성안당 더테이블 2019.03.20

홈 > 지식커뮤니티 > 지식채널

데이터로직


키사이트 04-23~05~22
매거진
잡지이미지
잡지이미지
잡지이미지
잡지이미지
잡지이미지
  • 구독신청
  • 광고안내

키사이트 04-23~05~22

에너지 소비 효율화 부문의 데이터 활용 비즈니스모델: 제어

입력 : 2019.02.07 09:16

글자크게보기 글자작게 댓글달기 좋아요 즐겨찾기

페이스북 트위터 카카오스토리 블로그

[첨단 헬로티]

 

개인 맞춤화에 초점을 맞춘 AI 기반의 제어 비즈니스모델 해외 사례들 등장

 

1. 들어가면서
2019년에 들어서면서 필자는 에너지 데이터 수집과 공유, 활용에 더 초점을 두고 에너지산업 비즈니스모델의 확장 가능성들을 탐색하기 시작했으며, 에너지의 생산, 거래, 소비 영역 중에서 먼저 소비 효율 부문의 비즈니스모델 사례들을 발굴하고자 한다. 이의 기반이 되는 논거는 그림 1에서 보듯이, 하버드비즈니스리뷰 논문에서 제시된‘스마트 커넥티드 프로덕트(Smart, Connected Products; 이하 SCP)’의 4대 역량이다.

 

그림 1. SCP 역량 4단계: 모니터링-제어-최적화-자율<출처: Porter & Hippelmann (2014); 송민정(2017.7) 재인용>

 

지난 호에서는 첫 번째 역량인 모니터링(Monitoring) 단계의 서비스 가능성과 현황에 대해 논의하였는데, 이번 호에서는 두 번째 역량인 제어(Control) 단계에서의 서비스 가능성과 현황을 살펴보고자 한다. 제어 단계에서는 사물인터넷(Internet of Things; 이하 IoT) 제품이 탑재된 클라우드에서 소프트웨어가 IoT 제품 기능을 제어하는 역량이 제공된다. 제어 역량은 이용자 경험을 토대로 개인 맞춤화 하는 기능을 제공하므로 초기 수준의 인공지능(Artificial Intelligence; 이하 AI) 기술을 필요로 한다.

 

모니터링 역량이 센서를 통해 IoT 제품의 기능 동작과 외부 환경 변화를 파악하고 관찰하는 것에만 그쳤다면, 제어 역량은 IoT 제품에 내재된 솔루션과 인터넷 접속을 활용해서 원격으로 IoT 제품을 제어하는 것을 말한다. 이는 근거리에서 접근하기 어렵거나 위험한 환경에서 솔루션을 통해 IoT 제품을 원격으로 작동시키게 하는 역량이다.
에너지 수요 자원을 발굴해 대형 공장이나 빌딩 중심에서 소형 상가나 일반 주택 등으로 확대되기 시작하는 첫 시그널이 데이터를 활용하려는 움직임이고, 지난 호에서 이미 언급했듯이, 주요국에서는 이미 전력 데이터의 표준화 및 절차가 간소화되기 시작했고 시장 참여자 간 데이터 공유도 가능해지는 등 전력 데이터 플랫폼 구축이 활발하며, AI 기반으로 확대되고 있다. 이번 호에서는 초기 수준이지만 AI 기반의 제어 비즈니스모델 해외 사례들을 개인 맞춤화에 초점을 두어 소개하고 그 시사점을 제시하기로 한다.
 
2. 해외의 제어 비즈니스모델 사례
2.1 일본의 에넷(ENNET)와 호주의 씨오지로(COzero) 협력
에넷(ENNET)은 2012년 7월 설립 이후 LNG 발전 및 태양광·바이오매스 등 신재생에 너지를 조달하여 2017년에만 전국 약 3만 6천 고객에게 연간 약 127억 kWh의 전력을 공급한 신흥 전력기업이다. 법적으로 보면, 에넷은 전원 조달에서 전력 공급까지 담당하는 전력조달공급사업자(Power Producer and Supplier)로서 자사 발전소를 통한 전기, 자연에너지 공급도 하는 기업이다.

