CN116390461B - 基于人工智能的数据中心节能调温方法、系统和介质 - Google Patents
基于人工智能的数据中心节能调温方法、系统和介质 Download PDFInfo
- Publication number
- CN116390461B CN116390461B CN202310618931.7A CN202310618931A CN116390461B CN 116390461 B CN116390461 B CN 116390461B CN 202310618931 A CN202310618931 A CN 202310618931A CN 116390461 B CN116390461 B CN 116390461B
- Authority
- CN
- China
- Prior art keywords
- data
- thermal
- information
- characteristic
- server
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 48
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 22
- 238000001816 cooling Methods 0.000 claims abstract description 184
- 230000000694 effects Effects 0.000 claims abstract description 113
- 238000005057 refrigeration Methods 0.000 claims abstract description 92
- 238000012544 monitoring process Methods 0.000 claims abstract description 62
- 230000008859 change Effects 0.000 claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 238000005265 energy consumption Methods 0.000 claims abstract description 38
- 238000009825 accumulation Methods 0.000 claims abstract description 36
- 230000002776 aggregation Effects 0.000 claims abstract description 19
- 238000004220 aggregation Methods 0.000 claims abstract description 19
- 230000033228 biological regulation Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 88
- 238000004364 calculation method Methods 0.000 claims description 70
- 230000006698 induction Effects 0.000 claims description 50
- 238000007781 pre-processing Methods 0.000 claims description 17
- 230000005855 radiation Effects 0.000 claims description 14
- 230000006978 adaptation Effects 0.000 claims description 12
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000005496 tempering Methods 0.000 claims 2
- 230000017525 heat dissipation Effects 0.000 abstract description 4
- 230000009471 action Effects 0.000 abstract description 2
- 238000012958 reprocessing Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 98
- 230000008569 process Effects 0.000 description 9
- 238000005259 measurement Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Thermal Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Air Conditioning Control Device (AREA)
- Cooling Or The Like Of Electrical Apparatus (AREA)
Abstract
本申请提供了基于人工智能的数据中心节能调温方法、系统和介质。该方法包括:采集获得服务器区域的热力图像并识别获得区域特征信息,以及各服务器组和冷却组的性能指标、运行监测数据和制冷特征数据,再处理获得性能动态检测数据以及热效稳态数据,再结合系数和冷效数据聚合处理获得功耗热力冷效积聚数据,后与冷却功效阈值级对比获得级数以及对应冷却方案的调节;从而基于热能变化结合服务器动态获得服务器运行对热力作用的热效稳态数据,再结合系数以及冷却效果进行聚合获得能耗散热与制冷作用下的效果聚合数据,通过阈值级数获得冷却调节的方案,实现对服务器功耗热能与冷却效果的数据检测和调节,提高对数据中心服务器冷效的调节精准度。
Description
技术领域
本申请涉及大数据和服务器制冷技术领域,具体而言,涉及基于人工智能的数据中心节能调温方法、系统和介质。
背景技术
随着大数据应用的普及,数据中心的应用愈发广泛,由于数据中心的算力提升以及服务器功能规模的扩大,数据中心服务器的热功率下的制冷调温功能显得尤为重要,而如何通过识别服务器运行状态下的产热并调节冷却获得精准的节能调温手段,是决定数据中心实现高效节能调控的关键,为实现根据服务器运行状况可适配精准的进行冷却效率调节的智能技术,实现数据中心服务器冷却功能的智能化调控是体现数据中心服务器管理的智能化、系统科学性的要因,而目前上述技术存在空缺。
针对上述问题,目前亟待有效的技术解决方案。
发明内容
本申请的目的在于提供基于人工智能的数据中心节能调温方法、系统和介质,可以基于区域热力图像识别热能变化并结合服务器性能动态监测获得服务器运行对热力作用的热效稳态数据,再结合系数以及冷却效果进行聚合处理获得能耗散热与制冷作用下的效果聚合数据,并通过级数阈值对比结果获得冷却调节的功调方案,实现对服务器功耗热能与冷却效果的数据检测和调节,提高对数据中心服务器冷效的智能调节。
本申请还提供了基于人工智能的数据中心节能调温方法,包括以下步骤:
采集预设时间段内数据中心各服务器组区域的多帧热感应图像集并预处理获得多个热力图像,对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息;
