CN117250873B - 一种数据中心液冷系统参数优化方法 - Google Patents
一种数据中心液冷系统参数优化方法 Download PDFInfo
- Publication number
- CN117250873B CN117250873B CN202311545656.7A CN202311545656A CN117250873B CN 117250873 B CN117250873 B CN 117250873B CN 202311545656 A CN202311545656 A CN 202311545656A CN 117250873 B CN117250873 B CN 117250873B
- Authority
- CN
- China
- Prior art keywords
- point
- heat load
- load value
- curve
- predicted
- 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 68
- 238000001816 cooling Methods 0.000 title claims abstract description 36
- 239000007788 liquid Substances 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 238000009499 grossing Methods 0.000 claims abstract description 33
- 239000002826 coolant Substances 0.000 claims abstract description 6
- 239000000110 cooling liquid Substances 0.000 claims description 23
- 230000003203 everyday effect Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 230000017525 heat dissipation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Thermal Sciences (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及参数优化技术领域,具体涉及一种数据中心液冷系统参数优化方法。该方法包括:获取每天的所有热负荷值;将当前时刻的热负荷值记为观测点,将热负荷值构成一条热负荷波动曲线,并根据极值将其分为若干曲线段;根据两个曲线段中数据点的热负荷值和极值获取两个曲线段的趋势相似性;将观测点下一个时刻的点记为预测点,根据观测点及其下一时刻的热负荷值获取观测点的变化趋势;并根据变化趋势获取预测点的平滑因子;获取观测序列,根据观测序列中的热负荷值和预测点的平滑因子获取预测点的预测热负荷值;并以此完成冷却液流量参数的优化。本发明提高设备运行效率和使用时长,减低整体冷源系统运行能耗。
Description
技术领域
本发明涉及参数优化技术领域,具体涉及一种数据中心液冷系统参数优化方法。
背景技术
数据中心是我国的重要基础设施之一,是一种高密度能耗产业,大量的服务器、存储设备、交换机以及千亿级别的芯片在运行过程中消耗大量能源,在此过程中会产生大量的热。同时,数据中心对环境要求极高,往往依赖空调、冷水机等设备来降温,而冷却部分能耗占到辅助设施用能的60%以上。因此数据中心基础设施的能耗降低成为数据中心节能的主要方向。我国当前投入运行的数据中心中,冷却系统以风冷为主,能量利用率低,节能潜力大。随着新型绿色高能效数据中心散热冷却技术的发展。冷板式液冷系统开始在数据中心中广泛运用。
散热冷却技术需解决两个问题,一是设备发热量增加,散热冷却系统制冷能力需相应提高来实现产热与移热速率匹配;二是能源利用效率偏低,需发展具有工业应用前景的绿色高能效散热冷却技术;三是数据中心运行的安全性,需要更加安全可靠的液冷系统结构。
在已存的冷板式液冷系统中,冷却液的供给是恒定的,对于热负荷较低的IT设备会存在冷量过多的情况,热负荷较高的IT设备会存在冷量过少的情况,会导致冷量利用率下降,设备的能耗造成浪费。
