CN112822903B - 一种基于人工智能的数据中心制冷方法和系统 - Google Patents

Abstract

本发明公开一种基于人工智能的数据中心制冷的方法及系统，所述方法包括：当机柜处于预设的制冷时段时，采集数据中心的室内外环境数据、以及所述机柜内服务器的硬件参数和功耗数据，其中，所述制冷时段根据采集所述机柜内服务器的历史功耗数据和历史温度数据进行预先确定；基于人工智能模型，根据所述硬件参数和所述功耗数据，确定所述机柜内温度；基于人工智能模型，根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温的制冷方式；以确定出的制冷水温，控制空调在所述制冷时段内对所述机柜内进行制冷。

Description

一种基于人工智能的数据中心制冷方法和系统

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于人工智能的数据中心制冷方法和系统。

背景技术

随着各类业务的发展，数据中心的规模被不断扩大，比如各大电商、各大银行、均会建立并扩充庞大的数据中心，以满足自身的业务需求。然而，数据中心在运行过程中，除了用于处理数据的服务器消耗资源外，为支持数据中心运行的制冷、照明等配套设施也需要消耗大量的能源。

目前用于评价数据中心能源效率的指标可以有PUE(Power UsageEffectiveness)，他可以是数据中心消耗的所有能源与IT负载使用的能源之比，理想的状态是全部能源均用于IT负载使用。但在实际应用中，为维持服务器的正常运转，针对服务器的制冷功能通常会消耗大量的能源，这就导致PUE值高于1，甚至达到2。所以对于数据中心而言，降低PUE值成为一个重要目标。此时，就需要提供一种方案，能够降低冷却功能的资源消耗，从整体降低PUE值，从而提高数据中心能源效率。

发明内容

本发明实施例提供一种基于人工智能的数据中心制冷方法和系统，用于在一定程度上降低制冷功能的资源消耗，并从整体上降低PUE值，提高数据中心的能源效率。

为解决上述技术问题，本发明实施例是这样实现的：

本发明实施例采用下述技术方案：

一种基于人工智能的数据中心制冷方法，包括：

当机柜处于预设的制冷时段时，采集数据中心的室内外环境数据、以及所述机柜内服务器的硬件参数和功耗数据，其中，所述制冷时段根据采集所述机柜内服务器的历史功耗数据和历史温度数据进行预先确定；

基于人工智能模型，根据所述硬件参数和所述功耗数据，确定所述机柜内温度；

基于人工智能模型，根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温的制冷方式；

以确定出的制冷水温，控制空调在所述制冷时段内对所述机柜内进行制冷。

一种基于人工智能的数据中心制冷的系统，包括：数据采集单元、机柜温度确定单元、制冷方式确定单元、以及制冷执行单元，其中，

所述数据采集单元，用于当机柜处于预设的制冷时段时，采集数据中心的室内外环境数据、以及所述机柜内服务器的硬件参数和功耗数据，其中，所述制冷时段根据采集所述机柜内服务器的历史功耗数据和历史温度数据进行预先确定；

所述机柜温度确定单元，用于基于人工智能模型，根据所述硬件参数和所述功耗数据，确定所述机柜内温度；

所述制冷方式确定单元，用于基于人工智能模型，根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温的制冷方式；

所述制冷执行单元，用于以确定出的制冷水温，控制空调在所述制冷时段内对所述机柜内进行制冷。

一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

当机柜处于预设的制冷时段时，采集数据中心的室内外环境数据、以及所述机柜内服务器的硬件参数和功耗数据，其中，所述制冷时段根据采集所述机柜内服务器的历史功耗数据和历史温度数据进行预先确定；

基于人工智能模型，根据所述硬件参数和所述功耗数据，确定所述机柜内温度；

基于人工智能模型，根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温的制冷方式；

以确定出的制冷水温，控制空调在所述制冷时段内对所述机柜内进行制冷。

一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

当机柜处于预设的制冷时段时，采集数据中心的室内外环境数据、以及所述机柜内服务器的硬件参数和功耗数据，其中，所述制冷时段根据采集所述机柜内服务器的历史功耗数据和历史温度数据进行预先确定；

基于人工智能模型，根据所述硬件参数和所述功耗数据，确定所述机柜内温度；

基于人工智能模型，根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温的制冷方式；

以确定出的制冷水温，控制空调在所述制冷时段内对所述机柜内进行制冷。

由以上实施例提供的技术方案可见，可以预先采集机柜内服务器的历史功耗数据和历史温度数据来确定需要进行制冷的时段。当数据中心内的机柜处于制冷时段时，可以采集室内外环境数据，以及该机柜的硬件参数和功耗数据；此后基于预先训练的人工智能模型，根据硬件参数和功耗数据，确定出机柜内温度，并结合室内外环境数据、以及制冷时段，确定出包含制冷水温的制冷方式。据此，则可以根据确定出的制冷水温，控制空调在该制冷时段内对该机柜内进行制冷。

