CN116594446B - 一种大数据中心温控方法及系统 - Google Patents
一种大数据中心温控方法及系统 Download PDFInfo
- Publication number
- CN116594446B CN116594446B CN202310882579.8A CN202310882579A CN116594446B CN 116594446 B CN116594446 B CN 116594446B CN 202310882579 A CN202310882579 A CN 202310882579A CN 116594446 B CN116594446 B CN 116594446B
- Authority
- CN
- China
- Prior art keywords
- temperature
- historical
- data center
- radius
- node
- 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 38
- 230000003044 adaptive effect Effects 0.000 claims abstract description 17
- 230000008030 elimination Effects 0.000 claims abstract description 16
- 238000003379 elimination reaction Methods 0.000 claims abstract description 16
- 238000005057 refrigeration Methods 0.000 claims description 72
- 238000012423 maintenance Methods 0.000 claims description 62
- 230000006870 function Effects 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 230000033228 biological regulation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013450 outlier detection Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
-
- 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
-
- 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)
- Automation & Control Theory (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Thermal Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Feedback Control In General (AREA)
- Devices That Are Associated With Refrigeration Equipment (AREA)
Abstract
本申请提供一种大数据中心温控方法及系统,通过采集大数据中心内节点的历史温度值,预先对历史温度值进行冗余剔除获得预处理历史温度值,根据径向基函数和所述预处理历史温度值确定内节点的历史温度向径并集群,以将所述历史温度向径分为支持温度向径和非支持温度向径,根据所述支持温度向径和非支持温度向径确定温度分界决策界,将所述温度分界决策界与单位温度向径对比,得到制冷域和维持域,根据所述制冷域和维持域,得到制冷信号和维持信号,进而根据所述制冷信号和维持信号确定可适温调系数,再而根据所述可适温调系数和所述内节点温度值,确定制冷和维持输出,最后根据历史温度准确把握温度变化的特点,实现对大数据中心温度的精细调节。
Description
技术领域
本申请涉及大数据中心控制技术领域,更具体的说,本发明涉及一种大数据中心温控方法及系统。
背景技术
随着大数据时代的到来,越来越多的数据被产生和存储,大数据中心也随之兴起。然而,大数据中心的高密度、高功率等特点给温度控制带来了极大的挑战。不仅需要考虑维持大数据中心的稳定运行,还需要考虑设备的寿命和安全性。
现有的大数据中心温度控制方法主要是通过空调调节、自然通风等方式进行温度调节,具体是通过传感器等设备实时采集大数据中心内各个节点的温度数据,根据采集到的当前温度与制冷或者维持温度的阈值进行比较,决定是否通过空调调节、自然通风进行制冷或维持现有控制操作,但现有的大数据中心温度控制方法仅仅依靠现有采集的温度数据进行温度调节,难以准确把握温度变化的特点,无法实现对大数据中心温度的精细调节。
发明内容
本申请提供一种大数据中心温控方法及系统,以解决现有技术中难以准确把握温度变化的特点,无法实现对大数据中心温度的精细调节的技术问题。
为解决上述技术问题,本申请采用如下技术方案:
第一方面,本申请提供一种大数据中心温控方法,包括如下步骤:
预先对大数据中心内节点的历史温度值进行冗余剔除获得预处理历史温度值;
根据径向基函数和所述预处理历史温度值确定大数据中心内节点的历史温度向径,对所述历史温度向径进行集群,以将所述历史温度向径分为支持温度向径和非支持温度向径;
根据所述支持温度向径和所述非支持温度向径确定温度分界决策界;
将所述温度分界决策界与单位温度向径进行对比,得到制冷域和维持域,根据所述制冷域确定选中的温度向径,进而得到制冷信号,根据所述维持域确定未被选中的温度向径,进而得到维持信号;
根据所述制冷信号和维持信号确定大数据中心内节点的可适温调系数;
采集大数据中心内节点的温度,得到内节点的温度值,根据所述可适温调系数和采集得到的内节点的温度值,确定制冷或维持输出。
在一些实施例中,可利用基于均值和标准差的离群值检测方法对历史温度值进行冗余剔除。
在一些实施例中,还包括:
确定所述历史温度值的平均值和所述历史温度值的标准差,所述历史温度值的平均值根据下述公式确定:
其中,表示历史温度值的平均值,/>表示历史温度值的数量,/>表示第i个历史温度值,
所述历史温度值的标准差根据下述公式确定:
其中,S表示历史温度值的标准差,表示历史温度值的平均值,n表示历史温度值的数量,/>表示第i个历史温度值。
在一些实施例中,根据径向基函数和所述预处理历史温度值确定大数据中心内节点的历史温度向径具体可包括:
由径向基函数将节点的特征向量映射到高维空间,得到节点的历史温度向径,所述特征向量包含预处理历史温度值的平均值特征向量和预处理历史温度值的标准差特征向量,其中所述径向基函数如下:
其中,表示径向基函数,/>表示大数据中心内节点预处理历史温度值的平均值特征向量,/>表示大数据中心内节点预处理历史温度值的标准差特征向量,/>表示为两个特征向量之间的平方欧几里得距离,/>为自由参数。
在一些实施例中,根据所述支持温度向径和非支持温度向径确定温度分界决策界具体可包括:
对所述支持温度向径进行平均值的求取,确定平均支持温度向径,对所述非支持温度向径进行平均值的求取,确定平均非支持温度向径;
根据所述平均支持温度向径和平均非支持温度向径,确定温度分界决策界。
在一些实施例中,可通过多个温度传感器采集大数据中心内节点的温度。
在一些实施例中,所述温度传感器可为热敏电阻传感器。
第二方面,本申请提供一种大数据中心温控系统,包括:
历史温度值预处理模块,用于预先对大数据中心内节点的历史温度值进行冗余剔除获得预处理历史温度值;
集群处理模块,用于根据径向基函数和所述预处理历史温度值确定大数据中心内节点的历史温度向径,对所述历史温度向径进行集群,以将所述历史温度向径分为支持温度向径和非支持温度向径;
温度分界决策界确定模块,用于根据所述支持温度向径和所述非支持温度向径确定温度分界决策界;
温度控制信号处理模块,用于将所述温度分界决策界与单位温度向径进行对比,得到制冷域和维持域,根据所述制冷域确定选中的温度向径,进而得到制冷信号,根据所述维持域确定未被选中的温度向径,进而得到维持信号;
温度调控处理模块,用于根据所述制冷信号和维持信号确定大数据中心内节点的可适温调系数,采集大数据中心内节点的温度,得到内节点的温度值,根据所述可适温调系数和采集得到的内节点的温度值,确定制冷或维持输出。
第三方面,本申请提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行上述一种大数据中心温控方法。
第四方面,本申请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程序,所述计算机程序被处理器执行时实现上述一种大数据中心温控方法。
本申请公开的实施例提供的技术方案具有以下有益效果:
本申请提供的大数据中心温控方法及系统中,通过采集大数据中心内节点的历史温度值,通过预先对历史温度值进行冗余剔除获得预处理历史温度值,然后根据径向基函数和所述预处理历史温度值确定内节点的历史温度向径并集群,从而将所述历史温度向径分为支持温度向径和非支持温度向径,根据所述支持温度向径和非支持温度向径确定温度分界决策界,将所述温度分界决策界与单位温度向径对比,得到制冷域和维持域,根据所述制冷域和维持域,得到制冷信号和维持信号,进而根据所述制冷信号和维持信号确定可适温调系数,最后根据所述可适温调系数和所述内节点温度值,确定制冷和维持输出,可实现根据历史温度准确把握温度变化的特点,对大数据中心温度进行精细调节。
附图说明
图1是根据本申请一些实施例所示的大数据中心温控方法的示例性流程图;
图2是根据本申请一些实施例所示的大数据中心温控系统的示例性硬件和/或软件的示意图;
图3是本申请一些实施例所示的应用大数据中心温控方法的计算机设备的示例性结构示意图。
具体实施方式
