基于大数据实现数据中心PUE预测以及降耗策略的方法与流程

基于大数据实现数据中心pue预测以及降耗策略的方法
技术领域
1.本发明涉及一种数据中心pue的预测方法，尤其是涉及一种基于大数据实现数据中心pue预测以及降耗策略的方法。


背景技术：

2.数据中心作为各行各业数字化转型的基础，其能耗的消耗，一直是关注的焦点，业内一直采用pue指标来衡量数据中心能耗，pue＝数据中心总耗电/数据中心中it设备耗电，所以pue永远大于1.0，如何将pue尽可能的接近于1.0，并且可以根据现有情况，结合天气情况，预测第二天或未来若干天的pue值，为数据中心决策者提供依据，显得尤为重要。


技术实现要素：

3.本发明提供了一种基于大数据实现数据中心pue预测以及降耗策略的方法，解决了数据中心能耗消耗的预测问题，其技术方案如下所述：
4.一种基于大数据实现数据中心pue预测以及降耗策略的方法，包括以下步骤：
5.s1：定义并分解pue计算公式，将计算公式变成含有具体项目的计算方式，并制定降耗目标；
6.s2：确定能够调整的具体项目；
7.s3：对具体项目设定能够进行调整的采集参数，并对这些参数进行数据采集；
8.s4：引入当地温度信息的影响数据；
9.s5：利用人工智能虚拟调整具体项目的参数，将参数作为模拟值，纳入到pue的计算公式中进行模拟试算；
10.s6：结合历史数据，判断虚拟调整的参数是否影响数据中心安全运行，通过不断调整，找出影响数据中心安全运行的临界点；
11.s7：根据临界点得出的虚拟参数，获得未来pue的值；
12.s8：根据未来pue的值，结合现在pue的值，判断是否满足指定的降耗目标；
13.s9：对虚拟调整的参数进行展示，生成降耗策略和参数调整列表。
14.进一步的，步骤s1中，pue＝数据中心总耗电/数据中心中it设备耗电，其中，所述数据中心总耗电和数据中心中it设备耗电，都分解成具体项目的和，所述具体项目分为it设备的能耗、制冷的能耗、照明的能耗、其他办公能耗。
15.进一步的，步骤s1中，降耗目标分阶段进行，每个阶段的差值相同。
16.进一步的，步骤s2中，确定参与pue的具体项目，并划定能够降低能耗的具体项目。
17.进一步的，步骤s3中，所述参数是与具体项目的能耗相关的参数内容。
18.进一步的，步骤s4中，根据数据中心所在位置的海拔、天气因素，在海拔、天气因素对pue形成影响时，决定引入当地的温度信息的影响数据。
19.进一步的，步骤s5中，通过机器学习，利用人工智能将步骤s3中的采集参数的数据进行虚拟调整，并将虚拟调整后的参数数据作为模拟值，纳入到pue的计算公式中进行模拟
试算。
20.进一步的，步骤s6中，历史数据是该数据中心过去的12
‑
36个月的参数数据。
21.进一步的，步骤s8中，如果不满足降耗目标，则判断是否已经影响数据中心的安全运行，然后跳转到步骤s5中，重新进行参数的虚拟调整。
22.所述基于大数据实现数据中心pue预测以及降耗策略的方法，基于成熟的大数据分析技术，对海量的设备监控信息进行科学的检测和利用，并使用人工智能技术，进行机器学习，对影响能耗的参数进行虚拟调整，并模拟最终实现状态，而后预测数据中心pue的未来变化趋势，并提供降耗策略。
附图说明
23.图1是所述基于大数据实现数据中心pue预测以及降耗策略的方法的流程示意图；
24.图2是数据中心用电层级示意图；
25.图3是数据中心用电监测点示意图；
26.图4是pue调整特征参数示例图；
27.图5是机器学习融合模型试算示意图；
28.图6是pue的模拟计算示意图；
29.图7是通过列表的方式展示参与计算的设备参数的示意图。
具体实施方式