发明内容
为了解决设备能耗浪费的技术问题,本发明提供了一种数据中心液冷系统参数优化方法,所采用的技术方案具体如下:
本发明提出了一种数据中心液冷系统参数优化方法,该方法包括以下步骤:
获取每天的所有热负荷值;
将当前时刻采集的热负荷值记为观测点,将每天采集的所有热负荷值构成一条热负荷波动曲线,并利用热负荷波动曲线中的极值将热负荷波动曲线分为若干曲线段;根据两个曲线段中每个数据点的热负荷值和曲线段对应两个极值的大小获取两个曲线段的趋势相似性;
将观测点下一个时刻的点记为预测点,在观测点为预测点时获取观测点的预测热负荷值;根据观测点的预测热负荷值和热负荷值以及观测点上一个时刻数据点的预测热负荷值和热负荷值获取观测点的变化趋势;根据观测点的变化趋势、观测点的预测热负荷值和热负荷值获取预测点的平滑因子;
根据趋势相似性以及热负荷波动曲线中的数据点与距离观测点的距离将数据点重新排序获取观测序列;根据预测点的平滑因子、观测点的热负荷值、观测序列中每个数据点的热负荷值使用EWMA模型对预测点的热负荷值进行预测获取预测点的预测热负荷值;
根据预测热负荷值完成冷却液流量参数的优化。
优选的,所述获取每天的所有热负荷值的方法为:
在IT设备中安装热负荷传感器获取IT设备的热负荷值,每一天开始重新开始采集,热负荷值每经过预设时间采集一次,将每天的0点开始重新采集热负荷值,到第二天的0点停止采集,之后将一天采集的热负荷值单独保存,之后继续重新采集热负荷值。
优选的,所述将每天采集的所有热负荷值构成一条热负荷波动曲线,并利用热负荷波动曲线中的极值将热负荷波动曲线分为若干曲线段的方法为:
对于每天采集的热负荷值,令热负荷值为纵坐标,时间为横坐标构成一条热负荷波动曲线;对与热负荷波动曲线计算极值,将相邻两个极值之间的所有热负荷值构成一个曲线段,将热负荷值的第一个数据点和第一个极值点作为一个曲线段,最后一个极值点和当前时间点对应的数据点构成一个曲线段。
优选的,所述根据两个曲线段中每个数据点的热负荷值和曲线段对应两个极值的大小获取两个曲线段的趋势相似性的方法为:
对于每个曲线段,获取曲线段内所有热负荷值的均值;
令曲线段内的两个极值构成一个二维点,其中横坐标靠前的极值作为二维点的第一个值,横坐标靠后的极值作为二维点的第二个值,每个曲线段对应一个二维点,对于两个曲线段,计算两个二维点的欧氏距离作为两个曲线段的维度距离;
对于每个曲线段,将两个极值点相连构成一条直线,根据极值点的坐标获取直线的斜率作为曲线段的斜率;
根据两条曲线段的维度距离、热负荷值的均值之差以及曲线段斜率之差获取两个曲线段的趋势相似度。
优选的,所述根据两条曲线段的维度距离、热负荷值的均值之差以及曲线段斜率之差获取两个曲线段的趋势相似度的方法为:
式中,表示第i个曲线段的斜率,表示第j个曲线段的斜率,表示第i个曲线段中
所有热负荷值的均值,表示第j个曲线段中所有热负荷值的均值,表示第i个曲线段和第
j个曲线段的维度距离,表示第i个曲线段和第j个曲线段的趋势相似性。
优选的,所述根据观测点的预测热负荷值和热负荷值以及观测点上一个时刻数据点的预测热负荷值和热负荷值获取观测点的变化趋势的方法为:
将观测点上个时刻的点记为历史点,将观测点的预测热负荷值与历史点的预测热负荷值作差获取第一差值,将观测点的热负荷值与历史点的热负荷值作差获取第二差值,将第一差值和第二差值的乘积记为第一乘积;
若第一乘积大于等于零,观测点的变化趋势为正方向记为1;
若第一乘积小于零,观测点的变化趋势为负方向记为-1。
优选的,所述根据观测点的变化趋势、观测点的预测热负荷值和热负荷值获取预测点的平滑因子的方法为:
式中,表示的是第c-1个数据点的预测热负荷值,表示第c-1个数据
点的热负荷值,表示第c-2个数据点的热负荷值,表示第c-1个数据点的变化趋势,
表示第c个数据点的平滑因子,所述第c-1个数据点为观测点,第c个数据点为预测点。
优选的,所述根据趋势相似性以及热负荷波动曲线中的数据点与距离观测点的距离将数据点重新排序获取观测序列的方法为:
将热负荷波动曲线中观测点所在的曲线段记为观测曲线段,将热负荷波动曲线中与观测曲线段相同趋势的曲线段提取出来记为趋势曲线段;所述相同趋势是指曲线段的斜率正负号相同;
