컨테인먼트형 데이터센터의 최적 열환경을 위한 적응형 제어알고리즘 개발 및 성능평가 :Development and performance evaluation of adaptive control algorithm for optimal thermal environment in the containment-type data center

최영재

추천

검색

자료유형: 학위논문

저자정보: 최영재 (중앙대학교, 中央大學校大學院)

지도교수: 문진우

발행연도: 2020

저작권: 중앙대학교 논문은 저작권에 의해 보호받습니다.

이용수12

이 논문의 연구 히스토리 (2)

2020

컨테인먼트형 데이터센터 최적 제어 알고리즘을 위한 열환경 예측모델 개발

최영재 , 박보랑 , 조지현 외 1명 KIEAE Journal 2020.10 학술저널

컨테인먼트형 데이터센터의 최적 열환경을 위한 적응형 제어알고리즘 개발 및 성능평가

최영재 건축학과 2020.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

인터넷 통신량의 증가, 사물인터넷 연결망의 증가 등 데이터 기반 산업에 대한 수요가 증가하며 IT 장비의 통합적 관리 및 유지를 위한 데이터센터에 대한 관심이 급증하고 있다. 데이터센터는 고밀도 에너지 다소비 건물군에 속하며 발열 냉각에 사용되는 에너지가 약 50%를 차지한다. 이에 따라 데이터센터의 에너지 효율을 증가시키기 위해서는 냉방 에너지의 절감이 필수적이다. 따라서 본 연구에서는 컨테인먼트 데이터센터에 대한 최적 실내환경 제공 및 냉방 에너지의 효율적인 운영을 위하여 냉매 유량예측을 기반으로 한 적응형 예측 제어알고리즘을 개발하였다.
대상 시스템은 중앙 냉수식 시스템이 적용된 컨테인먼트이며 냉매 유량 변경을 통해 온도 제어를 실시한다. 데이터 취득 및 성능평가를 위하여 CFD를 통해 2가지 컨테인먼트를 모델링하였으며 실제 데이터센터와의 유사성을 확인하였다. CFD 시뮬레이션을 통해 설정온도, 급기온도, 회수온도, 회수풍량 데이터를 취득한 후 회수풍량이 설정온도가 되기 위한 냉매 유량을 산출하여 데이터세트를 구성하였으며 이를 활용하여 인공신경망을 통한 초기 냉매 유량예측 모델을 개발하였다. 은닉층과 숨겨진 뉴런의 변경을 통해 최적화를 진행하였으며 은닉층 4개, 숨겨진 뉴런 11개 모델이 Cv(RMSE) 0.47%의 우수한 성능으로 최종 예측모델로써 채택되었다.
개발된 예측모델이 새로운 데이터센터 시스템에 적용되어도 최적 냉매 유량을 도출할 수 있도록 오차에 대한 피드백 요소로써 보정인자를 도입하였다. 보정인자는 최적화 결과 = 2.0에서 RMSE 1.408로 가장 적은 오차를 나타냈다. 적응형 제어알고리즘은 최종 예측모델과 보정인자를 포함하는 알고리즘으로 성능평가를 위한 컨테인먼트 모델에서 시뮬레이션이 진행되었다. 제어주기마다 환경 변수 데이터를 취득하여 냉매 유량을 산출하며 해당 냉매 유량이 적용된 다음 제어주기 때의 급기온도와 설정온도의 비교를 통해 새로운 최적 냉매 유량을 산출한다. 새로 산출된 냉매 유량은 이전 제어주기의 환경 변수와 함께 예측모델에 학습되며 위 과정을 반복하여 시스템에 적응한다.
적응형 예측 제어알고리즘은 ON&OFF 시스템 및 보정인자를 제외한 비적응형 제어알고리즘과 비교하여 다양한 환경 시나리오에 대한 적응성 평가를 실시하였다. 그 결과 적응형 예측 제어알고리즘은 모든 시나리오에 대한 평균 RMSE가 0.47로 오차가 가장 낮았으며 학습이 진행됨에 따라 오차가 0에 수렴하는 모습을 나타냈다.
따라서 새로운 환경에 대해 적응형 예측 제어알고리즘은 최적 설정온도를 만족시키는 급기 온도의 제어가 가능했으며 데이터센터 에너지 효율화와 CO2 배출 감소를 통한 그린 데이터센터 구축에 핵심 요소로써 적용될 수 있을 것으로 사료된다.

