CN116193819A - 一种数据中心机房节能控制方法、系统、装置及电子设备 - Google Patents
一种数据中心机房节能控制方法、系统、装置及电子设备 Download PDFInfo
- Publication number
- CN116193819A CN116193819A CN202310095342.5A CN202310095342A CN116193819A CN 116193819 A CN116193819 A CN 116193819A CN 202310095342 A CN202310095342 A CN 202310095342A CN 116193819 A CN116193819 A CN 116193819A
- Authority
- CN
- China
- Prior art keywords
- machine room
- data center
- center machine
- data
- temperature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 238000004088 simulation Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000015654 memory Effects 0.000 claims description 36
- 238000005457 optimization Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 238000011217 control strategy Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 abstract description 13
- 230000008859 change Effects 0.000 abstract description 10
- 230000007547 defect Effects 0.000 abstract description 4
- 238000004378 air conditioning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 241000282421 Canidae Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000036621 balding Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
Abstract
本发明公开了一种数据中心机房节能控制方法、系统、装置及电子设备，获取数据中心机房温度传感器数据和数据中心机房热环境模拟数据并建立基于区间二型模糊辨识的机房温度预测模型；基于该模型对数据中心机房空调温度进行预测，得到数据中心机房空调温度预测值并经过预设群智能算法处理，得到目标控制参数；基于目标控制参数，完成对数据中心机房的节能控制，有效克服了的传统控制无法感知数据中心机房空调未来的温度变化导致的控制精度低、波动性大等缺点，显著提高了机房温度调节精度，有效缩短了调节时间，具有更好跟踪性能和鲁棒性能，有效降低了数据中心机房空调能耗。
Description
技术领域
本发明涉及数据中心节能控制技术领域，具体涉及一种数据中心机房节能控制方法、系统、装置及电子设备。
背景技术
随着各行各业信息化程度的不断提高，数据中心行业迎来了快速发展期。然而，随着数据中心规模的不断扩大，高能耗和高碳排放问题也日益凸显。数据中心的发展之迅速和能源消耗之巨大引起了数据中心行业等能源类相关组织和机构的高度重视。面对数据中心不断增长的能源消耗与经济社会可持续发展的双重压力，迫切需要研究数据中心的节能降碳技术，为加速数据中心的绿色转型提供技术支撑。中央空调系统是保证数据中心全年不间断稳定安全运行的基础，其能耗占数据中心总体能耗的40％以上，而中央空调系统末端系统能耗占空调系统能耗的71％，因此研究空调末端系统的节能优化控制具有重要意义。
当前数据中心末端机房控制通常使用传感器检测热通道回风温度进行送风控制，然而空调末端系统具有非线性、惯性和滞后等特性，所测回风温度与机柜处温度存在较大差别，只能对通道温度进行粗放控制，控制精度低，且对温度异常反应时间较长，温度波动幅度大，工程上常采用传统PID控制，但是传统PID控制无法感知机柜未来的温度变化，控制精度低、控制波动性大，不能有效降低数据中心机房能耗。
发明内容
有鉴于此，本发明实施例提供了涉及一种数据中心机房节能控制方法、系统、装置及电子设备，以解决现有技术中采用的传统PID控制无法感知机柜未来的温度变化，控制精度低、控制波动性大，不能有效降低数据中心机房能耗的技术问题。
本发明提出的技术方案如下：
第一方面，本发明实施例提供一种数据中心机房节能控制方法，该数据中心机房节能控制方法包括：获取数据中心机房温度传感器数据和数据中心机房热环境模拟数据；基于所述数据中心机房温度传感器数据和所述数据中心机房热环境模拟数据，建立基于区间二型模糊辨识的机房温度预测模型；基于所述基于区间二型模糊辨识的机房温度预测模型，对数据中心机房空调温度进行预测，得到数据中心机房空调温度预测值；基于所述数据中心机房空调温度预测值，经过预设群智能算法处理，得到目标控制参数；基于所述目标控制参数，完成对数据中心机房的节能控制。
结合第一方面，在第一方面的一种可能的实现方式中，基于所述数据中心机房空调温度预测值，经过预设群智能算法处理，得到目标控制参数，包括：获取预设算法集，所述预设算法集包括比例积分微分控制算法、预测控制理论和群体智能优化算法；基于所述比例积分微分控制算法、预测控制理论和群体智能优化算法，确定数据中心机房空调末端送风控制策略；基于所述数据中心机房空调温度预测值确定目标函数；基于所述数据中心机房空调末端送风控制策略和所述目标函数，经过所述预设群智能算法处理，得到所述目标控制参数。
