서 론
연구 개요
대상 건물 및 시스템 개요
예측 모델 작성 및 성능 검토
냉수 및 냉각수 최적 제어 알고리즘 작성
최적 유체 조합 선정
알고리즘 작성 방향
최적 제어 결과
제어 유무에 따른 냉수 및 냉각수 온도 검토
Free cooling 운전 모드 검토
냉열원 에너지 사용량
결 론
서 론
이상기후 및 지구온난화와 전 지구적 환경 문제에 대응하기 위해, 2015년 파리기후협약을 통해 산업화 이전 대비 지구의 평균 기온이 2℃ 상승하지 않도록 온실가스를 감축하자는 목표를 설정하였다. 우리나라 또한 국제적 노력에 동참하여 ‘2050 탄소중립시나리오’(CNC, 2021)를 발표하여 부문별 온실가스 저감 대책을 제안하였다. 시나리오에서 제시한 여러 감축 방안 중, 고효율 기기 보급은 설비 기기 및 에너지 사용 원단위 개선을 통해 30% 이상 개선할 수 있는 핵심적인 수단으로 꼽힌다. 이에 따라 에너지 사용 시스템의 효율을 높이는 기술에 관한 연구가 활발히 진행되고 있다.
인공지능은 대규모 데이터 세트 내에서 인간이 파악하기 어려운 복잡한 패턴을 인식하는 능력으로, 연구에서도 핵심적인 역할을 수행하고 있다. 건물 전체의 효율적인 에너지 소비를 위해서는 개별 시스템 기기의 고효율화와 더불어, 운전 패턴 분석을 통한 최적 운전 또한 필수적이다(Yayla et al., 2022). 이러한 최적 운전은 한정된 에너지 자원으로 급증하는 수요에 효과적으로 대응하기 위한 방안 중 하나이다(Adelekan et al., 2022).
일반적으로, 시스템의 최적화를 위한 핵심 단계로 예측 모델 개발이 선행된다. HVAC 시스템의 에너지 사용량 예측 모델은 물리 기반과 데이터 기반의 방식으로 분류된다(Ding et al., 2017). 데이터 기반 모델은 다양한 알고리즘을 활용하여 입출력 데이터 간의 관계를 학습해 여러 변수를 이용한 복잡한 상호작용을 예측할 수 있고, 전문 지식이나 별도 보정 과정 없이 높은 예측 정확도를 확보할 수 있다.
한편, 인공지능 기술의 발달은 정보를 처리하는 핵심 시설인 데이터센터의 수요의 급증을 가져왔다. 데이터센터는 단순한 ICT (Information and Communication Technology) 인프라를 넘어서 시대를 뒷받침할 핵심 동력으로 부상하여, 지속적으로 증가하고 있다(Tradat et al., 2021). Figure 1은 국내 데이터센터 개수의 증가 추이를 나타낸 그래프이다(Song, 2020).
데이터센터는 연중무휴로 운영되며, 발열을 수반하는 다수의 IT 장비가 집적되어 있어 장치 손상을 방지하기 위한 안정적인 실내 온·습도의 유지가 필수적이다. 그 결과, 단위 면적 당 냉방부하가 일반 사무실 건물의 약 100배에 달한다(Cho, 2021). 이에 따라 건물 부문의 에너지 절감 및 탄소중립 실현 목적을 달성하기 위해서, 데이터센터의 냉방 에너지 절감은 절실하다.
이러한 막대한 냉방 에너지를 저감하기 위해, 데이터센터는 Free cooling 운전을 적용하고 있다. 이는 저온의 외기를 이용하여 냉열을 생산하거나 실에 공급하는 운전 방식으로, 연간 냉방 부하가 발생하는 데이터센터에 적합하며 우수한 절감 잠재력을 가진다. 대표적인 시스템으로는 외기냉방(Air-side economizer, ASE)과 외기냉수냉방(Water-side economizer, WSE)이 있다. 특히 WSE 시스템은 열교환기를 이용하여 시스템 내 유체 간의 간접적인 열교환을 통해 실을 냉각하므로, 외기를 직접 도입하는 ASE 시스템 대비 장치의 안정성 측면에서 유리하다. 또한 상대습도가 높아 잠열 처리가 중요한 국내 기후에 유리하며, 열용량이 큰 물을 이용하기에 대규모 데이터센터의 냉각에 적합하다.
