CN117413147A - 精密空调的动态预测控制方法、装置和系统 - Google Patents
精密空调的动态预测控制方法、装置和系统 Download PDFInfo
- Publication number
- CN117413147A CN117413147A CN202180098830.0A CN202180098830A CN117413147A CN 117413147 A CN117413147 A CN 117413147A CN 202180098830 A CN202180098830 A CN 202180098830A CN 117413147 A CN117413147 A CN 117413147A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- dynamic
- model
- application scene
- simulation
- 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 32
- 238000004088 simulation Methods 0.000 claims abstract description 111
- 230000003068 static effect Effects 0.000 claims abstract description 34
- 230000008859 change Effects 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 239000012530 fluid Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 14
- 238000005057 refrigeration Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000004378 air conditioning Methods 0.000 description 10
- 238000010438 heat treatment Methods 0.000 description 10
- 239000003795 chemical substances by application Substances 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- 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
Abstract
本发明提供了精密空调的动态预测控制方法、装置和系统，其中，包括如下步骤：S1，根据所述精密空调所在应用场景的硬件配置和布局的静态信息基于仿真模板生成三维仿真模型；S2，基于所述三维仿真模型对应所述精密空调的动态参数执行仿真，并采用机器学习建立动态参数和仿真结果的对应关系以生成代理模型；S3，基于所述代理模型和所述精密空调的实时动态数据对所述应用场景的温度分布和变化进行预测。本发明提供的精密空调的动态预测控制机制填补了硬件和数据中心管理软件之间动态监控和优化系统的空白，例如能量管理和任务调度，使得操作员可以更清楚地理解和控制精密空调运行以满足数据中心的动态热管理需求。
Description
本发明涉及精密空调领域，尤其涉及一种精密空调的动态预测控制方法、装置和系统。
在数据中心中，热量和能量的管理在减少性能使用效率(PUE，performance usage effectiveness)方面和保护IT设备顺利运行方面至关重要。其中，IT设备包括服务器机架、刀片式服务器等。HAVC系统特别是计算机房空调设备(CRAC，Computer Room Air Conditioner)单元占用了除了IT设备以外的大部分能量损耗。由于冷却需求降低，数据中心内部平均1摄氏度的温度升高能导致4％～5％的能量节省。因此，动态分析热力工况对于改善数据中心以及其他智能基础设施的能量的能量性能来说很有潜力，并且能够降低运行成本。
如今，市场上大部分解决方案来自硬件端，例如，通过升级CRAR单元的升级，通风系统的重新设计，服务器机架的物理附件或者用其他介质来更换空气冷却系统。从软件方案的方面，一些数据中心管理系统提供了工作分配功能来调整服务器负载，以减少热能产生和节约能量。然而，这些方法缺少整体热量分布的配合，并仅仅依赖于经验计算。最近，利用CFD软件的仿真获取其动能来提供数据中心热能表现得细节，但其应用主要限制在设计阶段。例如，在任何实际变化发生之前，一些公司尝试利用CFD软件6SigmaDC为其自身数据中心测试和验证充当虚拟测试平台。一些公司也为其自己的软件提供了数据中心基础设施管理(DCIM，Data Center Infrastructure Management)开发工具包，其能为复杂能量和热量管理挑战带来额外能力。在这种情况下，一个热量和能量管理得动态预测和优化工具/系统能帮助在硬件和软件方案之间提供桥梁。