结合第一方面，在第一方面的另一种可能的实现方式中，基于所述目标控制参数，完成对数据中心机房的节能控制之后，所述方法还包括：获取数据中心机房节能控制结果；基于所述数据中心机房节能控制结果校正所述基于区间二型模糊辨识的机房温度预测模型。
结合第一方面，在第一方面的又一种可能的实现方式中，获取数据中心机房温度传感器数据和数据中心机房热环境模拟数据之后，所述方法还包括：基于所述数据中心机房温度传感器数据和数据中心机房热环境模拟数据，分别建立支持向量机的机房温度预测模型、基于双向长短期记忆网络的机房温度预测模型和基于反馈神经网络的机房温度预测模型；对所述支持向量机的机房温度预测模型、所述基于双向长短期记忆网络的机房温度预测模型和所述基于反馈神经网络的机房温度预测模型进行模型融合，得到目标机房温度预测模型；基于所述目标机房温度预测模型，对数据中心机房温度进行预测，得到数据中心机房温度预测值。
结合第一方面，在第一方面的又一种可能的实现方式中，所述方法还包括：获取数据中心机房空调温度阈值；将所述数据中心机房温度预测值与所述数据中心机房空调温度阈值进行比对；基于比对结果生成温度预警信号。
结合第一方面，在第一方面的又一种可能的实现方式中，所述方法还包括：基于所述数据中心机房温度传感器数据更新所述目标机房温度预测模型。
第二方面，本发明实施例提供一种数据中心机房节能控制系统，用于执行如本发明实施例第一方面及第一方面任一项所述的数据中心机房节能控制方法；该数据中心机房节能控制系统包括：至少一个温度传感器、服务器和控制系统；所述至少一个温度传感器，用于获取数据中心机房温度传感器数据，以及将所述数据中心机房温度传感器数据发送至控制系统；所述服务器，用于获取数据中心机房热环境模拟数据，以及将所述数据中心机房热环境模拟数据发送至所述控制系统；所述控制系统包括空调末端节能控制子系统和机房温度监控及预测子系统；所述空调末端节能控制子系统，用于基于所述数据中心机房温度传感器数据和所述数据中心机房热环境模拟数据，对数据中心机房进行节能控制；所述机房温度监控及预测子系统，用于基于所述数据中心机房温度传感器数据和所述数据中心机房热环境模拟数据，对数据中心机房温度进行监控和预测。
第三方面，本发明实施例提供一种数据中心机房节能控制装置，该数据中心机房节能控制装置包括：获取模块，用于获取数据中心机房温度传感器数据和数据中心机房热环境模拟数据；建立模块，用于基于所述数据中心机房温度传感器数据和所述数据中心机房热环境模拟数据，建立基于区间二型模糊辨识的机房温度预测模型；预测模块，用于基于所述基于区间二型模糊辨识的机房温度预测模型，对数据中心机房空调温度进行预测，得到数据中心机房空调温度预测值；处理模块，用于基于所述数据中心机房空调温度预测值，经过预设群智能算法处理，得到目标控制参数；控制模块，用于基于所述目标控制参数，完成对数据中心机房的节能控制。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的数据中心机房节能控制方法。
第五方面，本发明实施例提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本发明实施例第一方面及第一方面任一项所述的数据中心机房节能控制方法。
本发明提供的技术方案，具有如下效果：
本发明实施例提供的数据中心机房节能控制方法，利用基于区间二型模糊辨识的机房机柜温度预测模型动态感知数据中心机房空调未来温度变化趋势，并基于预设群智能算法确定目标控制参数以及完成了对数据中心机房的节能控制，有效克服了的传统控制无法感知数据中心机房空调未来的温度变化导致的控制精度低、波动性大等缺点，显著提高了机房温度调节精度，有效缩短了调节时间，具有更好跟踪性能和鲁棒性能，有效降低了数据中心机房空调能耗。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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提供的一种数据中心机房节能控制方法的流程图；
图2是根据本发明实施例提供的一种数据中心末端机房节能优化控制方法的流程图；
图3是根据本发明实施例提供的一种数据中心机房节能控制系统的结构框图；
图4是根据本发明实施例提供的一种数据中心机房节能优化控制系统的结构框图；
图5是根据本发明实施例提供的一种数据中心机房节能控制装置的结构框图；
图6是根据本发明实施例提供的计算机可读存储介质的结构示意图；
图7是根据本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例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，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例提供一种数据中心机房节能控制方法，如图1所示，该方法包括如下步骤：
步骤101：获取数据中心机房温度传感器数据和数据中心机房热环境模拟数据。
具体地，数据中心机房内部包括有至少一个温度传感器，通过该各个不同的传感器可以实时获取数据中心机房温度数据；
进一步，首先，基于数据中心机房布局、机房内服务器位置和服务器上架率等数据建立一种反映数据中心机房内的机柜内部细节的CFD模型，然后，基于该CFD模型，建立数据中心机房动态仿真模型，对机房温度流场进行仿真，通过温度云图和速度矢量图直观展示机房气流组织和热环境状态，即获取得到数据中心机房热环境模拟数据。
步骤102：基于所述数据中心机房温度传感器数据和所述数据中心机房热环境模拟数据，建立基于区间二型模糊辨识的机房温度预测模型。
为避免机房机柜出现过热，通常采用过大的送风量和过低的送风温度，造成冷量浪费。因此，亟需对机房的温度分布进行动态感知并进行实时控制。然而，由于传感器的成本及安装问题，当前数据中心的温度传感器有限，无法获取机房的温度分布，因此，需要基于机房物理布局、空调配置、机柜服务器上架率和负载对机房的温度分布进行精准预测，即基于CFD进行温度预测。