본 논문은 Water-side economizer (WSE) 시스템을 적용한 데이터센터의 냉방 에너지 절감을 위한 최적 제어 방안을 제시하고자 한다. 이에 따라, 냉방 에너지 예측 모델을 개발하고 이를 기반으로 외기습구온도의 변화에 맞춰 최적의 냉수 및 냉각수 온도로 운전하는 알고리즘을 개발 및 적용하였다.
알고리즘의 제어변수는 냉수 공급온도(6~12℃,) 열교환기 측 냉각탑 냉각수 환수온도(4~10℃,) 냉동기 측 냉각탑 냉각수 환수온도(24~32℃로) 설정하였다. 예측 모델의 작성을 위해 제어변수를 2도 간격으로 조합해 총 80가지 유체 조합에서 냉방 에너지를 산출하였다. 각 조합별 제어변수 설정값을 제외한 다른 요소는 동일하게 운전하여, 제어변수의 변화에 따른 냉방 에너지 변화만을 검토하였다. 예측 모델의 작성에는 LSTM (Long Short-Term Memory)과 LightGBM (Light Gradient Boosting Mechanism)을 결합하여 구상하였다. 결합 모델은 데이터의 시계열 특성의 장기 의존성 문제를 효과적으로 해결할 수 있으며, 비선형적 구조적 특성을 반영할 수 있다는 특징이 있다. 또한 단일 모델 대비 더 안정적이고 높은 정확도를 제공하기에 본 논문에서 활용하기에 가장 적합하다고 판단하였다.
연구 개요
대상 건물 및 시스템 개요
실제 운영 중인 데이터센터의 운전 데이터를 취득하기 어려움 점을 고려하여, 본 논문에서는 다양한 선행 연구에서 활용되고 있는 표준모델인 Sun et al. (2021)에서 제시한 EnergyPlus Data Center Prototype을 선택하였다. 대규모 데이터센터 조건의 전산실의 조건을 반영하였으며, 실을 4개로 구획해 그 중 1개의 서버룸을 연구 대상으로 하여 시뮬레이션을 진행하였다. 그 외 사항은 Table 1과 같다.
Table 1.
Outline of IDC
시스템은 Water-side economizer 시스템으로 서버룸의 안정적인 환경 구성을 위해 실내 설정 온도는 ASHRAE TC 9.9에서 제시한 범위 내인 26℃로 설정하였다(ASHRAE, 2019). 대상 시스템의 장비는 건물의 최대 부하에 맞춰 선정하였으며, 냉동기 용량 1,047.9 kW, COP (Coefficient of Performance) 6.06, 냉각탑 용량 1,362.3 kW이다. 그 외 상세 사항은 Table 2와 같다. 또한 본 연구에서는 냉각탑을 기존 용량 대비 200%로 설계하여 열교환기와 냉동기의 부분 운전이 가능하게끔 하였다. 이에 따라 열교환기와 연결된 냉각탑을 Cooling tower 1(이하 CT 1), 냉동기와 연결된 냉각탑을 Cooling tower 2(이하 CT 2)로 명명하였다. 이렇게 설계된 시스템은 본 논문에서 Base 모델로 활용되어 예측 모델의 작성 및 최적 제어 알고리즘이 적용된 시스템의 성능을 비교·검토하는 기준이 된다.
Table 2.
Outline of HVAC system
예측 모델 작성 및 성능 검토
냉방 에너지 예측 모델의 제어변수는 냉수 공급온도, CT 1 (WSE) 냉각수 환수온도, CT 2 (Chiller) 냉각수 환수온도로 선정하였으며, 각각의 범위는 6~12℃, 4~10℃, 24~32℃이다. 각 온도를 2℃ 간격으로 조합해 총 80개의 연간 8,760시간의 에너지 사용량을 도출하여 예측 모델을 작성하였다.
예측 모델의 작성은 LSTM (Long Short-Term Memory)와 LightGBM (Light Gradient Boosting Machine)을 결합하여 활용하였다. 두 모델을 순차적으로 결합하는 스태킹(Stacking) 형태의 앙상블 기법을 적용하여, LSTM을 이용해 시간적 특징을 학습한 후, LightGBM을 통해 비선형 관계와 복합적 상호작용을 학습하여 최종 예측을 진행하였다.
모델 성능은 Table 3과 같으며, 검증에는 MAE (Mean Absolute Error), CV (RMSE) (Coefficient of Variation of Root Mean Squared Error), R-squared를 사용하였다. MAE는 약 1.13 kW로 적은 수준의 오차를 보였다. CV (RMSE)의 경우 ASHRAE Guideline 14 (2002)에서 제시하는 성능 기준 30% 미만인 4.31%로 나타나 적절한 성능을 지녔음을 확인하였으며, R-squared 또한 0.995로 우수한 수준을 보여 작성한 예측 모델이 적절한 성능을 보였기에 개발한 제어 알고리즘의 기반으로써 충분한 신뢰성을 확보하였다고 판단하였다.
