CN116562111A - 数据中心节能方法、装置、系统和存储介质 - Google Patents
数据中心节能方法、装置、系统和存储介质 Download PDFInfo
- Publication number
- CN116562111A CN116562111A CN202210101265.5A CN202210101265A CN116562111A CN 116562111 A CN116562111 A CN 116562111A CN 202210101265 A CN202210101265 A CN 202210101265A CN 116562111 A CN116562111 A CN 116562111A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- historical
- total
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000005265 energy consumption Methods 0.000 claims abstract description 430
- 238000005057 refrigeration Methods 0.000 claims abstract description 106
- 230000007613 environmental effect Effects 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims description 143
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 12
- 238000004378 air conditioning Methods 0.000 claims description 10
- 230000001105 regulatory effect Effects 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 238000004134 energy conservation Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 52
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 38
- 238000001816 cooling Methods 0.000 description 19
- 238000007710 freezing Methods 0.000 description 11
- 230000008014 freezing Effects 0.000 description 11
- 238000007781 pre-processing Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000000498 cooling water Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种数据中心节能方法、装置和存储介质;方法包括:获取环境状态数据、IT总负载和至少一个数据集;针对至少一个数据集中的每个数据集,将每个数据集中的环境状态数据和第一子数据集输入预设的制冷站能耗预测模型后,得到制冷站能耗预测模型的第一隐藏层数据;将数据集中的环境状态数据、IT总负载和第二子数据集输入预设的末端空调能耗预测模型后,得到末端空调能耗预测模型的第二隐藏层数据;将每个数据集对应的第一隐藏层数据、第二隐藏层数据、环境状态数据、IT总负载,输入预设的机楼总能耗模型,得到每个数据集对应的机楼总能耗;确定满足预设条件的机楼总能耗对应的目标数据集,根据目标数据集确定节能方案。
Description
技术领域
本发明涉及网络信息安全领域,尤其涉及一种数据中心节能方法、装置、系统和存储介质。
背景技术
随着第五代移动通信技术(5G,5th Generation Mobile CommunicationTechnology)网络的规模化商用,数据中心逐渐往大型化、高密度化的方向发展,数据中心的累积装机能力可提升至上百万架。与此同时,数据中心面临的高能耗问题愈发凸显。现有的数据中心节能方法有两种,包括对单个设备的物理建模或者传统的基于人工经验的简单调优方式,但这两种方式各有不足。
基于物理设备建模的方式通过数学公式描述制冷系统,但冷源系统设备多、系统复杂、耦合性强,难以用数据公式精确建立起整个系统模型。传统的人工调控的方式依赖专业空调运维人员的行业经验,费时费力、需要行业经验累积且无法做到实时精准调控,节能效果有限,已经无法满足能耗进一步降低的要求。并且,数据中心建筑结构优化的方法必须从建设的一开始就设计好机楼结构,每个数据中心都不完全相同,在某个数据中心累积的人工调控经验无法大规模推广至其他数据中心,以上两种节能方案无法大规模应用至多个数据中心。
随着人工智能技术的发展和应用,利用人工智能等技术对数据中心制冷群控系统进行建模和优化控制,达到数据中心整体能效最优,成为数据中心节能领域的发展方向。而现有的人工智能技术方案中,强化学习基于数据反馈寻找最优参数的方法虽然在理论场景中比较适用于数据中心节能,历史数据参数空间相对较小,数据累积困难,训练模型过程中复杂度高,很难应用到实际生产中。
发明内容
有鉴于此,本发明的主要目的在于提供一种数据中心节能方法、装置、系统和存储介质。
为达到上述目的,本发明的技术方案是这样实现的:
本发明实施例提供了一种数据中心节能方法,所述方法包括:
获取环境状态数据、互联网设备(IT)总负载和至少一个数据集;所述至少一个数据集中每个所述数据集包括:第一子数据集、第二子数据集;所述第一子数据集包括:至少一个第一控制参数的数据、至少一个第二参数的数据;所述第二子数据集包括:至少一个第二控制参数的数据、至少一个第三参数的数据;
针对所述至少一个数据集中的每个数据集,将每个所述数据集中的环境状态数据和第一子数据集输入预设的制冷站能耗预测模型后,得到所述制冷站能耗预测模型的第一隐藏层数据;将每个所述数据集中的环境状态数据、IT总负载和第二子数据集输入预设的末端空调能耗预测模型后,得到所述末端空调能耗预测模型的第二隐藏层数据;
将每个所述数据集对应的所述第一隐藏层数据、所述第二隐藏层数据、环境状态数据、IT总负载,输入预设的机楼总能耗模型,得到每个所述数据集对应的机楼总能耗;
确定满足预设条件的机楼总能耗对应的目标数据集,根据所述目标数据集确定节能方案;所述节能方案用于指示调节所述至少一个第一控制参数和/或所述至少一个第二控制参数的方式。
上述方案中,生成所述预设的制冷站能耗预测模型,包括:
获取第一训练样本集;所述第一训练样本集包括:至少一个第一训练集和所述至少一个第一训练集中每个所述第一训练集对应的第一标签;所述第一标签表征第一训练集对应的历史制冷站总能耗;
运用第一神经网络训练所述第一训练样本集,得到训练后的第一神经网络,作为所述制冷站能耗预测模型;
其中,所述第一训练集包括:历史环境状态数据、至少一个第一控制参数的历史数据、至少一个第二参数的历史数据。
上述方案中,生成所述预设的末端空调能耗预测模型,包括:
获取第二训练样本集;所述第一训练样本集包括:至少一个第二训练集和所述至少一个第二训练集中每个所述第二训练集对应的第二标签;所述第二标签表征第二训练集对应的历史末端空调总能耗;
运用第二神经网络训练所述第二训练样本集,得到训练后的第二神经网络,作为所述末端空调能耗预测模型;
其中,所述第二训练集包括:历史环境状态数据、历史IT总负载、至少一个第二控制参数的历史数据、至少一个第三参数的历史数据。
上述方案中,生成所述预设的机楼总能耗模型,包括:
在训练所述制冷站能耗预测模型和所述末端空调能耗预测模型的过程中,提取所述制冷站能耗预测模型的历史第一隐藏层数据和所述末端空调能耗预测模型的历史第二隐藏层数据;
