CN115696871A - 一种基于机器学习的数据中心水冷系统调控方法及装置 - Google Patents
一种基于机器学习的数据中心水冷系统调控方法及装置 Download PDFInfo
- Publication number
- CN115696871A CN115696871A CN202211379213.0A CN202211379213A CN115696871A CN 115696871 A CN115696871 A CN 115696871A CN 202211379213 A CN202211379213 A CN 202211379213A CN 115696871 A CN115696871 A CN 115696871A
- Authority
- CN
- China
- Prior art keywords
- water
- cooling
- temperature
- data center
- data
- 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.)
- Granted
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 390
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 331
- 238000010801 machine learning Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000003570 air Substances 0.000 claims abstract description 133
- 238000004378 air conditioning Methods 0.000 claims abstract description 50
- 230000001105 regulatory effect Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000001276 controlling effect Effects 0.000 claims abstract description 20
- 238000005057 refrigeration Methods 0.000 claims abstract description 19
- 239000012080 ambient air Substances 0.000 claims abstract description 15
- 238000001704 evaporation Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 230000005494 condensation Effects 0.000 claims description 15
- 238000009833 condensation Methods 0.000 claims description 15
- 230000008020 evaporation Effects 0.000 claims description 13
- 238000003491 array Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010438 heat treatment Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000000498 cooling water Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于机器学习的数据中心水冷系统调控方法及装置,方法步骤:采集室外环境空气参数、精密空调室运行参数及冷却设备特性参数的数据,获得PUE最低的冷却设备优化供水流量数据,形成调控的运行数据集;比较冷却设备特性参数与冷却空调进出水,识别水冷系统的调控模式;对冷却设备特性参数进行辨识,结合水冷系统的调控模式,训练预设的机器学习算法,给出基于室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据预测冷却设备供水流量数据的第一预测模型;通过冷却设备供水流量对水冷系统进行调控。在考虑数据中心不同冷负荷密度及环境空气条件,对水冷系统进行精细调控,实现冷源及制冷的高效利用。
Description
技术领域
本发明涉及数据中心运行调控技术领域,具体涉及一种基于机器学习的数据中心水冷系统调控方法及装置。
背景技术
数据中心作为加工、储存和管理数据的厂房,已成为信息社会的用电大户。数据中心的空调系统承担排除机柜服务器产生的热量,维持数服务器安全可靠运行的任务。由于数据中心具有服务器发热密度大、全年需不间断供冷的特性,空调系统节能运行是降低数据机房运行成本的主要途径。
为此,研究人员开始针对节能运行的控制进行研究。如专利CN111665881A给出了一种用于数据中心节能的温度控制方法,(1)确定能够满足机柜制冷量需求的合格环境参数;(2)根据合格环境参数以及空调系统和冷却水循环系统的设置参数组与相应的环境参数组之间的对应关系,确定空调系统和冷却水循环系统的多组设置参数;(3)主控服务器周期性获取环境参数监视系统实时监控的数据中心的环境参数数据,并根据环境参数数据对应控制调节空调系统和冷却水循环系统的多组设置参数。该方案通过空调系统和冷却水循环系统对数据中心的机柜温度的控制实现对数据中心的实时和有效的节能控制。
