CN114860704A - 一种面向数据中心的能耗监测和碳排放核算的方法和装置 - Google Patents
一种面向数据中心的能耗监测和碳排放核算的方法和装置 Download PDFInfo
- Publication number
- CN114860704A CN114860704A CN202210465508.3A CN202210465508A CN114860704A CN 114860704 A CN114860704 A CN 114860704A CN 202210465508 A CN202210465508 A CN 202210465508A CN 114860704 A CN114860704 A CN 114860704A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- energy consumption
- data
- data center
- target device
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 219
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 219
- 238000005265 energy consumption Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 11
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 47
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 28
- 239000002351 wastewater Substances 0.000 claims description 27
- 238000002485 combustion reaction Methods 0.000 claims description 23
- 239000002803 fossil fuel Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 14
- 239000001569 carbon dioxide Substances 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 11
- 230000020169 heat generation Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013501 data transformation Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 239000010802 sludge Substances 0.000 claims description 4
- 238000010792 warming Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 abstract description 7
- 238000004134 energy conservation Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000017525 heat dissipation Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004065 wastewater treatment Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明公开了一种面向数据中心的能耗监测和碳排放核算的方法和装置,解决了现有技术无法精细化地认知数据中心设施机房各个设施设备的电能损耗和无效碳排放,其技术方案要点是:对采集的实时能耗数据进行预处理,获得等时间粒度下各目标设备的能耗报表;根据能耗报表计算各目标设备的碳排放总量,并根据碳排放总量计算目标设备中的IT设备的碳排放效率,根据碳排放总量和所述碳排放效率生成各目标设备的碳排放报表,将能耗报表和碳排放报表输入至深度神经网络模型进行预测,获得预测结果。本发明构建针对数据中心不同设施设备的碳排放核算方法,达到针对性地对高能耗设备进行精细化的碳排放跟踪,并为靶向节能减排提供认知基础。
Description
技术领域
本发明涉及一种数据中心能耗监测和碳排核算领域,更具体地说,它涉及一种面向数据中心的能耗监测和碳排放核算的方法和装置。
背景技术
