CN116027863A - 一种浸没液冷散热调控方法、系统、电子设备及存储介质 - Google Patents
一种浸没液冷散热调控方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116027863A CN116027863A CN202211668397.2A CN202211668397A CN116027863A CN 116027863 A CN116027863 A CN 116027863A CN 202211668397 A CN202211668397 A CN 202211668397A CN 116027863 A CN116027863 A CN 116027863A
- Authority
- CN
- China
- Prior art keywords
- liquid cooling
- flow
- heat dissipation
- cooling system
- trained
- 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
-
- 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
- Cooling Or The Like Of Electrical Apparatus (AREA)
Abstract
本发明提供了一种浸没液冷散热调控方法、系统、电子设备及存储介质，方法包括：实时获取浸没液冷系统中多个散热单元的多个参数值，构建待训练数据集，多个参数值至少包括温度、温差和出入压力；基于浸没液冷系统中各分管流量分配和热传递能量效率，构建误差函数；基于待训练数据集和误差函数，对待训练DQN网络进行训练，得到冷散热调控模型；基于冷散热调控模型对浸没液冷系统中各分管流量进行调控。本发明通过基于待训练数据和误差函数对待训练DQN网络进行训练，得到冷散热调控模型，并基于冷散热调控模型对各分管流量进行实时调控，从而使得浸没液冷系统中流量泵组可以根据各分管流量和温度进行自动化调节。
Description
技术领域
本发明涉及服务器散热技术领域，更具体地，涉及一种浸没液冷散热调控方法、系统、电子设备及存储介质。
背景技术
随着大数据技术的普及，高通量数据计算和图像计算的复杂度越来越大。且由于硬件集成度的提高，CPU、GPU等元器件功耗不断飙升，电子器件的散热成为目前的关键问题。风冷暴力散热已经越来越不能满足各种计算环境，特别是数据中心级别的数据调度和数据计算对系统散热水平的要求。浸没式液冷技术应运而生，浸没式液冷技术是把服务器整体浸泡在沸点高、绝缘、无腐蚀性的特殊液体里，以液体为媒介把服务器中CPU、内存条、芯片组、扩展卡等电子器件在运行时所产生的热量通过液体工质将热流导出，在外部进行散热后，将冷液注入内部进行冷热交互达到控温的效果。
目前浸没式液冷技术还处于发展阶段，降温检测方式只能单纯依赖温度传感器传递的温度数据与阈值判别，依靠外部泵对整体流量进行线性调整。这会导致能源浪费，加大了泵的负担，缩短了流量泵的寿命，因此，如何进一步提高浸没液冷系统的冷却效率是亟待解决的问题。
发明内容
本发明针对现有技术中存在的技术问题，提供一种浸没液冷散热调控方法、系统、电子设备及存储介质，用以解决如何进一步提高浸没液冷系统的冷却效率的问题。
根据本发明的第一方面，提供了一种浸没液冷散热调控方法，包括：
实时获取浸没液冷系统中多个散热单元的多个参数值，构建待训练数据集，所述多个参数值至少包括温度、温差和出入压力；
基于所述浸没液冷系统中各分管流量分配和热传递能量效率，构建误差函数；
基于所述待训练数据集和所述误差函数，对待训练DQN网络进行训练，得到冷散热调控模型；
基于所述冷散热调控模型对所述浸没液冷系统中各分管流量进行调控。
在上述技术方案的基础上，本发明还可以作出如下改进。
优选的，所述基于所述浸没液冷系统中各分管流量分配和热传递能量效率，构建误差函数的步骤，包括：
基于各分管对应的流量泵两端的单管热量损失和流量，计算奖惩值；
基于所述奖惩值和所述浸没液冷系统的流量，构建误差函数。
优选的，所述奖惩值为：
rt＝∑Ri＝∑ΔHi/Qi；
其中，i为所述浸没液冷系统中分管的序号，Ri为第i个分管对应的热力传递效率，△Hi为第i个分管对应的单管热量损失，Qi为第i个分管的流量；
所述误差函数为：
E＝rt+r*Q’-Q
其中，rt为奖惩值，r为折扣因子，Q为网络动作状态值，Q’为上一时刻的网络动作状态预测值。
优选的，所述基于所述待训练数据集和所述误差函数，对待训练DQN网络进行训练的步骤之前，包括：
基于增广拉格朗日算子、惩罚因子，以最大热传递速率为目标，构建DQN网络正向传播函数。
优选的，所述DQN网络正向传播函数为：
