CN114996093B - 一种数据中心节能系统的智能巡检优化方法 - Google Patents

一种数据中心节能系统的智能巡检优化方法 Download PDF

Info

Publication number
CN114996093B
CN114996093B CN202210641080.3A CN202210641080A CN114996093B CN 114996093 B CN114996093 B CN 114996093B CN 202210641080 A CN202210641080 A CN 202210641080A CN 114996093 B CN114996093 B CN 114996093B
Authority
CN
China
Prior art keywords
energy consumption
energy
data center
saving
machine room
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210641080.3A
Other languages
English (en)
Other versions
CN114996093A (zh
Inventor
尹立超
王浩然
张官祥
柳炀
张庆
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.)
Three Gorges Zhikong Technology Co ltd
Original Assignee
Three Gorges Zhikong 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 Three Gorges Zhikong Technology Co ltd filed Critical Three Gorges Zhikong Technology Co ltd
Priority to CN202210641080.3A priority Critical patent/CN114996093B/zh
Publication of CN114996093A publication Critical patent/CN114996093A/zh
Application granted granted Critical
Publication of CN114996093B publication Critical patent/CN114996093B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G06F11/3062—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations where the monitored property is the power consumption
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • G06F11/3093—Configuration details thereof, e.g. installation, enabling, spatial arrangement of the probes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种数据中心节能系统的智能巡检优化方法，根据马尔科夫链模型计算下一时段各子模块占上时段总机房能耗的占比，获得下一时段PUE预测值。同时根据预测的下一时段巡检能耗转移概率进行预警。若子模块能耗转入发生概率大于阈值则在数据中心系统日志中显示需重点关注，子模块能耗转入发生概率小于阈值则说明数据中心运行状况健康。完成各维度资源的最优调配，实现服务器运行功耗智能调节，提升运行效率的目的。