近年来由于数据中心设施规模增长迅速,2020年全国数据中心能耗约为1507亿千瓦时,约占全社会用电量的2%,约合二氧化碳排放量超过9千万吨;预计2035年数据中心能耗约将高达4505-4855亿千瓦时,约合二氧化碳排放量2亿吨,比2020年最高增长103%。
数据中心设施能效偏低和碳核算体系不完善问题将是实现“碳达峰”和“碳中和”目标的绊脚石。虽然规模效应是导致算力基础设施总能耗和总碳排放量的持续增长的原因之一,但是根据赛迪顾问统计,2019年中国数据中心能耗中,约有43%用于信息技术(IT)设备散热,成为无效损耗并导致无效碳排放。根据《2019中国企业绿色计算与可持续发展研究报告》指出,中国企业数据中心能效(PUE,等于数据中心总能耗与IT设备能耗的比值,其基准是2,越接近1表明能效越好)值有明显改善,但依然有85%的受访企业数据中心PUE值在1.5-2.0间,存在较大提升空间。同时,碳核算是一种测量工业活动向地球生物圈直接和间接排放二氧化碳及其当量气体的措施,是准确掌握我国碳排放变化趋势、有效开展各项碳减排工作的基本前提。数据中心的设施机房是一个配备了众多设施设备的综合体,其内部电/ 热损耗关系复杂,碳足迹涉及机房运营的各个环节。但是,我国碳排放核算体系还很不完善,缺乏适合我国国情且符合数据中心设施场景的碳核算规范和标准,难以完成对数据中心设施运营全过程碳排放的监测与核算,无法精细化地认知数据中心设施机房各个设施设备的电能损耗和无效碳排放,从而阻碍了靶向化能效提升和节能技术的研究与实施。
发明内容
本发明解决了现有技术无法精细化地认知数据中心设施机房各个设施设备的电能损耗和无效碳排放,本发明的目的是提供一种面向数据中心的能耗监测和碳排放核算的方法和装置。本发明通过对采集的实时能耗数据进行预处理,生成数据中心内各个目标设备的能耗报表,由于能耗与碳排放是具备映射关系的,能耗的产生必然会对应着碳排放的产生,以能耗报表中的数据来计算各目标设备的碳排放总量,由于数据中心设施的最终目的在于通过目标设备中的IT设备执行计算、存储等任务,只有消耗在IT设备上的电能才是实际产生价值的,由此而产生的间接碳排放也才是有效的,因此通过碳排放总量和IT设备所消耗的电能计算IT 设备的碳排放效率,以目标设备的碳排放总量和IT设备的碳排放效率生成碳排放报表,并将能耗报表和碳排放报表输入至深度神经网络模型中进行训练,从而得到预测结果,根据该预测结果为能耗与碳排提供两方面的信息,一方面,如果预测的电压、电流、功率、功率因数发生“越限”,则产生预警信息,提醒管人员对目标设备中的预警设备进行密切监控;另一方面,深度神经网络模型通过对目标设备的能耗与碳排放量进行预测,为管理者制定节能减碳策略、方针提供认知参考,从而提高数据中心设施能效,减少用于散热、照明等的无效电能损耗,可以有效降低总能耗和其对应的间接碳排量,达到针对性地对高能耗设备进行精细化的碳排放跟踪,并为靶向节能减排提供认知基础。
本发明的上述技术目的是通过以下技术方案得以实现的:
第一方面,提供了一种面向数据中心的能耗监测和碳排放核算的方法,包括:
对数据中心进行解构,确定数据中心的各目标设备,以及各目标设备所对应的能耗参数;
对所述各目标设备所对应的能耗参数进行采集,获得各目标设备的实时能耗数据;
对所述实时能耗数据进行预处理,获得等时间粒度下各目标设备的能耗报表;
根据所述能耗报表计算各目标设备的碳排放总量,并根据所述碳排放总量计算目标设备中的IT设备的碳排放效率,根据所述碳排放总量和所述碳排放效率生成各目标设备的碳排放报表;其中,所述碳排放总量等于化石燃料燃烧的碳排放量、净购入的电力和热力产生的间接碳排放量以及废水厌氧处理产生的碳排放量三者之和;
将所述能耗报表和碳排放报表输入至深度神经网络模型进行预测,获得预测结果。
进一步的,所述对所述各目标设备所对应的进行采集,获得各目标设备的实时能耗数据,具体为:
根据各目标设备所对应的能耗参数的类型确定采集所述能耗参数的传感器的类型;
通过所述传感器的类型采集对应目标设备所对应的能耗参数,获得各目标设备的实时能耗数据。
进一步的,所述预处理包括对所述实时能耗数据进行数据清洗、数据集成、数据变换以及数据归约。
进一步的,所述对所述实时能耗数据进行预处理之前,还包括:对所述实时能耗数据加注时间戳,获得等时间粒度的实时能耗数据。
进一步的,根据化石燃料燃烧的消耗量和燃烧时的二氧化碳排放因子计算化石燃料燃烧的碳排放量。
进一步的,所述净购入的电力和热力产生的间接碳排放量包括净购入的电力的间接碳排放量和净购入的热力的间接碳排放量;
根据净外购电量和供电排放因子计算净购入的电力的间接碳排放量;
根据净外购热力和供热排放因子计算净购入的热力的间接碳排放量。
进一步的,根据甲烷的全球变暖潜势值和废水厌氧处理过程的甲烷排放量计算厌氧处理过程产生的二氧化碳排放量,
根据废水厌氧处理去除的有机物总量、以污泥方式清除掉的有机物总量、甲烷排放因子和甲烷回收量计算所述废水厌氧处理过程的甲烷排放量。
进一步的,所述并根据所述碳排放总量计算目标设备中的IT设备的碳排放效率,具体为:
获取IT设备所消耗的电能总和,将IT设备所消耗的电能总和转换为IT设备的碳排放量;
根据所述IT设备的碳排放量和所述碳排放总量计算IT设备的碳排放效率。
进一步的,所述深度神经网络模型是基于长短期记忆网络和注意力机制所构建的神经网络。
第二方面,提供了一种面向数据中心的能耗监测和碳排放核算的装置,包括:
解构模块,用于对数据中心进行解构,确定数据中心的各目标设备,以及各目标设备所对应的能耗参数;
数据采集模块,用于对所述各目标设备所对应的能耗参数进行采集,获得各目标设备的实时能耗数据;
能耗监测模块,用于对所述实时能耗数据进行预处理,获得等时间粒度下各目标设备的能耗报表;
碳排放核算模块,用于根据所述能耗报表计算各目标设备的碳排放总量,并根据所述碳排放总量计算目标设备中的IT设备的碳排放效率,根据所述碳排放总量和所述碳排放效率生成各目标设备的碳排放报表;其中,所述碳排放总量等于化石燃料燃烧的碳排放量、净购入的电力和热力产生的间接碳排放量以及废水厌氧处理产生的碳排放量三者之和;
预测模块,用于将所述能耗报表和碳排放报表输入至深度神经网络模型进行预测,获得预测结果。
与现有技术相比,本发明具有以下有益效果:
本发明通过对采集的实时能耗数据进行预处理,生成数据中心内各个目标设备的能耗报表,由于能耗与碳排放是具备映射关系的,能耗的产生必然会对应着碳排放的产生,以能耗报表中的数据来计算各目标设备的碳排放总量,由于数据中心设施的最终目的在于通过目标设备中的IT设备执行计算、存储等任务,只有消耗在IT设备上的电能才是实际产生价值的,由此而产生的间接碳排放也才是有效的,因此通过碳排放总量和IT设备所消耗的电能计算 IT设备的碳排放效率,以目标设备的碳排放总量和IT设备的碳排放效率生成碳排放报表,并将能耗报表和碳排放报表输入至深度神经网络模型中进行训练,从而得到预测结果,根据该预测结果为能耗与碳排提供两方面的信息,一方面,如果预测的电压、电流、功率、功率因数发生“越限”,则产生预警信息,提醒管人员对目标设备中的预警设备进行密切监控;另一方面,深度神经网络模型通过对目标设备的能耗与碳排放量进行预测,为管理者制定节能减碳策略、方针提供认知参考,从而提高数据中心设施能效,减少用于散热、照明等的无效电能损耗,可以有效降低总能耗和其对应的间接碳排量,达到针对性地对高能耗设备进行精细化的碳排放跟踪,并为靶向节能减排提供认知基础。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明实施例一提供的核算方法的流程示意图;
图2为本发明实施例提供的数据中心能耗监测点的示意图;
图3为本发明实施例提供的能耗监测与碳排放核算的参考架构图;
图4为本发明实施例提供的数据中心的碳排放核算边界图;
图5为本发明实施例提供的基于LSTM和注意力机制的深度神经网络模型的结构示意图;
图6为本发明实施例二提供的核算系统的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例一:
本实施例一提供一种面向数据中心的能耗监测和碳排放核算的方法,应用于基于LoRaWAN 终端的网关,通过边缘网关对数据中心的各个目标设备的能耗数据进行映射处理,以此为基础计算各个目标设备的碳排放量,生成关于能耗和碳排放量的报表,将报表输入至已训练完成的深度神经网络模型中进行预测,为用户制定节能减排提供策略和方向,从而提高数据中心设施能效,减少用于散热、照明等的无效电能损耗,可以有效降低总能耗和其对应的间接碳排量,达到针对性地对高能耗设备进行精细化的碳排放跟踪,并为靶向节能减排提供认知基础。
如图1所示,方法包括以下步骤:
步骤110,对数据中心进行解构,确定数据中心的各目标设备,以及各目标设备所对应的能耗参数;
本实施例中,构建数据中心运营过程的碳足迹模型。对数据中心的间接碳排放过程进行解构,并根据子系统或者不同的生产过程来设定需要监测的设备和参数。数据中心动态碳排放主要是在运营过程中因消耗电能而产生。如图2所示,运营过程的碳足迹模型包含数据中心核心子系统:IT子系统、制冷子系统、供配电子系统和其他设施;电力/热力消耗产生的排放、天然气燃烧排放、柴油燃烧排放、废水厌氧处理产生的排放等,需要说明的是目标设备仅是示例性的列举上述系统。
能耗参数的选择,示例性地,需要监测的参数有市电测量、柴油发电机电气测量、可再生能源发电系统电气测量、燃气发电系统电气测量、蓄电站系统电气测量、IT设备耗电测量、电源系统的电源输入端、输出端总开关处均设置电气测量和空调设备耗电测量。例如:对于 UPS需要采集UPS输入、输出端和旁路三相电压、电流、有功功率、功率因数和频率,同时监测UPS温度、蓄电池电压、当前负载下的剩余时间等数据。
步骤120,对所述各目标设备所对应的能耗参数进行采集,获得各目标设备的实时能耗数据;
