CN116880163B - 一种智慧数据中心冷源调控方法及系统 - Google Patents
一种智慧数据中心冷源调控方法及系统 Download PDFInfo
- Publication number
- CN116880163B CN116880163B CN202311145842.1A CN202311145842A CN116880163B CN 116880163 B CN116880163 B CN 116880163B CN 202311145842 A CN202311145842 A CN 202311145842A CN 116880163 B CN116880163 B CN 116880163B
- Authority
- CN
- China
- Prior art keywords
- data center
- cold source
- intelligent data
- iteration
- power consumption
- 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 125
- 239000002245 particle Substances 0.000 claims abstract description 130
- 230000008569 process Effects 0.000 claims abstract description 71
- 238000012804 iterative process Methods 0.000 claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000010606 normalization Methods 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 230000001276 controlling effect Effects 0.000 claims abstract description 12
- 230000001105 regulatory effect Effects 0.000 claims abstract description 7
- 239000000498 cooling water Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000004378 air conditioning Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000669618 Nothes Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/16—Constructional details or arrangements
- G06F1/20—Cooling means
- G06F1/206—Cooling means comprising thermal management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- H05K7/20763—Liquid cooling without phase change
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Thermal Sciences (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及空气调节技术领域,提出了一种智慧数据中心冷源调控方法及系统,包括:采集智慧数据中心冷源调控影响因素数据,获取影响因素归一化矩阵中的每个数据值;设置粒子群优化算法的相关参数,并将迭代过程分为迭代过程一阶段和迭代过程二阶段;获取迭代过程一阶段中每次迭代过程中的惯性权重,进而获取每次迭代过程中粒子的最优位置;获取迭代过程二阶段的惯性权重和归一化惯性权重;对智慧数据中心进行冷源调控,根据调控结果获取智慧数据中心每个设备的功耗和总功耗,对智慧数据中心冷源的自动控制调节。本发明解决因不同区域对冷源调控的需求程度不同导致的冷源调控不合理的问题。
Description
技术领域
本发明涉及空气调节技术领域,具体涉及一种智慧数据中心冷源调控方法及系统。
背景技术
智慧数据中心是一种采用先进的信息技术和智能化管理手段的数据中心,旨在提高数据中心的效率、可靠性、灵活性和安全性,是对传统数据中心进行升级和优化的产物。智慧数据中心的冷源调控方法及系统是为了提高数据中心的能源效率和节能减排而设计的,该系统利用智能化的监控、控制和优化技术,根据数据中心的实际热负荷情况和外部环境变化,动态调整冷却设施的运行参数和工作方式,以最大程度地提高能源利用效率,保持数据中心运行在适宜的温度范围内,并降低能源消耗。
