PUE 이상을 냉방설비까지 추적한
다중 데이터센터 성능개선

1. PUE가 높다는 사실만으로는 무엇을 고쳐야 할지 알 수 없다

데이터센터의 PUE는 전체 전력 중 IT 장비 외의 에너지 오버헤드가 어느 정도인지를 빠르게 보여주는 유용한 지표다. 하지만 PUE가 높게 나타났다는 사실만으로 냉방기, 냉동기, 냉각탑, 펌프 가운데 어디에 문제가 있는지는 알 수 없다.

그래서 이 사례의 출발점은 PUE를 평가점수로 사용하는 것이 아니라 “왜 이 센터, 이 층, 이 시간대의 PUE가 다른 곳보다 높았는가?”를 묻는 것이었다. PUE의 이상을 발견하면 냉방전력과 냉방기 운전상태로 내려가고, 다시 개별 설비와 제어조건으로 원인을 추적하는 방식이다.

2. 실제 데이터에서 특정 층·시간대의 이상을 찾았다

2017년 8월 14~20일 한 센터의 층별 PUE를 분석한 결과, 특정 전산실의 8월 16일 13:00 PUE가 1.848로 나타났다. 같은 시점의 센터 평균은 1.576이었다. 단순히 “PUE가 높다”에서 끝내지 않고 해당 층의 냉방기 운전상태를 확인한 결과, 일부 냉방기가 냉각 없이 Fan만 가동되고 있는 상태가 주요 원인으로 확인되었다.

이 발견은 중요한 진단 흐름을 보여준다. PUE 차이를 발견하고 → 냉방에너지로 범위를 좁히고 → 실제 냉방기 운전상태를 확인한 뒤 → 불필요하게 Fan만 가동되는 설비를 목록화하여 정지 가능성을 검토했다. KPI가 실제 조치대상으로 연결된 것이다.

3. UPOS를 구축한 목적 — 주간 데이터 분석을 실제 개선활동으로 연결

원자료를 더 자세히 보면 이 프로젝트는 일회성 진단에 그치지 않고, 계측데이터를 지속적으로 분석하기 위한 UPOS를 구축하여 성능개선활동을 반복하는 구조로 진행되었다. 2017년 6월 계측기 설치와 1차 데이터 연계를 진행하고 UPOS 프로그램을 구축했으며, 이후 화면표시·조회일자 기록·차트 축 설정과 일부 데이터 오류를 보완하면서 분석환경을 정비했다.

실제 운영절차도 구체적이었다. 분석 수행팀이 월요일부터 일요일까지의 주간 운전데이터를 분석해 문제점을 발굴하고, TF 회의에서 해당 문제를 협의하면서 UPOS를 이용한 심층분석을 시연했다. 그 다음 항목별 개선계획과 센터별 조치사항을 확정하고, 조치 후 개선결과를 다시 확인하는 방식이었다.

이 과정은 데이터 플랫폼의 역할을 잘 보여준다. 시스템을 구축하는 것 자체가 목적이 아니라, 반복적으로 문제를 찾고 운영자와 조치한 뒤 결과를 다시 데이터로 확인하는 업무 Cycle을 만드는 것이 핵심이었다.

4. 하지만 다른 센터까지 바로 비교하지 않았다 — 먼저 데이터 정합성

다중 센터 분석에서 가장 먼저 해결해야 할 문제는 데이터의 신뢰도였다. 원자료에는 당시 한 센터에서만 계측데이터 정합성이 일정 수준 확보되어 있었고, 다른 여러 센터는 계측데이터 확인과 교정 작업을 진행 중이라고 기록되어 있다.

이 점은 매우 중요하다. PUE를 소수점 세 자리까지 계산할 수 있다고 해서 그 숫자가 정확하다는 뜻은 아니다. 전체전력과 IT전력의 계측시점, CT/PT, 누락데이터, 계측기 Calibration과 데이터 연계가 맞지 않으면 센터 간 차이가 실제 성능차이가 아니라 측정오차 또는 데이터 정합성 차이일 수 있다.

당시 가산센터에 대해서만 데이터 정합성이 일정 수준 확보되어 있었고, 논현·서초1·서초2·평촌은 정합성 확보를 진행 중이었다. 따라서 다른 센터에도 동일한 성능개선 절차를 바로 적용하기보다 계측데이터의 신뢰성이 확보되는 즉시 분석을 확대하는 순서를 택했다. 데이터 기반 진단에서는 분석기법보다 먼저 데이터가 비교 가능한 상태인지 확인해야 한다는 실무적인 판단이다.

