CN116963456A - 机房节能方法、装置、计算设备及计算机存储介质 - Google Patents
机房节能方法、装置、计算设备及计算机存储介质 Download PDFInfo
- Publication number
- CN116963456A CN116963456A CN202211303149.8A CN202211303149A CN116963456A CN 116963456 A CN116963456 A CN 116963456A CN 202211303149 A CN202211303149 A CN 202211303149A CN 116963456 A CN116963456 A CN 116963456A
- Authority
- CN
- China
- Prior art keywords
- refrigeration
- temperature
- machine room
- energy
- target
- 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 47
- 238000005057 refrigeration Methods 0.000 claims abstract description 330
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000004378 air conditioning Methods 0.000 claims description 6
- 238000004134 energy conservation Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 43
- 239000002245 particle Substances 0.000 description 22
- 238000001816 cooling Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000005265 energy consumption Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 230000033228 biological regulation Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种机房节能方法、装置、计算设备及计算机存储介质。该方法包括:获取与机房各制冷设备制冷关联的制冷影响参数数据,其中,制冷影响参数包括:机房气温、机房与环境之间的内外温差、第一制冷设备设定工作温度;将制冷影响参数数据输入至预先训练的节能模型进行节能预测,得到符合制冷能效条件的机房制冷设备目标组合及本次第一制冷设备目标工作温度,其中,节能模型是基于PSO‑BP神经网络训练得到的;根据本次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开关机温度,根据各制冷设备对应的开关机温度控制相应制冷设备的开机或关机,以实现机房节能。在保障机房设备稳定运行的同时,通过智能手段进行节能节电。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种机房节能方法、装置、计算设备及计算机存储介质。
背景技术
机房内部的设备24小时不间断的运行过程中,持续释放出热量,机房温度过高将导致设备触发高温告警,导致设备瘫痪业务中断,因此机房制冷设备的正常工作能保证机房环境稳定,设备有序运行。
机房的温度是由制冷设备进行控制,这类设备的能耗普遍较高,且24小时持续运作将造成极大的能耗。同时,机房的制冷设备处于自主独立运行的状态,始终按照设定温度进行运作,部分的时间存在制冷过剩的情况,能源消耗过度,造成电费的额外支出。
现有的机房制冷设备运作模式为:
1.根据机房的空间、工作设备的数量和功率,按照既定规则设定工作温度,设备在自主独立运行的情况24小时工作。
2.根据外部环境的变化,比如气温低于10℃的期间内,人为上站关停机房的制冷设备。等气温回暖后,再次上站开启空调,这样循环操作。
机房制冷设备的“匀速”运行,在环境温度较低的情况下,存在制冷过剩的情况,能源浪费严重,能效比始终处于低位。同时一味地关停设备,存在机房过热运行的风险,最终影响业务设备的工作。
现有方案对机房制冷设备缺乏系统性的调控,对外部环境的变法无法实时准确地做出调整,以使制冷量能保证机房内部稳定正常运行,且能耗得到合理控制,起到节能省电的作用。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的机房节能方法、装置、计算设备及计算机存储介质。
根据本发明实施例的一个方面,提供了一种机房节能方法,包括:
获取与机房各制冷设备制冷关联的制冷影响参数数据,其中,制冷影响参数包括:机房气温、机房与环境之间的内外温差、第一制冷设备设定工作温度;
