이명환 교수 3차 미팅

모듈별 역할

• M1 데이터 수집 · 쓸 수 있는 데이터를 15분 단위로 모으는 프로그램
• M2 목표 관리 · 직전 15분 구간 데이터로 다음 15분에 지킬 목표 피크를 정함. 이미 정리된 계산식으로 충분
• M3 예측 · 다음 15분 평균과 상한을 예측. Chronos-2가 평균·상한(분위) 예측을 제공
• M4 감축량 · M2 목표와 M3 예측을 합쳐 줄일지와 얼마나 줄일지를 계산식으로 결정
• M5 할당기 · 감축량을 설비별 주파수로 나눔. 최적화 문제로 풀며, 2차 때 말한 "AI 그룹핑"이 들어갈 자리
• M6 안전 · 마지막에 규칙으로 점검. 범위를 벗어나면 기존 룰이나 계산값으로 돌아가는 비상정지 장치
• M7 효과 검증 · 실제로 효과가 있었는지 통계로 보고, 그 결과를 M4·M5 최적화에 다시 씀

예측 모델 운용

• Chronos-2는 트랜스포머 기반 최신 모델로, 선정은 잘했다고 보셨습니다. 학습 없이 바로(제로샷·원샷) 쓸 수 있습니다.
• 다만 바로 다음 구간 예측은 좋지만 예측 길이가 길어지면 성능이 떨어집니다.
• 그래서 LightGBM을 함께 돌리라고 하셨습니다. 처음에는 Chronos-2로 운영하고, 데이터가 쌓이면 LightGBM을 학습시켜 병행합니다.
• 두 결과를 섞는 앙상블이 아니라, 상황마다 더 잘 맞는 쪽으로 바꿔 쓰는(스위칭) 방식입니다.
• 15분 단위라 계산 시간 여유가 커서, 룰·계산식·AI 모델을 여러 개 같이 돌려 두고 골라 써도 됩니다.

교수님은 LightGBM을 "뉴럴넷 모델"이라고 하셨지만, 실제로는 의사결정나무 기반 부스팅 모델입니다. 시계열 예측에 쓴다는 취지는 같습니다.

왜 모듈로 나누는가

• 전체를 AI 하나로 덮으면, 안 될 때 어디서 잘못됐는지 알 수 없습니다.
• 세부 모듈로 나눈 뒤 하나씩 바꿔 보고, 잘 되면 다음으로 넘어가는 식으로 점진적으로 붙여서 최종적으로 엔드투엔드로 갑니다.
• 자율주행도 인지·판단·제어로 나눠 개발합니다. 통째로 하는 엔드투엔드 방식은 아직 성능이 안 나옵니다.
• 최적화는 단순한 것부터 합니다. 선형에서 시작해 비선형으로 가고, 그래도 안 되면 딥러닝으로 넘어갑니다.

과제 제안서 작성 팁

• "모두 AI로 하겠다"고 뭉뚱그리지 말고, 이 모듈 구조를 보여 준 뒤 연차별로 어느 모듈을 AI로 바꾸고 무엇이 나아지는지 쓰면 현실성 있게 평가받습니다.
• 예: "M○를 ○년 차까지 AI로 대체"
• 창의성이 들어간 AI는 2차 때 말한 그룹핑 자동화부터 시작하라고 하셨습니다.

1부 · 부하 예측 모델

• 인버터가 계산해 주는 토크를 바탕으로 부하를 예측하는 모델을 만듭니다.
• 입력은 토크와 그때의 운전 주파수 두 개부터 시작합니다. 정확도가 부족하면 변수를 하나씩 늘립니다.
• 출력은 부하 예측값이고, 비교할 실제 부하값이 함께 있어야 합니다.
• 토크·주파수 두 개만으로 오차가 작으면 "대박"이라고 하셨습니다.

2부 · 주파수 결정

• 예측 모델이 나오면, 일정 조건을 넘을 때 주파수를 내리는 룰 방식으로도 충분하다고 보셨습니다.
• 룰과 학습 모델을 섞어 쓰면 됩니다.
• 성능은 예측 정확도와 에너지 절감률로 평가합니다.

토크 모델 형태

• 원심 팬·펌프 같은 가변토크형, 토크가 일정한 정토크형, 비선형형으로 나뉩니다.
• 어느 경우든 n차 다항식으로 모델링이 끝나는 형태로 보입니다. 교수님이 모터·부하 모델링을 할 때도 2차를 넘지 않았다고 하셨습니다.
• 같은 유형이면 제조사가 달라도 식의 형태는 같고, 앞에 곱하는 계수만 다릅니다. 계수는 현장 데이터로 최적화해 찾으면 되므로 현장마다 딥러닝을 할 필요가 없습니다.
• 모든 설비에 한 번에 쓰는 범용 모델을 원하면 그때 딥러닝이 필요합니다.

학습 데이터

• 60Hz 정속 운전 데이터는 거의 같은 값이 반복되어, 하나를 학습하나 전부를 학습하나 같습니다.
• 학습 기간에는 최대한 여러 주파수 범위로 돌려서 다양한 데이터를 확보하는 것이 좋습니다.
• 먼저 제어하지 않고 데이터를 모아 예측값과 실제값을 비교해 정확도를 확인한 뒤, 그 모델로 제어합니다.
• 도입 전 2~4주 데이터로도 시작할 수 있다는 데 동의하셨습니다.
• 모든 현장 데이터를 계속 보관하기보다, 필요할 때 원격으로 필요한 기간만 가져오는 방식이 현실적이라는 얘기가 나왔습니다.