 

에넷은 사업 초기에 모니터링 수준의 지능형원격검침인프라(이하 AMI) 제공에 몰두했으며,  이는 이전 호에서 소개한 오파워(Opower)와 같은 모니터링 비즈니스모델을 말한다. 즉, 고객이 확인 가능하도록 홈페이지를 통해 전기 사용량·전기요금 등의 정보를 제공하며, 고객이 직접 확인하여 구체적인 절전 목표 수립이 가능하도록 하고 전기 사용량·전기요금 등을 그래프와 표로 표현하여 고객이 쉽게 이해하였다. 또한, 정보를 다운로드 가능하도록 마련하였으며, 다수 시설을 이용 중인 고객에게는 종합하여 간편 내역도 제공하며, 고객이 설정한 사용량·금액을 초과한 경우 메일이나 팩스를 통해 알림 설정이 가능하며, 매달 전기 사용량 검침 후 메일이나 팩스를 통해 전기요금 고지서를 수령할 수 있고, 과거 다른 서비스를 이용한 경우라도 전기 사용량 비교 후 분석 결과 및 전기 절약 팁을 제공한다. 고객은 모바일 앱을 통해 언제 어디서나 전기 사용량 등 현황 파악이 가능하다.

 

이처럼 AMI 기반의 모니터링 서비스에서 시작한 에넷은 호주의 벤처기업인 씨오지로(COzero)와 협력해 2017년 말부터 AI 기반으로 건물 내 에너지를 절약하게 하는 서비스를 제공하기 시작했다. 이 솔루션은 AMI 기반 스마트미터를 통해 얻은 건물 내 전력 데이터와 기상 데이터를 AI로 분석해 관리자에게 에너지 절약 대책을 수립해 알려준다. 이 서비스가 가능하게 된 주된 정책적 배경은 일본이 2013년 11월 전기사업법을 개정해 전력시장 자유화를 시작했기 때문이다. 그림 2에서 보면, 개혁의 1단계로 2015년 중 광역운영 추진기관 설립, 2단계로 2016년 전력소매 전면 자유화 및 도매규제 철폐, 3단계로 2018~2020년 기존 전력회사 송배전 부문의 별도 회사화(법적 분리)를 통한 중립성 확보를 추진 중이다. 이를 계기로 가스 및 전력 등 기존 에너지 기업 외에 통신기업, 자동차기업, 철강기업 등 이업종의 진출이 확대되기 시작한다.

 

그림 2. 일본의 전기사업법 개정을 통한 전력시장 자유화 단계<출처: 코트라해외시장뉴스(2015.2.10)>

 

스마트미터 도입 전력 자유화로 일본에서는 일찍부터 대량의 스마트미터가 도입되어 방대한 에너지 데이터가 축적되기 시작하였다. 에넷은 2015년에 이커머스 기업인 라쿠텐과도 제휴하였는데, 라쿠텐은 전력 수요가 피크일 때 스마트폰 앱으로 외출을 촉구하고, 내점 시 라쿠텐 포인트를 부여하는 모니터링 서비스를 진행하였다.
2017년 말에 제공된 에넷의 새로운 제어 솔루션은 씨오지로가 개발한 에너지관리플랫폼인 ‘에너지링크(EnergyLink)’를 기반으로 스마트미터에서 전력 데이터뿐만 아니라 기상 데이터, 건물 관련 데이터 전반에 걸쳐 수집하게 된다. 
 

그림 3. 에넷의 AI 기반 에너지 제어 서비스 구성도<출처: 에넷 2018; 에너지설비관리(2018.5.9) 재인용>


그림 3에서 보듯이, 에넷에 수집된 데이터는 고속, 대용량 처리 분석은 물론이고, AI가 24시간 내내 빌딩의 에너지 운용 과제와 에너지 절약 대책을 스스로 보고하며, 관련 데이터를 관리자에게 통보한다. 2017년 말에 개발된 ‘에넷아이(Ennet Eye)’는 모든 빌딩을 원격으로 분석 및 제어하며, 이상 징후가 나타나면 AI가 언제든지 고객에게 통보한다. 다시 말해, AI 엔진을 이용해 현황 모니터링 수준에 머물지 않고, 전기요금 절감 대책을 알려주는 것이 이 솔루션의 장점이다. 에넷은 이를 통해 최대 5~10%의 에너지 절약이 가능한 것으로 추산하고 있는데, 데이터 분석이 30분 간격으로 반복되므로 야간이나 휴일 등 어려운 시간대에도 문제점을 발견하고 조치할 수 있게 한다.

