CN114222477A - 数据中心的节能控制方法、装置、存储介质及程序产品 - Google Patents
数据中心的节能控制方法、装置、存储介质及程序产品 Download PDFInfo
- Publication number
- CN114222477A CN114222477A CN202111518172.4A CN202111518172A CN114222477A CN 114222477 A CN114222477 A CN 114222477A CN 202111518172 A CN202111518172 A CN 202111518172A CN 114222477 A CN114222477 A CN 114222477A
- Authority
- CN
- China
- Prior art keywords
- data
- preset time
- data center
- future
- bulb temperature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000005057 refrigeration Methods 0.000 claims abstract description 126
- 238000010438 heat treatment Methods 0.000 claims abstract description 30
- 238000009423 ventilation Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims description 108
- 235000019580 granularity Nutrition 0.000 claims description 88
- 238000012549 training Methods 0.000 claims description 57
- 238000000540 analysis of variance Methods 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 18
- 238000001816 cooling Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 18
- 238000012360 testing method Methods 0.000 description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000003915 air pollution Methods 0.000 description 7
- 238000004445 quantitative analysis Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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"
-
- 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
Abstract
本申请提供一种数据中心的节能控制方法、装置、存储介质及程序产品,该方法包括:通过根据湿球温度预测模型预测数据中心在未来预设时长内的湿球温度预测数据,以及根据IT负荷预测模型预测数据中心在未来预设时长内的IT负荷预测数据。进一步地,根据湿球温度预测数据和IT负荷预测数据,预先确定数据中心在未来预设时长内的制冷策略,然后将未来预设时长内的制冷策略发送给暖通群控设备,以便于到达未来相应时刻时暖通群控设备可以按照提前配置的制冷策略及时以及灵活地控制相应制冷设备进行制冷,以充分利用自然冷源制冷,提高自然冷源的利用率,从而可以提高DC的节能效果。
Description
技术领域
本申请涉及节能技术领域,尤其涉及一种数据中心的节能控制方法、装置、存储介质及程序产品。
背景技术
随着移动互联网技术、物联网技术、工业互联网技术等的快速发展,人们对于数据中心(data center,DC)的需求在不断增大,各地数据中心的建设数量、建设规模和机柜负荷也在快速攀升,因此,数据中心的用电量也在不断升高,使得企业对于数据中心的运营成本和维护成本也在不断增加。无论从环境保护角度、可持续发展角度还是经济角度考量,数据中心的节能技术的发展需求和潜力都很大。
现有技术中,根据专家经验通过自然冷源的安全约束校验后启动板式换热器利用自然冷源为数据中心中的IT设备降温(例如,在冬季、过度季节或者夜间等,当室外温度比较低时将室外的自然冷源通过板式换热器交换到数据中心室内,给室内运转的IT设备降温),从而减少使用冷机制冷以节约数据中心的用电量。
但现有技术中,根据专家经验控制板式换热器以利用自然冷源的方式,通常难以及时和/或灵活地控制板式换热器的启停,导致无法充分利用自然冷源,造成自然冷源的浪费,从而降低了DC的节能效果。
发明内容
本申请提供一种数据中心的节能控制方法、装置、存储介质及程序产品,用以解决现有技术中自然冷源浪费,降低了DC节能效果的技术问题。
一方面,本申请提供一种数据中心的节能控制方法,包括:
获取所述数据中心所在地方区域的未来预设时长内的天气特征数据;
将所述天气特征数据输入湿球温度预测模型,得到所述数据中心在所述未来预设时长内的湿球温度预测数据;
根据互联网技术IT负荷预测模型,得到所述数据中心在所述未来预设时长内的IT负荷预测数据;
根据所述湿球温度预测数据和所述IT负荷预测数据,确定所述数据中心在所述未来预设时长内的制冷策略,其中,所述制冷策略包括自然冷源制冷模式的使用时间段,和/或,冷机制冷模式的使用时间段;
将所述未来预设时长内的制冷策略发送给暖通群控设备。
在一种可能的实现方式中,所述根据所述湿球温度预测数据和所述IT负荷预测数据,确定所述数据中心在所述未来预设时长内的制冷策略,包括:
根据所述IT负荷预测数据确定所述数据中心在所述未来预设时长内所需的湿球温度临界值;
根据所述湿球温度预测数据以及所述湿球温度临界值,确定所述数据中心在所述未来预设时长内的制冷策略。
在一种可能的实现方式中,所述获取所述数据中心所在地方区域的未来预设时长内的天气特征数据,包括:
获取所述数据中心所在地方区域的未来预设时长内的原始天气数据,其中,所述原始天气数据包括:所述未来预设时长内的多个预设时间粒度的原始天气数据;
对所述原始天气数据进行特征工程处理,得到所述未来预设时长内的天气特征数据,其中,所述特征工程处理包括以下至少一项:方差分析处理、相关性处理、缺失值填充处理、数值化映射处理、异常值处理、归一化处理,或者独热化处理,所述未来预设时长内的天气特征数据包括:所述未来预设时长内的多个所述预设时间粒度的天气特征数据。
在一种可能的实现方式中,所述方法还包括:
获取所述数据中心所在地方区域的历史预设时长内的天气特征数据;
获取所述数据中心在所述历史预设时长内的湿球温度标签数据;
根据所述历史预设时长内的天气特征数据和所述历史预设时长内的湿球温度标签数据对预设回归模型进行训练,得到所述湿球温度预测模型。
在一种可能的实现方式中,所述方法还包括:
获取所述数据中心在历史预设时长内的设备工况特征数据;
获取所述数据中心在所述历史预设时长内的IT负荷标签数据;
根据所述历史预设时长内的设备工况特征数据和所述历史预设时长内的IT负荷标签数据对预设时序模型进行训练,得到所述IT负荷预测模型。
在一种可能的实现方式中,所述根据所述历史预设时长内的设备工况特征数据和所述历史预设时长内的IT负荷标签数据对预设时序模型进行训练,得到所述IT负荷预测模型,包括:
根据所述历史预设时长内的设备工况特征数据和所述历史预设时长内的IT负荷标签数据对预设时序模型进行训练,得到初级IT负荷预测模型;
根据所述历史预设时长内的设备工况特征数据和所述历史预设时长内的IT负荷标签数据拟合出设备工况特征数据与IT负荷标签数据之间的关系,得到回归模型;
根据所述回归模型对所述初级IT负荷预测模型进行参数调整,得到所述IT负荷预测模型。
另一方面,本申请提供一种数据中心的节能装置,包括:
获取模块,用于获取所述数据中心所在地方区域的未来预设时长内的天气特征数据;
第一预测模块,用于将所述天气特征数据输入湿球温度预测模型,得到所述数据中心在所述未来预设时长内的湿球温度预测数据;
第二预测模块,用于根据互联网技术IT负荷预测模型,得到所述数据中心在所述未来预设时长内的IT负荷预测数据;
确定模块,用于根据所述湿球温度预测数据和所述IT负荷预测数据,确定所述数据中心在所述未来预设时长内的制冷策略,其中,所述制冷策略包括自然冷源制冷模式的使用时间段,和/或,冷机制冷模式的使用时间段;
发送模块,用于将所述未来预设时长内的制冷策略发送给暖通群控设备。
另一方面,本申请提供一种数据中心的节能设备,所述数据中心的节能设备包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现上述数据中心的节能控制方法中任一项所述的方法。
另一方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现上述数据中心的节能控制方法中任一项所述的方法。
另一方面,本申请提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述数据中心的节能控制方法中任一项所述的方法。
