서 론

유엔(UN)은 2022년 79억 명이었던 세계 인구가 2070 년에는 103억 명에 달할 것으로 예측하였다(United Nations, 2022). 세계 포럼(World Economic Forum)은 이러한 인구 급증으로 인한 인류의 10대 미래 불안 요소 가운데 글로벌 식량 위기를 1위, 수산 자원 감소를 5위 로 예상하였다(Sin, 2021). 급격한 인구 증가로 인해 인 류 생존을 위한 안정적인 단백질 공급원 확보가 요구되 고 있으며, 현재 동물성 단백질의 15%를 공급하는 수산 업은 식량 산업에서 차지하는 비중이 매우 높다. 특히 세계 양식 어업이 전체 어업 생산에서 차지하는 비율은 2020년 약 49%에서 2030년 약 53% 수준까지 증가할 것으로 예상되고 있다(FAO, 2022). 그럼에도 불구하고 국내 양식 산업은 인구 감소와 고령화로 인한 노동력 부족, 사료비 및 광열비 증가 등으로 인한 고비용 저효율 구조에 따른 경영 악화가 심화되고 있다. 최근 인구 감소 와 고령화 문제에 대한 대응 방안으로 자동화 시스템에 의한 스마트 양식 산업으로의 전환이 활발히 진행되고 는 있다. 하지만 어업 경영비의 13~30%를 차지하는 광 열비의 비중을 줄이는 방향으로는 접근하지 못하고 있 다. 육상 양식장의 광열비 절약 문제는 양식 산업의 경쟁 력 향상뿐만 아니라 국가 차원의 에너지 수급 문제, 더 나아가 기후 위기 극복을 위한 전 세계적인 탄소 중립 정책과도 연관되어 있다(Jeong et al., 2021).

우리나라는 사계절이 뚜렷하여 어류 양식에 필요한 적정 수온이 유지되지 않는 환경이며, 각종 기상재해 및 해수 오염으로 인한 어류 질병을 방지하기 위해 해수 를 취수하여 냉각 또는 가열하고, 오염원을 제거하는 육상 양식장이 확대되는 추세이다. 그 결과, 국내 육상 양식장의 전기 사용량이 증가하여 온실가스 간접 배출 량은 1990년 4.3만 톤에서 2018년 50.4만 톤으로 증가하 였다(Ministry of Oceans and Fisheries, 2021). 2020년 12월 우리나라는 2050 탄소 중립을 선언했고, ‘기후 위 기 대응을 위한 탄소 중립·녹색성장 기본법 시행령’을 2021년 9월 제정하여 시행 중이다. 해양수산부의 탄소 중립 로드맵에 따르면, 해양수산업의 온실 가스 배출 목표는 2050년까지 탄소 중립(net zero)을 넘어 -324만 톤의 탄소 네거티브(negative)를 달성하는 것으로 설정 되었다(Kim et al., 2022). 따라서 육상 양식장의 전력 절감 방안이 시급한 현안으로 대두되고 있지만 이에 대 한 체계적인 연구는 거의 진행되지 않고 있다. 특히, 일 정한 수온 유지 및 사육조 내 수질 안정화를 위해 해수를 순환시키는 순환여과식(Recirculation Aquaculture System; RAS) 넙치 양식장은 타 품종의 양식 방법에 비해 에너 지 사용량이 많아 우선적인 탄소 저감 노력이 필요하다 (Ma et al., 2022).

