基于神经网络的空调末端群控方法研究

侯晓雯，李程贵，王旭光

（中国移动通信集团内蒙古有限公司，内蒙古 呼和浩特 010000）

0 引 言

随着数据中心的建设规模不断扩大，机房等级越来越高，空调系统作为IT设备的制冷保障，对数据中心的稳定运营起着至关重要额定作用。数据中心的空调末端系统愈加呈现出精度高、种类多、数量大等特点，其能耗却占据数据中心能耗结构的6%～10%。由此可见，对于IDC机房而言，空调末端设备既要高效地保证机房恒定的温度、湿度，又要优化节能降低能耗，这就需要具有建立空调末端系统的智能化控制。

本文通过调研各大数据中心IDC机房空调末端的运行现状，探讨了空调末端的控制方式存在的问题，明确了新型末端空调群控技术的重要性。本文的研究主要针对空调末端群控技术的方式采用了基于蚁群优化BP神经网络来实现数据中心空调末端系统的智能化、精准化控制。不仅可以使空调末端设备达到井然有序、高效一致的制冷状态，在保障数据中心空调安全稳定运行的同时，能够达到节能降耗的目的。综上，基于AI控制的空调末端系统将会成为新一代绿色节能数据中心的必由之路。

1 数据中心空调末端现状

数据中心在飞速的发展中，呈现出超大规模、高度集中的态势，所承载的各类存储、服务器等IT设备，随着CPU、GPU的计算速度越高，发热功率越大，对于机房的温湿度要求就越高，大型的IDC机房常采用新型空调末端实现列间级、机架级的就近制冷，每个IT机柜为一个制冷单元针对机架送风，空调风机设置于机柜的前门或背板，制冷效率高，同时节省机房空间，提高装机率。如图1所示。由于数据中心新型空调末端随机柜配置，每个IDC机房均分布着100～200台空调，相互之间皆为独立控制。

图1 数据中心新型空调末端

新型空调末端的控制逻辑主要为送/回风温度控制法，每台IT机柜前/后侧皆设置温、湿度传感器，利用其送/回风侧采集到的温度值进行逻辑判断并调节风机控制,比较机柜前/后侧实测温度值与空调的设定温度值,通过计算得出的冷量差值来控制空调的制冷输出。空调送/回风温度的控制逻辑示意如图2所示。

图2 送回风温度逻辑控制示意图

冷量需求与送/回风温度、温度设定点、温度死区、温度比例带有关,即冷量需求=f（送风温度,温度设定点,温度死区,温度比例带）[1]。

式中，比例带表示IDC机房内适宜各类IT设备运行的温度区间；温度死区表示位于设定目标温度值的附近区间,该区间主要为了避免机组的频繁调节而设置的保护区间，而它的大小主要设定依据为机房温度控制精度，分为正、负两个死区,其设定最大值为±3℃。图3为温度死区示意图。

图3 温度死区示意图

2 空调末端控制存在的问题

目前，越来越多的数据中心机房引入了各类新型的空调末端设备，并在设计阶段规划出合理的气流循环，但是随后出现在各大数据中心服务器的高、低密度混合部署，而同一机房内的上百台机房空调均为独立运行，每台设备相互之间没有建立联系，以至于经常会出现以下情况：

（1）空调设备之间存在竞争运行的状况，一部分空调在制冷，另一部分反而在制热；

（2）IDC机房内留有充足的冷量冗余时，备用空调仍然在全时段高速运转，造成能耗的浪费；

（3）IDC机房内出现空调故障时，或局部区域存在热点时，其他空调未能及时自动响应来降低热点温度。

严重时还会出现机房温度失控，如图4所示。

图4 新型机房空调温度失控

综上所述，传统机房采用的空调系统独立制冷控制方式难以满足大型数据中心机房对于恒温控制的要求，确保IT设备的正常运行的情况下，需要建立一种数据中心空调末端群控优化控制程序，最大限度提高制冷效率，降低IDC机房空调系统的制冷能耗。