Description

一种数据中心节能系统的智能巡检优化方法
技术领域
本发明涉及云计算领域，尤其涉及一种数据中心节能系统的智能巡检优化方法。
背景技术
随着计算机技术的飞速发展，数据中心用电越来越大，服务器完全依靠电能才能驱动运行，确保我国数字经济稳定发展，并且数据中心对电能品质要求高，经常会考虑双路供电，以确保数据中心全年365 天不间断运行。也正是全年365天不间断运行，加之人类信息化、智能化时代推动，数据中心建设越来越多，并趋于大型化、高密度化发展，使得我国数据中心耗电量持续增长。加之数据中心动态运行过程中与理论设计耗电差距以及数据中心的广泛建设，其耗电量仍会保持一个比较高的状态。由于数据中心属于直接用电系统，而我国大部分电能源于电网发电，故而若要实现碳中和，可寻求新的方法降低数据中心用电部分的火力发电比例，如利用风电、光伏发电等清洁能源，但这些领域的探索需要一定的时间，而且对于已经建成的大量数据中心而言，对系统全部改造显然不现实。因此，如何在现有系统的基础上实现数据中心节能，已经迫在眉睫。
发明内容
针对以上问题，本发明提出一种数据中心节能系统的智能巡检优化方法，该方法以历史能耗数据为依据，以AI算法为核心，涵盖基础设施监控、动环设备监控及智能巡检、机房动环服务等模块，产研结合，可满足全行业需求，打造稳定可靠、功能完整、技术先进、自主可控的全栈智能平台。实现优化设备运行方案、优化群控系统的参数，从而达到降低能耗、提升运行效率的目的。
一种数据中心节能系统的智能巡检优化方法，包括以下步骤：
步骤1，通过巡检检测数据中心中各时段各节能子模块的能耗数据，并计算得到各节能子模块能耗占各时段机房总能耗比例，与同时通过巡检采集的各时段数据中心的运行状态信息，一起存储进历史数据库，运行状态信息包括:数据中心正常、数据中心异常；机房总能耗为各节能子模块的能耗合；
步骤2，根据从历史数据库中获取的上时段各节能子模块的能耗占机房总能耗比例，及通过实时巡检从传感器采集的数据计算各节能子模块本时段的能耗数据，再计算得到各节能子模块能耗占本时段机房总能耗比例；所述传感器采集的数据包括各节能子模块的：耗电量、温度、湿度、负载量；
步骤3，根据步骤2得到的节能子模块的能耗占本时段机房总能耗比例Wj，查询步骤1中的历史数据库，统计W= Wj时的状态概率矩阵[N Yj /N j 、N Zj /N j ]；从历史数据库中根据W=W j 对应的时段，查找下一时段的该节能子模块能耗相对总机房能耗的占比，当下一时段的该节能子模块能耗相对总机房能耗的占比不大于W j 时，得到节能子模块能耗转出时的状态概率矩阵[N WY /N W 、N WZ /N W ]；从历史数据库中根据W=W j 对应的时段，查找下一时段的该节能子模块能耗相对总机房能耗的占比，当下一时段的该节能子模块能耗相对总机房能耗的占比大于W j 时，得到节能子模块能耗转入时的状态概率矩阵[N wY /N w 、N wZ /N w ]；状态概率矩阵的第一个值表示数据中心异常的概率，第二个值表示数据中心正常的概率；
步骤4，计算本时段节能子模块的能耗转移发生概率矩阵Q w ，
Figure 375897DEST_PATH_IMAGE001
；
Figure 230720DEST_PATH_IMAGE002
表示该节能子模块能耗转入发生概率，
Figure 10457DEST_PATH_IMAGE003
表示该 节能子模块能耗转出发生概率；
步骤5，根据马尔科夫链模型计算下一时段节能子模块的能耗占上时段总机房能耗的占比，X(j+1)=X(j)×Q W ，
X(j)表示预测对象在t=j时段的状态向量，X(j+1)表示预测对象在t=j+1时段的状态向量，Q W 表示由步骤4获得的下一步转移概率矩阵；
步骤6，若节能子模块的能耗转入发生概率大于阈值，则在数据中心系统日志中显示需重点关注，若节能子模块的能耗转入发生概率小于阈值则说明数据中心运行状况健康。
进一步的，步骤3中，N j 为运行状态信息的总数，N Zj 是运行状态信息为数据中心正常的累计数，N Yj 是运行状态信息为数据中心异常的累计数；
当下一时段的该节能子模块能耗相对总机房能耗的占比不大于W j 时，N W 为统计运行状态信息的总数，N WZ 为统计运行状态信息为数据中心正常的累计数，N WY 为统计运行状态信息为数据中心异常的累计数，N WZ /N W 为该节能子模块能耗状态下数据中心正常概率，N WY /N W 为该节能子模块能耗状态下数据中心异常概率；
当下一时段的该节能子模块能耗相对总机房能耗的占比大于W j 时，N w 为统计运行状态信息的总数，N wZ 为统计运行状态信息为数据中心正常的累计数，N wY 为统计运行状态信息为数据中心异常的累计数，N wZ /N k 为该节能子模块能耗状态下数据中心正常概率，N wY /N w 为该节能子模块能耗状态下数据中心异常概率。
