基于5G的机柜能耗远程统计计量方法
技术领域
本发明涉及通信技术领域,尤其涉及一种基于5G的机柜能耗远程统计计量方法。
背景技术
随着信息技术的发展,数据机房的规模也在不断的扩展,投入更多地资金,增加了更多的设备,现代的数据中心布整个楼层、占据同一个城市的不同大厦、甚至分布全球已不再是新鲜事,伴随着这种数据中心设备密集化,数据中心地域化,一些问题也接踵而至。目前,这种机房设备管理的方式都是落后的,不适应发展的环境需求,具体表现在:成本高,效率低:
在5G边缘数据中心部署的过程中,可能出现远程运行的服务器、路由器、交换机以及其他的数据设备由于运行较长时间,或是因为误操作以及遭受意外攻击导致系统宕机的情况。维护人员不得不亲临现场来解决问题。其实这种问题只要对故障设备进行重启就可以了,但由于机房的跨地域性很强,管理人员不得不为这样一个简单的动作花费大量的时间,无挑战性却浪费大量人力,使人不胜其烦。目前,这种机房设备管理的方式都是落后的,不适应发展的环境需求,具体表现在成本高、效率低:
1.1、IDC数据机房拥有成百上千台的服务器,对于这种庞大的服务器群,维护人员需要逐个地解决,耗费大量的人力;
1.2、存在着安全隐患:日常维护中频繁地进出机房,维护如银行、政府、军队的服务器,对里面的一些保密的资料也存在一定的隐患,而且对设备运行也存在负面影响;
1.3、故障响应时间较长:由于服务器、交换机、路由器不在本地,或者系统管理员暂时出差,出现问题得不到及时地处理,从而造成难以预计的损失。
同时,传统机房设备运维复杂,责任主体难以判断,运维费事费力。整个维护的过程是典型的有故障才有反应的过程,这样的故障/反应式维护只能在设备故障停机后才能起到作用。此外,在实际的维护过程中,发现数据中心系统复杂,涉及的技术复杂多样;数据中心需要24小时运转,但维护人员不可能24小时在机房里进行设备的监控。有些数据中心只配备了保安和打扫卫生的人员,基本没有技术人员,这样的数据中心一旦出现问题,技术人员赶往现场也需要一定的时间,但是要真正降低机房的PUE值,就要进行精细化管理,依据网络网络配套资源的情况进行动态调整。
因此,针对上述问题,有必要提出进一步的解决方案。
发明内容
本发明旨在提供一种基于5G的机柜能耗远程统计计量方法,以克服现有技术中存在的不足。
为解决上述技术问题,本发明的技术方案是:
一种基于5G的机柜能耗远程统计计量方法,其包括如下步骤:
采集机柜所在机房的动力、环境的配套数据;
将采集的动力、环境的配套数据进行数据统计分析,建立不同环境和工况下的能耗数学模型;
基于建立的能耗数学模型,进行案例统计分析;
基于建立的能耗数学模型,进行故障诊断分析;
故障诊断分析后,进行机柜内部PUE能效比分析;
PUE能效比分析后,进行机柜健康状态维护分析,并计入数据库。
作为本发明的基于5G的机柜能耗远程统计计量方法的改进,采集机柜所在机房的动力、环境的配套数据包括如下步骤:
通过传感器采集机房的动力、环境的配套数据,包括:温度、湿度、烟感、水浸、门碰、市电、油机发电机状态数据;
通过能耗跟踪电能计量的方式采集电能电量数据;
通过交流接触器上报非智能空调、风机的启动数据;
通过智能开关电源、智能空调上报无线设备的运行数据。
作为本发明的基于5G的机柜能耗远程统计计量方法的改进,建立不同环境和工况下的能耗数学模型包括:
对采集数据进行统计和分析,计量统计后的能耗数据由数据存储单元存储;
通过通信、网络传输的方式实时上传数据;
按照用电量的峰、平、谷时间和季节核算每个5G机柜的用电量;
建立不同环境和工况下的能耗数学模型。
作为本发明的基于5G的机柜能耗远程统计计量方法的改进,按照如下公式对采集数据进行统计和分析:
其中,W为5G机柜能耗数据,E是5G机柜能耗数据中所有最大能耗数据排列,∫(w,e)为5G机柜最大能耗设备函数,B为不同时间段推送能耗设备大小的序值。
作为本发明的基于5G的机柜能耗远程统计计量方法的改进,按照如下公式建立不同环境和工况下的能耗数学模型:
其中,M
A,B,C,D,G为各设备的能耗,
