미국 아리조나주내 600만명에게 물을 공급하는 CAP(Central Arizona Project)은 ‘The duck curve: “Quacking” the code on power generation’이라는 인터넷 기사를 통해 발전분야에 오리의 출현을 시사적으로 표현했다. 그리고 넓은 대지에 설치된 태양광 패널사진의 주석으로 ‘It had to be the image of a waterfowl’이라고 적었다. 이 회사는 태양광발 전량이 왕성한 주간에 전력값이 낮아지는데 이때 전력을 구매해서 펌프를 사용한다고 했다. 신재생은 전력산업뿐만 아니라, 다른 산업까지 영향을 주 고 있다.
신재생 발전설비 용량은 2016년 10.7GW에서 2021년 30.2GW로 5년만에 3배로 급증했다. 전통적인 대형발전기들은 <그림 1>에서 오리가 차지하는 발전량 때문에 발전 운전방식을 유연하게 바꿔야 하는 시대에 접어 들었고 탄소중립이라는 먹이를 먹고 오리가 더 거대해지고 있기 때문에 유연운전 규모도 커지고 있다.
한국전력 및 5개 발전자회사는 2019년부터 발전소 현장의 데이터에 기반한 발전기 운전을 지원하기 위하여 지능형 디지털발전소 플랫폼에 대한 연구를 본격화했다.
１. The Duck Curve의 출현
전력은 지난 100년 이상 대형발전기에서 생산되어 공장, 상업시설, 가정 등으로 공급되고 소비되어 왔다. 하지만 CDM(2005년), RE100(2014년), NDC(2015년) 등 세계적인 탄소중립 경향은 신재생 발전량 확대와 더불어 전력산업 전반을 새롭게 바꾸어 나가고 있으며, 특히 발전분야에 큰 영향을 주고 있다.
<그림 1>에서 보는 바와 같이 주간 시간대의 태양광 발전량 증가분은 자체적인 수요에 활용되기 때문에 결과적으로 전력망에서 공급하는 전통적인 발전량(통상 대형 계통발전기의 발전량으로 순부하라고 함)의 급감을 연출하고 있다. 특히 신재생 정책을 우선적으로 추진해 온 미국 캘리포니아 주에서 봄부터 여름 동안 반복적으로 발생하고 있으며, 우리나라도 2022년 3월의 한 휴일동안 낮 시간대의 순부하가 아침 8시대의 순부하보다 23%(59GW → 46GW)나 감소한 Duck Curve가 발생한 바 있다.
２. The Duck Curve가 가져온 대형 화력발전소 숙제
필자가 생각하는 흥미로운 것은 <그림 1>의 오리 몸통 부분이다. 특히 오리의 목과 머리 부분을 제외한 오리 몸통의 시간대별 두께는 태양빛 양에 의해서 가변적으로 가동되는 초대형 태양열 발전기로 현존하는 기술로 통제할 방법이 없는 상황이다. 발전량이 수시로 바뀌는 일종의 투명 발전기처럼 동작하며 전력망의 부하와 발전량을 맞추기 위하여 망에 연결되어 운영중인 대형 화력발전소 발전량을 수 시간내에 ±20~40% 조절하면서 운전해야 하는 도전적인 상황이 발생하고 있다. <그림 2>는 호주 South West Interconnected System(SWIS)의 Duck Curve 변화를 보여주는데 매년 골이 더 깊어지고 있고 급기야 전력망의 안정성을 위협하는 수준까지 진행되고 있다는 것이다.