本申请提供的大数据中心温控方法及系统,其核心是通过采集大数据中心内节点的历史温度值,通过预先对大数据中心内节点的历史温度值进行冗余剔除获得预处理历史温度值,然后根据径向基函数和所述预处理历史温度值确定内节点的历史温度向径并集群,从而将所述历史温度向径分为支持温度向径和非支持温度向径,根据所述支持温度向径和非支持温度向径确定温度分界决策界,将所述温度分界决策界与单位温度向径对比,得到制冷域和维持域,根据所述制冷域和维持域,得到制冷信号和维持信号,进而根据所述制冷信号和维持信号确定可适温调系数,最后根据所述可适温调系数和所述内节点温度值,确定制冷和维持输出,从而实现根据历史温度准确把握温度变化的特点,实现对大数据中心温度的精细调节。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。参考图1,该图是根据本申请一些实施例所示的一种大数据中心温控方法的示例性流程图,该大数据中心温控的方法100主要包括如下步骤:
在步骤S101,预先对大数据中心内节点的历史温度值进行冗余剔除获得预处理历史温度值。
冗余剔除指在处理数据时,将重复或无用的数据删除或者合并,以减少数据的存储和处理开销,并提高数据的质量和精度,在一些实施例中,可利用基于均值和标准差的离群值检测方法进行所述历史温度值的冗余剔除得到预处理历史温度值,由于在大数据中心中,一些意外因素例如设备故障、测量误差、天气等都可能导致温度数据出现异常值或者噪声,因此需要对采集的大数据中心内节点历史温度值进行冗余剔除,对每个大数据中心内节点的历史温度值进行预处理,在一些实施例中,利用基于均值和标准差的离群值检测方法对历史温度值进行冗余剔除,具体实现时,通过计算历史温度值的平均值和标准差,可得到该历史温度值的平均值和该历史温度值的标准差,将该历史温度值与所述平均值相差超过3倍所述标准差的值视为异常值(或离群值),需要剔除该异常值,得到预处理历史温度值,从而保证历史温度值的可靠性和准确性,作为一个具体实施例,获取所述历史温度值的平均值可以采用下述公式获得,即:
其中,表示历史温度值的平均值,n表示历史温度值的数量,/>表示第i个历史温度值,
获取所述历史温度值的标准差可以采用下述公式获得,即:
其中,表示历史温度值的标准差,/>表示历史温度值的平均值,n表示历史温度值的数量,/>表示第i个历史温度值。
需要说明的是,在对所述历史温度值进行冗余剔除中,还可以采用基于机器学习的异常检测方法,需要注意,冗余剔除不一定能够完全去除所有的异常值和噪声,因此在使用预处理历史温度值时,仍需要注意异常值和噪声的影响,进行必要的处理和过滤,此外,在一些实施例中,获取大数据中心历史温度数据通常需要使用传感器来实时监测内部节点的温度,并将数据存储在数据库中,可以通过温度传感器采集实时温度数据,并将其存储在数据库或者数据仓库中,也可以通过机房温控系统或者机房监控系统来获取历史温度数据,这里不做具体限定。
在步骤S102,根据径向基函数和所述预处理历史温度值确定大数据中心内节点的历史温度向径,对所述历史温度向径进行集群,以将所述历史温度向径分为支持温度向径和非支持温度向径。
径向基函数是将数据从原始的高维空间映射到一个低维空间,通过将数据进行非线性映射,使数据在新的低维空间中变得更容易处理和分类,径向基函数可以在不需要显示计算数据的内部结构的情况下,将数据点映射到一个高维空间,从而使数据更加易于分离,具体实现时,在一些实施例中,对每个大数据中心内节点计算预处理历史温度值的平均值和标准差,并作为该大数据中心内节点的两个特征向量,其中,所述预处理历史温度值的平均值和预处理历史温度值的标准差同样可由步骤S101中的公式所得,利用径向基函数将内节点的所述两个特征向量映射到高维空间,得到该内节点的历史温度向径,通过对所有内节点的历史温度向径进行集群,将历史温度向径分为支持温度向径和非支持温度向径。
作为一个优选实施例,本申请中所述径向基函数可采用下述的公式,即:
其中,表示径向基函数,/>表示大数据中心内节点预处理历史温度值的平均值特征向量,/>表示大数据中心内节点预处理历史温度值的标准差特征向量,/>表示为两个特征向量之间的平方欧几里得距离,/>为自由参数。
需要说明的,在一些实施例中,将内节点的特征向量映射到高维空间,是为了能够更好地区分不同内节点之间的相似性和差异性,从而更准确地确定内节点的温度向径,通过径向基函数的映射,内节点在高维空间中的位置和分布能够更加明显地表现出来,而不会受到低维空间的限制和噪音的干扰,因此,径向基函数可用来实现内节点预处理历史温度值的向量映射和节点历史温度向径计算的重要工具。
需要说明的,对所述历史温度向径进行集群,所述集群是将相似的所述历史温度向径进行归类,将所有的历史温度向径分为支持温度向径和非支持温度向径,历史温度向径进行集群的具体实现可以采用聚类算法,如K-Means聚类算法,在这种情况下,所述历史温度向径可以看作是一个高维数据空间中的数据点,而聚类算法可以将这些数据点分为多个类别,每个类别对应一个集群,在一些实施例中,所述支持温度向径是指在大数据中心内节点的历史温度向径集群中,被认为与系统性能或热管理相关的一组温度向径,而所述非支持温度向径则是指除支持温度向径外的其他历史温度向径,在本申请的控制系统中,可以根据所述支持温度向径的温度值来制定温度控制策略,而所述非支持温度向径则不被用于控制系统。
在步骤S103,根据所述支持温度向径和非支持温度向径确定温度分界决策界。