发明内容
本发明第一方面提供了精密空调的动态预测控制方法，其中，包括如下步骤：S1，根据所述精密空调所在应用场景的硬件配置和布局和布局的静态信息基于仿真模板生成三维仿真模型，其中，所述三维仿真模型和所述应用场景的硬件配置和布局的静态模型相互对应；S2，基于所述三维仿真模型对应所述精密空调的动态参数执行仿真，并采用机器学习建立动态参数和仿真结果的对应关系以生成代理模型；S3，基于所述代理模型和所述精密空调的实时动态数据对所述应用场景的温度分布和变化进行预测。
进一步地，所述精密空调的动态预测控制方法还包括如下步骤：基于所述三维仿真模型和/或所述代理模型针对至少一个所述精密空调的控制参数进行迭代优化，其中，所述控制参数包括空调开启数量、送风温度和流量。
进一步地，所述精密空调的动态预测控制方法还包括如下步骤：根据所述应用场景的硬件配置的负载计划及其功率曲线对该应用场景的空间温度需求和一个第一预定阈值进行比较，如判断所述精密空调制冷不足或者制冷过度则调整所述精密空调的运行参数或者调整所述应用场景的负载计划。
进一步地，所述精密空调的动态预测控制方法还包括如下步骤：将所述应用场景的硬件配置的物理传感器的实际值和所述仿真模型的预测值进行对比，如果所述实际值和预测值的偏差超过一个第二预定阈值则调整静态参数并基于所述静态参数的变化生成参数模型并利用计算流体力学的仿真器执行预测。
进一步地，所述三维仿真模型是基于计算流体力学的，其对三维空间内的流体流动过程中产生的质量、能量、动量传递进行数值模拟和计算，并以云图或线图的方式将所述应用场景空间中流体的温度、压力、速度的计算结果进行图像化呈现。
本发明第二方面提供了精密空调的动态预测控制系统，包括：处理器；以及与所述处理器耦合的存储器，所述存储器具有存储于其中的指令，所述指令在被处理器执行时使所述精密空调的动态预测控制系统执行动作，所述动作包括：S1，根据所述精密空调所在应用场景的硬件配置和布局和布局的静态信息基于仿真模板生成三维仿真模型，其中，所述三维仿真模型和所述应用场景的硬件配置和布局的静态模型相互对应；S2，基于所述三维仿真模型对应所述精密空调的动态参数执行仿真，并采用机器学习建立动态参数和仿真结果的对应关系以生成代理模型；S3，基于所述代理模型和所述精密空 调的实时动态数据对所述应用场景的温度分布和变化进行预测。
进一步地，所述精密空调的动态预测控制系统还包括如下步骤：基于所述三维仿真模型和/或所述代理模型针对至少一个所述精密空调的控制参数进行迭代优化，其中，所述控制参数包括空调开启数量、送风温度和流量。
进一步地，所述动作包括根据所述应用场景的硬件配置的负载计划及其功率曲线对该应用场景的空间温度需求和一个第一预定阈值进行比较，如判断所述精密空调制冷不足或者制冷过度则调整所述精密空调的运行参数或者调整所述应用场景的负载计划。
进一步地，所述动作包括：将所述应用场景的硬件配置的物理传感器的实际值和所述仿真模型的预测值进行对比，如果所述实际值和预测值的偏差超过一个第二预定阈值则调整静态参数并基于所述静态参数的变化生成参数模型并利用计算流体力学的仿真器执行预测。
进一步地，所述三维仿真模型是基于计算流体力学的，其对三维空间内的流体流动过程中产生的质量、能量、动量传递进行数值模拟和计算，并以云图或线图的方式将所述应用场景空间中流体的温度、压力、速度的计算结果进行图像化呈现。
本发明第三方面提供了精密空调的动态预测控制装置，其中，包括：生成装置，根据所述精密空调所在应用场景的硬件配置和布局和布局的静态信息基于仿真模板生成三维仿真模型，其中，所述三维仿真模型和所述应用场景的硬件配置和布局的静态模型相互对应；仿真装置，基于所述三维仿真模型对应所述精密空调的动态参数执行仿真，并采用机器学习建立动态参数和仿真结果的对应关系以生成代理模型；预测装置，基于所述代理模型和所述精密空调的实时动态数据对所述应用场景的温度分布和变化进行预测。
本发明第四方面提供了计算机程序产品，所述计算机程序产品被有形地存储在计算机可读介质上并且包括计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行根据本发明第一方面所述的方法。
本发明第五方面提供了计算机可读介质，其上存储有计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行根据本发明第一方面任一项所述的方法。
