CN108089440A - 节能控制方法和装置 - Google Patents
节能控制方法和装置 Download PDFInfo
- Publication number
- CN108089440A CN108089440A CN201711276157.7A CN201711276157A CN108089440A CN 108089440 A CN108089440 A CN 108089440A CN 201711276157 A CN201711276157 A CN 201711276157A CN 108089440 A CN108089440 A CN 108089440A
- Authority
- CN
- China
- Prior art keywords
- group
- numerical value
- operational factor
- heat exchange
- energy
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001816 cooling Methods 0.000 claims abstract description 59
- 238000012546 transfer Methods 0.000 claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 13
- 230000017525 heat dissipation Effects 0.000 claims description 24
- 238000010801 machine learning Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 12
- 230000033228 biological regulation Effects 0.000 claims description 9
- 241000208340 Araliaceae Species 0.000 claims description 7
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 7
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 7
- 235000008434 ginseng Nutrition 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 28
- 238000005057 refrigeration Methods 0.000 description 16
- 238000005265 energy consumption Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000004378 air conditioning Methods 0.000 description 6
- 239000012530 fluid Substances 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 238000010206 sensitivity analysis Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010959 commercial synthesis reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供一种用于散热系统的节能控制方法,所述节能控制方法包括:S101:将所述一组运行参数的一组数值输入功耗模型,获得与该组运行参数相对应的功耗;S102:将所述一组运行参数的所述一组数值输入换热模型中,获得换热结果参数;S103:当所述换热结果参数满足换热要求时,进行到步骤S104,否则,在所述运行参数空间内改变所述一组运行参数的数值,重复步骤S101、S102和S103;S104:在所述运行参数空间内改变所述一组运行参数的数值的组合,重复步骤S101、S102、S103和S104,直至找到满足所述预设换热要求且功耗最低的一组运行参数的数值;S105:利用满足所述换热要求且功耗最低的一组运行参数的数值,控制所述散热系统的运行。
Description
技术领域
本发明大致涉及节能控制领域,尤其涉及一种数据中心节能控制方法和装置。
背景技术
随着数据中心的迅猛发展,能源成本的不断攀升以及人们对绿色环保的重视,服务器及数据中心节能需求越来越强烈。在保证设备安全、高性能运行的前提下,如何提高数据中心的能源利用效率,降低PUE,已成为数据中心基础设施追求的目标之一。
数据中心制冷系统由于其能耗占比很大,如何降低制冷系统的能耗已经成为降低PUE的最有效措施。现有数据中心中的节能措施普遍采用各种主要设备上的节能,比如制冷机组的压缩机采用高效变频离心机或磁悬浮机组、增大换热器的传热效率、采用高效变频离心泵及采用近端制冷的机房精密空调(行级空调、背板空调、顶置空调等);同时在环境温度较低的地区和季节,结合自然冷却(或称免费冷却),通过一组换热器将外部的冷量直接或者间接的引入机房,从而降低制冷机组的能耗。
但是,这些高效的设备之间在部署后并未充分的高效运转,从而限制了其节能潜力。主要原因是不同设备的控制及运行根据自身的调控策略,设备之间及设备与机房负荷和环境之间并未建立起一个全局的联动控制策略。而且,机房动力环境监控系统主要是起到采集数据和告警保护的作用,而楼宇控制系统则起到收集制冷机组、水泵等设备信息的作用。但这些数据并未真正的发挥其应有的价值,无法对整个制冷系统的优化和节能进行优化控制。