将制冷影响参数数据输入至预先训练的节能模型进行节能预测,得到符合制冷能效条件的机房制冷设备目标组合及本次第一制冷设备目标工作温度,其中,节能模型是基于PSO-BP神经网络训练得到的;
根据本次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开关机温度,根据各制冷设备对应的开关机温度控制相应制冷设备的开机或关机,以实现机房节能。
根据本发明实施例的另一方面,提供了一种机房节能装置,包括:
获取模块,适于获取与机房各制冷设备制冷关联的制冷影响参数数据,其中,制冷影响参数包括:机房气温、机房与环境之间的内外温差、第一制冷设备设定工作温度;
预测模块,适于将制冷影响参数数据输入至预先训练的节能模型进行节能预测,得到符合制冷能效条件的机房制冷设备目标组合及本次第一制冷设备目标工作温度,其中,节能模型是基于PSO-BP神经网络训练得到的;
控制模块,适于根据本次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开关机温度,根据各制冷设备对应的开关机温度控制相应制冷设备的开机或关机,以实现机房节能。
根据本发明实施例的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,处理器、存储器和通信接口通过通信总线完成相互间的通信;
存储器用于存放至少一可执行指令,可执行指令使处理器执行上述机房节能方法对应的操作。
根据本发明实施例的再一方面,提供了一种计算机存储介质,存储介质中存储有至少一可执行指令,可执行指令使处理器执行如上述机房节能方法对应的操作。
根据本发明上述实施例提供的方案,科学地指导机房的智能温控,保证机房的稳定运行下提升能耗比;通过节能模型预测得到符合制冷能效条件的机房制冷设备目标组合及本次第一制冷设备目标工作温度,极大提升调控精准度和节能智能化。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明实施例的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1A示出了本发明实施例提供的机房节能方法流程图;
图1B为气温对空调制冷功率、能效比的影响示意图;
图1C为空调设定工温度对空调制冷功率、能效比的影响示意图;
图1D为不同类型的机房的空调设定工温度对空调制冷功率、能效比的影响示意图;
图1E为BP神经网络的示意图;
图1F为粒子群算法流程图;
图1G为模型预测值与真实值回归的数据拟合曲线的示意图;
图2示出了本发明实施例提供的机房节能装置的结构示意图;
图3示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1A示出了本发明实施例提供的机房节能方法的流程图。如图1A所示,该方法包括以下步骤:
步骤S101,获取与机房各制冷设备制冷关联的制冷影响参数数据,其中,制冷影响参数包括:机房气温、机房与环境之间的内外温差、第一制冷设备设定工作温度。
具体地,为了保证机房环境稳定,设备有序运行,通常会在机房内部设置制冷设备,通过制冷设备的开启或关闭来控制机房的温度。为了能够合理利用能源,避免能源浪费,需要进行机房节能控制,在进行机房节能控制时,需要获取与机房各制冷设备制冷关联的制冷影响参数数据,其中,制冷影响参数包括:机房气温、机房与环境之间的内外温差、第一制冷设备设定工作温度。第一制冷设备为空调,第一制冷设备设定工作温度是空调设定工作温度。
制冷影响参数是影响机房内制冷设备制冷的相关参数,制冷影响参数数据是制冷影响参数对应的参数数据。
具体地,可以通过不同环境的测试实验,来确定制冷影响参数与制冷设备的制冷相关联,这里的制冷设备包括:空调和新风机,制冷设备的能源消耗主要是考制冷功率、能效比来衡量。
(一)空调制冷功率、能效比与气温关系的AI测算
(1)设计概念
选择无搭电机房有盘管温度监测的空调,测算这些空调的制冷功率、能效比受气温、日照影响的影响数据。进而推导出气温增减1度的空调制冷功率、能效比变化系数。
(2)气温关系分析
空调制冷功率、能效比与室外气温、日照的变化而变化,环境气温每变化1度及日照对制冷功率、能效比的影响系数。
找出无搭电的机房:先于0:00至5:00时,对各机房关停全部制冷设备3分钟左右,获取此时的智能电表输出功率、各“虚拟电表--电源输入”的输入功率,对于机房的智能电表输出功率=各“虚拟电表--电源输入”的输入功率和*(1±5%)的则为机房内无搭电。选择无搭电机房中只有一台空调且空调有盘管温度监测的,进行空调制冷量、能效比与气温关系的监测分析,在空调设定工作温度不变时,对这些机房进行空调制冷功率、能效比与气温、日照关系进行测算。