本实施例中,如图3所示,利用对应的传感器设备来对各个目标设备的能耗参数进行采集,传感器设备可以是电量表、电流互感器、智能PDU等,以此来读取各个目标设备的三相电压、三相电流、无功功率、视在功率等等,对设备能耗相关参数进行采集。采集的能耗数据通过RS485总线传输给LoRaWAN传输终端,LoRaWAN传输终端通过非授权频谱(如433MHz、470MHz)对数据进行传输。LoRaWAN传输终端的射频芯片可以选用但不限于SemtechSX1261、SX1262、SX1268等。
步骤130,对所述实时能耗数据进行预处理,获得等时间粒度下各目标设备的能耗报表;
本实施例中,对于步骤120中是通过LoRaWAN传输终端来传输数据的,因此,本实施例中以LoRaWAN能耗监测网关周期性地接收LoRaWAN传输终端发送的传感器数据。通过数据实时采集和处理,可实现实时监测各回路电压、电流、功率、功率因数、电能等电参数信息,动态监视各配电回路断路器、隔离开关、柴油发电机状态、柴油液位、UPS状态、电池信息等。数据网关可处理和分析数据包括但不限于以下类型:1、各回路详细电参量,包括三相电流、三相电压、三相总有功功率、总无功功率、总功率因数、正向有功电能。2、各回路或设备指定时间的运行参数,电参量信息应包括:各相电流、三相电压、总功率因数、总有功功率、总无功功率、正向有功电能等。3、UPS输入、输出端和旁路三相电压、电流、有功功率、功率因数频率,同时监测UPS温度、蓄电池电压、当前负载下的剩余时间等数据。4、精密配电柜内进线和馈线回路电气参数,包括电流电压功率电能以及开关状态等,数据取自精密配电柜测量模块。
LoRaWAN能耗监测网关对监测数据进行预处理,根据网关存储能力,可以存储不同时间长度的机房能耗监测数据。通过对数据进行24小时、一周、一个月等时间粒度的统计,实现对历史运行状态的监测和分析,可查看24小时、一周、一个月等时间粒度的能耗(也包括电流、电压、功率等数据)趋势曲线。同时,对电压、电流、功率、功率因数“越限”产生告警事件,通知相应的系统管理人员,并对告警事件进行记录和存储。
基于存储不同时间长度的机房能耗监测数据生成目标设备的能耗报表。通过Restful APIs,将目标设备的能耗报表以Json格式上报到云端服务器,也可以是直接发送给计算机设备。用户可以通过本地网络查询网关中存储的短期和实时监测数据,也可以通过因特网查询自系统正常运行以来任意时间段内(包括实时数据)各配电节点的能耗情况和用电告警事件,即该节点进线用电量与各分支回路消耗电量的分析报表。
步骤140,根据所述能耗报表计算各目标设备的碳排放总量,并根据所述碳排放总量计算目标设备中的IT设备的碳排放效率,根据所述碳排放总量和所述碳排放效率生成各目标设备的碳排放报表;其中,所述碳排放总量等于化石燃料燃烧的碳排放量、净购入的电力和热力产生的间接碳排放量以及废水厌氧处理产生的碳排放量三者之和;
本实施例中,如图4所示,LoRaWAN能耗监测网关根据数据中心运营过程中的碳足迹,确定碳排核算边界,数据中心各个目标设备产生的碳排放总量等于碳排放核算边界内所有生产系统的化石燃料燃烧排放量、净购入的电力和热力产生的间接碳排放量、以及废水厌氧处理产生的碳排放量之和。计算式为:E=E燃烧+E电和热+E废水,其中,E为数据中心的碳排放总量,E燃烧为发电设备(如备用发电机)消耗化石燃料产生的二氧化碳排放量,E电和热为净购入使用电力和热力而产生的间接碳排放量,E废水为废水厌氧处理产生的碳排放量。
生成各目标设备的碳排放核算报表。通过Restful APIs,将碳排放核算数值以Json格式上报到云端服务器。用户可以通过本地网络查询网关中存储的短期和实时碳核算数据,也可以通过因特网查询自系统正常运行以来任意时间段内(包括实时数据)的碳排核算数值。
步骤150,将所述能耗报表和碳排放报表输入至深度神经网络模型进行预测,获得预测结果。
本实施例中,通过训练好的深度神经网络模型,对数据中心能耗和碳排放数据进行预测。一方面,对于能耗监测,如果预测的电压、电流、功率、功率因数会发生“越限”,则产生预警信息,提醒管人员对预警设备进行密切监控;另一方面,通过对各目标设备的能耗与碳排进行预测,为管理者制定节能减碳的策略或方针提供认知参考。
在一种可能的实现中,所述对所述各目标设备所对应的进行采集,获得各目标设备的实时能耗数据,具体为:
根据各目标设备所对应的能耗参数的类型确定采集所述能耗参数的传感器的类型;
通过所述传感器的类型采集对应目标设备所对应的能耗参数,获得各目标设备的实时能耗数据。
对于每个目标设备采集能耗数据的能耗参数是不同的,因此选用相应的传感器去采集相应的参数,例如各回路电压、电流、功率、功率因数、电能等电参数信息,各配电回路断路器、隔离开关、柴油发电机状态、柴油液位、UPS状态、电池信息等,从而获得各个目标设备的实时能耗数据。
在一种可能的实现中,所述预处理包括对所述实时能耗数据进行数据清洗、数据集成、数据变换以及数据归约。
