냉방부하·냉동기 가동대수 분석을 통한 부분부하 과다운전 진단 및 냉동기 운전조합 최적화
냉방부하가 낮아졌는데도 냉동기 여러 대가 낮은 부하율로 계속 운전되고 있지는 않은가? 실제 냉방부하와 냉동기 가동대수·필요대수를 비교하고, 부분부하 효율과 보조설비 전력까지 고려하여 최적 운전조합을 찾는 데이터 기반 진단 사례입니다.
Data CenterChillerCooling LoadPart LoadRequired UnitsCOP / UPIPlant Optimization공개 홈페이지에서는 고객사명·센터명·내부 플랫폼명을 노출하지 않고 “국내 데이터센터”로 비식별화합니다. 제조시설의 냉동기 가동대수 자료는 CASE80 실적으로 사용하지 않습니다.
1. 24시간 운전한다고 냉동기를 항상 같은 대수로 돌릴 필요는 없다
데이터센터의 냉방은 연중 계속 필요하지만 냉방부하는 IT 부하, 계절, 외기조건과 냉방설비 운전상태에 따라 변합니다. 낮은 냉방부하에서도 여러 대의 냉동기를 동시에 운전하면 각 냉동기가 낮은 부분부하에서 운전하면서 시스템 효율이 불리해질 수 있습니다.
2. 핵심 질문은 ‘몇 대가 켜져 있는가’가 아니라 ‘현재 몇 대가 필요한가’다
CASE80은 냉방부하(RT)를 기준으로 필요한 냉동능력을 산정하고 실제 가동대수와 비교합니다. Operating Margin = Actual Running Units − Required Units가 지속적으로 양(+)이면 과다운전 가능성을 확인합니다.
3. 냉방부하·실제 가동대수·필요대수를 연결해 과다운전 여부를 진단한다
데이터센터 관련 원자료에는 센터별 냉방능력, 평균 냉방부하, 설치대수와 필요가동대수를 분석데이터로 사용하고, 평균 냉방부하 대비 설비용량과 설치대수가 큰 경우 가동대수 및 부분부하 운전 최적화를 검토하는 구조가 확인됩니다.
4. 실시간 운전가이드는 냉동기 가동대수 초과를 Action으로 연결한다
관련 운전가이드 화면에는 냉동기 실제 가동대수와 필요대수를 비교하고 초과 시 CHECK 판정과 특정 냉동기 OFF를 조치사항으로 제시하는 구조가 있습니다. 예시 화면은 냉동기 8대 운전, 필요 7대인 상태에서 1대 OFF를 안내합니다.
5. 냉방부하부터 정확히 계산해야 한다
냉동기 필요대수 판단의 출발점은 실제 Cooling Load입니다. 냉수유량과 공급·환수 온도차 또는 시스템에서 계산된 RT를 이용해 현재 냉방수요를 파악하고, 설비 정격용량과 운전가능 조건을 고려하여 필요대수를 계산합니다.
6. 설치대수와 필요대수는 전혀 다른 숫자다
설치대수에는 최대부하 대응, N+1 등 신뢰성 요구와 예비기가 포함될 수 있습니다. 따라서 설치대수가 많다는 사실만으로 과다운전이라고 판단하지 않습니다. 실제 운전대수가 현재 부하와 신뢰성 기준에서 요구되는 필요대수를 초과하는지가 진단대상입니다.
7. 냉동기 부분부하율을 함께 본다
가동대수가 많아지면 전체 냉방부하가 여러 대에 분산되어 개별 냉동기의 Load Ratio가 낮아질 수 있습니다. 따라서 Actual/Required Units 비교와 함께 개별 냉동기의 부분부하율을 확인해야 합니다.
8. COP와 UPI로 ‘한 대를 줄이는 것이 정말 유리한가’를 검증한다
COP = Coefficient of Performance(성능계수)는 냉동능력 대비 소비전력의 효율을 나타냅니다. UPI = Utility Performance Indicator(유틸리티 성능지표)는 현장 관리지표로 냉동부하 대비 전력소비를 비교하는 데 사용할 수 있습니다. 운전대수를 줄인 뒤 남은 냉동기의 COP/UPI가 어떻게 변하는지 확인해야 합니다.
