빙결 위험 감지, AI가 똑똑하게! - 원형 기반 이종 연합 학습의 혁신

중국과학기술대학 연구팀이 풍력 터빈 블레이드 결빙 감지를 위한 원형 기반 이종 연합 학습 모델을 개발, 기존 모델 대비 압도적인 성능 향상을 기록했습니다. 데이터 이질성과 불균형 문제를 동시에 해결하는 혁신적인 접근 방식으로, 풍력 발전의 안정성과 효율성 향상에 기여할 것으로 기대됩니다.

혹한의 고위도 지역에 위치한 풍력 발전소는 블레이드 결빙 위험에 끊임없이 노출되어 있습니다. 기존의 중앙 집중식 학습 방식은 데이터를 한 곳에 모아 학습하기 때문에 개인정보보호 문제가 심각하다는 단점이 있습니다. 이러한 문제를 해결하기 위해 등장한 것이 바로 연합 학습(Federated Learning) 입니다. 하지만, 각 발전소마다 환경 조건이 다르기 때문에 데이터의 이질성이 발생하고, 결빙 현상 데이터 자체가 적어 데이터 불균형 문제도 존재합니다.

중국과학기술대학의 Lele Qi 연구팀은 이러한 문제를 해결하기 위해 획기적인 연구 결과를 발표했습니다. 연구팀은 원형 기반 이종 연합 학습 모델과 대조 학습 손실 함수를 제안했습니다. 이 모델은 각 발전소의 데이터를 직접 모으지 않고 분산 학습을 진행하여 개인정보보호를 보장하면서, 동시에 데이터의 이질성과 불균형 문제를 효과적으로 해결합니다.

20개의 풍력 터빈, 2개의 풍력 발전소에서 수집된 실제 데이터를 사용한 실험 결과는 놀라웠습니다. 연구팀의 모델은 기존의 5가지 연합 학습 모델과 5가지 불균형 데이터 처리 방법을 모두 능가하는 성능을 보였습니다. 평균적으로 mFβ 지표는 19.64% 향상되었고, mBA 지표는 5.73% 향상되었습니다. 특히, 두 번째로 성능이 좋은 BiFL 모델과 비교했을 때도 압도적인 성능 차이를 보였습니다.

이번 연구는 풍력 발전의 안정성을 높이고, 에너지 효율을 개선하는 데 크게 기여할 것으로 기대됩니다. 더 나아가, 원형 기반 연합 학습 모델은 다른 분야의 데이터 이질성 및 불균형 문제 해결에도 적용될 수 있는 잠재력을 가지고 있습니다. AI 기술의 발전이 에너지 산업의 지속가능성에 기여하는 중요한 사례로 기록될 것입니다.

핵심 키워드: 연합학습(Federated Learning), 원형기반학습(Prototype-based Learning), 데이터 불균형(Class Imbalanced Data), 풍력터빈(Wind Turbine), 블레이드 결빙(Blade Icing), 대조학습(Contrastive Learning)