CN114063545A - 融合边缘计算的数据中心能耗管控系统、方法及控制器 - Google Patents

融合边缘计算的数据中心能耗管控系统、方法及控制器 Download PDF

Info

Publication number
CN114063545A
CN114063545A CN202210040323.8A CN202210040323A CN114063545A CN 114063545 A CN114063545 A CN 114063545A CN 202210040323 A CN202210040323 A CN 202210040323A CN 114063545 A CN114063545 A CN 114063545A
Authority
CN
China
Prior art keywords
server
data center
cooling
temperature
energy consumption
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.)
Granted
Application number
CN202210040323.8A
Other languages
English (en)
Other versions
CN114063545B (zh
Inventor
吕亮
程浙武
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.)
Ningbo Liangkong Information Technology Co ltd
Original Assignee
Ningbo Liangkong Information Technology 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 Ningbo Liangkong Information Technology Co ltd filed Critical Ningbo Liangkong Information Technology Co ltd
Priority to CN202210040323.8A priority Critical patent/CN114063545B/zh
Publication of CN114063545A publication Critical patent/CN114063545A/zh
Application granted granted Critical
Publication of CN114063545B publication Critical patent/CN114063545B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0428—Safety, monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24024—Safety, surveillance
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Cooling Or The Like Of Electrical Apparatus (AREA)

Abstract

本发明涉及一种融合边缘计算的数据中心能耗管控系统、方法及控制器，采用将数据中心进行分区，每个分区的冷却系统对本系统分区内的服务器进行降温，本发明通过对每个系统分区设置边缘控制模块，计算生成分区冷量优化调度策略同时，监测、采集和控制系统分区内的服务器和冷却系统工作；并通过设置集中调度模块计算服务器资源优化调度策略和服务器功耗预测结果；将数据中心的服务器计算调控和冷却系统计算调控分开在边缘控制模块和集中调度模块上进行，以此降低数据中心复杂的计算导致的延时，提升数据中心的冷却效率和计算效率。