Table 3.
Mean results of predicted model performance verification
| Verification Method | Result |
| MAE | 1.13 kW |
| CV (RMSE) | 4.31% |
| R-squared | 0.995 |
이후 작성한 예측 모델에 표준기상데이터를 접목하여 외기 조건별로 에너지를 최소로 사용하는 최적 냉수 및 냉각수 온도를 도출하여 각 온도별 최적 유체 조건을 파악하였다. 예측에 활용한 유체 온도 범위는 냉수 4~15℃, CT 1 냉각수 3~13℃, CT 2 냉각수 18~34℃로 설정하여 모델의 작성에 활용한 학습 데이터의 범위보다 넓게 설정되었다. 이는 예측 결과가 보다 광범위한 조건에 대해 도출될 수 있도록 함으로써 최적 유체 조건에 대한 다양한 분석을 진행하기 위함이다.
냉수 및 냉각수 최적 제어 알고리즘 작성
최적 유체 조합 선정
각 외기 습구온도별 최소 에너지 사용량을 달성하는 유체 온도 조건을 도출한 결과, 비효율적인 값을 제외하는 등의 유의미한 결과를 얻었으나, 한 외기 온도에서 최적으로 도출되는 유체 조합이 다수인 경우가 발생하여, 운전 현황과 같은 다른 조건을 반영해야함을 확인하였다(Go and Song, 2025).
Figure 2는 외기 조건별 빈번하게 도출된 최적 유체 온도를 나타낸 것이다. 파란 실선은 최적 조건으로 가장 자주 선정된 온도를 나타내며, 회색 음영 영역은 예측한 최적 온도의 중앙 50% 구간을 시각화한 것이다. 이를 통해 대표 최적 유체 조건 트렌드를 검토할 수 있다. 그러나 최빈값을 활용하여 시스템을 운전할 경우 외기 온도의 변동에 따라 냉수 및 냉각수가 큰 폭으로 변화하기에 시스템의 안정성과 제어 에너지 효율이 감소할 수 있다. 따라서, 본 논문에서는 가장 자주 선택된 온도와 최적 조건의 중앙 범위를 적절히 활용하여 유체 조합을 선정하도록 알고리즘을 설계하였다.
알고리즘 작성 방향
Figure 3는 개발된 최적 제어 알고리즘의 순서도로, 알고리즘은 운전 모드 결정(Cooling mode determination), 예측 모델 작성(Set predicted model), 최적 제어(Optimal control), 최적 온도 결정(Determine optimal temperature) 4단계로 구성되어있다.
첫 번째로 Cooling mode determination이다. WSE 시스템은 Free cooling 운전으로 냉동기의 가동 시간을 줄여 에너지 소비를 줄이는 것이 핵심이므로 운전 모드의 적절한 전환은 필수적이며, 아래 식 (1)을 기반으로 결정된다(Taylor, 2014). 본 논문에서는 냉각탑 및 열교환기의 어프로치 온도는 변수로 고려하지 않았기에, 외기습구온도를 기반으로 운전 모드를 결정한다.
여기서, Twb, full = Full-free cooling 가능한 외기습구온도 상한
Twb, partial = Partial-free cooling 가능한 외기습구온도 상한
Tchw,sup = 냉수 공급 온도 Tct, app = 냉각탑 어프로치 온도
Tchw,ret = 냉수 환수 온도 Thx, app = 열교환기 어프로치 온도
이후 앞서 작성한 예측 모델을 연동한다. 해당 모델을 활용해 냉방 에너지 예측값을 도출하고 최적 유체 조건을 검토한다.