30.对数据中心中的制冷系统进行节能降耗，是数据中心降低pue的重要手段。制冷系统由冷水机组、水泵、冷却塔、末端空调等组成，由于制冷与设备散热、设备配置、机房环境，大气条件相互关联，在运维达到一定成熟度后，单纯凭借硬件节能或者基于人工经验的简单调优，都已经无法满足能耗进一步降低要求。传统冷冻水制冷系统能耗高的原因主要包括：
31.(1)水温设定不合理。冷冻水末端的进水温度一经设定，生命周期内不做调整。但这样简单的设定，无法匹配实际的业务运行情况。根据经验，水温设定每提升1℃，冷水机组效率提升1％
‑
3％。但基于人工经验，很难精确计算出水温调节的比例，且无法和it负载波动实时联动；
32.(2)群控系统的管理技术不足。ba系统控制下的制冷系统是按照设定目标值工作，制冷设备运行效率低，使得整个制冷系统长期运行在低效区间，而且由于控制的不合理，造成了机房温度的不稳定，从而进一步提升了制冷系统的能耗。
33.为了更好的提升能源效率，降低pue，需要对数据中心的整个制冷链路进行端到端的采集监控和综合训练，从而使系统能够根据现状完成最优的制冷参数调整，达到数据中心节能的目的。随着大数据技术的广泛应用，利用大数据的存储和分析能力，对数据中心制冷能耗进行海量数据的采集和试算,并利用人工智能进行机器学习，对数据中心的制冷数据进行学习和模拟调整，从而计算出，在不影响数据中心正常运行的前提下，通过ai系统深度学习，自动推理出最优pue下的系统模拟参数，实现制冷系统精确按需制冷，集中管理，自动调整，有效降低制冷系统能耗，从而降低数据中心整体pue指标,实现数据中心能效最优。
34.本发明提供的基于大数据实现数据中心pue预测以及降耗策略的方法，基于人工
智能的数据中心能效优化技术，在给定气候条件等条件下，通过对大量数据的业务分析和清洗，利用ai深度学习推理寻优 专家经验调优，探索影响能耗的关键因素，形成一套可对能耗进行预测、调优的模型。并将上述模型应用到实践体系中，通过不断调整优化，实现绿色数据中心的目标。如图1所示，包括以下步骤：
35.s1：定义pue计算公式并制定降耗目标
36.数据中心用电层级示意见图2所示，总耗电包括it设备的能耗w1、制冷的能耗w2、照明的耗电w3、办公及其他耗电w4等，将以上能耗数据纳入到数据中心pue计算公式中，pue＝数据中心总耗电w/数据中心中it设备耗电w1，并制定降低pue的目标值(目标值理想情况一般可限定在1.4以下)，目前，大多数的数据中心的pue值在1.7以上，通过此方法可降低至1.4左右。
37.所述pue的实际含义，是计算在提供给数据中心的总电能中，有多少电能是真正应用到it设备上。数据中心机房的pue值越大，则表示制冷和供电等配套基础设施所消耗的电能越大。pue定义简单、易于操作，只需分别测量出数据中心总耗电和it设备耗电，就能计算出数据中心的pue值。
38.为计算pue，需要在如图3所示的数据中心监测点中，测量数据中心总耗电及it设备耗电，具体测量点如下所述：
39.数据中心总耗电：在正常情况下，数据中心的电能由市电提供，测量点应取市电输入变压器之前，即图中的m1点。当市电故障情况下，柴油发电机产生的电力(图中的m2点)作为数据中心总耗电的测量点。如果是多用途机房楼，数据中心总耗电计算中，需减去在m4点测量的办公等其它耗电。
40.it设备耗电：在数据中心中，只有it设备的耗电被认为是“有意义”的电能。严格来说，it设备耗电应该在各it设备输入电源处测量耗电量并进行加总，但由于it设备数量较多，这一方法将大大增加测量工作量和成本。因此，在实际操作中，可在ups输出或者列头柜配电输入处进行测量，将测量值加总作为it设备耗电，测量点即图中的m3点。
41.pue指标的测量点：
42.确定测量点之后，根据定义，pue的计算方法为：
43.pue＝(pm1 pm2
–
pm4)/pm3
44.其中pm1为在m1点测得的用电量，依此类推。
45.s2：确定可以调整的领域
