서 론
연구범위 및 방법
대상 건물 및 열원 시스템
전력 사용량 예측 DNN 모델 개요
냉각수 온도 최적화 알고리즘 개요
실측 결과
냉각수 온도 제어 특성
전력 사용량 분석
COP 분석
결 론
서 론
2015년 파리협정의 발효에 따라 대한민국은 2030년까지 기준년도인 2018년 대비 국가 온실가스 감축률 40%를 달성해야 한다. 특히 건물 부문에서는 32.8%의 감축 목표가 요구되어 건물 부문의 역할이 매우 중요해지고 있다. 전 세계적으로 건물 부분에서 소비되는 에너지의 비율은 40%를 차지할 정도로 상당하며, 이 비율은 2030년까지 50%에 달할 것으로 예상된다(Aldhshan et al., 2021). 특히 그 중 냉난방 및 공조(HVAC) 에너지 소비는 연평균 4% 이상 증가하고 있어(IEA, 2025), 에너지 다소비 설비인 중앙 냉방 시스템의 효율 향상은 범국가적 목표 달성의 핵심 과제로 부상하고 있다.
한편, 기존의 중앙 냉방 시스템은 주로 고정된 수온 제어 방식을 사용하여 외기 조건이나 건물 부하 변화에 대한 대응성이 충분히 확보되지 못하는 경우가 있다(Ha et al., 2019). 이에 대한 개선책으로 운전 데이터를 활용하여 최적의 운전 상태를 도출하는 AI 기반 최적화 연구가 활발하게 진행되고 있다. 특히 냉동기의 운전 효율에 직접적인 영향을 미치는 냉각수 온도 제어는 전체 시스템의 에너지 절감에 큰 효과를 가져올 수 있어, 이에 대한 연구가 중점적으로 연구되고 있다.
냉각수 온도 제어와 관련하여 여러 선행 연구들은 냉각 시스템의 에너지 절감 효과를 입증하였다. Yeon and Lee (2024)는 DNN 기반 최적제어 모델을 통해 외기온도, 습도, 일사량, 쿨링코일 부하 등을 입력변수로 하여 AHU 토출온도와 냉각수 온도를 동시에 제어함으로써, 기존의 고정온도 제어방식 대비 하계 냉방에너지를 약 16% 절감하였다. 이때 냉각수 온도는 냉동기의 효율을 높이기 위해 주로 낮은 온도로 설정되는 경향을 보였다. Kim et al. (2025)은 DNN 기반의 에너지 소비 예측 모델을 활용하여, 외기 습구온도에 따라 운전 비용이 최소화되는 냉각수 온도 설정값을 도출 및 제어하였다. 실증 결과 냉각수 온도는 기존 고정 설정값 대비 낮게 유지되었으며, 이를 통해 2023년과 2024년에 각각 26.4%, 19.5%의 운전 비용 절감 효과를 입증하였다. Zheng et al. (2025)은 Hippopotamus Optimization Algorithm을 활용해 냉각탑 출구 수온을 실시간으로 최적화함으로써, 습구온도 변화에 대응하는 냉각수 최적 설정값을 도출하였다. 또한 냉동기와 냉각탑의 전력 소비가 냉각수 온도에 따라 상반되게 변화하는 특성을 고려하여 두 설비의 총 전력 소비가 최소가 되는 지점을 매 시점 계산하였으며, 이를 통해 일 평균 3.2%, 최대 4.5%의 에너지 절감 효과를 확인하였다.
하지만 이들 연구는 주로 운전 비용이나 에너지 절감량 중심의 분석에 초점을 맞추었으며, 냉동기의 성능 계수(COP, Coefficient of Performance)와 같은 시스템 효율 지표에 대한 분석은 제한적으로 수행되어 왔다. 이러한 점을 고려할 때, 시스템 효율의 정량적 개선 정도를 보다 명확히 파악하기 위해서는 에너지 절감량 분석과 더불어 COP 분석이 함께 수행될 필요가 있다(Jeong et al., 2025).
Wang et al. (2018)은 냉각탑 출구수온을 낮출 경우 냉동기의 압축비가 감소하여 전력소비가 줄어들고 COP가 향상된다는 점을 제시하여, 저온 냉각수가 냉동기 효율 개선과 COP 증가에 직접적으로 기여하는 핵심 요인임을 확인하였다. Kim and Kim (2025)은 3년 이상의 실측 데이터를 기반으로 TRRM (Thermo-Regulated Residual Refinement Model)을 제안하여 냉수 출구온도와 냉각수 입구온도만으로도 원심식 냉동기의 COP를 높은 정확도로 예측할 수 있음을 실증하였다.