将每个趋势曲线段中的数据点按照距离观测点的横坐标距离从小到大排序,对于不同的趋势曲线段按照与观测曲线段的趋势相似性从大到小排序,将排序后的数据点构成的序列记为观测序列。
优选的,所述根据预测点的平滑因子、观测点的热负荷值、观测序列中每个数据点的热负荷值使用EWMA模型对预测点的热负荷值进行预测获取预测点的预测热负荷值的方法为:
式中,表示第c个数据点的平滑因子,表示第c-1个数据点的热负荷值,表示
观测序列第k个数据点的热负荷值,表示观测序列内数据点的数量,表示线性归一化
函数,表示观测序列第k个数据点,表示第c个数据点的预测热负荷值,所述第c-1个
数据点为观测点,第c个数据点为预测点。
优选的,所述根据预测热负荷值完成冷却液流量参数的优化的方法为:
若预测点的预测热负荷值大于观测点的热负荷值,增大冷却液的流量参数;
若预测点的预测热负荷值小于观测点的热负荷值,减小冷却液的流量参数;
若预测点的预测热负荷值等于观测点的热负荷值,冷却液的流量参数不变。
本发明具有如下有益效果:本发明使用EWMA模型来对未来的热负荷数据进行预测,根据预测结果来对冷却液的流量参数进行优化调整。首先根据历史热负荷数据波动曲线中的极值点将曲线分为各个小段,并对同一波动趋势的曲线段进行趋势相似性计算。然后再根据模型相邻时刻预测结果之间的差异以及相邻时刻真实热负荷数据的差异来确定下一个预测计算模型中的自适应平滑因子值。最后根据计算出的自适应平滑因子值构建EWMA模型进行预测。并且传统EWMA模型在预测过程中是将所有的历史数据都加入到计算过程,由于数据具有波动性的特征,不同波动趋势的数据加入计算会导致预测结果出现较大偏差。所以本发明只将待预测数据所在曲线段的数据以及同波动趋势的曲线段中的数据加入到计算过程中,并根据曲线段的趋势相似性赋予不同的权重。相比现有方法,本发明的方法不仅对拐点附近的数据有较好的预测效果,而且能减少参与预测计算的数据量,减少异常历史数据对预测结果的影响。并且本发明相比传统的冷板式液冷系统,可以通过自然冷源利用时长模块化数据中心冷源控制系统给出系统参数,以达到最佳运行工况,提高设备运行效率和使用时长,减低整体冷源系统运行能耗。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种数据中心液冷系统参数优化方法流程图。
图2为系统设备流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种数据中心液冷系统参数优化方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
一种数据中心液冷系统参数优化方法实施例:
下面结合附图具体的说明本发明所提供的一种数据中心液冷系统参数优化方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种数据中心液冷系统参数优化方法流程图,该方法包括以下步骤。
步骤S001,获取每天的所有热负荷值。
冷板式液冷系统是一种基于冷板技术的液冷系统。在这种系统中,冷却液在冷板上流动,通过热传递对热源实现冷却。在已存的冷板式液冷系统中,冷却液的供给是恒定的,对于热负荷较低的IT设备会存在冷量过多的情况,热负荷较高的IT设备会存在冷量过少的情况,会导致冷量利用率下降,设备的能耗造成浪费。所述冷量指单位时间内被冷却水循坏带走的热量。
在IT设备中,热负荷主要指的是设备在工作过程中产生的热量。当IT设备工作时,会进行大量的电能到热能的转换。这个过程会产生大量的热量,如果不加以控制,可能会对设备造成损害。
在已存的冷板式液冷系统中,冷却液的供给是恒定的,对于热负荷较低的IT设备会存在冷量过多的情况,故导致冷量利用率下降,本方法的设计考虑解决这一通病,提供的解决方案为在冷却液回流的管路中加装热流量计,通过智能控制控系统的计算寻优,调整对应阀门的开度,寻找最优的流量输入点,从而优化整个系统的流量需求达到节能降耗的目的。
首先构建新式冷却系统,系统一侧为室外冷凝器管路,一侧由CDU、水泵、管路、传感器、液冷机柜、IT设备及冷板,同时还与冷量分配单元组成。此系统可以带走服务器50%~70%的热量,且系统能够根据传感器的数据反馈实时调整各冷板冷量的供给,能够有效提高能量利用率,保证机房的安全运行,其中设备如图2所示。
