CN115167562A - 一种机房温度控制方法和装置 - Google Patents
一种机房温度控制方法和装置 Download PDFInfo
- Publication number
- CN115167562A CN115167562A CN202210779323.XA CN202210779323A CN115167562A CN 115167562 A CN115167562 A CN 115167562A CN 202210779323 A CN202210779323 A CN 202210779323A CN 115167562 A CN115167562 A CN 115167562A
- Authority
- CN
- China
- Prior art keywords
- temperature
- information
- machine room
- target control
- control parameter
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明实施例提供了一种机房温度控制方法和装置,所述方法包括:获取机房信息;所述机房信息包括机房内负载设备的个数、机房内制冷设备的当前控制参数;生成与所述机房信息对应的温度预测信息,以及功率预测信息;在所述温度预测信息满足预设温度情况下时,对所述功率预测信息进行优化,得到优化后的功率预测信息对应的目标控制参数;将所述目标控制参数发送至所述制冷设备。本发明实施例能够实现制冷设备的制冷量按需分配和及时调节,在保证安全温度的前提下,实现最大限度的节能。
Description
技术领域
本发明涉及机房节能技术领域,特别是涉及一种机房温度控制方法和装置。
背景技术
机房经历了从主机时代向云、容器时代的跃进,技术的进步带来了信息化的飞速发展,机房管理规模增长、网络复杂度增加、资源变更迭代频繁、能源成本增加,都给机房管理提出了很大的挑战。
新基建带来数据中心发展的新动能,国家发展战略对数据中心的绿色环保和智能化提出更高的要求。在机房的能耗占比中,制冷设备消耗电力巨大,存在较大的节能空间。
除了对制冷设备的硬件升级,如何实现逐步机房自治节能,成为关于机房的重要问题之一。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种机房温度控制方法和相应的一种机房温度控制装置。
为了解决上述问题,本发明实施例公开了一种机房温度控制方法,包括:
获取机房信息;所述机房信息包括机房内负载设备的个数、机房内制冷设备的当前控制参数;
生成与所述机房信息对应的温度预测信息,以及功率预测信息;
在所述温度预测信息满足预设温度情况下时,对所述功率预测信息进行优化,得到优化后的功率预测信息对应的目标控制参数;
将所述目标控制参数发送至所述制冷设备。
可选地,在所述将目标控制参数发送至所述制冷设备之前,所述方法还包括:
对所述目标控制参数进行仿真校验;
若所述目标控制参数通过所述仿真校验,则执行所述将所述目标控制参数发送至所述制冷设备;
若所述目标控制参数不通过所述仿真校验,则基于所述仿真校验更新目标控制参数。
可选地,所述对所述目标控制参数进行仿真校验的步骤,包括:
按照所述目标控制参数进行仿真,得到仿真温度;
确定所述仿真温度与预设温度之间的温度差值;
若所述温度差值小于预设阈值且不存在热点,则所述目标控制参数通过所述仿真校验;
若所述温度差值不小于预设阈值或者存在热点,则所述目标控制参数不通过所述仿真校验。
可选地,所述基于所述仿真校验更新目标控制参数的步骤包括:
若所述仿真温度小于所述预设温度,则按照减小制冷量量更新目标控制参数;
若所述仿真温度大于所述预设温度,则按照增大制冷量量更新目标控制参数。
可选地,所述机房信息包括历史温度信息、历史控制信息和历史功率信息;所述生成与所述机房信息对应的温度预测信息,以及功率预测之前,所述方法还包括:
采用所述历史温度信息、历史控制信息和所述负载设备的个数训练第一预设模型,生成温度预测模型;所述温度预测模型用于输出温度预测信息;
采用所述历史控制信息和所述历史功率信息训练第二预设模型,生成功率预测模型;所述功率预测模型用于输出功率预测信息;
依据所述温度预测模型、所述功率预测模型以及预设温度,生成优化模型;所述优化模型用于采用分支界定算法输出目标控制参数。
可选地,所述方法还包括:
对历史温度信息、历史控制信息和历史功率信息进行预处理;所述预处理包括多项式扩展。
