CN115309603A

CN115309603A - 一种数据中心能耗预测优化方法、系统、介质及计算设备

Info

Publication number: CN115309603A
Application number: CN202111443556.4A
Authority: CN
Inventors: 吕亮; 程浙武
Original assignee: Ningbo Liangkong Information Technology Co ltd
Current assignee: Ningbo Liangkong Information Technology Co ltd
Priority date: 2021-11-30
Filing date: 2021-11-30
Publication date: 2022-11-08

Abstract

本发明提供了一种数据中心能耗预测优化方法、系统、介质及计算设备，通过构建的服务器能耗预测模型、服务器热交换预测模型和冷却系统能耗预测模型得到下一时刻数据中心的运行状态数据，以数据中心整体能耗最小化为目标，求解数据中心能耗优化模型获得优化执行策略，实现基于制冷系统、服务器及其负载联合调控的数据中心能耗精益管控，从而更好满足绿色低碳数据中心的建设需求。

Description

一种数据中心能耗预测优化方法、系统、介质及计算设备

技术领域

本发明涉及数据中心能耗管理技术领域，具体而言，涉及一种数据中心能耗预测优化方法、系统、介质及计算设备。

背景技术

随着云计算、机器学习等技术的不断发展，数据中心的规模不断扩大以顺应“数字新基建”时代的要求，随之而来的问题就是数据中心的能耗成本不断增加。有实验表明，数据中心机房的环境温度每升高10℃，计算机设备的故障率就会增加一倍，为此，要降低数据中心的能耗，提高计算机设备的使用寿命，重点在于计算机设备的计算效率以及冷却系统效率这两个方面。

冷却系统可实时提供冷风带走计算机设备工作产生的热量，使数据中心机房内的环境温度和湿度保持在规定范围内，这对数据中心的安全、稳定、可靠运行具有关键的作用。

目前，针对数据中心的IT设备与冷却系统的节能方案大体分为三类。第一类是架设两种系统均与负载之间存在具体的数学函数关系，在此假设基础上设计调度算法进行总体节能优化设计。然而，由于影响数据中心能耗的各种参数之间存在复杂的耦合和反馈环路，用传统工程公式的方法对数据中心能耗建模是非常不准确的，因此该类方案在实际中效果不佳。第二类是在服务器上设置温度传感器，依据传感器发送回来的温度数据对冷却系统参数进行设置，但该类方法不能预测数据中心总体能耗，难以指导节能调度算法优化。最后一类是基于数值分析模型的方法模拟出数据中心的热力分布图，该类方法计算开销过大，且不能够精确反应数据中心散热的复杂性，因此，无法实现通过负载进行实时调度以及系统参数设置达到最小化数据中心总能耗的目的。

发明内容

本发明解决的问题是是如何使数据中心在冷却系统与计算机设备存在相互影响的复杂环境中最小化数据中心能耗。

为解决上述问题，本发明提供一种数据中心能耗预测优化方法，包括数据中心，所述数据中心包括M台服务器、需执行的任务以及冷却系统，所述方法包括：

步骤1、获取所述数据中心在当前时刻的运行状态数据；

步骤2、基于所述数据中心中服务器的历史负荷数据预测获得任务负荷时间序列，得到服务器任务负荷量的预测序列

和服务器计算任务数的预测序列

步骤3、基于数据中心在当前时刻的运行状态数据、服务器的工作状态与能耗关系构建服务器能耗预测模型；基于服务器能耗预测模型、热量交叉干涉系数和能量守恒定律构建用于预测服务器下一时刻温度的服务器热交换预测模型；基于服务器能耗预测模型与性能系数CoP构建用于预测冷却系统下一时刻能耗的冷却系统能耗预测模型；

步骤4、基于所述数据中心当前时刻的运行状态数据、服务器的工作状态和任务负荷时间序列构建用以预测所述数据中心下一时刻运行状态数据的数据中心预测控制模型；

步骤5、构建预测价值评估函数，用于计算所述数据中心在下一时刻运行状态数据时能耗水平的预测评估值；

步骤6、构建数据中心能耗优化模型，用于输出预测评估值最小时的优化执行策略。

本发明的有益效果是：本发明通过构建的服务器能耗预测模型、服务器热交换预测模型和冷却系统能耗预测模型得到下一时刻数据中心的运行状态数据，以数据中心整体能耗最小化为目标，求解数据中心能耗优化模型获得优化执行策略，实现基于制冷系统、服务器及其负载联合调控的数据中心能耗精益管控，从而更好满足绿色低碳数据中心的建设需求。

