것으로 예상되었다.

4. 예측진단시스템 기본 구축 방안 연구

연구 동향 분석 결과를 통하여 Fig. 4와 같이 AI 기반 예측진단시스템 구축 흐름도를 구성하였다. 예측진단 시스템 구축 방법은 우선, 데이터 수집을 위한 프로그래밍 툴은 LabVIEW를 사용하고, 변수 설정에 따른 계측된 데이터를 수집한다. 둘째로 데이터 전처리 과정을 위한 프로그래밍 툴은 오픈 소스로 가벼우며 연산 속도가 빠르고, 머신러닝 라이브러리와의 호환성이 좋은 Python을 사용한다. 또한 손실, 정확도 및 결과물을 시각화하여 볼 수 있는 Tensorflow의 Tensor Board를 활용하기 위해 노드 및 엣지를 파악한다. 셋째로 모델링을 위한 인공지능 기법으로는 머신러닝 기법 중 지도학습을 사용하며, 이때 머신러닝 라이브러리로 Python 기반으로 만들어졌으며 본 연구의 시스템과 같이 많은 데이터 처리가 가능한 Tensorflow를 사용하여 최적의 효율이 발생하는 시점을 분석하고 예측진단시스템 기술을 개발한다. 마지막으로 시범 시스템에 적용하여 데이터를 수집한다. 수집된 데이터를 통해 알고리즘을 보완하여 실증 시스템에 적용한다.

Fig. 4 AI based deployment flowchart.

예측진단시스템을 위한 기본 구축 방안은 HCPVT 해수담수화 예측진단시스템의 기본 설계를 위한 각종 장비 및 고장 요소를 파악하였고, 그 후 Fig. 5와 같이 개념도로 나타내었다.⁽⁹⁾ PT 시스템의 고장요소는 순환 펌프 고장, 열매체 누수, 시스템 동파 또는 과열 등이 있으며, PV 시스템의 고장요소는 음영, 적설, 모듈의 열화, 셀 출력 불균일 등이 있다. 이 중 시스템 동파, 음영 및 모듈의 열화 등과 같은 요인들은 계절 및 시간과 온도와 밀접한 관련이 있다. PT 및 PV 시스템에서 온도는 일사량에 따라 크게 달라지기 때문에 입력 변수로 고려할 수 있고, 이에 따른 출력 변수로는 HCPVT 에너지 생산량 등이 될 것이다. MD 공정의 고장요소는 액체 투과 압력, 막오염 인자, 공급수 온도 등이 있고, RO 공정의 고장요소는 온도, 압력, 막오염 인자 등이 있다. 온도가 증가할수록 유량이 증가하고 염 제거율이 떨어지며, 온도가 지나치게 상승하면 막에 변형이 생겨 투과량이 떨어질 수 있다. 압력이 상승할 경우 공급 압력과 삼투압의 차이에 따라 유량이 증가하여 염 제거율 또한 증가하게 된다. 또한 수질에 따라 막 오염이 빠른 속도로 진행될 수 있다. 이에 따른 입력 변수로 수온, 수질 및 압력이 될 것이고 출력 변수로는 해수 담수화 에너지 생산량, 전처리 과정에서의 에너지 소모량 등이 될 것이다. 에너지 공급 및 저장과 관련된 HCPVT, Grid, ESS는 날씨 및 고장과 같은 상황에 따라 작동 흐름이 바뀔 수 있으므로 하나의 노드로 결합하여 나타내었다. 노드로부터 공급되는 전력 및 열은 해수담수화 플랜트에 필요한 에너지로 사용된다.

HCPVT 해수담수화 융합시스템의 고장 요소들에 대한 입력값으로는 온도, 습도, 수온, 수압, 수질, 필터압 및 풍속 등이며 출력값으로는 에너지생산량, 축열량, 축전량, 연료사용량, 전기사용량 및 담수공급량 등의 요인들을 ANN(Artificial Neural Network) 형식⁽¹⁰⁾으로 재구성하였다(Fig. 6 참조). 이후 본 시스템의 흐름 및 고장 요소들의 상관관계를 파악하고, 각 장비별 구성 및 주요 고장 요소를 파악함으로써 알고리즘 생성의 기반이 될 것이다. 이를 기본으로 하여 AI기반 HCPVT 해수담수화 예측진단시스템 구축 연구개발을 진행 하고자 한다.

Fig. 5 Conceptual diagram of equipment element connectivity for HCPVT seawater desalination fusion system.

Fig. 6 Concept design of ANN for HCPVT seawater desalination.

5. 결 론

본 연구의 결과는 HCPVT 해수담수화 융합 발전 플랜트 예측진단시스템 기술 개발 이전에 기존 연구 분석을 위해 인공지능 기반의 연구 개발 동향 및 사례의 조사를 위해 자료 및 논문을 조사하였다. 수집한 자료들을 AI 기법, 프로그래밍 툴 및 진단 적용대상 중심으로 분석하였다. AI 기법은 머신러닝, 프로그래밍 툴은 Matlab, 진단 기법은 예측 진단과 적용 대상은 플랜트 및 발전소가 가장 높은 적용 비율로 분석되었다. 특히 최근 산업용 플랜트에 예측 진단 기술 적용의 활발한 적용으로 인해 예측진단 기술 및 플랜트 및 발전소에 적용 비율이 증가하는 추세를 보이는 것으로 예상되었다. 또한 분석 결과를 본 연구에 적용하여 HCPVT 해수담수화 예측 진단시스템 기술 개발을 위한 AI 기반 구축 흐름도를 구성하였다. 데이터 수집부터 실증 시스템에 대한 알고리즘 적용까지 사용되는 툴, 인공지능 및 진단 기법에 따른 본 연구에 대한 적용사항을 나타내었다. 또한 예측진단 시스템 기술 개발을 위한 본 시스템의 장비들과 주요 요소들을 파악하여 HCPVT 해수담수화시스템 장비 연결 개념도를 나타내었다. 이때 주요 고장 요소들의 입력 및 출력 요인들을 ANN 형식에 맞게 재구성하여 제시하였다.

추후 연구과제는 HCPVT 해수담수화 융합시스템 기술 개발을 위한 주요 고장 요소들을 파악하고 주요 고장 요소들의 입력 및 출력과 같은 상관관계를 파악한다. 이때 주요 고장 요소들의 고장 범위 데이터와 이에 따른 상관관계를 가진 요소의 데이터 범위를 수집한다. 이를 바탕으로 RMSE(Root Mean Square Error) 및 CV(Co-efficient of Variation)값을 분석하여 ANN에 적용될 Neuron 및 Hidden layer 개수를 정해준다. 이를 활용하여 추후 AI 기반 HCPVT 해수담수화 융합플랜트의 시범시스템을 위한 기본 설계에 적용하여 AI 기반 예측 진단 알고리즘을 구축할 예정이다.