AI기반 기지국 전력 ES(Energy Saving) Orchestrator 사례

네트워크분야를 중심 관점으로 바라본 ES(Energy Saving) 기술 동향과 ES 적용 방법

최근 ES(Energy Saving-에너지절감)을 위한 노력이 각 분야에서 다각도로 다양하게 진행되고 있습니다. 네트워크 분야에서도 전력 에너지 절약 및 탄소 배출을 줄이기 위한 노력이 활발하게 진행되고 있는 중인데 유.무선 네트워크는 전 세계 탄소 배출의 2%를 차지하고 있습니다.

이는 항공산업과 비슷한 수준으로 향후 새로운 통신기반 서비스의 출현 및 트랙픽 증가로 인해 전 세계 탄소 배출량의 10~15%를 차지할 것으로 예상됨에 따라 에너지 절감 대책 마련이 필요한 것으로 조사되고 있습니다.(출처: 2020 그린터치 컨소시엄 조사결과 참조)

저희 팀에서 준비한 ES(Energy Saving) Orchestrator 는 무선 기지국 전력부분 ES에 초점을 맞추고 기지국의 전파 출력의 트래픽을 AI 분석을 통해 자동으로 기지국을 제어하여 에너지 효율을 높이도록 업무에 적용해 보았습니다. 기존에는 모든 기지국이 제조사별 동일한 소비전력으로 전력을 소모하고있었지만 이 프로젝트를 통해 통화량이 적은 시간대 기지국을 예측 추출하고, 파워를 Sleep모드로 제어/전환 시킴으로써 전력소비를 최적으로 운영하도록 했습니다.

.ES(Energy Saving) Orchestrator의 배경 및 운영 리스크에 대한 안전 요소 고려

무선 기지국의 전력을 제어하는 기술은 제조사마다 장비측에 구현되어 있으며, 현장에서 기술자가 수작업을 통해 대상을 찾아 장비를 직접 제어해야 함으로 ES(Energy Saving) Orchestrator가 적용되기 전까지는 현실적으로 인적, 물적 어려움이 많은 사유로 실제 기지국제어를 통한 전력소비를 최적화 시키는 활동은 미비한 상황이었습니다.

또한 현장 경험과 관련 장비의 현재상의 트래픽 수치만으로는 제어대상인지의 대한 판단을 직접 사람이 예측, 확정 하기에는 어려움이 있어, 이에 대한 한계를 극복하고자 , 기지국의 수집된 주기적인 트래픽 정보를 기반으로 데이터를 AI 모델링/학습반영으로 예측되는 패턴 및 트렌드 식별을 통해 정확한 제어대상 정보를 추천, 제공하도록 하여 시스템에서 자동으로 제어할 수 있는 기능이 필요했습니다.

또한 예측판단의 오류로 인한 장비제어 시, 휴대전화 통신 품질에 직접적인 영향을 주게 되는 Risk를 고려하여 다음과 같은 안전요소를 고려하고 반영해야 했습니다.

[자동 전력제어를 위한 Risk 및 이에 대한 안전요소 반영 고려 사항]

1. 네트워크 장비 자체 기능으로 제어 시 제어 받는 기지국에서 근접 기지국으로 Roaming되는 영향도를 고려해야 한다. (근접 기지국의 트래픽이 많은 경우 , 해당 기지국을 제어하면 않됨)
   - 주변 Cell의 네트워크 부하가 높을 시에는 강제 Power-On기능이 유지 되도록 한다.

2. 고객 통화품질 VOC 발생지역, 공동망 사용되는 기지국, 지역별 현장담당자 판단에 따른 제외 대상을 신속히 반영하도록 하여야 한다.

3. 실제 장애가 발생, 트래픽 부하가 없어 추천대상으로 선정된 건지를 Fault Management 시스템을 통해 알람, Trouble Ticket 정보를 확인 대상에서 제외되도록 반영해야 한다.

4. 전력소모량이 적은 심야시간대에 제어/전환했던 장비를 명일 휴대전화 활동이 활발히 시작되는 새벽 시점대를 파악 Wake-up 시켜줘야한다.

ES(Energy Saving) Orchestrator 분석 AI 모델링 과정 소개

ES(Energy Saving) Orchestrator는 요구 취지에 맞는 목표설정과 이를 위한 사전준비 활동, 데이터 분석, 모델링 진행, AI 모델훈련, PoC, 실제업무 적용의 과정으로 진행되었습니다.

1. 목표 설정: 무선 네트워크 기지국 대상, 트래픽 추이 분석 및 AI 모델구축을 통한 전력 소모량절감 대상 기지국 추천/최적화 업무 적용

2. 사전준비활동, 데이터 분석: EMS 원시Data 수집 및 Traffic 분석, 생성형 AI 활용을 위한 학습 및 바람개비 활동, AI:ON-U 워크플로우 접목
   활용 데이터:
   - 트래픽 통계: PRB_DL, AirMAC, PowerAVG, MaxUE, RRC/ 샘플링 DataSet (67,393)

3. 모델링 과정 진행 : 수집데이터 → Data전처리 → Data 최종Set도출 → 결과 예측
   - AI Fine-tuning
   - Data전처리: 이상치처리, Z-Score점검, IQR 분포, 결측치 처리, Data보강, Cyclcal인코딩
   - Data Set 기준 적용알고리즘 : LSTM , 시계열교차 검증, Staking Ensemble, RandomForest

4. AI 모델훈련, PoC 및 실제업무 반영 : ES(Energy Saving) Orchestrator
   - 대시보드
   - 추천 기지국 Group- ES자동제어 대상
   - 전국 ES현황, 분석 제어이력 , 자동추출 Utility 제공 등등

결과물 소개와 글을 마치며

ES(Energy Saving) Orchestrator에 전력부분을 중점적으로 선정, 실행하였던 이유는 고객사의 요청과 도 부합되는 이유도 있겠지만 ESG를 실천하기 위한 기업의 구성원으로서 ICT에 종사하면서도 실제 적으로 체감하지 못하는 환경, 에너지 절감에 기여하고 참여할 수 있다는 동기부여도 한 몫을 차지하고 있지 않나 싶습니다. 실제 이 ES(Energy Saving) Orchestrator를 단순한 실험적 용도가 아닌 실제 업무에 적용하고, 고객사에 비용절감 및 에너지 절약 사례에 기여할 수 있었다는 사실에, 더욱더 의미를 두고 싶습니다.

마지막으로 업무를 병행 하면서도 시간이 부족했을 텐데 ES(Energy Saving) Orchestrator를 만들기 위해 야근, 주말 출근 하며 항상 웃는 얼굴로 열정을 가지고 참여를 하던 모습에 감동했고, 결과에 보상으로 사내공모에서 수상의 경사까지 있었으니, 두 후배들에게 이렇게 말해주고 싶습니다.

Awesome, Way to go! I wish I could do that !!