시그널 특성함수를 이용한 발전설비 감시 AI 플랫폼에 관한 연구

1-1 연구배경 및 목적

최근 인공지능(AI)과 빅데이터 기술의 발전은 산업 전반의 운영 효율성과 지능화 수준을 획기적으로 향상하고 있다[1],[2]. 특히 발전산업 분야에서는 설비의 안정적인 운전이 국가 에너지 공급망의 핵심 요소로 인식되며, 비 계획적 기동정지로 인한 손실이 심각한 문제로 대두되고 있다[3].

예를 들어, 대형 화력발전소의 보일러 튜브 또는 주증기 계통의 고장으로 인해 발전기가 갑작스럽게 정지하면, 단일 사건으로도 수억 원 규모의 직접 손실과 수일간의 가동 중단이 발생한다. 이러한 현상은 단순한 설비 결함뿐 아니라 운전 조건의 변화, 열적 스트레스, 유량 불균형 등 복합적 요인에 의해 유발되는 다변량 이상 패턴의 결과로 해석된다.

기존의 발전설비 관리체계는 주기적 점검과 예방정비 위주의 사후적 유지보수 체계가 주를 이루었으나, 이는 설비의 실시간 상태를 반영하지 못하고 데이터의 미활용이라는 구조적 한계를 가진다. 또한, 발전소에는 수천 개의 센서가 초당 단위로 데이터를 생성하기 때문에, 단순 모니터링만으로는 복잡한 이상 패턴을 조기에 식별하기 어렵다.

이러한 한계를 극복하기 위해 최근 AI 기반 예지 보전(Predictive Maintenance) 기술이 주목받고 있으며, 특히 시계열 신호 기반 이상탐지 모델이 높은 신뢰성을 보인다[4]. 예지 보전은 정상 상태의 운전데이터를 기반으로 패턴을 학습하고, 이상징후를 조기에 탐지함으로써 고장을 예방하는 기술로 정의된다[5].

따라서, 설비 신호의 시간적·주파수적 특성을 정량화하는 시그널 특성함수를 정의하고, 이를 이용한 AI 기반 감시 플랫폼을 개발함으로써, 발전설비의 안정적 운영과 효율성 향상을 달성하는 것이 필요하다. 본 연구는 이러한 관점에서, 기존의 수동형 설비감시 체계를 데이터 기반 지능형 감시 체계로 전환하기 위한 실증적 기술모델을 제시하고자 한다. 이를 위해 A사 석탄발전소 1개 호기의 실제 운전데이터를 활용하여 이상징후를 탐지하고, 가혹도 수준을 정량화하는 AI 기반 감시 플랫폼을 구축하는 것을 목표로 한다.

기존 예지 보전연구는 주로 단일 변수의 추세 변화나 FFT 기반의 진동 신호 특성에 초점을 맞추어 왔으며, 변수 간 상관 구조의 동적 붕괴(correlation breakdown)를 고장예측 인자로 활용한 사례는 거의 보고되지 않았다. 그러나 실제 발전설비 고장 현상은 단일 변수의 이상값보다 변수 간 물리적 관계의 약화에서 더 명확한 전조가 나타나는 경우가 많다. 본 연구는 이러한 점에 착안하여 발전량, 주증기 유량, 급수 유량, 압력 등 주요 운전변수 간 상관계수의 시간적 하락 현상이 고장 2~3일 전에 반복적으로 나타난다는 실증적 패턴을 규명하고, 이를 고장예측 인자로 활용하는 새로운 접근을 시도하였다.

아울러 기존 예지 보전연구는 이상탐지와 고장 강도 예측을 별도로 수행하는 경우가 많았으나, 본 연구는 비지도 이상탐지와 이상 지수 기반 가혹도 회귀모델을 결합한 두 단계 통합 구조를 제안하였다. 이를 통해 단순 이상탐지를 넘어, 이상 원인의 정량적 해석과 리스크 수준 평가가 가능한 통합 프레임워크를 구축하였다.

기존 연구는 평균, 표준편차 등 일부 기초 통계량 또는 특정 주파수 성분을 이용하는 방식에 의존하는 경향이 있었으며, 설비 신호의 복잡도, 비선형성, 변동성, 상관성 등 다양한 특성을 포괄적으로 반영한 분석체계가 부족하였다. 본 연구는 특징기반 시계열 분석 연구에서 제시된 관점을 발전설비 도메인에 적용하여, 시그널 특성함수(Signal Feature Functions)를 기반으로 한 고차원적 신호 표현 방식을 설계하였다. 이는 기존의 단순 수치 중심 분석을 넘어 발전설비의 물리적 상태 변화를 정량화할 수 있는 새로운 신호 기반 모델이라는 점에서 의미가 있다.

1-2 연구방법

본 연구는 발전설비의 실시간 운전데이터를 활용하여 이상 탐지 및 성능 예측모델을 개발하기 위한 데이터 기반 실증 연구로 수행되었다. 연구 절차는 다음과 같이 구성된다.