所述温度分界决策界可以看作是该类别的代表温度状态,当内节点的温度向径与温度分界决策界相差很小时,说明该内节点的温度状态属于该类别,控制系统可以对该内节点的温度进行相应的调整,反之,当内节点的温度向径与温度分界决策界相差较大时,说明该内节点的温度状态不属于任何一个已知的类别,可能处于异常状态,需要进行进一步的处理;在一些实施例中,找到支持温度向径中最高温度和非支持温度向径中最低温度之间的温度作为温度分界决策界,将温度可以看作是支持温度向径和非支持温度向径的分界点,高于这个温度的被视为需要进行制冷控制的温度向径,低于这个温度的被视为需要进行维持控制的温度向径,通过这样的方式,就能够根据历史温度向径数据自适应地确定温度分界决策界,从而实现大数据中心的温度精细控制。
需要说明的,这个温度分界决策界的确定可以根据具体情况进行调整和优化,例如可以通过人工干预或者算法优化等方式来改变温度分界决策界的位置,以达到更好的温度控制效果,同时,这个温度分界决策界的确定也需要考虑到实际应用中的实时性和可靠性等因素,确保控制系统能够及时、准确地响应温度变化,保证大数据中心的稳定运行。
在步骤S104,将所述温度分界决策界与单位温度向径进行对比,得到制冷域和维持域,根据所述制冷域确定选中的温度向径,进而得到制冷信号,根据所述维持域确定未被选中的温度向径,进而得到维持信号。
本申请中制冷域和维持域是用来确定哪些节点需要进行制冷控制和哪些节点需要进行维持控制的,具体来说,在一些实施例,制冷域是所述温度分界决策界等于单位温度向径的区域,这些节点需要进行制冷控制以保持温度在设定的范围内,而维持域则是指所述温度分界决策界不等于单位温度向径构成的区域,这些节点需要进行维持控制以保持温度在设定的范围内;具体实现时,在一些实施例,根据所述制冷域确定选中的温度向径,进而得到制冷信号,根据所述制冷信号,系统将会发出制冷信息,通知冷却设备启动制冷操作,以降低温度,根据所述维持域确定未被选中的温度向径,从而得到维持信号,根据所述维持信号,系统将会发出维持信息,通知冷却设备停止制冷操作,以维持当前温度状态,其中,所述选中的温度向径指的是属于制冷域的温度向径,需要进行制冷控制,而所述未被选中的温度向径则指的是属于维持域的温度向径,无需进行制冷控制,通过这样的方法,系统可以根据历史温度数据和当前温度状态,动态调整制冷和维持操作,实现自适应精细温控。
需要说明的,在实际应用中,制冷域和维持域的划分方式可以根据实际需求进行调整,比如可以调整划分的温度范围或者选取的温度向径数量等,此外,制冷信号和维持信号也可以根据具体的控制策略进行调整,比如可以调整制冷信号的开启温度和关闭温度等,以达到更加合理和高效的温控控制效果。
在步骤S105,根据所述制冷信号和维持信号确定大数据中心内节点的可适温调系数。
本申请中所述可适温调系数是用来调整制冷和维持输出的系数,它反映了当前节点与其邻居节点的温度差异情况以及节点对温度变化的敏感程度,根据制冷信号和维持信号,可以将大数据中心内节点分为两类,即需要制冷控制的节点和需要维持控制的节点,对于需要制冷控制的节点,可适温调系数越大,制冷输出就越大;对于需要维持控制的节点,可适温调系数越小,维持输出就越小;所述可适温调系数可以根据制冷信号和维持信号的值来确定,所述可适温调系数可根据下述表达式确定:
其中,示可适温调系数,/>表示制冷信号,/>表示维持信号,
其中,制冷信号和维持信号的取值均为 0 或 1,0 表示该节点不需要制冷或维持控制,1表示该节点需要进行制冷或维持控制,可适温调系数的取值范围在-1到0.5之间,表示该节点相对于整个数据中心的可适温程度,可适温调系数越接近0.5表示该节点的温度接近最佳温度,越接近-1则表示该节点的温度与最佳温度相差较大,需要进行更加严格的温度控制。
需要说明的,在大数据中心中,不同的内节点的散热情况是不同的,因此,对于每个内节点来说,其可适温度调系数也是不同的,可适温调系数的作用是调整节点的输出温度,使其能够达到所需要的温度,通过根据制冷信号和维持信号确定内节点的可适温调系数,就可以根据实时采集的温度值确定制冷和维持输出,从而实现对大数据中心内节点的精确温控,这种方法可以提高大数据中心的能源利用率,减少能源浪费,降低数据中心的能耗成本。
在S106,采集大数据中心内节点温度,获得温度值,根据所述可适温调系数和该内节点的温度值,确定制冷和维持输出。
需要说明的,大数据中心内节点指的是大数据中心中的各种设备、服务器、存储设备和网络设备等组成部分,这些节点通过网络连接或物理组成在一起,组成一个庞大的数据处理中心,每个节点都有自己的处理器、内存、存储设备和网络接口等硬件组件,用于处理和存储大量的数据,在大数据中心中,内节点的数量可以从几十台到数百万台不等,这些内节点需要密切协作来完成数据处理任务,因此,对大数据中心内节点的温度进行监控和控制是非常重要的,以确保内节点的稳定运行和数据的安全性,在一些实施例中,可以通过热敏电阻传感器检测大数据中心内节点的温度,从而获得温度值,也可以通过其他可以采集温度的装置或设备进行检测和监控,这里不做具体限定。