本申请提供的数据中心的节能控制方法、装置、存储介质及程序产品,通过将获取的数据中心所在地方区域的未来预设时长内的天气特征数据输入湿球温度预测模型,得到数据中心在未来预设时长内的湿球温度预测数据,以及根据互联网技术IT负荷预测模型,得到数据中心在未来预设时长内的IT负荷预测数据。进一步地,根据数据中心在未来预设时长内的湿球温度预测数据和IT负荷预测数据,预先确定数据中心在未来预设时长内的制冷策略,然后将未来预设时长内的制冷策略发送给暖通群控设备,以便于到达未来相应时刻时暖通群控设备可以按照提前配置的制冷策略及时以及灵活地控制相应制冷设备进行制冷,以充分利用自然冷源制冷,提高自然冷源的利用率,尽量减少冷机制冷,从而可以提高DC的节能效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例涉及的节能控制系统架构示意图;
图2为本申请一实施例提供的数据中心的节能控制方法的流程示意图;
图3为本申请另一实施例提供的数据中心的节能控制方法的流程示意图;
图4为本申请实施例提供的获取湿球温度预测模型的方法示意图;
图5为本申请另一实施例提供的数据中心的节能控制方法的流程示意图;
图6为本申请实施例提供的获取IT负荷预测模型的方法示意图;
图7为本申请实施例提供的数据中心的节能装置的结构示意图;
图8为本申请实施例提供的数据中心的节能设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
首先对本申请所涉及的部分名词进行解释:
本申请涉及的天气特征数据可以包括但不限于以下至少一项:时间戳特征数据、温度特征数据、湿度特征数据、风力特征数据、风向特征数据,或者气压特征数据。
本申请实施例中涉及的原始天气数据可以包括但不限于以下至少一项:原始时间戳数据、原始温度数据、原始湿度数据、原始风力数据、原始风向数据、原始气压数据、原始天气数据、原始空气污染数据,或者原始海拔数据。
本申请实施例中涉及的设备工况特征数据可以包括但不限于以下至少一项:时间戳特征数据、机架(用于放置IT设备的架子)数量特征数据、IT设备数量特征数据、IT设备类型特征数据、IT设备额定功耗特征数据、IT设备上下电特征数据、IT设备占地面积特征数据、冷机出水温度特征数据、冷却塔出水温度特征数据,或者末端送风特征数据。
本申请实施例中涉及的原始设备工况数据可以包括但不限于以下至少一项:原始时间戳数据、原始机架(用于放置IT设备的架子)数量数据、原始IT设备数量数据、原始IT设备类型数据、原始IT设备额定功耗数据、原始IT设备上下电数据、原始IT设备占地面积数据、原始冷机出水温度数据、原始冷却塔出水温度数据,或者原始末端送风数据。
本申请实施例中涉及的末端可以包括但不限于空调末端,送风数据可以包括但不限于送风温度和/或回风温度。
本申请实施例中涉及的特征工程处理(例如,第一特征工程处理~第五特征工程处理)可以包括但不限于以下至少一项:方差分析处理、相关性处理、缺失值填充处理、数值化映射处理、异常值处理、归一化处理,或者独热化处理。
本申请实施例中涉及的相关性处理用于确定待处理数据与对应的目标数据(例如,湿球温度或者IT负荷)之间的相关性数值,以便于剔除与目标数据相关性较小的待处理数据。
本申请实施例中涉及的方差分析处理用于确定待处理数据的方差数值,以便于剔除方差数值较小的待处理数据。
示例性地,本申请实施例中可以通过Python定量分析方式对待处理数据进行方差分析处理以及相关性处理等,当然还可以通过其它方式进行方差分析处理以及相关性处理等,本申请实施例中对此并不作限定。
本申请实施例中涉及的缺失值填充处理用于对缺失的数据进行数据填充。可选地,本申请实施例中可以采用均值填充方式、中位数填充方式,或者众数填充方式等方式进行处理;当然还可以采用其它填充方式,本申请实施例中对此并不作限定。
本申请实施例中涉及的数值化映射处理用于将非数值类型的待处理数据转换为数值类型的数据。
本申请实施例中涉及的异常值处理用于对非正常的待处理数据(例如,明显偏离其余数据的离群数据)进行处理。
本申请实施例中涉及的归一化处理用于将待处理数据映射到0~1范围之内,或者用于将有量纲表达式转换为无量纲表达式。
本申请实施例中涉及的独热化处理用于对非数值类型的数据进行编码处理,从而避免因将非数值类型的数据简单地用数字表示而给函数带来抖动所造成的训练权重偏差问题。
本申请实施例中涉及的数据中心的IT设备可以包括但不限于以下至少一项:服务器、存储设备、交换机,或者路由器。
本申请涉及的制冷策略可以包括但不限于:自然冷源制冷模式的使用时间段,和/或,冷机制冷模式的使用时间段。
示例性地,本申请实施例中涉及的自然冷源制冷模式可以包括但不限于:板式换热器制冷模式,和/或,蓄冷罐制冷模式。
本申请实施例提供的数据中心的节能控制方法、装置、存储介质及程序产品可以应用于数据中心的节能控制应用场景,以提高数据中心的节能效果。当然,本申请实施例提供的数据中心的节能控制方法、装置及设备还可以应用于其它场景,本申请实施例中对此并不作限定。
图1为本申请实施例涉及的节能控制系统架构示意图,如图1所示,本申请实施例的节能控制系统架构中可以包括:节能控制设备(或者称之为数据中心的节能设备)、动环系统设备以及暖通群控设备。当然,本申请实施例的节能控制系统架构中还可以包括其它设备(例如,模型训练设备,或者制冷设备等),本申请实施例中对此并不作限定。
需要说明的是,若节能控制系统架构中还包括模型训练设备,则模型训练设备用于训练本申请实施例中涉及的湿球温度预测模型和IT负荷预测模型(具体的训练过程可以参考本申请实施例中关于节能控制设备训练湿球温度预测模型和IT负荷预测模型的相关内容),并将训练好的湿球温度预测模型和IT负荷预测模型发送给节能控制设备,以便于节能控制设备可以根据湿球温度预测模型预测数据中心在未来预设时长内的湿球温度,以及根据IT负荷预测模型预测数据中心在未来预设时长内的IT负荷数据。
本申请实施例中涉及的动环系统设备用于提供设备工况数据信息;当然,动环系统设备还可以用于提供其它信息,本申请实施例中对此并不作限定。
本申请实施例中涉及的节能控制设备用于根据湿球温度预测模型预测数据中心在未来预设时长内的湿球温度预测数据,以及根据IT负荷预测模型预测数据中心在未来预设时长内的IT负荷预测数据,进一步地,根据湿球温度预测数据和IT负荷预测数据预先确定数据中心在未来预设时长内的制冷策略,并将未来预设时长内的制冷策略预先发送给暖通群控设备,以便于到达未来相应时刻时暖通群控设备可以按照提前配置的制冷策略及时以及灵活地控制相应制冷设备进行制冷,以充分利用自然冷源制冷,提高自然冷源的利用率,尽量减少冷机制冷,从而可以提高DC的节能效果,解决了现有技术中自然冷源浪费,降低了DC节能效果的技术问题。
本申请实施例中涉及的暖通群控设备用于根据节能控制设备采用本申请实施例提供的数据中心的节能控制方法所确定的数据中心在未来预设时长内的制冷策略控制相应的制冷设备。
示例性地,本申请实施例涉及的节能控制设备可以包括但不限于以下任一项:个人计算机、大中型计算机,或者计算机集群。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2为本申请一实施例提供的数据中心的节能控制方法的流程示意图。本申请实施例的执行主体可以是节能控制设备,或者节能控制设备中的节能装置(本申请下述实施例中以执行主体为节能控制设备为例进行说明)。示例性地,本申请实施例中的节能控制设备或者装置,可以通过软件和/或硬件实现。如图2所示,本申请实施例的方法可以包括:
步骤S201、获取数据中心所在地方区域的未来预设时长内的天气特征数据。
本申请实施例中涉及的预设时长可以包括但不限于:12小时,或者24小时。
本申请实施例中涉及的未来预设时长可以包括但不限于:未来24小时。需要说明的是,本申请实施例中涉及的未来预设时长是指对于当前时刻的未来预设时长。
本申请实施例中涉及的天气特征数据可以包括但不限于以下至少一项:时间戳特征数据、温度特征数据、湿度特征数据、风力特征数据、风向特征数据,或者气压特征数据。
示例性地,本申请实施例中涉及的未来预设时长内的天气特征数据可以包括:未来预设时长内的多个预设时间粒度的天气特征数据。
本申请实施例中涉及的预设时间粒度可以包括但不限于:1小时。
例如,节能控制设备获取数据中心所在地方区域的未来24小时内的天气特征数据,其中,未来24小时内的天气特征数据可以包括:未来24小时内的各1小时粒度的天气特征数据。
本申请下述部分对获取天气特征数据的可实现方式进行介绍。
可选地,节能控制设备获取数据中心所在地方区域的未来预设时长内的原始天气数据。
本申请实施例中,节能控制设备可以从气象网站的数据接口获取数据中心所在地方区域的未来预设时长内的原始天气数据,其中,未来预设时长内的原始天气数据可以包括:未来预设时长内的多个预设时间粒度的原始天气数据。
当然,节能控制设备还可以通过其它方式获取数据中心所在地方区域的未来预设时长内的原始天气数据,本申请实施例中对此并不作限定。
本申请实施例中涉及的原始天气数据可以包括但不限于以下至少一项:原始时间戳数据、原始温度数据、原始湿度数据、原始风力数据、原始风向数据、原始气压数据、原始天气数据、原始空气污染数据,或者原始海拔数据。
进一步地,节能控制设备对未来预设时长内的原始天气数据进行第一特征工程处理,得到未来预设时长内的天气特征数据。
本申请实施例中涉及的第一特征工程处理可以包括但不限于以下至少一项:方差分析处理、相关性处理、缺失值填充处理、数值化映射处理、异常值处理、归一化处理,或者独热化处理。