첫째, 데이터 수집 단계에서는 1개 석탄 발전기의 주요 설비(발전기, 보일러, 주증기, 급수기, 복수기 등)로부터 1초 단위의 시계열 데이터를 수집하였다. 수집된 데이터는 54개 변수, 약 3,100만 건으로 구성되었으며, 총 13개월(2023년 10월~2024년 10월)의 운전기록을 확보하였다.

둘째, 탐색적 데이터 분석(EDA) 단계에서는 일평균 발전량을 기준으로 정상운전, 이상운전, 기동·정지운전, 불시정지 등 8개 운전 패턴을 분류하고, 변수 간 상관관계를 분석하여 고장 예측 인자를 도출하였다. 특히 발전량과 주증기 유량 간 상관계수의 저하가 불시정지의 주요 징후로 확인되었다.

셋째, 이상탐지 모델링 단계에서는 시계열 데이터를 시간 구간(Time Window)과 슬라이딩 윈도우(Sliding Window) 방식으로 구간화하여 학습용 데이터셋을 구축하였다. 비지도학습 기반의 Isolation Forest와 AutoEncoder 모델을 적용하여 이상운전 구간을 탐지하였으며, 이상탐지 결과와 기술 분석 결과를 상호 검증하였다.

넷째, 가혹도 예측 모델을 구축하기 위해 Isolation Forest로 산출된 Anomaly Score를 회귀모델의 종속변수로 활용하였다. Random Forest, LightGBM, CatBoost 등의 앙상블 회귀모델을 적용하여 주요 영향변수(발전량, 급수유량, 주증기압력, 표준편차 등)를 도출하였고, R² 0.97~0.99 수준의 높은 예측정확도를 확보하였다.

마지막으로, AI 감시 플랫폼 구축 단계에서는 PostgreSQL, DuckDB 하이브리드 DB 구조와 Apache Airflow, FastAPI, Nginx Unit 등 오픈소스 기반의 시스템 아키텍처를 구현하였다. 이를 통해 실시간 데이터 적재·변환·시각화 및 이상경보 자동화를 실현하였다.

2-1 이상탐지 모델

본 연구에서는 발전설비의 이상운전 상태를 조기에 탐지하고 예측하기 위한 비지도 학습 기반의 이상탐지 알고리즘으로서 Isolation Forest와 AutoEncoder 기법을 적용하였다. 이 두 모델은 각각 서로 다른 수학적 원리를 기반으로 이상치를 판별하며, 시계열 기반의 고차원 설비 데이터에 대한 이상탐지 문제를 효과적으로 해결할 수 있는 대표적인 기법이다. 두 기법 모두 발전설비와 같이 복잡하고 대규모의 센서 기반 시계열 데이터에 적합하며, 학습된 모델은 비정상적인 운영 패턴이나 장비 이상을 조기에 탐지하는 데 효과적으로 활용될 수 있다. 특히, 본 연구에서는 기술 분석을 통해 정의된 특성함수 기반 지표들을 입력 변수로 사용하여 이상탐지 모델을 학습하였으며, 각각의 기법이 탐지한 이상운전 구간의 적중률을 비교함으로써 모델의 실효성을 평가하였다. 또한, 탐지 결과를 탐색적 분석결과와 교차 분석하여 모델이 포착한 이상신호가 실제 고장 전조와 어떤 상관성을 가지는지 정량적으로 검증하였다.

1) Isolation Forest

Isolation Forest는 Liu 등[6]에 의해 제안된 이상탐지 알고리즘으로, 데이터 내 이상치를 다른 점들과 얼마나 쉽게 고립(isolate)시킬 수 있는지를 기반으로 한다(그림 1 참조).

Fig. 1.

Partition structure and decision boundaries of a Isolation Forest

본 기법은 데이터를 무작위로 선택된 특성과 값을 기준으로 반복적으로 이진 분할하는 트리 구조를 사용하여, 각 데이터 포인트를 고립시키는 데 필요한 분할 수(또는 깊이)를 측정한다. 일반적으로 이상치는 정상 데이터보다 훨씬 적은 수의 분할만으로 고립되기 때문에, 평균 분할 깊이를 기반으로 이상 점수(anomaly score)를 산출하여 이상 여부를 판별한다. Isolation Forest는 거리나 밀도 기반이 아닌, 분할 기반의 이상 탐지 알고리즘이라는 점에서 계산 복잡도가 낮고, 고차원 데이터셋에도 효율적으로 적용할 수 있는 장점이 있다[6],[7].

2) AutoEncoder

AutoEncoder는 입력 데이터를 저차원(latent space)으로 압축하였다가 다시 원래의 차원으로 복원하는 과정을 학습하는 인공신경망 기반의 비지도 학습 모델이다(그림 2 참조). 이 모델은 일반적으로 다층 퍼셉트론(multi-layer perceptron, MLP) 구조로 구성되며, 인코딩 단계에서 입력의 중요한 특징만을 추출하고, 디코딩 단계에서 이를 바탕으로 원래 입력과 유사한 출력을 생성한다. 이상탐지에 AutoEncoder를 활용하는 경우, 정상 데이터만을 학습시킨 후 테스트 시 입력과 출력 간의 복원오차(reconstruction error)를 계산하여 이상 여부를 판단한다. 이상치는 정상 데이터 분포에서 벗어난 형태이므로, 복원오차가 상대적으로 크게 나타나는 특성이 있다. 이러한 방식은 비선형적인 데이터 구조를 효과적으로 모델링할 수 있으며, 시계열, 이미지, 센서 데이터 등 다양한 도메인에서 사용되고 있다[8]-[10].

