AI 수요 예측과 에너지 운영 최적화

예측, 최적화, 제어는 서로 다른 단계다

예측은 다음 시간의 부하⁠·​날씨⁠·​가격⁠·​발전량을 추정한다. 최적화는 그 추정과 제약 안에서 어떤 작업을 언제 어디서 처리하고 배터리를 얼마나 충방전할지 정한다. 제어는 실제 펌프⁠·​밸브⁠·​서버⁠·​전력변환기에 명령을 실행한다. 좋은 예측 모델이 있어도 연결된 설비나 계약상 권한이 없으면 운영을 바꾸지 못한다.

센서가 틀리면 최적화는 그럴듯하게 잘못된 결정을 만들 수 있다. 그래서 계측 시각⁠·​단위⁠·​누락⁠·​설비 상태를 먼저 검증하고, 제어 가능한 범위와 사람이 개입할 조건을 정의한다. 예측 불확실성에 여유를 두고, 통신⁠·​모델 장애가 발생하면 검증된 기본 제어로 돌아가는 절차도 경제성의 일부다.

평균 오차가 작아도 중요한 순간에 손실이 날 수 있다

평균 오차는 대부분의 평범한 시간을 잘 맞히면 낮아진다. 그러나 전력요금 급등, 폭염, 공급 장애 같은 드문 순간의 오차가 비용과 신뢰성을 좌우할 수 있다. 예측값 하나만 받기보다 가능한 범위와 초과 확률을 보고, 피크 과소예측과 평상시 과대예측의 비용이 다르다는 점을 반영한다.

학습 자료에 미래 정보가 섞이거나 같은 날 데이터를 무작위로 나눠 평가하면 실제보다 성능이 좋게 보일 수 있다. 시간 순서대로 과거로 학습하고 이후 기간으로 검증하며, 날씨⁠·​작업 구성이 달라지는 기간도 시험한다. 단순한 전날⁠·​지난주 기준이나 기존 제어와 비교하지 않은 정확도 숫자는 사업적 개선을 보여주지 못한다.

옮길 수 있는 작업만 이동한다

Google은 2021년 지역별 무탄소 전력 여건에 따라 이동 가능한 계산 작업을 옮기는 운영을 설명했다. 2026년 수요반응 계약 발표도 일부 머신러닝 작업의 제한⁠·​이동을 다루며 장소별 한계가 있음을 밝힌다. 이를 모든 추론 요청이나 데이터센터 전체를 자유롭게 중단하는 능력으로 확대하지 않는다.

작업을 다른 시간⁠·​지역으로 옮기면 통신, 데이터 복제, 새 위치의 서버⁠·​냉각 여유가 필요하다. 저장장치와 달리 작업 이동은 물리적 에너지를 저장하지 않으며, 완료된 계산 결과의 시점을 조절하는 일이다. 전력 가격이 싼 지역이 항상 탄소가 낮은 지역도 아니므로 비용⁠·​탄소⁠·​지연 중 최적화 목표를 먼저 명시한다.

절감액은 비교 기준과 추가 비용을 통과해야 한다

'전기요금 10% 절감'을 검증하려면 같은 작업량과 날씨에서 기존 운전을 했다면 얼마를 썼을지 비교 기준이 필요하다. 유사 시설 비교, 단계적 도입 또는 가능한 경우 통제된 실험을 쓰고, 계절⁠·​요금 변화⁠·​설비 교체 효과를 따로 분리한다. 작업을 다음 기간으로 미룬 것만으로 당기 전력량이 줄었다면 완료 시점까지 계산해야 한다.

순절감은 에너지⁠·​피크 요금⁠·​서비스 수익에서 소프트웨어 요금, 추가 계산⁠·​통신, 배터리 열화, 지연 보상과 운영 인력을 뺀 값이다. 공급자의 매출은 고객 절감액과 다르며 정액⁠·​사용량⁠·​성과 공유 계약에 따라 달라진다. 냉각⁠·​배전 제조사의 AI 기능 발표도 설치 수, 유료 전환, 갱신과 서비스 비용이 확인되기 전에는 고마진 반복 수익으로 간주하지 않는다.

GridBeyond의 텍사스 상업운영 사례는 예측에서 실행으로 넘어갔다는 증거지만, 기존 운전보다 얼마나 나아졌는지는 별도 질문이다. 비교할 배터리의 위치⁠·​정격⁠·​열화⁠·​가용 시간을 맞추고 같은 시장 가격에서 기존 전략이 얻었을 정산액을 추정해야 한다. 고객의 총 거래수익, 추가 순수익, GridBeyond가 받는 수수료는 세 가지 다른 금액이다. 공개되지 않은 수수료율과 절감률은 숫자로 채우지 않는다.