빅데이터 분석과 강화학습을 통해 공조설비를 효율적으로 제어해 기존 공조설비 운영에 필요한 전력량을 10% 절감할 수 있는 AI 기술이 선보여 이목을 집중시키고 있다.
이 기술은 강화학습 알고리즘을 활용해 지하철 역사의 공기질과 실내 온도를 일정 수준으로 유지할 수 있도록 공조설비를 최적의 상태로 제어하는 기술이다.
특히, 이 기술은 철도 분야는 물론 건물 분야에도 적용이 가능한 만큼 향후 건물 에너지 절감에도 기여할 것으로 기대를 모으고 있다.
강화학습 알고리즘 활용 역사 공기질 실내 온도 일정 수준 유지
미세먼지 농도 모델 개발 ··· 데이터 활용 Q-network 훈련 진행
현재 상태+에너지 설비 제어 ‘다음 시간대 미세먼지 농도’ 예측도
최근 철도 전철전력 분야에서도 디지털 트윈기술 적용에 대한 필요성이 제기되고 있는 가운데 HILS(Hardware In the Loop Simulation) 기반의 프로토타이핑과 성능검증 기술이 주목받고 있다.
전기설비의 안전한 반복시험과 분석을 위해서는 랩 규모의 실시간 시뮬레이터와 제어기 하드웨어를 기반으로 HILS 플랫폼을 구축한 후 전기설비 활용 목적에 따라 대상 전력설비의 운용 효율성을 성능 평가할 수 있는 가상의 시운전 기술 개발이 필요한 것으로 알려져 있다.
현재 국내 에너지 분야에서도 디지털 트윈 플랫폼의 요소기술 개발을 위해 전력시스템 프로토타이핑과 성능검증용 HILS 테스트베드를 구축, 운영하고 있다.
한편, 철도역사 설비의 개별적인 에너지 효율화 기술은 다양하게 적용되고 있지만, 아직 통합적인 측면에서 에너지 사용을 통합 관리할 수 있는 시스템이 전무한 실정이다.
전문가들은 철도역사 내 에너지를 통합적으로 관리할 수 있는 통합 관리시스템 기술개발은 물론 철도역사 에너지 성능개선 시나리오별 평가 모델, 에너지 기술과 가상화 기술의 접목이 필요하다고 입을 모은다.
특히, 한국형 뉴딜사업이 본격적으로 추진되면서 철도분야에서도 철도역사 대상의 에너지 기술과 가상화기술이 접목된 그린+디지털 기술개발에 대한 요구가 높아지고 있다.
또한, 기존의 기능 중심에서 친환경·저에너지 소비의 철도역사 설계와 리모델링, 최적운영으로 전환하기 위한 에너지 관리와 성능평가 기술 도입도 시급히 요청되고 있다.
이 같은 상황에 발맞춰 철도기술연구원에서는 ‘가상화 기반 철도역사 스마트 에너지 관리 및 성능평가 기술개발’(연구책임 정호성 수석연구원) 연구를 진행하고 있다.
이 과제는 기술의 성능과 결함을 모의시험하는 HILS를 활용해 회생에너지 활용기술과 철도역사 전력설비 에너지 절감요소 기술을 연계한 통합 에너지 관리시스템 구축에 초점을 맞추고 있다.
또한, 3차원 공간정보 기반의 철도역사 유형별 표준모델과 에너지 성능평가체계 구축에도 집중하고 있다.
이 같은 기술개발 과제 중 ‘철도역사 통합 에너지관리시스템 구축’ 연구에서 ‘지하철 역사 공조설비 최적 제어 기술’을 선보여 눈길을 끌고 있다.
연구내용
‘철도역사 통합 에너지 관리시스템 구축’ 연구는 역사 내 에너지 설비 최적 운영을 위한 ‘강화학습 기반의 통합 에너지관리시스템’ 구축을 목표로 진행되고 있다.
이를 위해 강화학습을 실행을 위한 실증 환경 조성, 강화학습 에너지 관리 Agent 개발과 현장 적용, AI 연계 철도역사 통합 에너지관리시스템 개발 연구가 중점적으로 진행되고 있다.
지금까지의 연구를 통해 통합 에너지관리시스템 시범 구축 대상 역사 선정하고, 전력·환경 데이터 계측 시스템과 클라우드 서버 구축, AI 연계 철도역사 통합 에너지관리시스템과 강화학습 기반 설비 최적 운영시스템 개발 연구를 수행했다.
이를 기반으로 현재 통합 에너지 관리시스템 최적 운영방안과 매뉴얼 작성, AI 연계 철도역사 통합 에너지관리시스템 실증을 위한 역사 테스트베드 구축과 성능평가, 통합 에너지관리시스템 운영을 통한 검증과 개선 사항 도출에 나서고 있다.
세부적으로 살펴보면, 현재 역사 내부 설비 전력사용량과 환경 데이터, 외부 기상정보와 미세먼지 데이터 등을 취득하는 한편, 공공데이터 포털의 기상관측 정보를 통한 역사 외부 기상정보와 에어코리아의 미세먼지 정보를 얻고 있다.