可选地,在所述将所述目标控制参数发送至所述制冷设备之后,所述方法还包括:
采集机房的实时温度信息;
依据所述实时温度信息更新所述目标控制参数。
本发明实施例还公开了一种机房温度控制装置,包括:
信息获取模块,用于获取机房信息;所述机房信息包括机房内负载设备的个数、机房内制冷设备的当前控制参数;
预测模块,用于生成与所述机房信息对应的温度预测信息,以及功率预测信息;
目标控制参数生成模块,用于在所述温度预测信息满足预设温度情况下时,对所述功率预测信息进行优化,得到优化后的功率预测信息对应的目标控制参数;
参数发送模块,用于将所述目标控制参数发送至所述制冷设备。
本发明实施例还公开了一种电子设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的机房温度控制方法的步骤。
本发明实施例还公开了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的机房温度控制方法的步骤。
本发明实施例包括以下优点:
在获取包括机房内制冷设备的个数、所述制冷设备的当前控制参数后,通过模型预测的方式,生成与所述机房信息对应的温度预测信息,以及功率预测信息;并采用另外的模型在所述温度预测信息满足预设温度情况下时,对所述功率预测信息进行优化,得到优化后的功率预测信息对应的目标控制参数,从而确定出在保证机房温度小于预设温度的情况下,制冷设备所需的最小消耗功率以及该最小消耗功率对应的目标控制参数,通过将目标控制参数发送至所述制冷设备,实现了在制冷设备按照目标控制参数运行时,既能够避免机房温度高于预设温度,保护了负载设备以及确保负载设备的运行效率,同时保证在机房温度小于预设温度情况下制冷设备条件下制冷设备能够以最小的功率消耗进行工作,实现制冷设备的有效节能。
附图说明
图1是本发明的一种机房温度控制方法实施例的步骤流程图;
图2是本发明的另一种机房温度控制框架实施例的步骤流程图;
图3是本发明的一种机房温度控制框架示意图;
图4是本发明的一种机房温度控制方法示例流程图;
图5是本发明的一种机房温度控制装置实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1,示出了本发明的一种机房温度控制方法实施例的步骤流程图,具体可以包括如下步骤:
步骤101,获取机房信息;所述机房信息包括机房内负载设备的个数、机房内制冷设备的当前控制参数;
在实际应用中,数据中心一般以机房为单位进行架设,机房中一般放置有负载设备(包括但不限于计算机),以及制冷设备(包括但不限于空调),负载设备在工作过程中会散发热量,为确保负载正常运行,一般需要制冷设备对机房内的气温进行降温。不同的控制参数能够控制制冷设备按照不同制冷量进行工作。负载设备的个数和制冷设备的当前控制参数是影响机房温度的主要因素,可以在确定机房内负载设备的个数后,调节制冷设备的控制参数,以实现机房温度的控制。
需要说明的是,机房中可以能存在多个负载设备以及多个制冷设备,负载设备以及制冷设备的数量不影响本发明的实施。
步骤102,生成与所述机房信息对应的温度预测信息,以及功率预测信息;
可以针对温度预测和功率预测构建不同的数学模型,并基于当前的机房信息对下一时刻(或未来某一时间段内)的温度进行预测得到温度预测信息,以及对下一时刻(或未来某一时间段内)的制冷设备的消耗功率进行预测,得到功率预测信息。
步骤103,在所述温度预测信息满足预设温度情况下时,对所述功率预测信息进行优化,得到优化后的功率预测信息对应的目标控制参数;
预设温度可以是预先设定的机房理想温度,以温度预测信息小于机房理想温度为约束条件,确定在该约束条件下对最小的功率信息为优化后的功率预测信息,并基于步骤102中用于输出功率预测信息的模型确定在该优化后的功率预测信息对应的指令设备的控制参数,并将该控制参数确定为目标控制参数,以实现确定出在满足约束条件下的最优控制参数。
不同机房的理想温度不相同,例如:24摄氏度,20摄氏度等,理想温度的具体数值不影响本发明的实施。
步骤104,将所述目标控制参数发送至所述制冷设备。
将上述步骤得到的目标控制参数发送至制冷设备,以使得机房中的制冷设备按照目标控制参数进行工作,实现制冷设备在保证机房温度不超过预设温度的情况下,以最小功率进行运行,从而实现对机房内的制冷设备进行节能控制。
