CN115003140B - 一种数据中心机房水冷机组末端空调协同控制节能方法 - Google Patents

一种数据中心机房水冷机组末端空调协同控制节能方法 Download PDF

Info

Publication number
CN115003140B
CN115003140B CN202210929728.7A CN202210929728A CN115003140B CN 115003140 B CN115003140 B CN 115003140B CN 202210929728 A CN202210929728 A CN 202210929728A CN 115003140 B CN115003140 B CN 115003140B
Authority
CN
China
Prior art keywords
air conditioner
state
machine room
data
data center
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
CN202210929728.7A
Other languages
English (en)
Other versions
CN115003140A (zh
Inventor
林文星
马驰
宁煌
吴名朝
杨雨飞
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.)
Whale Cloud Technology Co Ltd
Original Assignee
Whale Cloud 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 Whale Cloud Technology Co Ltd filed Critical Whale Cloud Technology Co Ltd
Priority to CN202210929728.7A priority Critical patent/CN115003140B/zh
Publication of CN115003140A publication Critical patent/CN115003140A/zh
Application granted granted Critical
Publication of CN115003140B publication Critical patent/CN115003140B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H05K7/20836—Thermal management, e.g. server temperature control
    • 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
    • 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
    • H05K7/20718—Forced ventilation of a gaseous coolant
    • 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
    • H05K7/20763—Liquid cooling without phase change
    • 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
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Thermal Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种数据中心机房水冷机组末端空调协同控制节能方法，该方法包括以下步骤：采样环境状态，监测水冷机组和末端空调运行状态及控制值并处理相应特征的样本数据，根据样本数据的数据量变化，决定是否发起新的训练任务来更新模型；根据环境状态与安全运行条件对控制动作集合进行数据中心状态预测、能耗预测及控制值设定；以多任务学习的形式训练数据中心能耗和安全状态评估模型，进行多任务的优化。本发明基于在线训练的方式结合探索和学习的机制让控制器自适应环境发起训练任务，能够较快的适应设备变化和冷启动无数据积累的场景，可以有效提升整体的鲁棒性，在学习优化控制设置值的同时，保障数据中心环境处于安全运行区间。