9. 최적대수는 단순한 정격용량 나눗셈이 아니다
필요대수는 Cooling Load ÷ 정격 RT만으로 결정하면 부족합니다. 최소 안정운전 부하, 개별 냉동기 효율곡선, 냉수온도, 펌프와 냉각탑 상태, 예비용량 및 신뢰성 조건을 함께 고려해야 합니다.
10. 부분부하 과다운전의 전형적인 패턴
낮은 냉방부하에서도 실제 가동대수가 줄지 않고, 여러 냉동기의 부하율이 동시에 낮으며, 시스템 kW/RT가 불리해지는 구간이 반복된다면 과다운전 후보입니다. 반대로 낮은 부하율이라도 신뢰성 또는 특정 운전조건 때문에 필요한 경우는 개선대상에서 제외합니다.
11. 어떤 냉동기를 OFF할 것인가도 중요하다
가동대수만 줄이는 것으로 최적화가 끝나지 않습니다. 호기별 COP/UPI, 최소·최대 운전범위, 누적가동시간과 설비상태를 비교하여 어떤 냉동기를 유지하고 어떤 냉동기를 정지할지 결정해야 합니다.
12. 운전조합 Optimization으로 한 단계 더 들어간다
동일한 1,000 RT를 공급하더라도 2대 저부하 운전과 1대 고부하 운전의 총전력은 다를 수 있습니다. 가능한 Chiller Combination별 예상전력을 비교하여 냉방서비스와 예비조건을 만족하면서 Plant 전력이 낮은 조합을 선택합니다.
13. 펌프와 냉각탑까지 포함해야 진짜 시스템 최적화다
냉동기 한 대를 정지하면 냉수펌프·냉각수펌프·냉각탑의 운전대수와 유량도 바뀔 수 있습니다. 따라서 냉동기 kW만이 아니라 보조설비 전력을 포함한 Plant kW/RT로 최종 판단하는 것이 바람직합니다.
14. 단계적 OFF Test로 현장에서 검증한다
과다운전 후보가 발견되면 한 번에 여러 대를 정지하지 않고 단계적으로 1대씩 운전조합을 변경합니다. 변경 전후 냉방부하, 냉수 공급·환수온도, 유량, 전산실 환경조건, 냉동기와 보조설비 전력을 확인합니다.
15. M&V는 동일 냉방서비스 조건에서 수행한다
M&V = Measurement & Verification(측정 및 검증)은 개선 전후 단순 kWh 비교가 아니라 유사한 Cooling Load, IT Load와 외기조건에서 수행합니다. 냉방서비스가 유지되면서 Plant kW/RT 또는 전체 냉방전력이 감소했는지를 확인합니다.
16. CASE79와 CASE80의 차이
CASE79는 냉방부하 대비 냉수펌프의 실제/필요 가동대수 Gap을 다룹니다. CASE80은 냉동기 자체의 실제/필요대수, 부분부하율과 냉동기 운전조합이 핵심입니다. 같은 냉방 Plant를 보더라도 분석 질문과 개선 Action이 독립적입니다.
17. 산업 배경 — 데이터센터 냉동기는 대부분의 시간을 설계 최대부하에서 운전하지 않는다
데이터센터는 24시간 냉방이 필요하지만 IT 부하와 외기조건은 계속 변한다. 따라서 냉동기 선정과 운전제어에서 Full Load 효율만 보는 것은 충분하지 않다. 실제 운전에서는 Part Load 영역의 효율과 여러 냉동기의 Staging이 Plant 전체 에너지에 큰 영향을 줄 수 있다. 미국 DOE도 냉동기를 Full Load와 Part Load 효율을 함께 평가하도록 하고 있으며, Part Load 운전이 많은 설비에서는 IPLV = Integrated Part Load Value(통합부분부하값)와 실제 운전조건을 함께 보도록 설명한다.