其中，Qt为系统流量，μ为拉格朗日因子，η为惩罚因子，H为热量损失值，minQ-H为系统流量Qt下系统最大的热传递速率，Pmax为所述浸没液冷系统流量泵组的最大功率，Pmax-∑Lipi为约束条件,Li为所述浸没液冷系统第i个分管道的流量，pi为所述浸没液冷系统第i个流量泵的功率。
优选的，所述基于所述冷散热调控模型对所述浸没液冷系统中各分管流量进行调控的步骤，包括：
在所述浸没液冷系统中各散热单元的当前温度和/或温升速率，大于预设温度阈值和预设温升速率阈值时，将其对应散热单元的温度、温差和出入压力输入至所述散热调控模型中，以使其对应的流量泵根据输出的流量调节信息进行降温。
优选的，所述以使其对应的流量泵根据输出的流量调节信息进行降温的步骤之后，包括：
在温降大于降温前温度的20％时，将所述流量调节信息清空，以使所述浸没液冷系统停止降温。
根据本发明的第二方面，提供一种浸没液冷散热调控系统，包括：
数据获取模块，用于实时获取浸没液冷系统中多个散热单元的多个参数值，构建待训练数据集，所述多个参数值至少包括温度、温差和出入压力；
误差函数模块，用于基于所述浸没液冷系统中各分管流量分配和热传递能量效率，构建误差函数；
模型训练模块，用于基于所述待训练数据集和所述误差函数，对待训练DQN网络进行训练，得到冷散热调控模型；
流量调控模块，用于基于所述冷散热调控模型对所述浸没液冷系统中各分管流量进行调控。
根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现上述第一方面中任一浸没液冷散热调控方法的步骤。
根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现上述第一方面中任一浸没液冷散热调控方法的步骤。
本发明提供的一种浸没液冷散热调控方法、系统、电子设备及存储介质，方法包括：实时获取浸没液冷系统中多个散热单元的多个参数值，构建待训练数据集，上述多个参数值至少包括温度、温差和出入压力；基于上述浸没液冷系统中各分管流量分配和热传递能量效率，构建误差函数；基于上述待训练数据集和上述误差函数，对待训练DQN网络进行训练，得到冷散热调控模型；基于上述冷散热调控模型对上述浸没液冷系统中各分管流量进行调控。本发明通过基于浸没液冷系统中的多个散热单元的多个参数值构建待训练数据集，并基于上述浸没液冷系统中各分管流量分配和热传递能量效率构建误差函数，基于上述待训练数据和上述误差函数对待训练DQN网络进行训练，得到冷散热调控模型，并基于上述冷散热调控模型对各分管流量进行实时调控，从而使得浸没液冷系统中流量泵组可以根据各分管流量和温度进行自动化调节，并由于上述冷散热调控模型可以根据上述温度数据获取次优解，从而改变了以往通过阈值判断的调整方式，降低了能源浪费以及流量泵组的负担，提升了流量泵的使用寿命。
附图说明
图1为本发明提供的一种浸没液冷散热调控方法流程图；
图2为本发明提供的浸没液冷散热系统设备的结构示意图；
图3为本发明提供的一种DQN网络正向传播迭代的示意图；
图4为本发明提供的一种浸没液冷散热调控系统结构示意图；
图5为本发明提供的一种可能的电子设备的硬件结构示意图；
图6为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1为本发明提供的一种浸没液冷散热调控方法流程图，如图1所示，方法包括：
步骤S100：实时获取浸没液冷系统中多个散热单元的多个参数值，构建待训练数据集，所述多个参数值至少包括温度、温差和出入压力；
需要说明的是，本实施例方法的执行主体可以是具有数据处理、网络通信及程序运行功能的计算机终端设备，例如：电脑、平板电脑等；也可以是具有相同相似功能的服务器设备，还可以是具有相似功能的云服务器，本实施例对此不做限制。为了便于理解，本实施例及下述各实施例将以服务器设备为例进行说明。
可以理解的是，上述浸没液冷系统可以用于对计算机硬件进行散热的一套物理装置，其结构参见图2，图2为本发明提供的浸没液冷散热系统设备的结构示意图；在图2中，mp为浸没液冷散热系统的总管，dR1为1分4分配器，dR2为1分9分配器，aR1为4合1汇集器，aR2为9合1汇集器，其中，各个组件处安装有对应的温度传感器，上述温度传感器可以有独立的计算模块，也可以用统一的中心处理器进行管理，上述中心处理器在接收到管理员设定的温度阈值后，会与各个散热单元对应的温度传感器进行数据交互，获取上述浸没液冷系统各个散热单元的实时温度、计算与上一个时间点的温差，并将上述实时温度和温差进行采集。
应理解的是，上述待训练数据集中的多个参数可以是通过实时获取上述浸没液冷系统中的多个参数值构建的，也可以是获取其历史数据构建，本实施例对此不作限制。
步骤S200：基于所述浸没液冷系统中各分管流量分配和热传递能量效率，构建误差函数；
可以理解的是，构建误差函数是训练神经网络的核心，在建立基本网络并执行迭代后，利用强化学习的思想将能量效率作为奖惩值。考虑到各分管流阻对系统能量效率产生影响，构造误差函数引入强化学习奖惩值rt使网络向能量效率高的方向收敛。