Fig. 2.

Conceptual structure of an Autoencoder

2-2 가혹도 모델

본 연구에서는 발전설비의 이상징후 강도를 정량화하기 위한 “가혹도 모델”의 회귀 예측을 위해, 트리 기반의 앙상블 모델인 Random Forest, LightGBM, CatBoost를 적용하였다. 이들 알고리즘은 각각 고유한 방식의 트리 결합 전략을 가지고 있으며, 예측 정확도 향상과 과적합 방지, 범주형 데이터 처리 최적화 등의 장점이 있다.

2-3 시그널 특성함수

시계열 기반의 센서 데이터에서 의미 있는 정보를 추출하기 위해서는 원시 데이터를 그대로 사용하는 대신, 특정 통계적·물리적 특성을 정량화한 지표들을 생성하는 것이 일반적이다. 이러한 지표를 시그널 특성함수(Signal Feature Functions)라고 하며, 이는 원시 데이터의 복잡한 시간적 구조를 요약하고, 기계적·물리적 상태의 변화를 효과적으로 감지하는 데 활용된다[14],[15].

Table 1.

Signal feature functions

시그널 특성함수는 통상적으로 데이터의 평균, 표준편차, 최대값 및 최소값과 같은 기초 통계량에서부터, 변화율, 첨도(kurtosis), 왜도(skewness) 등과 같은 시간 도메인 기반의 동적 특성, 그리고 푸리에 변환을 통해 얻는 주파수 도메인 기반 특성까지 다양한 방식으로 구성된다. 또한, 여러 센서 간의 상관관계 분석(correlation analysis)을 통해 다변량 신호 간의 동적 상호작용을 정량화할 수도 있다[16].

설비 내 주요 변수(예: 온도, 압력, 유량) 간의 상관계수가 갑작스럽게 저하될 경우, 이는 시스템의 불균형 상태나 이상 동작 가능성을 시사할 수 있다. 이처럼 시그널 특성함수는 단순히 수치 요약을 넘어, 이상 탐지, 고장예측, 수명 추정 등 다양한 산업 응용에 활용 가능한 기반 지표로 기능한다[17]. 특히 본 연구에서 가장 핵심적인 시그널 특성함수는 변수 간 동적 상관계수(correlation coefficient)의 변화율과 붕괴 패턴이다. 이는 기존 연구에서 주로 사용된 단일 변수의 평균이나 분산 기반 특성과 달리, 발전설비 내 다변량 시스템의 관계 구조가 약화되는 현상을 직접적으로 포착한다는 점에서 본질적인 차별성을 가진다.

3-1 데이터 수집

1개 석탄발전소의 주요 발전기, 보일러, 과열기, 복수기, 급수기, 주증기 계통에서 1초 단위로 데이터를 수집하였다. 발전기에서 발전량(MW 단위)은 1초 단위로 측정하고 과열기 총 9개 부위에 대한 온도(섭씨)는 1초 단위로 측정하였다. 배관 중 복수기 계통, 급수 계통, 주증기 계통 총 3곳의 유량(시간당 톤)을 1초 단위로 측정하고 주증기 계통은 유량과 함께 압력도 측정하였다. 또한 보일러 내부에서는 노내 압력(mmH₂O)과 Tube Leak를 탐지를 위한 총 38개의 음압센서로부터 1초 단위로 음압데이터를 수집하였다.

2023년 10월부터 2024년 10월까지 총 13개월의 데이터를 입수하였다. 이 중 2023년 11월부터 2024년 10월까지 일 년 치 366일간 1초 단위로 수집된 데이터를 활용하여 총 54개의 변수와 약 3,100만개(366일×86,400초)의 레코드로 구성된 데이터셋을 생성하였다.

3-2 탐색적 데이터 분석

1) 일평균 발전량 추이와 일별 패턴추출

일평균 발전량을 기준으로 정상출력구간, 기동정지 구간, 운전전환 구간으로 구분하고 각 구간을 더 세분하여 8개의 일별 패턴을 도출하였다(그림 3, 표 2 참조). 본 연구에서 정의한 운전패턴 8종은 발전설비의 실제 운전 로직과 현장 운전 절차를 반영하여 구분한 것이다. 운전패턴 분류는 단순한 통계적 군집이 아니라, 출력 수준, 부하 변화율, 기동·정지 상태, 제어 신호 조합을 기준으로 정의하였다.

Fig. 3.

Daily operating pattern

Table 2.