确定历史制冷站总能耗、历史末端空调总能耗和历史机楼总能耗,根据所述历史制冷站能耗和所述历史机楼总能耗确定第一比值,根据所述历史末端空调总能耗和所述历史机楼总能耗确定第二比值;
以所述第一比值作为所述历史第一隐藏层数据的初始权重、将所述第二比值作为所述历史第二隐藏层数据的初始权重,分别对所述历史第一隐藏层数据和所述历史第二隐藏层数据构建全连接层,将构建的全连接层衔接神经网络,得到目标训练模型;
将所述历史第一隐藏层数据、所述历史第二隐藏层数据、历史环境状态数据、历史IT总负载作为输入,历史机楼总能耗作为输出,训练所述目标训练模型,得到训练后的所述目标训练模型作为所述机楼总能耗模型。
上述方案中,所述确定历史制冷站总能耗、历史末端空调总能耗和历史机楼总能耗,根据所述历史制冷站能耗和所述历史机楼总能耗确定第一比值,根据所述历史末端空调总能耗和所述历史机楼总能耗确定第二比值,包括:
将采集时间内确定的历史制冷站总能耗、历史末端空调总能耗和历史机楼总能耗求平均值,得到历史制冷站总能耗均值、历史末端空调总能耗均值和历史机楼总能耗均值;
将所述历史制冷站总能耗均值除以所述历史机楼总能耗均值,得到第一比值;
将所述历史末端总空调能耗均值除以所述历史机楼总能耗均值,得到第二比值。
上述方案中,所述方法还包括:
确定可调节的参数,作为控制参数;所述控制参数包括:第一控制参数、第二控制参数;
查询所述控制参数的历史数据,确定所述控制参数的历史最大值和历史最小值;
确定所述历史最大值的第一倍数,作为第一限值;
确定所述历史最小值的第二倍数,作为第二限值;
相应的,所述获取至少一个数据集,包括:
运用遗传算法,基于每个控制参数的第一限值和第二限值,确定每个所述数据集的控制参数的组合;
所述控制参数的组合包括:至少一个第一控制参数、至少一个第二控制参数。
上述方案中,所述节能方案包括:至少一个待调节设备、所述至少一个待调节设备中每个待调节设备的至少一个控制参数的调节值;
所述方法还包括:
将所述节能方案发送给群控系统;所述群控系统用于根据所述节能方案调节所述待调节设备,以使所述待调节设备的控制参数达到相应控制参数的调节值。
本发明实施例提供了一种数据中心节能装置,所述装置包括:获取模块、第一处理模块、第二处理模块、第三处理模块;其中,
所述获取模块,用于获取环境状态数据、IT总负载和至少一个数据集;所述至少一个数据集中每个所述数据集包括:第一子数据集、第二子数据集;所述第一子数据集包括:至少一个第一控制参数的数据、至少一个第二参数的数据;所述第二子数据集包括:至少一个第二控制参数的数据、至少一个第三参数的数据;
所述第一处理模块,用于针对所述至少一个数据集中的每个数据集,将每个所述数据集中的环境状态数据和第一子数据集输入预设的制冷站能耗预测模型后,得到所述制冷站能耗预测模型的第一隐藏层数据;将每个所述数据集中的环境状态数据、IT总负载和第二子数据集输入预设的末端空调能耗预测模型后,得到所述末端空调能耗预测模型的第二隐藏层数据;
所述第二处理模块,用于将每个所述数据集对应的所述第一隐藏层数据、所述第二隐藏层数据、环境状态数据、IT总负载,输入预设的机楼总能耗模型,得到每个所述数据集对应的机楼总能耗;
所述第三处理模块,用于确定满足预设条件的机楼总能耗对应的目标数据集,根据所述目标数据集确定节能方案;所述节能方案用于指示调节所述至少一个第一控制参数和/或所述至少一个第二控制参数的方式。
上述方案中,所述装置还包括:预处理模块;
所述预处理模块,用于获取第一训练样本集;所述第一训练样本集包括:至少一个第一训练集和所述至少一个第一训练集中每个所述第一训练集对应的第一标签;所述第一标签表征第一训练集对应的历史制冷站总能耗;
运用第一神经网络训练所述第一训练样本集,得到训练后的第一神经网络,作为所述制冷站能耗预测模型;
其中,所述第一训练集包括:历史环境状态数据、至少一个第一控制参数的历史数据、至少一个第二参数的历史数据。
上述方案中,所述预处理模块,还用于获取第二训练样本集;所述第一训练样本集包括:至少一个第二训练集和所述至少一个第二训练集中每个所述第二训练集对应的第二标签;所述第二标签表征第二训练集对应的历史末端空调总能耗;
运用第二神经网络训练所述第二训练样本集,得到训练后的第二神经网络,作为所述末端空调能耗预测模型;
其中,所述第二训练集包括:历史环境状态数据、历史IT总负载、至少一个第二控制参数的历史数据、至少一个第三参数的历史数据。
上述方案中,所述预处理模块,还用于在训练所述制冷站能耗预测模型和所述末端空调能耗预测模型的过程中,提取所述制冷站能耗预测模型的历史第一隐藏层数据和所述末端空调能耗预测模型的历史第二隐藏层数据;
确定历史制冷站总能耗、历史末端空调总能耗和历史机楼总能耗,根据所述历史制冷站能耗和所述历史机楼总能耗确定第一比值,根据所述历史末端空调总能耗和所述历史机楼总能耗确定第二比值;
以所述第一比值作为所述历史第一隐藏层数据的初始权重、将所述第二比值作为所述历史第二隐藏层数据的初始权重,分别对所述历史第一隐藏层数据和所述历史第二隐藏层数据构建全连接层,将构建的全连接层衔接神经网络,得到目标训练模型;
将所述历史第一隐藏层数据、所述历史第二隐藏层数据、历史环境状态数据、历史IT总负载作为输入,历史机楼总能耗作为输出,训练所述目标训练模型,得到训练后的所述目标训练模型作为所述机楼总能耗模型。
上述方案中,所述预处理模块,用于将采集时间内确定的历史制冷站总能耗、历史末端空调总能耗和历史机楼总能耗求平均值,得到历史制冷站总能耗均值、历史末端空调总能耗均值和历史机楼总能耗均值;
将所述历史制冷站总能耗均值除以所述历史机楼总能耗均值,得到第一比值;
将所述历史末端总空调能耗均值除以所述历史机楼总能耗均值,得到第二比值。
上述方案中,所述获取模块,还用于确定可调节的参数,作为控制参数;所述控制参数包括:第一控制参数、第二控制参数;
查询所述控制参数的历史数据,确定所述控制参数的历史最大值和历史最小值;
确定所述历史最大值的第一倍数,作为第一限值;
确定所述历史最小值的第二倍数,作为第二限值;
相应的,所述获取模块,用于运用遗传算法,基于每个控制参数的第一限值和第二限值,确定每个所述数据集的控制参数的组合;
所述控制参数的组合包括:至少一个第一控制参数、至少一个第二控制参数。
上述方案中,所述节能方案包括:至少一个待调节设备、所述至少一个待调节设备中每个待调节设备的至少一个控制参数的调节值;
所述装置还包括:通信模块;所述通信模块,用于将所述节能方案发送给群控系统;所述群控系统用于根据所述节能方案调节所述待调节设备,以使所述待调节设备的控制参数达到相应控制参数的调节值。
本发明实施例提供了一种数据中心节能装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现服务端侧的任一项所述方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现服务端侧的任一项所述方法的步骤。
本发明实施例所提供的一种数据中心节能方法、装置和存储介质,所述方法包括:获取环境状态数据、IT总负载和至少一个数据集;所述至少一个数据集中每个所述数据集包括:第一子数据集、第二子数据集;所述第一子数据集包括:至少一个第一控制参数的数据、至少一个第二参数的数据;所述第二子数据集包括:至少一个第二控制参数的数据、至少一个第三参数的数据;针对所述至少一个数据集中的每个数据集,将每个所述数据集中的环境状态数据和第一子数据集输入预设的制冷站能耗预测模型后,得到所述制冷站能耗预测模型的第一隐藏层数据;将每个所述数据集中的环境状态数据、IT总负载和第二子数据集输入预设的末端空调能耗预测模型后,得到所述末端空调能耗预测模型的第二隐藏层数据;将每个所述数据集对应的所述第一隐藏层数据、所述第二隐藏层数据、环境状态数据、IT总负载,输入预设的机楼总能耗模型,得到每个所述数据集对应的机楼总能耗;确定满足预设条件的机楼总能耗对应的目标数据集,根据所述目标数据集确定节能方案;所述节能方案用于指示调节所述至少一个第一控制参数和/或所述至少一个第二控制参数的方式;如此,根据实时获取的当前各设备运行状态数据进行多种方案的机楼总功耗预测,确定出最优的方案作为节能方案,可以有效的利用实时监控的数据作出推理,解决调节及时性不足、只能局部优化的问题;另外,上述方法通过人工智能的方法寻找最优控制参数,减少了人工经验的依赖。