在本发明实施例中,在获取包括机房内制冷设备的个数、所述制冷设备的当前控制参数后,通过模型预测的方式,生成与所述机房信息对应的温度预测信息,以及功率预测信息;并采用另外的模型在所述温度预测信息满足预设温度情况下时,对所述功率预测信息进行优化,得到优化后的功率预测信息对应的目标控制参数,从而确定出在保证机房温度小于预设温度的情况下,制冷设备所需的最小消耗功率以及该最小消耗功率对应的目标控制参数,通过将目标控制参数发送至所述制冷设备,实现了在制冷设备按照目标控制参数运行时,既能够避免机房温度高于预设温度,保护了负载设备以及确保负载设备的运行效率,同时保证在机房温度小于预设温度情况下制冷设备条件下制冷设备能够以最小的功率消耗进行工作,实现制冷设备的有效节能。
参照图2,示出了本发明的另一种机房温度控制方法实施例的步骤流程图,具体可以包括如下步骤:
步骤201,获取机房信息;所述机房信息包括机房内负载设备的个数、机房内制冷设备的当前控制参数、历史温度信息、历史控制信息和历史功率信息;
历史温度信息可以为一个或多个历史时刻对应的机房温度,历史控制信息为与上述历史时刻对应的制冷设备的控制参数,历史功率信息为与各个离职控制信息对应的制冷设备的消耗功率。
步骤202,采用所述历史温度信息、历史控制信息和所述负载设备的个数训练第一预设模型,生成温度预测模型;所述温度预测模型用于输出温度预测信息;
选择历史数据中的负载个数,制冷系统控制参数作为温度建模的特征;选择控制参数作为制冷功耗模型的特征。
以支持向量机建模的回归函数为例:
其中w和b是模型参数,φ(x)表示将x映射后的特征向量,α_i是拉格朗日乘子,y_i为训练样本集中的输出。k(x,x_i)为核函数。
步骤203,采用所述历史控制信息和所述历史功率信息训练第二预设模型,生成功率预测模型;所述功率预测模型用于输出功率预测信息;
同理采用所述历史控制信息和所述历史功率信息采用神经网络或其他的机器学习的方法建立机房制冷系统消耗功率模型,得到制冷功耗与控制参数之间的相关性模型,即功率预测模型。
步骤204,依据所述温度预测模型、所述功率预测模型以及预设温度,生成优化模型;所述优化模型用于采用分支界定算法输出目标控制参数;
在一示例中,以制冷设备的控制参数得到的向量为X,温度预测方程即温度预测模型为f(X),制冷功耗方程即功率预测模型g(X),优化模型即为min[g(X)],其中f(X)<额定温度为约束条件,X∈[控制参数取值区间]。
在本发明的一种可选实施例中,所述方法还包括:
对历史温度信息、历史控制信息和历史功率信息进行预处理;所述预处理包括多项式扩展。
训练得到温度预测模型过程中,由于由历史温度信息、历史控制信息和所述负载设备的个数组成的训练集中,训练样本集中的所含特征较少,在风冷空调中的可调参数仅为风机转速和空调设定温度,难以直接找到和温度的线性关系,因此,需要采用特征工程的方法对目前的控制参数进行调整。数据变换是特征工程中的一种常用方法,如多项式拓展:
经过变换的特征数目更多,将原有特征映射到非线性空间,使得模型能够捕捉特征的非线性变化。但在多项式变换的阶数较高时,容易出现过拟合影响模型的预测效果,因此出现过拟合时需要在模型中添加正则化项或对特征进行稀疏处理,避免因参数过多使得预测的准确率下降。在支持向量机中可以指定kernel='poly',也可以实现多项式特征,但此时生成的决策边界跟进行了多项式拓展相比,都是一个非线性的决策边界,但决策边界存在区别。说明kernel的计算和多项式拓展的存在区别,多项式变换的数据预处理的也可以适用于此种建模方法,可以为模型提供更多的信息,得到较为精确的温度预测模型。
步骤205,生成与所述机房信息对应的温度预测信息,以及功率预测信息;
可以调用上述生成的温度预测模型,基于机房信息生成温度预测信息,并调用上述生成的功率预测模型,基于机房信息生成功率预测信息。
步骤206,在所述温度预测信息满足预设温度情况下时,对所述功率预测信息进行优化,得到优化后的功率预测信息对应的目标控制参数;
步骤207,对所述目标控制参数进行仿真校验;若所述目标控制参数通过所述仿真校验,则执行步骤208;若所述目标控制参数不通过所述仿真校验,则基于所述仿真校验更新目标控制参数;
在实际应用中,可以结合BIM(Building Information Modeling,建筑信息模型)仿真模型以及CFD(Computational Fluid Dynamics,计算流体动力学)仿真模型,对生成的目标控制参数进行仿真,模拟当制冷设备按照该目标控制参数进行运行时,机房内的温度分布情况。