进一步，现有的基于CFD的机房温度预测方法通常忽略机柜内部服务器上架率和位置的影响，将机柜作为一个黑箱模型，模拟精度较低，且基于CFD的预测模型耗时长、计算量大，难以实现在线优化控制。
因此，本发明实施例中，综合上述两种方法，即综合数据中心机房温度传感器数据和数据中心机房热环境模拟数据，建立基于区间二型模糊辨识的机房温度预测模型，能够更好地对机房的温度分布进行精准预测，并实现优化控制。
步骤103：基于所述基于区间二型模糊辨识的机房温度预测模型，对数据中心机房空调温度进行预测，得到数据中心机房空调温度预测值。
其中，区间二型模糊辨识模型可以同时建模语义概念的个体内不确定性和个体间不确定性，因此，本发明实施例中基于数据中心机房温度传感器数据和数据中心机房热环境模拟数据建立了一个基于区间二型模糊辨识的机房温度预测模型，根据该模型可以同时获取数据中心机房内不同个体的温度预测值，即通过该基于区间二型模糊辨识的机房温度预测模型对数据中心机房空调温度进行预测，可以得到数据中心机房空调温度预测值。
步骤104：基于所述数据中心机房空调温度预测值，经过预设群智能算法处理，得到目标控制参数。
具体地，根据数据中心机房空调温度预测值可以感知数据中心机房空调温度变化趋势，进一步，利用预设群智能算法进行优化处理，可以得到当前最优的控制参数，即目标控制参数。
步骤105：基于所述目标控制参数，完成对数据中心机房的节能控制。
具体地，将该目标控制参数下发至数据中心机房内对应的空调，可以实现对该空调的节能控制，进一步，通过数据中心机房内每个空调的节能控制即可以实现该数据中心机房的节能控制。
本发明实施例提供的数据中心机房节能控制方法，利用基于区间二型模糊辨识的机房机柜温度预测模型动态感知数据中心机房空调未来温度变化趋势，并基于预设群智能算法确定目标控制参数以及完成了对数据中心机房的节能控制，有效克服了的传统控制无法感知数据中心机房空调未来的温度变化导致的控制精度低、波动性大等缺点，显著提高了机房温度调节精度，有效缩短了调节时间，具有更好跟踪性能和鲁棒性能，有效降低了数据中心机房空调能耗。
作为本发明实施例一种可选的实施方式，步骤104，包括：获取预设算法集，所述预设算法集包括比例积分微分控制算法、预测控制理论和群体智能优化算法；基于所述比例积分微分控制算法、预测控制理论和群体智能优化算法，确定数据中心机房空调末端送风控制策略；基于所述数据中心机房空调温度预测值确定目标函数；基于所述数据中心机房空调末端送风控制策略和所述目标函数，经过所述预设群智能算法处理，得到所述目标控制参数。
其中，比例积分微分控制算法(PID控制算法)表示结合比例(Proportional)、积分(Integral)和微分(Differential)三种环节于一体的控制算法，用于根据输入的偏差值，按照比例、积分、微分的函数关系进行运算，运算结果用以控制输出。
预测控制理论表示模型预测控制(MPC)，用于求解开环最优控制问题；群体智能优化算法(Swarm Intelligence Optimization Algorithm)表示一种基于群体运动和智能的稳健随机优化方法，其基本理论是模拟自然界中鱼群、鸟群、蜂群、狼群和细菌群等动物群体的行为，利用群体间的信息交流与合作，通过简单有限的个体间互动来达到优化的目的。
具体地，本发明实施例中，结合经典PID控制算法、预测控制理论和群智能优化算法，提出基于改进秃鹰(IBES)预测PID算法(IBES-PID)的空调末端送风控制策略。
其中，该IBES-PID预测控制算法包括预测部分和控制部分；
进一步，利用数据中心机房空调温度预测值和数据中心机房空调温度设定值之间的误差作为目标函数，结合该空调末端送风控制策略，利用IBES-PID预测控制算法进行优化处理，得到当前最优的PID参数，即目标控制参数。
作为本发明实施例一种可选的实施方式，步骤105之后，所述方法还包括：获取数据中心机房节能控制结果；基于所述数据中心机房节能控制结果校正所述基于区间二型模糊辨识的机房温度预测模型。
具体地，利用目标控制参数，完成对数据中心机房的节能控制后，还可以集实时控制效果后的机房机柜温度对机房温度预测模型进行在线校正。
作为本发明实施例一种可选的实施方式，步骤101之后，所述方法还包括：基于所述数据中心机房温度传感器数据和数据中心机房热环境模拟数据，分别建立支持向量机的机房温度预测模型、基于双向长短期记忆网络的机房温度预测模型和基于反馈神经网络的机房温度预测模型；对所述支持向量机的机房温度预测模型、所述基于双向长短期记忆网络的机房温度预测模型和所述基于反馈神经网络的机房温度预测模型进行模型融合，得到目标机房温度预测模型；基于所述目标机房温度预测模型，对数据中心机房温度进行预测，得到数据中心机房温度预测值。
其中，支持向量机的机房温度预测模型表示一种按监督学习(supervisedlearning)方式对数据进行二元分类的机房温度预测模型；基于双向长短期记忆网络(BiLSTM)的机房温度预测模型表示一种可以处理序列信息并从中学习有效特征的机房温度预测模型；基于反馈神经网络(Elman)的机房温度预测模型表示一种具有适应时变特性的机房温度预测模型。
首先，利用采集的数据中心机房温度传感器数据和CFD模拟生成的数据中心机房热环境模拟数据分别建立支持向量机的机房温度预测模型、基于BiLSTM的机房温度预测模型和基于ELM的机房温度预测模型；
其次，对上述三种模型进行模型融合，并获得机房温度预测值，即利用融合后得到的目标机房温度预测模型对数据中心机房温度进行预测，得到数据中心机房温度预测值。
作为本发明实施例一种可选的实施方式，所述方法还包括：获取数据中心机房空调温度阈值；将所述数据中心机房温度预测值与所述数据中心机房空调温度阈值进行比对；基于比对结果生成温度预警信号。
首先，设置数据中心机房空调温度阈值；其次，将数据中心机房温度预测值与数据中心机房空调温度阈值进行比对，进而根据比对结果实现数据中心机房温度预警。
具体地，当该数据中心机房温度预测值大于该数据中心机房空调温度阈值时，则发出温度预警信号。