也即，在对机柜内服务器进行制冷时，考虑到需要制冷的时段、并结合基于人工智能确定出较为合理的制冷方式，从而尽可能地实现按需制冷，进而可以在一定程度上降低制冷功能的资源消耗，并从整体上降低PUE值，提高数据中心的能源效率。

附图说明

为了更清楚地说明本发明实施例或现有的技术方案，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性的前提下，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基于人工智能的数据中心制冷方法的流程示意图；

图2为本发明实施例提供的数据中心示意图；

图3为本发明实施例提供的数据中心示意图；

图4为本发明实施例提供的基于人工智能的数据中心制冷方法的意图；

图5为本发明实施例提供的基于人工智能的数据中心制冷系统的结构示意图；

图6为本发明实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例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。

以下结合附图，详细说明本发明中各实施例提供的技术方案。

实施例1

本实施例提供一种基于人工智能的数据中心制冷方法，可以在一定程度上降低制冷功能的资源消耗，并从整体上降低PUE值，提高数据中心的能源效率。本方法的具体流程示意图如图1所示，包括：

步骤102：当机柜处于预设的制冷时段时，采集数据中心的室内外环境数据、以及机柜内服务器的硬件参数和功耗数据。

为满足自身的业务需求，可以在数据中心架设多组机柜，而每组机柜内通常会有多个服务器。比如如图2所示，为数据中心的示意图，图中可以有多组机柜，机柜A、机柜B、以及机柜C，每组机柜内可以有多个服务器，比如图中每组机柜内可以有7个服务器。

在实际的运行过程中，服务器通常会在忙时和闲时之间交替，比如针对某个购物应用的服务器，0:00-19:00为闲时，对应负载较低、而19:00-0:00为忙时，对应负载较高。所以本步骤便可以预先采集机柜内服务器的历史功耗数据、和历史温度数据，从而确定出机柜内服务器的忙时和闲时，进而确定出需要对机柜内进行制冷的时段。

具体地，服务器的功耗数据可以通过服务器内置的传感器进行采集，或可以通过外接功率计量表的方式采集；温度数据也可以通过内置的传感器进行采集，或可以通过人工测量的方式采集，比如可以测量服务器电源出风口温度、或服务器散热口温度等，对于采集的周期，可以是以周、月、季度、年为单位，从而可以得到功耗较高的时段，进而确定出需要进行制冷的时段。

在实际应用中，也可以记录每日的数据，而不断优化出较为准确的制冷时段。具体比如，针对某个应用程序的服务器，监测一个月内每组机柜内服务器的功耗和温度数据，生成每日的时间、功耗、温度曲线，从而确定出需要制冷的时段。也即，本步骤中的制冷时段可以根据采集机柜内服务器的历史功耗数据和历史温度数据进行预先确定。

而为了能够在服务器运行过程中尽可能的实现按需制冷，那么较为准确地确定出机柜内温度则是非常重要的，所以在本方法中，就可以通过收集服务器功耗数据和机柜内的温度数据，建立服务器功耗和机柜内温度的对应关系，从而可以在运行时，通过获取到的服务器数据，较为准确地确定出机柜内温度。为了实现这一目的，本步骤则可以采集机柜内服务器的硬件参数和功耗数据，以便后续确定机柜内的温度。

而在实际应用中，室内外环境数据，往往直接影响对机柜的制冷温度，比如在冬季，室内外温差较大，热交换较为频繁，所以就可以使用较高的制冷温度。但在夏季、尤其是中午时间段，室内外温差较小，有时室外温度还要更高，所以就需要较低的制冷温度对机柜内进行制冷。所以本步骤还可以采集室内外环境数据。这里的环境数据可以包括多种影响制冷的因素，比如温度、湿度、季节、天气、时段、风速、风向，等。

步骤104：基于人工智能模型，根据采集到的硬件参数和功耗数据，确定机柜内温度。

在前文已经介绍，可以建立服务器功耗和机柜内温度的对应关系。那么实际应用中，则可以在服务器运行过程中，采集服务器的硬件参数、功耗数据、以及机柜内温度，将这些数据作为数据样本进行输入，训练预先构建的人工智能模型，使训练后的人工智能模型可以具有根据硬件参数和功耗数据，确定出机柜内的温度的能力。

对于硬件参数，可以包括服务器品牌、中央处理器品牌、处理器操作系统等；对于功耗数据，可以包括功耗值、负载数据、输入输出数据，等。

而对于机柜内温度，可以通过人工采集的方式获取到。比如，如图2中的服务器，可以有两个温度，散热口出风温度、以及电源风扇出风温度，而通常情况下电源风扇出风口温度较高，也即影响机柜内温度的主要因素可以是电源风扇出风口温度。所以便可以将电源风扇出风口温度，作为机柜内温度，也可以以电源风扇出风口温度为基础进行修正，作为机柜内温度。具体地，由于机柜内每台服务器的硬件参数不尽相同，且在同一时刻的功耗数据也不尽相同，此时可以先通过人工智能模型，创建硬件参数、功耗数据、与电源风扇出风口温度之间的对应关系，而将各台服务器的平均电源风扇出风口温度，作为机柜温度。在根据采集到的硬件参数和功耗数据，确定机柜内温度时，便可以先根据每台服务器的硬件参数和功耗数据，确定每台服务器的电源风扇出风口温度，在多台服务器的电源风扇出风口温度平均值，或取最大值，作为机柜内温度。