所述对所述目标控制参数进行仿真校验的步骤,包括:按照所述目标控制参数进行仿真,得到仿真温度;确定所述仿真温度与预设温度之间的温度差值;若所述温度差值小于预设阈值且不存在热点,则所述目标控制参数通过所述仿真校验;若所述温度差值不小于预设阈值或者存在热点,则所述目标控制参数不通过所述仿真校验。
当目标控制层参数不通过仿真校验,则基于仿真校验结果(例如:温度差值、热点位置、热点温度)生成告警信息,调用优化模型基于该仿真校验结果做进一步处理。
在本发明的一种可选实施例中,所述基于所述仿真校验更新目标控制参数的步骤包括:若所述仿真温度小于所述预设温度,则按照减小制冷量量更新目标控制参数;若所述仿真温度大于所述预设温度,则按照增大制冷量量更新目标控制参数。
步骤208,将所述目标控制参数发送至所述制冷设备;
步骤209,采集机房的实时温度信息;
可以在机房中设置温度采集器件以采集机房的实时温度信息,例如:温度传感器,并调用优化模型对实时温度信息进一步处理。
步骤210,依据所述实时温度信息更新所述目标控制参数。
优化模型在读取到实时温度信息后,依据实时温度信息更新目标控制参数,并将更新后的控制参数经过如上的仿真校验后,发送至制冷设备。
在一具体示例中,假设下发至制冷设备的控制参数为X_1,机房的实际温度为temp_real,则温度预测模型得到的温度预测值为f(X_1),与实际运行后的温度temp_real之间的差值为b=temp_real-f(X_1)。将偏移b加入温度预测模型中,即更新后的f(X)=f(X)+b,用于对预测方程进行校正。将更新后的温度约束方程f(X)带入优化方程重新求解X,重新求解得到的X即为目标控制参数,通过上述方式实现基于机房的实时温度对制冷设备进行动态控制,提高制冷设备控制的实时性和准确性。
在本发明实施例中,在获取包括机房内制冷设备的个数、所述制冷设备的当前控制参数后,通过模型预测的方式,生成与所述机房信息对应的温度预测信息,以及功率预测信息;并采用另外的模型在所述温度预测信息满足预设温度情况下时,对所述功率预测信息进行优化,得到优化后的功率预测信息对应的目标控制参数,从而确定出在保证机房温度小于预设温度的情况下,制冷设备所需的最小消耗功率以及该最小消耗功率对应的目标控制参数,通过将目标控制参数发送至所述制冷设备,实现了在制冷设备按照目标控制参数运行时,既能够避免机房温度高于预设温度,保护了负载设备以及确保负载设备的运行效率,同时保证在机房温度小于预设温度情况下制冷设备条件下制冷设备能够以最小的功率消耗进行工作,实现制冷设备的有效节能。
进一步的,相比起传统的机房节能算法,加入了温度约束,实现了在温度安全的前提下节能最大化;同时加入了数字孪生体的策略校验,对机房进行建模,在策略下发到实际机房控制系统之前完成在仿真系统中的校验,防止策略造成机房温度较高,出现热点等问题;
本发明实施例还加入了动态反馈功能,通过对机房实时温度的监测检验,动态的增减冷量,实现实时保障安全及节能最大化。相比起传统的数字孪生技术仅对机房进行可视化的呈现,本技术将其与AI节能算法相结合,实现了机房节能。
本发明实施例对于控制变量较少的老旧机房,使用多项式拓展的数据预处理方法解决预测模型建立中可能出现的欠拟合,使得本方法不但可以用于精密控制的机房,对于老旧机房也具有较好的适用性。
参照图3,示出了本发明的另一种机房温度控制框架示意图,在该框架中包括物理实体和数字孪生体;具体的物理实体包含数据层和控制层,数据层包括负载,末端空调,传感器等,控制层包括制冷设备的各项控制参数,和包括风冷空调风机转速,压缩机数据,设定温度等信息。数字孪生体包括:数据预处理:包括数据筛查,特征选取,数据规范化处理等;预测模型建立:可采用神经网络,线性回归,支持向量机等建模方法;控制参数优化:包括模拟退火,分支界定法,梯度下降,遗传算法等优化算法;仿真:将模型生成的策略下发到仿真模型中验证节能与安全效果。具体可以包括:(1)BIM(Building InformationModeling,建筑信息模型)仿真模型:创建数据中心仿真模型,然后几何和物理架构的建筑信息被聚合并馈入BIM以获得相关的能量消耗模式。(2)CFD(Computational FluidDynamics,计算流体动力学)仿真模型:预测气流组织,温度分布,并得到气流流向,避免能量浪费或局部热点。
参照图4,示出了本发明的一种机房温度控制方法示例流程图,在实际应用中,可以基于上述机房温度控制框架,对机房进行相应的温度控制,在本示例中,具体可以包括如下步骤:
步骤401,获取机房信息
步骤402,构建温度、制冷功耗预测模型
步骤403,建立优化模型
步骤404,采用优化模型输出优化后的控制参数
步骤405,将优化模型输出的优化后的控制参数进行仿真验证。
步骤406,判断优化后的控制参数是否满足当前机房要求,实际中可以检验仿真验证结果中是否有预警信息(温度过高、出现热点等);如果包含告警信息,则将仿真验证结果中的告警信息输入优化模型中,如果不包含告警信息则执行步骤407;
步骤407,将优化后的控制参数发送至制冷设备以对制冷设备进行更新控制参数;
步骤408,采集实时机房温度,对优化模型根据温度进行需求冷量的增减。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图5,示出了本发明的一种机房温度控制装置实施例的结构框图,具体可以包括如下模块:
信息获取模块501,用于获取机房信息;所述机房信息包括机房内负载设备的个数、机房内制冷设备的当前控制参数;
预测模块502,用于生成与所述机房信息对应的温度预测信息,以及功率预测信息;
目标控制参数生成模块503,用于在所述温度预测信息满足预设温度情况下时,对所述功率预测信息进行优化,得到优化后的功率预测信息对应的目标控制参数;
参数发送模块504,用于将所述目标控制参数发送至所述制冷设备。
在本发明的一种可选实施例中,所述装置包括:
校验模块,用于对所述目标控制参数进行仿真校验;若所述目标控制参数通过所述仿真校验,则执行所述将所述目标控制参数发送至所述制冷设备;若所述目标控制参数不通过所述仿真校验,则基于所述仿真校验更新目标控制参数。
在本发明的一种可选实施例中,所述校验模块包括:
仿真子模块,用于按照所述目标控制参数进行仿真,得到仿真温度;
温度差值确定子模块,用于确定所述仿真温度与预设温度之间的温度差值;
校验第一判定子模块,用于若所述温度差值小于预设阈值且不存在热点,则所述目标控制参数通过所述仿真校验;
校验第二判定子模块,用于若所述温度差值不小于预设阈值或者存在热点,则所述目标控制参数不通过所述仿真校验。
在本发明的一种可选实施例中,所述基于所述仿真校验更新目标控制参数的步骤包括:若所述仿真温度小于所述预设温度,则按照减小制冷量量更新目标控制参数;若所述仿真温度大于所述预设温度,则按照增大制冷量量更新目标控制参数。
在本发明的一种可选实施例中,所述机房信息包括历史温度信息、历史控制信息和历史功率信息;所述装置还包括:
温度预测模型生成模块,用于采用所述历史温度信息、历史控制信息和所述负载设备的个数训练第一预设模型,生成温度预测模型;所述温度预测模型用于输出温度预测信息;
功率预测模型生成模块,用于采用所述历史控制信息和所述历史功率信息训练第二预设模型,生成功率预测模型;所述功率预测模型用于输出功率预测信息;
优化模型生成模块,用于依据所述温度预测模型、所述功率预测模型以及预设温度,生成优化模型;所述优化模型用于采用分支界定算法输出目标控制参数。
在本发明的一种可选实施例中,所述装置还包括:
预处理模块,用于对历史温度信息、历史控制信息和历史功率信息进行预处理;所述预处理包括多项式扩展。
在本发明的一种可选实施例中,所述装置还包括:
实时温度采集模块,用于采集机房的实时温度信息;
更新模块,用于依据所述实时温度信息更新所述目标控制参数。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明实施例还公开了一种电子设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的机房温度控制方法的步骤。
本发明实施例还公开了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的机房温度控制方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例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,本发明实施例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(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、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终端