作为本发明实施例一种可选的实施方式，所述方法还包括：基于所述数据中心机房温度传感器数据更新所述目标机房温度预测模型。
具体地，本发明实施例中，还可以利用从传感器采集到的实时数据中心机房温度数据对目标机房温度预测模型进行在线更新。
在一实例中，提供一种数据中心末端机房节能优化控制方法，具体实施过程如图2所示。
本发明实施例还提供一种数据中心机房节能控制系统，用于执行如本发明上述实施例所述的数据中心机房节能控制方法，如图3所示，该数据中心机房节能控制系统3包括：温度传感器31、服务器32和控制系统33。
其中，温度传感器31与服务器32连接；控制系统33分别和温度传感器31、温度传感器31连接。
需要说明的是，上述温度传感器31的数量可以是一个或多个，本实施例对此不做限制。
应理解，系统还可以包括其他装置、设备。
其中，控制系统33包括空调末端节能控制子系统331和机房温度监控及预测子系统332。
进一步，对上述系统中每个装置的功能进行说明。
其中，温度传感器31用于实时获取数据中心机房温度数据，即得到数据中心机房温度传感器数据并将该数据中心机房温度传感器数据发送至对应的控制系统33。
服务器32中预先集成有数据中心机房动态仿真模型，通过该模型可以获取数据中心机房热环境模拟数据，并将该数据中心机房热环境模拟数据发送至对应的控制系统33。
空调末端节能控制子系统331用于基于接收到的数据中心机房温度传感器数据和数据中心机房热环境模拟数据，对数据中心机房进行节能控制。具体的节能控制方法参考上述实施例提供的数据中心机房节能控制方法中的相关描述，此处不再赘述。
机房温度监控及预测子系统332用于基于接收到的数据中心机房温度传感器数据和数据中心机房热环境模拟数据，对数据中心机房温度进行监控和预测。具体的节能控制方法参考上述实施例提供的数据中心机房节能控制方法中的相关描述，此处不再赘述。
在一实例中，提供一种数据中心机房节能优化控制系统，如图4所示，该系统主要包括多个温湿度传感器，通讯设备，工业计算机，通过与数据中心机房温湿度传感器获得机房温湿度实测数据，通过通讯传输到现场工业计算机端，工业计算机具有数据中心末端机房节能优化控制系统，主要包括机房温湿度监控及预警子系统和机房节能优化控制子系统，通过采集到的传感器数据和基于CFD的机房热环境模拟数据构建数据中心机房热环境数据库，基于SVM、LSTM和ELM进行模型融合构建机房温湿度预测模型，实现机房温湿度监控及预警。进一步，基于实测和仿真数据，建立基于区间二型模糊辨识的温度预测模型，提出基于改进秃鹰预测PID算法(IBES-PID)的空调末端送风控制策略，获得当前最优PID控制参数，最后将PID控制参数下发至现场控制器。
本发明实施例还提供一种数据中心机房节能控制装置，如图5所示，该装置包括：
获取模块501，用于获取数据中心机房温度传感器数据和数据中心机房热环境模拟数据；详细内容参见上述方法实施例中步骤101的相关描述。
建立模块502，用于基于所述数据中心机房温度传感器数据和所述数据中心机房热环境模拟数据，建立基于区间二型模糊辨识的机房温度预测模型；详细内容参见上述方法实施例中步骤102的相关描述。
预测模块503，用于基于所述基于区间二型模糊辨识的机房温度预测模型，对数据中心机房空调温度进行预测，得到数据中心机房空调温度预测值；详细内容参见上述方法实施例中步骤103的相关描述。
处理模块504，用于基于所述数据中心机房空调温度预测值，经过预设群智能算法处理，得到目标控制参数；详细内容参见上述方法实施例中步骤104的相关描述。
控制模块505，用于基于所述目标控制参数，完成对数据中心机房的节能控制；详细内容参见上述方法实施例中步骤105的相关描述。
本发明实施例提供的数据中心机房节能控制装置，利用基于区间二型模糊辨识的机房机柜温度预测模型动态感知数据中心机房空调未来温度变化趋势，并基于预设群智能算法确定目标控制参数以及完成了对数据中心机房的节能控制，有效克服了的传统控制无法感知数据中心机房空调未来的温度变化导致的控制精度低、波动性大等缺点，显著提高了机房温度调节精度，有效缩短了调节时间，具有更好跟踪性能和鲁棒性能，有效降低了数据中心机房空调能耗。
作为本发明实施例一种可选的实施方式，所述处理模块，包括：获取子模块，用于获取预设算法集，所述预设算法集包括比例积分微分控制算法、预测控制理论和群体智能优化算法；第一确定子模块，用于基于所述比例积分微分控制算法、预测控制理论和群体智能优化算法，确定数据中心机房空调末端送风控制策略；第二确定子模块，用于基于所述数据中心机房空调温度预测值确定目标函数；处理子模块，用于基于所述数据中心机房空调末端送风控制策略和所述目标函数，经过所述预设群智能算法处理，得到所述目标控制参数。
作为本发明实施例一种可选的实施方式，所述装置还包括：第一获取模块，用于获取数据中心机房节能控制结果；校正模块，用于基于所述数据中心机房节能控制结果校正所述基于区间二型模糊辨识的机房温度预测模型。
作为本发明实施例一种可选的实施方式，所述装置还包括：第一建立模块，用于基于所述数据中心机房温度传感器数据和数据中心机房热环境模拟数据，分别建立支持向量机的机房温度预测模型、基于双向长短期记忆网络的机房温度预测模型和基于反馈神经网络的机房温度预测模型；融合模块，用于对所述支持向量机的机房温度预测模型、所述基于双向长短期记忆网络的机房温度预测模型和所述基于反馈神经网络的机房温度预测模型进行模型融合，得到目标机房温度预测模型；第一预测模块，用于基于所述目标机房温度预测模型，对数据中心机房温度进行预测，得到数据中心机房温度预测值。
作为本发明实施例一种可选的实施方式，所述装置还包括：第二获取模块，用于获取数据中心机房空调温度阈值；比对模块，用于将所述数据中心机房温度预测值与所述数据中心机房空调温度阈值进行比对；生成模块，用于基于比对结果生成温度预警信号。
作为本发明实施例一种可选的实施方式，所述装置还包括：更新模块，用于基于所述数据中心机房温度传感器数据更新所述目标机房温度预测模型。
本发明实施例提供的数据中心机房节能控制装置的功能描述详细参见上述实施例中数据中心机房节能控制方法描述。
