CN102620378A - 数据中心节能控制方法和系统 - Google Patents
数据中心节能控制方法和系统 Download PDFInfo
- Publication number
- CN102620378A CN102620378A CN201110029732XA CN201110029732A CN102620378A CN 102620378 A CN102620378 A CN 102620378A CN 201110029732X A CN201110029732X A CN 201110029732XA CN 201110029732 A CN201110029732 A CN 201110029732A CN 102620378 A CN102620378 A CN 102620378A
- Authority
- CN
- China
- Prior art keywords
- parameter
- computer
- conditioning system
- air conditioning
- room air
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
- H05K7/20836—Thermal management, e.g. server temperature control
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Thermal Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- General Physics & Mathematics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
公开了一种数据中心节能控制方法和装置,数据中心包括至少一个包含电子设备的机柜、机房空调系统以及环境参数监视系统,该方法包括:确定能够满足至少一个机柜的制冷量需求的至少一组合格环境参数;根据至少一组合格环境参数以及机房空调系统的设置参数组与相应的环境参数组之间的对应关系,确定机房空调系统的多组设置参数,其中,所述对应关系是基于人工神经网络的对应关系;获得所述多组设置参数中的每一组设置参数所对应的机房空调系统的功耗;以及选择所对应的功耗符合用于节能的预设条件的一组设置参数,并使用该组设置参数设置所述机房空调系统。
Description
技术领域
本发明涉及数据中心,具体涉及一种数据中心节能控制方法和系统。
背景技术
随着IT业的高速发展,人们建造了越来越多的数据中心。数据中心是指这样的房间或建筑设施,其中,诸如服务器等IT和网络设备布置在排列的一组机柜上。数据中心通常需要消耗大量的电能。例如,在2006年,美国的数据中心消耗的电能占全国总发电量的1.5%。为减少数据中心的电能消耗,人们想出了各种方法。一种方法是通过检测返回空气的温度来对机房空调系统(CRAC)的制冷进行相应调整,以使返回空气的温度在满足制冷要求的前提下尽可能地高,从而节约空调消耗的电能。然而,由于返回空气的温度是由整个数据中心的机柜中的电子设备的散热共同作用的结果,因此通过检测返回空气的温度来调整机房空调系统的制冷并不能保证单个机柜中的温度和气流符合要求。另一种方法是使用数值分析的方法求解出数据中心的温度分布和气流分布与机房空调系统设置及服务器负载分布之间的数值关系,并根据当前特定的服务器负载分布计算出符合各机柜处的温度和气流要求、且耗电量最小的机房空调系统设置。然而,这种方法的计算量很大,非常耗时,因此,无法实现针对服务器负载等的随时变化来实时地对机房空调系统进行设置。
发明内容
根据本发明的一个方面,提出了一种数据中心节能控制方法,所述数据中心包括至少一个包含电子设备的机柜、机房空调系统以及环境参数监视系统,该方法包括:确定能够满足所述至少一个包含电子设备的机柜的制冷量需求的至少一组合格环境参数;根据所述至少一组合格环境参数以及机房空调系统的设置参数组与相应的环境参数组之间的对应关系,确定所述机房空调系统的多组设置参数,其中,所述对应关系是基于人工神经网络的对应关系;获得所述机房空调系统的所述多组设置参数所对应的机房空调系统的功耗;以及选择所对应的功耗符合用于节能的预设条件的一组设置参数,并使用该组设置参数设置所述机房空调系统。
根据本发明的另一个方面,提出了一种数据中心节能控制系统,所述数据中心包括至少一个包含电子设备的机柜、机房空调系统以及环境参数监视系统,该系统包括:合格环境参数确定装置,用于确定能够满足所述至少一个包含电子设备的机柜的制冷量需求的至少一组合格环境参数;空调设置参数确定装置,用于根据所述至少一组合格环境参数以及机房空调系统的设置参数组与相应的环境参数组之间的对应关系,确定所述机房空调系统的多组设置参数,其中,所述对应关系是基于人工神经网络的对应关系;空调功耗获得装置,用于获得所述机房空调系统的所述多组设置参数所对应的机房空调系统的功耗;以及选择和设置装置,用于选择所对应的功耗符合用于节能的预设条件的一组设置参数,并使用该组设置参数设置所述机房空调系统。
使用本发明的系统和方法,能够响应于数据中心各机柜的功耗的变化以及诸如气温等环境因素的变化迅速地获得符合当前的服务器负载和环境因素且使能耗最小的机房空调设置方案,从而实现对数据中心的实时和有效的节能控制。
附图说明
所附权利要求中阐述了被认为是本发明的特点的创造性特征。但是,通过参照附图阅读下面对说明性实施例的详细说明可更好地理解发明本身以及其优选使用模式、目标、特征以及优点,在附图中:
图1示意性地示出了可在其中应用本发明的系统和方法的示例性数据中心的平面图;
图2描述根据本发明的实施例的数据中心节能控制系统;
图3示意性地示出了人工神经网络的典型算法结构;
图4描述根据本发明的实施例的数据中心节能控制方法。
具体实施方式
下面参照附图来说明本发明的实施例。在下面的说明中,阐述了许多具体细节以便更全面地了解本发明。但是,对于本技术领域内的技术人员明显的是,本发明的实现可不具有这些具体细节中的一些。此外,应当理解的是,本发明并不限于所介绍的特定实施例。相反,可以考虑用下面的特征和要素的任意组合来实施本发明,而无论它们是否涉及不同的实施例。因此,下面的方面、特征、实施例和优点仅作说明之用而不应被看作是所附权利要求的要素或限定,除非权利要求中明确提出。
图1示意性地示出了可在其中应用本发明的系统和方法的示例性数据中心的平面图。如图所示,数据中心100包括多个机柜101。每个机柜101中可容纳多个电子设备,例如服务器、路由器、磁盘驱动器、显示器等。这些电子设备用于执行诸如计算、交换、路由、显示等各种电子功能。机柜101通常是按行业标准整齐排列的。机柜101通常位于架空地板上,在机柜101旁的地板上设置有通风地板等通风装置103。数据中心100还包括机房空调系统,机房空调系统通常包括一个或多个空调设备102。由机房空调系统提供的冷空气通过架空地板下的空间以及通风装置103传送到机柜101旁,并穿过机柜101,从而给机柜101中的电子设备降温。从机柜101出来的加热空气将通过房间回流到空调设备102中。每个空调设备102提供的冷空气的温度和流速等参数是可以调节的。空调设备参数的调节既可以手工执行,也可以通过接收并执行用于调节其参数的命令来执行。
数据中心100还设置有环境参数监视系统,用于监视温度、气流等环境参数。例如,在每个机柜的入口处设置温度传感器104和气流传感器105,用于分别检测机柜入口处的空气温度和空气流量或气流速度。在每个机柜的入口处还可以设置其它传感器,例如气压传感器、湿度传感器等,用于分别检测机柜入口处的气压和温度等参数。此外,在数据中心的其它位置,例如空调设备的进气口处等,也可以设置温度、气流等传感器。数据中心中的各传感器可通过电缆、传感器集线器等设备连接起来,从而组成一个传感器网络。传感器网络还通过电缆与本发明的数据中心节能控制系统200相连,以便将所监视的温度、气流等数据传送给所述数据中心节能控制系统200进行处理。通过有线方式将传感器互连以及将传感器与本发明的数据中心节能控制系统相连,能够避免传感器所传送的数据与电子设备中所存储和处理的数据之间的信号干扰,提高数据传送和处理的可靠性。当然,以无线方式将传感器互连以及将传感器与本发明的数据中心节能控制系统相连也是可以的。所述环境参数监视系统可以是现有的环境参数监视系统,例如,IBM公司的Measurement and Management Technology,SynapSense公司的无线传感器网络等。尽管以上描述中将所述环境参数监视系统视为位于本发明的数据中心节能控制系统之外,但也可将所述环境参数监视系统被为包括在本发明的数据中心节能控制系统之内。
数据中心节能控制系统200通过电缆或无线方式与机房空调系统连接,以对机房空调系统中的各空调设备102的参数进行设置。
