전기 그리드를 AI에 넘겨줘야 한다: AI가 미래의 그리드를 운영하고 전력을 제어한다.

 

캘리포니아, 2048년 8월. 주 대부분이 2주 동안 극심한 더위에 시달리고 있으며, 기온은 지속적으로 화씨 100도에 달한다. 공기는 건조하고, 땅은 말라붙고, 식물은 불타고 있다. 이 화약고에 갑자기 불꽃이 튀었다.

 

15분 이내에 전력망의 인공지능(AI) 시스템이 위성 영상에서 연기와 화재 징후를 감지하고 근무 중인 인간 운영자에게 경고한다. 그들은 드론을 해당 지역으로 파견하여 새로 발생한 산불을 확인한다. 비행 로봇은 실시간 고화질 비디오와 이미지를 AI 시스템에 제공하여 전기 인프라에 대한 잠재적 위험을 확인한다. AI의 신속한 평가에 따르면, 번지는 화재는 주요 변전소와 전봇대를 위협하여 수만 명의 고객에게 정전 위험을 초래할 수 있다.

 

그런 다음 AI는 전력망 운영자에게 완화 옵션을 제시한다. 그들은 해당 지역의 전력을 재빨리 다른 경로로 연결하고 에너지 저장 시설과 수천 명의 고객의 전기 자동차와 가정용 배터리로 구성된 가상 발전소를 가동하기로 결정한다. 변전소가 곧 끊어지지만 정전은 발생하지 않는다. 전력은 계속 흐른다. 전력망은 안정적으로 유지된다.

 

오늘날의 전력망

미국의 전력망은 복잡하고 패치워크 같은 거대한 덩어리이다. 에너지부 연구원인 키스 J. 베네스, 조슈아 E. 포터필드, 찰스 양이 2024년 보고서에서 설명했듯이, "이것은 600,000회로 마일 이상의 송전선, 70,000개의 변전소, 550만 마일의 배전선, 1억 8,000만 개의 전봇대에 걸쳐 전기를 공급하는 수만 개의 발전기로 구성되어 있다. 이 시스템은 1세기 동안 단편적으로 추가되면서 유기적으로 진화했으며, 지금은 28조 달러 규모의 미국 경제의 중심에서 운영되고 있다."

 

이 얽힌 그물망에서 오래된 전선, 잡동사니 변압기, 허름한 기둥이 현대 초전도체 재료, 스마트 그리드 미터, 센서, 거대한 리튬 이온 배터리 설비와 어우러져 있다. 어떻게든 모두 작동한다. 미국의 전력망은 99.95%라는 인상적인 전체 신뢰성을 가지고 있다. 그리고 그것은 그렇게 좋아야 한다. 미국인의 삶과 일자리는 24시간 내내 전기에 달려 있다.

저자들은 "가동 시간이 99%인 전력망이라도 사람과 회사는 1년에 3.5일 동안 전기 없이 지낼 것이다."라고 말한다.

 

이제 우리의 엄청나게 복잡한 전력망은 아마도 그 어느 때보다 파괴적인 변신을 겪을 것이다. 재앙적인 기후 변화를 완화하기 위해 운영자는 분산되고 종종 간헐적이며 탄소가 없는 전기원을 구축하고 통합해야 한다. 풍력, 태양광, 배터리 저장, 수력 및 핵은 모두 상당한 양이 필요하다. 게다가 생성된 전기를 실제로 사용되는 장소까지 전달하기 위해 수천 마일의 고전압 전선을 세워야 한다. 하지만 이러한 전력 시스템을 잘 작동시키는 동시에 전력망의 완벽한 안정성과 합리적인 비용을 유지하는 것이 가능할까? 인공지능이 모든 것을 작동시키는 열쇠가 될 수 있다.

 

미래의 제어실

이 글의 시작 부분에 있는 시나리오는 오늘날 일어날 수 없지만 생각보다 빨리 실행될 수 있다. 올해 5월, 국립 재생 에너지 연구소(NREL)의 연구진은 "eGridGPT"를 설명하는 기술 보고서를 발표했다. 이 보고서는 "의사 결정 프로세스를 지원하고 데이터와 모델을 해석하여 전력망 제어실 운영자를 가상으로 지원하도록 설계된" 생성 AI 모델이다.