现有的控制策略一般各个设备单独控制。或者建立一个整体的制冷系统模型,用理论或者经验公式进行拟合和连接,并根据经验给出节能控制策略。或者采用机器学习的方案从历史运行数据中提取关键的特征参数,建立一个整体的系统模型,并以总体能耗或PUE为目标进行优化。
现有的控制策略中:
一种是采用理论和经验公式进行优化控制的方案(大多数民用及商用综合节能方案)。这种模型的精度与实际运行存在偏差,同时设备在运行中会存在损耗和脏堵等变化,导致运行参数在不断变化,而特定的模型无法反映这一点,因此,经验和理论公式的控制优化方案存在较大的不确定性,且偏差较大,更无法快速响应负荷和环境变化。
另一种是采用机器学习将大量的系统参数训练出功耗模型(比如google和Deepmind的机器学习模型)。这种方案的模型精度很高,且会根据系统的损耗和脏堵状态不断调整和优化。但是由于特征参数过于复杂且各个特征参数之间的约束关系模糊,对于给出可以实用的控制策略非常困难,且难以检验其策略的合理性。
以上内容仅是发明人所知晓的技术情况,并不当然代表构成本发明的现有技术。
发明内容
本发明提供一种用于散热系统的节能控制方法,所述散热系统具有功耗模型和散热模型,并包括一组运行参数,所述一组运行参数的数值在一运行参数空间内变化,所述节能控制方法包括:S101:将所述一组运行参数的一组数值输入功耗模型,获得与该组运行参数相对应的功耗;S102:将所述一组运行参数的所述一组数值输入换热模型中,获得换热结果参数;S103:当所述换热结果参数满足换热要求时,进行到步骤S104,否则,在所述运行参数空间内改变所述一组运行参数的数值,重复步骤S101、S102和S103;S104:在所述运行参数空间内改变所述一组运行参数的数值的组合,重复步骤S101、S102、S103和S104,直至找到满足所述预设换热要求且功耗最低的一组运行参数的数值;S105:利用满足所述换热要求且功耗最低的一组运行参数的数值,控制所述散热系统的运行。
根据本发明的一个方面,所述步骤S101在步骤S102之前进行,或者所述步骤S102在步骤S101之前进行。
根据本发明的一个方面,所述换热结果参数为所述散热系统输入和输出之间的温差。
根据本发明的一个方面,所述换热要求为:所述温差与所述散热系统当前的输入和输出之间的温差之间的差别在5%以内。
根据本发明的一个方面,还包括:根据所述散热系统的所述一组运行参数历史数据,通过机器学习,建立所述功耗模型。
根据本发明的一个方面,还包括:根据所述散热系统的所述一组运行参数历史数据,通过机器学习,建立所述散热模型。
本发明还提供一种用于散热系统的节能控制方法,所述散热系统具有功耗模型和散热模型,并包括一组运行参数,所述一组运行参数的数值在一运行参数空间内变化,所述节能控制方法包括:S201:利用所述功耗模型,计算出在所述运行参数空间内功耗最低的所述运行参数的数值;S202:将所述一组运行参数的所述数值输入换热模型中,获得换热结果参数;S203:当所述换热结果参数满足换热要求时,进行到步骤S204;否则,计算出在所述运行参数空间内功耗次低的所述一组运行参数的数值,重复步骤S202和S203;S204:利用满足所述换热要求一组运行参数的所述数值,控制所述散热系统的运行。
本发明还提供一种计算机可读存储介质,包括存储于其上的计算机可执行指令,所述可执行指令在被处理器执行时实施如上所述的节能控制方法。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1示出了根据本发明第一实施例的用于散热系统的节能控制方法;
图2示出了根据本发明第二实施例的用于散热系统的节能控制方法;
图3示出了根据本发明的用于散热装置的控制装置的框图;
图4是本发明的换热模型和功耗模型的详细说明;和
图5是依照本发明的至少一些实施例布置的计算机程序产品的框图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本发明的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
在本发明的描述中,需要理解的是,术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"坚直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语"第一"、"第二"仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中,"多个"的含义是两个或两个以上,除非另有明确具体的限定。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语"安装"、"相连"、"连接"应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接:可以是机械连接,也可以是电连接或可以相互通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之"上"或之"下"可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征"之上"、"上方"和"上面"包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征"之下"、"下方"和"下面"包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明。此外,本发明可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。此外,本发明提供了的各种特定的工艺和材料的例子,但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明主要提出一种将能耗预测及换热约束机器学习模型将结合的节能控制方法。通过建立能耗及换热两套自适应的机器学习模型,用功耗模型输出,可以快速对动态的负荷和环境给出最优建议并控制优化,保证能耗最低;同时,采用换热模型对能耗优化的策略进行校核,当二者偏差在一定范围内时,可输出控制及优化策略,并通过控制器进行调整。