현재 대부분의 해수 육상 양식장의 온도 조절은 수온 저하 시 유류 보일러, 수온 상승 시 액체 질소, 얼음 그리 고 지하수 등을 이용한다. 그러므로 동절기 유류 보일러 사용으로 인한 석유 다소비와 이로 인한 공해 및 환경오 염 초래를 막고, 하절기 수온 상승에 의한 양식어의 폐사 및 저성장 문제를 해결하기 위해 연중 수온을 일정한 온도로 자동 조절할 수 있는 환경친화적 에너지 절약형 온도 제어 시스템이 필요하다. 이를 위해 에너지 절약 성능이 뛰어난 고성능 히트펌프(Heat Pump; HP) 시스 템의 적용이 필수적이다(Kwon and Seol, 2013). 특히 HP는 냉각·가열 기능을 동시에 구비하고 있으며 고효율 이어서 에너지 절감 장치로 널리 사용되고 있다. 더욱이 HP는 해수의 냉각과 가열 시 연소 과정이 없어 온실가 스를 배출하지 않으므로 친환경적인 기술로도 각광받고 있다. 일부 양식장에서는 HP 시스템이 도입되어 있지만 전체 양식장의 동적 열부하 분석과 이에 기반한 HP 시 스템의 에너지 소비량 평가는 전혀 이루어지지 않고 있 다. 이는 양식장의 다양한 구조와 형식 때문에 내부 시설 과 장비의 동적 열부하를 상세히 분석하기 쉽지 않고, 에너지 소비량에 영향을 미치는 인자들의 상호 작용을 파악하기도 어렵기 때문이다. 또한, 지역별 외기와 수온 등이 연중 변화하므로 정확한 전력 소비량을 예측하기 어렵게 만든다. 향후, 신재생 에너지 도입을 포함한 양식 장의 에너지 절약 방안 수립과 탄소 중립을 실현하기 위해서는 양식장의 전력 소비량 예측 모델을 구축하는 것이 필수적으로 요구된다.

관련 연구로는 RAS 양식장에 지열 HP, 가스 보일러, 펠릿 보일러 도입 시의 경제성 평가(Ion et al., 2022), 양식장용 해수 열원 및 폐열 HP 시스템 분석(Lee et al., 2011) 등이 있다. 이들은 양식장의 열부하 분석 및 HP의 성능 분석에 초점을 맞추었을 뿐 양식장의 전력 소비량 을 예측하지는 않았다. 복합 열원 HP 축열조 온도 및 에너지 사용량 예측 모델 개발(Park et al., 2023), 비 재 실 기간의 난방 시스템의 최적 셋백 온도 적용 시점 예측 모델 개발(Baik et al., 2016) 등의 연구는 일반 건물의 에너지 절약을 위한 소비 전력 및 셋백 온도 예측에 초점 을 맞추고 있다. 이들은 예측 모델 구축 시 실내 온도, HP 시스템의 입ㆍ출구 온도, 에너지 사용량 같은 실측 데이터 대신 동적 에너지 시뮬레이션 프로그램을 통해 취득한 데이터들을 인공 신경망(Artificial Neural Network; ANN)에 적용하여 건물의 냉ㆍ난방 관련 예측 모델을 구현하였다. 관련 연구 자료들을 분석한 결과 에너지 다소비 시설인 육상 양식장을 대상으로 해수 열원 HP 시스템의 전력 소비량을 예측한 연구는 현재까지 없는 실정이다.

따라서 본 논문에서는 해수 열원 HP 시스템을 갖는 RAS 양식장의 전력 소비량 예측을 위한 ANN 모델 구 축을 목표로 한다. 우선 TRNSYS 18(이하 TRNSYS)을 이용하여 RAS 양식장의 열부하 해석과 해수 열원 HP 시스템의 동적 에너지 시뮬레이션 모델을 구현하고, ANN 예측 모델 구축에 필요한 데이터들을 획득한다. 이 데이터들을 바탕으로 ANN 모델 예측 정확도에 영향 을 미치는 입력 데이터와 하이퍼 파라미터들을 최적화 한다. 최종적으로, 본 논문에서 제안한 ANN 예측 모델 의 성능과 정확도를 분석하여 국제 기준에 부합함을 보 이고 그 효용성을 확인한다.

재료 및 방법

연구 방법

Fig. 1은 해수 열원 HP 시스템이 적용된 RAS 양식장의 ANN 기반 전력 소비량 예측 모델의 개발 흐름도이다.