传统冷源调控方法如模糊PID算法,简单且易于实现,适用于线性系统和稳定负荷,但需要对算法中的参数进行不断调整来适应不同的情况;对智慧数据中心进行冷源调控也可基于最优化的算法实现,如遗传算法、粒子群优化算法等,通过优化算法寻找最优调控策略,适用于复杂的非线性系统与多目标优化问题,但无法满足根据不同区域对冷源调控的需求程度对冷源进行合理的分配的需求,容易出现在寻找最优解的过程中出现陷入局部最优解或所得最优解不符合实际需求的情况,导致智慧数据中心的冷源调控不合理。
发明内容
本发明提供一种智慧数据中心冷源调控方法及系统,以解决现有的智慧数据中心冷源调控方法在实现的过程中,因不同区域对冷源调控的需求程度不同导致的冷源调控不合理的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种智慧数据中心冷源调控方法,该方法包括以下步骤:
通过传感器采集智慧数据中心冷源调控影响因素数据并对数据进行预处理,获取影响因素归一化矩阵中的每个数据值;
根据对智慧数据中心冷源调控的要求设置粒子群优化算法的相关参数,并基于设置的参数的实际意义将迭代过程分为迭代过程一阶段和迭代过程二阶段;
获取迭代过程一阶段中每次迭代过程中的惯性权重,根据迭代过程一阶段中每次迭代过程中的惯性权重和影响因素归一化矩阵中的每个数据值获取每次迭代过程中粒子的最优位置;
根据迭代过程一阶段中粒子的历史最优位置获取迭代过程二阶段的惯性权重,进而获取归一化惯性权重;
基于所述归一化惯性权重,使用粒子群优化算法对智慧数据中心进行冷源调控,根据调控结果获取智慧数据中心每个设备的功耗和总功耗;
根据智慧数据中心每个设备的功耗、总功耗和实际功耗对智慧数据中心冷源的自动控制调节。
进一步,所述智慧数据中心冷源调控影响因素数据包括智慧数据中心冷源系统中每个设备的负荷数据、温度数据和冷却水供给频率数据。
进一步,所述通过传感器采集智慧数据中心冷源调控影响因素数据并对数据进行预处理,获取影响因素归一化矩阵中的每个数据值的获取方法为:
使用缺失值填充方法对智慧数据中心冷源调控影响因素数据缺失值进行补充;
使用归一化方法对补充缺失值后的智慧数据中心冷源调控影响因素数据进行归一化,将归一化后的智慧数据中心冷源调控影响因素数据记为归一化数据值;
根据归一化后的智慧数据中心冷源调控影响因素数据获取影响因素归一化矩阵,其中,影响因素归一化矩阵中的每一列数据表示智慧数据中心内对应同一台设备的数据的归一化数据值;矩阵中的每一行数据表示影响智慧数据中心冷源调控的同一因素对应的归一化数据值,矩阵中的每个数据值为数据所在列对应的设备和数据所在行对应的智慧数据中心冷源调控的因素的归一化数据值。
进一步,所述根据对智慧数据中心冷源调控的要求设置粒子群优化算法的相关参数,并基于设置的参数的实际意义将迭代过程分为迭代过程一阶段和迭代过程二阶段的获取方法为:
粒子群优化算法的相关参数包括粒子数,维度,最大迭代次数个体学习因子,群体学习因子,迭代次数阈值,其中,粒子数为智慧数据中心设备数,维度为影响智慧数据中心冷源调控的不同影响因素的个数;
当处于迭代过程中的次数小于等于迭代次数阈值时,则认为,粒子此时处于迭代过程一阶段;当处于迭代过程中的次数大于迭代次数阈值时,则认为,粒子此时处于迭代过程二阶段。
进一步,所述获取迭代过程一阶段中每次迭代过程中的惯性权重,根据迭代过程一阶段中每次迭代过程中的惯性权重和影响因素归一化矩阵中的每个数据值获取每次迭代过程中粒子的最优位置的获取方法为:
将粒子的初始惯性权重与惯性权重的最小值的差值即为第一差值;
将粒子在迭代过程中处于的迭代次数与最大迭代次数的比值即为第一比值;
将第一差值与第一比值的乘积记为第一乘积;
将粒子的初始惯性权重与第一乘积的差值记为迭代过程一阶段中粒子处于的迭代次数中的惯性权重;
基于粒子每次迭代过程中的迭代权重和影响因素归一化矩阵中的每个数据值对粒子进行迭代,获取每次迭代过程中粒子的最优位置。
进一步,所述根据迭代过程一阶段中粒子的历史最优位置获取迭代过程二阶段的惯性权重的方法为:
式中,表示在迭代过程二阶段中,第个粒子在第次迭代过程中的惯性权重,其
中,;表示迭代次数阈值;表示第个粒子历史最优位置与第次迭代位
置的欧氏距离在所有数据维度中的最大值;表示所选取的历史迭代次数;表示数据维
度;表示在第维中,第个粒子当前迭代次数所处位置与前次迭代结果所处位置
的欧氏距离;表示在第维中,第个粒子当前迭代次数所处位置与粒子原始位置的欧
氏距离。
进一步,所述归一化惯性权重的获取方法为:
在迭代过程二阶段中,对每个粒子在同一次迭代过程中的惯性权重取归一化值,记为粒子在迭代过程中的归一化惯性权重。
进一步,所述基于所述归一化惯性权重,使用粒子群优化算法对智慧数据中心进行冷源调控,根据调控结果获取智慧数据中心每个设备的功耗和总功耗的获取方法为:
基于迭代过程二阶段中获取的归一化惯性权重,以智慧数据中心冷源调控总功耗最低为目标函数,使用粒子群优化算法动态地对智慧数据中心进行冷源调控;