根据所述多个热力图像的热力特征信息提取热能变化特征数据,根据所述属性特征信息通过预设服务器性能信息数据库查询获取各服务器组的性能指标数据;
根据所述属性特征信息在预设服务器监测平台中查询获得对应服务器组在时间节点的运行性能动态监测数据,以及服务器组对应冷却组在所述时间节点的制冷特征数据;
根据所述性能指标数据处理获得对应所述各服务器组的算力特性系数,并根据所述制冷特征数据进行处理获得所述冷却组在所述时间节点的冷效数据;
根据所述运行性能动态监测数据与性能指标数据进行处理获得所述服务器组在所述时间节点的性能动态检测数据,并根据所述性能动态检测数据结合所述热能变化特征数据进行加权处理,获得对应时间节点的热效稳态数据;
根据所述热效稳态数据结合所述算力特性系数以及所述冷效数据通过预设功耗热力冷效处理模型进行聚合处理,获得所述预设时间段内服务器组的功耗热力冷效积聚数据;
根据所述各服务器组的功耗热力冷效积聚数据分别与预设热能冷却功效阈值级进行阈值对比,获得对应热能冷却功效级数,并根据热能冷却功效级数对应的冷效功调方案进行冷却调节。
可选地,在本申请所述的基于人工智能的数据中心节能调温方法中,所述采集预设时间段内数据中心各服务器组区域的多帧热感应图像集并预处理获得多个热力图像,对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息,包括:
采集预设时间段内数据中心各服务器组区域的多帧热感应图像集,对多帧热感应图像集进行预处理获得多个热力图像;
对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息;
所述热力特征信息包括热感应数据信息和热辐射参数信息,所述属性特征信息包括型号类别信息、定位标识信息以及冷却组型号适配信息。
可选地,在本申请所述的基于人工智能的数据中心节能调温方法中,所述根据所述多个热力图像的热力特征信息提取热能变化特征数据,根据所述属性特征信息通过预设服务器性能信息数据库查询获取各服务器组的性能指标数据,包括:
获取生成所述热力图像对应的时间节点信息,根据相邻时间节点信息对应的所述热力特征信息提取热能变化特征数据,包括热能变化率数据;
根据所述型号类别信息和定位标识信息通过预设服务器性能信息数据库进行查询,获取各服务器组的性能指标数据,包括能耗指标数据、功率指标数据以及算力容量指标数据。
可选地,在本申请所述的基于人工智能的数据中心节能调温方法中,所述根据所述属性特征信息在预设服务器监测平台中查询获得对应服务器组在时间节点的运行性能动态监测数据,以及服务器组对应冷却组在所述时间节点的制冷特征数据,包括:
根据所述定位标识信息在预设服务器监测平台中查询获得对应服务器组在所述时间节点信息对应的运行性能动态监测数据,包括实际能耗数据、实际功率数据和算力载荷数据;
根据所述冷却组型号适配信息获取所述服务器组对应匹配冷却组在所述时间节点的制冷特征数据,包括制冷功率数据和冷力值数据。
可选地,在本申请所述的基于人工智能的数据中心节能调温方法中,所述根据所述性能指标数据处理获得对应所述各服务器组的算力特性系数,并根据所述制冷特征数据进行处理获得所述冷却组在所述时间节点的冷效数据,包括:
根据所述能耗指标数据、功率指标数据以及算力容量指标数据进行处理获得对应所述各服务器组的算力特性系数;
根据所述制冷功率数据和冷力值数据进行处理获得所述冷却组在所述时间节点的冷效数据;
所述算力特性系数和冷效数据的计算公式分别为:
;
;
其中,为算力特性系数,/>为冷效数据,/>、/>、/>分别为能耗指标数据、功率指标数据、算力容量指标数据,/>、/>分别为制冷功率数据、冷力值数据,/>、/>、/>、/>、/>为预设特征系数。
可选地,在本申请所述的基于人工智能的数据中心节能调温方法中,所述根据所述运行性能动态监测数据与性能指标数据进行处理获得所述服务器组在所述时间节点的性能动态检测数据,并根据所述性能动态检测数据结合所述热能变化特征数据进行加权处理,获得对应时间节点的热效稳态数据,包括:
根据所述运行性能动态监测数据与所述性能指标数据进行处理,获得所述服务器组在对应所述时间节点的性能动态检测数据;
根据所述性能动态检测数据结合所述热能变化率数据进行加权处理,获得对应所述时间节点的热效稳态数据;
所述热效稳态数据的计算公式为:
;
;
其中,为热效稳态数据,/>为性能动态检测数据,/>为热能变化率数据,/>、/>、分别为实际能耗数据、实际功率数据、算力载荷数据,/>、/>、/>分别为能耗指标数据、功率指标数据、算力容量指标数据,/>、/>、/>、/>为预设特征系数。
可选地,在本申请所述的基于人工智能的数据中心节能调温方法中,所述根据所述热效稳态数据结合所述算力特性系数以及所述冷效数据通过预设功耗热力冷效处理模型进行聚合处理,获得所述预设时间段内服务器组的功耗热力冷效积聚数据,包括:
根据所述预设时间段内各时间节点的热效稳态数据结合所述算力特性系数以及所述冷效数据通过预设功耗热力冷效处理模型进行聚合处理,获得所述服务器组的功耗热力冷效积聚数据;
所述功耗热力冷效积聚数据的模型程序公式为:
;
其中,为功耗热力冷效积聚数据,/>为n个时间节点中的第i个时间节点的热效稳态数据,/>为n个时间节点中的第i个时间节点的冷效数据,/>为算力特性系数,n为预设时间段内的时间节点个数,/>、/>为预设特征系数。
第二方面,本申请提供了基于人工智能的数据中心节能调温系统,该系统包括:存储器及处理器,所述存储器中包括基于人工智能的数据中心节能调温方法的程序,所述基于人工智能的数据中心节能调温方法的程序被所述处理器执行时实现以下步骤:
采集预设时间段内数据中心各服务器组区域的多帧热感应图像集并预处理获得多个热力图像,对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息;
根据所述多个热力图像的热力特征信息提取热能变化特征数据,根据所述属性特征信息通过预设服务器性能信息数据库查询获取各服务器组的性能指标数据;
根据所述属性特征信息在预设服务器监测平台中查询获得对应服务器组在时间节点的运行性能动态监测数据,以及服务器组对应冷却组在所述时间节点的制冷特征数据;
根据所述性能指标数据处理获得对应所述各服务器组的算力特性系数,并根据所述制冷特征数据进行处理获得所述冷却组在所述时间节点的冷效数据;
根据所述运行性能动态监测数据与性能指标数据进行处理获得所述服务器组在所述时间节点的性能动态检测数据,并根据所述性能动态检测数据结合所述热能变化特征数据进行加权处理,获得对应时间节点的热效稳态数据;
根据所述热效稳态数据结合所述算力特性系数以及所述冷效数据通过预设功耗热力冷效处理模型进行聚合处理,获得所述预设时间段内服务器组的功耗热力冷效积聚数据;
根据所述各服务器组的功耗热力冷效积聚数据分别与预设热能冷却功效阈值级进行阈值对比,获得对应热能冷却功效级数,并根据热能冷却功效级数对应的冷效功调方案进行冷却调节。
可选地,在本申请所述的基于人工智能的数据中心节能调温系统中,所述采集预设时间段内数据中心各服务器组区域的多帧热感应图像集并预处理获得多个热力图像,对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息,包括:
采集预设时间段内数据中心各服务器组区域的多帧热感应图像集,对多帧热感应图像集进行预处理获得多个热力图像;