现参照附图2描述根据本发明的实施例的数据中心节能控制系统200。该数据中心节能控制系统200可以在计算机系统上实现,例如,由在该计算机系统上运行的软件来实现。该计算机系统可以位于数据中心100之内,也可以位于数据中心100之外。该数据中心节能控制系统200可以与数据中心内的环境参数监视系统210相连接,以接收并处理来自环境参数监视系统210的空气温度、空气流量或流速等环境参数。所述环境参数监视系统210包括例如图1中所示的温度传感器104和气流传感器105等传感器。该数据中心节能控制系统200还可以与数据中心100内的机房空调系统220相连接,以对机房空调系统220的可设置参数例如出气温度、风扇转速等进行设置。所述机房空调系统220包括例如图1中所示的各空调设备102。该数据中心节能控制系统200还可以与数据中心100内的机柜或机柜控制器230等相连,以便获得机柜上的电子设备的功耗等数据。所述机柜控制器230可以是现有的任何机柜控制器或具有类似功能的部件。数据中心节能控制系统200与环境参数监视系统210、机房空调系统220、机柜或机柜控制器230的连接可以通过以太网或RS485、RS232、LonWorks等方式来实现。
如图2所示,该数据中心节能控制系统200包括训练装置201、合格环境参数确定装置202、空调设置参数确定装置203、空调功耗获得装置204、以及选择和设置装置205。
根据本发明的一些实施例,所述训练装置201用于以所述机房空调系统220的一组设置参数的实验数据或历史数据为输入数据,以环境参数监视系统210所监视的一组环境参数的实验数据或历史数据为输出数据,来训练人工神经网络。
根据本发明的另一些实施例,所述训练装置201用于以环境参数监视系统210所监视的一组环境参数的实验数据或历史数据为输入数据,以所述机房空调系统220的一组设置参数的实验数据或历史数据为输出数据,来训练人工神经网络。
当然,在本发明的一些实施例中,也可以将所述训练装置201视为位于该数据中心节能控制系统200之外的单独模块,也就是说,该数据中心节能控制系统200可以不包括所述训练装置201。
人工神经网络是一种模拟了生物神经网络的信息处理过程的数据模型或计算模型,它是用于在很短时间内解决非线性统计数据建模问题的有力工具。它通常用于为输入和输出之间的复杂关系进行建模,或用于发现数据中的模式,因此适合于解决数据中心环境中的节能问题。
图3示出了人工神经网络的典型算法结构。人工神经网络包括一个输入层、一个输出层、一个或多个隐藏的中间层。输入层包括若干输入节点,作为自变量的输入向量被输入到输入层中的各输入节点。这里,节点也可被称为神经元。输出层包括若干输出节点,输出节点将输出作为因变量的输出向量。每个中间层也包括若干节点。中间层将输入层和输出层连接起来,并允许输入之间的复杂的和非线性的交互以产生所需要的输出。计算是在中间层和输出层中进行的,而不在输入层中进行。所有交互都是在从输入层到输出层的方向上进行的,即是前馈的。因此,人工神经网络可表示为:
其中,表示第l层的第j个节点的输出,是从第(l-1)层的第i个节点到第l层的第j个节点的连接上的权重,是与第l层的第j个节点关联的偏置(bias),Nl-1是第(l-1)层的节点的数量。其中,xj是第j个输入,N0是输入的数量。F是激活函数,并且可认为其为节点提供了非线性增益。典型地,F是如下所示的Sigmoid函数:
F(u)=1/(1+e-u) (2)
该函数使人工神经网络中的任何节点的输出都是有限的,并允许人工神经网络既能够处理量值小的信号,又能处理量值大的信号。
在以上公式(1)中,权重和都是可调节的变量。人工神经网络的强大能力在于如下定理:给定足够多的隐藏神经元,则由人工神经网络所代表的函数可以在有限域中以任意精度逼近任何非线性函数。使用已知的输入和输出数据来调整人工神经网络的过程称为训练人工神经网络。在训练人工神经网络时,从一个中间层、随机的中间层节点数、以及随机的每个节点权重和偏置出发,使用作为训练数据的已知输入和输出数据,不断对中间层数、各中间层的节点数以及各权重和偏置进行调整,直到获得所需的精度。这是一个学习过程。训练好的人工神经网络代表了输入和输出之间的关系,并可用来根据已知的当前输入或输出计算相应的未知的当前输出或输入。现有的被称为反传(back-propagation)的用于训练人工神经网络的算法是一种有力的算法,其能够确保人工神经网络将收敛于匹配其训练数据。
如本领域的技术人员所知的,人工神经网络通常可由软件来实现。
根据本发明的一些实施例,所述训练装置201获取所述机房空调系统220的一组设置参数的实验数据或历史数据,例如,机房空调系统的设置温度和风量的实验数据或历史数据,将其作为人工神经网络的输入数据,并获取环境参数监视系统210所监视的、对应于机房空调系统220的设置参数的一组环境参数的实验数据或历史数据,例如所监视的在机房空调系统220的特定设置温度和风量下的环境温度和空气流速,将其作为人工神经网络的输出数据,来训练人工神经网络。也就是说,所述人工神经网络的输入包括机房空调系统220的诸如设置温度和风量的一组设置参数,而其输出包括由环境参数监视系统210所监视的诸如环境温度和空气流速的一组环境参数。如本领域的技术人员可理解的,空调系统的风量也可以由空调的供气风扇的转速等参数来取代。
用于训练人工神经网络的输入数据和输出数据既可以来自于数据中心在实际运行过程中的历史数据,也可以来自为训练人工神经网络而对数据中心进行实验运行时得到的实验数据。在对数据中心进行实验运行时,可以对机房空调系统220中的每个空调设备的每个设置参数的全部可能取值范围进行遍历,并监视在空调设备的每组取值组合下的环境参数,从而可获得更为全面的输入数据和输出数据。
此外,用于训练人工神经网络的输入数据和输出数据也可以来自通过对数据中心的气流建立数值分析模型并应用该数据分析模型而获得的理论输入数据和输出数据。
由于机房空调系统220通常包括多个空调设备,每个空调设备包括多个可调整的设置参数,且每个空调设备的每个设置参数都将对环境参数监视系统210所监视的环境参数发生不同的影响,因此,所述训练装置201可以把每一个空调设备的每个设置参数作为人工神经网络的一个输入。例如,对于数据中心存在n个空调设备,且每个空调设备具有m个可设置参数的情况,则可以存在n×m个输入。
根据本发明的实施例,所述环境参数监视系统包括位于每一个机柜进气口处的温度传感器和气流传感器等传感器。这样,所述训练装置210可以获得每一个机柜进气口处的温度和气流数据等环境参数,并将每一个机柜进气口处的每一个环境参数作为人工神经网络的一个输出。例如,对于数据中心存在n个机柜,且在每个机柜处监视m个环境参数的情况,则可以获得n×m个输出。此外,还可以在数据中心的其它地方设置其它传感器,且所述训练装置201也可以将其它传感器的监视数据作为人工神经网络的输出。当然,所述训练装置201也可以仅将部分机柜或其它位置处的部分传感器所监视的环境参数作为人工神经网络的输出。
作为另一种选择,根据本发明的另一些实施例,所述训练装置201获取环境参数监视系统210所监视的、对应于机房空调系统220的设置参数的一组环境参数的实验数据或历史数据,例如所监视的在机房空调系统220的特定设置温度和风量下的环境温度和空气流速,将其作为人工神经网络的输入数据,并获取所述机房空调系统220的一组设置参数的实验数据或历史数据,例如,机房空调系统的设置温度和风量的实验数据或历史数据,将其作为人工神经网络的输出数据,来训练人工神经网络。
根据本发明的一个实施例,所述训练装置201还可以将数据中心的每个机柜的功耗的实验数据或历史数据作为用于训练人工神经网络的设置参数。也就是说,所述人工神经网络的输入除了包括机房空调系统220的设置参数外,还包括数据中心的每个机柜的功耗;或者,也可以将所述功耗当作人工神经网络的输出。一个机柜的功耗即该机柜中包含的全部电子设备的总功耗。所述训练装置201可以从机柜中的电子设备获得每个电子设备的功耗或者从诸如机柜控制器等设置在机柜上的可用于检测机柜中的电子设备的功耗的装置获得每个机柜中的功耗。
值得注意的是,每个机柜中的电子设备的功耗并不是直接影响到机房空调系统220的返回气体温度的。当冷空气通过一个机柜被并加热后,加热的空气将与来自其它机柜的加热空气混和起来,并返回机房空调系统220的进气口,从而作为一个整体影响到机房空调系统220的返回气体温度,并进而影响到机房空调系统的所无需设置。因此,可以使用一排机柜或一片区域(直至整个数据中心)的机柜的总功耗,来取代单个机柜的功耗,作为人工神经网络的输入。这样,可以减少人工神经网络的输入的数量,从而减少训练和计算成本。
根据本发明的另一个实施例,所述训练装置201还可以将气温的历史数据作为用于训练人工神经网络的环境参数。也就是说,所述人工神经网络的输入除了包括机房空调系统220的设置参数(以及可能地,机柜的功耗)外,还包括气温;或者,也可以将气温当作人工神经网络的输出。
根据本发明的其它实施例,所述训练装置201还可以将其它参数的历史数据或实验数据作为用于训练人工神经网络的输入或输出数据。也就是说,所述人工神经网络的输入或输出还可以包括其它参数。所述其它参数例如为空气湿度、气压、阳光角度、日内时间等等。如本领域的技术人员所知的,所述其它参数的历史数据或实验数据可通过诸如湿度传感器、气压传感器、计时器等装置获得。
经过这样训练的人工神经网络反映了输入参数和输出参数之间的复杂的、非线性关系,其将被保存起来,以便如下所述用于根据所需要的输出数据(以及可能地,部分输入数据)预测相应的输入数据。
现返回图2,所述合格环境参数确定装置202用于确定能够满足所述至少一个包含电子设备的机柜的制冷量需求的至少一组合格环境参数。
