CN112954977B - 一种基于人工智能实现数据中心节能温控的系统及方法 - Google Patents

一种基于人工智能实现数据中心节能温控的系统及方法 Download PDF

Info

Publication number
CN112954977B
CN112954977B CN202110187961.8A CN202110187961A CN112954977B CN 112954977 B CN112954977 B CN 112954977B CN 202110187961 A CN202110187961 A CN 202110187961A CN 112954977 B CN112954977 B CN 112954977B
Authority
CN
China
Prior art keywords
temperature
low
state
fuzzy
states
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.)
Active
Application number
CN202110187961.8A
Other languages
English (en)
Other versions
CN112954977A (zh
Inventor
鲍文博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Caituo Cloud Computing Shanghai Co ltd
Original Assignee
Caituo Cloud Computing Shanghai Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Caituo Cloud Computing Shanghai Co ltd filed Critical Caituo Cloud Computing Shanghai Co ltd
Priority to CN202110187961.8A priority Critical patent/CN112954977B/zh
Publication of CN112954977A publication Critical patent/CN112954977A/zh
Application granted granted Critical
Publication of CN112954977B publication Critical patent/CN112954977B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K7/00—Constructional details common to different types of electric apparatus
    • H05K7/20—Modifications to facilitate cooling, ventilating, or heating
    • H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
    • H05K7/20718—Forced ventilation of a gaseous coolant
    • H05K7/20745—Forced ventilation of a gaseous coolant within rooms for removing heat from cabinets, e.g. by air conditioning device
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K7/00—Constructional details common to different types of electric apparatus
    • H05K7/20—Modifications to facilitate cooling, ventilating, or heating
    • H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
    • H05K7/20836—Thermal management, e.g. server temperature control
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Thermal Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于人工智能实现数据中心节能温控的系统及方法，该系统包含：传感器、暖通空调系统以及逻辑控制单元。本发明还公开了通过该系统进行的基于人工智能实现数据中心节能温控的方法，该方法使用模糊逻辑控制算法计算适合当前状态的温度控制输出及使用空调数量，再结合逻辑回归算法，监测异常温湿度变化趋势，保证数据中心机房安全。本发明提供的系统及方法，通过模糊逻辑控制理论和逻辑回归理论实现的智能控制算法，在保证高效控温且稳定节能的同时，确保安全运行。