而在实际应用中，也可以结合对机柜内温度的测量结果，综合确定出机柜内温度(比如取平均的方式、或取最大的方式等)，以使训练人工智能模型的样本数据更加真实。当然实际应用中，也可以有其他的确定机柜内温度的方式。

而在实际应用中，为了能够更加准确地确定出机柜内温度，尽可能实现按需制冷，还可以在构建人工智能模型时，设置更多的维度。比如可以设置机柜内外换热系数、机柜内外热传导系数、机柜通风率、机柜通风面积、机柜通风高度，等机柜散热参数；还可以设置气流方向、空气密度、空气湿度等空气散热参数。则在训练人工智能模型时，便可以利用这数据，对人工智能模型进行多维度训练，使得训练后的模型，可以根据上述多个维度，确定出机柜内温度。

在实际应用中，服务器的摆放通常是有固定的前后顺序，如图2所示，为机柜的后视图，也即图2中所示为服务器的后面，一般地，由于服务器内的散热器，是将产生的热量向后排，从而将热量排出机柜，所以机柜内的进出口温度通常不同，且一般情况下，出口温度要比进口温度要高。所以在一种实施方式中，为了能够更加准确地确定出机柜内进出口温度，基于人工智能模型，根据采集到的硬件参数和功耗数据，确定机柜内温度，可以包括：基于人工智能模型，根据采集到的硬件参数和功耗数据，确定机柜内的进出口温度。

具体地，在上文介绍，训练人工智能模型时，可以将机柜内温度作为数据样本进行输入，那么为了能够使模型具有确定机柜内进出口温度的能力，可以通过人工的方式、或预置温度传感器的方式，采集服务器在运行时，机柜内的进出口温度，再作为数据样本对模型进行训练。比如，可以将机柜内的每台服务器对应的硬件参数、功耗数据、测量得到的电源风扇出风口温度、测量得到的机柜进出口温度、以及机柜的散热参数、空气散热参数等一并作为样本数据输入至人工智能模型，使其具有根据硬件参数、功耗数据、机柜的散热参数、等空气散热参数，确定出机柜进出口温度的能力。

步骤106：基于人工智能模型，根据采集到的室内外环境数据、机柜内温度、以及该制冷时段，确定包含制冷水温的制冷方式。

在前述步骤中，已经得到了机柜内温度，则本步骤便可以根据室内外环境数据、机柜内温度、以及预先确定的制冷时段，确定对应的制冷方式。具体地，机柜内会直接与室内进行热交换、而室内会直接与室外进行交换，所以室内外环境和机柜内温度可以直接影响制冷方式。正如前文举例，若室内外温差较大，则无需使用较低的制冷温度，若室内外温差较小，则需要较低的制冷温度对机柜内进行制冷。

所以在实际应用中，可以采集大量的制冷数据，对人工智能模型进行训练，使模型在得到室内外环境数据、和机柜内温度、制冷时段时，可以确定出较为合理的制冷方式。进一步地，可以采集在不同的室内外环境数据、和不同的需要制冷的机柜温度下，以不同制冷水温制冷不同时长的数据，或模拟出各种不同的制冷数据，可以以正负样本的方式，将这些数据作为数据样本，训练预先构建的人工智能模型。从而使得人工智能模型，可以确定出在相对固定的制冷时段内，以何种水温进行制冷。

在前文已经介绍，为更加准确地确定出机柜内温度，可以在构建人工智能模型时设置更多的维度，所以为了使模型能够确定出更加合理的制冷方式，也可以将采集到的如上文所述的机柜的散热参数、以及空气散热参数，作为样本数据对模型进行训练，使得模型可以根据多维度数据，确定出更加合理的制冷方式。

在前述步骤中介绍了可以根据服务器的硬件参数和功耗数据，确定出机柜内的进出口温度，那么本步骤中也就可以根据机柜的进出口温度，确定出更加合理的制冷方式。则在一种实施方式中，基于人工智能模型，根据采集到的室内外环境数据、机柜内温度、以及该制冷时段，确定包含制冷水温的制冷方式，可以包括：基于人工智能模型，根据室内外环境数据、机柜内的进出口温度、机柜的散热参数、空气散热参数、以及制冷时段，确定包含制冷水温、以及机柜前端空调和\或机柜后端空调的制冷顺序的制冷方式。

具体地，在实际应用中，可以为机柜内设置前后两组空调，前端空调可以在服务器前端进行制冷，而后端空调则可以在服务器后端进行制冷，空调在制冷时，可以带动空气流动，所以不同位置的空调可以影响机柜内的气流方向。而在实际的应用场景中，若能利用室内的气流方向，则可以更为节约制冷资源。

