1
AI 기반 수질사고 예측시스템 도입을 위한 데이터 체계 개선 연구
목차 5
요약문 12
1. 상수도 수질 영향인자 도출 및 사고 시나리오 15
 1.1 상수도 수질 영향인자 도출 및 사고 시나리오 부문 개요 15
  1.1.1 연구 필요성 15
  1.1.2 연구 목표 18
  1.1.3 연구내용 및 방법 18
 1.2 상수도 수질사고 예측·관리 현황 19
  1.2.1 상수도 수질사고 정의 19
  1.2.2 상수도 수질사고 예측·관리 현황 27
  1.2.3 AI 기반 상수도 수질사고 예측·관리 시스템 도입 필요성 40
 1.3 수질사고 사례 분석 및 예측대상 수질사고 선별 45
  1.3.1 수질사고 원인 분석 45
  1.3.2 예측대상 수질사고 유형과 수질사고 관리 개선방안 57
 1.4 수질사고 영향 인자 61
  1.4.1 취정수장 수질사고 영향 인자 61
  1.4.2 상수도시스템 수질사고 영향 인자 84
  1.4.3 수질사고 예측을 위한 영향인자 제안 96
 1.5 수질사고 진행과 영향인자와의 상관관계(시나리오) 112
  1.5.1 수질사고 주요 원인: 스케일의 형성 원인과 위치 113
  1.5.2 0단계: 상수도 기초환경 115
  1.5.3 1단계: 원인행위 발생 및 수리 변화 116
  1.5.4 2단계: 수질 이상 117
  1.5.5 3단계: 수질 사고 118
2. 데이터 현황 진단 121
 2.1 데이터 현황 진단 개요 121
  2.1.1 현황진단 필요성 121
  2.1.2 현황진단 목표 123
  2.1.3 진단 범위 124
  2.1.4 분야별 진단 방법 125
 2.2 상수도 관련 데이터 진단 방법 126
  2.2.1 내부시스템 데이터 126
  2.2.2 비시스템 자료 및 필요 화면정보 진단 방법 131
  2.2.3 수질영향인자 데이터 진단 방법 138
 2.3 데이터 현황 진단 결과 140
  2.3.1 내부시스템 데이터 현황 진단 결과 140
  2.3.2 상수도사업본부 비시스템 데이터와 필요 화면정보 진단 결과 140
  2.3.3 수질영향인자와 내부시스템 간 상관관계 153
 2.4 데이터 현황진단 부문 시사점 160
3. 오경보 판단 알고리즘 개발을 위한 데이터 개선방안 163
 3.1 오경보 판단 알고리즘 개발을 위한 데이터 개선방안 개요 163
  3.1.1 수질자동감시시스템 경보 체계 163
  3.1.2 문제점과 개선 필요성 165
 3.2 활용 데이터 167
  3.2.1 활용 데이터 개요 167
  3.2.2 수질자동감시시스템 데이터 167
  3.2.3 경보알람 기록데이터 169
 3.3 오경보 판단 알고리즘 구현을 위한 학습데이터셋 구축방안 172
  3.3.1 구축방안 개요 172
  3.3.2 학습데이터셋 구축 방법 및 프로세스 172
  3.3.3 학습데이터셋 구축 결과 예시 179
 3.4 오경보 판단 알고리즘 구현 및 실무 적용 위한 제언 182
4. 수질 예측·관리시스템 도입관련 종합 제언 185
 4.1 데이터 이슈와 목표 데이터 체계 위한 개선과제 185
 4.2 개선과제별 추진 방안 187
  4.2.1 전사적 상수도 데이터 아키텍처 재정립 187
  4.2.2 상수도사업본부 내 아날로그 정보의 디지털 정보 전환 추진 193
  4.2.3 상수도사업본부 특성을 고려한 데이터 거버넌스 수립 197
 4.3 선진 상수도 데이터 체계 구축을 위한 로드맵 및 조직 제언 203
참고문헌 205
표차례 179
 | 표 1-1 | 생산수 수질에 따른 급수정지 및 I, II급 상황 판단기준 51
 | 표 1-2 | 온라인 수질 모니터링 인자 62
 | 표 1-3 | 정수 공정 최적화를 위한 모니터링 인자 65
 | 표 1-4 | 오염물질 사고 발견을 위한 모니터링 인자 66