본 연구에서는 남해 거제에 위치한 RAS 양식장을 대 상으로 사양을 정하였고, 사육수의 온도를 목표 온도로 제어하기 위한 냉각 및 가열 과정에 해수 열원 HP 시스 템(이하 HP 시스템)이 적용된 것으로 가정하였다. 우선, 동적 에너지 시뮬레이션 프로그램인 TRNSYS를 활용하 여 HP 시스템이 적용된 RAS 양식장의 열부하를 분석한 다. 양식장 소재지의 기상 정보인 외기 온도와 해수 온도 (Open met data portal, 2022) 그리고 일사량(Climate data from Passive House Institute Korea, 2021) 데이터 를 TRNSYS 모델에 입력하여 시뮬레이션을 진행한다. 시뮬레이션을 통해 양식장 실내 온도, HP 부하 측의 입· 출구 온도, HP 열원 측의 출구 온도, 사육조 온도, HP 시스템의 전력 소비량의 총 6종의 1년간의 데이터를 얻 는다. ANN 예측 모델(이하 ANN 모델)의 입·출력 데이 터로는 시뮬레이션을 통해 얻은 6종의 데이터와 공공 정보(기상 정보) 가운데 일사량을 제외한 2종의 데이터 로 구성된다. ANN 모델의 출력 데이터는 HP 시스템의 전력 소비량, 그리고 입력 데이터는 나머지 7종의 데이 터들로 구성한다. 다음으로, 입력 데이터들과 출력 데이 터의 상관관계를 선형회귀분석을 통해 분석한다. 이때 피어슨 상관계수(Pearson correlation coefficient) r 및 결 정계수 R²을 도출하여 출력에 영향을 크게 미치는 6종 의 입력 데이터들을 선별하고, 이를 바탕으로 최적의 입력 데이터 세트(set)를 선정한다. 이후, 선별된 데이터 들을 ANN 모델의 학습용, 검증용, 시험용의 세 종류로 구분하고, 정규화 과정을 통해 입·출력 데이터들의 크기 를 일정한 범위로 조정한다. ANN 모델은 한 개의 입력 층(input layer), 다수의 은닉층(hidden layer), 그리고 한 개의 출력층(output layer)으로 구성된 DNN (Deep Neural Network)으로 구성된다. ANN 모델의 예측 성능 향상을 위해 예측 정확도에 영향을 미치는 하이퍼 파라 미터들의 값을 베이지안 최적화를 통해 결정한다. 최적 화된 하이퍼 파라미터값들을 ANN 모델에 적용하여 HP 시스템의 전력 소비량을 예측한다. 마지막으로, ANN 모 델을 통해 예측된 HP 시스템의 전력 소비량을 TRNSYS 로부터 취득한 전력 소비량과 비교하여 본 연구에서 개 발된 ANN 모델의 성능 및 정확도를 검증한다.

해수 열원 HP 시스템을 갖는 RAS 양식장 모델과 동적 열부하 분석

Fig. 2는 HP 시스템이 적용된 RAS 양식장 사육수의 냉각·가열 과정을 나타낸 개략도이다.

Fig. 2에 표기된 ⓐ와 ⓑ는 HP 부하 측의 입·출구를, ⓒ와 ⓓ는 HP 열원 측의 입·출구를 각각 나타낸다. HP 열원 측 입구 ⓒ의 온도는 양식장으로 유입되는 해수 온도와 동일하다. HP는 기존의 냉동사이클에 사방밸브 (4-way valve)를 적용, 해수를 열원으로 사용하여 사육 수를 목표 온도로 냉각ㆍ가열시킨다. RAS의 사육조 (breeding tank)에서 나온 사육수는 90% 이상이 재처리 공정을 거쳐 HP 부하 측을 통과하면서 냉각 또는 가열 된 뒤, 사육조를 순환하며 재사용된다. 이때, 재처리 장 치에서 걸러진 오염원을 포함한 폐수들은 양식장 외부 로 배출되고, 배출된 폐수로 인해 부족한 사육수는 취수 펌프를 이용해 양식장 외부의 해수가 HP 부하 측으로 보충된다(Yoon et al., 2023).

RAS 양식장의 열부하를 분석하기 위해 양식장의 형 태는 패시브(passive) 하우스, 크기는 62 m(폭)×50 m (길이)×6 m(높이)로 가정하였다. 시뮬레이션에 사용된 양식장 창문의 파라미터는 창문의 크기를 외벽 전체 면 적의 30%로 가정하여 TRNSYS의 내장 라이브러리 값 을 사용하였다. 동적 에너지 시뮬레이션에 사용된 대상 공간의 상세한 조건은 Table 1과 같다(Park, 2020).

양식장 사육조의 크기는 10 m(폭)×10 m(길이)×1 m(높이)이며, 개수는 20개로 설정하였다. 사육 어종은 넙치, 이에 따른 최적 사육수 온도는 22.5±1.5℃로 설정 하였다(Oak, 2007). 사육수의 순환율(cycle/day)은 10, 사육수 1회 순환 시의 보충수 비율은 10%로 각각 설정 하였다(Yoon et al., 2023).

