CN113722906A - 基于数字孪生的数据中心空调系统可靠性评估方法 - Google Patents

Abstract

本发明提出了一种数据中心空调系统自控策略可靠性评估方法。该方法首先建立被测空调系统的虚拟仿真系统，来实时仿真被测系统在大范围工况下的运行；其次，利用K‑means++算法根据历史数据选择典型运行工况作为可靠性评估的测试工况；第三，通过非序贯蒙特卡洛方法自动化批量生成测试样例，自动地将故障测试样例注入到特定虚拟仿真系统对应的故障对象的模型中；最后，对故障注入后系统仿真运行数据进行采集，计算硬故障与软故障发生情况下的系统自控运行可靠性指标，评估数据中心空调系统的可靠性。本方法可在空调系统自控策略落地部署前测试发现其潜在的缺陷和错误，反映不同故障对系统运行的影响程度，辅助空调系统自控策略优化和修正。

Description

基于数字孪生的数据中心空调系统可靠性评估方法

技术领域

本发明属于中央空调领域，涉及基于数字孪生的数据中心的可靠性评估技术，具体涉及基于系统仿真的数据中心空调系统可靠性评估方法。

技术背景

我国目前建有数据中心15万个，机架总量达到约500万台。一个大型数据中心用电量相当于一个美国小城市的总电量。早在2018年，全国数据中心消耗电量1608.89亿千瓦时，相当于上海地区的全年耗电量。由此可见数据中心的节能与维护变得至关重要。

可靠性是指一个元器件、设备或系统在既定的时间段内和运行条件下能够完成设计功能的能力。但是目前我国数据中心在建设过程中对空调系统运行策略设计缺乏可靠性评估，投入使用后未进行可靠性校验，建设方式粗放。由于数据中心有持续运行的特殊要求，对空调系统进行各类测试、收集实验数据并不现实且成本较高。前期测试不充分、历史数据不完整、空调系统结构机理复杂和可靠性分析人员认知上的局限性等现实情况，导致在可靠性分析过程中存在难度。

数字孪生的可靠性评估方法能有效暴露系统运行策略中存在的缺陷，有助于进一步提出运行优化方案以提高空调系统的运行可靠性，为故障诊断和运维调适提供决策依据。因此在建设数据中心的过程中，利用数字孪生技术对即将投入建设的数据中心系统设计进行可靠性评估具有十分重要的价值与意义。

发明内容

本发明的目的在于解决现有技术中存在的问题，并提供一种基于数字孪生的数据中心空调系统可靠性评估方法。该技术对被测空调系统构建数据孪生系统并根据专家经验知识发掘出潜在风险点，通过K-Means++算法从历史每日用能数据中获取典型工况,利用非序贯运蒙特卡洛抽样方法获得可靠性评估样本集并注入构建的数据孪生模型仿真以获得可靠性指标，进行建筑能源系统的可靠性评估。

本发明具体采用的技术方案如下：

一种数据中心空调系统可靠性评估方法，其包括以下步骤：

S1、对待评估的数据中心空调系统进行仿真建模，得到与实际的数据中心空调系统运行状态及配置参数保持一致的空调系统数字孪生仿真模型；

S2、对数据中心空调系统的历史用能负荷数据进行清洗预处理后再按日进行划分，得到每一个工作日的用能负荷曲线，对所有用能负荷曲线利用K-means++算法实现聚类，得到的每一个聚类中心对应的用能负荷曲线作为一种典型工况；

S3、基于专家经验获取针对数据中心空调系统预设的包含软故障与硬故障的典型故障集合以及各故障的发生概率，通过非序贯蒙特卡洛方法生成故障测试样例集合；

S4、针对每一种典型工况，将对应的故障测试样例集合中的每一个故障测试样例注入所述空调系统数字孪生模型中仿真运行，针对软故障与硬故障分别计算自控策略可靠性评价指标，实现数据中心空调系统自控策略可靠性评估。

