一种用于数据中心空调系统的调优系统技术方案

本发明专利技术公开了一种用于数据中心空调系统的调优系统，该系统以制冷系统数据为纽带包括：数据采集模块、数据存储模块、数据监视模块、数据处理模块、数据接收及发布模块、数据展示模块；运行时，数据采集模块收集制冷系统数据，数据存储模块进行汇总；运行时，数据监视模块监视各模块内数据异常情况，提供设备健康度和安全报警显示；运行时，数据处理模块负责建模和系统寻优；运行时，数据展示模块按要求整理数据，展示各项指标等；运行时，数据接收及发布模块自动下发制冷设备调优参数实现节能，同时实时采集设备运行参数。本发明专利技术能够实现动态调参、设备健康度诊断，在保障制冷设备寿命的基础上降低制冷系统能耗。基础上降低制冷系统能耗。基础上降低制冷系统能耗。

【技术实现步骤摘要】
一种用于数据中心空调系统的调优系统


[0001]本专利技术涉及数据中心暖通空调领域，特别是一种用于数据中心空调系统的调优系统。

技术介绍

[0002]随着我国云计算、人工智能、5G的迅猛发展，数据正呈现数倍增长，作为数据的承载体数据中心也与日俱增，2020年我国数据中心行业全年规模实现2238.7亿元。中国数据中心行业规模增长迅猛，从而造成了行业能耗的急剧增长。数据中心除了耗电量高之外，其使用的大比例化石能源所带来的空气污染与碳排放问题也尤为突出。在碳中和目标背景下，国家发布《关于加快构建全国一体化大数据中心协同创新体系的指导意见》等政策，提出强化数据中心能源配套机制，推进建设绿色数据中心，实现数据中心行业碳减排。可见绿色低碳运营是数据中心行业健康发展必由之路。
[0003]根据研究显示数据中心能源消耗主要包括IT设备、制冷设备、供配电系统和照明设备，仅IT设备和制冷设备就占到了能源消耗的80％，因此可通过降低制冷系统能耗去解决数据中心的能耗问题。目前降低制冷系统能耗主要分为提升制冷设备性能和优化制冷系统控制策略两种方式。前者往往研发周期较长，同时数据中心行业十分注重设备稳定性，不会轻易尝试新设备；而后者通过BP神经网络、运筹学求解全局最优化等大数据分析手段优化制冷系统控制策略更为合理，也受到越来越多业内人士的高度关注。
[0004]目前数据中心行业对空调和机组的调节控制主要为静态方式，即空调和冷水机组仅在安装时一次性调整好参数，制冷量通常根据机柜的“满载量”“冗余量”数据进行设置，空调则根据回风道温度来调整输出功率。这种简单粗放的管理方式往往会带来不必要的能耗开销。因此，亟需一种用于数据中心空调系统的调优系统在保证制冷设备稳定运行的前提下优化制冷系统控制策略达到降低能耗的目的。