所以在训练人工智能模型时，可以将室内外环境数据、机柜内的进出口温度、机柜的散热参数、空气散热参数、制冷时长、制冷水温、以及机柜前端空调和\或机柜后端空调的制冷顺序均作为样本数据，使人工智能模型可以根据上述维度，确定出合理的制冷方式。这里的机柜前端空调和\或机柜后端空调的制冷顺序，可以包括仅开启机柜前端空调、或仅开启机柜后端空调、或前后端空调按照特定顺序进行开启，或前后端空调均开启，此外还可以包括特定顺序循环的次数。

比如，当室内的空气流动方向有利于服务器从后向前散热，且空调的制冷方式为风冷时，则可以偏向于以较低温度开启机柜后端空调向前排放冷风，不仅能够使服务器电源风扇出风口位置能够尽快进行冷热交换，冷风还可以吹向服务器前端，使前端也可以进行散热。又如，当室内空气流动有利于服务器从前向后散热时，且空调的制冷方式为风冷时，则可以偏向于先以较低温度，开启后端空调，使服务器电源风扇出风口位置能够尽快散热，再以较高温度开启前段空调，以使机柜内的前后端均得到制冷。当然在空调制冷方式为吸热制冷时，也可以根据实际情况，确定出较为合理的制冷方式。

在实际应用中，可以由冷却塔对水进行降温，通过水泵使得冷水可以是以流动的方式进入空调中进行制冷，在吸热后回流到冷却塔中进行再次循环。所以，在服务器负载过重时，也可以通过多次循环冷水而保持持续制冷。则在一种实施方式中，基于人工智能模型，根据采集到的室内外环境数据、机柜内温度、以及该制冷时段，确定包含制冷水温的制冷方式，可以包括：基于人工智能模型，根据室内外环境数据、机柜内温度、以及制冷时段，确定包含制冷水温、以及冷水循环次数的制冷方式。

具体地，用于制冷的空调，可以通过设置水闸的方式，控制冷水的流速，若负载过重时，机柜内温度较高，则需要较快的流速，尽快带走热量，所以便可以在实际的制冷过程中，采集不同的冷水循环次数对制冷效果的影响，并以此作为数据样本，输入至人工智能模型中，以使人工智能模型可以在制冷时，考虑在相对固定的制冷时段内，以何种水温、多少循环次数，而达到更合理的制冷效果。

步骤108：以确定出的制冷水温，控制空调在该制冷时段内对机柜内进行制冷。

在前述步骤中，已经确定出了包含制冷水温的制冷方式，则本步骤便可以以确定出的制冷水温，控制空调在制冷时段内对机柜内进行制冷。如图2所示，当确定出制冷水温后，可以由冷却塔对水温进行制冷，并利用水泵将冷水通过盘管输送至空调主机，再由空调主机根据针对某个机柜确定出的制冷水温，经盘管输送至各自机柜对应的末端空调，从而由末端空调利用冷水对机柜内部进行制冷。而制冷后吸收热量的水，可以再经盘管回流到冷却塔中，图中以虚线示出一个末端空调与冷却塔的回流，其余末端空调类似。以便冷却塔再次将水进行制冷，从而再次对机柜进行制冷。

还可以以前述步骤确定出的循环次数对水进行降温、回流。也即在一种实施方式中，以确定出的制冷水温，控制空调在该制冷时段内对机柜内进行制冷，可以包括：以确定出的制冷水温、以及冷水循环次数，控制空调在制冷时段内对机柜内进行制冷。而在循环过程中，也可以以不同的温度进行循环，具体由人工智能模型进行控制。

如图3所示，在前述步骤中，可以确定出包含制冷水温、以及机柜前端空调和\或机柜后端空调的制冷顺序的制冷方式，则在本步骤便可以由空调主机控制冷水经由盘管先后流向具体哪个空调，从而控制前端和\或后端空调对机柜内进行制冷。也即在一种实施方式中，以确定出的制冷水温，控制空调在该制冷时段内对机柜内进行制冷，可以包括：以确定出的机柜前端空调和\或机柜后端空调的制冷顺序、以及制冷水温，控制空调在制冷时段内对机柜进行制冷。

在实际应用中，即使通过大量数据训练后的人工智能模型，也很有可能对于制冷方式的确定存在一定的误差，比如制冷水温过低，可能导致制冷后的机柜内温度过低，但对保持服务器稳定运行是没有必要的，也会资源浪费，或机柜内外温差持续较高，且机柜内温度高时，则可能出现了对机柜内制冷不够的问题。所以在一种实施方式中，为了能够及时发现对机柜内制冷过程中出现资源浪费、或制冷效果不显著的问题，并及时解决，本方法还可以包括：当采集到机柜内温度在第一时间段内持续高于第一阈值时，开启机柜内处于关闭状态的空调；或当采集到室内温度在第二时间段内持续低于第二阈值时，以特定时长暂停机柜内处于开启状态的空调；或当采集到机柜内外温差在第三时间段内持续高于第三阈值、且机柜内温度高于机柜外温度时，开启机柜内处于关闭状态的空调。

