1. 서 론
District metered areas (DMAs)는 상수도관망의 구역화를 나타내는 대표적인 용어로, 누수 관리 목적을 위해 하나 이상의 유량계에 의해 해당 지역의 수요를 모니터링 할 수 있는 제수밸브에 의해 영구적으로 고립 및 차단되는 구역으로 정의된다(Srinivasan et al., 2021; Diao et al., 2013; Trojan and Morais, 2015).
DMAs는 구역의 수압관리를 통한 누수 저감, 관 파손(burst)이나 누수(leakage)인지 가능성 증대, 그리고 비상시 구역별 관리 가능 등의 장점으로 대부분의 상수관망시스템에서 적용되고 있다. DMAs의 분할과 설계와 관련된 연구는 전 세계적으로 매우 활발히 이루어지고 있으며, 대부분 연구는 네트워크의 연결성과 수리학적 적절성을 고려하여 유사한 절점을 그룹으로 구분하는 절차로 진행되었다(Bui et al., 2020). DMAs의 설계에 있어 중점적인 지표로 활용되는 인자는 절점의 수요, 수압과 관로의 유속과 같은 수리학적 인자의 안정성 또는 유사성(Wright et al., 2015; Pesantez et al., 2019; Giudicianni et al., 2020; Pesantez et al., 2020; Bui et al., 2022), 물공급네트워크 및 대상 구역의 구조적 연결성과 유사성(Perelman et al., 2015; Ciaponi et al., 2016), 그리고 수질(Water age)인자의 추가적 고려 등으로 구분할 수 있다. 최근의 연구에서는 비정상적인 사고 등에도 안정적 운영관리가 가능한 동적 DMAs (Dynamic DMAs) 분할과 관련된 연구가 활발히 이루어지고 있으며, 대부분의 해당 연구에서는 수리학적 지표(압력 균등화, 누수저감률 등) 향상하는 것을 목적으로 하고 있다.
DMAs는 일반적으로 수량 및 수압의 안정적 관리를 1차적 목표로 하고 있어, 수령(Water age) 감소, 잔류염소(Residual chlorine) 적정관리, 그리고 수질 민원의 저감 등과 같은 수질적 인자의 직접적 효과 달성을 위한 방법론으로는 제한적이라 할 수 있다. 수압, 유량 등의 수리학적 인자가 수령, 잔류염소, 관로 노후도 등과 직접적으로 비례하지 않기 때문이다. 또한, Dias et al. (2017)은 DMAs가 구축된 지역의 수질적 인자의 전후 변화를 모니터링한 결과, 전반적인 수질의 양상은 변화하지 않았지만 형성된 말단 구역(dead ends)과 DMAs의 외부경계 지역의 수질적 인자의 기능(염소 잔류물, 탁도 및 금속)은 저하되었음을 보고하였다.
이와 같은 관점에서 수질적 감시 구역(Quality zones)을 새롭게 제안하는 연구도 최근의 일부 연구에서 수행되고 있다. Mandel et al. (2021)은 수원의 특성에 따른 전기전도도의 상하류 간 전파 관계를 활용하여, 다수의 지점에서 전기전도도를 계측하고, 전기전도도의 유사성을 고려한 군집화 결과를 제시하는 수질관리구역의 구분방안을 제시하였다. Kim et al. (2022)은 MOE (2019)가 제시한 상수도 관망 중점관리지역(Priority control district metered area, PCDMA)의 정성적 기준을 정량지표로 구축하고 그 결과를 점수화하여 제시한 바 있다. Kim et al. (2022)의 연구는 전문가 설문조사에 기반한 인자별 가중치를 활용하였다는 점에서 한계점이 있다.
이와 같은 연구는 수질관리 중심의 새로운 구역화를 통한 새로운 관리 패러다임을 제시할 수 있다는 장점이 있지만, 기존 DMAs 등의 구분과 또 관리시스템의 구축이 필요하다는 제한점이 존재한다. 결국, 기존 DMAs에 의한 관리 및 평가는 일반적으로 수량 및 수압의 안정적 관리를 1차적 목표로 하고 있어, 수령(Water Age) 감소, 잔류염소(Residual chlorine) 적정관리, 그리고 수질 민원의 저감 등과 같은 수질적 인자의 직접적 효과 달성을 위한 방법론으로는 제한적이라 할 수 있다.