另外,需要说明的是大数据中心内节点的温度传感器可同时连续一段时间采集内节点各个设备的温度,从而同时获得各个设备的温度值,所述温度值为大数据中心内节点的各个设备运行产生的热量测到的温度,因此可以反映出大数据中心内节点的温度信息;在具体实现时,当大数据中心各内节点设置的热敏电阻传感器检测到各个设备的温度时,可以随时通过对温度数据进行收集、存储、分析和可视化处理,可以帮助管理员实时了解数据中心的温度情况,从而采取适当的措施来保证数据中心的正常运行和安全性。
在一些实施例中,根据当前内节点的可适温调系数,以及制冷/维持输出的比例系数,计算出制冷输出和维持输出的大小,具体来说,如果当前节点需要进行制冷控制,制冷输出的大小为:
制冷输出 = (当前温度节点的可适温调系数 - 1) × 制冷/维持输出比例系数× 最大制冷输出
其中,最大制冷输出是指在最大制冷条件下可以实现的制冷输出大小,同样地,如果当前节点需要进行维持控制,维持输出的大小为:
维持输出 = (1 - 当前温度节点的可适温调系数) × 制冷/维持输出比例系数× 最大维持输出
其中,最大维持输出是指在最大维持条件下可以实现的维持输出大小,将制冷输出和维持输出作为温度控制系统的输出,通过相应的控制机制将其应用到数据中心的温度控制中,最终,制冷输出和维持输出的大小将作为控制信号应用于温度控制系统中,以实现大数据中心的温度控制。
需要说明的,制冷/维持输出比例系数是一个根据实际需求设定的参数,它表示制冷输出和维持输出在总输出中所占的比例,这个比例可以根据实际情况进行调整,以实现更加精细的温度控制,例如,如果需要对温度进行更加严格的控制,可以将制冷/维持输出比例系数设置得更高,以增加制冷输出的比例,从而更加积极地降低温度。反之,如果需要对温度进行较为宽松的控制,可以将制冷/维持输出比例系数设置得较低,以减少制冷输出的比例,从而更加保持温度的稳定,此外,实时采集的温度值用于与温度分界决策界的比较结果确定新的制冷域和维持域,实时更新哪些节点需要进行制冷控制和哪些节点需要进行维持控制的。
另外,本申请的另一方面,在一些实施例中,本申请提供一种大数据中心温控系统,参考图2,该图是根据本申请一些实施例所示的大数据中心温控系统的示例性硬件和/或软件的示意图,该大数据中心温控系统200包括:历史温度值预处理模块201、集群处理模块202、温度分界决策界确定模块203、温度控制信号处理模块204和温度调控处理模块205,分别说明如下:
历史温度值预处理模块201,本申请中历史温度值预处理模块201主要用于预先对大数据中心内节点的历史温度值进行冗余剔除获得预处理历史温度值;
集群处理模块202,本申请中集群处理模块202主要用于根据径向基函数和所述预处理历史温度值确定大数据中心内节点的历史温度向径,对所述历史温度向径进行集群,以将所述历史温度向径分为支持温度向径和非支持温度向径;
温度分界决策界确定模块203,本申请中温度分界决策界确定模块203主要用于根据所述支持温度向径和所述非支持温度向径确定温度分界决策界;
温度控制信号处理模块204,本申请中温度控制信号处理模块204主要用于将所述温度分界决策界与单位温度向径进行对比,得到制冷域和维持域,根据所述制冷域确定选中的温度向径,进而得到制冷信号,根据所述维持域确定未被选中的温度向径,进而得到维持信号;
温度调控处理模块205,本申请中温度调控处理模块205主要用于根据所述制冷信号和维持信号确定大数据中心内节点的可适温调系数,采集大数据中心内节点的温度,得到内节点的温度值,根据所述可适温调系数和采集得到的内节点的温度值,确定制冷或维持输出。
另外,在一些实施例中,本申请还提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行上述的大数据中心温控方法。
在一些实施例中,参考图3,该图是根据本申请施例提供的一种大数据中心温控方法的计算机设备的结构示意图。上述实施例中的大数据中心温控方法可以通过图3所示的计算机设备来实现,该计算机设备300包括至少一个处理器301、通信总线302、存储器303以及至少一个通信接口304。
处理器301可以是一个通用中央处理器(central processing unit,CPU)、特定应用集成电路(application-specific integrated circuit,ASIC)或一个或多个用于控制本申请中大数据中心温控方法的执行。
通信总线302可包括一通路,在上述组件之间传送信息。
存储器303可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其它类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其它类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only Memory,CD-ROM)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘或者其它磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质,但不限于此。存储器303可以是独立存在,通过通信总线302与处理器301相连接,存储器303也可以和处理器301集成在一起。