이렇게 취득된 데이터는 강화학습 결과의 신뢰도 증가를 위해 학습에 효율적인 형태로 정제하고, 예측 목적에 맞지 않는 비정형 데이터를 체크해 결측치 변환, 이상치 제거, 노이즈 데이터 교정을 진행한다.
이후 다양한 데이터 처리 기법을 통해 학습 결과가 효율적으로 도출될 수 있도록 변경이 이뤄진다.
한편, 이 연구에서는 통합 에너지관리 Agent 개발을 위한 강화학습 연구도 진행하고 있다.
강화학습(Reinforcement Learning)이란 Agent가 불확실성이 존재하는 환경에서 반복적인 시행착오 상호작용을 통해 작업 수행 방법을 학습하는 머신러닝기법의 한 유형이다.
따라서 불확실성을 가진 환경 내 변수에 대해 직접적인 확률분포 모델을 구하지 않고 주어진 데이터를 직접 활용, 최적의 정책을 찾을 수 있는 것으로 알려져 있다.
지난 1·2단계 연구에서는 각각 강화학습을 위한 미세먼지 농도의 Transition kernel와 Markov Decision Process(MDP) 모델을 개발했다.
현재 3단계 연구에서는 데이터를 활용한 Q-network 훈련을 진행하고 있다.
이 같은 연구를 통해 선보일 에너지 관리 에이전트는 Deep Q-Network(DQN) 기반의 에너지 설비 제어와 함께 수집 데이터 기반의 DQN을 활용한 에너지 설비 제어가 가능하다.
학습된 예측모델에 기초한 학습을 통해 비용 감소와 미세먼지 절감이 가능한 최적의 에너지 설비 제어 정책도 도출할 수 있다.
또한, 현재 상태와 에너지 설비 제어를 토대로 다음 시간대의 미세먼지 농도를 예측할 수 있다.
실제로 실측데이터를 활용해 학습된 강화학습 에이전트 성능평가 결과, 공조설비의 전력 사용량을 10% 가량 절감하면서도 공조기와 송풍기의 최적제어로 미세먼지를 제어하는 것으로 나타났다.
이를 통해 에너지 소비를 줄이면서도 지하철 역사의 환경을 쾌적하고 효율적으로 조성하는 데 기여한 것으로 분석됐다.
인 / 터 / 뷰
공조설비 전력 사용 ‘최적화’
작년 기업에 기술 이전 완료
|
박종영 선임연구원 |
한국철도기술연구원 박종영 선임연구원은 “국내 지하철은 대중교통 수단 중 가장 많은 사람들이 이용하는 수단 중 하나로 최근 지하철 역사의 쾌적한 실내 환경 유지가 중요한 이슈로 떠오르고 있다”고 밝혔다.
이어 “이 같은 이슈에 대응하기 위해 현재 많은 지하철 역사에서는 실내 온·습도, 공기질 등을 체계적으로 관리하고 있다”고 말했다.
이와 함께 현재 철도 분야에서는 전력 사용 절감에 대한 요구에 부응하기 위한 에너지 절감 연구와 기술 개발도 이뤄지고 있다.
박 박사는 “이번 연구에서는 AI 기술을 활용해 지하철 역사의 공조설비를 최적으로 제어해 전력 사용량을 절감하는 ‘지하철 역사 공조설비 최적 제어 기술’을 개발하고 있다”고 소개했다.
이어 “이 기술은 강화학습 알고리즘을 활용해 지하철 역사의 공기질과 실내 온도를 일정 수준으로 유지할 수 있도록 공조설비를 최적의 상태로 제어한다”며, “이를 통해 지하철 역사의 에너지 사용량을 최소화하고 더욱 쾌적하고 효율적인 환경을 조성할 수 있다”고 설명했다.
특히, 이 기술은 시간 계획에 따라 운영하는 기존 방식 대비 전력 사용량을 10% 이상 절감할 수 있어 이목을 끌고 있다.
광주도시철 운천역 적용 곧 상용화 추진
박 박사는 “지하철 역사에서 발생하는 에너지 비용 절감에 큰 기여를 할 것”이라며, “또한, 쾌적하고 안전한 지하철 역사 환경을 조성해 대중교통 이용객들의 만족도 향상에 도움을 줄 수 있다”고 강조했다.
이어 “이번 연구를 통해 개발한 에너지관리시스템은 공기질 관리는 물론 공조 설비의 사용량을 최적화해 에너지를 절감할 수 있는 기능을 갖고 있다”며, “전국의 지하철 역사에 적용할 경우 불필요한 에너지 소비를 줄일 수 있어 에너지 절감을 실현할 수 있을 것”이라고 전망했다.
끝으로 박 박사는 “‘지하철 역사 공조설비 최적 제어 기술’은 지난 2022년에 ㈜라온프렌즈에 기술 이전을 완료했다”며, “현재 광주도시철도 1호선 운천역에 개발한 에너지관리시스템을 적용해 시스템 운영과 에너지 절감 효과를 분석하는 작업을 진행하고 있다”고 밝혔다.
이어 “이를 통해 시스템의 성능을 검증하고, 상용화에 나설 계획”이라고 덧붙였다.