首先参考图1描述根据本发明第一实施例的用于散热系统的节能控制方法100。
一般数据中心的散热系统或者制冷系统(散热系统和制冷系统以下统称散热系统)包括末端设备、制冷机组及节能设备、排热设备及期间的管路及风侧的传输设备。所述末端设备例如包括风扇、换热器,所述制冷机组例如包括压缩机、蒸发器、冷凝器,所述排热设备例如包括风机、风扇和换热器。节能设备例如包括换热器。本发明以数据中心的散热系统为例进行说明。但本领域普通技术人员理解,本发明不限于数据中心的散热系统。根据本发明的教导和启示,普通技术人员有能力将其应用于其他类型和场合的散热系统或制冷系统,这些都在本发明的保护范围内。
概括的说,散热系统包括一组运行参数,这些运行参数例如包括:设备的运行台数和状态,例如冷水机组、冷却塔、冷冻水泵、冷却水泵、板式换热器、精密空调等;IT负载和环境,例如IT负荷、室外环境温度、湿度、IT机房内的温度、湿度等;空调系统的运行参数,例如冷水机组的负载率、冷冻水进出水温度、冷却水进出水温度、换热器进出水温度、精密空调风量等;主要耗能设备的转速及功耗,例如冷水机组、冷却塔风扇、冷冻水泵、冷却水泵、精密空调风扇等。以上参数是对运行参数的各种实例进行的说明。在特定的散热系统中个,散热系统可以有特定的参数,例如是上述参数的子集,也可以增加另外的参数。这些都在本发明的保护范围内。
可以为所述散热系统建立功耗模型和散热模型。所述功耗模型和散热模型例如是机器学习模型。对系统的换热模型及能耗模型进行建模,通过数据预处理、数据分析、特征选择找到模型合理的输入输出,然后针对不同设备运行原理合理选择机器学习中的回归算法,例如包括基于树的回归算法、基于神经网络的回归等,建立模型。根据本发明的一个实施例,采用整体功耗模型寻优,然后分别和多个设备的换热模型进行校核。根据本发明的一个替换实施例,也可以将所有换热模型组合为一个总的模型,利用整体功耗模型寻优之后,然后和总的换热模型进行校核。根据本发明的一个实施例,例如使用多层感知器来建立所述功耗模型和散热模型。
功耗模型主要是将末端设备的风扇、制冷机组的压缩机、传输系统的水泵、风机及排热设备的风扇等运行功耗进行机器学习建模。例如通过大量的历史数据,找到那些与散热系统的功耗有关联的主要输入参数。空调系统的功耗例如主要与设备的转速和流体的状态有关。通过机器学习模型的参数敏感度分析,可以发现风机及泵等旋转机械设备的转速、水流量是最大的影响因素;同时水温和水质由于影响系统阻力从而间接影响功耗也是一个重要参数;同样,对于冷水机组的而言,其水流量,负载和进出水温度等参数由于直接影响压缩机的运行频率,从而直接影响功耗。总之,主要通过参数敏感度分析结合传热学相关定律筛选主要参数。所述主要输入参数例如是这些设备的转速、流量及进出口的流体(液体及空气)温度,输出参数是所有设备的总功耗;同时,系统设备的磨损或者更换情况会对总功耗有明显的影响,功耗模型采用周期性迭代更新(可设置,比如每天/每周/每月/每季),例如采用最新的数据来训练和更新模型等,不仅可以保证模型始终体现当前设备运行功耗情况,从而达到精度要求;同时可以根据模型的变化提示设备异常或者损坏并对设备维护做出预测性告警或建议。
换热模型主要是将末端设备的换热器、制冷机组的蒸发器及冷凝器、节能设备的换热器、排热设备的换热器进行机器学习建模,找到那些与散热系统的散热效果有关联的主要输入参数,主要输入参数例如是这些设备的内部和外部流体流量及进出口的流体(液体及空气)温度以及当前设备的脏堵情况(通过水质参数,比如电导率、浊度、PH等),输出参数是所有设备的换热温差(可采用小温差或者对数平均温差等形式,用于表明设备的换热效率);同时,系统脏堵情况会对换热温差有明显的影响,换热模型采用周期性迭代(可设置,比如每天/每周/每月/每季)等,不仅可以保证模型始终体现当前的系统脏堵情况,从而达到精度要求;同时可以根据模型的变化提示系统脏堵并对设备维护做出预测性告警或建议。空调系统的换热性能主要与换热器两端的转速和流体的状态有关。通过机器学习模型的参数敏感度分析,可以发现换热器的水流量和水温是最大的影响因素;同时水质由于影响换热器热阻也是重要的影响参数。总之,主要通过参数敏感度分析结合传热学相关定律筛选主要参数。总之,主要通过参数敏感度分析结合热力学和流体力学相关定律筛选主要参数。
以上描述了建立功耗模型和散热模型的方法。注意,本发明的发明点并不在于对于机器学习方法的改进,普通技术人员可以根据相关的机器学习的技术采用适当的模型。例如,本发明可以采用多层感知器模型,也可以采用其他类型的机器学习模型,比如RNN,CNN,LSTM等新一代深度学习网络,只要能够通过机器学习,找出输入与输出之间的关系即可。
功耗模型是调控的目标,换热模型是调控的约束。二者同时建模,换热模型校核功耗模型,使其给出的策略满足实际使用要求。