이러한 현상은 전 세계적으로 고정된 발전량으로 기저 발전용으로 설계된 대형 화력발전소의 안정적인 운전과 수명에 큰 위협이 되고 있다. 하지만 대형 화력발전소는 전력망의 부하에 따라 시간당 발전량을 수십 %씩 조정하면서 유연운전(Flexible Operation)해야 한다. 참고로 대형 발전소의 안정적 운전을 위한 최소 출력은 각각 원자력 80%, 석탄화력 70~80%, 가스터빈/복합화력 40~50%로 이보다 낮게 운전할 경우, 발전소의 성능, 발전비용(효율), 고장 또는 수명 단축을 가져올 수 있기 때문에 새로운 환경에서 안정적으로 운영상태를 관리할 기술이 필요하다.
３. 대형 발전소의 디지털전환 Needs 부상
4차 산업혁명은 산업간 융합과 연계를 통해 기존의 산업 구조를 파괴하고 혁신을 통해 새로운 가치를 창출하는 방향으로 진화해가고 있으며 기술 중심에는 Big Data, AI, IoT, Cloud Computing, Mobile과 플랫폼이 있다. 대형발전소의 경우 기존에는 하루 중 발전량의 변화가 크지 않았기 때문에 Big Data 보다는 선형적인 또는 정해진 프로세스로 의사결정·통제됐으나, 이제는 전통적인 운영기법으로 앞서 언급한 탄소중립 이슈에 대응하기에는 한계가 있는 것이 현실이다. 발전소의 디지털전환을 위해서는 필수적으로 현장에 존재하는 수만개의 시계열 센서 데이터를 Big Data화하고 이를 실시간으로 분석하여 유연운전하는 과정에서 발전소 전체 또는 부분적인 설비의 이상징후를 다양한 APP으로 찾아서 고장을 예방하고 보다 효율적인 연소 방식으로 실시간으로 시뮬레이션하여 적용하는 등 플랫폼 기반의 의사결정 체계가 필요하다.
(1) 발전소 시계열 센서 데이터 특성
한국의 발전소 센서 데이터는 약 800~1,000만개로 추정되고 있으며, 1개의 단위 용량이 약 80bytes 정도이다. <그림 3>에서 보여주는 바와 같이 AMI 분야의 센서 수량이 약 2,300만개로 발전분야의 2배 이상이지만, 정보 수집주기가 15분으로 발전의 수집주기인 1초내외에 비해 빈도수가 낮기 때문에 실제로 1년간 축적되는 데이터 수량은 <그림 4>와 같이 발전분야가 약 3배 정도 더 많다는 것을 알 수 있다.
이러한 발전분야의 초대규모 데이터량은 관리의 어려움, 높은 TCO(Total Cost of Ownership: 어떤 시스템 유지하기 위해 필요한 구축비, 운영비 및 기타비용의 총합) 소요, 활용을 위한 추출의 어려움, 표준화의 어려움 등 다양한 도전적 과제를 야기한다. 예컨대, 센서가 2만개인 하나의 발전소를 대상으로 1년 동안 축적되는 데이터 수량을 산출해 보면 약 6,300억건이 되며, 소요되는 저장장치 용량은 약 46TB에 이른다.
(2) 발전소 센서 데이터 활용의 어려움
예컨대, 종래에 발전소 효율화를 위한 APP개발 사례를 보면 <그림 5>와 같이 발전사 RTDB(Real Time Database: 발전소의 현장 센서 정보를 보관하는 Tool)에서 필요한 센서에 대한 이력을 수작업으로 추출, 변환, DB입력 등의 DB구축 작업을 수행했는데 통상적으로 3~6개월 이상 소요됐다. 설상가상으로 DCS 제작사별 정보 구조가 상이해 특정 발전소용으로 APP을 개발하더라 도 다른 발전소에 적용하기가 어려운 구조였다. 그리고 특정 APP개발을 위해 구축한 DB를 동일 발전소 내 다른 APP을 개발하기 위해 사용하기 위해서도 <그림 5>의 DB구축 프로세스를 다시 수행하고 DB 규모가 증가하게 되는데 통상적으로 비용절감을 위해 DB가 하나의 서버에 구축되기 때문에 과부하 등 성능이슈가 빈번하게 발생한다. 아울러 운영 중인 RTDB툴에서 데이터를 추출하기 때문에 RTDB 과부하가 발생하여 데이터 추출을 어렵게 하고 있는데, 이를 해소하기 위해 RTDB 이중화를 검토해 볼 수 있지만, RTDB 당 수억원 이상의 license 비용이 발생해 현실적으로 투자에 어려움이 있다.