Description

融合边缘计算的数据中心能耗管控系统、方法及控制器
技术领域
本发明涉及数据中心能耗管理技术领域，具体而言，涉及一种融合边缘计算的数据中心能耗管控系统、方法及控制器。
背景技术
随着云计算、机器学习等技术的不断发展，数据中心的规模不断扩大以顺应“数字新基建”时代的要求，随之而来的问题就是数据中心的能耗成本不断增加。有实验表明，数据中心机房的环境温度每升高10℃，计算机设备的故障率就会增加一倍，为此，要降低数据中心的能耗，提高计算机设备的使用寿命，重点在于计算机设备的计算效率以及冷却系统效率这两个方面。
冷却系统可实时提供冷风带走计算机设备工作产生的热量，使数据中心机房内的环境温度和湿度保持在规定范围内，这对数据中心的安全、稳定、可靠运行具有关键的作用。
但是，现有技术的数据中心能耗管控采用集成式预测计算服务器的资源能耗和冷却系统的温度能耗，整个计算过程复杂且要耗费较长的时间，导致数据中心能耗预测管控存在较大的延时，导致数据中心的冷却效率和计算效率低，影响机房内计算机设备的使用寿命。
发明内容
本发明解决的问题是如何提升数据中心资源和能耗管控的计算效率，简化计算过程，提升数据中心的工作效率。
为解决上述问题，本发明提供一种融合边缘计算的数据中心能耗管控系统，所述数据中心包括M台服务器和H个系统分区，每个所述系统分区包括至少1台服务器和至少1个冷却系统，所述能耗管控系统包括：
H个边缘控制模块，用于生成下一边缘控制采样周期的分区冷量优化调度策略，所述边缘控制模块和所述系统分区一一对应设置，所述边缘控制模块与对应的系统分区内的服务器以及冷却系统连接以采集服务器和冷却系统的运行状态数据；
集中调度模块，与H个边缘控制模块连接以获取数据中心当前时刻的运行状态数据，用于生成下一集中调度采样周期的服务器资源优化调度策略和服务器功耗预测结果。
本发明的有益效果是：采用将数据中心进行分区，每个分区的冷却系统对本系统分区内的服务器进行降温，通过对每个系统分区设置边缘控制模块，计算生成分区冷量优化调度策略同时，监测、采集和控制系统分区内的服务器和冷却系统工作；并通过设置集中调度模块计算服务器资源优化调度策略和服务器功耗预测结果；将数据中心的服务器计算调控和冷却系统计算调控分开在边缘控制模块和集中调度模块上进行，以此降低数据中心复杂的计算导致的延时，提升数据中心的冷却效率和计算效率。
作为优选，所述集中调度模块包括：
数据中心任务负荷预测单元，用于学习所述数据中心的历史负荷数据，获取所述数据中心当天的任务负荷预测时间序列；
服务器资源优化单元，与数据中心任务负荷预测单元连接以获取任务负荷预测时间序列，与H个边缘控制模块连接以获取数据中心当前时刻的运行状态数据，生成集中下一集中调度采样周期的服务器资源优化调度策略；
服务器功耗预测单元，与服务器资源优化单元连接以获取服务器资源优化调度策略，用于计算下一集中调度采样周期内所有服务器的功耗预测结果。
作为优选，所述边缘控制模块包括：
数据中心状态监测单元，与对应系统分区内的服务器和冷却系统连接，用于采集系统分区内服务器和冷却系统的运行状态数据，所述数据中心状态监测单元与所述服务器资源优化单元连接，所述服务器上分别设有用于监测服务器温度的温度传感器，所述温度传感器与数据中心状态监测单元连接；
分区冷量优化单元，分别与数据中心状态监测单元、服务器功耗预测单元连接，用于生成下一边缘控制采样周期的分区冷量优化调度策略。
作为优选，所述数据中心当前时刻的运行状态数据包括各个系统分区内冷却系统的供冷温度和供风量，以及每台服务器的温度和每台服务器被打开的时刻。
作为优选，所述服务器资源优化调度策略包括各服务器的工作状态和/或各服务器待执行的任务负荷量；所述分区冷量优化调度策略包括各冷却系统分区的设定温度和/或供风量。
本发明还提供一种融合边缘计算的数据中心能耗管控方法，所述数据中心包括M台服务器和H个系统分区，所述管控方法包括：
集中调度步骤：
A1、预测数据中心当天的任务负荷预测时间序列；
A2、获取数据中心当前时刻的运行状态数据；
A3、构建服务器能耗预测优化模型，以数据当前时刻的运行状态数据和任务负荷预测时间序列作为输入，计算得到集中调度模块下一集中调度采样周期的服务器资源优化调度策略；
A4、构建服务器功耗计算模型，根据A3计算得到的服务器资源优化调度策略计算下一集中调度采样周期内所有服务器的功耗预测结果；
边缘控制步骤：
B1、采集对应系统分区内冷却系统和服务器的运行状态数据；
B2、构建冷却系统能耗优化模型，以数据中心当前时刻的运行状态数据和A4计算的功耗预测结果作为输入，计算下一边缘控制采样周期内的分区冷量优化调度策略。
本发明的有益效果是：本方法采用对数据中心进行分区，通过集中调度步骤计算生成服务器资源优化调度策略和服务器功耗预测结果，通过边缘控制步骤计算生成系统分区内冷却系统的分区冷量优化调度策略，从而分摊数据中心的计算工作量，提升了数据中心的计算效率和冷却效率。
作为优选，所述A3中服务器能耗预测优化模型是以服务器能耗最小化为优化目标构建的，所述服务器能耗预测优化模型为：
Figure 718289DEST_PATH_IMAGE001
式中，
Figure 635429DEST_PATH_IMAGE002
为时间变量的当前时刻；
Figure 618429DEST_PATH_IMAGE003
为服务器i的工作状态；
Figure 482479DEST_PATH_IMAGE004
为服务器i执行的 子任务负荷，
Figure 752311DEST_PATH_IMAGE005
为所有服务器工作状态的序列，
Figure 246878DEST_PATH_IMAGE006
为所有服务器的子任务负荷序列；
Figure 966441DEST_PATH_IMAGE007