이에 본 연구는 시스템 COP에 대한 정량적 분석이 제한적이었던 기존 연구의 한계를 보완하고, AI 기반 최적 냉각수 온도 제어 시 저온 냉각수 생산이 실제 중앙 냉방 시스템의 냉동기 COP 및 전체 시스템 효율에 미치는 영향을 정량적으로 분석하는 데에 차별성을 둔다. 이를 통해 건물의 온실가스 감축 목표 달성에 기여하고, 고효율 냉방 시스템 운전 전략 수립에 실질적인 기초 자료를 제시하는 데 의의를 두고자 한다.
연구범위 및 방법
대상 건물 및 열원 시스템
Table 1은 본 연구 대상 건물의 규모 및 면적에 대한 주요 정보를 나타낸 것이다. 대상 건물은 경기도 수원시에 위치한 대형 오피스 및 연구소 복합 건물이며, 2005년 준공되어 운용되고 있다. 지하 5층, 지상 37층으로 이루어져 있으며 연면적은 214,910 m2이다.
Table 1.
Building outline
 | Classification | Detail |
| Location | Suwon, South Korea | |
| Use | Office, Research | |
| Scale | B5/37F | |
| Gross floor area | 214,910 m2 | |
| Coverage ratio | 41.51% | |
| Floor area ratio | 109.05% |
건물의 외벽은 커튼월로 시공되어 외주부의 냉난방 부하가 큰 편이며, Figure 1과 같이 외주부는 VRF (Varient Refrigant Flow)시스템, 내주부는 중앙공조 시스템으로 분리되어 있다.
건물의 중앙공조 시스템은 터보 냉동기와 흡수식 냉동기를 병용중이며, 본 연구의 범위는 터보 냉동기 시스템을 대상으로 한정한다. Figure 2, Table 2는 터보 냉동기의 계통도와 주요 사양을 나타낸 것이다. 터보 냉동기와 밀폐형 냉각탑은 각각 3대, 냉수 및 냉각수 펌프는 예비용 펌프를 포함하여 각각 4대로 이루어져 있다. 터보 냉동기는 외기온도와 냉수 사용량에 따라 대수제어를 실시하며, 냉수 및 냉각수 순환펌프는 냉동기의 운전 대수와 동일하게 운전한다. 터보 냉동기의 용량은 1753.43 kW, 정격 COP는 5.97, 압축기 정격능력은 318 kW이며, 밀폐형 냉각탑의 용량은 2267.44 kW로 각각 4개의 셀로 이루어져 있다.
Table 2.
Specification of turbo chiller system
전력 사용량 예측 DNN 모델 개요
DNN (Deep Neural Network)은 입력과 출력 간의 비선형 관계를 학습하는 대표적 딥러닝 모델로, 다층 구조를 통해 다양한 변수 간의 복잡한 상호작용을 효과적으로 반영하는 특성을 지니고 있다(Ahmadi et al., 2022). 냉방 시스템의 에너지 사용량은 여러 변수가 비선형적으로 결합해 결정되므로, 이러한 관계를 예측하기 위해 DNN 모델을 사용하였다.
입력 변수는 외기 습구온도, 냉방부하, 냉수 및 냉각수 온도, 냉동기 가동 대수로 구성하였으며, 출력 변수는 냉동기와 냉각탑 전력사용량의 합이다. 수집된 데이터는 정규화 후 64%, 16%, 20% 비율로 학습·검증·테스트 데이터로 분할하여 모델의 일반화 성능을 확보하였다. 또한 최적의 학습 구조 도출을 위해 하이퍼 파라미터 탐색을 수행하였다. 탐색 과정에서는 Leaky ReLU 활성화 함수와 Optuna 최적화 알고리즘을 사용하였으며, Table 3은 하이퍼 파라미터 최적화의 결과를 나타낸다. 모델은 ASHRAE Guideline 14 (2002) 기준을 충족하는 수준인 R² 0.93, CV (RMSE) 9.03%의 예측 성능을 확보하였다. 본 연구에서의 DNN 모델은 냉각수 온도 최적화 알고리즘 내에서 전력 산정 모듈로 활용되며, 제어 대상 시점의 외기 조건과 부하 조건을 입력받아 각 냉각수 온도 설정값에 대응하는 전력 사용량을 계산하는 핵심 역할로 활용되었다.
Table 3.