根据气温变化,气温每变化1度获取机房的一个数据(且空调开机运行时的数据)。获取空调工作状态为开机、且空调室内盘管温度低于15度的时间段内的数据(所有超15度的都作为无效数据),获取各空调开机工作时的室内盘管温度、空调设定工作温度(或回风温度平均)及此时的气温与日照数据,及智能电表输出功率、“电源输入—虚拟电表”的输入功率,剔除室内盘管温度大于15度的数据(室内盘管温度与回风温度数据)。对于阴雨天获得的各数据,就可得出空调室内盘管温度、空调耗电功率与气温的关系;同气温下对于晴天、多云、阴雨天与夜晚获得的各数据,就可得出室内盘管温度、空调耗电功率与日照的关系。由于空调制冷功率=K*(回风温度均值-室内盘管温度)*风量,能效比=空调制冷功率/空调耗电功率,就可得出空调制冷功率、能效比与气温、日照的关系,及变化系数。
空调制冷功率W冷=(T工-T管)*风量*K,其中T工为空调设定工作温度(也等于空调工作期间的平均回风温度T回),风量*K是固定数。空调能效比=空调制冷量W冷/空调耗电功率=空调制冷功率W冷/(空调制冷功率-机房内各电源输入功率和)。图1B为与气温等对空调制冷功率、能效比的影响示意图。
可以把各机房按气温每增减1度的各数据的平均值进行变化关系系数计算,或多点数据进行离散性分布统计计算(只能最接近中间值的50%左右的数据)。
气温及日照影响空调的室内盘管温度(室内盘管温度影响空调制冷功率)、影响空调的耗电量,进而影响空调制冷功率、能效比。推导出,Δ制冷量=S1*ΔT,Δ制冷量=S2*日照情况,Δ能效比=S3*ΔT,Δ能效比=S4*日照情况,计算S1、S2、S3、S4的值,其中计算S1、S3时ΔT取1度,计算S2、S4时,日照分阴雨天与晚上、多云、晴天,其中阴雨天与晚上S2、S4=0。
注:后续各县市装日照监测仪后,则可获取日照系数,则可按日照系数计算。
得出各机房空调的气温影响空调制冷率、能效比的系数,剔除最高的10%、最低的10%数据后,余下各机房空调的平均值,则作为气温及日照对各空调制冷功率、能效比的影响系数。这些系数也可适用于其它空调。
(二)空调制冷功率、能效比与空调设定工作温度的关系
(1)设计概念
选择无搭电机房有盘管温度监测的空调,测算这些空调的制冷功率、能效比受空调工作温度设定值的影响数据。进而推导出各单位面积机房的空调设定工作温度增减1度的空调制冷功率、能效比变化系数。
(2)工作温度关系分析
选择无搭电机房中只有一台空调且空调有盘管温度监测的,进行空调制冷量、能效比与空调工作温度设定值的关系的监测分析,设定空调工作温度在25-30度间,对这些机房进行空调制冷功率、能效比与空调工作温度设定值关系进行测算。
选择气温在20至30度的早上1:00至6:00时间段,先在1:00至4:00,设定空调工作温度30度,系统获取空调工作状态为开机、且空调室内盘管温度低于15度的各小段时间内的室内盘管温度、智能电表功率与开关电源输入功率等数据(所有盘管温度超15度的都作为无效数据);再在3:00至6:00,设定空调工作温度25度,再系统获取空调工作状态为开机、且空调室内盘管温度低于15度的各小段时间内的室内盘管温度等数据(所有盘管温度超15度的都作为无效数据)。进而计算出空调工作温度设定值增减1度对空调制冷量、能效比的影响系数。图1C为空调设定工温度对空调制冷功率、能效比的影响示意图。
各机房按机房类型(砖混、彩钢与一体化)、单位面积室内设备负荷进行分类,剔除各为机房中最大10%、最小10%的数据,得出各类机房的空调工作温度设定值增减1度对空调制冷量、能效比的影响系数。图1D为不同类型的机房的空调设定工温度对空调制冷功率、能效比的影响示意图。
如得出各数据中部分单位面积段数据缺失,或因数据量过少导致与整体数据变化规律不相符的,则根据整体数据变化规律作修正。
(三)新风机的制冷功率、能效比与内外温差的关系
日照对新风机、新风冷气机的制冷功率、能效比影响较少,可暂不考虑。
机房空调关停、新风机或新风冷气机开机运行时,系统获取气温、湿度,新风机运行时的机房环境平均温度。新风机或新风冷气机的运行功率直接从资管中取或导入(可参考经典算法)。
新风冷气机的制冷功率=内外温差(机房环境温度-送风温度)*风量,而送风温度=基于90%的湿球气温,能效比=制冷功率/耗电量,且新风冷气机额定制冷功率=10度温差*风量,风量与耗电量基本不变,因此基于90%的湿球温度每升降1度新风冷气机的制冷功率、能效比升降10%。新风冷气机的制冷功率=内外温差(机房环境温度-基于90%的湿球气温)*风量,能效比=新风冷气机的制冷功率/新风机运行功率。
同样的,因此新风机在气温每升降1度制冷功率、能效比升降10%,新风机的制冷功率=内外温差ΔT*风量,能效比=新风机的制冷功率/新风机运行功率。Δ制冷量=0.1*ΔT,Δ能效比=0.1*ΔT,ΔT=机房环境温度-气温。
步骤S102,将制冷影响参数数据输入至预先训练的节能模型进行节能预测,得到符合制冷能效条件的机房制冷设备目标组合及本次第一制冷设备目标工作温度,其中,节能模型是基于PSO-BP神经网络训练得到的。
在获取到制冷影响参数数据之后,将制冷影响参数数据输入至预先训练的节能模型进行节能预测,得到符合制冷能效条件的机房制冷设备目标组合及本次第一制冷设备目标工作温度,其中,节能模型是基于PSO-BP神经网络训练得到的。