 

2.2 일본의 다이킨공업과 NEC의 협력
건물 에너지 절감 기술과 공조 제어 기술의 결합 사례로 다이킨공업과 NEC의 협력이 있다. 다이킨공업의 공조 제어 기술과 NEC의 AI, IoT를 기반으로 해 지능화된 사무실 공간 실현으로 목적으로 시작되었다. 1934년 설립된 다이킨공업은 빌딩 등 업무용 공조기기 사업에서 오랜 경험을 축적해 왔던 기업이며, 공조 분야에서 일본 시장 1위, 세계 시장 2위의 글로벌 기업으로 가정용 룸에어컨 분야에서는 후발업체이지만 1990년대 후반 이후 기존 일본 전자기업을 추월하는 약진을 보이면서 1995년 3월 결산에서 2008년 3월 결 산기까지 14년 연속으로 최고이익을 갱신하는 호조를 보여 왔다. 다이킨공업이 보유한 에어컨 제어 기술 및 공기, 공간이 사람에 미치는 영향에 관한 지식과 NEC이 보유한 AI, IoT를 조합해 새로운 제어 서비스가 탄생한 것이다.

 

그림 4. 다이킨공업과 NEC 솔루션 구성도<출처: NEC, 2018; 에너지설비관리(2018.5.9) 재인용>

 

그림 4에서 보듯이, 공간 사용량 모니터링 데이터에 따라 NEC의 AI 기반으로 실내 온도와 습도를 예측하며, 그 결과를 근거로 공조 시스템이나 조명 및 기타 사무실 설비를 자동 제어하게 한다. 또한, 혈압, 심박수 등 각 사람의 생체 데이터도 수집하여 습도, 조도와의 상관관계를 밝히고, 각 사람의 업무 내용과 심신 상태에 적합한 환경을 구성하고 지능화된 공기 및 공간을 조성하게 한다. 다이킨공업과 NEC는 실증작업을 통해 상용화를 목표로 한다. 또한, 다이킨공업은 구글과도 협력해 구글의 AI 기반 온도조절기인 네스트를 라인업에 편입시켰고, 인텔과도 협력해 태블릿 기반의 모바일 관리 서비스를 제공 중이다.


2.3 호주의 빌딩IQ와 매스웍스의 협력
2015년부터 빌딩IQ(BuildingIQ)와 매스웍스의 협력을 통해 새로운 비즈니스모델이 탄생한다. 빌딩IQ는 매스웍스의 매트랩 데이터 분석 기능을 활용해 HVAC(Heating, Ventilation, Air Conditioning) 에너지 예측 알고리즘을 배포할 수 있게 되었다. 또한, 이를 기반으로 빌딩IQ는 정상 운영 시 대형 건물의 HVAC 에너지 소비량을 10~25% 절감하는 클라우드 기반 플랫폼인 PEO(Predictive Energy Optimization)도 함께 개발했다. 이에 대해서는 다음 호의 최적화 비즈니스모델에서 다시 언급하겠다. 빌딩IQ는 대형 상업용 건물의 HVAC 에너지 비용을 최소화할 수 있는 실시간 시스템이 필요하다고 판단해 PEO를 개발했다고 한다.

 

빌딩IQ의 엔지니어들은‘시그널 프로세싱 툴박스(Signal Processing Toolbox)’를 사용해 데이터를 필터링하고‘스태티스틱스 앤 머신러닝 툴박스(Statistics and Machine Learning Toolbox)’를 이용해 냉난방 프로세스에 대한 가스, 전기, 태양열 전력의 기여도를 모델링했다고 한다. 한편, 매스웍스의 매트랩은 알고리즘을 프로토타이핑하고 고급 수학 계산을 수행하는 데 있어 최고의 툴이므로, 이를 통해 프로토타입 알고리즘을 실제 노이즈 및 불확실성을 안정적으로 처리하는 양산 수준 알고리즘으로 직접 변환할 수 있게 되었다고 한다.  