Specification of DNN prediction model
| Classification | Detail |
| Number of hidden layers | 4 |
| Number of nodes | 71, 194, 211, 50 |
| Drop out | 0.0008 |
| Learning rate | 0.003005 |
| Epoch | 100 |
냉각수 온도 최적화 알고리즘 개요
Figure 3은 냉각수 온도 최적화 알고리즘의 순서를 도식화 한 것이다. 알고리즘은 DNN 기반 전력 사용량 예측 모델을 활용하여, 주어진 운전 조건에서 터보 냉동기 시스템의 전력 사용량이 최소일 때의 냉각수 온도를 산출하도록 구성하였다.
알고리즘은 외기 습구온도, 냉방부하, 냉수·냉각수 온도 등의 실시간 데이터를 입력받은 후, 냉각수 온도 탐색 구간을 설정한다. 냉각수 온도는 외기 습구온도보다 낮게 내려갈 수 없으므로 습구온도보다 2°C 높게 하한값을 설정하였다. 이후 탐색 구간 내에서 1°C 단위로 냉각수 온도를 변경하며 후보값들을 생성하고, 각 값에 대해 DNN 모델이 예측한 전력 사용량을 비교하여 최소 사용량 지점을 선택하여 해당 지점에서의 냉각수 온도를 산출한다. 산출된 최적의 냉각수 온도는 BEMS를 통해 HVAC 시스템에 전달되며, 20분 주기로 실시간 데이터를 갱신하고 같은 절차를 반복함으로써, 외기 조건 변화에 빠르게 대응하는 운전 전략을 구현한다.
실측 결과
알고리즘은 2025년 9월 4일부터 9월 25일까지 적용하였다. Algorithm 기간 동안 냉동기 2호기는 가동되지 않았으며, 장비 조합에 의한 오차를 배제하고 분석의 신뢰성을 확보하기 위해, 동일한 장비 가동 조합으로 운전된 가장 인접한 기간인 2025년 8월 21일부터 9월 4일을 Baseline으로 선정하였다. 이후 각각 15일 간의 냉각수 온도, 전력 사용량 그리고 COP에 관한 결과 분석을 수행하였다.
냉각수 온도 제어 특성
냉각수 온도 제어 알고리즘의 적용 효과를 확인하기 위해 습구온도에 따른 냉각수 온도 설정값과 실제 운전 온도의 분포를 분석하였다. Figure 4(a)는 Baseline 기간의 결과를 나타낸 것으로, 냉각수 온도 설정값이 습구온도 변화와 관계없이 주로 26℃ 또는 32℃의 두 개의 고정된 값으로 운전되었음을 확인할 수 있다. 이에 따라 실제 냉각수 공급 온도 역시 특정 온도 구간에 집중되어 분포하는 경향을 보였다. 이는 기존 제어 방식이 외기 조건 변화를 충분히 반영하지 못하고 일정 설정값 기반으로 운전되고 있음을 보여준다.
반면, Figure 4(b)에 나타나듯이 알고리즘 적용 기간에는 냉각수 온도 설정값이 습구온도 변화에 따라 연속적으로 조정되는 경향이 확인된다. 낮은 습구온도 구간에서는 상대적으로 낮은 설정값이 형성되며, 습구온도가 상승함에 따라 설정값 또한 점진적으로 증가하는 패턴을 보였다. 이에 따라 실제 냉각수 공급 온도 역시 넓은 범위에서 분포하며, 습구온도 변화에 대응한 유동적인 운전 특성을 나타냈다.
전반적으로 알고리즘 기반 제어는 외기 조건을 반영하여 냉각수 온도 설정값을 능동적으로 조정함으로써, 기존의 고정 설정값 기반 제어와는 뚜렷이 구분되는 제어 특성을 보이는 것으로 확인된다.
전력 사용량 분석
Figure 5는 처리열량 증가에 따른 각 냉동기의 전력 사용 특성을 비교한 결과를 나타낸 것이다. 터보 냉동기 1호기와 3호기 모두에서 부하가 증가함에 따라 전력 사용량이 증가하는 상관성이 확인된다. 알고리즘 기반 제어를 적용한 경우 동일 처리열량 대비 전력 사용량이 Baseline보다 낮은 범위에서 형성되었으며, 이때 전력 절감률은 1호기 17.32%, 3호기 6.08%로 나타났다. 이러한 결과는 알고리즘이 두 냉동기 모두에서 전력 사용량을 감소시키는 방향으로 작동했음을 보여준다.
Figure 6은 두 기간의 시스템 평균 전력 소비량을 부하 구간별로 비교한 결과를 나타낸 것이다. 시스템 전력 절감률은 평균 4.73%로 비교적 낮은 수준을 보였는데, 이는 알고리즘 적용 시 냉각탑에서 더 낮은 냉각수 온도를 생산하기 위해 추가 동력이 요구되면서 냉각탑 측 전력 사용량이 증가한 영향으로 판단된다.