本发明提供的精密空调的动态预测控制机制填补了硬件和数据中心管理软件之间动态监控和优化系统的空白，例如能量管理和任务调度，使得操作 员可以更清楚地理解和控制精密空调运行的热量表现。其中，基于物理仿真器得优化特征有助于减少供电侧的非必要能量损耗，并且不会影响到IT设备的日常工作条件或者要求过多数量的物理传感器。此外，不规则探测模块能够提供潜在系统故障的早期预警，以避免不必要的停机时间。
图1是根据本发明一个具体实施例的精密空调的动态预测控制系统的结构示意图；
图2是根据本发明一个具体实施例的精密空调的动态预测控制系统的仿真器的原理示意图；
图3是根据本发明一个具体实施例的精密空调的动态预测控制系统的仿真器的不同负载情况下不同数据中心机柜送风温度对机柜出风温度的影响。
以下结合附图，对本发明的具体实施方式进行说明。
本发明提供了精密空调的动态预测控制机制，本发明基于数字双胞胎提供了精密空调应用场景的热管理的动态预测和优化系统，其利用几个数据源来对应用场景的硬件配置和布局的热力性能建模。如图1所示，精密空调CRAC的动态预测控制系统包括监控预测装置100、优化装置200、异常探测装置300、仿真器400、数据库500。其中，仿真器400能被上述监控预测装置100、优化装置200、异常探测装置300的其中任一个调用并为进一步分析返回预测性能数据。南向接口600连接有现场数据和其他外部系统，并且同时提供当前操作的状态和推荐以进行调整或者执行外部应用。其中，示例性地，所述现场数据包括来自精密空调应用场景的传感器和DDC控制，所述其他外部系统包括例如应用场景的管理系统，其他外部应用包括作业调度程序。此外，精密空调的动态预测控制系统还包括外部接口P
2、传感器S、数据中心管理工具IT和软件接口P
1。
其中，数据库500保存了监控预测装置100、优化装置200、异常探测装置300所需的系统配置、运行状态和参数以及预定预测或者特别分析的输出。其中，系统配置包括数据中心服务器和通风系统布局参数、IT设备ID和功率容量、精密空调单元ID和功率容量、能量计费等。运行状态包括传感器度数、 单个服务器负载百分比、精密空调单元的主要定位点等。输出数据包括虚拟温度分布和预测能量需求等。
其中，监控预测装置100执行一个特定间隔时间从数据库500来的数据提取，例如15到30分钟。应当考虑每两组数据以执行一个预测，动态数据描述了精密空调目标应用场景的集合信息，即运行状态的动态数据。仿真器400以XML文件的形式来存储收集到的数据。仿真引擎利用任一CFD模型，例如Flotherm模型或者代理模型(surrogate model)会考虑到应用场景关键位置目前的运行状态和温度信息预测温度分布，其会用虚拟传感器展示，促成运行器来确定潜在热点(hot spots)和评估现有运行设置。仿真策略的选择是基于经验代理模型的准确度和可用性的。当连接于一个作业调度系统时，上述模块也能为即将到来的事件预测，以及如果当前运行设置不能够满足预期温度需求时对需求端的操作发出早期预警。
此外图形用户界面GUI是用户和本发明提供的精密空调的动态预测控制的用户界面。
优化装置200提供运行或者外部应用从供应端来的推荐，例如定义优化设置点。考虑到能量成本/损耗的最小化目标和约束，例如最大服务器入口数据中心服务器温度，上述模块会调用优化器来在一个特定范围内产生一系列操作参数，仿真器会测试和执行相应预测，优化器利用这些预测进一步提炼和推荐优化组合。例如，如果应用场景中具有多个精密空调单元，则优化模块200能有助于决定优化开启/关断计划表并同时保持应用场景的硬件配置和布局的温度于一个安全范围。在另外的情况下，考虑到特定温度需求或者实际任务负载，优化器会推荐一个增加或者减少的设置点。如果接下来的下一个任务是明确的，例如从作业调度器系统来的下一个任务，优化器会帮助寻找优化任务路径和调度，并且同时考虑到成本和时限。
异常探测装置300会比较数据库500中的物理传感器的存入数据和虚拟传感器的读取数据。一致的偏差会指示一个传感器或者IT设备的故障，在这种情况下运作和维持应该被注意到以确保应用场景硬件配置和布局的安全性和顺利运行。
本发明第一方面提供了精密空调的动态预测控制方法，其中，包括如下步骤：
首先执行步骤S1，根据所述精密空调所在应用场景的硬件配置和布局的 静态信息基于仿真模板生成三维仿真模型，其中，所述三维仿真模型和所述应用场景的硬件配置和布局的静态模型相互对应。
在本实施例中，假设所述精密空调的应用场景为数据中心，目标数据中心有多台机柜，每台机柜上放置有多个服务器，数据中信还具有有单独的数据中心管理系统(DCIM)。为保障数据中心服务器的正常运行，配备精密空调(CRAC)三个，其采用穿孔地板送风的形式进行空间降温，送风温度为15-22度，如果依靠完全物理温度传感器的反馈执行精密空调的控制，则会存在机房温控的及时性和精确性较低，电源使用效率(PUE)和空调能耗过高等问题。因此，根据数据库500中的静态数据，结合软件预设参数化仿真模板，快速生成改数据中信的三维仿真模型，该仿真模型需和物理模型相互对应，例如，数据中心的机柜、空调数量以及上述硬件位置都应当和三维仿真模型中一一对应。