所述散热系统的所述运行参数的数值例如可以在一运行参数空间内变化。所述运行参数空间例如涵盖了各个参数可能的变化范围。任何调控设备都有一个正常运行的调节范围,保证设备的可靠性。比如水泵一般在25-50Hz;风机30-50Hz等。过高或者过低转速将增大磨损或者减少润滑散热性能,最终增加设备损坏的风险。这些设备基本的调节范围将组成一个多维空间。
如图1所示,所述节能控制方法包括以下步骤。
在步骤S101,从所述运行参数空间内取所述运行参数的一组数值,将这一组数值输入事先建立好的功耗模型,从而获得与该组运行参数相对应的功耗。注意,此处的功耗并非是散热系统的实际功耗,而是通过该功耗模型计算得到的、当该散热系统以该组数值作为参数运行时的理论功耗。另外,根据本发明的一个优选实施例,并非必须将所有运行参数的数值都输入到功耗模型中,因为功耗模型未必会用到所有的运行参数。可以仅将功耗模型进行功耗计算所需要的那些运行参数的数值输入即可。这些都在本发明的保护范围内。
在步骤S102,将所述一组运行参数的所述一组数值输入事先建立好的换热模型中,获得换热结果参数。根据本发明的一个优选实施例,所述换热结果参数例如可以是所述散热系统输入和输出之间的温差,表征散热系统的散热性能。同样的,根据本发明的一个优选实施例,并非必须将所有运行参数的数值都输入到换热模型中,因为换热模型未必会用到所有的运行参数。可以仅将换热模型进行计算所需要的那些运行参数的数值输入即可。这些都在本发明的保护范围内。另外优选的,通常,功耗模型的输入参数与换热模型的输入参数存在某种对应关系。因此,通过功耗模型的相关输入参数,可以获得换热模型的相关输入参数。比如水泵及风机设备的转速(功耗模型的输入参数)在一定的系统情况下,与其流过的流体流量(换热模型的输入参数)成多项式关系(参见风机定律),同时,制冷负荷也可以由流量×温差得到;换热温差也可以由换热两端水温的数学关系得到(参见对数温差LMTD的计算)。
在步骤S103,进行散热性能校核,校核该组运行参数是否能够满足系统的散热需求。系统的散热需求可以是预先设定的,也可以是通过结合系统当前的存储量、负荷等参数计算得到的。散热需求例如可以通过监测IT系统的总的电功耗,并加上环境热负荷及供配电损耗等修正得到。当所述换热结果参数满足换热要求时,说明这组参数数值是可用于换热系统的,进而进行到步骤S104;否则,在所述运行参数空间内改变所述一组运行参数的数值(每个参数改变的步长、改变的方式可以根据具体的设备而定,不在此描述)重复步骤S101、S102和S103,目的是找到下一组可用于散热系统、满足散热需求的参数数值。根据本发明的一个优选实施例,所述散热需求,例如可以是是否与散热系统当前的温差之间的差别在一定范围内,例如正负5%内。
根据本发明的一个实施例,所述换热模型包括对应于多个设备的多个子换热模型,例如针对散热设备的风机、压缩机,分别有与其相对应的子换热模型。采用功耗模型计算功耗之后,然后分利用所述多个子换热模型计算换热结果参数,然后进行校核(相应的可具有多个散热需求)。根据本发明的一个替换实施例,也可以将所有子换热模型组合为一个总的模型,利用整体功耗模型寻优之后,然后和总的换热模型进行校核。
在步骤S104,进行迭代,找到满足所述换热要求且功耗最低的一组运行参数的数值。具体的,在所述运行参数空间内改变所述一组运行参数的数值的组合,重复步骤S101、S102、S103和S104,直至获得满足所述预设换热要求且功耗最低的一组运行参数的数值为止。例如将本次所用的参数所对应的功耗与上一组参数所对应的功耗进行比较。如果本次的功耗小,则将本次的一组数值作为备选数值。反之如果本次的功耗大,则仍然将上一组参数的数值作为备选数值。
在步骤S105,利用满足所述换热要求且功耗最低的一组运行参数的数值,控制所述散热系统的运行。这样,将能够保证散热系统在满足散热需求的同时,系统功耗最低。
本发明的第一实施例中,通过换热模型来约束能耗模型,以此实现节能控制。约束条件例如是系统中各个换热设备的换热温差,或者是总的换热模型两端的温差,换热温差的目的是保证功耗优化前后的系统参数仍然可以满足当前系统的换热要求,保证优化的可行性。
例如,满足换热约束条件的参数组合有很多,比如“水泵50%,风机60%”和“水泵80%,风机30%”对于系统的换热模型都是满足地。但是其总的功耗却不同,存在最优值,且这个最优值是不断变化的。
因此,本发明的第一实施例能够在满足换热约束的基础上,在当前的参数基础上,找出总功耗更低的一组参数,并用于控制及调节。
根据本发明的一个优选实施例,所述步骤S101可以在步骤S102之前进行,或者所述步骤S102也可以在步骤S101之前进行。
根据本发明的一个优选实施例,所述节能控制方法100还包括:根据所述散热系统的所述一组运行参数历史数据,通过机器学习,建立所述功耗模型。
根据本发明的一个优选实施例,所述节能控制方法100还包括:根据所述散热系统的所述一组运行参数历史数据,通过机器学习,建立所述散热模型。
下面参考图2描述根据本发明第二实施例的一种用于散热系统的节能控制方法200。与第一实施例类似,所述散热系统具有功耗模型和散热模型,并包括一组运行参数,所述一组运行参数的数值在一运行参数空间内变化,所述节能控制方法200包括:
在步骤S201,利用所述功耗模型,计算出在所述运行参数空间内功耗最低的所述运行参数的一组数值;
在步骤S202,将所述一组运行参数的所述一组数值输入换热模型中,获得换热结果参数;
在步骤S203,当所述换热结果参数满足换热要求时,进行到步骤S204;否则,计算出在所述运行参数空间内功耗次低的所述一组运行参数的一组数值,重复步骤S202和S203。
在步骤S204,利用满足所述换热要求的一组运行参数的所述数值,控制所述散热系统的运行。