作为优选，所述S1的具体步骤如下：

S11、获取数据中心空调系统的基础信息，包括冷水机组、冷却水泵、冷冻水泵、冷却塔、系统管道网络以及末端设备的设计或实际型号与参数；

S12、基于所述基础信息，建立与实际的数据中心空调系统运行状态及配置参数保持一致的空调系统数字孪生仿真模型。

作为优选，所述S2的具体步骤如下：

S21、获取数据中心空调系统的历史用能负荷数据，所述历史用能负荷数据为数据中心空调系统历史运行过程中每日记录的冷负荷数据；

S22、对所述历史用能负荷数据进行预处理，剔除数据中的异常值和缺失值，然后将剔除异常值与缺失值的处理后数据中存在冷负荷数据的每个日期作为工作日，将处理后数据按照工作日进行划分，每一个工作日的数据对应形成一条用能负荷曲线，所有的用能负荷曲线构成曲线数据集；

S23、预设聚类算法迭代的最大循环次数，以及聚类中心数量k的待选集合K＝{k₁,k₂,k₃,k₄....}；

S24、从待选集合K中提取出一个尚未被提取过的值赋给k，然后从曲线数据集中指定k个工作日的用能负荷曲线作为初始的聚类中心

其中初始的聚类中心按照K-means++聚类算法进行确定，先确定第一个聚类中心，后续聚类中心的选择遵循不等概率的随机选择，且每个工作日的用能负荷曲线被选择作为聚类中心的概率与其距离已有聚类中心的距离呈正相关，即距离已确定聚类中心越远的越可能被选为聚类中心；

S25、对于所述曲线数据集中的其余工作日的用能负荷曲线，分别计算每个工作日的用能负荷曲线与k个聚类中心之间的距离，并将每一条用能负荷曲线划分至距离最近的一个聚类中心所代表的聚类类别中，然后对每一个聚类类别更新其聚类中心；其中每一个聚类类别更新后的聚类中心为：

其中C_i为第i个聚类类别的用能负荷曲线集合，|C_i|表示第i个聚类类别中用能负荷曲线X_i的数量。

S26、不断循环重复S25，直至达到最大循环次数后完成迭代，记录最终得到的k个聚类中心以及所对应的轮廓系数；

S27、针对待选集合K中的每一个值不断重复S24～S26，最终确定具有最大轮廓系数的聚类中心个数为最终的聚类中心个数k，从而得到对应的k个聚类中心，每一个聚类中心的用能负荷曲线作为一种典型工况。

作为优选，所述S3的具体步骤如下：

S31、获取根据专家经验以及历史运行数据确定的数据中心空调系统中典型故障集合以及各个故障的发生概率，其中故障类型包括软故障与硬故障。每一类故障在不同的工作日下假设其发生概率相同，典型故障集合中总共N类典型故障发生的概率分别为：

{p₁,p₂,p₃...p_N-1,p_N}

其中p_i表示第i类典型故障的发生概率；

S32、针对S2中确定的每一种典型工况，基于非序贯蒙特卡洛方法进行N次随机采样生成一个序列{r₁,r₂,r₃...r_N-1,r_N}，将{r₁,r₂,r₃...r_N-1,r_N}与故障发生概率{p₁,p₂,p₃...p_N-1,p_N}逐一比较确定一个

确定方式如下:

其中x_i表示第i类故障是否发生：

S33、针对S2中确定的每一种典型工况，共重复M次S32，生成总数为M的故障测试样例集合

作为优选，所述S4中，针对S2中确定的每一种典型工况进行可靠性评估的具体步骤如下：

S41、基于当前的典型工况，将其对应的故障测试样例集合中的每一个故障测试样例注入所述空调系统数字孪生仿真模型中，仿真模拟空调系统出现故障测试样例中存在的故障后在自控策略下的运行过程，从而得到引入故障测试样例后的空调系统仿真运行结果；