但是,以上的控制方法仍未实现智能化,之后如专利CN112800630A给出了一种基于强化学习的末端精密空调优化控制方法,获取预设时间内数据中心机房设备样本数据,根据获取到的样本数据,提取子样本序列集合;通过样本数据构建热负载和制冷设备之间的关系模型,生成热平衡方程;根据子样本序列集合,利用EM算法对热平衡方程进行求解得到系统热平衡的作用系数;定义优化目标函数,并利用强化学习方法求解空调的控制参数。
上述的方案虽然实现了对数据中心机房的智能控制,但是未能考虑数据中心实际工况中由不同冷负荷密度及环境空气条件带来的繁杂变数,不能实现对水冷系统的精细调控。
因此,如何针对实际工况中水冷系统的调控模式和布局,在基于机器学习的情况下,以实现对数据中心水冷系统的精细调控是本领域技术人员亟待解决的问题。
发明内容
针对上述现有技术中存在的缺陷,本发明提供了一种基于机器学习的数据中心水冷系统调控方法及装置,通过结合数据中心水冷系统的调控模式,给出基于室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据预测冷却设备供水流量数据的第一预测模型,充分考虑数据中心不同冷负荷密度及环境空气条件,对水冷系统进行精细调控,实现冷源及制冷的高效利用。
第一方面,本发明提供一种基于机器学习的数据中心水冷系统调控方法,数据中心水冷系统包括精密空调室以及设置在精密空调室外部的冷却设备,精密空调室内包括间隔分布的多组机柜以及冷却空调,冷却设备通过热量传递为冷却空调提供冷量;
数据中心水冷系统调控方法包括如下步骤:
采集多工况下的室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据,获得数据中心PUE最低时的冷却设备优化供水流量数据,并形成数据中心水冷系统调控的运行数据集;
比较冷却设备特性参数与冷却空调进水、冷却空调出水的数据,实时识别数据中心水冷系统的调控模式;
对冷却设备特性参数进行辨识,并结合数据中心水冷系统的调控模式,训练预设的机器学习算法,给出基于室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据预测冷却设备优化供水流量数据的第一预测模型;
根据第一预测模型,通过冷却设备供水流量对数据中心水冷系统进行调控。
进一步的,室外环境空气参数包括室外湿球温度,精密空调室运行参数包括室内IT设备发热量、空调送风温度以及空调送风量,冷却设备特性参数包括室内精密空调的换热参数、冷却塔出水温度与室外湿球温度的温差、冷水机组的热力学完善度、冷水机组的蒸发温度与供水温度的温差以及冷水机组的冷凝温度与室外湿球温度的温差。
进一步的,数据中心PUE最低的数值为预设,预设的数值范围为1~1.4;
获得数据中心PUE最低时的冷却设备优化供水流量数据,并形成数据中心水冷系统调控的运行数据集,具体包括:
其中,N1为室外湿球温度数组的数据数量,N2为室内IT设备发热量数组的数据数量,N3为空调送风温度数组的数据数量,N4为空调送风量数组的数据数量,N5为室内精密空调的换热参数数组的数据数量,N6为冷却塔出水温度与室外湿球温度的温差数组的数据数量,N7为冷水机组的热力学完善度数组的数据数量,N8为冷水机组的蒸发温度与供水温度的温差数组的数据数量,N9为冷水机组的冷凝温度与室外湿球温度的温差数组的数据数量,N为冷却设备优化供水流量数组[Gw,pot,1Gw,pot,2…Gw,pot,N]的数据数量,且
进一步的,冷却设备特性参数还包括冷却塔出水温度,数据中心水冷系统的调控模式包括自然供冷、混合供冷以及机械制冷;
比较冷却设备特性参数与冷却空调进水、冷却空调出水的数据,实时识别数据中心水冷系统的调控模式,具体为:
基于比较冷却塔出水温度与冷却空调进水温度和冷却空调出水温度的数值大小,判别数据中心水冷系统的调控模式为自然供冷、混合供冷及机械制冷的一种。
进一步的,冷却设备包括冷却塔、冷水机组、冷冻水泵及控制阀门,控制阀门包括第一阀门、第二阀门、第三阀门及第四阀门,冷却空调出水通过第二阀门连通冷却塔入口,冷却空调出水通过第一阀门连通冷冻水泵入口,冷却塔出口连通冷冻水泵入口,冷冻水泵出口分两条支路,其中一条支路通过第四阀门连通冷水机组入口,冷水机组出口连通冷却空调进水,另一条支路通过第三阀门直接连接空调进水;
基于比较冷却塔出水温度与冷却空调进水温度和冷却空调出水温度的数值大小,判别数据中心水冷系统的调控模式为自然供冷、混合供冷及机械制冷的一种,具体包括:
若tcooling<tws,则第一阀门、第四阀门关闭,第二阀门、第三阀门开启,判别水冷系统的调控模式为自然供冷;
若tws<tcooling<twr,则第一阀门、第三阀门关闭,第二阀门、第四阀门开启,判别水冷系统的调控模式为混合供冷;
若tcooling>twr,则第二阀门、第三阀门关闭,第一阀门、第四阀门开启,判别水冷系统的调控模式为机械制冷;
其中,tcooling为冷却塔出水温度,tws为冷却空调进水温度,twr为冷却空调出水温度。
进一步的,对冷却设备特性参数进行辨识,具体包括:
冷却设备特性参数还包括空调回风温度tar、冷却设备供水量Gw、冷水机组压缩机功耗Pchiller、冷水机组的蒸发温度tevap以及冷水机组的冷凝温度tcond;
室内精密空调的换热参数KF通过空调送风温度tas、空调送风量Ga、空调回风温度tar、冷却空调进水温度tws、冷却空调出水温度twr以及冷却设备供水流量Gw进行辨识,辨识的关系如下:
KF=f2(tas,Ga,tar,tws,twr,Gw)
冷却塔出水温度与室外湿球温度的温差Δtcooling通过冷却塔出水温度tcooling和室外湿球温度twb进行辨识,辨识的关系如下:
Δtcooling=f3(tcooling,twb)
冷水机组的热力学完善度η通过冷水机组压缩机功耗Pchiller、冷却空调进水温度tws、冷却空调出水温度twr、冷却设备供水流量Gw、冷水机组的蒸发温度tevap以及冷水机组的冷凝温度tcond进行辨识,辨识的关系如下:
η=f4(Pchiller,tws,twr,Gw,tevap,tcond)
冷水机组的蒸发温度与供水温度的温差Δtevap通过冷水机组的蒸发温度tevap和冷却空调进水温度tws进行辨识,辨识的关系如下:
Δtevap=f5(tevap,tws)
冷水机组的冷凝温度与室外湿球温度的温差Δtcond通过冷水机组的冷凝温度和室外湿球温度twb进行辨识,辨识的关系如下:
Δtcond=f6(tcond,twb)
其中,f2、f3、f4、f5及f6为不同的量化函数。
进一步的,结合数据中心水冷系统的调控模式,训练预设的机器学习算法,给出基于室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据预测冷却设备优化供水流量数据的第一预测模型,具体包括:
基于识别出的数据中心水冷系统的调控模式,选择对应的冷却设备特性参数,并通过完成的冷却设备参数辨识关联到相应参数;
将室外环境空气参数、精密空调室运行参数及对应的冷却设备特性参数作为输入参数,输入预设的多个机器学习算法,输出预测冷却设备优化供水流量;
基于设定的预测冷却设备优化供水流量和冷却设备优化供水流量收敛约束条件,确定第一预测模型;
其中,第一预测模型的关系公式为:
Gw,opt=f1(twb,P,tas,Ga,KF,Δtcooling,η,Δtevap,Δtcond)
f1为表示冷却设备优化供水流量与室外环境空气参数、精密空调室运行参数、冷却设备特性参数的量化函数。
进一步的,预设的多个机器学习算法为经过训练的多个核函数不同的初始机器学习算法;
训练多个核函数不同的初始机器学习算法,具体步骤包括:
确定数据中心水冷系统调控的运行数据集的训练数组和测试数组;
分别对每个初始机器学习算法进行所有训练数组的训练,形成对应的机器学习算法,针对所有机器学习算法均通过测试数组比较预测冷却设备优化供水流量和冷却设备优化供水流量;
给出每个机器学习算法的收敛约束参数数据,其中,收敛约束参数包括决定系数R2、均方根误差RMSE及百分比误差δ;
基于收敛约束参数数据的预设范围,筛选机器学习算法,确定第一预测模型。
进一步的,收敛约束参数中的决定系数R2为0.95~1、均方根误差RMSE为0~3kg/s及百分比误差δ为1~10%。
第二方面,本发明还提供一种基于机器学习的数据中心水冷系统调控装置,采用如上述的数据中心水冷系统调控方法,包括:
采集模块,采集多工况下的室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据;
分析处理模块,获得数据中心PUE最低时的冷却设备优化供水流量数据,并形成数据中心水冷系统调控的运行数据集,比较冷却设备特性参数与冷却空调进水、冷却空调出水的数据,实时识别数据中心水冷系统的调控模式,对冷却设备特性参数进行辨识,并结合数据中心水冷系统的调控模式,训练预设的机器学习算法,给出基于室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据预测冷却设备优化供水流量数据的第一预测模型;
调控模块,根据第一预测模型,通过冷却设备供水流量对数据中心水冷系统进行调控。
本发明提供的一种基于机器学习的数据中心水冷系统调控方法及装置,至少包括如下有益效果:
(1)结合数据中心水冷系统的调控模式,给出基于室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据预测冷却设备供水流量数据的第一预测模型,充分考虑数据中心不同冷负荷密度及环境空气条件,对水冷系统进行精细调控,实现冷源及制冷的高效利用。
(2)基于实际运行测量数据,实现对冷却设备特性参数的辨识,对最优的冷却设备供水流量进行预估,从而实现对数据中心水冷系统的调控。
(3)根据数据中心水冷系统的调控模式,选择对应的冷却设备特性参数,以此提高第一预测模型的准确度,以实现对数据中心水冷系统的精细调控。
附图说明
图1为本发明提供的一种基于机器学习的数据中心水冷系统调控方法的流程图;
图2为本发明提供的数据中心水冷系统的布局示意图;
图3为本发明提供的机器学习算法的示意图;
图4为本发明提供的一种基于机器学习的数据中心水冷系统调控装置的示意图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
还需要说明的是,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商品或者装置不仅包括那些要素,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商品或者装置所固有的要素。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商品或者装置中还存在另外的相同要素。
考虑数据中心实际工况中由不同冷负荷密度及环境空气条件带来的繁杂变数,需要理清并结合数据中心水冷系统的调控模式,基于室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据预测冷却设备供水流量数据的第一预测模型。
如图1及图2所示,本发明提供一种基于机器学习的数据中心水冷系统调控方法,数据中心水冷系统包括精密空调室以及设置在精密空调室外部的冷却设备,精密空调室内包括间隔分布的多组机柜以及冷却空调,冷却设备通过热量传递为冷却空调提供冷量;
数据中心水冷系统调控方法包括如下步骤:
采集多工况下的室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据,获得数据中心PUE最低时的冷却设备优化供水流量数据,并形成数据中心水冷系统调控的运行数据集;