Description

一种数据中心机房水冷机组末端空调协同控制节能方法
技术领域
本发明涉及空调控制节能领域，具体来说，涉及一种数据中心机房水冷机组末端空调协同控制节能方法。
背景技术
伴随着信息技术产业的高速发展，数据中心建设的热度在不断加大，而随着数据中心中存放的IT设备的功耗密度的快速上升，为了保障IT设备运行环境的稳定，需要制冷设备对数据中心进行长时间和不间断的制冷，给数据中心的节能带来了巨大挑战。
现有数据中心的设备节能控制往往由能源工程师基于工程经验配置数据中心的水冷机组的运行参数和末端空调温度设置构成节能策略。而气温状态又是复杂多变的，单一的策略往往无法适应灵敏的环境变化；IT设备和制冷设备的频繁更换也对节能策略的有效性造成较大的影响，甚至危害数据中心的安全运行。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种数据中心机房水冷机组末端空调协同控制节能方法，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
一种数据中心机房水冷机组末端空调协同控制节能方法，该方法包括以下步骤：
S1、采样环境状态，监测水冷机组和末端空调运行状态及控制值并处理相应特征的样本数据，然后根据样本数据的数据量变化，决定是否发起新的训练任务来更新模型；
S2、根据环境状态与安全运行条件对控制动作集合进行数据中心状态预测、能耗预测及控制值设定；
S3、以多任务学习的形式训练数据中心能耗和安全状态评估模型，并通过共享底层神经网络参数、计算状态预测以及能耗预测联合损失进行多任务的优化。
进一步的，所述采样环境状态，监测水冷机组和末端空调运行状态及控制值并处理相应特征的样本数据，然后根据样本数据的数据量变化，决定是否发起新的训练任务来更新模型还包括以下步骤：
S11、收集末端机房的数据并生成对应特征，然后进行样本数据存储；
S12、收集水冷机组端机组运行参数；
S13、监控传感器温度状态并判断执行一个控制周期内末端机房是否发生过高温状态告警，若发生过告警则记录对应状态特征为1，反之没有发生过告警则记录对应状态特征为0；
S14、当样本更新数量为n的整数倍时，发起新的训练任务更新模型。
进一步的，所述收集末端机房的数据包括各个传感器的温度、室外环境温度、空调电度数、空调设置值及空调运行状态。
进一步的，所述收集末端机房的数据并生成对应特征，然后进行样本数据存储还包括以下步骤：
S111、末端机房内若存在多个温度传感器，采集数据按均值处理并代表当前机房的总体温度状况；
S112、空调运行状态需要采集是否有新增空调及空调的开关机状态，并同步修改历史数据记录，当出现新增的空调并处于开机状态时，需要在以往的历史数据中增加该空调的特征数据，并记录为关机状态；
S113、每个执行周期需要根据两次的电度数差值计算出该执行周期时间段内的平均功率作为相应能耗指标。
进一步的，所述末端机房内若存在多个温度传感器，采集数据按均处理并代表当前机房的总体温度状况中机房温度的计算公下：
Figure 46514DEST_PATH_IMAGE001
其中，Tr表示整个机房的温度；
Ti表示各个传感器采样点采集的温度；
n表示传感器的数量。
进一步的，所述每个执行周期需要根据两次的电度数差值计算出该执行周期时间段内的平均功率作为相应能耗指标中平均功率的计算公式如下：
Figure 375865DEST_PATH_IMAGE002
其中，p表示时间点t1至时间点t2内的平均功率；
e1表示时间点t1采集出的电度数值；
e2表示时间点t2采集出的电度数值。
进一步的，所述收集水冷机组端机组运行参数中运行参数包括冷冻水出水温度和冷冻泵压差设定值。
进一步的，所述根据环境状态与安全运行条件对控制动作集合进行数据中心状态预测、能耗预测及控制值设定包括以下步骤：
S21、根据室外温度、末端机房温度、空调运行状态、水冷机组控制参数及末端空调设置对末端状态进行状态预测，选取出符合末端机房温度状态的控制动作集合A；
S22、根据室外温度、水冷机组控制参数及末端空调设置对状态进行能耗预测，选取出符合能耗最低时的控制值a，
S23、采用ε贪心策略进行控制值的设定。
进一步的，所述采用ε贪心策略进行控制值的设定中控制值的计算公式如下：
Figure 574765DEST_PATH_IMAGE003
其中，
Figure 243643DEST_PATH_IMAGE004
表示能耗预测模型；
s表示非控制值的集合；
Figure 237007DEST_PATH_IMAGE005
表示控制值的集合；
Figure 804386DEST_PATH_IMAGE006
表示模型可学习的参数集合。