对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息;
所述热力特征信息包括热感应数据信息和热辐射参数信息,所述属性特征信息包括型号类别信息、定位标识信息以及冷却组型号适配信息。
第三方面,本申请还提供了计算机可读存储介质,所述计算机可读存储介质中包括基于人工智能的数据中心节能调温方法程序,所述基于人工智能的数据中心节能调温方法程序被处理器执行时,实现如上述任一项所述的基于人工智能的数据中心节能调温方法的步骤。
由上可知,本申请提供的基于人工智能的数据中心节能调温方法、系统和介质,通过采集各服务器组区域的多帧热感应图像集并预处理获得多个热力图像,并识别获得区域特征信息提取热能变化特征数据,以及各服务器组的性能指标数据,查询获得运行性能动态监测数据以及冷却组的制冷特征数据,根据性能指标数据处理获得算力特性系数,并根据制冷特征数据处理获得冷效数据,根据运行性能动态监测数据与性能指标数据进行处理获得性能动态检测数据,并结合热能变化特征数据处理获得热效稳态数据,再结合算力特性系数和冷效数据聚合处理获得功耗热力冷效积聚数据,最后与预设热能冷却功效阈值级进行对比获得热能冷却功效级数并根据对应冷效功调方案进行冷却调节;从而基于区域热力图像识别热能变化并结合服务器性能动态监测获得服务器运行对热力作用的热效稳态数据,再结合系数以及冷却效果进行聚合处理获得能耗散热与制冷作用下的效果聚合数据,并通过级数阈值对比结果获得冷却调节的功调方案,实现对服务器功耗热能与冷却效果的数据检测和调节,提高对数据中心服务器冷效的智能调节。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的基于人工智能的数据中心节能调温方法的流程图;
图2为本申请实施例提供的基于人工智能的数据中心节能调温方法的获得各服务器组区域的区域特征信息的流程图;
图3为本申请实施例提供的基于人工智能的数据中心节能调温方法的获取各服务器组的性能指标数据的流程图;
图4为本申请实施例提供的基于人工智能的数据中心节能调温系统的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到,相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1是本申请一些实施例中的基于人工智能的数据中心节能调温方法的流程图。该基于人工智能的数据中心节能调温方法用于终端设备中,例如电脑、手机终端等。该基于人工智能的数据中心节能调温方法,包括以下步骤:
S101、采集预设时间段内数据中心各服务器组区域的多帧热感应图像集并预处理获得多个热力图像,对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息;
S102、根据所述多个热力图像的热力特征信息提取热能变化特征数据,根据所述属性特征信息通过预设服务器性能信息数据库查询获取各服务器组的性能指标数据;
S103、根据所述属性特征信息在预设服务器监测平台中查询获得对应服务器组在时间节点的运行性能动态监测数据,以及服务器组对应冷却组在所述时间节点的制冷特征数据;
S104、根据所述性能指标数据处理获得对应所述各服务器组的算力特性系数,并根据所述制冷特征数据进行处理获得所述冷却组在所述时间节点的冷效数据;
S105、根据所述运行性能动态监测数据与性能指标数据进行处理获得所述服务器组在所述时间节点的性能动态检测数据,并根据所述性能动态检测数据结合所述热能变化特征数据进行加权处理,获得对应时间节点的热效稳态数据;
S106、根据所述热效稳态数据结合所述算力特性系数以及所述冷效数据通过预设功耗热力冷效处理模型进行聚合处理,获得所述预设时间段内服务器组的功耗热力冷效积聚数据;
S107、根据所述各服务器组的功耗热力冷效积聚数据分别与预设热能冷却功效阈值级进行阈值对比,获得对应热能冷却功效级数,并根据热能冷却功效级数对应的冷效功调方案进行冷却调节。
需要说明的是,为实现对数据中心服务器冷却效果的合理、节能、精准调节,需根据实时服务器区域的热力状况即服务器工作区域的温度辐射状况结合服务器性能状况以及冷却组的制冷实况进行综合处理分析,实现根据热力状态以及服务器运行状态结合实时冷却状况进行数据化处理和动态冷却调节的功能,实现对服务器冷却方案的合理、优化调节,首先采集预设时间段内数据中心各服务器组区域的多帧热感应图像集并预处理获得多个热力图像,对热力图像进行信息识别获得各服务器组区域的区域特征信息,对热力特征信息提取热能变化特征数据,并根据属性特征信息通过数据库查询获得对应性能指标数据,即服务器组的性能指标,并根据属性特征信息在预设服务器监测平台中查询获得对应服务器组在时间节点的运行性能动态监测数据,以及服务器组对应冷却组在时间节点的制冷特征数据,即监测服务器性能运行状况和冷却组的制冷状况的相关数据,再根据性能指标数据和制冷特征数据处理获得算力特性系数以及时间节点的冷效数据,即获得服务器性能和冷却性能的系数数据,再根据运行性能动态监测数据与性能指标数据进行处理获得服务器组在时间节点的性能动态检测数据,即对服务器的运行性能进行检测,再结合区域的热能变化特征数据进行加权处理获得对应时间节点的热效稳态数据,即反映在服务器运行状况下的热能稳态变化数据,再结合反映服务器算力性能的算力特性系数与时间节点的冷效数据通过模型进行聚合计算处理,获得预设时间段内服务器组的功耗热力冷效积聚数据,即反映出服务器组在预设时间段内运行能耗下的热能与冷却功效下的衡量参量,最后再根据各服务器组的功耗热力冷效积聚数据分别与预设热能冷却功效阈值级进行阈值对比,获得对应热能冷却功效级数,即通过功耗热力冷效积聚数据与预设阈值的阈值对比结果在热能冷却功效阈值的预设范围的落点区间获得对应级数,阈值对比的预设阈值范围可以根据数据中心服务器区域的需求进行设置,本实施例中,阈值对比结果对应预设阈值值级范围设为四个等级,分别为一到四级,其中一级阈值范围为(0.75,1],二级阈值范围为(0.6,0.75],三级阈值范围为(0.4,0.6],四级阈值范围为[0,0.4],如服务器组A的阈值对比结果为0.67,则其对应的预设阈值范围的对应热能冷却功效级数为二级,则根据二级对应的冷却效果功率调节方案对服务器组A的冷却组进行冷却功率调整。
请参照图2,图2是本申请一些实施例中的基于人工智能的数据中心节能调温方法的的获得各服务器组区域的区域特征信息的流程图。根据本发明实施例,所述采集预设时间段内数据中心各服务器组区域的多帧热感应图像集并预处理获得多个热力图像,对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息,具体为:
S201、采集预设时间段内数据中心各服务器组区域的多帧热感应图像集,对多帧热感应图像集进行预处理获得多个热力图像;
S202、对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息;
S203、所述热力特征信息包括热感应数据信息和热辐射参数信息,所述属性特征信息包括型号类别信息、定位标识信息以及冷却组型号适配信息。