比较冷却设备特性参数与冷却空调进水、冷却空调出水的数据,实时识别数据中心水冷系统的调控模式;
对冷却设备特性参数进行辨识,并结合数据中心水冷系统的调控模式,训练预设的机器学习算法,给出基于室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据预测冷却设备优化供水流量数据的第一预测模型;
根据第一预测模型,通过冷却设备供水流量对数据中心水冷系统进行调控。
如图2所示,室外环境空气参数包括室外湿球温度,精密空调室运行参数包括室内IT设备发热量、空调送风温度以及空调送风量,冷却设备特性参数包括室内精密空调的换热参数、冷却塔出水温度与室外湿球温度的温差、冷水机组的热力学完善度、冷水机组的蒸发温度与供水温度的温差以及冷水机组的冷凝温度与室外湿球温度的温差。
数据中心PUE最低的数值为预设,在此预设的数值范围为1~1.4;
获得数据中心PUE最低时的冷却设备优化供水流量数据,并形成数据中心水冷系统调控的运行数据集,具体包括:
N1为室外湿球温度数组的数据数量,N2为室内IT设备发热量数组的数据数量,N3为空调送风温度数组的数据数量,N4为空调送风量数组的数据数量,N5为室内精密空调的换热参数数组的数据数量,N6为冷却塔出水温度与室外湿球温度的温差数组的数据数量,N7为冷水机组的热力学完善度数组的数据数量,N8为冷水机组的蒸发温度与供水温度的温差数组的数据数量,N9为冷水机组的冷凝温度与室外湿球温度的温差数组的数据数量,N为冷却设备优化供水流量数组[Gw,pot,1 Gw,pot,2 … Gw,pot,N]的数据数量,且
冷却设备特性参数还包括冷却塔出水温度,数据中心水冷系统的调控模式包括自然供冷、混合供冷以及机械制冷;
比较冷却设备特性参数与冷却空调进水、冷却空调出水的数据,实时识别数据中心水冷系统的调控模式,具体为:
基于比较冷却塔出水温度与冷却空调进水温度和冷却空调出水温度的数值大小,判别数据中心水冷系统的调控模式为自然供冷、混合供冷及机械制冷的一种。
如图2所示,冷却设备包括冷却塔、冷水机组、冷冻水泵及控制阀门,控制阀门包括第一阀门、第二阀门、第三阀门及第四阀门,冷却空调出水通过第二阀门连通冷却塔入口,冷却空调出水通过第一阀门连通冷冻水泵入口,冷却塔出口连通冷冻水泵入口,冷冻水泵出口分两条支路,其中一条支路通过第四阀门连通冷水机组入口,冷水机组出口连通冷却空调进水,另一条支路通过第三阀门直接连接空调进水;
基于比较冷却塔出水温度与冷却空调进水温度和冷却空调出水温度的数值大小,判别数据中心水冷系统的调控模式为自然供冷、混合供冷及机械制冷的一种,具体包括:
若tcooling<tws,则第一阀门、第四阀门关闭,第二阀门、第三阀门开启,判别水冷系统的调控模式为自然供冷;
若tws<tcooling<twr,则第一阀门、第三阀门关闭,第二阀门、第四阀门开启,判别水冷系统的调控模式为混合供冷;
若tcooling>twr,则第二阀门、第三阀门关闭,第一阀门、第四阀门开启,判别水冷系统的调控模式为机械制冷;
其中,tcooling为冷却塔出水温度,tws为冷却空调进水温度,twr为冷却空调出水温度。
对冷却设备特性参数进行辨识,具体包括:
冷却设备特性参数还包括空调回风温度tar、冷却设备供水量Gw、冷水机组压缩机功耗Pchiller、冷水机组的蒸发温度tevap以及冷水机组的冷凝温度tcond;
室内精密空调的换热参数KF通过空调送风温度tas、空调送风量Ga、空调回风温度tar、冷却空调进水温度tws、冷却空调出水温度twr以及冷却设备供水流量Gw进行辨识,辨识的关系如下:
KF=f2(tas,Ga,tar,tws,twr,Gw)
冷却塔出水温度与室外湿球温度的温差Δtcooling通过冷却塔出水温度tcooling和室外湿球温度twb进行辨识,辨识的关系如下:
Δtcooling=f3(tcooling,twb)
冷水机组的热力学完善度η通过冷水机组压缩机功耗Pchiller、冷却空调进水温度tws、冷却空调出水温度twr、冷却设备供水流量Gw、冷水机组的蒸发温度tevap以及冷水机组的冷凝温度tcond进行辨识,辨识的关系如下:
η=f4(Pchiller,tws,twr,Gw,tevap,tcond)
冷水机组的蒸发温度与供水温度的温差Δtevap通过冷水机组的蒸发温度tevap和冷却空调进水温度tws进行辨识,辨识的关系如下:
Δtevap=f5(tevap,tws)
冷水机组的冷凝温度与室外湿球温度的温差Δtcond通过冷水机组的冷凝温度和室外湿球温度twb进行辨识,辨识的关系如下:
Δtcond=f6(tcond,twb)
其中,f2、f3、f4、f5及f6为不同的量化函数。
如图3所示,结合数据中心水冷系统的调控模式,训练预设的机器学习算法,给出基于室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据预测冷却设备优化供水流量数据的第一预测模型,具体包括:
基于识别出的数据中心水冷系统的调控模式,选择对应的冷却设备特性参数,并通过完成的冷却设备参数辨识关联到相应参数;
将室外环境空气参数、精密空调室运行参数及对应的冷却设备特性参数作为输入参数,输入预设的多个机器学习算法,输出预测冷却设备优化供水流量;
基于设定的预测冷却设备优化供水流量和冷却设备优化供水流量收敛约束条件,确定第一预测模型;
其中,第一预测模型的关系公式为:
Gw,opt=f1(twb,P,tas,Ga,KF,Δtcooling,η,Δtevap,Δtcond)
f1为表示冷却设备优化供水流量与室外环境空气参数、精密空调室运行参数、冷却设备特性参数的量化函数。
预设的多个机器学习算法为经过训练的多个核函数不同的初始机器学习算法;