Daily operating pattern distribution

일평균 발전량이 400MW 수준을 유지하는 정상출력 구간과 발전량이 0인 기동정지 구간, 정상출력구간과 기동정지 구간이 상호전환되는 운전전환구간으로 크게 구분하였다. 정상출력 구간은 발전량과 과열기, 복수기, 주증기, 급수기 간의 상관성 강도에 따로 정상운전 구간과 이상운전 구간으로 다시 구분하였다. 이상 운전 구간은 발전량, 주증기 유량, 주증기 압력, 급수 유량 간 상관계수가 0.8 미만으로 떨어지는 구간으로 정의하였다. 본 연구에서는 탐색적 분석 결과를 바탕으로 0.8을 기준값으로 설정하였으나, 이는 절대적인 고정값이라기보다는 분석 대상 설비와 운전 조건에 따라 조정 가능한 경험적 기준이다. 실제로 0.75~0.85 구간에 대한 민감도 분석을 수행한 결과, 0.8 부근에서 정상·비정상 구간의 구분력이 가장 높게 나타났다. 기동정지 구간은 고장 예방을 위한 정지 목적으로 계획적으로 운전을 정지하는 계획 예방정비구간과 고장, 장애 등으로 인하여 기동정지하는 불시 정지구간으로 다시 구분하였다. 운전전환구간은 기동정지상태에서 정상출력 구간으로 상승하는 기동운전 구간과 정상출력에서 기동정지로 떨어지는 정지운전구간, 그리고 정지운전 과정에서 발전량을 줄이는 출력 감발구간으로 구분하였다. 그밖에, 센서나 네트워크 이상으로 데이터의 수집이 이루어지지 않는 통신장애구간도 존재한다.

3) 고장예측인자의 발견

정상운전구간에서는 발전량과 주증기 유량, 발전량과 주증기 압력, 발전량과 급수 유량 간 상관계수는 1에 근접하지만, 불시정지가 발생하기 2~3일 전 발전량과 주증기 유량, 발전량과 주증기 압력, 발전량과 급수 유량 간 상관계수가 0.8 미만으로 떨어지는 현상이 발생한다(그림 4 참조). 따라서 정상적인 발전출력(380MW 이상)을 생성하면서도 주요변수 간 상관계수가 낮은 구간을 이상 운전 구간으로 따로 분류하여 중점적으로 분석하는 것이 필요하다.

Fig. 4.

Annual trend of the correlation coefficient between power generation and main steam flow

2024년 1월 21일 불시정지 발생 2~3일 전 발전량과 주증기 유량 간 상관관계가 0.55와 0.38까지 하락하는 현상이 발생하였다(그림 5 참조). 발전기 배관 파열이 일어난 4월 22일 이전 3일 동안 발전량과 주증기 유량 간 상관계수가 0.67과 0.74 사이로 떨어지는 현상이 발생하였다(그림 6 참조).

Fig. 5.

Trend of the correlation coefficient between power generation and main steam flow (Jan. 17, 2024 - Jan. 24, 2024)

Fig. 6.

Trend of the correlation coefficient between power generation and main steam flow (Apr. 19, 2024 - Apr. 28, 2024)

이상 운전이 발생한다고 해서 꼭 불시정지가 일어나는 것은 아니지만 불시정지가 일어났다면 이상 운전이 있었을 확률은 54%이다. 특히 이상 운전이 지속한 기간이 길어질수록 불시정지의 발생 가능성은 매우 커진다.

그림 5 및 그림 6에서 확인할 수 있듯이, 불시정지가 발생한 사례에서는 고장 발생 시점 기준 약 2~3일 이전부터 발전량과 주증기유량 간 상관계수가 급격히 하락하는 현상이 반복적으로 관측되었다. 본 연구에서 적용한 이상탐지 모델은 이러한 상관구조 변화가 시작되는 시점에서 이상 점수를 상승시키며, 실제 고장 발생 시점 대비 약 24~48시간 이전에 위험 상태를 탐지하였다.

정상구간과 이상 구간에서 각 변수의 분포를 비교한 결과 발전량, 급수 유량, 주증기 압력, 주증기 유량의 차이가 두드러진다. 정상운전 구간인 2024년 2월 16일과 이상 운전 구간인 2024년 4월 20일을 비교 분석하였을 때, 발전량, 급수 유량, 주증기 압력, 주증기 유량은 큰 분포의 차이가 발생하고 있다. 비교분석을 통해, 발전량, 급수 유량, 주증기 유량, 주증기 압력의 분포와 이 변수 간의 상관계수가 고장예측의 주요 인자로 파악되었다(그림 7 참조).

Fig. 7.

Comparative analysis between normal operation period (Feb. 16, 2024) and abnormal operation period (Jan. 18, 2024)

4-1 학습 데이터셋 생성

본 연구에서는 시간 기반(Time Window) 구간화 기법을 적용하여 원본 데이터를 시계열 특성에 따라 구간화하고, 슬라이딩(Sliding) 방식으로 연속적인 분석 단위를 생성하였다. 이를 통해 기술분석, 이상치 탐색, 및 가혹도 모델 개발을 위한 데이터셋을 체계적으로 구축하였다. 분석 대상 데이터는 2023년 11월부터 2024년 10월까지의 1년간 수집된 시계열 데이터를 활용하였다.