获取冷源总功耗最低时对应的每个设备的功耗,其中,智慧数据中心每个设备的功耗的获取方式为:
将设备的冷却水供给频率数据与默认频率之比记为第二比值;
将设备的负荷电压数据与智慧数据中心冷却水供给电压之比的平方记为第三比值;
将第二比值、第三比值与设备的额定功率的乘积记为第二乘积;
将以设备环境温度为底、以环境温度指数为指数的幂与第二乘积的和记为第一和值;
将第一和值与功耗常数的乘积记为设备的功耗;
将智慧数据中心所有设备的功耗和记为智慧数据中心的总功耗。
进一步,所述根据智慧数据中心每个设备的功耗、总功耗和实际功耗对智慧数据中心冷源的自动控制调节的获取方法为:
获取当前时刻每个设备的实际功耗;
将当前时刻每个设备的实际功耗和当前时刻的功耗作为模糊PID控制算法的输入,获取智慧数据中心的冷源调控参数,根据获取的参数实现对智慧数据中心冷源的自动控制调节。
第二方面,本发明实施例还提供了一种智慧数据中心冷源调控系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明的有益效果是:本发明在使用粒子群优化算法对智慧数据中心冷源调控时,将智慧数据中心内的设备作为粒子群优化算法中的粒子,基于影响设备功耗的相关因素计算总功耗,将智慧数据中心各设备总功耗最低作为目标函数,通过分析粒子群优化算法中惯性权重对优化过程的影响以及对智慧数据中心内不同区域设备的情况分析,将算法的迭代过程分为两个阶段,在迭代过程的一阶段使惯性权重从一个较大初始值线性下降,使粒子在全局范围内寻找最优解的大概位置,在迭代过程的二阶段根据当前迭代结果与历史最优迭代结果的差异动态调整惯性权重,使粒子群优化算法能够在迭代过程中较快的摆脱局部最优解并找到全局最优解,获取对不同区域设备的冷源输送量,可在满足不同区域对冷源调控的不同需求的情况下,实现对冷源的合理调控。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种智慧数据中心冷源调控方法的流程示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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,本领域普通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。
请参阅图1,其示出了本发明一个实施例提供的一种智慧数据中心冷源调控方法流程图,该方法包括以下步骤:
步骤S001,通过传感器采集智慧数据中心冷源调控影响因素数据并对数据进行预处理,获取影响因素归一化矩阵中的每个数据值。
通过服务器和设备的监控系统获取智慧数据中心冷源系统中每个设备的负荷数据,即每个设备的负荷电压数据;通过温度传感器采集智慧数据中心内每个设备的温度数据;通过监测冷却设备仪器采集冷却水供给频率数据。
由于采集的数据可能存在缺失值等异常情况,故需要对缺失值进行补充,常用的缺失值填充方法有均值填充、众数填充、最近邻插补法、回归插补法等,为保留数据间的变化关系,本发明使用回归插补法对缺失值进行填充。同时,为避免量纲不同导致对后续计算结果造成影响,本发明使用Z-score方法对所得数据进行归一化,实施者也根据需要可选取其他归一化算法。
基于采集数据的归一化结果获取影响因素归一化矩阵。
影响因素归一化矩阵中的每一列数据表示智慧数据中心内对应每一台设备的数据的归一化结果,例如,第一列表示智慧数据中心内第一台设备的数据归一化结果,其中,列数N表示智慧数据中心内的设备数,本实施例中取经验值100。
矩阵中的每一行数据表示影响智慧数据中心冷源调控的同一因素对应的数据归
一化结果,例如,矩阵第一行数据表示影响智慧数据中心冷源调控的负荷电压因素对应的
数据的归一化结果,矩阵第二行表示影响智慧数据中心冷源调控的温度因素对应的数据的
归一化结果,矩阵第三行表示影响智慧数据中心冷源调控的冷却水供给频率数据因素对应
的数据的归一化结果,则表示智慧数据中心中第二台设备的负荷电压数据的归一化结
果。
至此,得到经过预处理后的智慧数据中心冷源调控影响因素数据,即影响因素归一化矩阵中的每个数据值。
步骤S002,根据对智慧数据中心冷源调控的要求设置粒子群优化算法的相关参数,并基于设置的参数的实际意义将迭代过程分为迭代过程一阶段和迭代过程二阶段。
智慧数据中心由多个功能区域组成,包括主机房、基础车间、一级辅助机房、二级辅助机房、三级辅助机房,且不同功能区域中实现的功能不同,即每个功能区域包含的设备类型、设备数量不同,所以,不同功能区域对应的能耗也各不相同,这就导致不同功能区域对冷源调控的程度需求不同。
在使用传统的粒子群优化算法对智慧数据中心进行冷源调控时,无法根据不同区域对冷源调控的需求程度进行合理的冷源分配,常常在迭代的过程中出现陷入局部最优解,或出现迭代完成所得最优解不符合实际需求的情况,进而导致冷源调控不合理。所以,本实施例使用改进的粒子群优化算法对智慧数据中心进行冷源调控,提高算法的优化效率,使优化结果更符合智慧数据中心冷源调控规范。