训练多个核函数不同的初始机器学习算法,具体步骤包括:
确定数据中心水冷系统调控的运行数据集的训练数组和测试数组;
分别对每个初始机器学习算法进行所有训练数组的训练,形成对应的机器学习算法,针对所有机器学习算法均通过测试数组比较预测冷却设备优化供水流量和冷却设备优化供水流量;
给出每个机器学习算法的收敛约束参数数据,其中,收敛约束参数包括决定系数R2、均方根误差RMSE及百分比误差δ;
基于收敛约束参数数据的预设范围,筛选机器学习算法,确定第一预测模型。
多个机器学习算法对应的是核函数数量不同的算法,核函数是一种概率模型,连接输入端、输出端,通过数据训练验证给出预测结果。不同的机器学习算法的核函数数量在此不做特别的限定。同时,训练数组和测试数组的比例和数组个数也不做具体的限定。在某个实施例中,可以采用5种类型的核函数,比如Exponential,Squaredexponential,Matern32,Matern52以及Rationalquadratic等,也可以对核函数进行组合。可以将训练数组和测试数组的比例设定为9:1,即运行数据集分为10份,9份作为训练数组,1份作为测试数组,分别在每个机器学习算法中进行验证,最终确定符合收敛约束参数数据的预设范围的,以此确定第一预测模型。
收敛约束参数中的决定系数R2为0.95~1、均方根误差RMSE为0~3kg/s及百分比误差δ为1~10%。
如图4所示,本发明还提供一种基于机器学习的数据中心水冷系统调控装置,采用如上述的数据中心水冷系统调控方法,包括:
采集模块,采集多工况下的室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据;
分析处理模块,获得数据中心PUE最低时的冷却设备优化供水流量数据,并形成数据中心水冷系统调控的运行数据集,比较冷却设备特性参数与冷却空调进水、冷却空调出水的数据,实时识别数据中心水冷系统的调控模式,对冷却设备特性参数进行辨识,并结合数据中心水冷系统的调控模式,训练预设的机器学习算法,给出基于室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据预测冷却设备优化供水流量数据的第一预测模型;
调控模块,根据第一预测模型,通过冷却设备供水流量对数据中心水冷系统进行调控。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作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范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于机器学习的数据中心水冷系统调控方法,其特征在于,数据中心水冷系统包括精密空调室以及设置在精密空调室外部的冷却设备,精密空调室内包括间隔分布的多组机柜以及冷却空调,冷却设备通过热量传递为冷却空调提供冷量;
数据中心水冷系统调控方法包括如下步骤:
采集多工况下的室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据,获得数据中心PUE最低时的冷却设备优化供水流量数据,并形成数据中心水冷系统调控的运行数据集;
比较冷却设备特性参数与冷却空调进水、冷却空调出水的数据,实时识别数据中心水冷系统的调控模式;
对冷却设备特性参数进行辨识,并结合数据中心水冷系统的调控模式,训练预设的机器学习算法,给出基于室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据预测冷却设备优化供水流量数据的第一预测模型;
根据第一预测模型,通过冷却设备供水流量对数据中心水冷系统进行调控。
2.如权利要求1所述的数据中心水冷系统调控方法,其特征在于,室外环境空气参数包括室外湿球温度,精密空调室运行参数包括室内IT设备发热量、空调送风温度以及空调送风量,冷却设备特性参数包括室内精密空调的换热参数、冷却塔出水温度与室外湿球温度的温差、冷水机组的热力学完善度、冷水机组的蒸发温度与供水温度的温差以及冷水机组的冷凝温度与室外湿球温度的温差。
3.如权利要求2所述的数据中心水冷系统调控方法,其特征在于,数据中心PUE最低的数值为预设,预设的数值范围为1~1.4;
获得数据中心PUE最低时的冷却设备优化供水流量数据,并形成数据中心水冷系统调控的运行数据集,具体包括:
4.如权利要求3所述的数据中心水冷系统调控方法,其特征在于,冷却设备特性参数还包括冷却塔出水温度,数据中心水冷系统的调控模式包括自然供冷、混合供冷以及机械制冷;
比较冷却设备特性参数与冷却空调进水、冷却空调出水的数据,实时识别数据中心水冷系统的调控模式,具体为:
基于比较冷却塔出水温度与冷却空调进水温度和冷却空调出水温度的数值大小,判别数据中心水冷系统的调控模式为自然供冷、混合供冷及机械制冷的一种。
5.如权利要求4所述的数据中心水冷系统调控方法,其特征在于,冷却设备包括冷却塔、冷水机组、冷冻水泵及控制阀门,控制阀门包括第一阀门、第二阀门、第三阀门及第四阀门,冷却空调出水通过第二阀门连通冷却塔入口,冷却空调出水通过第一阀门连通冷冻水泵入口,冷却塔出口连通冷冻水泵入口,冷冻水泵出口分两条支路,其中一条支路通过第四阀门连通冷水机组入口,冷水机组出口连通冷却空调进水,另一条支路通过第三阀门直接连接空调进水;
基于比较冷却塔出水温度与冷却空调进水温度和冷却空调出水温度的数值大小,判别数据中心水冷系统的调控模式为自然供冷、混合供冷及机械制冷的一种,具体包括:
若tcooling<tws,则第一阀门、第四阀门关闭,第二阀门、第三阀门开启,判别水冷系统的调控模式为自然供冷;
若tws<tcooling<twr,则第一阀门、第三阀门关闭,第二阀门、第四阀门开启,判别水冷系统的调控模式为混合供冷;