COP 분석
냉동기의 성능을 정량적으로 평가하기 위해 본 연구에서는 냉동기와 시스템의 성능계수(COP, Coefficient of Performance)를 분석하였다. COP는 사용된 에너지 대비 얻어낸 열량을 수치화한 값이며, 이는 장비의 효율을 나타내는 지표이다.
Figure 7은 저온 냉각수와 COP의 관계를 P-h선도로 도식화 한 것이다. 알고리즘을 통해 생산된 저온의 냉각수는 냉동기의 응축 압력을 감소시켜 압축기의 투입 전력을 줄이고, 결과적으로 COP가 향상될 수 있다. 냉동기의 COP는 식 (1), 시스템의 COP는 Deng et al. (2022)이 제시한 식 (2)을 통해 산출하였다. 여기서 Qload는 처리열량(kW), Pchiller는 터보 냉동기의 전력 소비량(kW), Pct는 냉각탑의 소비전력(kW)을 나타낸다. 냉동기의 COP는 터보 냉동기의 소비 전력에 대한 처리 열량의 비율 의미하며, 시스템의 COP는 터보 냉동기와 냉각탑의 투입 전력에 대한 처리열량의 비율을 의미한다.
Figure 8은 터보 냉동기 1호기의 COP를 처리열량에 따라 비교한 결과이다. 1호기의 경우, 고부하 및 중간부하 구간에서는 알고리즘 적용 시 Baseline 대비 COP의 추세선이 높게 나타나는 반면, 저부하 영역에서는 낮게 나타났다. 이는 Baseline 기간 동안 1호기가 저부하 구간에서의 운전 빈도가 낮아 주로 고부하의 유리한 효율 구간에서 운전되었지만, 알고리즘 적용기간에는 저부하 운전 비중이 상대적으로 증가했기 때문으로 해석된다. 따라서 저부하 구간에서 관측된 1호기의 COP 감소는 각 기간별 운전 구간 차이로 인한 표본 분포의 불균형에서 기인한 결과로 판단된다.
Figure 9는 냉동기 1호기의 처리열량 구간별 냉동기 가동시간 분포를 나타낸 것이다. 분석 결과, 약 800 kW 이하의 저부하 구간에서는 냉동기 1호기와 2호기가 동시에 많은 비중으로 가동되는 운전 패턴이 확인되었다. 이러한 운전 패턴으로 인해 알고리즘 적용 기간 동안 냉동기 1호기는 상대적으로 낮은 부분부하 영역에서 운전되는 비중이 증가하였으며, 이에 따라 개별 냉동기의 운전점이 고효율 영역에서 벗어났을 가능성이 있다. 일반적으로 터보 냉동기는 일정 부하 이상에서 높은 COP를 나타내는 성능 특성을 가지므로, 저부하 조건에서 다수의 냉동기가 동시에 운전될 경우 개별 냉동기의 효율 저하가 발생할 수 있다(Liu et al., 2011). 이러한 특성은 Figure 8에서 관측된 저부하 구간의 COP 분포 변화와 밀접한 관련이 있는 것으로 판단된다.
Figure 10은 냉동기의 부분부하율에 따른 성능곡선을 나타낸다. 성능곡선에 따르면 냉동기는 저부하 영역에서 COP가 낮고, 중간부하 영역에서 가장 높은 효율을 보이는 특성을 가진다. 이러한 특성을 고려할 때, Figure 9에서 확인된 저부하 구간의 복수 냉동기 동시 운전은 개별 냉동기의 운전점을 저효율 영역으로 이동시켰을 가능성이 있다. 따라서 Algorithm 적용 기간 동안 저부하 영역에서 관측된 1호기의 COP 감소는 냉동기 운전 구간의 변화에 따른 성능 특성 또한 반영된 결과로 해석된다.
Figure 11은 터보 냉동기 3호기의 COP를 처리열량에 따라 비교한 결과이다. 3호기는 Baseline과 알고리즘 적용기간 모두 고부하 구간에서의 운전시간이 많아 운전조건의 편차가 상대적으로 작았다. 그 결과 동일한 부하구간에서 알고리즘 적용 후 COP가 Baseline 대비 향상되었으며, 이는 냉각수 온도 제어가 3호기의 열교환 및 압축기 효율에 긍정적으로 작용한 것으로 분석된다. 특히 3호기의 경우 저부하 운전 비중이 낮아 부하 변화에 따른 성능 왜곡이 적었기 때문에 알고리즘 제어의 순수한 효율 향상 효과가 더 명확하게 드러난 것으로 판단된다.
