CN111445065A - 用于数据中心制冷群控的能耗优化方法及系统 - Google Patents
用于数据中心制冷群控的能耗优化方法及系统 Download PDFInfo
- Publication number
- CN111445065A CN111445065A CN202010208933.5A CN202010208933A CN111445065A CN 111445065 A CN111445065 A CN 111445065A CN 202010208933 A CN202010208933 A CN 202010208933A CN 111445065 A CN111445065 A CN 111445065A
- Authority
- CN
- China
- Prior art keywords
- group control
- refrigeration
- control monitoring
- monitoring index
- data
- 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
- 238000005057 refrigeration Methods 0.000 title claims abstract description 281
- 238000005265 energy consumption Methods 0.000 title claims abstract description 61
- 238000005457 optimization Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 176
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000001816 cooling Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 235000009413 Ratibida columnifera Nutrition 0.000 claims description 5
- 241000510442 Ratibida peduncularis Species 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 239000000498 cooling water Substances 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000013485 heteroscedasticity test Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明实施例提供一种用于数据中心制冷群控的能耗优化方法及系统,该方法包括:获取数据中心的第一制冷群控监控指标运行状态数据,第一制冷群控监控指标运行状态数据为当前时刻之前的制冷群控监控指标运行状态历史数据;通过制冷群控监控指标预测模型和第一制冷群控监控指标运行状态数据,预测得到第二制冷群控监控指标运行状态数据,第二制冷群控监控指标运行状态数据为当前时刻之后的制冷群控监控指标运行状态预测数据;基于制冷群控能耗优化模型,根据第二制冷群控监控指标运行状态数据,获取得到最优制冷参数值,以根据最优制冷参数值对数据中心的制冷设备进行设置。本发明实施例减少了数据中心制冷群控的能耗,提高制冷设备的工作效率。
Description
技术领域
本发明涉及能耗分析领域,尤其涉及一种用于数据中心制冷群控的能耗优化方法及系统。
背景技术
随着数据中心规模的日益增大,其设备所消耗的能源也不断提升。根据研究显示,IT和电信领域目前相关的碳排放已经成为最大的温室气体排放源之一,由此一年产生的碳排放为8.6亿吨,且该领域的排放势头还在随着全球对计算、数据存储和通信技术需求的增长快速上升。即使人们大力提高设备、机房结构等装置和数据中心的能效,在2020年,全球IT相关碳排放也将达到15.4亿吨。因此,绿色机房的建设将成为越来越多的人关注的焦点。
对于数据中心建设绿色机房,主要有两种途径,一是对硬件性能提升,二是在软件上改进。然而,数据中心设备复杂且多,通过提升硬件性能的往往会花费大量的人力财力。因此,借助于人工智能技术,通过在软件上进行改进,发挥机器学习优势,将成为更为合理且更有效的选择。
目前数据中心主要能耗来源于制冷设备与IT设备,通过对制冷群控的能耗进行优化,将大大降低数据中心的能耗,然而,现有基于制冷群控的能耗优化方法的能耗降低效果较差,制冷参数的设置主要以人为设置,导致制冷设备的工作效率较低。因此,现在亟需一种用于数据中心制冷群控的能耗优化方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种用于数据中心制冷群控的能耗优化方法及系统。
第一方面。本发明实施例提供了一种用于数据中心制冷群控的能耗优化方法,包括:
获取数据中心的第一制冷群控监控指标运行状态数据,所述第一制冷群控监控指标运行状态数据为当前时刻之前的制冷群控监控指标运行状态历史数据;
通过制冷群控监控指标预测模型和所述第一制冷群控监控指标运行状态数据,预测得到第二制冷群控监控指标运行状态数据,所述第二制冷群控监控指标运行状态数据为当前时刻之后的制冷群控监控指标运行状态预测数据;
基于制冷群控能耗优化模型,根据所述第二制冷群控监控指标运行状态数据,获取得到所述数据中心的最优制冷参数值,以根据所述最优制冷参数值对所述数据中心的制冷设备进行设置。
进一步地,所述通过制冷群控监控指标预测模型和所述第一制冷群控监控指标运行状态数据,预测得到第二制冷群控监控指标运行状态数据,包括:
基于时间序列,对第一制冷群控监控指标运行状态数据进行排序,形成时序数据,以用于构建所述第一制冷群控监控指标运行状态数据的时序数列;
对所述第一制冷群控监控指标运行状态数据的时序数列进行归一化处理,得到归一化后的时序数列;
将所述归一化后的时序数列中的指标时序数据输入到制冷群控监控指标预测模型,预测得到第二制冷群控监控指标运行状态数据。
进一步地,在所述获取数据中心的第一制冷群控监控指标运行状态数据之后,所述方法还包括:
基于格拉布斯准则,对第一制冷群控监控指标运行状态数据中的异常数据进行剔除,得到第三制冷群控监控指标运行状态数据;
通过牛顿插值法,对所述第三制冷群控监控指标运行状态数据中的缺失值进行填充,并对填充后的第三制冷群控监控指标运行状态数据进行数据对齐处理,得到第四制冷群控监控指标运行状态数据;
通过制冷群控监控指标预测模型和所述第四制冷群控监控指标运行状态数据,预测得到第二制冷群控监控指标运行状态数据。
进一步地,所述制冷群控监控指标预测模型是由小波神经网络模型构建得到的,所述小波神经网络模型的隐藏层的节点数通过以下公式得到:
M=log2L;
其中,M表示隐藏层的节点数,L表示网络输入层的节点数;
所述小波神经网络模型中各层网络的传递函数具体为:隐藏层将Mexican Hat小波作为小波基函数,输出层采用线性函数。
进一步地,所述制冷群控能耗优化模型是由BP神经网络模型和粒子群优化算法,通过制冷群控监控指标运行状态历史数据和制冷参数历史数据训练得到的,其中,所述制冷参数至少包括冷冻水设定温度、冷却水设定温度和空调设定温湿度。
进一步地,所述第一制冷群控监控指标运行状态数据至少包括:IT设备功率、机柜温湿度和室外温度。
第二方面,本发明实施例提供了一种用于数据中心制冷群控的能耗优化系统,包括:
运行状态数据获取模块,用于获取数据中心的第一制冷群控监控指标运行状态数据,所述第一制冷群控监控指标运行状态数据为当前时刻之前的制冷群控监控指标运行状态历史数据;
运行状态数据预测模块,用于通过制冷群控监控指标预测模型和所述第一制冷群控监控指标运行状态数据,预测得到第二制冷群控监控指标运行状态数据,所述第二制冷群控监控指标运行状态数据为当前时刻之后的制冷群控监控指标运行状态预测数据;
制冷参数优化模块,用于基于制冷群控能耗优化模型,根据所述第二制冷群控监控指标运行状态数据,获取得到所述数据中心的最优制冷参数值,以根据所述最优制冷参数值对所述数据中心的制冷设备进行设置。
进一步地,所述系统还包括:
推送模块,用于基于SocketIO的推送技术,将所述最优制冷参数值进行实时推送;
分析模块,用于对制冷群控监控指标运行状态实时数据、制冷群控监控指标运行状态历史数据、制冷群控监控指标运行状态预测数据和最优制冷参数进行分析。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种用于数据中心制冷群控的能耗优化方法及系统,通过预测未来一段时间的制冷群控监控指标运行状态数据,并根据该预测得到的指标运行状态数据,获取数据中心的最优制冷参数值,以根据最优制冷参数值对数据中心的制冷设备进行设置,从而减少数据中心制冷群控的能耗,提高制冷设备的工作效率。
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做简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明实施例提供的用于数据中心制冷群控的能耗优化方法的流程示意图;
图2为本发明实施例提供的制冷群控能耗优化模型的流程示意图;
图3为本发明实施例提供的用于数据中心制冷群控的能耗优化系统的结构示意图;
图4为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
数据中心主要能耗来源于制冷设备与IT设备,因此通过对制冷群控的能耗进行优化,将大大降低数据中心的能耗。本发明实施例在保证提供数据中心的设备安全运行环境条件下,通过基于深度神经网络与粒子群优化算法相结合的方法,获取最优制冷参数值,使数据中心制冷群控的能耗尽可能减少,进而达到“节能减排”。
图1为本发明实施例提供的用于数据中心制冷群控的能耗优化方法的流程示意图,如图1所示,本发明实施例提供了一种用于数据中心制冷群控的能耗优化方法,包括:
步骤101,获取数据中心的第一制冷群控监控指标运行状态数据,所述第一制冷群控监控指标运行状态数据为当前时刻之前的制冷群控监控指标运行状态历史数据。
在本发明实施例中,获取数据中心在当前时刻之前的制冷群控监控指标运行状态历史数据,即第一制冷群控监控指标运行状态数据。优选地,在本发明实施例中,根据源数据平台提供的数据获取方式,编写特定脚本,可自动化从源平台中获取第一制冷群控监控指标运行状态数据。
步骤102,通过制冷群控监控指标预测模型和所述第一制冷群控监控指标运行状态数据,预测得到第二制冷群控监控指标运行状态数据,所述第二制冷群控监控指标运行状态数据为当前时刻之后的制冷群控监控指标运行状态预测数据。
步骤103,基于制冷群控能耗优化模型,根据所述第二制冷群控监控指标运行状态数据,获取得到所述数据中心的最优制冷参数值,以根据所述最优制冷参数值对所述数据中心的制冷设备进行设置。
本发明实施例提供的一种用于数据中心制冷群控的能耗优化方法,通过预测未来一段时间的制冷群控监控指标运行状态数据,并根据该预测得到的指标运行状态数据,获取数据中心的最优制冷参数值,以根据最优制冷参数值对数据中心的制冷设备进行设置,从而减少数据中心制冷群控的能耗,提高制冷设备的工作效率。
在上述实施例的基础上,所述通过制冷群控监控指标预测模型和所述第一制冷群控监控指标运行状态数据,预测得到第二制冷群控监控指标运行状态数据,包括:
基于时间序列,对第一制冷群控监控指标运行状态数据进行排序,形成时序数据,以用于构建所述第一制冷群控监控指标运行状态数据的时序数列;
对所述第一制冷群控监控指标运行状态数据的时序数列进行归一化处理,得到归一化后的时序数列;
将所述归一化后的数据数列中的指标时序数据输入到制冷群控监控指标预测模型,预测得到第二制冷群控监控指标运行状态数据。
在本发明实施例中,对第一制冷群控监控指标运行状态数据中的某一个指标j,取当前时刻的前n个时间点的监测数据,形成一维时序数列:
[xj,0,xj,1,…,xj,n];
并对该一维时序数列进行归一化处理,以使得数值映射于[0,1]区间,从而得到第一制冷群控监控指标运行状态数据的时序数列,其中,xj,n表示当前时刻之前第n个时间点的指标j的监测数据。
进一步地,将上述时序数列中的指标时序数据输入到制冷群控监控指标预测模型,预测得到未来T时刻时的制冷群控监控指标运行状态预测数据,即第二制冷群控监控指标运行状态数据。在本发明实施例中,所述制冷群控监控指标预测模型是由小波神经网络模型构建得到的,在构建该制冷群控监控指标预测模型时,采用的制冷群控监控指标为IT设备功率、机柜温湿度和室外温度,所述小波神经网络模型的隐藏层的节点数通过以下公式得到:
M=log2L;
其中,M表示隐藏层的节点数,L表示网络输入层的节点数;
所述小波神经网络模型中各层网络的传递函数具体为:隐藏层将Mexican Hat小波作为小波基函数,输出层采用线性函数。
在本发明实施例中,小波神经网络的输入层神经元数由输入数据特征向量的维数决定,输出层神经元数由网络预测特征维度决定,而隐藏层神经元数则利用公式M=log2L确定其节点数M;对于小波神经网络中各层网络的传递函数,隐藏层采用Mexican Hat小波作为小波基函数,输出层则采用线性函数。
具体地,在本发明实施例中,网络隐藏层的输出值计算公式为:
其中,si表示隐藏层第i个节点输出值,表示Mexican Hat小波,ωij表示输入层到隐藏层的连接权值,αj表示小波基函数的时移因子,εi表示小波基函数的频率因子,j表示输入层的第j个节点,L表示网络输入层的节点数。输出层的输出值计算公式为:
其中,yk表示输出层第k个节点输出值,ωik表示隐藏层到输出层的连接权值,si表示隐藏层的输出值。
本发明实施例利用小波神经网络对制冷群控监控指标进行预测,可以更好地模拟异方差性,即具有高波动性和不稳定方差的数据,由于小波神经网络具有学习数据中隐藏关系的能力,而不在数据中强加任何固定关系,因此具有很好的适应性。
在上述实施例的基础上,在所述获取数据中心的第一制冷群控监控指标运行状态数据之后,所述方法还包括:
基于格拉布斯准则,对第一制冷群控监控指标运行状态数据中的异常数据进行剔除,得到第三制冷群控监控指标运行状态数据;
通过牛顿插值法,对所述第三制冷群控监控指标运行状态数据中的缺失值进行填充,并对填充后的第三制冷群控监控指标运行状态数据进行数据对齐处理,以保证在每一个时间点上都存在数据,即设置时序数据的时间粒度为Δt,使每间隔Δt的时间点上都有对应数值,从而得到第四制冷群控监控指标运行状态数据;
通过制冷群控监控指标预测模型和所述第四制冷群控监控指标运行状态数据,预测得到第二制冷群控监控指标运行状态数据。
本发明实施例中通过对监测数据进行清洗和插值处理,保证了数据的可靠性与有效性,为模型的分析计算提供高质量数据,以提升模型的准确性。
