CN106949598A - 网络流量负载变化时的网络中心机房节能优化方法 - Google Patents
网络流量负载变化时的网络中心机房节能优化方法 Download PDFInfo
- Publication number
- CN106949598A CN106949598A CN201710152316.6A CN201710152316A CN106949598A CN 106949598 A CN106949598 A CN 106949598A CN 201710152316 A CN201710152316 A CN 201710152316A CN 106949598 A CN106949598 A CN 106949598A
- Authority
- CN
- China
- Prior art keywords
- network
- equipment
- power consumption
- network equipment
- temperature
- 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
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
- F24F11/58—Remote control using Internet communication
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明属于网络中心机房的节能技术领域,尤其涉及一种网络流量负载变化时的网络中心机房节能优化方法。该方法包括:基于本征正交分解和神经网络的温度场预测模型,用于计算网络中心机房不同工况下的温度场分布;建立网络设备的比特功耗模型,计算流量负载调整产生的设备功耗增量;节能优化算法以冷却功耗增量与设备功耗增量之和最小为原则,确定流量负载分配策略和冷却系统运行策略;流量负载分配模块和冷却系统控制模块执行优化运行策略,以调整网络设备流量负载和运行环境。本发明通过对网络设备流量负载和冷却系统的动态调整,实现设备的安全、可靠运行,提高网络中心机房的能源使用效率。
Description
技术领域
本发明属于网络中心机房的节能技术领域,尤其涉及一种网络流量负载变化时的网络中心机房节能优化方法。
背景技术
随着信息化技术和网络技术的迅猛发展,数据中心的能耗问题日益受到人们的关注。由于网络设备长期稳定运行对环境温度和湿度的要求,在数据中心运行的总能耗中,约有40%用于冷却系统,与网络设备能耗相当。因此,根据网络设备的运行状态对冷却系统进行优化控制,既可以保证设备安全稳定运行,同时提高了网络中心机房的能源使用效率,具有重大的经济效益和社会效益。
现有的网络中心机房冷却系统多采用地板下送风方式,根据网络设备功耗初始规划进行送风地板的布置,以满足机房不同位置的冷却需求。为解决网络中心机房高能耗问题并满足网络设备冷却需求,冷却系统一般根据空调回风口的风温对送风量和送风温度进行调节,该控制方式有以下缺陷:
没有考虑到由于网络设备运行工况导致的冷却需求变化。由于网络设备的功耗随流量负载变化,网络中心机房局部位置的设备发热量与初始规划不同,导致制冷量的供给不足产生热点或者制冷量的过度供给产生冷点;由于网络中心机房几何结构复杂,机房内的速度场和压力场分布极不均匀,在低压、低速区极容易形成漩涡导致温度场分布不一致。空调回风口风温不能反映局部区域内网络设备的工作环境,仅调节空调制冷量不能实现气流和温度的精确控制。
现有文献和发明还有应用于大型网络中心机房内空调集群的协调优化控制。如实时采集监控机房内网络设备的运行环境温湿度,根据采集到的温湿度与设定值的比较结果启停机房内不同位置的空调。该方法虽然根据设备冷却需求控制空调运行状态,但是没有实现对室内气流组织的精确控制。
发明内容
为了解决上述问题,本发明提出了一种网络流量负载变化时的网络中心机房节能优化方法,包括:
步骤1、通过CFD软件仿真获取网络中心机房不同工况下的n组温度场数据,计算温度场的POD本征正交分解模型及系数,以网络设备功率负载和冷却系统运行参数作为输入、POD模型系数作为输出训练神经网络,取占总能量99.5%的m组POD模型进行温度场预测;
步骤2、根据网络设备的流量负载和设备功耗之间的关系,建立不同网络设备的比特功耗模型;