본 연구에서 사육수 온도 제어를 위한 HP 시스템은 사육수 냉각 및 가열용 HP, 순환 펌프 그리고 양식장 외부로부터 내부로 해수를 공급하는 해수 취수 펌프로 구성된다. 이들의 구체적인 사양은 Table 2와 같다.

Table 2의 HP의 열교환은 물 대 물(water to water) 방식이며, 사양은 상용 제품의 카탈로그를 참조해 정하 였다. 사육수를 일정한 온도로 제어하기 위해 필요한 HP 대수는 선행 연구에서 동계의 가열 부하가 하계의 냉각 부하보다 크게 나타났으므로 동계의 가열 부하를 기준으로 산정하였다. 양식장의 동계 최대 가열 부하 Q_r은 식 (1)과 같이 구해진다(Yoon et al., 2023).

여기서 S_r은 사육수 1회 순환 시의 보충수 비율 (0 < S_r < 1), N_r은 순환율(cycle/day), V_t는 사육조 용 적(m³), ρsw는 해수밀도(kg/m³), c_p는 해수비열 (kJ/kg․K)을 각각 나타낸다. 실제 계산 시 S_r은 0.1, N_r 은 10, 밀도 ρsw와 비열 c_p 는 각각 1,026과 3.9로 가정하 였다. ΔT는 Fig. 2의 HP 부하 측의 입ㆍ출구(Fig. 2의 ⓐ, ⓑ) 온도 차이다. 먼저, HP 부하 측 입구의 온도를 사육수와 해수 온도 데이터를 이용하여 TRNSYS를 통 해 계산하였다. 이때, 사육수 온도는 적정 온도 범위인 21~24℃까지를 1℃ 간격으로 구분하였다. 사육수의 유량 은 보충수 비율(S_r = 0.1)을 고려하여 전체 유량의 90% 를 사육조로 재유입시켰다. 배출된 폐수로 인해 부족한 사육수는 사육조 외부의 해수로 재보충하였다. 계산 결 과, HP 부하 측의 입구 최저 온도는 19.7℃였다. HP 부하 측의 출구 온도는 최적 사육수 온도인 22.5℃이므로 ΔT 는 2.8℃이다. 식 (1)을 이용해 구한 최대 가열부하는 2,343 kW였다. 이 값에 20%의 안전율을 고려한 후, 앞서 선정된 HP 1대 당 가열 능력 249.56 kW를 나누어 사육수 의 가열에 필요한 HP 대수를 총 11대로 정하였다.

Table 2의 펌프 1은 사육수 순환용으로서 송수 유량은 순환율(N_r =10)과 사육조의 유량 1,425 LPM을 고려하여 14,250 LPM으로 정하였다. 한편, 펌프 2는 해수를 양식 장 내부로 공급하는 취수 용도이며 송수 유량 산정에 앞 서 HP 열원 측의 유량을 먼저 결정하였다. 이는 HP 및 펌프의 소비 전력을 최소화하는 최적 유량을 결정하기 위함이다. 이를 위해, HP 열원 측의 유량을 전체 유량 14,250 LPM의 10%씩을 증가시키며 HP 시스템의 전력 소비량을 TRNSYS 시뮬레이션을 통해 분석하였다. 이때, HP 열원 측의 출구(Fig. 2의 ⓓ) 온도 T_HSO가 해수의 빙점 인 – 2~ – 1.5℃ 이하로 떨어지는 유량은 고려 대상에서 제 외하였다(Heo, 2017). Fig. 3은 펌프 2의 적정 송수 유량 을 결정하기 위한 TRNSYS 시뮬레이션 결과이다.

Fig. 3(a)는 전체 유량의 10%인 1,425 LPM 적용 시의 HP 열원 측의 출구 온도이다. 이 유량은 HP 열원 측의 출구 온도를 해수의 빙점 이하로 떨어지게 하므로 이 경우는 고려 대상에서 제외하였다. (b)는 전체 유량의 20%인 2,850 LPM 적용 시의 HP 열원 측의 출구 온도 이다. 이 경우는 열원 측의 출구 온도가 빙점 이상으로 유지됨을 확인하였다. (c)는 펌프 2의 유량 증가에 따른 HP 시스템의 전력 소비량 변화 추이를 나타낸다. 전력 소비량은 펌프 2의 유량에 비례하여 증가함을 보여준 다. 이들 결과로부터 펌프 2의 HP 열원 측의 적정 송수 유량은 출구 온도가 빙점 이상이며 동시에 전력 소비량 이 최소인 2,850 LPM으로 구해졌다. 최종적으로 펌프 2의 송수 유량은 HP 열원 측의 유량과 사육수 1회 순환 시의 보충수 비율 10%를 고려하여 4,275 LPM으로 정 하였다.

