1. 들어가며

구글 데이터 센터 사례: 2016년 3월 알파고의 이세돌 9단 격파는 대중에게 머신 러닝과 딥 러닝이 널리 알려지는 계기가 되었다. 이후 3개월이 지난 2016년 6월 딥 마인드는 블로그에 게시물을 하나 올린다. 머신 러닝을 사용해 자사 데이터 센터의 냉각 전력 요금을 40% 절감했다는 내용이었다 [1]. 데이터 센터에서 냉각 비용이 전체의 40% 이상을 차지하는데 [2] 구글의 데이터 센터 냉각 설비는 작동 방식과 설비간 상호 작용이 복잡하고, 외부 날씨 변화 등 갑작스런 변화에 대응하기 어려우며, 여러 센터가 다른 환경에 놓여 있기 때문에 동일 관리 모델을 적용하기 곤란해 사람의 힘으로는 한계가 있었다는 설명이다.

Figure 1. 머신 러닝 사용시 데이터 센터 냉각 전력량 감소 [1]

당시는 알파고와 연관된 갑론을박이 활발한 가운데 일각에서는 실생활에 AI가 적용되려면 아직 멀었다는 여론이 적지 않을 시기였다. 그렇기 때문에 우리 삶에 밀접한 전기 요금 해결은 또 하나의 충격이 되었고, 특히 에너지 분야 종사자들이 AI 기술에 관심을 가지는 계기가 되었다.

머신 러닝이 어려운 문제들 : AI의 근간은 다른 IT 기술과 마찬가지로 컴퓨터의 빠른 연산 능력과 대용량 데이터 저장 능력이다. 여기에 데이터로부터 패턴을 파악하는 능력을 얹으면 사람이 일일이 알려주지 않아도 데이터로부터 스스로 학습하는 현상(=머신 러닝)이 일어난다. 양질의 데이터가 충분하다면 머신 러닝을 통해 기존엔 해결하지 못했던 문제를 쉽게 풀 수 있다. 동물의 사진을 보고 개인지 고양인지 알아 맞추는 일이 좋은 예다. 반면 데이터에는 매우 복잡한 물리 현상이 숨겨져 있지만 이를 파악할 단서, 즉 데이터의 양은 턱없이 적다면 머신 러닝은 좋은 접근이 아닐 수 있다.

Figure 2. “몇 년간 못 푼 문제가 있다고? 알고리즘으로 풀어줄께!” (6개월 뒤) “와 이거 진짜 어려운데?” - “네가 그렇게 말하면 안되지”. [3]

이럴 때 휴리스틱을 포함한 최적화 알고리즘이 적절하게 사용될 수 있다. 시간이나 정보가 부족할 때 빠르게 좋은 답을 찾을 목적으로 발전된 기법이기 때문에 데이터가 부족한 상황에서 패턴을 파악하기 위한 훌륭한 대안이 되는 것이다. 에너지 분야에서 해결하고자 하는 문제들은 태양의 움직임부터 원자의 전자 교환까지 매우 복잡한 문제로부터 기인하지만 변화의 주기가 너무 길거나(계절), 측정 방법이 존재하지 않아(배터리 작동 중의 전자 교환) 데이터를 수집이 매우 어렵다.

2. 에너지 부문 AI 적용 현황

전력 생산 현황: 전력 생산량의 단위로 Wh가 주로 사용된다. 2020년 미국 기준 약 4경 Wh가 생산되었으며 이 중 천연가스의 비중이 35%로 가장 높고 석탄과 원자력이 각기 20% 가량으로 전체의 75% 가량을 분담하고 있다. 나머지 25% 가량은 재생 에너지라 불리는 태양광(15%)과 수력(8%)이 담당하고 있다.

Figure 3. 2011-2022(추정) 미국내 전력원별 전력 생산량 [4]

AI 적용 대상과 기법: 발전(generation)으로 생성된 전력에너지는 이후 송전(transmission)과 배전(distribution)을 거쳐 가정과 기업 등에서 소비(comsumption)된다. 선진국에서는 개인 주택에 설치한 태양광 패널 등에서 생산된 전기를 상호 거래(trading)하기도 하며 잉여분의 저장 또는 이동성 활용을 위해 배터리로 등의 형태로 저장(storage)되기도 한다. 이와 같은 시스템은 지역을 넘어서 국가 수준의 광역 단위로 운영되기 때문에 계통(system)의 중요성도 매우 크다.

Figure 4. 가나의 전기 계통도 [5]