其中,节能模型训练过程包括:获取样本数据,其中,样本数据包括:制冷影响参数数据、机房制冷设备组合、第一制冷设备实际工作温度;
根据样本数据对PSO-BP神经网络进行节能训练,得到节能模型;其中,节能模型包含:制冷影响参数数据、制冷能效条件、机房制冷设备组合、第一制冷设备实际工作温度的对应关系。
由于BP神经网络预测模型收敛速度慢,精度较低,容易陷入局部极小值等问题,利用PSO粒子群优化BP神经网络预测模型的初始权值和阈值,再训练模型并预测,明显提高BP神经网络预测模型的收敛速度和预测模型的精度。
(1)在PSO算法中,每一个优化问题的解被看作是搜索空间中的一只鸟,即“粒子”。算法首先生成初始解,在D维可行解空间中随机初始化N个粒子组成种群z={z1,z2,z3,…,zN},这里将气温,第一制冷设备设定工作温度、机房与环境之间的内外温差作为粒子,每个粒子都有位置、速度向量,zi={zi1,zi2,zi3,…,ziN},和vi={vi1,vi2,vi3,…,viN},然后根据目标函数计算适应度值进行迭代搜索。其中,每个粒子根据下面式子更新自己的速度和位置:vkl(t+1)=ωvkl(t)+c1r1[pid-zid(t)]+c2r2[pgd-zid(t)]
zid(t+1)=zid(t)+vid(t+1)
本应用场景中ω取0.75,加速常数c1=c2=2,r1,r2取0~1之间的随机数
(2)BP神经网络是一种3层或者3层以上的神经网络,包括输入层、输出层和隐含层,如图1E所示。它的训练算法包括正向和反向传递两个过程。输入信息通过隐含层传递给输出层,将输出信号和预测信号做比较,若有误差,则采用误差反向传播方法,将误差信息沿原网络返回,从输出层经过中间各层逐层向前修正网络的连接权值。
基于上述对PSO-BP神经网络的模型输入变量分析,气温、第一制冷设备设定工作温度、机房与环境之间的内外温差为影响机房制冷设备目标组合及本次第一制冷设备目标工作温度的关键因素。采用3层BP神经网络结构,输入层神经元数为3,输出层为机房制冷设备目标组合及本次第一制冷设备目标工作温度,隐含层因子数由下式计算为7:
m=2n+1
式中:m为隐含层神经元个数;n为输入层神经元个数
1)输入的各参数具有不同的物料意义,为了避免输入或输出向量中数值大的分量绝对误差大,数值小的分量绝对误差小,对输入输出分别做归一化处理:
2)初始化粒子群的规模,包括种群粒子个数N、粒子个体长度D、粒子的初始速度、位置。试验中粒子数N取值为50,粒子个体长度L的计算式为:L=g1g2+g2g3+g2+g3,其中g1,g2,g3分别为神经网络输入层、隐含层、输出层的因子数,上式计算得L=44。
3)通过预测值和观测值的误差绝对值之和作为粒子适应值n为样本数,oi为样本i的观测值,ei为样本i的预测值。
4)粒子适应度的比较,确定每个粒子的个体极值点和全局最优极值点。比较规则为:
如果Fp<Pbf,则Pbf=Fp,Pb=Xi;否则Pb和Pbf不变。
如果Fp<Gbf,则Gbf=Fp,Gb=Xi;否则Gb和Gbf不变。
Fp是粒子的当前适应值,Pbf是粒子的个体最优适应值,Gbf是种群全局最优适应值,Pb是粒子个体最优值,Gb是种群全局最优值,Xi为当前计算粒子。
5)粒子位置及速度的更新采用PSO算法中vkl(t)、zid(t),初始速度、位置采用rand()函数随机赋值。
判断是否满足制冷条件,若是,输出结果,若否,则跳转计算每个粒子的适应值。如图1F所示。
模型的训练样本和检测样本都采用上文的3类试验分析得到的数据,一共180组数据,150组用来训练样本,30组数据作为检测样本。将气温、第一制冷设备设定工作温度、机房与环境之间的内外温差作为关键因素,作为PSO-BP神经网络模型的输入对象,预测精度、收敛速度均大幅提升,满足实际需求,对机房空调系统智能制冷节能具有重要的应用作用。如图1G所示。
步骤S103,根据本次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开关机温度,根据各制冷设备对应的开关机温度控制相应制冷设备的开机或关机,以实现机房节能。
在确定本次第一制冷设备目标工作温度及机房制冷设备目标组合之后,可以根据本次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开关机温度,根据各制冷设备对应的开关机温度控制相应制冷设备的开机或关机,以实现机房节能。
在本发明一种可选实施方式中,根据本次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开关机温度进一步包括:
计算本次第一制冷设备目标工作温度与上一次第一制冷设备目标工作温度之间的温度差;
若温度差在预设温度差范围内,则根据上一次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开关机温度;
若温度差不在预设温度差范围内,则根据本次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开关机温度。
