一种可降低其能耗的冷却系统双层调控管理框架的制作方法

1.本发明涉及能耗计算模型的领域，尤其是涉及一种可降低其能耗的冷却系统双层调控管理框架。


背景技术：

2.数据中心作为数字化社会重要基础设施，广泛服务于互联网、工业互联网、电子政务等消费、生产和社会治理应用场景，其运营与服务所需的能耗逐年快速上升。冷却系统是数据中心主要耗能设施，其作用是吸收机房中网络与算力设备在工作时产生的热量，进而保证网络与算力设备可靠运行。
3.作为支撑数字化转型核心基础设施，数据中心承载了绝大部分新一代信息技术场景下的密集型计算任务，在打造社会发展数字基石的同时，能耗规模非常庞大，已成为高耗能技术产业之一。
4.数据中心的巨大能耗已不容忽略，用电量巨大，且目前其70％左右的电力供应仍来自煤电。国网能源研究院预测，到2030年用数据中心耗电量将突破4000亿千瓦时，占全社会用电量的比重将升至3.7％。
5.越来越多的ict设备在高负载下会产生大量的热量，进而严重影响其稳定运行。为了保障ict设备的高可靠运行，冷却系统已经成为dc不可或缺的一部分，但是其耗能约占数据中心功耗的40％，是数据中心耗能的核心子系统之一。
6.因此，冷却系统能耗优化是数据中心能耗精细化管理任务中最突出的一个问题。


