서 론
연구 동향
연구 목적 및 방법
연구 개요
건물 개요
HVAC 시스템 개요
냉방에너지 예측 모델 작성
예측 모델 개요
예측 모델 성능 검토
최적 Dataset 작성
외기습구온도별 유체 온도 및 에너지 사용량
최적 유체 온도 조합
결 론
서 론
지구온난화가 가속화됨에 따라, 탄소 중립의 실현에 대한 목소리가 높아지고 있다. 전 세계 1차 에너지 소비의 약 40%를 차지하는 주거, 상업용 및 기타 건물 부문은 탄소 배출 저감을 위한 중요 대상 중 하나로, 이에 대한 효과적인 대응책 마련이 필수적이다. 탄소 중립을 실현하기 위해서는 쾌적한 실내 환경을 유지함과 동시에 에너지를 최적으로 활용해야 한다. 한정된 에너지 자원 하에서 점차 증가하는 에너지 수요에 대응할 수 있는 방안 중 하나는 에너지 사용의 효율성 향상이다(Adelekan et al., 2022). 이러한 배경 속에서 건물 에너지의 효율적 활용 방안에 대해 다룬 다양한 연구들이 수행되고 있다.
효율적인 에너지 소비를 위해선 시스템 내부 각 요소 기기의 개선뿐만 아니라 운전 패턴 분석을 통한 최적 운전이 함께 이루어져야 한다(Yayla et al., 2022). 특히 요소 기기의 효율 향상에 관한 연구는 앞선 연구에서 활발히 진행되어 왔으며, 제조사 차원에서도 지속적으로 개발이 이루어지고 있다. HVAC 시스템의 최적 운전은 인공지능 기술의 도입으로 많은 연구에서 적용되고 있으며, 이는 방대한 데이터를 처리하고 패턴을 분석하는 데 유용한 도구로 평가받고 있다(Lecun et al., 2015). 이에 따라 예측 모델 개발과 모델을 기반으로 한 최적 운전 제어 알고리즘 설계가 활발히 이루어지고 있다. 이를 바탕으로, 본 연구는 인공지능 기반의 예측 모델을 작성하여 HVAC 시스템의 최적화 방안을 제시하고자 한다.
데이터센터는 다수의 서버를 일정한 공간에 집적시켜 통합적으로 운영 및 관리하는 시설이다. 해당 건물은 연중무휴 운영되며 IT 장비의 안정성 유지와 적합한 운영 환경 조성을 위해 사용하는 에너지 대부분을 냉방으로 사용하기에, 냉방 부하가 막대한 건물이다. 이러한 에너지를 절감시키기 위해 데이터센터에 Water-side economizer(이하 WSE) 시스템을 적용하는 연구가 다수 진행되고 있다. WSE 시스템은 Free cooling 운전을 사용하는 시스템 중 하나로, 데이터센터의 냉방 에너지를 절감하는 방안으로 제시되고 있다. 따라서 본 연구에서는 대상 건물을 데이터센터, 적용 시스템을 WSE로 선정하여 HVAC 최적 제어를 통한 데이터센터의 냉방 에너지 절감을 목표로 한다.
연구 동향
Zhou et al. (2023)은 건물 제어에서 사용되는 인공지능 기술들을 포괄적으로 검토하였다. ANN, SVM 등 다양한 방식을 활용하여 HVAC 시스템의 성능 예측 및 최적 제어를 진행한 결과, 기존의 시스템 대비 약 20% 이상의 에너지 절감 효과를 나타내는 것을 확인하였다. Merabet et al. (2021)은 건물의 열 쾌적성과 에너지 효율성을 향상시키기 위한 인공지능 기술들을 체계적으로 검토하였다. 연구 결과, 인공지능을 활용한 HVAC 제어를 통해 기존 대비 열 쾌적성 25% 개선, 에너지 사용량 18% 절감 효과를 나타내었다. 또한 Lee et al. (2022)은 다양한 냉방 부하 조건에서 열 에너지를 저장하기 위한 인공지능 모델 예측 제어의 분석을 진행하였으며, ANN 기반 제어 시스템이 에너지 사용량을 약 18%를 절감하는데 기여하는 것을 확인하였다. Afram et al. (2017)은 예측 모델 기반의 최적 제어를 통해 에너지 사용량과 HVAC 운영 비용을 최소 6%에서 최대 73%까지 절감 가능함을 파악하였다.