步骤3、当网络设备流量负载变化时,以经验确定的流量负载调整量ΔDload对网络设备j进行流量负载分配,j=1,…,M,M为网络设备数量;根据当前流量负载分配策略Load_distribution(j)=(Dload1,…,Dloadj+ΔDload,…,DloadM)和冷却系统运行策略Cool_Strategy(j)=(Qj,…,TCRAC,j,R1,j,…,RM,j),用温度场预测模型计算流量负载分配后的温度场分布;Q为空调送风量;TCRAC为空调送风温度;R1,…,RM为与机柜相对应的可调节送风地板的开孔率,下标M为机柜数量;根据温度场预测评估网络设备冷却效果;如果设备的入口风温超过设定值时,调整冷却系统运行策略并用温度场预测模型重新计算温度场分布,并再次评估设备冷却效果,直至所有网络设备在安全的环境温度下工作,更新冷却系统运行策略Cool_Strategy(j);计算网络设备j有ΔDload流量负载增量时产生的冷却功耗增量△Pcool,j;
步骤4、根据当前网络设备的流量负载分配,通过比特功耗模型计算每台设备调整ΔDload流量负载产生的设备功耗增量△Pequip,j;
步骤5、将每一台设备调整流量负载的设备功耗增量△Pequip,j和冷却功耗增量△Pcool,j求和计算总功耗增量,选择总功耗增量最小的网络设备调整流量负载ΔDload更新流量负载分配策略Load_distribution=Load_distribution(j)和冷却系统运行策略Cool_Strategy=Cool_Strategy(j);
步骤6、在步骤5中确定的流量负载分配策略和冷却系统运行策略基础上,重复3~5步至流量负载分配完毕;
步骤7、通过流量负载分配模块和冷却系统控制模块执行流量负载分配策略和冷却系统运行策略;
步骤8、根据信息采集模块收集的温度信息和网络设备功率负载信息,实现温度场预测模型的实时修正。
所述步骤1中温度场预测模型采用POD和神经网络相结合的方法建立,分为以下步骤:
步骤101、基于商业CFD软件进行仿真获取数据。每一组仿真设定值包括:空调送风量Q,送风温度T,可调节送风地板的开孔率R1…RM,网络设备功率负载W1…WM。设定值取值范围根据网络中心机房运行规范确定,每一个设定值的随机取值符合独立的平均分布;
步骤102、计算温度场POD模型;POD模型的计算公式如下:
其中,为温度场的第i个POD模型,Tk为第k次CFD仿真获得的温度场,T0为n组仿真温度场数据的平均值。a和λ分别为矩阵C的特征向量和特征值;
步骤103、使用CFD仿真设定值(Q,…,TCRAC,R1…RM,W1…WM)和POD模型系数b作为输入和输出训练神经网络。神经网络优选前向型BP神经网络或反馈型Elman神经网络。POD模型系数bi计算公式为:
步骤104、通过温度场预测模型对运行参数调整后的网络中心机房进行温度场预测;温度场预测值为:
步骤2中所述的建立不同类型网络设备的比特功耗模型为:
E=f(Kbit)*(Eladen-Eidle)+Eidle/Kbit (6)
其中E为网络设备在单位数据吞吐量时产生的功耗;函数f(Kbit)为网络设备在流量负载为Kbit时的功耗系数,f(Kbit)和Kbit的函数关系与设备类型有关;Eladen为网络设备在额定工况下的功耗;Eidle为网络设备的闲时待机功耗。网络设备因流量负载变化产生的功耗增量为:
功耗与数据吞吐量的函数关系f(Kbit)通过理论分析或实验数据拟合的方法确定。
步骤3所述的冷却系统指空调系统和可调节送风地板,冷却系统运行参数根据不同的流量负载分配策略下的温度场预测模型计算结果进行调整;冷却系统运行策略优选以机柜下方的可调节送风地板改变气流组织,在不能满足设备冷却需求的情况下,调整空调送风温度和送风量;可调节送风地板的开孔率R以具体设备参数为限定条件;空调送风温度和送风量的调整以空调设备参数为限定条件。冷却系统运行策略以冷却功耗最小为目标函数:
minPcool=Pchiiller+Pfan+Ptile=f(TCRAC,Q)+f(Q) (8)
其中Pcool为冷却系统总功耗;Pchiller为空调制冷功耗,功耗特性曲线与送风温度、送风量及设备型号有关;Pfan为送风系统的风机功耗,功耗特性曲线与送风量和设备型号有关;Ptile为可调节送风地板的功耗,可忽略;TCRAC为空调送风温度;Q为空调送风量。
所述步骤3通过温度场预测模型调整当前流量负载分配策略下的冷却系统运行策略的具体过程为:
步骤401、网络设备j调整流量负载ΔDload;
步骤402、根据当前流量负载分配策略及冷却系统运行策略进行温度场预测;
步骤403、对模型预测得到的网络设备入口风温与设定值进行比较,评估设备冷却效果;
步骤404、网络设备入口风温超限时,以经验值依次微调送风地板开孔率、空调送分温度和空调送风量,返回步骤402继续;所有网络设备入口风温在设定值范围内,更新当前流量负载分配策略下的冷却系统运行策略。