S42、基于当前的典型工况，在空调系统数字孪生仿真模型中进行无故障情况下的仿真运行，得到无故障情况下的空调系统仿真运行结果；

S43、分别针对典型故障集合中的每一种硬故障和软故障进行可靠性评估指标的计算，其中：

对于硬性故障计算以下三个指标：

1.1、计算引入故障之后系统所能提供的制冷量P_引入故障与无故障时的制冷量P_正常运行的绝对差值ΔP＝|P_正常运行-P_引入故障|；

1.2、计算故障响应时间T_响应，即故障引入至系统检测到故障发生之后自动采取应对措施的时间，计算公式为T_响应＝T_{系统采取应对措施}-T_故障引入，若系统未采取应对措施，则该指标为T_响应＝T_故障移除-T_故障引入，式中T_{系统采取应对措施}表示系统检测到故障发生做出调整的时刻，T_故障引入表示故障引入的时刻，T_故障移除表示故障移除的时刻；

1.3、计算中断时间比α_中断，即因硬性故障导致的系统无法正常到达设计性能状态所持续的时间与故障总时长之比，计算公式为

式中T_{系统无法达到设计性能}表示系统因故障引入导致性能无法达到设计性能的时刻，T_{系统恢复设计性能}表示系统对引入的故障采取应对措施使得系统恢复设计性能的时刻；

对于软故障计算以下三个指标：

2.1、计算引入故障之后系统所能提供的制冷量P_引入故障与无故障时的制冷量P_正常运行的绝对差值Δp＝|P_正常运行-P_引入故障|；

2.2、计算引入故障后的制冷量与正常运行提供制冷量的偏差，计算公式为：

2.3、计算t_η＞ε与故障引入总时长t＝T_故障移除-T_故障引入的比值，计算公式为：

其中t_η＞ε为统计得到的η＞ε的总时长，ε为可容忍的波动误差阈值。

作为优选，所述S4中，可容忍的波动误差阈值ε为5％。

相对于现有技术而言，本发明基于故障注入的数据中心空调系统可靠性评估方法可实现在测试过程中发现空调系统自控策略存在的缺陷和错误，反映不同故障对系统运行的影响程度，辅助空调系统自控策略优化和修正，可实现自动化、低成本、可迭代的可靠性测试与评估。

附图说明

图1为数据中心空调系统可靠性评估方法流程图。

图2为实施例所分析的数据中心空调系统图。

图3为聚类得到的典型工况示意图；

图4为硬性故障所采用指标计算示意图。

具体实施方式

下面结合附图对本发明的实施例作详细说明，本实施例在本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。

数据中心对空调系统运行的安全性可靠性要求十分严苛，其中空调系统自控逻辑对故障异常的容错能力对安全性可靠性极其关键。

如图1所示，在本发明的一个较佳实施例中，提供了一种基于数字孪生的数据中心空调系统可靠性评估方法，该方法将仿真策略所在的上位机连接到虚拟仿真平台，在虚拟仿真中引入所有可能产生的故障测试仿真策略的安全性和可靠性，大幅度降低实际测试的成本。实施例所分析的数据中心空调系统图如图2所示.该方法包括四个步骤：构建虚拟仿真系统，识别典型工况，生成与注入典型故障案例和评估可靠性：首先建立被测空调系统的虚拟仿真系统,同时根据历史数据选择典型运行工况。其次，通过非序贯蒙特卡洛方法自动化批量生成测试样例，自动地将故障测试样例注入到特定虚拟仿真系统对应的故障对象的模型中。第三，对故障注入后系统仿真运行数据进行采集与可靠性分析。最后，根据引入故障后自控系统的控制效果来评估其可靠性。

上述四个步骤的具体实现如下：

步骤一：仿真系统模型构建

本步骤需要针对待评估的数据中心空调系统进行仿真建模，得到与实际的数据中心空调系统运行状态及配置参数保持一致的空调系统数字孪生仿真模型。

仿真系统模型构建的具体步骤如下：

第1-1步骤：获取系统配置信息：

获取数据中心空调系统的基础信息，包括冷水机组、冷却水泵、冷冻水泵、冷却塔、系统管道网络以及末端设备的设计或实际型号与参数；

本实施例中所评估的数据中心空调系统如图2所示，包含三台冷水机组，三台冷却水泵，三台冷冻水泵，三台冷却塔，三个冷却进水阀门，三个冷冻进水阀门组成的三个环路，三个环路共同提供系统所需的冷负荷。另外获取该系统中各设备的型号与参数。