(3) APP 개발을 위한 부가적인 ICT 인프라 도입
발전사에서 데이터 확보후 APP개발·운영을 위해서는 네트워크, 서버, 저장장치, 각종 툴(S/W) 등을 도입해야 한다. 이를 위한 예산확보도 문제이지만, 도입에 소요되는 기간도 혁신을 어렵게 하는 원인이다. 예산확보부터 인프라 도입까지는 통상적으로 1년 이상 소요되는 것이 일반적이다. ICT인프라 도입없이 다른 APP용으로 운영중인 서버에 새로운 APP을 개발·설치하는 방법도 생각할 수 있는데 APP간 충돌 또는 성능저하 우려가 있어 이 역시 해결책이 되기 어려운 실정이다. <그림 6>
４. 센서 데이터 활용 all-in-one 플랫폼 연구개발
지능형 디지털발전소 플랫폼(IDPP Platform)은 2019년 연구개발을 시작했으며 <그림 7>과 같이 Big Data, Cloud Computing, AI 기술을 활용하여 플랫폼을 구성함으로써 발전소 현장의 센서 데이터를 실시간 또는 이력으로 활용해 발전소 유연운전을 지원하는 직·간접적 APP을 개발하는데 있다. 플랫폼 TCO를 절감하기 위하여 가급적 상용패키지 사용을 지양하고, Open Source와 in-house 개발방식으로 추진했다.
발전5사는 IDPP플랫폼을 발전사별로 설치 운영(On-Premises)하게 되며 발전소 현장 센서에 대한 실시간 또는 이력정보를 확인할 수 있고, 플랫폼 기반으로 개발된 AI기반 보일러진단, 보일러 디지털트윈, 연소 최적화, 열성능관리, AI기반 터빈진단, 발전설비 조기 경보, 압축기 세정주기 최적화 등 16종의 APP을 장착해 활용할 수 있다.
(1) Big Data 플랫폼 고속처리 기술 개발
IDPP플랫폼은 발전 데이터의 수집에서 전처리, 표준 변환, 실시간 제공, 이력 저장, 관리 및 배포에 이르는 전주기 데이터 관리 기반을 제공하는 플랫폼으로 플랫폼 기능 아키텍쳐는 <그림 8>과 같으며, 초대용량 발전 센서 데이터를 성능 저하 또는 장애 없이 안정적으로 처리하기 위해 총 3건에 이르는 특허를 출원, 시스템에 반영했다. 또는 SW개발 부분에 있어서도 Big Data 처리에 14개, Cloud Computing 구현에 10개 등 총 24개 SW모듈을 개발해 저작권 등록을 완료했다.
데이터 수집은 각 발전사별 운영중인 RTDB로부터 해당 SDK나 OPC 통신을 통해 수집하도록 되어 있고, Open Source인 kafka, DRUID, HADOOP을 활용해 병렬적으로 분산저장하도록 구현되어 있다. 그래서 상용 RTDB 대비 최소 수십배 이상 빠른 데이터 조회와 추출이 수행됨을 실증했다. IDPP플랫폼은 규모가 방대해 실시간 데이터와 이력 데이터를 즉시 활용하기 어려운 한계를 고속처리 기술로 해결했다.