46.根据数据中心实际情况，确定参与调整pue的领域，如分别对应制冷的能耗w2、照明的耗电w3、办公及其他耗电w4的照明、制冷、空调耗电等，大多数情况下，数据中心主要是通过降低制冷系统的能耗来调整和降低数据中心pue值。
47.s3：海量数据采集
48.对it设备、制冷设备、照明设备以及其他耗能设备进行耗能情况数据采集，用于计算数据中心pue值，同时实时采集影响和控制制冷系统功率的调整的一些主要参数，比如：
49.环境参数：室外气候条件(干球温度、湿球温度、相对湿度)等。
50.控制参数：冷却塔逼近度、冷却水出水温度、冷却供回水温差、冷却泵数量、冷冻水出水温度、冷机数量、冷冻总管压差、冷冻泵数量、板换数量、空调送风温度、送回风温差最大和最小值等。
51.衍生参数：冷却塔风机频率、冷却总管出水量、冷却泵频率、冷冻总管温差、冷冻总管路出水流量、冷冻泵频率、冷冻总管回水温度、冷热通道温湿度等。
52.s4：引入必要天气因素
53.根据数据中心所在位置的气候因素，决定是否引入当地的温度信息，例如降温时，可以使用自然冷源进行降温。在实践中本发明主要参考室外气候条件，如干球温度、湿球温度、相对湿度等参数进行参与计算。
54.如图4所示，通过在大量的数据训练，神经网络逐步建立起表征输入、输出值之间关系的数学模型。如图5所示，通过机器学习融合数学模型实现pue值的调整。
55.s5：虚拟调整参数
56.利用人工智能进行机器学习，如图6所示，空调的温度、室外温度、照明用电等功耗参数进行系统层级虚拟调整，将功耗参数作为模拟值，纳入到pue的计算公式中进行模拟试算，例如，降温时，开启新风系统，关闭空调等，模拟参数调整时的实际状态，并计算数据中心整体能耗。
57.调整参数的模拟试算的处理分为以下步骤：
58.·
数据采集：采集冷冻站、末端空调及it负载等系统的相关运行参数；
59.·
数据治理：利用自动化治理工具，对参数进行降维、降噪、清洗等处理；
60.·
特征工程：对治理完成后表格进行相关性分析，找出与pue相关关键参数；
61.·
模型训练：利用高质量的历史数据和dnn(深度神经网络)训练出pue模型；
62.·
推理决策：将模型发布到本地推理平台，结合实时数据推理给出调优策略。
63.s6：判断是否影响数据中心安全运行
64.虚拟调整参数后，根据以往采集的数据(一般采集周期为12
‑
36个月)，对数据中心安全运行进行判断，如果不影响安全运行，则可以继续调整虚拟参数，如it设备、制冷设备、照明设备以及其他设备的能耗数据，直到找出影响安全运行的临界点为止。
65.s7：获得未来pue的值
66.通过试算，结合设备告警的阈值，找到安全运行的临界点的值后，计算未来pue，由此可以预测出最低的pue值是多少。
67.s8：判断是否满足降耗目标
68.通过大量实验数据验证，预测值与根据预测值进行实际调整后的实际pue值之间偏差较小，可以忽略微小偏差。根据预测的pue值来判断是否满足降耗目标，是否可以达到降低能耗pue到达1.41，如果不满足降耗目标，则判断是否已经影响安全运行。然后跳转到步骤s5中，重新进行虚拟调整参数。
69.s9：生成降耗策略和参数调整列表
70.对虚拟调整的参数进行展示，如图7所示，通过列表的方式直观的展示参与计算的设备参数当前值和模拟值，让用户了解机器学习的过程，并以此作为降低能耗的策略依据。所有参数下发可视，每条节能指令均能给出预测的pue/clf值(clf是cooling load factor，称为制冷负载系数，定义是为数据中心制冷设备耗电与it设备耗电的比值，即：clf＝制冷设备耗电
÷
it设备耗电)。
71.本发明能够基于成熟的大数据分析技术，对海量的设备监控信息进行科学的检测和利用，并使用人工智能技术，进行机器学习，对影响能耗的参数进行虚拟调整，并模拟最
终实现状态，而后预测数据中心pue的未来变化趋势，并提供降耗策略。