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终端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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供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步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种机房温度控制方法和装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种机房温度控制方法,其特征在于,包括:
获取机房信息;所述机房信息包括机房内负载设备的个数、机房内制冷设备的当前控制参数;
生成与所述机房信息对应的温度预测信息,以及功率预测信息;
在所述温度预测信息满足预设温度情况下时,对所述功率预测信息进行优化,得到优化后的功率预测信息对应的目标控制参数;
将所述目标控制参数发送至所述制冷设备。
2.根据权利要求1所述的方法,其特征在于,在所述将目标控制参数发送至所述制冷设备之前,所述方法还包括:
对所述目标控制参数进行仿真校验;
若所述目标控制参数通过所述仿真校验,则执行所述将所述目标控制参数发送至所述制冷设备;
若所述目标控制参数不通过所述仿真校验,则基于所述仿真校验更新目标控制参数。
3.根据权利要求2所述的方法,其特征在于,所述对所述目标控制参数进行仿真校验的步骤,包括:
按照所述目标控制参数进行仿真,得到仿真温度;
确定所述仿真温度与预设温度之间的温度差值;
若所述温度差值小于预设阈值且不存在热点,则所述目标控制参数通过所述仿真校验;
若所述温度差值不小于预设阈值或者存在热点,则所述目标控制参数不通过所述仿真校验。
4.根据权利要求3所述的方法,其特征在于,所述基于所述仿真校验更新目标控制参数的步骤包括:
若所述仿真温度小于所述预设温度,则按照减小制冷量量更新目标控制参数;
若所述仿真温度大于所述预设温度,则按照增大制冷量量更新目标控制参数。
5.根据权利要求1所述的方法,其特征在于,所述机房信息包括历史温度信息、历史控制信息和历史功率信息;所述生成与所述机房信息对应的温度预测信息,以及功率预测之前,所述方法还包括:
采用所述历史温度信息、历史控制信息和所述负载设备的个数训练第一预设模型,生成温度预测模型;所述温度预测模型用于输出温度预测信息;
采用所述历史控制信息和所述历史功率信息训练第二预设模型,生成功率预测模型;所述功率预测模型用于输出功率预测信息;
依据所述温度预测模型、所述功率预测模型以及预设温度,生成优化模型;所述优化模型用于采用分支界定算法输出目标控制参数。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
对历史温度信息、历史控制信息和历史功率信息进行预处理;所述预处理包括多项式扩展。
7.根据权利要求1所述的方法,其特征在于,在所述将所述目标控制参数发送至所述制冷设备之后,所述方法还包括:
采集机房的实时温度信息;
依据所述实时温度信息更新所述目标控制参数。
8.一种机房温度控制装置,其特征在于,包括:
信息获取模块,用于获取机房信息;所述机房信息包括机房内负载设备的个数、机房内制冷设备的当前控制参数;
预测模块,用于生成与所述机房信息对应的温度预测信息,以及功率预测信息;
目标控制参数生成模块,用于在所述温度预测信息满足预设温度情况下时,对所述功率预测信息进行优化,得到优化后的功率预测信息对应的目标控制参数;
参数发送模块,用于将所述目标控制参数发送至所述制冷设备。
9.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的机房温度控制方法的步骤。
10.一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上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的机房温度控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210779323.XA CN115167562A (zh) | 2022-07-04 | 2022-07-04 | 一种机房温度控制方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210779323.XA CN115167562A (zh) | 2022-07-04 | 2022-07-04 | 一种机房温度控制方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115167562A true CN115167562A (zh) | 2022-10-11 |