与本发明第一实施例不同,本发明第二实施例的节能控制方法,是首先计算出在所述运行参数空间内功耗最低的所述运行参数的一组数值,然后校核这一组数值能否满足散热需求。如果能,那么直接将这一组参数数值用于控制所述散热系统的运行。否则,计算出所述运行参数空间内功耗次低的所述运行参数的一组数值。直至计算出所述运行参数空间内能够满足散热需求的功耗最低的一组运行参数数值。
图3示出了根据本发明的一种用于散热装置的控制装置300。所述控制装置300包括数据采集单元310、模型运行单元320、优化单元330和调控单元340。
所述数据采集单元310例如可包括各种传感器,感测数据中心的散热系统的各个运行参数,例如机房动力环境系统、楼宇自控系统、其他传感器及智能设备的运行数据。优选的,所述运行数据采集单元310可以对所采集的运行数据进行汇总,统一为一个标准数据库。
所述模型运行单元320对系统的换热模型及功耗模型进行建模和维护迭代更新,通过数据预处理、数据分析、特征选择找到模型合理的输入输出,然后针对不同设备运行原理合理选择机器学习中的回归算法(包括基于树的回归算法,基于神经网络的回归等),建立散热系统的换热模型和功耗模型。所述模型运行单元320配置成运行所述散热系统的换热模型和功耗模型,所述模型单元接收由所述运行数据采集单元采集的运行数据,并根据所述换热模型和功耗模型,输出换热结果参数和能耗.
以功耗模型为例,例如可以采用多层感知器的人工神经网络模型框架,输入制冷系统及设备运行参数,例如风机、泵的转速,换热器进出水温度和水流量等,输出为制冷单元的总功耗,例如由风机、水泵等各个设备的功耗加和而成。本领域技术人员理解,本发明不限于此,也可以采用其他类型的机器学习模型,比如RNN,CNN,LSTM等新一代深度学习学习网络,只要能够通过机器学习,找出输入与输出之间的关系即可。
所述优化单元330配置成计算获得满足散热性能需求的功耗最低的一组运行参数。例如,利用所述模型运行单元320分别计算一组参数所对应的的理论功耗以及换热结果参数,并校核所述换热结果参数是否满足要求。所述优化单元330例如将所述换热结果参数与一预设阈值比较,当所述换热结果参数与所述预设阈值之间的偏差在预定范围内时,控制所述散热系统以所述一组运行参数运行。而当所述换热结果参数与所述预设阈值之间的偏差不在所述预定范围内时,重复提供一组运行参数,直到找到与所述预设阈值之间的偏差在所述预定范围内的换热结果参数所述优化单元330配置成可执行前述的方法100或200。
根据本发明的一个优选实施例,所述预定范围为5%。例如将给定的能耗目标模型求出的一组调控参数代入到换热模型中,满足换热模型的温差与优化前的温差在一定范围内(可以设定,例如5%,此偏差值越小则结果越精确,但由于各种传感器的数据本身的精度一般在5%左右,过于精确的偏差设定值可能导致没有合适的优化策略的情况,因此根据经验建议5%左右)
根据本发明的一个优选实施例,所述预设阈值为所述散热系统当前的换热结果参数,所述换热结果参数优选为散热系统输入和输出之间的温差。
所述调控单元340与所述散热系统耦合,并且根据所述优化单元330优化的结果,控制所述散热系统的运行。根据整体设备的联动原理,构造换热模型的解空间树,在空间内寻求满足换热模型的解,随后结合功耗模型进行迭代,给出一组控制优化建议,满足需求且能耗小。调控部分,将优化建议部分的参数进行归整,并集合设备的实际调控周期及告警情况等,对设备进行统一调控。
图4是本发明的换热模型和功耗模型的详细说明。如图4所示,例如可以为散热系统的每一个功耗部件建立功耗模型,所述功耗部件例如风扇、压缩机、水泵、风机等。也可以为设备中的主要散热装置建立换热模型,例如换热器、蒸发器、冷凝器等。主要是根据典型的数据中心冷却系统的流程,将其分为功耗模型和换热模型。功耗模型针对所有产生功耗的部件,主要是传输和冷量生成设备,包括水泵、风扇及冷水机组内部的压缩机;
换热模型针对所有产生换热的设备,主要是换热器的温差:包括末端空调换热器、自然冷却换热器、冷水机组内部的蒸发器和冷凝器及冷塔换热器等
图5是依照本发明的至少一些实施例布置的计算机程序产品500的框图。信号承载介质502可以被实现为或者包括计算机可读介质506、计算机可记录介质508、计算机通信介质510或者它们的组合,其存储可配置处理单元以执行先前描述的过程中的全部或一些的编程指令504。这些指令可以包括例如用于使一个或多个处理器执行如下处理的一个或多个可执行指令:S101:将所述一组运行参数的一组数值输入功耗模型,获得与该组运行参数相对应的功耗;S102:将所述一组运行参数的所述一组数值输入换热模型中,获得换热结果参数;S103:当所述换热结果参数满足换热要求时,进行到步骤S104,否则,在所述运行参数空间内改变所述一组运行参数的数值,重复步骤S101、S102和S103;S104:在所述运行参数空间内改变所述一组运行参数的数值的组合,重复步骤S101、S102、S103和S104,直至找到满足所述预设换热要求且功耗最低的一组运行参数的数值;S105:利用满足所述换热要求且功耗最低的一组运行参数的数值,控制所述散热系统的运行。
本发明还涉及一种计算机程序产品,其存储可配置处理单元以执行先前描述的过程中的全部或一些的编程指令。这些指令可以包括例如用于使一个或多个处理器执行方法200的可执行指令。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于散热系统的节能控制方法,所述散热系统具有功耗模型和散热模型,并包括一组运行参数,所述一组运行参数的数值在一运行参数空间内变化,所述节能控制方法包括:
S101:将所述一组运行参数的一组数值输入功耗模型,获得与该组运行参数的数值相对应的功耗;
S102:将所述一组运行参数的所述一组数值输入换热模型中,获得换热结果参数;
S103:当所述换热结果参数满足换热要求时,进行到步骤S104,否则,在所述运行参数空间内改变所述一组运行参数的数值,重复步骤S101、S102和S103;
S104:在所述运行参数空间内改变所述一组运行参数的数值的组合,重复步骤S101、S102、S103和S104,直至找到满足所述换热要求且功耗最低的运行参数的一组数值;
S105:利用满足所述换热要求且功耗最低的运行参数的所述一组数值,控制所述散热系统的运行。
2.根据权利要求1所述的节能控制方法,其特征在于,所述步骤S101在步骤S102之前进行,或者所述步骤S102在步骤S101之前进行。
3.根据权利要求1或2所述的节能控制方法,其特征在于,所述换热结果参数为所述散热系统输入和输出之间的温差。
4.根据权利要求3所述的节能控制方法,其特征在于,所述换热要求为:所述温差与所述散热系统当前的输入和输出之间的温差之间的差别在5%以内。
5.根据权利要求1-4中任一项所述的节能控制方法,其特征在于,还包括:根据所述散热系统的所述一组运行参数历史数据,通过机器学习,建立所述功耗模型。
6.根据权利要求1-5中任一项所述的节能控制方法,其特征在于,还包括:根据所述散热系统的所述一组运行参数历史数据,通过机器学习,建立所述散热模型。
7.根据权利要求1-6中任一项所述的节能控制方法,其特征在于,所述散热模型包括对应于多个散热部件的多个子模型,所述换热要求包括对应于所述多个散热部件的子换热要求。
8.一种用于散热系统的节能控制方法,所述散热系统具有功耗模型和散热模型,并包括一组运行参数,所述一组运行参数的数值在一运行参数空间内变化,所述节能控制方法包括:
S201:利用所述功耗模型,计算出在所述运行参数空间内功耗最低的所述运行参数的数值;
S202:将所述一组运行参数的所述数值输入换热模型中,获得换热结果参数;
S203:当所述换热结果参数满足换热要求时,进行到步骤S204;否则,计算出在所述运行参数空间内功耗次低的所述一组运行参数的数值,重复步骤S202和S203;
S204:利用满足所述换热要求一组运行参数的所述数值,控制所述散热系统的运行。
9.一种计算机可读存储介质,包括存储于其上的计算机可执行指令,所述可执行指令在被处理器执行时实施如权利要求1-7中任一项所述的节能控制方法。
10.一种用于散热装置的控制装置。所述控制装置包括:
数据采集单元,所述数据采集单元配置成感测所述散热装置的运行参数;
模型运行单元,所述模型运行单元配置成运行所述散热装置的功耗模型和散热模型,并接收所述数据采集单元感测的运行参数;
优化单元,所述优化单元配置成基于所述模型运行单元获取满足散热需求的功耗最低的所述运行参数的一组数值;
调控单元,所述调控单元与所述优化单元耦合,所述调控单元配置成接收所述运行参数的所述一组数值并根据所述一组数值控制所述散热装置运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711276157.7A CN108089440A (zh) | 2017-12-06 | 2017-12-06 | 节能控制方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711276157.7A CN108089440A (zh) | 2017-12-06 | 2017-12-06 | 节能控制方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108089440A true CN108089440A (zh) | 2018-05-29 |
Family
ID=62174423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711276157.7A Pending CN108089440A (zh) | 2017-12-06 | 2017-12-06 | 节能控制方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108089440A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108518795A (zh) * | 2018-06-08 | 2018-09-11 | 广东美的制冷设备有限公司 | 水洗空调器的控制方法、空调器和计算机可读存储介质 |
CN108990383A (zh) * | 2018-08-15 | 2018-12-11 | 北京建筑大学 | 一种数据中心空调系统预测控制方法 |
CN109213098A (zh) * | 2018-08-29 | 2019-01-15 | 西门子电力自动化有限公司 | 调整运行参数的方法、装置、电子设备和计算机可读介质 |
CN109960147A (zh) * | 2019-03-12 | 2019-07-02 | 北京百度网讯科技有限公司 | 冷源控制参数的确定方法及装置、设备及存储介质 |
CN110618740A (zh) * | 2018-06-19 | 2019-12-27 | 广达电脑股份有限公司 | 动态温度控制设备与动态温度控制方法 |
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 |