18. 부분부하에서 ‘많이 켜는 것’과 ‘적게 켜는 것’ 중 어느 쪽이 유리한지는 고정되지 않는다
냉동기를 적게 켜서 각 호기의 부하율을 높이는 것이 유리한 경우가 많지만 항상 그렇지는 않다. LBNL의 Chilled Water Plant Design Guide는 고정속 대형 냉동기는 낮은 부하에서 작은 냉동기보다 불리할 수 있는 반면, 가변속 냉동기는 부분부하에서 매우 높은 효율을 보일 수 있다고 설명한다. 따라서 CASE80은 단순히 가동대수를 최소화하는 것이 아니라 현재 Cooling Load에서 어떤 조합의 Plant kW가 가장 낮은가를 찾는 문제로 확장한다.
19. 업계동향 — Cooling Load Based Chiller Sequencing
CLC = Cooling Load based Control(냉방부하 기반 제어)은 다중 냉동기 Plant에서 냉방부하를 기준으로 냉동기 기동·정지와 부하분담을 결정하는 대표적인 방식이다. LBNL 연구는 최적 냉동기 대수와 부하분담을 서로 분리해 판단하면 Pump와 Cooling Tower까지 포함한 Plant 최소에너지를 놓칠 수 있다고 지적하고, Staging Threshold와 부하분담을 함께 최적화하는 방향을 제시한다.
20. 해외 데이터센터 사례 — Csquare는 냉수 Plant를 냉방효율 개선의 핵심으로 다뤘다
미국 DOE Better Buildings에 공개된 Csquare Mesa 데이터센터 사례에서는 Energy Audit을 통해 Air-side와 Water-side 냉방을 함께 진단하고 Chilled Water Plant 최적화를 주요 개선항목으로 적용했다. 공개된 M&V 결과는 Airflow 및 Chilled-Water Optimization을 포함한 전체 프로젝트에서 연간 1,240MWh 이상의 전력절감을 보고한다.
1,240MWh는 Csquare 해외 프로젝트 전체의 공개 M&V 결과이며 CASE80 냉동기 가동대수 최적화의 절감성과가 아니다.
21. 해외 데이터센터 사례 — Intuit Quincy는 냉수온도와 Economizer 운전을 연계했다
DOE Better Buildings의 Intuit Quincy 데이터센터 사례는 중앙 Chiller Plant와 Water-Side Economizer를 운영하면서 Secondary Chilled Water Temperature Set Point를 높여 Economizer 단독운전 시간을 확대하고 Chiller Runtime을 줄였다. 이는 냉동기 운전조합을 결정할 때 냉방부하뿐 아니라 Free Cooling 가능조건과 냉수온도 Set Point까지 함께 봐야 한다는 점을 보여준다.
22. 해외 데이터센터 사례 — Digital Realty는 Chiller Plant와 Pumping을 함께 개선했다
Digital Realty의 Bedford Colocation Facility 사례에서는 Site Non-IT Energy의 주요 기여요인으로 Air-Cooled Chiller Plant, Primary/Secondary Pumping Configuration과 Constant-Volume CRAH를 확인하고 기계설비 효율개선을 추진했다. 냉동기만 단독으로 최적화하기보다 냉수 이송과 말단 냉방까지 전체 Chain을 함께 보는 접근이다.
23. 해외 기술 Reference — LBNL은 데이터센터 Chiller Plant 제어를 Simulation으로 비교한다
LBNL의 데이터센터 Chiller Plant 연구에서는 다양한 Control Design을 Simulation으로 비교하고, Cooling Plant를 하나의 시스템으로 최적화하는 방법을 다룬다. 또 LBNL Modelica 데이터센터 모델은 Free Cooling, Partial Mechanical Cooling, Fully Mechanical Cooling 모드와 Cooling Load에 따른 Chiller Staging을 명시적으로 모델링한다. CASE80의 실제 데이터 구조도 향후 이러한 Digital Twin 기반 검증으로 확장할 수 있다.