具体的,数据清洗主要是删除原始数据集中的无关数据、重复数据,平滑噪声数据,筛选掉与挖掘主题无关的数据,处理缺失值、异常值等;数据集成则是将多个数据源合并存放在一个一致的数据库中;数据变换主要是对数据进行规范化处理、连续变量的离散化以及变量属性的构造,将数据转换成“适当的”形式,以满足统计分析及预测算法的需求;数据归约则是提取目标数据的有用特征,从而缩减数据规模,在尽可能保持数据原貌的前提下,最大限度地精简数据量。
在一种可能的实现中,所述对所述实时能耗数据进行预处理之前,还包括:对所述实时能耗数据加注时间戳,获得等时间粒度的实时能耗数据。
具体的,网关周期性地接收LoRaWAN终端发送的传感器数据,并为数据加注时间戳。采集数据的基本数据结构为:机房id/设备id/数据类型/数值/时间戳,等时间粒度可以是24 小时、一周、一个月等。
在一种可能的实现中,根据化石燃料燃烧的消耗量和燃烧时的二氧化碳排放因子计算化石燃料燃烧的碳排放量。
具体的,化石燃料燃烧的碳排放量为至少一种化石燃料燃烧产生的二氧化碳排放量的总和,其计算式为其中,E燃烧表示至少一种化石燃料燃烧产生的二氧化碳排放量的总和;ADi表示第i种化石燃料燃烧的消耗量;EFi表示第i种化石燃料燃烧的二氧化碳排放因子。
在一种可能的实现中,所述净购入的电力和热力产生的间接碳排放量包括净购入的电力的间接碳排放量和净购入的热力的间接碳排放量;
根据净外购电量和供电排放因子计算净购入的电力的间接碳排放量;
根据净外购热力和供热排放因子计算净购入的热力的间接碳排放量。
具体的,净购入的电力的间接碳排放量的计算式为E电=AD电×EF电,其中,E电表示净购入的电力的间接碳排放量,AD电表示净外购电量,EF电表示供电排放因子;
净购入的热力的间接碳排放量的计算式为E热=AD热×EF热,E热表示净购入的热力的间接碳排放量,AD热表示净外购热力,EF热为供热排放因子。
在一种可能的实现中,根据甲烷的全球变暖潜势值和废水厌氧处理过程的甲烷排放量计算厌氧处理过程产生的二氧化碳排放量,
根据废水厌氧处理去除的有机物总量、以污泥方式清除掉的有机物总量、甲烷排放因子和甲烷回收量计算所述废水厌氧处理过程的甲烷排放量。
具体的,废水厌氧处理产生的碳排放量的计算式为EGHG-废水=ECH4-废水×GWPCH4×10-3,其中,EGHG-废水表示厌氧处理过程产生的二氧化碳排放当量,GWPCH4表示甲烷的全球变暖潜势值,ECH4-废水表示废水厌氧处理过程的甲烷排放量;
废水厌氧处理过程的甲烷排放量的计算式为ECH4-废水=(TOW-S)×EF-R,其中,TOW表示废水厌氧处理去除的有机物总量,S表示以污泥方式清除掉的有机物总量,EF表示甲烷排放因子,R表示甲烷回收量。
在一种可能的实现方式中,所述并根据所述碳排放总量计算目标设备中的IT设备的碳排放效率,具体为:
获取IT设备所消耗的电能总和,将IT设备所消耗的电能总和转换为IT设备的碳排放量;
根据所述IT设备的碳排放量和所述碳排放总量计算IT设备的碳排放效率。
具体的,数据中心的设施最终目的在于通过IT设备执行计算、存储等任务,只有消耗在 IT的电能才是实际产生价值的,由此而产生的间接碳排放也才是有效的。
在一种可能的实现中,所述深度神经网络模型是基于长短期记忆网络和注意力机制所构建的神经网络。
具体的,云端服务器或智能终端根据数据中心能耗报表和碳排放报表,训练一种基于长短期记忆网络(LSTM,Long Short-Term Memory)和注意力机制(Attention)的神经网络,实现对具有时间序列特性的能耗和碳排放数值的预测。深度神经网络模型的参考架构如图5 所示,其中LSTM网络包含了T个LSTM单元,将连续T个时刻的能耗/碳排放数据分别输入到 T个LSTM单元中,以分别提取这T个时刻能耗/碳排放的隐藏特征。为了获取第T+1时刻的能耗/碳排放的预测值,将前T个时刻的隐藏特征进行聚合,且在聚合时利用注意力机制学习各个时刻的权重值,其中注意力机制可利用一层的全连接网络实现,而聚合则可采用加权求和的方式实现。最后,将聚合后的结果输入到多层全连接网络中,并利用回归函数预测出T+1 时刻的能耗/碳排放值。
实施例二:
如图6所示,本实施例二提供了一种面向数据中心的能耗监测和碳排放核算的装置,包括:
解构模块,用于对数据中心进行解构,确定数据中心的各目标设备,以及各目标设备所对应的能耗参数;
数据采集模块,用于对所述各目标设备所对应的能耗参数进行采集,获得各目标设备的实时能耗数据;
能耗监测模块,用于对所述实时能耗数据进行预处理,获得等时间粒度下各目标设备的能耗报表;
碳排放核算模块,用于根据所述能耗报表计算各目标设备的碳排放总量,并根据所述碳排放总量计算目标设备中的IT设备的碳排放效率,根据所述碳排放总量和所述碳排放效率生成各目标设备的碳排放报表;其中,所述碳排放总量等于化石燃料燃烧的碳排放量、净购入的电力和热力产生的间接碳排放量以及废水厌氧处理产生的碳排放量三者之和;
