KR102437063B1 - 실내 냉방을 위한 적응형 최적 온도 제어 방법 및 시스템 - Google Patents
실내 냉방을 위한 적응형 최적 온도 제어 방법 및 시스템 Download PDFInfo
- Publication number
- KR102437063B1 KR102437063B1 KR1020200159461A KR20200159461A KR102437063B1 KR 102437063 B1 KR102437063 B1 KR 102437063B1 KR 1020200159461 A KR1020200159461 A KR 1020200159461A KR 20200159461 A KR20200159461 A KR 20200159461A KR 102437063 B1 KR102437063 B1 KR 102437063B1
- Authority
- KR
- South Korea
- Prior art keywords
- flow rate
- temperature
- cold water
- cooling
- water flow
- Prior art date
Links
Images
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
- H05K7/20836—Thermal management, e.g. server temperature control
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/2029—Modifications to facilitate cooling, ventilating, or heating using a liquid coolant with phase change in electronic enclosures
- H05K7/20381—Thermal management, e.g. evaporation control
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
- H05K7/208—Liquid cooling with phase change
- H05K7/20827—Liquid cooling with phase change within rooms for removing heat from cabinets, e.g. air conditioning devices
Landscapes
- Engineering & Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
본 발명은 실내 냉방을 위한 적응형 최적 온도 제어 방법 및 시스템에 관한 것으로서, 그 실내 냉방을 위한 적응형 최적 온도 제어 방법은 냉수의 유량으로 냉방온도를 제어하는 변유량 냉방장치를 이용한 실내 냉방을 위한 적응형 최적온도 제어방법에 있어서, 변유량 냉방장치에 의해 냉방된 후의 실내의 환기온도(TRA) 및 실내의 냉방부하를 획득하는 단계; 변유량 냉방장치의 최저 냉수유량과 최고 냉수유량 사이의 복수개의 냉수유량을 설정하는 단계; 냉방부하, 환기온도(TRA) 및 냉수유량을 입력으로 하여 학습된 인공신경망(ANN)을 통해 상기 설정된 냉수유량 별로 예측 온도(Tpred)를 산출하는 단계; 설정된 온도(Tset)와 그 산출된 예측온도(Tpred)를 비교하여 오차가 가장 작을 때의 냉수유량을 최적 냉수유량 (mopt)으로 결정하는 단계; 및 최적 냉수유량으로 상기 변유량 냉방장치에 냉수를 공급하는 단계를 포함한다.
본 발명에 의하면, 냉수 유량 조절을 통해 실내의 냉방장치, 예를 들어 데이터센터 전산실 실내기인 Computer Room Air Handler (CRAH)의 급기 온도를 제어할 수 있으며, 타 냉방장치가 설치된 장소, 예를 들어 타 데이터 센터에 적용이 되어도 안정적으로 냉방을 할 수 있다.
본 발명에 의하면, 냉수 유량 조절을 통해 실내의 냉방장치, 예를 들어 데이터센터 전산실 실내기인 Computer Room Air Handler (CRAH)의 급기 온도를 제어할 수 있으며, 타 냉방장치가 설치된 장소, 예를 들어 타 데이터 센터에 적용이 되어도 안정적으로 냉방을 할 수 있다.
Description
본 발명은 실내 냉방에 관한 것으로서, 특히 실내 냉방을 위한 적응형 최적 온도 제어 방법 및 시스템에 관한 것이다.
인터넷 데이터 센터 또는 통신 중계 기지국을 냉방시키는 냉방 시스템으로, 냉매 순환 장치와 냉각 유체 순환장치를 구비하고 냉각 유체 순환 장치의 냉각 유체의 흐름을 외기 온도에 따라서 선택적으로 바꿀 수 있도록 하여, 외기의 온도가 높은 하절기에는 냉매 순환 장치를 이용하여 실내 공간을 냉방하는 강제 냉방을 행할 수 있으며, 외기의 온도가 낮은 동절기에는 냉매 순환 장치를 사용하지 않고 냉각 유체 순환 장치를 사용하여 실내공간을 냉방하는 자연 냉방을 행할 수 있도록 한 냉방 시스템이 개시되어 있다.(국내공개특허공보 제10-2006-0060850호 참조)
종래 기술로는 공기조화 설비의 에너지 절감을 위한 예측모델 기반 제어 방법 및 에너지절감이 가능하거나 데이터센터의 안정적 가동을 위한 시스템 등이 있다. 그러나 종래 기술은 타 데이터센터 혹은 환경에 적용 시 최적 제어 및 안정성 보장이 가능한 적응 기능이 부재하였으며, 종래 기술은 국한된 시스템 내에서만 사용 가능하였다.
기존 데이터센터 공조설비 개발 및 제어는 각기 개발된 시스템 내에서의 알고리즘으로 제한된다. 대다수의 종래 기술은 공조설비의 개발 및 냉동기 제어 계장, 감독적 제어, 데이터 저장에 대해 국한되어 있으며 이는 안정성, 적응성, 친환경성을 종합적으로 고려하지 못했다. 데이터센터의 공조 시스템은 시설 별로 상이하며, 모든 시스템에서는 안정성이 최우선시 되어야 한다. 그러나 대다수 종래 기술의 경우 특정 시스템에 국한된 최적 제어를 수행하였으며, 데이터센터의 신축, 리모델링, 시설 확장 등이 이루어진다면 최적화를 다시 수행해야 하므로 경제적, 시간적 손실을 유발한다.