Description

一种基于人工智能实现数据中心节能温控的系统及方法
技术领域
本发明涉及一种基于人工智能实现的数据中心智能风控制系统及控制算法，具体地，涉及一种基于人工智能实现数据中心节能温控的系统及方法。
背景技术
数据中心需要设置供暖，通风和空调(HVAC；Heating，Ventilation and AirConditioning；暖通空调系统)，但HVAC非常耗能，可占数据中心基础消耗总数的15％。因此，设计出既节能又能满足温度需求的控制系统至关重要。但是，实现起来却具有挑战性，因为它涉及各种影响建筑环境中的因素，满足所有要求通常很难，并且可能因情况而异。
现有技术中关于节能温度控制，已有很多其他方法，比如Proportional IntegralDerivative(PID，比例积分微分)，Model Predictive Control(MPC，模型预测控制)，Linear-Quadratic Regulator(线性二次型调节器)等。但在复杂的环境、多种影响因子和多输入的情况下，上述方法都很难满足要求，而且模型通用化比较差，模型需要根据环境进行改动。除此之外，因强化学习需要大量有效数据集进行训练，需要引入大量评价机制，基于数据中心相关因素较多的特殊情况，短时间无法实现调控HVAC具有很好的效果的模型。传统降温模型算法的控制介入情况参见图1所示。
发明内容
本发明的目的是提供一种基于模糊逻辑控制实现数据中心节能温控的系统及方法，通过模糊逻辑控制理论和逻辑回归理论实现的智能控制算法，在保证高效控温且稳定节能的同时，确保安全运行。
为了达到上述目的，本发明提供了一种基于人工智能实现数据中心节能温控的系统，其中，所述的系统包含：传感器、暖通空调系统以及逻辑控制单元；所述的传感器是实时监测室内、室外的温度和湿度数据的温湿度传感器；所述的暖通空调系统响应逻辑控制单元的控制指令，完成对数据中心各机房的加热、制冷和除湿操作；所述的逻辑控制单元由模糊逻辑控制单元和逻辑回归单元组成；模糊逻辑控制单元通过传感器监测得到的数据，将总制冷量与总产热量进行动态平衡，并调节空调使用与备机数量，最优化控制输出，在安全控温的同时实现节能；逻辑回归单元利用基于历史数据所建立的滑动窗口，识别异常温湿度变化趋势，并及时发出送报警信息，保证安全并监控违规操作。
上述的基于人工智能实现数据中心节能温控的方法，其中，所述的模糊逻辑控制单元由2个阶段的模糊控制实现，第一阶段模糊逻辑实现多维度状态量输入的模糊化，从而拟合数据，并通过解模糊化，映射出不同状态下的输入强度，实现对于多维度输入的抽象；第二阶段引用第一阶段的结论作为输入，再次利用模糊化处理拟合输入数据，以通过强度叠加实现对于目标控制量的映射。
本发明还提供了一种通过上述的系统进行的基于人工智能实现数据中心节能温控的方法，其中，所述的方法使用模糊逻辑控制算法计算适合当前状态的温度控制输出及使用空调数量，再结合逻辑回归算法，监测异常温湿度变化趋势，保证数据中心机房安全。
上述的基于人工智能实现数据中心节能温控的方法，其中，所述的模糊逻辑控制算法通过模糊逻辑控制单元实现，包含第一阶段和第二阶段，每个阶段分别包含：步骤1、建立输入输出模糊集；步骤2、定义输入输出隶属函数；步骤3、建立模糊控制表；步骤4、建立模糊控制规则；步骤5、模糊推理；步骤6、解模糊化。
上述的基于人工智能实现数据中心节能温控的方法，其中，所述的模糊逻辑控制算法中，第一阶段的模型输入模糊集由3个状态组成，表示各传感器当前检测状态，分别代表低温状态、标准状态和高温状态，具体为：
Level_01-A＝{Low,Normal,High},Level_01-B＝{Low,Normal,High},
Level_02-A＝{Low,Normal,High},Level_02-B＝{Low,Normal,High},
Level_03-A＝{Low,Normal,High},Level_03-B＝{Low,Normal,High}；
第一阶段的模型输出模糊集由6个状态组成，表示同级传感器的状态描述，分别代表两低温状态、低温和标准状态、两标准状态、低温和高温状态、标准和高温状态和两高温状态，具体为：
SensorStatement_01＝{L-L,L-N,N-N,L-H,N-H,H-H},
SensorStatement_02＝{L-L,L-N,N-N,L-H,N-H,H-H},
SensorStatement_03＝{L-L,L-N,N-N,L-H,N-H,H-H}。
上述的基于人工智能实现数据中心节能温控的方法，其中，所述的模糊逻辑控制算法中，第二阶段的模型输入模糊集由4个状态组成，表示同级传感器状态拟合强度，分别代表低温状态、标准状态、单点高温状态和两点高温状态，具体为：
SensorStrength_01＝{Low,Normal,High,2_High},
SensorStrength_02＝{Low,Normal,High,2_High},
SensorStrength_03＝{Low,Normal,High,2_High}；
第二阶段的模型输出模糊集由2组变量组成，每组中有4个状态，分别表示每台精密空调出风温度和风机转速；出风温度中状态描述由紧急超低温送风状态、低温送风状态、中等温度送风状态和高温送风状态组成，风机转速由低送风、中等送风、高送风、紧急强送风组成。输出模糊集还包含电源后备控制，由减少(Decreasing)、维持不变(Maintain)、增加(Increasing)和紧急(Emergency)4个状态组成。具体为：