附图说明
图1为本发明实施例提供的一种数据中心节能方法的流程示意图;
图2为本发明应用实施例提供的一种模型构建方法的示意图;
图3为本发明应用实施例提供的一种模型训练方法的流程示意图;
图4为本发明应用实施例提供的一种数据中心节能方法的流程示意图;
图5为本发明实施例提供的一种数据中心节能装置的结构示意图;
图6为本发明实施例提供的另一种数据中心节能装置的结构示意图。
具体实施方式
下面结合实施例对本发明再作进一步详细的说明。
图1为本发明实施例提供的一种数据中心节能方法的流程示意图;如图1所示,所述方法包括:
步骤101、获取环境状态数据、互联网设备(IT,Internet Technology)总负载和至少一个数据集;所述至少一个数据集中每个所述数据集包括:第一子数据集、第二子数据集;所述第一子数据集包括:至少一个第一控制参数的数据、至少一个第二参数的数据;所述第二子数据集包括:至少一个第二控制参数的数据、至少一个第三参数的数据;
步骤102、针对所述至少一个数据集中的每个数据集,将每个所述数据集中的环境状态数据和第一子数据集输入预设的制冷站能耗预测模型后,得到所述制冷站能耗预测模型的第一隐藏层数据;将每个所述数据集中的环境状态数据、IT总负载和第二子数据集输入预设的末端空调能耗预测模型后,得到所述末端空调能耗预测模型的第二隐藏层数据;
步骤103、将每个所述数据集对应的所述第一隐藏层数据、所述第二隐藏层数据、环境状态数据、IT总负载,输入预设的机楼总能耗模型,得到每个所述数据集对应的机楼总能耗;
步骤104、确定满足预设条件的机楼总能耗对应的目标数据集,根据所述目标数据集确定节能方案;所述节能方案用于指示调节所述至少一个第一控制参数和/或所述至少一个第二控制参数的方式。
实际应用时,考虑到历史数据积累困难,若仅使用采集的历史数据,历史数据参数空间相对较小,为了扩大数据空间,可以对数据进行扩展。
基于此,在一些实施例中,所述方法还包括:
确定可调节的参数,作为控制参数;所述控制参数包括:第一控制参数、第二控制参数;
查询所述控制参数的历史数据,确定所述控制参数的历史最大值和历史最小值;
确定所述历史最大值的第一倍数,作为第一限值;
确定所述历史最小值的第二倍数,作为第二限值;
相应的,所述获取至少一个数据集,包括:
运用遗传算法,基于每个控制参数的第一限值和第二限值,确定每个所述数据集的控制参数的组合;
所述控制参数的组合包括:至少一个第一控制参数、至少一个第二控制参数。
举例来说,所述第一倍数为1.05倍;所述第二倍数为0.95倍。即从历史数据中找到控制参数的最大值m1和最小值m2后,将参数空间的上下限分别设置为m1*1.05、m2*0.95,作为第一限值和第二限值;
这里,所述控制参数包括:第一控制参数、第二控制参数;即可以对每个第一控制参数、第二控制参数执行上述操作。获取至少一个数据集时,可以运用遗传算法,基于历史数据生成N个控制参数的组合{n1,n2,...,nN},其中,ni表示控制参数的数据组合,每个控制参数的取值范围是[m1*1.05,m2*0.95];每个数据集中包括一个控制参数的组合。
本发明实施例的方法,考虑到数据中心非IT能耗的70%来自制冷系统,而制冷系统的能耗受制冷站设备和末端空调运行状态影响,制冷站和末端空调之间又互相影响、耦合,例如制冷站提供的冷量越大,能耗就越大,但空调末端所需的能耗就越小;另一个影响数据中心能耗的重要因素是IT能耗。服务器设备承载的业务量并不是一成不变的,业务量越大,IT总负载越高,IT能耗也就越高。因此,数据中心智慧节能需要同时考虑制冷站和末端空调运行状态对机楼总能耗的影响、以及业务量变化带来的IT能耗变化。基于此,本发明实施例中,针对数据中心机楼总能耗进行建模,得到的机楼总能耗模型可以预测机楼制冷设备在各种状态下的总能耗,并根据最小能耗预测结果反推节能方案,最终输出各制冷设备的控制参数值。
基于此,在一些实施例中,所述方法还包括:
生成所述预设的制冷站能耗预测模型;
生成所述预设的末端空调能耗预测模型;
生成所述预设的机楼总能耗模型。
在一些实施例中,生成所述预设的制冷站能耗预测模型,包括:
获取第一训练样本集;所述第一训练样本集包括:至少一个第一训练集和所述至少一个第一训练集中每个所述第一训练集对应的第一标签;所述第一标签表征第一训练集对应的历史制冷站总能耗;
运用第一神经网络训练所述第一训练样本集,得到训练后的第一神经网络,作为所述制冷站能耗预测模型;
其中,所述第一训练集包括:历史环境状态数据、至少一个第一控制参数的历史数据、至少一个第二参数的历史数据。
在一些实施例中,生成所述预设的末端空调能耗预测模型,包括:
获取第二训练样本集;所述第一训练样本集包括:至少一个第二训练集和所述至少一个第二训练集中每个所述第二训练集对应的第二标签;所述第二标签表征第二训练集对应的历史末端空调总能耗;
运用第二神经网络训练所述第二训练样本集,得到训练后的第二神经网络,作为所述末端空调能耗预测模型;
其中,所述第二训练集包括:历史环境状态数据、历史IT总负载、至少一个第二控制参数的历史数据、至少一个第三参数的历史数据。
在一些实施例中,生成所述预设的机楼总能耗模型,包括:
在训练所述制冷站能耗预测模型和所述末端空调能耗预测模型的过程中,提取所述制冷站能耗预测模型的历史第一隐藏层数据和所述末端空调能耗预测模型的历史第二隐藏层数据;
确定历史制冷站总能耗、历史末端空调总能耗和历史机楼总能耗,根据所述历史制冷站能耗和所述历史机楼总能耗确定第一比值,根据所述历史末端空调总能耗和所述历史机楼总能耗确定第二比值;
以所述第一比值作为所述历史第一隐藏层数据的初始权重、将所述第二比值作为所述历史第二隐藏层数据的初始权重,分别对所述历史第一隐藏层数据和所述历史第二隐藏层数据构建全连接层,将构建的全连接层衔接神经网络(如长短期记忆网络(LSTM,LongShort-Term Memory)),得到目标训练模型;
将所述历史第一隐藏层数据、所述历史第二隐藏层数据、历史环境状态数据、历史IT总负载作为输入,历史机楼总能耗作为输出,训练所述目标训练模型,得到训练后的所述目标训练模型作为所述机楼总能耗模型。
具体来说,在制冷站能耗预测模型和末端空调能耗预测模型的训练过程中,抽取所述制冷站能耗预测模型和末端空调能耗预测模型的隐藏层数据,得到历史第一隐藏层数据、历史第二隐藏层数据;将第一比值和第二比值作为初始权重赋值,分别对历史第一隐藏层数据、历史第二隐藏层数据构建全连接层,全连接层后衔接一个接神经网络(如LSTM)模型,将历史第一隐藏层数据、历史第二隐藏层数据、历史环境状态数据、历史IT总负载合并起来作为输入,历史机楼总能耗作为输出,训练全连接层+LSTM模型,得到机楼总能耗模型。
在一些实施例中,所述确定历史制冷站总能耗、历史末端空调总能耗和历史机楼总能耗,根据所述历史制冷站能耗和所述历史机楼总能耗确定第一比值,根据所述历史末端空调总能耗和所述历史机楼总能耗确定第二比值,包括:
将采集时间内确定的历史制冷站总能耗、历史末端空调总能耗和历史机楼总能耗求平均值,得到历史制冷站总能耗均值、历史末端空调总能耗均值和历史机楼总能耗均值;
将所述历史制冷站总能耗均值除以所述历史机楼总能耗均值,得到第一比值;
将所述历史末端总空调能耗均值除以所述历史机楼总能耗均值,得到第二比值。
这里,所述第一比值表征制冷站能耗在机楼总能耗中的占比;所述第二比值表征末端空调总能耗在机楼总能耗中的占比。
本发明实施例提供的数据中心节能方法可以应用于一个智能设备,如服务器、云服务器等。所述方法可以针对任意数据中心,根据每个数据中心的实际情况,运用上述步骤101-104的方法确定节能方案,其中获取的环境状态数据、IT总负载和至少一个数据集基于实际情况实时采集。