종래 기술은 데이터센터 내의 공조 에너지 소비 절감을 위한 친환경 시스템 발명 및 공기조화 설비(HVAC)의 냉동, 냉방기의 유량 제어에 대하여 국한되어 있었다.
본 발명이 해결하고자 하는 과제는 상술한 문제점을 해결하기 위해 창출된 것으로서, 냉수 유량 조절을 통해 실내에 설치된 냉방장치, 예를 들어 데이터센터 전산실 실내기인 Computer Room Air Handler (CRAH)의 급기 온도를 제어하기 위해, 타 냉방장치에 적용이 되어도 안정적인 냉방 공급이 가능하고, 인공신경망을 활용하여 냉방장치의 급기 예측모델을 이용한, 실내 냉방을 위한 적응형 최적 온도 제어 방법 및 시스템을 제공하는 것이다.
상기 기술적 과제를 이루기 위한 본 발명의 일시예에 의한 실내 냉방을 위한 적응형 최적 온도 제어 방법은, 냉수의 유량으로 냉방온도를 제어하는 변유량 냉방장치를 이용한 실내 냉방을 위한 적응형 최적온도 제어방법에 있어서, 상기 변유량 냉방장치에 의해 냉방된 후의 실내의 환기온도(TRA) 및 실내의 냉방부하를 획득하는 단계; 상기 변유량 냉방장치의 최저 냉수유량과 최고 냉수유량 사이의 복수개의 냉수유량을 설정하는 단계; 상기 냉방부하, 환기온도(TRA) 및 냉수유량을 입력으로 하여 학습된 인공신경망(ANN)을 통해 상기 설정된 냉수유량 별로 예측 온도(Tpred)를 산출하는 단계; 설정된 온도(Tset)와 상기 산출된 예측온도(Tpred)를 비교하여 오차가 가장 작을 때의 냉수유량을 최적 냉수유량(mopt)으로 결정하는 단계; 및 상기 최적 냉수유량으로 상기 변유량 냉방장치에 냉수를 공급하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 일시예에 의한 실내 냉방을 위한 적응형 최적 온도 제어 방법은 직전 냉방 사이클에서 산출된 예측온도(Tpred)와 상기 변유량 냉방장치의 급기온도(TSA)와 차이가 나면 상기 인공신경망(ANN)을 통해 상기 급기온도(TSA)가 출력될 때의 직전 냉방 사이클의 냉방부하, 환기온도(TSA) 및 현재 냉방사이클의 냉수유량을 입력으로 하고 상기 급기온도(TSA)가 출력되도록 학습하는 단계를 더 포함할 수 있다. 상기 인공신경망(ANN)은 냉수 유량 변화에 따른 급기온도 예측모델과 실시간 학습을 통해 최적 제어를 하는 적응형 알고리즘에 의해 학습될 수 있다.
급기온도 예측모델의 급기온도(TSA) 및 환기온도(TRA)는 수학식 3에 의해 결정될 수 있다.
[수학식 3]
(여기서, TSA는 변유량 냉방장치의 급기온도, TRA는 변유량 냉방장치의 환기온도, Qwater는 냉수열량, mair은 공기 풍량, cair는 공기비열, mwater는 냉수유량, cwater는 냉수비열, △Twater는 냉수 입출구 온도의 차 임)
상기 냉방부하는 컨테인먼트형 데이터 센터에 설치된 서버들이 사용하는 전력량을 단위시간당 열량으로 변환된 값 일 수 있다.
본 발명에 의한 실내 냉방을 위한 적응형 최적 온도 제어 방법은, 상기 변유량 냉동장치의 배수코일을 통해 배출되는 냉수는 냉동기로 입력되어 상기 냉동기의 냉매를 통해 열교환이 되어 상기 변유량 냉동장치의 급수코일로 다시 공급될 수 있다.
상기 기술적 과제를 이루기 위한 본 발명의 일시예에 의한 실내 냉방을 위한 적응형 최적 온도 제어 시스템은, 냉방 대상인 실내공간에 설치되고, 냉수의 유량으로 냉방온도를 제어하는 변유량 냉방장치; 상기 변유량 냉방장치에 의해 냉방된 후의 실내의 환기온도(TRA)를 감지하는 환기온도 센서; 냉수 유량 변화에 따른 급기온도 예측모델을 기반으로 실내의 냉방부하, 상기 환기온도(TRA) 및 상기 변유량 냉방장치에 공급되는 냉수 유량을 입력으로 하고, 상기 변유량 냉방장치가 공급하는 급기 온도를 학습하고 출력하는 인공신경망(ANN); 및 상기 변유량 냉방장치의 최저 냉수유량과 최고 냉수유량 사이의 복수개의 냉수유량을 설정하고, 상기 설정된 냉수유량 별로 상기 인공신경망(ANN)을 통해 출력된 예측 온도(Tpred)와 미리 설정된 온도(Tset)를 비교하여 오차가 가장 작을 때의 냉수유량을 최적 냉수유량(mopt)으로 결정하고, 상기 최적 냉수유량이 상기 변유량 냉방장치에 공급되게 하는 제어부를 포함한다.
상기 인공신경망(ANN)은 상기 인공신경망(ANN)을 통해 출력된 직전 냉방사이클의 예측온도(Tpred)와 상기 변유량 냉방장치의 현재 급기온도(TSA)와의 차이가 존재하면, 상기 인공신경망(ANN)을 통해 상기 급기온도가 출력될 때의 직전 냉방사이클의 냉방부하, 환기온도(TRA) 및 현재 냉방사이클의 냉수유량을 입력으로 하고 상기 현재의 급기온도(TSA)가 출력되도록 학습할 수 있다.