本申请实施例中节能控制设备可以通过相关性处理确定各类原始天气数据与湿球温度之间的相关性数值,以便于剔除相关性数值小于第一预设相关性阈值的原始天气数据,从而有利于提高后续的数据处理速度。
例如,假设原始天气数据与湿球温度之间的相关性数值小于第一预设相关性阈值、原始空气污染数据与湿球温度之间的相关性数值小于第一预设相关性阈值,以及原始海拔数据与湿球温度之间的相关性数值小于第一预设相关性阈值,节能控制设备通过相关性处理便可以剔除原始天气数据、原始空气污染数据以及原始海拔数据等与湿球温度相关性低的原始天气数据。
本申请实施例中节能控制设备可以通过方差分析处理剔除方差数值小于第一预设方差阈值的原始天气数据,从而有利于提高后续的数据处理速度。
示例性地,节能控制设备可以通过Python定量分析方式对各类原始天气数据进行方差分析处理以及相关性处理等,当然还可以通过其它方式进行方差分析处理以及相关性处理等,本申请实施例中对此并不作限定
本申请实施例中涉及的独热化处理用于对非数值类型的数据(例如原始风向数据,和/或,原始天气数据等)进行编码处理,从而避免简单数值化处理造成的训练权重偏差问题。
应理解,本申请实施例中,对于不同类别的原始天气数据可以采用上述第一特征工程处理中的部分或者全部处理方式。
步骤S202、将天气特征数据输入湿球温度预测模型,得到数据中心在未来预设时长内的湿球温度预测数据。
本申请实施例中,节能控制设备中预置有训练好的湿球温度预测模型。应理解,若节能控制设备的数据处理能力非常强大,则湿球温度预测模型的训练过程可以由节能控制设备执行;若节能控制设备的数据处理能力有限,则湿球温度预测模型的训练过程可以由模型训练设备执行。
本步骤中,节能控制设备通过将上述步骤S201中所获取的数据中心所在地方区域的未来预设时长内的天气特征数据作为湿球温度预测模型的输入数据,输入到湿球温度预测模型中,然后运行湿球温度预测模型便可得到湿球温度预测模型的输出数据,其中,湿球温度预测模型的输出数据可以包括:数据中心在未来预设时长内的湿球温度预测数据。
应理解,本申请实施例中涉及的未来预设时长内的天气特征数据可以包括:未来预设时长内的多个预设时间粒度的天气特征数据,对应地,数据中心在未来预设时长内的湿球温度预测数据可以包括:未来预设时长内的多个预设时间粒度的湿球温度预测数据。
步骤S203、根据互联网技术IT负荷预测模型,得到数据中心在未来预设时长内的IT负荷预测数据。
本申请实施例中,节能控制设备中预置有训练好的IT负荷预测模型。应理解,若节能控制设备的数据处理能力非常强大,则IT负荷预测模型的训练过程可以由节能控制设备执行;若节能控制设备的数据处理能力有限,则IT负荷预测模型的训练过程可以由模型训练设备执行。
本申请实施例中涉及的IT负荷预测模型属于时间序列模型,用于指示不同时刻的IT负荷预测数据。
本步骤中,节能控制设备可以将所需预测的时间长度(例如未来预设时长)以及所需预测的时间长度内的时间粒度(例如预设时间粒度)作为IT负荷预测模型的输入数据,输入到IT负荷预测模型中,然后运行IT负荷预测模型便可得到IT负荷预测模型的输出数据,其中,IT负荷预测模型的输出数据可以包括:数据中心在未来预设时长内的IT负荷预测数据,数据中心在未来预设时长内的IT负荷预测数据可以包括:数据中心在未来预设时长内的多个预设时间粒度的IT负荷预测数据。
步骤S204、根据湿球温度预测数据和IT负荷预测数据,确定数据中心在未来预设时长内的制冷策略。
本步骤中,节能控制设备根据上述步骤S202中得到的数据中心在未来预设时长内的湿球温度预测数据,以及上述步骤S203中得到的数据中心在未来预设时长内的IT负荷预测数据,确定数据中心在未来预设时长内的制冷策略,以便于提前为暖通群控设备配置未来预测时长内的制冷策略。
本申请实施例中涉及的制冷策略可以包括但不限于:自然冷源制冷模式的使用时间段,和/或,冷机制冷模式的使用时间段。
示例性地,本申请实施例中涉及的自然冷源制冷模式可以包括但不限于:板式换热器制冷模式,和/或,蓄冷罐制冷模式。
本申请实施例中,节能控制设备通过根据预测的数据中心在未来预设时长内的湿球温度预测以及IT负荷预测数据,预先确定数据中心在未来预设时长内的制冷策略,以便于提前为暖通群控设备配置未来预测时长内的制冷策略,使得到达未来相应时刻时暖通群控设备可以按照提前配置的制冷策略及时以及灵活地控制相应制冷设备进行制冷,以充分利用自然冷源制冷,提高自然冷源的利用率,尽量减少冷机制冷,从而可以提高DC的节能效果。
本申请下述实施例对确定数据中心在未来预设时长内的制冷策略的可实现方式进行介绍。
可选地,节能控制设备根据上述步骤S203中得到的数据中心在未来预设时长内的IT负荷预测数据确定数据中心在未来预设时长内的湿球温度临界值,其中,数据中心在未来预设时长内的湿球温度临界值可以包括:数据中心在未来预设时长内的多个预设时间粒度的湿球温度临界值。
本申请实施例中,节能控制设备根据数据中心在未来预设时长内的多个预设时间粒度的IT负荷预测数据、预设制冷系统参数以及数据中心负荷参数,来确定数据中心在未来预设时长内的多个预设时间粒度的湿球温度临界值,其中,预设制冷系统参数用于指示制冷系统的工作参数信息,数据中心负荷参数可以包括但不限于数据中心的配电负荷和建筑负荷。
可选地,对于未来预设时长内的任意预设时间粒度,节能控制设备根据数据中心在未来预设时长内的该预设时间粒度的IT负荷预测数据、预设制冷系统参数以及数据中心负荷参数,可以通过如下公式来确定数据中心在未来预设时长内的该预设时间粒度的湿球温度临界值。
其中,Tborder代表数据中心在未来预设时长内的该预设时间粒度的湿球温度临界值;QIT代表数据中心在未来预设时长内的该预设时间粒度的IT负荷预测数据;TC代表冷机冷通道环境温度;Tbc代表板式换热器换热温差;Tc代表冷却塔逼近度;K代表质量流量系数;L代表冷冻水总管的总流量;Qe代表数据中心的配电负荷;Qbd代表数据中心的建筑负荷;c1代表第一常数(例如1.25);c2代表第二常数(例如2)。
应理解,上述冷机冷通道环境温度TC、板式换热器换热温差Tbc、冷却塔逼近度Tct、质量流量系数K以及冷冻水总管的总流量L属于上述预设制冷系统参数。
当然,节能控制设备根据数据中心在未来预设时长内的该预设时间粒度的IT负荷预测数据、预设制冷系统参数以及数据中心负荷参数,还可以通过上述公式的其它变形公式或等效公式来确定数据中心在未来预设时长内的该预设时间粒度的湿球温度临界值,本申请实施例中对此并不作限定。
考虑到数据中心在运营过程中IT负荷可能会发生变化,本申请实施例中在上述步骤S203中得到的数据中心在未来预设时长内的IT负荷预测数据的基础上,节能控制设备还进一步结合运营业务数据中的IT负荷变化信息,来确定数据中心在未来预设时长内的IT负荷预测修正数据,其中,IT负荷变化信息可以包括但不限于:IT负荷的变化量(增加量或者减少量),和/或,变化发生时间戳信息。进一步地,节能控制设备根据数据中心在未来预设时长内的IT负荷预测修正数据来确定数据中心在未来预设时长内的湿球温度临界值。
应理解,节能控制设备根据数据中心在未来预设时长内的IT负荷预测修正数据来确定数据中心在未来预设时长内的湿球温度临界值的可实现方式,可以参考上述节能控制设备根据数据中心在未来预设时长内的IT负荷预测数据确定数据中心在未来预设时长内的湿球温度临界值的相关内容,此处不再赘述。
应理解,数据中心在未来预设时长内的IT负荷预测数据可以包括:数据中心在未来预设时长内的多个预设时间粒度的IT负荷预测数据,对应地,数据中心在未来预设时长内的IT负荷预测修正数据可以包括:数据中心在未来预设时长内的多个预设时间粒度的IT负荷预测修正数据。
进一步地,节能控制设备根据上述步骤S202中得到的数据中心在未来预设时长内的湿球温度预测数据以及数据中心在未来预设时长内的湿球温度临界值,确定数据中心在未来预设时长内的制冷策略。
本申请实施例中,节能控制设备通过将数据中心在未来预设时长内的每个预设时间粒度的湿球温度预测数据分别与数据中心在未来预设时长内的相应预设时间粒度的湿球温度临界值进行对比,来确定数据中心在未来预设时长内的制冷策略。
一种可能的实现方式中,若未来预设时长内的多个相邻预设时间粒度的湿球温度预测数据均小于相应预设时间粒度的湿球温度临界值,且上述多个相邻预设时间粒度的末端预设时间粒度与起始预设时间粒度之间的时间间隔超过预设时间间隔(例如1小时等),则节能控制设备可以确定在上述多个相邻预设时间粒度的起始预设时间粒度所对应时间与上述多个相邻预设时间粒度的末端预设时间粒度所对应时间之间可以采用自然冷源制冷模式,即在上述多个相邻预设时间粒度的起始预设时间粒度所对应时间开启自然冷源制冷模式,以及在上述多个相邻预设时间粒度的末端预设时间粒度所对应时间关闭自然冷源制冷模式。
另一种可能的实现方式中,若未来预设时长内的多个相邻预设时间粒度的湿球温度预测数据均小于相应预设时间粒度的湿球温度临界值,但上述多个相邻预设时间粒度的末端预设时间粒度与起始预设时间粒度之间的时间间隔未超过预设时间间隔,则节能控制设备可以确定未满足采用自然冷源制冷模式的条件,即采用冷机制冷模式。
另一种可能的实现方式中,若未来预设时长内的任意预设时间粒度的湿球温度预测数据小于相应预设时间粒度的湿球温度临界值,则节能控制设备可以确定未满足采用自然冷源制冷模式的条件,即采用冷机制冷模式。
可选地,在采用自然冷源制冷模式时可以关闭冷机制冷模式,从而不仅可以充分利用自然冷源制冷,提高自然冷源的利用率,而且还可以减少使用冷机制冷以节约数据中心的用电量,从而进一步提高了DC的节能效果。
应理解,若在采用自然冷源制冷模式时关闭了冷机制冷模式,进一步地节能控制设备再次检测到不满足采用自认冷源制冷模式的条件时,便开启冷机制冷模式,并关闭自然冷源制冷模式。