(2) 발전 센서 데이터 표준화
송변전이나 배전 등 전력도메인에서 스마트그리드 추진과 함께 국제표준화기구인 IEC를 통해 관련 표준화가 진행되어 왔으며 대표적으로 IEC 61970/61968, 전력설비에 대한 IEC 61850 등의 표준규격이 제정되어 왔다. 특히 표준화 및 활용이 가장 왕성한 IEC 61850은 2004년 변전소 자동화에서 출발했으나 현재는 데이터 모델 등을 표준화하면서 수력, 풍력, 전기 자동차 등 다양한 분야로 확대해 나가고 있다.
이에 반해 발전분야는 IEC와 같은 국제표준화기구에 의한 공식적인 표준규격이 마련되어 있지 않다. 발전소의 타입, 규모, 제작사 등이 광범위해 표준화하기가 어렵기 때문이다. 한국의 경우도 발전사, 발전소별로 발전설비의 타입, 규모, 제작사가 상이하고 표준화력으로 일컬어지는 기력 발전소들도 일치되는 부분이 많지 않다. 발전 5사별로 구축해 운영하는 발전설비관리시스템과 실시간운전정보시스템들 또한 다른 구성체계와 명명구조들을 가지고 있어 표준화를 더욱 어렵게하는 요인이다. 본 과제에서는 국제표준화 기구에서 제정하는 공식적인 표준화 수준보다는 국내의 발전 5사를 대상으로 한 공통 데이터 정의 관점에서 발전소 현장 센서(이하 tag)를 표준화하는데 중점을 뒀다.
발전사별로 DCS를 통해 RTDB에 쌓이는 데이터에 포함된 tag명은 제작사별로 다르고 같은 제작사의 설비일 경우 tag명이 중복되는 경우가 있다. tag를 표준화 하면서 동시에 발전사 구분이 돼야 하는 요구조건을 충족시키기 위해 ‘호기코드’, ‘표준 TAG ID’, ‘Sensor Type’를 포함하는 표준화 tag 구조를 정의했다. <그림9 >에서 DCS에서 저장되는 tag 데이터 구조와 IDPP 플랫폼 Adater에서 수집시간을 추가한 데이터 구조 그리고, 표준화 mapping table을 활용해 8개의 정보로 구성된 표준화된 데이터 구조를 확인할 수 있다. 실증을 통해서 약 1만 8,900개의 표준 tag명이 정의되어 표준화에 활용되고 있다. 표준 tag명을 사용해 개발된 APP은 발전사간 상호운용성(Interoperability) 를 가질 수 있다.
(3) 5개 발전사 16호기 발전소 실증
5개 발전사 16호기를 대상으로 2022년 6월부터 IDPP플랫폼이 실증됐다. 2023년 4월 기준으로 약 15 만개의 발전소 현장 tag 데이터가 플랫폼에 등록됐으며, APP개발 과정 또는 구동 결과를 통해 약 3만 3,200개의 tag가 추가적으로 생성됐다. <그림 10>과 같이 약 18만개의 tag가 IDPP플랫폼에 등록되어 표준화되고 있으며, tag의 종류에 따라 약 1초 ~ 1시간 주기로 정보가 발생되어 플랫폼에 이력DB로 저장되고 있다.
(4) 발전소 현장과 APP 생태계 형성
IDPP플랫폼에 축적된 표준화 tag를 활용해 APP을 개발할 경우, APP개발 과정에서 생성된 정보를 tag화 하는 프로세스를 구현해 <그림 11>과 같이 구현해 발전소와 APP을 동일 생태계에서 발전시켜 나갈 수 있도록 했다. 작동방식은 데이터쓰기용 Rest API를 통 해 APP에서 tag명을 등록하고 주기적으로 해당 tag 명으로 정보를 생성시키면, 특정 APP에서 생성된 tag를 다른 APP에서 정보 source로 활용해 더 고차원적인 APP개발을 수행할 수 있다. 이 기능은 IDPP플랫폼의 운영기간이 축적됨에 따라 생태계를 발전시키는 촉매제로 역할을 할 것으로 기대한다. <그림 12>와 같이 IDPP플랫폼이 국외 발전사에 적용됐을 경우 국내에서 개발된 APP과 데이터를 상호 호환해 사용할 수 있는 구조이다.