本发明实施例还提供一种存储介质，如图6所示，其上存储有计算机程序601，该指令被处理器执行时实现上述实施例中数据中心机房节能控制方法的步骤。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccess Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本发明实施例还提供了一种电子设备，如图7所示，该电子设备可以包括处理器71和存储器72，其中处理器71和存储器72可以通过总线或者其他方式连接，图7中以通过总线连接为例。
处理器71可以为中央处理器(Central Processing Unit，CPU)。处理器71还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器72作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器71通过运行存储在存储器72中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的数据中心机房节能控制方法。
存储器72可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器71所创建的数据等。此外，存储器72可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器72可选包括相对于处理器71远程设置的存储器，这些远程存储器可以通过网络连接至处理器71。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器72中，当被所述处理器71执行时，执行如图1-2所示实施例中的数据中心机房节能控制方法。
上述电子设备具体细节可以对应参阅图1至图2所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种数据中心机房节能控制方法，其特征在于，所述方法包括：
获取数据中心机房温度传感器数据和数据中心机房热环境模拟数据；
基于所述数据中心机房温度传感器数据和所述数据中心机房热环境模拟数据，建立基于区间二型模糊辨识的机房温度预测模型；
基于所述基于区间二型模糊辨识的机房温度预测模型，对数据中心机房空调温度进行预测，得到数据中心机房空调温度预测值；
基于所述数据中心机房空调温度预测值，经过预设群智能算法处理，得到目标控制参数；
基于所述目标控制参数，完成对数据中心机房的节能控制。
2.根据权利要求1所述的方法，其特征在于，基于所述数据中心机房空调温度预测值，经过预设群智能算法处理，得到目标控制参数，包括：
获取预设算法集，所述预设算法集包括比例积分微分控制算法、预测控制理论和群体智能优化算法；
基于所述比例积分微分控制算法、预测控制理论和群体智能优化算法，确定数据中心机房空调末端送风控制策略；
基于所述数据中心机房空调温度预测值确定目标函数；
基于所述数据中心机房空调末端送风控制策略和所述目标函数，经过所述预设群智能算法处理，得到所述目标控制参数。
3.根据权利要求1所述的方法，其特征在于，基于所述目标控制参数，完成对数据中心机房的节能控制之后，所述方法还包括：
获取数据中心机房节能控制结果；
基于所述数据中心机房节能控制结果校正所述基于区间二型模糊辨识的机房温度预测模型。
4.根据权利要求1所述的方法，其特征在于，获取数据中心机房温度传感器数据和数据中心机房热环境模拟数据之后，所述方法还包括：
基于所述数据中心机房温度传感器数据和数据中心机房热环境模拟数据，分别建立支持向量机的机房温度预测模型、基于双向长短期记忆网络的机房温度预测模型和基于反馈神经网络的机房温度预测模型；
对所述支持向量机的机房温度预测模型、所述基于双向长短期记忆网络的机房温度预测模型和所述基于反馈神经网络的机房温度预测模型进行模型融合，得到目标机房温度预测模型；
基于所述目标机房温度预测模型，对数据中心机房温度进行预测，得到数据中心机房温度预测值。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
获取数据中心机房空调温度阈值；
将所述数据中心机房温度预测值与所述数据中心机房空调温度阈值进行比对；
基于比对结果生成温度预警信号。
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
基于所述数据中心机房温度传感器数据更新所述目标机房温度预测模型。
7.一种数据中心机房节能控制系统，用于执行如权利要求1-6任一项所述的数据中心机房节能控制方法；其特征在于，所述系统包括：至少一个温度传感器、服务器和控制系统；
所述至少一个温度传感器，用于获取数据中心机房温度传感器数据，以及将所述数据中心机房温度传感器数据发送至控制系统；
所述服务器，用于获取数据中心机房热环境模拟数据，以及将所述数据中心机房热环境模拟数据发送至所述控制系统；
所述控制系统包括空调末端节能控制子系统和机房温度监控及预测子系统；
所述空调末端节能控制子系统，用于基于所述数据中心机房温度传感器数据和所述数据中心机房热环境模拟数据，对数据中心机房进行节能控制；
所述机房温度监控及预测子系统，用于基于所述数据中心机房温度传感器数据和所述数据中心机房热环境模拟数据，对数据中心机房温度进行监控和预测。
8.一种数据中心机房节能控制装置，其特征在于，所述装置包括：
获取模块，用于获取数据中心机房温度传感器数据和数据中心机房热环境模拟数据；
建立模块，用于基于所述数据中心机房温度传感器数据和所述数据中心机房热环境模拟数据，建立基于区间二型模糊辨识的机房温度预测模型；
预测模块，用于基于所述基于区间二型模糊辨识的机房温度预测模型，对数据中心机房空调温度进行预测，得到数据中心机房空调温度预测值；
处理模块，用于基于所述数据中心机房空调温度预测值，经过预设群智能算法处理，得到目标控制参数；
控制模块，用于基于所述目标控制参数，完成对数据中心机房的节能控制。