技术实现要素：

7.根据现有技术存在的不足，本发明的目的是提供一种可降低其能耗的冷却系统双层调控管理框架，具有快速降低冷却实体所需要的能耗，具有较强的适用性的效果。
8.本发明的上述技术目的是通过以下技术方案得以实现的：
9.一种可降低其能耗的冷却系统双层调控管理框架，包括被控实体域、连接模型域、调控算法域、气冷后端水系统的优化层及气冷前端风系统的优化层；
10.被控实体域通过分布于数据中心室内、室外以及冷却实体上的传感器网络实时收集各类变量数据；
11.连接模型域的能耗评估模型在输入参数约束模型的辅助下，利用被控实体域收集到的数据对各类冷却实体进行实时能耗评估；
12.调控算法域实现冷却实体的控制参数寻优。
13.本发明在一较佳示例中可以进一步配置为：所述被控实体域是双层调控管理框架的底层域，将各个冷却实体与双层调控管理框架的模型与算法建立联系。
14.本发明在一较佳示例中可以进一步配置为：连接模型域是介于被控实体域和调控算法域之间的中层域，给调控算法域的参数寻优过程提供实体能耗与参数数值的评估计算能力，实现被控实体域与调控算法域的双向数据流汇通。
15.本发明在一较佳示例中可以进一步配置为：连接模型域包括各冷却实体的能耗评估模型及冷却系统状态量计算评估模型。
16.本发明在一较佳示例中可以进一步配置为：调控算法域是双层调控管理框架的顶层域，确保制冷效果的前提下为水系统各冷却实体的控制参数搜索能耗最优的数值组合；
17.能耗最优在指标上可体现为clf值的降低；
18.clf公式为：
19.e
cs
表征数据中心中冷却系统能耗，e
ict表
征数据中心中信息、通信类设备能耗，e
cs
通常包含后端水系统能耗e
mrss
与前端风系统能耗e
tcss
；
20.水系统能耗e
mrss
包含冷却塔的能耗e
ct
、冷却泵的能耗e
cp
、制冷机组的能耗ec、冷冻泵的能耗e
rp
，精密空调的能耗e
pac
。
21.本发明在一较佳示例中可以进一步配置为：调控算法域包括两类节能寻优算法：模型驱动的能耗优化遗传算法及无模型依赖的能耗优化强化学习算法。
22.综上所述，本发明包括以下至少一种有益技术效果：
23.1.构建了冷却系统输入量约束模型、冷却实体能耗评估模型、控制量约束模型这三类模型，以及提出了适用于数据完备条件不同条件的两类能耗优化寻优算法，为解决数据中心冷却系统能耗提供了完整优化调控管理解决方案。
24.2.将双层调控管理框架的各类模型与寻优算法部署于冷却系统中，有效降低了冷却实体能耗，具有较强的实用性。
附图说明
25.图1是本实施例数据中心冷却系统双层调控管理框架的架构图；
26.图2是本实施例中双循环式气冷制冷方案中的热量流向图
27.图3是本实施例中模型驱动的能耗优化遗传算法流程图；
28.图4是本实施例中无模型依赖的能耗优化强化学习算法流程图；
29.图5是本实施例中各实体能耗模型之间的影响关系示意图。
具体实施方式
30.以下结合附图对本发明作进一步详细说明。
31.实施例：
32.参照图1-图5所示，一种可降低其能耗的冷却系统双层调控管理框架(简称“双层框架”)。双层框架通过对双循环式气冷冷却系统前端风系统与后端水系统中的各冷却实体进行优化控制，在保证冷却效果的前提下降低冷却系统各实体能耗总和。框架根据冷却实体可分为面向气冷前端风系统的优化层和面向气冷后端水系统的优化层。其中，前者的优化对象为前端风系统的精密空调，该实体消耗电能以在吸收信息类设备产生的热量；后者的优化对象为后端水系统的制冷机组、冷却塔、冷却泵、冷冻泵，这四类冷却实体消耗电能以双循环的方式前端风系统吸收的热量排出到数据中心室外环境外。
33.双层框架对各类冷却实体的优化控制由3个功能域共同实现，它们分别为被控实体域、连接模型域、调控算法域。
34.被控实体域首先通过分布于数据中心室内、室外以及冷却实体上的传感器网络实
时收集各类变量数据。
35.连接模型域的能耗评估模型在输入参数约束模型的辅助下，可利用被控实体域收集到的数据对各类冷却实体进行实时能耗评估。
36.调控算法域实现冷却实体的控制参数寻优。寻优算法可利用连接模型域的能耗评估模型对冷却实体控制参数的不同数值组合计算的能耗进行评估，从而搜索到能耗最优的控制参数数值组合；也可采用端到端的方式直接根据被控实体域的采集数据给出能耗最优控制参数数值组合的端到端结果。
37.调控算法域面向后端水系统提出了两类优化控制算法，在具备建立各类能耗评估模型的条件下适用的模型驱动的能耗优化遗传算法，及缺乏建立能耗评估模型能力时更适用的无模型依赖的能耗优化强化学习算法。
38.针对风系统，提出了一种室温评估方法，用于在遗传算法寻优的过程中约束室温以达到风系统的制冷效果。通过建立时序深度学习模型，以本时刻前k个时刻的室温、控制参数(各冷却实体的控制参数)、状态参数(温、湿度)、it负载作为输入变量，分别对室温的变化进行预估，从而在遗传算法寻优时得知每一组寻优控制参数的变化对室温造成的影响。