记粒子数为,粒子数对应为智慧数据中心设备数,即智慧数据中心一台设备对
应算法中的一个粒子,本发明中取值为100;记维度为,即影响智慧数据中心冷源调控的
不同影响因素的个数,本发明中取值为3;记最大迭代次数为,本发明中经验取值为
150;记个体学习因子与群体学习因子分别为,,本发明中经验取值分别为1.8,2。
在传统的粒子群优化算法中,惯性权重反映了粒子在寻优过程中对先前自身运动状态的信任程度,即惯性权重越大,探索新区域的能力越强,在全局寻找最优解的能力越强,在对智慧数据中心进行冷源调控时,更容易找到最优冷源调控的大概方案;惯性权重越小,探索新区域的能力越弱,局部寻优能力越强,在对智慧数据中心进行冷源调控时,更容易找到最优冷源调控的具体方案,即对智慧数据中心内各设备的具体冷源输送量。
据此,本实施例使用粒子群优化算法对智慧数据中心进行冷源调控时,通过设定
迭代次数阈值将迭代过程分为在迭代过程一阶段和在迭代过程二阶段。
当处于迭代过程中的次数小于等于迭代次数阈值时,则认为,粒子此时处于迭代
过程一阶段;当处于迭代过程中的次数大于迭代次数阈值时,则认为,粒子此时处于迭代过
程二阶段。其中,迭代次数阈值的经验值为45。
其中,迭代过程一阶段的作用为:根据粒子所处的位置,对粒子设定不同的初始惯性权重,并使惯性权重从较大的初始值线性下降,使粒子快速找出全局最优解的初始位置,其中,根据粒子所处位置即根据智慧数据中心内各设备所处的区域。
其中,迭代过程二阶段的作用为:各粒子根据所寻找的历史最优解所在位置及自身所在位置,动态调整惯性权重。该阶段有利于粒子在历史最优解附近寻找全局最优解,即找到对智慧数据中心内不同设备进行冷源调控的具体最优方案。
至此,根据对智慧数据中心冷源调控的要求对粒子群优化算法的相关参数进行设置,并基于设置的参数的实际意义将迭代过程分为迭代过程一阶段和迭代过程二阶段。
步骤S003,获取迭代过程一阶段中每次迭代过程中的惯性权重,根据迭代过程一阶段中每次迭代过程中的惯性权重和影响因素归一化矩阵中的每个数据值获取每次迭代过程中粒子的最优位置。
智慧数据中心内不同区域所配备的设备不同,实现的功能也不同,对冷源调控的需求程度各不相同。例如,主机房内放置有大量的网络交换机、服务器群等,是信息网络系统的数据汇聚和处理中心,其特点是设备24小时不间断运行,电源和空调不允许中断,即主机房对冷源调控的需求较高。所以,在迭代过程一阶段,根据各粒子所在位置,对各粒子赋予不同的初始惯性权重。其中,各粒子所在位置即为各设备所处区域。
分别记代表位于主机房、基础车间、一级辅助机房、二级辅助机房、三级辅助机房内设备的粒子所构成的集合为S1、S2、S3、S4、S5,根据智慧数据中心内不同区域对冷源调控的需求程度,对位于不同区域内的各粒子惯性权重取不同的初始值,在粒子群优化算法中,惯性权重大,表明粒子的可搜索范围大,找到全局最优解的可能性大,故对冷源调控需求越高的区域内的设备,其惯性权重应当越大,使其更容易找到全局最优解,对该类设备实现冷源的精准调控。
使用表示粒子的初始惯性权重,表示粒子惯性权重的最小值,设置相关
经验值,具体为:当粒子时,即设备位于主机房内时,本发明中经验取值为0.9,经验取值为0.5;当粒子时,即设备位于基础车间内时,本发明中经验取值为
0.85,经验取值为0.45;当粒子时,即设备位于一级辅助机房内时,本发明中
经验取值为0.75,经验取值为0.35;当粒子时,即设备位于二级辅助机房内时,
本发明中经验取值为0.6,经验取值为0.3;当粒子时,即设备位于三级辅助
机房内时,本发明中经验取值为0.6,经验取值为0.3。
基于上述分析,在迭代过程一阶段,本发明使粒子的惯性权重从初始惯性权重线性下降,有利于粒子找出全局最优解的初始位置,其中,惯性权重的计算公式如下:
式中,表示在迭代过程一阶段中,粒子在第k次迭代过程中的惯性权重,其中,;表示迭代次数阈值,经验取值为45;表示粒子的初始惯性权重,表
示粒子惯性权重的最小值;表示最大迭代次数,经验取值为150。
基于粒子每次迭代过程中的迭代权重和影响因素归一化矩阵中的每个数据值对粒子进行迭代,获取每次迭代过程中粒子的最优位置。
至此,获取迭代过程一阶段中每次迭代过程中的惯性权重和粒子的最优位置。
步骤S004,根据迭代过程一阶段中粒子的历史最优位置获取迭代过程二阶段的惯性权重,进而获取归一化惯性权重。
基于迭代过程一阶段迭代过程中的位置与解,通过分析迭代过程二阶段中粒子的解与历史最优解的差异性,动态调整惯性权重,使粒子在历史最优解附近找到全局最优解。其中,惯性权重的计算公式如下:
式中,表示在迭代过程二阶段中,第个粒子在第次迭代过程中的惯性权重,其
中,;表示迭代次数阈值,经验取值为45;表示第个粒子历史最优位置
与第次迭代位置的欧氏距离在所有数据维度中的最大值;表示所选取的历史迭代次数,