若tcooling>twr,则第二阀门、第三阀门关闭,第一阀门、第四阀门开启,判别水冷系统的调控模式为机械制冷;
其中,tcooling为冷却塔出水温度,tws为冷却空调进水温度,twr为冷却空调出水温度。
6.如权利要求4所述的数据中心水冷系统调控方法,其特征在于,对冷却设备特性参数进行辨识,具体包括:
冷却设备特性参数还包括空调回风温度tar、冷却设备供水量Gw、冷水机组压缩机功耗Pchiller、冷水机组的蒸发温度tevap以及冷水机组的冷凝温度tcond;
室内精密空调的换热参数KF通过空调送风温度tas、空调送风量Ga、空调回风温度tar、冷却空调进水温度tws、冷却空调出水温度twr以及冷却设备供水流量Gw进行辨识,辨识的关系如下:
KF=f2(tas,Ga,tar,tws,twr,Gw)
冷却塔出水温度与室外湿球温度的温差Δtcooling通过冷却塔出水温度tcooling和室外湿球温度twb进行辨识,辨识的关系如下:
Δtcooling=f3(tcooling,twb)
冷水机组的热力学完善度η通过冷水机组压缩机功耗Pchiller、冷却空调进水温度tws、冷却空调出水温度twr、冷却设备供水流量Gw、冷水机组的蒸发温度tevap以及冷水机组的冷凝温度tcond进行辨识,辨识的关系如下:
η=f4(Pchiller,tws,twr,Gw,tevap,tcond)
冷水机组的蒸发温度与供水温度的温差Δtevap通过冷水机组的蒸发温度tevap和冷却空调进水温度tws进行辨识,辨识的关系如下:
Δtevap=f5(tevap,tws)
冷水机组的冷凝温度与室外湿球温度的温差Δtcond通过冷水机组的冷凝温度和室外湿球温度twb进行辨识,辨识的关系如下:
Δtcond=f6(tcond,twb)
其中,f2、f3、f4、f5及f6为不同的量化函数。
7.如权利要求6所述的数据中心水冷系统调控方法,其特征在于,结合数据中心水冷系统的调控模式,训练预设的机器学习算法,给出基于室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据预测冷却设备优化供水流量数据的第一预测模型,具体包括:
基于识别出的数据中心水冷系统的调控模式,选择对应的冷却设备特性参数,并通过完成的冷却设备参数辨识关联到相应参数;
将室外环境空气参数、精密空调室运行参数及对应的冷却设备特性参数作为输入参数,输入预设的多个机器学习算法,输出预测冷却设备优化供水流量;
基于设定的预测冷却设备优化供水流量和冷却设备优化供水流量收敛约束条件,确定第一预测模型;
其中,第一预测模型的关系公式为:
Gw,opt=f1(twb,P,tas,Ga,KF,Δtcooling,η,Δtevap,Δtcond)
f1为表示冷却设备优化供水流量与室外环境空气参数、精密空调室运行参数、冷却设备特性参数的量化函数。
8.如权利要求7所述的数据中心水冷系统调控方法,其特征在于,预设的多个机器学习算法为经过训练的多个核函数不同的初始机器学习算法;
训练多个核函数不同的初始机器学习算法,具体步骤包括:
确定数据中心水冷系统调控的运行数据集的训练数组和测试数组;
分别对每个初始机器学习算法进行所有训练数组的训练,形成对应的机器学习算法,针对所有机器学习算法均通过测试数组比较预测冷却设备优化供水流量和冷却设备优化供水流量;
给出每个机器学习算法的收敛约束参数数据,其中,收敛约束参数包括决定系数R2、均方根误差RMSE及百分比误差δ;
基于收敛约束参数数据的预设范围,筛选机器学习算法,确定第一预测模型。
9.如权利要求8所述的数据中心水冷系统调控方法,其特征在于,收敛约束参数中的决定系数R2为0.95~1、均方根误差RMSE为0~3kg/s及百分比误差δ为1~10%。
10.一种基于机器学习的数据中心水冷系统调控装置,其特征在于,采用如权利要求1-9任一所述的数据中心水冷系统调控方法,包括:
采集模块,采集多工况下的室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据;
分析处理模块,获得数据中心PUE最低时的冷却设备优化供水流量数据,并形成数据中心水冷系统调控的运行数据集,比较冷却设备特性参数与冷却空调进水、冷却空调出水的数据,实时识别数据中心水冷系统的调控模式,对冷却设备特性参数进行辨识,并结合数据中心水冷系统的调控模式,训练预设的机器学习算法,给出基于室外环境空气参数、精密空调室运行参数以及冷却设备特性参数的数据预测冷却设备优化供水流量数据的第一预测模型;
调控模块,根据第一预测模型,通过冷却设备供水流量对数据中心水冷系统进行调控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211379213.0A CN115696871B (zh) | 2022-11-04 | 2022-11-04 | 一种基于机器学习的数据中心水冷系统调控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211379213.0A CN115696871B (zh) | 2022-11-04 | 2022-11-04 | 一种基于机器学习的数据中心水冷系统调控方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115696871A true CN115696871A (zh) | 2023-02-03 |
CN115696871B CN115696871B (zh) | 2023-06-13 |
Family