为各设备间能耗的平均分,(A
i,A
j)为核心机不同时间段能耗,(B
i,B
j)为光缆终端设备不同时间段能耗,(C
i,C
j)为4G/5G无线设备不同时间段能耗,(D
i,D
j)为智能开关电源不同时间段能耗,(E
i,E
j)为智能空调不同时间段能耗,(F
i,F
j)为镜像服务器存贮阵列不同时间段能耗,(G
i,G
j)为智能逆变电源不同时间段能耗。
作为本发明的基于5G的机柜能耗远程统计计量方法的改进,能耗数学模型中,分设备层和算法聚集层及各层内的相近度聚集,两层通过不同时间推送频次函数联系起来,不同时间推送频次最大能耗设备排名函数定义如下:
作为本发明的基于5G的机柜能耗远程统计计量方法的改进,进行案例统计分析包括:
建立多个5G机柜设备冷却通风控制方法历史最优案例库;
建立冷却通风最优温度20°±5下,能耗计量最低案例库:(最优温度20°±5,w1,w2,w3,….wn);
建立冷却通风最优温度20°±5下,机柜智能设备运行状态最佳案例库:(最优温度20°±5,s1,s2,s3,….sn);
建立冷却通风最优温度20°±5下,机柜PUE能效比最佳案例库:(最优温度20°5,p1,p2,p3,….pn);
建立冷却通风最优温度20°±5下,机柜设备健康状态最佳案例库:(最优温度20°±5,k1,k2,k3,….kn);
确定历史案例统计提交顺序,分别计算四个最佳案例库各主要功能对5G机柜稳定运行的最佳案例库重要程度等级。
作为本发明的基于5G的机柜能耗远程统计计量方法的改进,最佳案例库重要程度等级的计算公式为:
式中,mit为case案例invoking调用的次数;
nit为案例总的调用次数;
τ∫invoking调用case案例表示使用的次数;
与现有技术相比,本发明的有益效果是:本发明对5G边缘数据中心一体化机柜设备能耗数据进行实时测量,对采集数据进行统计和分析,生成电力、制冷使用规律,并根据算法进行能耗计量、计算、统计,计量统计后的能耗数据由数据存储单元存储,同时处理器通过通信单元、网络实时上传数据。
实时采取最节能的控制方式.系统对电实行:自动、集中、定时远传存储,按用量的峰、平、谷时间和季节自动高速复费率,核算每个5G边缘数据中心一体化机柜设备的用量,通过统计分析对比能耗的基础数据,并通过5G边缘数据中心一体化机柜设备能耗数据数学模型进行数据挖掘,能效优化应用,建立不同环境和工况下的最优能耗数学模型,从而为提供最佳节能路线提供可能和前提。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于5G的机柜能耗远程统计计量方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供一种基于5G的机柜能耗远程统计计量方法,其包括:
采集机柜所在机房的动力、环境的配套数据;
将采集的动力、环境的配套数据进行数据统计分析,建立不同环境和工况下的能耗数学模型;
基于建立的能耗数学模型,进行案例统计分析;
基于建立的能耗数学模型,进行故障诊断分析;
故障诊断分析后,进行机柜内部PUE能效比分析;
PUE能效比分析后,进行机柜健康状态维护分析,并计入数据库。
一个实施方式中,采集机柜所在机房的动力、环境的配套数据包括如下步骤:
通过传感器采集机房的动力、环境的配套数据,包括:温度、湿度、烟感、水浸、门碰、市电、油机发电机状态数据;
通过能耗跟踪电能计量的方式采集电能电量数据;
通过交流接触器上报非智能空调、风机的启动数据;
通过智能开关电源、智能空调上报无线设备的运行数据。
一个实施方式中,建立不同环境和工况下的能耗数学模型包括:
对采集数据进行统计和分析,计量统计后的能耗数据由数据存储单元存储;
通过通信、网络传输的方式实时上传数据;
按照用电量的峰、平、谷时间和季节核算每个5G机柜的用电量;
建立不同环境和工况下的能耗数学模型。
上述实施方式中,所涉及的对采集数据进行统计和分析的算法公式为:
其中,W为5G机柜能耗数据,E是5G机柜能耗数据中所有最大能耗数据排列,∫(w,e)为5G机柜最大能耗设备函数,B为不同时间段推送能耗设备大小的序值。