作为优选，所述步骤1中的所述数据中心在当前时刻的运行状态数据为：

x^T(k)＝[α(k),β(k),T_c(k),T₁(k),…,T_M(k)]

式中，k为当前时刻，α(k)为所述数据中心当前时刻执行的计算任务数，β(k)为所述数据中心当前时刻待执行的计算任务数，T_c(k)为所述冷却系统当前时刻的温度；T₁(k),…,T_M(k)为所述数据中心每台服务器当前时刻的温度。

作为优选，根据权利要求2所述的一种数据中心能耗预测优化方法，其特征在于，所述步骤3中基于数据中心在当前时刻的运行状态数据、服务器的工作状态与能耗关系构建服务器能耗预测模型为：

式中，u_i为服务器的工作状态变量，u_i＝0表示服务器处于关闭状态，不消耗任何能量；u_i＝1,α＝0表示服务器处于闲置状态；u_i＝1,α＞0表示服务器处于工作状态；p_s,b为服务器的基本功耗；p_cpu,d为服务器的CPU功耗；c_i为当前时刻分配给第i台服务器的任务负荷量，c_i,d为服务器i的总处理器数量，且

且c_i≤c_i,d；式中，W(k)为所述数据中心服务器当前时刻的任务负荷量；

基于预测的任务负荷时间序列结果更新所述数据中心下一时刻k+1执行的计算任务数α(k+1)和待执行的计算任务数β(k+1)：

β(k+1)＝β(k)+W(k+1)-α(k)

所述步骤3中基于服务器能耗预测模型、热量交叉干涉系数和能量守恒定律构建用于预测服务器下一时刻温度的服务器热交换预测模型为：

式中，T_i(k+1)为服务器i下一时刻k+1的预测温度；T_i(k)为服务器i当前时刻k的温度；Δ表示的离散时间步长；K_t为服务器的热容量，C_p为空气的比热容，q_σ和T_c分别为冷却系统提供的冷气的质量流量和温度，T_h(k)为与服务器i相邻的服务器h当前时刻k的温度；a_ih表示服务器i与相邻服务器h的热量交叉干涉系数，

当i＝h时，a_ih＝0；

所述步骤3中基于服务器能耗预测模型与性能系数CoP构建用于预测冷却系统下一时刻能耗的冷却系统能耗预测模型为：

式中，T_r表示冷却系统的期望温度；τ表示时间常数。

作为优选，所述步骤4中基于所述数据中心当前时刻的运行状态数据、服务器的工作状态和任务负荷时间序列构建用以预测所述数据中心下一时刻运行状态数据的数据中心预测控制模型：

式中，

为所述数据中心下一时刻k+1计算任务数的预测值，

为所述数据中心下一时刻k+1任务负荷量的预测值。

作为优选，所述步骤5具体包括：

步骤501、所述数据中心的采样时刻为k_j＝k₀+jΔ，j＝0,1,…，k₀为初始计算时间；

所述数据中心的计算时刻为k_l，l＝0，H，2H，…，H为采样周期，H＞1；

步骤502、构建预测价值评估函数

式中，u(k)为服务器工作状态变量的控制序列；T_r(k)为冷却系统设定的期望温度序列；Δu(k+jH|k)为服务器在时刻k+jH的工作状态变量的累积量，ΔT_r(k+jH|k)是T_r(k+jH|k)的增量，λ_u是Δu(k+jH|k)的加权值，

是 ΔT_r(k+jH|k)的加权值。

作为优选，所述步骤6中构建数据中心能耗优化模型为：

式中，T_r,low为冷却系统供冷温度的下限，T_r,up为冷却系统供冷温度的上限，switch(·)表示选择要开启的服务器执行优化执行策略，所述优化执行策略的控制对象包括以下至少之一：数据中心开启的服务器数量、各服务器的任务负荷量以及冷却系统的设定温度。

一种数据中心能耗预测优化系统，所述数据中心包括M台服务器、需执行的任务以及冷却系统，所述数据中心能耗预测优化系统包括：

运行状态数据获取模块，用于获取所述数据中心当前时刻的运行状态数据；

时间序列预测模块，根据所述数据中心服务器的历史负荷数据预测获得任务负荷时间序列；

服务器能耗预测模块，与运行状态数据获取模块连接，用于构建服务器能耗预测模型以预测服务器能耗；

服务器热交换模块，与服务器能耗预测模块连接，结合热量交叉干涉系数与能量守恒定律构建服务器热交换预测模型，用于预测所述服务器下一时刻的温度；

冷却系统能耗预测模块，与服务器能耗预测模块连接，根据服务器能耗预测模块计算的服务器能耗建立冷却系统能耗预测模型，用于预测冷却系统下一时刻的能耗；

数据中心预测控制模块，分别与服务器能耗预测模块、服务器热交换模块以及冷却系统能耗预测模块连接，根据所述数据中心当前时刻的运行状态数据、服务器的工作状态和预测获得任务负荷时间序列建立数据中心预测控制模型，用以预测所述数据中心下一时刻的运行状态数据；