CN112329338A (zh) * | 2020-10-26 | 2021-02-05 | 中国移动通信集团内蒙古有限公司 | 基于鱼群优化bp神经网络的冷源系统控制方法及装置 |
CN114237057A (zh) * | 2021-12-20 | 2022-03-25 | 东南大学 | 智慧楼宇用电分析的动态建模方法、系统、设备和介质 |
CN114489307A (zh) * | 2022-02-14 | 2022-05-13 | 阿里巴巴(中国)有限公司 | 针对互联网数据中心的能效优化方法及装置 |
US11513480B2 (en) * | 2018-03-27 | 2022-11-29 | Terminus (Beijing) Technology Co., Ltd. | Method and device for automatically diagnosing and controlling apparatus in intelligent building |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020481A (zh) * | 2012-12-29 | 2013-04-03 | 杭州电子科技大学 | 一种基于节能的确定空气源热泵地暖最佳运行工况的方法 |
CN104134100A (zh) * | 2014-07-22 | 2014-11-05 | 香港佳能通节能科技有限公司 | 一种基于云计算的节能管理系统 |
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 |
CN106407999A (zh) * | 2016-08-25 | 2017-02-15 | 北京物思创想科技有限公司 | 结合规则来进行机器学习的方法及系统 |
CN106766450A (zh) * | 2016-11-28 | 2017-05-31 | 天津城建大学 | 制冷热泵系统最小能耗优化控制装置及控制方法 |
CN107166966A (zh) * | 2017-06-06 | 2017-09-15 | 长沙山水节能研究院有限公司 | 高炉冷却壁循环冷却水系统的优化节能控制方法及装置 |
-
2017
- 2017-12-06 CN CN201711276157.7A patent/CN108089440A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020481A (zh) * | 2012-12-29 | 2013-04-03 | 杭州电子科技大学 | 一种基于节能的确定空气源热泵地暖最佳运行工况的方法 |
CN104134100A (zh) * | 2014-07-22 | 2014-11-05 | 香港佳能通节能科技有限公司 | 一种基于云计算的节能管理系统 |
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 |
CN106407999A (zh) * | 2016-08-25 | 2017-02-15 | 北京物思创想科技有限公司 | 结合规则来进行机器学习的方法及系统 |
CN106766450A (zh) * | 2016-11-28 | 2017-05-31 | 天津城建大学 | 制冷热泵系统最小能耗优化控制装置及控制方法 |
CN107166966A (zh) * | 2017-06-06 | 2017-09-15 | 长沙山水节能研究院有限公司 | 高炉冷却壁循环冷却水系统的优化节能控制方法及装置 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11513480B2 (en) * | 2018-03-27 | 2022-11-29 | Terminus (Beijing) Technology Co., Ltd. | Method and device for automatically diagnosing and controlling apparatus in intelligent building |
CN108518795A (zh) * | 2018-06-08 | 2018-09-11 | 广东美的制冷设备有限公司 | 水洗空调器的控制方法、空调器和计算机可读存储介质 |
US10888028B2 (en) | 2018-06-19 | 2021-01-05 | Quanta Computer Inc. | Chassis intelligent airflow control and cooling regulation mechanism |
CN110618740A (zh) * | 2018-06-19 | 2019-12-27 | 广达电脑股份有限公司 | 动态温度控制设备与动态温度控制方法 |
CN108990383A (zh) * | 2018-08-15 | 2018-12-11 | 北京建筑大学 | 一种数据中心空调系统预测控制方法 |
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 |
CN109213098A (zh) * | 2018-08-29 | 2019-01-15 | 西门子电力自动化有限公司 | 调整运行参数的方法、装置、电子设备和计算机可读介质 |
CN109960147A (zh) * | 2019-03-12 | 2019-07-02 | 北京百度网讯科技有限公司 | 冷源控制参数的确定方法及装置、设备及存储介质 |
