서 론
관련 연구 동향 및 목적
연구 방법 및 범위
연구 개요
대상 건물 및 시스템 개요
냉방 에너지 사용량 분석결과
예측 모델 작성 및 신뢰도 검증
PCC 분석을 통한 제어변수 선정
예측 모델의 신뢰도 검증
결 론
서 론
우리나라에서 건축물은 전체 에너지사용량의 약 21.8%를 차지하고 있으며(KEEI, 2024), 앞으로 더욱 증가할 것으로 전망되므로 이를 줄이기 위한 방법의 하나로 HVAC 시스템의 고효율화에 대한 연구가 다양하게 진행되고 있다. 또한, 지구온난화로 인한 기온의 상승에 따라 냉방 에너지사용량과 전력 피크도 증가하고 있어, 전력 수요의 평준화 및 감소를 위해 효율적인 냉방시스템의 적용과 운영이 필요하다. 냉방시스템의 성능은 건물 부하와 외기온도 등에 큰 영향을 받으나, 일반적으로 냉수 온도 및 유량, 풍량 등의 유체와 관련된 요소들은 대부분 고정된 채로 운영되고 있는 실정이다. 그러나 외기 조건과 실내의 설정 온도 및 습도별로 요구되는 냉온수, 냉각수, 급기온도 각각의 온도 및 유량의 최적 조건은 실시간으로 변동하므로 기존의 고정된 운전은 에너지 효율 저하로 이어진다(Lee and Cho, 2023). 아울러, HVAC 시스템을 구성하는 각 요소 기기의 성능 개선에 대한 연구는 제조사 레벨에서 자체적으로 활발히 이루어지고 있으나, 전체의 에너지사용량을 줄이기 위해서는 시스템의 최적 제어 관점에서의 접근 또한 필요하다(Yoon, 2011).
한편, 데이터센터는 정보통신서비스 제공을 위해 다수의 서버 등을 일정한 공간에 집적시켜 통합적으로 운영 및 관리하는 시설이며, 각종 디지털 플랫폼들의 활성화로 인해 수요가 꾸준히 증가할 것으로 전망된다. 해당 건물은 연중무휴로 운영되며 IT 장비의 안정성 유지 및 적절한 운영 환경 조성을 위해 시설에서 사용되는 대부분의 에너지는 냉방용으로 사용된다. 또한 데이터센터 건물의 단위 면적 당 냉방부하는 일반적인 사무실의 약 100배에 달하는 에너지를 소모한다(Cho, 2021). 따라서 막대한 에너지사용량을 줄이기 위해 Free cooling 운전을 적용하는 사이트가 증가하고 있는 추세이며, 이와 관련한 연구 또한 다수 진행되고 있다.
Free Cooling은 동계나 중간기 기간에 저온의 외기를 이용하여 실을 냉각하는 방식으로, 냉동기의 가동시간을 줄일 수 있어 에너지 절감에 효과적인 것으로 알려져 있다. 이 운전은 ASE (Air-side economizer, 외기냉방)와 WSE (Water-side economizer, 외기냉수냉방)로 나뉘는데, WSE 시스템은 외기를 직접적으로 도입하지 않고 냉수를 냉각한 후, 이를 이용하여 실을 간접적으로 냉각하므로 이물질의 유입이나 절대 습도 증가로부터 자유롭다. 또한 열용량이 큰 물을 이용하기 때문에 대규모 데이터센터의 냉각에 유리하다.
또한, WSE 시스템의 운전 모드는 냉동기의 가동 조건에 따라 3개로 나뉜다. 먼저 Full-free cooling은 동계 또는 기온이 낮은 중간기 일부에 주로 적용되며 냉동기를 운전하지 않고 저온의 외기만을 이용하여 실을 냉각하는 모드이다. 이는 저온의 냉각수와 AHU의 리턴 냉수간의 열교환으로 설정 온도에 해당하는 공급 냉수를 제조하는 방식으로, 냉동기에 소요되는 에너지는 발생하지 않는다. Partial-free cooling은 외기온도만으로 냉수의 온도를 낮출 수 없을 때 냉동기의 도움으로 설정온도의 냉수를 제조하는 운전 모드로, 냉동기의 부하를 감소시켜 에너지사용량을 줄일 수 있고 WSE 시스템의 가동 기간을 늘릴 수 있어 시스템의 효율 증가에 효과적이다. 마지막으로 Chiller cooling은 기존의 냉방시스템과 동일하게 냉동기만으로 냉수를 생산하여 실을 냉각하는 방식을 의미한다.