 

전력망이 점점 더 복잡해지면서(발전량이 점점 더 다양해지고, 고객과 주고받는 전기가 흐르고, 광범위한 센서에서 데이터가 쌓임) NREL 과학자들은 인간 전력망 운영자가 스스로 편안하게 관리하기에는 너무 많은 것이 될 수 있다고 생각한다. 그래서 그들은 "운영자 앞의 화면과 오케스트레이터 사이의 인터페이스 역할을 하여 방대한 양의 데이터, 시나리오, 디지털 트윈 시뮬레이션을 종합적으로 처리하는" AI 보조원을 개발했다.

 

미래의 그리드에서 NREL 연구자들은 인간을 의사 결정자로 보고 있지만, AI는 그러한 의사 결정에 정보를 제공하고 잠재적으로 이를 수행할 것이다.

최성은 NREL의 전력 시스템 엔지니어링 센터의 엔지니어 책임자이며 eGridGPT 보고서의 주요 저자이다.

그는 "eGridGPT의 주요 목적은 대규모 데이터 세트를 분석하고, 패턴을 인식하고, 시나리오를 시뮬레이션하고, 완화 전략을 제안하여 운영자가 거의 실시간으로 의사 결정을 내릴 수 있도록 지원하는 것이다."라고 설명했다.

최성은 일부 그리드 운영자가 이미 테스트에 관심을 보였다고 말한다.

 

AI와 전력 공급

대규모 언어 모델과 이를 구동하는 데 필요한 전기 소모가 많은 데이터 센터의 증가로 인해 AI는 최근 그리드의 탈탄소화를 방해하는 것으로 여겨졌다. 그러나 많은 과학자와 그리드 전문가들은 딥 러닝과 머신러닝을 활용하는 AI 시스템이 재생 에너지로 구동되는 미래형 그리드에 정확히 필요한 것이라고 말한다.

 

"AI의 역량을 활용하면 역동적인 환경 조건에 적응하고, 에너지 생산을 예측하고, 자원 할당을 최적화할 수 있는 지능형 시스템을 개발할 수 있다."라고 남아프리카 공화국 요하네스버그 대학교의 엔지니어 팀이 올해 초에 발표한 리뷰에서 이렇게 적었다.

이 모델은 잠재적으로 총 유지 관리 비용을 절반으로 줄일 수 있다.

 

전력망에 AI를 통합하면 많은 이점을 얻을 수 있다. 우선, 태양광 패널, 풍력 터빈, 인버터와 같은 개별 자산에 대한 방대한 양의 데이터를 모니터링하여 유지 관리가 필요한 부분을 파악하여 가동 중단 시간을 줄이고 출력을 극대화하며 유틸리티와 요금 납부자의 비용을 절감할 수 있다.

 

에너지 장비 거대 기업 GE Vernova는 이미 풍력 발전소의 예측 유지 관리에 AI를 활용하고 있다. 머신 러닝 알고리즘은 풍력 터빈의 센서에서 데이터를 분석하여 장비 고장이 발생하기 전에 이를 예측한다.
아르곤 국립 연구소의 과학자들은 다양한 구성 요소에 적용되는 고장 예측 AI 모델을 개발하여 유틸리티가 이에 따라 유지 관리를 예약할 수 있도록 했다. 태양광 인버터에서 테스트한 한 사례에서 이 모델이 총 유지 관리 비용을 절반으로 줄이고 불필요한 승무원 방문을 3분의 2로 줄일 수 있다는 것을 발견했다.

 

AI의 또 다른 잠재적 이점은 수요와 공급을 보다 긴밀하게 일치시키는 것이다. 전기 가용성을 보장하려면 전자가 항상 후자와 일치해야 한다. 하지만 이는 더 많은 전기가 핵 또는 수요에 따라 가동할 수 있는 천연 가스 발전소와 같은 상시 가동 발전소에 비해 간헐적인 풍력 및 태양광에서 발생하기 때문에 더 어려워진다. AI는 태양광 패널의 구름 덮개와 터빈의 바람 패턴을 더 잘 예측하여 미래 공급을 예측하는 데 도움이 될 수 있다. 또한 유틸리티 데이터를 사용하여 해당 기간 동안 수요가 어떨지 더 잘 예측할 수 있다. 이 데이터를 통해 그리드 운영자는 다른 지역에서 더 많은 리소스를 끌어와야 하는지 아니면 배터리 저장 자산을 활성화해야 하는지 결정할 수 있다.