Table 4.
Average system COP
| Cooling load range (kW) | Baseline | Algorithm | Improvement (%) |
| 1200~1400 | 2.13 | 2.49 | 17.32 |
| 1400~1600 | 2.57 | 2.78 | 8.16 |
| 1600~1800 | 3.02 | 3.23 | 7.02 |
| 1800~2000 | 3.03 | 3.24 | 6.97 |
| 1200~2000 | 2.66 | 2.95 | 10.82 |
Table 4는 냉방부하 구간별 시스템 COP를 Baseline과 Algorithm 적용 기간으로 비교한 결과를 나타낸 것이다. 냉방운전 비중이 상대적으로 높은 1200~2000 kW 부하 구간을 기준으로, 알고리즘 적용 시 시스템 COP는 Baseline 대비 평균 10.82% 향상된 것으로 나타났다. 세부 구간별로는 1200~1400 kW에서 17.32%의 가장 큰 개선 효과가 나타났으며, 1400~1600 kW에서 8.16%, 1600~1800 kW에서 7.02%, 1800~2000 kW에서 6.97%의 개선이 각각 확인되었다.
결 론
본 연구에서는 실제 건물 냉방 시스템을 대상으로 DNN 기반 설정값 최적화 알고리즘을 적용하고, 냉동기 및 시스템 수준에서의 성능 변화를 분석하였다. 분석 결과, 알고리즘 적용 기간 동안 냉방 운전이 가장 빈번하게 발생한 1200~2000 kW 부하 구간을 중심으로 10.82%의 시스템 COP 개선이 확인되었다. 이는 제안된 운전 전략이 실제 운전 비중이 높은 부하 영역에서 시스템 수준의 에너지 효율 향상에 기여할 수 있음을 시사한다. 그러나 시스템 전력 절감률은 평균 4.73%로 COP 개선 폭에 비해 다소 낮은 수준을 보였다. 이는 알고리즘이 냉동기 효율을 높이기 위해 냉각탑에서 더 낮은 냉각수 온도를 생산하도록 유도하면서, 냉각탑 팬의 추가 동력 사용량이 증가한 영향으로 판단된다. 즉, 냉동기 전력 절감과 냉각탑 전력 증가 사이의 상충 관계가 존재함을 시사한다.
개별 냉동기 분석 결과, 터보 냉동기 1호기의 경우 중간 및 고부하 구간에서는 알고리즘 적용 시 COP가 Baseline 대비 향상된 반면, 저부하 영역에서는 상대적으로 낮은 COP가 관측되었다. 이는 알고리즘 적용 기간 동안 저부하 운전 빈도가 증가함에 따라 발생한 표본 분포 차이에 기인한 결과로 해석된다. 또한 냉동기 가동시간 분석 결과, 1호기의 저부하 구간에서 두 대의 냉동기가 동시에 운전되는 운전 패턴이 확인되었다. 냉동기 성능곡선 특성을 고려하면 이러한 운전 조건은 개별 냉동기의 COP를 저효율 영역으로 이동시킬 가능성이 있으며, 결과적으로 시스템 성능에 영향을 미칠 수 있다. 이를 미루어 볼 때, 냉방 부하가 극심한 하계 피크 기간에 본 알고리즘을 적용할 경우, 냉동기가 비효율적인 저부하 구간에서 운전될 확률이 현저히 낮아진다. 따라서 본 연구의 실측 결과보다 더욱 뚜렷하고 안정적인 시스템 COP 개선 효과를 거둘 수 있을 것으로 기대된다.
또한 본 연구는 실제 운용 중인 냉방 시스템을 대상으로 수행되어, 현장 운영 여건상 실측 및 분석 기간이 제한되었다는 한계가 존재한다. 이에 따라 계절 전반의 운전 특성이나 다양한 외기 조건이 충분히 반영되지 못했으며, 이러한 점은 향후 연구에서 보완이 필요할 것으로 판단된다.
종합하면, 본 연구는 DNN 기반 냉각수 온도 제어가 실제 중앙 냉방 시스템의 냉동기 COP 및 시스템 효율에 미치는 영향을 실증적으로 분석하였다는 점에서 의의를 가진다. 향후 연구에서는 냉동기 대수제어를 포함한 통합 제어 전략을 적용하고, 냉각탑 팬 동력 증가분을 고려하여 시스템 전체 전력을 최소화하는 방향으로 알고리즘을 고도화할 필요가 있다. 또한 장기 실측 데이터를 확보함으로써 다양한 부하 조건에서 알고리즘의 효과를 보다 정량적으로 검증할 필요가 있을 것으로 판단된다.