본 연구에서는 사육수의 온도 제어를 위해 HP의 부하 측의 입구 온도를 기준으로 HP 대수 제어 시스템을 구 현하였다(Dannemand Mark et al., 2020). HP의 용량 제 어를 통해 다양한 부분 부하 대응이 가능하지만 본 연구 의 목적이 HP의 고성능 제어가 아니라 HP의 전력 소비 량 산정이므로 현장에서 널리 사용하고 있는 대수 제어 방법을 적용하였다. 사육수의 목표 온도는 22.5℃로 설 정하였고, HP는 이 값 이하일 경우 가열 모드, 이상일 경우 냉각 모드로 전환하였다. Table 3은 HP 시스템의 가열 및 냉각을 위한 대수 제어 시의 각 경우별 해당 열부하에 대응되는 HP 부하 측의 입구(Fig. 2의 ⓐ) 온 도 T_HLI와 이 온도에 대응한 HP 운전 대수를 나타낸다. 각 경우의 열부하를 식 (1)을 이용해 계산할 때, ΔT는 TRNSYS를 통해 계산된 HP 부하 측의 입구 온도와 출 구 온도(최적 사육수 온도인 22.5℃)의 차로 계산된다. 각 경우별 해당 열부하를 HP 1대당 가열 능력 및 냉각 능력으로 나누어 대수 제어 시스템을 구현하였다.

동적 에너지 시뮬레이션 모델 구축 및 분석 결과

본 연구에서는 ANN 모델 구축 및 학습에 필요한 입· 출력 데이터들을 확보하기 위해 RAS 양식장에 대한 동 적 에너지 시뮬레이션을 진행하였다. 상용 프로그램인 TRNSYS를 이용하였으며, RAS 양식장과 HP 시스템이 결합된 통합 모델을 Fig. 4와 같이 구축하였다.

Fig. 4는 시뮬레이션용 실제 프로그램이며, RAS 양식 장의 건물과 내부 공간, 양식장 내부의 각 설비 사양, HP의 대수 제어 조건, 양식장 소재지의 기상 데이터 등 이 이 프로그램에 반영되었다.

Table 4는 Fig. 4에 표시된 TRNSYS의 핵심 구성 요 소와 그 내용을 나타낸다. 시뮬레이션에 사용된 외기 온도와 해수 온도는 양식장 소재지인 거제의 기상 데이 터, 일사량은 거제와 인접한 여수의 기상 데이터를 사용 하였다.

Fig. 5는 외기 온도와 해수 온도 그리고 일사량을 입력 으로 하여 Fig. 4의 TRNSYS 모델을 통해 시뮬레이션한 결과이다. 시뮬레이션의 기간은 2022년 1년간을 대상으 로 하였다. 시뮬레이션을 통해 획득한 데이터는 양식장 실내 온도, HP 부하 측의 입·출구 온도, HP 열원 측의 출구 온도, 사육수 온도 그리고 HP 시스템 전력 소비량 의 6종이다. Fig. 5에서 일사량은 양식장의 실내 온도에 이미 그 영향이 반영되었으므로 제외하였다.