9.一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存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1至6任一项所述的数据中心机房节能控制方法。
10.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1至6任一项所述的数据中心机房节能控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310095342.5A CN116193819B (zh) | 2023-01-19 | 2023-01-19 | 一种数据中心机房节能控制方法、系统、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310095342.5A CN116193819B (zh) | 2023-01-19 | 2023-01-19 | 一种数据中心机房节能控制方法、系统、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116193819A true CN116193819A (zh) | 2023-05-30 |
| CN116193819B CN116193819B (zh) | 2024-02-02 |
Family
ID=86445673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310095342.5A Active CN116193819B (zh) | 2023-01-19 | 2023-01-19 | 一种数据中心机房节能控制方法、系统、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116193819B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116527416A (zh) * | 2023-07-03 | 2023-08-01 | 深圳市立湾科技有限公司 | 一种应用于数据中心的智能化ai节能控制系统及方法 |
| CN116887569A (zh) * | 2023-07-06 | 2023-10-13 | 广州至为信息科技有限公司 | 一种数据中心能耗预测和节能调节方法、系统及存储介质 |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102353119A (zh) * | 2011-08-09 | 2012-02-15 | 北京建筑工程学院 | 一种vav变风量空调系统控制方法 |
| CN102818330A (zh) * | 2011-06-08 | 2012-12-12 | 上海启电信息科技有限公司 | 一种通信机房节能系统 |
| CN104879898A (zh) * | 2015-06-04 | 2015-09-02 | 北京百度网讯科技有限公司 | 数据中心冷水系统的控制方法和装置 |
| CN105444346A (zh) * | 2015-11-13 | 2016-03-30 | 上海斐讯数据通信技术有限公司 | 一种数据中心机房管控系统及方法 |
| CN108444201A (zh) * | 2018-02-09 | 2018-08-24 | 东南大学 | 一种基于负荷动态变化的冷库温度前馈-模糊控制系统及控制方法 |
| CN109800066A (zh) * | 2018-12-13 | 2019-05-24 | 中国科学院信息工程研究所 | 一种数据中心节能调度方法及系统 |
| CN109890176A (zh) * | 2019-03-01 | 2019-06-14 | 北京慧辰资道资讯股份有限公司 | 一种基于人工智能优化机房能耗效率的方法及装置 |
| 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 |
| CN111174375A (zh) * | 2019-12-11 | 2020-05-19 | 西安交通大学 | 面向数据中心能耗最小化的作业调度和机房空调调控方法 |
| CN111219848A (zh) * | 2019-12-06 | 2020-06-02 | 创新奇智(青岛)科技有限公司 | 基于通道传感器反馈的数据中心机房精密空调控制方法 |
| CN111664550A (zh) * | 2019-01-18 | 2020-09-15 | 深圳创新奇智科技有限公司 | 基于预测模型和最优化算法的能效优化方法及系统 |
| CN112050397A (zh) * | 2020-08-27 | 2020-12-08 | 浙江省邮电工程建设有限公司 | 一种机房温度调控方法及系统 |
| CN112113314A (zh) * | 2020-09-22 | 2020-12-22 | 菲尼克斯(上海)环境控制技术有限公司 | 一种实时温度数据采集系统及其基于学习模型的温度调节方法 |
| CN112616292A (zh) * | 2020-11-27 | 2021-04-06 | 湖南大学 | 一种基于神经网络模型的数据中心能效优化控制方法 |
| CN113175740A (zh) * | 2021-04-28 | 2021-07-27 | 科华数据股份有限公司 | 数据中心空调的控制方法、装置及数据中心 |
| CN113326651A (zh) * | 2021-05-10 | 2021-08-31 | 北京建筑大学 | 基于t-s模糊模型的制冷站负荷和能效比动态建模方法 |
| CN113727588A (zh) * | 2021-09-03 | 2021-11-30 | 中国工商银行股份有限公司 | 用于机房的温度控制方法、装置、机房、设备和介质 |