 | 표 1-5 | 장기간 수질 변동 파악을 위한 모니터링 인자 68
 | 표 1-6 | 국가수질자동측정망 지점별 감시항목 74
 | 표 1-7 | 수질감시경보 발령대상 및 발령주체 (물환경보전법시행령 제28조 제2항 관련 별표 2) 77
 | 표 1-8 | 단계별 경보발령기준(물환경보전법시행령 제28조 제3항 관련 별표 3) 78
 | 표 1-9 | 취정수장 수질사고 예측을 위한 모니터링 인자 비교 83
 | 표 1-10 | 수질사고 위험도 예측 모형의 수질사고 영향 인자 85
 | 표 1-11 | US EPA 상수도시스템 모니터링 핵심수질항목 93
 | 표 1-12 | US EPA 상수도시스템 모니터링 선택수질항목 94
 | 표 1-13 | 수질사고 예측을 위한 물리적 영향인자 비교·분석 98
 | 표 1-14 | 수질사고 예측을 위한 수리적 영향인자 비교·분석 99
 | 표 1-15 | 수질사고 예측을 위한 수질적 영향인자 비교·분석 100
 | 표 1-16 | 수질사고 예측을 위한 사회적 영향인자 비교·분석 103
 | 표 1-17 | 수질자동감시시스템 감시 및 공개항목 105
 | 표 1-18 | 실시간 모니터링 항목와 상수도시스템의 온전성 항목 관계 106
 | 표 1-19 | 사회적 영향인자와 수질 상관관계 108
 | 표 1-20 | 수처리공정을 고려한 필수 실시간 모니터링 항목 109
 | 표 1-21 | 취정수장 수질사고 예측을 위한 영향인자 110
 | 표 1-22 | 상수관망 내 수질사고 예측을 위한 영향인자 111
 | 표 1-23 | 물리적 영향 인자와 수질사고와의 상관관계 115
 | 표 1-24 | 수리적 영향 인자와 수질사고와의 상관관계 116
 | 표 1-25 | 수질적 영향인자와 수질사고와의 상관관계 117
 | 표 1-26 | 사회적 영향인자와 수질 상관관계 118
 | 표 2-1 | 진단 대상별 진단 방법 125
 | 표 2-2 | 진단 대상 5개 시스템 기본 정보 128
 | 표 2-3 | 비시스템 자료 보유 예상부서 및 주요 업무내용 113
 | 표 2-4 | 필요 화면정보 진단 대상 부서 및 주요 업무내용 114
 | 표 2-5 | 상수관망 내 수질사고 예측을 위한 영향인자(1장 도출) 138
 | 표 2-6 | 인터뷰 대상과 일정 141
 | 표 2-7 | 사업소의 공급계통 주요 업무활동 145
 | 표 2-8 | 상수도사업본부 5개 시스템의 관리조직 현황 150
 | 표 2-9 | 시스템별 데이터 관리 도구 보유 현황 152
 | 표 2-10 | 29개 영향인자와 5개 내부시스템 DB 상관관계 현황 진단표 153
 | 표 2-11 | 상수도 관망 공급계통 수질사고 영향인자(29개) 155
 | 표 2-12 | 29개 영향인자와 내부시스템 DB 스키마 매핑 내역 157
 | 표 2-13 | 수질자동감시시스템의 수질측정 관련 테이블(예시) 158
 | 표 2-14 | 비매핑 영향인자의 외부데이터 확보 방법 160
 | 표 3-1 | 수질자동감시시스템 측정항목 현황(전체 중 일부, 36종) 168
 | 표 3-2 | 경보알람 원천데이터 관리체계에 의한 경보성격 및 발생원인 분류표 170
 | 표 3-3 | 결과변수 레이블링을 위한 체계(원인코드 재분류) 176
 | 표 3-4 | 학습데이터셋 컬럼 정의 180
그림차례 10
 | 그림 1-1 | 인공지능 기반 수질관리시스템 구축 예시 16
 | 그림 1-2 | 수질사고 상황판단 기준(서울시 상수도사업본부) 22
 | 그림 1-3 | 수질 모니터링 데이터의 분류: 기저값, 이벤트, 아웃라이어 24
 | 그림 1-4 | CANARY 수질오염 감지 알고리즘 프로세스 29
 | 그림 1-5 | US EPA SRS 구조 32
