一种数据中心液冷泵阀协同预测控制方法
本发明涉及数据中心液冷热管理、热流体系统数字孪生、支路图温度预测和模型预测控制,尤其涉及一种数据中心液冷泵阀协同预测控制方法。
背景技术:
1、数据中心服务器在运行人工智能训练、在线推理、高性能计算和大规模网络服务时,芯片持续产生大量热量。随着单机柜功率密度和芯片热流密度不断提高,传统风冷系统在局部热点抑制、风机能耗控制和气流组织管理方面面临日益严峻的压力。冷板液冷技术通过将冷板与芯片或封装表面直接接触,并利用冷却液带走热量,能够显著缩短热传递路径,提高高热流密度场景下的散热能力,已成为数据中心散热领域的重要技术方向。
2、二次侧冷板液冷系统通常包括冷量分配单元、二次泵、换热器、旁通阀、供水管路、回水管路、机柜歧管以及多个服务器冷板支路。冷却液在二次泵驱动下进入各服务器冷板支路,吸收芯片热量后返回冷量分配单元,并通过换热器将热量传递至一次侧冷源。其中,二次泵转速和旁通阀开度是系统运行中两个可在线调节的执行器变量。二次泵转速主要改变二次侧循环流量,流量增大通常能够增强冷板对流换热能力,但会增加泵功消耗和机械磨损;旁通阀开度主要改变回水绕过换热器的比例,进而影响混合后的二次侧供水温度,但旁通阀调节存在混合滞后、阀门动作约束和换热器热惯性。两类执行器作用机理不同、时间尺度不同,需协同控制,而非简单地仅调节泵速或仅调节阀位。
3、数据中心服务器热负荷随业务请求、计算任务和调度策略不断变化,不同服务器支路之间的热负荷分布亦存在显著差异。即使系统总热负荷相同,某一支路局部流量不足或其入口水温偏高,也可能导致该支路芯片温度成为全系统最高温度。若控制器仅观察供水温度、回水温度或总流量等全局信息,难以及时发现局部热点的形成原因,也无法有效区分热点是由总热负荷升高、某支路流量不足、某支路入口温度偏高还是旁通混合变化所致。因此,需引入支路级建模与状态接口,使控制器能够同时利用系统级状态和每个服务器冷板支路的局部状态。
4、现有技术中,与上述需求接近的实现方式主要分为以下几类。第一类是固定工况或开环控制方式,二次泵、旁通阀或支路阀门按固定值运行,控制逻辑简单,适用于负荷变化较小或保守运行场景。第二类是比例积分控制或比例积分微分控制方式,控制器根据当前温度与设定值的偏差调节泵速或阀位,工程实现方便,广泛用于温度反馈控制。第三类是线性模型预测控制方式,先建立线性状态空间模型或线性输入输出模型,再在有限预测时域内优化泵速和阀位,使温度跟踪误差和动作代价较小。第四类是数据驱动温度预测方式,使用多层感知机、循环神经网络、长短期记忆网络、梯度提升树或图结构模型,根据历史温度、流量、热负荷和执行器状态预测未来温度。第五类是液冷系统数字孪生或仿真建模方式,使用热阻热容模型、集总参数模型、计算流体力学模型或多物理域模型描述冷板、管路、泵阀、换热器和热负荷之间的关系。
5、然而,上述现有技术仍存在以下不足。固定泵速或阀位运行不能根据服务器负荷变化按需调节,容易形成长期过度冷却,造成泵功浪费和运行能效偏低。普通反馈控制主要依据当前温度误差动作,缺少对未来温度变化的预估能力,难以提前比较不同泵阀动作对未来热点温度的影响。线性模型预测控制通常依赖低阶线性模型,难以准确表达冷板对流换热随流量变化、旁通混合、换热器热惯性、歧管流量分配和多支路局部热点等非线性因素。仅使用全局供水温度、回水温度或热点温度作为预测输入时,控制器无法区分热点产生的具体原因。仅建立仿真模型而不形成可读写的状态接口时,模型难以直接服务于在线控制;仅建立机器学习预测模型而不明确其与液冷对象和状态来源之间的对应关系时,难以保证控制输入和输出具有明确的物理含义。
6、此外,仅按开环预测误差选择预测模型,可能出现开环预测精度较高但闭环控制效果不佳的情况,闭环控制更关注候选控制动作的排序、安全温度约束、执行器约束和长期温度偏差。在泵阀协同控制过程中,若未同时考虑泵速变化代价、阀位变化代价和温度安全软约束,容易出现执行器频繁大幅动作、阀门抖动或为了降低瞬时温度而过度使用执行器的问题。