根据本发明的实施例,所述至少一组合格环境参数为在每一个机柜入口处的能够满足该机柜的制冷量需求的空气温度和空气流速。如本领域的技术人员所知,一个机柜的制冷量需求取决于该机柜包含的电子设备的总的功耗。根据行业制冷标准ASHRAE 2008(美国采暖、制冷和空调工程师协会2008年标准),电子设备的每1kW的散热需要温度等于或低于27℃的、150CFM(立方英尺每分钟)的冷空气。因此,合格环境参数确定装置202可假设机柜入口处的空气温度为27℃,并将每个机柜的功耗(即该机柜包含的电子设备的总功耗)乘以150来得出该机柜入口处所需要的空气流速(单位为CFM)。当然,合格环境参数确定装置202也可以假设机柜入口处的空气温度为低于27℃的某一温度,并根据相应的行业制冷标准以及每个机柜的功耗计算出该机柜入口处的空气流速。这样,合格环境参数确定装置202可针对每一个机柜确定出一组合格环境参数,其包括等于或低于27℃的某一温度值以及一个空气流速值;或者,可针对每一个机柜确定出多组合格环境参数,其中每一组合格环境参数包括等于或低于27℃的某一不同温度值,以及相应的一个空气流速值。
根据本发明的实施例,所述合格环境参数确定装置202确定能够满足所述至少一个包含电子设备的机柜的制冷量需求的至少一组合格环境参数是响应于检测到所述至少一个包含电子设备的机柜的功耗的变化而进行的。也就是说,每当通过机柜控制器230等检测到机柜功耗由于其电子设备上的负载变化而发生变化时,所述合格环境参数确定装置202就确定能够满足新的功耗所对应的新的制冷量需求的新的至少一组合格环境参数,从而启动后续过程,以便对机房空调系统的设置参数进行调整。以这种方式,根据本发明的实施例的数据中心节能控制系统200可以对机柜中的负载及功耗的变化进行实时的监视和响应,从而有可能更为及时有效地在满足数据中心的制冷要求的同时实现机房空调系统220的节能。
如上所述,在本发明的一些实施例中,所述人工神经网络的输入还包括诸如气温、空气湿度、气压、阳光角度、日内时间等其它参数。在这些的实施例中,所述合格环境参数确定装置202确定能够满足所述至少一个包含电子设备的机柜的制冷量需求的至少一组合格环境参数除了响应于检测到所述至少一个包含电子设备的机柜的功耗的变化而进行外,还可以响应于监视到所述其它参数的变化而进行,并启动后续过程,从而可以实现根据其它参数的变化实时地对机房空调系统的设置参数进行调整。
现返回图2,所述空调设置参数确定装置203用于根据所述一组合格环境参数以及机房空调系统的设置参数组与相应的环境参数组之间的对应关系,确定所述机房空调系统220的多组设置参数,其中,所述对应关系是基于所述训练好的人工神经网络的对应关系。
在本发明的一些实施例中,训练好的人工神经网络反映了作为其输入的机房空调系统220的设置参数与作为其输出的环境参数之间的关系,因此,可以将所述一组合格环境参数作为训练好的人工神经网络的输出获得能够得出该输出的所有输入,即所有能够产生该组合格环境参数的、机房空调系统220的设置参数组。具体地,可以首先以适当的步长(例如,机房空调系统220的设置参数的最小变化)遍历机房空调系统220的所有有效的设置参数组,例如,以0.5℃为步长遍历机房空调系统220的每个空调设备的所有有效的设置温度,并以每个空调设备的风量的最小变化为步长遍历每个空调设备所有有效的风量,以这样形成的每组设置参数作为训练好的人工神经网络的输入,使用训练好的人工神经网络,计算出该人工神经网络的相应输出,即环境参数组,从而建立起空调系统的每一组有效的设置参数与相应的环境参数组之间的对应关系,并将所述对应关系存储起来。如本领域的技术人员所知的,由训练好的人工神经网络的输入计算其输出的过程是较为简单迅速的。此外,由于上述计算过程是根据训练好的人工神经网络,以及空调系统的理论上的设置参数进行的,并不需要任何实际的测量数据,因此可以事先且较为迅速地进行,并将该计算过程所产生的空调系统的每一组有效的设置参数与相应的环境参数组之间的关系存储起来,例如以表的形式存储起来。这样,当空调设置参数确定装置203接收到所述至少一组合格环境参数以后,可以迅速地通过该表查找到能够产生所述至少一组合格环境参数的、所述机房空调系统220的多组设置参数。
在本发明的一些实施例中,人工神经网络的输入除了包括机房空调系统220的一组设置参数,还包括每一个或一组机柜的功耗,在这样的实施例中,所述空调设置参数确定装置203将首先获得每一个或一组机柜的当前功耗,并根据所述每一个或一组机柜的当前功耗、所述一组合格环境参数以及训练好的人工神经网络计算所述机房空调系统220的多组设置参数。也就是说,由于训练好的人工神经网络反映了作为其输入的机房空调系统220的设置参数以及每一个或一组机柜的当前功耗与作为其输出的环境参数之间的关系,因此,可以将所述一组合格环境参数作为训练好的人工神经网络的输出、将所述每一个或一组机柜的当前功耗作为训练好的人工神经网络的部分输入计算出能够与该部分输入一起得出该输出的所有有效的输入,即所有能够产生该组合格环境参数的、在所述每一个或一组机柜的当前功耗之下的、机房空调系统220的设置参数组。可以事先根据训练好的人工神经网络建立起机房空调系统220的每一组有效的设置参数和每一个或一组机柜的每一个有效的功耗与相应的环境参数组之间的对应关系,并将所述对应关系例如以表的形成存储起来,然后根据所接收的合格环境参数以及每一个或一组机柜的当前功耗,可以迅速地通过该表查找到能够产生所述合格环境参数的、对应于所述每一个或一组机柜的当前功耗的、所述机房空调系统220的多组设置参数。
在本发明的另一些实施例中,人工神经网络的输入除了包括机房空调系统220的一组设置参数(以及可能地,每一个或一组机柜的功耗),还包括诸如气温、气压、空气湿度、阳光角度、日内时间等其它参数。在这样的实施例中,可以事先根据训练好的人工神经网络建立起机房空调系统220的每一组有效的设置参数和所述其它参数与相应的环境参数组之间的对应关系,并将所述对应关系例如以表的形成存储起来,这样,当所述空调设置参数确定装置203接收到所述至少一组合格环境参数后,可首先从相应的传感器获得所述其它参数的当前值,并根据所述其它参数的当前值、所述一组合格环境参数以及训练好的人工神经网络计算所述机房空调系统220的多组设置参数。
作为另一种选择,在本发明的另一些实施例中,训练好的人工神经网络反映了作为其输入的环境参数与作为其输出的机房空调系统220的设置参数之间的关系。在这样的实施例中,所述空调设置参数确定装置203可以将确定的所述一组合格环境参数作为人工神经网络的输入直接计算出作为人工神经网络的输出的机房空调系统的多组设置参数。在本发明的进一步的实施例中,在人工神经网络的输入中还可以包括每一个或一组机柜的功耗,以及/或者诸如气温、气压、空气湿度、阳光角度、日内时间等其它参数。在这样的实施例中,所述空调设置参数确定装置203可以将确定的所述一组合格环境参数以及所述每一个或一组机柜的功耗以及/或者所述其他参数作为人工神经网络的输入直接计算出作为人工神经网络的输出的机房空调系统的多组设置参数。
现返回图2,所述空调功耗获得装置204用于获得由所述空调设置参数确定装置203确定的所述机房空调系统220的所述多组设置参数所对应的机房空调系统220的功耗。所述空调功耗获得装置204可以获得所述机房空调系统220的所述多组设置参数中的每一组设置参数所对应的机房空调系统220的功耗,或者,也可以获得所述机房空调系统220的所述多组设置参数中的部分设置参数中的每一组设置参数所对应的机房空调系统220的功耗。如本领域的技术人员所知的,机房空调系统的不同设置参数对应着不同的功耗。例如,机房空调系统的功耗将随着设置温度的增加而降低(例如,使用直接压缩方式制冷的机房空调系统的设置温度每增加1℃,其功耗通常降低3.8%,使用中央冷冻水制冷的机房空调系统的设置温度每增加1℃,其功耗通常降低3%),并随着风量的增加而增加(在低速时,风量与功耗的关系通常是线性的),当然也随着供气风扇的转速的增加而增加(空调的功耗与供气风扇的转速的三次方大致成正比)。机房空调系统的设置参数与其功耗之间的对应关系数据通常是由机房空调系统的生产商提供的,也可通过实验得出。所述空调功耗获得装置204可根据机房空调系统220的生成商提供的机房空调系统220的设置参数与功耗之间的对应关系计算出由所述空调设置参数确定装置203确定的能够产生合格环境参数的机房空调系统220的每组设置参数所对应的功耗。
所述选择和设置装置205用于选择所对应的功耗符合用于节能的预设条件的一组设置参数,并使用该组设置参数设置所述机房空调系统220。也就是说,所述选择和设置装置205可以根据所述空调功耗获得装置204获得的机房空调系统220的多组设置参数所对应的不同功耗,选择所对应的功耗符合用于节能的预设条件的一组设置参数,并使用该组设置参数来对机房空调系统220进行设置。例如,所述选择和设置装置205可以从所述空调设置参数确定装置203确定的能够产生合格环境参数的机房空调系统220的多组设置温度和风量中,选择一组设置温度和风量,由该组设置温度和风量对应的总的功耗符合用于节能的预设条件,并使用该组设置温度和风量来设置机房空调系统。
根据本发明的一实施例,所述预设条件可以是机房空调系统的多组设置参数所对应的功耗中最小的功耗。这样,所述选择和设置装置205将从所述空调设置参数确定装置203确定的机房空调系统220的多组设置参数中,选择所对应的功耗最小的一组设置参数,并使用该组设置参数来对机房空调系统220进行设置。