具体地,为了提升机房节能效率,在确定本次第一制冷设备目标工作温度之后,计算本次第一制冷设备目标工作温度与上一次第一制冷设备目标工作温度之间的温度差,判断该温度差是否落入预设温差范围内,其中,预设温差范围为±0.5度,若温度差在预设温度差范围内,则根据上一次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开关机温度;若温度差不在预设温度差范围内,则根据本次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开关机温度。
此外,还可以将本次机房制冷设备目标组合的能效比与上次机房制冷设备目标组合的能效比进行比较,若能效比变化小于或等于2%,则根据上一次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开关机温度;若能效比变化大于2%,则根据本次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开关机温度。
针对不同的制冷设备,开机温度和关机温度计算方式不同:具体地,第一制冷设备包括:空调时,根据本次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开关机温度进一步包括:
计算本次第一制冷设备目标工作温度与第一温度阈值之和,将计算得到的温度确定为第一制冷设备的开机温度;
计算本次第一制冷设备目标工作温度与第二温度阈值之差,将计算得到的温度确定为第一制冷设备的关机温度。
其中,第一温度阈值和第二温度阈值是根据经验而设定的,例如,第一温度阈值为2.2,第二温度阈值为1.8;得出第一制冷设备目标工作温度为28度,制冷设备组合是2台空调,2台空调的开机温度=28度+t1=28度+2.2=30.2度,即当空调回风温度升达30.2度时开机,关机温度=28度-t2=28度-1.8=26.2度,即当空调回风温度降低至26.2度时关机。
机房各制冷设备包括:第二制冷设备时,其中,第二制冷设备包括:新风机;根据本次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开关机温度进一步包括:
根据本次第一制冷设备目标工作温度确定机房目标环境温度;例如,可以设置第一制冷设备目标工作温度与机房目标环境温度的温度关系表,通过查表确定本次第一制冷设备目标工作温度对应的机房目标环境温度;
计算机房目标环境温度与第一温度阈值之和,将计算得到的温度确定为第二制冷设备的开机温度;
计算机房目标环境温度与第二温度阈值之差,将计算得到的温度确定为第二制冷设备的关机温度。
例如:得出第一制冷设备目标工作温度为28度,制冷设备组合是1台新风机,则先基于温度关系表,计算此第一制冷设备目标工作温度对应的机房目标环境温度为29度,则新风机的开机温度=29度+t1=29度+2.2=31.2度,即当机房环境温度升达31.2度时新风机开机,关机温度=29度-t2=29度-1.8=27.2度,即当机房环境温度降低至27.2度时关机。
在本发明一种可选实施方式中,针对不同类型的机房,根据本次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开机温度进一步包括:
若机房为第一类型机房,判断本次第一制冷设备目标工作温度是否大于第三温度阈值;若否,则将本次第一制冷设备目标工作温度确定为机房制冷设备目标组合中各制冷设备对应的开机温度;若是,将第三温度阈值确定为机房制冷设备目标组合中各制冷设备对应的开机温度。
若机房为第二类型机房,判断本次第一制冷设备目标工作温度是否大于第四温度阈值;若否,则将本次第一制冷设备目标工作温度确定为机房制冷设备目标组合中各制冷设备对应的开机温度;若是,将第四温度阈值确定为机房制冷设备目标组合中各制冷设备对应的开机温度。
对于汇聚机房、OLT,如本次第一制冷设备目标工作温度为28度以下的,则按本次第一制冷设备目标工作温度进行开机,如果本次第一制冷设备目标工作温度超过28度按28度开机。对于普通机房,本次第一制冷设备目标工作温度为30度以下的,则按本次第一制冷设备目标工作温度开机,如果本次第一制冷设备目标工作温度超过30度按30度开机。
生成并下发各节能开机指令经动环监控系统给制冷组合的制冷设备。指令内容变化时,则马上下发,指令内容不变时,则每隔20分钟下发一次。对未列入制冷组合的制冷设备发关机指令,每小时下发1次关机指令,及至其列入制冷组合。
本发明实施例充分分析了影响制冷设备的制冷功率、能效比的关键因素,通过实验数据计算机房气温、工作温度和内外温差对制冷功率的影响,科学地指导机房的智能温控,保证机房的稳定运行下提升能耗比。本方案中构建PSO-BP神经网络算法预测模型,通过数据训练模型得到机房制冷设备目标组合及本次第一制冷设备目标工作温度,与现有的人工周期性上站调控温度和开闭空调形成鲜明对比,极大提升调控精准度和节能智能化。本方案基于PSO-BP神经网络预测模型应用于机房制冷智慧节能外,还适用于类似电力、风电功率预测,通用性好,应用前景广泛。