同时,按照如下公式建立不同环境和工况下的能耗数学模型:
其中,M
A,B,C,D,G为各设备的能耗,
为各设备间能耗的平均分,(A
i,A
j)为核心机不同时间段能耗,(B
i,B
j)为光缆终端设备不同时间段能耗,(C
i,C
j)为4G/5G无线设备不同时间段能耗,(D
i,D
j)为智能开关电源不同时间段能耗,(E
i,E
j)为智能空调不同时间段能耗,(F
i,F
j)为镜像服务器存贮阵列不同时间段能耗,(G
i,G
j)为智能逆变电源不同时间段能耗。
一个实施方式中,能耗数学模型中,分设备层和算法聚集层及各层内的相近度聚集,两层通过不同时间推送频次函数联系起来,不同时间推送频次最大能耗设备排名函数定义如下:
一个实施方式中,进行案例统计分析包括:
建立多个5G机柜设备冷却通风控制方法历史最优案例库;
建立冷却通风最优温度20°±5下,能耗计量最低案例库:(最优温度20°±5,w1,w2,w3,….wn);
建立冷却通风最优温度20°±5下,机柜智能设备运行状态最佳案例库:(最优温度20°±5,s1,s2,s3,….sn);
建立冷却通风最优温度20°±5下,机柜PUE能效比最佳案例库:(最优温度20°5,p1,p2,p3,….pn);
建立冷却通风最优温度20°±5下,机柜设备健康状态最佳案例库:(最优温度20°±5,k1,k2,k3,….kn);
确定历史案例统计提交顺序,分别计算四个最佳案例库各主要功能对5G机柜稳定运行的最佳案例库重要程度等级。
此外,进行案例统计分析还涉及聚集协同冷却通风控制方法经常调用与预测历史案例计算公式:
一个实施方式中,最佳案例库重要程度等级的计算公式为:
式中,mit为case案例invoking调用的次数;
nit为案例总的调用次数;
τ∫invoking调用case案例表示使用的次数;
基于建立的能耗数学模型,进行故障诊断分析和机柜内部PUE能效比分析的步骤为:
建立各个实时阶段形成判断分析结构图S(B,E);
其中,B是设备能耗、设备PUE能效比、设备健康状态历史记录集合,E是实时设备能耗、设备PUE能效比、设备健康状态检测信息集合。
建立各个实时阶段形成判断分析结构图S(B,E)的计算公式为:
其中,这里Ga,i(n)是聚集协同各模块,在第n次聚集时选择协同A与协同I之间信息聚集协同的次数;
Aα(i)是从聚集协同点A所能够到达的聚集协同点集合,第n次聚集协同点(a,i)选择这些聚集协同点的和为定义为1;
lai(n)是聚集协同能耗计量统计分析模块、聚集协同机柜内部PUE能效比分析模块所带全部数据聚集来对应聚集协同机柜内部PUE能效比分析模块进行协同;
为各自最优数据信息启发值,上标a表明数据上传的路径是相同的。
由于设备能耗、设备PUE能效比、设备健康状态各个实时阶段形成判断分析具有重复性和单调性。在聚集协同决策间题时,首先将每一聚集协同的决策变量。(W)t=Lh设备能耗、Pue设备PUE能效比、Jk设备健康状态在其容许范围内分散化为一系列不同时间采样点。(W)t=Lh能耗.PUE能效比.JK健康状态∈F(T),称为不同时间决策变量。
最后,将上述分析的结果计入数据库。
综上所述,本发明对5G边缘数据中心一体化机柜设备能耗数据进行实时测量,对采集数据进行统计和分析,生成电力、制冷使用规律,并根据算法进行能耗计量、计算、统计,计量统计后的能耗数据由数据存储单元存储,同时处理器通过通信单元、网络实时上传数据。
实时采取最节能的控制方式.系统对电实行:自动、集中、定时远传存储,按用量的峰、平、谷时间和季节自动高速复费率,核算每个5G边缘数据中心一体化机柜设备的用量,通过统计分析对比能耗的基础数据,并通过5G边缘数据中心一体化机柜设备能耗数据数学模型进行数据挖掘,能效优化应用,建立不同环境和工况下的最优能耗数学模型,从而为提供最佳节能路线提供可能和前提。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。