1. 서 론

양수발전은 주말과 심야 시간 등 전력 시장가격이 낮 은 시간에 하부 저수지에서 양수한 물을 상부 저수지에 저장하고, 시장가격이 높은 시간에 상부 저수지의 물을 방 류하여 전기를 발전하는 설비로써 대용량 에너지 저장 시 스템이다.

양수발전은 국가전력의 5% 정도 차지하고 있지만 대규 모 국가전력 상실 시 대체전원 역할을 수행하는 중요한 발전원이며, 특히 최근 신재생 에너지가 주요 발전원으로 전환되고 있는 상황에서 백업 전력으로 중요성이 높아지 고 있다[2].

특히 양수발전은 환경변화에 따라 출력 변동성이 심한 발전설비의 전력 수요에 안정적으로 대응하기 위하여 빈 번한 기동/정지가 발생되는 특성을 보유하기 때문에 특히 설비의 고효율성 및 고신뢰성이 요구된다.

현재 양수발전 플랜트는 시간에 따라 정기적인 보전을 수행하는 TBM(Time Based Maintenance) 방식을 채택하고 있다. 즉, 실시간 운전정보 시스템을 도입하여 미리 설정 된 Alarm 임계치를 통해 설비고장을 관리하고 전체 설비 에 대한 정기적인 Overhaul을 수행하고 있다. 그러다 보니 과보전에 따른 비용상승 문제가 발생되고 있다.

국내 발전 5개 원자력/화력 발전사는 과보전 우려가 있는 TBM(Time Based Maintenance) 방식에서 예측경보시스템을 통한 설비 신뢰도 기반의 보전활동인 CBM(Condition Based Maintenance) 방식으로 예지보전을 수행하고 있다. 즉, 설비 고장을 사전에 예측하기 위해 미리 설비상태를 파악하여 선제적인 조치를 통해 설비고장으로 인한 비용증가를 예방 하고 있다. <Table 1>은 TBM 방식과 CBM 방식을 비교한 결과이다.

그러나 양수발전의 경우에는 타 발전설비 대비 낮은 중 요도로 인해 아직까지도 TBM 방식을 활용하고 있는 실정 이기에 CBM방식으로의 신속한 전환이 필요한 실정이다.

이를 위해서는 AI 기반의 고도화된 예지보전 기법이 필 요하며, 설비의 고장 이상징후를 조기에 탐지하고, 선제적 대처를 수행할 수 있는 예측경보시스템의 도입 및 운영이 필수적이다.

최근에는 빅데이터 분석 기법의 발달로 인하여 기계학 습 기반의 AAKR(Auto-Associative Kernel Regression), 딥 러닝 기반의 VAE(Variation Auto-Encoder), LSTM(Long Short Term Memory) 알고리즘이 예측경보시스템에 적용 되고 있다[9]. 이러한 예측경보시스템은 <Table 2>와 같이 이미 최대 출력을 유지하는 원자력/화력 발전 플랜트에 설 치되어 설비고장 이상징후에 대한 사전 대응을 통해 발전 플랜트의 비계획정지 예방에 크게 기여하고 있다.

그러나 이러한 예측경보 알고리즘은 <Table 3>과 같이 기동/정지가 수시로 진행되고 운전 시간이 상대적으로 짧 은 양수발전(PSPP)의 경우에는 적용하기가 어렵다.

또한 양수발전은 수시로 변하는 부하에 맞춰 발전량을 조절하다 보니 운전 시 데이터의 특성이 안정되지 않고 변화량이 크다는 점에서 기존의 예측경보 알고리즘을 활 용하기가 적절하지 않다.

이에 본 연구에서는 양수발전 설비의 특성을 고려하여 기동/정지(Transient Mode)에 적용이 가능한 새로운 예측 경보 알고리즘을 개발하고자 한다.

2. 이론적 배경

2.1 예측경보 시스템의 정의

발전 플랜트에서 활용되는 예측경보시스템은 발전소의 각 설비에 부착된 계측 센서 데이터(온도, 유량, 압력, 진 동, 전류 등)를 기반으로 정상적으로 운전된 데이터의 패 턴을 학습하여 이상징후를 찾아낸다.

즉, 실시간 데이터 입력 시 실시간 기댓값을 산출하고 잔차를 계산하여 허용된 기준치 이상의 잔차가 발생되는 경우 이상징후로 판단하여 알려준다.

일반적으로 발전 플랜트는 안정적으로 운영되어 고장 데이터를 확보가 어렵기 때문에 예측경보 알고리즘은 <Figure 1>과 같이 비지도 학습을 통해 Anomaly 데이터를 탐지하는 기법이 주로 활용된다.