根据本发明的另一实施例,所述预设条件可以是机房空调系统的多组设置参数所对应的功耗中较小的功耗,例如,可以是机房空调系统的多组设置参数所对应的功耗中小于其中的最大功耗的功耗,或进一步地,小于其中的最大功耗达到预定比例的功耗。这样,所述选择和设置装置205将从所述空调设置参数确定装置203确定的机房空调系统220的多组设置参数中,选择所对应的功耗较小的一组设置参数,并使用该组设置参数来对机房空调系统220进行设置。
根据本发明的再一实施例,所述预设条件可以是机房空调系统的多组设置参数所对应的功耗中小于一预先设置值的功耗。这样,所述选择和设置装置205将从所述空调设置参数确定装置203确定的机房空调系统220的多组设置参数中,选择所对应的功耗小于所述预先设置值的一组设置参数,并使用该组设置参数来对机房空调系统220进行设置。
如本领域的技术人员所知的,机房空调系统220通常能够通过接收和执行用于设置其参数的命令来进行设置,因此,所述选择和设置装置205可以通过向机房空调系统220发送用于设置其参数的命令来设置所述机房空调系统220。当然,所述选择和设置装置205也可以通过将所选择的一组设置参数呈现给管理员,由管理员根据该组设置参数手工对机房空调系统220进行设置。
以上参照附图描述了根据本发明的实施例的数据中心节能控制系统200,应指出的是,以上描述仅为对本发明的示例性说明,而不是对本发明的限制。在本发明的其它实施例中,该系统可具有更多、更少或不同的装置,且各装置之间的包含、连接和功能等关系可以与所描述和图示的不同。例如,在本发明的一些实施例中,该系统还包括所述环境参数监视系统210。再例如,在本发明的一些实施例中,所述选择和设置装置205可以划分为一个空调设置参数选择装置和一个空调设置装置。又例如,在本发明的另一些实施例中,所述合格环境参数确定装置202、空调设置参数确定装置203、空调功耗获得装置204、选择和设置装置205可以合并为单个空调设置装置,等等,所有这些变化都处于本发明的精神和范围之内。
下面参照附图4描述根据本发明的实施例的数据中心节能控制方法,所述数据中心包括至少一个包含电子设备的机柜、机房空调系统以及环境参数监视系统。该方法可以由上述根据本发明的实施例的数据中心节能控制系统200来执行。为简明起见,在以下描述中省略了与以上描述重复的部分细节。因此,可参见以上描述获得对根据本发明的实施例的数据中心节能控制方法的更详细的了解。
如图4所示,根据本发明的实施例的数据中心节能控制方法包括如下步骤:
在步骤401,确定能够满足所述至少一个包含电子设备的机柜的制冷量需求的至少一组合格环境参数。
在步骤402,根据所述至少一组合格环境参数以及机房空调系统的设置参数组与相应的环境参数组之间的对应关系,确定所述机房空调系统的多组设置参数,其中,所述对应关系是基于人工神经网络的对应关系。
在步骤403,获得所述机房空调系统的所述多组设置参数所对应的机房空调系统的功耗。
在步骤404,选择所对应的功耗符合用于节能的预设条件的一组设置参数,并使用该组设置参数设置所述机房空调系统。
根据本发明的一实施例,所述预设条件为多组设置参数所对应的机房空调系统的功耗中最小的功耗。
根据本发明的另一实施例,所述预设条件为机房空调系统的多组设置参数所对应的功耗中较小的功耗。
根据本发明的再一实施例,所述预设条件为机房空调系统的多组设置参数所对应的功耗中小于一预先设置值的功耗。
根据本发明的一些实施例,所述人工神经网络是以机房空调系统的一组设置参数的实验数据或历史数据为输入数据,以环境参数监视系统所监视的一组环境参数的实验数据或历史数据为输出数据,训练得到的。
根据本发明的进一步的实施例,所述方法还包括以下步骤:以指定步长遍历所述机房空调系统的所有有效的设置参数组;以及以每一个有效的设置参数组作为所述人工神经网络的输入,使用训练得到的人工神经网络,计算作为所述人工神经网络的输出的相应的环境参数组,从而获得所述机房空调系统的设置参数组与相应的环境参数组之间的对应关系。
根据本发明的另一些实施例,所述人工神经网络是通过以所述环境参数监视系统所监视的一组环境参数的实验数据或历史数据为输入数据,以所述机房空调系统的一组设置参数的实验数据或历史数据为输出数据,训练得到的。
根据本发明的实施例,所述机房空调系统的设置参数包括机房空调系统的设置温度和风量,所述环境参数包括所监视的环境温度和空气流速。
根据本发明的实施例,所述环境参数监视系统包括位于所述至少一个机柜中的每一个机柜进气口处的温度传感器和气流传感器。
根据本发明的实施例,用于训练所述人工神经网络的输入数据还包括所述至少一个机柜中的每个机柜或每组机柜中的功耗的实验数据或历史数据,且计算所述机房空调系统的多组设置参数还根据所述每个机柜或每组机柜的当前功耗。
根据本发明的实施例,用于训练所述人工神经网络的输入数据还包括气温,且计算所述机房空调系统的多组设置参数还根据当前气温。
根据本发明的实施例,所述确定能够满足所述至少一个包含电子设备的机柜的制冷量需求的至少一组合格环境参数是响应于检测到所述至少一个包含电子设备的机柜的功耗的变化而进行的。
以上参照附图描述了根据本发明的实施例的数据中心节能控制方法,应指出的是,以上描述仅是对本发明的示例性说明,而不是对本发明的限制。在本发明的其它实施例中,该方法可具有更多、更不或不同的步骤,且各步骤之间的顺序和包含等关系可以与所描述和图示的不同。
本发明可以硬件、软件、或硬件与软件的结合的方式实现。本发明可以集中的方式在一个计算机系统中实现,或以分布方式实现,在这种分布方式中,不同的部件分布在若干互连的计算机系统中。适于执行本文中描述的方法的任何计算机系统或其它装置都是合适的。一种典型的硬件和软件的组合可以是带有计算机程序的通用计算机系统,当该计算机程序被加载和执行时,控制该计算机系统而使其执行本发明的方法,并构成本发明的装置。
本发明也可体现在计算机程序产品中,该程序产品包含使能实现本文中描述的方法的所有特征,并且当其被加载到计算机系统中时,能够执行所述方法。
Claims (20)
1.一种数据中心节能控制方法,所述数据中心包括至少一个包含电子设备的机柜、机房空调系统以及环境参数监视系统,该方法包括:
确定能够满足所述至少一个包含电子设备的机柜的制冷量需求的至少一组合格环境参数;
根据所述至少一组合格环境参数以及机房空调系统的设置参数组与相应的环境参数组之间的对应关系,确定所述机房空调系统的多组设置参数,其中,所述对应关系是基于人工神经网络的对应关系;
获得所述机房空调系统的所述多组设置参数所对应的机房空调系统的功耗;以及
选择所对应的功耗符合用于节能的预设条件的一组设置参数,并使用该组设置参数设置所述机房空调系统。
2.根据权利要求1的方法,其中所述预设条件为机房空调系统的多组设置参数所对应的功耗中最小的功耗。
3.根据权利要求1的方法,其中所述人工神经网络是通过以所述机房空调系统的一组设置参数的实验数据或历史数据为输入数据,以所述环境参数监视系统所监视的一组环境参数的实验数据或历史数据为输出数据,训练得到的。
4.根据权利要求3的方法,还包括:
以指定步长遍历所述机房空调系统的所有有效的设置参数组;以及
以每一个有效的设置参数组作为所述人工神经网络的输入,使用训练得到的人工神经网络,计算作为所述人工神经网络的输出的相应的环境参数组,从而获得所述机房空调系统的设置参数组与相应的环境参数组之间的对应关系。
5.根据权利要求1的方法,其中所述人工神经网络是通过以所述环境参数监视系统所监视的一组环境参数的实验数据或历史数据为输入数据,以所述机房空调系统的一组设置参数的实验数据或历史数据为输出数据,训练得到的。
6.根据权利要求1、3或5的方法,其中,所述机房空调系统的设置参数包括机房空调系统的设置温度和风量,所述环境参数包括所监视的环境温度和空气流速。
7.根据权利要求1、3或5的方法,其中,所述环境参数监视系统包括位于所述至少一个机柜中的每一个机柜进气口处的温度传感器和气流传感器。
8.根据权利要求3或5的方法,其中,用于训练所述人工神经网络的设置参数还包括所述至少一个机柜中的每个机柜或每组机柜的功耗的实验数据或历史数据。
9.根据权利要求3或5的方法,其中,用于训练所述人工神经网络的环境参数还包括气温。
10.根据权利要求1的方法,其中,确定能够满足所述至少一个包含电子设备的机柜的制冷量需求的至少一组合格环境参数是响应于检测到所述至少一个包含电子设备的机柜的功耗的变化而进行的。
11.一种数据中心节能控制系统,所述数据中心包括至少一个包含电子设备的机柜、机房空调系统以及环境参数监视系统,该系统包括:
合格环境参数确定装置,用于确定能够满足所述至少一个包含电子设备的机柜的制冷量需求的至少一组合格环境参数;
空调设置参数确定装置,用于根据所述至少一组合格环境参数以及机房空调系统的设置参数组与相应的环境参数组之间的对应关系,确定所述机房空调系统的多组设置参数,其中,所述对应关系是基于人工神经网络的对应关系;
空调功耗获得装置,用于获得所述机房空调系统的所述多组设置参数所对应的机房空调系统的功耗;以及
选择和设置装置,用于选择所对应的功耗符合用于节能的预设条件的一组设置参数,并使用该组设置参数设置所述机房空调系统。
12.根据权利要求11的系统,其中所述预设条件为机房空调系统的多组设置参数所对应的功耗中最小的功耗。
13.根据权利要求11的系统,还包括训练装置,用于以所述机房空调系统的一组设置参数的实验数据或历史数据为输入数据,以所述环境参数监视系统所监视的一组环境参数的实验数据或历史数据为输出数据,训练得到所述人工神经网络。