 

그림 5. 빌딩IQ의 데이터분석 실행 사례<출처: 코트라해외시장뉴스(2015.2.10)>

 

그림 5에서 보듯이, 빌딩IQ는 전력계, 온도계, HVAC 센서 등에서 수집된 각종 데이터와 날씨 데이터, 요금제 데이터, 건물 특성 데이터 등 방대한 데이터를 분석하는 PEO와 HVAC 제어 서비스를 현재 제공 중이다. 최적화를 위한 PEO는 건물에 최적화된 에너지 사용 방식을 예측해 HVAC 에너지 비용을 최소화하게 도와주며, 제어를 위한 AI 기반 HVAC 제어시스템은 수천 회 시뮬레이션을 실행한 이후 12시간 동안 가장 효율적이라 판단되는 HVAC 운영 전략을 실행한다. 예로 가스, 전기, 증기, 태양열 등 다양한 에너지원을 사용하는 건물의 경우에 각각의 요금제까지 고려해 운영비용을 가장 절감하게 하는 운전 방법을 선택한다. PEO에 대해서는 다음 호에서 다시 언급하기로 한다.

 

3. 시사점
이전 호에서는 주로 스마트미터(AMI 기반) 데이터를 활용한 소셜 앱을 통해 모니터링 서비스를 제공하는 비즈니스모델을 소개하였다. 이를 통해 전력 소비자는 사업자가 제공하는 정보를 쉽게 확인하여 능동적으로 절전 목표 등도 수립하며, 사업자는 이를 기반으로 다양한 에너지관리서비스를 소비자에게 제공하여 에너지비용을 절감하도록 유도함으로써 수익을 창출할 수 있다. 즉, 사업자는 AMI의 주요기능(주기적 데이터 계량 및 수집, 실시간 모니터링, 전력소비 제어, 시변 요금제 운영, 계통 연계조정 등)을 비즈니스 모델 특성에 따라 다양하게 변형하여 활용할 수 있기 때문에, 전기자동차, 분산전원, 수요반응 등의 비즈니스 영역으로의 진출이 가능해질 수 있게 된다.

 

하지만, AMI를 이용해 특정 가정이나 건물의 에너지 사용 데이터를 읽고 개인 정보까지 수집할 수 있기 때문에, 사생활 침해 문제로 인해 AMI 구축을 회피할 가능성 또한 상존하기 때문에 법적 지원이 있어야 다음 단계 역량으로 발전할 수 있게 된다. 따라서, 정부는 AMI 보급 시 데이터의 공적 활용과 함께 고객에게 정보 공개 선택권 제공, 정보의 안전성 보장, 고객 비용 부담 등 제반 요소를 종합적으로 고려하여야 하며, 운영 관점과 고객(사생활 보호) 관점을 동시에 고려한 AMI 보급 계획도 필요한 상황이다. 이전 호에서는 모니터링 수준에 대해서만 살폈는데, 한발 더 나간 제어 서비스 해외사례들을 선두적인 일본 및 호주 기업 중심으로 소개하였다. 이 사례들은 공급과 수요 양방향 데이터 교환이 가능해지면서 에너지시스템 운영방식이 변화하고 있으며, 에너지 기업과 데이터분석 기업 간 다양한 이종 교배로 새로운 가치를 창출하게 하는 에너지 소비 효율화 측면의 비즈니스모델 개발이 가능함을 시사한다. 즉, 방대한 데이터 분석 기반 AI 활용으로 에너지 활용의 스마트화를 추진할 수 있게 된 것이다. 소비자의 전력 사용량에 근거해 에너지 소비 뿐만 아니라 소비자의 에너지 소비 패턴까지 실시간으로 분석하는 서비스가 가능하다.

 

지난 호에서 언급했듯이, 이미 각 가정마다 AMI를 구축해 스마트폰으로 에너지 사용을 모니터링 할 수 있게 되었다. 이제 보다 정교한 데이터 분석을 기반으로 AI를 활용하면 자동 제어도 가능하게 되었다. 단순한 홈 네트워크를 넘어 스마트 가전을 통해 새로운 산업 부가가치를 창출할 수 있다. 데이터 수집을 통해 변수 간 연관성이나 패턴 등을 추출할 수 있으며, 이를 토대로 데이터 분석기법을 활용한 알고리즘 산출로 예측 및 원인분석 등을 실시하고, 실시간으로 자동적인 문제 해결이나 예측 정보를 도출하는 과정이 가능하다.