具体地，可以设第一阈值为30℃，当机柜内温度在第一时间段(比如5分钟)内持续高于28℃时，则表明对机柜的制冷效果不理想，此时则可以开启机柜内处于关闭状态的空调，以便对机柜内进行更强的制冷，比如，当仅开启后端空调时，机柜内在5分钟内持续高于30℃，则可以同时开启前端空调，以便同时通过前后端空调对机柜内进行制冷。

可以设第二阈值为25℃，当室内温度在第二时间段(比如1小时内)持续低于25℃时，则表明对于机柜内的制冷程度较大，已经使机柜外室内的温度较低，为了减少资源浪费，则可以以特定时长(比如1小时、又如从当前时刻直到制冷时段结束)暂停机柜内处于开启状态的空调，比如可以暂定某一个，或暂停全部，等。

可以设第三阈值为32℃，当机柜内温度在第三时间段(比如10分钟)内持续高于32℃、且机柜内温度高于机柜外温度时，则可以表明机柜内持续处在高温环境中，此时则可以开启机柜内处于关闭状态的空调，实现加强制冷，从而更快的对机柜内进行降温。

在实际应用中，还可以有多种方式使制冷更加合理，比如当室外温度骤降、则可以充分利用这一特征，暂停机柜内的空调。

在实际应用中，充分利用空气中的气流方向可以在一定程度上节约制冷资源，但是有可能在制冷过程中，随着天气的变化而改变气流方向，此时则可以通过对空调的开关状态进行调整。则在一种实施方式中，本方法还可以包括：当机柜前端空调和\或机柜后端空调在对机柜内制冷时，在机柜内产生的气流方向与采集到的室内气流方向不一致时，调整该机柜前端空调和\或机柜后端空调的制冷方式。具体地，在对机柜内进行制冷时，也可以实时采集室内的气流方向，而机柜内的气流方向可以通过前后端空调的开启关闭情况确定而出，若两者出现不一致的情况时，则可以通过调整前后端空调的开启或关闭情况，使空调产生的气流方向与室内的气流方向一致，从而可以在一定程度上节约制冷资源。

但是，若空气中的湿度较大时，则不宜使空气接触服务器，也即本方法还可以包括：当机柜前端空调和\或机柜后端空调在对所述机柜内制冷时，在机柜内产生的气流方向与采集到的室内气流方向一致、且室内空气湿度高于预设阈值时，调整机柜前端空调和\或机柜后端空调的制冷方式，使空调产生的气流方向，与室内的气流方向不一致，从而可以在制冷的前提下，降低服务器的事故几率。

在实际应用中，末端空调，包括前端空调和后端空调，均可以有主备两个设备，所以在一种实施方式中，可以通过预设运行时长的阈值，来自行切换空调的主备角色，从而可以使空调得到休息、也可以由人工接入进行维护和保养，从而延长空调的使用寿命。

如图4所示，为本方法的示意图，本方法基于人工智能，将服务器硬件参数、功耗数据与机柜进出口温度的对应关系、室内环境、室外环境、水泵、冷却塔、空调主机、末端空调，进行结合，对人工智能模型进行训练，使人工智能模型可以在开始制冷时，确定出较为合理的制冷方式。在确定出制冷方式后，可以控制冷却塔和水泵对水进行制冷，并将冷水传输至需要制冷的机柜对应的末端空调上进行制冷。在制冷过程中，通过监控室内外环境数据，较为灵活地调整制冷方式，从而可以尽量实现按需制冷。

由以上实施例提供的方法可见，可以预先采集机柜内服务器的历史功耗数据和历史温度数据来确定需要进行制冷的时段。当数据中心内的机柜处于制冷时段时，可以采集室内外环境数据，以及该机柜的硬件参数和功耗数据；此后基于预先训练的人工智能模型，根据硬件参数和功耗数据，确定出机柜内温度，并结合室内外环境数据、以及制冷时段，确定出包含制冷水温的制冷方式。据此，则可以根据确定出的制冷水温，控制空调在该制冷时段内对该机柜内进行制冷。

也即，在对机柜内服务器进行制冷时，考虑到需要制冷的时段、并结合基于人工智能确定出较为合理的制冷方式，从而尽可能地实现按需制冷，进而可以在一定程度上降低制冷功能的资源消耗，并从整体上降低PUE值，提高数据中心的能源效率。

实施例2

基于相同的构思，本发明实施例2还提供一种基于人工智能的数据中心制冷系统，可以在一定程度上降低制冷功能的资源消耗，并从整体上降低PUE值，提高数据中心的能源效率。该系统的结构示意图如图5所示，包括：数据采集单元202、机柜温度确定单元204、制冷方式确定单元206、以及制冷执行单元208，其中，

数据采集单元202，可以用于当机柜处于预设的制冷时段时，采集数据中心的室内外环境数据、以及机柜内服务器的硬件参数和功耗数据，其中，制冷时段根据采集机柜内服务器的历史功耗数据和历史温度数据进行预先确定；