在IT设备中安装热负荷传感器来获取IT设备的热负荷值,对于每个IT设备,获取每天从0点到当前时刻的所有热负荷值,其中热负荷值每一分钟采集一次。
至此,获取了每天的所有热负荷值。
步骤S002,将当前时刻采集的热负荷值记为观测点,将每天采集的所有热负荷值构成一条热负荷波动曲线,并利用热负荷波动曲线中的极值将热负荷波动曲线分为若干曲线段;根据两个曲线段中每个数据点的热负荷值和曲线段对应两个极值的大小获取两个曲线段的趋势相似性。
对于采集的每天的热负荷值,将当前时刻采集的热负荷值的数据点记为观测点,在使用EWMA预测热负荷值时,每天采集的所有热负荷值都会参与计算,但是由于热负荷数据具有波动的特性,并且在波动过程中具有一定的趋势性。如果将和当前数据趋势不同的数据加入到预测过程中会导致预测结果出现较大的偏差,因此需要找到和当前时刻波动特性相同的部分数据进行预测。
对于采集的每天的热负荷值,将其构成一条曲线记为热负荷波动曲线,热负荷波动曲线的横坐标为时间,纵坐标为热负荷值,使用二阶导数求热负荷波动曲线的极值,根据所求的极值点将热负荷波动曲线进行分段,两个相邻极值点之间的热负荷值作为一个曲线段,将热负荷波动曲线的第一个数据点和最后一个数据点也作为极值构成曲线段。由于每天设备刚开始运行时可以参考的历史热负荷值较少,所以历史热负荷值构成的曲线段也较少。而且在刚开始启动设备时,数据波动较小,前两个曲线段的趋势相似性较小,因此若观测点在前两个曲线段时,将所有的历史热负荷值作为输入使用EWMA方法预测。而从第三个曲线段开始,只将趋势相同的曲线段中的热负荷值作为输入进行预测。
首先计算每个曲线段中所有热负荷值的均值,之后将每个曲线段构成的极大值和极小值构成一个二维点,二维点的第一个值为时间靠前的极值,二维点的第二个值为时间靠后的极值,例如,一个曲线段为递增的曲线度,其极小值为5,极大值为7,则曲线段对应的二维点为(5,7);计算两个曲线段对应的两个二维点的欧氏距离,将欧氏距离记为两个曲线段的维度距离;对于每个曲线段,利用其两个极值点的坐标计算曲线段的斜率,所述斜率为极值点的纵坐标之差与横坐标之差的比值。
根据两个曲线段之间斜率差异、热负荷值均值差异以及两个曲线段的维度距离获取两个曲线段的趋势相似性,公式如下:
式中,表示第i个曲线段的斜率,表示第j个曲线段的斜率,表示第i个曲线段中
所有热负荷值的均值,表示第j个曲线段中所有热负荷值的均值,表示第i个曲线段和第
j个曲线段的维度距离,表示第i个曲线段和第j个曲线段的趋势相似性。其中第i个曲线
段和第j个曲线段为同趋势的曲线段,即第i个曲线段和第j个曲线段同为递增或同为递减
趋势。
其中,表示第i个曲线段和第j个曲线段的斜率差异度,它的值越小表示两个
曲线段之间的趋势相似性越大;表示第i个曲线段和第j个曲线段中热负荷数据均值
之间的差异度,它的值越小表示两个曲线段中热负荷数据之间的差异越小,即两个曲线段
之间的趋势相似性越大;的值越小,说明构成两个曲线段的极值点对之间的差异度越小,
则表明两个曲线段的趋势开始点和结束点之间的差异越小,表示两个曲线段中数据的波动
范围越接近,则两个曲线段之间的趋势相似性越大。
至此,获取了两个曲线段的趋势相似性。
步骤S003,将观测点下一个时刻的点记为预测点,在观测点为预测点时获取观测点的预测热负荷值;根据观测点的预测热负荷值和预测值以及观测点上一个时刻数据点的预测热负荷值和预测值获取观测点的变化趋势;根据观测点的变化趋势、观测点的预测热负荷值和热负荷值获取预测点的平滑因子。
在热负荷波动曲线的拐点附近,热负荷值的波动趋势可能会有较大的变化,而EWMA模型在更新时会受到平滑因子的影响,导致模型无法及时捕捉到趋势的变化。平滑因子是一个非常重要的参数,它决定了新数据对预测点的预测值的影响程度。通常平滑因子的取值范围在0到1之间。当平滑因子接近0时,离观测点更近的数据对预测结果的影响很小,预测结果更接近于过去的值;当平滑因子接近1时,离观测点更近的数据对预测点的预测值的影响很大,预测点的预测值更接近于观测点的热负荷值。所以需要根据预测数据和实际数据之间的差异来确定下一个观测点的自适应平滑系数。当数据的趋势未发生变化时,预测的结果要更加接近于离观测点较近的数据。当数据的趋势发生变化时,预测的结果要更加接近于离观测点较远的数据。