所述第一子数据集包括:制冷设备运行状态数据;所述第二子数据集包括:末端空调运行状态数据。
不同的数据中心可能设置不同的制冷设备、末端空调,例如,所述制冷设备可以包括以下表1中除末端空调以外的其他设备;相应的,所述第一子数据集包括表1中除末端空调以外的其他设备的状态数据。
所述末端空调运行状态数据,包括:末端空调转速、出风温度。
所述环境状态数据包括:室外相对湿度、室外干球温度、室外湿球温度。
控制参数(包括:第一控制参数、第二控制参数)为可调节的参数,例如,所述可调节的参数,可以包括:冷水机组的冷机冷却水出水温度、冷机冷冻出水温度、冷冻泵水泵频率、冷却泵水泵频率、冷却塔出水温度、分水器水压、末端空调转速。其中,冷水机组的冷机冷却水出水温度、冷机冷冻出水温度、冷冻泵水泵频率、冷却泵水泵频率、冷却塔出水温度、分水器水压可以为第一控制参数,末端空调转速为第二控制参数。
所述第二参数、所述第三参数为不可调节的参数。例如,第二控制参数可以包括:冷水机组的冷机压缩机运行时间、冷机冷凝饱和温度、冷冻泵进水压力、冷冻泵进水压力出水压力等。所述第三参数可以包括:末端空调的出风温度。
为采集上述数据,数据中心中可以设置采集设备、如温度传感器、湿度传感器等,具体基于实际需要设置,这里不做限定。
表1
相应的,训练各个模型所需的第一训练样本集、第二训练样本集、历史环境状态数据和历史IT总负载可以基于数据中心的历史数据得到。例如,获取某一数据中心的历史制冷站设备运行状态数据、设备能耗历史数据、历史环境状态数据;根据获取的各种历史数据进行分组整理,得到第一训练样本集、第二训练样本集、历史环境状态数据和历史IT总负载。
其中,设备能耗历史数据可以包括各设备能耗的历史数据,例如,冷水机组能耗、冷冻泵能耗、冷却泵能耗、冷却塔能耗、末端空调能耗、IT负载能耗、机楼总能耗。
模型训练过程中采用的第一标签表征第一训练集对应的历史制冷站总能耗,所述历史制冷站总能耗可以是制冷站中各设备能耗的总和,如,上述冷水机组能耗、冷冻泵能耗、冷却泵能耗、冷却塔能耗等制冷站设备的能耗总和;
所述第二标签表征第二训练集对应的历史末端空调总能耗,所述末端空调总能耗可以是各末端空调能耗的总和;
训练机楼总能耗模型时,以历史机楼总能耗作为输出(即标签),所述历史机楼总能耗可以是各设备能耗的综合,如上述冷水机组能耗、冷冻泵能耗、冷却泵能耗、冷却塔能耗、末端空调能耗、IT负载能耗、机楼总能耗的总和。
历史IT总负载可以是各IT负载的总和。
针对不同的数据中心,上述第一标签、第二标签、历史IT总负载、历史环境状态数据,基于针对该数据中心采集的历史数据整理得到,对于具体地涉及的设备、取值均不作限定。
在一些实施例中,确定满足预设条件的机楼总能耗对应的目标数据集,包括:
确定针对每个数据集预测得到的机楼总功耗后,比较各数据集预测对应的机楼总功耗;
确定最小的机楼总功耗对应的数据集,作为所述目标数据集。
在一些实施例中,所述方法还包括:
根据所述目标数据集的控制参数的数据,确定节能方案;
所述控制参数的数据包括:目标数据集中的第一控制参数的数据、第二控制参数的数据;
所述节能方案包括:至少一个待调节设备、所述至少一个待调节设备中每个待调节设备的至少一个控制参数的调节值;
在一些实施例中,所述方法还包括:
将所述节能方案发送给群控系统;所述群控系统用于根据所述节能方案调节所述待调节设备,以使所述待调节设备的控制参数达到相应控制参数的调节值。
通过本发明实施例提供的方法,采用人工智能手段代替人工手动调控,只需要对已建好的数据中心的采集点进行改造,且不需要采集全部的样本空间,只需要根据已有的历史数据进行训练即可。采用的机楼总能耗模型,综合考虑到制冷站各设备和末端空调的性能、室外环境、以及制冷站其他设备运行状态等影响因子,将机楼最大耗能模块——制冷站和末端空调结合起来进行状态优化,从而实现整栋机楼的节能减排。并且,通过深度学习的方法,同时捕捉相邻时间点数据的关系特征以及数据的周期性特征,提供出最优的节能方案。
本发明实施例提供的数据中心节能方法基于深度学习与机器学习实现,以达到对数据中心进行节能减排的目的。所述方法涉及线下训练和更新模型,线上仅做模型推理。应用时,可以每固定时间段推理一次并将模型输出的控制参数下发至群控系统。
图2为本发明应用实施例提供的一种模型构建方法的示意图,如图2所示,本发明实施例提供的方法基于多个深度学习模型实现,首先,构建制冷站各设备状态与能耗关系的深度神经网络模型(即制冷站能耗预测模型)、末端空调运行状态与能耗关系的深度神经网络模型(即末端空调能耗预测模型);然后,利用两个模型的隐藏层信息,结合时间特征,构建机楼总能耗模型。通过该机楼总能耗模型可以预测出机楼未来一段时间的能耗。通过这种多级嵌套的深度神经网络级联的方法,预测出在某个状态下整栋机楼的能耗,从而从多组控制参数备选方案中找到使得机楼总能耗最小的方案。
图2中,所述制冷站能耗预测模型的输入可以包括:历史环境状态数据(包括:室外相对湿度、室外干球温度、室外湿球温度)、制冷设备历史运行状态数据(包括:表1中除末端空调以外的其他设备的各状态参数的数据);输出可以包括:历史制冷站总能耗;
所述末端空调能耗预测模型的输入可以包括:历史环境状态数据、历史IT总负载、末端空调历史运行状态数据(包括:末端空调转速、出风温度);输出可以包括:历史末端空调总能耗。
图3为本发明应用实施例提供的一种模型训练方法的流程示意图。在对具体步骤进行说明前,以下先对涉及到的名词进行说明:
控制参数:可实时调节的设备的参数。例如,控制参数可以包括:冷机冷却出水温度、冷机冷冻出水温度、冷冻泵水泵频率、冷却泵水泵频率、冷却塔频率、末端空调转速等;需要说明的是,控制参数可根据数据中心实际情况进行调整。
参数空间:制冷站各设备的控制参数的可调控的范围。由于采集得到的历史数据样本空间小,所以在进行参数空间探索的时候,将每个参数的上限和下限分别扩大其上限和下限的5%。应用时,通过遗传算法将无限参数空间转化为有限的参数空间,通过将机楼总能耗设定为目标函数的方式寻找最优解,并进行输出。
参数下发:数据持续采集,每固定时间间隔进行模型推理并将得到的最优参数组合下发至群控系统,由群控系统控制各物理设备的设定值。
数据采集:采集一段时间内一定时间粒度(如采集至少一年内的五分钟粒度)的数据中心制冷设备运行状态数据、设备能耗数据、环境状态数据。采集过程中应记录精确到分钟粒度的采集时间和具体的采集值。制冷设备运行状态需要采集的具体字段如表1所示,需要采集的设备能耗可以包括:冷机能耗、冷冻泵能耗、冷却泵能耗、冷却塔能耗、末端空调能耗、IT负载能耗、机楼总能耗。需要采集的环境状态包括:室外相对湿度、室外干球温度、室外湿球温度。
特征构建:首先,训练制冷站能耗预测模型和末端空调能耗预测模型,再将这两个模型的隐藏层提取出来作为机楼总能耗模型的特征。制冷站能耗预测模型、末端空调能耗预测模型、机楼总能耗模型的特征构建方法如图2所示。
其中,制冷站能耗预测模型的特征数据,包括:制冷站设备总能耗、制冷站设备运行状态数据、环境状态数据。制冷站设备运行状态数据和环境状态数据可以通过采集的历史数据直接得到。制冷站设备总能耗通过将冷机能耗、冷冻泵能耗、冷却泵能耗、冷却塔能耗相加求和得到。再将制冷设备运行状态数据、环境状态数据作为输入,制冷设备总能耗数据作为输出,构建表达冷机运行状态与能耗关系的能耗模型,即所述制冷站能耗预测模型。
末端空调能耗预测模型特征数据,包括:末端空调状态数据、环境状态数据、IT总负载、时间、末端空调能耗,所有数据可从采集到的历史数据中直接得到。其中,将末端空调能耗数据作为模型输出,其余值作为模型输入,构建末端空调能耗预测模型。
机楼总能耗模型特征构建:将制冷站能耗预测模型、末端空调能耗预测模型的隐藏层抽取出来,作为制冷站和末端空调的能耗特征,分别与数据采集的时间、环境状态数据、IT总负载合并,构建数据中心的空调系统特征数据。将制冷站设备总能耗、末端空调能耗、IT总负载能耗以及支撑照明、办公用电等基础用电设备的能耗相加得到机楼总能耗,将空调系统特征数据作为输入,机楼总能耗作为输出,构建机楼总能耗模型。