根据本发明上述实施例提供的方案,科学地指导机房的智能温控,保证机房的稳定运行下提升能耗比;通过节能模型预测得到符合制冷能效条件的机房制冷设备目标组合及本次第一制冷设备目标工作温度,极大提升调控精准度和节能智能化。
图2示出了本发明实施例提供的机房节能装置的结构示意图。如图2所示,该装置包括:获取模块201、预测模块202、控制模块203。
获取模块201,适于获取与机房各制冷设备制冷关联的制冷影响参数数据,其中,制冷影响参数包括:机房气温、机房与环境之间的内外温差、第一制冷设备设定工作温度;
预测模块202,适于将制冷影响参数数据输入至预先训练的节能模型进行节能预测,得到符合制冷能效条件的机房制冷设备目标组合及本次第一制冷设备目标工作温度,其中,节能模型是基于PSO-BP神经网络训练得到的;
控制模块203,适于根据本次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开关机温度,根据各制冷设备对应的开关机温度控制相应制冷设备的开机或关机,以实现机房节能。
可选地,控制模块进一步适于:计算本次第一制冷设备目标工作温度与上一次第一制冷设备目标工作温度之间的温度差;
若温度差在预设温度差范围内,则根据上一次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开关机温度;
若温度差不在预设温度差范围内,则根据本次第一制冷设备目标工作温度计算机房制冷设备目标组合中各制冷设备对应的开关机温度。
可选地,第一制冷设备包括:空调;
控制模块进一步适于:计算本次第一制冷设备目标工作温度与第一温度阈值之和,将计算得到的温度确定为第一制冷设备的开机温度;
计算本次第一制冷设备目标工作温度与第二温度阈值之差,将计算得到的温度确定为第一制冷设备的关机温度。
可选地,机房各制冷设备包括:第二制冷设备,其中,第二制冷设备包括:新风机;
控制模块进一步适于:根据本次第一制冷设备目标工作温度确定机房目标环境温度;
计算机房目标环境温度与第一温度阈值之和,将计算得到的温度确定为第二制冷设备的开机温度;
计算机房目标环境温度与第二温度阈值之差,将计算得到的温度确定为第二制冷设备的关机温度。
可选地,控制模块进一步适于:若机房为第一类型机房,判断本次第一制冷设备目标工作温度是否大于第三温度阈值;
若否,则将本次第一制冷设备目标工作温度确定为机房制冷设备目标组合中各制冷设备对应的开机温度;
若是,将第三温度阈值确定为机房制冷设备目标组合中各制冷设备对应的开机温度。
可选地,控制模块进一步适于:若机房为第二类型机房,判断本次第一制冷设备目标工作温度是否大于第四温度阈值;
若否,则将本次第一制冷设备目标工作温度确定为机房制冷设备目标组合中各制冷设备对应的开机温度;
若是,将第四温度阈值确定为机房制冷设备目标组合中各制冷设备对应的开机温度。
可选地,装置还包括:节能模型训练模块,适于获取样本数据,其中,样本数据包括:制冷影响参数数据、机房制冷设备组合、第一制冷设备实际工作温度;
根据样本数据对PSO-BP神经网络进行节能训练,得到节能模型;其中,节能模型包含:制冷影响参数数据、制冷能效条件、机房制冷设备组合、第一制冷设备实际工作温度的对应关系。
根据本发明上述实施例提供的方案,科学地指导机房的智能温控,保证机房的稳定运行下提升能耗比;通过节能模型预测得到符合制冷能效条件的机房制冷设备目标组合及本次第一制冷设备目标工作温度,极大提升调控精准度和节能智能化。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的机房节能方法。
图3示出了本发明实施例提供的计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图3所示,该计算设备可以包括:处理器(processor)、通信接口(Communications Interface)、存储器(memory)、以及通信总线。
其中:处理器、通信接口、以及存储器通过通信总线完成相互间的通信。通信接口,用于与其它设备比如客户端或其它服务器等的网元通信。处理器,用于执行程序,具体可以执行上述用于计算设备的机房节能方法实施例中的相关步骤。
具体地,程序可以包括程序代码,该程序代码包括计算机操作指令。
处理器可能是中央处理器CPU,或者是特定集成电路ASIC(Application SpecificIntegrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器,用于存放程序。存储器可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序具体可以用于使得处理器执行上述任意方法实施例中的机房节能方法。程序中各步骤的具体实现可以参见上述机房节能实施例中的相应步骤和单元中对应的描述,在此不赘述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明实施例的内容,并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明实施例并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种机房节能方法,包括:
获取与机房各制冷设备制冷关联的制冷影响参数数据,其中,所述制冷影响参数包括:机房气温、机房与环境之间的内外温差、第一制冷设备设定工作温度;
将所述制冷影响参数数据输入至预先训练的节能模型进行节能预测,得到符合制冷能效条件的机房制冷设备目标组合及本次第一制冷设备目标工作温度,其中,所述节能模型是基于PSO-BP神经网络训练得到的;
根据本次第一制冷设备目标工作温度计算所述机房制冷设备目标组合中各制冷设备对应的开关机温度,根据各制冷设备对应的开关机温度控制相应制冷设备的开机或关机,以实现机房节能。
2.根据权利要求1所述的方法,其中,所述根据本次第一制冷设备目标工作温度计算所述机房制冷设备目标组合中各制冷设备对应的开关机温度进一步包括:
计算本次第一制冷设备目标工作温度与上一次第一制冷设备目标工作温度之间的温度差;
若所述温度差在预设温度差范围内,则根据上一次第一制冷设备目标工作温度计算所述机房制冷设备目标组合中各制冷设备对应的开关机温度;
若所述温度差不在预设温度差范围内,则根据本次第一制冷设备目标工作温度计算所述机房制冷设备目标组合中各制冷设备对应的开关机温度。
3.根据权利要求1或2所述的方法,其中,所述第一制冷设备包括:空调;
所述根据本次第一制冷设备目标工作温度计算所述机房制冷设备目标组合中各制冷设备对应的开关机温度进一步包括:
计算本次第一制冷设备目标工作温度与第一温度阈值之和,将计算得到的温度确定为第一制冷设备的开机温度;
计算本次第一制冷设备目标工作温度与第二温度阈值之差,将计算得到的温度确定为第一制冷设备的关机温度。
4.根据权利要求3所述的方法,其中,机房各制冷设备包括:第二制冷设备,其中,所述第二制冷设备包括:新风机;
所述根据本次第一制冷设备目标工作温度计算所述机房制冷设备目标组合中各制冷设备对应的开关机温度进一步包括:
根据本次第一制冷设备目标工作温度确定机房目标环境温度;
计算机房目标环境温度与第一温度阈值之和,将计算得到的温度确定为第二制冷设备的开机温度;
计算机房目标环境温度与第二温度阈值之差,将计算得到的温度确定为第二制冷设备的关机温度。
5.根据权利要求1所述的方法,其中,根据本次第一制冷设备目标工作温度计算所述机房制冷设备目标组合中各制冷设备对应的开机温度进一步包括:
若机房为第一类型机房,判断本次第一制冷设备目标工作温度是否大于第三温度阈值;
若否,则将本次第一制冷设备目标工作温度确定为所述机房制冷设备目标组合中各制冷设备对应的开机温度;
若是,将所述第三温度阈值确定为所述机房制冷设备目标组合中各制冷设备对应的开机温度。
6.根据权利要求1或5所述的方法,其中,根据本次第一制冷设备目标工作温度计算所述机房制冷设备目标组合中各制冷设备对应的开机温度进一步包括:
若机房为第二类型机房,判断本次第一制冷设备目标工作温度是否大于第四温度阈值;
若否,则将本次第一制冷设备目标工作温度确定为所述机房制冷设备目标组合中各制冷设备对应的开机温度;
若是,将所述第四温度阈值确定为所述机房制冷设备目标组合中各制冷设备对应的开机温度。
7.根据权利要求1或2所述的方法,其中,所述节能模型训练过程包括:
获取样本数据,其中,所述样本数据包括:制冷影响参数数据、机房制冷设备组合、第一制冷设备实际工作温度;
根据所述样本数据对PSO-BP神经网络进行节能训练,得到节能模型;其中,所述节能模型包含:制冷影响参数数据、制冷能效条件、机房制冷设备组合、第一制冷设备实际工作温度的对应关系。
8.一种机房节能装置,包括:
获取模块,适于获取与机房各制冷设备制冷关联的制冷影响参数数据,其中,所述制冷影响参数包括:机房气温、机房与环境之间的内外温差、第一制冷设备设定工作温度;
预测模块,适于将所述制冷影响参数数据输入至预先训练的节能模型进行节能预测,得到符合制冷能效条件的机房制冷设备目标组合及本次第一制冷设备目标工作温度,其中,所述节能模型是基于PSO-BP神经网络训练得到的;
控制模块,适于根据本次第一制冷设备目标工作温度计算所述机房制冷设备目标组合中各制冷设备对应的开关机温度,根据各制冷设备对应的开关机温度控制相应制冷设备的开机或关机,以实现机房节能。
9.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的机房节能方法对应的操作。