第1-2步骤：构建系统仿真模型：

基于第1-1步骤获取的基础信息，建立与实际的数据中心空调系统运行状态及配置参数保持一致的空调系统数字孪生仿真模型。

步骤二：典型工况的获取：

对数据中心空调系统的历史用能负荷数据进行清洗预处理后再按日进行划分，得到每一个工作日的用能负荷曲线，对所有负荷曲线利用K-means++算法实现聚类，每一个聚类中心对应的用能负荷曲线作为一种典型工况；

本步骤的具体做法如下：

第2-1步：获取数据中心空调系统的历史用能负荷数据，其中在本实施例中历史用能负荷数据为数据中心空调系统历史运行过程中每日记录的冷负荷数据，每一日的冷负荷数据是由一系列时序数据组成的，可以视为是一条数据曲线。

第2-2步：对前述的历史用能负荷数据进行预处理，剔除数据中的异常值和缺失值所在的工作日的日数据从而实现数据清洗，然后将剔除异常值与缺失值的处理后数据中存在冷负荷数据的每个日期作为工作日，将处理后数据按照工作日进行划分，每一个工作日的数据对应形成一条用能负荷曲线，所有的用能负荷曲线构成曲线数据集。

在本实施例中，剔除异常值和缺失值所在的工作日后，最终得到455个有效工作日的数据，将剔除异常值与缺失值的数据处理为每日数据占据一行的格式。因数据集为每隔5分钟进行一次的采样，因此每天的数据为24×12＝288个，即每行的数据个数为288个，共455行，每一行数据视为一个工作日的用能负荷曲线。

第2-3步：超参数设定

预设聚类算法迭代的最大循环次数，以及聚类中心数量k的待选集合K＝{k₁,k₂,k₃,k₄....}。在本实施例中，确定算法迭代的最大循环次数500次，聚类中心的待选集合为K＝{2,3,4,5，6}，即聚类中心数量k从2～6中选择。

第2-4步：初始聚类中心的选择：

从待选集合K中提取出一个尚未被提取过的值赋给k，然后从曲线数据集中指定k个工作日的用能负荷曲线作为初始的聚类中心X_c＝{X_c1,X_c2,...,X_ck-1,X_ck}；

在本实施例中，初始的聚类中心按照K-means++聚类算法进行确定，即先在第2-2步预处理后的用能负荷曲线中随机选取一条作为第一个聚类中心，然后后续聚类中心的选择遵循不等概率的随机选择，而每个工作日的用能负荷曲线被选择作为聚类中心的概率与其距离已有聚类中心的距离呈正相关，即距离已确定聚类中心越远的越可能被选为聚类中心。k个初始聚类中心记为

对应的工作日记为C＝{c₁,c₂,...,c_k-1,c_k}。

表示第i个聚类类别的聚类中心，即用能负荷曲线。

第2-5步：曲线聚类

对于曲线数据集中的其余工作日的用能负荷曲线，分别计算每个工作日的用能负荷曲线与k个聚类中心之间的距离，并将每一条用能负荷曲线划分至距离最近的一个聚类中心所代表的聚类类别中，然后对每一个聚类类别更新其聚类中心。

曲线的聚类过程与点的聚类过程相似，所不同的是曲线聚类过程中的距离为曲线之间相同横坐标所对应的数据点的欧几里得距离的总和。

在本实施例中，需计算任意第i(1≤i≤455)个工作日曲线数据X_i到k个聚类中心

的距离S_i＝{s_i,1,s_i,2,...,s_i,k-1,s_i,k}，其中s_ij的定义如下：

其中||·||表示计算欧几里得距离。

最终，第i个工作日的用能负荷曲线应当属于欧几里得距离最近的那一类聚类中心所代表的聚类类别。

第2-6步：聚类中心更新：

由于本实施例中的聚类样本是用能负荷曲线，因此更新聚类中心时应当重新计算一个聚类类别簇中所有用能负荷曲线的算数平均中心。具体而言，针对k个类别聚类中心进行更新时，取每一类的算术平均中心作为新的聚类中心，具体公式如下：