机柜温度确定单元204，可以用于基于人工智能模型，根据硬件参数和功耗数据，确定机柜内温度；

制冷方式确定单元206，可以用于基于人工智能模型，根据室内外环境数据、机柜内温度、以及制冷时段，确定包含制冷水温的制冷方式；

制冷执行单元208，可以用于以确定出的制冷水温，控制空调在制冷时段内对机柜内进行制冷。

在一种实施方式中，机柜温度确定单元204，可以用于：

根据硬件参数和功耗数据，确定机柜内的进出口温度；则

制冷方式确定单元206，可以用于：

根据室内外环境数据、机柜内的进出口温度、机柜的散热参数、空气散热参数、以及制冷时段，确定包含制冷水温、以及机柜前端空调和\或机柜后端空调的制冷顺序的制冷方式；则

制冷执行单元208，可以用于：

以确定出的机柜前端空调和\或机柜后端空调的制冷顺序、以及制冷水温，控制空调在制冷时段内对机柜进行制冷。

在一种实施方式中，制冷方式确定单元206，可以用于：

根据室内外环境数据、机柜内温度、以及制冷时段，确定包含制冷水温、以及冷水循环次数的制冷方式；则

制冷执行单元208，可以用于：

以确定出的制冷水温、以及冷水循环次数，控制空调在制冷时段内对机柜内进行制冷。

在一种实施方式中，该系统还包括制冷调节单元，可以用于：

当采集到机柜内温度在第一时间段内持续高于第一阈值时，开启机柜内处于关闭状态的空调；或

当采集到室内温度在第二时间段内持续低于第二阈值时，以特定时长暂停机柜内处于开启状态的空调；或

当采集到机柜内外温差在第三时间段内持续高于第三阈值、且机柜内温度高于机柜外温度时，开启机柜内处于关闭状态的空调。

在一种实施方式中，制冷调节单元，还可以用于：

当机柜前端空调和\或机柜后端空调在对机柜内制冷时，在机柜内产生的气流方向与采集到的室内气流方向不一致时，调整机柜前端空调和\或机柜后端空调的制冷方式。

图6是本发明的一个实施例电子设备的结构示意图。在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成基于人工智能的数据中心制冷的执行系统。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

当机柜处于预设的制冷时段时，采集数据中心的室内外环境数据、以及所述机柜内服务器的硬件参数和功耗数据，其中，所述制冷时段根据采集所述机柜内服务器的历史功耗数据和历史温度数据进行预先确定；

基于人工智能模型，根据所述硬件参数和所述功耗数据，确定所述机柜内温度；

基于人工智能模型，根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温的制冷方式；

以确定出的制冷水温，控制空调在所述制冷时段内对所述机柜内进行制冷。

上述如本发明图5所示实施例提供的基于人工智能的数据中心制冷的系统执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图5所示实施例中基于人工智能的数据中心制冷的系统执行的方法，并具体用于执行：

当机柜处于预设的制冷时段时，采集数据中心的室内外环境数据、以及所述机柜内服务器的硬件参数和功耗数据，其中，所述制冷时段根据采集所述机柜内服务器的历史功耗数据和历史温度数据进行预先确定；

基于人工智能模型，根据所述硬件参数和所述功耗数据，确定所述机柜内温度；

基于人工智能模型，根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温的制冷方式；

以确定出的制冷水温，控制空调在所述制冷时段内对所述机柜内进行制冷。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上系统时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。

Claims (10)

1.一种基于人工智能的数据中心制冷方法，其特征在于，包括：

当机柜处于预设的制冷时段时，采集数据中心的室内外环境数据、以及所述机柜内服务器的硬件参数和功耗数据，其中，所述制冷时段根据采集所述机柜内服务器的历史功耗数据和历史温度数据进行预先确定；

基于用于确定机柜内温度的人工智能模型，根据所述硬件参数和所述功耗数据，确定所述机柜内温度；

基于用于确定制冷方式的人工智能模型，根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温的制冷方式；

以确定出的制冷水温，控制空调在所述制冷时段内对所述机柜内进行制冷；

所述方法还包括：将采集到的机柜内服务器的硬件参数、采集到的机柜内服务器的功耗数据以及采集到的机柜内温度作为数据样本，训练所述用于确定机柜内温度的人工智能模型，所述采集到的机柜内温度为机柜内各台服务器的电源风扇出风口温度的平均值；

所述基于用于确定机柜内温度的人工智能模型，根据所述硬件参数和所述功耗数据，确定所述机柜内温度，包括：通过所述用于确定机柜内温度的人工智能模型，创建机柜内服务器的硬件参数、机柜内服务器的功耗数据、与机柜内服务器的电源风扇出风口温度之间的对应关系；基于用于确定机柜内温度的人工智能模型，根据机柜内每台服务器的硬件参数和功耗数据，确定机柜内每台服务器的电源风扇出风口温度；将多台服务器的电源风扇出风口温度的平均值，作为所述机柜内温度；

