数据中心电力方舱环境预测性调节方法、系统和程序产品与流程

摘要: 本技术属于环境智能控制,尤其涉及一种数据中心电力方舱环境预测性调节方法、系统和程序产品。背景技术:1、数据中心电力方舱内部集成有10kv开关柜、变压器、综合保护...
数据中心电力方舱环境预测性调节方法、系统和程序产品与流程

本技术属于环境智能控制,尤其涉及一种数据中心电力方舱环境预测性调节方法、系统和程序产品。

背景技术:

1、数据中心电力方舱内部集成有10kv开关柜、变压器、综合保护装置等电力设备,该类设备对运行环境的温湿度条件具有约束要求。

2、现有数据中心电力方舱的环境控制方案中,传感器以固定采样频率采集舱内温度数据,控制器在温度数值达到预设阈值时启动制冷设备。采样的数据仅在采样时刻被系统获取,相邻两次采样之间的温度变化趋势未被系统获取,该采样间隔期间控制器未生成新的控制指令。此外,现有数据中心电力方舱的环境控制方案中,温度调节设备的控制指令基于温度传感器的当前读数生成,电力设备的实时负载率数据未包含于控制指令的生成过程中。变压器负载率从30%升至80%时,其散热量增加,舱内热负荷在负载率变化后已升高。该热负荷变化传递至传感器安装位置引起温度读数变化需要经过热传递时间延迟,在该延迟期间,控制指令未发生变化。

技术实现思路

1、本技术实施例提供了一种数据中心电力方舱环境预测性调节方法、系统和程序产品,旨在解决现有技术中传感器固定采样频率和热传递延迟导致的环境参数实际变化与控制器感知之间存在时差,以及环境调节设备控制指令未基于电力设备实时运行状态生成的技术问题。

2、第一方面,本技术实施例提供了一种数据中心电力方舱环境预测性调节方法,所述方法包括:

3、根据获取到的电力方舱的物理结构参数、设备布局信息及设备热特性参数,构建所述电力方舱的数字孪生模型;

4、根据采集的多源数据对所述数字孪生模型进行更新;

5、根据所述多源数据,通过预先训练好的预测模型进行数据驱动预测,获得数据驱动预测序列,并基于更新后的所述数字孪生模型进行多物理场耦合仿真,获得机理驱动预测序列;

6、对所述数据驱动预测序列和所述机理驱动预测序列进行融合,根据融合结果生成最终环境预测序列;

7、根据所述最终环境预测序列及电力设备的实时运行状态构造状态向量,将所述状态向量输入预先训练好的决策模型,经由所述决策模型处理后输出多设备协同动作向量;

8、根据所述多设备协同动作向量生成对各环境调节设备的控制指令,并将所述控制指令下发至对应的环境调节设备执行。

9、在第一方面的一种可能的实现方式中,所述根据获取到的电力方舱的物理结构参数、设备布局信息及设备热特性参数,构建所述电力方舱的数字孪生模型,包括:

10、根据所述物理结构参数构建几何模型;

11、根据所述设备布局信息及所述设备热特性参数,在所述几何模型限定的空间范围内构建设备模型;

12、根据所述几何模型限定的空间边界和所述设备模型确定的内部热源分布,构建环境模型;

13、由所述几何模型、所述设备模型和所述环境模型构成所述数字孪生模型。

14、在第一方面的一种可能的实现方式中,所述根据所述多源数据,通过预先训练好的预测模型进行数据驱动预测,获得数据驱动预测序列,包括:

15、从所述多源数据中提取多维时序特征,所述多维时序特征至少包括舱内外温湿度、各所述电力设备的负载率及运行功率;

16、将所述多维时序特征输入所述预测模型,输出预设时间窗口内的监测点的温度预测序列和湿度预测序列,作为所述数据驱动预测序列。

17、在第一方面的一种可能的实现方式中,所述基于更新后的所述数字孪生模型进行多物理场耦合仿真,获得机理驱动预测序列,包括:

18、以更新后的所述数字孪生模型的当前状态为初始条件,以所述多源数据中的设备负载变化趋势和/或外部环境变化趋势为边界条件,执行多物理场耦合仿真;

19、经由多物理场耦合仿真计算后,输出所述预设时间窗口内的温度场预测序列和湿度场预测序列,作为所述机理驱动预测序列。

20、在第一方面的一种可能的实现方式中,所述对所述数据驱动预测序列和所述机理驱动预测序列进行融合,根据融合结果生成最终环境预测序列,包括:

21、将所述机理驱动预测序列映射至各监测点,得到监测点预测序列;

22、统计各历史预测时刻所述数据驱动预测序列相对于实际观测值的数据驱动预测残差,以及所述监测点预测序列相对于所述实际观测值的机理驱动预测残差;

23、根据所述数据驱动预测残差和所述机理驱动预测残差的统计特性,计算所述数据驱动预测序列对应的数据驱动融合权重和所述监测点预测序列对应的机理驱动融合权重;