7、综上,如何在数据中心二次侧冷板液冷系统中,构建能够反映冷板支路、机柜歧管和冷量分配单元动态特性的状态接口,并基于该状态接口对二次泵转速和旁通阀开度进行协同预测控制,使热点温度满足安全要求,同时降低长期温度偏差和执行器动作代价,已成为本领域亟需解决的技术问题。
8、具体而言,亟需一种将冷板支路热流体特性与系统全局热动态统一描述、将支路拓扑关系纳入预测模型、并能够在每个采样时刻以有限计算量滚动选择可执行泵速和阀位命令的控制方法。
技术实现思路
1、本发明的主要目的在于提供一种数据中心液冷泵阀协同预测控制方法。
2、本发明的另一个目的在于提出一种电子设备。
3、本发明的第三个目的在于提出一种非临时性计算机可读存储介质。
4、为达上述目的,本发明第一方面实施例提出了一种数据中心液冷泵阀协同预测控制方法,包括:
5、读取当前液冷系统的系统级状态和支路级状态,所述系统级状态包括供水温度、回水温度、总质量流量、二次泵转速和旁通阀开度,所述支路级状态包括每个服务器冷板支路的芯片温度、入口温度、出口温度、质量流量和压降;
6、基于当前二次泵转速和旁通阀开度,在各自允许变化范围内生成多个候选泵速与候选阀位,并将两者两两组合构成候选泵阀控制序列;
7、将所述系统级状态和所述支路级状态加入历史窗口,将各支路作为图节点、连接关系作为图边构成支路图,将历史窗口、候选泵阀控制序列和支路图共同输入支路图多步预测模型,得到各候选序列对应的未来热点温度序列;
8、根据所述未来热点温度序列计算各候选泵阀控制序列的代价,所述代价包括未来热点温度相对设定值的偏差代价、超温软惩罚代价、候选泵速相对当前泵速的变化代价以及候选阀位相对当前阀位的变化代价;
9、选择代价最小的候选泵阀控制序列,提取该序列中当前采样周期的泵速命令和旁通阀开度命令,对所述命令进行限幅、变化率限制和一阶滤波后下发至二次泵和旁通阀执行器,并在下一采样时刻返回重新执行以上步骤,完成泵阀协同的滚动预测控制。
10、可选的,读取当前液冷系统的系统级状态和支路级状态,包括:
11、将状态接口配置为多物理域数字孪生模型封装的功能样机单元,供外部控制器写入二次泵转速、旁通阀开度、一次侧入口温度、一次侧质量流量、服务器热负荷和支路阀门开度,并向外部控制器返回供水温度、回水温度、总流量、泵压差以及每支路的流量、温度和压降,返回信息中包括当前二次泵转速和当前旁通阀开度;
12、将状态接口替换为实际传感器和执行器接口,通过温度传感器提供供水温度、回水温度和支路温度,通过流量计提供总流量和支路流量,通过压差传感器提供泵压差和支路压降,通过服务器管理系统或功率采集模块提供热负荷估计值,通过通信接口读取当前二次泵转速和当前旁通阀开度,并通过通信接口接收控制器下发的泵速命令和旁通阀开度命令。
13、可选的,基于当前二次泵转速和旁通阀开度,在各自允许变化范围内生成多个候选泵速与候选阀位,包括:
14、以通过所述状态接口获取的当前二次泵转速和当前旁通阀开度为中心点,分别在允许最小转速与最大转速范围内、允许最小阀位与最大阀位范围内,按照单步最大变化量限制生成若干个候选泵速和若干个候选阀位;
15、将所生成的候选泵速集合与候选阀位集合进行两两组合,构成有限个候选泵阀控制对;
16、将每个控制对在预测窗口内构造为候选未来控制序列。
17、可选的,将所述系统级状态和所述支路级状态加入历史窗口,包括:
18、在每个采样时刻将当前读取的所述系统级状态和所述支路级状态加入所述历史窗口,并移除超出窗口长度的最旧数据以保持窗口长度固定;
19、在所述历史窗口中保留最近若干个采样时刻的系统级状态、支路级状态和执行器状态,所述系统级状态还包括总热负荷,所述支路级状态包括每个支路的芯片温度、入口温度、出口温度、质量流量和压降,执行器状态包括上一时刻泵速命令和上一时刻旁通阀开度命令。
20、可选的,将各支路作为图节点、连接关系作为图边构成支路图,包括:
21、将每个服务器冷板支路作为一个图节点,以该支路的芯片温度、入口温度、出口温度、质量流量和压降作为节点特征,其中节点特征来自历史窗口中对应支路的状态数据;
22、将支路之间的歧管连接关系、相邻关系或共享供回水路径作为图边;
23、将所述历史窗口中的历史系统级状态序列和历史支路图状态序列,连同所述候选泵阀控制序列,作为所述支路图多步预测模型的三部分输入。
