一种高效机房控制方法和装置与流程

1.本发明涉及机房空调控制技术领域，具体而言，涉及一种高效机房控制方法和装置。


背景技术：

2.近年来，数据中心在国内发展迅速，为了实现机房设备的稳定运行，制冷和空调所产生的功耗非常大，约占数据中心机房所需的总功耗的35％以上，因此对现有数据机房进行节能改造具有重要意义。
3.目前，数据中心机房中安装的空调大部分都是直接设定空调温度不断电工作，各空调之间独立运行，不具备协同控制室温的能力，造成整体运行效率低下，机房区域冷热不均，室内环境温度波动大。有些机房内为了实现空调的协同工作，需要在室内布置大量的传感器等硬件设施，造成运行维护成本，实施困难的问题。


技术实现要素：

4.鉴于上述问题，本发明提供了一种高效机房控制方法和装置，解决了现有技术中空调之间不具备协同控制室温的能力，造成整体运行效率低下，机房区域冷热不均，室内环境温度波动大的问题。
5.为解决上述技术问题，本发明采用的技术方案是：一种高效机房控制方法，包括如下步骤：根据机房的边界条件和初始条件，利用cfd软件建立机房内空气的温度场和速度场；将所述机房内部划分为多个栅格，根据所述温度场计算每个栅格内的第一温度；在机房内安装有多个温度传感器，获取检测温度，并结合速度场计算所述每个栅格内的第二温度；计算所述每个栅格内对应第一温度和第二温度的平均值，再计算所有栅格的温度均值，即所述机房的温度均值；根据所述机房的温度均值和设定温度，采用基于bp神经网络的pid算法获得功率投入比；根据所述功率投入比和热点区域，控制空调的开启时间和开启顺序。
6.作为优选方案，所述边界条件包括空调出风口温度、空调送流速度、机架热通量、墙壁热通量，所述初始条件包括空调出风口初始温度、空调初始送流速度和机柜功率参数。
7.作为优选方案，所述利用cfd软件建立机房内空气的温度场和速度场，包括：根据机房内机柜和空调的结构和尺寸，构建机房物理模型；将所述机房物理模型导入cfd软件，确定模拟计算域，并将所述计算域分块处理，获得多个子区域；在所述子区域上进行网格划分，网格划分完成后整合并导出网格文件；将所述网格文件导入求解器中，选择计算模型并设置模型参数，所述计算模型为零方程湍流模型；根据机柜功率参数和边界条件，初始化计算模型并进行迭代求解，获得温度场和速度场。
8.作为优选方案，所述结合速度场计算所述每个栅格内的第二温度，包括：选取与待测栅格中心点最近的温度传感器，作为选定传感器；根据所述速度场获取待测栅格中心点与选定传感器之间的温度梯度线；根据所述选定传感器的当前温度值和温度梯度线，获得待测栅格中心点温度，即第二温度。
9.作为优选方案，所述温度梯度线的计算公式如下：上式中，为第二温度，为选定传感器的当前温度值，为散热系数，为选定传感器与待测栅格中心点的距离，为选定传感器与待测栅格中心点之间的平均流速。
10.作为优选方案，所述采用基于bp神经网络的pid算法获得功率投入比，包括：步骤1：确定bp神经网络的输入节点数和隐含层节点数，并选定学习率和惯性系数；步骤2：给定bp神经网络的输入向量和目标输出，获得隐含层和输出层各节点输出，输出层的输出即为pid控制器的比例系数、积分系数和微分系数；步骤3：通过采样获得输入值和输出值，并计算时刻误差；步骤4：根据输出层的输出和时刻误差，基于pid算法计算pid输出，所述pid输出即功率投入比：步骤5：根据所述pid输出对bp神经网络进行迭代训练，同时调整加权系数。
11.作为优选方案，所述热点区域为栅格内温度平均值高于机房的温度均值加上变差的栅格区域。
12.作为优选方案，所述控制空调的开启时间和开启顺序，包括：计算当前运行空调的总制冷量，根据所述功率投入比确定当前所需制冷量，再根据所需制冷量确定空调的开启时间；若存在热点区域，则将处于该区域的空调调整为第一优先级，立即开启，进行快速降温。
13.本发明还公开了一种高效机房控制装置，包括：场建立模块，用于根据机房的边界条件和初始条件，利用cfd软件建立机房内空气的温度场和速度场；第一温度计算模块，用于将所述机房内部划分为多个栅格，根据所述温度场计算每个栅格内的第一温度；第二温度计算模块，用于在机房内安装有多个温度传感器，获取检测温度，并结合速度场计算所述每个栅格内的第二温度；温度均值计算模块，用于计算所述每个栅格内对应第一温度和第二温度的平均值，再计算所有栅格的温度均值，即所述机房的温度均值；pid算法模块，用于根据所述机房的温度均值和设定温度，采用基于bp神经网络的pid算法获得功率投入比；空调控制模块，用于根据所述功率投入比和热点区域，控制空调的开启时间和开启顺序。