预测评估模块，与数据中心预测控制模块连接，根据预测所述数据中心下一时刻的运行状态数据计算数据中心能耗水平的预测评估值；

数据中心能耗优化模块，与预测评估模块连接，用于构建所述数据中心能耗优化模型，计算预测评估值最小时的优化执行策略，所述优化执行策略的控制对象包括以下至少之一：数据中心开启的服务器数量、各服务器处理的任务负荷量以及冷却系统设定温度。

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有计算机程序，当所述计算机程序被处理器执行时，所述处理器实现如权上述任意一项所述的数据中心能耗预测优化方法。

一种计算设备，包括：

一个或多个处理器；

存储器；

其中，所述存储器中存储有一个或多个指令，并且被配置为当所述一个或多个指令被所述一个或多个处理器执行时，使得所述计算设备实现如上述任意一项所述数据中心能耗预测优化方法。

附图说明

图1为本发明具体实施例1的流程图；

图2为本发明具体实施例2的系统框图

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

具体实施例1

如图1所示，一种数据中心能耗预测优化方法，包括数据中心，所述数据中心包括M台服务器、需执行的任务以及冷却系统，所述方法包括：

步骤1、获取所述数据中心在当前时刻的运行状态数据：

x^T(k)＝[α(k),β(k),T_c(k),T₁(k),…,T_M(k)]

式中，k为当前时刻，α(k)为所述数据中心当前时刻执行的计算任务数，β(k)为所述数据中心当前时刻待执行的计算任务数，T_c(k)为所述冷却系统当前时刻的温度；T₁(k),…,T_M(k)为所述数据中心每台服务器当前时刻的温度；

和服务器计算任务数的预测序列

本具体实施例中的数据中心服务器任务负荷的时间序列预测采用现有长短期记忆LSTM(long short-term memory)模型或Transformer模型机器学习技术实现，此处不做过多赘述；

步骤3、具体包括：

步骤301、基于数据中心在当前时刻的运行状态数据、服务器的工作状态与能耗关系构建服务器能耗预测模型

步骤302、基于服务器能耗预测模型、热量交叉干涉系数和能量守恒定律构建用于预测服务器下一时刻温度的服务器热交换预测模型，具体包括：

步骤3021、建立相邻服务器之间的热流相互作用的热量交叉干涉系数：

A_A×N＝{a_ih}

式中，a_ih表示服务器i与相邻服务器h的热量交叉干涉系数，

当i＝h时，a_ih＝0；

步骤3022、根据热量交叉干涉系数得到外部流入服务器i的热量为：

式中，

表示流出服务器h的热量，Q_c表示冷却系统输出的冷风中所含的热量；

步骤3023、根据能量守恒定律，服务器i热平衡方程为：

式中，K_t为服务器的热容量，C_p为空气的比热容，q_σ和T_c分别为冷却系统提供的冷气的质量流量和温度，T_i(k)为所述服务器i当前时刻k的温度；T_h(k)为与服务器i相邻的服务器h的当前时刻k温度；

步骤3024、构建服务器热交换预测模型：

式中，T_i(k+1)为服务器i下一时刻k+1的预测温度；T_i(k)为服务器i当前时刻k的温度；Δ表示的离散时间步长；

并且，为了保证服务器的可靠性，使得服务器温度在设定范围安全范围内工作，本具体实施例对服务器温度进一步进行约束：

步骤303、基于服务器能耗预测模型与性能系数CoP构建用于预测冷却系统下一时刻能耗的冷却系统能耗预测模型，本具体实施例中的数据中心需要冷却系统将服务器产生的热量带走，以使所有服务器在设定的温度阀值内运行；本具体实施例中的冷却系统的功耗采用服务器功耗和性能系数 CoP表示：