预测模块,用于将所述能耗报表和碳排放报表输入至深度神经网络模型进行预测,获得预测结果。
需要说明的是,本实施例二提供的各个模块所实现的功能均以在实施例一各个方法步骤均已在上述实施例一中进行了说明,因此不再做多余的叙述,本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本领域普通技术人员可以理解实现上述事实和方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,涉及的程序或者所述的程序可以存储于一计算机所可读取存储介质中,该程序在执行时,包括如下步骤:此时引出相应的方法步骤,所述的存储介质可以是 ROM/RAM、磁碟、光盘等等。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种面向数据中心的能耗监测和碳排放核算的方法,其特征在于,包括:
对数据中心进行解构,确定数据中心的各目标设备,以及各目标设备所对应的能耗参数;
对所述各目标设备所对应的能耗参数进行采集,获得各目标设备的实时能耗数据;
对所述实时能耗数据进行预处理,获得等时间粒度下各目标设备的能耗报表;
根据所述能耗报表计算各目标设备的碳排放总量,并根据所述碳排放总量计算目标设备中的IT设备的碳排放效率,根据所述碳排放总量和所述碳排放效率生成各目标设备的碳排放报表;其中,所述碳排放总量等于化石燃料燃烧的碳排放量、净购入的电力和热力产生的间接碳排放量以及废水厌氧处理产生的碳排放量三者之和;
将所述能耗报表和碳排放报表输入至深度神经网络模型进行预测,获得预测结果。
2.根据权利要求1所述的一种面向数据中心的能耗监测和碳排放核算的方法,其特征在于,所述对所述各目标设备所对应的进行采集,获得各目标设备的实时能耗数据,具体为:
根据各目标设备所对应的能耗参数的类型确定采集所述能耗参数的传感器的类型;
通过所述传感器的类型采集对应目标设备所对应的能耗参数,获得各目标设备的实时能耗数据。
3.根据权利要求1所述的一种面向数据中心的能耗监测和碳排放核算的方法,其特征在于,所述预处理包括对所述实时能耗数据进行数据清洗、数据集成、数据变换以及数据归约。
4.根据权利要求1所述的一种面向数据中心的能耗监测和碳排放核算的方法,其特征在于,所述对所述实时能耗数据进行预处理之前,还包括:对所述实时能耗数据加注时间戳,获得等时间粒度的实时能耗数据。
5.根据权利要求1所述的一种面向数据中心的能耗监测和碳排放核算的方法,其特征在于,根据化石燃料燃烧的消耗量和燃烧时的二氧化碳排放因子计算化石燃料燃烧的碳排放量。
6.根据权利要求1所述的一种面向数据中心的能耗监测和碳排放核算的方法,其特征在于,所述净购入的电力和热力产生的间接碳排放量包括净购入的电力的间接碳排放量和净购入的热力的间接碳排放量;
根据净外购电量和供电排放因子计算净购入的电力的间接碳排放量;
根据净外购热力和供热排放因子计算净购入的热力的间接碳排放量。
7.根据权利要求1所述的一种面向数据中心的能耗监测和碳排放核算的方法,其特征在于,根据甲烷的全球变暖潜势值和废水厌氧处理过程的甲烷排放量计算厌氧处理过程产生的二氧化碳排放量,
根据废水厌氧处理去除的有机物总量、以污泥方式清除掉的有机物总量、甲烷排放因子和甲烷回收量计算所述废水厌氧处理过程的甲烷排放量。
8.根据权利要求1所述的一种面向数据中心的能耗监测和碳排放核算的方法,其特征在于,所述并根据所述碳排放总量计算目标设备中的IT设备的碳排放效率,具体为:
获取IT设备所消耗的电能总和,将IT设备所消耗的电能总和转换为IT设备的碳排放量;
根据所述IT设备的碳排放量和所述碳排放总量计算IT设备的碳排放效率。
9.根据权利要求1所述的一种面向数据中心的能耗监测和碳排放核算的方法,其特征在于,所述深度神经网络模型是基于长短期记忆网络和注意力机制所构建的神经网络。
10.一种面向数据中心的能耗监测和碳排放核算的装置,其特征在于,包括:
解构模块,用于对数据中心进行解构,确定数据中心的各目标设备,以及各目标设备所对应的能耗参数;
数据采集模块,用于对所述各目标设备所对应的能耗参数进行采集,获得各目标设备的实时能耗数据;
能耗监测模块,用于对所述实时能耗数据进行预处理,获得等时间粒度下各目标设备的能耗报表;
碳排放核算模块,用于根据所述能耗报表计算各目标设备的碳排放总量,并根据所述碳排放总量计算目标设备中的IT设备的碳排放效率,根据所述碳排放总量和所述碳排放效率生成各目标设备的碳排放报表;其中,所述碳排放总量等于化石燃料燃烧的碳排放量、净购入的电力和热力产生的间接碳排放量以及废水厌氧处理产生的碳排放量三者之和;