当前时刻的热负荷值为观测点,观测点下一个时刻的点为预测点,而观测点及以前的点也通过EWMA模型获取有预测点,对于热负荷波动曲线的前两个时间段直接通过现有EWMA模型获取其每个数据点的预测值,之后通过前两个曲线段的预测值对后续的预测点的热负荷值进行预测。
对于每个观测点,将观测点与其上一个时刻的数据点预测热负荷值和热负荷值分别作差相乘判断数据的变化趋势,公式如下:
式中,表示的是第c-1个数据点即观测点的预测热负荷值,表示观测
点的热负荷值,表示的是第c-2个数据点的预测热负荷值,表示第c-2个数据
点的热负荷值,表示第c-1个数据点即观测点的变化趋势。
即当表示数据的趋势未发生变化,对应的平滑因子要更接近于1,离观测点
更近的数据对预测点的预测值的影响很大,预测点的预测值更接近于观测的热负荷值。当表示数据的趋势发生了变化,对应的平滑因子要更接近于0,离观测点更近的数据
对预测结果的影响很小,预测结果更接近于过去的值。
根据观测点的预测热负荷值和热负荷值以及观测点的变化趋势获取预测点的平滑因子,公式如下:
式中,表示的是第c-1个数据点即观测点的预测热负荷值,表示观测
点的热负荷值,表示第c-2个数据点的热负荷值,表示第c-1个数据点即观测点的变化
趋势,表示第c个数据点即预测点的平滑因子。
其中,表示观测点的预测热负荷值和热负荷值之间的差异度,
它的值越大表示预测结果差异越大,对应的平滑因子在接近于1的基础上要相应的小一点;表示观测点和第c-2个数据点的热负荷值的差异度,它的值越大表示它们两个数
据之间的突变性越大,对应的平滑因子在接近于1的基础上要相应的小一点;反之亦然。
至此,获取了预测点的平滑因子。
步骤S004,将热负荷波动曲线中的数据点与距离观测点的距离进行重新排序获取观测序列;根据预测点的平滑因子、观测点的热负荷值、观测序列中每个数据点的热负荷值使用EWMA模型对预测点的热负荷值进行预测获取预测点的预测热负荷值。
统计热负荷波动曲线中与观测点所在曲线段趋势相同的所有曲线段的数据点,将所有数据点进行排序,对于同一曲线段中的数据点按照距离观测点的横坐标距离从小到大排序,对于不同的曲线段按照与观测点所在的曲线段的趋势相似性从大到小排序,由此完成了与观测点所在曲线段趋势相同的所有曲线段的数据点的排序,将重新排序的所有数据点记为观测序列。
根据预测点的平滑因子、观测点的热负荷值、观测序列中每个数据点的热负荷值使用EWMA模型对预测点的热负荷值进行预测,公式如下:
式中,表示第c个数据点即预测点的平滑因子,表示观测点的热负荷值,表示
观测序列第k个数据点的热负荷值,表示观测序列内数据点的数量,表示线性归一化
函数,表示观测序列第k个数据点,表示第c个数据点的预测热负荷值。
至此,获取了预测点的预测热负荷值。
步骤S005,根据预测热负荷值完成冷却液流量参数的优化。
使用上述方法构建的模型根据每天的实时数据对未来下一时刻的热负荷数据进行预测。然后根据热负荷数据对液冷系统中的冷却液的流量参数进行优化。
获取预测点的预测热负荷值后,若预测点的预测热负荷值大于观测点的热负荷值,则需要增大冷却液的流量参数;若预测点的预测热负荷值小于观测点的热负荷值,则需要减小冷却液的流量参数;若预测点的预测热负荷值等于观测点的热负荷值,则冷却液的流量参数不变。在本实施例中通过调节冷却液电动调节阀的开度调整冷却液的流量参数;需要增大冷却液的流量参数时,将冷却液电动调节阀的开度调大,需要减小冷却液的流量参数时,将冷却液电动调节阀的开度调小;通过冷却液流量参数的调整从而保持冷量利用率的平稳。
至此,完成了冷却液流量参数的优化。
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。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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (6)
1.一种数据中心液冷系统参数优化方法,其特征在于,该方法包括以下步骤:
获取每天的所有热负荷值;
将当前时刻采集的热负荷值记为观测点,将每天采集的所有热负荷值构成一条热负荷波动曲线,并利用热负荷波动曲线中的极值将热负荷波动曲线分为若干曲线段;根据两个曲线段中每个数据点的热负荷值和曲线段对应两个极值的大小获取两个曲线段的趋势相似性;
