一种数据中心空调系统预测控制方法与流程

本发明属于数据中心空调控制技术领域，特别是涉及一种数据中心空调系统预测控制方法。

背景技术

伴随计算机互联网高新技术的不断迈进式发展，数据中心产业迎来了建设的高峰期。与之而来，数据中心的高能耗问题进入了大家的视野。数据显示，数据中心能耗占全建筑行业能耗的比例约20％，而其中空调系统的能耗就高达40％～50％，高能耗已经变成制约数据中心绿色高效发展的最大掣肘。面临目前国内将近有80％以上的数据中心pue值大于2.0，能源效率低下的局面，以数据中心空调系统为基础的优化改造和节能控制策略研究，受到了业内人士的普遍关注。然而单靠改造空调系统的内部结构设计，一方面会引来基础投资的增加，相比经济效益来说，节能效益并不明显；另一方面考虑气候、地域和环境对数据中心的要求不同，对实际工程的适用性并不高。因此，唯有采用优化控制策略，才能既满足机房it设备的供冷要求，又最大程度地降低数据中心空调系统能耗，实现真正意义上的数据中心节能，而现有技术当中没有以数据中心空调系统为基础的优化改造和节能控制系统和方法，例如在中国专利申请号为201611079041.x中，公开了一种数据中心空调系统的控制方法，“其特征在于还包括监控模块、软件滤波模块和输出模块，监控模块用于将监控到的信号经软件滤波模块滤波后传输给控制器；软件滤波模块用于对信号进行滤波；控制器用于对信号进行识别处理后，经输出模块向数据中心空调系统的各模块发出控制信号；输出模块用于输出控制器的控制信号。”仅是对数据中心进行有效的监控和调节，并不能实现节能的目的。

因此，如何解决上述问题成为本领域人员研究的重点。

技术实现要素：

本发明的目的就是提供一种数据中心空调系统预测控制方法，能有效解决上述数据中心空调系统无法节能的不足之处。

本发明的目的通过下述技术方案来实现：

一种数据中心空调系统预测控制方法，包括预测控制器利用预测控制优化目标函数对控制器的各参数进行在线寻优，将寻优所得的参数作为现场控制器的设定值，现场控制层的现场控制器基于优化后的被控参数的设定值对制冷装置进行控制。

作为优选，所述优化目标函数为其中m为预测时域，t是预测时域内的初始时刻，pueset(k)为第k个采样周期pue的设定值，pue(k)为第k个采样周期的pue的实际值；为第k个采样周期的数据中心送风温度的设定值，tas(k)为第k个采样周期的数据中心送风温度平均值，ja为优化目标函数，α为pue惩罚项权重系数，β为送风温度惩罚项权重系数。

作为优选，所述预测控制器采用多层神经网络，所述单独制冷装置和第一联合制冷装置工作时，预测控制器将当前时刻冷冻水供水温度、冷冻水供回水压差、冷却塔出水温度、冷却水供回水温差、送回风温差传送给现场控制器作为被控参数的设定值；将当前时刻室外湿球温度、数据中心机房负荷、pue值、送风温度，以及下一时刻pue设定值、下一时刻送风温度设定值和与阈值相关的-1作为现场控制器的输入；当第二联合制冷装置单独工作时，预测控制器的输入与单独制冷装置和第一联合制冷装置工作时相同，预测控制器的输出为冷冻水供水温度、冷冻水供回水压差、冷却塔出水温度、送回风温差。

作为优选，所述现场控制器用pid控制法对制冷装置进行控制。

作为优选，所述预测控制器利用预测控制策略对现场控制器的被控参数设定值进行设定。

与现有技术相比，本发明的有益效果在于：

本发明针对数据中心冷冻水冷却型空调系统，预测控制优化性能指标取机房送风温度和能效指标pue(powerusageeffectiveness)这两个参数实际值和期望值之间的偏差平方和。控制系统采用两层控制结构，上层优化层使用预测控制算法对底层现场控制器的设定值进行寻优，利用建立好的预测模型，并采用滚动优化策略计算得出现场控制器被控参数的最优设定值，底层控制器利用pid算法使被控参数迅速跟踪上最优设定值，使系统设备运行在节能运行状态，实现了数据中心空调系统以满足时变冷量需求且节能为目标的全局优化控制。