进一步的，上述构建误差函数的步骤，包括：
步骤S201：基于各分管对应的流量泵两端的单管热量损失和流量，计算奖惩值；
其中，奖惩值为：
rt＝∑Ri＝∑ΔHi/Qi；
其中，i为所述浸没液冷系统中分管的序号，Ri为第i个分管对应的热力传递效率，△Hi为第i个分管对应的单管热量损失，Qi为第i个分管的流量；
步骤S202：基于所述奖惩值和所述浸没液冷系统的流量，构建误差函数。
其中，误差函数为：
E＝rt+r*Q’-Q
其中，rt为奖惩值，r为折扣因子，Q为网络动作状态值，Q’为上一时刻的网络动作状态预测值。
步骤S300：基于所述待训练数据集和所述误差函数，对待训练DQN网络进行训练，得到冷散热调控模型；
进一步的，上述所述基于所述待训练数据集和所述误差函数，对待训练DQN网络进行训练的步骤之前，包括：
步骤S301：基于增广拉格朗日算子、惩罚因子，以最大热传递速率为目标，构建DQN网络正向传播函数。
其中，DQN网络正向传播函数为：
其中，Qt为系统流量，μ为拉格朗日因子，η为惩罚因子，H为热量损失值，minQ-H为系统流量Qt下系统最大的热传递速率，Pmax为所述浸没液冷系统流量泵组的最大功率，Pmax-∑Lipi为约束条件,Li为所述浸没液冷系统第i个分管道的流量，pi为所述浸没液冷系统第i个流量泵的功率。
在具体实现中，网络正向设计为：以最大热传递速率为目标，解约束最优化问题。采用增广拉格朗日乘子法将系统传输速率约束优化问题转化为无约束问题，其中最优问题为minQ-H,约束条件为Pmax-∑Lipi；其中，minQ代表系统流量Qt下系统最大的热传递速率，由于管内的热量是损失的，所以最优问题是minQ-H。使用增广拉格朗日算子法，化多约束为无约束问题，对增广拉格朗日方程求偏导。带入惩罚因子。μ为拉格朗日因子，η为惩罚因子，即得DQN网络正向传播函数。
进一步的，上述对增广拉格朗日函数求导的步骤还可以参见图3，图3为本发明提供的一种DQN网络正向传播迭代的示意图，其中，对增广拉格朗日函数分别求联合流量分配L以及功率分配p的导数，将导函数设置为深度网络层级之间的传递函数，将流量泵与分管的温度、温差、出入压力信息作为输入，依次迭代，迭代次数决定了网络层数。将流量分布以瑞利分布初始化，利用构造的DNN将观测到的温度、温差作为输入，输出以最大热传递速率为设计目标的流量分配和功率分配的数值，取其中的最大值Q(网络动作状态值，其中在最大值Q处的策略处的动作收益的最大值，也即次优解)代表的流量分配作为该时刻的资源分配策略。
可以理解的是，上述DNN为深度神经网络结构，本实施例中的DQN网络是以DNN网络为结构，加入强化学习方法，所以称之为DQN网络。
步骤S400：基于所述冷散热调控模型对所述浸没液冷系统中各分管流量进行调控。
进一步的，在所述浸没液冷系统中各散热单元的当前温度和/或温升速率，大于预设温度阈值和预设温升速率阈值时，将其对应散热单元的温度、温差和出入压力输入至所述散热调控模型中，以使其对应的流量泵根据输出的流量调节信息进行降温。
在具体实现中，以温度传感器、压力传感器为主的数据采集模块采集各分支温度及两端压强，通过数据总线传递到嵌入式DQN模块进行处理，网络预测结果即为联合次优解的分支流量分配策略，将流量分配策略的流量调节信息通过数据总线传递到液泵以实现相应流量控制。
进一步的，在温降大于降温前温度的20％时，将所述流量调节信息清空，以使所述浸没液冷系统停止降温。
在具体实现中，通过用户端设置温度和温升速率阈值，当温度或温升速率超过规定阈值时，通过D/A转换器将对应分支数据进行采集和传输，调节对应管道流量。当降温超过原温度的20％时停止降温。
可以理解的是，基于背景技术中的缺陷，本发明实施例提出了一种浸没液冷散热调控方法，方法包括：实时获取浸没液冷系统中多个散热单元的多个参数值，构建待训练数据集，上述多个参数值至少包括温度、温差和出入压力；基于上述浸没液冷系统中各分管流量分配和热传递能量效率，构建误差函数；基于上述待训练数据集和上述误差函数，对待训练DQN网络进行训练，得到冷散热调控模型；基于上述冷散热调控模型对上述浸没液冷系统中各分管流量进行调控。本发明通过基于浸没液冷系统中的多个散热单元的多个参数值构建待训练数据集，并基于上述浸没液冷系统中各分管流量分配和热传递能量效率构建误差函数，基于上述待训练数据和上述误差函数对待训练DQN网络进行训练，得到冷散热调控模型，并基于上述冷散热调控模型对各分管流量进行实时调控，从而使得浸没液冷系统中流量泵组可以根据各分管流量和温度进行自动化调节，并由于上述冷散热调控模型可以根据上述温度数据获取次优解，从而改变了以往通过阈值判断的调整方式，降低了能源浪费以及流量泵组的负担，提升了流量泵的使用寿命。