将观测点下一个时刻的点记为预测点,在观测点为预测点时获取观测点的预测热负荷值;根据观测点的预测热负荷值和热负荷值以及观测点上一个时刻数据点的预测热负荷值和热负荷值获取观测点的变化趋势;根据观测点的变化趋势、观测点的预测热负荷值和热负荷值获取预测点的平滑因子;
根据趋势相似性以及热负荷波动曲线中的数据点与距离观测点的距离将数据点重新排序获取观测序列;根据预测点的平滑因子、观测点的热负荷值、观测序列中每个数据点的热负荷值使用EWMA模型对预测点的热负荷值进行预测获取预测点的预测热负荷值;
根据预测热负荷值完成冷却液流量参数的优化;
所述根据两个曲线段中每个数据点的热负荷值和曲线段对应两个极值的大小获取两个曲线段的趋势相似性的方法为:
对于每个曲线段,获取曲线段内所有热负荷值的均值;
令曲线段内的两个极值构成一个二维点,其中横坐标靠前的极值作为二维点的第一个值,横坐标靠后的极值作为二维点的第二个值,每个曲线段对应一个二维点,对于两个曲线段,计算两个二维点的欧氏距离作为两个曲线段的维度距离;
对于每个曲线段,将两个极值点相连构成一条直线,根据极值点的坐标获取直线的斜率作为曲线段的斜率;
根据两条曲线段的维度距离、热负荷值的均值之差以及曲线段斜率之差获取两个曲线段的趋势相似度;
所述根据两条曲线段的维度距离、热负荷值的均值之差以及曲线段斜率之差获取两个曲线段的趋势相似度的方法为:
式中,/>表示第i个曲线段的斜率,/>表示第j个曲线段的斜率,/>表示第i个曲线段中所有热负荷值的均值,/>表示第j个曲线段中所有热负荷值的均值,/>表示第i个曲线段和第j个曲线段的维度距离,/>表示第i个曲线段和第j个曲线段的趋势相似性;
所述根据观测点的变化趋势、观测点的预测热负荷值和热负荷值获取预测点的平滑因子的方法为:
式中,表示的是第c-1个数据点的预测热负荷值,/>表示第c-1个数据点的热负荷值,/>表示第c-2个数据点的热负荷值,/>表示第c-1个数据点的变化趋势,/>表示第c个数据点的平滑因子,所述第c-1个数据点为观测点,第c个数据点为预测点;所述根据预测点的平滑因子、观测点的热负荷值、观测序列中每个数据点的热负荷值使用EWMA模型对预测点的热负荷值进行预测获取预测点的预测热负荷值的方法为:
式中,/>表示第c个数据点的平滑因子, />表示第c-1个数据点的热负荷值, />表示观测序列第k个数据点的热负荷值,/>表示观测序列内数据点的数量,/>表示线性归一化函数,/>表示观测序列第k个数据点,/>表示第c个数据点的预测热负荷值,所述第c-1个数据点为观测点,第c个数据点为预测点。
2.如权利要求1所述的一种数据中心液冷系统参数优化方法,其特征在于,所述获取每天的所有热负荷值的方法为:
在IT设备中安装热负荷传感器获取IT设备的热负荷值,每一天开始重新开始采集,热负荷值每经过预设时间采集一次,将每天的0点开始重新采集热负荷值,到第二天的0点停止采集,之后将一天采集的热负荷值单独保存,之后继续重新采集热负荷值。
3.如权利要求1所述的一种数据中心液冷系统参数优化方法,其特征在于,所述将每天采集的所有热负荷值构成一条热负荷波动曲线,并利用热负荷波动曲线中的极值将热负荷波动曲线分为若干曲线段的方法为:
对于每天采集的热负荷值,令热负荷值为纵坐标,时间为横坐标构成一条热负荷波动曲线;对与热负荷波动曲线计算极值,将相邻两个极值之间的所有热负荷值构成一个曲线段,将热负荷值的第一个数据点和第一个极值点作为一个曲线段,最后一个极值点和当前时间点对应的数据点构成一个曲线段。
4.如权利要求1所述的一种数据中心液冷系统参数优化方法,其特征在于,所述根据观测点的预测热负荷值和热负荷值以及观测点上一个时刻数据点的预测热负荷值和热负荷值获取观测点的变化趋势的方法为:
将观测点上个时刻的点记为历史点,将观测点的预测热负荷值与历史点的预测热负荷值作差获取第一差值,将观测点的热负荷值与历史点的热负荷值作差获取第二差值,将第一差值和第二差值的乘积记为第一乘积;
若第一乘积大于等于零,观测点的变化趋势为正方向记为1;
若第一乘积小于零,观测点的变化趋势为负方向记为-1。
5.如权利要求1所述的一种数据中心液冷系统参数优化方法,其特征在于,所述根据趋势相似性以及热负荷波动曲线中的数据点与距离观测点的距离将数据点重新排序获取观测序列的方法为:
将热负荷波动曲线中观测点所在的曲线段记为观测曲线段,将热负荷波动曲线中与观测曲线段相同趋势的曲线段提取出来记为趋势曲线段;所述相同趋势是指曲线段的斜率正负号相同;
将每个趋势曲线段中的数据点按照距离观测点的横坐标距离从小到大排序,对于不同的趋势曲线段按照与观测曲线段的趋势相似性从大到小排序,将排序后的数据点构成的序列记为观测序列。
6.如权利要求1所述的一种数据中心液冷系统参数优化方法,其特征在于,所述根据预测热负荷值完成冷却液流量参数的优化的方法为:
若预测点的预测热负荷值大于观测点的热负荷值,增大冷却液的流量参数;
若预测点的预测热负荷值小于观测点的热负荷值,减小冷却液的流量参数;
若预测点的预测热负荷值等于观测点的热负荷值,冷却液的流量参数不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311545656.7A CN117250873B (zh) | 2023-11-20 | 2023-11-20 | 一种数据中心液冷系统参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311545656.7A CN117250873B (zh) | 2023-11-20 | 2023-11-20 | 一种数据中心液冷系统参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117250873A CN117250873A (zh) | 2023-12-19 |
CN117250873B true CN117250873B (zh) | 2024-02-02 |
Family
ID=89126915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311545656.7A Active CN117250873B (zh) | 2023-11-20 | 2023-11-20 | 一种数据中心液冷系统参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117250873B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108601314A (zh) * | 2018-07-09 | 2018-09-28 | 郑州云海信息技术有限公司 | 一种液冷系统及流量调节方法 |
CN115577454A (zh) * | 2022-10-25 | 2023-01-06 | 上海普法芬电子科技有限公司 | 电动车热管理系统虚拟标定方法及系统 |
CN115774929A (zh) * | 2022-11-23 | 2023-03-10 | 江苏大学 | 一种考虑节能和电池寿命的电动汽车热管理控制系统及方法 |
CN116638914A (zh) * | 2023-05-24 | 2023-08-25 | 重庆大学 | 基于td3算法的多控制器协同控制整车热管理控制方法 |
-
2023
- 2023-11-20 CN CN202311545656.7A patent/CN117250873B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108601314A (zh) * | 2018-07-09 | 2018-09-28 | 郑州云海信息技术有限公司 | 一种液冷系统及流量调节方法 |
CN115577454A (zh) * | 2022-10-25 | 2023-01-06 | 上海普法芬电子科技有限公司 | 电动车热管理系统虚拟标定方法及系统 |
CN115774929A (zh) * | 2022-11-23 | 2023-03-10 | 江苏大学 | 一种考虑节能和电池寿命的电动汽车热管理控制系统及方法 |
CN116638914A (zh) * | 2023-05-24 | 2023-08-25 | 重庆大学 | 基于td3算法的多控制器协同控制整车热管理控制方法 |
Non-Patent Citations (6)
Title |
---|