进一步的，步骤6还包括，重复步骤3~5获得下一时段所有节能子模块的能耗占上时段总机房能耗的占比，再获得下一时段PUE预测值，PUE=机房总能耗/IT设备能耗，IT设备为各节能子模块中的一个，IT设备能耗由IT设备CPU温度能耗和进程级服务器负载能耗组成。
进一步的，所述各节能子模块包括：空调节能模块、风移热节能模块、IT设备节能模块、配电系统节能模块；
传感器包括：检测空调耗电量的电量传感器；检测机房内冷水机、加湿器、照明和辅助设备、开关装置/发电机的温度/湿度的传感器；检测IT设备CPU温度和进程级服务器负载的传感器；检测机房UPS和PDU耗电量的传感器；
节能子模块的能耗占本时段机房总能耗比例Wj包括：空调能耗、风移热功耗、IT设备能耗、智能配电系统能耗分别占总机房能耗的占比：K j 、F j 、T j 、P j 。
本发明基于AI技术可充分挖掘数据中心微模块耗能变化规律，根据马尔科夫链模型计算下一时段各子模块占上时段总机房能耗的占比，获得下一时段PUE预测值。同时根据预测的下一时段巡检能耗转移概率进行预警。若子模块能耗转入发生概率大于阈值则在数据中心系统日志中显示需重点关注，子模块能耗转入发生概率小于阈值则说明数据中心运行状况健康。从而帮助数据中心分析能耗情况提供基于人工智能的数据参考并通过算力优化、能耗优化、容量优化等多种策略管理，构建数据中心微模块多维调配大脑，完成各维度资源的最优调配，实现服务器运行功耗智能调节。制冷系统通过实现寻优控制及智能群控算法，灵活动态调配，保障数据中心能够更加节能、高效、安全地运行，成为新一代“低碳数据中心”。
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，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1 为上时段机房巡检能耗示意图；
图2 为本时段机房巡检能耗示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
首先对本发明所设计的术语解释如下：
PUE：Power Usage Effectiveness的简写，是数据中心消耗的所有能源与IT负载消耗的能源的比值，是评价数据中心能源效率的最基本和最有效的指标之一。
PUE=数据中心机房总能耗/IT设备能耗。PUE值越接近于1，表示一个数据中心的绿色化程度越高。当上述值超过1时，则表示数据中心需要额外电力开销以支持IT负载。因此，PUE的值越高，数据中心的整体效率越低。
本系统一种数据中心节能系统的智能巡检优化方法，主要包括以下步骤：
步骤1、提取各时段各节能子模块：空调节能模块、风移热节能模块、IT设备节能模块、智能配电系统节能模块的能耗数据，并计算得到各节能子模块能耗分别占总机房能耗的占比（即发明内容中的W）：K、F、T、P，及该时段数据中心的运行状态信息，存储进历史数据库，运行状态信息包括:数据中心正常、数据中心异常；
步骤2、计算当前时段空调能耗、风移热功耗、IT设备能耗、智能配电系统能耗分别占总机房能耗的占比；
1、精密空调节能管理
首先，通过程序巡检获得当前时段空调消耗的电量，单位（kwh），其次，分析历史能耗数据运算获得上时段能耗指标。机房中的冷却主要是由机房空调负责，所以降低机房空调的耗电量可以有效的降低机房的PUE值。
以空调举例：通过历史数据统计总能耗和空调自身功率结合计算得出：本机房上时段空调占机房总能耗的15%。而空调自身的功率占空调的7%。本时段空调消耗的电量1.28kwh与上时段空调消耗的电量1.6kwh相减并除以上时段消耗的电量得到升降幅比例为20%，即0.2。
本时段消耗的电量降幅20%计算过程
(P(t) - P(t-1))/P(t-1) =正数表示能耗升高，负数表示能耗降低；
总耗电量降低0.32（kwh）=0.2×1.6（kwh）
1.6kwh是从历史数据库获得上时段空调耗电量；
kwh是一种电量单位，学名:“千瓦时”，表示一千瓦功率的电器使用一小时消耗的电量。
通过本机房上时段空调占机房总功耗的15%得出，本时段数据中心的能耗相对上时段机房总功耗的占比为：上时段能耗占比-上时段能耗占比×本时段能耗降幅=0.15-0.15×0.2=0.12；
因此，本时段数据中心的能耗占比为：12%；
见图1上时段所有精密空调对上时段机房总的能耗占比：15%；
见图2本时段所有精密空调对上时段机房总的能耗占比：12%；
2、智能风移热节能管理
首先，风移热能耗主要由（温湿度传感器监控的数据指标为主要依据，硬件主要包括冷水机、加湿器、照明和辅助设备、开关装置/发电机）通过程序巡检获得当前时段各硬件的传感器的温度单位（℃），湿度单位（RH）。其次，获取历史传感器温湿度数据从而获得上时段传感器温湿度指标。
机房中的风移热能耗指标主要指监控机房温湿度传感器获得的采集数据与上时段比较增减幅进行分析，所以通过降低机房风移热硬件（包括冷水机、加湿器、照明和辅助设备、开关装置/发电机温湿度）可以有效的降低机房的PUE值。
