本发明专利技术公开了一种基于神经网络的数据中心能效在线监测方法，涉及中心能源管理领域，解决无法对数据中心的电能利用率进行高效监测的问题，包括：采集数据中心中IT设备的IT耗电数据、照明设备的照明实时耗电量、制冷设备的制冷耗电数据以及数据中心的制冷影响数据；计算多台IT设备对应的IT理论耗电量以及多台制冷设备对应的制冷量；对数据中心内IT设备、制冷设备以及照明设备的耗电数据进行异常数据处理；依据数据中心对应IT设备、制冷设备以及照明设备的耗电情况计算数据中心的电能利用效率，而后计算下一天的PUE预测值；用户终端接收数据中心的电能利用率与下一天的PUE预测值，本发明专利技术实现对数据中心的电能利用率进行高效监测。
1、数据中心作为一种用于维护数千甚至数万台服务器组成的it基础设施，由电力系统、制冷系统、服务器等硬件实体和虚拟机应用等软件服务组成。数据中心是现代信息社会的关键基础设施，支撑着各种在线服务、数据处理和存储需求，对于保障数字经济的稳定运行具有重要作用；云计算、大数据、人工智能等信息技术的快速发展和产业数字化转型，数据中心向高功率密度方向演进的趋势日渐显著，其中电能利用效率是目前衡量数据中心能源利用效率的最广泛使用的指标。
2、但是现阶段在对数据中心电能利用率进行评估时，由于数据中心内it设备、制冷设备以及照明设备对应的耗电数据过于分散，迫使现有的运维人员采取手工抄表的方式进行电能数据的整合，再进行pue等指标的统计计算，管理效率极低；
>5、步骤s2，计算多台it设备对应的it理论耗电量以及多台制冷设备对应的制冷量；6、步骤s3，对数据中心内it设备、制冷设备以及照明设备的耗电数据进行异常数据处理；
7、步骤s4，依据数据中心对应多台it设备、制冷设备以及照明设备的耗电情况计算数据中心的电能利用效率，而后通过pue预测模型计算数据中心下一天的pue预测值；
8、步骤s5，用户终端接收数据中心对应的电能利用率与下一天的电能利用率预测值，用户通过接收数据中心的电能利用率得知数据终端的电能利用状况。
9、进一步地，it耗电数据为多台it设备对应的额定电功率、it实时耗电量以及工作时长；制冷耗电数据为多台制冷设备对应的额定电功率和制冷实时耗电量；制冷影响数据为数据中心对应的占地面积、室内温度值以及室外温度值。
10、进一步地，所述步骤s2包括如下子步骤：
11、步骤s21，获取数据中心对应多台it设备的额定电功率iedi与工作时长isci；其中，i为多台it设备的编号，i=1，2，……，y，y为正整数；
12、步骤s22，通过公式计算得到数据中心对应多台it设备的it理论耗电总量itl，公式具体为：
13、。
14、进一步地，所述步骤s2还包括如下子步骤：
15、步骤s23，取数据中心对应的占地面积mj、室内温度值以及多台制冷设备对应的额定电功率zedj，j为多台制冷设备的编号，j=1，2，……，z，z为正整数；
16、步骤s24，通过公式计算得到数据中心对应多台制冷设备对应的制冷量zll，公式具体为：
17、；
18、其中zll的单位为kw，glx为功率因数，表示电能的利用效率；dfr为电能发热系数，即电能转化为热能的效率；hfr为环境发热量，由室内温度值与室外温度值之间的温度差决定。
19、进一步地，所述步骤s3包括如下子步骤：
20、步骤s31，获取多台it设备在上一月份对应的历史耗电量lhdid，其中，d为上一月份中天数的编号，d的上限值为x，x=28、29、30或31；历史耗电量为对应it设备在上一月份中每日的耗电量；
21、步骤s32，将上一月份所有it设备对应的历史耗电量相加求和取均值，而后除以上一月份对应的天数得到it设备的历史日耗电均值jhd；
22、步骤s33，通过公式计算多台it设备对应耗电量的标准差bzci，公式具体为：
23、。
24、进一步地，所述步骤s3还包括如下子步骤：
25、步骤s34，通过历史日耗电均值减去标准差bzci对应的最小值bzcmin得到it耗电第一界限值；通过历史日耗电均值减去标准差bzci对应的最大值bzcmax得到it耗电第二界限值，以it耗电第一界限值为左端点，以it耗电第二界限值为右端点得到it耗电界限区间；
26、步骤s35，获取多台it设备对应的it实时耗电量，将it实时耗电量与it耗电界限区间进行比对，若it实时耗电量位于it耗电界限区间之外，则将对应的it实时耗电量记为it耗电异常值；若it实时耗电量位于it耗电界限区间之内，则将对应的it实时耗电量记为it耗电正常值；
27、步骤s36，将it耗电异常值舍弃，而后将被保留的所有it耗电正常值相加求和取均值作为被舍弃的it耗电异常值的更新，得到异常数据处理后的it更新实时耗电量；