IntletAirTemperature＝{Emergency,Low,Medium,High},
FanSpeed＝{Low,Normal,High,Emergency},
ACBackupControl＝{Decreasing,Maintain,Increasing,Emergency}。
上述的基于人工智能实现数据中心节能温控的方法，其中，所述的模糊逻辑控制算法中，在输入和输出模糊集建立完成后，基于输入状态集建立对于目标问题的模糊控制表，即目标问题的全局解空间，通过排列组合各输入状态生成状态列表，并结合控制强度对应匹配控制状态，实现建立模糊控制规则。
上述的基于人工智能实现数据中心节能温控的方法，其中，所述的模糊逻辑控制算法中，通过模糊推理，确立模糊化和解模糊化是采用重心法和加权平均算法对输出结果进行求解计算。
上述的基于人工智能实现数据中心节能温控的方法，其中，所述的重心法是取隶属度函数曲线与横坐标围成面积的重心，作为模糊推理的最终输出值；具体为：
Figure BDA0002943888510000051
对于具有m个输出量化级数的离散阈情况：
Figure BDA0002943888510000052
上述的基于人工智能实现数据中心节能温控的方法，其中，所述的加权平均算法是工业控制中广泛应用的反模糊化算法，输出值由下式决定：
Figure BDA0002943888510000053
其中系数ki的选择根据实际情况而定，不同的系数决定系统具有不同的响应特性，当系数ki取隶属度μv(vi)时，就化为重心法。
本发明提供的基于人工智能实现数据中心节能温控的系统及方法具有以下优点：
本发明通过分析现有问题，构建有效的抽象结构模型，满足模型的通用性，再通过模糊逻辑控制理论(Fuzzy Logic Control)实现了对于复杂情况多影响、多输入条件下的控制算法。并通过逻辑回归理论(Logic Regression)实现对于故障和异常状态的识别，从而完成了最终的模型构建。
本发明运用2种人工智能算法实现数据中心节能温控及安全监测的方法，使用模糊逻辑控制算法计算合适当前状态的温度控制输出及使用空调数量，结合逻辑回归算法，监测异常温湿度变化趋势，保证数据中心机房安全。
相比传统降温模型，只有监测点超过温度限定后才启用空调进行强制降温处理，本发明的模糊逻辑控制理论实现的是基于现状反馈动态平衡输出的控温模型，从而以较小的输出抑制升温影响，解决了降温模型下容易造成机房温度过低同时湿度过大，在维持对于机房温度标准值的控制同时，实现有效控温并保证最优化能耗。
附图说明
图1为传统降温模型算法的控制介入情况示意图。
图2为本发明的基于人工智能实现数据中心节能温控的方法的控制介入情况示意图。
图3a～图3c为本发明的基于人工智能实现数据中心节能温控的方法的第一阶段输入模糊函数示意图。
图4为本发明的基于人工智能实现数据中心节能温控的方法的第一阶段输出模糊函数示意图。
图5为本发明的基于人工智能实现数据中心节能温控的方法的第二阶段输入模糊函数示意图。
图6a～图6c为本发明的基于人工智能实现数据中心节能温控的方法的第二阶段输出模糊函数示意图。
具体实施方式
以下结合附图对本发明的具体实施方式作进一步地说明。
本发明提供了一种基于人工智能实现(AI)实现数据中心节能温控的系统，其包含：传感器、暖通空调系统以及逻辑控制单元；传感器是实时监测室内、室外的温度和湿度数据的温湿度传感器；暖通空调系统响应逻辑控制单元的控制指令，完成对数据中心各机房的加热、制冷和除湿操作；逻辑控制单元由模糊逻辑控制单元和逻辑回归单元组成；模糊逻辑控制单元通过传感器监测得到的数据，将总制冷量与总产热量进行动态平衡，并调节空调使用与备机数量，最优化控制输出，在安全控温的同时实现节能；逻辑回归单元利用基于历史数据所建立的滑动窗口，识别异常温湿度变化趋势，并及时发出送报警信息，保证安全并监控违规操作。逻辑回归单元采用现有技术。
该模糊逻辑控制单元由2个阶段的模糊控制实现，第一阶段模糊逻辑实现多维度状态量输入的模糊化，从而拟合数据，并通过解模糊化，映射出不同状态下的输入强度，实现对于多维度输入的抽象；第二阶段引用第一阶段的结论作为输入，再次利用模糊化处理拟合输入数据，以通过强度叠加实现对于目标控制量的映射。
本发明还提供了一种通过该系统进行的基于人工智能实现数据中心节能温控的方法，使用模糊逻辑控制算法计算适合当前状态的温度控制输出及使用空调数量，再结合逻辑回归算法，监测异常温湿度变化趋势，保证数据中心机房安全。其中逻辑回归算法为现有技术。该方法的控制介入情况参见图2所示。
该模糊逻辑控制算法通过模糊逻辑控制单元实现，包含第一阶段和第二阶段，每个阶段分别包含：步骤1、建立输入输出模糊集；步骤2、定义输入输出隶属函数；步骤3、建立模糊控制表；步骤4、建立模糊控制规则；步骤5、模糊推理；步骤6、解模糊化。
第一阶段的模型输入模糊集由3个状态组成，表示各传感器当前检测状态，分别代表低温状态、标准状态和高温状态，具体为：
Level_01-A＝{Low,Normal,High},Level_01-B＝{Low,Normal,High},
Level_02-A＝{Low,Normal,High},Level_02-B＝{Low,Normal,High},
Level_03-A＝{Low,Normal,High},Level_03-B＝{Low,Normal,High}；