其中C_i为第i个聚类类别的用能负荷曲线集合，|C_i|表示第i个聚类类别中用能负荷曲线X_i的数量。

第2-7步：聚类中心与轮廓系数的确定

不断循环重复第2-5步、第2-6步并累计循环次数，直至达到最大循环次数500后完成迭代，记录最终得到的k个聚类中心以及所对应的轮廓系数。

第2-8步：不同k值的循环和优化

针对待选集合K中的每一个值不断重复第2-4步骤～第2-6步骤，而每一个k值都会在第2-7步中具有一个对应的轮廓系数。最终确定具有最大轮廓系数的聚类中心个数为最终的聚类中心个数k，从而得到对应的k个聚类中心，每一个聚类中心的用能负荷曲线作为一种典型工况。

在本实施例中，对聚类中心数量k的待选集合K＝{2,3,4,5,6}重复第2-4步、第2-5步、第2-6步，第2-7步并保留计算所得的轮廓系数分别记为{cof₂,cof₃,cof₄,cof₅,cof₆}，确定轮廓系数最大的对应的聚类中心个数为5，最终的聚类中心个数k＝5。最终选定聚类得到5类典型工况。

聚类之后每种典型工况中的样本数量为：

类别	工况1	工况2	工况3	工况4	工况5
						数量	188	87	59	67	53

聚类得到的典型工况如图3所示：图中的横坐标表示的是一日中的时间，纵坐标表示系统冷负荷。曲线type0表示的为未开机的工况，图中的type1，type2，type3，type4则为聚类出的典型日负荷随时间变化曲线。每个典型工况的冷负荷均随着时间的推移在中午达到顶峰后慢慢下降。本实施例中，除type0外，不同的典型工况实际代表了不同季节的空调系统制冷工况。

步骤三：故障注入的测试样例生成：

基于专家经验获取针对数据中心空调系统预设的包含软故障与硬故障的典型故障集合与各故障的发生概率，通过非序贯蒙特卡洛方法生成故障测试样例集合，故障测试样例集合将用于注入前述空调系统数字孪生仿真模型中进行故障仿真；

本步骤的具体做法如下：

第3-1步：对步骤2-1中所获得的历史运行数据数据预处理，剔除该系统历史运行数据中的异常值与缺失值，然后可根据专家经验以及历史运行数据确定的数据中心空调系统中典型故障集合与各个故障的发生概率，其中故障类型包括软故障与硬故障；每一类故障在不同的工作日下假设其发生概率相同，典型故障集合中总共N类典型故障发生的概率分别为：

{p₁,p₂,p₃...p_N-1,p_N}

其中p_i表示第i类典型故障的发生概率；

在本实施例中，根据专家经验以及第3-1步的历史数据可得到硬故障与软故障共6种典型故障，分别为：冷水机组性能衰减，冷冻水泵性能衰减，冷却塔填料堵塞，冷水机组频率固定，冷水机组宕机,阀门卡死。

6种典型故障在4种工况日下发生的概率为：

{p_{冷水机组性能衰减},p_{冷冻性能衰减},p_{冷却塔填料堵塞},p_{冷水机组频率固定},p_{冷水机组宕机},p_阀门卡死},

最终本实施例中采用的概率为：

冷冻水泵测试模型：

P(正常)＝0.7576,P(性能衰减)＝0.2424

阀门卡死模型：

P(正常)＝0.9375 P(卡死)＝0.0625

冷却塔测试模型：

P(正常)＝0.6228,P(填料堵塞)＝0.3772

冷水机组性能衰减测试模型：

P(正常)＝0.7996,P(性能衰减)＝0.2004

冷水机组宕机测试模型：

P(正常)＝0.952,P(宕机)＝0.048

冷水机组频率固定：

P(正常)＝0.7244,P(频率固定)＝0.2756

第3-2步：基于非序贯蒙特卡洛方法的故障测试样例生成：为生成一个故障测试样例需要进行N次随机采样得到{r₁,r₂,r₃...r_N-1,r_N}，将{r₁,r₂,r₃...r_N-1,r_N}与故障发生概率{p₁,p₂,p₃...p_N-1,p_N}逐一比较生成一个故障测试样例

