2장에서 언급한 바와 같이 BEMS 데이터 자체에 시스템의 이상 상태
를 확인할 수 있는 레이블이 존재하지 않으므로, 데이터의 이상치 처리 결과에 대한 객관적인 검증이 불가능하다. 따라서 본 연구에서는 BEMS 데이터의 분석을 통해 시스템의 거동을 파악하고, 경험적 지식 및 판단 에 기반하여 시스템의 비정상 거동으로 인해 발생한 것으로 추정되는 이 상치 데이터들을 확인하였다.
그림 3-3은 7월 10일부터 8월 26일까지의 냉동기 데이터를 나타낸 산
점도로, 정상적인 데이터와 함께 일부 비정상 데이터들의 분포를 시각적 으로 확인할 수 있다. 일반적으로 냉동기의 냉각수 입수온도(Tcool, inlet)와 출수온도(Tcool, outlet)의 온도 차는 2~3℃ 사이에서 운전되었지만, 그중 일 부는 1℃까지 온도 차가 감소하는 것을 알 수 있었다(그림 3-3(a)). 마찬 가지로, 브라인 입수온도(Tbrine, inlet)와 출수온도(Tbrine, outlet)의 온도 차 또한
3℃ 부근에서 주로 측정되는 반면, 일부 데이터가 1℃ 부근에서 측정되
는 것을 알 수 있었다(그림 3-3(b)). 이러한 비정상 데이터들은 냉동기가 정상 상태에 도달하기 전 예열 단계, 혹은 가동 정지 시점에서 측정된 것으로 추정할 수 있다. 해당 비정상 데이터들은 그림 3-2에서 언급하였 듯이, 개별 변수의 통계처리만으로는 식별이 어려운 다변수 이상치의 예 시로 볼 수 있다. 예를 들어 냉각수 온도의 경우, 대부분의 비정상 데이 터는 입수온도 범위인 25~31℃, 출수온도 범위인 27~34℃를 벗어나지 않 는다(그림 3-3(a)). 또한, 냉동기 소비전력(Power)과 브라인 온도 차(Tbrine,
inlet - Tbrine, outlet)는 양의 선형 상관관계를 가지고 있지만, 그림 3-3(c)의
붉은색 원으로 표시된 데이터는 이러한 상관관계를 따르지 않는다. 마찬 가지로, 해당 냉동기의 정격 COP는 4.81이지만, 그림 3-3(d)의 붉은색 원 으로 표시된 데이터들은 이를 크게 벗어난다.
상기 언급한 모든 비정상 데이터들이 센서의 오류나 냉동기의 오작동
으로부터 측정된 것으로 보기는 어렵다. 하지만, 이러한 데이터들 역시 기계학습 모델을 제작할 때 사용된다면 모델의 성능이 저하될 수 있으 며, 최적제어 수행 시에도 정확한 판단을 방해할 수 있다. 따라서, BEMS
데이터를 이용한 분석 과정에서는 시뮬레이션 수행자의 직관적 개입 없 이 데이터를 전처리하는 과정이 요구된다.
(a) 냉각수 입수 vs. 출수 온도
(b) 브라인 입수 vs. 출수 온도
(c) 소비전력 vs. 브라인 온도차
(d) 소비전력 vs. COP
그림 3-3. 냉동기 데이터 내 이상치 분포