需要说明的是,为实现本方案,首先需获得服务器组所在区域的热能状况从而获得服务器组的能耗对应散热辐射情况,以及数据中心各服务器组的类别属性以识别获得服务器组的性能指标,以及适配冷却组的性能状况,通过采集预设时间段内数据中心各服务器组区域的多帧热感应图像集,热感应图像集是通过预设热成像装置获得的数据中心各服务器组所在区域的多帧的热感应图像集合,帧数及总图像数量根据需求进行设置,再对多帧热感应图像集进行预处理获得多个热力图像,即各个服务器在预设时间段内的多张热力图像,再通过获得的热力图像进行信息识别获得各服务器组区域的区域特征信息,即对图像进行热力特征如热量、辐射、温度等特征数据的获取,以及图像对应服务器组的属性标识的获取,以便进一步对服务区性能状况进行识别,其中热力特征信息包括热感应数据信息和热辐射参数信息,属性特征信息包括型号类别信息、定位标识信息以及冷却组型号适配信息,即通过对热感应图像的处理和识别获得各服务器组的热感应状况、型号定位信息和适配冷却组信息。
请参照图3,图3是本申请一些实施例中的基于人工智能的数据中心节能调温方法的获取各服务器组的性能指标数据的流程图。根据本发明实施例,所述根据服务器以及空调的属性分布信息结合算力任务信息生成预设时间段数据中心运行信息分布画像所述根据所述多个热力图像的热力特征信息提取热能变化特征数据,根据所述属性特征信息通过预设服务器性能信息数据库查询获取各服务器组的性能指标数据,具体为:
S301、获取生成所述热力图像对应的时间节点信息,根据相邻时间节点信息对应的所述热力特征信息提取热能变化特征数据,包括热能变化率数据;
S302、根据所述型号类别信息和定位标识信息通过预设服务器性能信息数据库进行查询,获取各服务器组的性能指标数据,包括能耗指标数据、功率指标数据以及算力容量指标数据。
需要说明的是,根据各服务器组的多张热力图像的时间节点对应的热力特征信息提取相邻热力图像的热能变化特征数据,即通过相邻时间节点的热力图像对应的热力特征获取相邻之间热能变化的情况,即反映出服务器组热能的变化特征,再根据型号类别信息和定位标识信息通过预设服务器性能信息数据库查询,获取各对应服务器组的性能指标数据,包括能耗指标数据、功率指标数据以及算力容量指标数据,即通过型号类别和定位标识在预设的信息数据库中查询获得各服务器组的性能指标,包括能耗、功率和算力容量能力的指标数据。
根据本发明实施例,所述根据所述属性特征信息在预设服务器监测平台中查询获得对应服务器组在时间节点的运行性能动态监测数据,以及服务器组对应冷却组在所述时间节点的制冷特征数据,具体为:
根据所述定位标识信息在预设服务器监测平台中查询获得对应服务器组在所述时间节点信息对应的运行性能动态监测数据,包括实际能耗数据、实际功率数据和算力载荷数据;
根据所述冷却组型号适配信息获取所述服务器组对应匹配冷却组在所述时间节点的制冷特征数据,包括制冷功率数据和冷力值数据。
需要说明的是,通过各服务器组的定位标识信息在平台中查询该服务器组在时间节点的运行性能的动态监测数据,包括实际能耗、功率和算力载荷,以及根据获得的冷却组适配型号信息获得服务器组对应匹配的冷却组在时间节点的制冷特征数据,包括制冷功率和制冷输出冷效的冷力值。
根据本发明实施例,所述根据所述性能指标数据处理获得对应所述各服务器组的算力特性系数,并根据所述制冷特征数据进行处理获得所述冷却组在所述时间节点的冷效数据,具体为:
根据所述能耗指标数据、功率指标数据以及算力容量指标数据进行处理获得对应所述各服务器组的算力特性系数;
根据所述制冷功率数据和冷力值数据进行处理获得所述冷却组在所述时间节点的冷效数据;
所述算力特性系数和冷效数据的计算公式分别为:
;
;
其中,为算力特性系数,/>为冷效数据,/>、/>、/>分别为能耗指标数据、功率指标数据、算力容量指标数据,/>、/>分别为制冷功率数据、冷力值数据,/>、/>、/>、/>、/>为预设特征系数(预设特征系数通过服务器性能信息数据库进行查询获得)。
需要说明的是,为精准获得在某时间点或时间段内服务器组运行性能情况下的热能与冷效质检的映射关系,以获得精准的数据衡量参量,需根据服务器组的性能指标数据进行处理获得反映服务器组算力和运行性能指标状况的特性系数,并根据冷却组的时间节点下的制冷特征数据评估处理其冷效数据,以便进一步对服务器组的热能冷效情况数据的获取进行精准化处理。
根据本发明实施例,所述根据所述运行性能动态监测数据与性能指标数据进行处理获得所述服务器组在所述时间节点的性能动态检测数据,并根据所述性能动态检测数据结合所述热能变化特征数据进行加权处理,获得对应时间节点的热效稳态数据,具体为:
根据所述运行性能动态监测数据与所述性能指标数据进行处理,获得所述服务器组在对应所述时间节点的性能动态检测数据;
根据所述性能动态检测数据结合所述热能变化率数据进行加权处理,获得对应所述时间节点的热效稳态数据;
所述热效稳态数据的计算公式为:
;
;
其中,为热效稳态数据,/>为性能动态检测数据,/>为热能变化率数据,/>、/>、分别为实际能耗数据、实际功率数据、算力载荷数据,/>、/>、/>分别为能耗指标数据、功率指标数据、算力容量指标数据,/>、/>、/>、/>为预设特征系数(预设特征系数通过服务器性能信息数据库进行查询获得)。
需要说明的是,为检测服务器组在时间节点内的运行性能状况,根据运行性能动态监测数据与指标数据进行处理,获得对应各服务器组的性能动态检测数据,并根据该数据结合热能变化率进行加权计算,获得反映服务器组在时间节点运行状况下的热能变化状态的参量数据。
根据本发明实施例,所述根据所述热效稳态数据结合所述算力特性系数以及所述冷效数据通过预设功耗热力冷效处理模型进行聚合处理,获得所述预设时间段内服务器组的功耗热力冷效积聚数据,具体为:
根据所述预设时间段内各时间节点的热效稳态数据结合所述算力特性系数以及所述冷效数据通过预设功耗热力冷效处理模型进行聚合处理,获得所述服务器组的功耗热力冷效积聚数据;
所述功耗热力冷效积聚数据的模型程序公式为:
;
其中,为功耗热力冷效积聚数据,/>为n个时间节点中的第i个时间节点的热效稳态数据,/>为n个时间节点中的第i个时间节点的冷效数据,/>为算力特性系数,n为预设时间段内的时间节点个数,/>、/>为预设特征系数(预设特征系数通过服务器性能信息数据库进行查询获得)。
需要说明的是,为最终实现根据服务器组热力变化状态以及运行状态结合实时冷却状况进行数据化反映,根据获得的热效稳态数据结合反映服务器算力性能的算力特性系数以及时间节点的冷效数据通过模型进行聚合计算处理,获得预设时间段内服务器组以及适配冷却组的功耗热力冷效积聚数据,即反映出服务器组及冷却组在预设时间段内运行能耗下的热能变化与冷却功效的衡量参量,以衡量出服务器组的运行性能、热能与冷却之间的效果数据,便于获得对应效果方案对数据中心服务器冷却功效进行合理、适配、精准的调节,实现数据中心运行和节能调温的智能化手段。
如图4所示,本发明还公开了基于人工智能的数据中心节能调温系统4,包括存储器41和处理器42,所述存储器中包括基于人工智能的数据中心节能调温方法程序,所述基于人工智能的数据中心节能调温方法程序被所述处理器执行时实现如下步骤:
采集预设时间段内数据中心各服务器组区域的多帧热感应图像集并预处理获得多个热力图像,对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息;
根据所述多个热力图像的热力特征信息提取热能变化特征数据,根据所述属性特征信息通过预设服务器性能信息数据库查询获取各服务器组的性能指标数据;