预测模块,用于将所述能耗报表和碳排放报表输入至深度神经网络模型进行预测,获得预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210465508.3A CN114860704A (zh) | 2022-04-29 | 2022-04-29 | 一种面向数据中心的能耗监测和碳排放核算的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210465508.3A CN114860704A (zh) | 2022-04-29 | 2022-04-29 | 一种面向数据中心的能耗监测和碳排放核算的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114860704A true CN114860704A (zh) | 2022-08-05 |
Family
ID=82634640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210465508.3A Pending CN114860704A (zh) | 2022-04-29 | 2022-04-29 | 一种面向数据中心的能耗监测和碳排放核算的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114860704A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169998A (zh) * | 2022-09-06 | 2022-10-11 | 深圳市信润富联数字科技有限公司 | 人均碳排放分析方法、装置、设备及存储介质 |
CN116703253A (zh) * | 2023-08-08 | 2023-09-05 | 普天通信有限责任公司 | 企业工艺整改成效评估系统和方法 |
CN116823295A (zh) * | 2023-08-31 | 2023-09-29 | 国网山东省电力公司营销服务中心(计量中心) | 一种钢铁行业碳排放测量方法、系统、设备及介质 |
CN116975689A (zh) * | 2023-07-31 | 2023-10-31 | 杭州超腾能源技术股份有限公司 | 一种碳排放的智能识别与控制方法及系统 |
CN116974772A (zh) * | 2023-09-21 | 2023-10-31 | 阿里云计算有限公司 | 一种针对大语言模型的资源优化和碳减排方法及设备 |
CN117008674A (zh) * | 2023-10-07 | 2023-11-07 | 四川川西数据产业有限公司 | 一种数据中心能耗智能监测调节系统 |
-
2022
- 2022-04-29 CN CN202210465508.3A patent/CN114860704A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169998A (zh) * | 2022-09-06 | 2022-10-11 | 深圳市信润富联数字科技有限公司 | 人均碳排放分析方法、装置、设备及存储介质 |
CN115169998B (zh) * | 2022-09-06 | 2023-01-17 | 深圳市信润富联数字科技有限公司 | 人均碳排放分析方法、装置、设备及存储介质 |
CN116975689A (zh) * | 2023-07-31 | 2023-10-31 | 杭州超腾能源技术股份有限公司 | 一种碳排放的智能识别与控制方法及系统 |
CN116975689B (zh) * | 2023-07-31 | 2024-02-06 | 杭州超腾能源技术股份有限公司 | 一种碳排放的智能识别与控制方法及系统 |
CN116703253A (zh) * | 2023-08-08 | 2023-09-05 | 普天通信有限责任公司 | 企业工艺整改成效评估系统和方法 |
CN116823295A (zh) * | 2023-08-31 | 2023-09-29 | 国网山东省电力公司营销服务中心(计量中心) | 一种钢铁行业碳排放测量方法、系统、设备及介质 |
CN116823295B (zh) * | 2023-08-31 | 2024-04-19 | 国网山东省电力公司营销服务中心(计量中心) | 一种钢铁行业碳排放测量方法、系统、设备及介质 |
CN116974772A (zh) * | 2023-09-21 | 2023-10-31 | 阿里云计算有限公司 | 一种针对大语言模型的资源优化和碳减排方法及设备 |
CN116974772B (zh) * | 2023-09-21 | 2024-02-27 | 阿里云计算有限公司 | 一种针对大语言模型的资源优化和碳减排方法及设备 |
CN117008674A (zh) * | 2023-10-07 | 2023-11-07 | 四川川西数据产业有限公司 | 一种数据中心能耗智能监测调节系统 |