以下对本发明实施例的节能方法所用的算法模型进行说明:
1、遗传算法:数据中心制冷站设备运行状态属于连续型参数空间,可以穷举出无数个不同的状态参数组合,但下一时刻的控制参数应基于当前的运行状态进行微调。遗传算法具有强鲁棒性、能够求出优化问题全局最优解、适合求解复杂数据问题的特点,因此,将遗传算法作为参数生成引擎,基于制冷站历史数据生成N组参数组合放入策略池,将目标函数设定为最小机楼总能耗预测值,从而求得符合目标函数的最优参数组合解。
2、制冷站能耗预测模型:机楼总能耗大小与当前制冷站设备运行状态、控制参数设置值之间存在非线性强相关耦合关系。其中,制冷站设备包括:冷机、冷冻泵、冷却泵、分水器、集水器、冷冻水总管、冷却水总管、冷塔、风扇等。设备种类多,且不同设备在不同测点的监测值有少许差异,例如,水泵在不同的测点测出来的温度是不同的。因此传统的根据物理结构和暖通知识解耦制冷站各设备并构建相应的数学公式很难精确描述制冷站能耗。考虑到各设备连接错综复杂,设备繁多,测点不一的特点,本发明实施例中采用神经网络构建能够表达制冷站能耗的人工智能(AI,Artificial Intelligence)模型,对制冷站能耗进行编码并用于最终的机楼总能耗模型训练。
3、末端空调能耗预测模型:机楼末端空调直接作用于服务器进行降温,空调单位时间内产生的冷量和能耗取决于当前服务器的温度、IT负载量等。从设备物理关系上来讲,冷机出水经由分水器直接与末端空调连接,并作用于末端空调进行降温。从末端空调降温原理上来讲,空调转速也会直接影响末端出风温度。考虑到服务器能耗、冷机的出水温度、末端空调转速均与末端空调的能耗强相关强耦合,本发明实施例中采用神经网络的方式对末端空调的能耗进行建模表达,并将能代表末端空调能耗的隐藏层作为特征,融入最终的机楼能耗预测模型。
4、机楼总能耗模型:制冷站和末端空调能耗占机楼总能耗的比重最大,但同时机楼能耗还需支撑办公、照明等基础用电,因此,本发明实施例中,将基于历史数据计算制冷站和空调末端能耗占比,并将占比作为基础权重构建全连接层,并从时间序列预测的角度利用LSTM模型对机楼总能耗建模。模型训练过程中,通过迭代不断优化基础权重值,得到最终的机楼总能耗模型。具体如图2所示。
本发明实施例提供的方法,输入包括:维度为LxN的数据中心的制冷站各设备运行状态历史数据、设备能耗历史数据、环境状态历史数据进行训练;输出包括:下一控制时刻数据中心制冷站各设备控制参数的具体建议值、按照建议值调控之后的机楼总能耗值。
所述方法具体包括:模型训练和/或更新阶段、确定数据中心节能方案阶段。
以下结合图2和图3对模型训练方法进行说明,所述模型训练方法包括:
步骤301、采集历史数据,对采集的历史数据按照制冷站和空调维度进行分组整理。
所述历史数据,包括:设备状态、设备能耗、环境状态三种数据。具体地,所述采集历史数据可以如上述数据采集的说明,采集至少一年内的五分钟粒度的数据中心的制冷设备运行状态数据、设备能耗数据、环境状态数据。采集过程中应记录精确到分钟粒度的采集时间和具体的采集值,即纵向维度为时间,横向维度为采集点具体的数值。
举例来说,采集的制冷设备运行状态数据的具体字段可以如表1所示;
采集的设备能耗数据,可以包括:冷机能耗、冷冻泵能耗、冷却泵能耗、冷却塔能耗、末端空调能耗、IT设备的能耗、机楼总能耗。
采集的环境状态数据,可以包括:室外相对湿度、室外干球温度、室外湿球温度。
相应的,所述对采集的历史数据按照制冷站和空调维度进行分组整理,包括:
分组整理时,以时间为纵向维度,以采集点具体的数值为横向维度;
确定制冷设备历史运行状态数据,记做AT*k,可以包括表1中除末端空调以外的其他设备状态参数;
确定末端空调历史运行状态数据,记做GT*k,可以包括末端空调转速和出风温度;
确定制冷设备历史能耗值,记做BT*p,包括冷机能耗、冷冻泵能耗、冷却泵能耗、冷却塔能耗。
确定末端空调历史总能耗,记做CT;可以是同一采集时间点采集的各末端空调历史能耗的总和。
确定机楼历史总能耗,记做DT;
确定历史环境状态数据,记做ET*q;
确定历史IT负载,记做FT。
步骤302、训练制冷站能耗预测模型;
具体地,所述步骤302包括:
构建制冷站能耗特征,将制冷设备历史能耗值BT*p在时间维度上相加求和,得到制冷站历史总能耗B'T;
将历史环境状态数据ET*q与制冷设备历史运行状态数据AT*k合并,得到制冷站能耗预测模型的输入AET*(q+k);
以AET*(q+k)作为输入,B'T作为输出,输入到LSTM模型进行训练,得到制冷站能耗预测模型,记做M1。
步骤303、训练末端空调能耗预测模型;
具体地,所述步骤303包括:
构建末端空调能耗特征,将末端空调历史运行状态数据GT*k、历史环境状态数据ET*q、历史IT负载FT在时间维度上合并,构成新的末端空调历史状态数据GEFT*(k+q+1);
以GEFT*(k+q+1)作为输入,末端空调历史总能耗CT作为输出,训练LSTM模型,得到末端空调能耗预测模型,记做M2。
步骤304、训练机楼总能耗模型;
具体地,所述步骤304包括:
将制冷站历史总能耗B'T、末端空调历史总能耗CT、机楼历史总能耗DT分别在时间维度上求均值,得到采集时间内制冷站能耗均值b、末端空调能耗均值c和机楼能耗均值d;计算b/d、c/d,得到制冷站能耗占比、末端空调能耗占比;
在模型M1和M2训练过程中,将其隐藏层数据抽取出来,分别命名为H1、H2;将b/d、c/d作为初始权重赋值,分别对H1、H2构建全连接层,全连接层后衔接一个LSTM模型,将隐藏层H1、H2、历史环境状态数据ET*q、历史IT负载FT合并起来作为输入,机楼历史总能耗DT作为输出,训练全连接层+LSTM模型,得到机楼总能耗模型,记做M3。
图4为本发明应用实施例提供的一种数据中心节能方法的流程示意图;如图4所示,所述方法采用图3所示方法训练得到的模型M1、M2、M3,得到数据中心节能方案,所述方法包括:
步骤401、采集实时数据,包括:数据中心的制冷站设备运行状态数据a1*k、末端空调运行状态数据g1*k、环境状态数据e1*q、IT总负载f。
步骤402、将可调节的参数作为控制参数,计算其在历史数据中的上下限,并将其上下限分别扩大5%。
具体地,所述计算其在历史数据中的上下限,并将其上下限分别扩大5%,包括:从历史数据中找到每个控制参数的最大值m1和最小值m2,将参数空间的上下限分别设置为m1*1.05、m2*0.95。
在某数据中心,可人工调控的参数包括:冷水机组的冷机冷却水出水温度、冷机冷冻出水温度、冷冻泵水泵频率、冷却泵水泵频率、冷却塔频率、冷却塔出水温度、分水器水压、末端空调转速等。
步骤403、运用遗传算法基于历史数据生成N个控制参数组合{n1,n2,...,nN};各控制参数的取值范围是[m1*1.05,m2*0.95]。
步骤404、将机楼总能耗作为目标函数,即优化目标为M3输出最小值,搭建遗传算法模型。
具体来说,针对每一个控制参数组合,计算该控制参数组合下的制冷站能耗、未端空调能耗,分别输出制冷站能耗预测模型和未端空调能耗预测模型的隐藏层,将两个隐藏层分别与实时环境状态、IT负载、时间拼接,输入机楼总能耗模型得到机楼总能耗预测结果。从N个控制参数组合中选取使得机楼总能耗M3最小的控制参数组合作为方案输出。
M3的推理过程分为以下步骤:
步骤4041、拉取除控制参数外的当前制冷站各设备的运行状态数据、当前数据中心的环境状态数据、当前机房IT总负载。对于生成的每一组控制参数组合,进行步骤4042-4044。
步骤4042、将拉取到的除末端空调外的当前状态数据、当前数据中心的环境状态数据、与控制参数中的冷机冷却出水温度、冷机冷冻出水温度、冷冻泵水泵频率、冷却泵水泵频率、冷却塔频率、冷却塔出水温度、分水器水压等合并起来,并输入到制冷站能耗预测模型中,得到未来时间的制冷站能耗,同时输出隐藏层数据h1i,i∈{1,N}。