다음으로 Optimal control을 위한 조건을 검토한다. 본 논문에서 설정한 조건은 외기 습구온도와 에너지 사용량이다. 먼저, 현재 시간대의 외기 온도와 이전 시간대의 외기 온도를 비교한다. 온도 차가 1도 미만인 경우, 최적 제어를 진행하지 않고 다음 시간대까지 현재 운전을 유지한다. 이는 1℃ 미만의 경우 최적 온도의 차이가 거의 없으며, 미세한 변화를 위해 제어를 수행하는 경우 유체 온도 변경에 필요한 부가적인 에너지가 과도하게 소모될 가능성이 있다고 판단하였기 때문이다. 다음으로 에너지 사용량을 검토한다. 현 시점의 에너지 사용량과 예측 모델 기반 에너지 사용량을 비교해 예측된 에너지 소비가 더 작은 경우에만 최적 제어를 진행한다. 반대의 경우, 최적 제어를 진행하더라도 에너지 절감 가능성이 없기 때문에 불필요한 제어를 방지하기 위해 현재 유체 온도를 유지하고 다음 시점에 제어 조건을 재검토하도록 한다. 제어 조건의 검토는 외기 습구온도가 유의미하게 변화할 가능성이 있으며, 해당 변화를 실시간에 준하여 검토할 수 있다고 판단한 20분 주기로 설정하였다.
마지막은 최적 제어 조건을 만족하였을 때, 현재 시점의 외기 습구온도에 가장 적합한 유체 온도를 선정하는 단계이다(Determine optimal temperature). 예측 모델을 기반으로 에너지를 최소로 소비하는 조합들을 도출한 후 현재 시간대의 냉수 및 냉각수 온도와의 거리를 검토하게끔 하였다. 이 방안은 시스템이 최적 제어를 통해 에너지 사용을 절감하게 하는 것뿐만 아니라, 목표 값으로 온도를 변경하기 위해 필요한 부가적인 에너지 소비를 최소화하도록 한다. 이를 통해 최적 유체 조합이 여러 개인 경우에서 합리적으로 제어할 수 있도록 알고리즘을 작성하여 시스템의 안정성을 확보하고, 온도를 목표 값으로 변경할 때 사용되는 에너지를 줄여 부가적인 에너지 소비를 절감하는 조합을 선택하였다.
위와 같은 과정을 기반으로 최적 제어 알고리즘을 설계하였으며, 이후 이를 WSE 시스템에 적용해 Base 모델과 에너지 사용량을 정량적으로 검토하였다.
최적 제어 결과
제어 유무에 따른 냉수 및 냉각수 온도 검토
Figure 4은 제어 여부에 따른 냉수, CT 1 냉각수, CT 2 냉각수 온도의 변화를 나타낸 그래프다. 이를 통해 제어 알고리즘의 적용으로 인한 WSE 시스템의 각 유체 온도 변화를 확인할 수 있다.
냉수 온도(CHW)의 경우, Base 모델은 외기 조건과 무관하게 불규칙한 패턴을 보이는 반면, 최적 제어가 적용된 WSE 에서는 외기 습구온도 구간별 운전 패턴이 상이하며, 이를 기반으로 최적 운전을 진행하고 있음을 확인하였다.
CT 1 냉각수 온도(CW1, WSE)는 냉수 온도보다 더 뚜렷한 차이가 관찰된다. Base 모델에서는 Partial-free cooling 운전 기간으로 추정되는 구간을 제외하고서는 냉각수 온도가 거의 일정한 경향을 보이지만, 최적 제어 알고리즘을 적용한 모델에서는 냉각수 온도가 설정 범위 내에서 일정한 패턴을 보이며 세밀하게 변화하고 있음을 확인할 수 있다. 또한 시스템 안정성 측면에서도 더 우수함을 추론할 수 있다.
CT 2 냉각수 온도(CW2, Chiller) 또한 제어에 따른 차이를 극명하게 보인다. Base 모델에서는, 외기 습구온도가 증가함에 따라 냉각수 온도가 지속적으로 상승하는 불규칙한 증가 패턴만을 보인다. 그러나 Optimal-algorithm WSE 모델에서는 설정 범위 내에서 냉각수 온도가 정교하게 변동하는 것을 파악하였다. 특히 외기 온도가 높은 환경에서도 냉각수 온도가 제어되는 것을 확인하여, 알고리즘의 적용을 통해 세밀한 운전이 가능해졌음을 입증한다.
Free cooling 운전 모드 검토
Figure 5는 최적 제어 알고리즘 적용에 따른 연간 운전 모드 기간의 변화를 나타낸다. 총 운전시간인 8,760시간을 기준으로, 각 운전 별 시간을 정량적으로 검토한 결과이다.
최적 제어를 통해 Full-free cooling 운전 기간은 기존 대비 300시간, Partial-free cooling 기간은 424시간 늘어나 전체 Free cooling 운전 기간이 724시간 증가, 연간 운전 비중은 8.4% 상승하였다. 그리고 Chiller cooling 운전 모드는 총 724시간 감소하여, 운전 비중이 8.4% 줄어들었다. 이는 Base 모델에서 Chiller cooling으로 운전되던 상당 부분이 Partial-free 또는 Full-free cooling으로 전환되었음을 의미한다.