14.根据权利要求13的系统,还包括:
用于以指定步长遍历所述机房空调系统的所有有效的设置参数组的装置;以及
用于以每一个有效的设置参数组作为所述人工神经网络的输入,使用训练得到的人工神经网络,计算作为所述人工神经网络的输出的相应的环境参数组,从而获得所述机房空调系统的有效的设置参数组与相应的环境参数组之间的对应关系的装置。
15.根据权利要求11的系统,还包括训练装置,用于以所述环境参数监视系统所监视的一组环境参数的实验数据或历史数据为输出数据,以所述机房空调系统的一组设置参数的实验数据或历史数据为输入数据,训练得到所述人工神经网络。
16.根据权利要求11、13或15的系统,其中,所述机房空调系统的设置参数包括机房空调系统的设置温度和风量,所述环境参数包括所监视的环境温度和空气流速。
17.根据权利要求11、13或15的系统,其中,所述环境参数监视系统包括位于所述至少一个机柜中的每一个机柜进气口处的温度传感器和气流传感器。
18.根据权利要求13或15的系统,其中,用于训练所述人工神经网络的设置参数还包括所述至少一个机柜中的每个机柜或每组机柜的功耗的实验数据或历史数据。
19.根据权利要求13或15的系统,其中,用于训练所述人工神经网络的环境参数还包括气温。
20.根据权利要求11的系统,其中,所述合格环境参数确定装置响应于检测到所述至少一个包含电子设备的机柜的功耗的变化而确定能够满足所述至少一个包含电子设备的机柜的制冷量需求的至少一组合格环境参数。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110029732.XA CN102620378B (zh) | 2011-01-27 | 2011-01-27 | 数据中心节能控制方法和系统 |
US13/358,225 US20120197828A1 (en) | 2011-01-27 | 2012-01-25 | Energy Saving Control for Data Center |
US13/780,824 US20130190930A1 (en) | 2011-01-27 | 2013-02-28 | Energy Saving Control for Data Center |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110029732.XA CN102620378B (zh) | 2011-01-27 | 2011-01-27 | 数据中心节能控制方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102620378A true CN102620378A (zh) | 2012-08-01 |
CN102620378B CN102620378B (zh) | 2014-01-15 |
Family
ID=46560462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110029732.XA Expired - Fee Related CN102620378B (zh) | 2011-01-27 | 2011-01-27 | 数据中心节能控制方法和系统 |
Country Status (2)
Country | Link |
---|---|
US (2) | US20120197828A1 (zh) |
CN (1) | CN102620378B (zh) |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102937799A (zh) * | 2012-09-10 | 2013-02-20 | 山东省计算中心 | 一种数据中心节能系统及方法 |
CN103616945A (zh) * | 2013-11-20 | 2014-03-05 | 浪潮电子信息产业股份有限公司 | 大规模云数据中心中一种服务器节能方法及装置 |
CN103809536A (zh) * | 2012-11-09 | 2014-05-21 | 无锡美新物联网科技有限公司 | 一种客房智能管理系统 |
CN104423531A (zh) * | 2013-09-05 | 2015-03-18 | 中兴通讯股份有限公司 | 数据中心能耗调度处理方法及装置 |
CN104978007A (zh) * | 2015-07-14 | 2015-10-14 | 北京百度网讯科技有限公司 | 数据中心运行状态的控制方法和装置 |
CN106483843A (zh) * | 2015-08-31 | 2017-03-08 | 中兴通讯股份有限公司 | 一种实现idc功耗控制的方法及系统 |
CN107020909A (zh) * | 2015-10-26 | 2017-08-08 | 丰田自动车株式会社 | 车辆显示系统 |
CN107064740A (zh) * | 2017-03-31 | 2017-08-18 | 中国农业大学 | 一种辐射状配电网节能量预测方法及装置 |
CN107860099A (zh) * | 2017-09-15 | 2018-03-30 | 珠海格力电器股份有限公司 | 一种空调的结霜检测方法、装置、存储介质及设备 |
CN108596260A (zh) * | 2018-04-27 | 2018-09-28 | 安徽建筑大学 | 一种水管网漏损定位方法及装置 |
CN108650850A (zh) * | 2018-05-10 | 2018-10-12 | 联想(北京)有限公司 | 温度调节方法、装置、电子设备、存储介质、控制系统 |
CN108931027A (zh) * | 2018-08-01 | 2018-12-04 | 北京创思工贸有限公司 | 一种可视化远程监控控制维护空调系统 |
CN109323425A (zh) * | 2018-11-15 | 2019-02-12 | 广东美的制冷设备有限公司 | 空调的控制方法、装置及可读存储介质 |
CN109375508A (zh) * | 2018-10-31 | 2019-02-22 | 广州龙越自动化工程有限公司 | 基于环境参数定制功能模块的自动控制方法及系统 |
CN109800066A (zh) * | 2018-12-13 | 2019-05-24 | 中国科学院信息工程研究所 | 一种数据中心节能调度方法及系统 |
CN109890176A (zh) * | 2019-03-01 | 2019-06-14 | 北京慧辰资道资讯股份有限公司 | 一种基于人工智能优化机房能耗效率的方法及装置 |
CN110285532A (zh) * | 2019-07-04 | 2019-09-27 | 中国工商银行股份有限公司 | 基于人工智能的机房空调控制方法、装置及系统 |
CN110326008A (zh) * | 2017-04-26 | 2019-10-11 | 谷歌有限责任公司 | 将机器学习集成到控制系统中 |
CN110687996A (zh) * | 2019-09-30 | 2020-01-14 | 联想(北京)有限公司 | 一种数据处理方法、设备和系统 |
CN110836514A (zh) * | 2018-08-17 | 2020-02-25 | 珠海格力电器股份有限公司 | 空调组的控制方法和装置 |
CN110940030A (zh) * | 2019-10-30 | 2020-03-31 | 珠海格力电器股份有限公司 | 空调的运行控制方法、系统及空调器 |
WO2020098405A1 (zh) * | 2018-11-15 | 2020-05-22 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器及存储介质 |
CN111365828A (zh) * | 2020-03-06 | 2020-07-03 | 上海外高桥万国数据科技发展有限公司 | 结合机器学习实现数据中心节能温控的模型预测控制方法 |
WO2020143328A1 (zh) * | 2019-01-11 | 2020-07-16 | 平安科技(深圳)有限公司 | 一种基于大数据的机房环境监控方法及相关设备 |
CN111665881A (zh) * | 2020-07-03 | 2020-09-15 | 深圳耀德数据服务有限公司 | 一种用于数据中心节能的温度控制方法和系统 |
CN111935952A (zh) * | 2020-08-10 | 2020-11-13 | 中国工商银行股份有限公司 | 大型机房能耗调控方法及装置 |
CN112616292A (zh) * | 2020-11-27 | 2021-04-06 | 湖南大学 | 一种基于神经网络模型的数据中心能效优化控制方法 |
CN112822903A (zh) * | 2019-11-15 | 2021-05-18 | 中国移动通信集团甘肃有限公司 | 一种基于人工智能的数据中心制冷和系统 |
CN113495487A (zh) * | 2020-03-18 | 2021-10-12 | 海信集团有限公司 | 一种调节目标设备运行参数的终端和方法 |