为数据中心的任务负荷，
Figure 634182DEST_PATH_IMAGE008
为服务器i的额定负荷值，
Figure 506324DEST_PATH_IMAGE009
为服务器能耗预测周期数；求解 服务器能耗预测优化模型的约束条件至少包括任务负荷需求响应约束
Figure 968529DEST_PATH_IMAGE010
和服务器子任务负荷极限约束
Figure 175388DEST_PATH_IMAGE011
；
Figure 912400DEST_PATH_IMAGE012
为服务器能耗预测模型，具体为：
Figure 107889DEST_PATH_IMAGE013
式中，
Figure 990263DEST_PATH_IMAGE014
为单个预测周期的采样次数；
Figure 700730DEST_PATH_IMAGE015
为记录服务器i打开的时刻；
所述A4中的服务器功耗计算模型为基于服务器的工作状态的分类建立的，具体为：
Figure 888436DEST_PATH_IMAGE016
式中，
Figure 735170DEST_PATH_IMAGE017
为服务器i 工作状态变量（
Figure 539178DEST_PATH_IMAGE018
表示关机状态，
Figure 720629DEST_PATH_IMAGE019
表示开机状 态），
Figure 2706DEST_PATH_IMAGE020
为服务器i执行的子任务负荷，
Figure 969525DEST_PATH_IMAGE021
为服务器启动所需的时间，
Figure 193702DEST_PATH_IMAGE022
为服务器i的启 动过程功耗，
Figure 613182DEST_PATH_IMAGE023
为工作状态下与服务器所执行的任务负荷相关的功耗计算函数。
作为优选，所述B2构建的冷却系统能耗优化模型为：
Figure 698949DEST_PATH_IMAGE024
式中，
Figure 51433DEST_PATH_IMAGE025
为边缘控制预测周期数，
Figure 712091DEST_PATH_IMAGE026
为系统分区运行状态变量
Figure 353288DEST_PATH_IMAGE027
的状态更新 函数，
Figure 773905DEST_PATH_IMAGE028
为系统分区h内的服务器的数量，
Figure 715316DEST_PATH_IMAGE029
和
Figure 828765DEST_PATH_IMAGE030
分别为冷却系统设定温度的上 限和下限，
Figure 209456DEST_PATH_IMAGE031
为服务器温度的上限；
Figure 637026DEST_PATH_IMAGE032
为基于冷却系统能耗预测模 型，具体为：
Figure 619894DEST_PATH_IMAGE033
式中，
Figure 373087DEST_PATH_IMAGE034
系统分区h内服务器功耗的预测序列，
Figure 988876DEST_PATH_IMAGE035
为系统分区h对应的数据中 心运行状态变量，包括系统分区中各服务器的温度、冷却系统的供冷温度和送风量；
Figure 485716DEST_PATH_IMAGE036
为 系统分区h内冷却系统的设定温度；基于冷却系统设定温度与实际供冷稳定之间的偏差特 性，所述系统分区内冷却系统的供冷温度动态为：
Figure 119829DEST_PATH_IMAGE037
式中，
Figure 778343DEST_PATH_IMAGE038
为单次采样时间间隔，
Figure 881428DEST_PATH_IMAGE039
为系统分区内冷却系统的供冷温度
Figure 900069DEST_PATH_IMAGE040
与 设定温度
Figure 594880DEST_PATH_IMAGE041
的相关函数；
基于能量守恒定理，系统分区h内服务器s的温度动态预测具体为：
Figure 158716DEST_PATH_IMAGE042
式中，
Figure 14677DEST_PATH_IMAGE043
为当前时刻服务器温度，
Figure 384478DEST_PATH_IMAGE044
为进入服务器的冷却空气质量流量，
Figure 727604DEST_PATH_IMAGE045
为服务器的功耗，
Figure 727921DEST_PATH_IMAGE046
为服务器温度的变化受单次采样时间间隔
Figure 805598DEST_PATH_IMAGE047
、当前时刻服务器温度
Figure 431621DEST_PATH_IMAGE048
、冷却空气温度
Figure 442302DEST_PATH_IMAGE049
和质量流量
Figure 879099DEST_PATH_IMAGE050
以及服务器功耗
Figure 178494DEST_PATH_IMAGE051
的影响函数。
本发明还提供一种控制器，用于数据中心的能耗管控，所述数据中心包括M台服务器和H个系统分区，每个所述系统分区包括至少一个冷却系统和至少一台服务器，所述控制器与系统分区一一对应设置，其包括：
边缘控制芯片，基于所述系统分区内的服务器和冷却系统的当前时刻的运行状态数据，以及服务器的功耗预测结果，计算下一边缘控制采样周期内的分区冷量优化调度策略；
上位机接口，用于接收服务器资源优化调度策略和下一集中调度采样周期内服务器的功耗预测结果，上传所述系统分区内的服务器和冷却系统的运行状态数据，所述运行状态数据包括各个系统分区内冷却系统的供冷温度和供风量，以及每台服务器的温度和每台服务器被打开的时刻；
传感器接口，用于获取每台服务器的温度；