10.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任一项所述的机房节能方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211303149.8A CN116963456A (zh) | 2022-10-24 | 2022-10-24 | 机房节能方法、装置、计算设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211303149.8A CN116963456A (zh) | 2022-10-24 | 2022-10-24 | 机房节能方法、装置、计算设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116963456A true CN116963456A (zh) | 2023-10-27 |
Family
ID=88447966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211303149.8A Pending CN116963456A (zh) | 2022-10-24 | 2022-10-24 | 机房节能方法、装置、计算设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116963456A (zh) |
-
2022
- 2022-10-24 CN CN202211303149.8A patent/CN116963456A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111237989B (zh) | 一种基于负荷预测的楼宇通风空调控制方法及装置 | |
CN110866641B (zh) | 计及源储荷协同的多能互补系统两级优化调度方法及系统 | |
Noye et al. | A review of advanced ground source heat pump control: Artificial intelligence for autonomous and adaptive control | |
CN110726218B (zh) | 空调器及其控制方法、装置、存储介质和处理器 | |
CN109631238A (zh) | 一种提高空调系统运行能效的控制系统和控制方法 | |
CN110107989A (zh) | 基于冷冻水回水温度最佳设定点的小型定频冷水机组变水温控制方法 | |
CN113739365A (zh) | 中央空调冷站群控节能控制方法、装置、设备及存储介质 | |
CN110661253B (zh) | 建筑群内多类型电力弹性负荷联合调节方法 | |
Asad et al. | Adaptive modeling for reliability in optimal control of complex HVAC systems | |
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 | |
CN114046593A (zh) | 一种动态预测性机器学习型空调节能控制方法及系统 | |
CN108302732A (zh) | 空调控制方法及空调器 | |
JP2002364901A (ja) | 蓄熱式空調設備の制御システム、制御計画立案装置、制御計画立案方法、制御計画立案を実行するための記録媒体及びプログラム | |
CN113739360A (zh) | 基于冷站多智能体的节能控制方法、装置、设备及介质 | |
CN111737857A (zh) | 一种基于互动能力曲线的暖通空调集群协调控制方法 | |
CN113790516B (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 | |
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 | |
CN114909945A (zh) | 冷却塔节能智控方法、装置、电子装置及介质 | |
CN108507126A (zh) | 一种中央空调冷冻水的模糊控制方法、装置及空调 | |
CN111664560B (zh) | 中央空调主机智慧节能控制方法 | |
CN116963456A (zh) | 机房节能方法、装置、计算设备及计算机存储介质 | |
Zhang et al. | Data-driven model predictive and reinforcement learning based control for building energy management: A survey | |
CN115751625A (zh) | 智慧园区室内温度控制方法 | |
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 | |
CN112902392A (zh) | 自适应调整的空调控制方法、电子设备及存储介质 |
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 |