한편, 제어 알고리즘을 작성하여 건물 최적화를 달성한 연구들도 다수 존재한다. Yeon and Lee (2024)은 사무소 건물의 냉방 에너지 최적화를 위해 AHU 토출 공기 온도와 냉각수 온도를 제어하는 알고리즘을 작성하였다. 해당 논문에서는 DNN 제어를 활용하여 기존 방식에 비해 에너지 사용량을 약 10,731 kWh 감소시켜 총 냉방 에너지를 16% 절감하였다. Lee and Dao (2024)은 HVAC 시스템을 효율적으로 제어하기 위해 인공지능 알고리즘 기반의 시뮬레이션 수행을 실시하여 공장의 에너지 소비 절감을 도모하고자 하였다. 제어 알고리즘의 경우 현장의 HVAC 시스템에 곧바로 실증하여 실험하기에는 여러 문제가 있기에, 공장 시스템을 시뮬레이션 모델로 구현하여 실제 데이터를 이용해 제어 효과를 검토하였다. 해당 연구에서 에너지 사용량은 약 10% 이상의 감소 효과를 확인하였다. 그러나 동시에 열 부하의 조건과 사용 방식에 따라 절감 효과의 편차가 존재하여, 상황에 맞는 운전 전략의 유연성이 필요함을 지적하였다. Lee and Cho (2023)은 데이터 기반 예측 모델을 활용한 외기 냉방 시스템을 제어 연구를 수행하였다. 예측 모델을 기반으로 외기 냉방 시스템의 설정값을 제어하는 알고리즘을 작성하여 적용한 결과, 제어변수들이 외기 조건에 따라 효과적으로 변경됨을 확인하였으며 제어 방식 대비 약 18%의 에너지를 절감함을 확인하였다.
인공지능을 통해 예측 모델을 구축하거나 이를 기반으로 제어 알고리즘을 설계하여 건물의 에너지 최적화를 수행한 기존 연구들은 대부분 일반적인 중앙 냉방 시스템을 대상으로 하며, 건물의 용도 또한 제한적인 경우가 많다. 이로 인해 다양한 건물 유형과 HVAC 시스템에 대한 충분한 검토가 부족한 실정이다. 또한 예측 모델을 기반으로 최적 제어를 수행하는 과정에서도 외기 조건에 따른 제어변수의 최적 조건에 대한 검토는 연구 결과가 미흡한 것으로 나타났다.
연구 목적 및 방법
본 연구에서는 HVAC 시스템의 실시간 운전 제어를 위한 기반 마련을 위해 외기습구온도별 에너지 사용량을 최소화할 수 있는 냉수 및 냉각수의 최적 온도 조합을 도출하고자 한다. 이를 위해 데이터센터를 대상으로 에너지 예측 모델을 구축하고, 해당 모델을 활용하여 외기 조건에 따른 최적화 운전 조건을 도출하였다. 도출한 유체 온도 조합은 Water-side economizer 시스템의 최적 제어 알고리즘 개발에 활용 가능하며, 향후 실시간 제어 전략에 활용 가능할 것으로 보인다.
연구 수행을 위해 데이터센터의 냉방 부하 및 에너지 사용 특성을 반영한 예측 모델을 개발하였으며, 이를 위한 시뮬레이션 Dataset을 구축하였다. 대상 건물과 시스템은 DesignBuilder와 EnergyPlus를 활용해 모델링하였고, 예측 모델의 작성에 필요한 변수들을 도출하였다. 이를 이용하여 LSTM (Long Short-Term Memory)과 LightGBM (Light Gradient Boosting Machine)을 적용하여 예측 모델을 작성하였다. 또한, 표준기상데이터를 이용하여 외기 조건에 따른 시간별 에너지 사용량 및 유체 온도 최적 조건을 도출하였다.
연구 개요
건물 개요
본 연구에서는 Sun et al. (2021)에서 제시한 EnergyPlus Data Center Prototype을 이용하였다. 이는 실제 데이터센터에 기반하여 Prototype을 구성한 것으로, 다양한 연구에서 대상으로 활용되고 있다. 건물은 대규모 데이터센터 조건의 전산실이며, 실내 공간은 4개의 서버룸으로 구획하였다. 본 연구에서는 정밀한 제어 분석을 위해 이 중 한 개의 서버룸을 선정하여 시뮬레이션에 활용하였다. 위치는 국내에서 데이터센터가 가장 밀집된 서울로 설정하였으며, 그 외 사항은 Table 1과 같다.
Table 1.