Fig. 5(a)는 시뮬레이션 입력 데이터인 양식장의 외기 온도 및 시뮬레이션 출력 데이터인 양식장 실내 온도이 다. 실내 온도는 외기 온도보다 3.4~9.7℃ 높게 나타나 며, 이는 패시브 하우스의 영향을 반영한다. (b)는 HP 부하 측의 입·출구 온도이며, (c)는 HP 열원 측의 입구 온도인 양식장 공급 해수 온도와 HP 열원 측의 출구 온도이다. (b)와 (c)의 결과로부터 동계에는 HP 부하 측 출구 온도가 입구 온도보다 높아지고 열원 측 출구 온도 는 입구 온도보다 낮아짐을 알 수 있다. 이는 HP가 가열 모드로 전환되어 부하 측의 열교환기가 응축기, 열원 측의 열교환기가 증발기로써 작동함을 의미한다. 반면 에, 하계에는 HP 부하 측 출구 온도가 입구 온도보다 낮아지고 열원 측 출구 온도는 입구 온도보다 높아짐을 알 수 있다. 이는 HP가 냉각 모드로 전환되어 부하 측의 열교환기가 증발기, 열원 측의 열교환기가 응축기로써 작동함을 의미한다. (d)는 사육수 온도와 이 온도를 유지 하기 위해 사용된 HP 시스템의 전력 소비량이다. 이 결 과를 통해 사육수 온도가 목표 온도 범위인 22.5±1.5℃ 로 제어됨을 알 수 있다. 또한, 동계의 전력 소비량은 하계 대비 최대 43%까지 증가함을 알 수 있다. 이는 동계 의 경우, 해수 온도가 낮아 (b)의 HP 부하 측의 입구 온도가 낮아지기 때문이다. 부하 측의 입구 온도가 낮아 지면 식 (1)의 ΔT가 커져 열부하가 증가하므로 HP 대수 가 증가하게 되고, 이는 전력 소비량의 증가로 이어진다.

전력 소비량 예측을 위한 ANN 모델의 입·출력 데이터 세트 구성

Table 5는 전력 소비량 예측을 위한 ANN 모델의 입 ㆍ출력 데이터와 그 취득 방법을 함께 나타낸다. ANN 모델의 입력 데이터는 총 7종이며, TRNSYS 시뮬레이 션으로 얻은 5종과 공공 정보인 2종의 데이터로 구성하 였다. ANN 모델의 출력 데이터는 TRNSYS 시뮬레이션 을 통해 얻은 전력 소비량이다.

전력 소비량 예측을 위한 ANN 모델의 학습 데이터를 결정하기 위해 공공 정보인 외기 온도와 해수온도 그리 고 TRNSYS 시뮬레이션의 결과값인 5종의 데이터들에 대한 선형회귀분석을 진행하여 입ㆍ출력 데이터 간의 상 관관계를 파악하였다. Fig. 6은 선형회귀분석 결과로서, 입·출력 간에 강한 상관성을 보이는 상위 4개의 그래프 이다. 그래프의 파란색 점은 시뮬레이션 데이터를, 점선 은 회귀선을 각각 나타낸다. 이 회귀분석 결과를 바탕으 로 피어슨 상관계수(Pearson correlation coefficient) r 및 결정계수 R²을 도출한다. 상관계수 r은 – 1부터 1까지의 값을 가지며 0에 가까울수록 입ㆍ출력 데이터의 상관관 계가 약함을 나타낸다. 또한, 단순 선형회귀분석 결과이 므로 R²은 r의 제곱으로 간단히 표현된다.

Table 6은 입ㆍ출력 변수의 관계 정도에 따른 r 값과 입·출력 변수의 관계 정도를 나타낸다(Bae et al., 2021).

Table 7은 선형회귀분석으로 얻은 각 입력 데이터들 을 r과 R²의 값이 큰 순서로 나열한 것이다. Table 6에 근거하여 r의 절대값이 0.1 미만으로 계산된 HP 부하 측의 출구 온도 T_HLO는 ANN 모델의 입력 데이터에서 제외하였다. 입ㆍ출력 데이터 간 적절한 상관관계를 갖 는 총 6개의 데이터를 ANN 모델의 입력으로 최종 선정 하였다.

ANN 모델을 구축하기 위한 데이터로는 모델 학습 용, 모델 타당성 검증용, 그리고 모델 성능 평가 시험용 의 3 세트가 필요하다. 이를 위해 상관관계 분석을 통 해 최종 선정된 6개의 입력 데이터와 1개의 출력 데이 터에 대한 1년간의 TRNSYS 동적 에너지 시뮬레이션 결과 데이터를 60:20:20%의 비율로 나누어 ANN 모델 의 학습용, 검증용, 시험용으로 각각 사용하였다. 이때 이들 3종류의 데이터 세트는 무작위로 분류되었다. 입· 출력 데이터 값들의 크기(scale) 차이와 단위(unit)의 차 이는 ANN 모델의 학습 효율과 전력 소비량 예측 정확 도에 큰 영향을 미친다. 이를 조정하기 위해 식 (2)의 최소-최대 스케일링(Min-Max scaling) 방법을 사용하 여 모든 입·출력 데이터 값들을 [0,1]의 범위로 정규화 하였다.