第一阶段的模型输出模糊集由6个状态组成，表示同级传感器的状态描述，分别代表两低温状态、低温和标准状态、两标准状态、低温和高温状态、标准和高温状态和两高温状态，具体为：
SensorStatement_01＝{L-L,L-N,N-N,L-H,N-H,H-H},
SensorStatement_02＝{L-L,L-N,N-N,L-H,N-H,H-H},
SensorStatement_03＝{L-L,L-N,N-N,L-H,N-H,H-H}。
第二阶段的模型输入模糊集由4个状态组成，表示同级传感器状态拟合强度，分别代表低温状态、标准状态、单点高温状态和两点高温状态，具体为：
SensorStrength_01＝{Low,Normal,High,2_High},
SensorStrength_02＝{Low,Normal,High,2_High},
SensorStrength_03＝{Low,Normal,High,2_High}；
第二阶段的模型输出模糊集由2组变量组成，每组中有4个状态，分别表示每台精密空调出风温度和风机转速；出风温度中状态描述由紧急超低温送风状态、低温送风状态、中等温度送风状态和高温送风状态组成，风机转速由低送风、中等送风、高送风、紧急强送风组成。输出模糊集还包含电源后备控制，由减少(Decreasing)、维持不变(Maintain)、增加(Increasing)和紧急(Emergency)4个状态组成。具体为：
IntletAirTemperature＝{Emergency,Low,Medium,High},
FanSpeed＝{Low,Normal,High,Emergency},
ACBackupControl＝{Decreasing,Maintain,Increasing,Emergency}。
在输入和输出模糊集建立完成后，基于输入状态集建立对于目标问题的模糊控制表，即目标问题的全局解空间，通过排列组合各输入状态生成状态列表，并结合控制强度对应匹配控制状态，实现建立模糊控制规则。
该模糊逻辑控制算法中，通过模糊推理，确立模糊化和解模糊化主要是采用重心法和加权平均算法对输出结果进行求解计算。
为了获得准确的控制量，就要求模糊方法能够很好的表达输出隶属度函数的计算结果。重心法是取隶属度函数曲线与横坐标围成面积的重心，作为模糊推理的最终输出值；具体为：
Figure BDA0002943888510000091
对于具有m个输出量化级数的离散阈情况：
Figure BDA0002943888510000092
加权平均算法是工业控制中广泛应用的反模糊化算法，输出值由下式决定：
Figure BDA0002943888510000093
其中系数ki的选择根据实际情况而定，不同的系数决定系统具有不同的响应特性，当系数ki取隶属度μv(vi)时，就化为重心法。
下面结合实施例对本发明提供的基于人工智能实现数据中心节能温控的系统及方法做更进一步描述。
实施例1
一种基于人工智能实现(AI)实现数据中心节能温控的系统，其包含：温湿度传感器、暖通空调系统以及核心逻辑控制单元；温湿度传感器实时监测室内、室外的温度和湿度数据；暖通空调系统响应控制指令，实现对于数据中心各机房的加热、制冷和除湿操作；核心逻辑控制单元由模糊逻辑控制单元和逻辑回归单元组成，其中模糊逻辑控制单元通过温湿度传感器监测得到的反馈数据，动态平衡总制冷量与总产热量，并调节空调使用与备机数量，最优化控制输出，以达到在安全控温的同时，实现节能的目标；逻辑回归单元则主要利用基于历史数据所建立的滑动窗口，识别异常温湿度变化趋势，并及时发出送报警信息，保证安全并监控违规操作。
逻辑控制单元由2个阶段的模糊控制实现。第一阶段模糊逻辑实现多维度状态量输入的模糊化，从而拟合数据，并通过解模糊化，映射出不同状态下的输入强度，从而实现对于多维度输入的抽象；第二阶段则引用第一阶段的结论作为输入，再次利用模糊化处理拟合输入数据，以通过强度叠加实现对于目标控制量的映射。逻辑回归单元采用现有技术。
本实施例还提供了一种通过该系统进行的基于人工智能实现数据中心节能温控的方法，使用模糊逻辑控制算法计算适合当前状态的温度控制输出及使用空调数量，再结合逻辑回归算法，监测异常温湿度变化趋势，保证数据中心机房安全。其中逻辑回归算法为现有技术。该方法的控制介入情况参见图2所示。
该模糊逻辑控制算法通过模糊逻辑控制单元实现，包含第一阶段和第二阶段，每个阶段分别包含：步骤1、建立输入输出模糊集；步骤2、定义输入输出隶属函数；步骤3、建立模糊控制表；步骤4、建立模糊控制规则；步骤5、模糊推理；步骤6、解模糊化。
第一阶段的模型输入模糊集由3个状态组成，表示各传感器(A、B)当前检测状态(Level)，分别代表低温状态(Low)、标准状态(Normal，即Norm)和高温状态(High)，具体为：
级别Level_01-A＝{Low,Normal,High},Level_01-B＝{Low,Normal,High},
级别Level_02-A＝{Low,Normal,High},Level_02-B＝{Low,Normal,High},
级别Level_03-A＝{Low,Normal,High},Level_03-B＝{Low,Normal,High}；
第一阶段的模型输出模糊集由6个状态组成，表示同级传感器的状态(Statement)描述，分别代表两低温状态(L-L)、低温和标准状态(L-N)、两标准状态(N-N)、低温和高温状态(L-H)、标准和高温状态(N-H)和两高温状态(H-H)，具体为：