经验取值为7;表示数据维度,经验取值为3;表示在第维中,第个粒子当前迭代次数
所处位置与前次迭代结果所处位置的欧氏距离;表示在第维中,第个粒子当前
迭代次数所处位置与粒子原始位置的欧氏距离。
若粒子当前迭代位置与前次的迭代位置越接近,即在对粒子所代表的设备进行
冷源调控时,分配给该设备的冷源资源越趋于稳定,此时越接近于0,表明此时迭
代结果逐渐收敛。
若当前迭代位置距离历史最优位置距离越远,即在对粒子所代表的设备进行冷源
调控时,当前时刻分配给该设备的冷源资源少于历史时刻分配给该设备的最优冷源资源,
此时越大,表明此时迭代结果越可能陷入局部最优解,此时需要较大的惯性权重使
粒子摆脱局部最优解,故此时计算出的惯性权重较大;若当前迭代位置距离历史最优位置
距离越近,即当前分配给该设备的冷源资源与历史时刻分配给该设备的最优冷源资源较为
接近,此时越小,表明此时迭代结果可能为全局最优解,此时需要较小的惯性权重使
粒子尽快找到全局最优解,得到分配给该设备更具体的冷源资源,故此时计算出的惯性权
重较小。
其中,选取的历史迭代次数的目的为判断是否陷入局部最优解。当陷入局部最优解时,粒子就会一直在局部最优解附近,不会向外探寻,而一段时间内的粒子位置变化较小才表示可能陷入局部最优解,所以选取人为设定的历史迭代次数。
对在迭代过程二阶段中,对第个粒子在第次迭代过程中的惯性权重取归一化
值,记为第个粒子在第次迭代过程中的归一化惯性权重。本实施例采用Z-score方法进行
归一化处理,实施者也可根据需要自行选取归一化方法。
至此,获取迭代过程二阶段的归一化惯性权重。
步骤S005,基于迭代过程二阶段中获取的归一化惯性权重,使用粒子群优化算法对智慧数据中心进行冷源调控,根据调控结果获取智慧数据中心每个设备的功耗和总功耗。
基于迭代过程二阶段中获取的归一化惯性权重,以智慧数据中心冷源调控总功耗最低为目标函数,使用粒子群优化算法动态地对智慧数据中心进行冷源调控,得到冷源总功耗最低时对应的各设备的功耗和总功耗。
智慧数据中心第个设备的功耗的计算公式如下:
其中表示智慧数据中心第个设备的功耗;表示功耗常数,用于表示各种影响
因素对设备功耗影响的系数,经验值取2.5;表示智慧数据中心第个设备环境温度数
据;表示环境温度指数,经验值取1.1;表示智慧数据中心第个设备的负荷电压数据;表示智慧数据中心冷却水供给电压,经验值取220;表示智慧数据中心第个设备的冷
却水供给频率数据;表示智慧数据中心第个设备的额定功率;表示智慧数据中心第
个设备的默认频率。
当环境温度上升时,即变大,电子的热运动会加速,导致电子与原子之间的碰
撞加剧,会导致更多的能量转化为热能而不是电能,同时,为保证足够的电能为设备供能,
会导致总功耗增加;反之亦然。
当智慧数据中心内各设备的实际工作频率、实际工作电压越大,即、越大,
表明实际功耗与额定功耗越接近,即实际功耗越大;反之亦然。
至此,获取冷源总功耗最低时所有设备的功耗。
取智慧数据中心个设备的功耗和,记为智慧数据中心的总功耗。
通过上述步骤所得目标函数与惯性权重,则可以根据智慧数据中心内不同区域内的不同设备数、不同设备类型使用粒子群优化算法对惯性权重进行动态调整,最终得到总功耗最低时每个设备的最低设备的功耗,便于后续步骤对智慧数据中心进行实时冷源调控。
至此,获取冷源总功耗最低时所有设备的功耗和智慧数据中心的总功耗。
步骤S006,根据智慧数据中心每个设备的功耗、总功耗和实际功耗对智慧数据中心冷源的自动控制调节。
每15分钟采集一次智慧数据中心各设备功耗的相关影响因素数据,得到数据采集时刻每个设备的功耗。
获取数据采集时刻每个设备的实际功耗,将数据采集时刻每个设备的功耗、智慧数据中心的总功耗与实际功耗作为模糊PID控制算法的输入,通过模糊PID控制算法获取智慧数据中心的冷源调控参数,根据获取的参数实现对智慧数据中心的冷源调控。其中,模糊PID控制算法为公知技术,具体过程不再赘述。
将建模步骤和参数寻优过程嵌入智慧数据中心冷源调控运维流程,通过自动采集数据、智能寻优、自动控制调节,实现小时级别的参数智能自动调优,全程自动化,更加节能、高效、安全。
需要说明的是,上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种智慧数据中心冷源调控方法,其特征在于,该方法包括以下步骤:
通过传感器采集智慧数据中心冷源调控影响因素数据并对数据进行预处理,获取影响因素归一化矩阵中的每个数据值;
根据对智慧数据中心冷源调控的要求设置粒子群优化算法的相关参数,并基于设置的参数的实际意义将迭代过程分为迭代过程一阶段和迭代过程二阶段;
获取迭代过程一阶段中每次迭代过程中的惯性权重,根据迭代过程一阶段中每次迭代过程中的惯性权重和影响因素归一化矩阵中的每个数据值获取每次迭代过程中粒子的最优位置;
根据迭代过程一阶段中粒子的历史最优位置获取迭代过程二阶段的惯性权重,进而获取归一化惯性权重;
基于所述归一化惯性权重,使用粒子群优化算法对智慧数据中心进行冷源调控,根据调控结果获取智慧数据中心每个设备的功耗和总功耗;