 

최성은 "더 많은 재생 에너지원이 온라인에 접속되고 극심한 기상 현상이 더 빈번해짐에 따라 운영자는 미지의 영역에 직면하게 된다."라고 덧붙였다. "그들은 종종 이러한 새로운 과제를 해결하기 위해 정보에 입각한 추측에 의존하는 반면, AI는 잠재적인 미래 시나리오에 대한 예측을 제공할 수 있다."

지상에서 AI 모델은 또한 태양광 패널의 위치를 ​​최적화하여 하루 종일 가장 많은 햇빛을 포착하는 데 도움이 될 수 있다. 풍력 터빈의 경우 블레이드 각도를 조정하여 에너지 포착을 최적화할 수 있다. 배터리를 사용하면 시장 상황을 실시간으로 모니터링하여 비용이 많이 들 때 에너지를 방전하고 비용이 적게 들 때 저장할 수 있다. 배터리 저장 분야의 선두 주자 중 하나인 테슬라는 이미 이를 위해 AI 알고리즘을 활용하고 있다.

 

단점

궁극적으로 전력망은 인공지능 자동화에 완벽하게 적합한 데이터에 민감한 기계이다. 그러나 AI를 통합하기 어려울 수 있는 몇 가지 이유가 있다.

그 중 첫 번째는 보안이다. 전력망 제어가 점점 더 소프트웨어의 손에 들어가면 기존의 사이버 공격에 더 취약해진다. 그러나 머신러닝 모델은 더 구체적인 형태의 기만, 즉 데이터 포이즈닝의 위험에도 노출된다. 이러한 시스템에 어떻게든 가비지 데이터가 공급되면 대규모 정전으로 이어지는 결정을 내릴 수 있다.

 

정확성은 또 다른 문제이다. 이러한 모델은 시간이 지남에 따라 모든 사람에게 전기를 공급해야 한다는 근본적인 필요성과 목표를 불일치시키는 방식으로 편향될 수 있다는 우려가 있다.

"정확성은 여전히 ​​중요한 과제이며, 특히 운영자의 신뢰를 구축하는 데 있어서 그렇다. 이러한 신뢰를 구축하는 것은 AI의 중요한 목표이다."라고 최성은 말했다. "AI는 학습을 위해 과거 데이터에 의존하고 현재 상황에 대한 인식이 부족하여 항상 최신 통찰력을 제공하지 못할 수 있다."

 

둘째, AI에는 비용이 들지 않는다. 요하네스버그 대학교 연구원들이 지적했듯이 "AI는 재생 에너지 시스템을 최적화하고 탄소 배출을 줄일 수 있지만 고유한 환경적 발자국도 있다. AI 모델을 학습하려면 상당한 계산 능력이 필요하여 높은 에너지 소비와 관련 탄소 배출이 발생한다."

 

셋째, 가장 어려운 점은 AI가 그리드 규모에서 신뢰할 수 있는 결정을 내릴 수 있는 지점에 도달하려면 그리드 자체에 엄청난 업그레이드가 필요하다는 것이다.

"오늘날의 그리드는 주로 대규모 중앙 발전소에서 전기 고객에게 정보 교환이 거의 없는 한 방향으로 전기를 이동시키는 반면, 미래의 그리드는 다양한 그리드 연결 리소스에서 에너지와 정보의 다방향 흐름을 관리할 것이다."라고 DoE 연구원들이 썼다.

 

모델에 방대한 양의 데이터를 공급하기 위해 네트워크에 센서를 많이 설치해야 한다. 다양한 전기 구성 요소로 구성된 SCADA(감시 제어 및 데이터 수집) 시스템을 그리드 자산 전체에 삽입해야 한다. 스마트 미터는 가정과 기업에서 널리 사용되어야 한다. 본질적으로 그리드는 하나의 거대한 컴퓨터로 진화해야 합니다. 이 전례 없는 변화를 완료하려면 수천억 달러가 들 것이다.

 

비용의 가치

하지만 장기적으로는 그만한 가치가 있을 것이다. 인프라, 재산, 농업, 인간 건강에 대한 피해를 포함한 기후 변화의 글로벌 비용은 2050년까지 연간 1조 7,000억 달러에서 3조 1,000억 달러에 이를 것으로 예상된다. 이러한 비용을 피하기 위해 재생 에너지의 거대한 증설이 필요하며, AI가 궁극적으로 이 탄소 없는 그리드를 더 저렴하고 효율적으로 만든다면 사람과 지구 모두에게 훨씬 더 좋을 것이다.