Outline of IDC
HVAC 시스템 개요
본 연구의 냉방 시스템은 Water-side economizer (WSE)를 포함하고 있으며, 이는 Free cooling 운전을 통해 데이터센터의 막대한 냉방 에너지 사용량을 절감할 수 있는 방안으로 주목받고 있다. WSE 시스템은 외기를 직접 도입하지 않고 냉수를 통해 실내를 간접적으로 냉각하므로, 외부 이물질 유입이나 절대습도 증가로부터 자유롭다는 장점이 있다.
데이터센터는 적절한 온열 환경의 유지가 필수적이기에 ASHRAE TC 9.9에서 제시한 데이터통신시설의 실내 환경 조건 건구온도 18~27℃, 상대습도 60%를 반영하여 실내 설정 온도를 선정하였다(ASHRAE, 2019). 대상 시스템의 장비는 시설의 최대 냉방부하에 맞춰 선정하였다. 냉동기 용량은 1,047.9 kW, COP (Coefficient of Performance)는 6.06, 냉각탑 용량은 1,362.3 kW이며, 그 외 사항은 Table 2와 같다.
또한 해당 논문에서는 WSE 시스템의 Partial-free cooling 운전 모드를 구현하기 위해 열교환기 전용 냉각탑을 추가하였다. 이를 통해 열교환기와 냉동기의 변유량 제어가 이루어져 보다 정밀한 제어가 가능하다. 편의상, 열교환기와 연결된 냉각탑은 Cooling tower 1(이하 CT 1), 냉동기 측 냉각탑은 Cooling tower 2(이하 CT 2)로 명명한다.
Table 2.
Outline of HVAC system
냉방에너지 예측 모델 작성
예측 모델 개요
예측 모델 작성에 앞서, 제어변수를 선정을 위해 PCC (Pearson Correlation Coefficient) 분석을 진행하였다. PCC는 변수 간 선형 상관관계를 평가하는 통계적 지표로, 에너지 사용량과 HVAC 내부 주요 유체 요소들 간 관계를 분석하였다. 이를 통해 에너지 사용량에 큰 영향을 미치는 요소들을 도출하고, 이들을 제어변수로 선정하는 것이 적절하다고 판단하였다.
선행 연구에서 조사한 활용 가능하다고 확인된 변수들과 PCC 분석 결과를 종합적으로 고려하여, 본 연구에서는 냉수 공급온도, Cooling tower 1 냉각수 환수온도, Cooling tower 2 냉각수 환수온도를 제어변수로 선정하였다. 이 변수들은 상관계수가 0.7 이상으로 나타나며, 다양한 기존 연구에서도 빈번하게 활용된 요소들이기에 에너지 절감에 효과적인 역할을 할 것으로 보았다. 각 변수들의 운전 범위는 냉수 6~12℃, CT1 냉각수 4~10℃, CT 2 냉각수 24~32℃로 설정하였고, 각 온도별 2도 간격으로 조합하여 총 80개의 1년 8,760시간의 에너지 사용량을 도출하였다. 이때 조합별 제어변수 값을 제외한 나머지 요소는 모두 동일하게 설정하여 변수 변화에 따른 영향만을 분석하였다.
한편, 이전 연구(Go et al., 2024)에서는 WSE 시스템을 활용하였음에도 불구하고 냉수와 Cooling tower 2 냉각수만을 제어 대상으로 삼았다. 이는 Free cooling 운전 시에는 최적 제어를 진행하지 않고, Chiller cooling 기간에만 최적화를 진행하는 것이기에 전체 시스템의 관점에서 볼 때 비효율적이라고 볼 수 있다. 따라서 본 연구에서는 Cooling tower 1 냉각수 온도를 추가 제어변수로 선정하여 예측 모델을 작성하여, WSE 시스템 전반에 걸쳐 최적화를 수행하고자 한다.
예측 모델의 작성에는 LSTM (Long Short-Term Memory)과 LightGBM (Light Gradient Boosting Machine)을 활용하였다. LSTM은 RNN (Recurrent Neural Network)의 일종으로, 시계열 데이터에서의 장기 의존성 문제를 효과적으로 해결할 수 있는 딥러닝 모델이다. 반면 LightGBM은 경량화된 Gradient Boosting 프레임워크로, 빠른 학습 속도와 높은 예측 정확도를 동시에 확보할 수 있는 머신러닝 모델이다. 본 연구에서는 LSTM을 활용하여 시계열 데이터의 특성을 반영하고, LightGBM을 활용하여 변수에 대한 예측 성능을 높여 모델의 정밀도를 향상 시켰다.