优选地，所述三维仿真模型是基于计算流体力学的三维仿真模型，其采用计算机对三维空间内的流体流动过程中产生的质量、能量、动量传递进行数值模拟和计算，并以云图或线图的方式将如温度、压力、速度等计算结果进行图像化呈现。其中，所述图像化呈现可选地是在监控预测装置100中。
具体地，所述三维仿真模型是几何模型，其在本实施例中包括数据中心机房模型及布局，机柜模型及布局，精密空调设备模型等，上述模型以及布局可以从第三方软件导入。三维仿真模型的模拟和计算需要引入边界条件，所述边界条件包括环境温度、表面材料传热系数、服务器发热功率、进风温度速度等，以对应要预测或仿真的工况。其中，所述求解器可以采用通用软件，其在现有技术中有成熟的支持，为简明起见不再赘述。
其中，所述静态信息是系统配置信息，例如，在本实施例中所述静态信息包括数据中心的机柜数量、位置、朝向等信息，各服务器编号及对应功率曲线，通风布局、穿孔地板布局及开度、空调设备编号，功率曲线，最大制冷量等。
然后执行步骤S2，仿真器400基于所述三维仿真模型对应所述精密空调的动态参数执行仿真，并采用机器学习建立动态参数和仿真结果的对应关系以生成代理模型。
接着执行步骤S3，基于所述代理模型和所述精密空调的实时动态数据对所述应用场景的温度分布和变化进行预测。
具体地，基于建立的三维仿真模型，引入不同动态参数对应的不同的精密空调及其应用场景的工况执行多次仿真，仿真结果包括温度、压力、速度等存储在数据库中，然后采用机器学习的方式建立动态参数和仿真结果的对应关系，生成代理模型(surrogate model)。其中，仿真结果就是虚拟传感器的值。代理模型是基于查表或者对应关系。
具体地，如图2所示，监控预测装置100输入的数据包括每隔特定时间采集的运行状态A和作业进度B，其中，运行状态A和作业进度B都是动态数据。监控预测装置100输出动态数据和实时数据给仿真器400。具体地，在本实施例中，仿真器400的动态参数包括应用场景动态参数E和精密空调动态参数F，其中，场景动态参数E包括空间温度、空调位置、空间布局，热传导系数等隔热材料的性能。在本实施例中，空间布局是数据中心的座位、空调位置、通风系统位置数量等。精密空调动态参数F包括空调的关键设定参数和风量，温度、湿度等物理传感器读书，硬件的发热量和负载。其中，在本实施例中温度传感器和湿度传感器示例性地放在数据中心的机柜上，硬件的发热量和负载是指数据中心的服务器发热量和负载。
仿真器400以XML文件的形式来存储收集到的上述数据，然后基于选择器420所选择的仿真策略执行仿真，
经验模型(empirical models)或者高保真CFD工具(high-fidelity CFD tools)都能够被应用为仿真引擎来适应实际操作需求或者前端应用的不同的准确和速度，例如FloTherm。CFD工具是计算流体力学的仿真软件，将上述参数以参数模型M1的方式输入三维模型，输出是空间的三维温度分布空间流场。其中，空间流场是空气流动的方向速度，空间流线是空气的流动轨迹。然后计算器410基于CFD工具输出的空间的三维温度分布空间流场以及代理模型M2执行计算，并输出预测信息给监控预测装置100。然后监控预测装置100将虚拟传感器的读数C和报警信息D发送给客户。
其中，代理模型M2是根据高精度仿真模型回归出来一个快速响应模型，例如基于流体力学建模。仿真模型有一定数据量以后，会有一个快速代理模型，对实时变化进行及时响应。参数模型M1基于仿真模板根据上述参数进行的快速建模。
进一步地，如图1所示，所述精密空调的动态预测控制方法还包括如下步骤：优化装置200基于所述三维仿真模型和/或所述代理模型针对至少一个 所述精密空调的控制参数进行迭代优化，其中，所述控制参数包括空调开启数量、送风温度和流量。根据本发明一个优选实施例，根据预测结果调整关键的控制点，例如送风温度，空调出入口，空调启停等，然后根据检测和预测对比，如果预测值和实际值有偏离则报警预测温度过高，提示在特定时间内有温度过高建议操作。优化模块100可以先执行精密空调的度数和配置，用户目标和限制，比如为了保证数据中心机柜的温度范围空调设备的最大功率和排风设备最大流量，然后根据未来数据中心的负载计划进行预测，通过可以调的参数执行仿真验证，以确定是否满足优化需求，进一步调整精密空调能耗控制的策略等。比如，在实际应用中，机柜例如90％负载和50％的发热量是不一样的。
进一步地，所述精密空调的动态预测控制方法还包括如下步骤：根据所述应用场景的硬件配置的负载计划及其功率曲线对该应用场景的空间温度需求和一个第一预定阈值进行比较，如判断所述精密空调制冷不足或者制冷过度则调整所述精密空调的运行参数或者调整所述应用场景的负载计划。