상기 인공신경망(ANN)은 냉수 유량 변화에 따른 급기온도 예측모델과 실시간 학습을 통해 최적 제어를 하는 적응형 알고리즘에 의해 학습되고, 상기 급기온도 예측모델의 급기온도(TSA) 및 환기온도(TRA)는 수학식 3에 의해 결정될 수 있다.
본 발명에 따른 실내 냉방을 위한 적응형 최적 온도 제어 시스템은 상기 변유량 냉동장치의 배수코일을 통해 배출되는 냉수를 받아들여 냉매를 이용하여 열교환하여 상기 변유량 냉동장치의 급수코일로 다시 공급되는 냉동기를 더 포함할 수 있다.
본 발명에 따른 실내 냉방을 위한 적응형 최적 온도 제어 방법 및 시스템에 의하면, 냉수 유량 조절을 통해 실내의 냉방장치, 예를 들어 데이터센터 전산실 실내기인 Computer Room Air Handler (CRAH)의 급기 온도를 제어할 수 있으며, 타 냉방장치가 설치된 장소, 예를 들어 타 데이터 센터에 적용이 되어도 안정적으로 냉방을 할 수 있다.
즉, 실내에 존재하는 냉방부하, 예를 들어 데이터 센터의 서버 부하, 냉방장치에 의해 냉방부하가 냉방될 때 배출되는 온도인 환기 온도 및 냉방장치에 공급되는 냉수 유량이 측정 될 수 있다면, 냉방 대상인 되는 공간, 예를 들어 데이터센터의 종류, 규모 및 용도가 다르더라도 최적 온도 제어가 가능하다.
또한 본 발명에 의하면, 실내 냉방을 위한 온도제어를 위해 수많은 독립 변수들을 대표할 수 있는 입력 변수를 최소한으로 선정하여 실시간 제어에 문제가 없도록 예측모델을 경량화 할 수 있으며, 높은 예측 정확도를 통해 실내 공간, 예를 들어 데이터센터에서 가장 중요한 안정성을 확보할 수 있다.
이는 새로운 시스템에 기존 제어 방식을 적용할 경우 발생하게 되는 최적화 문제에 대한 경제적, 시간적 비용을 최소화 시켜 적용의 용이성을 높일 수 있다.
본 발명의 실시예에서는 컨테인먼트형 데이터센터를 대상으로 하였으나 냉수 혹은 냉매 유량을 통해 온도 제어를 실시하는 냉방 시스템에 폭 넓게 적용될 수 있다.
도 1은 본 발명에 따른 실내 냉방을 위한 적응형 최적 온도 제어 시스템의 구성을 블록도로 나타낸 것이다.
도 2는 본 발명의 실시예에 따른 실내 냉방을 위한 적응형 최적 온도 제어 시스템이 적용되는 컨테인먼트형 데이터 센터의 구성에 대한 예를 나타낸 것이다.
도 3은 도 2의 컨테인먼트형 데이터 센터의 구조를 나타낸 것이다.
도 4는 본 발명의 일 실시예에 따른 실내 냉방을 위한 적응형 최적 온도 제어 시스템에서 급기예측 모델이 적용되는 인공신경망(ANN)의 일 예를 나타낸 것이다.
도 5는 본 발명의 일 실시예에 따른 실내 냉방을 위한 적응형 최적 온도 제어 시스템이 적용되는 데이터 센터의 냉수유량 최적 제어 프로세스를 나타낸 것이다.
도 6은 본 발명에 따른 실내 냉방을 위한 적응형 최적 온도 제어 방법을 흐름도로 나타낸 것이다.
도 7은 본 발명의 일 실시예에 따른 데이터 센터의 냉방을 위한 적응형 최적 온도 제어 방법을 흐름도로 나타낸 것이다.
도 2는 본 발명의 실시예에 따른 실내 냉방을 위한 적응형 최적 온도 제어 시스템이 적용되는 컨테인먼트형 데이터 센터의 구성에 대한 예를 나타낸 것이다.
도 3은 도 2의 컨테인먼트형 데이터 센터의 구조를 나타낸 것이다.
도 4는 본 발명의 일 실시예에 따른 실내 냉방을 위한 적응형 최적 온도 제어 시스템에서 급기예측 모델이 적용되는 인공신경망(ANN)의 일 예를 나타낸 것이다.
도 5는 본 발명의 일 실시예에 따른 실내 냉방을 위한 적응형 최적 온도 제어 시스템이 적용되는 데이터 센터의 냉수유량 최적 제어 프로세스를 나타낸 것이다.
도 6은 본 발명에 따른 실내 냉방을 위한 적응형 최적 온도 제어 방법을 흐름도로 나타낸 것이다.
도 7은 본 발명의 일 실시예에 따른 데이터 센터의 냉방을 위한 적응형 최적 온도 제어 방법을 흐름도로 나타낸 것이다.
이하, 첨부된 도면을 참조로 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원 시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
도 1은 본 발명에 따른 실내 냉방을 위한 적응형 최적 온도 제어 시스템의 구성을 블록도로 나타낸 것이다. 도 1을 참조하면, 본 발명에 따른 실내 냉방을 위한 적응형 최적 온도 제어 시스템은 변유량 냉방장치(110), 환기온도 센서(120), 인공신경망(ANN, 130) 및 제어부(140)을 포함하여 이루어지고, 냉동기(150)를 더 포함할 수 있다. 본 발명에 따른 실내 냉방을 위한 적응형 최적 온도 제어 시스템이 컨테인먼트형 데이터 센터에 적용될 경우, 상기 냉방부하는 컨테인먼트형 데이터 센터에 설치된 서버들이 사용하는 전력량을 단위시간당 열량으로 변환된 값일 수 있다.