ANN 예측 모델 구축 및 하이퍼 파라미터의 최적화

ANN은 인간의 뇌 구조를 모방하여 설계된 계산 모델 로, 복잡한 입력과 출력 사이의 관계를 효과적으로 학습 하는 데이터 기반 모델이다. 대표적으로 DNN (Deep Neural Network), CNN (Convolution Neural Network), RNN (Recurrent Neural Network) 등의 구조가 있으며 본 연구에서는 DNN을 활용하였다. DNN은 Fig. 7과 같 이 하나의 입력층(input layer)과 다수의 은닉층(hidden layer) 그리고 하나의 출력층(output layer)의 세 부분으 로 구성되며, 각 층에는 다수의 노드(node)가 배치된다. 은닉층의 노드에서는 Fig. 8과 같이 다양한 입력 데이터 들이 입력의 세기에 해당하는 가중치 w_i와 곱해지고, 바이어스(bias) 값과 합해져 X = ∑ i = 1 n x i w i + b 0와 같이 하나 의 값을 생성한다. 이 값은 활성화 함수(activation function) f를 거쳐 다음 층의 노드로 출력된다.

학습 과정은 먼저 입력층에서 출력층 방향으로 진행 되는 순전파(forward propagation)를 통해 이루어진다. 그러나 초기 ANN 모델에서의 출력값(예측값)은 목표값 (실제값)과 일치하지 않는다. 이러한 예측 오차를 줄이 기 위해 경사하강법을 이용한 역전파(back propagation) 과정을 통해 각 노드 간의 가중치 w_i를 조정하여 손실 함수를 줄이는 방향으로 모델을 재조정하는 학습이 이 루어진다. 인공 신경망 모델은 이 두 과정을 반복적으로 수행함으로써 목표 오차 범위 내에서 학습을 완료하게 된다(Kang et al., 2017).

본 연구의 ANN 모델은 1개의 입력층, 3개의 은닉층 그리고 1개의 출력층으로 구성되었다. 또한 활성화 함수 로는 식 (3)의 ReLU를 이용하였다. ReLU 함수는 가중 치의 업데이트 속도가 매우 빠르며 기울기 소실 문제가 발생하지 않는 장점을 갖고 있다.

손실 함수는 식 (4)의 CV(RMSE)를, 예측 모델의 학습 최적화 알고리즘으로는 경사하강법(gradient descent)의 단점을 보완한 Adam (adaptive moment estimation)을 각각 사용하였다. Adam은 이전 시점의 경사(gradient)를 지수 이동 평균(exponential moving average) 방식으로 반영하는 모멘텀(momentum)과 제곱된 경사의 지수 이 동 평균 방식을 이용해 학습률을 적응적으로 조정하는 RMSprop (Root Mean Square propagation)을 결합한 알 고리즘이다.

여기서 y는 실제값, y는 실제값의 평균, y ^ 는 모델의 예측값, 그리고 n은 데이터 수를 각각 나타낸다.

ANN 모델의 하이퍼 파라미터는 모델 설계자가 결정 하는 파라미터로서 모델의 예측 정확도와 학습 효율에 큰 영향을 미치는 인자이므로 최적화가 필요하다. 최적 화 대상 하이퍼 파라미터로는 학습률(learing rate), 배치 (batch) 크기, 에폭(epoch) 등이 있으며 이들을 Table 8에 나타내었다.

하이퍼 파라미터의 최적화 기법으로는 매뉴얼 서치 (manual search), 그리드 서치(grid search), 랜덤 서치 (random search), 베이지안(Bayesian) 최적화 등의 다양 한 방법이 있다. 베이지안 최적화는 목적함수에 확률적 추정을 수행하는 대체 모델(surrogate model)과 최적 하 이퍼 파라미터의 후보를 추천하는 획득 함수(acquisition function)로 구성되어 위에 언급한 다른 방법에 비해 최 적 하이퍼 파라미터에 대한 탐색 속도가 빠르고 우수한 탐색 능력을 가진다(Lee et al., 2020). 따라서 본 연구에 서는 베이지안 최적화 기법을 사용하여 Table 8의 하이 퍼 파라미터들을 최적화하였다.