进一步地，如图2所示，选择器420选择不同的仿真策略，当代理模型稳定时，则基于所述代理模型和所述精密空调的实时动态数据对所述应用场景的温度分布和变化进行预测。如果代理模型并不稳定，则将所述应用场景的硬件配置的物理传感器的实际值和所述仿真模型的预测值进行对比，如果所述实际值和预测值的偏差超过一个第二预定阈值则选择器420选择不同的仿真策略，调整静态参数并基于所述静态参数的变化生成参数模型并利用计算流体力学的仿真器执行预测。
如图3所示，横坐标是数据中心的机柜进风温度，竖坐标是数据中心的机柜出风温度，不同的柱状图对应着不同的数据中心的机柜发热功率。图3说明了在不同负载情况下不同通道送风温度对机柜出风温度的影响，其中，机柜的发热功率对应着负载不同，其中机柜的发热功率可以和负载有正对应关系，即负载越大机柜的发热功率越大。数据中心的机柜进风温度和机柜送风温度也是正相关关系，即机柜进风温度越高机柜送风温度也越大。其中，示例性地，不同柱状图对应机柜发热功率分别为1000W、2000W、3000W、4000W和5000W。图3可以大概得出在一定的负载下为了控制机柜出风温度，能够设定机柜进风温度的最大范围。如图3所示，在机柜进风温度在17度、22度和27度左右机柜的出风温度的范围也在上升。比如，对比发热功率 1000W的情况下，不同的机柜进风温度17度、22度和27度对应不同的出风温度大概分别在17.5度、22.5度和27度。因此如果有机柜出风温度的阈值，就可以看到大概机柜进风温度可以满足的大概范围，相应的最大的机柜进风温度就是推荐的通道送风温度。
本发明第二方面提供了精密空调的动态预测控制系统，包括：处理器；以及与所述处理器耦合的存储器，所述存储器具有存储于其中的指令，所述指令在被处理器执行时使所述精密空调的动态预测控制系统执行动作，所述动作包括：S1，根据所述精密空调所在应用场景的硬件配置和布局和布局的静态信息基于仿真模板生成三维仿真模型，其中，所述三维仿真模型和所述应用场景的硬件配置和布局的静态模型相互对应；S2，基于所述三维仿真模型对应所述精密空调的动态参数执行仿真，并采用机器学习建立动态参数和仿真结果的对应关系以生成代理模型；S3，基于所述代理模型和所述精密空调的实时动态数据对所述应用场景的温度分布和变化进行预测。
进一步地，所述精密空调的动态预测控制系统还包括如下步骤：基于所述三维仿真模型和/或所述代理模型针对至少一个所述精密空调的控制参数进行迭代优化，其中，所述控制参数包括空调开启数量、送风温度和流量。
进一步地，所述动作包括根据所述应用场景的硬件配置的负载计划及其功率曲线对该应用场景的空间温度需求和一个第一预定阈值进行比较，如判断所述精密空调制冷不足或者制冷过度则调整所述精密空调的运行参数或者调整所述应用场景的负载计划。
进一步地，所述动作包括：将所述应用场景的硬件配置的物理传感器的实际值和所述仿真模型的预测值进行对比，如果所述实际值和预测值的偏差超过一个第二预定阈值则调整静态参数并基于所述静态参数的变化生成参数模型并利用计算流体力学的仿真器执行预测。
进一步地，所述三维仿真模型是基于计算流体力学的，其对三维空间内的流体流动过程中产生的质量、能量、动量传递进行数值模拟和计算，并以云图或线图的方式将所述应用场景空间中流体的温度、压力、速度的计算结果进行图像化呈现。
本发明第三方面提供了精密空调的动态预测控制装置，其中，包括：生成装置，根据所述精密空调所在应用场景的硬件配置和布局和布局的静态信息基于仿真模板生成三维仿真模型，其中，所述三维仿真模型和所述应用场 景的硬件配置和布局的静态模型相互对应；仿真装置，基于所述三维仿真模型对应所述精密空调的动态参数执行仿真，并采用机器学习建立动态参数和仿真结果的对应关系以生成代理模型；预测装置，基于所述代理模型和所述精密空调的实时动态数据对所述应用场景的温度分布和变化进行预测。
本发明第四方面提供了计算机程序产品，所述计算机程序产品被有形地存储在计算机可读介质上并且包括计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行根据本发明第一方面所述的方法。
本发明第五方面提供了计算机可读介质，其上存储有计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行根据本发明第一方面任一项所述的方法。
本发明提供的精密空调的动态预测控制机制填补了硬件和数据中心管理软件之间动态监控和优化系统的空白，例如能量管理和任务调度，使得操作员可以更清楚地理解和控制精密空调运行以满足数据中心的动态热管理需求。其中，基于物理仿真器得优化特征有助于减少供电侧的非必要能量损耗，并且不会影响到IT设备的日常工作条件或者要求过多数量的物理传感器。此外，不规则探测模块能够提供潜在系统故障的早期预警，以避免不必要的停机时间。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。此外，不应将权利要求中的任何附图标记视为限制所涉及的权利要求；“包括”一词不排除其它权利要求或说明书中未列出的装置或步骤；“第一”、“第二”等词语仅用来表示名称，而并不表示任何特定的顺序。
