本发明涉及神经网络技术,尤指一种实现互联网数据中心(IDC)功耗控制的方法及系统。
背景技术:
目前,在互联网数据中心的设计及运行过程中,往往出现大冗余设计或高电源使用效率(PUE,数据中心总设备能耗除以互联网技术(IT)设备能耗,PUE是一个比值,基准是2,越接近1表明能效水平越好;PUE是数据中心基础架构效率(Data Center Infrastructure Efficiency,DCIE)的反比)的运行状态,其中,对造成高PUE的运行状态的原因是技术人员将互联网数据中心的制冷外机系统、制冷末端系统及交直流供电系统进行分离,通过对分离的各个系统分别进行功耗控制,达到对各个分离系统进行优化。
上述方法,对IDC中分离的各个系统分别进行功耗控制,虽然可以对各个分离系统实现优化,然而高PUE的运行状态说明,各分离的系统最优并不能时IDC系统本身最优,IDC的系统功耗仍存在浪费。
技术实现要素:
为了解决上述技术问题,本发明提供一种实现IDC功耗控制的方法及系统,能够实现IDC优化,降低IDC功耗。
为了达到本发明目的,本发明提供了一种实现互联网数据中心IDC功耗控制的方法,包括:
根据IDC的互联网技术IT负载及预设的赋值策略赋值IDC中各个系统相应的调整参数;
将IT负载及IDC中各个系统赋值的各个调整参数输入到加载有预设规则算法的神经网络中,进行预设次数的神经网络计算后,记录每次神经网络计算获得的电源使用效率PUE值和各PUE值相应的权重调整的调整参数;
加载记录的PUE值最小时的各权重调整的调整参数到IDC的各个系统中进行功耗控制。
进一步地,IDC中包含制冷外机系统、制冷末端系统及交直流供电系统;所述赋值IDC中各个系统相应的调整参数具体包括:
赋值IDC中制冷外机系统、制冷末端系统及交直流供电系统中各个单元相应的调整参数。
进一步地,所述制冷外机系统包含制冷外机单元,所述赋值制冷外机单元相应的调整参数包括:制冷外机处于开启状态的数目、开启的制冷外机中压缩机的工作状态参数和质量载体的流量;
所述制冷末端系统包括风机单元和盘管单元,所述赋值制冷末端系统相应的调整参数具体包括:风机单元的风机速度参数、盘管单元的盘管流量参数;
所述交直流供电系统包括交流供电装置和直流供电装置,所述赋值交直流供电系统相应的调整参数具体包括:交流供电装置是否开启参数、直流供电装置是否开启参数、直流供电装置开启时供电有效赋值参数。
进一步地,预设次数的神经网络计算具体包括:
在第一预设周期内,将IT负载及IDC中各个系统赋值的各个调整参数输入到加载有预设规则算法的神经网络中,通过第一次神经网络进行预设时长的计算获得相应的第一PUE值和第一次权重调整的调整参数;
从第二预设周期开始,将IT负载及第i减1次权重调整的调整参数输入到加载有预设规则算法的神经网络中,通过第i次神经网络进行预设时长的计算获得相应的第i PUE值和第i次权重调整的调整参数,直至完成第预设次数的神经网络计算;
所述i为大于等于2的整数。
进一步地,该方法之前还包括,根据IDC系统功率等级模拟生成IDC假负载功耗,作为所述IDC的IT负载。
进一步地,预设的神经网络计算规则包括赫步定律HEbb规则、Delta规则或反向传播学习法。
另一方面,本申请还提供一种实现IDC功耗控制的装置,包括:赋值单元、神经网络计算单元及加载控制单元;其中,
赋值单元,用于根据IDC的IT负载及预设的赋值策略赋值IDC中各个系统相应的调整参数;
神经网络计算单元,用于将IT负载及IDC中各个系统赋值的各个调整参数输入到加载有预设规则算法的神经网络中,进行预设次数的神经网络计算后,记录每次神经网络计算获得的PUE值和各PUE值相应的权重调整的调整参数;
加载控制单元,用于加载记录的PUE值最小时的各权重调整的调整参数到IDC的各个系统中进行功耗控制。
进一步地,IDC中包含制冷外机系统、制冷末端系统及交直流供电系统;
所述制冷外机系统包含制冷外机单元,所述制冷末端系统包括风机单元和盘管单元,所述交直流供电系统包括交流供电装置和直流供电装置;
所述赋值单元具体用于,根据IDC的IT负载及预设的赋值策略,