根据所述属性特征信息在预设服务器监测平台中查询获得对应服务器组在时间节点的运行性能动态监测数据,以及服务器组对应冷却组在所述时间节点的制冷特征数据;
根据所述性能指标数据处理获得对应所述各服务器组的算力特性系数,并根据所述制冷特征数据进行处理获得所述冷却组在所述时间节点的冷效数据;
根据所述运行性能动态监测数据与性能指标数据进行处理获得所述服务器组在所述时间节点的性能动态检测数据,并根据所述性能动态检测数据结合所述热能变化特征数据进行加权处理,获得对应时间节点的热效稳态数据;
根据所述热效稳态数据结合所述算力特性系数以及所述冷效数据通过预设功耗热力冷效处理模型进行聚合处理,获得所述预设时间段内服务器组的功耗热力冷效积聚数据;
根据所述各服务器组的功耗热力冷效积聚数据分别与预设热能冷却功效阈值级进行阈值对比,获得对应热能冷却功效级数,并根据热能冷却功效级数对应的冷效功调方案进行冷却调节。
需要说明的是,为实现对数据中心服务器冷却效果的合理、节能、精准调节,需根据实时服务器区域的热力状况即服务器工作区域的温度辐射状况结合服务器性能状况以及冷却组的制冷实况进行综合处理分析,实现根据热力状态以及服务器运行状态结合实时冷却状况进行数据化处理和动态冷却调节的功能,实现对服务器冷却方案的合理、优化调节,首先采集预设时间段内数据中心各服务器组区域的多帧热感应图像集并预处理获得多个热力图像,对热力图像进行信息识别获得各服务器组区域的区域特征信息,对热力特征信息提取热能变化特征数据,并根据属性特征信息通过数据库查询获得对应性能指标数据,即服务器组的性能指标,并根据属性特征信息在预设服务器监测平台中查询获得对应服务器组在时间节点的运行性能动态监测数据,以及服务器组对应冷却组在时间节点的制冷特征数据,即监测服务器性能运行状况和冷却组的制冷状况的相关数据,再根据性能指标数据和制冷特征数据处理获得算力特性系数以及时间节点的冷效数据,即获得服务器性能和冷却性能的系数数据,再根据运行性能动态监测数据与性能指标数据进行处理获得服务器组在时间节点的性能动态检测数据,即对服务器的运行性能进行检测,再结合区域的热能变化特征数据进行加权处理获得对应时间节点的热效稳态数据,即反映在服务器运行状况下的热能稳态变化数据,再结合反映服务器算力性能的算力特性系数与时间节点的冷效数据通过模型进行聚合计算处理,获得预设时间段内服务器组的功耗热力冷效积聚数据,即反映出服务器组在预设时间段内运行能耗下的热能与冷却功效下的衡量参量,最后再根据各服务器组的功耗热力冷效积聚数据分别与预设热能冷却功效阈值级进行阈值对比,获得对应热能冷却功效级数,即通过功耗热力冷效积聚数据与预设阈值的阈值对比结果在热能冷却功效阈值的预设范围的落点区间获得对应级数,阈值对比的预设阈值范围可以根据数据中心服务器区域的需求进行设置,本实施例中,阈值对比结果对应预设阈值值级范围设为四个等级,分别为一到四级,其中一级阈值范围为(0.75,1],二级阈值范围为(0.6,0.75],三级阈值范围为(0.4,0.6],四级阈值范围为[0,0.4],如服务器组A的阈值对比结果为0.67,则其对应的预设阈值范围的对应热能冷却功效级数为二级,则根据二级对应的冷却效果功率调节方案对服务器组A的冷却组进行冷却功率调整。
根据本发明实施例,所述采集预设时间段内数据中心各服务器组区域的多帧热感应图像集并预处理获得多个热力图像,对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息,具体为:
采集预设时间段内数据中心各服务器组区域的多帧热感应图像集,对多帧热感应图像集进行预处理获得多个热力图像;
对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息;
所述热力特征信息包括热感应数据信息和热辐射参数信息,所述属性特征信息包括型号类别信息、定位标识信息以及冷却组型号适配信息。
需要说明的是,为实现本方案,首先需获得服务器组所在区域的热能状况从而获得服务器组的能耗对应散热辐射情况,以及数据中心各服务器组的类别属性以识别获得服务器组的性能指标,以及适配冷却组的性能状况,通过采集预设时间段内数据中心各服务器组区域的多帧热感应图像集,热感应图像集是通过预设热成像装置获得的数据中心各服务器组所在区域的多帧的热感应图像集合,帧数及总图像数量根据需求进行设置,再对多帧热感应图像集进行预处理获得多个热力图像,即各个服务器在预设时间段内的多张热力图像,再通过获得的热力图像进行信息识别获得各服务器组区域的区域特征信息,即对图像进行热力特征如热量、辐射、温度等特征数据的获取,以及图像对应服务器组的属性标识的获取,以便进一步对服务区性能状况进行识别,其中热力特征信息包括热感应数据信息和热辐射参数信息,属性特征信息包括型号类别信息、定位标识信息以及冷却组型号适配信息,即通过对热感应图像的处理和识别获得各服务器组的热感应状况、型号定位信息和适配冷却组信息。
根据本发明实施例,所述根据服务器以及空调的属性分布信息结合算力任务信息生成预设时间段数据中心运行信息分布画像所述根据所述多个热力图像的热力特征信息提取热能变化特征数据,根据所述属性特征信息通过预设服务器性能信息数据库查询获取各服务器组的性能指标数据,具体为:
获取生成所述热力图像对应的时间节点信息,根据相邻时间节点信息对应的所述热力特征信息提取热能变化特征数据,包括热能变化率数据;
根据所述型号类别信息和定位标识信息通过预设服务器性能信息数据库进行查询,获取各服务器组的性能指标数据,包括能耗指标数据、功率指标数据以及算力容量指标数据。
需要说明的是,根据各服务器组的多张热力图像的时间节点对应的热力特征信息提取相邻热力图像的热能变化特征数据,即通过相邻时间节点的热力图像对应的热力特征获取相邻之间热能变化的情况,即反映出服务器组热能的变化特征,再根据型号类别信息和定位标识信息通过预设服务器性能信息数据库查询,获取各对应服务器组的性能指标数据,包括能耗指标数据、功率指标数据以及算力容量指标数据,即通过型号类别和定位标识在预设的信息数据库中查询获得各服务器组的性能指标,包括能耗、功率和算力容量能力的指标数据。
根据本发明实施例,所述根据所述属性特征信息在预设服务器监测平台中查询获得对应服务器组在时间节点的运行性能动态监测数据,以及服务器组对应冷却组在所述时间节点的制冷特征数据,具体为:
根据所述定位标识信息在预设服务器监测平台中查询获得对应服务器组在所述时间节点信息对应的运行性能动态监测数据,包括实际能耗数据、实际功率数据和算力载荷数据;
根据所述冷却组型号适配信息获取所述服务器组对应匹配冷却组在所述时间节点的制冷特征数据,包括制冷功率数据和冷力值数据。
需要说明的是,通过各服务器组的定位标识信息在平台中查询该服务器组在时间节点的运行性能的动态监测数据,包括实际能耗、功率和算力载荷,以及根据获得的冷却组适配型号信息获得服务器组对应匹配的冷却组在时间节点的制冷特征数据,包括制冷功率和制冷输出冷效的冷力值。
根据本发明实施例,所述根据所述性能指标数据处理获得对应所述各服务器组的算力特性系数,并根据所述制冷特征数据进行处理获得所述冷却组在所述时间节点的冷效数据,具体为:
根据所述能耗指标数据、功率指标数据以及算力容量指标数据进行处理获得对应所述各服务器组的算力特性系数;
根据所述制冷功率数据和冷力值数据进行处理获得所述冷却组在所述时间节点的冷效数据;
所述算力特性系数和冷效数据的计算公式分别为:
;
;