步骤5所述的网络设备流量负载分配策略,以网络设备调整流量负载产生的设备功耗和冷却功耗之和最小为目标函数。
步骤8所述的对温度场预测模型进行动态修正具体为:
信息采集模块收集设备入口、出口的温度值和网络设备功率负载值,温度测点设置优选在距离网络设备机柜入口、出口5cm处,传感器可采用热电偶或热电阻,传感器采集的温度值和功率负载值以有线或无线的方式传输至信息采集模块;对网络设备工作的环境温度值和网络设备功率负载实时监测,计算当前采集的温度值所对应的POD模型系数bobs,bobs与神经网络计算得到的POD模型系数b进行求差运算,神经网络权值矩阵修正算法为:
Δwuv=α(bobs-b)bobsb (9)
其中,wuv神经元u和神经元v的连接权值,α为学习速率。
有益效果
针对网络中心机房运行过程中网络设备的流量负载变化时,本发明通过网络设备的流量负载分配策略与冷却系统运行策略的协调优化实现气流组织精确控制,以提高网络中心机房的能源使用效率。
附图说明
图1是本发明的方法流程图;
图2是采用地板下送风方式的网络中心机房示意图;
图3是本发明温度场预测模型流程图;
图4是本发明的节能优化算法流程图。
具体实施方式
采用地板下送风方式的网络中心机房结构如图2所示,图中包括网络设备机柜401、402,空调403和可调节送风地板404,网络设备机柜正面下方布置送风地板。
本发明提出了一种网络流量负载变化时的网络中心机房节能优化方法,图1是本发明的方法流程图,具体为:
(1)建立网络中心机房的温度场预测模型。根据网络中心机房结构布置建立CFD仿真模型,随机取n组设定值(Q,…,TCRAC,R1…RM,W1…WM)进行仿真得到n组温度场数据。
(2)利用公式(10)~(12)计算温度场的POD模型其中i=1,…,n;用公式计算温度场对应的POD模型系数bi=(bi,1,…,bi,n),其中i=1,…,n。选用合适的神经网络结构,以CFD仿真设定值(Q,…,T,R1…RM,W1…WM)作为输入,温度场的POD模型系数bi作为输出进行神经网络训练。
Q为空调送风量;
TCRAC为空调送风温度;
R1,…,RM为可调节送风地板的开孔率,下标M为机柜数量;
W1…WM为网络设备功率负载,下标M为机柜数量。
(3)建立不同网络设备对应的比特功耗模型。通过实验数据拟合方法或理论分析方法建立网络设备流量负载与设备功耗之间的比特功耗模型:
E=f(Kbit)*(Eladen-Eidle)+Eidle/Kbit
实验数据拟合方法即通过测量网络设备在不同流量负载下的功耗,拟合得到数据吞吐量和功耗的比特功耗函数关系f(Kbit)。理论分析方法即根据网络设备的结构差异,计算处理单位量数据时在传输、缓存环节消耗的能量获得比特功耗函数关系f(Kbit)。
(4)网络中心机房流量负载变化时,节能优化算法用遍历法的方式向每一台网络设备增加ΔDload的流量负载,并通过温度场预测模型评估设备冷却效果,调整送风地板的开孔率、空调送风温度和送风量,直至网络设备在安全的环境温度下运行。冷却系统调节受设备参数和设备运行规范限制,冷却系统运行策略调整优选以机柜附近的可调节送风地板改变气流组织,在不能满足冷却需求的情况下,调整空调送风温度和送风量。
计算每台网络设备增加ΔDload的流量负载产生的冷却功耗增量:
ΔPcool=(ΔPcool,1,…,ΔPcool,M)
其中,ΔPcool,j为网络设备j在增加ΔDload的流量负载时产生的冷却功耗增量。
(5)通过比特功耗模型计算每一台网络设备增加ΔDload流量负载的设备功耗增量:
ΔPequip=(ΔPequip,1,...,ΔPequip,M)
其中,ΔPequip,j为网络设备j增加ΔDload流量负载的设备功耗增量。
(6)将每一台网络设备增加ΔDload流量负载产生的设备功耗增量和冷却功耗增量求和计算总功耗增量:
ΔP=ΔPcool+ΔPequip=(ΔPcool,1+ΔPequip,1,...,ΔPcool,M+ΔPequip,M)
选择总功耗增量最小的网络设备min(ΔPcool+ΔPequip)=ΔPk增加ΔDload的流量负载,其他网络设备不变。更新流量负载分配策略和冷却系统运行策略:
Load_distribution=(Dload1,…,Dloaak+ΔDload,…,DloadM)
Cool_Strategy=(Qk,…TCRAC,k,R1,k,…,RM,k)
其中:
Dload1,…,DloadM为网络设备调整前的流量负载;
ΔDload为网络设备k增加的流量负载;
Qk为网络设备k增加ΔDload流量负载后对应的空调送风量;
TCRAC,k为网络设备k增加ΔDload流量负载后对应的空调送风温度;