우선, 기술 분석(Technical Analysis) 단계에서는 데이터의 전반적 경향과 특성을 파악하기 위해 윈도우 크기(window size)를 1일(1 day), 이동 크기(shift size)를 1일(1 day)로 설정하였다. 이 설정을 통해 총 366개의 구간 데이터를 생성하였으며, 각 구간은 하루 단위의 데이터 변동을 반영하도록 구성하였다.

다음으로, 이상치 탐색(Anomaly Detection) 및 가혹도 모델(Harshness Model) 개발 단계에서는 더욱 세밀한 시간 단위의 패턴 변화를 탐지하기 위하여 윈도우 크기를 86,400초(1일, window size: 86,400s), 이동 크기를 3,600초(1시간, shift size: 3,600s)로 설정하였다. 이와 같은 세밀한 슬라이싱 기법을 적용함으로써 총 8,784개의 구간 데이터를 생성하였다(그림 8 참조).

Fig. 8.

Data set construction for exploratory analysis, outlier detection, and severity-model training

전체 데이터 중 70%는 학습데이터로 30%는 검증 데이터로 분리하여, 모형 학습을 수행하였다. 단일 분할에 따른 결과의 우연성을 줄이기 위하여 5겹 교차검증을 하였다. 각 반복 분석에서 회귀계수 및 모형 적합도의 일관성을 확인함으로써 분석결과의 안정성을 검증하였다. 데이터 누수방지를 위하여 모형 추정과 변수 선택 과정은 학습데이터에서만 수행하였고 검증 데이터에는 학습 단계에서 확정된 구조만을 적용하였으며, 검증 데이터 정보가 사전 분석에 사용되지 않도록 절차를 엄격히 통제하였다.

물리적으로 불가능한 값은 사전 규칙 기반으로 제거하였다. 센서 통신 오류 또는 기록 누락으로 발생한 결측치는 결측 구간 길이에 따라 차등 처리하였는데 단기 결측(연속 3초 이내)은 선형 보간법을 적용하였으며 장기 결측 구간은 분석 대상에서 제외하였다.

4-2 Isolation Forest 기반 이상탐지 모델

기술분석에서 중요하게 파악된 주요변수들의 특징(상관관계, 변동성, 수준 등)을 추출하여 Isolation forest 모델에 기반하여 이상탐지 모델을 학습하였다. 모델의 하이퍼파라미터로서 앙상블 트리갯수, 각 트리 학습에 사용되는 샘플의 수, 전체 데이터 중 이상치 비율, 각 분기(Split)에서 사용하는 feature의 수 조합을 변경하면서 최적의 모델을 탐색하였다.

기술분석의 결과와 이상탐지 결과 간 비교를 하면 표 3과 같다. 분석 대상인 불시정지 15건 중 14건에서 이상탐지 모델의 Anomaly Score가 고장 발생 시점 기준 최소 24시간 이전에 임계값을 초과하였으며, 이 중 8건에서는 48시간 이전부터 위험 신호가 지속적으로 관측되었다.

Table 3.

Comparison between exploratory analysis and isolation-based anomaly detection results

Isolation Forest 모델은 그림 9와 같이 결정 나무 (Decision Tree) 형태로 표현되어 Anomaly 즉 이상 운전이 발생할 수 있는 조건들과 그 확률을 구할 수 있다. 예를 들어, 급수 유량의 표준편차가 7.6 이하이고 전력량과 급수 유량 간 상관계수가 0.39 보다 크고, 보일러 노내 압력이 –8 이하이면서 발전량의 왜도가 0.29 이하이면 100% Anomaly로 분류된다. 또한 급수 유량의 표준편차가 7.6을 초과하고 주증기 유량의 표준편차가 261.6보다 작고 outlier 계수가 0.3 보다 작다면 100% Anomaly로 분류된다.

Fig. 9.

Decision Tree of Isolation Forest application results

4-3 Auto Encoder 기반 이상탐지 모델

본 연구에서는 AutoEncoder 모델을 활용하여 데이터의 이상 여부를 판단하기 위한 이상치 탐지 기법을 적용하였다. AutoEncoder는 입력 데이터를 저차원(latent space)으로 압축한 후, 이를 다시 원래의 차원으로 복원하는 비지도 학습 기반의 신경망 구조이다. 이 과정에서 입력 데이터와 복원된 데이터 간의 차이를 오차(Error)로 계산하며, 일반적으로 평균제곱오차를 이상치 판단 지표로 활용한다. 정상 데이터의 경우 AutoEncoder가 학습 과정에서 그 특성을 충분히 학습하므로 복원 시 오차값이 낮게 나타난다. 반면, 이상 데이터(Outlier)는 정상 데이터의 패턴과 상이한 특성을 가지기 때문에 복원 시 오차값이 상대적으로 높게 나타나며, 이는 이상치로 판단할 수 있는 중요한 근거가 된다. 따라서 복원 오차(MSE)가 일정 임계값 이상으로 증가한 경우, 해당 데이터를 이상치로 분류할 수 있다. 모델의 하이퍼파라미터로서 은닉층 수, 노드 수, 학습률, 최적화 알고리즘, 손실함수 등의 조합을 변경하면서 최적의 모델을 탐색하였다.