控制接口，与系统分区内的冷却系统以及服务器连接，获取冷却系统的供冷温度和供风量，以及每台服务器被打开的时刻；所述控制接口还用于，根据所述边缘控制芯片计算的下一边缘控制采样周期内的分区冷量优化调度策略，控制所在冷却系统分区的冷却系统的设定温度和/或供风量，根据所述接收的服务器资源优化调度策略，控制所在冷却系统分区的服务器的工作状态和/或各服务器待执行的任务负荷量。
本发明控制器的有益效果是：本申请的控制器用于监测数据中心划分的系统分区的运行状态，同时控制对应分区系统内的冷却系统的工作，计算系统分区的冷却系统的分区冷量优化调度策略，减少数据中心的计算工作量。
作为优选，所述边缘控制芯片计算下一边缘控制采样周期内的分区冷量优化调度策略采用以下公式：
Figure 890098DEST_PATH_IMAGE052
。
附图说明
图1为本发明具体实施例1的系统模块图；
图2为本发明具体实施例1的模块单元图；
图3为本发明具体实施例2的流程图；
图4为本发明具体实施例3的控制器的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
具体实施例1
如图1-2所示，一种融合边缘计算的数据中心能耗管控系统，所述数据中心包括M台服务器和H个系统分区，每个所述系统分区包括至少1台服务器和至少1个冷却系统，所述能耗管控系统包括：
H个边缘控制模块，用于生成下一边缘控制采样周期的分区冷量优化调度策略，所述分区冷量优化调度策略包括各冷却系统分区的设定温度和/或供风量，所述边缘控制模块和所述系统分区一一对应设置，所述边缘控制模块与系统分区内的服务器以及冷却系统连接以采集服务器和冷却系统的运行状态数据，，所述数据中心当前时刻的运行状态数据包括各个系统分区内冷却系统的供冷温度和供风量，以及每台服务器的温度和每台服务器被打开的时刻；
集中调度模块，与H个边缘控制模块连接以获取数据中心当前时刻的运行状态数据，用于生成下一集中调度采样周期的服务器资源优化调度策略和服务器功耗预测结果，所述服务器资源优化调度策略包括各服务器的工作状态和/或各服务器待执行的任务负荷量；
具体来说，所述集中调度模块包括：
数据中心任务负荷预测单元，用于学习所述数据中心的历史负荷数据，获取所述数据中心当天的任务负荷预测时间序列；
服务器资源优化单元，与数据中心任务负荷预测单元连接以获取任务负荷预测时间序列，与H个边缘控制模块连接以获取数据中心当前时刻的运行状态数据，生成集中下一集中调度采样周期的服务器资源优化调度策略；
服务器功耗预测单元，与服务器资源优化单元连接以获取服务器资源优化调度策略，用于计算下一集中调度采样周期内所有服务器的功耗预测结果；
所述边缘控制模块包括：
数据中心状态监测单元，与对应系统分区内的服务器和冷却系统连接，用于采集系统分区内服务器和冷却系统的运行状态数据，所述数据中心状态监测单元与所述服务器资源优化单元连接，所述服务器上分别设有用于监测服务器温度的温度传感器，所述温度传感器与数据中心状态监测单元连接；
分区冷量优化单元，分别与数据中心状态监测单元、服务器功耗预测单元连接，用于生成下一边缘控制采样周期的分区冷量优化调度策略。
具体实施例2
如图3所示，一种融合边缘计算的数据中心能耗管控方法，所述数据中心包括M台服务器和H个系统分区，所述管控方法包括：
集中调度步骤：
A1、基于现有机器学习技术学习所述数据中心的历史负荷数据，获得所述数据中心当天的任务负荷预测时间序列；
A2、获取数据中心当前时刻的运行状态数据，所述运行状态数据包括所述数据中心在当前时刻各系统分区内冷却系统的供冷温度和送风量，每台服务器的温度和每台服务器被打开的时刻；
A3、构建服务器能耗预测模型，然后以服务器能耗最小化为优化目标构建服务器能耗预测优化模型，以数据当前时刻的运行状态数据和对应的任务负荷预测时间序列作为输入，计算得到集中调度模块下一集中调度采样周期的服务器资源优化调度策略，本具体实施例构建的服务器能耗预测模型为：
Figure 473395DEST_PATH_IMAGE053
式中，
Figure 815514DEST_PATH_IMAGE002
为时间变量的当前时刻；
Figure 867784DEST_PATH_IMAGE003
为服务器i的工作状态；
Figure 117500DEST_PATH_IMAGE004
为服务器i执行 的子任务负荷，
Figure 558233DEST_PATH_IMAGE005
为所有服务器工作状态的序列，
Figure 71254DEST_PATH_IMAGE006
为所有服务器的子任务负荷序列；
Figure 141978DEST_PATH_IMAGE054
为服务器能耗预测周期数；
Figure 664226DEST_PATH_IMAGE014
为单个预测周期的采样次数；
Figure 504006DEST_PATH_IMAGE015
为记录服务器i打开的 时刻；
本具体实施例构建服务器能耗预测优化模型为：
Figure 437196DEST_PATH_IMAGE001
式中
Figure 198479DEST_PATH_IMAGE007
为数据中心的任务负荷，
Figure 258839DEST_PATH_IMAGE008
为服务器i的额定负荷值，求解服务器能耗 预测优化模型的约束条件至少包括任务负荷需求响应约束
Figure 421967DEST_PATH_IMAGE010
和服务器子任务负荷极限约束
Figure 73528DEST_PATH_IMAGE055
；
A4、构建服务器功耗计算模型为：
Figure 571374DEST_PATH_IMAGE056
式中，
Figure 966583DEST_PATH_IMAGE017
为服务器i 工作状态变量（
Figure 984218DEST_PATH_IMAGE018