根据智慧数据中心每个设备的功耗、总功耗和实际功耗对智慧数据中心冷源的自动控制调节;
其中,根据迭代过程一阶段中粒子的历史最优位置获取迭代过程二阶段的惯性权重的方法为:式中,/>表示在迭代过程二阶段中,第i个i粒子在第k次迭代过程中的惯性权重,其中,/>;/>表示迭代次数阈值;/>表示第i个粒子历史最优位置与第k次迭代位置的欧氏距离在所有数据维度中的最大值;n表示所选取的历史迭代次数;m表示数据维度;/>表示在第b维中,第i个粒子当前迭代次数所处位置与前/>次迭代结果所处位置的欧氏距离;/>表示在第b维中,第i个粒子当前迭代次数所处位置与粒子原始位置的欧氏距离。
2.根据权利要求1所述的一种智慧数据中心冷源调控方法,其特征在于,所述智慧数据中心冷源调控影响因素数据包括智慧数据中心冷源系统中每个设备的负荷数据、温度数据和冷却水供给频率数据。
3.根据权利要求1所述的一种智慧数据中心冷源调控方法,其特征在于,所述通过传感器采集智慧数据中心冷源调控影响因素数据并对数据进行预处理,获取影响因素归一化矩阵中的每个数据值的获取方法为:
使用缺失值填充方法对智慧数据中心冷源调控影响因素数据缺失值进行补充;
使用归一化方法对补充缺失值后的智慧数据中心冷源调控影响因素数据进行归一化,将归一化后的智慧数据中心冷源调控影响因素数据记为归一化数据值;
根据归一化后的智慧数据中心冷源调控影响因素数据获取影响因素归一化矩阵,其中,影响因素归一化矩阵中的每一列数据表示智慧数据中心内对应同一台设备的数据的归一化数据值;矩阵中的每一行数据表示影响智慧数据中心冷源调控的同一因素对应的归一化数据值,矩阵中的每个数据值为数据所在列对应的设备和数据所在行对应的智慧数据中心冷源调控的因素的归一化数据值。
4.根据权利要求1所述的一种智慧数据中心冷源调控方法,其特征在于,所述根据对智慧数据中心冷源调控的要求设置粒子群优化算法的相关参数,并基于设置的参数的实际意义将迭代过程分为迭代过程一阶段和迭代过程二阶段的获取方法为:
粒子群优化算法的相关参数包括粒子数,维度,最大迭代次数个体学习因子,群体学习因子,迭代次数阈值,其中,粒子数为智慧数据中心设备数,维度为影响智慧数据中心冷源调控的不同影响因素的个数;
当处于迭代过程中的次数小于等于迭代次数阈值时,则认为,粒子此时处于迭代过程一阶段;当处于迭代过程中的次数大于迭代次数阈值时,则认为,粒子此时处于迭代过程二阶段。
5.根据权利要求1所述的一种智慧数据中心冷源调控方法,其特征在于,所述获取迭代过程一阶段中每次迭代过程中的惯性权重,根据迭代过程一阶段中每次迭代过程中的惯性权重和影响因素归一化矩阵中的每个数据值获取每次迭代过程中粒子的最优位置的获取方法为:
将粒子的初始惯性权重与惯性权重的最小值的差值即为第一差值;
将粒子在迭代过程中处于的迭代次数与最大迭代次数的比值即为第一比值;
将第一差值与第一比值的乘积记为第一乘积;
将粒子的初始惯性权重与第一乘积的差值记为迭代过程一阶段中粒子处于的迭代次数中的惯性权重;
基于粒子每次迭代过程中的迭代权重和影响因素归一化矩阵中的每个数据值对粒子进行迭代,获取每次迭代过程中粒子的最优位置。
6.根据权利要求1所述的一种智慧数据中心冷源调控方法,其特征在于,所述归一化惯性权重的获取方法为:
在迭代过程二阶段中,对每个粒子在同一次迭代过程中的惯性权重取归一化值,记为粒子在迭代过程中的归一化惯性权重。
7.根据权利要求1所述的一种智慧数据中心冷源调控方法,其特征在于,所述基于所述归一化惯性权重,使用粒子群优化算法对智慧数据中心进行冷源调控,根据调控结果获取智慧数据中心每个设备的功耗和总功耗的获取方法为:
基于迭代过程二阶段中获取的归一化惯性权重,以智慧数据中心冷源调控总功耗最低为目标函数,使用粒子群优化算法动态地对智慧数据中心进行冷源调控;
获取冷源总功耗最低时对应的每个设备的功耗,其中,智慧数据中心每个设备的功耗的获取方式为:
将设备的冷却水供给频率数据与默认频率之比记为第二比值;
将设备的负荷电压数据与智慧数据中心冷却水供给电压之比的平方记为第三比值;
将第二比值、第三比值与设备的额定功率的乘积记为第二乘积;
将以设备环境温度为底、以环境温度指数为指数的幂与第二乘积的和记为第一和值;
将第一和值与功耗常数的乘积记为设备的功耗;
将智慧数据中心所有设备的功耗和记为智慧数据中心的总功耗。
8.根据权利要求1所述的一种智慧数据中心冷源调控方法,其特征在于,所述根据智慧数据中心每个设备的功耗、总功耗和实际功耗对智慧数据中心冷源的自动控制调节的获取方法为:
获取当前时刻每个设备的实际功耗;
将当前时刻每个设备的功耗、智慧数据中心的总功耗与实际功耗作为模糊PID控制算法的输入,获取智慧数据中心的冷源调控参数,根据获取的参数实现对智慧数据中心冷源的自动控制调节。