传感器状态SensorStatement_01＝{L-L,L-N,N-N,L-H,N-H,H-H},
传感器状态SensorStatement_02＝{L-L,L-N,N-N,L-H,N-H,H-H},
传感器状态SensorStatement_03＝{L-L,L-N,N-N,L-H,N-H,H-H}。
第二阶段的模型输入模糊集由4个状态组成，表示同级传感器状态拟合强度，分别代表低温状态(Low)、标准状态(Normal，即Norm)、单点高温状态(High)和两点高温状态(2_High)，具体为：
传感器状态拟合强度SensorStrength_01＝{Low,Normal,High,2_High},
传感器状态拟合强度SensorStrength_02＝{Low,Normal,High,2_High},
传感器状态拟合强度SensorStrength_03＝{Low,Normal,High,2_High}；
第二阶段的模型输出模糊集由2组变量组成，每组中有4个状态，分别表示每台精密空调出风温度和风机转速；出风温度中状态描述由紧急超低温送风状态(Emergency)、低温送风状态(Low)、中等温度送风状态(Medium)和高温送风状态(High)组成，风机转速即送风风速由低送风(Low)、中等送风(Normal)、高送风(High)、紧急强送风(Emergency)组成。输出模糊集还包含电源后备控制，包括4个状态，分别为减少(Decreasing)、维持不变(Maintain)、增加(Increasing)和紧急增加(Emergency)，从而实现对使用空调数量的调整。具体为：
出风温度(Intlet AT)IntletAirTemperature＝{Emergency,Low,Medium,High},
风机转速FanSpeed＝{Low,Normal,High,Emergency},
电源后备控制ACBackupControl＝{Decreasing,Maintain,Increasing,Emergency}。
在输入和输出模糊集建立完成后，可以基于输入状态集建立对于目标问题的模糊控制表，即目标问题的全局解空间，通过排列组合各输入状态生成状态列表，并结合控制强度对应匹配控制状态，从而实现建立模糊控制规则。
第一阶段模糊控制表如下表1所示。
表1.第一阶段模糊控制表。
Figure BDA0002943888510000121
Figure BDA0002943888510000131
第二阶段模糊控制表如下表2所示。
表2.第二阶段模糊控制表。
Figure BDA0002943888510000141
该模糊逻辑控制算法中，定义输入输出隶属函数，具体为：第一阶段输入模糊函数如图3a～图3c所示；第一阶段输出模糊函数如图4所示；第二阶段输入模糊函数如图5所示；第二阶段输出模糊函数如图6a～图6c所示。
隶属函数(membership function)，是用于表征模糊集合的数学工具。为了描述元素u对U上的一个模糊集合的隶属关系，由于这种关系的不分明性，它将用从区间[0，1]中所取的数值代替0，1这两值来描述，表示元素属于某模糊集合的“真实程度”。
该模糊逻辑控制算法中，通过模糊推理，即确立模糊化和解模糊化，主要是采用重心法和加权平均算法对输出结果进行求解计算。
为了获得准确的控制量，就要求模糊方法能够很好的表达输出隶属度函数的计算结果。重心法是取隶属度函数曲线与横坐标围成面积的重心，作为模糊推理的最终输出值；具体为：
Figure BDA0002943888510000151
对于具有m个输出量化级数的离散阈情况：
Figure BDA0002943888510000152
加权平均算法是工业控制中广泛应用的反模糊化算法，输出值由下式决定：
Figure BDA0002943888510000153
其中系数ki的选择根据实际情况而定，不同的系数决定系统具有不同的响应特性，当系数ki取隶属度μv(vi)时，就化为重心法。
本发明提供的基于人工智能实现数据中心节能温控的系统及方法，需要大量实时性高的有效数据作为模型输入，同时对于指令下发的执行度和相应效率也有较高要求，从而实现对于不同状态的动态平衡控制；目前模型的通用性只能满足数据中心内90％的标准机房要求(侧送风和下送风两种模式的机房)，但对于特殊机房还是不能满足控制需求；模型调试工作量较大，需逐步确认各区间内温度变化及相应控制的合理性，并根据实际情况优化调整；不具备解决“监测到温升后到冷量输出作用到温升点之间的迟滞影响”，因冷量调节与真正输出并传输作用在温升点直接是需要一定时间的，而且此部分时间不会因控制量的改变而发生改变，所以无法通过对于精密空调的控制实现冷量迟滞问题的解决，此部分影响需要继续研究。
本发明提供的基于人工智能实现数据中心节能温控的系统及方法，是属于人工智能方向的运用智能算法实现数据中心安全监控和节能温控的系统及方法，结合模糊逻辑控制(Fuzzy Logic Control)和逻辑回归算法(Logic Regression)实现的智能控制系统，动态平衡多影响因子下的温度及湿度控制输出，配合异常温湿度变化趋势识别，在进一步完善控制安全的同时，保证生成最优调整方案以实现最大限度节约能源。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (9)