Family
ID=83491417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210779323.XA Pending CN115167562A (zh) | 2022-07-04 | 2022-07-04 | 一种机房温度控制方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115167562A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116193819A (zh) * | 2023-01-19 | 2023-05-30 | 中国长江三峡集团有限公司 | 一种数据中心机房节能控制方法、系统、装置及电子设备 |
CN116301117A (zh) * | 2023-05-24 | 2023-06-23 | 荣耀终端有限公司 | 温度控制方法和电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244797A (zh) * | 2019-05-22 | 2019-09-17 | 平安科技(深圳)有限公司 | 机房温度控制方法、装置、计算机设备及存储介质 |
CN110285532A (zh) * | 2019-07-04 | 2019-09-27 | 中国工商银行股份有限公司 | 基于人工智能的机房空调控制方法、装置及系统 |
CN112888268A (zh) * | 2021-02-04 | 2021-06-01 | 中国工商银行股份有限公司 | 数据中心机房节能控制方法、装置、设备及存储介质 |
WO2022012542A1 (zh) * | 2020-07-15 | 2022-01-20 | 上海有孚网络股份有限公司 | 基于数据分析的云计算数据中心精密空调节能控制方法 |
CN114001443A (zh) * | 2021-09-27 | 2022-02-01 | 中盈优创资讯科技有限公司 | 一种基于ai的机房节能方法及装置 |
CN114489307A (zh) * | 2022-02-14 | 2022-05-13 | 阿里巴巴(中国)有限公司 | 针对互联网数据中心的能效优化方法及装置 |
-
2022
- 2022-07-04 CN CN202210779323.XA patent/CN115167562A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244797A (zh) * | 2019-05-22 | 2019-09-17 | 平安科技(深圳)有限公司 | 机房温度控制方法、装置、计算机设备及存储介质 |
CN110285532A (zh) * | 2019-07-04 | 2019-09-27 | 中国工商银行股份有限公司 | 基于人工智能的机房空调控制方法、装置及系统 |
WO2022012542A1 (zh) * | 2020-07-15 | 2022-01-20 | 上海有孚网络股份有限公司 | 基于数据分析的云计算数据中心精密空调节能控制方法 |
CN112888268A (zh) * | 2021-02-04 | 2021-06-01 | 中国工商银行股份有限公司 | 数据中心机房节能控制方法、装置、设备及存储介质 |
CN114001443A (zh) * | 2021-09-27 | 2022-02-01 | 中盈优创资讯科技有限公司 | 一种基于ai的机房节能方法及装置 |
CN114489307A (zh) * | 2022-02-14 | 2022-05-13 | 阿里巴巴(中国)有限公司 | 针对互联网数据中心的能效优化方法及装置 |
Non-Patent Citations (1)
Title |
---|