이와 같은 방식으로 도출된 이상 탐지 결과를 기술적 분석결과와 비교한 결과, AutoEncoder 기반 이상 탐지 모델은 데이터의 비정상적 패턴을 효과적으로 식별할 수 있으며, 기술적 분석에서 제시된 이상 구간과 높은 일치도를 보였다. 이는 AutoEncoder가 데이터의 내재된 비선형적 구조를 학습하여 잠재적 이상을 정량적으로 검출하는 데 유용함을 시사한다. 기술분석의 결과와 이상 탐지 결과 간 비교를 하면 표 4와 같다.

Table 4.

Comparison between exploratory analysis and AutoEncoder-based anomaly detection results

AutoEncoder 모델 역시 아래와 같이 결정나무 (Decision Tree) 형태로 표현되어 Anomaly 즉 이상 운전이 발생할 수 있는 조건들과 그 확률을 구할 수 있다. 그림 10의 결정트리는 AutoEncoder 모델 그 자체의 구조를 나타내는 것이 아니라, AutoEncoder가 판단한 이상 결과를 어떤 시그널 특성함수 조합이 설명하는지를 해석하기 위한 설명용 모델이다.결정트리로의 표현을 통해, 특정 조건 하에서 이상 탐지 확률이 높아지는 규칙을 명시적으로 도출할 수 있다.

Fig. 10.

Decision Tree of AutoEncoder application results

한 예로서 노내압력의 표준편차가 4.04 이하이고 발전량과 급수유량의 상관계수가 0.71 이상, 주증기 유량의 표준편차가 194.0 이상이면서 주증기 유량 평균이 1210.6 이하이면 이상치 발생확률은 거의 100%에 이른다는 것을 알 수 있다(그림 10 참조).

본 연구에서는 모델 성능의 신뢰성과 재현성을 확보하기 위하여 성능 지표 선택, 검증 설계, 데이터 누수 방지, 조기 탐지 성과의 평가 기준을 일관된 기준하에 설계하였다. 이상탐지 모델의 성능 평가는 개별 시점의 분류 정확도보다는 실제 고장 이벤트를 사전에 탐지할 수 있는지를 판단하는 것이 핵심 목적이므로, 고장 발생 이전 일정 시간 내에 이상 점수가 임계값을 초과한 경우를 성공으로 정의하는 이벤트 기반 일치율(event-based matching ratio)을 주요 성능 지표로 사용하였다. 데이터 분할은 시계열 특성을 고려하여 시간 순서를 유지한 상태에서 학습 데이터 70%, 검증 데이터 30%로 구성하였으며, 단일 분할에 따른 우연성을 최소화하기 위해 5겹 교차검증을 수행하여 모델 성능의 안정성과 일반화 가능성을 검증하였다. 데이터 누수를 방지하기 위해 특성함수 생성, 변수 선택, 임계값 설정 및 모델 추정 과정은 모두 학습 데이터에 한해 수행하였고, 검증 데이터는 최종 성능 평가에만 사용하였다. 특히 시그널 특성함수는 각 시간 윈도우 내부 데이터만을 이용하여 산출함으로써 미래 시점 정보가 학습 과정에 유입되는 가능성을 차단하였다. 조기 탐지 성과는 이상 점수가 사전 정의된 임계값을 최초로 초과한 시점과 실제 불시정지 발생 시점 간의 시간 차이를 기준으로 산정하였다.

5-1 학습 데이터셋 생성

초단위 일별 데이터셋에 대하여 Isolation Forest 이상탐지 알고리즘 적용을 통해 얻은 Anomaly Score를 라벨로 활용하여 일별 단위 총 366개의 레코드로 구성된 학습용 데이터셋을 개발하였다(그림 11 참조). 이상탐지 모델개발과 동일하게 전체 데이터의 70%는 학습 데이터로 30%는 검증 데이터로 분리하여, 모형 학습을 수행하였다. 5겹 교차검증을 수행하였고 누수방지를 위해 검증 데이터는 모형 추정이나 변수 선택 과정에서 사용하지 않았다.

Fig. 11.

Training dataset generation for severity model development

5-2 모델 학습

본 연구에서는 가혹도 예측 모델의 학습을 위해 Random Forest, LightGBM, 및 CatBoost 세 가지 머신러닝 회귀 모델을 적용하였다. 각 모델은 시계열 기반의 윈도우 데이터셋을 입력으로 하여, 센서 데이터의 변동 패턴과 이상 신호의 상관관계를 학습하도록 설계되었다. 모델 학습 결과, 세 가지 모델 모두 전반적으로 우수한 예측 성능을 보였다. 성능 평가 지표로 사용된 평균제곱오차(Mean Squared Error, MSE)와 평균절대오차(Mean Absolute Error, MAE) 값은 모두 매우 낮게 나타났으며, 결정계수(R² Score)는 0.97에서 0.99 사이의 높은 값을 기록하였다(표 5 참조). 이러한 결과는 각 모델이 입력 변수 간의 비선형적 관계를 효과적으로 학습하여, 가혹도 수준을 정밀하게 예측할 수 있음을 의미한다. 특히, CatBoost 모델이 세 모델 중 가장 높은 예측 정확도를 보였다. 이는 CatBoost가 범주형 변수 처리와 학습 속도 최적화에 강점을 가지며, 과적합(overfitting)을 방지하는 내장 정규화 기법을 포함하고 있기 때문이다. 따라서 본 연구에서는 CatBoost 모델을 가혹도 예측의 최적 모델로 선정하였으며, 향후 가혹도 지수 산출 및 이상 탐지 시스템의 핵심 예측 엔진으로 적용할 수 있음을 확인하였다.