进一步的，所述以多任务学习的形式训练数据中心能耗和安全状态评估模型，并通过共享底层神经网络参数、计算状态预测以及能耗预测联合损失进行多任务的优化包括以下步骤：
S31、构建模型架构底层参数并统一共享给能耗预测和状态预测模型，顶层参数由能耗预测和状态预测两个子任务各自定义；
S32、定义优化目标并对两个任务联合优化。
本发明的有益效果为：本发明基于在线训练的方式结合探索和学习的机制让控制器自适应环境发起训练任务，能够较快的适应设备变化和冷启动无数据积累的场景，采用多任务学习的方式，同步优化能耗寻优模型和数据中心安全状态预测模型，两个模型共享底层参数，可以有效提升整体的鲁棒性，并且在学习优化控制设置值的同时，又保障数据中心环境处于安全运行区间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种数据中心机房水冷机组末端空调协同控制节能方法的流程图；
图2是根据本发明实施例的一种数据中心机房水冷机组末端空调协同控制节能方法的原理图。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种数据中心机房水冷机组末端空调协同控制节能方法。
现结合附图和具体实施方式对本发明进一步说明，如图1-2所示，根据本发明实施例的数据中心机房水冷机组末端空调协同控制节能方法，该方法包括以下步骤：
S1、采样环境状态，监测水冷机组和末端空调运行状态及控制值并处理相应特征的样本数据，然后根据样本数据的数据量变化，决定是否发起新的训练任务来更新模型；
其中，所述采样环境状态，监测水冷机组和末端空调运行状态及控制值并处理相应特征的样本数据，然后根据样本数据的数据量变化，决定是否发起新的训练任务来更新模型还包括以下步骤：
S11、收集末端机房的数据并生成对应特征，然后进行样本数据存储；
具体的，所述收集末端机房的数据包括各个传感器的温度、室外环境温度、空调电度数、空调设置值及空调运行状态；
其中，所述收集末端机房的数据并生成对应特征，然后进行样本数据存储还包括以下步骤：
S111、末端机房内若存在多个温度传感器，采集数据按均值处理并代表当前机房的总体温度状况；
其中，所述末端机房内若存在多个温度传感器，采集数据按均值处理并代表当前机房的总体温度状况中机房温度的计算公下：
Figure 31144DEST_PATH_IMAGE001
其中，Tr表示整个机房的温度；
Ti表示各个传感器采样点采集的温度；
n表示传感器的数量。
S112、空调运行状态需要采集是否有新增空调及空调的开关机状态，并同步修改历史数据记录，当出现新增的空调并处于开机状态时，需要在以往的历史数据中增加该空调的特征数据，并记录为关机状态；
S113、每个执行周期需要根据两次的电度数差值计算出该执行周期时间段内的平均功率作为相应能耗指标；
其中，所述每个执行周期需要根据两次的电度数差值计算出该执行周期时间段内的平均功率作为相应能耗指标中平均功率的计算公式如下：
Figure 616846DEST_PATH_IMAGE002
其中，p表示时间点t1至时间点t2内的平均功率；
e1表示时间点t1采集出的电度数值；
e2表示时间点t2采集出的电度数值。
具体的，上述过程为周期性的定时任务，每个执行周期开始将记录初始的传感器值，并请求模型进行控制值设置生成，周期结束将计算相应能耗指标，并存储和转换数据值作为一条样本数据；
S12、收集水冷机组端机组运行参数；
具体的，所述收集水冷机组端机组运行参数中运行参数包括冷冻水出水温度和冷冻泵压差设定值；
S13、监控传感器温度状态并判断执行一个控制周期内末端机房是否发生过高温状态告警，若发生过告警则记录对应状态特征为1，反之没有发生过告警则记录对应状态特征为0；
S14、当样本更新数量为n的整数倍时，发起新的训练任务更新模型；
其中，n需要大于模型训练的最低要求，以神经网络为例，n需要大于小批量梯度下降所需要的批次样本数目；
S2、根据环境状态与安全运行条件对控制动作集合进行数据中心状态预测、能耗预测及控制值设定；
其中，所述根据环境状态与安全运行条件对控制动作集合进行数据中心状态预测、能耗预测及控制值设定包括以下步骤：
S21、根据室外温度、末端机房温度、空调运行状态、水冷机组控制参数及末端空调设置对末端状态进行状态预测，选取出符合末端机房温度状态的控制动作集合A；
具体的，采用
Figure 46690DEST_PATH_IMAGE007
表示状态预测模型对控制值a的评估模型，当
Figure 288316DEST_PATH_IMAGE008
时表示控制值a不符合安全运行的要求，反之当
Figure 563439DEST_PATH_IMAGE009