其中,存储器303用于存储执行本申请方案的程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的程序代码。程序代码中可以包括一个或多个软件模块。上述实施例中远程智能监控方法可以通过处理器301以及存储器303中的程序代码中的一个或多个软件模块实现。
通信接口304,使用任何收发器一类的装置,用于与其它设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。
在具体实现中,作为一种实施例,计算机设备可以包括多个处理器,这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
上述的计算机设备可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中,计算机设备可以是台式机、便携式电脑、网络服务器、掌上电脑 (personaldigital assistant,PDA)、移动手机、平板电脑、无线终端设备、通信设备或者嵌入式设备。本申请实施例不限定计算机设备的类型。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述大数据中心温控方法。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种大数据中心温控方法,其特征在于,包括如下步骤:
预先对大数据中心内节点的历史温度值进行冗余剔除获得预处理历史温度值;
根据径向基函数和所述预处理历史温度值确定大数据中心内节点的历史温度向径,对所述历史温度向径进行集群,以将所述历史温度向径分为支持温度向径和非支持温度向径,其中所述支持温度向径是指在大数据中心内节点的历史温度向径集群中与系统性能或热管理相关的一组温度向径,而所述非支持温度向径则是指除支持温度向径外的其他历史温度向径;
根据所述支持温度向径和所述非支持温度向径确定温度分界决策界,其中找到支持温度向径中最高温度和非支持温度向径中最低温度之间的温度作为温度分界决策界;
将所述温度分界决策界与单位温度向径进行对比,得到制冷域和维持域,其中制冷域是所述温度分界决策界等于单位温度向径的区域,而维持域则是指所述温度分界决策界不等于单位温度向径构成的区域,根据所述制冷域确定选中的温度向径,进而得到制冷信号,根据所述维持域确定未被选中的温度向径,进而得到维持信号;
根据所述制冷信号和维持信号确定大数据中心内节点的可适温调系数;
采集大数据中心内节点的温度,得到内节点的温度值,根据所述可适温调系数和采集得到的内节点的温度值,确定制冷或维持输出;
其中,根据径向基函数和所述预处理历史温度值确定大数据中心内节点的历史温度向径具体包括:
由径向基函数将节点的特征向量映射到高维空间,得到节点的历史温度向径,所述特征向量包含预处理历史温度值的平均值特征向量和预处理历史温度值的标准差特征向量,其中所述径向基函数如下:
其中,/>表示径向基函数,/>表示大数据中心内节点预处理历史温度值的平均值特征向量,/>表示大数据中心内节点预处理历史温度值的标准差特征向量,/>表示为两个特征向量之间的平方欧几里得距离,/>为自由参数。
2.根据权利要求1所述方法,其特征在于,利用基于均值和标准差的离群值检测方法对历史温度值进行冗余剔除。
3.根据权利要求1所述方法,其特征在于,还包括:
确定所述历史温度值的平均值和所述历史温度值的标准差,所述历史温度值的平均值根据下述公式确定:
其中,/>表示历史温度值的平均值,/>表示历史温度值的数量,/>表示第i个历史温度值,
所述历史温度值的标准差根据下述公式确定:
其中,S表示历史温度值的标准差,/>表示历史温度值的平均值,n表示历史温度值的数量,/>表示第i个历史温度值。
4.根据权利要求1所述方法,其特征在于,通过多个温度传感器采集大数据中心内节点的温度。
5.根据权利要求4所述方法,其特征在于,所述温度传感器为热敏电阻传感器。
6.一种大数据中心温控系统,其采用权利要求1所述的大数据中心温控方法进行控制,其特征在于,该大数据中心温控系统包括:
历史温度值预处理模块,用于预先对大数据中心内节点的历史温度值进行冗余剔除获得预处理历史温度值;
集群处理模块,用于根据径向基函数和所述预处理历史温度值确定大数据中心内节点的历史温度向径,对所述历史温度向径进行集群,以将所述历史温度向径分为支持温度向径和非支持温度向径;
温度分界决策界确定模块,用于根据所述支持温度向径和所述非支持温度向径确定温度分界决策界;
温度控制信号处理模块,用于将所述温度分界决策界与单位温度向径进行对比,得到制冷域和维持域,根据所述制冷域确定选中的温度向径,进而得到制冷信号,根据所述维持域确定未被选中的温度向径,进而得到维持信号;
温度调控处理模块,用于根据所述制冷信号和维持信号确定大数据中心内节点的可适温调系数,采集大数据中心内节点的温度,得到内节点的温度值,根据所述可适温调系数和采集得到的内节点的温度值,确定制冷或维持输出。
7.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行如权利要求1至5任一项所述的大数据中心温控方法。