1.一种基于人工智能实现数据中心节能温控的系统，其特征在于，所述的系统包含：传感器、暖通空调系统以及逻辑控制单元；所述的传感器是实时监测室内、室外的温度和湿度数据的温湿度传感器；所述的暖通空调系统响应逻辑控制单元的控制指令，完成对数据中心各机房的加热、制冷和除湿操作；所述的逻辑控制单元由模糊逻辑控制单元和逻辑回归单元组成；模糊逻辑控制单元通过传感器监测得到的数据，将总制冷量与总产热量进行动态平衡，并调节空调使用与备机数量，最优化控制输出，在安全控温的同时实现节能；逻辑回归单元利用基于历史数据所建立的滑动窗口，识别异常温湿度变化趋势，并及时发出送报警信息，保证安全并监控违规操作；所述的模糊逻辑控制单元由2个阶段的模糊控制实现，第一阶段模糊逻辑实现多维度状态量输入的模糊化，从而拟合数据，并通过解模糊化，映射出不同状态下的输入强度，实现对于多维度输入的抽象；第二阶段引用第一阶段的结论作为输入，再次利用模糊化处理拟合输入数据，以通过强度叠加实现对于目标控制量的映射；所述的模糊逻辑控制单元实现模糊逻辑控制算法，包含第一阶段和第二阶段；第一阶段的模型输入模糊集由3个状态组成，表示各传感器当前检测状态，分别代表低温状态、标准状态和高温状态，具体为：
Level_01-A＝{Low,Normal,High},Level_01-B＝{Low,Normal,High},
Level_02-A＝{Low,Normal,High},Level_02-B＝{Low,Normal,High},
Level_03-A＝{Low,Normal,High},Level_03-B＝{Low,Normal,High}；
第一阶段的模型输出模糊集由6个状态组成，表示同级传感器的状态描述，分别代表两低温状态、低温和标准状态、两标准状态、低温和高温状态、标准和高温状态和两高温状态，具体为：
SensorStatement_01＝{L-L,L-N,N-N,L-H,N-H,H-H},
SensorStatement_02＝{L-L,L-N,N-N,L-H,N-H,H-H},
SensorStatement_03＝{L-L,L-N,N-N,L-H,N-H,H-H}；
第二阶段的模型输入模糊集由4个状态组成，表示同级传感器状态拟合强度，分别代表低温状态、标准状态、单点高温状态和两点高温状态，具体为：
SensorStrength_01＝{Low,Normal,High,2_High},
SensorStrength_02＝{Low,Normal,High,2_High},
SensorStrength_03＝{Low,Normal,High,2_High}；
第二阶段的模型输出模糊集由2组变量组成，每组中有4个状态，分别表示每台精密空调出风温度和风机转速；出风温度中状态描述由紧急超低温送风状态、低温送风状态、中等温度送风状态和高温送风状态组成，风机转速由低送风、中等送风、高送风、紧急强送风组成；
输出模糊集还包含电源后备控制，由减少、维持不变、增加和紧急，4个状态组成，具体为：
IntletAirTemperature＝{Emergency,Low,Medium,High},
FanSpeed＝{Low,Normal,High,Emergency},
ACBackupControl＝{Decreasing,Maintain,Increasing,Emergency}。
2.一种通过如权利要求1所述的系统进行的基于人工智能实现数据中心节能温控的方法，其特征在于，所述的方法使用模糊逻辑控制算法计算适合当前状态的温度控制输出及使用空调数量，再结合逻辑回归算法，监测异常温湿度变化趋势，保证数据中心机房安全。
3.如权利要求2所述的基于人工智能实现数据中心节能温控的方法，其特征在于，所述的模糊逻辑控制算法通过模糊逻辑控制单元实现，包含第一阶段和第二阶段，每个阶段分别包含：步骤1、建立输入输出模糊集；步骤2、定义输入输出隶属函数；步骤3、建立模糊控制表；步骤4、建立模糊控制规则；步骤5、模糊推理；步骤6、解模糊化。
4.如权利要求3所述的基于人工智能实现数据中心节能温控的方法，其特征在于，所述的模糊逻辑控制算法中，第一阶段的模型输入模糊集由3个状态组成，表示各传感器当前检测状态，分别代表低温状态、标准状态和高温状态，具体为：
