GIST(광주과학기술원·총장 김기선)는 황의석 전기전자컴퓨터공학부 교수 연구팀이 AI 기반 시간-주파수 마스크 방식의 '비접촉식 세부 전력 사용량 모니터링 기술'을 개발했다고 30일 밝혔다.

비접촉식 세부 전력 사용량 모니터링 기술이란 스마트 미터에서 측정되는 전력 총량으로부터 특징적인 하위 부하들의 전력 사용량을 추정하는 비접촉식 형태의 기술이다. 스마트 그리드에서 전력 수요 반응 제어·관리를 수행하는 기술 분야에 활용 가능하다.

연구팀은 심층 신경망(Deep Neural Networks, DNN) AI 모델을 기반으로 시간-주파수 마스크를 추정하는 접근 방법을 통해 하위 부하의 분해 정확도를 높였다. 중소형 빌딩에서 전력 수요 반응 등에 활용도가 높은 유연한 전력 부하의 식별과 분리에 적용될 수 있음을 확인했다.

기존 비접촉식 전력 사용량 모니터링 기술은 주로 시간 도메인에서 부하 분해를 수행한다. 이는 하위 부하들이 서로 유사한 패턴을 보이거나 복잡한 소비 형태를 갖는 경우 전력 총량에서 각각의 목표 부분 부하 패턴을 분리하거나 식별하는 데 어려움이 있다.

연구팀은 시간·주파수 특징을 동시에 고려할 수 있는 심층 신경망 기반의 시간-주파수 마스크 방식을 비접촉식 전력 사용량 모니터링에 적용해 기존 시간 도메인 분해 방법의 한계를 극복했다.

AI 기반의 시간-주파수 마스크를 활용한 전력 사용량 모니터링 방법은 먼저 전체 부하에서 분리해내고자 하는 목표 유연 부하마다 적합한 시간-주파수 마스크를 심층 신경망 모델로 생성하고, 생성된 각각의 마스크를 전력 총량의 시간-주파수 신호에 적용해 목표 하위 부하들의 전력 사용량을 분리해내는 방법이다.

연구팀은 계산 복잡성을 줄이고 AI 모델의 올바른 학습을 위해 전력 부하와 상관성이 높은 환경정보를 이용했다. 사전에 부하 데이터에 대한 클러스터링을 진행하고 각각의 클러스터에 대해 심층 신경망 기반 시간-주파수 마스크를 활용한 부하 분해 방법을 적용했다.

연구팀이 제안한 기술의 부하 분해 성능을 확인하고자 목표 유연 부하가 주거형과 상업형 빌딩 부하의 공기조화시스템(Heating Ventilation and Air conditioning, HVAC)과 전등 부하인 경우에 대해서 기존 방식과 분해 성능 비교 시뮬레이션을 수행했다. 그 결과 기존 방식들 대비 부분 부하 추정의 평균 제곱근 오차(Root Mean Square Error, RMSE)가 약 32~68%와 15~40% 수준으로 각각 줄어들어 부하 분해 정확도가 향상됨을 확인했다.

황의석 교수는 "이번 연구는 기존 비접촉식 전력 사용량 모니터링 기술에서 식별하기 어려웠던 유사하거나 복잡한 패턴의 전력 부하 모니터링을 가능하게 하고, 부하 분해 정확도를 높였다"면서 "향후 전력 수요 반응 제어와 관리 시스템 등을 위한 에너지 ICT 융합 플랫폼에 활용될 수 있을 것으로 기대한다"고 말했다.

황의석 교수가 주도하고 송준호 기계공학부 박사과정 학생과 이용구 한국원자력연구원 연구원이 참여한 이번 연구는 GIST 연구원(GRI)과 정보통신기획평가원(IITP) 과제 지원을 받아 수행됐다. 관련 연구들은 Engineering, Electrical & Electronic 분야 세계적 학술지 'IEEE Transactions on Smart Grid' 온라인에 지난 17일 게재됐다.