2.2 예측경보 알고리즘 종류

먼저 AAKR 알고리즘은 2014년부터 국내 원자력 및 화 력 발전 플랜트의 예측경보시스템에 사용되고 있다. 이는 기계학습 기법으로 데이터의 정상 패턴을 학습하고 실제 데이터와의 비교 분석을 통해 차이 발생 시 예측경보를 발생해 준다. 즉, 학습된 데이터의 행렬과 실시간 데이터 의 행렬의 거리 계산 및 커널밴드 가중치 계산을 통해 실 시간 기댓값을 산출하는 기법이다[9].

VAE 알고리즘은 원자력 발전에서 딥러닝 기반의 예 측경보 알고리즘으로 2021년 최초 도입되어 사용되고 있다. 이 는 모델에 입력된 실시간 데이터의 차원을 축소 하여 얻은 Feature에 가우시안 Error를 적용한 후 다시 원래 차원의 데이터로 복원 시 복원오차(Reconstriction Ettor)의 비교를 통해 허용 기준치보다 크면 경보를 발생 해 준다.

이외에도 국내 화력 발전소의 경우 <Figure 2>와 같이 이상징후 모델 탐지 기법 MSET(Multivariate State Estimation Technique)와 인공신경망 모델 AANN(Auto Associate Neural Network) 등이 활용되고 있다.

2.3 기존 연구의 고찰

Min[10]은 원전 조기경보 시스템의 성능과 신뢰성을 향 상시키기 위해 설비의 특성과 전문가의 경험을 반영하여 패턴모델을 최적화한 후 경보 발생을 결정하는 고장판정 조건을 최적화하여 오경보 발생을 예방하기 위한 방법을 제안하였다. 이 연구는 국내 최초로 원자력 발전소의 설비 고장 이상징후를 감지하는 기법이라는 점에서 의의가 있 으나 양수발전 Transient 구간을 탐지할 수 있는 알고리즘 활용하기에는 제약이 있을 것으로 판단된다.

Kim[5]은 화력발전 고장검출 및 진단시스템에 대한 주 성분 분석 및 AE(Auto Encoder) 알고리즘 적용기법을 제 안하였다. 이 방법은 사전에 이상징후를 감지하는 예측경 보와 달리 가동 중인 화력발전소 설비의 고장을 실시간으 로 검출하는 데 활용할 수 있다. 그러나 고장검출지표(DS, Detection Signal)을 통해 고장검출 시 발생될 수 있는 오경 보의 최소화에 의미가 있으나 고장이 발생되기 전 사전 예 측경보를 제공할 수 있는 알고리즘 적용에는 제약이 있다.

Lim[8]은 양수발전 설비의 고장 예측진단 시스템을 개 발하기 위해 양수발전 구간에 AAKR 기법을 적용하였다. 특히 예측경보 알고리즘을 소프트웨어 시스템으로 구현하 여 적용한 결과 설비의 사전 이상징후 감지에 대한 가능성 을 보였다.

본 연구에서는 상기의 연구결과를 참고하여 양수발전 기동/정지(Transient) 구간에 적용 가능한 새로운 예측경보 알고리즘을 개발하고자 한다.

3. 새로운 고장 예측경보 알고리즘 개발

본 연구에서는 양수발전 설비의 기동/정지(Transient Mode)에 적용이 가능한 예측경보 알고리즘을 개발하기 위해 먼저 적합한 데이터 분석구간을 찾아내고 기존 알고 리즘의 적용 가능성을 탐색한다. 다음으로 기존 알고리즘 의 장단점을 파악한 뒤 개선된 알고리즘을 제안하고자 한다.

3.1 데이터 분석구간 설정

양수발전의 운전 모드는 <Figure 3>과 같이 MW 출력을 기준으로 양수/발전 모드와 기동/정지 모드로 구분된다. 양수발전의 출력 데이터를 분석하여 설비의 운전 상태를 확인한 결과, 양수모드 및 발전모드에서는 데이터가 안정 적인 상태를 나타내나 기동/정지 모드 시에는 출력에 따라 데이터의 파형이 상승/하락하는 특성을 보인다.

본 연구에서는 <Figure 4>와 같이 데이터의 파형이 상승/하락하는 Transient 구간을 분석구간으로 설정하 였다.

이러한 Transient 구간은 설비의 기동 특성에 따라 데이 터가 서서히 증가하지 않고 안정화 단계로 진입하기 전까 지 데이터의 변동이 발생한다.

3.2 기존 알고리즘 적용 가능성 탐색

3.2.1 VAE 알고리즘 적용

VAE 알고리즘은 <Figure 5>와 같이 VAE Encoder-Decoder 에 RNN(Recurrent Neural Network) Layer를 사용한 딥러 닝 기반의 알고리즘이다.