赋值所述制冷外机系统所述制冷外机处于开启状态的数目、开启的制冷外机中压缩机的工作状态参数和质量载体的流量;
赋值所述制冷末端系统风机单元的风机速度参数、盘管单元的盘管流量参数;
赋值所述交直流供电系统交流供电装置是否开启参数、直流供电装置是否开启参数、直流供电装置开启时供电有效赋值参数。
进一步地,神经网络计算单元具体用于,
在第一预设周期内,将IT负载及IDC中各个系统赋值的各个调整参数输入到加载有预设规则算法的神经网络中,通过第一次神经网络进行预设时长的计算获得相应的第一PUE值和第一次权重调整的调整参数;
从第二预设周期开始,将IT负载及第i减1次权重调整的调整参数输入到加载有预设规则算法的神经网络中,通过第i次神经网络进行预设时长的计算获得相应的第i PUE值和第i次权重调整的调整参数,直至完成第预设次数的神经网络计算;
记录每次神经网络计算获得的PUE值和各PUE值相应的权重调整的调整参数;
所述i为大于等于2的整数。
进一步地,该装置还包括假负载单元,用于根据IDC系统功率等级模拟生成IDC假负载功耗,作为所述IDC的IT负载。
与现有技术相比,本申请技术方案包括:根据IDC的IT负载及预设的赋值策略赋值IDC中各个系统相应的调整参数;将IT负载及IDC中各个系统赋值的各个调整参数输入到加载有预设规则算法的神经网络中,进行预设次数的神经网络计算后,记录每次神经网络计算获得的电源使用效率(PUE)值和各PUE值相应的权重调整的调整参数;加载记录的PUE值最小时的各权重调整的调整参数到IDC的各个系统中进行功耗控制。本发明方法通过对IDC中包含的系统采用包含预设规则算法的神经网络计算获得PUE最小时各个系统的权重调整的调整参数,优化了IDC的性能,降低了IDC的功耗。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实现IDC功耗控制的方法的流程图;
图2为本发明实现IDC功耗控制的装置的结构框图;
图3为本发明实施例制冷外机系统的结构框图;
图4为本发明实施例制冷末端系统的结构框图;
图5为本发明实施例交直流供电系统的结构框图;
图6为本发明实施例假负载单元的结构框图;
图7为本发明实施例神经网络计算单元输入输出示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申 请中的实施例及实施例中的特征可以相互任意组合。
图1为本发明实现IDC功耗控制的方法的流程图,如图1所示,包括:
步骤100、根据IDC的互联网技术(IT)负载及预设的赋值策略赋值IDC中各个系统相应的调整参数;
需要说明的是,这里预设的赋值策略赋值调整参数可以是技术人员从历史数据中选择出的经验值,或者以经验值为基础设定的数值。
本步骤中,IDC中包含制冷外机系统、制冷末端系统及交直流供电系统;赋值IDC中各个系统相应的调整参数具体包括:
赋值IDC中制冷外机系统、制冷末端系统及交直流供电系统中各个单元相应的调整参数。
优选的,制冷外机系统包含制冷外机单元,赋值制冷外机单元相应的调整参数包括:制冷外机处于开启状态的数目、开启的制冷外机中压缩机的工作状态参数和质量载体的流量;
制冷末端系统包括风机单元和盘管单元,赋值制冷末端系统相应的调整参数具体包括:风机单元的风机速度参数、盘管单元的盘管流量参数;
交直流供电系统包括交流供电装置和直流供电装置,赋值交直流供电系统相应的调整参数具体包括:交流供电装置是否开启参数、直流供电装置是否开启参数、直流供电装置开启时供电有效赋值参数。
本步骤之前还包括:根据IDC系统功率等级模拟生成IDC假负载功耗,作为IDC的IT负载。
需要说明的是,这里模拟生成IDC假负载功耗是指通过电热组及相应的开关,加上电能控制表等产生与IDC系统功率等级相同的负载环境。
步骤101、将IT负载及IDC中各个系统赋值的各个调整参数输入到加载有预设规则算法的神经网络中,进行预设次数的神经网络计算后,记录每次神经网络计算获得的电源使用效率(PUE)值和各PUE值相应的权重调整的调整参数;