(5) 센서 데이터 자동 품질관리기능 Embedding
발전소 센서 데이터의 양은 하루 평균 100억개 이상이며, 데이터를 활용하여 APP이 개발되기 때문에 데이터의 품질이 필수적인 요수이다. 데이터의 품질이 보장되지 않으면 그 결과 개발된 APP의 기능성도 저하될 수밖에 없다. 그래서 실증 현장에 대해 한국데이터산업진흥원의 데이터 품질인증 기법인 DQC-V(Data Quality Certification for Value, <그림 13>)를 적용해 최고 등급인 Platinum Class 레벨을 획득했다.
또한 <그림 14>와 같이 IDPP플랫폼에 주기적으로 DQC-V 인증기법에 따라 저장된 데이터를 점검하는 프로그램을 개발했다. 날짜 유효성, 범위 유효성, 형식(패턴) 유효성, 기준코드 유효성, 선후관계 정확성, 업무규칙 등 6대 품질관리 기준에 의해 매월 3,000억 개 이상의 축적된 데이터를 대상으로 품질인증 절차를 자동으로 수행하고 결과를 시스템에 기록한다. 수행과정에서 품질이 미흡한 tag에 대해서는 log를 기록해 현장 센서 점검 등 품질개선 활동을 수행하는데 도움이 될 수 있도록 했다.
(6) 웹포털을 통한 Big Data 전체 기능 서비스
발전소 운영자 또는 지원부서 운영자들은 <그림 15>와 같은 IDPP플랫폼 웹포탈을 통해 발전소 현장에서부터 수집, 표준화, 외부 전송, 분산 저장, 압축, 데이터 품질관리, APP 연계 등 전체적인 기능을 하나의 화면에서 쉽게 확인가능하다. 이 기능은 시중에 나와 있는 상용솔루션에서 찾아 볼 수 없는 IDPP플랫폼만의 독자적인 기능이다.
복잡한 전체 프로세스에서 오류 또는 이상징후가 있는 부분은 indication lamp의 색깔로 쉽게 확인·클릭하여 상세내용을 조회할 수 있으며, 포탈 화면의 각 수치를 클릭하면 상세 tag 내역을 엑셀 파일로 다운로드하여 활용할 수 있다.
(7) 사용자 기반 발전 데이터 활용 웹HMI 서비스
IDPP플랫폼은 수집되고 표준화된 tag 데이터를 활용하여 사용자가 직접 원하는 UX를 생성할 수 있도록 지원하고 있다. 현장 설비를 대표하는 수백개의 이미지와 선, 기호 등을 활용하여 <그림 16>과 같이 diagram을 그릴 수 있으며, 해당 이미지에 tag를 지정해 실시간으로 현장 설비의 상태를 모니터링 할 수 있다. 개인이 작성한 화면은 다른 사용자 또는 그룹단 위로 공유해 사용할 수 있으며, tag 정보를 APP과 조합해 응용한다면 현장 담당자, 부서장, 경영진 등 역할에 맞는 UX를 작성하여 회사 전체적으로 활용성을 높일 수 있다.
(8) Cloud Computing으로 ICT인프라 비용 절감
IDPP플랫폼은 <그림 17>과 같이 대표적인 Cloud Computing 기술인 서버 가상화와 컨테이너 가상화를 개발, Big Data 플랫폼에 축적된 데이터를 활용해 APP 개발·운영이 가능하도록 했다.