관련 연구 동향 및 목적
데이터센터의 에너지 절감에 관한 연구 중, Daraghmeh and Wang (2017)는 데이터센터의 급격한 수요 증가에 대비하는 효과적인 에너지 관리의 중요성을 역설하고 Free cooling 운전의 가능성을 제시하였다. Park et al. (2021)은 서버 냉각의 효율향상을 위해 인공지능 기술을 도입하여 즉각성, 자동성, 적응성이 더해진 제어기술의 개발 및 적용을 제시하였다. 이를 위해 인공신경망을 활용한 예측 기반의 냉수 유량 제어 알고리즘을 작성하고, 중앙 냉방식 컨테이너형 데이터센터에 적용하여 에너지 절감 성능을 검토하였다. Mi et al. (2023)은 WSE를 이용한 데이터센터의 에너지 성능을 평가하였다. Free cooling 사용 가능 시간을 연장하기 위해 냉각탑을 최적화하여 작동한 결과, 정격 유량의 67%로 작동할 때 WSE 운전 시간은 730시간에서 최대 1300시간까지 늘어나며 냉동기의 에너지사용량은 약 8~21%까지 감소되었다. 기존의 연구에서 데이터센터의 Free cooling 도입 및 냉난방 운전 알고리즘에 대한 내용은 다수 존재하나, 대부분 Free cooling에 의한 에너지사용량 절감효과(Yoon et al., 2014), 운전 기간의 확대 또는 각 요소 기기에 대한 제어에 초점을 두고 있다. 따라서 실시간으로 변화하는 외기 조건과 시스템 전체의 제어에 대한 연구 검토는 미진한 편이다.
한편, HVAC 시스템 제어에 대한 기존 연구에서는 Ahn and Mitchell (2001)이 제어 전략 작성을 위한 냉방시스템 제어변수별 최적 설정값 도출을 제안하였다. 이를 위해 제어변수인 공급 공기온도, 냉수 온도, 냉각수 온도와 비제어 변수인 부하, 외기 습구온도, 현열비간의 관계를 구성하고 에너지사용량 저감 효과를 검토하였다. 그리고 Lu et al. (2005)은 난방, 환기, HVAC의 최적화 방법을 제시하여 요소 기기의 관점에서 벗어나 시스템 전체의 에너지사용량을 절감시키기 위한 체계적인 방식의 최적화 방안을 제시하였다. Ma and Wang (2009)은 복잡한 건물 공조 시스템에서 에너지 효율을 높이기 위한 중앙냉방시스템의 최적 제어 방안을 제시하였다. 요소 기기를 기반으로 비선형 최적화 알고리즘을 작성하여 냉방 시스템 구성 요소 간의 전력 사용 관계를 파악하였으며, 시스템 기반의 최적 전략으로 냉방 플랜트의 총 전력 소비 관계를 확인하였다. 또한, Park and Ahn (2015)는 냉수, 냉각수, 급기온도를 제어변수로 선정하고 외기 건구 및 습구온도와의 영향을 분석하였다. 냉수 온도와 급기온도는 외기 건구온도에, 냉각수 온도는 외기 습구온도에 큰 영향을 받는 것으로 나타났으며, 최적 제어 알고리즘의 적용으로 기존 대비 약 6~16%의 에너지가 절감되는 것을 확인하였다. Kang et al. (2021)은 냉동기 기반의 HVAC 시스템을 대상으로 인공신경망 기반의 실시간 예측 제어 최적화 알고리즘을 개발하고, 이를 실제 건물에 적용한 후 실측을 통해 에너지 절감 효과를 확인하였다. 냉각수 및 냉수 출구 온도를 변수로 선정한 후, 설정값에 변화에 따른 에너지사용량을 검토하였다. 이와 같이 시스템 전체의 제어 분야에서는 최근 인공지능을 활용한 연구가 다수 진행되고 있으나, 데이터센터의 에너지 성능향상에 효율적으로 평가받고 있는 Free cooling 시스템의 운전 제어는 충분히 고려되지 않았다.