可选地,在采用自然冷源制冷模式时也可以不关闭冷机制冷模式,但因为引入自然冷源制冷模式,相应的冷机制冷模式所需产生的冷量会减少(即冷机制冷模式所需用电量会减少),从而不仅可以充分利用自然冷源制冷,提高自然冷源的利用率,而且还有利于节约数据中心的用电量,从而进一步提高了DC的节能效果。
示例性地,假设数据中心在未来预设时长内的湿球温度预测数据包括:未来预设时长内的R(R为大于1的整数)个预设时间粒度的湿球温度预测数据,数据中心在未来预设时长内的湿球温度临界值包括:未来预设时长内的R个预设时间粒度的湿球温度临界值,若数据中心在未来预设时长内的预设时间粒度r(r为大于1且小于等于R的整数)-1的湿球温度预测数据大于或等于数据中心在未来预设时长内的预设时间粒度r-1的湿球温度临界值、数据中心在未来预设时长内的预设时间粒度r的湿球温度预测数据小于数据中心在未来预设时长内的预设时间粒度r的湿球温度临界值、数据中心在未来预设时长内的预设时间粒度r+1的湿球温度预测数据小于数据中心在未来预设时长内的预设时间粒度r+1的湿球温度临界值、……、数据中心在未来预设时长内的预设时间粒度r+t(t为大于1的整数)的湿球温度预测数据小于数据中心在未来预设时长内的预设时间粒度r+t的湿球温度临界值、数据中心在未来预设时长内的预设时间粒度r+t+1的湿球温度预测数据大于或等于数据中心在未来预设时长内的预设时间粒度r+t+1的湿球温度临界值,且预设时间粒度r+t与预设时间粒度r之间的时间间隔超过预设时间间隔,则节能控制设备可以确定在未来预设时长内的预设时间粒度r所对应时间与未来预设时长内的预设时间粒度r+t+1所对应时间之间可以采用自然冷源制冷模式,即在未来预设时长内的预设时间粒度r所对应时间可以开启自然冷源制冷模式,以及在未来预设时长内的预设时间粒度r+t+1所对应时间可以关闭自然冷源制冷模式。
步骤S205、将未来预设时长内的制冷策略发送给暖通群控设备。
本步骤中,节能控制设备将上述步骤S204中确定的数据中心在未来预设时长内的制冷策略发送给暖通群控设备,以便于到达未来相应时刻时暖通群控设备可以按照提前配置的制冷策略及时以及灵活地控制相应制冷设备(例如,板式换热器、蓄冷罐,和/或,冷机等)进行制冷,从而充分利用自然冷源制冷,提高自然冷源的利用率,尽量减少冷机制冷,以提高DC的节能效果。
综上所述,本申请实施例中,节能控制设备通过将获取的数据中心所在地方区域的未来预设时长内的天气特征数据输入湿球温度预测模型,得到数据中心在未来预设时长内的湿球温度预测数据,以及根据互联网技术IT负荷预测模型,得到数据中心在未来预设时长内的IT负荷预测数据。进一步地,节能控制设备根据数据中心在未来预设时长内的湿球温度预测数据和IT负荷预测数据,预先确定数据中心在未来预设时长内的制冷策略,然后将未来预设时长内的制冷策略预先发送给暖通群控设备,以便于到达未来相应时刻时暖通群控设备可以按照提前配置的制冷策略及时以及灵活地控制相应制冷设备进行制冷,以充分利用自然冷源制冷,提高自然冷源的利用率,尽量减少冷机制冷,从而可以提高DC的节能效果。
需要说明的是,节能控制设备可以每隔预设时长(例如,12小时或者24小时)执行上述步骤S201-步骤S205,便于暖通群控设备到达未来预设时长内的相应时刻时可以按照提前配置的制冷策略及时以及灵活地控制相应制冷设备进行制冷。
示例性地,节能控制设备可以每天零点执行上述步骤S201-步骤S205,便于暖通群控设备到达未来预设时长(例如,未来24小时)内的相应时刻时可以按照提前配置的制冷策略及时以及灵活地控制相应制冷设备进行制冷。
又一示例性地,节能控制设备可以每天零点和十二点均执行上述步骤S201-步骤S205,便于暖通群控设备到达未来预设时长(例如,未来12小时)内的相应时刻时可以按照提前配置的制冷策略及时以及灵活地控制相应制冷设备进行制冷。
又一示例性地,节能控制设备可以每天零点执行上述步骤S201-步骤S205,实现了将未来预设时长(例如,未来24小时)内的制冷策略发送给暖通群控设备。进一步地,节能控制设备还可以在每天十二点再次执行上述步骤S201-步骤S205,实现了将未来预设时长(例如,未来24小时)内的制冷策略(包含更新后的未来12小时的制冷策略)发送给暖通群控设备,便于暖通群控设备到达未来预设时长(例如,未来12小时)内的相应时刻时可以按照提前配置的更新后的制冷策略及时以及灵活地控制相应制冷设备进行制冷。
图3为本申请另一实施例提供的数据中心的节能控制方法的流程示意图。在上述实施例的基础上,本申请实施例中对获取湿球温度预测模型的可实现方式进行介绍。如图3所示,本申请实施例的方法可以包括:
步骤S301、获取数据中心所在地方区域的历史预设时长内的天气特征数据。
本申请实施例中涉及的历史预设时长可以包括但不限于:历史1年。需要说明的是,本申请实施例中涉及的历史预设时长是指对于当前时刻的历史预设时长。
本申请实施例中涉及的天气特征数据可以包括但不限于以下至少一项:时间戳特征数据、温度特征数据、湿度特征数据、风力特征数据、风向特征数据,或者气压特征数据。
示例性地,本申请实施例中涉及的历史预设时长内的天气特征数据可以包括:历史预设时长内的多个预设时间粒度的天气特征数据。
本申请下述部分对获取天气特征数据的可实现方式进行介绍。
可选地,节能控制设备获取数据中心所在地方区域的历史预设时长内的原始天气数据。
本申请实施例中,节能控制设备可以从气象网站的数据接口获取数据中心所在地方区域的历史预设时长内的原始天气数据,其中,历史预设时长内的原始天气数据可以包括:历史预设时长内的多个预设时间粒度的原始天气数据。
当然,节能控制设备还可以通过其它方式获取数据中心所在地方区域的历史预设时长内的原始天气数据,本申请实施例中对此并不作限定。
应理解,若节能控制设备中已经存储有数据中心所在地方区域的历史预设时长内的原始天气数据,则节能控制设备直接获取本地的历史预设时长内的原始天气数据,无需从其它设备处获取。
本申请实施例中涉及的原始天气数据可以包括但不限于以下至少一项:原始时间戳数据、原始温度数据、原始湿度数据、原始风力数据、原始风向数据、原始气压数据、原始天气数据、原始空气污染数据,或者原始海拔数据。
进一步地,节能控制设备对历史预设时长内的原始天气数据进行第二特征工程处理,得到历史预设时长内的天气特征数据。
本申请实施例中涉及的第二特征工程处理可以包括但不限于以下至少一项:方差分析处理、相关性处理、缺失值填充处理、数值化映射处理、异常值处理、归一化处理,或者独热化处理。
本申请实施例中节能控制设备可以通过相关性处理确定各类原始天气数据与湿球温度之间的相关性数值,以便于剔除相关性数值小于第一预设相关性阈值的原始天气数据,从而不仅有利于提高湿球温度预测模型的训练和测试样本数据集的质量(有利于提高湿球温度预测模型的预测准确性),而且有利于提高后续的数据处理速度。
例如,假设原始天气数据与湿球温度之间的相关性数值小于第一预设相关性阈值、原始空气污染数据与湿球温度之间的相关性数值小于第一预设相关性阈值,以及原始海拔数据与湿球温度之间的相关性数值小于第一预设相关性阈值,节能控制设备通过相关性处理便可以剔除原始天气数据、原始空气污染数据以及原始海拔数据等与湿球温度相关性低的原始天气数据。
本申请实施例中节能控制设备可以通过方差分析处理剔除方差数值小于第一预设方差阈值的原始天气数据,从而不仅有利于提高湿球温度预测模型的训练和测试样本数据集的质量(有利于提高湿球温度预测模型的预测准确性),而且有利于提高后续的数据处理速度。
示例性地,节能控制设备可以通过Python定量分析方式对各类原始天气数据进行方差分析处理以及相关性处理等,当然还可以通过其它方式进行方差分析处理以及相关性处理等,本申请实施例中对此并不作限定。
本申请实施例中涉及的独热化处理用于对非数值类型的数据(例如原始风向数据,和/或,原始天气数据等)进行编码处理,从而避免简单数值化处理造成的训练权重偏差问题。
应理解,本申请实施例中,对于不同类别的原始天气数据可以采用上述第二特征工程处理中的部分或者全部处理方式。
步骤S302、获取数据中心在历史预设时长内的湿球温度标签数据。
示例性地,本申请实施例中涉及的历史预设时长内的湿球温度标签数据可以包括:历史预设时长内的多个预设时间粒度的湿球温度标签数据。
本申请下述实施例对获取湿球温度标签数据的可实现方式进行介绍。
可选地,节能控制设备获取数据中心在历史预设时长内的原始湿球温度数据,其中,历史预设时长内的原始湿球温度数据可以包括:历史预设时长内的多个预设时间粒度的原始湿球温度数据。
一种可能的实现方式中,节能控制设备可以从湿球温度传感器(设置在数据中心室外)获取数据中心在历史预设时长内的原始湿球温度数据,或者可以从用于存储湿球温度传感器数据的存储设备获取数据中心在历史预设时长内的原始湿球温度数据。
另一种可能的实现方式中,节能控制设备可以从温湿度传感器(设置在数据中心室外)获取数据中心在历史预设时长内的温湿度数据(包括温度数据和湿度数据),或者可以从用于存储温湿度传感器数据的存储设备获取数据中心在历史预设时长内的温湿度数据。进一步地,节能控制设备对历史预设时长内的温湿度数据进行转换处理,得到历史预设时长内的原始湿球温度数据,其中,历史预设时长内的温湿度数据可以包括:历史预设时长内的多个预设时间粒度的温湿度数据。
示例性地,节能控制设备可以根据预设温湿度数据与湿球温度数据之间的映射关系,将历史预设时长内的温湿度数据转换处理得到历史预设时长内的原始湿球温度数据,其中,预设温湿度数据与湿球温度数据之间的映射关系可以包括不同温湿度数据对应的湿球温度数据。