以冷水机举例：通过历史数据统计属于风移热硬件类型上时段能耗计算得出：本机房上时段冷水机占机房总功耗的24%。本时段冷水机的相对湿度为 RH(48%)与上时段冷水机的相对湿度RH(60%)相减并除以上时段RH(60%)得到升降幅比例为20%，即，0.2。
本时段冷水机能耗降幅RH(20%)计算过程：RH(20%)；
(RH(t) - RH(t-1)) / RH(t-1) =正数表示能耗升高，负数表示能耗降低；
冷水机总能耗降低RH(20%)= RH(48%)-RH(60%) /RH(60%)；
通过本机房上时段冷水机占机房总功耗的24%得出；
本时段机房的冷水机能耗相对上时段机房总功耗的占比为：19.2%；
上时段能耗占比-上时段能耗占比×本时段能耗降幅=0.24-0.24×0.2=0.192；
见图1上时段所有冷水机对上时段机房总的能耗占比：24%；
见图2本时段所有冷水机对上时段机房总的能耗占比：19.2%；
同理计算得出加湿器、照明和辅助设备、开关装置/发电机温湿度。
见图1上时段所有风移热对上时段机房总的能耗占比：30%；
见图2本时段所有风移热对上时段机房总的能耗占比：25.2%；
3、智能IT设备节能管理
首先，通过程序巡检获得本时段IT设备CPU温度单位（℃）数据和进程级服务器负载能耗数据百分比单位（%）。其次，分析历史IT设备能耗数据获得上时段能耗指标。机房中的IT设备能耗指标主要组成部分（IT设备CPU温度和进程级服务器负载）组成，所以降低这两部分可以有效的降低机房的IT设备PUE值。
以CPU温度举例：通过历史数据统计IT设备上时段能耗得出：本机房CPU温度平均能耗占机房总能耗的30%。本小时IT设备CPU温度的平均度数27（℃）与上时段平均度数30（℃）相减并除以上时段IT设备CPU温度的平均度数得到升降幅比例为0.1。
本时段CPU温度平均度单位（℃）降幅10%计算过程；
(T(t) – T(t-1) ) / T(t-1) =正数表示CPU温度升高，负数表示CPU温度降低；
总CPU温度降低3（℃）=0.1×30（℃）；
通过本机房CPU温度上时段占机房总功耗的30%得出，本时段本机房CPU温度的能耗相对上时段机房总功耗的占比为：上时段能耗占比-上时段能耗占比×本时段能耗降幅=0.3-0.3×0.1=0.27；
本时段机房CPU温度能耗占比为：0.27；
上时段本机房CPU温度对上时段机房总的能耗占比：30%；
本时段本机房CPU温度对上时段机房总的能耗占比：27%；
同理计算得出进程级服务器负载简称：进程负载；
通过本机房进程负载上时段占机房总能耗的17%得出，
本时段机房进程负载能耗相对上时段机房总功耗的占比为：0.153；
本时段机房进程负载的能耗相对上时段机房总功耗的占比为：上时段能耗占比-上时段能耗占比×本时段能耗降幅=0.17-0.17×0.1=0.153；
见图1上时段所有IT设备对上时段机房总的能耗占比：47%；
见图2本时段所有IT设备对上时段机房总的能耗占比：42.3%；
4、智能配电系统节能管理
首先，通过程序巡检获得本时段配电系统能耗数据千伏安，单位（KVA）其次，分析历史配电系统能耗数据运算获得上时段能耗指标。机房中的配电系统主要组成部分（UPS和PDU）组成，所以降低机房UPS和PDU的耗电量可以有效的降低机房的PUE值。
以UPS举例：通过历史数据统计总功耗和UPS自身功率结合计算得出：本机房UPS占机房总功耗的6%。本小时UPS消耗的电量5KVA与上时段UPS消耗的电量10（KVA）相减并除以上时段UPS消耗的电量10（KVA）得到升降幅比例为0.5。
本时段UPS能耗5（KVA）降幅50%计算过程
(P(t) – P(t-1)) / P(t-1) =正数表示UPS能耗升高；负数表示UPS能耗降低；
总UPS耗电量降低5（KVA）=0.5×10（KVA）；
kva一般指千伏安。 千伏安（kVA）是指电力设备（如变压器、电机等）容量的一种单位。
通过本机房UPS上时段占机房总功耗的6%得出，本时段本机房UPS的能耗相对上时段机房总功耗的占比为：上时段能耗占比-上时段能耗占比×本时段能耗降幅=0.06-0.06×0.5=0.03；
本时段数据中心的UPS能耗相对上时段机房总功耗的占比为：0.03；
上时段数据中心的UPS对上时段机房总的能耗占比：6%；
本时段数据中心的UPS对上时段机房总的能耗占比：3%；
同理计算得出PDU：
通过本机房PDU上时段占机房总功耗的3%得出，本时段本机房PDU的能耗相对上时段机房总功耗的占比为：上时段能耗占比-上时段能耗占比×本时段能耗降幅=0.03-0.03×0.33=0.02；
本时段数据中心的PDU能耗相对上时段机房总功耗的占比为：0.02；
上时段数据中心的PDU对上时段机房总的能耗占比：3%；
本时段数据中心的PDU对上时段机房总的能耗占比：2%；
因此，见图1上时段所有配电系统对上时段机房总的能耗占比：9%；