请参阅图4，图4为本发明实施例提供的一种浸没液冷散热调控系统结构图示意图，如图4所示，一种浸没液冷散热调控系统，包括数据获取模块100、误差函数模块200、模型训练模块300和流量调控模块400，其中：
数据获取模块100，用于实时获取浸没液冷系统中多个散热单元的多个参数值，构建待训练数据集，所述多个参数值至少包括温度、温差和出入压力；误差函数模块200，用于基于所述浸没液冷系统中各分管流量分配和热传递能量效率，构建误差函数；模型训练模块300，用于基于所述待训练数据集和所述误差函数，对待训练DQN网络进行训练，得到冷散热调控模型；流量调控模块400，用于基于所述冷散热调控模型对所述浸没液冷系统中各分管流量进行调控。
可以理解的是，本发明提供的一种浸没液冷散热调控系统与前述各实施例提供的浸没液冷散热调控方法相对应，浸没液冷散热调控系统的相关技术特征可参考浸没液冷散热调控方法的相关技术特征，在此不再赘述。
请参阅图5，图5为本发明实施例提供的电子设备的实施例示意图。如图5所示，本发明实施例提供了一种电子设备，包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311，处理器1320执行计算机程序1311时实现以下步骤：
实时获取浸没液冷系统中多个散热单元的多个参数值，构建待训练数据集，上述多个参数值至少包括温度、温差和出入压力；基于上述浸没液冷系统中各分管流量分配和热传递能量效率，构建误差函数；基于上述待训练数据集和上述误差函数，对待训练DQN网络进行训练，得到冷散热调控模型；基于上述冷散热调控模型对上述浸没液冷系统中各分管流量进行调控。
请参阅图6，图6为本发明提供的一种计算机可读存储介质的实施例示意图。如图6所示，本实施例提供了一种计算机可读存储介质1400，其上存储有计算机程序1411，该计算机程序1411被处理器执行时实现如下步骤：
实时获取浸没液冷系统中多个散热单元的多个参数值，构建待训练数据集，上述多个参数值至少包括温度、温差和出入压力；基于上述浸没液冷系统中各分管流量分配和热传递能量效率，构建误差函数；基于上述待训练数据集和上述误差函数，对待训练DQN网络进行训练，得到冷散热调控模型；基于上述冷散热调控模型对上述浸没液冷系统中各分管流量进行调控。
本发明提供的一种浸没液冷散热调控方法、系统、电子设备及存储介质，方法包括：实时获取浸没液冷系统中多个散热单元的多个参数值，构建待训练数据集，上述多个参数值至少包括温度、温差和出入压力；基于上述浸没液冷系统中各分管流量分配和热传递能量效率，构建误差函数；基于上述待训练数据集和上述误差函数，对待训练DQN网络进行训练，得到冷散热调控模型；基于上述冷散热调控模型对上述浸没液冷系统中各分管流量进行调控。本发明通过基于浸没液冷系统中的多个散热单元的多个参数值构建待训练数据集，并基于上述浸没液冷系统中各分管流量分配和热传递能量效率构建误差函数，基于上述待训练数据和上述误差函数对待训练DQN网络进行训练，得到冷散热调控模型，并基于上述冷散热调控模型对各分管流量进行实时调控，从而使得浸没液冷系统中流量泵组可以根据各分管流量和温度进行自动化调节，并由于上述冷散热调控模型可以根据上述温度数据获取次优解，从而改变了以往通过阈值判断的调整方式，降低了能源浪费以及流量泵组的负担，提升了流量泵的使用寿命。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者其他可编程数据处理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设备上，使得在计算机或其他可编程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，则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种浸没液冷散热调控方法，其特征在于，所述方法包括：
实时获取浸没液冷系统中多个散热单元的多个参数值，构建待训练数据集，所述多个参数值至少包括温度、温差和出入压力；
基于所述浸没液冷系统中各分管流量分配和热传递能量效率，构建误差函数；
基于所述待训练数据集和所述误差函数，对待训练DQN网络进行训练，得到冷散热调控模型；
基于所述冷散热调控模型对所述浸没液冷系统中各分管流量进行调控。
2.根据权利要求1所述的浸没液冷散热调控方法，其特征在于，所述基于所述浸没液冷系统中各分管流量分配和热传递能量效率，构建误差函数的步骤，包括：
基于各分管对应的流量泵两端的单管热量损失和流量，计算奖惩值；
基于所述奖惩值和所述浸没液冷系统的流量，构建误差函数。
3.根据权利要求2所述的浸没液冷散热调控方法，其特征在于，所述奖惩值为：
rt＝∑Ri＝∑ΔHi/Qi；
其中，i为所述浸没液冷系统中分管的序号，Ri为第i个分管对应的热力传递效率，△Hi为第i个分管对应的单管热量损失，Qi为第i个分管的流量；
所述误差函数为：
E＝rt+r*Q’-Q
