围绕“双碳”理念,开展绿色数据中心节能减排建设,将基于AI的数据中心多维节能调配平台应用于传统数据中心,将实现快速响应、灵活部署、节能30%以上的目标。平台围绕数据中心节能设计,与传统DICM平台大而全的管理功能相比,更注重结合数据中心微模块形成小而精的一体化解决方案。平台结合人工智能技术,实现AI算法库、AI优化调参、设备控制策略智能化、能耗分析预测等高级功能。
　　
　　一、主要问题
　　
　　1.1绿色数据中心建设势在必行
　　
　　随着我国“双碳”目标的提出,数据中心的节能降耗成为社会关注焦点。在过去几年,一座座数据中心拔地而起,大规模的服务器串联而成的计算系统支撑了海量的数据处理和运算。数据中心机架数量由2016年的124万架上升至2019年的227万架,四年间上涨了83.1%。这些数据中心耗电量大,功率密度高达30-50kW,有些甚至已经升级为100kW的机架,是名副其实的“电老虎”。然而,在“碳中和”的时代命题下,数据中心必须走向节能减排、降本增效。无论是国家发展改革委等四部门印发的《全国一体化大数据中心协同创新体系算力枢纽实施方案》,还是工信部发布的《新型数据中心发展三年行动计划(2021-2023年)》,均对加强绿色数据中心建设、提升节能降耗水平提出要求，强调提高绿色技术产品应用、提升能源高效清洁利用水平和优化数据中心绿色管理能力的路径。绿色数据中心到底要如何实现？
　　
　　1.2人工智能技术推动节能降耗
　　
　　PUE(PowerUsageEffectiveness),即电源使用效率,是一项衡量数据中心运营、管理水平的关键指标,也是数据中心绿色、节能、环保程度的代名词。根据国际正常运行时间协会的数据中心调查,全球大型数据中心PUE的合理值界于1.6-2.0之间,PUE平均值为1.7。而国内数据中心同期PUE为2.5-3.0,IDC行业整体处于粗放式的发展阶段。在传统大型数椐中心机房中,IT设备仅占用电耗能的46%,另有40%以上用在了泵、冷却器和冷却塔等大型工业制冷设备上。为了维持机房恒定温度,数据中心通常把进风温度控制在20-25度。从【PUE=数据中心总耗电/IT设备耗电】的计算公式不难看出,制冷环节是导致数据中心能耗飙升的主要元凶,也是PUE居高不下的原因。如何克服现有传统节能手段的局限性,利用数据分析和人工智能(AI)模型的运营级节能方案,通过分析机房的静态属性数据及历史数据,训练对应的AI模型进而生成基于AI的机房节能策略,是越来越多行业公司开始探索的路线。如今,行业级的AI智能解决方案,正以提高能源利用效率的方式,推进数据中心的建设和升级。
　　
　　二、解决方案
　　
　　通过采集数据中心各系统数据、人工智能建模,对运营的数据中心进行孪生映射。结合深度学习等多种方式和控制算法,把人工调节经验和数据分析结果通过预设规则,下发到机房的控制系统中。通过不断的学习,算法对于数据中心的节能应用将不断完善。
　　
　　1）基于神经网络的空调系统自适应调控算法
　　
　　神经网络技术是一种模拟人脑神经元网络结构的计算模型,具有强大的非线性映射能力和自学习能力。在数据中心空调节能方面,可通过建立神经网络模型来对数据中心的温度、湿度、压力等参数进行实时监测和预测,并根据预测结果自动调整空调系统的运行参数,以实现节能减排的目的。
　　
　　2）基于强化学习的空调系统智能控制算法
　　
　　强化学习技术是一种基于智能体在与环境交互过程中学习如何选择最优行为的计算模型。在数据中心空调节能方面，强化学习技术可以用于建立空调系统的优化控制模型，通过对历史数据的分析学习，实现对数据中心的空调系统进行智能控制，达到空调系统的最优控制，以实现节能减排的目的。
　　
　　3）基于深度学习的空调系统预测性维护算法
　　
　　深度学习技术是一种基于神经网络模型的机器学习算法,具有强大的特征学习和分类能力。在数据中心空调节能方面,深度学习技术可以用于建立空调系统的预测和维护模型,通过对历史数据的分析学习,实现对空调系统的故障预测和维护,以达到延长空调系统使用寿命和节能减排的目的。
　　
　　2.1空调节能应用
　　
　　目前机房节能的重要突破点是制冷设备,节能通常依靠人工经验,优化机房温度与气流等方式。随着节能减排的要求逐渐纳入到数据中心关键绩效考核,传统的节能手段空间越来越小,而且也无法匹配未来面向多样化业务生态对节能的需求(即机柜具体业务的连续性、个性化)。主流数据中心机房按照空调类型一般分为风冷和水冷,这其中又以下送风更符合物理规律,可防止热气流回流,主流数据中心大多采用此类制冷方式。