附图说明

图1是夏季和过渡季工况下的数据中心空调系统神经网络预测模型结构图；

图2是冬季工况下的数据中心空调系统神经网络预测模型的结构图；

图3是夏季工况和过渡季工况下预测控制器的神经网络拓扑结构图；

图4是冬季工况下神经网络预测控制器拓扑结构图；

图5是预测控制系统框图。

具体实施方式

下面结合具体实施例和附图对本发明作进一步的说明。

实施例一

如图1至图5所示，一种数据中心空调系统预测控制方法，包括控制系统和被控系统，所述控制系统包括上层的优化层和下层的现场控制层，所述优化层设有预测控制系统，所述预测控制系统包括预测控制器，所述现场控制层包括现场控制器，所述现场控制器连接制冷装置，所述制冷装置包括单独制冷装置；制冷装置包括制冷机组+板式换热器+冷却塔联合制冷装置；制冷装置包括冷却塔+板式换热器制冷装置，所述三种制冷装置均能单独运行，所述优化层连接现场控制层，优化层利用预测控制策略对现场控制层控制器的被控参数设定值进行寻优，优化目标为使系统pue值和送风温度达到设定值，达到节能和满足冷量要求的目的，现场控制层的被控参数包括冷冻水供水温度、冷却水供水温度、冷冻泵流量控制参数、冷却泵流量控制参数、送风流量控制参数，其中流量控制参数根据现场控制层的控制方法不同可选择不同变量，可以是压差、温差或者频率控制，优选冷冻水供回水压差、冷却水供回水温差和供回风温差，现场控制层的控制器基于优化后的被控参数设定值，采用pid控制方法对制冷机、冷却塔、冷冻水泵和冷却水泵进行控制。

本实施例中，通过控制不同的制冷装置切换运行实现节能的目的。

实施例二

如图1至图5所示，一种数据中心空调系统预测控制方法，包括控制系统和被控系统，所述控制系统包括上层的优化层和下层的现场控制层，所述优化层设有预测控制系统，所述预测控制系统包括预测控制器，所述现场控制层包括现场控制器，所述现场控制器连接制冷装置，所述制冷装置包括单独制冷装置；第一联合制冷装置包括制冷装置包括制冷机组+板式换热器+冷却塔联合制冷装置；第二联合制冷装置包括冷却塔+板式换热器制冷装置，所述三种制冷装置均能单独运行，所述优化层连接现场控制层，优化层利用预测控制策略对现场控制层控制器的被控参数设定值进行寻优，优化目标为使系统pue值和送风温度达到设定值，达到节能和满足冷量要求的目的，现场控制层的被控参数包括冷冻水供水温度、冷却水供水温度、冷冻泵流量控制参数、冷却泵流量控制参数、送风流量控制参数，其中流量控制参数根据现场控制层的控制方法不同可选择不同变量，可以是压差、温差或者频率控制，优选冷冻水供回水压差、冷却水供回水温差和供回风温差，现场控制层的控制器基于优化后的被控参数设定值，采用pid控制方法对制冷机、冷却塔、冷冻水泵和冷却水泵进行控制，本发明在水侧集成了板式换热器，使系统在室外湿球温度较低时能够充分利用自然冷源供冷，减少冷机的运行功耗。本发明将被控系统分三种工况独立运行，分别为夏季工况、过渡季工况和冬季工况。夏季工况下制冷机组单独制冷；过渡季工况下制冷机组+板式换热器(水侧经济器)+冷却塔联合制冷；冬季工况下冷却塔+板式换热器(水侧经济器)完全自然冷却。后两种工况可在室外气温较低的过渡季和冬季使用自然冷源，实现部分或完全自然冷却，以降低冷水机组的运行时间，减少空调系统全年的运行功耗。

一年有8760个小时，根据北京地区的气候条件，将三种工况的运行时间区分为其中6～8月(3624～5832h)为夏季工况，12～2月(8016～1416h)为冬季工况，其他月份并入过渡季工况。