其中，rt为奖惩值，r为折扣因子，Q为网络动作状态值，Q’为上一时刻的网络动作状态预测值。
4.根据权利要求1所述的浸没液冷散热调控方法，其特征在于，所述基于所述待训练数据集和所述误差函数，对待训练DQN网络进行训练的步骤之前，包括：
基于增广拉格朗日算子、惩罚因子，以最大热传递速率为目标，构建DQN网络正向传播函数。
5.根据权利要求4所述的浸没液冷散热调控方法，其特征在于，所述DQN网络正向传播函数为：
其中，Qt为系统流量，μ为拉格朗日因子，η为惩罚因子，H为热量损失值，minQ-H为系统流量Qt下系统最大的热传递速率，Pmax为所述浸没液冷系统流量泵组的最大功率，Pmax-∑Lipi为约束条件,Li为所述浸没液冷系统第i个分管道的流量，pi为所述浸没液冷系统第i个流量泵的功率。
6.根据权利要求1所述的浸没液冷散热调控方法，其特征在于，所述基于所述冷散热调控模型对所述浸没液冷系统中各分管流量进行调控的步骤，包括：
在所述浸没液冷系统中各散热单元的当前温度和/或温升速率，大于预设温度阈值和预设温升速率阈值时，将其对应散热单元的温度、温差和出入压力输入至所述散热调控模型中，以使其对应的流量泵根据输出的流量调节信息进行降温。
7.根据权利要求6所述的浸没液冷散热调控方法，其特征在于，所述以使其对应的流量泵根据输出的流量调节信息进行降温的步骤之后，包括：
在温降大于降温前温度的20％时，将所述流量调节信息清空，以使所述浸没液冷系统停止降温。
8.一种浸没液冷散热调控系统，其特征在于，包括
数据获取模块，用于实时获取浸没液冷系统中多个散热单元的多个参数值，构建待训练数据集，所述多个参数值至少包括温度、温差和出入压力；
误差函数模块，用于基于所述浸没液冷系统中各分管流量分配和热传递能量效率，构建误差函数；
模型训练模块，用于基于所述待训练数据集和所述误差函数，对待训练DQN网络进行训练，得到冷散热调控模型；
流量调控模块，用于基于所述冷散热调控模型对所述浸没液冷系统中各分管流量进行调控。
9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的浸没液冷散热调控方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的浸没液冷散热调控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211668397.2A CN116027863A (zh) | 2022-12-23 | 2022-12-23 | 一种浸没液冷散热调控方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211668397.2A CN116027863A (zh) | 2022-12-23 | 2022-12-23 | 一种浸没液冷散热调控方法、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116027863A true CN116027863A (zh) | 2023-04-28 |
Family
ID=86075310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211668397.2A Pending CN116027863A (zh) | 2022-12-23 | 2022-12-23 | 一种浸没液冷散热调控方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116027863A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743974A (zh) * | 2024-02-21 | 2024-03-22 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 液冷储能系统冷却流量分配方法、装置及存储介质 |
-
2022
- 2022-12-23 CN CN202211668397.2A patent/CN116027863A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743974A (zh) * | 2024-02-21 | 2024-03-22 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 液冷储能系统冷却流量分配方法、装置及存储介质 |
| CN117743974B (zh) * | 2024-02-21 | 2024-05-03 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 液冷储能系统冷却流量分配方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2270469C2 (ru) | Система управления режимами электроэнергетических систем | |