其中,为算力特性系数,/>为冷效数据,/>、/>、/>分别为能耗指标数据、功率指标数据、算力容量指标数据,/>、/>分别为制冷功率数据、冷力值数据,/>、/>、/>、/>、/>为预设特征系数(预设特征系数通过服务器性能信息数据库进行查询获得)。
需要说明的是,为精准获得在某时间点或时间段内服务器组运行性能情况下的热能与冷效质检的映射关系,以获得精准的数据衡量参量,需根据服务器组的性能指标数据进行处理获得反映服务器组算力和运行性能指标状况的特性系数,并根据冷却组的时间节点下的制冷特征数据评估处理其冷效数据,以便进一步对服务器组的热能冷效情况数据的获取进行精准化处理。
根据本发明实施例,所述根据所述运行性能动态监测数据与性能指标数据进行处理获得所述服务器组在所述时间节点的性能动态检测数据,并根据所述性能动态检测数据结合所述热能变化特征数据进行加权处理,获得对应时间节点的热效稳态数据,具体为:
根据所述运行性能动态监测数据与所述性能指标数据进行处理,获得所述服务器组在对应所述时间节点的性能动态检测数据;
根据所述性能动态检测数据结合所述热能变化率数据进行加权处理,获得对应所述时间节点的热效稳态数据;
所述热效稳态数据的计算公式为:
;
;
其中,为热效稳态数据,/>为性能动态检测数据,/>为热能变化率数据,/>、/>、分别为实际能耗数据、实际功率数据、算力载荷数据,/>、/>、/>分别为能耗指标数据、功率指标数据、算力容量指标数据,/>、/>、/>、/>为预设特征系数(预设特征系数通过服务器性能信息数据库进行查询获得)。
需要说明的是,为检测服务器组在时间节点内的运行性能状况,根据运行性能动态监测数据与指标数据进行处理,获得对应各服务器组的性能动态检测数据,并根据该数据结合热能变化率进行加权计算,获得反映服务器组在时间节点运行状况下的热能变化状态的参量数据。
根据本发明实施例,所述根据所述热效稳态数据结合所述算力特性系数以及所述冷效数据通过预设功耗热力冷效处理模型进行聚合处理,获得所述预设时间段内服务器组的功耗热力冷效积聚数据,具体为:
根据所述预设时间段内各时间节点的热效稳态数据结合所述算力特性系数以及所述冷效数据通过预设功耗热力冷效处理模型进行聚合处理,获得所述服务器组的功耗热力冷效积聚数据;
所述功耗热力冷效积聚数据的模型程序公式为:
;
其中,为功耗热力冷效积聚数据,/>为n个时间节点中的第i个时间节点的热效稳态数据,/>为n个时间节点中的第i个时间节点的冷效数据,/>为算力特性系数,n为预设时间段内的时间节点个数,/>、/>为预设特征系数(预设特征系数通过服务器性能信息数据库进行查询获得)。
需要说明的是,为最终实现根据服务器组热力变化状态以及运行状态结合实时冷却状况进行数据化反映,根据获得的热效稳态数据结合反映服务器算力性能的算力特性系数以及时间节点的冷效数据通过模型进行聚合计算处理,获得预设时间段内服务器组以及适配冷却组的功耗热力冷效积聚数据,即反映出服务器组及冷却组在预设时间段内运行能耗下的热能变化与冷却功效的衡量参量,以衡量出服务器组的运行性能、热能与冷却之间的效果数据,便于获得对应效果方案对数据中心服务器冷却功效进行合理、适配、精准的调节,实现数据中心运行和节能调温的智能化手段。
本发明第三方面提供了计算机可读存储介质,所述可读存储介质中包括基于人工智能的数据中心节能调温方法程序,所述基于人工智能的数据中心节能调温方法程序被处理器执行时,实现如上述任一项所述的基于人工智能的数据中心节能调温方法的步骤。
本发明公开的基于人工智能的数据中心节能调温方法、系统和介质,通过采集各服务器组区域的多帧热感应图像集并预处理获得多个热力图像,并识别获得区域特征信息提取热能变化特征数据,以及各服务器组的性能指标数据,查询获得运行性能动态监测数据以及冷却组的制冷特征数据,根据性能指标数据处理获得算力特性系数,并根据制冷特征数据处理获得冷效数据,根据运行性能动态监测数据与性能指标数据进行处理获得性能动态检测数据,并结合热能变化特征数据处理获得热效稳态数据,再结合算力特性系数和冷效数据聚合处理获得功耗热力冷效积聚数据,最后与预设热能冷却功效阈值级进行对比获得热能冷却功效级数并根据对应冷效功调方案进行冷却调节;从而基于区域热力图像识别热能变化并结合服务器性能动态监测获得服务器运行对热力作用的热效稳态数据,再结合系数以及冷却效果进行聚合处理获得能耗散热与制冷作用下的效果聚合数据,并通过级数阈值对比结果获得冷却调节的功调方案,实现对服务器功耗热能与冷却效果的数据检测和调节,提高对数据中心服务器冷效的智能调节。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.基于人工智能的数据中心节能调温方法,其特征在于,包括以下步骤:
采集预设时间段内数据中心各服务器组区域的多帧热感应图像集并预处理获得多个热力图像,对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息;
根据所述多个热力图像的热力特征信息提取热能变化特征数据,根据所述属性特征信息通过预设服务器性能信息数据库查询获取各服务器组的性能指标数据;
根据所述属性特征信息在预设服务器监测平台中查询获得对应服务器组在时间节点的运行性能动态监测数据,以及服务器组对应冷却组在所述时间节点的制冷特征数据;
根据所述性能指标数据处理获得对应所述各服务器组的算力特性系数,并根据所述制冷特征数据进行处理获得所述冷却组在所述时间节点的冷效数据;
根据所述运行性能动态监测数据与性能指标数据进行处理获得所述服务器组在所述时间节点的性能动态检测数据,并根据所述性能动态检测数据结合所述热能变化特征数据进行加权处理,获得对应时间节点的热效稳态数据;
根据所述热效稳态数据结合所述算力特性系数以及所述冷效数据通过预设功耗热力冷效处理模型进行聚合处理,获得所述预设时间段内服务器组的功耗热力冷效积聚数据;
根据所述各服务器组的功耗热力冷效积聚数据分别与预设热能冷却功效阈值级进行阈值对比,获得对应热能冷却功效级数,并根据热能冷却功效级数对应的冷效功调方案进行冷却调节。
2.根据权利要求1所述的基于人工智能的数据中心节能调温方法,其特征在于,所述采集预设时间段内数据中心各服务器组区域的多帧热感应图像集并预处理获得多个热力图像,对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息,包括:
采集预设时间段内数据中心各服务器组区域的多帧热感应图像集,对多帧热感应图像集进行预处理获得多个热力图像;
对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息;
所述热力特征信息包括热感应数据信息和热辐射参数信息,所述属性特征信息包括型号类别信息、定位标识信息以及冷却组型号适配信息。
3.根据权利要求2所述的基于人工智能的数据中心节能调温方法,其特征在于,所述根据所述多个热力图像的热力特征信息提取热能变化特征数据,根据所述属性特征信息通过预设服务器性能信息数据库查询获取各服务器组的性能指标数据,包括:
获取生成所述热力图像对应的时间节点信息,根据相邻时间节点信息对应的所述热力特征信息提取热能变化特征数据,包括热能变化率数据;
根据所述型号类别信息和定位标识信息通过预设服务器性能信息数据库进行查询,获取各服务器组的性能指标数据,包括能耗指标数据、功率指标数据以及算力容量指标数据。