确定方式如下:

其中

中的x_i表示第i类故障是否发生：

针对每一种典型工况需生成一系列的故障测试样例，因此本实施例中不断重复S32一共M次，由此生成总数为M的故障测试样例集合

需注意的是，上述实施例中虽然得到了5类典型工况，但是其中一类典型工况实际代表了空调系统未开机的工况，因此本实施例中可以忽略这一工况，仅对剩下的四种典型工况进行评估。但是如果其他实施例中，所得到的k各典型工况均是空调系统开机的某种工况，那么所有的典型工况均需要进行评估。

本实施例中，确定每种故障在每一种典型工况下最少的测试次数M＝1000，通过蒙特卡洛抽样方法可得到在工况j下的一个故障注入的测试用例

共需6×1000＝6000次抽样，其中6表示典型故障数量，1000表示生成M＝1000个故障注入的测试用例

重复4次，得到除type0之外4类典型工况下的故障注入的测试用例Θ＝{θ₁,θ₂,θ₃,θ₄}。

步骤四：可靠性评估：

针对每一种典型工况，将其对应的故障测试样例集合中的每一个故障测试样例注入所述空调系统数字孪生仿真模型中，仿真模拟空调系统出现故障测试样例中存在的故障后在自控策略下的运行过程，从而得到引入故障测试样例后的空调系统仿真运行结果，实现数据中心空调系统自控策略可靠性评估方法。

本发明中所谓故障注入，是在数字孪生仿真模型上根据故障物理意义修改模型的相应参数或者仿真逻辑，达到和实际中故障影响类似的效果。每一种典型工况都对应一条用能负荷曲线，在数字孪生仿真模型相应的故障可以通过注入这一条用能负荷曲线中，来实现对故障的仿真模拟。

本步骤的具体做法如下：

第4-1步：基于当前的典型工况，将其对应的故障测试样例集合中的每一个故障测试样例注入所述空调系统数字孪生仿真模型中，仿真模拟空调系统出现故障测试样例中存在的故障后在自控策略下进行容错修正的运行过程，从而得到引入故障测试样例后的空调系统仿真运行结果；

第4-2步：基于当前的典型工况，在空调系统数字孪生仿真模型中进行无故障情况下的仿真运行，得到无故障情况下的空调系统仿真运行结果；

第4-3步：分别针对典型故障集合中的每一种硬故障和软故障进行可靠性评估指标的计算，其中：

对于硬性故障计算以下三个指标：

1.1、计算引入故障之后系统所能提供的制冷量P_引入故障与无故障时的制冷量P_正常运行的绝对差值ΔP＝|P_正常运行-P_引入故障|；

1.2、计算故障响应时间T_响应，即故障引入至系统检测到故障发生之后自动采取应对措施的时间，计算公式为T_响应＝T_{系统采取应对措施}-T_故障引入，若系统未采取应对措施，则该指标为T_响应＝T_故障移除-T_故障引入，式中T_{系统采取应对措施}表示系统检测到故障发生做出调整的时刻，T_故障引入表示故障引入的时刻，T_故障移除表示故障移除的时刻；

1.3、计算中断时间比α_中断，即因硬性故障导致的系统无法正常到达设计性能状态所持续的时间与故障总时长之比，计算公式为

式中T_{系统无法达到设计性能}表示系统因故障引入导致性能无法达到设计性能的时刻，T_{系统恢复设计性能}表示系统对引入的故障采取应对措施使得系统恢复设计性能的时刻，T_故障引入表示故障引入的时刻，T_故障移除表示故障移除的时刻；