步骤4043、将拉取到的当前时间的末端空调出风温度、IT总负载、环境状态数据,与控制参数中的末端空调转速合并起来,输入到末端空调能耗预测模型,得到未来时间的末端空调能耗,同时输出隐藏层数据h2i,i∈{1,N}。
步骤4044、将h1i、h2i、当前环境状态数据、IT总负载合并起来组成新一组数据,输入机楼总能耗模型,得到未来时间的机楼总能耗m。
步骤405、通过步骤4042-4044得到每一组控制参数组合的机楼总能耗,比较每组控制参数组合对应的机楼总能耗;
步骤406、确定最小的机楼总能耗所对应的控制参数组合的各控制参数的具体值,输出节能方案;所述节能方案至少包括最小的机楼总能耗所对应的控制参数组合的各控制参数的具体值。
本发明实施例提供的方法,将制冷设备和末端空调作为一个整体来进行节能的策略,避免了仅考虑冷机节能或者末端空调节能,但仅减少其中之一的能耗可能反而增加另一个设备的能耗,从而导致无法实现节能的问题。
图5为本发明实施例提供的一种数据中心节能装置的结构示意图;如图5所示,应用于服务器,所述装置包括:获取模块、第一处理模块、第二处理模块、第三处理模块;其中,
所述获取模块,用于获取环境状态数据、IT总负载和至少一个数据集;所述至少一个数据集中每个所述数据集包括:第一子数据集、第二子数据集;所述第一子数据集包括:至少一个第一控制参数的数据、至少一个第二参数的数据;所述第二子数据集包括:至少一个第二控制参数的数据、至少一个第三参数的数据;
所述第一处理模块,用于针对所述至少一个数据集中的每个数据集,将每个所述数据集中的环境状态数据和第一子数据集输入预设的制冷站能耗预测模型后,得到所述制冷站能耗预测模型的第一隐藏层数据;将每个所述数据集中的环境状态数据、IT总负载和第二子数据集输入预设的末端空调能耗预测模型后,得到所述末端空调能耗预测模型的第二隐藏层数据;
所述第二处理模块,用于将每个所述数据集对应的所述第一隐藏层数据、所述第二隐藏层数据、环境状态数据、IT总负载,输入预设的机楼总能耗模型,得到每个所述数据集对应的机楼总能耗;
所述第三处理模块,用于确定满足预设条件的机楼总能耗对应的目标数据集,根据所述目标数据集确定节能方案;所述节能方案用于指示调节所述至少一个第一控制参数和/或所述至少一个第二控制参数的方式。
在一些实施例中,所述装置还包括:预处理模块;
所述预处理模块,用于获取第一训练样本集;所述第一训练样本集包括:至少一个第一训练集和所述至少一个第一训练集中每个所述第一训练集对应的第一标签;所述第一标签表征第一训练集对应的历史制冷站总能耗;
运用第一神经网络训练所述第一训练样本集,得到训练后的第一神经网络,作为所述制冷站能耗预测模型;
其中,所述第一训练集包括:历史环境状态数据、至少一个第一控制参数的历史数据、至少一个第二参数的历史数据。
在一些实施例中,所述预处理模块,还用于获取第二训练样本集;所述第一训练样本集包括:至少一个第二训练集和所述至少一个第二训练集中每个所述第二训练集对应的第二标签;所述第二标签表征第二训练集对应的历史末端空调总能耗;
运用第二神经网络训练所述第二训练样本集,得到训练后的第二神经网络,作为所述末端空调能耗预测模型;
其中,所述第二训练集包括:历史环境状态数据、历史IT总负载、至少一个第二控制参数的历史数据、至少一个第三参数的历史数据。
在一些实施例中,所述预处理模块,还用于在训练所述制冷站能耗预测模型和所述末端空调能耗预测模型的过程中,提取所述制冷站能耗预测模型的历史第一隐藏层数据和所述末端空调能耗预测模型的历史第二隐藏层数据;
确定历史制冷站总能耗、历史末端空调总能耗和历史机楼总能耗,根据所述历史制冷站能耗和所述历史机楼总能耗确定第一比值,根据所述历史末端空调总能耗和所述历史机楼总能耗确定第二比值;
以所述第一比值作为所述历史第一隐藏层数据的初始权重、将所述第二比值作为所述历史第二隐藏层数据的初始权重,分别对所述历史第一隐藏层数据和所述历史第二隐藏层数据构建全连接层,将构建的全连接层衔接神经网络,得到目标训练模型;
将所述历史第一隐藏层数据、所述历史第二隐藏层数据、历史环境状态数据、历史IT总负载作为输入,历史机楼总能耗作为输出,训练所述目标训练模型,得到训练后的所述目标训练模型作为所述机楼总能耗模型。
在一些实施例中,所述预处理模块,用于将采集时间内确定的历史制冷站总能耗、历史末端空调总能耗和历史机楼总能耗求平均值,得到历史制冷站总能耗均值、历史末端空调总能耗均值和历史机楼总能耗均值;
将所述历史制冷站总能耗均值除以所述历史机楼总能耗均值,得到第一比值;
将所述历史末端总空调能耗均值除以所述历史机楼总能耗均值,得到第二比值。
在一些实施例中,所述获取模块,还用于确定可调节的参数,作为控制参数;所述控制参数包括:第一控制参数、第二控制参数;
查询所述控制参数的历史数据,确定所述控制参数的历史最大值和历史最小值;
确定所述历史最大值的第一倍数,作为第一限值;
确定所述历史最小值的第二倍数,作为第二限值;
相应的,所述获取模块,用于运用遗传算法,基于每个控制参数的第一限值和第二限值,确定每个所述数据集的控制参数的组合;
所述控制参数的组合包括:至少一个第一控制参数、至少一个第二控制参数。
在一些实施例中,所述节能方案包括:至少一个待调节设备、所述至少一个待调节设备中每个待调节设备的至少一个控制参数的调节值;
所述装置还包括:通信模块;所述通信模块,用于将所述节能方案发送给群控系统;所述群控系统用于根据所述节能方案调节所述待调节设备,以使所述待调节设备的控制参数达到相应控制参数的调节值。
需要说明的是:上述实施例提供的数据中心节能装置在实现相应数据中心节能方法时,仅以上述各程序模块的划分进行举例说明,实际应用中,可以根据需要而将上述处理分配由不同的程序模块完成,即将应用服务器的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分处理。另外,上述实施例提供的装置与相应方法的实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图6为本发明实施例提供的另一种数据中心节能装置的结构示意图,如图6所示,所述数据中心节能装置60包括:处理器601和用于存储能够在所述处理器上运行的计算机程序的存储器602;所述处理器601用于运行所述计算机程序时,执行:获取环境状态数据、IT总负载和至少一个数据集;所述至少一个数据集中每个所述数据集包括:第一子数据集、第二子数据集;所述第一子数据集包括:至少一个第一控制参数的数据、至少一个第二参数的数据;所述第二子数据集包括:至少一个第二控制参数的数据、至少一个第三参数的数据;
针对所述至少一个数据集中的每个数据集,将每个所述数据集中的环境状态数据和第一子数据集输入预设的制冷站能耗预测模型后,得到所述制冷站能耗预测模型的第一隐藏层数据;将每个所述数据集中的环境状态数据、IT总负载和第二子数据集输入预设的末端空调能耗预测模型后,得到所述末端空调能耗预测模型的第二隐藏层数据;
将每个所述数据集对应的所述第一隐藏层数据、所述第二隐藏层数据、环境状态数据、IT总负载,输入预设的机楼总能耗模型,得到每个所述数据集对应的机楼总能耗;
确定满足预设条件的机楼总能耗对应的目标数据集,根据所述目标数据集确定节能方案;所述节能方案用于指示调节所述至少一个第一控制参数和/或所述至少一个第二控制参数的方式。
具体来说,所述数据中心节能装置还可以执行如图1所示的方法,与图1所示的数据中心节能方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
实际应用时,所述数据中心节能装置60还可以包括:至少一个网络接口603。所述数据中心节能装置60中的各个组件通过总线系统604耦合在一起。可理解,总线系统604用于实现这些组件之间的连接通信。总线系统604除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图6中将各种总线都标为总线系统604。其中,所述处理器601的个数可以为至少一个。网络接口603用于数据中心节能装置60与其他设备之间有线或无线方式的通信。