又一示例性地,节能控制室设备可以根据温湿度数据与湿球温度数据的通用转换公式,将历史预设时长内的温湿度数据转换处理得到历史预设时长内的原始湿球温度数据。
进一步地,节能控制设备对历史预设时长内的原始湿球温度数据进行第三特征工程处理,得到历史预设时长内的湿球温度标签数据。
示例性地,本申请实施例中涉及的历史预设时长内的湿球温度标签数据可以包括:历史预设时长内的多个预设时间粒度的湿球温度标签数据。
本申请实施例中涉及的第三特征工程处理可以包括但不限于以下至少一项:方差分析处理、缺失值填充处理、异常值处理,或者归一化处理。
本申请实施例中节能控制设备可以通过方差分析处理剔除方差数值小于第二预设方差阈值的原始湿球温度数据,从而不仅有利于提高湿球温度预测模型的训练和测试样本数据集的质量(有利于提高湿球温度预测模型的预测准确性),而且有利于提高后续的数据处理速度。
示例性地,节能控制设备可以通过Python定量分析方式对各类原始湿球温度数据进行方差分析处理等,当然还可以通过其它方式进行方差分析处理等,本申请实施例中对此并不作限定。
步骤S303、根据历史预设时长内的天气特征数据和历史预设时长内的湿球温度标签数据对预设回归模型进行训练,得到湿球温度预测模型。
本申请实施例中,节能控制设备可以根据上述步骤S301中获取的数据中心所在地方区域的历史预设时长内的天气特征数据,以及上述步骤S302中获取的数据中心在历史预设时长内的湿球温度标签数据组成的第一样本数据集,对预设回归模型进行训练,便可得到湿球温度预测模型,以便于节能控制设备可以每隔预设时间根据湿球温度预测模型对数据中心在未来预设时长内的湿球温度预测数据进行预测,从而预先制定数据中心在未来预设时长内的制冷策略。
示例性地,第一样本数据集中可以包括:多个第一样本数据,每个第一样本数据可以包括:历史预设时长内的某个预设时间粒度的天气特征数据,以及历史预设时长内的相应预设时间粒度的湿球温度标签数据。
例如,假设历史预设时长内的天气特征数据包括:历史预设时长内的N(N为大于0的整数)个预设时间粒度的天气特征数据,历史预设时长内的湿球温度标签数据包括:历史预设时长内的N个预设时间粒度的湿球温度标签数据,对应地,第一样本数据集可以包括N个第一样本数据,其中,第一样本数据i中的特征部分可以包括:历史预设时长内的预设时间粒度i的天气特征数据,第一样本数据i中的标签部分可以包括:历史预设时长内的预设时间粒度i的湿球温度标签数据,其中,i为大于等于1,且小于等于N的整数。
示例性地,本申请实施例中涉及的预设回归模型可以包括但不限于:XGBoost回归模型,或者CatBoost回归模型。
图4为本申请实施例提供的获取湿球温度预测模型的方法示意图,如图4所示,可选地,节能控制设备可以将上述第一样本数据集中的所有第一样本数据按照预设比例(例如3:7)随机拆分为第一测试样本数据集和第一训练样本数据集。其次,节能控制设备根据第一训练样本数据集中的多个第一样本数据对预设回归模型进行训练,便可得到初级湿球温度预测模型。然后,节能控制设备根据第一测试样本数据集中的多个第一样本数据对初级湿球温度预测模型进行模型测试;若模型预测的准确率大于预设准确率,则节能控制设备可以将初级湿球温度预测模型作为上述步骤S202中进行预测时的湿球温度预测模型;若模型预测的准确率不大于预设准确率,则节能控制设备可以对初级湿球温度预测模型的参数进行调节,并根据第一训练样本数据集中的多个第一样本数据对参数调节后的初级湿球温度预测模型进行训练,……,以此类推,直至参数调节后的初级湿球温度预测模型预测的准确率大于预设准确率时,便可得到上述步骤S202中进行预测时的湿球温度预测模型。
需要说明的是,本申请实施例中的上述湿球温度预测模型的训练过程也可以由模型训练设备执行(即无需节能控制设备训练),具体的训练过程同节能控制设备对湿球温度预测模型的训练过程,此处不再赘述。
本申请实施例中,节能控制设备根据获取的历史预设时长内的天气特征数据和历史预设时长内的湿球温度标签数据对预设回归模型进行训练,得到湿球温度预测模型,以便于节能控制设备可以每隔预设时间根据湿球温度预测模型对数据中心在未来预设时长内的湿球温度预测数据进行预测,从而预先制定数据中心在未来预设时长内的制冷策略,有利于充分利用自然冷源制冷,提高自然冷源的利用率,尽量减少冷机制冷,以提高DC的节能效果。
图5为本申请另一实施例提供的数据中心的节能控制方法的流程示意图。在上述实施例的基础上,本申请实施例中对获取IT负荷预测模型的可实现方式进行介绍。如图5所示,本申请实施例的方法可以包括:
步骤S501、获取数据中心在历史预设时长内的设备工况特征数据。
本申请实施例中涉及的历史预设时长可以包括但不限于:历史1年。需要说明的是,本申请实施例中涉及的历史预设时长是指对于当前时刻的历史预设时长。
本申请实施例中涉及的设备工况特征数据可以包括但不限于以下至少一项:时间戳特征数据、机架(用于放置IT设备的架子)数量特征数据、IT设备数量特征数据、IT设备类型特征数据、IT设备额定功耗特征数据、IT设备上下电特征数据、IT设备占地面积特征数据、冷机出水温度特征数据、冷却塔出水温度特征数据,或者末端送风特征数据。
示例性地,本申请实施例中涉及的历史预设时长内的设备工况特征数据可以包括:历史预设时长内的多个预设时间粒度的设备工况特征数据。
本申请下述部分对获取设备工况特征数据的可实现方式进行介绍。
可选地,节能控制设备获取数据中心在历史预设时长内的原始设备工况数据。
本申请实施例中,节能控制设备可以从动环系统设备获取数据中心在历史预设时长内的原始设备工况数据,其中,历史预设时长内的原始设备工况数据可以包括:历史预设时长内的多个预设时间粒度的原始设备工况数据。
当然,节能控制设备还可以从其它设备处获取数据中心在历史预设时长内的原始设备工况数据,本申请实施例中对此并不作限定。
应理解,若节能控制设备中已经存储有数据中心在历史预设时长内的原始设备工况数据,则节能控制设备直接获取本地的历史预设时长内的原始设备工况数据,无需从其它设备处获取。
本申请实施例中涉及的原始设备工况数据可以包括但不限于以下至少一项:原始时间戳数据、原始机架(用于放置IT设备的架子)数量数据、原始IT设备数量数据、原始IT设备类型数据、原始IT设备额定功耗数据、原始IT设备上下电数据、原始IT设备占地面积数据、原始冷机出水温度数据、原始冷却塔出水温度数据,或者原始末端送风数据。
进一步地,节能控制设备对历史预设时长内的原始设备工况数据进行第四特征工程处理,得到历史预设时长内的设备工况特征数据。
本申请实施例中涉及的第四特征工程处理可以包括但不限于以下至少一项:方差分析处理、相关性处理、缺失值填充处理、数值化映射处理、异常值处理、归一化处理,或者独热化处理。
本申请实施例中节能控制设备可以通过相关性处理确定各类原始设备工况数据与IT负荷之间的相关性数值,以便于剔除相关性数值小于第二预设相关性阈值的原始设备工况数据,从而不仅有利于提高IT负荷预测模型的训练和测试样本数据集的质量(有利于提高IT负荷预测模型的预测准确性),而且有利于提高后续的数据处理速度。
本申请实施例中节能控制设备可以通过方差分析处理剔除方差数值小于第三预设方差阈值的原始设备工况数据,从而不仅有利于提高IT负荷预测模型的训练和测试样本数据集的质量(有利于提高IT负荷预测模型的预测准确性),而且有利于提高后续的数据处理速度。
示例性地,节能控制设备可以通过Python定量分析方式对各类原始设备工况数据进行方差分析处理以及相关性处理等,当然还可以通过其它方式进行方差分析处理以及相关性处理等,本申请实施例中对此并不作限定。
本申请实施例中涉及的独热化处理用于对非数值类型的数据(例如原始IT设备类型数据,和/或,原始末端送风数据等)进行编码处理,从而避免简单数值化处理造成的训练权重偏差问题。
应理解,本申请实施例中,对于不同类别的原始设备工况数据可以采用上述第五特征工程处理中的部分或者全部处理方式。
步骤S502、获取数据中心在历史预设时长内的IT负荷标签数据。
示例性地,本申请实施例中涉及的历史预设时长内的IT负荷标签数据可以包括:历史预设时长内的多个预设时间粒度的IT负荷标签数据。
本申请下述实施例对获取IT负荷标签数据的可实现方式进行介绍。
可选地,节能控制设备可以从动环系统设备获取数据中心在历史预设时长内的原始IT负荷数据,其中,历史预设时长内的原始IT负荷数据可以包括:历史预设时长内的多个预设时间粒度的原始IT负荷数据。
应理解,若节能控制设备中已经存储有数据中心在历史预设时长内的原始IT负荷数据,则节能控制设备直接获取本地的历史预设时长内的原始IT负荷数据,无需从其它设备处获取。
进一步地,节能控制设备对历史预设时长内的原始IT负荷数据进行第五特征工程处理,得到数据中心的历史预设时长内的IT负荷标签数据。
本申请实施例中涉及的第五特征工程处理可以包括但不限于以下至少一项:方差分析处理、缺失值填充处理、异常值处理,或者归一化处理。
本申请实施例中节能控制设备可以通过方差分析处理剔除方差数值小于第四预设方差阈值的原始IT负荷数据,从而不仅有利于提高IT负荷预测模型的训练和测试样本数据集的质量(有利于提高IT负荷预测模型的预测准确性),而且有利于提高后续的数据处理速度。
示例性地,节能控制设备可以通过Python定量分析方式对各类原始IT负荷数据进行方差分析处理等,当然还可以通过其它方式进行方差分析处理等,本申请实施例中对此并不作限定。
步骤S503、根据历史预设时长内的设备工况特征数据和历史预设时长内的IT负荷标签数据对预设时序模型进行训练,得到IT负荷预测模型。