在上述实施例的基础上,所述制冷群控能耗优化模型是由BP神经网络模型和粒子群优化算法,通过制冷群控监控指标运行状态历史数据和制冷参数历史数据训练得到的,其中,所述制冷参数至少包括冷冻水设定温度、冷却水设定温度和空调设定温湿度。
在本发明实施例中,首先基于BP神经网络,构建关于IT设备功率、机柜温湿度、室外温度及制冷参数(将制冷群控监控指标运行状态历史数据和制冷参数历史数据作为训练样本输入到模型中进行训练)的能耗综合模型;然后,结合粒子群优化算法,构建制冷群控能耗优化模型。具体地,图2为本发明实施例提供的制冷群控能耗优化模型的流程示意图,可参考图2所示,在本发明实施例中,首先,使用粒子群优化算法训练能耗综合模型,确定神经网络拓扑结构与制冷参数值;然后,对能耗综合模型计算得到的能耗值,进行粒子适应度计算,进而决定是否调整神经网络拓扑结构与制冷参数值,若不满足预设条件,则调整速度和位置,并重复执行操作;若满足预设条件,则输出最优制冷参数值,可以理解的是,本发明实施例得到的最优制冷参数包括冷冻水设定温度、冷却水设定温度和空调设定温湿度。
本发明实施例将BP神经网络和粒子群优化算法进行结合,求解最优制冷参数值,尽可能避免陷入局部最优以最大化,使得得到的解为全局最优,实现能耗降低,并且,通过自动化选取的方式确定最优制冷参数值,提高了工作效率。
在上述实施例的基础上,所述第一制冷群控监控指标运行状态数据至少包括:IT设备功率、机柜温湿度和室外温度。可以理解的是,上述各实施例中的第一制冷群控监控指标运行状态数据、第二制冷群控监控指标运行状态数据、第三制冷群控监控指标运行状态数据、第四制冷群控监控指标运行状态数据和制冷群控监控指标运行状态历史数据所包含的数据均包括IT设备功率、机柜温湿度和室外温度。
图3为本发明实施例提供的用于数据中心制冷群控的能耗优化系统的结构示意图,如图3所示,本发明实施例提供了一种用于数据中心制冷群控的能耗优化系统,包括运行状态数据获取模块301、运行状态数据预测模块302和制冷参数优化模块303,其中,运行状态数据获取模块301用于获取数据中心的第一制冷群控监控指标运行状态数据,所述第一制冷群控监控指标运行状态数据为当前时刻之前的制冷群控监控指标运行状态历史数据;运行状态数据预测模块302用于通过制冷群控监控指标预测模型和所述第一制冷群控监控指标运行状态数据,预测得到第二制冷群控监控指标运行状态数据,所述第二制冷群控监控指标运行状态数据为当前时刻之后的制冷群控监控指标运行状态预测数据;制冷参数优化模块303用于基于制冷群控能耗优化模型,根据所述第二制冷群控监控指标运行状态数据,获取得到所述数据中心的最优制冷参数值,以根据所述最优制冷参数值对所述数据中心的制冷设备进行设置。在本发明实施例中,可采用由React+Django+MySQL等组合的技术架构,搭建用于数据中心制冷群控的能耗优化系统。
本发明实施例提供的一种用于数据中心制冷群控的能耗优化系统,通过预测未来一段时间的制冷群控监控指标运行状态数据,并根据该预测得到的指标运行状态数据,获取数据中心的最优制冷参数值,以根据最优制冷参数值对数据中心的制冷设备进行设置,从而减少数据中心制冷群控的能耗,提高制冷设备的工作效率。
在上述实施例的基础上,所述系统还包括推送模块和分析模块,其中,推送模块用于基于SocketIO的推送技术,将所述最优制冷参数值进行实时推送;分析模块用于对制冷群控监控指标运行状态实时数据、制冷群控监控指标运行状态历史数据、制冷群控监控指标运行状态预测数据和最优制冷参数进行分析。具体地,在本发明实施例中,分析模块包括时序分析单元、预测分析单元和制冷参数分析单元,其中,时序分析单元用于对制冷群控监控指标运行状态实时数据和制冷群控监控指标运行状态历史数据进行时序分析,预测分析单元用于对制冷群控监控指标运行状态预测数据进行分析,制冷参数分析单元用于对最优制冷参数进行分析。
本发明实施例提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图4为本发明实施例提供的电子设备结构示意图,参照图4,该电子设备可以包括:处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令,以执行如下方法:获取数据中心的第一制冷群控监控指标运行状态数据,所述第一制冷群控监控指标运行状态数据为当前时刻之前的制冷群控监控指标运行状态历史数据;通过制冷群控监控指标预测模型和所述第一制冷群控监控指标运行状态数据,预测得到第二制冷群控监控指标运行状态数据,所述第二制冷群控监控指标运行状态数据为当前时刻之后的制冷群控监控指标运行状态预测数据;基于制冷群控能耗优化模型,根据所述第二制冷群控监控指标运行状态数据,获取得到所述数据中心的最优制冷参数值,以根据所述最优制冷参数值对所述数据中心的制冷设备进行设置。