8.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的大数据中心温控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882579.8A CN116594446B (zh) | 2023-07-19 | 2023-07-19 | 一种大数据中心温控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882579.8A CN116594446B (zh) | 2023-07-19 | 2023-07-19 | 一种大数据中心温控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116594446A CN116594446A (zh) | 2023-08-15 |
CN116594446B true CN116594446B (zh) | 2023-10-17 |
Family
ID=87606655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310882579.8A Active CN116594446B (zh) | 2023-07-19 | 2023-07-19 | 一种大数据中心温控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116594446B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5761626A (en) * | 1995-12-26 | 1998-06-02 | Ford Global Technologies, Inc. | System and method for distinguishing and characterizing motor vehicles for control of automatic drivers |
CN103886374A (zh) * | 2014-04-22 | 2014-06-25 | 武汉大学 | 一种基于rbf神经网络的电缆接头导线温度预测方法 |
CN105160109A (zh) * | 2015-09-11 | 2015-12-16 | 东华大学 | 一种基于rbf神经网络的电机温升预测的方法 |
CN109375994A (zh) * | 2018-09-10 | 2019-02-22 | 西安交通大学 | 基于rbf神经网络的数据中心任务温度预测及调度方法 |
CN110991011A (zh) * | 2019-11-14 | 2020-04-10 | 广东电网有限责任公司 | 一种变压器实时热点温度预测方法 |
CN114610096A (zh) * | 2022-03-17 | 2022-06-10 | 安徽翔弘仪器科技有限公司 | 一种基于温控技术的反应釜夹套温度控制系统 |
CN115017006A (zh) * | 2022-05-24 | 2022-09-06 | 深圳市证通电子股份有限公司 | 一种数据中心的辅助节能控制方法及系统 |
WO2023087906A1 (zh) * | 2021-11-22 | 2023-05-25 | 江苏科技大学 | 一种基于事件触发的模糊神经网络温度控制系统及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11879656B2 (en) * | 2018-04-04 | 2024-01-23 | International Business Machines Corporation | Initialization of radial base function neural network nodes for reinforcement learning incremental control system |
CN112729592B (zh) * | 2020-12-18 | 2022-08-02 | 山东大学 | 一种变压器热点温度测量系统及方法 |
-
2023
- 2023-07-19 CN CN202310882579.8A patent/CN116594446B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5761626A (en) * | 1995-12-26 | 1998-06-02 | Ford Global Technologies, Inc. | System and method for distinguishing and characterizing motor vehicles for control of automatic drivers |
CN103886374A (zh) * | 2014-04-22 | 2014-06-25 | 武汉大学 | 一种基于rbf神经网络的电缆接头导线温度预测方法 |