베이지안 최적화는 Fig. 9의 순서로 진행된다. 먼저, 기존의 데이터를 바탕으로 대체 모델을 구축한다. 이 모 델은 주어진 입력값에 대해 출력값을 확률적으로 추정한 다. 다음 단계에서는 획득 함수를 이용하여 다음 단계의 하이퍼 파라미터 후보군을 선정한다. 이렇게 선정된 후 보군을 실제 모델에 적용해 새로운 데이터 포인트와 그 에 따른 결과를 얻게 되며, 이 정보는 대체 모델을 업데 이트할 때 사용된다. 이러한 과정은 특정 종료 조건을 만족할 때까지 계속 반복된다(Frazier, 2018). 본 연구에서 는 대체 모델은 Gaussian process, 획득 함수는 expected improvement를 각각 이용하였다. 각 하이퍼 파라미터의 최적화 범위는 학습률과 드롭아웃 비율은 [0 1] 범위의 실수, 배치 크기는 [16, 32, 64, 128], 각 은닉층의 노드 수는 [16, 32, 64, 128, 256, 512], 학습률은 50에서 1,500사 이의 50 간격으로 된 정수 값 중에서 각각 선택된다. 최적 화 과정은 평균 제곱근 오차 변동계수 CV(RMSE)를 최소 화시키며 총 100회 진행하였다. 본 방법을 통해, 최적화된 하이퍼 파라미터 결과는 Table 9와 같다.

결과 및 고찰

앞서 구축된 ANN 모델의 예측 성능과 신뢰성을 검증하 기 위해, CV(RMSE)와 R² 척도를 사용하였다. CV(RMSE) 는 0에 가까울수록 예측 정확도가 높고, R²은 1에 가까 울수록 상관관계가 높음을 의미한다. 평가 수식은 앞서 기술한 식 (4), 그리고 식 (5)와 같다.

예측 모델의 평가 지표로는 ASHRAE (American Society of Heating, Refrigerating and Air-Conditioning Engineers) 의 Guideline 14-2014의 기준을 준용하여 결정계수 CV(RMSE)는 30% 미만, R²은 0.8 이상을 적정 기준으 로 평가하였다. TRNSYS 동적 모델 시뮬레이션의 결과 인 전력 소비량을 실제값으로 가정하여, ANN 모델로 계산한 예측값과의 오차를 분석한 결과를 Fig. 10과 Fig. 11에 보인다.

Fig. 10에서 CV(RMSE)는 1.32%이며, 예측 모델의 최대 오차는 14.47 kWh이다. 그리고 Fig. 11에서 R² 은 0.998로 도출되었다. 이는 ASHRAE Guideline 14-2014에 규정된 기준을 충분히 만족한다. 이러한 결 과는 본 논문에서 제안한 ANN 모델의 입력 데이터 구성과 하이퍼 파라미터가 적절하게 선정되었음을 의미한다.

따라서 본 논문에서 제안한 ANN 모델은 해수 열 원 HP 시스템을 갖는 RAS 양식장의 전력 소비량 예측에 유효한 수단임을 보여준다. 다만, 본 논문의 결과는 TRNSYS를 통한 시뮬레이션 결과들을 이용 한 것이므로 향후 보다 엄밀한 예측을 위해서 실측 데이터를 이용한 ANN 모델의 보완이 필요할 것으로 사료된다.

결 론

본 연구에서는 RAS 양식장의 에너지 사용 평가를 위 해 HP 시스템의 적용을 전제로 연간 전력 소비량을 예 측하는 모델을 구축하였다. 먼저 RAS 양식장에 대한 동적 에너지 시뮬레이션 시스템을 구성하여 ANN 모델 에 필요한 입·출력 데이터를 생성하였다. 이 데이터들에 대한 상관계수 분석과 정규화를 통해 입ㆍ출력 데이터 세트를 최적화한 후, HP 시스템의 전력 소비량 예측 모 델을 구축하였다. 특히, ANN 모델의 예측 정도에 큰 영향을 미치는 하이퍼 파라미터들을 베이지안 최적화 기법을 통해 최적화하였고, 최적화된 파라미터들을 이 용하여 ASHRAE가 규정한 ANN 모델 예측 기준을 충 분히 만족하는 결과를 얻었다. 본 연구를 통해 얻은 주요 결과를 요약하면 다음과 같다.