本申请实施例中,节能控制设备可以根据上述步骤S501中获取的数据中心在历史预设时长内的设备工况特征数据,以及上述步骤S502中获取的数据中心在历史预设时长内的IT负荷标签数据组成的第二样本数据集,对预设时序模型进行训练,便可得到IT负荷预测模型,以便于节能控制设备可以每隔预设时间根据IT负荷预测模型对数据中心在未来预设时长内的IT负荷预测数据进行预测,从而预先制定数据中心在未来预设时长内的制冷策略。
示例性地,第二样本数据集中可以包括:多个第二样本数据,每个第二样本数据可以包括:历史预设时长内的某个预设时间粒度的设备工况特征数据,以及历史预设时长内的相应预设时间粒度的IT负荷标签数据。
例如,假设历史预设时长内的设备工况特征数据包括:历史预设时长内的M(M为大于0的整数)个预设时间粒度的设备工况特征数据,历史预设时长内的IT负荷标签数据包括:历史预设时长内的M个预设时间粒度的IT负荷标签数据,对应地,第二样本数据集可以包括M个第二样本数据,其中,第二样本数据j中的特征部分可以包括:历史预设时长内的预设时间粒度j的设备工况特征数据,第二样本数据j中的标签部分可以包括:历史预设时长内的预设时间粒度j的IT负荷标签数据,其中,j为大于等于1,且小于等于M的整数。
示例性地,本申请实施例中涉及的预设时序模型可以包括但不限于:fbprophet时序模型,或者Holt-Winters(霍尔特-温特)三次指数平滑时序模型。
本申请下述实施例对获取IT负荷预测模型的可实现方式进行介绍。
一种可能的实现方式中,节能控制设备可以将上述第二样本数据集中的所有第二样本数据按照预设比例(例如3:7)随机拆分为第二测试样本数据集和第二训练样本数据集。其次,节能控制设备根据第二训练样本数据集中的多个第二样本数据对预设时序模型进行训练,便可得到初级IT负荷预测模型。然后,节能控制设备根据第二测试样本数据集中的多个第二样本数据对初级IT负荷预测模型进行模型测试;若模型预测的准确率大于预设准确率,则节能控制设备可以将初级IT负荷预测模型作为上述步骤S203中进行预测时的IT负荷预测数据;若模型预测的准确率不大于预设准确率,则节能控制设备可以对初级IT负荷预测数据的参数进行调节,并根据第二训练样本数据集中的多个第二样本数据对参数调节后的初级IT负荷预测模型进行训练,……,以此类推,直至参数调节后的初级IT负荷预测模型预测的准确率大于预设准确率时,便可得到上述步骤S203中进行预测时的IT负荷预测模型。
另一种可能的实现方式中,一方面,节能控制设备根据历史预设时长内的设备工况特征数据和历史预设时长内的IT负荷标签数据对预设时序模型进行训练,便可得到初级IT负荷预测模型。另一方面,节能控制设备根据历史预设时长内的设备工况特征数据和历史预设时长内的IT负荷标签数据拟合出设备工况特征数据与IT负荷标签数据之间的关系,便可得到回归模型。进一步地,节能控制设备根据回归模型对初级IT负荷预测模型进行参数调整,得到IT负荷预测模型。
图6为本申请实施例提供的获取IT负荷预测模型的方法示意图,如图6所示,可选地,节能控制设备可以将上述第二样本数据集中的所有第二样本数据按照预设比例(例如3:7)随机拆分为第二测试样本数据集和第二训练样本数据集。进一步地,一方面节能控制设备根据第二训练样本数据集中的多个第二样本数据对预设时序模型进行训练,便可得到初级IT负荷预测模型;另一方面节能控制设备根据第二训练样本数据集中的多个第二样本数据拟合出设备工况特征数据与IT负荷标签数据之间的关系,便可得到回归模型。进一步地,节能控制设备根据回归模型可以确定出第二样本数据中的各设备工况特征数据对IT负荷标签数据的重要性数值,并根据各设备工况特征数据对IT负荷标签数据的重要性数值对初级IT负荷预测模型进行参数调整(例如,重要性数值越高的设备工况特征数据对应的权重越高),然后根据第二测试样本数据集中的多个第二样本数据对参数调整后的初级IT负荷预测模型进行模型测试;若模型预测的准确率大于预设准确率,则节能控制设备可以将参数调整后的初级IT负荷预测模型作为上述步骤S203中进行预测时的IT负荷预测数据;若模型预测的准确率不大于预设准确率,则节能控制设备可以对参数调整后的初级IT负荷预测数据的参数再次进行调节,并根据第二训练样本数据集中的多个第二样本数据对参数再次调节后的初级IT负荷预测模型进行训练,……,以此类推,直至参数调节后的初级IT负荷预测模型预测的准确率大于预设准确率时,便可得到上述步骤S203中进行预测时的IT负荷预测模型。
需要说明的是,本申请实施例中的上述IT负荷预测模型的训练过程也可以由模型训练设备执行(即无需节能控制设备训练),具体的训练过程同节能控制设备对IT负荷预测模型的训练过程,此处不再赘述。
本申请实施例中,节能控制设备根据获取的数据中心在历史预设时长内的设备工况特征数据以及历史预设时长内的IT负荷标签数据对预设时序模型进行训练,得到IT负荷预测模型,以便于节能控制设备可以每隔预设时间根据IT负荷预测模型对数据中心在未来预设时长内的IT负荷预测数据进行预测,从而预先制定数据中心在未来预设时长内的制冷策略,有利于充分利用自然冷源制冷,提高自然冷源的利用率,尽量减少冷机制冷,以提高DC的节能效果。
图7为本申请实施例提供的数据中心的节能装置的结构示意图,如图7所示,本申请实施例提供的节能装置可以包括:第一获取模块701、第一预测模块702、第二预测模块703、确定模块704以及发送模块705。
其中,第一获取模块701,用于获取所述数据中心所在地方区域的未来预设时长内的天气特征数据;
第一预测模块702,用于将所述天气特征数据输入湿球温度预测模型,得到所述数据中心在所述未来预设时长内的湿球温度预测数据;
第二预测模块703,用于根据互联网技术IT负荷预测模型,得到所述数据中心在所述未来预设时长内的IT负荷预测数据;
确定模块704,用于根据所述湿球温度预测数据和所述IT负荷预测数据,确定所述数据中心在所述未来预设时长内的制冷策略,其中,所述制冷策略包括自然冷源制冷模式的使用时间段,和/或,冷机制冷模式的使用时间段;
发送模块705,用于将所述未来预设时长内的制冷策略发送给暖通群控设备。
在一种可能的实现方式中,所述确定模块705具体用于:
根据所述IT负荷预测数据确定所述数据中心在所述未来预设时长内的湿球温度临界值;
根据所述湿球温度预测数据以及所述湿球温度临界值,确定所述数据中心在所述未来预设时长内的制冷策略。
在一种可能的实现方式中,所述第一获取模块701具体用于:
获取所述数据中心所在地方区域的未来预设时长内的原始天气数据,其中,所述原始天气数据包括:所述未来预设时长内的多个预设时间粒度的原始天气数据;
对所述原始天气数据进行特征工程处理,得到所述未来预设时长内的天气特征数据,其中,所述特征工程处理包括以下至少一项:方差分析处理、相关性处理、缺失值填充处理、数值化映射处理、异常值处理、归一化处理,或者独热化处理,所述未来预设时长内的天气特征数据包括:所述未来预设时长内的多个所述预设时间粒度的天气特征数据。
在一种可能的实现方式中,所述装置还包括:
第二获取模块,用于获取所述数据中心所在地方区域的历史预设时长内的天气特征数据;
第三获取模块,用于获取所述数据中心在所述历史预设时长内的湿球温度标签数据;
第一训练模块,用于根据所述历史预设时长内的天气特征数据和所述历史预设时长内的湿球温度标签数据对预设回归模型进行训练,得到所述湿球温度预测模型。
在一种可能的实现方式中,所述装置还包括:
第四获取模块,用于获取所述数据中心在历史预设时长内的设备工况特征数据;
第六获取模块,用于获取所述数据中心在所述历史预设时长内的IT负荷标签数据;
第二训练模块,用于根据所述历史预设时长内的设备工况特征数据和所述历史预设时长内的IT负荷标签数据对预设时序模型进行训练,得到所述IT负荷预测模型。
在一种可能的实现方式中,所述第二训练模块具体用于:
根据所述历史预设时长内的设备工况特征数据和所述历史预设时长内的IT负荷标签数据对预设时序模型进行训练,得到初级IT负荷预测模型;
根据所述历史预设时长内的设备工况特征数据和所述历史预设时长内的IT负荷标签数据拟合出设备工况特征数据与IT负荷标签数据之间的关系,得到回归模型;
根据所述回归模型对所述初级IT负荷预测模型进行参数调整,得到所述IT负荷预测模型。
本申请实施例提供的数据中心的节能装置,可以用于执行本申请上述数据中心的节能方法实施例中的技术方案,其实现原理和技术效果类似,此处不再赘述。
图8为本申请实施例提供的数据中心的节能设备的结构示意图,如图8示,本申请实施例提供的数据中心的节能设备可以包括:处理器801,以及与处理器801通信连接的存储器802。
其中,存储器802存储计算机执行指令;处理器801执行存储器802存储的计算机执行指令,以实现本申请上述数据中心的节能方法实施例中的技术方案,其实现原理和技术效果类似,此处不再赘述。
可选的,上述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)等。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。
在示例性实施例中,上述电子设备还可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
可选地,上述存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现本申请上述数据中心的节能方法实施例中的技术方案,其实现原理和技术效果类似,此处不再赘述。