Optimization of microchannel heat sink with rhombus fractallink units for electronic chip cooling;ZHUANG D W 等;International Journal of Refrigeration(第116期);108-118 * |
乘用车发动机电控冷却系统控制策略;刘震涛 等;浙江大学学报(工学版);第47卷(第11期);1976-1982 * |
动力电池冷却系统流量分配特性研究;王普浩;李立涛;蔺强;张晓光;毛梦娜;吕海峰;;液压气动与密封(第03期);62-68 * |
数据中心服务器间接液冷散热系统设计及经济运行研究;余道广;中国优秀硕士学位论文全文数据库信息科技辑(第12期);I137-8 * |
数据中心高效液冷技术研究现状;包云皓 等;制冷与空调;第23卷(第10期);58-69 * |
英国里十多等公司对发动机热负荷的研究情况;康展权;;世界汽车(第03期);17-27 * |
Also Published As
Publication number | Publication date |
---|---|
CN117250873A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110410942B (zh) | 一种冷热源机房节能优化控制方法及系统 | |
CN110392515B (zh) | 一种基于历史数据的冷热源机房节能控制方法及系统 | |
CN104019520B (zh) | 基于spsa的制冷系统最小能耗的数据驱动控制方法 | |
CN109028446A (zh) | 一种基于设备全工况性能模型的制冷机房控制方法 | |
CN111601491B (zh) | 数据中心机房精密空调变风量节能靶向调控方法及系统 | |
CN115682357B (zh) | 一种以逼近度为中心的冷却水寻优方法及独立控制系统 | |
CN107401806A (zh) | 中央空调冷冻站内主机及冷冻泵综合能效提升控制方法 | |
CN113701321B (zh) | 一种中央空调水泵节能变频控制方法 | |
CN114154677A (zh) | 空调运行负荷模型构建和预测方法、装置、设备和介质 | |
CN112855513A (zh) | 基于遗传算法的空压机集群控制系统能耗优化方法及系统和装置 | |
CN109028447A (zh) | 一种基于云计算的空调制冷机房智能控制系统以及控制方法 | |
CN110486896B (zh) | 一种基于冷水机组能耗模型的串级空调系统优化控制方法 | |
CN115049141A (zh) | 用于制冷系统的控制方法、控制装置和制冷系统 | |
CN115930369A (zh) | 一种基于智能化控制的中央空调系统节能方法 | |
CN117250873B (zh) | 一种数据中心液冷系统参数优化方法 | |
Deng et al. | Optimal control of chilled water system with ensemble learning and cloud edge terminal implementation | |
CN114980666B (zh) | 一种数据中心液冷散热系统的控制方法及其系统 | |
CN114857687B (zh) | 水冷式中央空调冷却水系统的控制系统及方法 | |
CN115903712A (zh) | 适用于工业制冷系统的节能优化方法及其优化控制系统 | |
CN111043720B (zh) | 负荷不确定性下制冷系统低成本鲁棒性调适策略制定方法 | |
CN116993062A (zh) | 一种水蓄冷空调系统的两阶段优化调度方法 | |
CN114206071A (zh) | 基于双曲线冷却塔的数据中心冷却系统 | |
CN112432269A (zh) | 一种制冷机房冷冻水泵压差设定值优化的方法和系统 | |
CN116481150B (zh) | 基于端云协同的高效空调机房系统能效优化控制方法 | |
CN117200408B (zh) | 一种用于变频柜的能源动态储放节能控制方法及系统 |
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 |