R1,k,……,RM,k为网络设备k增加ΔDload流量负载后对应的送风地板开孔率。
(7)在更新后的流量负载分配策略和冷却系统运行策略基础上,重复步骤(4)~(6)进行流量负载分配并调整冷却系统运行策略,直至流量负载分配完毕。冷却系统控制模块根据冷却系统运行策略调节送风地板开孔率和空调送风量及送风温度。流量负载分配模块以最新流量负载分配策略进行网络设备流量负载分配。
(8)信息采集模块以有线或无线的方式收集布置在距离网络设备机柜入口、出口5cm处的温度传感器采集的温度值和网络设备功率负载值。用公式(4)计算采集到的温度值对应的POD模型系数bobs,用温度场预测模型计算当前网络设备流量负载分配策略及冷却系统运行策略对应的POD模型系数b,以bobs和b的差值对神经网络权值矩阵进行修正,权值修正算法为:
Δwuv=α(bobs-b)bobsb
其中,wuv为神经元u和神经元v的连接权值,α为学习速率。
本发明提出的网络中心机房节能优化方法,通过POD和神经网络相结合的方法建立模型实现温度场预测,以网络设备处理单位数据流量的功耗建立设备比特功耗模型,以设备功耗和冷却功耗之和最小为目标函数实现流量负载分配和冷却系统控制,在不影响网络中心机房整体性能和网络设备运行安全性的同时提高了能源使用效率。
Claims (7)
1.一种网络流量负载变化时的网络中心机房节能优化方法,其特征在于,包括:
步骤1、通过CFD软件仿真获取网络中心机房不同工况下的n组温度场数据,计算温度场的POD本征正交分解模型及系数,以网络设备功率负载和冷却系统运行参数作为输入、POD模型系数作为输出训练神经网络,取占总能量99.5%的m组POD模型进行温度场预测;
步骤2、根据网络设备的流量负载和设备功耗之间的关系,建立不同网络设备的比特功耗模型;
步骤3、当网络设备流量负载变化时,以经验确定的流量负载调整量ΔDload对网络设备j,进行流量负载分配,j=1,…,M,M为网络设备数量;根据当前流量负载分配策略Load_distribution(j)=(Dload1,…,Dloadj+ΔDload,…,DloadM)和冷却系统运行策略Cool_Strategy(j)=(Qj,…,TCRAC,j,R1,j,…,RM,j),用温度场预测模型计算流量负载分配后的温度场分布;Dload1,…,DloadM为网络设备的流量负载;Q为空调送风量;TCRAC为空调送风温度;R1,…,RM为与机柜相对应的可调节送风地板的开孔率,下标M为机柜数量;根据温度场预测评估网络设备冷却效果;如果设备的入口风温超过设定值时,调整冷却系统运行策略并用温度场预测模型重新计算温度场分布,并再次评估设备冷却效果,直至所有网络设备在安全的环境温度下工作,更新冷却系统运行策略Cool_Strategy(j);计算网络设备j有ΔDload流量负载增量时产生的冷却功耗增量ΔPcool,j;
步骤4、根据当前网络设备的流量负载分配,通过比特功耗模型计算每台设备调整ΔDload流量负载产生的设备功耗增量ΔPequip,j;
步骤5、将每一台设备调整流量负载的设备功耗增量ΔPequip,j和冷却功耗增量ΔPcool,j求和计算总功耗增量,选择总功耗增量最小的网络设备调整流量负载ΔDload,更新流量负载分配策略Load_distribution=Load_distribution(j)和冷却系统运行策略Cool_Strategy=Cool_Strategy(j);
步骤6、在步骤5中确定的流量负载分配策略和冷却系统运行策略基础上,重复3~5步至流量负载分配完毕;
步骤7、通过流量负载分配模块和冷却系统控制模块执行流量负载分配策略和冷却系统运行策略;
步骤8、根据信息采集模块收集的温度信息和网络设备功率负载信息,实现温度场预测模型的实时修正。
2.根据权利要求1所述的网络流量负载变化时的网络中心机房节能优化方法,其特征在于,所述步骤1中温度场预测模型采用POD和神经网络相结合的方法建立,分为以下步骤:
步骤101、基于商业CFD软件进行仿真获取数据;每一组仿真设定值包括:空调送风量Q,送风温度T,可调节送风地板的开孔率R1…RM,网络设备功率负载W1…WM;设定值取值范围根据网络中心机房运行规范确定,每一个设定值的随机取值符合独立的平均分布;
步骤102、计算温度场POD模型;POD模型的计算公式如下:
其中,为温度场的第i个POD模型,Tk为第k次CFD仿真获得的温度场,T0为n组仿真温度场数据的平均值;a和λ分别为矩阵C的特征向量和特征值;
步骤103、使用CFD仿真设定值(Q,…,T,R1…RM,W1…WM)和POD模型系数b作为输入和输出训练神经网络;神经网络优选前向型BP神经网络或反馈型Elman神经网络;POD模型系数bi计算公式为:
步骤104、通过温度场预测模型对运行参数调整后的网络中心机房进行温度场预测;温度场预测值为:
3.根据权利要求1所述的网络流量负载变化时的网络中心机房节能优化方法,其特征在于,所述步骤2中的建立不同类型网络设备的比特功耗模型为:
E=f(Kbit)*(Eladen-Eidle)+Eidle/Kbit (6)
其中E为网络设备在单位数据吞吐量时产生的功耗;函数f(Kbit)为网络设备在流量负载为Kbit时的功耗系数,f(Kbit)和Kbit的函数关系与设备类型有关;Eladen为网络设备在额定工况下的功耗;Eidle为网络设备的闲时待机功耗;网络设备因流量负载变化产生的功耗增量为:
功耗与数据吞吐量的函数关系f(Kbit)通过理论分析或实验数据拟合的方法确定。
4.根据权利要求1所述的网络流量负载变化时的网络中心机房节能优化方法,其特征在于,所述步骤3中的冷却系统指空调系统和可调节送风地板,冷却系统运行参数根据不同的流量负载分配策略下的温度场预测模型计算结果进行调节;冷却系统运行策略优选以机柜下方的可调节送风地板改变气流组织,在不能满足设备冷却需求的情况下,调整空调送风温度和送风量;可调节送风地板的开孔率R以具体设备参数为限定条件;空调送风温度和送风量的调节以空调设备参数为限定条件;冷却系统运行策略以冷却功耗最小为目标函数:
minPcool=Pchiller+Pfan+Ptile=fchiller(TCRAC,Q)+ffan(Q) (8)
其中Pcool为冷却系统总功耗;Pchiller为空调制冷功耗,功耗特性曲线f(TCRAC,Q)与空调送风温度TCRAC、空调送风量Q及设备型号有关;Pfan为送风系统的风机功耗,功耗特性曲线ffan(Q)与空调送风量Q和设备型号有关;Ptile为可调节送风地板的功耗。
5.根据权利要求1所述的网络流量负载变化时的网络中心机房节能优化方法,其特征在于,所述步骤3通过温度场预测模型调整当前流量负载分配策略下的冷却系统运行策略的具体过程为:
步骤401、网络设备j调整流量负载ΔDload;
步骤402、根据当前流量负载分配策略及冷却系统运行策略进行温度场预测;
步骤403、对模型预测得到的网络设备入口风温与设定值进行比较,评估设备冷却效果;
步骤404、网络设备入口风温超限时,以经验值依次微调可调节送风地板开孔率、空调送分温度和空调送风量,返回步骤402继续;所有网络设备入口风温在设定值范围内,更新当前流量负载分配策略下的冷却系统运行策略。
6.根据权利要求1所述的网络流量负载变化时的网络中心机房节能优化方法,其特征在于,所述步骤5中的网络设备流量负载分配策略,以网络设备调整流量负载产生的设备功耗和冷却功耗之和最小为目标函数。
7.根据权利要求1所述的网络流量负载变化时的网络中心机房节能优化方法,其特征在于,所述步骤8中对温度场预测模型进行动态修正,具体为:
信息采集模块收集设备入口、出口的温度值和网络设备功率负载值,温度测点设置优选在距离网络设备机柜入口、出口5cm处,传感器可采用热电偶或热电阻,传感器采集的温度值和功率负载值以有线或无线的方式传输至信息采集模块;对网络设备工作的环境温度值和网络设备功率负载实时监测,计算当前采集的温度值所对应的POD模型系数bobs,bobs与神经网络计算得到的POD模型系数b进行求差运算,神经网络权值矩阵修正算法为:
Δwuv=α(bobs-b)bobsb (9)
其中,wuv神经元u和神经元v的连接权值,α为学习速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710152316.6A CN106949598B (zh) | 2017-03-15 | 2017-03-15 | 网络流量负载变化时的网络中心机房节能优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710152316.6A CN106949598B (zh) | 2017-03-15 | 2017-03-15 | 网络流量负载变化时的网络中心机房节能优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106949598A true CN106949598A (zh) | 2017-07-14 |
CN106949598B CN106949598B (zh) | 2019-07-30 |
Family