변유량 냉방장치(110)는 냉방 대상인 실내공간에 설치되고, 냉수의 유량으로 냉방온도를 제어한다. 환기온도 센서(120)는 변유량 냉방장치(110)에 의해 냉방된 후의 실내의 환기온도(TRA)를 감지한다.
인공신경망(ANN, 130)은 냉수 유량 변화에 따른 급기온도 예측모델을 기반으로 실내의 냉방부하, 상기 환기온도(TRA) 및 변유량 냉방장치(110)에 공급되는 냉수 유량을 입력으로 하고, 변유량 냉방장치(110)가 공급하는 급기 온도를 학습하고 출력한다. 인공신경망(ANN, 130)은 냉수 유량 변화에 따른 급기온도 예측모델과 실시간 학습을 통해 최적 제어를 하는 적응형 알고리즘에 의해 학습되고, 출력되는 예측온도(Tpred)와 변유량 냉방장치(110)의 급기온도(TSA)와의 차이가 존재하면, 상기 급기온도(TSA)가 출력될 때의 냉방부하, 환기온도(TRA) 및 냉수유량을 입력으로 하고 상기 급기온도(TSA)가 출력되도록 학습할 수 있다.
상기 예측모델은 특정 상황에서 다양한 냉수 유량이 적용되었을 시 미래의 급기 온도를 예측하며, 이 과정에서 해당 상황에 대한 최적 냉수 유량을 도출하게 된다. 그러나 적용되는 데이터센터의 종류, 규모 및 용도에 따라 상황에 대한 최적 냉수 유량은 달라진다. 따라서 적응형 최적 제어알고리즘을 통해 실시간 학습을 통해 지속적으로 예측모델을 업데이트하여 자가 보정의 기능을 가질 수 있다.
제어부(140)는 변유량 냉방장치(110)의 최저 냉수유량과 최고 냉수유량 사이의 복수개의 냉수유량을 설정하고, 상기 설정된 냉수유량 별로 인공신경망(ANN, 130)을 통해 출력된 예측 온도(Tpred)와 미리 설정된 온도(Tset)를 비교하여 오차가 가장 작을 때의 냉수유량을 최적 냉수유량(mopt)으로 결정하고, 상기 최적 냉수유량이 변유량 냉방장치(110)에 공급되게 한다.
냉동기(150)는 변유량 냉동장치(110)의 배수코일을 통해 배출되는 냉수를 받아들여 냉매를 이용하여 열교환하여 변유량 냉동장치(110)의 급수코일로 다시 공급된다.
도 2는 본 발명의 실시예에 따른 실내 냉방을 위한 적응형 최적 온도 제어 시스템이 적용되는 컨테인먼트형 데이터 센터의 구성에 대한 예를 나타낸 것이다. 그리고 도 3은 도 2의 컨테인먼트형 데이터 센터의 구조를 나타낸 것이다.
도 2 및 도 3을 참조하면, 컨테인먼트형 데이터센터(200)는 냉복도(240) 혹은 열복도(230)를 차폐한 구조이다. 일반적으로 서버에 찬 공기가 인입되는 서버 전면부를 냉복도(240), 서버를 식히고 뜨거운 공기가 토출되는 서버 후면을 열복도(230) 라고 한다. 냉복도와 열복도를 차폐 시킬 시, 주변 공기와의 혼합을 방지하여 냉방의 효율을 극대화 시킨다.
CRAH (Computer Room Air Handler, 220)는 냉수 코일과 팬으로 구성된 실내기에 해당한다. In-row형 CRAH는 서버 옆에 설치되며 천정형, 바닥형과 구분된다. 팬은 열복도(230)에서 흡입한 공기의 양만큼 냉복도(240)에 토출하기 위해 자동으로 속도가 제어된다. 만일 흡입한 만큼 공기를 토출하지 못하면 냉복도(240)의 압력이 열복도(230)의 압력보다 낮아져 역압이 걸리게 된다. 역압이 걸리면 뜨거운 공기가 서버 및 랙(210)의 틈새를 통해 냉복도(240)로 새어 나올 수 있다. 따라서 팬은 온도제어와는 관련이 없으나 풍량이 높아지면 수학식 1에 의해 공기가 가지는 열량이 증가하기 때문에 유의하여야 한다.
[수학식 1]
Qair = mair * cair * ▽Tair
여기서, Qair은 공기열량 [kcal/hr], mair은 공기풍량 [kg/hr], cair은 공기비열 [kcal/kgC], △Tair은 서버 입출구 온도의 차를 나타낸다.
흡입되는 풍량은 서버 내부의 팬이 얼마나 작동하는가에 따라 결정되며 일반적으로 서버 팬은 서버 입출구 온도의 차이가 10~11 ℃가 되도록 제어된다.
본 발명의 인공신경망(ANN, 130)은 냉수 유량 변화에 따른 급기 온도 예측모델과 실시간 학습을 통해 최적 제어를 실시하는 적응형 제어알고리즘을 적용하여 구성될 수 있다. 상기 예측모델은 다양한 변수를 입력변수로 받아 출력 값을 예측한다. 이때 본 발명이 데이터 센터에 적용될 경우, 출력 값은 CRAH(Computer Room Air Hander)에서 토출되는 급기 온도이다. 일반적으로 냉·난방기의 급기 온도는 외기 온습도, 침기, 벽체 단열 값 등의 영향을 받으나 관련된 모든 데이터를 취득하는 것은 경제적, 시간적으로 소비가 크다. 또한 예측모델이 실시간 제어에 사용되기 위해서는 신속한 연산과 높은 정확도가 보장되어야 한다. 따라서 여러 독립 변수 중 관련 인자에 대한 영향성을 포함할 수 있는 최소한의 인자를 선별하며 입력변수로 사용한다.