技术实现思路

[0005]专利技术目的：本专利技术所要解决的技术问题是针对现有技术的不足，提供了一种用于数据中心空调系统的调优系统。
[0006]本专利技术公开了一种用于数据中心空调系统的调优系统，系统以制冷系统数据为纽带，包括数据采集模块、数据存储模块、数据监视模块、数据处理模块、数据接收及发布模块和数据展示模块；
[0007]所述数据存储模块、数据处理模块与数据监视模块间采用双向数据连接；
[0008]所述数据接收及发布模块与数据处理模块间采用双向数据连接；
[0009]所述数据存储模块的输入端与数据采集模块的输出端连接；
[0010]所述数据展示模块的输入端与数据处理模块的输出端连接。
[0011]本专利技术中，所述数据采集模块起通讯作用，一方面提供接口供采集静态数据信息和性能数据信息以对接历史数据库，另一方面提供接口和相关点码信息供管控平台对接以
获取制冷系统设备参数、传感器数据及制冷系统机理；
[0012]所述联动运行逻辑指制冷设备的联动运行逻辑，包括冷机、冷冻泵、板换、冷却泵、冷却塔、蓄冷罐；
[0013]所述数据存储模块存储所述采集模块基础数据和以基础数据计算的汇总数据，建立制冷系统数据库，支持本地存储和云存储两种方式；
[0014]所述数据处理模块处理数据样本，使用BP神经网络开展模型训练，对模型进行评价和迭代，利用运筹学优化模型求解制冷系统设备调优参数；
[0015]所述数据监视模块利用设备正常运行历史数据训练人工智能AI设备模型，所述人工智能AI设备模型用于比对制冷系统设备异常指标或不规律的波动，发现风险提供报警；
[0016]所述数据展示模块用于实时展示数据中心指标，提供监控功能；
[0017]所述数据接收及发布模块用于发布所述数据处理模块得出的制冷设备调优参数，同时接收设备在新参数模式下的运行数据，进入下一优化周期。
[0018]本专利技术中，所述数据处理模块包括如下步骤：
[0019]步骤A，将制冷系统监控指标设置为关键参数，依据所述关键参数对数据存储模块中脏数据集进行数据清洗，得出清洗后的数据，得出所述关键参数的概率分布；
[0020]步骤B，通过互信息法对步骤A的数据进行特征值选定，选定输入变量和输出变量；通过聚类分析处理得到模型训练所需的数据集；
[0021]步骤C，对所述数据集进行分割，80％数据用于构建训练模型，20％数据用于测试模型；
[0022]步骤D，通过所述数据接收及发送模块获取实时数据，选择四种评估指标对所述输入实时数据的训练模型进行评价迭代；
[0023]步骤E，利用运筹学优化模型对所述负荷预测模型、制冷设备模型、预测维护模型和能耗关联性模型求解制冷系统设备闭环控制模型中各设备加减机及空调的调优参数；
[0024]步骤C中，所述聚类法为K
‑
Means聚类法，其中分组数K＝2，重选定步骤A中已清洗数据的中心进行距离计算和分组，多次重复分组得出输入变量和输出变量数据集；
[0025]所述步骤E中，所述负荷预测模型为在充分考虑制冷设备功耗等高负荷系统运行特性、增容决策、自然条件与外界影响的条件下，利用该模型处理过去与未来负荷的数据模型；
[0026]所述制冷设备模型展示各制冷设备动态控制时的基础信息，为预测维护模型提供设备参数支撑，模型基于冷机、板式换热器、冷却塔、蓄冷罐、冷却泵、冷冻泵等主要制冷设备参数；
[0027]所述预测维护模型通过制冷设备模型的历史数据训练各个设备的AI模型，基于AI设备模型及实时数据，对设备的各个参数进行预测，将AI模型预测值与实际参数进行对比，得到确定的系数R2，均方误差MSE参数，对设备的健康度进行评价，同时识别并标注设备关键指标异常等潜在异常情况；
[0028]所述能耗关联性模型用于模型用于预测采取冷水塔温度调整、冷却泵转速降低或停止等措施，模拟降低多余的制冷系统能耗。
[0029]本专利技术中，所述互信息法计算：
[0030][0031]式中，X、Y为X和Y是共同提供神经网络数据信息的随机变量，在数据集里最大化两个数据集合所拟合出的概率分布的相关性，逐步拟合出与数据真实分布相似的随机变量概率分布，p(x,y)为联合概率分布，p(x)，p(y)为边缘概率分布。
[0032]本专利技术中，步骤C包括：