데이터센터의 에너지사용량 저감을 위해서는 WSE 제어의 최적화가 필요하며, 이를 위해 외기 및 다양한 운전 조건에서의 검토가 요구된다. 본 논문은 WSE 시스템의 최적 운전을 위한 제어 알고리즘 작성의 선행 단계로써, 제어변수별 조건에 따른 에너지사용량 예측 모델을 작성하는데 의의를 두었다.
연구 방법 및 범위
데이터센터의 에너지사용량 예측모델 작성을 위해 DesignBuilder로 대상 건물과 HVAC 시스템을 모델링하고, EnergyPlus로 에너지사용량을 산출하였다. 이후, PCC (Pearson Correlation Coefficient) 분석을 통하여 에너지사용량과 HVAC 시스템 구성 요소 기기들 간의 영향을 확인하고, 상관관계가 큰 인자들을 제어변수로 선정하였다. 그리고 상기의 변수들을 운전 범위 내에서 조합하여 에너지사용량을 도출한 뒤, Python의 다중출력모델을 활용하여 제어변수의 변화량에 따른 운전 조건에 대한 각각의 에너지사용량을 예측하는 모델을 작성하고 그 신뢰성을 확인하는 것으로 하였다.
본 연구에서는 예측 모델의 성능 검증 방법으로 CV (RMSE) (Coefficient of Variation of Root Mean Squared Error)와 NMBE (Normalized Mean Bias Error), MAPE (Mean Absolute Percentage Error), R-squared 등을 활용하였다. CV (RMSE)는 예측 오차의 표준편차가 실제 값들의 평균 대비 얼마나 큰지를 백분율로 나타낸 것이며, MAPE는 예측 오차를 백분율로 나타내는 것으로 값이 낮을수록 모델의 성능이 좋음을 의미한다. NMBE는 예측값과 실제 값 간의 평균 오차를 실제 값의 평균으로 나눈 값으로, 예측값이 실제 값에 비해 평균적으로 얼마나 편향되어 있는지를 백분율로 나타내며 0에 가까울수록 예측이 편향되지 않았음을 의미한다. R-squared (R2)는 모델이 실제 데이터를 얼마나 잘 설명하는지를 나타내는 수치로, 1에 가까울수록 모델의 설명력이 우수하다.
연구 개요
대상 건물 및 시스템 개요
대상 건물인 데이터센터는 보안상의 이유로 상세 정보의 취득이 용이하지 않아 Sun et al. (2021)에서 제시한 EnergyPlus Data Center Prototype 건물을 활용하였다. 해당 논문에서 제안하는 모델 중 대규모 데이터센터 조건의 전산실을 선정하였으며, 4개의 서버룸으로 구획하여 시뮬레이션을 진행하였다. 지역은 대한민국에서 데이터센터가 가장 다수 위치한 서울로 선정하였으며 건물의 연면적은 557.4 m2, 단위 면적당 발열량은 5,382 W/m2, 그 외 사항은 Table 1과 같다.
Table 1.
Outline of IDC building
데이터센터는 IT 장비 성능 확보를 위해 적절한 온열 환경의 유지가 필수적이다. 따라서 ASHRAE TC 9.9에서 제시한 데이터통신시설의 실내 환경 조건인 건구온도 18~27℃, 상대습도 60%에 맞춰 설정하였다(ASHRAE, 2019). 대상 시스템의 장비는 시설의 최대 냉방부하에 15%의 여유율을 반영하여 선정하였다. 냉동기의 용량은 1195.6 kW, 성적계수(COP, Coefficient Of Performance)는 6.5이며, 냉각탑의 용량은 1554.3 kW이다. 냉동기의 증발기 입구 및 출구 온도는 15℃, 10℃이며, 응축기는 28℃, 32℃이다. 그 외의 상세 사항은 Table 2와 같다.
Table 2.