表示关机状态，
Figure 72260DEST_PATH_IMAGE019
表示开机状 态），
Figure 542555DEST_PATH_IMAGE020
为服务器i执行的子任务负荷，
Figure 193985DEST_PATH_IMAGE021
为服务器启动所需的时间，
Figure 597285DEST_PATH_IMAGE022
为服务器i的启 动过程功耗，
Figure 325070DEST_PATH_IMAGE023
为工作状态下与服务器所执行的任务负荷相关的功耗计算函数；
本具体实施例构建的服务器功耗计算模型根据A3计算得到的服务器资源优化调度策略计算下一集中调度采样周期内所有服务器的功耗预测结果；
边缘控制步骤：
B1、采集对应系统分区内冷却系统和服务器的运行状态数据；
B2、构建冷却系统能耗优化模型，以数据中心当前时刻的运行状态数据和A4计算的功耗预测结果作为输入，计算下一边缘控制采样周期内的分区冷量优化调度策略；
本具体实施例构建的冷却系统能耗优化模型为：
Figure 79399DEST_PATH_IMAGE057
式中，
Figure 19673DEST_PATH_IMAGE025
为边缘控制预测周期数，
Figure 543058DEST_PATH_IMAGE026
为系统分区运行状态变量
Figure 705660DEST_PATH_IMAGE027
的状态更新 函数，
Figure 884969DEST_PATH_IMAGE028
为系统分区h内的服务器的数量，
Figure 425672DEST_PATH_IMAGE029
和
Figure 537984DEST_PATH_IMAGE030
分别为冷却系统设定温度的上 限和下限，
Figure 325680DEST_PATH_IMAGE031
为服务器温度的上限；
Figure 54602DEST_PATH_IMAGE032
为基于冷却系统能耗预测模型， 具体为：
Figure 336679DEST_PATH_IMAGE033
式中，式中，
Figure 303498DEST_PATH_IMAGE034
系统分区h内服务器功耗的预测序列，
Figure 262095DEST_PATH_IMAGE035
为系统分区h对应的数据中心运 行状态变量，包括系统分区中各服务器的温度、冷却系统的供冷温度和送风量；
Figure 478313DEST_PATH_IMAGE036
为系统 分区h内冷却系统的设定温度；基于冷却系统设定温度与实际供冷稳定之间的偏差特性，所 述系统分区内冷却系统的供冷温度动态为：
Figure 829660DEST_PATH_IMAGE037
式中，
Figure 385406DEST_PATH_IMAGE038
为单次采样时间间隔，
Figure 327954DEST_PATH_IMAGE039
为系统分区内冷却系统的供冷温度
Figure 483998DEST_PATH_IMAGE040
与 设定温度
Figure 107877DEST_PATH_IMAGE041
的相关函数；
基于能量守恒定理，系统分区h内服务器s的温度动态预测具体为：
Figure 49289DEST_PATH_IMAGE042
式中，
Figure 897159DEST_PATH_IMAGE043
为当前时刻服务器温度，
Figure 277849DEST_PATH_IMAGE044
为进入服务器的冷却空气质量流量，
Figure 705420DEST_PATH_IMAGE045
为服务器的功耗，
Figure 32496DEST_PATH_IMAGE046
为服务器温度的变化受单次采样时间间隔
Figure 785688DEST_PATH_IMAGE047
、当前时刻服务器温度
Figure 198215DEST_PATH_IMAGE048
、冷却空气温度
Figure 413164DEST_PATH_IMAGE049
和质量流量
Figure 63589DEST_PATH_IMAGE050
以及服务器功耗
Figure 518841DEST_PATH_IMAGE051
的影响函数。
具体实施例3
如图4所示，一种控制器，用于数据中心的能耗管控，所述数据中心包括M台服务器和H个系统分区，每个所述系统分区包括至少一个冷却系统和至少一台服务器，所述控制器与系统分区一一对应设置，其包括：
边缘控制芯片，基于所述系统分区内的服务器和冷却系统的当前时刻的运行状态数据，以及服务器的功耗预测结果，计算下一边缘控制采样周期内的分区冷量优化调度策略；
上位机接口，用于接收服务器资源优化调度策略和下一集中调度采样周期内服务器的功耗预测结果，上传所述系统分区内的服务器和冷却系统的运行状态数据，所述运行状态数据包括各个系统分区内冷却系统的供冷温度和供风量，以及每台服务器的温度和每台服务器被打开的时刻；
传感器接口，用于获取每台服务器的温度；
控制接口，与系统分区内的冷却系统以及服务器连接，获取冷却系统的供冷温度和供风量，以及每台服务器被打开的时刻；所述控制接口还用于，根据所述边缘控制芯片计算的下一边缘控制采样周期内的分区冷量优化调度策略，控制所在冷却系统分区的冷却系统的设定温度和/或供风量，根据所述接收的服务器资源优化调度策略，控制所在冷却系统分区的服务器的工作状态和/或各服务器待执行的任务负荷量。
本具体实施例的边缘控制芯片采用计算下一边缘控制采样周期内的分区冷量优化调度策略采用以下公式：
Figure 621926DEST_PATH_IMAGE057
。
开披露如上，但本公开的保护范围并非仅限于此。本领域技术人员，在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (10)