ID=85050590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211379213.0A Active CN115696871B (zh) | 2022-11-04 | 2022-11-04 | 一种基于机器学习的数据中心水冷系统调控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115696871B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117490481A (zh) * | 2023-11-02 | 2024-02-02 | 汕头市源鑫电子有限公司 | 冷却系统的冷却塔控制方法、装置、设备和存储介质 |
CN117869256A (zh) * | 2024-02-18 | 2024-04-12 | 上海时链节能科技有限公司 | 空压机冷却水泵流量调节方法、装置、系统、设备及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108990383A (zh) * | 2018-08-15 | 2018-12-11 | 北京建筑大学 | 一种数据中心空调系统预测控制方法 |
US20190075687A1 (en) * | 2017-09-06 | 2019-03-07 | Vertiv Corporation | Cooling unit energy optimization via smart supply air temperature setpoint control |
US20190104642A1 (en) * | 2017-09-29 | 2019-04-04 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for determining water chilling unit for cooling data center |
CN210519308U (zh) * | 2019-08-07 | 2020-05-12 | 世源科技工程有限公司 | 一种数据中心板冷式液体冷却系统 |
CN111486552A (zh) * | 2020-04-24 | 2020-08-04 | 辽宁工程技术大学 | 基于分项计量数据的空调冷冻水供水温度策略识别方法 |
CN112503746A (zh) * | 2020-12-09 | 2021-03-16 | 上海安悦节能技术有限公司 | 基于机器学习与粒子群算法的动力站房冷源系统的控制方法 |
CN113191418A (zh) * | 2021-04-27 | 2021-07-30 | 华中科技大学 | 基于室外气象参数的非侵入式建筑分项冷负荷监测方法 |
CN113825356A (zh) * | 2021-07-28 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 冷源系统的节能控制方法、装置、电子设备和存储介质 |
US20220004475A1 (en) * | 2018-11-28 | 2022-01-06 | 3M Innovative Properties Company | Data center infrastructure optimization method based on causal learning |
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 |
WO2022213494A1 (zh) * | 2021-04-07 | 2022-10-13 | 厦门邑通智能科技集团有限公司 | 一种中央空调水冷机组节能控制方法、系统和设备 |
-
2022
- 2022-11-04 CN CN202211379213.0A patent/CN115696871B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190075687A1 (en) * | 2017-09-06 | 2019-03-07 | Vertiv Corporation | Cooling unit energy optimization via smart supply air temperature setpoint control |
US20190104642A1 (en) * | 2017-09-29 | 2019-04-04 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for determining water chilling unit for cooling data center |
CN108990383A (zh) * | 2018-08-15 | 2018-12-11 | 北京建筑大学 | 一种数据中心空调系统预测控制方法 |
US20220004475A1 (en) * | 2018-11-28 | 2022-01-06 | 3M Innovative Properties Company | Data center infrastructure optimization method based on causal learning |
CN210519308U (zh) * | 2019-08-07 | 2020-05-12 | 世源科技工程有限公司 | 一种数据中心板冷式液体冷却系统 |
CN111486552A (zh) * | 2020-04-24 | 2020-08-04 | 辽宁工程技术大学 | 基于分项计量数据的空调冷冻水供水温度策略识别方法 |
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 |
