본 프로젝트는 데이터센터 냉각의 에너지 효율을 최적화하는 강화학습 기반 통합 제어 시스템이다. LightGBM으로 IT 부하와 냉각 수요를 예측하고, 자체 구축한 열역학 시뮬레이션 환경 위에서 SAC 에이전트가 CRAH 공급 온도를 동적으로 제어해 PUE를 절감한다.
실험 결과: Rule-based 대비 PUE 7.8% 절감 (1.1894 → 1.1747) · 온도 위반율 0% · IT 부하 예측 MAPE 0.50% · 폭염 48시간 시나리오 검증 완료
- 사이드바·페이지 구성 소개
- 사이드바 조작에 따른 실시간 KPI 반응
- LightGBM 24시간 예측 + 3D 데이터센터 뷰
- RL Best vs Rule-based 폭염 시나리오 라이브 비교
- ROI 계산기 및 기대 효과 환산
| 페이지 | 설명 | 스크린샷 |
|---|---|---|
| 0_대시보드 | 종합 KPI · PUE 게이지 · 전력 추이 · 벤치마크 |  |
| 1_운영_관리 | 냉각 모드 제어 · Rule/RL 제어 추천 · 위기 시나리오 분석 |  |
| 2_ESG_지표 | 탄소 배출 · 전력 비용 · CUE · ROI 계산기 |  |
| 3_분석_도구 | LightGBM 24h 예측 + 90% PI · 3D 데이터센터 뷰 |   |
| 4_RL_vs_Rulebased | RL Best와 Rule-based 라이브 비교 · 누적 절감 카운터 |   |
팀명: 짱돌
| 팀원 | 학번 | 담당 역할 |
|---|---|---|
| 김효림 (팀장) | 20221549 | • 제어 스키마 설계 및 Control Service 구축 • 커스텀 RL 환경 구현 • PPO/SAC 학습 파이프라인 구현 • 베이스라인 평가 프레임워크 구축 • RL 학습 전반 총괄 |
| 심하연 | 20221573 | • MSA 설계 및 Docker 환경 구성 • Streamlit 대시보드 프론트엔드 구현 및 API 연동 • RL 학습 • 커스텀 보상 함수 보완 |
| 김다은 | 20231515 | • Forecast Service 스키마 설계 및 구축 • LightGBM 기반 IT 부하·냉각 수요 예측 모델 구현 • RL 학습 |
| 김성현 | 20201564 | • 열역학 모델 구현 및 검증 • PID 시뮬레이터 구현 • 데이터 물리학적 검증 • RL 학습 |
| 심서연 | 20221571 | • 데이터 수집 및 전처리 • 데이터 파이프라인 구축 및 파생변수 • 모델 비교용 이동평균 예측 모델 구현 • RL 학습 |
# 가상환경 생성 및 패키지 설치
Green-IDC-Optimizer$ uv venv
Green-IDC-Optimizer$ source .venv/bin/activate
Green-IDC-Optimizer$ uv sync
# 전체 실행
Green-IDC-Optimizer$ docker compose up --build
# 백그라운드 전체 실행
Green-IDC-Optimizer$ docker compose up -d --build
# 전체 종료
Green-IDC-Optimizer$ docker compose down실행 후 다음 포트로 접속:
| 포트 | 서비스 | 비고 |
|---|---|---|
| 8501 | Streamlit Dashboard | 메인 진입점 — http://localhost:8501 |
| 8000 | API Gateway | 라우팅 |
| 8001 | Forecast Service | LightGBM 예측 |
| 8002 | Control Service | SAC / Rule-based 제어 |
| 8003 | Simulation Service | 열역학 모델 |
→ 자세한 내용은 docs/RUNBOOK.md 파일 참고
- Python 3.11 (uv 패키지 매니저)
- FastAPI + Uvicorn - API Gateway, Forecast/Control/Simulation 서비스
- Pydantic - 요청/응답 Schema
- 자체 IDCEnv (커스텀 Gymnasium 환경) - 1차 ODE 기반 열역학 모델 + 5분 step 시뮬레이션 (Sinergym 비교 실험 후 학습 속도·커스터마이징 자유도를 위해 자체 구현 채택)
- LightGBM - 주력 예측 모델, Quantile 회귀로 90% Prediction Interval 산출
- PyTorch - LSTM 비교용 (선택적)
- Stable-Baselines3 - SAC 강화학습 에이전트
- Gymnasium - RL 환경 인터페이스
- Scikit-learn - 스케일러·전처리
- Streamlit - 대시보드
- Plotly / Altair - 차트
- Docker + Docker Compose - 마이크로서비스 컨테이너화
- Pandas, Numpy - 데이터 전처리
domain/thermodynamics/
- SPECpower_ssj2008 기반 서버 전력 모델:
P = P_idle + (P_max - P_idle) × cpu_util(CPU서버: idle 200W / max 500W, GPU서버: idle 300W / max 1500W) - 냉각 부하 계산:
Q = ṁ × cp × ΔT직접 구현 - 칠러 COP 모델: 외기온도 + 공급온도 + 부분부하율(PLR) 기반 비선형 효율 모델
- 습구온도 기반 냉각 모드 자동 전환: Free Cooling(습구 <10°C) / Hybrid(10~18°C) / Chiller(>18°C)
- PUE 계산: 구글 데이터센터 PUE 1.10 벤치마크 기준
domain/forecasting/
- LightGBM: lag feature + rolling 통계 + 캘린더 특성, 24h/168h ahead 예측
- 출력: 예측값 + 90% 신뢰구간
domain/controllers/
- 커스텀 IDC Gym 환경 (
idc_env.py): 실측 Google Cluster Trace 2019 + 기상청 ASOS 데이터 기반 (365일 × 288스텝) - 관측 공간: 9차원 (시간, 외기온도, 습도, CPU 사용률, 존 온도, 공급온도, IT전력, 습구온도 등)
- 행동 공간: 공급온도 설정값 [18, 25]°C
- 알고리즘: SAC (Soft Actor-Critic), PPO 비교 실험 후 채택 (Stable-Baselines3)
- 도메인 랜덤화: 학습 중 위기 시나리오 자동 주입 — 서버급증(CPU ×1.3) / 폭염(외기 +5~10°C) / 칠러 효율 저하
- 2-tier 안전 시스템: RL 추론 + 존 온도 26.5°C 초과 시 강제 냉각 fallback
- Rule-based 컨트롤러 + PID 제어기 (Anti-windup, Incremental PID) 구현
apps/dashboard/
- 실시간 대시보드: PUE 게이지, 온도, 전력 KPI
- 운영 관리: 파라미터 조작 → 24h 시뮬레이션 즉시 실행
- ESG 지표: 탄소 배출량 (0.459 tCO₂/MWh), WUE, 에너지 비용
- 분석 도구: 예측 모델 성능 비교, feature importance
- RL vs Rule-based: 두 제어 방식 PUE/온도 위반율 비교
- 상황 1 ) 서버 급증: IT 부하 +30%
- 상황 2 ) 칠러 고장: 냉각 용량 50% 저하
- 상황 3 ) 폭염: 외기 38°C 이상
| 지표 | 목표 | 달성 |
|---|---|---|
| IT 부하 예측 MAPE (24h) | 5% 이내 | 0.50% |
| 냉각 수요 예측 MAPE (24h) | 5% 이내 | 3.91% |
| 90% PI Coverage (IT / 냉각) | 85% 이상 | 90.10% / 94.41% |
| PUE 개선율 (Rule-based 대비) | best-effort | 7.8% (1.1894 → 1.1747) |
| RL 온도 위반율 | best-effort | 0% |
| 위기 시나리오 27°C 이하 유지 | — | 달성 |
본 프로젝트는 다음 공개 데이터셋을 기반으로 합성 1년치 시뮬 데이터를 구축했습니다.
| 데이터 | 출처 | 활용 |
|---|---|---|
| Google Cluster Trace 2019 | google/cluster-data | CPU 사용률 패턴 (시간별 부하 일주기) |
| 기상청 ASOS | data.kma.go.kr | 외기 dry-bulb 온도, 상대습도, 풍속 |
| SPECpower_ssj2008 | spec.org/power_ssj2008 | 서버 전력 모델 (idle / max 전력) |
| 한전 산업용 전기요금 | 한국전력공사 산업용(갑) 평균 | 120원/kWh (ESG·ROI 계산용) |
| 한국 전력 탄소 배출계수 | 환경부 온실가스 배출계수 | 0.459 kgCO₂/kWh |
| NAVER 각 춘천 PUE | 공개 보도자료 | 1.09 (효율 벤치마크) |
합성 데이터셋(
data/weather/synthetic_idc_1year_noisy.parquet)은 위 출처를 조합·재가공한 결과이며, 1년치 5분 간격(105,120 step) 데이터로 RL 학습·예측 모델 학습·시뮬에 동일하게 사용.
| 문서 | 설명 |
|---|---|
| RUNBOOK | 개발 환경 설정 및 실행 가이드 |
| 시스템 아키텍처 | MSA 5서비스 구성, 포트, 서비스 간 통신 |
| API 명세서 | REST 엔드포인트 요청/응답 스키마 |
| 열역학 냉각 부하 모델 | 물리 기반 냉각 공식, PUE, ESG 지표 |
| 제어 방식 성능 비교 | Rule-based / PID / RL(SAC) 평가 결과 |
| PID 튜닝 과정 | ODE 시뮬레이터 기반 PID 파라미터 도출 |
| 대시보드 설계 | Streamlit UI/UX 명세 |
| KCC2026 등재 논문 자료 | RL 기반 데이터센터 냉각 효율화 연구 |
| 서강대 26-1 캡스톤디자인 최종 발표 자료 | 캡스톤디자인 최종 발표 슬라이드 |