24、可选的,将历史窗口、候选泵阀控制序列和支路图共同输入支路图多步预测模型,得到各候选序列对应的未来热点温度序列,包括:
25、以所述历史窗口中的历史系统级状态序列和历史支路图状态序列反映系统整体热惯性及每个支路的局部热流体状态,以所述候选泵阀控制序列表示未来拟比较的泵阀动作,以所述支路图反映支路间的拓扑耦合关系,将三者共同输入所述支路图多步预测模型;
26、采用图神经网络对所述支路图进行信息聚合,并采用门控循环单元、长短期记忆网络或时间卷积网络提取历史热动态,输出各候选序列对应的预测窗口内各采样时刻的各芯片温度预测值;
27、将预测窗口内每个采样时刻各芯片温度预测值中的最大值作为该采样时刻的热点温度预测值,将预测窗口内各采样时刻的热点温度预测值按时间顺序排列,构成所述未来热点温度序列。
28、可选的,根据所述未来热点温度序列计算各候选泵阀控制序列的代价,包括:
29、将所述未来热点温度序列中各采样时刻的热点温度预测值相对设定值的偏差平方和作为所述偏差代价;
30、当预测热点温度未超过安全温度阈值时将所述超温软惩罚代价设为零,当预测热点温度超过安全温度阈值时使所述超温软惩罚代价随预测热点温度超出安全温度阈值的幅度增大而增大,驱动控制器选择能够避免超温的候选泵阀动作;
31、将候选泵速相对当前泵速的变化量作为所述泵速变化代价,将候选阀位相对当前阀位的变化量作为阀位变化代价;
32、将偏差代价、超温软惩罚代价、泵速变化代价和阀位变化代价经加权求和,构成各候选泵阀控制序列的总代价。
33、可选的,对所述命令进行限幅、变化率限制和一阶滤波后下发至二次泵和旁通阀执行器,包括:
34、选择总代价最小的候选泵阀控制序列,提取该序列中当前采样周期的泵速命令和旁通阀开度命令;
35、通过所述限幅将泵速命令限制在预设最小转速与最大转速之间,将旁通阀开度命令限制在预设最小开度与最大开度之间;
36、通过所述变化率限制使每个采样周期内泵速命令和旁通阀开度命令的变化量不超过预设最大变化量;
37、将经限幅和变化率限制后的命令经一阶滤波后下发至二次泵变频器和旁通阀执行器,并在下一采样时刻返回重新执行以上步骤,完成泵阀协同的滚动预测控制。
38、为达上述目的,本技术第二方面实施例提出了一种电子设备,包括:处理器和存储器;其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如第一方面实施例所述的一种数据中心液冷泵阀协同预测控制方法。
39、为达上述目的,本技术第三方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面实施例所述的一种数据中心液冷泵阀协同预测控制方法。
40、本发明实施例具有以下有益效果:
41、(1)本方法通过将液冷系统多物理域建模结果转化为可读写的统一状态接口,使系统级状态与支路级状态能够同时供控制器读取和使用,填补了仿真模型与在线控制之间的数据鸿沟,为预测控制提供了明确的物理输入来源。
42、(2)本方法通过将各服务器冷板支路表示为图节点、支路间歧管连接关系表示为图边,将支路拓扑耦合信息纳入预测模型,使控制器能够区分局部热点是由总热负荷升高、某支路流量不足还是入口温度偏高所致,从而提升了对非均匀热负荷分布的适应能力。
43、(3)本方法通过使预测模型显式接收候选未来泵阀控制序列并输出对应的未来热点温度序列,实现对不同泵速与阀位组合在未来时段内温度后果的定量比较,克服了传统反馈控制缺少前瞻性、难以协调两类不同机理执行器的缺陷。
44、(4)本方法通过在每个采样时刻以局部枚举方式比较有限个候选泵阀动作,结合安全温度软惩罚和执行器动作变化代价,在避免在线求解复杂非线性规划的同时,将热安全约束和执行器保护统一纳入控制决策,有利于降低超温风险和机械磨损。
45、(5)本方法通过将预测模型、候选生成方式和目标函数权重设置为可根据不同数据中心配置调整的形式,并支持先在数字孪生环境中验证再切换至实际传感器接口,具有良好的扩展性和工程部署便利性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com