9.一种智慧数据中心冷源调控系统,包括存储器、处理器以及存储在所述存储器中并在所述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计算机程序时实现如权利要求1-8任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311145842.1A CN116880163B (zh) | 2023-09-07 | 2023-09-07 | 一种智慧数据中心冷源调控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311145842.1A CN116880163B (zh) | 2023-09-07 | 2023-09-07 | 一种智慧数据中心冷源调控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116880163A CN116880163A (zh) | 2023-10-13 |
CN116880163B true CN116880163B (zh) | 2023-12-05 |
Family
ID=88272029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311145842.1A Active CN116880163B (zh) | 2023-09-07 | 2023-09-07 | 一种智慧数据中心冷源调控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116880163B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2253897A1 (en) * | 2009-05-15 | 2010-11-24 | Rhoss S.p.A. | Method and system for controlling a plurality of refrigerating machines |
CN104978613A (zh) * | 2015-07-28 | 2015-10-14 | 国家电网公司 | 一种考虑组件温度的光伏出力短期预测方法 |
CN109961129A (zh) * | 2017-12-25 | 2019-07-02 | 中国科学院沈阳自动化研究所 | 一种基于改进粒子群的海上静止目标搜寻方案生成方法 |
CN112417770A (zh) * | 2020-12-09 | 2021-02-26 | 浙江工业大学 | 一种基于多模态多目标粒子群优化算法的选址优化方法 |
CN112987572A (zh) * | 2021-02-26 | 2021-06-18 | 河海大学 | 一种基于先验知识的自适应球杆系统粒子群优化方法 |
CN114239930A (zh) * | 2021-11-30 | 2022-03-25 | 国网浙江省电力有限公司电力科学研究院 | 面向智能电网场景的需求响应参与度模型构建方法 |
CN114519457A (zh) * | 2022-01-27 | 2022-05-20 | 南京南瑞信息通信科技有限公司 | 基于粒子群的省级智慧能源服务平台任务调度方法及系统 |
CN116384700A (zh) * | 2023-04-13 | 2023-07-04 | 华北电力大学 | 一种基于数据挖掘的中央空调系统能源效率优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2013397866A1 (en) * | 2013-08-13 | 2016-03-03 | Accenture Global Services Limited | System, method and apparatus for integrated multi-energy scheduling in a micro-grid and a tangible computer readable medium |
-
2023
- 2023-09-07 CN CN202311145842.1A patent/CN116880163B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2253897A1 (en) * | 2009-05-15 | 2010-11-24 | Rhoss S.p.A. | Method and system for controlling a plurality of refrigerating machines |
CN104978613A (zh) * | 2015-07-28 | 2015-10-14 | 国家电网公司 | 一种考虑组件温度的光伏出力短期预测方法 |
CN109961129A (zh) * | 2017-12-25 | 2019-07-02 | 中国科学院沈阳自动化研究所 | 一种基于改进粒子群的海上静止目标搜寻方案生成方法 |