所述方法还包括：将采集到的在不同的室内外环境数据、和不同的需要制冷的机柜温度下，以不同制冷水温制冷不同时长的数据，或者模拟出的各种不同的制冷数据，以正负样本的方式，作为数据样本，训练所述用于确定制冷方式的人工智能模型；

所述基于用于确定制冷方式的人工智能模型，根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温的制冷方式，包括：在所述用于确定制冷方式的人工智能模型得到所述室内外环境数据、和所述机柜内温度、以及所述制冷时段时，确定出包含制冷水温的制冷方式。

2.如权利要求1所述的方法，其特征在于，根据所述硬件参数和所述功耗数据，确定所述机柜内温度，包括：

根据所述硬件参数和所述功耗数据，确定所述机柜内的进出口温度；则

根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温的制冷方式，包括：

根据所述室内外环境数据、所述机柜内的进出口温度、所述机柜的散热参数、空气散热参数、以及所述制冷时段，确定包含制冷水温、以及机柜前端空调和\或机柜后端空调的制冷顺序的制冷方式；则

以确定出的制冷水温，控制空调在所述制冷时段内对所述机柜内进行制冷，包括：

以确定出的机柜前端空调和\或机柜后端空调的制冷顺序、以及制冷水温，控制空调在所述制冷时段内对所述机柜进行制冷。

3.如权利要求1所述的方法，其特征在于，在以确定出的制冷水温，控制空调在所述制冷时段内对所述机柜内进行制冷的过程中，所述方法还包括：

当采集到的机柜内温度在第一时间段内持续高于第一阈值时，开启所述机柜内处于关闭状态的空调；或

当采集到室内温度在第二时间段内持续低于第二阈值时，以特定时长暂停所述机柜内处于开启状态的空调；或

当采集到机柜内外温差在第三时间段内持续高于第三阈值、且机柜内温度高于机柜外温度时，开启所述机柜内处于关闭状态的空调。

4.如权利要求2所述的方法，其特征在于，所述方法还包括：

当所述机柜前端空调和\或机柜后端空调在对所述机柜内制冷时，在所述机柜内产生的气流方向与采集到的室内气流方向不一致时，调整所述机柜前端空调和\或机柜后端空调的制冷方式。

5.如权利要求1所述的方法，其特征在于，根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温的制冷方式，包括：

根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温、以及冷水循环次数的制冷方式；则

以确定出的制冷水温，控制空调在所述制冷时段内对所述机柜内进行制冷，包括：

以确定出的制冷水温、以及冷水循环次数，控制空调在所述制冷时段内对所述机柜内进行制冷。

6.一种基于人工智能的数据中心制冷系统，其特征在于，包括：数据采集单元、机柜温度确定单元、制冷方式确定单元、以及制冷执行单元，其中，

所述数据采集单元，用于当机柜处于预设的制冷时段时，采集数据中心的室内外环境数据、以及所述机柜内服务器的硬件参数和功耗数据，其中，所述制冷时段根据采集所述机柜内服务器的历史功耗数据和历史温度数据进行预先确定；

所述机柜温度确定单元，用于基于用于确定机柜内温度的人工智能模型，根据所述硬件参数和所述功耗数据，确定所述机柜内温度；

所述制冷方式确定单元，用于基于用于确定制冷方式的人工智能模型，根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温的制冷方式；

所述制冷执行单元，用于以确定出的制冷水温，控制空调在所述制冷时段内对所述机柜内进行制冷；

所述系统还包括：第一模型训练单元，用于将采集到的机柜内服务器的硬件参数、采集到的机柜内服务器的功耗数据以及采集到的机柜内温度作为数据样本，训练所述用于确定机柜内温度的人工智能模型，所述采集到的机柜内温度为机柜内各台服务器的电源风扇出风口温度的平均值；

所述机柜温度确定单元，具体用于：通过所述用于确定机柜内温度的人工智能模型，创建机柜内服务器的硬件参数、机柜内服务器的功耗数据、与机柜内服务器的电源风扇出风口温度之间的对应关系；基于用于确定机柜内温度的人工智能模型，根据机柜内每台服务器的硬件参数和功耗数据，确定机柜内每台服务器的电源风扇出风口温度；将多台服务器的电源风扇出风口温度的平均值，作为所述机柜内温度；

第二模型训练单元，用于：将采集到的在不同的室内外环境数据、和不同的需要制冷的机柜温度下，以不同制冷水温制冷不同时长的数据，或者模拟出的各种不同的制冷数据，以正负样本的方式，作为数据样本，训练所述用于确定制冷方式的人工智能模型；

所述制冷方式确定单元，具体用于：在所述用于确定制冷方式的人工智能模型得到所述室内外环境数据、和所述机柜内温度、以及所述制冷时段时，确定出包含制冷水温的制冷方式。

7.如权利要求6所述的系统，其特征在于，所述机柜温度确定单元，用于：

根据所述硬件参数和所述功耗数据，确定所述机柜内的进出口温度；则

所述制冷方式确定单元，用于：

根据所述室内外环境数据、所述机柜内的进出口温度、所述机柜的散热参数、空气散热参数、以及所述制冷时段，确定包含制冷水温、以及机柜前端空调和\或机柜后端空调的制冷顺序的制冷方式；则