本实施例中，在不同的季节，根据室外气温的不同选择不同的制冷装置，并且能够利用自然冷源进行制冷节约能量。

实施例三

如图1至图5所示，一种数据中心空调系统预测控制方法，包括控制系统和被控系统，所述控制系统包括上层的优化层和下层的现场控制层，所述优化层设有预测控制系统，所述预测控制系统包括预测控制器，所述现场控制层包括现场控制器，所述现场控制器连接制冷装置，所述制冷装置包括单独制冷装置；制冷装置包括制冷机组+板式换热器+冷却塔联合制冷装置；制冷装置包括冷却塔+板式换热器制冷装置，所述三种制冷装置均能单独运行，所述优化层连接现场控制层，优化层利用预测控制策略对现场控制层控制器的被控参数设定值进行寻优，优化目标为使系统pue值和送风温度达到设定值，达到节能和满足冷量要求的目的，现场控制层的被控参数包括冷冻水供水温度、冷却水供水温度、冷冻泵流量控制参数、冷却泵流量控制参数、送风流量控制参数，其中流量控制参数根据现场控制层的控制方法不同可选择不同变量，可以是压差、温差或者频率控制，优选冷冻水供回水压差、冷却水供回水温差和供回风温差，现场控制层的控制器基于优化后的被控参数设定值，采用pid控制方法对制冷机、冷却塔、冷冻水泵和冷却水泵进行控制，本发明在水侧集成了板式换热器，使系统在室外湿球温度较低时能够充分利用自然冷源供冷，减少冷机的运行功耗。本发明将被控系统分三种工况独立运行，分别为夏季工况、过渡季工况和冬季工况。夏季工况下制冷机组单独制冷；过渡季工况下制冷机组+板式换热器(水侧经济器)+冷却塔联合制冷；冬季工况下冷却塔+板式换热器(水侧经济器)完全免费供冷。后两种工况可在室外气温较低的过渡季和冬季使用自然冷源，实现部分或完全自然冷却，以降低冷水机组的运行时间，减少空调系统全年的运行功耗，根据现场控制层的控制方法，预测模型输入参数中的流量控制参数可选择不同变量，可以是压差、温差或者频率控制，优选冷冻水供回水压差、冷却水供回水温差和供回风温差。此时，夏季和过渡季工况下，预测模型的输入参数有当前时刻冷冻水供水温度、冷冻水供回水压差、冷却塔出水温度、冷却水供回水温差、送风温度、送回风温差、负荷(率)、室外湿球温度，以及系统当前时刻的pue值和与阈值相关的-1，预测模型的输出参数有下一时刻的pue值以及送风温度，夏季和过渡季工况下的数据中心空调系统神经网络预测模型结构如图1所示，冬季工况下，预测模型的输入参数可以减少冷却水供回水温差控制变量，冬季工况下的数据中心空调系统神经网络预测模型的结构如图2所示。

本实施例中，通过预测模型输入参数中的流量控制参数选择不同变量，设定现场控制器的各参数为最优化的参数。

实施例四

如图1至图5所示，一种数据中心空调系统预测控制方法，包括控制系统和被控系统，所述控制系统包括上层的优化层和下层的现场控制层，所述优化层设有预测控制系统，所述预测控制系统包括预测控制器，所述现场控制层包括现场控制器，所述现场控制器连接制冷装置，所述制冷装置包括单独制冷装置；制冷装置包括制冷机组+板式换热器+冷却塔联合制冷装置；制冷装置包括冷却塔+板式换热器制冷装置，所述三种制冷装置均能单独运行，所述优化层连接现场控制层，优化层利用预测控制策略对现场控制层控制器的被控参数设定值进行寻优，优化目标为使系统pue值和送风温度达到设定值，达到节能和满足冷量要求的目的，现场控制层的被控参数包括冷冻水供水温度、冷却水供水温度、冷冻泵流量控制参数、冷却泵流量控制参数、送风流量控制参数，其中流量控制参数根据现场控制层的控制方法不同可选择不同变量，可以是压差、温差或者频率控制，优选冷冻水供回水压差、冷却水供回水温差和供回风温差，现场控制层的控制器基于优化后的被控参数设定值，采用pid控制方法对制冷机、冷却塔、冷冻水泵和冷却水泵进行控制，本发明在水侧集成了板式换热器，使系统在室外湿球温度较低时能够充分利用自然冷源供冷，减少冷机的运行功耗。本发明将被控系统分三种工况独立运行，分别为夏季工况、过渡季工况和冬季工况。夏季工况下制冷机组单独制冷；过渡季工况下制冷机组+板式换热器(水侧经济器)+开式冷却塔联合制冷；冬季工况下冷却塔+板式换热器(水侧经济器)完全免费供冷。后两种工况可在室外气温较低的过渡季和冬季使用自然冷源，实现部分或完全自然冷却，以降低冷水机组的运行时间，减少空调系统全年的运行功耗，数据中心空调系统预测控制优化目标函数为：