[0033]步骤C1，利用BP神经网络从所述数据集中训练制冷系统负荷预测模型、制冷设备模型、预测维护模型和能耗关联性模型；
[0034]步骤C2，使用模型预测控制搭建制冷系统设备闭环控制模型，用于求解系统优化问题输出控制指令；
[0035]步骤C3，将所述数据集分割的20％数据录入所述训练模型，用于测试选定神经网络最优结构，得出各模型的输入层数据，隐藏层为个数，隐藏层神经元个数，输出层神经元个数；
[0036]步骤C4，生成符合工况的负荷预测模型、制冷设备模型、预测维护模型和能耗关联性模型。
[0037]本专利技术中，所述四种评估指标计算具体包括：
[0038]指标D1，描述预测值与真实值的接近程度R2：
[0039]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于数据中心空调系统的调优系统，其特征在于：包括数据采集模块、数据存储模块、数据监视模块、数据处理模块、数据接收及发布模块和数据展示模块；所述数据存储模块、数据处理模块与数据监视模块间采用双向数据连接；所述数据接收及发布模块与数据处理模块间采用双向数据连接；所述数据存储模块的输入端与数据采集模块的输出端连接；所述数据展示模块的输入端与数据处理模块的输出端连接。2.根据权利要求1所述的系统，其特征在于：所述数据采集模块起通讯作用，一方面提供接口供采集静态数据信息和性能数据信息以对接历史数据库，另一方面提供接口和相关点码信息供管控平台对接以获取制冷系统设备参数、联动运行逻辑和传感器数据；所述制冷设备包括冷机、板式换热器、冷却塔、蓄冷罐、冷却泵和冷冻泵；所述数据存储模块存储所述采集模块基础数据和以基础数据计算的汇总数据，建立制冷系统数据库，支持本地存储和云存储两种方式；所述数据处理模块处理数据样本，使用BP神经网络开展模型训练，对模型进行评价和迭代，利用运筹学优化模型求解制冷系统设备调优参数；所述数据监视模块利用设备正常运行历史数据训练人工智能AI设备模型，所述人工智能AI设备模型用于比对制冷系统设备异常指标或不规律的波动，发现风险提供报警；所述数据展示模块用于实时展示数据中心指标，提供监控功能；所述数据接收及发布模块用于发布所述数据处理模块得出的制冷设备调优参数，同时接收设备在新参数模式下的运行数据，进入下一优化周期。3.根据权利要求2所述的系统，其特征在于：所述数据处理模块包括如下步骤：步骤A，将制冷系统监控指标设置为关键参数，依据所述关键参数对数据存储模块中脏数据集进行数据清洗，得出清洗后的数据，得出所述关键参数的概率分布；步骤B，通过互信息法对步骤A的数据进行特征值选定，选定输入变量和输出变量；通过聚类分析处理得到模型训练所需的数据集；步骤C，对所述数据集进行分割，80％数据用于构建训练模型，20％数据用于测试模型；步骤D，通过所述数据接收及发送模块获取实时数据，选择四种评估指标对所述输入实时数据的训练模型进行评价迭代；步骤E，利用运筹学优化模型对所述负荷预测模型、制冷设备模型、预测维护模型和能耗关联性模型求解制冷系统设备闭环控制模型中各设备加减机及空调的调优参数。4.根据权利要求3所述的系统，其特征在于：所述互信息法计算：式中，X、Y为共同提供神经网络数据信息的随机变量，p(x,y)为联合概率分布，p(x)，p(y)为边缘概率分布。5.根据权利要求3所述的系统，其特征在于：步骤C包括：步骤C1，利用BP神经网络从所述数据集中训练制冷系统负荷预测模型、制冷设备模型、预测维护模型和能耗关联性模型；步骤C2，使用模型预测控制搭建制冷系统设备闭环控制模型，用于求解系统优化问题
输出控制指令；步骤C3，将所述数据集分割的20％数据录入所述训练模型，用于测试选定神经网络最优结构，得出各模型的输入层数据，隐藏层为个数，隐藏层神经元个数，输出层神经元个数；步骤C4，生成符合工况的负荷预测模型、制冷设备模型、预测维护模型和能耗关联性模型。6.根据权利要求3所述的系统，其特征在于：所述四种评估指标计算具体包括：指标D1，描述预测...

【专利技术属性】
技术研发人员：梅道光，张隽轩，王丽，张文利，田振武，张爱卿，郭少磊，
申请(专利权)人：中通服咨询设计研究院有限公司，
类型：发明
国别省市：