 | 그림 1-6 | 스마트 상수도 관리체계 예시 36
 | 그림 1-7 | 스마트워터시티 사업개요 및 현황 38
 | 그림 1-8 | 원수 오염에 따른 수질사고 방제 흐름도 49
 | 그림 1-9 | 국가수질자동측정망 운영 현황 72
 | 그림 1-10 | 수질오염방제정보시스템 운영 현황 79
 | 그림 1-11 | 미국 지질조사국 국가수자원정보시스템 80
 | 그림 1-12 | 좌)국제라인강보호위원회 모니터링 현황, 우)국제엘베강보호위원회 모니터링 현황 82
 | 그림 1-13 | 수질사고 잠재성의 증상과 영향 인자 87
 | 그림 1-14 | 상수도시스템의 신뢰성 평가 인자 88
 | 그림 1-15 | 수질사고 위험도 산정 체계 91
 | 그림 1-16 | 수질 영향 인자 별 수질사고에의 상대적 영향 96
 | 그림 1-17 | 수질사고 진행과 각 단계별 영향인자 112
 | 그림 2-1 | 데이터 현황진단 부문 목표와 기대효과 123
 | 그림 2-2 | 상수계통 기준 진단 대상 분포 현황 127
 | 그림 2-3 | 데이터 프로파일링 절차와 일정 128
 | 그림 2-4 | 프로파일링 기법 적용 설명 129
 | 그림 2-5 | 데이터 프로파일링 작업 환경 구성도 130
 | 그림 2-6 | 상수계통 중 송수-배수의 주요 업무 흐름 132
 | 그림 2-7 | 인터뷰 절차와 일정 135
 | 그림 2-8 | 인터뷰 절차와 일정 136
 | 그림 2-9 | 담당 업무활동의 기술 예시 - ‘1세대 노후 상수도관 정비’ 136
 | 그림 2-10 | 29개 영향인자 데이터 항목 확보 수행 방안 139
 | 그림 2-11 | 소블록과 행정동의 불일치 현상 예 143
 | 그림 2-12 | 상수도GIS와 현장 작업결과 입력 146
 | 그림 2-13 | 인위적 밸브조작에 의한 수질사고 가능성 예측 예시 146
 | 그림 2-14 | 누수 발생 시 조절 필요 밸브 예 148
 | 그림 2-15 | 상수도사업본부 내부 시스템의 구성 현황 149
 | 그림 3-1 | 수질자동감시시스템 경보발생시 처리 절차 164
 | 그림 3-2 | 수질자동감시시스템 원천데이터 예시 167
 | 그림 3-3 | 경보알람 기록 원천데이터 예시 169
 | 그림 3-4 | 데이터 정제 및 학습데이터셋 구축 프로세스(1~6단계) 172
 | 그림 3-5 | 종데이터의 횡데이터화 예시 174
 | 그림 3-6 | 학습데이터셋 구축(단계 4~6 참고자료) 175
 | 그림 3-7 | 학습데이터셋 구축 결과(일부) 179
 | 그림 4-1 | 데이터 이슈 및 목표 데이터 체계 위한 개선과제 도출 186
 | 그림 4-2 | 데이터 아키텍처 프레임워크 187
 | 그림 4-3 | 서울시 상수도사업본부의 데이터 구성 현황 188
 | 그림 4-4 | 개념 데이터 모델(예시) : 데이터 주제영역 ‘물 분야’ 189
 | 그림 4-5 | 개념 데이터 모델(예시) : 데이터 주제영역 ‘물 분야’ 191
 | 그림 4-6 | 상수도 논리 데이터 모델(예시) 191
 | 그림 4-7 | BPR 기반의 상수계통 잠재적 데이터 요소 식별 예 194
 | 그림 4-8 | 코드 표준화로 단순한 모바일앱 화면 구성 195
 | 그림 4-9 | 상수도 아날로그 정보의 디지털 전환을 위한 RPA 도입 효과 예 196
 | 그림 4-10 | 데이터 관리체계 구성 요소 197
 | 그림 4-11 | 상수도사업본부의 데이터 아키텍처 측면 마스터 데이터 관리 200
 | 그림 4-12 | 데이터 분야의 예산 집행과 통제 201
 | 그림 4-13 | 상수도 데이터 거버넌스의 의사소통 채널 구조 예 202
 | 그림 4-14 | 상수도사업본부 데이터 관리를 위한 중장기 로드맵 예 203