此外,上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的用于数据中心制冷群控的能耗优化方法,例如包括:获取数据中心的第一制冷群控监控指标运行状态数据,所述第一制冷群控监控指标运行状态数据为当前时刻之前的制冷群控监控指标运行状态历史数据;通过制冷群控监控指标预测模型和所述第一制冷群控监控指标运行状态数据,预测得到第二制冷群控监控指标运行状态数据,所述第二制冷群控监控指标运行状态数据为当前时刻之后的制冷群控监控指标运行状态预测数据;基于制冷群控能耗优化模型,根据所述第二制冷群控监控指标运行状态数据,获取得到所述数据中心的最优制冷参数值,以根据所述最优制冷参数值对所述数据中心的制冷设备进行设置。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种用于数据中心制冷群控的能耗优化方法,其特征在于,包括:
获取数据中心的第一制冷群控监控指标运行状态数据,所述第一制冷群控监控指标运行状态数据为当前时刻之前的制冷群控监控指标运行状态历史数据;
通过制冷群控监控指标预测模型和所述第一制冷群控监控指标运行状态数据,预测得到第二制冷群控监控指标运行状态数据,所述第二制冷群控监控指标运行状态数据为当前时刻之后的制冷群控监控指标运行状态预测数据;
基于制冷群控能耗优化模型,根据所述第二制冷群控监控指标运行状态数据,获取得到所述数据中心的最优制冷参数值,以根据所述最优制冷参数值对所述数据中心的制冷设备进行设置。
2.根据权利要求1所述的用于数据中心制冷群控的能耗优化方法,其特征在于,所述通过制冷群控监控指标预测模型和所述第一制冷群控监控指标运行状态数据,预测得到第二制冷群控监控指标运行状态数据,包括:
基于时间序列,对第一制冷群控监控指标运行状态数据进行排序,形成时序数据,以用于构建所述第一制冷群控监控指标运行状态数据的时序数列;
对所述第一制冷群控监控指标运行状态数据的时序数列进行归一化处理,得到归一化后的时序数列;
将所述归一化后的时序数列中的指标时序数据输入到制冷群控监控指标预测模型,预测得到第二制冷群控监控指标运行状态数据。
3.根据权利要求1所述的用于数据中心制冷群控的能耗优化方法,其特征在于,在所述获取数据中心的第一制冷群控监控指标运行状态数据之后,所述方法还包括:
基于格拉布斯准则,对第一制冷群控监控指标运行状态数据中的异常数据进行剔除,得到第三制冷群控监控指标运行状态数据;
通过牛顿插值法,对所述第三制冷群控监控指标运行状态数据中的缺失值进行填充,并对填充后的第三制冷群控监控指标运行状态数据进行数据对齐处理,得到第四制冷群控监控指标运行状态数据;
通过制冷群控监控指标预测模型和所述第四制冷群控监控指标运行状态数据,预测得到第二制冷群控监控指标运行状态数据。
4.根据权利要求1所述的用于数据中心制冷群控的能耗优化方法,其特征在于,所述制冷群控监控指标预测模型是由小波神经网络模型构建得到的,所述小波神经网络模型的隐藏层的节点数通过以下公式得到:
M=log2L;
其中,M表示隐藏层的节点数,L表示网络输入层的节点数;
所述小波神经网络模型中各层网络的传递函数具体为:隐藏层将Mexican Hat小波作为小波基函数,输出层采用线性函数。
5.根据权利要求1所述的用于数据中心制冷群控的能耗优化方法,其特征在于,所述制冷群控能耗优化模型是由BP神经网络模型和粒子群优化算法,通过制冷群控监控指标运行状态历史数据和制冷参数历史数据训练得到的,其中,所述制冷参数至少包括冷冻水设定温度、冷却水设定温度和空调设定温湿度。
6.根据权利要求1所述的用于数据中心制冷群控的能耗优化方法,其特征在于,所述第一制冷群控监控指标运行状态数据至少包括:IT设备功率、机柜温湿度和室外温度。
7.一种用于数据中心制冷群控的能耗优化系统,其特征在于,包括:
运行状态数据获取模块,用于获取数据中心的第一制冷群控监控指标运行状态数据,所述第一制冷群控监控指标运行状态数据为当前时刻之前的制冷群控监控指标运行状态历史数据;
运行状态数据预测模块,用于通过制冷群控监控指标预测模型和所述第一制冷群控监控指标运行状态数据,预测得到第二制冷群控监控指标运行状态数据,所述第二制冷群控监控指标运行状态数据为当前时刻之后的制冷群控监控指标运行状态预测数据;
制冷参数优化模块,用于基于制冷群控能耗优化模型,根据所述第二制冷群控监控指标运行状态数据,获取得到所述数据中心的最优制冷参数值,以根据所述最优制冷参数值对所述数据中心的制冷设备进行设置。
8.根据权利要求7所述的用于数据中心制冷群控的能耗优化系统,其特征在于,所述系统还包括:
推送模块,用于基于SocketIO的推送技术,将所述最优制冷参数值进行实时推送;