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 |
CN112329338A (zh) * | 2020-10-26 | 2021-02-05 | 中国移动通信集团内蒙古有限公司 | 基于鱼群优化bp神经网络的冷源系统控制方法及装置 |
CN114237057A (zh) * | 2021-12-20 | 2022-03-25 | 东南大学 | 智慧楼宇用电分析的动态建模方法、系统、设备和介质 |
CN114237057B (zh) * | 2021-12-20 | 2023-09-19 | 东南大学 | 智慧楼宇用电分析的动态建模方法、系统、设备和介质 |
CN114489307A (zh) * | 2022-02-14 | 2022-05-13 | 阿里巴巴(中国)有限公司 | 针对互联网数据中心的能效优化方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108089440A (zh) | 节能控制方法和装置 | |
CN110753886B (zh) | 具有基于神经网络的约束生成的预测建筑物控制系统 | |
CN104534627B (zh) | 中央空调冷却水系统综合能效控制方法 | |
Liu et al. | Optimal chiller sequencing control in an office building considering the variation of chiller maximum cooling capacity | |
EP3465019B1 (en) | System and method for controlling multi-zone vapor compression system and non-transitory computer readable storage medium | |
CN102003772B (zh) | 一种水源热泵节能优化控制方法 | |
Noye et al. | A review of advanced ground source heat pump control: Artificial intelligence for autonomous and adaptive control | |
CN103363746B (zh) | 蒸汽压缩系统的操作方法、工作控制方法和优化控制器 | |
Larsen | Model based control of refrigeration systems | |
US10824125B2 (en) | Central plant control system based on load prediction through mass storage model | |
WO2023030522A1 (zh) | 一种数据中心空调系统诊断方法及装置 | |
US20190032949A1 (en) | Central plant control system with computation reduction based on sensitivity analysis | |
CN104713197A (zh) | 一种基于数学模型的中央空调系统优化方法及系统 | |
US10948884B2 (en) | Building control based on uneven load distribution | |
JP2011141072A (ja) | 冷却システムおよび冷却方法 | |
JP2009216375A (ja) | 冷却システムおよび冷却方法 | |
CN104049626B (zh) | 用于冷却系统的部件的能量分析与预测建模的系统及方法 | |
CN104049716A (zh) | 一种结合温度感知的计算机节能方法及系统 | |
Mahbod et al. | Energy saving evaluation of an energy efficient data center using a model-free reinforcement learning approach | |
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 | |
Ma et al. | Online optimization method of cooling water system based on the heat transfer model for cooling tower | |
CN109140660A (zh) | 用于空调的智能控温装置方法及装置、空调、存储介质 | |
CN111582604A (zh) | 数据处理方法和装置、电子设备、及介质 | |
KR20180138371A (ko) | 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법 | |
Bianchini et al. | An integrated MPC approach for demand-response heating and energy storage operation in smart buildings |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180529 |
|
RJ01 | Rejection of invention patent application after publication |