见图2本时段所有配电系统对上时段机房总的能耗占比：5%；
上时段数据中心对上时段机房总的能耗占比：15%+24%+3%+3%+6%+2%+1% =54%；
本时段数据中心对上时段机房总的能耗占比： 12%+19.2%+3%+2%+3%+2%+1% =42.2%；
图1：上时段机房巡检能耗示意图（PUE值）为：（54%+47%）/47%=2.14；
图2：本时段机房巡检能耗示意图（PUE值）为：（42.3%+42.2%）/42.3%=1.99；
表3为步骤4得到的智能巡检报表
Figure 405667DEST_PATH_IMAGE005
5、计算本时段空调能耗、或风移热功耗、或IT设备能耗、或智能配电系统能耗相对本时段机房总功耗的占比。
计算本时段机房总功耗相对上时段机房总功耗的占比，空调能耗占上时段总机房能耗的占比+或风移热功耗占上时段总机房能耗的占比+IT设备能耗占上时段总机房能耗的占比+智能配电系统能耗占上时段总机房能耗的占比=84.6%；
本时段所有精密空调对本时段机房总的能耗占比：12%/84.6%=14.18%本时段所有风移热对本时段机房总的能耗占比：25.2%/84.6%=29.79%；
本时段所有IT设备对本时段机房总的能耗占比：42.3%/84.6%=50%；
本时段所有配电系统对本时段机房总的能耗占比：5%/84.6%=5.91%；
步骤3、根据当前的空调能耗、风移热功耗、IT设备能耗、智能配电系统能耗分别占总机房能耗的占比（即发明内容中的W j ）：K j 、F j 、T j 、P j ，查询步骤一中的历史数据库，计算空调能耗、风移热功耗、IT设备能耗、智能配电系统能耗的状态概率矩阵，和各能耗对应的能耗转出/转入后的状态概率矩阵。
统计K=K j 、或F=F j 、或T=T j 、或P=P j 时，运行状态信息的总数N j ，运行状态信息为数据中心正常的累计数N Zj ，运行状态信息为数据中心异常的累计数N Yj ，得到该条件下的状态概率矩阵[N Yj /N j 、N Zj /N j ]，状态概率矩阵的第一个值表示数据中心异常的概率，第二个值表示数据中心正常的概率。
从历史数据库中根据K=K j 对应的时段，查找下一时段的空调能耗相对总机房能耗的占比，当K j+1 ≤K j 时，统计运行状态信息的总数N K ，统计运行状态信息为数据中心正常的累计数N KZ ，统计运行状态信息为数据中心异常的累计数N KY ，该空调能耗状态下数据中心正常概率为N KZ /N K ，该空调能耗状态下数据中心异常概率为N KY /N K ，得到空调能耗转出时的状态概率矩阵[N KY /N K 、N KZ /N K ]；
从历史数据库中根据K=K j 对应的时段，查找下一时段的空调能耗相对总机房能耗的占比，当K j+1 >K j 时，统计运行状态信息的总数N k ，统计运行状态信息为数据中心正常的累计数N kZ ，统计运行状态信息为数据中心异常的累计数N kY ，该空调能耗状态下数据中心正常概率为N kZ /N k ，该空调能耗状态下数据中心异常概率为N kY /N k ，得到空调能耗转入时的状态概率矩阵[N kY /N k 、N kZ /N k ]；
从历史数据库中根据F=F j 对应的时段，查找下一时段的风移热功耗相对总机房能耗的占比，当F j+1 ≤F j 时，统计运行状态信息的总数N F ，统计运行状态信息为数据中心正常的累计数N FZ ，统计运行状态信息为数据中心异常的累计数N FY ，该风移热能耗状态下数据中心正常概率为N FZ /N F ，该风移热能耗状态下数据中心异常概率为N FY /N F ，得到风移热转出时的状态概率矩阵[N FY /N F 、N FZ /N F ]；
从历史数据库中根据F=F j 对应的时段，查找下一时段的风移热功耗相对总机房能耗的占比，当F j+1 >F j 时，统计运行状态信息的总数N f ，统计运行状态信息为数据中心正常的累计数N fZ ，统计运行状态信息为数据中心异常的累计数N fY ，该风移热能耗状态下数据中心正常概率为N fZ /N f ，该风移热能耗状态下数据中心异常概率为N fY /N f ，得到风移热能耗转入时的状态概率矩阵[N fY /N f 、N fZ /N f ]；
从历史数据库中根据T=T j 对应的时段，查找下一时段的IT设备能耗相对总机房能耗的占比，当T j+1 ≤T j 时，统计运行状态信息的总数N T ，统计运行状态信息为数据中心正常的累计数N TZ ，统计运行状态信息为数据中心异常的累计数N TY ，该IT设备能耗状态下数据中心正常概率为N TZ /N T ，该IT设备能耗状态下数据中心异常概率为N TY /N T ，得到IT设备能耗转出时的状态概率矩阵[N TY /N T 、N TZ /N T ]；