本步骤中,预设的神经网络计算规则包括赫步定律(HEbb)规则、Delta规则或反向传播学习法。
需要说明的是,HEbb规则、Delta规则或反向传播学习法包含的内容为本领域技术人员的公知常识。
本步骤中,预设次数的神经网络计算具体包括:
在第一预设周期内,将IT负载及IDC中各个系统赋值的各个调整参数输入到加载有预设规则算法的神经网络中,通过第一次神经网络进行预设时长的计算获得相应的第一PUE值和第一次权重调整的调整参数;
从第二预设周期开始,将IT负载及第i减1次权重调整的调整参数输入到加载有预设规则算法的神经网络中,通过第i次神经网络进行预设时长的计算获得相应的第i PUE值和第i次权重调整的调整参数,直至完成第预设次数的神经网络计算;
i为大于等于2的整数。
需要说明的是,这里预设时长可以包括神经网络计算可以使PUE值趋于稳定的时长,可以根据IDC内设备性能、负载大小等影响计算量的参数进行设定,一般的,可以取预设时长为15到30分钟,计算量越大时,预设时长越长;另外,神经网络计算次数是按照1为单位逐步增加,预设次数大小根据系统功耗控制要求确定,计算次数越多,可以获得最佳的权重调整的调整参数越好;由于进行权重调整的调整参数的加载并不影响IDC的工作,因此,本发明方法可以循环进行,当然,根据需要在系统稳定之后,可以设定预设次数较大,这样可以进行较少次数的调整。
步骤102、加载记录的PUE值最小的各权重调整的调整参数到IDC的各个系统中进行功耗控制。
本发明方法通过对IDC中包含的系统采用包含预设规则算法的神经网络计算获得PUE最小时各个系统的权重调整的调整参数,优化了IDC的性能,降低了IDC的功耗。
图2为本发明实现IDC功耗控制的装置的结构框图,如图2所示,包括:赋值单元、神经网络计算单元及加载控制单元;其中,
赋值单元,用于根据IDC的IT负载及预设的赋值策略赋值IDC中各个系统相应的调整参数;
神经网络计算单元,用于将IT负载及IDC中各个系统赋值的各个调整参数输入到加载有预设规则算法的神经网络中,进行预设次数的神经网络计算后,记录每次神经网络计算获得的PUE值和各PUE值相应的权重调整的调整参数;
加载控制单元,用于加载记录的PUE值最小时的各权重调整的调整参数到IDC的各个系统中进行功耗控制。
需要说明的是,加载控制单元可以通过微控制单元(MCU)实现具体加载过程。
IDC中包含制冷外机系统、制冷末端系统及交直流供电系统;其中,
制冷外机系统包含制冷外机单元,制冷末端系统包括风机单元和盘管单元,交直流供电系统包括交流供电装置和直流供电装置;
赋值单元具体用于,根据IDC的IT负载及预设的赋值策略,
赋值制冷外机系统制冷外机处于开启状态的数目、开启的制冷外机中压缩机的工作状态参数和质量载体的流量;
赋值制冷末端系统风机单元的风机速度参数、盘管单元的盘管流量参数;
赋值交直流供电系统交流供电装置是否开启参数、直流供电装置是否开启参数、直流供电装置开启时供电有效赋值参数。
神经网络计算单元具体用于,
在第一预设周期内,将IT负载及IDC中各个系统赋值的各个调整参数输入到加载有预设规则算法的神经网络中,通过第一次神经网络进行预设时长的计算获得相应的第一PUE值和第一次权重调整的调整参数;
从第二预设周期开始,将IT负载及第i减1次权重调整的调整参数输入到加载有预设规则算法的神经网络中,通过第i次神经网络进行预设时长的计算获得相应的第i PUE值和第i次权重调整的调整参数,直至完成第预设次数的神经网络计算;
记录每次神经网络计算获得的PUE值和各PUE值相应的权重调整的调整参数;
i为大于等于2的整数。
本发明装置还包括假负载单元,用于根据IDC系统功率等级模拟生成IDC假负载功耗,作为IDC的IT负载。
需要说明的是,假负载单元、神经网络计算单元及IDC中各个系统在进行数据传输时,可以通过串口通信方式连接。
以下通过具体实施例对本发明方法进行清楚详细的说明,实施例仅用于陈述本发明,并不用于限制本发明方法的保护范围。
实施例1