28、步骤s37，以此类推，对多台制冷设备与多台照明设备的耗电数据进行异常数据处理，分别得到制冷更新实时耗电量与照明更新实时耗电量。
29、进一步地，所述步骤s4包括如下子步骤：
30、步骤s41，获取多台it设备的it更新实时耗电量、多台制冷设备的制冷更新实时耗电量以及多台照明设备的照明更新实时耗电量；
31、步骤s42，将多台it设备的it更新实时耗电量相加求和得到it设备耗电总量itz，将多台制冷设备的制冷更新实时耗电量相加求和得到制冷设备耗电总量zlz，将多台照明设备的照明更新实时耗电量相加求和得到多台照明设备的照明设备耗电总量zmz；
32、步骤s43，获取多台it设备对应的it理论耗电总量itl和多台制冷设备对应的制冷量zll。
33、进一步地，所述步骤s4还包括如下子步骤：
34、步骤s44，计算数据中心对应的电能利用效率；
35、步骤s45，构建神经网络原始输入数据表；
36、步骤s46，将神经网络原始输入数据表输入至pue预测模型中，得到下一天的pue预测值；
37、步骤s47，将数据中心对应的电能利用率与下一天的电能利用率预测值发送至用户终端。
38、进一步地，所述电能利用效率的计算过程具体为：
39、步骤s441，本专利技术将数据中心对应电能利用效率定义为数据中心的总耗电量与数据中心内it设备耗电总量的比值，具体的电能利用效率pue可展开为：
40、pue=（itz+zlz+zmz+qtz）/itz；式中，qtz为数据中心对应其他设备的耗电总量；
41、步骤s442，为同时反映制冷设备的能耗情况，进而表示制冷设备的制冷效果，引入能效比eer的概念，能效比表示制冷设备单位功率的制冷量，能效比eer具体为：制冷设备对应的制冷量与制冷功率的比值；
4本文档来自技高网...
【技术保护点】
1.一种基于神经网络的数据中心能效在线监测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于神经网络的数据中心能效在线监测方法，其特征在于，所述IT耗电数据为多台IT设备对应的额定电功率、IT实时耗电量以及工作时长；制冷耗电数据为多台制冷设备对应的额定电功率和制冷实时耗电量；制冷影响数据为数据中心对应的占地面积、室内温度值以及室外温度值。
3.根据权利要求2所述的一种基于神经网络的数据中心能效在线监测方法，其特征在于，所述步骤S2包括如下子步骤：
4.根据权利要求3所述的一种基于神经网络的数据中心能效在线监测方法，其特征在于，所述步骤S2还包括如下子步骤：
5.根据权利要求1所述的一种基于神经网络的数据中心能效在线监测方法，其特征在于，所述步骤S3包括如下子步骤：
6.根据权利要求5所述的一种基于神经网络的数据中心能效在线监测方法，其特征在于，所述步骤S3还包括如下子步骤：
7.根据权利要求6所述的一种基于神经网络的数据中心能效在线监测方法，其特征在于，所述步骤S4包括如下子步骤：
8.根据权利要求7所述的一种基于神经网络的数据中心能效在线监测方法，其特征在于，所述步骤S4还包括如下子步骤：
9.根据权利要求7所述的一种基于神经网络的数据中心能效在线监测方法，其特征在于，所述电能利用效率的计算过程具体为：
10.根据权利要求8所述的一种基于神经网络的数据中心能效在线监测方法，其特征在于，所述PUE预测模型为三层全连接的神经网络模型，输入层的节点数为神经网络原始输入数据表中数据的个数，两层隐含层分别含有64个节点和32个节点；输出层只有一个节点，即PUE预测值；层与层之间使用ReLU 激活函数来拟合非线性函数关系。
...
【技术特征摘要】
1.一种基于神经网络的数据中心能效在线监测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于神经网络的数据中心能效在线监测方法，其特征在于，所述it耗电数据为多台it设备对应的额定电功率、it实时耗电量以及工作时长；制冷耗电数据为多台制冷设备对应的额定电功率和制冷实时耗电量；制冷影响数据为数据中心对应的占地面积、室内温度值以及室外温度值。
3.根据权利要求2所述的一种基于神经网络的数据中心能效在线监测方法，其特征在于，所述步骤s2包括如下子步骤：
4.根据权利要求3所述的一种基于神经网络的数据中心能效在线监测方法，其特征在于，所述步骤s2还包括如下子步骤：
5.根据权利要求1所述的一种基于神经网络的数据中心能效在线监测方法，其特征在于，所述步骤s3包括如下子步骤：
6.根据权利要求5所述的一种基于神...
【专利技术属性】
技术研发人员：成伟，李长武，蒋建林，王艺伟，任瑞琪，倪金春，陈瑗媛，孟祥希，包亚东，邹昀燚，
申请(专利权)人：苏州市计量测试院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。