본 발명에서는 열역학 제 1법칙에 기반한 수학식 1에 의거하여 최종 입력변수를 선정한다. 여기서, Q는 열량으로 제거 되어야할 냉방부하이다. 본 발명이 데이터센터에 적용될 경우, 데이터센터 서버의 전력 사용량(kW)은 열량 값으로 변환될 수 있다. 또한 서버에 인입되는 찬 공기과 서버를 식히고 나오는 뜨거운 공기의 차이가 곧 △T 이며, 이때 인입된 공기의 풍량과 비열이 각각 m과 c이다. 일반적으로 서버 풍량은 자체적으로 제어되며 이로 인해 서버 전후면의 온도차는 10~11℃ 로 유지된다. 냉·열복도 차폐형 컨테인먼트와 In-row cooling 방식의 냉방 시스템 특성상 CRAH의 급기는 열손실을 최소로하여 바로 서버로 인입되며 서버를 식히고 배출되는 공기는 외부 공기와의 혼합 없이 바로 CRAH로 흡입된다.
CRAH에 설치된 냉수코일(Cooling Coil)에는 냉동기에서 출수되는 냉수(Chilled Water)가 흐르며 냉수와 공기가 열교환을 일으켜 찬 공기를 토출한다. 본 발명에 사용된 냉방시스템은 급기온도를 설정온도에 맞추기 위하여 냉수 유량을 제어한다. 일반적으로 냉수는 시스템 안정도 및 열교환 효율을 위하여 7 ℃로 공급되어 12 ℃로 회수된다. 따라서 냉수가 제거하는 냉방 부하는 수학식 2와 같이 정의되며 이때 △Twater는 5 ℃로 유지된다.
[수학식 2]
Qwater = mwater * cwater * ▽Twater
여기서, Qwater 는 냉수 열량 [kcal/hr], mwater 는 냉수 유량 [kg/hr], cwater 는 냉수 비열 [kcal/kgC], △Twater 는 냉수 입출구 온도의 차를 나타낸다.
수학식 1과 수학식 2에 따라 CRAH 급기 온도는 수학식 3과 같이 산출될 수 있다. 공기와 물의 비열은 값이 일정하며 공기 풍량은 서버 내부 팬에 의해 자동 제어되어 IT 부하 값에 포함된다. 또한 냉수 입출구 온도차도 5 ℃로 고정되기 때문에 급기 온도는 환기 온도, IT 부하, 냉수 유량에 의해 결정된다.
따라서 최종적으로 급기 온도 예측모델의 입력 변수는 환기 온도, IT 부하, 냉수 온도로 결정한다. 상술한 내용을 바탕으로 개발한 급기 온도 예측모델의 구조는 도 4와 같다. 도 4는 본 발명의 일 실시예에 따른 실내 냉방을 위한 적응형 최적 온도 제어 시스템에서 급기예측 모델이 적용되는 인공신경망(ANN)의 일 예를 나타낸 것이다. 도 4를 참조하면, 입력변수는 환기 온도, IT 부하, 냉수 유량이고, 출력은 급기온도이며, 은닉층은 2개 노드는 각 14개이다.
[수학식 3]
여기서, TSA 는 CRAH 급기 온도, TRA 는 CRAH 환기 온도를 나타낸다.
적응형 최적 제어알고리즘을 설명하기로 한다. 도 5는 본 발명의 일 실시예에 따른 실내 냉방을 위한 적응형 최적 온도 제어 시스템이 적용되는 데이터 센터의 냉수유량 최적 제어 프로세스를 나타낸 것이다.
비교부(520)는 설정온도와 데이터센터의 CRAH 급기 온도의 오차를 계산하여 제어부(430)로 값을 전달한다. 제어부(530)는 오차에 대해 보정을 수행한다. 도 7의 과정을 통하여 100가지 냉수 유량에 대한 급기 온도를 예측하며 설정온도와 예측온도의 오차가 가장 작은 최적 냉수 유량을 도출한다. 도 7은 후술하기로 한다.
도출된 최적 냉수 유량 값은 냉동기(540)로 전달되어 출수되고, 냉수는 CRAH(540)의 냉수 코일에 투입됨으로써 환기를 냉방시키고 냉방이 완료된 급기를 데이터센터(550)에 공급한다. 센서로 인해 측정된 급기 온도는 비교부(520)로 전달되어 설정온도와의 오차를 출력한다. 데이터센터(550)의 서버를 식히고 배출되는 뜨거운 환기 온도와 IT 부하는 센서로 측정되어 예측모델의 입력 값으로 사용된다.
도 6은 본 발명에 따른 실내 냉방을 위한 적응형 최적 온도 제어 방법을 흐름도로 나타낸 것이다. 도 1과 도 6을 참조하면, 먼저 변유량 냉방장치(110)에 의해 냉방된 후의 현재의 실내 환기온도(TRA), 실내 냉방부하 및 현재 급기온도(TSA)를 획득한다.(S610단계)
직전 사이클에서 예측되었던 예측온도(Tpred)와 상기 변유량 냉방장치의 현재 급기온도(TSA)를 비교한다.(S620단계) 현재 급기온도(TSA)는 급기온도센서(170)에 의해 감지될 수 있다.