한국수력원자력(주)의 본사 종합상황실에는 VAE 알고 리즘을 활용하여 이미 기동/정지 구간에 대한 지능형 예측 경보 시스템을 구축하여 운영 중이다.

본 연구에서는 원자력 발전에서 활용되는 VAE 알고리즘 의 적용 가능성을 우선적으로 탐색하고자 양수발전 데이터 를 기반으로 분석을 수행하였다. 따라서 기존의 VAE 알고 리즘에 활용된 하이퍼 파라미터에 대해 <Table 4>와 같이 모델학습 파라미터 조건을 설정하여 학습을 수행하였다.

VAE 알고리즘 적용 결과, <Figure 6>과 같이 예측경보 가 발생되는 부분은 해당 Trend에서 실시간 데이터와 예 측 데이터간의 잔차가 높게 발생된 부분으로서 해당 구간 을 BOX로 표시하였다.

먼저 Unit MW, TBN WTR Flow In Gen 신호에서는 정 상운전구간에서 학습된 데이터와의 차이로 인해 예측경보 가 발생 되었음을 알 수 있다.

하지만 Shaft Seal Position, Press In Runner & Wicket gates & Turbine Shaft Seal Temp 신호의 경우에는 Transient 구간에서 실시간 기댓값이 순간적으로 증가하여 정상운전 상태임에도 불구하고 경보가 발생되는 것을 알 수 있었다.

따라서 기존의 VAE 알고리즘은 양수발전 설비에 적용 시 정상구간에서 예측경보를 확인할 수 있으나 Transient 구간의 예측경보 알고리즘으로 적용하기에는 부적합한 것 으로 분석되었다.

이에 VAE 알고리즘에서 파생된 C-VAE 및 S-VAE 알 고리즘을 추가적으로 적용하여 결과를 분석하였다.

3.2.2 Convolution VAE 알고리즘 적용

Convolution VAE(C-VAE) 알고리즘은 VAE 알고리즘 과 달리 <Figure 7>과 같이 CNN(Convolutional Neural Network) Layer를 사용한다는 특징이 있다.

C-VAE 알고리즘의 적용가능성을 탐색하고자 <Table 5>와 같이 모델학습파라미터 조건을 설정하였다.

단, VAE 알고리즘 적용을 통해 도출된 결과 중 오경보 가 발생된 신호(Parameter 71,382건)에 대해서만 알고리즘 을 적용하였다.

C-VAE 알고리즘 적용 결과 <Figure 8>과 같이 VAE 알 고리즘 대비 실시간 기댓값 산출에 대한 편차가 오히려 더 높은 것으로 분석되었다. 따라서 예측경보 알고리즘으 로 적용하기에는 부적합한 것으로 분석되어 추가적인 분 석은 수행하지 않았다.

3.2.3 Sparse VAE 알고리즘 적용

Sparse VAE(S-VAE) 알고리즘은 <Figure 9>와 같이 VAE 알고리즘의 Loss Term에 Regularization을 추가하고 Layer의 차수를 증가한 모델이다[1].

S-VAE 알고리즘의 적용 가능성을 탐색하고자 <Table 6>와 같이 모델학습파라미터 조건을 설정하였다. 단, VAE 알고리즘 적용을 통해 도출된 결과 중 오경보가 발 생된 신호(Parameter 71,382건)에 대해서만 알고리즘을 적용하였다.

S-VAE 알고리즘 적용 결과 <Figure 10a>와 같이 Normal 상태에서 실시간 기댓값 산출의 정확도는 VAE 대비 상당히 개선되었다.

하지만 Abnormal 상태에서는 <Figure 10b>와 같이 과 적합으로 인하여 실시간 기댓값이 비정상 데이터와 동일 하게 예측되는 문제가 발생되었다.

예측경보를 발생하기 위해서는 비정상 데이터 입력 시 학습된 정상상태의 실시간 기댓값을 산출하여 Abnormal 데이터를 탐지하여야 한다. 그러나 S-VAE 알고리즘은 비 정상 데이터 입력 시 문제로 인해 양수발전 Transient 구간 의 예측경보 알고리즘으로 적용하기에는 부적합한 것으로 분석되었다.

3.3 새로운 알고리즘 개발

3.3.1 VAE 알고리즘 개선

현재까지의 연구 결과를 종합해 볼 때 S-VAE 알고리즘 이 VAE 알고리즘 보다 Normal 상태에서 실시간 기댓값 산출이 좋아진 것을 알 수 있었다. 하지만 Abnormal 상태 에서는 VAE 및 S-VAE 알고리즘의 추가적인 개선이 필요 한 것으로 나타났다.