从历史数据库中根据T=T j 对应的时段，查找下一时段的IT设备能耗相对总机房能耗的占比，当T j+1 >T j 时，统计运行状态信息的总数N t ，统计运行状态信息为数据中心正常的累计数N tZ ，统计运行状态信息为数据中心异常的累计数N tY ，该IT设备能耗状态下数据中心正常概率为N tZ /N t ，该IT设备能耗状态下数据中心异常概率为N tY /N t ，得到IT设备能耗转入时的状态概率矩阵[N tY /N t 、N tZ /N t ]；
从历史数据库中根据P=P j 对应的时段，查找下一时段的配电系统能耗相对总机房能耗的占比，当P j+1 ≤P j 时，统计运行状态信息的总数N P ，统计运行状态信息为数据中心正常的累计数N PZ ，统计运行状态信息为数据中心异常的累计数N PY ，该配电系统能耗状态下数据中心正常概率为N PZ /N P ，该配电系统能耗状态下数据中心异常概率为N PY /N P ，得到配电系统能耗转出时的状态概率矩阵[N PY /N P 、N PZ /N P ]；
从历史数据库中根据P=P j 对应的时段，查找下一时段的配电系统能耗相对总机房能耗的占比，当P j+1 >P j 时，统计运行状态信息的总数N p ，统计运行状态信息为数据中心正常的累计数N pZ ，统计运行状态信息为数据中心异常的累计数N pY ，该配电系统能耗状态下数据中心正常概率为N pZ /N p ，该配电系统能耗状态下数据中心异常概率为N pY /N p ，得到配电系统能耗转入时的状态概率矩阵[N pY /N p 、N pZ /N p ]；
步骤4、计算本时段空调能耗、或风移热功耗、或IT设备能耗、或配电系统能耗转移发生概率矩阵Q K 、Q F 、Q T 、Q P （即发明内容中的Q W ）；
Figure 220039DEST_PATH_IMAGE006
，
Figure 727987DEST_PATH_IMAGE007
表示空调能耗转入发生概率（也是异常发生概率），
Figure 995020DEST_PATH_IMAGE008
表示 空调能耗转出发生概率（也是正常发生概率）；
Figure 193921DEST_PATH_IMAGE009
，
Figure 862799DEST_PATH_IMAGE010
表示风移热能耗转入发生概率（也是异常发生概率），
Figure 793846DEST_PATH_IMAGE011
表示 风移热能耗转出发生概率（也是正常发生概率）；
Figure 548176DEST_PATH_IMAGE012
，
Figure 285187DEST_PATH_IMAGE013
表示IT设备能耗转入发生概率（也是异常发生概率），
Figure 808573DEST_PATH_IMAGE014
表 示IT设备能耗转出发生概率（也是正常发生概率）；
Figure 425368DEST_PATH_IMAGE015
，
Figure 666993DEST_PATH_IMAGE016
表示配电系统能耗转入发生概率（也是异常发生概率），
Figure DEST_PATH_IMAGE017
表示配电系统能耗转出发生概率（也是正常发生概率）；
步骤5、根据马尔科夫链模型计算下一时段空调能耗、或风移热功耗、或IT设备能耗、或智能配电系统能耗占上时段总机房能耗的占比，获得下一时段PUE预测值。
马尔可夫链模型需要的三组数据：
空调能耗的状态概率矩阵 [0.3、0.7]
空调能耗转出时的状态概率矩阵 [0.6、0.4]
空调能耗转入时的状态概率矩阵 [0.3、0.7]
运算得出下时段巡检空调能耗转移到其他发生概率
下时段空调能耗转入发生概率 0.3×0.6+0.3×0.7=0.39
下时段空调能耗转出发生概率 0.3×0.4+0.7×0.7=0.61
下时段空调能耗转移发生概率[0.39 0.61]
计算下一时段风移热能耗占总机房能耗的占比时，结合历史数据库存储的数据分析得到本次转移能耗指标及下次能耗转移发生概率。同例1。
计算下一时段IT设备能耗占总机房能耗的占比时，结合历史数据库存储的数据分析得到本次转移能耗指标及下次能耗转移发生概率。同例1。
计算下一时段配电系统能耗占总机房能耗的占比时，结合历史数据库存储的数据分析得到本次转移能耗指标及下次能耗转移发生概率。同例1。
根据下一时段空调能耗、或风移热功耗、或IT设备能耗、或智能配电系统能耗占总机房能耗的占比，计算获得PUE预测值。
步骤6，按照步骤二的方法根据本时段的空调能耗、风移热功耗、IT设备能耗、智能配电系统能耗分别占总机房能耗的占比，计算下一时段空调能耗、风移热功耗、IT设备能耗、智能配电系统能耗分别占总机房能耗的占比，与步骤四~五预测的能耗结果进行比较，判断PUE预测值的准确性；
同时根据步骤五预测的下一时段巡检能耗转移概率进行预警。若空调能耗、或风移热功耗、或IT设备能耗、或智能配电系统能耗转入发生概率大于阈值则在数据中心系统日志中显示需重点关注，空调能耗、或风移热功耗、或IT设备能耗、或智能配电系统能耗转入发生概率小于阈值则说明数据中心运行状况健康。从而帮助数据中心分析能耗情况提供基于人工智能的数据参考。