MOE (2019)는 수질오염이 발생하거나 발생할 우려가 있는 지역을 상수도관망 중점관리지역으로 지정하여 관리하도록 법제화하였다. 다만, 수도법에서 제시하고 있는 상수도관망 중점관리지역의 지정 기준은 1) 수질사고 및 수질 민원이 반복적으로 발생하거나 발생할 우려가 있는지에 대한 여부, 2) 상수도관망의 노후 정도, 3) 수질사고가 발생할 경우 큰 피해가 발생할 우려가 있는지에 대한 여부, 4) 수질기준 위반의 우려가 있는지에 대한 여부의 4가지 기준으로 제시하고 있으나, 명확한 지정 방법이 부재하여 수도사업자의 자체적인 판단에 따라 상수도관망 중점관리지역이 지정되고 있다.
본 연구에서는 수질 관리 측면에서의 상수도관망 중점관리지역을 평가, 지정하기 위한 군집화 기반의 방법론을 추가적인 계측기의 설치 없이 기존의 상수도관망에서 수집할 수 있는 온⋅오프라인 데이터(민원, 계측, 이력 자료 등)를 기반으로 제시하고자 하였다. 이를 위하여 기존 연구에서 제안된 바 있는 상수도관망 중점관리지역의 4가지 지정 기준에 대하여 평가할 수 있는 지표들을 적용하고, 머신러닝 기법의 하나인 다양한 군집분석 기법을 활용한 상수관망 중점관리지역을 선정하였다. 도출된 기법별 상수도관망 중점관리지역 지정 우선순위를 지리정보시스템(Geographic information system, GIS)을 활용하여 그 결과를 맵핑(Mapping)하여 제시하였다. 그리고 다양한 군집분석 기법의 적용을 통한 결과를 서로 비교⋅평가하고, 기존 제안된 계층화 분석법(Analytic hierarchy process, AHP)에 의한 가중치 기반의 점수평가 결과(Kim et al., 2022) 및 실제 적용지역의 수질 중점관리지역과의 공통점 및 차이점에 대해 분석하여 제시하였다. 본 연구에서 제시하는 군집화 기반의 상수도관망 중점관리지역 지정 방법론은 수도사업자가 상수도 수질 및 수량 사고의 사전 예방을 위한 계측기 설치 등 중점사업 선정 등에 활용될 수 있을 것으로 판단된다.
2. 방법론
2.1 수질중점관리구역 산정을 위한 자료 구축
수질중점관리지역 선정을 위한 군집분석을 위한 인자의 선택은 Kim et al. (2022)이 제시한 방법론 중 인자별 점수 산출법을 활용하였다. Kim et al. (2022)의 연구에서는 인자별 점수에 쌍대비교 기반의 가중치 산정기법인 AHP 기법을 활용한 바 있다.
본 연구에서는 Table 1과 같은 지리정보시스템 자료와 Kim et al. (2022)에서 제안된 11개 지표를 적용하여 군집분석을 시행하였다. 11개의 지표는 수질사고 및 수질 민원이 반복적으로 발생하거나 발생할 우려가 있는지에 대한 여부 관련 3개 지표, 상수도관망의 노후 정도 관련 4개 지표, 수질사고가 발생할 경우 큰 피해가 발생할 우려가 있는지에 대한 여부 관련 2개 지표, 그리고 수질기준 위반의 우려가 있는지에 대한 여부 관련 2개 지표로 세분된다. 총 11개의 세부 지표별 인자를 최소-최대 정규화(Minmax nomalization) 방법을 사용하여 0~1점 사이의 값으로 정규화하고, 합산된 4개 대분류 지표의 점수를 활용하여 군집분석의 입력자료로 활용하였다.
Table 1
GIS Data Used in the Study
인자별 점수를 산정하기 위해 물공급시스템과 지역 관련 지리정보시스템(GIS)자료를 활용하였다. Geocoder-Xr 프로그램을 이용하여 메타데이터 내의 거주자 주소나 신고자 위치를 좌표화 하여 기입하는 방법을 사용하였으며, 사고 및 민원 발생 위치나 민감 시설의 위치를 GIS 지도상에 병합시키는 형태로 동별 데이터를 구축하였다.