이를 위해 Transient 구간의 특성을 데이터 학습에 적용 하기 위해 데이터의 변동 구간과 안정화 구간을 구분하는 임의의 Digital 신호[변동 구간 : 0, 안정화 구간 : 1]를 생성 하여 VAE를 통해 학습을 진행하고 학습 시 부족한 Digital 신호 데이터에 대하여 <Figure 11>과 같이 증강학습을 수 행하였다.

그 결과 기존 Analog 데이터만 학습한 방법에 비해 <Figure 12>와 같이 기댓값 산출 성능이 개선된 것으로 나 타났다.

또한 정량적으로 성능개선 효과를 확인하기 위하여 기 존 VAE 알고리즘 대비 Digital 신호 학습을 추가한 결과, <Table 7>과 같이 70% 이상 향상된 것으로 나타났다.

단, 비교한 Data Point는 모델 성능을 고려하여 약 1,400건 의 Time Series 잔차(Residual)의 MAE를 통해 확인하였다.

3.3.2 VAE 및 S-VAE 알고리즘 결합

Digital 신호 학습을 통해 개선된 VAE 알고리즘은 양수 발전 Transient 구간에서 예측경보 알고리즘으로 적합할 것으로 예상된다. 그러나 S-VAE 알고리즘 또한 VAE 대 비 Normal 상태에서 실시간 기댓값 산출 정확성이 높을 것으로 판단된다.

따라서 VAE 알고리즘과 S-VAE 알고리즘이 결합한 새 로운 알고리즘을 <Figure 13>과 같이 설계하여 분석을 수 행하였다.

새로운 결합 알고리즘을 VAE 및 S-VAE 알고리즘과 실 시간 성능비교를 위해 <Table 8>과 같이 파라미터 조건을 설정하였다. 단, VAE 알고리즘은 전체 신호 (Parameter 316,854건)을 적용하였으며 S-VAE 알고리즘은 이 중 오 경보가 발생된 신호(Parameter 71,382건)에 대해서만 알고 리즘을 적용하였다.

신규 알고리즘의 성능 판단을 위해 총 27개 비교사례를 검토한 결과, 실시간 예측값 산출 정확성이 가장 잘 나타 난 2개만 제시하면 <Figure 14>와 같다.

먼저 <Figure 14a>에서는 S-VAE 알고리즘의 특성이 잘 반영되어 Normal 상태에서 실시간 예측값 산출 정확성이 가장 높게 나타났다. 또한 <Figure 14b>에서는 VAE 개선 모델에 대한 특성이 반영되어 Abnormal 상태에서 실시간 예측값 산출 정확성도 가장 높게 나타났다.

이러한 결과는 양수발전 예측경보 알고리즘의 성능개 선을 위해서는 Transient 상태를 나타내는 Digital 신호의 학습 및 증강학습이 중요하며 VAE와 S-VAE 모델의 특성 을 결합하는 것이 가장 효과적임을 시사해 준다.

4. 결론

발전 플랜트에서 활용되는 예측경보시스템은 발전소의 각 설비에 부착된 계측 센서 데이터(온도, 유량, 압력, 진 동, 전류 등)를 기반으로 정상적으로 운전된 데이터의 패 턴을 학습하여 이상징후를 찾아낸다.

그러나 양수발전은 기동/정지가 수시로 진행되고 운전 시간이 상대적으로 짧아 운전 시 데이터의 특성이 안정되 지 않고 변화량이 크다는 점에서 기존의 예측경보 알고리 즘을 활용하기가 적절하지 않다.

이에 본 연구에서는 양수발전에 기존 예측경보 알고리 즘의 적용 가능성을 분석하고 가장 적합한 예측경보 알고 리즘을 개발하였다. 즉, 기존 예측경보 시스템의 문제점인 Transient 구간에서의 예측경보 알고리즘 정확성을 개선하 기 위해 VAE 알고리즘에 S-VAE 알고리즘을 결합한 새로 운 알고리즘을 개발하였다.

본 연구결과는 국내 최초 예천양수 발전소의 지능형 상 태감시 및 예측진단 시스템 적용을 위한 예측경보 알고리 즘으로 활용될 예정이다. 또한 양수발전과 같이 외부 인자 에 의해 설비의 운전 상태가 변화하는 특성을 가진 설비에 도 적용 가능할 것으로 기대된다.

향후에는 운전정보 데이터의 지속적인 축적을 통해 예 측경보 알고리즘의 효율 제고 및 고도화를 도모해 나가야 할 것이다.