所述制冷执行单元，用于：

以确定出的机柜前端空调和\或机柜后端空调的制冷顺序、以及制冷水温，控制空调在所述制冷时段内对所述机柜进行制冷。

8.如权利要求6所述的系统，其特征在于，所述制冷方式确定单元，用于：

根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温、以及冷水循环次数的制冷方式；则

所述制冷执行单元，用于：

以确定出的制冷水温、以及冷水循环次数，控制空调在所述制冷时段内对所述机柜内进行制冷。

9.一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

当机柜处于预设的制冷时段时，采集数据中心的室内外环境数据、以及所述机柜内服务器的硬件参数和功耗数据，其中，所述制冷时段根据采集所述机柜内服务器的历史功耗数据和历史温度数据进行预先确定；

基于用于确定机柜内温度的人工智能模型，根据所述硬件参数和所述功耗数据，确定所述机柜内温度；

基于用于确定制冷方式的人工智能模型，根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温的制冷方式；

以确定出的制冷水温，控制空调在所述制冷时段内对所述机柜内进行制冷；

所述可执行指令在被执行时所述处理器还执行以下操作：

将采集到的机柜内服务器的硬件参数、采集到的机柜内服务器的功耗数据以及采集到的机柜内温度作为数据样本，训练所述用于确定机柜内温度的人工智能模型，所述采集到的机柜内温度为机柜内各台服务器的电源风扇出风口温度的平均值；

将采集到的在不同的室内外环境数据、和不同的需要制冷的机柜温度下，以不同制冷水温制冷不同时长的数据，或者模拟出的各种不同的制冷数据，以正负样本的方式，作为数据样本，训练所述用于确定制冷方式的人工智能模型；

所述基于用于确定机柜内温度的人工智能模型，根据所述硬件参数和所述功耗数据，确定所述机柜内温度，包括：通过所述用于确定机柜内温度的人工智能模型，创建机柜内服务器的硬件参数、机柜内服务器的功耗数据、与机柜内服务器的电源风扇出风口温度之间的对应关系；基于用于确定机柜内温度的人工智能模型，根据机柜内每台服务器的硬件参数和功耗数据，确定机柜内每台服务器的电源风扇出风口温度；将多台服务器的电源风扇出风口温度的平均值，作为所述机柜内温度；

所述基于用于确定制冷方式的人工智能模型，根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温的制冷方式，包括：在所述用于确定制冷方式的人工智能模型得到所述室内外环境数据、和所述机柜内温度、以及所述制冷时段时，确定出包含制冷水温的制冷方式。

10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

当机柜处于预设的制冷时段时，采集数据中心的室内外环境数据、以及所述机柜内服务器的硬件参数和功耗数据，其中，所述制冷时段根据采集所述机柜内服务器的历史功耗数据和历史温度数据进行预先确定；

基于用于确定机柜内温度的人工智能模型，根据所述硬件参数和所述功耗数据，确定所述机柜内温度；

基于用于确定制冷方式的人工智能模型，根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温的制冷方式；

以确定出的制冷水温，控制空调在所述制冷时段内对所述机柜内进行制冷；

所述一个或多个程序当被包括多个应用程序的电子设备执行时，所述电子设备还执行以下操作：

将采集到的机柜内服务器的硬件参数、采集到的机柜内服务器的功耗数据以及采集到的机柜内温度作为数据样本，训练所述用于确定机柜内温度的人工智能模型，所述采集到的机柜内温度为机柜内各台服务器的电源风扇出风口温度的平均值；

将采集到的在不同的室内外环境数据、和不同的需要制冷的机柜温度下，以不同制冷水温制冷不同时长的数据，或者模拟出的各种不同的制冷数据，以正负样本的方式，作为数据样本，训练所述用于确定制冷方式的人工智能模型；

所述基于用于确定机柜内温度的人工智能模型，根据所述硬件参数和所述功耗数据，确定所述机柜内温度，包括：通过所述用于确定机柜内温度的人工智能模型，创建机柜内服务器的硬件参数、机柜内服务器的功耗数据、与机柜内服务器的电源风扇出风口温度之间的对应关系；基于用于确定机柜内温度的人工智能模型，根据机柜内每台服务器的硬件参数和功耗数据，确定机柜内每台服务器的电源风扇出风口温度；将多台服务器的电源风扇出风口温度的平均值，作为所述机柜内温度；

所述基于用于确定制冷方式的人工智能模型，根据所述室内外环境数据、所述机柜内温度、以及所述制冷时段，确定包含制冷水温的制冷方式，包括：在所述用于确定制冷方式的人工智能模型得到所述室内外环境数据、和所述机柜内温度、以及所述制冷时段时，确定出包含制冷水温的制冷方式。

Images