프로젝트 개요

영농형 태양광 관제 End-to-End MLOps 플랫폼입니다. 실시간 센서 데이터 처리, 시계열 예측, 자동화된 패널 최적화를 통합하여 작물 생장을 극대화하면서 태양 에너지 자원을 효율적으로 관리합니다.

주요 기능

• 시계열 예측: Transformer 모델을 활용한 기온 및 일사량 예측
• 작물 생장 예측: 다중 모델 앙상블 (LightGBM, LSTM, Transformer) 기반 수확량 추정
• 태양광 패널 틸트 최적화: GDD(적산온도) 기반 자동 틸트 각도 제어
• MLOps 파이프라인: 자동화된 학습, 하이퍼파라미터 튜닝, 모델 배포
• 실시간 모니터링: 예측 결과 및 시스템 상태 대시보드

시스템 아키텍처

┌─────────────────────────────────────────────────────────────────────┐
│                         Docker Compose                              │
├─────────────┬─────────────┬─────────────┬─────────────┬─────────────┤
│   Airflow   │  ML Worker  │   MLflow    │    admin    │  sensor-db  │
│   (DAGs)    │  (GPU/CUDA) │  (Tracking) │ (Dashboard) │ (PostgreSQL)│
├─────────────┴─────────────┴─────────────┴─────────────┴─────────────┤
│                        공유 볼륨                                     │
│              /opt/src (코드) | /opt/data (아티팩트)                   │
└─────────────────────────────────────────────────────────────────────┘

컴포넌트 구성

컴포넌트	설명	기술 스택
Airflow	ML 파이프라인 워크플로우 오케스트레이션	Apache Airflow, PostgreSQL
ML Worker	GPU 기반 모델 학습 및 추론 컨테이너	PyTorch, CUDA 12.4, Python
MLflow	실험 추적 및 모델 레지스트리	MLflow, PostgreSQL
admin	관리자 대시보드 및 API 엔드포인트	Flask, Redis
sensor-db	시계열 센서 데이터 저장소	PostgreSQL, TimescaleDB

ML 모델

1. 기온 예측 (src/AirTemperature/)

설비 하부 환경 기온 예측을 위한 Transformer 기반 시계열 예측 모델

• 모델: Positional Encoding이 적용된 커스텀 Transformer
• 입력 피처: 외부 기상 데이터, 내부 센서 측정값
• 예측 범위: 24시간 선행 예측

2. 일사량 예측 (src/PvGen/)

일사계 기반 태양 복사량 예측 모델

• 모델: Attention 메커니즘이 적용된 Transformer 인코더
• 입력 피처: 기상 예보, 과거 일사량 패턴
• 활용: 태양광 패널 효율 최적화

3. 작물 생장 예측 (src/crop/)

작물 생육 단계 예측을 위한 다중 모델 앙상블

• 모델: LightGBM, LSTM, Transformer
• 입력 피처: 온도, 습도, 토양 수분, 광도
• 출력: 생육 단계 분류 및 수확량 추정

4. 태양광 패널 틸트 제어 (src/tilt/)

GDD 기반 지능형 틸트 각도 최적화 시스템

• 알고리즘: 작물 열 요구량을 위한 적산온도(GDD) 계산
• 운영 모드: 작물 우선 / 에너지 우선 / 균형 모드
• 연동: 모터 제어를 위한 PLC 명령 인터페이스

데이터 흐름

외부 센서 → sensor-db → Airflow DAG 트리거
                              ↓
                      ML Worker 실행
                              ↓
                MLflow 로깅 ← 학습/추론
                              ↓
                          admin API
                              ↓
                    대시보드 / PLC 제어

기술 스택

• 오케스트레이션: Apache Airflow 2.x
• ML 프레임워크: PyTorch 2.x, LightGBM
• 실험 추적: MLflow
• 컨테이너화: Docker, Docker Compose
• GPU 지원: NVIDIA CUDA 12.4
• 데이터베이스: PostgreSQL
• API: Flask, Redis
• 언어: Python 3.10+

프로젝트 구조

root/
├── airflow/
│   ├── config/              # Airflow 설정
│   └── dags/                # DAG 정의
│       └── utils/           # 공통 DAG 유틸리티
├── mlflow/
│   └── config/              # MLflow 서버 설정
├── ml_worker/               # GPU 워커 컨테이너
├── admin/              # 관리자 대시보드
├── sensor-db/               # 데이터베이스
├── src/
│   ├── AirTemperature/      # 기온 예측 모듈
│   ├── PvGen/               # 일사량 예측 모듈
│   ├── crop/                # 작물 생장 예측 모듈
│   └── tilt/                # 틸트 최적화 모듈
│       ├── calculators/     # 핵심 계산 로직
│       ├── handlers/        # API 및 데이터 핸들러
│       ├── models/          # 데이터 모델
│       ├── scripts/         # 실행 스크립트
│       └── utils/           # 유틸리티 함수
└── docker-compose.yaml      # 서비스 오케스트레이션

시작하기

사전 요구사항

• Docker & Docker Compose
• NVIDIA GPU 및 CUDA 지원 (선택사항, GPU 가속용)
• 16GB 이상 RAM 권장

빠른 시작

# 모든 서비스 시작
docker-compose up -d

# UI 접속
# Airflow: http://localhost:8008
# MLflow: http://localhost:5000
# 대시보드: http://localhost:5001

개발 특징

• 모듈식 설계: 각 ML 모듈을 독립적으로 배포 가능
• 설정 기반: YAML 기반 설정으로 쉬운 커스터마이징
• 견고한 에러 처리: Graceful degradation 및 재시도 메커니즘
• 확장 가능한 아키텍처: 컨테이너 오케스트레이션을 통한 수평 확장 지원

라이선스

이 프로젝트는 포트폴리오 데모용입니다. 법적 문제가 생기지 않도록 최소한의 내용을 공개했습니다.

---