Collective Grid: Privacy-Preserved Multi-Operator Energy Sharing Optimization via Federated Energy Prediction

1. 문제 정의 (Problem Statement)

• 배경: 5G 의 확장, 데이터 트래픽 증가, 그리고 더 복잡한 인프라로 인해 모바일 네트워크의 전력 소비가 급격히 증가하고 있습니다.
• 현황: 현재 대부분의 모바일 네트워크 운영자 (MNO) 는 에너지 관리를 독립적으로 수행합니다. 이로 인해 운영 비용 (OPEX) 이 높고, 탄소 배출이 증가하며, 협력적 효율성 향상의 기회를 놓치고 있습니다.
• 과제:
  • 각 MNO 가 독립적으로 에너지 인프라 (재생 에너지, 배터리 등) 를 구축하는 것은 막대한 자본 지출 (CAPEX) 을 요구하여 사이트별 경제성이 떨어집니다.
  • 여러 MNO 가 인프라를 공유할 경우, 데이터 프라이버시 보호와 정확한 수요 예측이 핵심적인 장벽으로 작용합니다. 각 MNO 는 자사의 트래픽 및 운영 데이터를 타사에 공개하기를 꺼리기 때문입니다.

2. 제안된 방법론 (Methodology)

저자들은 프라이버시 보호형 자동화된 에너지 인프라 공유 프레임워크를 제안하며, 이는 크게 세 가지 모듈로 구성됩니다.

가. 연방 학습 기반 에너지 소비 예측 (Federated Learning-based Prediction)

• 목적: 각 MNO 의 원시 데이터 (Raw Data) 를 중앙 서버로 전송하지 않고도, 여러 MNO 가 협력하여 사이트별 에너지 소비를 정밀하게 예측합니다.
• 기술:
  • 모델: 다변량 LSTM(Long Short-Term Memory) 을 사용합니다.
  • 입력 데이터:
    • 동적 데이터: 과거 4 시간의 KPI(처리량, 연결 성공률 등) 를 15 분 간격으로 샘플링.
    • 정적 데이터: 하드웨어 모델, 전력 구성 파라미터, 주파수 대역 등 CM(구성 관리) 데이터.
  • 학습 프로세스: 각 사이트에서 로컬 모델을 학습한 후 가중치 업데이트만 중앙 조정기 (Coordinator) 에 업로드합니다. 조정기는 FedAvg(가중 평균) 알고리즘을 사용하여 글로벌 모델을 업데이트하고 다시 배포합니다.
  • 효과: 데이터 주권과 기밀성을 유지하면서 네트워크 밀도가 높은 환경에서도 정확한 수요 예측이 가능합니다.

나. 에너지 비용 최적화 (Energy Cost Optimization)

• 목적: 예측된 수요, 실시간 전력 가격, 재생 에너지 생산량, 배터리 상태 (SoC, SoH) 를 기반으로 총 소유 비용 (TCO) 을 최소화하는 에너지 소스 선택 및 스케줄링을 수행합니다.
• 수식화: 혼합 정수 선형 계획법 (MILP) 문제로 정의됩니다.
  • 의사 결정 변수: 각 사이트가 전력을 공급받는 소스 (그리드 vs 배터리) 를 선택 ($d_u(t) \in \{0, 1\}$).
  • 제약 조건:
    • 배터리 충전 상태 (SoC) 최소 임계값 유지.
    • 배터리 수명 (SoH) 최소 임계값 유지 (사이클 및 노화 고려).
    • 배터리 방전량이 배터리 용량을 초과하지 않도록 제한.
  • 해법: SciPy 의 MILP 솔버를 사용하여 실시간으로 최적의 에너지 소스 선택을 결정합니다.

다. 인프라 공유 프레임워크 (Infrastructure Sharing Framework)

• 구조: 5 단계 프로세스를 따릅니다.
  1. 데이터 수집: 각 사이트에서 KPI 및 CM/PM 데이터 수집.
  2. 예측: 연방 학습을 통한 에너지 소비 및 재생 에너지 생산량 예측.
  3. 의사 결정: 최적화 솔버를 통해 그리드 구매, 재생 에너지 활용, 배터리 충전/방전 전략 수립.
  4. 에너지 소스 전환: 결정된 전략에 따라 전원을 전환.
  5. 모니터링: 실제 소비와 예측치 비교, 이상 상황 (배터리 부족 등) 발생 시 그리드로 즉시 전환하는 안전장치 작동.

3. 주요 기여 (Key Contributions)

1. 프라이버시 보호형 공유 프레임워크 설계: 연방 학습 (FL) 을 활용하여 MNO 간 데이터 유출 없이 에너지 소스 선택을 조정하는 새로운 아키텍처 제안.
2. 최적화 문제 정립: 재생 에너지, 그리드 가격 변동, 배터리 동역학을 고려하여 MNO 들의 운영 비용을 최소화하는 MILP 기반 최적화 문제 공식화.
3. 실제 데이터 기반 검증: 운영 중인 네트워크 데이터를 활용하여 시나리오별 (공유 유무, 배터리 유무, 밀도 변화) 비용 효율성을 정량적으로 평가.

4. 실험 결과 (Simulation Results)

• 데이터셋: 유럽 지역의 3 개 MNO 가 공유하는 1,200 개 사이트의 7 일 분량 데이터 (15 분 간격).
• 예측 성능: LSTM-FL 모델은 평균 제곱 오차 (MSE) 0.51, 평균 절대 오차 (MAE) 0.39 의 높은 정확도를 보였습니다.
• 비용 절감 효과:
  • 인프라 공유 + 배터리 공유: 15 년 기간 동안 가장 낮은 누적 비용을 기록했습니다. 초기 CAPEX 는 높지만 장기적인 OPEX 절감 효과가 큽니다.
  • 비교: 그립 전용 (공유 없음) > 배터리 공유 (공유 없음) > 인프라 공유 (배터리 없음) > 인프라 및 배터리 공유 (공유 있음) 순으로 비용이 감소했습니다.
  • 공유 비율 ($\zeta$) 의 영향: MNO 간 인프라 공유 비율이 증가할수록 연간 운영 비용이 크게 감소했습니다. 특히 대부분의 사이트에 배터리를 공유하는 것이 장기적으로 가장 유리했습니다.
  • 충전 상태 (SoC) 관리: 예측된 SoC 가 임계값 (10%) 아래로 떨어질 경우 자동으로 그리드 전원으로 전환하여 정전 위험을 방지하는 것이 확인되었습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 경제적 타당성: 초기 투자 비용 (CAPEX) 이 증가하더라도, 장기적인 운영 비용 (OPEX) 절감과 탄소 배출 감소를 통해 전체적인 총 소유 비용 (TCO) 을 크게 낮출 수 있음을 입증했습니다.
• 확장성: 네트워크 밀도가 높아질수록 (5G 및 그 이후) 공유 인프라의 비용 절감 효과는 더욱 커집니다.
• 실용성: 이 프레임워크는 MNO 들이 경쟁 관계에 있으면서도 에너지 효율성을 높일 수 있는 실질적인 비즈니스 모델을 제시하며, AI 기반의 지능형 에너지 오케스트레이션이 미래 모바일 네트워크의 지속 가능성을 확보하는 핵심 열쇠임을 보여줍니다.

이 연구는 데이터 프라이버시를 유지하면서 다중 운영자 간의 협력을 통해 에너지 효율성을 극대화할 수 있는 기술적, 경제적 가능성을 제시했다는 점에서 의의가 큽니다.