时表示控制值a符合安全运行的要求，并将a添加到集合A中，s表示室外温度，末端机房温度，空调运行开关状态等非控制值的集合，a为水冷机组端机组运行参数和末端空调设定值等控制值的集合；
Figure 541932DEST_PATH_IMAGE011
是模型可学习的参数集合。
S22、根据室外温度、水冷机组控制参数及末端空调设置对状态进行能耗预测，选取出符合能耗最低时的控制值a；其中，a受限于A，即a∈A使得控制值满足末端机房温度状态的限制；
S23、采用ε贪心策略进行控制值的设定；
其中，所述采用ε贪心策略进行控制值的设定中控制值的计算公式如下：
Figure 877099DEST_PATH_IMAGE012
其中，
Figure 606020DEST_PATH_IMAGE013
表示能耗预测模型；具体的，ε贪心策略将以一定的概率采用随机的设置；
s表示非控制值的集合；其中，非控制值的集合为室外温度，末端机房温度，空调运行开关状态等非控制值的集合；
Figure 684835DEST_PATH_IMAGE014
表示控制值的集合；其中，控制值的集合为水冷机组端机组运行参数和末端空调设定值等控制值的集合；
Figure 245129DEST_PATH_IMAGE015
表示模型可学习的参数集合；
S3、以多任务学习的形式训练数据中心能耗和安全状态评估模型，并通过共享底层神经网络参数、计算状态预测以及能耗预测联合损失进行多任务的优化。
其中，所述以多任务学习的形式训练数据中心能耗和安全状态评估模型，并通过共享底层神经网络参数、计算状态预测以及能耗预测联合损失进行多任务的优化包括以下步骤：
S31、构建模型架构底层参数并统一共享给能耗预测和状态预测模型，顶层参数由能耗预测和状态预测两个子任务各自定义；
S32、定义优化目标并对两个任务联合优化。
其中，模型分为共享层和任务层，共享层为能耗预测和状态预测共享相同的模型参数，任务层为能耗预测定义的模型参数与状态预测定义的模型参数。
共享层模型参数记作
Figure 16776DEST_PATH_IMAGE016
，能耗预测任务层参数记作
Figure 967414DEST_PATH_IMAGE017
，状态预测任务层参数记作
Figure 849920DEST_PATH_IMAGE018
。
具体地，计算状态预测损失：
Figure 202404DEST_PATH_IMAGE019
计算能耗预测损失：
Figure 958001DEST_PATH_IMAGE020
总损失：
Figure 395936DEST_PATH_IMAGE021
其中，
Figure 816553DEST_PATH_IMAGE022
表示第
Figure 289123DEST_PATH_IMAGE023
个样本的状态值；
Figure 402572DEST_PATH_IMAGE024
表示第
Figure 390120DEST_PATH_IMAGE023
个样本的状态预测结果；
Figure 614428DEST_PATH_IMAGE025
表示第
Figure 675924DEST_PATH_IMAGE023
个样本的能耗值；
Figure 81979DEST_PATH_IMAGE026
表示第
Figure 494506DEST_PATH_IMAGE023
个样本的能耗预测值；
Figure 335554DEST_PATH_IMAGE027
表示样本总数；
Figure 517137DEST_PATH_IMAGE028
表示状态预测损失；
Figure 706810DEST_PATH_IMAGE029
表示能耗预测损失；
Figure 668950DEST_PATH_IMAGE030
表示总损失。
综上所述，借助于本发明的上述技术方案，本发明基于在线训练的方式结合探索和学习的机制让控制器自适应环境发起训练任务，能够较快的适应设备变化和冷启动无数据积累的场景，采用多任务学习的方式，同步优化能耗寻优模型和数据中心安全状态预测模型，两个模型共享底层参数，可以有效提升整体的鲁棒性，并且在学习优化控制设置值的同时，又保障数据中心环境处于安全运行区间。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种数据中心机房水冷机组末端空调协同控制节能方法，其特征在于，该方法包括以下步骤：
S1、采样环境状态，监测水冷机组和末端空调运行状态及控制值并处理相应特征的样本数据，然后根据样本数据的数据量变化，决定是否发起新的训练任务来更新模型；
S2、根据环境状态与安全运行条件对控制动作集合进行数据中心状态预测、能耗预测及控制值设定；
所述根据环境状态与安全运行条件对控制动作集合进行数据中心状态预测、能耗预测及控制值设定包括以下步骤：
S21、根据室外温度、末端机房温度、空调运行状态、水冷机组控制参数及末端空调设置对末端状态进行状态预测，选取出符合末端机房温度状态的控制动作集合A；