1.一种融合边缘计算的数据中心能耗管控系统，所述数据中心包括M台服务器和H个系统分区，每个所述系统分区包括至少1台服务器和至少1个冷却系统，其特征在于，所述能耗管控系统包括：
H个边缘控制模块，用于生成下一边缘控制采样周期的分区冷量优化调度策略，所述边缘控制模块和所述系统分区一一对应设置，所述边缘控制模块与对应系统分区内的服务器以及冷却系统连接以采集服务器和冷却系统的运行状态数据；
集中调度模块，与H个边缘控制模块连接以获取数据中心当前时刻的运行状态数据，用于生成下一集中调度采样周期的服务器资源优化调度策略和服务器功耗预测结果。
2.根据权利要求1所述的一种融合边缘计算的数据中心能耗管控系统，其特征在于，所述集中调度模块包括：
数据中心任务负荷预测单元，用于学习所述数据中心的历史负荷数据，获取所述数据中心当天的任务负荷预测时间序列；
服务器资源优化单元，与数据中心任务负荷预测单元连接以获取任务负荷预测时间序列，与H个边缘控制模块连接以获取数据中心当前时刻的运行状态数据，生成集中下一集中调度采样周期的服务器资源优化调度策略；
服务器功耗预测单元，与服务器资源优化单元连接以获取服务器资源优化调度策略，用于计算下一集中调度采样周期内所有服务器的功耗预测结果。
3.根据权利要求2所述的一种融合边缘计算的数据中心能耗管控系统，其特征在于，所述边缘控制模块包括：
数据中心状态监测单元，与对应系统分区内的服务器和冷却系统连接，用于采集系统分区内服务器和冷却系统的运行状态数据，所述数据中心状态监测单元与所述服务器资源优化单元连接，所述服务器上分别设有用于监测服务器温度的温度传感器，所述温度传感器与数据中心状态监测单元连接；
分区冷量优化单元，分别与数据中心状态监测单元、服务器功耗预测单元连接，用于生成下一边缘控制采样周期的分区冷量优化调度策略。
4.根据权利要求1所述的一种融合边缘计算的数据中心能耗管控系统，其特征在于，所述数据中心当前时刻的运行状态数据包括各个系统分区内冷却系统的供冷温度和供风量，以及每台服务器的温度和每台服务器被打开的时刻。
5.根据权利要求1所述的一种融合边缘计算的数据中心能耗管控系统，其特征在于，所述服务器资源优化调度策略包括各服务器的工作状态和/或各服务器待执行的任务负荷量；所述分区冷量优化调度策略包括各冷却系统分区的设定温度和/或供风量。
6.一种融合边缘计算的数据中心能耗管控方法，其特征在于，所述数据中心包括M台服务器和H个系统分区，所述管控方法包括：
集中调度步骤：
A1、预测数据中心当天的任务负荷预测时间序列；
A2、获取数据中心当前时刻的运行状态数据；
A3、构建服务器能耗预测优化模型，以数据当前时刻的运行状态数据和对应的任务负荷预测时间序列作为输入，计算得到集中调度模块下一集中调度采样周期的服务器资源优化调度策略；
A4、构建服务器功耗计算模型，根据A3计算得到的服务器资源优化调度策略计算下一集中调度采样周期内所有服务器的功耗预测结果；
边缘控制步骤：
B1、采集对应系统分区内冷却系统和服务器的运行状态数据；
B2、构建冷却系统能耗优化模型，以数据中心当前时刻的运行状态数据和A4计算的功耗预测结果作为输入，计算下一边缘控制采样周期内的分区冷量优化调度策略。
7.根据权利要求6所述的一种融合边缘计算的数据中心能耗管控方法，其特征在于，所述A3中服务器能耗预测优化模型是以服务器能耗最小化为优化目标构建的，所述服务器能耗预测优化模型为：
Figure 52477DEST_PATH_IMAGE001
式中，
Figure 88566DEST_PATH_IMAGE002
为时间变量的当前时刻；
Figure 917982DEST_PATH_IMAGE003
为服务器i的工作状态；
Figure 773943DEST_PATH_IMAGE004
为服务器i执行的子 任务负荷，
Figure 878165DEST_PATH_IMAGE005
为所有服务器工作状态的序列，
Figure 486870DEST_PATH_IMAGE006
为所有服务器的子任务负荷序列；
Figure 752766DEST_PATH_IMAGE007
为数 据中心的任务负荷，
Figure 564864DEST_PATH_IMAGE008
为服务器i的额定负荷值，
Figure 738357DEST_PATH_IMAGE009
为服务器能耗预测周期数；求解服务 器能耗预测优化模型的约束条件至少包括任务负荷需求响应约束
Figure 467147DEST_PATH_IMAGE010
和服务器子任务负荷极限约束
Figure 638365DEST_PATH_IMAGE011
；
Figure 734497DEST_PATH_IMAGE012
为 服务器能耗预测模型，具体为：
Figure 383785DEST_PATH_IMAGE013
式中，
Figure 232661DEST_PATH_IMAGE014
为单个预测周期的采样次数；
Figure 371518DEST_PATH_IMAGE015
为记录服务器i打开的时刻；
所述A4中的服务器功耗计算模型为基于服务器的工作状态的分类建立的，具体为：
Figure 158208DEST_PATH_IMAGE016
式中，
Figure 876766DEST_PATH_IMAGE017
为服务器i 工作状态变量（
Figure 862039DEST_PATH_IMAGE018
表示关机状态，
Figure 638976DEST_PATH_IMAGE019
表示开机状态），
Figure 178542DEST_PATH_IMAGE020
为服务器i执行的子任务负荷，
Figure 231949DEST_PATH_IMAGE021
为服务器启动所需的时间，