5. 냉방기 EC Fan — ‘좋아 보이는 기술’이 아니라 시범 Test로 먼저 확인했다

냉방기 급기 Fan은 데이터센터에서 장시간 또는 상시 운전되는 설비이기 때문에, 개별 Fan의 소비동력 차이가 작아 보여도 운전시간과 설치대수가 커지면 연간 전력사용량에는 큰 차이를 만들 수 있다. 그렇다고 고효율 EC Fan이라는 이유만으로 전체 교체를 먼저 결정하지 않았다.

원자료에 따르면 2017년 6월 두 센터의 냉방기를 대상으로 기존 급기 Fan을 고효율 EC Fan으로 교체하는 시범사업을 수행했다. 평가방법은 교체 전·후의 Fan 소비동력을 직접 비교하는 방식이었다.

이 Before/After 비교에서 Fan 소비동력 63.5% 절감이 확인되었다. 이 값은 전체 IDC 전력이나 냉방시스템 전체 전력의 63.5%가 줄었다는 뜻이 아니라, 시범 교체 대상 급기 Fan의 소비동력 절감률이다. 따라서 성과의 Measurement Boundary를 Fan 전력으로 명확히 읽어야 한다.

시범사업에서 효과를 확인한 다음 단계는 모든 냉방기를 일괄 교체하는 것이 아니라 성능열위 급기 Fan을 선별하는 것이었다. 주요 4개 센터의 성능열위 냉방기 약 400대를 확대 검토 대상으로 잡았다.

이 확대 시나리오에서는 Fan 소비동력 약 55% 절감, 연간 약 11억원 절감, 소요예산 약 22억원, 단순 투자회수기간 약 2년이 예상되었다. 중요한 것은 63.5%와 55%를 같은 성격의 숫자로 취급하지 않는 것이다. 63.5%는 시범 Test에서 확인한 값이고, 55%와 11억원/년은 약 400대 확대를 가정한 예상효과다.

6. 외기냉방 — ‘도입 여부’보다 외기가 담당할 수 있는 냉방부하를 얼마나 늘릴 것인가

외기냉방의 출발점은 외기가 차가우니 사용하자는 단순한 아이디어가 아니었다. 원자료에서 실제 검토한 방향은 외기냉방 분담률을 높이기 위한 최적 도입방안과 투자경제성이었다.

데이터센터는 IT 장비의 발열을 연중 제거해야 한다. 외기조건이 충분히 유리한 시간에는 외기를 활용하여 기계식 냉방이 담당하던 부하의 일부를 대체할 수 있다. 따라서 분석에서 중요한 질문은 “외기냉방이 가능한가?”보다 “현재 냉방부하 가운데 외기냉방이 추가로 담당할 수 있는 시간과 비중은 얼마인가?”이다.

원자료의 경제성 분석에서는 외기냉방 확대 시 연간 약 4.26억원의 절감 가능성이 제시되었다. 예상 소요예산은 약 17.57억원, 단순 투자회수기간은 약 4.13년이었다.

이 결과는 외기냉방 확대가 기술적으로 가능하다는 판단과 투자결정을 구분해야 한다는 점도 보여준다. 에너지 절감 가능성이 있어도 설비개조비와 실제 적용 가능한 외기조건, 운전시간을 함께 보아야 한다. 그래서 이 사례에서는 절감량만 제시하지 않고 투자비와 회수기간까지 함께 검토했다.

7. 냉각탑 — 당시에는 ‘완료된 절감성과’가 아니라 계절별 최적 Set Point를 찾는 Test 단계였다

냉각탑은 EC Fan과 Evidence 수준이 다르다. 2017년 9월 중간보고 시점의 원자료에는 센터별·계절별 최적 설정온도 Test가 진행 중이라고 기록되어 있으며, 성능열위 냉각탑에 대한 개선방안을 함께 검토하도록 되어 있다.

향후 추진계획에서도 냉각탑 운전방법 개선은 외기조건별 최적 설정온도와 운전방법을 수립하는 과제로 정의되어 있다. 즉 하나의 고정된 냉각수 Set Point를 모든 계절에 적용하는 것이 아니라, 외기조건이 달라질 때 시스템이 가장 유리하게 운전되는 설정조건을 찾으려는 접근이었다.

여기서 중요한 것은 냉각수 온도를 무조건 낮추는 것이 아니다. 냉각탑 Fan을 더 운전하여 낮은 냉각수 온도를 확보하면 냉동기 측에는 유리할 가능성이 있지만, 냉각탑 자체의 전력은 증가할 수 있다. 따라서 최종 운전조건은 개별 장비가 아니라 시스템 관점에서 판단해야 한다.

