하수처리장의 온실가스 주요 원인인 아산화질소(N₂O) 배출량을 머신러닝으로 예측하고, 이를 기반으로 용존산소(DO)를 실시간 제어해 배출량을 저감하는 통합 시스템을 개발했습니다.
배경 및 목적
하수처리 공정에서 발생하는 N₂O는 CO₂대비 약 300배의 온난화 지수를 가지는 강력한 온실가스입니다. 공정 센서 데이터(10분 간격, 약 10만 5천 행)를 활용해 10~30분 후의 N₂O-N 배출량을 다중 스텝 예측하고, 예측값을 기반으로 DO 설정값을 자동 추천하는 디지털 트윈 제어 파이프라인을 구축했습니다.
기술 스택 및 모델 구조
25종 이상의 모델을 실험한 끝에 XGBoost v2와 LSTM v6의 앙상블을 최종 모델로 채택했습니다. 호기/혐기 상(Phase)을 구분하는 전처리(pchip 보간)와 37개 피처 엔지니어링(phase 지표, DO delta/rolling, 시간 인코딩 등)이 성능의 핵심입니다. 각 예측 시점(H1~H3)마다 XGBoost와 LSTM에 서로 다른 가중치를 부여하는 per-horizon 앙상블 전략을 적용했습니다.
디지털 트윈 제어 시스템
CUSUM 이상 탐지기가 N₂O 골든타임 진입(0.05~0.08 kg/h)을 감지하면, H1~H3 예측값 중 최악 시점을 기준으로 DO를 ±0.3 g/m³ 범위에서 7개 시나리오를 시뮬레이션합니다. 혐기 구간은 제어에서 자동 제외하며, 최적 DO 권고값을 출력합니다. 백테스팅 결과 호기 구간에서는 DO 0.30 g/m³ 하향이 주로 권고되어 에너지 절감과 N₂O 저감을 동시에 달성할 수 있음을 확인했습니다.
성능
최종 제출 모델(H1~H3, XGBoost v2 + LSTM v6 앙상블) Overall R² = 0.8972로, 초기 모델(0.8154) 대비 약 10% 향상을 달성했습니다. H1(+10분) R² = 0.9498, H2(+20분) R² = 0.8974, H3(+30분) R² = 0.8446.