Claims (13)
- 精密空调的动态预测控制方法，其中，包括如下步骤：S1，根据所述精密空调所在应用场景的硬件配置和布局的静态信息基于仿真模板生成三维仿真模型，其中，所述三维仿真模型和所述应用场景的硬件配置和布局的静态模型相互对应；S2，基于所述三维仿真模型对应所述精密空调的动态参数执行仿真，并采用机器学习建立动态参数和仿真结果的对应关系以生成代理模型；S3，基于所述代理模型和所述精密空调的实时动态数据对所述应用场景的温度分布和变化进行预测。
- 根据权利要求1所述的精密空调的动态预测控制方法，其特征在于，所述精密空调的动态预测控制方法还包括如下步骤：基于所述三维仿真模型和/或所述代理模型针对至少一个所述精密空调的控制参数进行迭代优化，其中，所述控制参数包括空调开启数量、送风温度和流量。
- 根据权利要求1所述的精密空调的动态预测控制方法，其特征在于，所述精密空调的动态预测控制方法还包括如下步骤：根据所述应用场景的硬件配置的负载计划及其功率曲线对该应用场景的空间温度需求和一个第一预定阈值进行比较，如判断所述精密空调制冷不足或者制冷过度则调整所述精密空调的运行参数或者调整所述应用场景的负载计划。
- 根据权利要求1所述的精密空调的动态预测控制方法，其特征在于，所述精密空调的动态预测控制方法还包括如下步骤：将所述应用场景的硬件配置的物理传感器的实际值和所述仿真模型的预测值进行对比，如果所述实际值和预测值的偏差超过一个第二预定阈值则调整静态参数并基于所述静态参数的变化生成参数模型并利用计算流体力学的仿真器执行预测。
- 根据权利要求1所述的精密空调的动态预测控制方法，其特征在于，所述三维仿真模型是基于计算流体力学的，其对三维空间内的流体流动过程中产生的质量、能量、动量传递进行数值模拟和计算，并以云图或线图的方式将所述应用场景空间中流体的温度、压力、速度的计算结果进行图像化呈现。
- 精密空调的动态预测控制系统，包括：处理器；以及与所述处理器耦合的存储器，所述存储器具有存储于其中的指令，所述指令在被处理器执行时使所述精密空调的动态预测控制系统执行动作，所述动作包括：S1，根据所述精密空调所在应用场景的硬件配置和布局和布局的静态信息基于仿真模板生成三维仿真模型，其中，所述三维仿真模型和所述应用场景的硬件配置和布局的静态模型相互对应；S2，基于所述三维仿真模型对应所述精密空调的动态参数执行仿真，并采用机器学习建立动态参数和仿真结果的对应关系以生成代理模型；S3，基于所述代理模型和所述精密空调的实时动态数据对所述应用场景的温度分布和变化进行预测。
- 根据权利要求1所述的精密空调的动态预测控制系统，其特征在于，所述精密空调的动态预测控制系统还包括如下步骤：基于所述三维仿真模型和/或所述代理模型针对至少一个所述精密空调的控制参数进行迭代优化，其中，所述控制参数包括空调开启数量、送风温度和流量。
- 根据权利要求1所述的精密空调的动态预测控制系统，其特征在于，所述动作包括根据所述应用场景的硬件配置的负载计划及其功率曲线对该应用场景的空间温度需求和一个第一预定阈值进行比较，如判断所述精密空调制冷不足或者制冷过度则调整所述精密空调的运行参数或者调整所述应用场景的负载计划。
- 根据权利要求1所述的精密空调的动态预测控制系统，其特征在于，所述动作包括：将所述应用场景的硬件配置的物理传感器的实际值和所述仿真模型的预测值进行对比，如果所述实际值和预测值的偏差超过一个第二预定阈值则调整静态参数并基于所述静态参数的变化生成参数模型并利用计算流体力学的仿真器执行预测。
- 根据权利要求1所述的精密空调的动态预测控制系统，其特征在于，所述三维仿真模型是基于计算流体力学的，其对三维空间内的流体流动过程中产生的质量、能量、动量传递进行数值模拟和计算，并以云图或线图的方 式将所述应用场景空间中流体的温度、压力、速度的计算结果进行图像化呈现。
- 精密空调的动态预测控制装置，其中，包括：生成装置，根据所述精密空调所在应用场景的硬件配置和布局和布局的静态信息基于仿真模板生成三维仿真模型，其中，所述三维仿真模型和所述应用场景的硬件配置和布局的静态模型相互对应；仿真装置，基于所述三维仿真模型对应所述精密空调的动态参数执行仿真，并采用机器学习建立动态参数和仿真结果的对应关系以生成代理模型；预测装置，基于所述代理模型和所述精密空调的实时动态数据对所述应用场景的温度分布和变化进行预测。
- 计算机程序产品，所述计算机程序产品被有形地存储在计算机可读介质上并且包括计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行根据权利要求1至5中任一项所述的方法。