회사 측 설명 · 적용 배경

• 남동공단 반도체 공장 집진기에 인버터가 있지만 60Hz 고정으로 24시간 돕니다. 생산은 하루 12시간입니다.
• 생산 중에는 토크를 보고 55Hz 정도까지, 비생산 시간에는 더 내릴 수 있다고 봅니다.
• 모터 힘이 남는 시간에 굳이 높게 돌릴 필요가 없다는 개념입니다. 처음에는 하한을 보수적으로 잡습니다.
• 고객사는 데이터가 없어 품질 저하를 걱정하며 주파수를 내리지 못합니다. 비교 대상이 없어서 설득이 어렵습니다.

교수님 종합 의견

• 영향을 주는 요소가 복잡해 보이지 않아 어렵지 않을 것 같다고 하셨습니다. 여러 설비가 동시에 돌아도 결국 합으로 표현됩니다.
• 딥러닝까지 가면 무조건 될 것이라고 하셨습니다.
• MPC는 교수님 전공이고, 학위 논문은 여러 대를 동시에 최적 제어하는 게임이론입니다. 그쪽이 필요하면 직접 얘기해 달라고 하셨습니다.

특허에 대한 평가

• 특별한 특허는 아니고, 아이디어 수준입니다. 학교에서는 실증까지 하기 어렵습니다.
• 앙상블은 결국 가중평균이라, 가장 좋은 모델 하나보다 성능이 낮아질 수 있습니다. 대신 최저 성능을 올려 주는 저점 보장형입니다.
• 장점은 현장마다 어떤 모델이 좋은지 시험하지 않고 바로 쓸 수 있다는 것입니다. AI 모델은 환경마다 잘 맞는 모델이 다릅니다.
• 특허의 가중치는 정확도를 합이 1이 되게 바꾸는(소프트맥스 계열) 방식으로 보입니다. 정확도의 정의도 특허에 분명하지 않습니다.
• 관련 논문(2019년)은 DNN이 가장 좋았다고 했는데, DNN은 시간 관계를 못 다루는 모델이라 이상한 결과입니다. 한 환경에서만 시험해서 나온 결과입니다.
• 앙상블 자체를 다룬 논문은 없습니다. 특허 후 논문이 안 나왔다는 것은 성능이 생각보다 안 나왔을 가능성이 높다는 뜻입니다.

R&D 과제로 가져갈 때

• "이 특허 방법을 실증하겠다"는 위험합니다. "이 특허를 확장하겠다"로 가야 합니다.
• 확장 예: 가중치를 고정값 대신 AI로 상황에 맞게 조절하는 앙상블. 교수님 강화학습 연구(상황마다 보상 가중치를 바꾸는 자율주행)와 같은 발상입니다.
• 가중치는 정확도가 아니라 실제 발전량과의 오차에 반비례하게 주는 것이 맞습니다.
• 특허 구조에서 모델만 Chronos-2로 바꿔 끼우는 것은 R&D 진보성이 약합니다. Chronos-2의 방법을 확장해 약점을 보완하는 내용이 들어가야 합니다. 상용화나 시제품 과제라면 얘기가 다릅니다.

데이터와 학습

• 데이터는 많을수록 좋습니다. 특허가 100일로 했으니 그 언저리에서 성능이 나올 것입니다.
• 다만 태양광은 1년 주기라 100일은 부족하고, 1년도 한 번뿐이면 부족합니다. 2~3년 반복이 필요합니다. 100일로 기본 모델을 만들고 계속 업데이트합니다.
• 학습·검증·시험 데이터를 반드시 나눕니다. 학습에 쓴 데이터로 검증하면 100%가 나옵니다.
• 기간별로 나누되, 학습할 때는 무작위로 뽑아야 편향이 생기지 않습니다.
• 데이터 행 수는 많을수록 좋지만, 변수(피처)는 단순하게 시작해 늘려 갑니다.
• LSTM은 데이터가 많이 필요하니 GRU·DNN부터 해 보고 LSTM·RNN으로 갑니다.
• RNN 계열은 오래된 과거를 잊습니다. 대략 5,000스텝 이상이면 단기가 아니라고 보셨습니다(받아쓰기 기준).

성과 목표

• 논문·특허 건수 같은 정량 지표와 성능 지표를 직접 정합니다. 요구 지표가 있는지 기관에 물어보라고 하셨습니다.
• 성능은 "기존 모델 대비 몇 %"로 잡습니다. 특허의 기존 방식도 비교 대상에 넣어야 합니다.
• 너무 높지도, 너무 낮아 보이지도 않게 잡습니다. 너무 낮으면 선정이 안 됩니다.
• 목표에 못 미쳐도 기존 대비 얼마나 개선했는지 보여 주면 됩니다. 달성 못 했다는 말만 하면 과제를 제대로 안 한 것이 됩니다.
• 논문용 ablation study 수준까지는 과제에서 필요 없습니다.

회사 측 구상

• 과제가 선정되면 클러스터의 실증 공간(공터 등)에 태양광을 설치해 데이터를 받아오는 방안을 대표가 언급했습니다.
• 지금 수자원조사기술원 건과 비슷하게 구성해 과제에 녹일 수 있겠다는 얘기가 나왔습니다.
• J-EMS에 AI를 도입한 위에, 태양광이 있는 현장에서만 이 예측을 연동하면 강력할 것이라고 교수님이 보셨습니다. 구체적인 방법은 아직 고민하지 않았다고 하셨습니다.

ESS·잉여전력

• ESS는 아직 너무 비싸 민간 도입이 거의 없습니다. 최근 만난 ESS 업체도 같은 얘기를 했다고 합니다.
• 주말 태양광 잉여전력은 팔 수도 있지만 절차가 번거로워 대부분 버리고 있습니다.
• ESS는 지금은 현실성이 낮지만, 시나리오로 만들어 두는 것은 의미가 있다는 데 의견이 모였습니다.