39.针对数据中心冷却系统水系统，提出了冷却实体的能耗优化调控算法。针对水系统，提出了一种包含能耗评估模型与遗传算法两部分的冷却实体全局优化控制调度算法。
40.模型驱动的能耗优化遗传算法用于对冷却系统中的各个冷却实体进行决策参数的配置。参数配置的过程可被建模为一个含约束的最优化问题，即对冷却实体控制参数的节能寻优需以制冷效果满足ict正常运行为前提，其具体体现在寻优过程中需确保室温小于某一预设值。通过迭代两个寻优步骤，以遗传算法为基础得到最优状态下的控制参数组合，从而使冷却系统在保证制冷能力的前提下消耗更低的电能。该算法以各类冷却实体的可配置变量经过离散化映射后作为个体的染色体编码，以各冷却实体的能耗评估模型的输出之和作为适应度，通过遗传算法的若干次迭代，可求得各个冷却实体的推荐配置参数；无模型依赖的能耗优化强化学习算法使用神经网络与ddpg算法，在不依赖于外部能耗建模的前提下，为冷却系统中的各个冷却实体进行决策参数的配置。
41.调控算法域是双层调控管理框架的顶层域，确保制冷效果的前提下为水系统各冷却实体的控制参数搜索能耗最优的数值组合；
42.能耗最优在指标上可体现为clf值的降低；
43.clf公式为：
44.e
cs
表征数据中心中冷却系统能耗，e
ict
表征数据中心中信息、通信类设备能耗，e
cs
通常包含后端水系统能耗e
mrss
与前端风系统能耗e
tcss
；
45.水系统能耗e
mrss
包含冷却塔的能耗e
ct
、冷却泵的能耗e
cp
、制冷机组的能耗ec、冷冻泵的能耗e
rp
，精密空调的能耗e
pac
。
46.双层调控管理框架包含对室内外环境变量、ict设备运行状态及各冷却实体中多类参数变量的监测及调控。这些变量可根据框架中的作用分为可控制变量(a)、可观测变量(o)、变量评估值(e)以及系统常量参数(c)。观看表一：
47.[0048][0049]
当数据中心满足先验知识充足等能耗评估模型建立的条件时，其冷却系统的节能寻优可使用模型驱动的能耗优化遗传算法。
[0050]
这类算法以遗传算法作为参数寻优方式，将冷却系统总能耗以及室温不等式约束关系建模为拉格朗日对偶问题，采用拉格朗日方程表述上述两点目标进行迭代式寻优。每轮迭代分为两步：第一步为使用遗传算法对上述目标进行寻优，第二步为拉格朗日乘子的自动更新。上述两步按顺序交替进行，迭代至收敛时即可获得满足节能与室温两点需求的控制参数。在第一步中，遗传算法首先对待寻优的冷却实体控制变量进行染色体编码。这里，编码的方式为连续特征值的离散化，在算法初始阶段为每个可控变量在各自的安全范围内随机生成一个值，再将这一实值以一定步长映射到离散区间中。对所有待决策的可控变量进行上述映射，拼接后即可得到遗传算法中单一个体的二值化编码。在遗传算法寻优的过程中，针对在数值空间中搜索到的每一组变量数值组合，算法使用能耗评估模型计算当前组合下各冷却实体的能耗评估数值；使用室温评估模型计算这组参数数值组合可能会引发的室温变化。将上述两类模型的评估结果代入拉格朗日方程后，即得到遗传算法的寻优目标。根据第一步得到的遗传算法寻优参数，模型驱动的能耗优化遗传算法在第二步又根据室温评估模型的结果动态调整拉格朗日乘子。上述两步循环迭代的停止条件为先后两次迭代中的拉格朗日乘子的变化值在一定阈值内。此时，即得到了节能且室温符合要求的
控制量组合编码，最终将这一离散编码反向映射回连续数值，是为模型驱动的能耗优化遗传算法最终的输出结果，即可作为各类冷却实体可控变量的能耗优化数值结果。综上所述，此类优化算法对数据中心中冷却实体的历史数据储备要求较高，从而保证连接模型域中的各类模型具有较高的评估精度
[0051]
当一个数据中心的数据完备条件不足以实现连接模型域中的精准能耗评估时，其冷却系统的能耗优化可使用本文提出了无模型依赖的能耗优化强化学习算法。
[0052]
这类算法不再依赖于连接模型域中的输入量约束模型及能耗评估模型，而是采用端到端的方式直接以被控实体域中的各类参数作为输入得到控制参数寻优结果。在整体的优化过程中，算法首先采用一个神经网络的方式对冷却系统能耗相关的状态价值进行估计，再通过另一个神经网络输出控制量策略，两个网络在强化学习算法的训练过程中不断优化。
[0053]
实验数据：
[0054]
实验中的数据中心拥有多套相同构造的冷却系统为不同园区不同区域的机房供冷。支持该机房温度调节的冷却系统包含后端水系统的制冷循环和冷却循环，以及前端风系统的冷热风循环。该冷却系统共包含五组冷却实体，每组包括一个冷却塔(ct)、一个冷却泵(cp)、一个制冷机、一个主制冷泵(prp)和一个辅助制冷泵(srp)。其中spr提供的冷水将作为pac系统的冷源。
[0055]
本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。