본 연구에 적용된 A 시의 경우 건물이나 블록 단위의 GIS 자료, 누수 사고나 민원 등의 발생에 대한 자료가 GIS 데이터를 체계적으로 관리하고 있어 매우 정확하게 기록되어 있었다. 다른 지자체의 메타데이터와 다르게 GIS에 민원이나 경년관, 수질측정 등에 대한 추가적인 GIS 파일 병합이 추가로 필요하지 않았다. 다만 병원과 학교 등의 민감 시설은 기존 건물 GIS 데이터에 공통되는 건물을 ‘건축물 생애 이력 관리시스템’에서 찾아 추가로 민감 시설로서의 자료를 입력하여 사용하였다. 네 번째 인자로 활용되는 수질 기준 위반의 우려가 있는지에 대한 여부 관련 지표는 지자체로부터 데이터를 명확히 확인하지 못해, K-water의 수돗물 안심 확인제 결과를 우선으로 적용하여 사용하였다.
2.2 군집분석 방법론
본 연구에서는 A시 상수도시스템의 수질 피해와 관련된 인자들을 점수화하여 비 지도학습 기법인 군집화 기법을 이용하여 N개의 군집으로 분류하였다. 또 이에 따라 나누어진 군집 유형별 특성을 비교, 분석하고 실제 선정된 A시 수질중점관리지역과 앞서 진행된 다른 연구에서 제시한 수질중점관리지역 선정안의 결과를 비교하였다.
군집분석은 머신러닝 분야에서 활용되는 통계분석 중 한 가지로 통계학에서의 다변량 분석의 한 종류로 볼 수 있다. 군집분석은 사용되는 데이터의 유사성을 기반으로 다수의 군집으로 나누고 군집 간의 차이 및 특성을 분석하는 것을 목적으로 한다. 따라서 다양한 군집기법을 적용하여 군집기법 간의 차이점을 확인하고 가장 적합한 위험도 분류 방안을 찾고자 하였다.
군집분석은 크게 계층적 군집화와 분할적 군집화로 나눌 수 있다. 계층적 군집화란 1개의 군집이 점차 하위군집을 만들어나가는 병합과 분리 방법을 이용한 방법이며, 분할적 군집은 서로 계층관계가 없는 다수 군집을 형성하는 방법으로 중심기반(K-means), 밀도기반(DBSCAN 등), 확률기반(퍼지 군집), 분포기반, 그래프기반 분할군집 기법이 존재한다. 이 중 본 연구에서는 Table 3과 같이 계층적 군집기법과, 분할적 군집기법 중 중심기반 군집기법, 밀도기반 군집기법, 분포기반 군집기법 총 4가지 군집분석 기법을 활용하여 A시의 수질 및 누수피해에 대한 데이터를 군집분석 하여 그 결과를 분석하였다.
Table 2
Detailed Selection of Factors for Clustering (Kim et al., 2022)
Table 3
Applied Cluster Analysis Techniques
3. 적용 및 결과
본 연구에서 4가지 군집분석 방법론을 적용한 국내 A시의 현황은 Fig. 1과 같다. A시는 전체 481개의 소블록으로 나누어져 있으며 2022년 1월 3개 소블록이 상수도관망 중점관리지역으로 지정되어있다. 그 사유는 각 노후관 교체, 세관 및 세척 관리 지역으로 표기되어있다. 본 연구에서 사용 한 데이터 중 4가지 인자를 산정하기 위한 인자는 계량기(357,232대), 상수관로, 민원(수질민원 1,624건)이다. 인자 산정을 위한 민간지역은 의료시설 416개소, 교육시설 722개소로 분류되었다.
3.1 군집분석별 인자 상관분석
정리된 데이터 파일을 Python을 기반으로 한 군집분석 코드를 활용하여 군집분석을 시행하였다. 적용성 확보를 위하여 각 군집기법에 맞는 군집조건(하이퍼 파라미터)을 다양하게 설정하여 적용하였다. 군집기법의 직접적 적용 이전에 입력인자 간 인자 상관도를 작성하여 각 인자별 군집 특성과 영향인자 중 결과에 큰 영향을 미치는 인자 특징을 확인하였다. Fig. 2는 입력인자의 분포와 K-means 군집분석 등급에 의한 결과를 중첩하여 표현한 것이다.