24. 응용 — 운전대수보다 Chiller Combination Map을 만든다
동일 Cooling Load에서 가능한 냉동기 조합별로 Chiller kW, Pump kW, Cooling Tower kW와 Plant kW/RT를 기록하면 Load 구간별 Best Combination Map을 만들 수 있다. 예를 들어 저부하·중부하·고부하 영역마다 가장 유리한 조합이 다를 수 있으므로 단순한 “1대 우선, 부족하면 2대”보다 실제 데이터 기반 Sequence가 가능해진다.
25. 응용 — Staging Threshold와 Deadband를 최적화한다
냉방부하가 경계값 주변에서 움직일 때 냉동기가 빈번하게 기동·정지하면 효율과 설비수명 모두 불리할 수 있다. 따라서 Chiller ON/OFF Threshold와 Deadband, 최소운전시간을 함께 설정하여 Hunting을 방지하고 안정적인 Staging을 구성한다.
26. Continuous Commissioning으로 운전조합을 계속 재검증한다
Continuous Commissioning(지속 커미셔닝) 관점에서는 한 번 정한 Sequence를 영구적인 최적값으로 보지 않는다. IT 부하 증가, 냉동기 성능저하, 설비교체, 냉수온도 변경과 Economizer 운전조건이 달라지면 Combination Map과 Staging Threshold를 다시 검증한다.
27. AI는 Cooling Load Forecast에서 Predictive Staging으로 발전한다
Rule-based 단계에서는 Actual Units > Required Units, 저부하 다수운전, Plant kW/RT 악화 등을 탐지한다. 이후 Cooling Load Forecast와 외기 습구온도, IT Load, 냉수·냉각수온도, 호기별 성능모델을 결합하면 다음 시간대의 부하를 예측하고 선제적으로 최적 Chiller Combination을 결정하는 Predictive Optimization(예측 최적화)으로 확장할 수 있다.
28. AI/MPC 확장 — Plant 전체 소비전력을 목적함수로 둔다
MPC = Model Predictive Control(모델 예측 제어)로 발전시키면 목적함수를 냉동기 단품 kW가 아니라 Chiller + Chilled-Water Pump + Condenser-Water Pump + Cooling Tower의 총전력으로 정의할 수 있다. LBNL의 Chiller Plant MPC 연구도 Cooling Load와 외기 Wet-Bulb Temperature를 입력으로 Chiller Staging Threshold와 Condenser-Water Set Point를 최적화하는 구조를 다룬다.
29. 현장 분석 Process
IT/냉방부하 → Cooling Load(RT) → 실제 가동대수 → 필요대수 → Operating Margin → 개별 Part Load Ratio → COP/UPI → 가능한 Chiller Combination → Pump/Tower 포함 Plant kW → 단계적 OFF/Sequence Test → 냉방서비스 검증 → Plant kW/RT M&V → Load별 Best Combination Map → Staging Threshold/Deadband → Continuous Commissioning → Cooling Load Forecast → AI/MPC Predictive Staging.
30. Evidence & Measurement Boundary
실제 확인 FACT · Evidence B: 비식별 국내 데이터센터 원자료에서 센터별 냉방능력·평균 냉방부하·설치대수·필요가동대수를 분석하고 가동대수 및 부분부하 운전 최적화를 검토한 구조가 확인된다. 관련 실시간 운전가이드에는 냉동기 실제 가동대수와 필요대수를 비교하여 초과 운전 시 냉동기 OFF Action으로 연결하는 구조가 존재한다.
예상효과 · Evidence C: CASE80만의 독립 최종 절감률·절감량·절감금액은 현재 확인자료에서 확정하지 않는다.
해외 Reference: DOE Csquare·Intuit·Digital Realty 사례, DOE/FEMP Part-Load Chiller 자료, LBNL Chilled Water Plant/Chiller Sequencing/Data Center Simulation 연구는 기술배경과 확대응용이며 CASE80 현장성과로 사용하지 않는다.
향후 확대응용: Chiller Combination Map, Staging Threshold/Deadband, Continuous Commissioning, Cooling Load Forecast, Digital Twin, AI/MPC Predictive Staging.