4.根据权利要求3所述的基于人工智能的数据中心节能调温方法,其特征在于,所述根据所述属性特征信息在预设服务器监测平台中查询获得对应服务器组在时间节点的运行性能动态监测数据,以及服务器组对应冷却组在所述时间节点的制冷特征数据,包括:
根据所述定位标识信息在预设服务器监测平台中查询获得对应服务器组在所述时间节点信息对应的运行性能动态监测数据,包括实际能耗数据、实际功率数据和算力载荷数据;
根据所述冷却组型号适配信息获取所述服务器组对应匹配冷却组在所述时间节点的制冷特征数据,包括制冷功率数据和冷力值数据。
5.根据权利要求4所述的基于人工智能的数据中心节能调温方法,其特征在于,所述根据所述性能指标数据处理获得对应所述各服务器组的算力特性系数,并根据所述制冷特征数据进行处理获得所述冷却组在所述时间节点的冷效数据,包括:
根据所述能耗指标数据、功率指标数据以及算力容量指标数据进行处理获得对应所述各服务器组的算力特性系数;
根据所述制冷功率数据和冷力值数据进行处理获得所述冷却组在所述时间节点的冷效数据;
所述算力特性系数和冷效数据的计算公式分别为:
;
;
其中,为算力特性系数,/>为冷效数据,/>、/>、/>分别为能耗指标数据、功率指标数据、算力容量指标数据,/>、/>分别为制冷功率数据、冷力值数据,/>、/>、/>、/>、/>为预设特征系数。
6.根据权利要求5所述的基于人工智能的数据中心节能调温方法,其特征在于,所述根据所述运行性能动态监测数据与性能指标数据进行处理获得所述服务器组在所述时间节点的性能动态检测数据,并根据所述性能动态检测数据结合所述热能变化特征数据进行加权处理,获得对应时间节点的热效稳态数据,包括:
根据所述运行性能动态监测数据与所述性能指标数据进行处理,获得所述服务器组在对应所述时间节点的性能动态检测数据;
根据所述性能动态检测数据结合所述热能变化率数据进行加权处理,获得对应所述时间节点的热效稳态数据;
所述热效稳态数据的计算公式为:
;
;
其中,为热效稳态数据,/>为性能动态检测数据,/>为热能变化率数据,/>、/>、/>分别为实际能耗数据、实际功率数据、算力载荷数据,/>、/>、/>分别为能耗指标数据、功率指标数据、算力容量指标数据,/>、/>、/>、/>为预设特征系数。
7.根据权利要求6所述的基于人工智能的数据中心节能调温方法,其特征在于,所述根据所述热效稳态数据结合所述算力特性系数以及所述冷效数据通过预设功耗热力冷效处理模型进行聚合处理,获得所述预设时间段内服务器组的功耗热力冷效积聚数据,包括:
根据所述预设时间段内各时间节点的热效稳态数据结合所述算力特性系数以及所述冷效数据通过预设功耗热力冷效处理模型进行聚合处理,获得所述服务器组的功耗热力冷效积聚数据;
所述功耗热力冷效积聚数据的模型程序公式为:
;
其中,为功耗热力冷效积聚数据,/>为n个时间节点中的第i个时间节点的热效稳态数据,/>为n个时间节点中的第i个时间节点的冷效数据,/>为算力特性系数,n为预设时间段内的时间节点个数,/>、/>为预设特征系数。
8.基于人工智能的数据中心节能调温系统,其特征在于,该系统包括:存储器及处理器,所述存储器中包括基于人工智能的数据中心节能调温方法的程序,所述基于人工智能的数据中心节能调温方法的程序被所述处理器执行时实现以下步骤:
采集预设时间段内数据中心各服务器组区域的多帧热感应图像集并预处理获得多个热力图像,对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息;
根据所述多个热力图像的热力特征信息提取热能变化特征数据,根据所述属性特征信息通过预设服务器性能信息数据库查询获取各服务器组的性能指标数据;
根据所述属性特征信息在预设服务器监测平台中查询获得对应服务器组在时间节点的运行性能动态监测数据,以及服务器组对应冷却组在所述时间节点的制冷特征数据;
根据所述性能指标数据处理获得对应所述各服务器组的算力特性系数,并根据所述制冷特征数据进行处理获得所述冷却组在所述时间节点的冷效数据;
根据所述运行性能动态监测数据与性能指标数据进行处理获得所述服务器组在所述时间节点的性能动态检测数据,并根据所述性能动态检测数据结合所述热能变化特征数据进行加权处理,获得对应时间节点的热效稳态数据;
根据所述热效稳态数据结合所述算力特性系数以及所述冷效数据通过预设功耗热力冷效处理模型进行聚合处理,获得所述预设时间段内服务器组的功耗热力冷效积聚数据;
根据所述各服务器组的功耗热力冷效积聚数据分别与预设热能冷却功效阈值级进行阈值对比,获得对应热能冷却功效级数,并根据热能冷却功效级数对应的冷效功调方案进行冷却调节。
9.根据权利要求8所述的基于人工智能的数据中心节能调温系统,其特征在于,所述采集预设时间段内数据中心各服务器组区域的多帧热感应图像集并预处理获得多个热力图像,对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息,包括:
采集预设时间段内数据中心各服务器组区域的多帧热感应图像集,对多帧热感应图像集进行预处理获得多个热力图像;
对热力图像进行信息识别获得各服务器组区域的区域特征信息,包括热力特征信息和属性特征信息;
所述热力特征信息包括热感应数据信息和热辐射参数信息,所述属性特征信息包括型号类别信息、定位标识信息以及冷却组型号适配信息。
10.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中包括基于人工智能的数据中心节能调温方法程序,所述基于人工智能的数据中心节能调温方法程序被处理器执行时,实现如权利要求1至7中任一项所述的基于人工智能的数据中心节能调温方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310618931.7A CN116390461B (zh) | 2023-05-30 | 2023-05-30 | 基于人工智能的数据中心节能调温方法、系统和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310618931.7A CN116390461B (zh) | 2023-05-30 | 2023-05-30 | 基于人工智能的数据中心节能调温方法、系统和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116390461A CN116390461A (zh) | 2023-07-04 |
CN116390461B true CN116390461B (zh) | 2023-08-08 |
Family
ID=86971311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310618931.7A Active CN116390461B (zh) | 2023-05-30 | 2023-05-30 | 基于人工智能的数据中心节能调温方法、系统和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116390461B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520102B (zh) * | 2024-01-04 | 2024-04-26 | 广州大一互联网络科技有限公司 | 一种idc数据中心的能耗智能监控方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009293851A (ja) * | 2008-06-05 | 2009-12-17 | Ntt Facilities Inc | 空調システムの制御方法 |