Claims (3)

1.一种数据中心节能系统的智能巡检优化方法，其特征在于，包括步骤：
步骤1，通过巡检检测数据中心中各时段各节能子模块的能耗数据，并计算得到各节能子模块能耗占各时段机房总能耗比例，与同时通过巡检采集的各时段数据中心的运行状态信息，一起存储进历史数据库，运行状态信息包括:数据中心正常、数据中心异常；机房总能耗为各节能子模块的能耗合；
步骤2，根据从历史数据库中获取的上时段各节能子模块的能耗占机房总能耗比例，及通过实时巡检从传感器采集的数据计算各节能子模块本时段的能耗数据，再计算得到各节能子模块能耗占本时段机房总能耗比例；所述传感器采集的数据包括各节能子模块的：耗电量、温度、湿度、负载量；
步骤3，根据步骤2得到的节能子模块的能耗占本时段机房总能耗比例Wj，查询步骤1中的历史数据库，统计W= Wj时的状态概率矩阵[N Yj /N j 、N Zj /N j ]；从历史数据库中根据W=W j 对应的时段，查找下一时段的该节能子模块能耗相对总机房能耗的占比，当下一时段的该节能子模块能耗相对总机房能耗的占比不大于W j 时，得到节能子模块能耗转出时的状态概率矩阵[N WY /N W 、N WZ /N W ]；从历史数据库中根据W=W j 对应的时段，查找下一时段的该节能子模块能耗相对总机房能耗的占比，当下一时段的该节能子模块能耗相对总机房能耗的占比大于W j 时，得到节能子模块能耗转入时的状态概率矩阵[N wY /N w 、N wZ /N w ]；状态概率矩阵的第一个值表示数据中心异常的概率，第二个值表示数据中心正常的概率；
步骤4，计算本时段节能子模块的能耗转移发生概率矩阵Q w ，
Figure 950970DEST_PATH_IMAGE001
；
Figure 234184DEST_PATH_IMAGE002
表示该节能子模块能耗转入发生概率，
Figure 384542DEST_PATH_IMAGE003
表示该节能 子模块能耗转出发生概率；
步骤5，根据马尔科夫链模型计算下一时段节能子模块的能耗占上时段总机房能耗的占比，X(j+1)=X(j)×Q W ，
X(j)表示预测对象在t=j时段的状态向量，X(j+1)表示预测对象在t=j+1时段的状态向量，Q W 表示由步骤4获得的下一步转移概率矩阵；
步骤6，若节能子模块的能耗转入发生概率大于阈值，则在数据中心系统日志中显示需重点关注，若节能子模块的能耗转入发生概率小于阈值则说明数据中心运行状况健康；
步骤3中，N j 为运行状态信息的总数，N Zj 是运行状态信息为数据中心正常的累计数，N Yj 是运行状态信息为数据中心异常的累计数；
当下一时段的该节能子模块能耗相对总机房能耗的占比不大于W j 时，N W 为统计运行状态信息的总数，N WZ 为统计运行状态信息为数据中心正常的累计数，N WY 为统计运行状态信息为数据中心异常的累计数，N WZ /N W 为该节能子模块能耗状态下数据中心正常概率，N WY /N W 为该节能子模块能耗状态下数据中心异常概率；
当下一时段的该节能子模块能耗相对总机房能耗的占比大于W j 时，N w 为统计运行状态信息的总数，N wZ 为统计运行状态信息为数据中心正常的累计数，N wY 为统计运行状态信息为数据中心异常的累计数，N wZ /N k 为该节能子模块能耗状态下数据中心正常概率，N wY /N w 为该节能子模块能耗状态下数据中心异常概率。
2.根据权利要求1所述的数据中心节能系统的智能巡检优化方法，其特征在于，步骤6还包括，重复步骤3~5获得下一时段所有节能子模块的能耗占上时段总机房能耗的占比，再获得下一时段PUE预测值，PUE=机房总能耗/IT设备能耗，IT设备为各节能子模块中的一个，IT设备能耗由IT设备CPU温度能耗和进程级服务器负载能耗组成。
3.根据权利要求1~2任一项所述的数据中心节能系统的智能巡检优化方法，其特征在于，所述各节能子模块包括：空调节能模块、风移热节能模块、IT设备节能模块、配电系统节能模块；
传感器包括：检测空调耗电量的电量传感器；检测机房内冷水机、加湿器、照明和辅助设备、开关装置/发电机的温度/湿度的传感器；检测IT设备CPU温度和进程级服务器负载的传感器；检测机房UPS和PDU耗电量的传感器；
节能子模块的能耗占本时段机房总能耗比例Wj包括：空调能耗、风移热功耗、IT设备能耗、智能配电系统能耗分别占总机房能耗的占比：K j 、F j 、T j 、P j 。
CN202210641080.3A 2022-06-08 2022-06-08 一种数据中心节能系统的智能巡检优化方法 Active CN114996093B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210641080.3A CN114996093B (zh) 2022-06-08 2022-06-08 一种数据中心节能系统的智能巡检优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210641080.3A CN114996093B (zh) 2022-06-08 2022-06-08 一种数据中心节能系统的智能巡检优化方法