상기 예측온도(Tpred)와 상기 급기온도(TSA)를 비교한 결과 차이가 나면, 인공신경망(ANN, 130)을 통해 상기 급기온도(TSA)가 출력될 때의 직전 냉방 사이클에서의 냉방부하, 환기온도(TSA) 및 현재 냉수유량을 입력으로 하고 현재 급기온도(TSA)가 출력되도록 학습할 수 있다.(S630단계)
S620단계에서 상기 예측온도(Tpred)와 상기 급기온도(TSA)를 비교한 후, 변유량 냉방장치(110)의 최저 냉수유량과 최고 냉수유량 사이의 복수개의 냉수유량을 설정한다.(S640단계) 상기 냉방부하, 환기온도(TRA) 및 냉수유량을 입력으로 하여, 미리 학습된 인공신경망(ANN, 130)을 통해 상기 설정된 냉수유량 별로 예측 온도(Tpred)를 산출한다.(S650단계) 여기서, 상기 설정된 냉수유량 별 예측 온도(Tpred)는 다음 냉방 사이클의 급기온도(TSA(n+1))와 비교되는 예측 온도 (Tpred(n))이다.
설정된 온도(Tset)와 상기 산출된 예측온도(Tpred)를 비교하여 오차가 가장 작을 때의 냉수유량을 최적 냉수유량(mopt)으로 결정한다.(S640단계) 상기 최적 냉수유량으로 변유량 냉방장치(110)에 냉수를 공급하여 냉동사이클을 가동한다.(S670단계)
한편, 인공신경망(ANN, 130)은 상술한 바와 같이, 냉수 유량 변화에 따른 급기온도 예측모델과 실시간 학습을 통해 최적 제어를 하는 적응형 알고리즘에 의해 학습되며, 급기온도 예측모델의 급기온도(TSA) 및 환기온도(TRA)는 수학식 3에 의해 결정될 수 있다. 본 발명이 컨테인먼트형 데이터센터에 적용될 경우, 냉방부하는 컨테인먼트형 데이터 센터에 설치된 서버들이 사용하는 전력량을 단위시간당 열량으로 변환된 값이 될 수 있다. 그리고 변유량 냉동장치(110)의 배수코일을 통해 배출되는 냉수는 냉동기(150)로 입력되어 냉동기(150)의 냉매를 통해 열교환이 되어 변유량 냉동장치(110)의 급수코일로 다시 공급될 수 있다.
한편, 도 7은 본 발명의 일 실시예에 따른 데이터 센터의 냉방을 위한 적응형 최적 온도 제어 방법을 흐름도로 나타낸 것으로서, 도 7을 참조하여 최적 냉수 유량을 도출하는 방법과 예측모델의 재학습을 실시하는 적응형 최적 제어알고리즘을 설명하기로 한다. 먼저 센싱을 통해 n번째(현재) 사이클의 환기온도, 냉방부하, 급기온도 데이터를 취득한다.(S710단계) n-1번째(과거) 사이클에서 예측되었던 Tpred(n-1)와 현재의 급기온도(TSA(n))를 비교한다.(S720단계) 비교결과, 두 값이 다르다면 TRA(n-1), IT Load(n-1), mopt(n)를 입력으로 하고, TSA(n)을 출력으로 하여 예측모델을 재학습한다.(S730단계) 이는 기존 예측모델의 weight와 bias를 수정하게 되며 해당 IT Load, TRA 상황에서 mopt가 제공된다면 Tpred가 아닌 TSA가 맞는 정답임을 예측모델에 학습시키는 과정이다.
그리고 나서 TRA(n), IT Load(n), 최저 냉수유량과 최고냉수유량 사이의 값으로 구성된 100개의 데이터를 생성한다.(S740단계) 즉, 입력 변수로 사용될 냉수 유량 값을 생성하게 되는데, 냉방 시스템의 용량에 따라 최소·최대 냉수 유량(mmin, mmax)값이 상이하므로 수학식 4에 의해 100가지의 유량을 도출한다.
[수학식 4]
mwater는 시스템의 최소·최대 냉수 유량을 100단계로 나눈 값이다. 도출된 유량은 IT Load, TRA와 함께 ANN에 입력된다. 즉, ANN은 IT Load와 TRA가 센싱된 값을 가지는 상황에서 100가지의 냉수 유량이 적용된다면 급기 온도가 어떻게 변하는지를 예측하게 된다. 해당 과정을 거쳐 100가지의 예측 급기 온도(Tpred)가 출력된다.(S750단계) 즉, S740단계에서 생성된 데이터를 ANN에 대입하여 n+1번째(미래) 사이클의 급기온도(Tpred(n))를 예측한다.
상기 급기예측온도Tpred(n)와 설정온도(Tset)를 비교하여 오차(Error)를 생성한다. 이 때 오차의 절대값이 0.1 미만일 때의 최적유량(mwater)를 최적 냉수 유량(mopt(n+1)으로 선정한다.(S760단계) 선정된 mopt(n+1)로 n+1 번째 냉동사이클을 가동 한다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.