| Soltani et al. | Heat exchanger networks retrofit with considering pressure drop by coupling genetic algorithm with LP (linear programming) and ILP (integer linear programming) methods | |
| CN113962142B (zh) | 一种基于两段式lstm的数据中心温度预测方法及系统 | |
| CN116027863A (zh) | 一种浸没液冷散热调控方法、系统、电子设备及存储介质 | |
| KR102610842B1 (ko) | 뉴럴 네트워크에서의 프로세싱 엘리먼트 및 그 동작 방법 | |
| CN114625229A (zh) | 一种浸没液冷散热调控优化方法、装置和一种数据中心 | |
| US20220394880A1 (en) | System and method for transferring thermal energy from integrated circuits | |
| Zhao et al. | Ensuring DNN solution feasibility for optimization problems with linear constraints | |
| CN117273409B (zh) | 一种园区智慧化环保系统智能运维方法、系统及存储介质 | |
| Zhang et al. | DRL-S: Toward safe real-world learning of dynamic thermal management in data center | |
| US11744040B2 (en) | Optimal control logic in liquid cooling solution for heterogeneous computing | |
| Liu et al. | Thermal-aware virtual machine placement based on multi-objective optimization | |
| Qi et al. | SHIELD: Sustainable hybrid evolutionary learning framework for carbon, wastewater, and energy-aware data center management | |
| CN117767433A (zh) | 基于数字孪生的实时县域能源互联网调度方法及系统 | |
| CN117350165A (zh) | 一种基于深度强化学习的3d芯片动态热管理方法 | |
| CN116777234A (zh) | 一种两阶段鲁棒优化模型的构建、策略制定方法及系统 | |
| Ramadevi et al. | Chaotic Sandpiper Optimization Based Virtual Machine Scheduling for Cyber-Physical Systems. | |
| CN114254545A (zh) | 并联冷机系统负荷控制优化方法、系统、设备及介质 | |
| Xu et al. | A nsga based on-site operation and maintenance smart scheduling method | |
| KR20200081082A (ko) | 재생 가능한 분산 데이터 센터의 에너지 효율성을 최대화하기 위한 거시 및 미시적 자원 스케일링 기법 | |
| CN116596280B (zh) | 一种污水处理厂水泵组的协同调度方法 | |
| CN115660324B (zh) | 基于图强化学习的电网多断面越限调控方法和系统 | |
| WO2019080354A1 (zh) | 一种基于昂贵多目标优化问题的优化方法及系统 | |
| WO2024060344A1 (zh) | 数据-物理融合驱动的柔性配电系统自适应电压控制方法 | |
| Zhou et al. | Intelligent Task Scheduling for Multi-Core Processors Based on Graph Neural Networks and Deep Reinforcement Learning |
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 |