24、根据所述数据驱动融合权重和所述机理驱动融合权重,对所述数据驱动预测序列和所述监测点预测序列进行加权融合,生成所述最终环境预测序列;所述最终环境预测序列包括最终温度预测序列和最终湿度预测序列。

25、在第一方面的一种可能的实现方式中,所述最终环境预测序列还包括预测凝露风险指数;所述预测凝露风险指数通过如下方式生成:

26、从所述数字孪生模型中获取各所述电力设备的表面温度预测值;

27、根据所述最终温度预测序列和所述最终湿度预测序列,计算舱内露点温度预测值;

28、计算各所述电力设备的所述表面温度预测值与所述露点温度预测值之间的差值,对所述差值进行归一化处理,根据归一化处理结果生成所述预测凝露风险指数。

29、在第一方面的一种可能的实现方式中,所述决策模型采用如下方式训练获得:

30、将所述电力方舱的环境调节问题建模为马尔可夫决策过程;

31、在所述马尔可夫决策过程中定义状态空间,所述状态空间至少包括所述最终环境预测序列、各所述环境调节设备的当前运行功率、舱外环境参数和电网实时电价;

32、在所述马尔可夫决策过程中定义动作空间,所述动作空间为各所述环境调节设备的可控运行参数;

33、在所述马尔可夫决策过程中设计奖励函数,所述奖励函数为环境安全约束惩罚项与能耗成本、设备折旧成本的加权负和;

34、在所述数字孪生模型提供的虚拟环境中,以最小化所述奖励函数的累计值为优化目标,对初始决策模型进行训练,生成训练好的所述决策模型。

35、在第一方面的一种可能的实现方式中,所述根据所述多设备协同动作向量生成对各环境调节设备的控制指令,并将所述控制指令下发至对应的环境调节设备执行,包括:

36、将所述多设备协同动作向量输入安全约束投影层;

37、根据所述最终环境预测序列,通过所述安全约束投影层校验执行所述多设备协同动作向量后各项环境预测值是否处于对应的安全阈值范围内;

38、若校验通过,则根据所述多设备协同动作向量生成所述控制指令并下发至对应的环境调节设备;

39、若校验不通过,则对所述多设备协同动作向量进行修正,直至修正后的所述多设备协同动作向量满足各所述安全阈值范围对应的安全约束条件,再根据修正后的所述多设备协同动作向量生成所述控制指令并下发。

40、第二方面,本技术实施例提供了一种数据中心电力方舱环境预测性调节系统,包括:

41、数字孪生建模模块,用于根据获取到的电力方舱的物理结构参数、设备布局信息及设备热特性参数,构建所述电力方舱的数字孪生模型;

42、采集模块,用于根据采集的多源数据对所述数字孪生模型进行更新;

43、数据驱动预测模块,用于根据所述多源数据,通过预先训练好的预测模型进行数据驱动预测,获得数据驱动预测序列;

44、机理驱动预测模块,用于基于更新后的所述数字孪生模型进行多物理场耦合仿真,获得机理驱动预测序列;

45、预测融合模块,用于对所述数据驱动预测序列和所述机理驱动预测序列进行融合,根据融合结果生成最终环境预测序列;

46、决策模块,用于根据所述最终环境预测序列及电力设备的实时运行状态构造状态向量,将所述状态向量输入预先训练好的决策模型,经由所述决策模型处理后输出多设备协同动作向量;

47、指令执行模块,用于根据所述多设备协同动作向量生成对各环境调节设备的控制指令,并将所述控制指令下发至对应的环境调节设备执行。

48、第三方面,本技术实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的数据中心电力方舱环境预测性调节方法。

49、第四方面,本技术实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面中任一项所述的数据中心电力方舱环境预测性调节方法。

50、第五方面,本技术实施例提供了一种计算机程序产品,当计算机程序产品在计算机设备上运行时,使得计算机设备执行上述第一方面中任一项所述的数据中心电力方舱环境预测性调节方法。

51、本技术实施例,通过预测模型输出未来时间窗口内的温度预测序列和湿度预测序列,以及通过数字孪生模型进行多物理场耦合仿真输出机理驱动预测序列,并对两者融合生成最终环境预测序列,由于该最终环境预测序列表征的是未来时间窗口内环境参数的变化趋势,且该变化趋势在相邻采样间隔之间即可由系统获取,因此控制器无需等待下一采样时刻的温度读数即可获知环境参数变化,控制指令的生成不再受限于固定采样频率;通过将电力设备的实时运行状态纳入状态向量,由于该状态向量中的实时运行状态数据反映了电力设备在当前时刻的实际发热水平,决策模型基于该状态向量输出的多设备协同动作向量中包含与当前发热水平相匹配的调节量,因此控制指令中包含与电力设备当前实时运行状态对应的调节量。

52、可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。