分析模块,用于对制冷群控监控指标运行状态实时数据、制冷群控监控指标运行状态历史数据、制冷群控监控指标运行状态预测数据和最优制冷参数进行分析。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述用于数据中心制冷群控的能耗优化方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述用于数据中心制冷群控的能耗优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010208933.5A CN111445065A (zh) | 2020-03-23 | 2020-03-23 | 用于数据中心制冷群控的能耗优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010208933.5A CN111445065A (zh) | 2020-03-23 | 2020-03-23 | 用于数据中心制冷群控的能耗优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111445065A true CN111445065A (zh) | 2020-07-24 |
Family
ID=71653511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010208933.5A Pending CN111445065A (zh) | 2020-03-23 | 2020-03-23 | 用于数据中心制冷群控的能耗优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445065A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112130492A (zh) * | 2020-09-17 | 2020-12-25 | 东南大学 | 一种适用于大数据中心的电力能效管理系统及控制方法 |
CN112991331A (zh) * | 2021-04-19 | 2021-06-18 | 广州大一互联网络科技有限公司 | 一种使用绝缘冷却液的数据中心的运维方法和装置 |
CN113778215A (zh) * | 2021-04-28 | 2021-12-10 | 龙坤(无锡)智慧科技有限公司 | 基于大数据实现数据中心pue预测以及降耗策略的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102980272A (zh) * | 2012-12-08 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于负荷预测的空调系统节能优化方法 |
CN104633829A (zh) * | 2013-11-06 | 2015-05-20 | 上海思控电气设备有限公司 | 楼宇冷冻站节能控制装置及方法 |
US20170329323A1 (en) * | 2016-05-10 | 2017-11-16 | Conectric, Llc | Method and system for prioritizing control strategies minimizing real time energy consumption of built environment |
CN109711614A (zh) * | 2018-12-24 | 2019-05-03 | 新奥数能科技有限公司 | 一种分布式能源站的动态优化运行控制方法及系统 |
CN109959123A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法 |
US10558937B1 (en) * | 2019-04-22 | 2020-02-11 | Lineage Logistics Llc | Scheduled thermal control system |
-
2020
- 2020-03-23 CN CN202010208933.5A patent/CN111445065A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102980272A (zh) * | 2012-12-08 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于负荷预测的空调系统节能优化方法 |
CN104633829A (zh) * | 2013-11-06 | 2015-05-20 | 上海思控电气设备有限公司 | 楼宇冷冻站节能控制装置及方法 |
US20170329323A1 (en) * | 2016-05-10 | 2017-11-16 | Conectric, Llc | Method and system for prioritizing control strategies minimizing real time energy consumption of built environment |
CN109711614A (zh) * | 2018-12-24 | 2019-05-03 | 新奥数能科技有限公司 | 一种分布式能源站的动态优化运行控制方法及系统 |
CN109959123A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法 |