ID=59466931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710152316.6A Expired - Fee Related CN106949598B (zh) | 2017-03-15 | 2017-03-15 | 网络流量负载变化时的网络中心机房节能优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106949598B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375994A (zh) * | 2018-09-10 | 2019-02-22 | 西安交通大学 | 基于rbf神经网络的数据中心任务温度预测及调度方法 |
CN109840307A (zh) * | 2018-12-29 | 2019-06-04 | 重庆大学 | 一种室内温湿度场快速预测系统及方法 |
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 |
CN110244797A (zh) * | 2019-05-22 | 2019-09-17 | 平安科技(深圳)有限公司 | 机房温度控制方法、装置、计算机设备及存储介质 |
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 |
WO2019227273A1 (en) * | 2018-05-28 | 2019-12-05 | Alibaba Group Holding Limited | Hierarchical concept based neural network model for data center power usage effectiveness prediction |
CN112181009A (zh) * | 2020-09-14 | 2021-01-05 | 科华恒盛股份有限公司 | 热点追踪控制方法、装置及终端设备 |
CN112888268A (zh) * | 2021-02-04 | 2021-06-01 | 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 |
CN113691529A (zh) * | 2021-08-24 | 2021-11-23 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于电力行业网络安全的工业控制系统及方法 |
CN114679881A (zh) * | 2022-01-05 | 2022-06-28 | 南京航空航天大学 | 一种多单元均温的冷量分配智能控制电子散热系统 |
CN115599626A (zh) * | 2022-09-27 | 2023-01-13 | 珠海创投港珠澳大桥珠海口岸运营管理有限公司(Cn) | 一种机房ai智能监测系统 |
CN115796066A (zh) * | 2022-09-06 | 2023-03-14 | 东南大学 | 一种基于预制冷的数据中心空调系统节能方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060047808A1 (en) * | 2004-08-31 | 2006-03-02 | Sharma Ratnesh K | Workload placement based on thermal considerations |
CN102455035A (zh) * | 2010-11-03 | 2012-05-16 | 中华电信股份有限公司 | 机房空调调控系统 |
CN102818338A (zh) * | 2012-08-07 | 2012-12-12 | 杭州华三通信技术有限公司 | 一种机房温度智能控制的方法及装置 |
US20140297043A1 (en) * | 2008-05-05 | 2014-10-02 | Siemens Industry, Inc. | Arrangement for managing data center operations to increase cooling efficiency |
CN104317654A (zh) * | 2014-10-09 | 2015-01-28 | 南京大学镇江高新技术研究院 | 基于动态温度预测模型的数据中心任务调度方法 |
CN104698843A (zh) * | 2015-02-06 | 2015-06-10 | 同济大学 | 一种基于模型预测控制的数据中心节能控制方法 |
-
2017