Demand for data-based industries, such as the increase in Internet traffic and the rise of IoT connection network, is increasing. For these reasons the data center is highly demanded which provides management and maintenance of IT equipments. The data center belongs to a high density energy consumption building group, and the energy used for cooling systems accounts for approximately 50%. Therefore, it is essential to reduce the cooling energy to increase the energy efficiency of the data center. In this study an adaptive control algorithm based on refrigerant flow predictive model was developed for providing optimal indoor environment and efficient operation of cooling energy for the containment data center.
The target system is a containment model with a central cold water system and temperature control is performed through the refrigerant mass flow rate control. For data acquisition and performance evaluation, two different containments were modeled through CFD and the feasibility assessment was confirmed. By CFD simulation, setpoint temperature, supply air temperature, return air temperature and return air mass flow rate was obtained. Refrigerant mass flow rate was calculated by these variables and a dataset was constructed. An initial refrigerant flow prediction model was developed through artificial neural network. The optimization was performed by changing the number of hidden layers and hidden neurons. Through the optimization, a final prediction model was adopted which consist of 4 hidden layers and 11 hidden neurons with high performance of 0.47% of Cv(RMSE).
The proposed prediction model is applied to a new data center system, and the correction factor is introduced as a feedback factor for the error to derive the optimal refrigerant flow rate. The correction factor showed the least error with RMSE 1.408 at = 2.0.
Adaptive control algorithm is an algorithm that includes the final predictive model and correction factor. The environmental variables are obtained at each control cycle to calculate the refrigerant mass flow rate, then the new optimal refrigerant mass flow rate is calculated by comparing the supply air temperature with the setpoint temperature during the control cycle. The newly calculated refrigerant mass flow rate is fed to the predictive model along with the environmental variables of the previous control cycle. The Adaptive control algorithm is adapted to the system by repeating the above process.
The adaptive control algorithm was compared with a ON&OFF system and a simple control algorithm which does not include the correction factor. An adaptability assessment was performed for various environmental scenarios. As a result, the adaptive control algorithms had the least error with an average of entire case RMSE of 0.47, indicating that errors converge with zero as learning progressed.
As a result, the adaptive control algorithm presented the possibility of providing optimal supply air temperature via setpoint temperature. It is highly expected that the adaptive control algorithm being used in the new data center control system and possible to reduce the data center energy as well as CO2 emission decrease.

#데이터센터 #최적 열환경 제어 #냉매 유량 예측 #적응형 제어알고리즘 #Data Center #Thermal Environment Optimal Control #Refrigerant Mass Flow Rate Prediction #Adaptive Control Algorithm

제 1 장 서 론 1
1.1 연구의 배경 및 목적 1
1.2 연구의 범위 및 방법 5
제 2 장 이론 고찰 8
2.1 개요 8
2.2 데이터센터 열환경 제어 기술 동향 8
2.2.1 데이터센터 개요 8
2.2.2 데이터센터 공조제어시스템 12
2.2.3 관련 연구 및 기술 동향 17
2.3 소결 26
제 3 장 데이터센터 CFD 모델링 28
3.1 개요 28
3.2 시스템 구성 29
3.3 CFD 모델링 31
3.3.1 실시간 분석을 위한 통합 환경 구축 31
3.3.2 대상 모델링 계획 32
3.3.3 경계조건 설정 34
3.3.4 CFD 모델링 분석 36
3.4 소결 42
제 4 장 적응형 제어알고리즘 개발 44
4.1 개요 44
4.2 냉매 유량 예측모델 개발 47
4.2.1 입력 변수 설정 및 데이터 구축 47
4.2.2 예측모델 개발 52
4.3 적응형 제어알고리즘 개발 58
4.3.1 보정인자 설정 58
4.3.2 제어알고리즘 구축 59
4.4 소결 62
제 5 장 적응형 제어알고리즘 성능평가 64
5.1 개요 64
5.2 냉매 유량 예측모델 성능평가 65
5.2.1 초기 예측모델 성능 평가 65
5.2.2 예측모델 최적화 66
5.3 적응형 제어알고리즘 성능평가 69
5.3.1 보정인자 최적화 69
5.3.2 적응성 성능평가 74
5.4 소결 92
제 6 장 결 론 94
참고문헌 97
국문초록 103
ABSTRACT 105

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)