- 计算机可读介质，其上存储有计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行根据权利要求1至5中任一项所述的方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2021/111276 WO2023010556A1 (zh) | 2021-08-06 | 2021-08-06 | 精密空调的动态预测控制方法、装置和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117413147A true CN117413147A (zh) | 2024-01-16 |
Family
ID=85153999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180098830.0A Pending CN117413147A (zh) | 2021-08-06 | 2021-08-06 | 精密空调的动态预测控制方法、装置和系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN117413147A (zh) |
| WO (1) | WO2023010556A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116382377B (zh) * | 2023-05-12 | 2023-10-24 | 安徽中科新源半导体科技有限公司 | 一种用于基站机柜温控的多联机控制方法及系统 |
| CN117171914B (zh) * | 2023-09-05 | 2024-03-12 | 三河市皓智精密机械制造有限公司 | 一种高精密主轴性能测试方法及系统 |
| CN116989432B (zh) * | 2023-09-27 | 2024-01-16 | 深圳市美兆环境股份有限公司 | 一种空调系统节能运行优化调度方法及系统 |
| CN117241561B (zh) * | 2023-10-13 | 2024-02-09 | 北京科技大学 | 一种数据中心分布式精密空调机组优化运行参数估计方法 |
| CN117154301B (zh) * | 2023-10-27 | 2024-03-12 | 内蒙古中电储能技术有限公司 | 一种用于储能电池组的风冷散热控制方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109341010B (zh) * | 2018-09-19 | 2021-04-30 | 新智能源系统控制有限责任公司 | 一种电制冷机空调系统用供能一体化的控制方法和装置 |
| CN110726218B (zh) * | 2019-10-29 | 2020-08-11 | 珠海格力电器股份有限公司 | 空调器及其控制方法、装置、存储介质和处理器 |
| CN110736228B (zh) * | 2019-10-29 | 2020-11-27 | 珠海格力电器股份有限公司 | 空调设备的控制方法、装置、存储介质及空调系统 |
| CN110736244B (zh) * | 2019-10-29 | 2020-10-20 | 珠海格力电器股份有限公司 | 控制空调的方法、装置和空调 |
-
2021
- 2021-08-06 WO PCT/CN2021/111276 patent/WO2023010556A1/zh active Application Filing
- 2021-08-06 CN CN202180098830.0A patent/CN117413147A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023010556A1 (zh) | 2023-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117413147A (zh) | 精密空调的动态预测控制方法、装置和系统 | |
| US8155793B2 (en) | System and method for controlling air conditioning facilities, and system and method for power management of computer room | |
| CN109800066B (zh) | 一种数据中心节能调度方法及系统 | |
| JP5511698B2 (ja) | 空調機連係制御システム、空調機連係制御方法および空調機連係制御プログラム | |
| CN103155734B (zh) | 用于预测数据中心瞬态冷却性能的系统和方法 | |