Level_01-A＝{Low,Normal,High},Level_01-B＝{Low,Normal,High},
Level_02-A＝{Low,Normal,High},Level_02-B＝{Low,Normal,High},
Level_03-A＝{Low,Normal,High},Level_03-B＝{Low,Normal,High}；
第一阶段的模型输出模糊集由6个状态组成，表示同级传感器的状态描述，分别代表两低温状态、低温和标准状态、两标准状态、低温和高温状态、标准和高温状态和两高温状态，具体为：
SensorStatement_01＝{L-L,L-N,N-N,L-H,N-H,H-H},
SensorStatement_02＝{L-L,L-N,N-N,L-H,N-H,H-H},
SensorStatement_03＝{L-L,L-N,N-N,L-H,N-H,H-H}。
5.如权利要求4所述的基于人工智能实现数据中心节能温控的方法，其特征在于，所述的模糊逻辑控制算法中，第二阶段的模型输入模糊集由4个状态组成，表示同级传感器状态拟合强度，分别代表低温状态、标准状态、单点高温状态和两点高温状态，具体为：
SensorStrength_01＝{Low,Normal,High,2_High},
SensorStrength_02＝{Low,Normal,High,2_High},
SensorStrength_03＝{Low,Normal,High,2_High}；
第二阶段的模型输出模糊集由2组变量组成，每组中有4个状态，分别表示每台精密空调出风温度和风机转速；出风温度中状态描述由紧急超低温送风状态、低温送风状态、中等温度送风状态和高温送风状态组成，风机转速由低送风、中等送风、高送风、紧急强送风组成，具体为：
IntletAirTemperature＝{Emergency,Low,Medium,High},
FanSpeed＝{Low,Normal,High,Emergency}。
6.如权利要求3所述的基于人工智能实现数据中心节能温控的方法，其特征在于，所述的模糊逻辑控制算法中，在输入和输出模糊集建立完成后，基于输入状态集建立对于目标问题的模糊控制表，即目标问题的全局解空间，通过排列组合各输入状态生成状态列表，并结合控制强度对应匹配控制状态，实现建立模糊控制规则。
7.如权利要求3所述的基于人工智能实现数据中心节能温控的方法，其特征在于，所述的模糊逻辑控制算法中，通过模糊推理，确立模糊化和解模糊化是采用重心法和加权平均算法对输出结果进行求解计算。
8.如权利要求7所述的基于人工智能实现数据中心节能温控的方法，其特征在于，所述的重心法是取隶属度函数曲线与横坐标围成面积的重心，作为模糊推理的最终输出值；具体为：
Figure FDA0003890256300000051
对于具有m个输出量化级数的离散阈情况：
Figure FDA0003890256300000052
9.如权利要求7所述的基于人工智能实现数据中心节能温控的方法，其特征在于，所述的加权平均算法是工业控制中广泛应用的反模糊化算法，输出值由下式决定：
Figure FDA0003890256300000053
其中系数ki的选择根据实际情况而定，不同的系数决定系统具有不同的响应特性，当系数ki取隶属度μv(vi)时，就化为重心法。
CN202110187961.8A 2021-02-18 2021-02-18 一种基于人工智能实现数据中心节能温控的系统及方法 Active CN112954977B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110187961.8A CN112954977B (zh) 2021-02-18 2021-02-18 一种基于人工智能实现数据中心节能温控的系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110187961.8A CN112954977B (zh) 2021-02-18 2021-02-18 一种基于人工智能实现数据中心节能温控的系统及方法