Figure 274991DEST_PATH_IMAGE022
为服务器i的启动过程 功耗，
Figure 755651DEST_PATH_IMAGE023
为工作状态下与服务器所执行的任务负荷相关的功耗计算函数。
8.根据权利要求6所述的一种融合边缘计算的数据中心能耗管控方法，其特征在于，所述B2构建的冷却系统能耗优化模型为：
Figure 516934DEST_PATH_IMAGE024
式中，
Figure 826561DEST_PATH_IMAGE025
为边缘控制预测周期数，
Figure 520847DEST_PATH_IMAGE026
为系统分区运行状态变量
Figure 375671DEST_PATH_IMAGE027
的状态更新函数，
Figure 889829DEST_PATH_IMAGE028
为系统分区h内的服务器的数量，
Figure 285038DEST_PATH_IMAGE029
和
Figure 286361DEST_PATH_IMAGE030
分别为冷却系统设定温度的上限和 下限，
Figure 374403DEST_PATH_IMAGE031
为服务器温度的上限；
Figure 110278DEST_PATH_IMAGE032
为基于冷却系统能耗预测模型，具体为：
Figure 246861DEST_PATH_IMAGE033
式中，
Figure 915740DEST_PATH_IMAGE034
系统分区h内服务器功耗的预测序列，
Figure 892792DEST_PATH_IMAGE035
为系统分区h对应的数据中心运 行状态变量，包括系统分区中各服务器的温度、冷却系统的供冷温度和送风量；
Figure 381542DEST_PATH_IMAGE036
为系统 分区h内冷却系统的设定温度；基于冷却系统设定温度与实际供冷稳定之间的偏差特性，所 述系统分区内冷却系统的供冷温度动态为：
Figure 587395DEST_PATH_IMAGE037
式中，
Figure 579622DEST_PATH_IMAGE038
为单次采样时间间隔，
Figure 743887DEST_PATH_IMAGE039
为系统分区内冷却系统的供冷温度
Figure 440972DEST_PATH_IMAGE040
与设定 温度
Figure 184937DEST_PATH_IMAGE041
的相关函数；
基于能量守恒定理，系统分区h内服务器s的温度动态预测具体为：
Figure 562829DEST_PATH_IMAGE042
式中，
Figure 632416DEST_PATH_IMAGE043
为当前时刻服务器温度，
Figure 548289DEST_PATH_IMAGE044
为进入服务器的冷却空气质量流量，
Figure 892682DEST_PATH_IMAGE045
为服务 器的功耗，
Figure 859501DEST_PATH_IMAGE046
为服务器温度的变化受单次采样时间间隔
Figure 365569DEST_PATH_IMAGE047
、当前时刻服务器温度
Figure 785049DEST_PATH_IMAGE048
、冷 却空气温度
Figure 385664DEST_PATH_IMAGE049
和质量流量
Figure 738147DEST_PATH_IMAGE050
以及服务器功耗
Figure 618379DEST_PATH_IMAGE051
的影响函数。
9.一种控制器，用于数据中心的能耗管控，所述数据中心包括M台服务器和H个系统分区，每个所述系统分区包括至少一个冷却系统和至少一台服务器，其特征在于，所述控制器与系统分区一一对应设置，其包括：
边缘控制芯片，基于所述系统分区内的服务器和冷却系统的当前时刻的运行状态数据，以及服务器的功耗预测结果，计算下一边缘控制采样周期内的分区冷量优化调度策略；
上位机接口，用于接收服务器资源优化调度策略和下一集中调度采样周期内服务器的功耗预测结果，上传所述系统分区内的服务器和冷却系统的运行状态数据，所述运行状态数据包括各个系统分区内冷却系统的供冷温度和供风量，以及每台服务器的温度和每台服务器被打开的时刻；
传感器接口，用于获取每台服务器的温度；
控制接口，与系统分区内的冷却系统以及服务器连接，获取冷却系统的供冷温度和供风量，以及每台服务器被打开的时刻；所述控制接口还用于，根据所述边缘控制芯片计算的下一边缘控制采样周期内的分区冷量优化调度策略，控制所在冷却系统分区的冷却系统的设定温度和/或供风量，根据所述接收的服务器资源优化调度策略，控制所在冷却系统分区的服务器的工作状态和/或各服务器待执行的任务负荷量。
10.根据权利要求9所述的一种控制器，其特征在于，所述边缘控制芯片计算下一边缘控制采样周期内的分区冷量优化调度策略采用以下公式：
Figure 259576DEST_PATH_IMAGE052
。
CN202210040323.8A 2022-01-14 2022-01-14 融合边缘计算的数据中心能耗管控系统、方法及控制器 Active CN114063545B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210040323.8A CN114063545B (zh) 2022-01-14 2022-01-14 融合边缘计算的数据中心能耗管控系统、方法及控制器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210040323.8A CN114063545B (zh) 2022-01-14 2022-01-14 融合边缘计算的数据中心能耗管控系统、方法及控制器