其中k代表当前时刻，m为预测时域，t是预测时域内的初始时刻，pueset(k)为第k个采样周期pue的设定值，pue(k)为第k个采样周期的pue的实际值；为第k个采样周期的数据中心机房送风温度的设定值，tas(k)为第k个采样周期的数据中心机房送风温度平均值，预测控制器选用多层神经网络，输入层节点数为5个，输出层节点数也为5个，隐层节点根据经验方法和试凑法，确定取8个，隐层激励函数使用tansig函数，输出层激励函数为线性函数，夏季和过渡季工况下预测控制器输出变量为当前时刻冷冻水供水温度、冷冻水供回水压差、冷却塔出水温度、冷却水供回水温差、送回风温差作为控制器输出，传送给现场控制器作为被控参数的设定值；将当前时刻室外湿球温度、空调机房制冷负荷(率)、pue值、送风温度，以及下一时刻pue设定值、下一时刻送风温度设定值和与阈值相关的-1作为控制器输入。图3是夏季工况和过渡季工况下预测控制器的神经网络拓扑结构。冬季工况下的预测控制器输入与夏季和过渡季相同，输出为冷冻水供水温度、冷冻水供回水压差、冷却塔出水温度、送回风温差，冬季工况下神经网络预测控制器拓扑结构如图4所示，预测控制系统框图如图5所示，其中x[k]为k时刻数据中心空调系统的相关状态变量参数，即当前时刻冷冻水供水温度、冷冻水供回水压差、冷却塔出水温度、冷却水供回水温差、室外湿球温度、送风温度、送回风温差、负荷(率)和pue值，其中负荷(率)和pue值为根据用电量和制冷站提供冷量的推算值，其余量可实测得出；为k+1时刻预测模型输出，即下一时刻pue值和送风温度；x*[k+1]是下一时刻pue的设定值和下一时刻机房送风温度的设定值；u[k]是神经网络预测控制器寻优结束后k时刻的最优控制量，即现场控制层控制器被控参数的设定值；u’[k+i-1]为滚动优化过程中根据上一时刻预测控制器权重推算出的控制量，该控制量还未根据当前时刻系统运行状态变量值进行优化。

神经网络控制器的寻优步骤可概括如下：

①初始化数据中心空调系统神经网络预测控制器的各个连接权值，赋值为[-1,1]范围内较小的随机数，以及阈值(本说明取-1)，然后计算控制器输出。预测时域m为6，预测周期取5分钟；

②将x[k]、x*[k+1]和-1作用于神经网络预测控制器，利用神经网络寻优得到控制变量输出u[k]；

③将控制量输出u[k]和状态初始量x[k]传递给被控制对象，得到被控系统实际输出x[k+1]，同时传递给预测模型，得到预测模型输出

④保持预测控制器的神经网络结构的权值wji不变，将x[k+1]、x*[k+2]、-1传送给预测控制器，获得新的控制向量将和x[k+2]传递给神经网络预测模型，计算以此类推，循环上述步骤，直到控制输出为和预测输出为(i＝m-1)；

⑤当k＜n-m，λ[k]＝λ[t1+m]，当k≥n-m，λ[k]＝λ[n]，重复利用③～④步，倒推出lagrange乘子向量λ[k]和γ[k]，即按顺序k＝t1+m-1,…t1+2,t1+1往前推导，得：

其中l(·)表示优化性能指标，f(·)表示预测模型，g(·)表示神经网络控制器。上述推导过程中的u[k]和x[k]用和替代；

⑥最后，使用所计算出的γ[k]，通过下式来修正预测控制器的神经网络结构的权值：

w＝w+δw

其中w是空调系统神经网络预测控制器的权值阵，μ是权值更新率，μ选择0.05；

⑦循环④～⑥步，不断修改神经网络预测控制器的权值，直至δw＝0

⑧令k＝k+1，循环②～⑦步，求出被控系统每一时刻的控制变量u(k)。

下一个采样周期到时重复上述操作，分别计算出以后各个时刻控制量的值，直至控制过程结束。

本实施例中，利用优化目标函数，通过重复寻优处理使被控参数迅速跟踪上最优设定值，使系统设备运行在节能运行状态，实现了数据中心空调系统以满足时变冷量需求且节能为目标的全局优化控制。

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、等同替换和改进等，均应包含在本发明的保护范围之内。