Table 5.

Performance metrics of each model

3가지 모델 모두에서 급수량의 표준편차, 발전량의 peak to peak 차이, 주증기량 표준편차를 공통적으로 중요 영향인자로 지목하였다. 즉 발전량, 급수량, 주증기량의기복이 심할수록 발전의 가혹도가 높아지고, 주요변수 간 상관강도가 감소하여 고장으로 이어질 가능성이 높다고 할 수 있다.

6-1 아키텍처 설계

본 연구의 시스템 아키텍처는 전 구성요소를 오픈 소스 소프트웨어로만 구성하여 라이선스 비용을 제로화한 것이 핵심 설계 원칙이다(그림 12 참조).

Fig. 12.

Platform architecture

데이터 적재 모듈과 변환 모듈은 모두 Python으로 구현되어 있으며, 작업 간 의존성과 실행 순서를 명시적으로 표현하기 위해 DAG(Directed Acyclic Graph) 구조로 모델링되어 있다. 서비스 계층의 REST API는 Python 기반으로 구현되어 있으며, 경량형 WAS인 Nginx Unit에 배포되어 있다.

Apache Airflow, FastAPI, Nginx Unit을 중심으로 시스템 아키텍처를 구성한 이유는 대규모 시계열 데이터의 안정적 운영, 실시간 분석 확장성, 그리고 장기 운영 환경에서의 유지보수 효율성을 동시에 확보하기 위함이다. 단순한 프로토타입 구현이 아니라, 실제 발전설비 감시 환경에서 지속적으로 운영 가능한 구조를 설계하는 것이 본 연구의 목표이다.

6-2 플랫폼의 주요 기능

1) Apache Airflow를 이용한 ETL 모니터링과 제어

Apache Airflow는 초단위 시계열 데이터의 적재·전처리·특성함수 생성·모델 실행 과정을 워크플로우 단위로 명시적으로 관리할 수 있어, 데이터 파이프라인의 재현성과 운영 안정성을 확보하는 데 적합하다. 특히 작업 간 의존성과 실패 지점을 명확히 추적할 수 있어, 발전설비와 같이 데이터 신뢰성이 중요한 환경에서 운영상 장점이 있다(그림 13 참조).

Fig. 13.

DAGs in Apache Airflow

3) 개별구간 분석 기능의 개발

본 연구에서는 2023년 11월부터 2024년 10월까지의 데이터를 하루 단위로 분할하여 구간 리스트를 구성하였다. 각 구간은 색상으로 정상·비정상 패턴을 구분하였으며, 선택된 구간에서 1,000개의 샘플 데이터를 추출하여 시각화하였다. Y-Profiling을 통해 목표 변수의 분포, 이상치, 결측치 등을 분석하고 그래프로 제시하였다. 하루 데이터의 19개 Feature에 대해 시계열 그래프와 박스플롯으로 변수별 변화 추이를 분석하였다. 변수별 평균, 중앙값, 표준편차 등 통계량을 grid 형태로 제공하여 데이터의 중심 경향성을 파악하였다. 단위 차이가 큰 변수는 로그 스케일(그림 14 참조)로 표현하였다.

Fig. 14.

Log-scale graph*The above figure is a computer screenshot and therefore contains Korean text

4) 추이 분석 기능의 개발

본 연구는 장기 발전소 운영 데이터를 기반으로 변수별, Feature별 추이 분석을 수행하여 성능 저하와 손상을 조기 탐지하는 기법을 제안하였다. 다변량 시계열 데이터를 분석하여 운전 변수 간의 상관성과 변동 추세를 시각화하였다(그림 15 참조). 성능 저하 및 손상 심도를 정량화하기 위해 진단 함수를 설계하고 이상 구간을 탐지하였다. 운전 조건의 차이를 보정하기 위해 가혹도 지수를 산출하여 데이터 패턴을 표준화하였다. 이를 통해 발전설비의 상태를 일관성 있게 평가하고 예지보전 체계의 구축이 가능하다.

Fig. 15.

Trend analysis using Box Plot*The above figure is a computer screenshot and therefore contains Korean text

5) 상관 분석 기능의 개발

본 연구에서는 성능 저하나 손상 발생이 확인된 이후, 그 원인을 규명하기 위해 상관계수의 시계열 분석을 수행하였다(그림 16 참조). 시간에 따른 변수 간 상관 강도의 변화를 분석함으로써 고장에 영향을 미치는 주요 요인을 식별하였다. Heatmap 시각화를 통해 다수의 변수 간 상관관계를 직관적으로 파악할 수 있도록 하였으며, Pair Plot 분석을 통해 변수 간 상호작용 및 이상 패턴을 정밀하게 탐색하였다. 이를 통해 엔지니어는 고장 원인 진단 및 문제 해결의 실마리를 효과적으로 도출할 수 있다.