IaaS(Infrastructure as a Service)의 한 영역인 서버 가상화는 Openstack 또는 VMware로 구현이 가능한데, 본 과제에서는 Openstack을 활용했으며, 수분내에 서버 1대를 생성해서 자원을 할당할 수 있다. 그리고 최근 부상하고 있는 CaaS(Container as a Service)는 서버가상화에 비해 자원효율성을 더 높인 것으로 서버별로 설치해야 하는 OS를 컨테이너 엔진에서 서비스하기 때문에 APP을 위한 서버를 생성할 때 좀 더 가볍게 만들 수 있으며, APP별 컨테이너 이미지를 등록해 두었다가 즉시 해당 APP을 컨테이너에 적재해 서비스할 수 있다.
(9) 성과 요약
IDPP플랫폼은 대형 화력발전소의 디지털전환을 위해 넘어야 하는 현안인 현장 센서데이터 활용 어려움, 데이터 표준화 부재, ICT인프라 TCO 부담, 유연운전을 위한 APP 개발 필요 등의 해결을 위해 발전소에 최적화된 Big Data 플랫폼과 Cloud Computing 플랫폼을 연구·개발했다. 2023년 7월 기준 5개 발전사 현장에 실증해 성능을 검증했다. 그 결과 아래와 같은 성과를 달성했다.
• Big Data 플랫폼 고속처리 기술 개발
• 발전 센서 데이터 표준화
• 5개 발전사 16호기 발전소 실증
• 발전소 현장과 APP 생태계 형성
• 센서 데이터 자동 품질관리기능 Embedding
• 웹포털을 통한 Big Data관련 기능 서비스
• 사용자 기반 발전 데이터 활용 웹HMI 서비스
• Cloud Computing으로 ICT인프라 비용 절감
마. 플랫폼 운영전략 및 향후 연구방향
(1) 플랫폼 운영 전략
IDPP플랫폼에 대한 연구는 종료됐지만 IDPP 관련 연구에 지난 5년간 약 700억원이 투자됐다. 우선적으로 IDPP플랫폼에 대한 안정적, 경제적 운영·유지관리가 조속히 시행돼야 한다. 연구과제가 종료되면 연구과제 성과물에 대한 관리가 필요한데, 특히 대규모 H/ W, S/W로 구성된 IDPP플랫폼의 경우 ‘SW사업대가 의 기준’ 또는 ‘기재부 계약예규’에 따라서 운영·유지 관리가 시행돼야 한다. 지연된다면 소중한 성과물이 안정적으로 활용될 수 없기 때문이다.
TechSciResearch는 2018년 기준 에너지 플랫폼의 시장규모를 약 3조원으로 추산했으며, 2021년 연구개발특구진흥재단은 Big Data 수집시장의 규모가 매년 16%의 CAGR로 성장하고 있다고 연구결과를 발표했다. IDPP플랫폼의 안정적 관리로 국내 발전소 뿐만 아니라 해외 발전소의 디지털전환 솔루션으로 자리매김할 수 있도록 한전과 발전5사가 합심해 노력해야 한다. 이와 관련해 한전에서는 <그림 19>와 같이 IDPP 플랫폼 통합 운영·유지관리 전략을 수립하고 있다.
(2) 향후 연구방향
대형발전소가 직면한 유연운전 환경에 능동적으로 대응하기 위하여 발전소 현장의 데이터를 수집하여 신속하게 APP 개발 등에 활용이 필수적이다. 그런데, 현재는 OPC-DA 기술로 데이터를 수집하고 있는데, APP에서 직접적으로 객체로 활용하기가 어려운 것이 현실이다. OPC-DA는 OT(Operational Technology) 영역이고, APP은 IT(Information Technology)에서 발달한 기술이기 때문이다. OPC 재단에서 OPC-UA를 표준화하여 OT와 IT의 간극을 없으려고 노력하고 있다. OPC-UA 기술적용, 현장 센서의 유효성 검증, AI엔진에 최적화된 객체구조 정립 등에 대한 심층 연구를 통해 IDPP플랫폼의 경쟁력을 키워나갈 필요가 있다.
성창환 한전 전력연구원 디지털솔루션연구소 부장 keaj@kea.kr