US10558937B1 (en) * | 2019-04-22 | 2020-02-11 | Lineage Logistics Llc | Scheduled thermal control system |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112130492A (zh) * | 2020-09-17 | 2020-12-25 | 东南大学 | 一种适用于大数据中心的电力能效管理系统及控制方法 |
CN112991331A (zh) * | 2021-04-19 | 2021-06-18 | 广州大一互联网络科技有限公司 | 一种使用绝缘冷却液的数据中心的运维方法和装置 |
CN112991331B (zh) * | 2021-04-19 | 2021-10-26 | 广州大一互联网络科技有限公司 | 一种使用绝缘冷却液的数据中心的运维方法和装置 |
CN113778215A (zh) * | 2021-04-28 | 2021-12-10 | 龙坤(无锡)智慧科技有限公司 | 基于大数据实现数据中心pue预测以及降耗策略的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445065A (zh) | 用于数据中心制冷群控的能耗优化方法及系统 | |
CN112329948B (zh) | 一种多智能体策略预测方法及装置 | |
CN112052948B (zh) | 一种网络模型压缩方法、装置、存储介质和电子设备 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN102624865A (zh) | 集群负载预测方法及分布式集群管理系统 | |
CN106529732A (zh) | 基于神经网络与随机前沿分析的碳排放效率预测方法 | |
CN112329997A (zh) | 电力需求负荷预测方法及系统、电子设备和存储介质 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
Sun et al. | Edge computing terminal equipment planning method for real-time online monitoring service of power grid | |
CN109214610B (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN111062511A (zh) | 基于决策树与神经网络的水产养殖病害预测方法及系统 | |
CN117252436B (zh) | 一种土地利用变化生态风险分区的方法和系统 | |
CN114065634A (zh) | 一种数据驱动的电能质量监测布点优化方法及装置 | |
WO2024016586A1 (zh) | 机房温度控制方法及装置、电子设备、存储介质 | |
CN116706992A (zh) | 一种分布式光伏集群的自适应功率预测方法、装置和设备 | |
CN115185804A (zh) | 服务器性能预测方法、系统、终端及存储介质 | |
Chen et al. | Accounting information disclosure and financial crisis beforehand warning based on the artificial neural network | |
CN113408895A (zh) | 基于像元尺度的生态质量指数构建方法及系统 | |
CN111340648A (zh) | 一种基于物联网的能源管控方法及系统 | |
CN112446593A (zh) | 一种lstm神经网络的短期负荷预测方法及系统 | |
CN111046321A (zh) | 光伏电站运维策略优化方法和装置 | |
CN114650190B (zh) | 数据中心网络的节能方法、系统、终端设备及存储介质 | |
Xue et al. | Design and development of dissolved oxygen real-time prediction and early warning system for brocaded carp aquaculture | |
CN117808272B (zh) | 一种基于机器学习的工业系统产能优化与调度方法和系统 | |
Ji et al. | An Active Learning based Latency Prediction Approach for Neural Network Architecture |
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: 20200724 |
|
RJ01 | Rejection of invention patent application after publication |