- 2017-03-15 CN CN201710152316.6A patent/CN106949598B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060047808A1 (en) * | 2004-08-31 | 2006-03-02 | Sharma Ratnesh K | Workload placement based on thermal considerations |
US20140297043A1 (en) * | 2008-05-05 | 2014-10-02 | Siemens Industry, Inc. | Arrangement for managing data center operations to increase cooling efficiency |
CN102455035A (zh) * | 2010-11-03 | 2012-05-16 | 中华电信股份有限公司 | 机房空调调控系统 |
CN102818338A (zh) * | 2012-08-07 | 2012-12-12 | 杭州华三通信技术有限公司 | 一种机房温度智能控制的方法及装置 |
CN104317654A (zh) * | 2014-10-09 | 2015-01-28 | 南京大学镇江高新技术研究院 | 基于动态温度预测模型的数据中心任务调度方法 |
CN104698843A (zh) * | 2015-02-06 | 2015-06-10 | 同济大学 | 一种基于模型预测控制的数据中心节能控制方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019227273A1 (en) * | 2018-05-28 | 2019-12-05 | Alibaba Group Holding Limited | Hierarchical concept based neural network model for data center power usage effectiveness prediction |
CN109375994B (zh) * | 2018-09-10 | 2021-07-13 | 西安交通大学 | 基于rbf神经网络的数据中心任务温度预测及调度方法 |
CN109375994A (zh) * | 2018-09-10 | 2019-02-22 | 西安交通大学 | 基于rbf神经网络的数据中心任务温度预测及调度方法 |
CN109840307A (zh) * | 2018-12-29 | 2019-06-04 | 重庆大学 | 一种室内温湿度场快速预测系统及方法 |
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 |
CN110244797A (zh) * | 2019-05-22 | 2019-09-17 | 平安科技(深圳)有限公司 | 机房温度控制方法、装置、计算机设备及存储介质 |
CN110244797B (zh) * | 2019-05-22 | 2022-04-05 | 平安科技(深圳)有限公司 | 机房温度控制方法、装置、计算机设备及存储介质 |
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 |
CN112181009A (zh) * | 2020-09-14 | 2021-01-05 | 科华恒盛股份有限公司 | 热点追踪控制方法、装置及终端设备 |
CN112181009B (zh) * | 2020-09-14 | 2022-07-05 | 科华恒盛股份有限公司 | 热点追踪控制方法、装置及终端设备 |
CN112888268A (zh) * | 2021-02-04 | 2021-06-01 | 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 |
CN113691529A (zh) * | 2021-08-24 | 2021-11-23 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于电力行业网络安全的工业控制系统及方法 |
CN113691529B (zh) * | 2021-08-24 | 2022-03-11 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于电力行业网络安全的工业控制系统及方法 |