Publications (2)

Publication Number Publication Date
CN114063545A true CN114063545A (zh) 2022-02-18
CN114063545B CN114063545B (zh) 2022-06-07

Family

ID=80230847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210040323.8A Active CN114063545B (zh) 2022-01-14 2022-01-14 融合边缘计算的数据中心能耗管控系统、方法及控制器

Country Status (1)

Country Link
CN (1) CN114063545B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115581056A (zh) * 2022-11-09 2023-01-06 宁波亮控信息科技有限公司 一种适用于数据中心水冷系统的节能预测控制方法及系统
CN116471821A (zh) * 2023-06-19 2023-07-21 广州豪特节能环保科技股份有限公司 一种数据中心动态控制节能的方法、系统、设备及介质
CN116928944A (zh) * 2023-09-14 2023-10-24 江苏星星冷链科技有限公司 多分区冷库运行控制方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101005909B1 (ko) * 2010-08-13 2011-01-06 주식회사 코스콤 데이터센터 내부 냉각공기 제어용 풍향조절기
US20130264026A1 (en) * 2012-04-10 2013-10-10 International Business Machines Corporation Heat exchanger door for an electronics rack
CN106251079A (zh) * 2016-08-04 2016-12-21 扬州大学 工业循环冷却水系统年均冷却能效比能耗综合评价指标与方法
CN109522054A (zh) * 2018-10-31 2019-03-26 漳州科华技术有限责任公司 数据中心能耗设备调度方法及装置
CN109800066A (zh) * 2018-12-13 2019-05-24 中国科学院信息工程研究所 一种数据中心节能调度方法及系统
CN109871268A (zh) * 2019-01-10 2019-06-11 暨南大学 一种面向数据中心的基于气流组织的节能调度方法
CN110957752A (zh) * 2019-12-09 2020-04-03 重庆邮电大学 一种基于边缘物联的区域智能变电站调度系统及其方法
CN112395090A (zh) * 2020-11-19 2021-02-23 华侨大学 一种移动边缘计算中服务放置的智能混合优化方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101005909B1 (ko) * 2010-08-13 2011-01-06 주식회사 코스콤 데이터센터 내부 냉각공기 제어용 풍향조절기
US20130264026A1 (en) * 2012-04-10 2013-10-10 International Business Machines Corporation Heat exchanger door for an electronics rack
CN106251079A (zh) * 2016-08-04 2016-12-21 扬州大学 工业循环冷却水系统年均冷却能效比能耗综合评价指标与方法
CN109522054A (zh) * 2018-10-31 2019-03-26 漳州科华技术有限责任公司 数据中心能耗设备调度方法及装置
CN109800066A (zh) * 2018-12-13 2019-05-24 中国科学院信息工程研究所 一种数据中心节能调度方法及系统
CN109871268A (zh) * 2019-01-10 2019-06-11 暨南大学 一种面向数据中心的基于气流组织的节能调度方法
CN110957752A (zh) * 2019-12-09 2020-04-03 重庆邮电大学 一种基于边缘物联的区域智能变电站调度系统及其方法
CN112395090A (zh) * 2020-11-19 2021-02-23 华侨大学 一种移动边缘计算中服务放置的智能混合优化方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115581056A (zh) * 2022-11-09 2023-01-06 宁波亮控信息科技有限公司 一种适用于数据中心水冷系统的节能预测控制方法及系统
CN116471821A (zh) * 2023-06-19 2023-07-21 广州豪特节能环保科技股份有限公司 一种数据中心动态控制节能的方法、系统、设备及介质
CN116471821B (zh) * 2023-06-19 2023-09-15 广州豪特节能环保科技股份有限公司 一种数据中心动态控制节能的方法、系统、设备及介质
CN116928944A (zh) * 2023-09-14 2023-10-24 江苏星星冷链科技有限公司 多分区冷库运行控制方法和系统
CN116928944B (zh) * 2023-09-14 2023-12-22 江苏星星冷链科技有限公司 多分区冷库运行控制方法和系统

Also Published As

Publication number Publication date
CN114063545B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN114063545B (zh) 融合边缘计算的数据中心能耗管控系统、方法及控制器
CN109800066B (zh) 一种数据中心节能调度方法及系统
US7904287B2 (en) Method and system for real-time prediction of power usage for a change to another performance state
US10429921B2 (en) Datacenter power management optimizations
US10171297B2 (en) Multivariable controller for coordinated control of computing devices and building infrastructure in data centers or other locations
WO2018137402A1 (zh) 基于滚动灰色预测模型的云数据中心节能调度实现方法
US20120226922A1 (en) Capping data center power consumption
Fang et al. Thermal-aware energy management of an HPC data center via two-time-scale control
Li et al. Managing green datacenters powered by hybrid renewable energy systems
JPWO2010050249A1 (ja) 情報処理システムの運用管理装置
CN109375994A (zh) 基于rbf神经网络的数据中心任务温度预测及调度方法
WO2013095624A1 (en) Generating a capacity schedule for a facility
CN107036238B (zh) 动态预测外气与负载智慧节能控制方法
WO2013095625A1 (en) Managing a facility
CN115309603A (zh) 一种数据中心能耗预测优化方法、系统、介质及计算设备
KR102474936B1 (ko) Ai 기반의 복합제어센서를 활용한 자율제어 통합빌딩 시스템
MirhoseiniNejad et al. ALTM: Adaptive learning-based thermal model for temperature predictions in data centers
Mirhoseininejad et al. A data-driven, multi-setpoint model predictive thermal control system for data centers
CN113225994A (zh) 一种面向数据中心的智能空调控制方法
CN113632132A (zh) 计算机辅助的能量管理方法和能量管理系统
CN114442768A (zh) 基于信息流特征的数据中心冷负荷分布确定方法及系统
CN103685541A (zh) IaaS云系统运行速率动态控制装置、系统及方法
CN107832204A (zh) 一种基于mdc的服务器cpu能耗预测方法
Hussin et al. An Adaptive Energy Allocation for High-Performance Computing Systems Using a Cyber-Physical Approach
Song et al. Thermal-aware load balancing in a server rack

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