　　
　　1）机柜出风温度控制
　　
　　机柜上服务器数量与发热情况是不同的,相对应的出风地板的开度与出风温度也是不同的。每个机柜发热量对应一个最优的送风量,即一个最优的出风地板开度。同时,冷却效率也与送风温度相关。因此,为了保证机柜的安全,并且不造成空调出风冷量的浪费,需要利用AI模型寻找机柜出风温度与出风地板开度、出风温度的映射关系。基于AI的数据中心多为节能调配平台,通过将机柜负载、进风温度、出风开度、服务器数量、机柜位置等数据输入模型,预测出该机柜的最佳出风温度。经过AI模型的训练分析后,可实现自动调整出风板角度,根据机柜实际负载情况、温度数据等条件进行匹配。进而在保障机柜稳定运行的前提下,降低制冷系统功率,实现能耗的降低。
　　
　　2）空调运行策略控制
　　
　　当前多数面向空调控制的策略,未单独针对不同机房进行控制策略优化。强化学习算法,可捕捉输入因子、输出参数之间的数学对应关系。可通过大量采集机房温度数据、空调运行调控数据等信息,实现针对不同机房的自动化空调运行控制策略。基于AI的数据中心多为节能调控平台,通过部署在前端的设备,接入动环内网,实时采集数据(末端空调运行数据采集频率可配置,温感数据采集频率可配置,电表数据采集频率可配置)。建立机房热平衡方程,找出空调功率最小值公式,得到空调每一时刻的优化控制参数。最后通过智能算法对该机房历史数据分析、建立热交换模型及热平衡方程并求解,并输出调整策略。实现识别并标注诸如能耗比异常、发热量异常等特殊情况,生成虚拟数据中心画像,不断优化算法。随着数据中心负载情况、季节气候等条件的变化持续优化,节能策略也随之更新,并最终达到应有的节能效果。
　　
　　3）冷冻站节能控制
　　
　　基于AI的数据中心多为节能调控平台,通过传感器采集暖通系统实时动态数据,建立运行数据库。建设私有化云数据库,实现连续高频数据采集与存储。基于设备物理模型、历史经验模型,结合数据挖掘算法,实时动态分析冷站运行状况。采用强化学习方法,选择最优运行策略。通过串口、TCP/IP等接口下发控制策略,实现闭环控制。同时基于AI的数据中心多为节能调控平台提供图形可视化展示界面,使运维工作人员更直观理解运AI调节模式行状态。提供能耗分析功能,支持选择不同算法模块实现对数据的储存、清洗、流转、计算以及分析过程,进而完成对冷站各设备的完整闭环控制。在每个计算周期,根据平台采集得到的各项运行数据,结合现场获取的孪生参数与配置数据,基于动态调参的经验模型与物理模型,计算冷站设备基本性能参数。实时推送至冷冻站,实现基于AI的冷冻站节能自控模式。
　　
　　2.2分析预测应用
　　
　　1）机柜负载趋势预测
　　
　　机房的热量主要来源于机柜中服务器运行产生的热量,通过AI学习机柜中服务器运行历史数据,可较准确的预测服务器未来一段时间的负载情况。基于AI的数据中心多维调节平台采用自回归移动平均模型等预测算法,根据前24小时甚至更长周期内的历史数据,预测未来几个小时的运行负载、发热量。进而辅助数据中心制冷系统整体调节策略,实现持续的智能化最优运行。
　　
　　2）机房热平衡分析
　　
　　空调回风温度体现了机房内设备的总体发热情况。由于机房内设备负载在动态变化,气流组织也在不停变化,空调的风扇转速也不是恒定的,每个空调的回风温度难以通过人工经验进行预测。通过机房的历史数据分析,量化各空调对机房温度变化的影响,辅助空调节能调整策略的制定。同时通过对机房基础数据的分析,可以得到机房温度和制冷功耗之间的相关性分析,进而分析出机房热平衡。在一定程度上提高机房温度,帮助于降低制冷功耗。也与提高机房温度降低机房耗能的理论依据相吻合。
　　
　　三、结论
　　
　　将AI算法应用在IDC机房节能,使得机房节能手段更加智能化、精细化,节能效果明显。同时,因AI算法应用在IDC机房节能最大的障碍在于机房数据质量问题,需要通过数据采集逻辑、存储方式、加装传感器等方式,从源头进行改善。此外,在新建IDC机房中,需要注重机房历史数据的采集与存储,为后期算法优化提供良好数据基础。随着AI技术的不断发展和完善,未来AI算法在数据中心空调节能方面的应用将会得到更广泛的应用和推广。
　　
　　编辑：Harris