CN105160109A (zh) * | 2015-09-11 | 2015-12-16 | 东华大学 | 一种基于rbf神经网络的电机温升预测的方法 |
CN109375994A (zh) * | 2018-09-10 | 2019-02-22 | 西安交通大学 | 基于rbf神经网络的数据中心任务温度预测及调度方法 |
CN110991011A (zh) * | 2019-11-14 | 2020-04-10 | 广东电网有限责任公司 | 一种变压器实时热点温度预测方法 |
WO2023087906A1 (zh) * | 2021-11-22 | 2023-05-25 | 江苏科技大学 | 一种基于事件触发的模糊神经网络温度控制系统及方法 |
CN114610096A (zh) * | 2022-03-17 | 2022-06-10 | 安徽翔弘仪器科技有限公司 | 一种基于温控技术的反应釜夹套温度控制系统 |
CN115017006A (zh) * | 2022-05-24 | 2022-09-06 | 深圳市证通电子股份有限公司 | 一种数据中心的辅助节能控制方法及系统 |
Non-Patent Citations (2)
Title |
---|
RBF Control Research based on Fuzzy Neural Model;Changlu Zheng etal;IEEE;1-3 * |
数据中心机房机架温度预测模型研究;吴亚奇 等;苏州科技大学学报(工程技术版);第32卷(第2期);64-69 * |
Also Published As
Publication number | Publication date |
---|---|
CN116594446A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110209560B (zh) | 数据异常检测方法及检测装置 | |
CN108038044B (zh) | 一种面向连续被监测对象的异常检测方法 | |
CN110032480B (zh) | 一种服务器异常检测方法、装置及设备 | |
US20100229187A1 (en) | Event detection from attributes read by entities | |
CN110532119B (zh) | 动力系统运行异常点检测方法 | |
US20210240147A1 (en) | Systems and methods for intervention control in a building management system | |
CN113204461B (zh) | 一种服务器硬件监控的方法、装置、设备及可读介质 | |
CN115290316B (zh) | 一种偏心旋转阀故障诊断方法 | |
CN116578890B (zh) | 基于数字孪生的智能工厂数据优化采集方法 | |
CN116594446B (zh) | 一种大数据中心温控方法及系统 | |
CN117171596B (zh) | 一种压力变送器的在线监测方法及系统 | |
CN117318297A (zh) | 基于状态监测的告警阈值设置方法、系统、设备及介质 | |
CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
US11847619B2 (en) | System-state monitoring method and device and storage medium | |
Fan et al. | Research and applications of data mining techniques for improving building operational performance | |
CN115310516A (zh) | 自动化设备状态稳定判断方法、系统及可读存储介质 | |
CN113723671B (zh) | 一种基于用电情况大数据的数据聚类分析方法 | |
CN112732517B (zh) | 一种磁盘故障告警方法、装置、设备及可读存储介质 | |
Cirera et al. | Data-driven operation performance evaluation of multi-chiller system using self-organizing maps | |
CN117873838B (zh) | 一种电信设备环境温度监控方法及系统 | |
CN117454299B (zh) | 异常节点的监测方法及系统 | |
CN112747413A (zh) | 空调系统负荷预测方法及装置 | |
CN113447813B (zh) | 海上风力发电机组的故障诊断方法及设备 | |
WO2022143436A1 (zh) | 一种设备的状态分析方法和分析装置 | |
CN117807550B (zh) | 一种建筑消防设施智能化定量检测方法及系统 |
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 |