本发明实施例中的存储器602用于存储各种类型的数据以支持数据中心节能装置60的操作。
上述本发明实施例揭示的方法可以应用于处理器601中,或者由处理器601实现。处理器601可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器、数字信号处理器(DSP,DiGital Signal Processor),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。处理器601可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤,可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中,该存储介质位于存储器602,处理器601读取存储器602中的信息,结合其硬件完成前述方法的步骤。
在示例性实施例中,数据中心节能装置60可以被一个或多个应用专用集成电路(ASIC,Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable LogicDevice)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU,Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现,用于执行前述方法。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序;所述计算机可读存储介质应用于服务器,所述计算机程序被处理器运行时,执行:获取环境状态数据、IT总负载和至少一个数据集;所述至少一个数据集中每个所述数据集包括:第一子数据集、第二子数据集;所述第一子数据集包括:至少一个第一控制参数的数据、至少一个第二参数的数据;所述第二子数据集包括:至少一个第二控制参数的数据、至少一个第三参数的数据;
针对所述至少一个数据集中的每个数据集,将每个所述数据集中的环境状态数据和第一子数据集输入预设的制冷站能耗预测模型后,得到所述制冷站能耗预测模型的第一隐藏层数据;将每个所述数据集中的环境状态数据、IT总负载和第二子数据集输入预设的末端空调能耗预测模型后,得到所述末端空调能耗预测模型的第二隐藏层数据;
将每个所述数据集对应的所述第一隐藏层数据、所述第二隐藏层数据、环境状态数据、IT总负载,输入预设的机楼总能耗模型,得到每个所述数据集对应的机楼总能耗;
确定满足预设条件的机楼总能耗对应的目标数据集,根据所述目标数据集确定节能方案;所述节能方案用于指示调节所述至少一个第一控制参数和/或所述至少一个第二控制参数的方式。
具体来说,所述计算机程序还可以执行如图1所示的方法,与图1所示的数据中心节能方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,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,即可以位于一个地方,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一个计算机可读取存储介质中,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,也可以存储在一个计算机可读取存储介质中。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,该计算机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。
需要说明的是:“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。
另外,本申请实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种数据中心节能方法,其特征在于,所述方法包括:
获取环境状态数据、互联网设备IT总负载和至少一个数据集;所述至少一个数据集中每个所述数据集包括:第一子数据集、第二子数据集;所述第一子数据集包括:至少一个第一控制参数的数据、至少一个第二参数的数据;所述第二子数据集包括:至少一个第二控制参数的数据、至少一个第三参数的数据;
针对所述至少一个数据集中的每个数据集,将每个所述数据集中的环境状态数据和第一子数据集输入预设的制冷站能耗预测模型后,得到所述制冷站能耗预测模型的第一隐藏层数据;将每个所述数据集中的环境状态数据、IT总负载和第二子数据集输入预设的末端空调能耗预测模型后,得到所述末端空调能耗预测模型的第二隐藏层数据;
将每个所述数据集对应的所述第一隐藏层数据、所述第二隐藏层数据、环境状态数据、IT总负载,输入预设的机楼总能耗模型,得到每个所述数据集对应的机楼总能耗;
确定满足预设条件的机楼总能耗对应的目标数据集,根据所述目标数据集确定节能方案;所述节能方案用于指示调节所述至少一个第一控制参数和/或所述至少一个第二控制参数的方式。
2.根据权利要求1所述的方法,其特征在于,生成所述预设的制冷站能耗预测模型,包括:
获取第一训练样本集;所述第一训练样本集包括:至少一个第一训练集和所述至少一个第一训练集中每个所述第一训练集对应的第一标签;所述第一标签表征第一训练集对应的历史制冷站总能耗;
运用第一神经网络训练所述第一训练样本集,得到训练后的第一神经网络,作为所述制冷站能耗预测模型;
其中,所述第一训练集包括:历史环境状态数据、至少一个第一控制参数的历史数据、至少一个第二参数的历史数据。
3.根据权利要求1所述的方法,其特征在于,生成所述预设的末端空调能耗预测模型,包括:
获取第二训练样本集;所述第一训练样本集包括:至少一个第二训练集和所述至少一个第二训练集中每个所述第二训练集对应的第二标签;所述第二标签表征第二训练集对应的历史末端空调总能耗;
运用第二神经网络训练所述第二训练样本集,得到训练后的第二神经网络,作为所述末端空调能耗预测模型;
其中,所述第二训练集包括:历史环境状态数据、历史IT总负载、至少一个第二控制参数的历史数据、至少一个第三参数的历史数据。
4.根据权利要求2或3所述的方法,其特征在于,生成所述预设的机楼总能耗模型,包括:
在训练所述制冷站能耗预测模型和所述末端空调能耗预测模型的过程中,提取所述制冷站能耗预测模型的历史第一隐藏层数据和所述末端空调能耗预测模型的历史第二隐藏层数据;
确定历史制冷站总能耗、历史末端空调总能耗和历史机楼总能耗,根据所述历史制冷站能耗和所述历史机楼总能耗确定第一比值,根据所述历史末端空调总能耗和所述历史机楼总能耗确定第二比值;
以所述第一比值作为所述历史第一隐藏层数据的初始权重、将所述第二比值作为所述历史第二隐藏层数据的初始权重,分别对所述历史第一隐藏层数据和所述历史第二隐藏层数据构建全连接层,将构建的全连接层衔接神经网络,得到目标训练模型;
将所述历史第一隐藏层数据、所述历史第二隐藏层数据、历史环境状态数据、历史IT总负载作为输入,历史机楼总能耗作为输出,训练所述目标训练模型,得到训练后的所述目标训练模型作为所述机楼总能耗模型。
5.根据权利要求4所述的方法,其特征在于,所述确定历史制冷站总能耗、历史末端空调总能耗和历史机楼总能耗,根据所述历史制冷站能耗和所述历史机楼总能耗确定第一比值,根据所述历史末端空调总能耗和所述历史机楼总能耗确定第二比值,包括:
将采集时间内确定的历史制冷站总能耗、历史末端空调总能耗和历史机楼总能耗求平均值,得到历史制冷站总能耗均值、历史末端空调总能耗均值和历史机楼总能耗均值;
将所述历史制冷站总能耗均值除以所述历史机楼总能耗均值,得到第一比值;
将所述历史末端总空调能耗均值除以所述历史机楼总能耗均值,得到第二比值。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定可调节的参数,作为控制参数;所述控制参数包括:第一控制参数、第二控制参数;