S22、根据室外温度、水冷机组控制参数及末端空调设置对状态进行能耗预测，选取出符合能耗最低时的控制值a；
S23、采用ε贪心策略进行控制值的设定；
所述采用ε贪心策略进行控制值的设定中控制值的计算公式如下：
Figure DEST_PATH_IMAGE001
其中，
Figure 895153DEST_PATH_IMAGE002
表示能耗预测模型；
s表示非控制值的集合；
Figure DEST_PATH_IMAGE003
表示控制值的集合；
Figure 874611DEST_PATH_IMAGE004
表示模型可学习的参数集合；
S3、以多任务学习的形式训练数据中心能耗和安全状态评估模型，并通过共享底层神经网络参数、计算状态预测以及能耗预测联合损失进行多任务的优化。
2.根据权利要求1所述的一种数据中心机房水冷机组末端空调协同控制节能方法，其特征在于，所述采样环境状态，监测水冷机组和末端空调运行状态及控制值并处理相应特征的样本数据，然后根据样本数据的数据量变化，决定是否发起新的训练任务来更新模型还包括以下步骤：
S11、收集末端机房的数据并生成对应特征，然后进行样本数据存储；
S12、收集水冷机组端机组运行参数；
S13、监控传感器温度状态并判断执行一个控制周期内末端机房是否发生过高温状态告警，若发生过告警则记录对应状态特征为1，反之没有发生过告警则记录对应状态特征为0；
S14、当样本更新数量为n的整数倍时，发起新的训练任务更新模型。
3.根据权利要求2所述的一种数据中心机房水冷机组末端空调协同控制节能方法，其特征在于，所述收集末端机房的数据包括各个传感器的温度、室外环境温度、空调电度数、空调设置值及空调运行状态。
4.根据权利要求2所述的一种数据中心机房水冷机组末端空调协同控制节能方法，其特征在于，所述收集末端机房的数据并生成对应特征，然后进行样本数据存储还包括以下步骤：
S111、末端机房内若存在多个温度传感器，采集数据按均值处理并代表当前机房的总体温度状况；
S112、空调运行状态需要采集是否有新增空调及空调的开关机状态，并同步修改历史数据记录，当出现新增的空调并处于开机状态时，需要在以往的历史数据中增加该空调的特征数据，并记录为关机状态；
S113、每个执行周期需要根据两次的电度数差值计算出该执行周期时间段内的平均功率作为相应能耗指标。
5.根据权利要求4所述的一种数据中心机房水冷机组末端空调协同控制节能方法，其特征在于，所述末端机房内若存在多个温度传感器，采集数据按均值处理并代表当前机房的总体温度状况中机房温度的计算公下：
Figure DEST_PATH_IMAGE005
其中，Tr表示整个机房的温度；
Ti表示各个传感器采样点采集的温度；
n表示传感器的数量。
6.根据权利要求4所述的一种数据中心机房水冷机组末端空调协同控制节能方法，其特征在于，所述每个执行周期需要根据两次的电度数差值计算出该执行周期时间段内的平均功率作为相应能耗指标中平均功率的计算公式如下：
Figure 654348DEST_PATH_IMAGE006
其中，p表示时间点t1至时间点t2内的平均功率；
e1表示时间点t1采集出的电度数值；
e2表示时间点t2采集出的电度数值。
7.根据权利要求2所述的一种数据中心机房水冷机组末端空调协同控制节能方法，其特征在于，所述收集水冷机组端机组运行参数中运行参数包括冷冻水出水温度和冷冻泵压差设定值。
8.根据权利要求1所述的一种数据中心机房水冷机组末端空调协同控制节能方法，其特征在于，所述以多任务学习的形式训练数据中心能耗和安全状态评估模型，并通过共享底层神经网络参数、计算状态预测以及能耗预测联合损失进行多任务的优化包括以下步骤：
S31、构建模型架构底层参数并统一共享给能耗预测和状态预测模型，顶层参数由能耗预测和状态预测两个子任务各自定义；
S32、定义优化目标并对两个任务联合优化。
CN202210929728.7A 2022-08-04 2022-08-04 一种数据中心机房水冷机组末端空调协同控制节能方法 Active CN115003140B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210929728.7A CN115003140B (zh) 2022-08-04 2022-08-04 一种数据中心机房水冷机组末端空调协同控制节能方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210929728.7A CN115003140B (zh) 2022-08-04 2022-08-04 一种数据中心机房水冷机组末端空调协同控制节能方法