110 : 변유량 냉방장치 120 : 환기온도센서
130 : 인공신경망(ANN) 140 : 제어부
150 : 냉동기 160 : 급기온도센서
170 : 냉방부하 200 : 컨테인먼트형 데이터 센터
210 : 랙(RACK) 220 : CRAH(Computer Room Air Handler)
230 : 열복도(Hot Aisle) 240 : 냉복도(Cold Aisle)
510 : 설정온도 세팅부 520 : 비교기
530 : 제어부 540 : 냉동기 & CRAH
550 : 데이터센터
130 : 인공신경망(ANN) 140 : 제어부
150 : 냉동기 160 : 급기온도센서
170 : 냉방부하 200 : 컨테인먼트형 데이터 센터
210 : 랙(RACK) 220 : CRAH(Computer Room Air Handler)
230 : 열복도(Hot Aisle) 240 : 냉복도(Cold Aisle)
510 : 설정온도 세팅부 520 : 비교기
530 : 제어부 540 : 냉동기 & CRAH
550 : 데이터센터
Claims (11)
- 냉수의 유량으로 냉방온도를 제어하는 변유량 냉방장치를 이용한 실내 냉방을 위한 적응형 최적온도 제어방법에 있어서,
상기 변유량 냉방장치에 의해 냉방된 후의 실내의 환기온도(TRA) 및 실내의 냉방부하를 획득하는 단계;
상기 변유량 냉방장치의 최저 냉수유량과 최고 냉수유량 사이의 복수개의 냉수유량을 설정하는 단계;
상기 냉방부하, 환기온도(TRA) 및 냉수유량을 입력으로 하여 학습된 인공신경망(ANN)을 통해 상기 설정된 냉수유량 별로 예측 온도(Tpred)를 산출하는 단계;
설정된 온도(Tset)와 상기 산출된 예측온도(Tpred)를 비교하여 오차가 가장 작을 때의 냉수유량을 최적 냉수유량(mopt)으로 결정하는 단계; 및
상기 최적 냉수유량으로 상기 변유량 냉방장치에 냉수를 공급하는 단계를 포함하는 것을 특징으로 하는 실내 냉방을 위한 적응형 최적 온도 제어 방법. - 제1항에 있어서,
직전 냉방 사이클에서 산출된 예측온도(Tpred)와 상기 변유량 냉방장치의 급기온도(TSA)와 차이가 나면 상기 인공신경망(ANN)을 통해 상기 급기온도(TSA)가 출력될 때의 직전 냉방 사이클의 냉방부하, 환기온도(TSA) 및 현재 냉방사이클의 냉수유량을 입력으로 하고 상기 급기온도(TSA)가 출력되도록 학습하는 단계를 더 포함하는 것을 특징으로 하는 실내 냉방을 위한 적응형 최적 온도 제어 방법. - 제1항에 있어서, 상기 인공신경망(ANN)은
냉수 유량 변화에 따른 급기온도 예측모델과 실시간 학습을 통해 최적 제어를 하는 적응형 알고리즘에 의해 학습되는 것을 특징으로 하는, 실내 냉방을 위한 적응형 최적 온도 제어 방법. - 제1항에 있어서, 상기 냉방부하는
컨테인먼트형 데이터 센터에 설치된 서버들이 사용하는 전력량을 단위시간당 열량으로 변환된 값 임을 특징으로 하는 실내 냉방을 위한 적응형 최적 온도 제어 방법. - 제1항에 있어서,
상기 변유량 냉동장치의 배수코일을 통해 배출되는 냉수는 냉동기로 입력되어 상기 냉동기의 냉매를 통해 열교환이 되어 상기 변유량 냉동장치의 급수코일로 다시 공급되는 것을 특징으로 하는, 실내 냉방을 위한 적응형 최적 온도 제어 방법. - 냉방 대상인 실내공간에 설치되고, 냉수의 유량으로 냉방온도를 제어하는 변유량 냉방장치;
상기 변유량 냉방장치에 의해 냉방된 후의 실내의 환기온도(TRA)를 감지하는 환기온도 센서;
냉수 유량 변화에 따른 급기온도 예측모델을 기반으로 실내의 냉방부하, 상기 환기온도(TRA) 및 상기 변유량 냉방장치에 공급되는 냉수 유량을 입력으로 하고, 상기 변유량 냉방장치가 공급하는 급기 온도를 학습하고 출력하는 인공신경망(ANN); 및
상기 변유량 냉방장치의 최저 냉수유량과 최고 냉수유량 사이의 복수개의 냉수유량을 설정하고, 상기 설정된 냉수유량 별로 상기 인공신경망(ANN)을 통해 출력된 예측 온도(Tpred)와 미리 설정된 온도(Tset)를 비교하여 오차가 가장 작을 때의 냉수유량을 최적 냉수유량(mopt)으로 결정하고, 상기 최적 냉수유량이 상기 변유량 냉방장치에 공급되게 하는 제어부를 포함하는, 실내 냉방을 위한 적응형 최적 온도 제어 시스템. - 제7항에 있어서, 상기 인공신경망(ANN)은
상기 인공신경망(ANN)을 통해 출력된 직전 냉방사이클의 예측온도(Tpred)와 상기 변유량 냉방장치의 현재 급기온도(TSA)와의 차이가 존재하면, 상기 인공신경망(ANN)을 통해 상기 급기온도가 출력될 때의 직전 냉방사이클의 냉방부하, 환기온도(TRA) 및 현재 냉방사이클의 냉수유량을 입력으로 하고 상기 현재의 급기온도(TSA)가 출력되도록 학습하는 것을 특징으로 하는 실내 냉방을 위한 적응형 최적 온도 제어 시스템. - 제7항에 있어서, 상기 인공신경망(ANN)은
냉수 유량 변화에 따른 급기온도 예측모델과 실시간 학습을 통해 최적 제어를 하는 적응형 알고리즘에 의해 학습되고, 상기 급기온도 예측모델의 급기온도(TSA) 및 환기온도(TRA)는
[수학식 3]
(여기서, TSA는 변유량 냉방장치의 급기온도, TRA는 변유량 냉방장치의 환기온도, Qwater는 냉수열량, mair은 공기 풍량, cair는 공기비열, mwater는 냉수유량, cwater는 냉수비열, ▽Twater는 냉수 입출구 온도의 차 임)
수학식 3에 의해 결정되는 것을 특징으로 하는, 실내 냉방을 위한 적응형 최적 온도 제어 시스템. - 제7항에 있어서, 상기 냉방부하는
컨테인먼트형 데이터 센터에 설치된 서버들이 사용하는 전력량을 단위시간당 열량으로 변환된 값 임을 특징으로 하는 실내 냉방을 위한 적응형 최적 온도 제어 시스템. - 제7항에 있어서,
상기 변유량 냉동장치의 배수코일을 통해 배출되는 냉수를 받아들여 냉매를 이용하여 열교환하여 상기 변유량 냉동장치의 급수코일로 다시 공급되는 냉동기를 더 포함하는 것을 특징으로 하는, 실내 냉방을 위한 적응형 최적 온도 제어 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200159461A KR102437063B1 (ko) | 2020-11-25 | 2020-11-25 | 실내 냉방을 위한 적응형 최적 온도 제어 방법 및 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200159461A KR102437063B1 (ko) | 2020-11-25 | 2020-11-25 | 실내 냉방을 위한 적응형 최적 온도 제어 방법 및 시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220072158A KR20220072158A (ko) | 2022-06-02 |
KR102437063B1 true KR102437063B1 (ko) | 2022-08-25 |
Family