| CN114216248A (zh) * | 2022-02-22 | 2022-03-22 | 深圳雪芽创新科技有限公司 | 一种应用于数据中心机房的智能降温方法 |
| CN114219177A (zh) * | 2021-12-28 | 2022-03-22 | 深圳前海微众银行股份有限公司 | 机房环境调控方法、装置、电子设备及存储介质 |
| CN114722574A (zh) * | 2022-03-16 | 2022-07-08 | 华南理工大学 | 一种基于ai算法的数据中心中央空调冷冻水参数设定方法 |
| CN115119478A (zh) * | 2022-06-24 | 2022-09-27 | 中国农业银行股份有限公司 | 一种空调的控制方法、系统及设备 |
| CN115167562A (zh) * | 2022-07-04 | 2022-10-11 | 中国电信股份有限公司 | 一种机房温度控制方法和装置 |
-
2023
- 2023-01-19 CN CN202310095342.5A patent/CN116193819B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102818330A (zh) * | 2011-06-08 | 2012-12-12 | 上海启电信息科技有限公司 | 一种通信机房节能系统 |
| CN102353119A (zh) * | 2011-08-09 | 2012-02-15 | 北京建筑工程学院 | 一种vav变风量空调系统控制方法 |
| CN104879898A (zh) * | 2015-06-04 | 2015-09-02 | 北京百度网讯科技有限公司 | 数据中心冷水系统的控制方法和装置 |
| CN105444346A (zh) * | 2015-11-13 | 2016-03-30 | 上海斐讯数据通信技术有限公司 | 一种数据中心机房管控系统及方法 |
| CN108444201A (zh) * | 2018-02-09 | 2018-08-24 | 东南大学 | 一种基于负荷动态变化的冷库温度前馈-模糊控制系统及控制方法 |
| CN109800066A (zh) * | 2018-12-13 | 2019-05-24 | 中国科学院信息工程研究所 | 一种数据中心节能调度方法及系统 |
| CN111664550A (zh) * | 2019-01-18 | 2020-09-15 | 深圳创新奇智科技有限公司 | 基于预测模型和最优化算法的能效优化方法及系统 |
| CN109890176A (zh) * | 2019-03-01 | 2019-06-14 | 北京慧辰资道资讯股份有限公司 | 一种基于人工智能优化机房能耗效率的方法及装置 |
| 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 |
| CN111219848A (zh) * | 2019-12-06 | 2020-06-02 | 创新奇智(青岛)科技有限公司 | 基于通道传感器反馈的数据中心机房精密空调控制方法 |
| CN111174375A (zh) * | 2019-12-11 | 2020-05-19 | 西安交通大学 | 面向数据中心能耗最小化的作业调度和机房空调调控方法 |
| CN112050397A (zh) * | 2020-08-27 | 2020-12-08 | 浙江省邮电工程建设有限公司 | 一种机房温度调控方法及系统 |
| CN112113314A (zh) * | 2020-09-22 | 2020-12-22 | 菲尼克斯(上海)环境控制技术有限公司 | 一种实时温度数据采集系统及其基于学习模型的温度调节方法 |
| CN112616292A (zh) * | 2020-11-27 | 2021-04-06 | 湖南大学 | 一种基于神经网络模型的数据中心能效优化控制方法 |
| CN113175740A (zh) * | 2021-04-28 | 2021-07-27 | 科华数据股份有限公司 | 数据中心空调的控制方法、装置及数据中心 |
| CN113326651A (zh) * | 2021-05-10 | 2021-08-31 | 北京建筑大学 | 基于t-s模糊模型的制冷站负荷和能效比动态建模方法 |
| CN113727588A (zh) * | 2021-09-03 | 2021-11-30 | 中国工商银行股份有限公司 | 用于机房的温度控制方法、装置、机房、设备和介质 |
| CN114219177A (zh) * | 2021-12-28 | 2022-03-22 | 深圳前海微众银行股份有限公司 | 机房环境调控方法、装置、电子设备及存储介质 |
| CN114216248A (zh) * | 2022-02-22 | 2022-03-22 | 深圳雪芽创新科技有限公司 | 一种应用于数据中心机房的智能降温方法 |
| CN114722574A (zh) * | 2022-03-16 | 2022-07-08 | 华南理工大学 | 一种基于ai算法的数据中心中央空调冷冻水参数设定方法 |
| CN115119478A (zh) * | 2022-06-24 | 2022-09-27 | 中国农业银行股份有限公司 | 一种空调的控制方法、系统及设备 |
| CN115167562A (zh) * | 2022-07-04 | 2022-10-11 | 中国电信股份有限公司 | 一种机房温度控制方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 任伟娜: "物联网环境下数据驱动舒适性建模与控制研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 8, pages 1 - 3 * |