性能系数CoP受冷却系统产生冷风的温度的影响；本具体实施例中的性能系数CoP的估算为：

影响T_i和CoP的变量T_c通过对冷却系统的期望调节温度T_r进行调节，T_c对T_r进行闭环的动态跟随，在指定时间常数t和单位增益表达：

其中，

式中，T_r,low和T_r,up分别为冷却系统供冷温度的上限和下限；

构建冷却系统能耗预测模型：

式中，T_r表示冷却系统的期望温度；τ表示时间常数；

步骤4、基于所述数据中心当前时刻的运行状态数据、服务器的工作状态和任务负荷时间序列构建用以预测所述数据中心下一时刻运行状态数据的数据中心预测控制模型；具体包括：

根据数据中心当前时刻k的运行状态数据x(k)和服务器工作状态变量 u(k)、任务负荷量c(k)、冷却系统期望温度T_r(k)以及数据中心下一时刻k+1 计算任务数的预测值

和所述数据中心下一时刻k+1任务负荷量的预测值

构建数据中心预测控制模型

步骤5、构建预测价值评估函数，用于计算所述数据中心在下一时刻运行状态数据时能耗水平的预测评估值；具体包括：

步骤501、获得所述数据中心的采样时刻为k_j＝k₀+jΔ，j＝0,1,…，k₀为初始计算时间；

步骤502、构建预测价值评估函数

是 ΔT_r(k+jH|k)的加权值；

步骤6、构建数据中心能耗优化模型，用于输出预测评估值最小时的优化执行策略；所述优化执行策略的控制对象包括以下至少之一：数据中心开启的服务器数量、各服务器处理的任务量以及冷却系统设定温度；具体包括：

构建数据中心能耗优化模型为：

具体实施例2

具体实施例3

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有计算机程序，当所述计算机程序被处理器执行时，所述处理器实现如上述任意一项所述的数据中心能耗预测优化方法。

具体实施例4

一种计算设备，包括：

一个或多个处理器；

存储器；

虽然本公开披露如上，但本公开的保护范围并非仅限于此。本领域技术人员，在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims

1.一种数据中心能耗预测优化方法，包括数据中心，其特征在于，所述数据中心包括M台服务器、需执行的任务以及冷却系统，所述方法包括：

步骤1、获取所述数据中心在当前时刻的运行状态数据；

和服务器计算任务数的预测序列

2.根据权利要求1所述的一种数据中心能耗预测优化方法，其特征在于，所述步骤1中的所述数据中心在当前时刻的运行状态数据为：

x^T(k)＝[α(k),β(k),T_c(k),T₁(k),…,T_M(k)]

3.根据权利要求2所述的一种数据中心能耗预测优化方法，其特征在于，所述步骤3中基于数据中心在当前时刻的运行状态数据、服务器的工作状态与能耗关系构建服务器能耗预测模型为：

β(k+1)＝β(k)+W(k+1)-α(k)

当i＝h时，a_ih＝0；

式中，T_r表示冷却系统的期望温度；τ表示时间常数。

4.根据权利要求3所述的一种数据中心能耗预测优化方法，其特征在于，所述步骤4中基于所述数据中心当前时刻的运行状态数据、服务器的工作状态和任务负荷时间序列构建用以预测所述数据中心下一时刻运行状态数据的数据中心预测控制模型：

式中，

为所述数据中心下一时刻k+1计算任务数的预测值，

为所述数据中心下一时刻k+1任务负荷量的预测值。

5.根据权利要求4所述的一种数据中心能耗预测优化方法，其特征在于，所述步骤5具体包括：

步骤501、获取所述数据中心的采样时刻为k_j＝k₀+jΔ，j＝0，1，...，k₀，k₀为初始计算时间；

所述数据中心的计算时刻为k_l，l＝0，H，2H，...，，H为采样周期，H＞1；

步骤502、构建预测价值评估函数

是ΔT_r(k+jH|k)的加权值。

6.根据权利要求5所述的一种数据中心能耗预测优化方法，其特征在于，所述步骤6中构建数据中心能耗优化模型为：

式中，T_r，low为冷却系统供冷温度的下限，T_r，up为冷却系统供冷温度的上限，switch(·)表示选择要开启的服务器执行优化执行策略，所述优化执行策略的控制对象包括以下至少之一：数据中心开启的服务器数量、各服务器的任务负荷量以及冷却系统的设定温度。

7.一种数据中心能耗预测优化系统，所述数据中心包括M台服务器、需执行的任务以及冷却系统，其特征在于，所述数据中心能耗预测优化系统包括：

8.一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有计算机程序，当所述计算机程序被处理器执行时，所述处理器实现如权利要求1至6任意一项所述的数据中心能耗预测优化方法。

9.一种计算设备，其特征在于，包括：

一个或多个处理器；

存储器；

其中，所述存储器中存储有一个或多个指令，并且被配置为当所述一个或多个指令被所述一个或多个处理器执行时，使得所述计算设备实现如权利要求1-6任意一项所述数据中心能耗预测优化方法。