14.与现有技术相比，本发明的有益效果包括：基于机房的边界条件和初始条件，采用cfd软件实现了对机房内空气温度场和速度场的模拟，根据温度场计算第一温度，再根据速度场和检测温度计算第二温度，结合第一温度和第二温度确定温度均值，只需安装少量的温度传感器即可实现对温度场数据的修正，提高了机房内温度均值评估的精准度。此外，利用bp神经网络控制规则对传统的pid算法进行优化，提升了pid控制效果稳定性，能够保证机房温度分布均匀，节能效果显著。
附图说明
15.参照附图来说明本发明的公开内容。应当了解，附图仅仅用于说明目的，而并非意在对本发明的保护范围构成限制。在附图中，相同的附图标记用于指代相同的部件。其中：图1为本发明实施例高效机房控制方法的流程示意图；图2为本发明实施例机房的布置图；图3为本发明实施例基于bp神经网络的pid算法原理图；
图4为本发明实施例温度场的模拟仿真图；图5为本发明实施例速度场的模拟仿真图；图6为本发明实施例高效机房控制装置的结构示意图。
具体实施方式
16.容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
17.根据本发明的一实施方式结合图1示出。一种高效机房控制方法，包括如下步骤：s101，根据机房的边界条件和初始条件，利用cfd软件建立机房内空气的温度场和速度场。边界条件包括空调出风口温度、空调送流速度、机架热通量、墙壁热通量等，初始条件包括空调出风口初始温度、空调初始送流速度和机柜功率参数等。温度场和速度场的模拟仿真图分别见图4和5。
18.应理解，计算流体力学(computational fluid dynamics，简称cfd)是通过计算机数值计算和图像显示，对物理和化学现象做系统的分析，通过cfd模拟能够得到流场内各个位置上的基本物理量(如速度、压力、温度、浓度等)的分布，所得到的结果具有普遍性，为实验研究和工业设计提供了很好的指导作用。常用的有ansys fluent、ansys cfx、star-ccm等，本技术中采用ansys fluent软件对机房的热环境进行模拟仿真。
19.具体的，上述利用cfd软件建立机房内空气的温度场和速度场，包括：1)根据机房内机柜和空调的结构和尺寸，构建机房物理模型。
20.2)将机房物理模型导入cfd软件，确定模拟计算域，并将计算域分块处理，获得多个子区域。
21.3)在子区域上进行网格划分，网格划分完成后整合并导出网格文件。
22.4)将网格文件导入求解器中，选择计算模型并设置模型参数，计算模型为零方程湍流模型。
23.5)根据机柜功率参数和边界条件，初始化计算模型并进行迭代求解，获得温度场和速度场。
24.s102，将机房内部划分为多个栅格，根据温度场计算每个栅格内的第一温度。在栅格内采集若干数据点，每个数据点具有一个温度值，将栅格内所有数据点的温度值相加，再除以数据点的个数，即可获得每个栅格内的第一温度。
25.s103，在机房内安装有多个温度传感器，获取检测温度，并结合速度场计算每个栅格内的第二温度。如图2所示，在机房的栅格交叉点上安装一个温度传感器，该温度传感器实时检测温度，栅格的数量可根据机房的面积进行划分，一般为每100平方设置16个栅格，相应的安装9个温度传感器，极大节省了温度传感器的数量。
26.上述结合速度场计算每个栅格内的第二温度，包括：选取与待测栅格中心点最近的温度传感器，作为选定传感器。根据速度场获取待测栅格中心点与选定传感器之间的温度梯度线。根据选定传感器的当前温度值和温度梯度线，获得待测栅格中心点温度，即第二温度。
27.当待测栅格中心点与周围多个温度传感器相邻，且距离相等时，将相邻的所有温度传感器作为选定传感器，计算获得多个待测栅格中心点温度，再将多个待测栅格中心点温度的均值作为第二温度，可以进一步提高第二温度的评估精度。当多个待测栅格中心点温度存在异常点时，需要将该异常点剔除后再计算。
28.温度梯度线的计算公式如下：上式中，为第二温度，为选定传感器的当前温度值，为散热系数，为选定传感器与待测栅格中心点的距离，为选定传感器与待测栅格中心点之间的平均流速。