刘艺萌;: "信息中心的低能耗优化方案", 电子技术与软件工程, no. 19 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116193819A (zh) * | 2023-01-19 | 2023-05-30 | 中国长江三峡集团有限公司 | 一种数据中心机房节能控制方法、系统、装置及电子设备 |
CN116193819B (zh) * | 2023-01-19 | 2024-02-02 | 中国长江三峡集团有限公司 | 一种数据中心机房节能控制方法、系统、装置及电子设备 |
CN116301117A (zh) * | 2023-05-24 | 2023-06-23 | 荣耀终端有限公司 | 温度控制方法和电子设备 |
CN116301117B (zh) * | 2023-05-24 | 2023-10-20 | 荣耀终端有限公司 | 温度控制方法和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112577161B (zh) | 空调能耗模型训练方法与空调系统控制方法 | |
CN109800066B (zh) | 一种数据中心节能调度方法及系统 | |
CN115167562A (zh) | 一种机房温度控制方法和装置 | |
CN113835344B (zh) | 设备的控制优化方法、展示平台、云服务器及存储介质 | |
CN109992900A (zh) | 一种大体积混凝土多场实时在线协同智能仿真方法和系统 | |
US20050273296A1 (en) | Neural network model for electric submersible pump system | |
WO2023010556A1 (zh) | 精密空调的动态预测控制方法、装置和系统 | |
CN112413762B (zh) | 一种制冷机房冷却水系统参数优化方法和系统 | |
Fang et al. | A neural-network enhanced modeling method for real-time evaluation of the temperature distribution in a data center | |
CN108121215A (zh) | 基于全回路重构仿真的工业控制回路性能评价方法及装置 | |
CN116193819B (zh) | 一种数据中心机房节能控制方法、系统、装置及电子设备 | |
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 | |
Yang et al. | Developing data-driven models to predict BEMS energy consumption for demand response systems | |
Zhang et al. | Deep reinforcement learning towards real-world dynamic thermal management of data centers | |
CN113011055B (zh) | 一种基于有限元技术的电机高温故障模拟方法及系统 | |
CN116954329A (zh) | 制冷系统的状态调节方法、装置、设备、介质及程序产品 | |
CN113993343A (zh) | 制冷设备的节能控制方法、装置、终端及存储介质 | |
CN112751334A (zh) | 一种基于内存计算架构的电网在线建模的方法及系统 | |
CN112821456A (zh) | 基于迁移学习的分布式源-储-荷匹配方法及装置 | |
CN112347695B (zh) | 一种变压器顶层油温的预测方法及系统 | |
CN113170592A (zh) | 基于监测/控制机制的热控制优化 | |
Wang et al. | Phyllis: Physics-Informed Lifelong Reinforcement Learning for Data Center Cooling Control | |
CN117556332B (zh) | 基于物联网的加热炉余热利用管理方法、系统及存储介质 | |
CN116126126A (zh) | 基于云数据中心的计算节能优化的方法、存储介质和设备 |
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 |