查询所述控制参数的历史数据,确定所述控制参数的历史最大值和历史最小值;
确定所述历史最大值的第一倍数,作为第一限值;
确定所述历史最小值的第二倍数,作为第二限值;
相应的,所述获取至少一个数据集,包括:
运用遗传算法,基于每个控制参数的第一限值和第二限值,确定每个所述数据集的控制参数的组合;
所述控制参数的组合包括:至少一个第一控制参数、至少一个第二控制参数。
7.根据权利要求1所述的方法,其特征在于,所述节能方案包括:至少一个待调节设备、所述至少一个待调节设备中每个待调节设备的至少一个控制参数的调节值;
所述方法还包括:
将所述节能方案发送给群控系统;所述群控系统用于根据所述节能方案调节所述待调节设备,以使所述待调节设备的控制参数达到相应控制参数的调节值。
8.一种数据中心节能装置,其特征在于,所述装置包括:获取模块、第一处理模块、第二处理模块、第三处理模块;其中,
所述获取模块,用于获取环境状态数据、IT总负载和至少一个数据集;所述至少一个数据集中每个所述数据集包括:第一子数据集、第二子数据集;所述第一子数据集包括:至少一个第一控制参数的数据、至少一个第二参数的数据;所述第二子数据集包括:至少一个第二控制参数的数据、至少一个第三参数的数据;
所述第一处理模块,用于针对所述至少一个数据集中的每个数据集,将每个所述数据集中的环境状态数据和第一子数据集输入预设的制冷站能耗预测模型后,得到所述制冷站能耗预测模型的第一隐藏层数据;将每个所述数据集中的环境状态数据、IT总负载和第二子数据集输入预设的末端空调能耗预测模型后,得到所述末端空调能耗预测模型的第二隐藏层数据;
所述第二处理模块,用于将每个所述数据集对应的所述第一隐藏层数据、所述第二隐藏层数据、环境状态数据、IT总负载,输入预设的机楼总能耗模型,得到每个所述数据集对应的机楼总能耗;
所述第三处理模块,用于确定满足预设条件的机楼总能耗对应的目标数据集,根据所述目标数据集确定节能方案;所述节能方案用于指示调节所述至少一个第一控制参数和/或所述至少一个第二控制参数的方式。
9.一种数据中心节能装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210101265.5A CN116562111A (zh) | 2022-01-27 | 2022-01-27 | 数据中心节能方法、装置、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210101265.5A CN116562111A (zh) | 2022-01-27 | 2022-01-27 | 数据中心节能方法、装置、系统和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116562111A true CN116562111A (zh) | 2023-08-08 |
Family
ID=87486623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210101265.5A Pending CN116562111A (zh) | 2022-01-27 | 2022-01-27 | 数据中心节能方法、装置、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116562111A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117234258A (zh) * | 2023-11-10 | 2023-12-15 | 广州市羿资互联网科技有限公司 | 一种idc的节能方法及系统、存储介质 |
-
2022
- 2022-01-27 CN CN202210101265.5A patent/CN116562111A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117234258A (zh) * | 2023-11-10 | 2023-12-15 | 广州市羿资互联网科技有限公司 | 一种idc的节能方法及系统、存储介质 |
CN117234258B (zh) * | 2023-11-10 | 2024-03-22 | 广州市羿资互联网科技有限公司 | 一种idc的节能方法及系统、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109855238B (zh) | 一种中央空调建模与能效优化方法及装置 | |
CN113326651B (zh) | 基于t-s模糊模型的制冷站负荷和能效比动态建模方法 | |
CN112415924A (zh) | 一种空调系统节能优化方法及系统 | |
CN114383299B (zh) | 基于大数据与动态仿真的中央空调系统运行策略优化方法 | |
CN114997044A (zh) | 一种用于中央空调的能耗优化方法及数据采集系统 | |
CN107220514A (zh) | 基于大数据的空调负荷预测方法及系统 | |
CN115776795A (zh) | 数据中心空调系统诊断方法及装置 | |
CN113268913B (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 | |
CN116266253A (zh) | 空调参数的优化控制方法、系统和计算机可读存储介质 | |
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 | |
CN116384700A (zh) | 一种基于数据挖掘的中央空调系统能源效率优化方法 | |
CN112413762A (zh) | 一种制冷机房冷却水系统参数优化方法和系统 | |
CN116562111A (zh) | 数据中心节能方法、装置、系统和存储介质 | |
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 | |
CN105518394A (zh) | 运行控制装置及运行控制方法 | |
CN113790516A (zh) | 中央空调制冷站全局优化节能控制方法、系统和电子设备 | |
CN112923534A (zh) | 基于神经网络和改进粒子群算法的中央空调系统优化方法和系统 | |
Ma et al. | Test and evaluation of energy saving potentials in a complex building central chilling system using genetic algorithm | |
CN111473480A (zh) | 一种基于决策树分类的中央空调节能控制方法 | |
CN115828769A (zh) | 一种基于智能计算的冷却塔工况的预测和降耗方法 | |
CN115264768A (zh) | 一种基于物联网的楼宇空调节能控制方法及系统 | |
He et al. | Development of a hybrid VRF system energy consumption prediction model based on data partitioning and swarm intelligence algorithm | |
CN103528294B (zh) | 一种制冷系统的能效处理方法及系统 | |
CN114636212A (zh) | 一种基于grnn的多台冷水机组系统运行控制方法 | |
Zheng | Research on energy-saving control and optimisation of air conditioning system based on genetic algorithm |
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 |