Outline of HVAC system
본 논문에서는 Partial-free Cooling 운전 모드의 구현을 위해 WSE 전용 냉각탑을 추가하여 Condenser Loop로 구성하고, 열교환기와 냉동기의 변유량 제어를 통해 원활한 온도 제어가 가능하게끔 하였다. WSE와 냉동기와 연동된 각각의 냉각탑 사양은 동일하며 편의상 열교환기(WSE)와 연결된 냉각탑은 Cooling Tower 1 (CT 1), 냉동기의 냉각탑은 Cooling Tower 2 (CT 2)로 칭하기로 한다.
냉방 에너지 사용량 분석결과
Figure 1은 대상 시스템의 운전 현황을 나타낸 것이다. 정밀한 시뮬레이션 결과값 분석을 위해 4개의 서버룸 중 한 개 실의 현황을 살펴본 것으로 모든 실의 운전은 동일하다.
작성 예정인 예측 모델의 신뢰성을 확보하기 위해 현재 작성한 HVAC 모델의 합리적인 운전 여부의 확인이 필요하며, 이를 위해 실의 부하와 실내온도, 전체 및 냉동기의 에너지사용량, 냉각탑 출구 온도, 유량, CRAH의 운전 현황을 검토하였다. 실의 부하는 연간 780~790 kW, CRAH의 에너지사용량 또한 75 kW 전후로 꾸준히 발생하여 데이터센터의 운전 특성이 반영되어 있으며, 실의 온도는 설정값 26℃를 유지하고 있는 것으로 나타났다(a, b). 또한, 중간기의 일부와 동계 기간에 CT 1의 냉각수 유량이 증가하여 WSE 운전이 정상적으로 이루어지고 있음을 파악하였다(c). 이로 인해 동일 기간에는 냉동기와 시스템 전체의 에너지사용량이 줄어드는 결과로 나타나 HVAC 모델이 정상적으로 운전되고 있는 것으로 확인되었다(d).
예측 모델 작성 및 신뢰도 검증
PCC 분석을 통한 제어변수 선정
HVAC 시스템의 성능과 에너지사용량에 영향을 미치는 수많은 인자들을 모두 고려하여 예측모델을 작성하는 것은 적합하지 않으므로, 선행연구에서 공통적으로 언급되는 제어변수들을 활용하는 동시에 본 논문의 대상 HVAC 시스템을 반영하여 범위를 한정하였다. 따라서 AHU의 공급 공기온도, 냉수 공급 및 환수온도, CT 1 냉각수 공급 및 환수온도, CT 2의 냉각수 공급 및 환수온도, 실내 및 외기온도의 9개 항목에 대해 검토하는 것으로 하였다.
이후, 상기 요소들이 실의 설정 온도를 유지하며 정상적으로 운영될 때의 데이터를 이용하여 에너지사용량과 변수 간의 PCC 분석을 진행하였다. 신뢰성을 확보하기 위해 연간 계산 결과를 포함하여 하계, 동계, 중간기의 에너지사용량과 변수들 간의 상호 영향도 검토하였다. Table 3은 각 변수들의 연간 및 기간별 상관관계를 정리한 것이다.
Table 3.
The result of Pearson correlation coefficient analysis
그러나 실내온도는 26℃로 고정되고 외기온도는 제어가 불가능한 비제어 인자로 분류되므로 제어변수로의 선정이 불가하다. 상기의 2 항목과 AHU 공급 공기온도를 제외한 모든 인자들의 상관계수는 0.4 이상으로 나타났으며, PCC 분석에서 0.4 이상의 값은 ‘어느 정도’ 의 상관관계가 있는 것으로 간주되므로 나머지 변수들을 이용하여 시스템을 제어할 경우 예측 모델의 작성에 활용될 수 있을 것으로 판단하였다(Yeon et al., 2023).
본 연구에서는 Table 3의 결과와 선행 연구들을 참고하여 냉수 공급온도, CT 2 의 냉각수 공급(냉동기의 냉각수 inlet)온도의 2개 인자를 제어변수로 최종 선정하였다. 냉수와 CT 1, 2의 냉각수 공급 및 환수온도는 모두 에너지사용량과 상관관계가 큰 것으로 파악되었으나, 공급온도가 환수온도에 비해 상대적으로 값이 높으며, 둘 다 변수로 선정하는 것은 의미가 없다고 판단하였다.