IDC中包含制冷外机系统、制冷末端系统及交直流供电系统;其中,制冷外机系统包含制冷外机单元,赋值制冷外机单元相应的调整参数包括:制冷外机处于开启状态的数目、开启的制冷外机中压缩机的工作状态参数和质量载体的流量;具体的,可以通过串联在各个单元的调节器实现,本实施例假设制冷外机处于开启状态的数目为P0,通过P0调节器进行调整;开启的制冷外机中压缩机的工作状态参数P1,通过P1调节器进行调整;质量载体的流量P2,通过P2调节器进行调整;参数加载过程通过第一MCU实现。图3为本发明实施例制冷外机系统的结构框图,如图3所示,通过设定的第一MCU及调节器P0、P1、P2进行制冷外机系统调整参数的加载。
制冷末端系统包括风机单元和盘管单元,赋值制冷末端系统相应的调整参数具体包括:风机单元的风机速度参数、盘管单元的盘管流量参数;本实施例假设风机单元的风机速度参数为P3,通过P3调节器进行调整;盘管单元的盘管流量参数P4,通过P4调节器进行调整;参数加载过程通过第二MCU实现。图4为本发明实施例制冷末端系统的结构框图,如图4所示,通过设定的第二MCU及调节器P3、P4进行制冷外机系统调整参数的加载。
交直流供电系统包括交流供电装置和直流供电装置,赋值交直流供电系统相应的调整参数具体包括:交流供电装置是否开启参数、直流供电装置是否开启参数、直流供电装置开启时供电有效赋值参数。本实施例假设交流供电装置是否开启参数、直流供电装置是否开启参数为一对布尔参数P5,通过P5调节器进行调整,与开关电路连接;直流供电装置开启时供电有效赋值参数P6,通过P6调节器进行调整,P6为大于0且小于1的参数,用于调整电 压比例。参数加载过程通过第三MCU实现。图5为本发明实施例交直流供电系统的结构框图,如图5所示,通过设定的第三MCU及调节器P5、P6进行交直流供电系统的调整参数的加载,在交直流供电系统中,还包括电能综合仪,执行布尔参数的选择开关执行器等。
本实施包括假负载单元,用于根据IDC系统功率等级模拟生成IDC假负载功耗,作为IDC的IT负载。图6为本发明实施例假负载单元的结构框图,如图6所示,本实施例假负载单元按照IDC的功率等级模拟生成IDC假负载功耗,即通过多开关控制器控制发热电阻组的工作状态,通过电量仪获得准确的功耗信息,电路中还包括风扇、进行开关控制的第四MCU和硬件通信接口。
神经网络计算单元,用于将IT负载及IDC中各个系统赋值的各个调整参数输入到加载有预设规则算法的神经网络中,进行预设次数的神经网络计算后,记录每次神经网络计算获得的PUE值和各PUE值相应的权重调整的调整参数;
图7为本发明实施例神经网络计算单元输入输出示意图,如图7所示,在输入层输入IT负载、P0、P1、P2、P3、P4、P5、P6后,通过加载有赫步定律(HEbb)规则、Delta规则或反向传播学习法的神经网络,计算获得预设次数的PUE值及包含权重调整的P0、P1、P2、P3、P4、P5、P6,具体计算过程在隐含层或处理层进行,图7输入层或输出层之间为隐含层和处理层。
预设次数的神经网络计算具体包括:在第一预设周期内,将IT负载及IDC中各个系统赋值的各个调整参数输入到加载有预设规则算法的神经网络中,通过第一次神经网络进行预设时长的计算获得相应的第一PUE值和第一次权重调整的调整参数;从第二预设周期开始,将IT负载及第i减1次权重调整的调整参数输入到加载有预设规则算法的神经网络中,通过第i次神经网络进行预设时长的计算获得相应的第i PUE值和第i次权重调整的调整参数,直至完成第预设次数的神经网络计算;i为大于等于2的整数。
加载控制单元,从神经网络计算单元计算获得的PUE中,确定PUE值最小的一个,将该PUE值对应的权重调整的P0、P1、P2、P3、P4、P5、P6加载到IDC的各个系统中进行功耗控制,加载可以通过MCU实现。
虽然本发明所揭露的实施方式如上,但所述的内容仅为便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式及细节上进行任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。