硬性故障的三个指标的变量含义如图4所示。

对于软故障计算以下三个指标：

2.1、计算引入故障之后系统所能提供的制冷量P_引入故障与无故障时的制冷量P_正常运行的绝对差值Δp＝|P_正常运行-P_引入故障|；

2.2、计算引入故障后的制冷量与正常运行提供制冷量的偏差，计算公式为：

2.3、计算t_η＞ε与故障引入总时长t＝T_故障移除-T_故障引入的比值，计算公式为：

其中t_η＞ε为统计得到的η＞ε的总时长，ε为可容忍的波动误差阈值。本实施例中可容忍的波动误差阈值ε为5％。

对k类工况重复第4-1步，第4-2步，第4-3步，得到所有k类工况下系统的可靠性评估结果。

需注意的是，上述每一个指标都是对应于一个故障测试样例的，而故障测试样例集合中存在多个故障测试样例，因此在最终衡量可靠性时可以对一个故障测试样例集合中不同故障测试样例下的指标进行统计分析，以均值等统计量作为最终的相对衡量标准。

以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (6)

1.一种数据中心空调系统可靠性评估方法，其特征在于，包括以下步骤：

S1、对待评估的数据中心空调系统进行仿真建模，得到与实际的数据中心空调系统运行状态及配置参数保持一致的空调系统数字孪生仿真模型；

S2、对数据中心空调系统的历史用能负荷数据进行清洗预处理后再按日进行划分，得到每一个工作日的用能负荷曲线，对所有用能负荷曲线利用K-means++算法实现聚类，得到的每一个聚类中心对应的用能负荷曲线作为一种典型工况；

S3、基于专家经验获取针对数据中心空调系统预设的包含软故障与硬故障的典型故障集合以及各故障的发生概率，通过非序贯蒙特卡洛方法生成故障测试样例集合；

S4、针对每一种典型工况，将对应的故障测试样例集合中的每一个故障测试样例注入所述空调系统数字孪生模型中仿真运行，针对软故障与硬故障分别计算自控策略可靠性评价指标，实现数据中心空调系统自控策略可靠性评估。

2.如权利要求1所述的数据中心空调系统可靠性评估方法，其特征在于，所述S1的具体步骤如下：

S11、获取数据中心空调系统的基础信息，包括冷水机组、冷却水泵、冷冻水泵、冷却塔、系统管道网络以及末端设备的设计或实际型号与参数；

S12、基于所述基础信息，建立与实际的数据中心空调系统运行状态及配置参数保持一致的空调系统数字孪生仿真模型。

3.如权利要求1所述的数据中心空调系统可靠性评估方法，其特征在于，所述S2的具体步骤如下：

S21、获取数据中心空调系统的历史用能负荷数据，所述历史用能负荷数据为数据中心空调系统历史运行过程中每日记录的冷负荷数据；

S22、对所述历史用能负荷数据进行预处理，剔除数据中的异常值和缺失值，然后将剔除异常值与缺失值的处理后数据中存在冷负荷数据的每个日期作为工作日，将处理后数据按照工作日进行划分，每一个工作日的数据对应形成一条用能负荷曲线，所有的用能负荷曲线构成曲线数据集；

S23、预设聚类算法迭代的最大循环次数，以及聚类中心数量k的待选集合K＝{k₁,k₂,k₃,k₄....}；

S24、从待选集合K中提取出一个尚未被提取过的值赋给k，然后从曲线数据集中指定k个工作日的用能负荷曲线作为初始的聚类中心

其中初始的聚类中心按照K-means++聚类算法进行确定，先确定第一个聚类中心，后续聚类中心的选择遵循不等概率的随机选择，且每个工作日的用能负荷曲线被选择作为聚类中心的概率与其距离已有聚类中心的距离呈正相关，即距离已确定聚类中心越远的越可能被选为聚类中心；

S25、对于所述曲线数据集中的其余工作日的用能负荷曲线，分别计算每个工作日的用能负荷曲线与k个聚类中心之间的距离，并将每一条用能负荷曲线划分至距离最近的一个聚类中心所代表的聚类类别中，然后对每一个聚类类别更新其聚类中心；其中每一个聚类类别更新后的聚类中心为：