| Tang et al. | Sensor-based fast thermal evaluation model for energy efficient high-performance datacenters | |
| US10180261B1 (en) | Model based cooling control system | |
| US11773859B2 (en) | Method for optimizing the efficiency and/or the running performance of a fan or a fan arrangement | |
| US8996193B2 (en) | Computer room cooling control | |
| EP2109028A2 (en) | Operations management methods and devices in information processing systems | |
| US20130191676A1 (en) | Operation management method of information processing system | |
| US20150032285A1 (en) | Cooling System Management | |
| Fang et al. | A neural-network enhanced modeling method for real-time evaluation of the temperature distribution in a data center | |
| Berezovskaya et al. | Modular model of a data centre as a tool for improving its energy efficiency | |
| Li et al. | Data center power minimization with placement optimization of liquid-cooled servers and free air cooling | |
| US20140238656A1 (en) | Air-conditioning control apparatus for data center | |
| Sarkinen et al. | Experimental analysis of server fan control strategies for improved data center air-based thermal management | |
| Simon et al. | Artificial neural network based prediction of control strategies for multiple air-cooling units in a raised-floor data center | |
| JP6455937B2 (ja) | シミュレーション装置、シミュレーション方法及びプログラム | |
| Conficoni et al. | Hpc cooling: A flexible modeling tool for effective design and management | |
| Fang et al. | Control-oriented modeling and optimization for the temperature and airflow management in an air-cooled data-center | |
| De Lorenzi et al. | Neural network-based prediction and control of air flow in a data center | |
| Ghaffari et al. | Pde-based modeling, control, and stability analysis of heterogeneous thermostatically controlled load populations | |
| Baxendale et al. | Data center temperature control using PI system and MATLAB | |
| EP2575003B1 (en) | Method for determining assignment of loads of data center and information processing system |
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 |