3. 인천시 스마트워터그리드를 위한 효율화 방안
3.2.4 계측 데이터 기반 운영자 의사결정지원 방안(안)
가. 빅데이터 연구방법론(Machine Learning)
❍ 기계학습 또는 머신러닝(Machine Learning)이란 인공 지능의 한 분야로, 컴퓨터가 학습할 수 있도록 하는 알고리즘 기술 개발
가령, 기계 학습을 통해서 수신한 이메일이 스팸인지 아닌지를 구분할 수 있도록 훈련할 수 있음
기계 학습의 핵심은 표현(representation)과 일반화(generalization)에 있음
표현이란 데이터의 평가이며, 일반화란 아직 알 수 없는 데이터에 대한 처리이고, 이는 전산 학습 이론 분야이기도 하며 다양한 기계 학습의 응용이 존재
문자 인식은 이를 이용한 가장 잘 알려진 사례
❍ 기계학습(Machine Learning)의 급격한 발달에 따라 대형화된 환경정보로부터 정형화된 패턴을 발견하고, 이를 활용하여 정밀한 단기 예측을 수행하는 연구가 획
대한 수요에 조응하는 환경서비스도 개발이 가능한 상황
❍ 따라서 기존의 평균적-사후처리 중심의 환경 서비스에서 개인적-사전예방 중심의 환경 서비스로 전환하고자 하는 수요와 전환이 가능한 기술적인 조건이 마련
❍ 기계학습으로 대표되는 빅데이터를 활용하는 연구는 패턴의 파악이 필요한 다양한 연구분야에서 활발하게 수행
기계학습 방법론은 관심의 대상이 되는 변수의 값을 예측하는 지도학습 (Supervised Learning) 방법론 및 주어진 자료를 구성하는 변수들 간 관계의 규칙성을 파악하는 비지도학습(Unsupervised Learning)으로 대별
지도학습법은 연구의 관심이 되는 주요변수(이하 관심변수)의 미래 값을 예측하는 예측(Prediction)연구에 주로 사용
비지도학습법은 변수 간 관계를 이용하여 자료를 구분하는 군집분석(Cluster Analysis) 및 텍스트 자료의 구성 요소 간 관계를 파악하는 텍스트 마이닝(Text Mining) 연구에 주로 활용
❍ 기계학습으로 대표되는 빅데이터를 활용하는 연구는 패턴의 파악이 필요한 다양한 연구분야에서 활발하게 수행되고 있음
❍ 시흥시는 '빅데이터(Big Data)'를 활용, 상수도 누수 관련 민원을 해결하고 향후 발생할 위험을 사전에 차단할 수 있는 '공공 빅데이터 표준분석모델'을 개발
빅데이터를 통해 누수 신고·발생 지역, 상수도 노후 관망 및 거주인구, 상수관로 속성 및 매설 환경 등을 기반으로 상수도 관로 및 누수 패턴 분석, 상수관로 누수 위험도 예측 및 옥내 수용가 누수 위험 분석을 시행
그 결과 상수관로의 신설 및 교체 우선순위 대상 선정 등에 활용하고, 시 전체 현황을 한눈에 파악할 수 있도록 시각화된 분석화면을 제공해 효율적인 누수관리 및 의사결정이 가능
❍ 전북도와 한국국토정보정보공사(LX)에서도 행정·공공기관 간에 소통과 협업으로 빅 데이터 분석 및 활용 서비스를 목표로 2015년 2월부터 도청 6층에「빅데이터 활용 센터」를 설치 공동으로 운영하고 있으며, 전주시의 수년간(2009년∼2015년) 축적된 상수도 누수발생 민원데이터와 급수관 정보, 계량기 정보 데이터를 기반으로 빅데이터 분석 실시
′상수도 관로 누수 위험도 예측′을 위해 누수신고 민원과 관로 데이터를 융합해 누수 패턴을 분석하였으며 여기에 계량기 검침량 데이터와 건축물 정보를 이용해
′상수도 과다 수용가′를 추출하고 건물노후도 정보와 비교해서 ′건물 내 누수 위험 지역′을 찾아 볼 수 있게 되었음
분석 결과 누수의 82%가 도로에서 가정까지 연결되는 급수관에서 발생하는 것으로 나타났으며, 관재질별로는 PVC관이 누수의 76%를 차지함