CN113757922A (zh) * | 2020-06-03 | 2021-12-07 | 中国移动通信集团浙江有限公司 | 一种基于深度学习的空调系统节能控制方法、装置、设备及计算机介质 |
CN114002952A (zh) * | 2021-09-29 | 2022-02-01 | 苏州浪潮智能科技有限公司 | 一种集群集中式散热调控系统及方法 |
CN117500242A (zh) * | 2023-11-20 | 2024-02-02 | 联达(广东)信息科技股份有限公司 | 一种机柜散热器及其控制方法 |
CN117500242B (zh) * | 2023-11-20 | 2024-07-09 | 联达(广东)信息科技股份有限公司 | 一种机柜散热器及其控制方法 |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8768532B2 (en) * | 2011-07-15 | 2014-07-01 | Microsoft Corporation | Indirect thermal fan control |
CN104956275B (zh) * | 2013-01-30 | 2019-04-09 | 慧与发展有限责任合伙企业 | 电子控制系统和设施控制系统的统一控制 |
CN104391560A (zh) * | 2014-09-28 | 2015-03-04 | 浪潮(北京)电子信息产业有限公司 | 云数据中心基于Hopfield神经网络的服务器节能方法及装置 |
CN105588251B (zh) * | 2014-10-20 | 2018-10-02 | 株式会社理光 | 控制空气调节系统的方法和装置 |
US11076509B2 (en) | 2017-01-24 | 2021-07-27 | The Research Foundation for the State University | Control systems and prediction methods for it cooling performance in containment |
WO2018176246A1 (zh) * | 2017-03-29 | 2018-10-04 | 深圳中兴力维技术有限公司 | 一种机房站点健康度计算方法及其监测系统 |
CN107169562A (zh) * | 2017-06-15 | 2017-09-15 | 郑州云海信息技术有限公司 | 一种用于数据中心的能效控制方法及装置 |
JP7016407B2 (ja) * | 2017-09-06 | 2022-02-04 | バーティブ・コーポレイション | スマートな供給空気温度設定点制御を介する冷却ユニットのエネルギー最適化 |
US11372460B2 (en) | 2018-02-24 | 2022-06-28 | Samsung Electronics Co., Ltd. | Systems, methods, and apparatus using artificial intelligent cooling method for server and ssd |
CN108427840B (zh) * | 2018-03-09 | 2022-04-12 | 捷通智慧科技股份有限公司 | 基于基准能效预测的数据中心空调系统节能量计算方法 |
US10888028B2 (en) * | 2018-06-19 | 2021-01-05 | Quanta Computer Inc. | Chassis intelligent airflow control and cooling regulation mechanism |
WO2020003221A1 (en) * | 2018-06-28 | 2020-01-02 | Shekel Scales (2008) Ltd | Systems and methods for weighing products on a shelf |
US10908658B2 (en) | 2018-08-02 | 2021-02-02 | Core Scientific, Inc. | System and method for cooling computing devices within a facility |
US10299412B1 (en) | 2018-08-02 | 2019-05-21 | Core Scientific, Inc. | System and method for cooling computing devices within a facility |
CN108990383B (zh) * | 2018-08-15 | 2020-08-04 | 北京建筑大学 | 一种数据中心空调系统预测控制方法 |
US11096316B1 (en) * | 2018-09-05 | 2021-08-17 | Amazon Technologies, Inc. | Discrete set-point-based datacenter cooling based on evaporative cooling status |
US11428432B2 (en) * | 2018-11-20 | 2022-08-30 | Distech Controls Inc. | Computing device and method for inferring an airflow of a VAV appliance operating in an area of a building |
US20200401092A1 (en) * | 2019-06-19 | 2020-12-24 | Distech Controls Inc. | Environment controller and method for predicting co2 level variations based on sound level measurements |
JP7324632B2 (ja) * | 2019-07-12 | 2023-08-10 | 株式会社シマノ | 出力装置、学習モデルの生成方法、およびコンピュータプログラム |
US11864359B2 (en) | 2020-08-27 | 2024-01-02 | Nvidia Corporation | Intelligent threshold leak remediaton of datacenter cooling systems |
US11516942B1 (en) | 2020-10-16 | 2022-11-29 | Core Scientific, Inc. | Helical-configured shelving for cooling computing devices |
US10959349B1 (en) | 2020-11-02 | 2021-03-23 | Core Scientific, Inc. | Dynamic aisles for computing devices |
US11812588B2 (en) | 2020-11-02 | 2023-11-07 | Core Scientific Operating Company | Managing airflow for computing devices |
US20220232739A1 (en) * | 2021-01-21 | 2022-07-21 | Nvidia Corporation | Intelligent cold plate system with active and passive features for a datacenter cooling system |
CN112888268B (zh) * | 2021-02-04 | 2022-08-09 | 中国工商银行股份有限公司 | 数据中心机房节能控制方法、装置、设备及存储介质 |
US20220346285A1 (en) * | 2021-04-23 | 2022-10-27 | Nvidia Corporation | Intelligent in-rack pump or compressor unit for datacenter cooling systems |
TWI827938B (zh) * | 2021-06-09 | 2024-01-01 | 英業達股份有限公司 | 控制裝置及控制方法 |
CN116489978B (zh) * | 2023-06-25 | 2023-08-29 | 杭州电瓦特科技有限公司 | 一种基于人工智能的机房节能优化控制系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201129823Y (zh) * | 2007-11-21 | 2008-10-08 | 厦门立思科技有限公司 | 基于人工神经网络技术的中央空调节能控制装置 |