예측 모델 성능 검토
작성한 모델의 성능은 Table 3과 같다. 모델의 정확도는 MAE (Mean Absolute Error, 평균 절대 오차), CV (RMSE) (Coefficient of Variation of Root Mean Squared Error), R-squared (결정계수)를 통해 검토하였다.
우선, MAE는 예측값과 실제값 간의 차이를 절댓값 기준으로 평균화한 지표로, 본 모델에서는 평균적으로 약 1.13 kW의 오차를 보였다. 이는 모델이 에너지 사용량을 비교적 정확하게 추정하고 있음을 의미한다. CV (RMSE)는 제곱 평균 오차의 제곱근(RMSE)을 평균값으로 나눈 백분율로, 오차의 상대적 크기를 나타낸다. ASHRAE Guideline 14 (2002)에서는 CV (RMSE)가 20% 미만일 경우 예측 모델이 신뢰성을 가진다고 제시하며, 본 연구의 모델은 해당 기준을 만족해 적절한 예측 성능을 확보하였음을 알 수 있다. 또한 R-squared 값이 0.995로 높게 나타나 모델이 적절하게 데이터를 설명하고 있음을 확인하였다. 평가 지표를 통한 분석으로 작성한 예측 모델이 전반적으로 높은 정밀도와 신뢰성을 보유하고 있음을 확인할 수 있다.
최적 Dataset 작성
외기습구온도별 유체 온도 및 에너지 사용량
작성한 예측 모델에 표준기상데이터를 접목하여 외기습구온도별 최적 유체 온도 조건과 이에 따른 에너지 사용량을 도출하였다. 예측에 사용된 유체 온도의 범위는 냉수 공급온도 4~15℃, Cooling tower 1 냉각수 온도 3~13℃, Cooling tower 2 냉각수 온도 18~34℃로 설정하였다.
Figure 1은 외기습구온도에 따라 도출된 모델의 예측값을 시각화 한 것이다. 분석 결과, 외기습구온도에 따라 에너지 사용량을 최소화하는 유체의 온도 조합은 상이하게 나타났다. 그래프에서 확인할 수 있듯이, 외기 온도가 낮은 구간에서는 냉동기 에너지가 거의 사용되지 않으며, 온도가 13℃ 이상으로 증가함에 따라 에너지 사용량이 급격히 증가한다. 냉수와 CT 1 냉각수, CT 2 냉각수는 외기 조건에 따라 변동되며, 에너지 최소화를 위한 조건이 구간별로 다르게 나타난다.
그래프를 통해, -12℃에서 11℃까지는 Chiller energy 사용량이 0에 가까워 Full-free cooling 운전을 하고, 18℃ 이상부터는 에너지 사용량이 급격히 늘어 Chiller cooling 운전을 진행하며, 그 사이 구간은 Partial-free cooling 운전을 함을 알 수 있다. 유체 온도의 선택에 따라 에너지 사용량이 변화하지만, 특히 Partial-free cooling 운전 기간에서는 에너지 사용량이 급격하게 변화하는 구간이 존재하였다. 이로 인해, 해당 구간에서는 선택하는 유체 조건이 에너지 사용량에 직접적인 영향을 미칠 수 있음을 시사한다. 따라서 외기습구온도에 따라 유연한 제어 전략을 적용하는 것이 건물의 냉방 에너지 절감에 있어 중요하다.
최적 유체 온도 조합
외기습구온도별로 도출된 최적 유체 조건을 시각화한 결과를 Figure 2에 제시하였다. 본 그래프는 외기 조건에 따라 예측 모델이 도출한 최적 냉수 및 냉각수 온도 조합을 패럴렐 코디네이트 형태로 표현한 것으로, 에너지 사용량이 최소화되는 조합 간 관계를 선으로 연결하였다.
각 선은 하나의 외기습구온도 조건에 대해 도출된 최적 조합을 의미하며, 특정 조건에 선이 집중적으로 연결된다는 것은 해당 조건이 다양한 외기 조건에서 반복적으로 최적 조건으로 도출되었음을 의미한다. 반면, 연결선이 없는 온도는 예측 모델에서 최적 조합이 아니므로, 다른 온도에 비해 상대적으로 비효율적임을 의미한다.
냉수 공급온도는 4~13℃ 범위에서 4, 7, 9, 12℃가 주로 사용되며, 특히 4℃의 경우 외기 조건상으로 Partial-free cooling 운전 기간일 때 사용하는 것이 적절한 것으로 나타났다. CT 1 냉각수 온도는 3~13℃ 중 3, 5, 8, 10℃가 사용되었으며, 전체적으로 빈도나 에너지 사용량이 외기 조건이 동일한 경우 유사성을 볼 수 있다. CT 2 냉각수 온도 18~34℃ 구간에서는 18, 25, 28, 30, 32℃가 도출되며, 특히 18℃와 28℃가 사용 빈도가 높았다.