CN112503746A (zh) * | 2020-12-09 | 2021-03-16 | 上海安悦节能技术有限公司 | 基于机器学习与粒子群算法的动力站房冷源系统的控制方法 |
WO2022213494A1 (zh) * | 2021-04-07 | 2022-10-13 | 厦门邑通智能科技集团有限公司 | 一种中央空调水冷机组节能控制方法、系统和设备 |
CN113191418A (zh) * | 2021-04-27 | 2021-07-30 | 华中科技大学 | 基于室外气象参数的非侵入式建筑分项冷负荷监测方法 |
CN113825356A (zh) * | 2021-07-28 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 冷源系统的节能控制方法、装置、电子设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117490481A (zh) * | 2023-11-02 | 2024-02-02 | 汕头市源鑫电子有限公司 | 冷却系统的冷却塔控制方法、装置、设备和存储介质 |
CN117869256A (zh) * | 2024-02-18 | 2024-04-12 | 上海时链节能科技有限公司 | 空压机冷却水泵流量调节方法、装置、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115696871B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115696871B (zh) | 一种基于机器学习的数据中心水冷系统调控方法及装置 | |
CN111237989B (zh) | 一种基于负荷预测的楼宇通风空调控制方法及装置 | |
CN110458340B (zh) | 基于模式分类的建筑空调冷负荷自回归预测方法 | |
CN110107989A (zh) | 基于冷冻水回水温度最佳设定点的小型定频冷水机组变水温控制方法 | |
Lin et al. | Ancillary services through demand scheduling and control of commercial buildings | |
CN104534627B (zh) | 中央空调冷却水系统综合能效控制方法 | |
CN110736227A (zh) | 具有在线可配置系统标识的建筑物管理系统 | |
CN109765797A (zh) | 一种空调节能仿真系统 | |
CN102283283B (zh) | 智能化浅层地能低温储粮系统 | |
KR101754536B1 (ko) | 건물 에너지 관리 시스템을 통한 냉동기의 최적 제어 방법 및 장치 | |
CN111649457B (zh) | 一种动态预测性机器学习型空调节能控制方法 | |
CN113739365A (zh) | 中央空调冷站群控节能控制方法、装置、设备及存储介质 | |
CN116398994B (zh) | 一种基于负荷预测的冷水机组群控优化方法 | |
JP5248897B2 (ja) | 運転計画決定システム | |
CN114046593A (zh) | 一种动态预测性机器学习型空调节能控制方法及系统 | |
CN113405223A (zh) | 一种基于grnn的冷机台数控制方法及其控制系统 | |
CN113778215A (zh) | 基于大数据实现数据中心pue预测以及降耗策略的方法 | |
CN114740727B (zh) | 室外温度扰动条件下的空气源热泵动态能效优化控制方法 | |
CN113091262A (zh) | 一种基于模型预测控制的数据中心温湿度设定值确定方法 | |
CN113028610B (zh) | 中央空调动态负荷全局优化与节能控制的方法和装置 | |
CN113268913A (zh) | 一种基于pso-elm算法的智能建筑空调冷机系统运行优化方法 | |
CN114893871A (zh) | 一种中央空调冷冻机房的高效能控制方法及系统 | |
CN113887833A (zh) | 一种分布式能源用户侧逐时负荷预测方法及系统 | |
CN116045461B (zh) | 一种基于给回水温度调节的风冷空调节能控制方法及装置 | |
Yang et al. | Hybrid artificial neural network− genetic algorithm technique for condensing temperature control of air-cooled chillers |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 100142 block B, Linglong Tiandi, North West Fourth Ring Road, Haidian District, Beijing Patentee after: China Electronics Engineering Design Institute Co.,Ltd. Country or region after: China Address before: 100142 block B, Linglong Tiandi, North West Fourth Ring Road, Haidian District, Beijing Patentee before: CHINA ELECTRONICS ENGINEERING DESIGN INSTITUTE Co.,Ltd. Country or region before: China |