 

제어 측면에서 기기별로 실시간 전력소비 데이터를 수집하는 경우, 기기별 수요관리 효과가 측정될 수 있는데, 이는 수요관리 정책 설계 시에 보다 효율적인 기기별 내지 개인별 맞춤형 정책을 수립할 수 있음을 의미한다. 현재 스마트계량기는 전력사용 총량을 실시간으로 측정하지만, 전원 입력단에 하나의 센서를 설치하여 가전기기별 전력사용량을 측정하거나, 개별 기기에 센서를 부착하거나, IoT를 도입할 경우에도 기기별 전력소비량 측정이 가능하다. 이처럼 세분화된 데이터를 실시간으로 수집하면, 전력수요 예측 정확성 제고, 차별화된 수요관리정책 설계 지원, 구체적인 수요관리정책 성과 평가, 에너지소비통계 정확성 제고 등 에너지 수요 효율화 측면에서 다양하게 활용될 수 있다.

 

국내 선두 사례로는 통신기업인 KT가 통신망 관제 노하우를 기반으로 AI 관제 시스템인 ‘E브레인’과 ‘에너지 통합관제센터(KT-MEG)’ 플랫폼을 구축한 가운데, E브레인이 소비자가 사용하는 에너지 상태를 12가지 패턴으로 분석해 소비자들이 에너지를 어떻게 사용하는지 확인하는 모니터링 서비스 외에 전기 발전량과 최대부하전력(피크) 등을 감지, 예측하는 기능을 갖는다. 머신러닝 기술을 통해 예측모델을 업데이트해 정확도가 높아지고 있으며, 데이터가 더 축적될수록 서비스 제공 속도는 그만큼 빨라질 것이다. 문제는 아직 규제 문제가 해결되지 않아, 생산 및 소비 관리가 한국전력에 의해 독점화된 상태에서 KT는 MEG플랫폼 기반으로 우선은 모니터링 수준의 서비스인‘기가에너지매니저’를 상용화했을 뿐이다. 이는 한국전력으로부터 데이터를 받아 검진을 하고, 일정비용을 지불하면 최대 부하전력을 점검해 기본요금을 낮출 수 있도록 컨설팅해주는 서비스이다. 산업용 전기의 경우 피크에 따라 기본요금을 산출하는데, 예를 들어 한 건물의 최대 사용량이 100이라 가정하면, 100을 기준으로 기본요금이 책정된다고 한다.

 

에너지 소비 효율화 측면에서 모니터링 비즈니스모델이 제어 비즈니스모델로 확장되려면 전력 사용 데이터 개방이 더 확대되어야 하는데, 아직 한국전력은 소비자 동의를 토대로 6개월 간의 데이터만을 공개한다. 이를 기반으로 제어 서비스까지 개발하기엔 역부족이라는 말이다. 계절별은 물론, 매달 소비자의 전력 사용 패턴이 다르기 때문에 6개월 간의 데이터는 반쪽 짜리일 뿐이고 개인 맞춤형 서비스 제공에 한계를 갖는다. 최소한 1년 치 데이터가 실시간으로 개방되어야 AI 기반의 제어 비즈니스모델이 개발될 수 있을 것이다. 또한, 신생 에너지기업으로 탈바꿈하려는 통신기업은 빅데이터 분석 역량을 자체적으로 가져가는 것도 중요하지만, 시장 선점을 위해서는 AI 벤처기업들과의 적극적인 협력모델들을 모색할 필요성이 아울러 제기된다고 하겠다.

 

사사문구
본 연구는 과학기술정보통신부 및 정보통신기술진흥센터의 대학ICT연구센터지원사업의 연구결과로 수행되었다(IITP-2018-0-01396).

 

송민정 교수 한세대학교 미디어영상광고학과

이 기사는 의 요약글입니다. <기사 상세내용보기>를 클릭하시면 전체 기사를 보실 수 있습니다.

기사 상세내용보기

어드밴텍 2018.07.31
디지키 2019.04
이전글
IoT 네트워크 클라이언트의 보안기술
다음글
라온피플의 머신러닝 아카데미(10) - GoogLeNet (1)
교육원 법정의무교육
개풍전자
댓글쓰기

0/500

등록
전체 댓글수 0

최신순 | 인기순

    댓글이 없습니다.