本申请实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现本申请上述数据中心的节能方法实施例中的技术方案,其实现原理和技术效果类似,此处不再赘述。
本领域普通技术人员可以理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种数据中心的节能控制方法,其特征在于,包括:
获取所述数据中心所在地方区域的未来预设时长内的天气特征数据;
将所述天气特征数据输入湿球温度预测模型,得到所述数据中心在所述未来预设时长内的湿球温度预测数据;
根据互联网技术IT负荷预测模型,得到所述数据中心在所述未来预设时长内的IT负荷预测数据;
根据所述湿球温度预测数据和所述IT负荷预测数据,确定所述数据中心在所述未来预设时长内的制冷策略,其中,所述制冷策略包括自然冷源制冷模式的使用时间段,和/或,冷机制冷模式的使用时间段;
将所述未来预设时长内的制冷策略发送给暖通群控设备。
2.根据权利要求1所述的方法,其特征在于,所述根据所述湿球温度预测数据和所述IT负荷预测数据,确定所述数据中心在所述未来预设时长内的制冷策略,包括:
根据所述IT负荷预测数据确定所述数据中心在所述未来预设时长内的湿球温度临界值;
根据所述湿球温度预测数据以及所述湿球温度临界值,确定所述数据中心在所述未来预设时长内的制冷策略。
3.根据权利要求1或2所述的方法,其特征在于,所述获取所述数据中心所在地方区域的未来预设时长内的天气特征数据,包括:
获取所述数据中心所在地方区域的未来预设时长内的原始天气数据,其中,所述原始天气数据包括:所述未来预设时长内的多个预设时间粒度的原始天气数据;
对所述原始天气数据进行特征工程处理,得到所述未来预设时长内的天气特征数据,其中,所述特征工程处理包括以下至少一项:方差分析处理、相关性处理、缺失值填充处理、数值化映射处理、异常值处理、归一化处理,或者独热化处理,所述未来预设时长内的天气特征数据包括:所述未来预设时长内的多个所述预设时间粒度的天气特征数据。
4.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
获取所述数据中心所在地方区域的历史预设时长内的天气特征数据;
获取所述数据中心在所述历史预设时长内的湿球温度标签数据;
根据所述历史预设时长内的天气特征数据和所述历史预设时长内的湿球温度标签数据对预设回归模型进行训练,得到所述湿球温度预测模型。
5.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
获取所述数据中心在历史预设时长内的设备工况特征数据;
获取所述数据中心在所述历史预设时长内的IT负荷标签数据;
根据所述历史预设时长内的设备工况特征数据和所述历史预设时长内的IT负荷标签数据对预设时序模型进行训练,得到所述IT负荷预测模型。
6.根据权利要求5所述的方法,其特征在于,所述根据所述历史预设时长内的设备工况特征数据和所述历史预设时长内的IT负荷标签数据对预设时序模型进行训练,得到所述IT负荷预测模型,包括:
根据所述历史预设时长内的设备工况特征数据和所述历史预设时长内的IT负荷标签数据对预设时序模型进行训练,得到初级IT负荷预测模型;
根据所述历史预设时长内的设备工况特征数据和所述历史预设时长内的IT负荷标签数据拟合出设备工况特征数据与IT负荷标签数据之间的关系,得到回归模型;
根据所述回归模型对所述初级IT负荷预测模型进行参数调整,得到所述IT负荷预测模型。
7.一种数据中心的节能装置,其特征在于,包括:
获取模块,用于获取所述数据中心所在地方区域的未来预设时长内的天气特征数据;
第一预测模块,用于将所述天气特征数据输入湿球温度预测模型,得到所述数据中心在所述未来预设时长内的湿球温度预测数据;
第二预测模块,用于根据互联网技术IT负荷预测模型,得到所述数据中心在所述未来预设时长内的IT负荷预测数据;
确定模块,用于根据所述湿球温度预测数据和所述IT负荷预测数据,确定所述数据中心在所述未来预设时长内的制冷策略,其中,所述制冷策略包括自然冷源制冷模式的使用时间段,和/或,冷机制冷模式的使用时间段;
发送模块,用于将所述未来预设时长内的制冷策略发送给暖通群控设备。
8.一种数据中心的节能设备,其特征在于,所述节能设备包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-6中任一项所述的方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111518172.4A CN114222477A (zh) | 2021-12-13 | 2021-12-13 | 数据中心的节能控制方法、装置、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111518172.4A CN114222477A (zh) | 2021-12-13 | 2021-12-13 | 数据中心的节能控制方法、装置、存储介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114222477A true CN114222477A (zh) | 2022-03-22 |
Family
ID=80701301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111518172.4A Pending CN114222477A (zh) | 2021-12-13 | 2021-12-13 | 数据中心的节能控制方法、装置、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114222477A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114727570A (zh) * | 2022-06-09 | 2022-07-08 | 南京群顶科技有限公司 | 一种基于温度变化关系的制冷机组水温调节方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR200412707Y1 (ko) * | 2005-12-26 | 2006-03-31 | 주식회사 성지공조기술 | 냉각탑 제어시스템 |
CN202546956U (zh) * | 2011-11-14 | 2012-11-21 | 北京纳源丰科技发展有限公司 | 一种利用自然冷源的空调节能系统 |
US20130167560A1 (en) * | 2010-10-13 | 2013-07-04 | Weldtech Technology (Shanghai) Co., Ltd. | Energy-saving optimized control system and method for refrigeration plant room |
WO2016013487A1 (ja) * | 2014-07-23 | 2016-01-28 | ダイキン工業株式会社 | 室温調整システム |
CN106196447A (zh) * | 2016-07-14 | 2016-12-07 | 深圳市艾特网能技术有限公司 | 节能机房空调及其控制方法 |
CN108895633A (zh) * | 2018-05-08 | 2018-11-27 | 林兴斌 | 利用建筑结构作为蓄冷介质的中央空调系统控制方法 |
CN110186156A (zh) * | 2019-06-03 | 2019-08-30 | 西安锦威电子科技有限公司 | 制冷站模糊控制系统 |
CA3078441A1 (en) * | 2018-08-20 | 2020-02-27 | Grid4C | Method and system for hvac inefficiency prediction using household electrical smart meter data |
CN111336669A (zh) * | 2020-03-12 | 2020-06-26 | 苏州大学 | 基于模型预测控制的室内空调通风系统 |
KR102144674B1 (ko) * | 2020-01-15 | 2020-08-14 | 주식회사 나라컨트롤 | 실시간 성능분석 반응형 냉각탑 제어방법 |
WO2020255375A1 (ja) * | 2019-06-21 | 2020-12-24 | 三菱電機株式会社 | 空調システムの制御装置、空調システムの制御方法及び空調システム |
CN112283890A (zh) * | 2020-10-26 | 2021-01-29 | 济中节能技术(苏州)有限公司 | 适应建筑暖通设备监控系统的冷热量控制方法及装置 |
CN112770606A (zh) * | 2020-12-30 | 2021-05-07 | 曙光数创电子设备科技发展(青岛)有限公司 | 用于数据中心节能的温度控制方法、装置和电子设备 |
CN112862189A (zh) * | 2021-02-03 | 2021-05-28 | 北京百度网讯科技有限公司 | 热源负荷预测方法、装置、设备、存储介质以及程序产品 |
CN113203187A (zh) * | 2021-04-28 | 2021-08-03 | 清华大学 | 基于部分线性模型的建筑暖通空调负荷优化控制方法 |
US20210294399A1 (en) * | 2020-03-17 | 2021-09-23 | Hewlett-Packard Development Company, L.P. | Device Temperature Control |