우선 각 인자의 점수 분포를 우선 확인해볼 때 1번 인자의 대부분이 0~0.1 사이에 분포되는 것을 확인할 수 있다. 또한 4번 인자를 확인하면 인자 데이터가 3개 데이터를 제외하고는 모두 0에 있는 것을 확인할 수 있다. 이와는 다르게 2번 인자의 경우 점수가 상대적으로 고르게 분포함을 확인할 수 있다. 따라서 본 연구에서 적용한 A시의 결과 데이터는 총 4개의 인자 중 2개의 경우 다소 편중된 경향을 보이고, 2번째 인자의 값에 따라 군집의 결과가 달라질 수 있음을 기대할 수 있다.
3.2 군집분석 결과
국내 A시의 481개 소블럭을 대상으로 11개 데이터를 4개 인자로 점수화하여 군집분석을 시행한 결과는 Fig. 3 및 Table 4와 같다. 군집 개수의 지정이 불가한 DBSCAN 군집분석을 제외하고, 각 군집분석 기법별 4-5개의 군집으로 분류되도록 군집분석을 시행하였다.
Table 4
Results of Selection of Water Supply Pipe Network Priority Management Areas by Methodology
| Methods | K-means clustering | Hierarchical clustering | DBSCAN | Gausian mixture model | AHP based method (Kim et al., 2022) |
|---|---|---|---|---|---|
| Priority management areas | A001 | A001, A002, A003, A006 | A001, A002, A003, A006 | A001, A002, A003, A006 | A001, A002, A003, A004, A005 |
Fig. 3(a)의 K-means 군집분석 결과를 살펴보면 최상위 점수의 블록인 A001이 유일한 A군집으로 분류되었으며, 대체로 상위 군집인 나머지 B군집이 이후 상위권 블록에 많이 군집되었다. 이는 A군집은 A001의 인자 특성상 1번 인자의 점수가 지나치게 차이가 나기에 1개 블록이 분류된 것으로 확인하였다.
계층적 군집분석 기법은 각 데이터 중 일부를 뽑아 특정 방법의 거리 기준의 데이터들끼리 병합하며 최종 1개 군집이 남을 때까지 군집을 진행하는 병합군집과, 그 반대인 분할군집으로 나누어진다. 본 연구에서는 병합군집 기법을 사용하여 군집분석을 진행하였다.
데이터 간 군집거리 수식 중 평균적으로 많이 사용되는 최단거리법을 활용하였다. 최단거리법의 결과는 A001, A002, A003, A006번을 제외한 블록을 D군집으로 분류하였고 D군집의 블록들은 정상 군집으로 판단하였다. A001은 데이터를 확인하였을 때 인자1의 결과가 3으로 가장 높았기에 A군집으로 분류되었다.
A002는 인자 4의 결과값을 가진 블록 중 3번 인자의 수치가 높은 블록임을 확인하였다. A003과 A006은 인자 4의 결과를 지니며, 인자3의 결과값이 평균값과 유사한 블록임을 확인하였다.
최단거리법 군집 결과의 인자별 상관도를 확인하면, 인자 1, 인자 3, 인자 4의 결과에 대한 영향을 크게 받는 것을 확인하였다. 인자1은 A군집, 인자4는 B, C군집에 그중 인자 3을 통해 B와 C 군집이 분류되었다.
군집 결과는 적용한 가정과 유사하게 특정 점수들이 높은 상위 블록에 대하여 군집을 통한 분류에 성공하였다. 따라서 최단거리법을 사용한 방법론에서는 A, B, C군집인 A001, A002, A003, A006을 상수도관망 중점관리지역으로 선정하였다.
DBSCAN 군집분석결과는 이상치로 인한 군집의 특성이 뚜렷하게 나타났다. 본 연구에서 활용된 자료 중 3번 인자와 4번 인자 값의 분포는 편중되어 있어 데이터 간 거리가 매우 불특정하다. 4번 인자 대부분이 범위에 데이터 일부 인자들은 값이 0으로 고정되어있는 값들이 많이 존재하기에 DBSCAN 군집분석을 시행하면 대부분 이상치(Noise)로 분류되고 나머지는 0군집(1개 군집)으로 분류되는 등의 결과가 도출된다. DBSCAN은 K-means처럼 임의의 점으로 시작하나, 특정 범위 내에 N개(Minpts) 이상의 데이터가 존재하지 않으면 이상치로 판단하는 특징을 보인다. 이와 같은 과정으로 밀도기반 군집분석의 상수도관망 중점관리지역 선정은 A 군집 중 인자 2로 인하여 분류된 블록을 제외한 이상치 블록인 A001, A002, A003, A006으로 선정하였다.