CN114679881A (zh) * | 2022-01-05 | 2022-06-28 | 南京航空航天大学 | 一种多单元均温的冷量分配智能控制电子散热系统 |
CN115796066A (zh) * | 2022-09-06 | 2023-03-14 | 东南大学 | 一种基于预制冷的数据中心空调系统节能方法 |
CN115796066B (zh) * | 2022-09-06 | 2024-01-19 | 东南大学 | 一种基于预制冷的数据中心空调系统节能方法 |
CN115599626A (zh) * | 2022-09-27 | 2023-01-13 | 珠海创投港珠澳大桥珠海口岸运营管理有限公司(Cn) | 一种机房ai智能监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106949598B (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106949598B (zh) | 网络流量负载变化时的网络中心机房节能优化方法 | |
CN104571068B (zh) | 一种分布式能源系统的运行优化控制方法及系统 | |
Liu et al. | Optimal chiller sequencing control in an office building considering the variation of chiller maximum cooling capacity | |
CN104698843B (zh) | 一种基于模型预测控制的数据中心节能控制方法 | |
CN104359195B (zh) | 基于动态响应末端总负荷变化的中央空调冷冻水控制方法 | |
CN103062861B (zh) | 用于中央空调的节能监控方法及系统 | |
CN106979588A (zh) | 一种机房空调能耗的节能管理系统及节能管理方法 | |
CN100501608C (zh) | 后验控制与多传感器融合方法及中央空调节能控制装置 | |
CN103486693B (zh) | 一种中央空调冷冻水系统的节能控制方法 | |
CN109189190A (zh) | 一种基于温度预测的数据中心热量管理方法 | |
CN105973626A (zh) | 中央空调系统主机运行能效评估及预测方法以及装置 | |
Li et al. | Rule-based fuzzy control method for static pressure reset using improved Mamdani model in VAV systems | |
CN113339941B (zh) | 一种变频空调器控制方法 | |
CN105790286B (zh) | 一种中央空调负荷聚合及参与平抑分布式电源出力的策略 | |
CN107276069A (zh) | 一种地区电网居民温控负荷的近似聚合建模方法及系统 | |
CN103322647B (zh) | 一种中央空调的冷却水供水温度预测控制方法 | |
CN105444346A (zh) | 一种数据中心机房管控系统及方法 | |
CN103673200A (zh) | 数据中心能耗控制系统及方法 | |
CN104239597A (zh) | 基于rbf神经网络的冷却塔建模方法 | |
CN104279692A (zh) | 中央空调能耗轨迹节能控制方法及系统 | |
CN107023966A (zh) | 一种地铁站空调冷却水出水温度设定值优化方法 | |
Wang et al. | Discrete model-based operation of cooling tower based on statistical analysis | |
CN109857177B (zh) | 一种建筑电气节能监测方法 | |
CN108579929B (zh) | 一种基于rbf神经网络预测控制的双进双出球磨机控制系统及控制方法 | |
Ma et al. | Test and evaluation of energy saving potentials in a complex building central chilling system using genetic algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190730 Termination date: 20200315 |
|
CF01 | Termination of patent right due to non-payment of annual fee |