Publications (2)

Publication Number Publication Date
CN115003140A CN115003140A (zh) 2022-09-02
CN115003140B true CN115003140B (zh) 2022-11-08

Family

ID=83022926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210929728.7A Active CN115003140B (zh) 2022-08-04 2022-08-04 一种数据中心机房水冷机组末端空调协同控制节能方法

Country Status (1)

Country Link
CN (1) CN115003140B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116406137B (zh) * 2023-04-23 2023-10-13 南京群顶科技股份有限公司 一种基于温感变化的压差自适应调整方法、系统及设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134100B (zh) * 2014-07-22 2017-06-13 香港佳能通节能科技有限公司 一种基于云计算的节能管理系统
KR102292990B1 (ko) * 2015-11-20 2021-08-26 삼성전자 주식회사 상태 관련 정보 공유 방법 및 장치
GB2584614B (en) * 2019-05-17 2021-10-13 Arbnco Ltd Optimising building energy use
CN113361132B (zh) * 2021-06-28 2022-03-15 浩鲸云计算科技股份有限公司 一种基于深度q学习对决网络的风冷数据中心节能方法

Also Published As

Publication number Publication date
CN115003140A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
US10845771B2 (en) Automated method of generalized building automation from atomic physical models and control loops thereof
CN111795484B (zh) 一种智慧空调控制方法和系统
WO2023093820A1 (zh) 设备的控制优化方法、展示平台、云服务器及存储介质
CN115003140B (zh) 一种数据中心机房水冷机组末端空调协同控制节能方法
CN109032078A (zh) 机器学习装置、控制装置以及计算机可读介质
CN112413762B (zh) 一种制冷机房冷却水系统参数优化方法和系统
CN107036238B (zh) 动态预测外气与负载智慧节能控制方法
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
CN114279042B (zh) 一种基于多智能体深度强化学习的中央空调控制方法
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
JP2022065773A (ja) 制御装置、コントローラ、制御システム、制御方法、および制御プログラム
CN111582604A (zh) 数据处理方法和装置、电子设备、及介质
CN115983438A (zh) 数据中心末端空调系统运行策略确定方法及装置
CN116266253A (zh) 空调参数的优化控制方法、系统和计算机可读存储介质
CN115081585A (zh) 一种强化异构图神经网络的人机物协同异常状态检测方法
Soudari et al. Predictive smart thermostat controller for heating, ventilation, and air-conditioning systems
CN113821903A (zh) 温度控制方法和设备、模块化数据中心及存储介质
CN113378418A (zh) 一种基于事件网技术的模型构建方法、装置及电子设备
Stock et al. HVAC performance evaluation and optimization algorithms development for large buildings
JP2008217055A (ja) マルチホップ無線システムの電力制御方法およびその電力制御システム
CN112379766A (zh) 数据处理方法、装置、非易失性存储介质和处理器
CN115828769A (zh) 一种基于智能计算的冷却塔工况的预测和降耗方法
WO2021234763A1 (ja) 室内温度推定装置、プログラム及び室内温度推定方法
CN111637614B (zh) 数据中心主动通风地板的智能控制方法
KR20220067605A (ko) Ai서버를 이용한 고효율 건물에너지관리시스템을 위한 제어알고리즘

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