제어변수들의 운전 범위는 문헌 조사를 토대로 냉수 공급 온도는 6~12℃, 냉각수 공급온도는 24~32℃로 설정하였다(Hong et al., 2020). 예측 모델의 작성을 위해 각 온도를 2℃ 간격으로 변경하여 총 20개의 냉수 및 냉각수 온도의 조합으로 에너지사용량을 산출하였으며, 이를 이용하여 예측 모델을 작성하였다. 에너지사용량은 1시간 단위로 1년간 도출하였으며, 냉수 및 냉각수 온도를 제외한 부분은 동일한 값을 적용하였다.
예측 모델의 신뢰도 검증
상기에서 설정한 20개의 냉수-냉각수 온도 조합의 1년 8,760시간 데이터를 바탕으로 Python의 다중출력모델에서 RNN 기반 LSTM 모델을 이용하여 학습을 실시하여 성능을 검토하였다. 총 계산횟수는 175,200개이다.
Figure 2는 예측 모델의 에너지사용량과 제어변수가 고정된 시뮬레이션 모델의 계산값의 비교를 나타낸 것이다. 가독성을 위해 총계산횟수를 5n으로 나눈 35,040개에 대해 표현하였다. 그림에서 X축은 데이터 포인트의 인덱스로 테스트 데이터셋의 개별 샘플 개수를, Y축은 에너지사용량을 의미한다. 여기서 모델이 예측한 값과 제어변수가 고정된 모델의 계산값이 거의 비슷한 형태를 띄고 있음을 확인하였다.
Table 4는 예측 모델의 성능 검증 결과의 평균값을 나타낸 것으로 CV (RMSE)는 2.19%, NMBE 0.024%, MAPE 0.72%, 마지막으로 교차 검증을 통한 R2의 값은 0.885로 확인되었다. ASHRAE Guideline 14 (2022)에서 CV (RMSE)의 값이 20% 미만일 때 신뢰성을 지닌 것으로 판단하는 것으로 미루어, 작성된 모델이 충분한 성능을 지니고 있다고 판단된다. 이 외에도 본 연구에서 검토에 활용된 모든 회귀모델 평가지표에서 전반적으로 높은 신뢰성을 지닌 예측 성능을 지니고 있다고 사료된다.
결 론
본 논문은 WSE 시스템의 효율적 운전을 위한 최적화 과정의 전 단계에 해당하는 연구로, 데이터센터의 에너지사용량 예측 모델을 작성하는데 의의를 두었다. 이를 위해 PCC 분석으로 시스템 내부 인자들 중 에너지사용량과 상관관계가 높은 냉수 및 냉각수 공급 온도를 제어변수로 선정하였으며, 변수의 변동에 따른 에너지사용량을 검토하였다. 이후, 해당 값을 토대로 모든 범위의 냉수 및 냉각수 온도에서 에너지사용량을 예측하는 모델을 작성하였다. 해당 연구에서는 Prototype을 이용하여 예측값과 실측 데이터가 상이할 수 있으나, 사용한 모델은 앞선 연구에서 다수 활용되었기에 어느 정도의 신뢰성을 확보하고 있다고 판단하였다.
이 모델은 20개의 냉수-냉각수 온도 조합으로 LSTM 모델을 통한 학습과 이의 계산값을 이용하여 작성하였으며, 1시간 단위의 1년간 에너지사용량을 반영한 것이다. 예측 모델의 평균 CV (RMSE)는 2.19%, NMBE 0.024%, MAPE 0.72%, R2는 0.885로 우수한 성능을 보여 정확성과 신뢰성을 확보함을 확인하였다. 해당 예측 모델을 통해 냉수 및 냉각수 온도의 변화에 따른 에너지 절감률의 정량적 검토가 가능하고, 특정 부하나 외기온도에서 냉수 및 냉각수 온도의 최적 제어값 파악이 가능할 것으로 판단된다.
전술한 바와 같이 본 논문은 예측 모델의 정확도를 확보하여 향후 데이터센터의 에너지사용량 저감 방안을 제시하기 위한 선행 연구의 성격을 지니고 있다. 따라서, 이 모델을 활용하여 추후 WSE 시스템의 최적제어 알고리즘을 작성하고, Free cooling 운전 기간의 확대를 위해 WSE의 냉각수 온도 제어에 대한 운전 검토를 이어 나가고자 한다.