Publications (2)

Publication Number Publication Date
CN112954977A CN112954977A (zh) 2021-06-11
CN112954977B true CN112954977B (zh) 2023-04-14

Family

ID=76245814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110187961.8A Active CN112954977B (zh) 2021-02-18 2021-02-18 一种基于人工智能实现数据中心节能温控的系统及方法

Country Status (1)

Country Link
CN (1) CN112954977B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1408385A1 (fr) * 2002-10-11 2004-04-14 STMicroelectronics S.A. Procédé de commande d'un système dynamique, utilisant un modèle de logique floue d'au moins une fonction de transfert inverse de ce système
GB0619314D0 (en) * 2006-09-29 2006-11-08 Univ Montfort A system and method for processing type-2 fuzzy loic sets
CN102069245A (zh) * 2010-11-08 2011-05-25 大连理工大学 基于区间二型模糊逻辑的微细电火花两阶模糊控制方法
WO2015074573A1 (zh) * 2013-11-21 2015-05-28 中兴通讯股份有限公司 一种控制风量输出的方法及装置、存储介质
JP3222673U (ja) * 2019-03-14 2019-08-15 國家中山科學研究院 基地局用の能動的なスマート放熱システム
CN110376896A (zh) * 2019-07-30 2019-10-25 浙江大学 一种基于深度学习和模糊控制的单热源空调优化制冷方法
CN111351180A (zh) * 2020-03-06 2020-06-30 上海外高桥万国数据科技发展有限公司 一种运用人工智能实现数据中心节能温控的系统及方法
CN111365828A (zh) * 2020-03-06 2020-07-03 上海外高桥万国数据科技发展有限公司 结合机器学习实现数据中心节能温控的模型预测控制方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001334820A (ja) * 2000-05-29 2001-12-04 Denso Corp 車両用空調装置
US7734400B2 (en) * 2003-07-24 2010-06-08 Honeywell International Inc. Fault detection system and method using augmented data and fuzzy logic
CN102176179A (zh) * 2011-01-21 2011-09-07 丹纳赫西特传感工业控制（天津）有限公司 一种针对包装机械载荷变化的具有温度补偿模糊控制算法
CN103455509B (zh) * 2012-05-31 2017-03-01 阿里巴巴集团控股有限公司 一种获取时间窗口模型参数的方法和系统
US20140052429A1 (en) * 2012-08-20 2014-02-20 International Business Machines Corporation Proactive data center cooling
GB201305070D0 (en) * 2013-03-19 2013-05-01 Massive Analytic Ltd Appatatus for reducing data volumes
US10838376B2 (en) * 2015-09-10 2020-11-17 I.Systems Automação Industrial S.A Method of generating fuzzy knowledge base for a programmable fuzzy controller
CN105371432A (zh) * 2015-11-20 2016-03-02 Tcl空调器(中山)有限公司 空调器及空调器的控制方法
CN109114742B (zh) * 2018-07-27 2021-04-20 广东美的制冷设备有限公司 控制方法、装置、空调器、遥控终端、服务器及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1408385A1 (fr) * 2002-10-11 2004-04-14 STMicroelectronics S.A. Procédé de commande d'un système dynamique, utilisant un modèle de logique floue d'au moins une fonction de transfert inverse de ce système
GB0619314D0 (en) * 2006-09-29 2006-11-08 Univ Montfort A system and method for processing type-2 fuzzy loic sets
CN102069245A (zh) * 2010-11-08 2011-05-25 大连理工大学 基于区间二型模糊逻辑的微细电火花两阶模糊控制方法
WO2015074573A1 (zh) * 2013-11-21 2015-05-28 中兴通讯股份有限公司 一种控制风量输出的方法及装置、存储介质
JP3222673U (ja) * 2019-03-14 2019-08-15 國家中山科學研究院 基地局用の能動的なスマート放熱システム
CN110376896A (zh) * 2019-07-30 2019-10-25 浙江大学 一种基于深度学习和模糊控制的单热源空调优化制冷方法
CN111351180A (zh) * 2020-03-06 2020-06-30 上海外高桥万国数据科技发展有限公司 一种运用人工智能实现数据中心节能温控的系统及方法
CN111365828A (zh) * 2020-03-06 2020-07-03 上海外高桥万国数据科技发展有限公司 结合机器学习实现数据中心节能温控的模型预测控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨红培 ; 刘萍 ; .基于模糊逻辑的移动自组织网络组播路由协议.电子技术应用.2018,(09),全文. *
赵秀花,李安生.模糊神经控制器在全自动洗衣机中的应用.河南科学.2001,(04),全文. *

Also Published As

Publication number Publication date
CN112954977A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
Lee et al. Deep-learning-based fault detection and diagnosis of air-handling units
Attia et al. Fuzzy logic control of air-conditioning system in residential buildings
CN101782261B (zh) 暖通空调系统的非线性自适应节能控制方法
Li et al. Rule-based fuzzy control method for static pressure reset using improved Mamdani model in VAV systems
CN114963414B (zh) 基于ai数据分析的空调系统智能调控装置
CN107421029B (zh) 一种末端冷量均衡控制方法
CN114383299B (zh) 基于大数据与动态仿真的中央空调系统运行策略优化方法
CN114440409A (zh) 一种中央空调系统自适应节能控制方法
US20100070088A1 (en) Air-conditioning algorithm for water terminal free cooling
CN109612047B (zh) 变风量空调系统的送风温度控制方法
CN113739371B (zh) 一种基于云端协同的中央空调系统及其控制方法
CN110848895B (zh) 一种非工空调柔性负荷控制方法和系统
Waheed et al. Fuzzy logic controller for classroom air conditioner
CN112954977B (zh) 一种基于人工智能实现数据中心节能温控的系统及方法
Ma et al. Energy-efficient static pressure reset in VAV systems
CN108507126B (zh) 一种中央空调冷冻水的模糊控制方法、装置及空调
Hongli et al. A novel adaptive energy-efficient controller for the HVAC systems
Yu et al. Variable recycled air controls of HVAC systems for energy savings in high-tech industries
CN114893859A (zh) 海洋平台舱室空调控制系统、方法和存储介质
CN111678248B (zh) 空调设备的运行控制方法、空调设备和存储介质
JPH02187554A (ja) ビル監視制御装置による空調制御方式
Ali Developing of a fuzzy logic controller for air conditioning system
CN112146247B (zh) 多台同型号变频冷冻水泵并联的控制方法及系统
CN117537472A (zh) 室内外环境自适应变风量空调控制方法及控制系统
CN106839349B (zh) 基于末端舒适度的供水变流量控制系统

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