| 王路瑶: "行级送风式数据中心热环境模拟及优化控制", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 1, pages 1 - 5 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116527416A (zh) * | 2023-07-03 | 2023-08-01 | 深圳市立湾科技有限公司 | 一种应用于数据中心的智能化ai节能控制系统及方法 |
| CN116527416B (zh) * | 2023-07-03 | 2023-09-01 | 深圳市立湾科技有限公司 | 一种应用于数据中心的智能化ai节能控制系统及方法 |
| CN116887569A (zh) * | 2023-07-06 | 2023-10-13 | 广州至为信息科技有限公司 | 一种数据中心能耗预测和节能调节方法、系统及存储介质 |
| CN116887569B (zh) * | 2023-07-06 | 2024-01-30 | 广州至为信息科技有限公司 | 一种数据中心能耗预测和节能调节方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116193819B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| US11041650B2 (en) | Cloud and edge integrated energy optimizer | |
| US11625011B2 (en) | Control system database systems and methods | |
| US20190101305A1 (en) | Air conditioning control system | |
| US20170025040A1 (en) | Snapshot management architecture for process control operator training system lifecycle | |
| Wang et al. | Research on assembly quality adaptive control system for complex mechanical products assembly process under uncertainty | |
| CN106796423A (zh) | 智能可编程逻辑控制器 | |
| US20210034021A1 (en) | Method for optimized operation of a fan or a fan assembly | |
| US20200379417A1 (en) | Techniques for using machine learning for control and predictive maintenance of buildings | |
| US20140316605A1 (en) | Cooling System Management | |
| Viola et al. | Digital twin enabled smart control engineering as an industrial ai: A new framework and case study | |
| Nagy et al. | Ten questions concerning reinforcement learning for building energy management | |
| KR20220117194A (ko) | 추론 연산 장치, 모델 훈련 장치, 및 추론 연산 시스템 | |
| CN115167562A (zh) | 一种机房温度控制方法和装置 | |
| Zhang et al. | Challenges and opportunities of machine learning control in building operations | |
| CN117245872A (zh) | 一种批次注塑过程的状态补偿模型控制方法及系统 | |
| JP6947029B2 (ja) | 制御装置、それを使用する情報処理装置、制御方法、並びにコンピュータ・プログラム | |
| CN114047729B (zh) | 天然植物加工控制方法、系统、计算机设备和存储介质 | |
| CN115903516A (zh) | 基于stfgcn的时空热误差预测模型与时空热误差控制系统 | |
| Dahlberg et al. | Replacing setpoint control with machine learning: Model predictive control using artificial neural networks | |
| CN117413273A (zh) | 用于监控封闭空间环境的方法、装置和计算机存储介质 | |
| CN114065602A (zh) | 温度预测方法、模型训练方法及相关设备 | |
| Drungilas et al. | Cloud interconnected affect reward based automation ambient comfort controller | |
| Agouzoul et al. | Synthesis of model predictive control based on neural network for energy consumption enhancement in building | |
| RU2777424C1 (ru) | Автоматизированная система управления информационными потоками данных предприятия |
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 |