Fig. 16.

Time-series analysis function of correlation coefficient*The above figure is a computer screenshot and therefore contains Korean text

6) 비교 분석 기능의 개발

본 연구에서는 기동 간, 기동 내 구간 간, 또는 특정 조건을 만족하는 운전 요소를 샘플링하여 상호 비교함으로써 성능 저하의 원인과 개선 가능성을 분석하였다(그림 17 참조). 하드웨어적·소프트웨어적 운전 성능 개선 후, 개선 전후의 주행시험 데이터를 비교하였다. 이를 통해 개선 조치의 효과를 정량적으로 평가하고, 성능 향상 메커니즘을 검증하였다. 본 분석은 발전설비의 기능 최적화와 예지정비 전략 수립에 유용한 근거를 제공한다.

Fig. 17.

Comparative analysis function*The above figure is a computer screenshot and therefore contains Korean text

7-1 연구수행 요약

본 연구는 석탄발전소 1개 호기의 발전 데이터를 활용하여 이상탐지 및 성능진단을 위한 AI 기반 분석체계를 구축하였다. 2023년 11월부터 2024년 10월까지 1초 단위로 수집된 3,162만여 건의 데이터(54개 변수)를 분석하여 8가지 일별 패턴을 도출하였다. 정상운전 후 약 18.8일 만에 불시정지가 발생하고, 평균 3.3일의 수리 기간 후 복귀하는 경향이 나타났다. 발전량과 주증기 유량·압력·급수유량 간 상관계수가 1에 근접하나, 고장 2~3일 전 0.8 미만으로 하락하여 상관계수 변화가 주요 고장예측 인자로 확인되었다. 이상탐지 모델로 Isolation Forest와 AutoEncoder를 적용한 결과, 이상치 일치율 93.3%로 높은 정확도를 보였다. 가혹도 모델은 Anomaly Score를 라벨로 부여하고 Random Forest, CatBoost, LightGBM 회귀모델을 적용하여 R² 0.97~0.99의 우수한 성능을 보였다. 급수량 표준편차, 발전량, peak to peak 차이, 주증기량 표준편차가 공통 중요 변수로 도출되어 변동성 증가 시 고장 발생과의 인과관계가 규명되었다. 플랫폼은 Apache Airflow와 Nginx Unit 기반 오픈소스로 설계되어 라이선스 비용을 제로화하였다. CSV 데이터를 전처리하여 샘플링, 프로파일링, 시계열 분석, 상관계수 산출 등을 수행하였다. 구간별 추이, 통계량, 로그·선형 스케일, 상관분석 및 Pairplot 기능을 통해 데이터 패턴과 이상을 시각적으로 탐색할 수 있다. Heatmap 기반 상관추이 분석을 통해 고장 영향 요인을 규명하고, Pairplot으로 문제 해결 단서를 시각화하였다. 기동 간 비교분석을 통해 성능 저하 원인과 개선 효과를 검증하였다. 결과적으로 본 연구는 발전설비의 상태를 실시간 모니터링하고, 이상징후를 조기 탐지하여 예지보전 체계를 구현할 수 있는 AI 기반 플랫폼을 제시하였다.

7-2 연구결과의 우수성

표 6은 AutoEncoder, FFT 기반 특성추출, TadGAN을 활용한 기존 이상탐지 연구들과 본 연구의 성능을 정량적으로 비교한 것이다. 기존 연구들은 단변량 기반 재구성 오차나 주파수 특성에 의존하는 방식이 많아 고장 전조 신호를 장기간 이전에 포착하는 데 한계가 있었으며, 실제 고장 발생 0~12시간 이전의 짧은 탐지 구간에서만 이상을 확인하는 경우가 대부분이었다. 정확도 역시 75~87% 수준에 머물러, 조기경보체계로서의 활용성에는 제약이 있었다. 반면, 본 연구는 다변량 운전변수들 간 상관구조의 시간적 붕괴를 핵심 지표로 활용함으로써 고장 발생 24~48시간 이전의 전조 패턴을 탐지할 수 있었으며, 이는 기존 연구 대비 약 4~8배 향상된 조기 탐지 성능이다. 또한 이상탐지 정확도는 93.3%로 기존 대비 약 10~13%p 높은 성능을 보였다. 종합적으로 본 연구가 기존 이상탐지 연구에 비해 조기 탐지 능력, 탐지 정확도, 전조 패턴 재현성 등 주요 지표에서 모두 우수한 성능을 보임을 명확하게 보여주고 있다.

Table 6.

Comparative performance between previous studies and the present study

7-3 향후 연구과제

본 연구는 발전설비의 이상탐지 및 예지보전을 위한 AI 기반 감시 플랫폼의 설계와 구현을 통해 성능 저하 및 고장을 조기 예측할 수 있는 기술적 가능성을 입증하였다. 그러나 실시간 예측 정밀도 향상과 사용자 중심의 운영 환경 고도화를 위해 다음과 같은 후속 과제가 필요하다.