CN101813918A (zh) * | 2010-04-09 | 2010-08-25 | 哈尔滨工业大学 | 基于模糊神经网络的通讯机房既有空调的控制系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5111531A (en) * | 1990-01-08 | 1992-05-05 | Automation Technology, Inc. | Process control using neural network |
CN1098186A (zh) * | 1993-03-29 | 1995-02-01 | 三洋电机株式会社 | 空调机的控制装置 |
US8346398B2 (en) * | 2008-08-08 | 2013-01-01 | Siemens Industry, Inc. | Data center thermal performance optimization using distributed cooling systems |
-
2011
- 2011-01-27 CN CN201110029732.XA patent/CN102620378B/zh not_active Expired - Fee Related
-
2012
- 2012-01-25 US US13/358,225 patent/US20120197828A1/en not_active Abandoned
-
2013
- 2013-02-28 US US13/780,824 patent/US20130190930A1/en not_active Abandoned
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201129823Y (zh) * | 2007-11-21 | 2008-10-08 | 厦门立思科技有限公司 | 基于人工神经网络技术的中央空调节能控制装置 |
CN101813918A (zh) * | 2010-04-09 | 2010-08-25 | 哈尔滨工业大学 | 基于模糊神经网络的通讯机房既有空调的控制系统 |
Non-Patent Citations (2)
Title |
---|
徐巍等: "基于神经网络和遗传算法优化室内热舒适控制参数", 《北京理工大学学报》 * |
朱峰等: "基于感知机神经网络的智能温湿度控制系统", 《装备制造技术》 * |
Cited By (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102937799B (zh) * | 2012-09-10 | 2013-08-07 | 山东省计算中心 | 一种数据中心节能系统的数据中心节能方法 |
CN102937799A (zh) * | 2012-09-10 | 2013-02-20 | 山东省计算中心 | 一种数据中心节能系统及方法 |
CN103809536B (zh) * | 2012-11-09 | 2017-07-28 | 美新微纳传感系统有限公司 | 一种客房智能管理系统 |
CN103809536A (zh) * | 2012-11-09 | 2014-05-21 | 无锡美新物联网科技有限公司 | 一种客房智能管理系统 |
CN104423531A (zh) * | 2013-09-05 | 2015-03-18 | 中兴通讯股份有限公司 | 数据中心能耗调度处理方法及装置 |
CN103616945B (zh) * | 2013-11-20 | 2016-10-26 | 浪潮电子信息产业股份有限公司 | 一种大规模云数据中心中服务器节能方法 |
CN103616945A (zh) * | 2013-11-20 | 2014-03-05 | 浪潮电子信息产业股份有限公司 | 大规模云数据中心中一种服务器节能方法及装置 |
WO2017008421A1 (zh) * | 2015-07-14 | 2017-01-19 | 北京百度网讯科技有限公司 | 数据中心运行状态的控制方法和装置 |
CN104978007A (zh) * | 2015-07-14 | 2015-10-14 | 北京百度网讯科技有限公司 | 数据中心运行状态的控制方法和装置 |
CN106483843A (zh) * | 2015-08-31 | 2017-03-08 | 中兴通讯股份有限公司 | 一种实现idc功耗控制的方法及系统 |
WO2017036131A1 (zh) * | 2015-08-31 | 2017-03-09 | 中兴通讯股份有限公司 | 一种实现idc功耗控制的方法及装置 |
CN107020909B (zh) * | 2015-10-26 | 2019-07-16 | 丰田自动车株式会社 | 车辆显示系统 |
CN107020909A (zh) * | 2015-10-26 | 2017-08-08 | 丰田自动车株式会社 | 车辆显示系统 |
CN107064740A (zh) * | 2017-03-31 | 2017-08-18 | 中国农业大学 | 一种辐射状配电网节能量预测方法及装置 |
CN110326008A (zh) * | 2017-04-26 | 2019-10-11 | 谷歌有限责任公司 | 将机器学习集成到控制系统中 |
US11809164B2 (en) | 2017-04-26 | 2023-11-07 | Google Llc | Integrating machine learning into control systems for industrial facilities |
CN107860099A (zh) * | 2017-09-15 | 2018-03-30 | 珠海格力电器股份有限公司 | 一种空调的结霜检测方法、装置、存储介质及设备 |
CN107860099B (zh) * | 2017-09-15 | 2018-11-30 | 珠海格力电器股份有限公司 | 一种空调的结霜检测方法、装置、存储介质及设备 |
CN108596260A (zh) * | 2018-04-27 | 2018-09-28 | 安徽建筑大学 | 一种水管网漏损定位方法及装置 |
CN108650850A (zh) * | 2018-05-10 | 2018-10-12 | 联想(北京)有限公司 | 温度调节方法、装置、电子设备、存储介质、控制系统 |
CN108931027A (zh) * | 2018-08-01 | 2018-12-04 | 北京创思工贸有限公司 | 一种可视化远程监控控制维护空调系统 |
CN110836514B (zh) * | 2018-08-17 | 2021-01-29 | 珠海格力电器股份有限公司 | 空调组的控制方法和装置 |
CN110836514A (zh) * | 2018-08-17 | 2020-02-25 | 珠海格力电器股份有限公司 | 空调组的控制方法和装置 |
CN109375508B (zh) * | 2018-10-31 | 2021-06-18 | 广州龙越自动化设备有限公司 | 基于环境参数定制功能模块的自动控制方法及系统 |
CN109375508A (zh) * | 2018-10-31 | 2019-02-22 | 广州龙越自动化工程有限公司 | 基于环境参数定制功能模块的自动控制方法及系统 |
CN109323425B (zh) * | 2018-11-15 | 2021-05-25 | 广东美的制冷设备有限公司 | 空调的控制方法、装置及可读存储介质 |
CN109323425A (zh) * | 2018-11-15 | 2019-02-12 | 广东美的制冷设备有限公司 | 空调的控制方法、装置及可读存储介质 |
WO2020098405A1 (zh) * | 2018-11-15 | 2020-05-22 | 广东美的制冷设备有限公司 | 空调器的控制方法、空调器及存储介质 |
CN109800066A (zh) * | 2018-12-13 | 2019-05-24 | 中国科学院信息工程研究所 | 一种数据中心节能调度方法及系统 |
WO2020143328A1 (zh) * | 2019-01-11 | 2020-07-16 | 平安科技(深圳)有限公司 | 一种基于大数据的机房环境监控方法及相关设备 |
CN109890176A (zh) * | 2019-03-01 | 2019-06-14 | 北京慧辰资道资讯股份有限公司 | 一种基于人工智能优化机房能耗效率的方法及装置 |
CN110285532B (zh) * | 2019-07-04 | 2021-07-30 | 中国工商银行股份有限公司 | 基于人工智能的机房空调控制方法、装置及系统 |
CN110285532A (zh) * | 2019-07-04 | 2019-09-27 | 中国工商银行股份有限公司 | 基于人工智能的机房空调控制方法、装置及系统 |
CN110687996A (zh) * | 2019-09-30 | 2020-01-14 | 联想(北京)有限公司 | 一种数据处理方法、设备和系统 |
CN110940030A (zh) * | 2019-10-30 | 2020-03-31 | 珠海格力电器股份有限公司 | 空调的运行控制方法、系统及空调器 |
CN112822903B (zh) * | 2019-11-15 | 2022-09-13 | 中国移动通信集团甘肃有限公司 | 一种基于人工智能的数据中心制冷方法和系统 |