JP2011039889A (ja) * | 2009-08-14 | 2011-02-24 | Kddi Corp | ネットワーク運用管理方法及びネットワーク運用管理装置 |
JP2014196873A (ja) * | 2013-03-29 | 2014-10-16 | 日立コンシューマエレクトロニクス株式会社 | 空調制御システム、および、空調制御方法 |
CN114442768A (zh) * | 2021-12-28 | 2022-05-06 | 中国电力科学研究院有限公司 | 基于信息流特征的数据中心冷负荷分布确定方法及系统 |
CN114626596A (zh) * | 2022-03-07 | 2022-06-14 | 重庆大学 | 考虑多时段设备耦合的数据中心能效优化方法 |
CN114996093A (zh) * | 2022-06-08 | 2022-09-02 | 三峡智控科技有限公司 | 一种数据中心节能系统的智能巡检优化方法 |
CN115408957A (zh) * | 2022-09-01 | 2022-11-29 | 中国科学院重庆绿色智能技术研究院 | 一种基于多智能体强化学习的数据中心制冷设备控制方法 |
CN115826716A (zh) * | 2023-02-14 | 2023-03-21 | 中科可控信息产业有限公司 | 制冷方法、虚装置和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9841773B2 (en) * | 2013-04-18 | 2017-12-12 | Globalfoundries Inc. | Cooling system management |
-
2023
- 2023-05-30 CN CN202310618931.7A patent/CN116390461B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009293851A (ja) * | 2008-06-05 | 2009-12-17 | Ntt Facilities Inc | 空調システムの制御方法 |
JP2011039889A (ja) * | 2009-08-14 | 2011-02-24 | Kddi Corp | ネットワーク運用管理方法及びネットワーク運用管理装置 |
JP2014196873A (ja) * | 2013-03-29 | 2014-10-16 | 日立コンシューマエレクトロニクス株式会社 | 空調制御システム、および、空調制御方法 |
CN114442768A (zh) * | 2021-12-28 | 2022-05-06 | 中国电力科学研究院有限公司 | 基于信息流特征的数据中心冷负荷分布确定方法及系统 |
CN114626596A (zh) * | 2022-03-07 | 2022-06-14 | 重庆大学 | 考虑多时段设备耦合的数据中心能效优化方法 |
CN114996093A (zh) * | 2022-06-08 | 2022-09-02 | 三峡智控科技有限公司 | 一种数据中心节能系统的智能巡检优化方法 |
CN115408957A (zh) * | 2022-09-01 | 2022-11-29 | 中国科学院重庆绿色智能技术研究院 | 一种基于多智能体强化学习的数据中心制冷设备控制方法 |
CN115826716A (zh) * | 2023-02-14 | 2023-03-21 | 中科可控信息产业有限公司 | 制冷方法、虚装置和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116390461A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116390461B (zh) | 基于人工智能的数据中心节能调温方法、系统和介质 | |
CN105307200B (zh) | 一种基于轨迹的无线传感器网络多维数据异常值检测方法 | |
CN115095907B (zh) | 基于深度学习的智慧供热节能调控方法、系统及存储介质 | |
CN110658725B (zh) | 一种基于人工智能的能源监管和预测系统及其方法 | |
JP2023502543A (ja) | 時系列データを保存および照会するための方法および装置、並びにそれらのサーバーおよび記憶媒体 | |
CN115512520B (zh) | 基于智慧燃气的用气安全预警方法及物联网系统 | |
CN110069943A (zh) | 一种基于聚类匿名化与差分隐私保护的数据处理方法及系统 | |
CN110674120A (zh) | 一种风电场数据清洗方法及装置 | |
CN115542824B (zh) | 一种基于能耗管控的中央空调机组控制方法及系统 | |
CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
CN109726205A (zh) | 一种电力系统安全稳定分析数据存储系统及存储方法 | |
CN116255655B (zh) | 基于大数据的设备智能检调方法、系统和介质 | |
CN112116205B (zh) | 针对台区用电特征的画像方法、装置和存储介质 | |
CN117080624B (zh) | 一种电池加热控制方法及系统 | |
CN116321999B (zh) | 一种云计算数据中心的空调智能调控方法、系统和介质 | |
CN109506344A (zh) | 空调制冷量的控制方法、装置及电子设备 | |
CN116993227A (zh) | 一种基于人工智能的供热分析评估方法、系统及存储介质 | |
US11847619B2 (en) | System-state monitoring method and device and storage medium | |
CN116307945A (zh) | 一种建筑类电气智能运行监控方法、系统和介质 | |
Onile et al. | A comparative study on graph-based ranking algorithms for consumer-oriented demand side management | |
CN114925929A (zh) | 一种基于度日数的建筑负荷预测方法及装置 | |
CN113240151A (zh) | 直接空冷机组凝汽器性能参数的预测方法和装置 | |
CN111523011A (zh) | 基于区块链技术分布式图计算引擎的冷热钱包智能标签系统 | |
CN110826899B (zh) | 一种风力发电机组的性能评估方法、装置、设备及存储介质 | |
CN116955117B (zh) | 基于数据可视化增强的电脑散热器性能分析系统 |
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 |