29.s104，计算每个栅格内对应第一温度和第二温度的平均值，再计算所有栅格的温度均值，即机房的温度均值。
30.s105，根据机房的温度均值和设定温度，采用基于bp神经网络的pid算法获得功率投入比。基于bp神经网络的pid算法原理图如图3所示。
31.具体的，采用基于bp神经网络的pid算法获得功率投入比，包括：步骤1：确定bp神经网络的输入节点数和隐含层节点数，并选定学习率和惯性系数。
32.步骤2：给定bp神经网络的输入向量和目标输出，获得隐含层和输出层各节点输出，输出层的输出即为pid控制器的比例系数、积分系数和微分系数。由于这三个系数都不能为负，则输出层的变换函数取非负的sigmoid函数，而隐含层的神经元变换函数可取正负对称的sigmoid函数。
33.步骤3：通过采样获得输入值和输出值，并计算时刻误差。
34.步骤4：根据输出层的输出和时刻误差，基于pid算法计算pid输出，pid输出即功率投入比：步骤5：根据pid输出对bp神经网络进行迭代训练，同时调整学习算法的加权系数，即根据上一代的总误差函数，增加或减小学习率。
35.s106，根据功率投入比和热点区域，控制空调的开启时间和开启顺序。该热点区域为栅格内温度平均值高于机房的温度均值加上变差的栅格区域，该变差即允许在机房的温度均值上浮的最大值。若存在热点区域，则将处于该区域的空调调整为第一优先级，立即开启，进行快速降温。
36.本发明实施例中，控制空调的开启时间和开启顺序，包括：计算当前运行空调的总制冷量，根据功率投入比确定当前所需制冷量，再根据所需制冷量确定空调的开启时间。功率投入比是指运行空调的输出功率与所有空调的额定功率之和的比值。所需制冷量为功率投入比与每单位功率投入比所产生制冷量的乘积。
37.例如：当前运行空调数量为8台，输出功率为80%，待机空调为2台，输出功率为0%，则当前的功率投入比为64%；若算法模型输出的功率投入比为75%，则所需制冷量为（75%-64%）*每单位功率投入比所产生制冷量，此时启动待机空调，将其输出功率设置为11%，开启时间为输出功率投入增量*每单位输出功率投入增量所需时间，即11*10s。当运行空调的输出功率低于设定比值（如80%）时，优先调整运行空调的输出功率，即将输出功率投入增量平均分配至运行空调上，能够避免机房内的温度出现大幅波动，提高系统平滑性。
38.参见图6，本发明还公开了一种高效机房控制装置，包括：场建立模块101，用于根据机房的边界条件和初始条件，利用cfd软件建立机房内空气的温度场和速度场。
39.第一温度计算模块102，用于将机房内部划分为多个栅格，根据温度场计算每个栅格内的第一温度。
40.第二温度计算模块103，用于在机房内安装有多个温度传感器，获取检测温度，并结合速度场计算每个栅格内的第二温度。
41.温度均值计算模块104，用于计算每个栅格内对应第一温度和第二温度的平均值，再计算所有栅格的温度均值，即机房的温度均值。
42.pid算法模块105，用于根据机房的温度均值和设定温度，采用基于bp神经网络的pid算法获得功率投入比。
43.空调控制模块106，用于根据功率投入比和热点区域，控制空调的开启时间和开启顺序。
44.综上所述，本发明的有益效果包括：基于机房的边界条件和初始条件，采用cfd软件实现了对机房内空气温度场和速度场的模拟，根据温度场计算第一温度，再根据速度场和检测温度计算第二温度，结合第一温度和第二温度确定温度均值，只需安装少量的温度传感器即可实现对温度场数据的修正，提高了机房内温度均值评估的精准度。此外，利用bp神经网络控制规则对传统的pid算法进行优化，提升了pid控制效果稳定性，能够保证机房温度分布均匀，节能效果显著。
45.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
46.应理解，所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括 ：u 盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
47.本发明的技术范围不仅仅局限于上述说明中的内容，本领域技术人员可以在不脱离本发明技术思想的前提下，对上述实施例进行多种变形和修改，而这些变形和修改均应当属于本发明的保护范围内。