또한, 하나의 외기 조건에서 복수의 유체 조합이 최적 조건으로 도출되는 사례도 존재하였다. 예로 외기습구온도 14~28℃의 범위에서 최적의 유체 온도 조합은 냉수 온도 9℃, CT 1 냉각수 온도 3, 5, 8, 10℃, CT 2 냉각수 온도는 18, 25, 28, 30, 32℃로 매우 다양한 조합이 나온다. 이는 HVAC 내부 유체 요소 조합의 최적값은 외기습구온도 조건만으로는 선택할 수 없으며, 다른 조건들과 운전의 현황을 반영하여 선택해야 함을 의미한다. 본 논문에서는 외기습구온도 조건만을 활용하였기에 정확한 하나의 최적 유체 온도 조합을 고정적으로 특정하기엔 어려움이 있으나, 비효율적인 설정값을 명확히 제시함에 의의를 둔다.
현재 제시한 그래프는 최적 유체 조합의 패턴과 경향성을 시각화한 것으로 외기 조건에 따라 적절한 유체 온도 범위 및 여러 가지의 조합을 시사한다. 이에 따라 외기습구온도를 기반으로 HVAC의 유체를 제어하는 경우 선택할 유체 온도 범위의 폭을 감소시킬 수 있다. 또한, 빈번하게 선택되는 온도 조합을 활용하여 향후 진행할 알고리즘 기반 최적 제어에 이용할 수 있다.
결 론
본 연구는 HVAC 시스템의 실시간 운전 제어를 목적으로, 외기습구온도별 에너지 사용량을 최소화할 수 있는 최적 유체 온도 조합을 도출하였다. 이를 위해 LSTM (Long Short-Term Memory)과 LightGBM (Light Gradient Boosting Machine)을 활용해 데이터센터의 에너지 예측 모델을 구축하였으며, 모델의 제어변수는 냉수 공급온도, 열교환기 측 냉각탑 환수온도, 냉동기 측 냉각탑 환수온도로 선정하였다. 작성된 모델은 성능 검증 결과 R-squared 0.995, CV (RMSE) 4.31%, MAE 약 1.13 kW로 신뢰성과 실효성을 입증하였다.
예측 모델을 이용해 외기습구온도에 따른 최적 유체 온도 조건 및 에너지 사용량을 도출하였다. 분석 결과, 외기 조건에 따른 유체의 최적 조건은 구간별로 상이하게 나타났으며, 특히 Partial-free cooling 운전 기간에서 에너지 사용량 차이가 뚜렷하게 확인되었다. 패럴렐 코디네이트 그래프를 통해 도출된 유체 온도별 출현 빈도 및 조합 경향을 시각화함으로써, 에너지 효율성이 높은 조합과 그렇지 않은 조합을 확인하였다.
또한, 하나의 외기 조건에서 여러 개의 조합이 최적값으로 도출되는 사례가 존재하였다. 이는 최적 운전을 진행하기 위해서는 실내 부하, 장비 가동 상태 등 다양한 운전 변수들을 고려한 다변량 기반 제어 전략이 필요함을 시사한다. 현재 제시한 결과는 외기습구온도만을 활용하여 조합을 도출하였기에 명확한 하나의 최적 유체값을 파악하기엔 어려움이 있으나, 비효율적인 유체들을 제거함으로 선택의 폭을 감소시켰다. 또한 외기습구온도별로 최적의 유체 온도가 다르다는 것을 파악하였기에 실시간 최적 제어 운전이 유의미함을 확인할 수 있다.
본 연구는 기존에 고정된 방식으로 운전되던 Water-side economizer 시스템의 한계를 보완하고, 외기 조건 기반의 유연한 제어 전략 수립의 가능성을 제시한다. 도출된 시간별 유체 온도 조합은 외기습구온도별 비효율적인 온도와 최적 유체 조합들을 제시하였다. 향후 연구에서는 여러 유체 조합 중 실시간 운전 조건과 부하를 반영하여 최적 조합을 선택하고, 제어하는 외기습구온도 기반 WSE 시스템의 최적 알고리즘을 개발하고자 한다. 이는 데이터센터의 에너지 절감 및 운영 효율 향상에 기여할 수 있을 것으로 기대한다.