Publications (2)

Publication Number Publication Date
CN114996093A CN114996093A (zh) 2022-09-02
CN114996093B true CN114996093B (zh) 2023-02-03

Family

ID=83033861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210641080.3A Active CN114996093B (zh) 2022-06-08 2022-06-08 一种数据中心节能系统的智能巡检优化方法

Country Status (1)

Country Link
CN (1) CN114996093B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116390461B (zh) * 2023-05-30 2023-08-08 广州豪特节能环保科技股份有限公司 基于人工智能的数据中心节能调温方法、系统和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684385A (zh) * 2018-11-21 2019-04-26 平安科技（深圳）有限公司 数据中心配电警示方法、装置、设备和存储介质
CN111174375A (zh) * 2019-12-11 2020-05-19 西安交通大学 面向数据中心能耗最小化的作业调度和机房空调调控方法
CN113778215A (zh) * 2021-04-28 2021-12-10 龙坤(无锡)智慧科技有限公司 基于大数据实现数据中心pue预测以及降耗策略的方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102004679B (zh) * 2010-11-22 2012-07-25 四川大学 一种基于马尔科夫链的构件化嵌入式软件能耗估算模型
CN202033394U (zh) * 2011-03-02 2011-11-09 浙江浙大网新能源技术有限公司 数据中心能耗比采集显示系统
WO2013176651A1 (en) * 2012-05-21 2013-11-28 New Jersey Institute Of Technology Hierarchical energy optimization for datacenter networks
CN108052387B (zh) * 2017-11-15 2021-07-27 青海大学 一种移动云计算中的资源分配预测方法及系统
CN113900894A (zh) * 2021-09-30 2022-01-07 苏州浪潮智能科技有限公司 一种预测大规模集群状态的方法、系统、设备及介质
CN114237884A (zh) * 2021-12-10 2022-03-25 桂林理工大学 一种基于灰色马尔科夫链的云计算数据中心能耗优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684385A (zh) * 2018-11-21 2019-04-26 平安科技（深圳）有限公司 数据中心配电警示方法、装置、设备和存储介质
CN111174375A (zh) * 2019-12-11 2020-05-19 西安交通大学 面向数据中心能耗最小化的作业调度和机房空调调控方法
CN113778215A (zh) * 2021-04-28 2021-12-10 龙坤(无锡)智慧科技有限公司 基于大数据实现数据中心pue预测以及降耗策略的方法

Also Published As

Publication number Publication date
CN114996093A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN107330056B (zh) 基于大数据云计算平台的风电场scada系统及其运行方法
CN103208085B (zh) 企业用电提高负荷率与降低最大需量的分析智能系统
CN112346351B (zh) 一种基于bim的物联网设备一体化智能集控系统
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
CN115164361B (zh) 一种数据中心控制方法、装置、电子设备和存储介质
CN103606107A (zh) 一种风光储联合发电系统设备状态评估信息系统
CN114996093B (zh) 一种数据中心节能系统的智能巡检优化方法
CN117973708B (zh) 一种基于绿色能源的分布式算网智能管控系统
CN107832946A (zh) 一种用于生产车间的电能监控与管理方法及系统
CN109995094B (zh) 一种交直流混合微电网的规划方法及系统
Cao et al. Data Center sustainability: Revisits and outlooks
CN118096061A (zh) 一种电网负荷采集管控平台
CN116307110A (zh) 一种分布式屋顶光伏发电聚合管理方法及系统
CN116468302A (zh) 建筑园区能源结构评估方法、系统、电子设备及存储介质
CN115392684A (zh) 一种基于带外方式的数据机房碳排放监控系统及方法
CN111290354B (zh) 一种基于云计算的模块化数据中心余热高效利用控制管理系统
CN114282683A (zh) 一种光伏电站组件的预警方法及系统
Kaicheng et al. Vibration data fusion algorithm of auxiliaries in power plants based on wireless sensor networks
CN115841320A (zh) 一种针对数据中心能源利用效率的巡检方法
Li et al. Application-Driven Data Management Framework for Wind Farms by Cloud-Edge-End Collaboration
CN110718964A (zh) 一种电力工程用节能控制系统
CN118432091B (zh) 基于边缘计算的源网荷储优化控制系统、方法及存储介质
Hu et al. Research on Cloud-Edge Collaborative Structure of Distribution Internet of Things for Data Monitoring and Analysis
Xiao Research on intelligent management platform for energy enterprises based on big data technology
CN118313957B (zh) 基于场景归因的综合能源系统安全提升方法及装置

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
GR01 Patent grant
GR01 Patent grant