ID=81985114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200159461A KR102437063B1 (ko) | 2020-11-25 | 2020-11-25 | 실내 냉방을 위한 적응형 최적 온도 제어 방법 및 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102437063B1 (ko) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015055444A (ja) | 2013-09-13 | 2015-03-23 | 富士通株式会社 | 空調装置 |
KR101754536B1 (ko) | 2016-07-21 | 2017-07-07 | 성균관대학교산학협력단 | 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치 |
KR102090281B1 (ko) | 2019-09-17 | 2020-03-17 | (주)한일엠이씨 | 데이터 센터 건물의 냉방 에너지 성능 평가 시스템 및 방법 |
JP2020183856A (ja) | 2019-04-26 | 2020-11-12 | ダイキン工業株式会社 | 機械学習装置、空調システム及び機械学習方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101875488B1 (ko) | 2018-03-22 | 2018-07-06 | 윤홍익 | 인공지능 이용하여 냉방 시스템을 자동으로 제어하는 장치 및 방법 |
-
2020
- 2020-11-25 KR KR1020200159461A patent/KR102437063B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015055444A (ja) | 2013-09-13 | 2015-03-23 | 富士通株式会社 | 空調装置 |
KR101754536B1 (ko) | 2016-07-21 | 2017-07-07 | 성균관대학교산학협력단 | 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치 |
JP2020183856A (ja) | 2019-04-26 | 2020-11-12 | ダイキン工業株式会社 | 機械学習装置、空調システム及び機械学習方法 |
KR102090281B1 (ko) | 2019-09-17 | 2020-03-17 | (주)한일엠이씨 | 데이터 센터 건물의 냉방 에너지 성능 평가 시스템 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
KR20220072158A (ko) | 2022-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9291358B2 (en) | Accuracy-optimal control decisions for systems | |
US10514178B2 (en) | Central plant control system with computation reduction based on graph theory | |
US8346398B2 (en) | Data center thermal performance optimization using distributed cooling systems | |
JP5176840B2 (ja) | 空調制御システム及び空調制御方法 | |
US20200166230A1 (en) | Controller for hvac unit | |
US10900686B2 (en) | Central plant control system with time dependent deferred load | |
US20210215376A1 (en) | Central plant control system with computation reduction based on sensitivity analysis | |
US7403827B2 (en) | Equipment control system | |
US20180192548A1 (en) | Cooling control for data centers with cold aisle containment systems | |
US10824125B2 (en) | Central plant control system based on load prediction through mass storage model | |
US20120215373A1 (en) | Performance optimization in computer component rack | |
JP2015505400A (ja) | Hvacユニットの気温制御 | |
CN110740617B (zh) | 机架式变频空调控制方法和机架式变频空调 | |
KR20190094042A (ko) | 인공지능을 이용한 파라미터 학습에 기반한 공기조화기, 클라우드 서버, 공기조화기의 구동 및 제어 방법 | |
Gao et al. | An optimization strategy for the control of small capacity heat pump integrated air-conditioning system | |
SG192105A1 (en) | Air-conditioning control system and air-conditioning control method | |
KR102032811B1 (ko) | 냉동기의 제거열량을 이용한 에너지소비 절감 장치 및 방법 | |
CN111836524A (zh) | 基于it负载变化的数据中心列间精密空调变风量调控方法 | |
US10767889B2 (en) | Central air conditioning system | |
KR102437063B1 (ko) | 실내 냉방을 위한 적응형 최적 온도 제어 방법 및 시스템 | |
CN116954329A (zh) | 制冷***的状态调节方法、装置、设备、介质及程序产品 | |
KR102314866B1 (ko) | 전산실 온도 제어 시스템 | |
Zhai et al. | Operating points as communication bridge between energy evaluation with air temperature and velocity based on extreme learning machine (ELM) models | |
Wu et al. | On the validity of decomposition for distributed parameter estimation in complex dynamical systems: The case of cooling systems | |
Gao et al. | Experimental study of a bilinear control for a GSHP integrated air-conditioning system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |