데이터센터 동적 부하 모델링과 패턴 일관 보정

초록

**
본 논문은 물리 기반 구조와 데이터‑드리븐 적응성을 결합한 데이터센터 대형 전자 부하(LEL) 모델을 제안한다. 모델 파라미터를 실제 운영 데이터로 패턴‑일관 보정하고, 시간 대비 학습(TCL) 기법으로 통계·시간적 특성을 정렬한다. MIT Supercloud·ASU Sol·Blue Waters·ASHRAE 데이터로 캘리브레이션한 뒤 ANDES 플랫폼에 통합해 IEEE‑39, NPCC‑140, WECC‑179 버스 시스템에서 시뮬레이션을 수행, 비보정 모델이 놓치는 복합 차단·재연결 현상과 지연 안정화를 정확히 재현함을 보였다.

**

상세 분석

**
이 연구는 기존 물리‑기반 부하 모델이 시설별 운영 패턴을 반영하지 못하고, 순수 데이터‑드리븐 모델이 과적합·비현실적 동적 거동을 보이는 문제점을 정확히 짚어낸다. 저자는 물리적 구조를 유지하면서 파라미터화된 형태로 모델을 설계하고, 이를 실제 부하 데이터에 맞추는 ‘패턴‑일관 보정’ 프레임워크를 도입한다. 핵심은 시간 대비 학습(Temporal Contrastive Learning, TCL)으로, 윈도우 기반의 무감독 표현을 추출해 실측 트래젝터리와 시뮬레이션 트래젝터리의 통계·시간적 특징을 정렬한다. 이는 순간값을 직접 맞추는 전통적 트래젝터리 정렬이 stochastic한 데이터센터 부하에 과적합을 일으키는 한계를 극복한다. 모델은 IT 워크로드를 OU 프로세스로, 냉각·보조 부하는 WECC Composite Load Model, 차단·재연결은 규칙 기반 파라미터로 각각 구현한다. 파라미터 집합 Θ_work, Θ_cool, Θ_prot을 현장 데이터로 캘리브레이션하고, 캘리브레이션된 파라미터만 유틸리티에 제공함으로써 데이터 프라이버시를 보장한다. 시뮬레이션 결과, 비보정 모델은 대규모 부하 차단 후 전압·주파수 회복을 과도하게 빠르게 예측하지만, 보정된 모델은 차단‑재연결 연쇄와 지연된 안정화 현상을 정확히 포착한다. 이는 LEL 간 상호작용이 시스템 전반의 동적 복구 경로를 크게 바꾸며, 기존 모델이 간과했던 복합 동적 현상을 드러낸다. 또한, 동일 파라미터화 구조를 암호화폐 채굴 시설·수소 전해조 등 다른 LEL에도 적용 가능함을 시연해 모델의 범용성을 입증한다.

**