CN113776171A (zh) * | 2020-06-10 | 2021-12-10 | 中兴通讯股份有限公司 | 制冷设备控制方法、装置、计算机设备和计算机可读介质 |
-
2021
- 2021-12-13 CN CN202111518172.4A patent/CN114222477A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR200412707Y1 (ko) * | 2005-12-26 | 2006-03-31 | 주식회사 성지공조기술 | 냉각탑 제어시스템 |
US20130167560A1 (en) * | 2010-10-13 | 2013-07-04 | Weldtech Technology (Shanghai) Co., Ltd. | Energy-saving optimized control system and method for refrigeration plant room |
CN202546956U (zh) * | 2011-11-14 | 2012-11-21 | 北京纳源丰科技发展有限公司 | 一种利用自然冷源的空调节能系统 |
WO2016013487A1 (ja) * | 2014-07-23 | 2016-01-28 | ダイキン工業株式会社 | 室温調整システム |
CN106196447A (zh) * | 2016-07-14 | 2016-12-07 | 深圳市艾特网能技术有限公司 | 节能机房空调及其控制方法 |
CN108895633A (zh) * | 2018-05-08 | 2018-11-27 | 林兴斌 | 利用建筑结构作为蓄冷介质的中央空调系统控制方法 |
CA3078441A1 (en) * | 2018-08-20 | 2020-02-27 | Grid4C | Method and system for hvac inefficiency prediction using household electrical smart meter data |
CN110186156A (zh) * | 2019-06-03 | 2019-08-30 | 西安锦威电子科技有限公司 | 制冷站模糊控制系统 |
WO2020255375A1 (ja) * | 2019-06-21 | 2020-12-24 | 三菱電機株式会社 | 空調システムの制御装置、空調システムの制御方法及び空調システム |
KR102144674B1 (ko) * | 2020-01-15 | 2020-08-14 | 주식회사 나라컨트롤 | 실시간 성능분석 반응형 냉각탑 제어방법 |
CN111336669A (zh) * | 2020-03-12 | 2020-06-26 | 苏州大学 | 基于模型预测控制的室内空调通风系统 |
US20210294399A1 (en) * | 2020-03-17 | 2021-09-23 | Hewlett-Packard Development Company, L.P. | Device Temperature Control |
CN113776171A (zh) * | 2020-06-10 | 2021-12-10 | 中兴通讯股份有限公司 | 制冷设备控制方法、装置、计算机设备和计算机可读介质 |
CN112283890A (zh) * | 2020-10-26 | 2021-01-29 | 济中节能技术(苏州)有限公司 | 适应建筑暖通设备监控系统的冷热量控制方法及装置 |
CN112770606A (zh) * | 2020-12-30 | 2021-05-07 | 曙光数创电子设备科技发展(青岛)有限公司 | 用于数据中心节能的温度控制方法、装置和电子设备 |
CN112862189A (zh) * | 2021-02-03 | 2021-05-28 | 北京百度网讯科技有限公司 | 热源负荷预测方法、装置、设备、存储介质以及程序产品 |
CN113203187A (zh) * | 2021-04-28 | 2021-08-03 | 清华大学 | 基于部分线性模型的建筑暖通空调负荷优化控制方法 |
Non-Patent Citations (2)
Title |
---|
张建风;刘昊儒;李昶;邹凯凯;顾勇勇;孙忠尧;: "数据中心自然冷源应用及智能管理", 智能建筑, no. 05, 6 May 2020 (2020-05-06) * |
赵小刚;胡启平;丁玲;沈志东;: "基于模型预测控制的数据中心节能调度算法", 软件学报, no. 02, 15 February 2017 (2017-02-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114727570A (zh) * | 2022-06-09 | 2022-07-08 | 南京群顶科技有限公司 | 一种基于温度变化关系的制冷机组水温调节方法 |
CN114727570B (zh) * | 2022-06-09 | 2022-09-02 | 南京群顶科技有限公司 | 一种基于温度变化关系的制冷机组水温调节方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021063033A1 (zh) | 空调能耗模型训练方法与空调系统控制方法 | |
US10180672B2 (en) | Demand control device and computer readable medium | |
US20120226922A1 (en) | Capping data center power consumption | |
WO2010050249A1 (ja) | 情報処理システムの運用管理装置 | |
US11550374B2 (en) | Device temperature control based on a threshold operating temperature determined for the device based on a weather data, a device model, and a mapping table | |
CN110222398B (zh) | 冷水机组人工智能控制方法、装置、存储介质及终端设备 | |
CN112283890A (zh) | 适应建筑暖通设备监控系统的冷热量控制方法及装置 | |
US20170089601A1 (en) | Mixed integer optimization based sequencing of a system of chillers | |
CN107036238B (zh) | 动态预测外气与负载智慧节能控制方法 | |
CN114222477A (zh) | 数据中心的节能控制方法、装置、存储介质及程序产品 | |
CN103743068B (zh) | 一种基于能效优化的中央空调冷却塔风机控制方法及系统 | |
CN113847715B (zh) | 基站的空调调控的方法以及装置、电子设备、介质 | |
CN114154677A (zh) | 空调运行负荷模型构建和预测方法、装置、设备和介质 | |
Beghi et al. | Load forecasting for the efficient energy management of HVAC systems | |
US11251617B2 (en) | Energy conservation using active demand stabilization | |
CN114543303B (zh) | 基于运行大数据的中央空调制冷站运行优化方法和系统 | |
Yu | Ai chiller: an open IoT cloud based machine learning framework for the energy saving of building HVAC system via big data analytics on the fusion of bms and environmental data | |
CN116261300A (zh) | 一种数据中心制冷设备与气流组织的联合优化方法及装置 | |
CN113791538B (zh) | 一种机房设备的控制方法、控制设备及控制系统 | |
CN115560430A (zh) | 一种基于云边计算的空调模型优化方法及系统 | |
CN115405996A (zh) | 控制供热系统低碳运行的方法及装置、非易失性存储介质 | |
CN213630850U (zh) | 一种制冷站全局最优控制系统 | |
US11698652B2 (en) | Energy conservation using active demand stabilization | |
EP3928609B1 (en) | A method for cooling livestock waste and a system for cooling livestock waste | |
CN113757856A (zh) | 一种空调冷却水系统控制方法及装置 |
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 |