분포기반 군집분석의 양상은 인자 1과 인자 3에 대한 점수에서 군집에 대한 분류가 뚜렷하게 이루어짐을 확인하였다. 또한, 인자2와 인자3의 결과에서, 각 인자별 점수에 따른 군집양상이 뚜렷히 나타나지 않는 것을 보아, 분포기반 군집분석에서는 인자 2의 결과는 큰 영향을 주지 못하였다는 것을 확인하였다. 이것은 2번 인자에서의 군집별 분포도가 큰 차이를 보이지 못하여 섞이는 것을 말한다. 분포기반 군집분석에서의 중점관리지역은 인자 1의 결과에 의한 A001 블록(A군집)과 인자 4의 결과로 인한 A002, A003, A006블록(A군집)을 선정하였다.
본 연구에서는 4가지 군집분석 기법을 통해 얻어낸 결과와 Kim et al. (2022)에서 제시한 쌍대비교 기반의 AHP 가중치 적용을 통해 최종적으로 선정된 상수도관망 중점관리지역을 Fig. 4 및 Table 4와 같이 비교하여 제시하였다. Kim et al. (2022)이 제시한 중점관리지역은 최종 점수를 기준으로 상위 5개 블록인 A001, A002, A003, A004, A005이다. K-means 군집기법 외 3가지의 군집기법에 따른 중점관리구역은 A001, A002, A003, A006 블록으로 대부분의 블록이 AHP기법 기반의 결과와 유사한 구역으로 결정된 것을 확인할 수 있다. K-means 군집기법의 경우 A001 블록만이 포함된 중요구역으로 구분되는 차이점이 나타났다.
다만 본 연구 결과는 상위 5개소 중 A004블럭은 제외되었으며, A006 블록이 포함되는 다른 도출결과를 나타내었다. 해당 블록 특성은 A002, A003, A006번 블록만 0이 아닌 값을 지니고 있는데, 그 결과로 군집분석을 시행하였을 때, K-means를 제외한 군집분석 기법이 A006 군집을 상위 군집과 1개 군집으로 분류된 것을 확인하였다.
모든 방법에 따른 결과 차이는 적용된 가중치 및 군집화에 활용된 방법론의 매개변수 등에 있어 발현될 수 있으나, 공통적인 결과로 도출된 우선순위지역은 중요지점으로 관리될 수 있으므로, 모든 방법론 또한 모두 활용이 가능할 것으로 판단된다. 본 연구에서 비교된 군집화 기반의 상수도관망 중점관리지역 지정 방법론은 수도사업자가 상수도 수질 및 수량 사고의 사전 예방을 위한 계측기 설치 등 중점사업 선정 등에 활용될 수 있을 것으로 판단된다.
4. 결 론
본 연구에서는 국내 A시의 수질 관련 GIS 데이터를 이용한 군집분석을 통하여 수질 기반의 상수도관망 중점관리지역 선정 방법론을 제시하였다. 본 연구는 기존에 이루어진 수량, 수압 기반구역분할이 아닌 수질기반 상수관망 중점관리지역 선정 방법론을 객관적 지표를 사용하여 선정하였다는 점에서 의의가 있다고 판단된다. 적용 결과 본 연구 이전에 연구되었던 다른 연구 결과와 유사한 결과를 도출하였다. 기존 선행연구방법론인 AHP기법의 경우 전문가 설문조사에 의한 가중치의 변동가능성과 불확실성이 있다는 점에서 한계점이 있을수 있으나, 본 연구에서 적용된 군집화 방법은 세부 인자별 객관적 수치값을 그대로 반영한 유사도 기반의 결과를 도출하였다는 점에서 장점이 있다고 판단된다. 즉, 머신러닝 기법을 활용함으로써 데이터에 기반한 객관적인 지표를 이용한 방법론을 제시함에 따라 주관적 의견이 들어가지 않은 것에 의미가 있다. 본 연구는 차후 수질 기반의 상수도관망 중점관리지역 선정을 위한 방법론 개발 및 의사결정에 활용이 가능할 것으로 판단된다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