이와 같은 분석결과를 토대로 관로 신설이나 교체 시 우선 점검 대상으로 선정하는 등 누수를 탐사 시 대상지역 선정에 보조자료로 활용
❍ 상수도 누수위험도 예측모델은 상수도 관로 및 누수 패턴분석, 상수관로 누수 위험도 예측 및 옥내 수용가 누수 판별과 같은 지자체 상수도 관련 공통 핵심 기능을 제공
자료 : 행정안전부, 2018, 공공빅데이터 표준분석모델 매뉴얼
[그림 3.21] 상수도 표준분석모델 개요
나. 딥러닝을 활용한 환경리스크 예측
❍ 기술적 측면에서 딥러닝(Deep Learning) 알고리즘은 노드 간 연결 형태와 사용하는 수치 모델에 따라 여러 세부 모델이 존재
세부 주요 기술로 CNN(Convolutional Neural Network)은 주로 영상인식 분야에, RNN(Recurrent Neural Network)은 시간적 상관관계가 중요한 데이터와 시계열 데이터 등 동적 데이터에 활용됨
딥러닝 기술은 아직 완전히 성숙한 단계는 아니지만, 스스로 학습한다는 점과 특징을
❍ 환경에서의 딥러닝 및 텐서플로 등의 활용 사례는 많지 않으며 실시간으로 다량의 데이터가 축적되는 환경분야에서 딥러닝 기술이 적용된다면 환경리스크 예측 등에서 유용하게 활용 가능할 것으로 판단됨
❍ 특히 환경분야는 주로 시간 및 공간 데이터를 함께 다루므로, 이를 분석할 환경 딥러닝 분석 방법론의 개발이 필요함
다. 시범 블록 선정을 통한 계측 데이터 기반 정확도 향상
❍ 물관리 분야에 인공지능을 도입하였을 때 시스템이 개선되는 사례가 다수 존재함
수도운영 데이터 오결측 검출, 정제→검출데이터의 신뢰성 및 정확도 향상
수처리 약품공정 최적제어→약품 투입량 최적화를 통한 약품비 절감 도모
인공신경망과 퍼지추론을 적용한 관 파손 인지기술→관 파손 인지기술 고도화
딥러닝 알고리즘을 적용한 배수지 수위 변화 예측→배수지 수위 예측 정확도 향상 및 자가 특징 추출에 의한 계산 시간 감소
하수재이용/해수담수화 효율 증대를 위한 막오염(파울링) 제어→막오염 제어를 통한 전력소비량 6% 절감
❍ 시범 블록(예로 서구, 영종, 강화) 선정 시 물관리 업무별 인공지능 적용성 검토는 다음과 같음
적용지역에 대한 사고 현황과 원인 및 피해 금액 조사
수리‧수질 사고에 대한 다양한 사례분석: 관로사고, 수질사고, 수계전환사고 등 자료기반 사고분석
인공지능 시뮬레이터 선정 및 적용
[그림 3.22] 의사결정 지원 방안 제시
❍ 인천시에 적합한 스마트워터그리드 구축 및 의사결정 지원을 위해서는 적용 대상지역 구성방안은 다음과 같음
정수장으로부터 물을 공급 받은 수용가는 보급형 수질검사 키트를 통해 수용가 내 탁도, 잔류염소 등을 측정하여 모바일 어플리케이션으로 데이터 전송할 수 있으며 양방향 의사소통이 가능하도록 함(민원 접수 및 서비스 신청 가능)
또한 적용 대상블록은 계측기용 IoT장치를 설치하여 정수장 및 관망 내 계측기 (수질, 수량, 수압 누수 등) 실시간 자료 전송
모든 물 정보 데이터는 수운영 통합시스템으로 전송 및 관리되며 DB와 연계되어 수계전환 및 의사결정시스템에서 활용
수계전환 및 수질 모니터링/분석/예측/대응/관리 가능
위기관리 매뉴얼을 통해 문제 발생 시 신속한 대처 가능
수용가는 문제 발생 알림과 해결 완료 여부를 스마트 서비스(APP, BIS, 홈 어플리 케이션)를 통해 제공받을 수 있고 실시간 분석 정보 확인 가능
특히, 모바일 어플리케이션을 통해 현장 업무정보 제공 및 수질 검사키트 검사, 시설별 현황 등의 정보를 제공 받고 피드백 할 수 있음
[그림 3.23] 의사결정 지원 방안 제시