其中C_i为第i个聚类类别的用能负荷曲线集合，|C_i|表示第i个聚类类别中用能负荷曲线X_i的数量。

S26、不断循环重复S25，直至达到最大循环次数后完成迭代，记录最终得到的k个聚类中心以及所对应的轮廓系数；

S27、针对待选集合K中的每一个值不断重复S24～S26，最终确定具有最大轮廓系数的聚类中心个数为最终的聚类中心个数k，从而得到对应的k个聚类中心，每一个聚类中心的用能负荷曲线作为一种典型工况。

4.如权利要求1所述的数据中心空调系统可靠性评估方法，其特征在于，所述S3的具体步骤如下：

S31、获取根据专家经验以及历史运行数据确定的数据中心空调系统中典型故障集合以及各个故障的发生概率，其中故障类型包括软故障与硬故障。每一类故障在不同的工作日下假设其发生概率相同，典型故障集合中总共N类典型故障发生的概率分别为：

{p₁,p₂,p₃...p_N-1,p_N}

其中p_i表示第i类典型故障的发生概率；

S32、针对S2中确定的每一种典型工况，基于非序贯蒙特卡洛方法进行N次随机采样生成一个序列{r₁,r₂,r₃...r_N-1,r_N}，将{r₁,r₂,r₃...r_N-1,r_N}与故障发生概率{p₁,p₂,p₃...p_N-1,p_N}逐一比较确定一个

确定方式如下:

其中x_i表示第i类故障是否发生：

S33、针对S2中确定的每一种典型工况，共重复M次S32，生成总数为M的故障测试样例集合

5.如权利要求1所述的数据中心空调系统可靠性评估方法，其特征在于，所述S4中，针对S2中确定的每一种典型工况进行可靠性评估的具体步骤如下：

S41、基于当前的典型工况，将其对应的故障测试样例集合中的每一个故障测试样例注入所述空调系统数字孪生仿真模型中，仿真模拟空调系统出现故障测试样例中存在的故障后在自控策略下的运行过程，从而得到引入故障测试样例后的空调系统仿真运行结果；

S42、基于当前的典型工况，在空调系统数字孪生仿真模型中进行无故障情况下的仿真运行，得到无故障情况下的空调系统仿真运行结果；

S43、分别针对典型故障集合中的每一种硬故障和软故障进行可靠性评估指标的计算，其中：

对于硬性故障计算以下三个指标：

1.1、计算引入故障之后系统所能提供的制冷量P_引入故障与无故障时的制冷量P_正常运行的绝对差值ΔP＝|P_正常运行-P_引入故障|；

1.2、计算故障响应时间T_响应，即故障引入至系统检测到故障发生之后自动采取应对措施的时间，计算公式为T_响应＝T_{系统采取应对措施}-T_故障引入，若系统未采取应对措施，则该指标为T_响应＝T_故障移除-T_故障引入，式中T_{系统采取应对措施}表示系统检测到故障发生做出调整的时刻，T_故障引入表示故障引入的时刻，T_故障移除表示故障移除的时刻；

1.3、计算中断时间比α_中断，即因硬性故障导致的系统无法正常到达设计性能状态所持续的时间与故障总时长之比，计算公式为

式中T_{系统无法达到设计性能}表示系统因故障引入导致性能无法达到设计性能的时刻，T_{系统恢复设计性能}表示系统对引入的故障采取应对措施使得系统恢复设计性能的时刻；

对于软故障计算以下三个指标：

2.1、计算引入故障之后系统所能提供的制冷量P_引入故障与无故障时的制冷量P_正常运行的绝对差值Δp＝|P_正常运行-P_引入故障|；

2.2、计算引入故障后的制冷量与正常运行提供制冷量的偏差，计算公式为：

2.3、计算t_η＞ε与故障引入总时长t＝T_故障移除-T_故障引入的比值，计算公式为：

其中t_η＞ε为统计得到的η＞ε的总时长，ε为可容忍的波动误差阈值。

6.如权利要求5所述的数据中心空调系统可靠性评估方法，其特征在于，所述S4中，可容忍的波动误差阈值ε为5％。

Images