냉열원 에너지 사용량
Figure 6은 Base 모델과 최적 제어 알고리즘 적용 모델의 연간 에너지 사용량을 비교한 그래프이다. 동계 및 중간기 일부 기간에는 Free cooling 운전으로 두 모델이 비슷한 수준의 에너지를 사용하지만, 최적 제어를 적용한 WSE 시스템에서 해당 운전 모드의 구현이 더 많은 것을 확인할 수 있다.
Chiller cooling 운전의 경우 Base 모델에서 약 180 kW 수준이던 피크치가 최적 제어 모델에서는 약 160 kW 전후로 낮아졌다. 또한 Partial-free cooling 운전 기간에서 최적 유체 조합의 적절한 선택으로 사용하는 에너지가 크게 절감되었음을 확인하였다. 이를 통해, 최적 제어 알고리즘의 적용이 피크 부하 시의 에너지 사용량을 효과적으로 낮추고 사용량을 감소시켜, 냉방 에너지 절감 및 시스템 효율 향상에 기여하였음을 알 수 있다.
Table 4는 시스템 운전 모드 및 요소 기기별 에너지 사용량을 나타내었다. 최적 제어 알고리즘의 적용으로 연간 에너지 사용량이 약 17.8% 절감되었다. 특히 Chiller cooling 운전 기간의 에너지가 508,876 kW에서 304,121 kW로 감소하여 40.2% 가량 절감되었다. 이를 통해 Free cooling 운전 기간이 효과적으로 증가하였음을 확인할 수 있다.
Table 4.
Energy consumption of optimal and base WSE
시스템 요소 기기별 에너지 사용량에서, Chiller는 39.7% 감소하였으나 AHU 및 pump + fan의 에너지는 각각 20.2%, 22.9% 상승하였다. 서버룸의 부하량이 동일한 조건에서, 제어 알고리즘의 적용으로 냉수 온도가 상승함에 따라 AHU 코일의 냉방 처리 열량이 줄어든다. 이를 상쇄하기 위해 공급 풍량이 증가하며, Free cooling 운전 기간이 늘어남에 따라 fan 사용량이 늘어나게 된다. 또한, 높은 냉수 온도로 인해 공급 및 환수 온도차가 감소하여, 동일한 냉방 열량을 확보하기 위해 냉수 유량이 증가함으로써 냉수 pump의 에너지 사용량이 증가한 것으로 판단된다.
결 론
본 연구는 Water-side economizer 시스템의 에너지 효율을 극대화하기 위해 최적 제어 알고리즘을 개발하고 적용하여 그 효용성을 정량적으로 검증하였다. 이를 위해, LSTM과 LightGBM을 활용하여 작성한 인공지능 기반 예측 모델을 기반으로 각 외기 습구온도 별로 에너지를 최소로 사용하도록 하는 최적 유체 온도 조합을 도출하였다. 유체 조합 중 가장 적절한 조합을 선정하는 로직을 포함한 시스템의 최적 제어 알고리즘을 개발하여 WSE 시스템에 적용하였다.
기존 Base 모델과 비교하여, 최적 제어 모델은 외기 조건에 따라 냉수, CT 1 냉각수, CT 2 냉각수 온도를 세밀하고 규칙적인 패턴으로 제어하여 시스템 운전 안정성을 높였다. 그리고 Free cooling 운전 기간이 기존 대비 724시간 증가, 이에 따라 Chiller cooling 운전이 감소하여 시스템의 효율을 향상하였다. 또한 알고리즘의 적용으로 피크 부하가 180 kW 수준에서 160 kW로 감소하였으며, 전체 시스템의 에너지 사용량이 기존 대비 약 17.8% 절감되어 알고리즘의 효용성을 입증하였다.
이에 따라, 본 연구에서 개발한 인공지능 기반의 WSE 시스템 최적 제어 알고리즘은 Free cooling 운전 기간을 증대시켜 데이터센터의 냉방 에너지를 절감하고 시스템의 효율을 향상시킴을 확인하였다. 향후, 실제 운영 데이터센터 환경에서의 실증을 통해 알고리즘의 유효성 및 실효성을 검증하고, 제어변수의 폭을 넓혀 최적 제어의 범위를 극대화하는 방향으로 연구를 진행하고자 한다.