다만 이 마지막 설명은 냉각시스템을 해석하는 기술적 원리이며, 현재 회수된 2017년 IDC 중간보고에는 설정온도 A℃→B℃, 냉각탑 전력 C kWh 감소 같은 완료 Test 결과가 제시되어 있지 않다. 따라서 CASE46의 현장 FACT로 그런 수치를 추가하지 않는다.

8. 숫자로 보는 ‘확인된 효과’와 ‘확대 예상효과’

이 사례에서는 하나의 절감률로 모든 성과를 묶지 않는 것이 중요하다. 시범 Test에서 직접 확인된 값과 확대 적용을 가정한 값, 투자검토 단계의 값을 나누어 보아야 한다.

외기냉방 확대안은 연간 약 4.26억원 절감 가능성과 약 17.57억원의 소요예산이 검토되었다. 이 숫자들은 실행 우선순위를 판단하는 경제성 정보이지, 완료된 프로젝트의 검증성과가 아니다.

9. 이 사례의 진단 Workflow

원 프로젝트의 향후 추진절차 역시 데이터 분석과 Benchmark → 문제점 확인 → 성능개선방안 및 절감량 측정방법 결정 → 필요 시 투자경제성 분석 → 투자결정 → 실행 → 절감효과 측정의 흐름으로 구성되어 있었다. 즉 데이터 분석에서 끝나는 것이 아니라 실행과 검증까지 연결하는 구조였다.

10. 데이터센터에서 PUE를 제대로 사용하는 방법

PUE가 목표보다 높으면 먼저 IT 부하가 달라졌는지 확인한다. 그 다음 냉방효율을 보고 Zone별 과냉, 설정온도와 실내온도, 냉방기 가동대수를 확인한다. 특정 냉방기의 효율이 낮다면 냉매, 압축기 운전압력, 냉각수 유량·온도와 열교환상태까지 내려가 원인을 조사한다.

이런 계층적 접근은 PUE를 단순 보고용 KPI에서 진단과 조치를 연결하는 운영 KPI로 바꾼다. 숫자가 나빠졌다는 경고보다 “어디를 확인하고 무엇을 조치해야 하는가”가 운영자에게 더 중요하기 때문이다.

11. 단일 절감항목이 아니라 장기 성능개선 프로그램으로 확장

중간보고의 향후 계획을 보면 개선대상은 EC Fan이나 외기냉방에만 머물지 않았다. 냉각탑과 냉각수펌프의 성능열위 설비를 찾고, 냉방기별 COP를 진단하며, 냉동기·냉수펌프의 운영적정성까지 평가하도록 계획되어 있었다. 지원시설 역시 부하리스트를 작성하고 용량과 소비패턴을 분석해 성능개선안을 찾는 범위에 포함되었다.

운전방법 측면에서는 센터별 냉각탑 설정온도를 외기조건에 따라 최적화하고, 층별 PUE와 냉방소비지수, 온도관리효율을 이용해 냉방기 운영과 전산실 온도제어의 적정성을 분석하는 방향으로 확장했다. 즉 설비성능 개선과 운전방법 개선을 두 축으로 병행하는 프로그램이었다.

원자료의 기본 절차는 명확하다. UPOS 데이터 분석·Benchmark → 문제점 확인 → 개선방안과 절감량 측정방법 결정 → 필요 시 투자경제성 분석 → 투자건의·결정 → 절감안 실행 → 절감효과 측정이다. 이 흐름은 오늘날 데이터 기반 Continuous Commissioning과도 닮아 있지만, 여기서는 당시 실제 프로젝트 문서에 제시된 절차 자체를 그대로 해석한 것이다.

12. 다른 데이터센터에 적용하려면

첫째, 전체전력·IT전력·냉방전력의 Measurement Boundary와 계측 정합성을 확보한다. 둘째, 센터 평균만 보지 않고 층·Zone·시간대별 PUE와 냉방효율을 비교한다. 셋째, 이상구간에서 실제 냉방기 상태와 가동대수, 설정온도, 냉각수계통을 추적한다. 넷째, 개선안은 가능한 경우 소규모 Test로 효과를 확인한 뒤 확대한다. 마지막으로 확대 예상효과와 실제 검증성과를 명확히 구분한다.

13. Review 상태

Status: USER-REVIEW / NOT FINAL-LOCK