CN112822903A (zh) * | 2019-11-15 | 2021-05-18 | 中国移动通信集团甘肃有限公司 | 一种基于人工智能的数据中心制冷和系统 |
CN111365828A (zh) * | 2020-03-06 | 2020-07-03 | 上海外高桥万国数据科技发展有限公司 | 结合机器学习实现数据中心节能温控的模型预测控制方法 |
CN113495487A (zh) * | 2020-03-18 | 2021-10-12 | 海信集团有限公司 | 一种调节目标设备运行参数的终端和方法 |
CN113757922A (zh) * | 2020-06-03 | 2021-12-07 | 中国移动通信集团浙江有限公司 | 一种基于深度学习的空调系统节能控制方法、装置、设备及计算机介质 |
CN111665881B (zh) * | 2020-07-03 | 2021-11-02 | 深圳耀德数据服务有限公司 | 一种用于数据中心节能的温度控制系统 |
CN111665881A (zh) * | 2020-07-03 | 2020-09-15 | 深圳耀德数据服务有限公司 | 一种用于数据中心节能的温度控制方法和系统 |
CN111935952A (zh) * | 2020-08-10 | 2020-11-13 | 中国工商银行股份有限公司 | 大型机房能耗调控方法及装置 |
CN111935952B (zh) * | 2020-08-10 | 2022-12-23 | 中国工商银行股份有限公司 | 大型机房能耗调控方法及装置 |
CN112616292A (zh) * | 2020-11-27 | 2021-04-06 | 湖南大学 | 一种基于神经网络模型的数据中心能效优化控制方法 |
CN112616292B (zh) * | 2020-11-27 | 2022-04-22 | 湖南大学 | 一种基于神经网络模型的数据中心能效优化控制方法 |
CN114002952A (zh) * | 2021-09-29 | 2022-02-01 | 苏州浪潮智能科技有限公司 | 一种集群集中式散热调控系统及方法 |
CN117500242A (zh) * | 2023-11-20 | 2024-02-02 | 联达(广东)信息科技股份有限公司 | 一种机柜散热器及其控制方法 |
CN117500242B (zh) * | 2023-11-20 | 2024-07-09 | 联达(广东)信息科技股份有限公司 | 一种机柜散热器及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
US20130190930A1 (en) | 2013-07-25 |
CN102620378B (zh) | 2014-01-15 |
US20120197828A1 (en) | 2012-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102620378B (zh) | 数据中心节能控制方法和系统 | |
Taheri et al. | Learning-based CO2 concentration prediction: Application to indoor air quality control using demand-controlled ventilation | |
Yang et al. | Model predictive control with adaptive machine-learning-based model for building energy efficiency and comfort optimization | |
Kusiak et al. | Minimization of energy consumption in HVAC systems with data-driven models and an interior-point method | |
Afram et al. | Black-box modeling of residential HVAC system and comparison of gray-box and black-box modeling methods | |
Zeng et al. | Predictive modeling and optimization of a multi-zone HVAC system with data mining and firefly algorithms | |
Jani et al. | Performance prediction of rotary solid desiccant dehumidifier in hybrid air-conditioning system using artificial neural network | |
Marvuglia et al. | Coupling a neural network temperature predictor and a fuzzy logic controller to perform thermal comfort regulation in an office building | |
CN109416524A (zh) | 具有多级模型预测控制的变制冷剂流量系统 | |
Li et al. | A novel neural network aided fuzzy logic controller for a variable speed (VS) direct expansion (DX) air conditioning (A/C) system | |
US11385605B2 (en) | Building control system with features for operating under intermittent connectivity to a cloud computation system | |
EP3025099B1 (en) | Control device and method for buildings | |
CN109189190A (zh) | 一种基于温度预测的数据中心热量管理方法 | |
Kusiak et al. | Minimizing energy consumption of an air handling unit with a computational intelligence approach | |
US20140257740A1 (en) | Real-Time Modeling of Heat Distributions | |
Erfani et al. | Design and construction of a non-linear model predictive controller for building's cooling system | |
Gao et al. | Model-based space temperature cascade control for constant air volume air-conditioning system | |
CN111780332A (zh) | 一种中央空调分户计量方法及装置 | |
Cheng et al. | A novel data-driven air balancing method with energy-saving constraint strategy to minimize the energy consumption of ventilation system | |
Minakais et al. | Design and instrumentation of an intelligent building testbed | |
Zhang et al. | Residual physics and post-posed shielding for safe deep reinforcement learning method | |
CN114200839A (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
CN113821903A (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
CN113518962A (zh) | 混合学习神经网络架构 | |
Jacob et al. | An explorative study on transient cooling pattern and energy efficiency while using micro-zonal occupant-centric control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140115 Termination date: 20210127 |
|
CF01 | Termination of patent right due to non-payment of annual fee |