3 基于蚁群优化BP神经网络的空调末端群控方法

基于蚁群优化BP神经网络的空调末端群控方法是利用神经网络实现数据中心空调末端系统的智能化、精准化控制，基于原有空调末端温控原理，应用蚁群优化的BP 神经网络模型来实现空调末端的集群控制，通过搭建 IDC 机房空调末端系统的温度场模型，利用神经网络实现模拟预测控制，将IT设备输出功耗和空调送风温度值定义为输入参量，机柜回风温度值作为输出层参量，在温度网络模型中，通过反复的迭代学习，最终建立具有完整映射关系的神经网络模型。

3.1 数据中心空调末端系统温度模型

蚁群算法，是一种用来在图中寻找优化路径的机率型算法[2]。算法的第一步：将所有权值均等分为Spn个部分，其区间长度为 [Wmin,Wmax]，每个区间的边界点为备选权值。在集合中有m只蚂蚁，分散布放在n个不同的地点，起初每只蚂蚁有等量的信息素。每一个权值都能绘制出对应的信息素表，如表 1所示。表1中，Wi为第i次需要被优化的权值；ai为划分刻度值；τ（i） 为ai对应的信息素。整个模型内所含的每一位权值，每只蚂蚁仅穿过一次，并且将对应点的信息和数据记录下来。整个模型所构成的BP神经网络，利用输入和输出的数据来计算误差值，再根据误差值的大小来更新信息素。

表1 Wi权值信息素表

释放m只蚂蚁后，其中蚂蚁k基于以下概率公式从一个点到下一个点。

为权值选择一个数值的方法就是记录一只小蚂蚁经过的参考点，利用函数 tabuk来记录轨迹。一只蚂蚁走过所有的权值后，即有效地完成了一次遍历。当全部蚂蚁完成所有遍历后，所形成的误差值即为σ组的权值。

随着路径上信息素的不断增加，残留信息就会越多，进而会淹没启发信息[3]。所以，每一只蚂蚁在完成一次遍历，其轨迹上的残余信息即执行一次释放更新，路径（i，j）在t+1时刻的残留信息按照以下公式完成释放调整，式中Δτ的按如下公式计算：

式中，ρ代表信息素残留系数，反映所有蚂蚁相互之间影响的程度，ρ的取值范围为[0,1]，可以避免信息素的过量累积；Δτ(t)表示在循环中，所有蚂蚁在路径（i，j）上信息素的增量总量[4,5]。

式中，Q为常数，代表信息素的总量；Q的大小直接影响着蚁群算法的收敛的快慢，即Q越小，收敛越慢，Q越大，收敛则越快；EA表示蚂蚁在一次寻址中的总路径，EA的大小也会影响着蚁群算法的收敛，EA值越小，说明收敛速度越快，反之，则越慢。

蚁群算法找出最优路径后，采用BP 神经网络进一步训练蚁群算法。BP 神经网络是利用最陡梯度下降法，基于反向传播原理，反复修正阈值和权值，从而使神经网络能够获取误差平方和的最小值，再利用误差的向后传播进一步优化权重[6]。BP 神经网络模型的拓扑结构主要包含了网络的输入层、隐含层以及输出层，具体结构如图5所示[7]。

图5 BP神经网络结构

图5中，输入神经元数量为i个，隐含神经元数量有为j个；输出神经元数量为k个，每个神经元对应着一个输入值/输出值；wij为输入层到隐含层的权值，wjk为隐含层到输出层的权值[8]。

输入层的输入输出分别为：

式中，I表示神经元的输入；O表示神经元的输出；上角(1)表示第一层神经元，后面则以此类推；M代表输入变量的数量。

隐含层的输入输出分别为：

式中，N表示隐含层神经元的总数；f(·)表示隐含层的激发函数。

输出层的输入输出分别为：

式中，Q表示输出层神经元的总数；g(·)表示输出层的激发函数[9]。

定义网络的误差性能指标函数为：

式中，Qk(3)*是输出层k个神经元的期望值；Qk(3)为对应的实际值；ek则为对应的误差。

如果输出层所有的Qk(3)*与Qk(3)都相符（即ek小于或等于允许误差ε），则神经网络的学习过程结束；否则，神经网络的误差将通过反向传播来调整权值wjk和wij。