CN112417770A (zh) * | 2020-12-09 | 2021-02-26 | 浙江工业大学 | 一种基于多模态多目标粒子群优化算法的选址优化方法 |
CN112987572A (zh) * | 2021-02-26 | 2021-06-18 | 河海大学 | 一种基于先验知识的自适应球杆系统粒子群优化方法 |
CN114239930A (zh) * | 2021-11-30 | 2022-03-25 | 国网浙江省电力有限公司电力科学研究院 | 面向智能电网场景的需求响应参与度模型构建方法 |
CN114519457A (zh) * | 2022-01-27 | 2022-05-20 | 南京南瑞信息通信科技有限公司 | 基于粒子群的省级智慧能源服务平台任务调度方法及系统 |
CN116384700A (zh) * | 2023-04-13 | 2023-07-04 | 华北电力大学 | 一种基于数据挖掘的中央空调系统能源效率优化方法 |
Non-Patent Citations (2)
Title |
---|
PSO优化FNN-PID在中央空调系统中的应用;刘宗瑶 等;控制工程(08);1474-1480 * |
多能互补冷热电综合能源供给安全智能调控;贾兴旺;价值工程(13);246-248 * |
Also Published As
Publication number | Publication date |
---|---|
CN116880163A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10983542B2 (en) | Load-predicting and control system and method for subway heating, ventilation and air conditioning system | |
CN112577161B (zh) | 空调能耗模型训练方法与空调系统控制方法 | |
CN110410942B (zh) | 一种冷热源机房节能优化控制方法及系统 | |
CN110749053B (zh) | 空调器的控制方法及装置 | |
CN111237989A (zh) | 一种基于负荷预测的楼宇通风空调控制方法及装置 | |
CN104697107B (zh) | 智能学习节能调控系统与方法 | |
CN113325762B (zh) | 一种智能建筑个性化用能控制方法、系统、装置和设备 | |
CN113675863B (zh) | 一种基于数字孪生的微电网频率二次协同控制方法 | |
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 | |
CN114841410A (zh) | 一种基于组合策略的换热站负荷预测方法和系统 | |
CN114322208A (zh) | 基于深度强化学习的智能园区空调负荷调控方法和系统 | |
CN114909945A (zh) | 冷却塔节能智控方法、装置、电子装置及介质 | |
CN108731222B (zh) | 一种机房空调控制方法及装置 | |
CN116880163B (zh) | 一种智慧数据中心冷源调控方法及系统 | |
CN116963482B (zh) | 一种基于数据中心暖通系统的智能化节能方法及相关设备 | |
CN113852080A (zh) | 一种智能电网的潮流优化方法、系统、设备及存储介质 | |
CN113610152A (zh) | 一种基于负荷模式的空调系统灵活性运行策略制定方法 | |
Deng et al. | Optimal control of chilled water system with ensemble learning and cloud edge terminal implementation | |
CN114636212B (zh) | 一种基于grnn的多台冷水机组系统运行控制方法 | |
CN114936529A (zh) | 一种温控负荷群聚合模型及建模方法、温控负荷群可调节潜力评估方法 | |
CN114980666A (zh) | 一种数据中心液冷散热系统的控制方法及其系统 | |
CN114679885A (zh) | 一种冷板液冷智能散热调控系统、调控优化方法、装置 | |
Teo et al. | Energy management controls for chiller system: A review | |
CN113806995A (zh) | 一种基于ibas算法的家庭设备用能多目标优化方法及系统 | |
CN111240197A (zh) | 一种公共建筑机电系统的能效纠偏控制方法和装置 |
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 |