CN117008674B (zh) * | 2023-10-07 | 2023-12-12 | 四川川西数据产业有限公司 | 一种数据中心能耗智能监测调节系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114860704A (zh) | 一种面向数据中心的能耗监测和碳排放核算的方法和装置 | |
Wan et al. | Probabilistic forecasting based sizing and control of hybrid energy storage for wind power smoothing | |
CN101858312B (zh) | 风力发电机组实时运行状态评估系统及评估方法 | |
KR101298500B1 (ko) | 마이크로그리드 시뮬레이션 장치 및 전력 관리 시스템 | |
Zhao et al. | Effect of the digital transformation of power system on renewable energy utilization in China | |
CN104283308A (zh) | 微电网智能中央策略控制系统 | |
Jia et al. | A retroactive approach to microgrid real-time scheduling in quest of perfect dispatch solution | |
CN106786549A (zh) | 一种基于智能配电网成本效益模型的综合效益分析法 | |
CN116505656A (zh) | 基于5g物联网技术的风-光-储多能互补智慧用电系统 | |
Shen et al. | Self-healing evaluation of smart distribution network based on uncertainty theory | |
CN104467198A (zh) | 一种基于在线分布式的电能储能系统 | |
Dong et al. | Intelligent decision-making of distribution network planning scheme with distributed wind power generations | |
Yan et al. | Energy internet in smart city review | |
CN115619159B (zh) | 一种智慧园区能源消耗分析调度方法和系统 | |
CN204271759U (zh) | 一种基于在线分布式的电能储能装置 | |
CN114266471A (zh) | 一种面向冷热电多能流耦合综合能源的能效评价方法 | |
CN114996093A (zh) | 一种数据中心节能系统的智能巡检优化方法 | |
CN114358994A (zh) | 一种依托绿码的碳排放智慧物联网监测方法 | |
Li et al. | Non-intrusive Load Monitoring in Industry Based on Gradient Boosting Algorithm | |
Huang et al. | The quantitative assessment method for flexibility adjustment of self-supplied power plants | |
Yang et al. | Utilizing big data to explore the running opportunity of power-to-gas in energy system | |
CN211830341U (zh) | 一种用于交叉互联接地的智能无线监控装置 | |
Zi et al. | A study of on-line monitoring of electric energy balance of agricultural power grid under Internet of Things | |
Zhuang et al. | Abnormal Analysis System and Analysis of Residential Electricity Consumption Based on Electricity Data | |
Weng et al. | Research on power quality prediction for DG integrated smart grid based on neural network |
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 |