神经网络的误差反向传播采用最陡梯度下降法来调整权值，即

上述公式为调整权值wjk、wij的计算式。误差反向传播时不断的调整Δw，从而达到修改各层权值的目的。蚁群算法找出最优路径σ组的权值作为BP神经网络的初始权值，再通过计算得出神经网络模拟输出结果与实际结果之间的误差值，随后，误差经过反向传播由输出层返回输入层，再次优化权值，直至达到条件为止。

3.2 数据中心空调末端神经网络控制系统

将已建成的机房空调系统温度模型进一步作为群控系统的控制器，让空调末端系统实际输出的机柜回风温度无限接近系统的期望值，更加有效地完成IDC机房空调末端系统温度的集中控制。为使空调末端系统实际输出的机柜回风温度无限接近系统的期望值，利用已成型的机房空调系统温度模型作为神经网络的控制器，建立数据中心空调末端神经网络控制系统如图 6 所示，更好地解决空调末端系统在集中控制过程中存在的非线性等各类复杂问题。

图6 神经网络控制系统

将IT机柜回风温度T'作为输入指令u实现空调末端群控系统的温度控制，温度控制的输出值为y，此时，输入指令u与温度控制输出值y之间符合非线性关系y=g（u）。神经网络在模拟过程是为了使输入指令u得到最优值，此时实际输出的温度值y将会最大程度地趋近于期望温度控制yd。在控制系统中，神经网络反映的是输入值与输出值的映射关系，可利用函数变换u=f（yd）来表述。为了使实际的输出结果y等于期望结果值yd，结合以上两个公式得到y=g[f（yd）]。显然，当f（·）=g-1（·）时，满足y=yd的要求。

4 数据中心空调末端神经网络群控系统方案

4.1 测试环境

测试方案设计如下：IDC机房内共有100个机柜，相应配置100台空调末端提供精准制冷，机柜排布分成8列依次放置，机房内空调以交替方式排列，即面对面/背对背排列的方式，形成冷/热分区，如此一来，在测试过程中机房的热通道温度（机柜回风温度）反映了IT设备的散热情况，机房冷通道温度反映空调系统的送风温度。依据《电子信息系统机房设计规范》（GB50174-2008）标准，将空调送风温度有效地控制在 18℃～28℃范围内[10]。机房空调系统结合IT设备的功耗，根据机柜回风温度来调整空调的送风温度，合理有效地控制室内温度。

4.2 数据采集

采集机房内100个机柜对应的IT负载功耗Pi（i=1,2,…,100）空调送风温度Ti（i=1, 2,…,100）作为神经网络模型的输入变量，一个采集周期过后，得到机房内100个机柜对应的机柜回风温度Tj'（j=1, 2,...,100）作为神经网络模型的输出变量。

4.3 建立蚁群算法模型

均匀划分权值区间 [Wmin,Wmax] 为SPN相等的部分。为每个参数设置一个信息素表，τ（0）为信息素初始值设置值，ρ推荐取值 0.7～0.95，取ρ=0.8，Q为信息素增量强度，取Q=1，训练过程出错退出条件E0，保留最优解数σ和其他参数的数量。输入训练样本，得出相应的输出结果，然后计算错误E。记录误差σ组的权值，并比较初始误差E0与最小误差Emin的大小。更新信息素τ（t+1）=ρ（t）+Δτ（t），迭代数次直到满足要求。

4.4 建立 BP 神经网络

构建3层架构的 BP 神经网络模型，其中，隐含神经元的初始数量依据经验取5，再经过神经网络的反复训练，模拟出输入的回风温度与输出的控制温度之间的映射关系。由此建立起一个BP 神经网络来完成IT机柜回风温度的预测。

式中，n1为隐含层神经元数；n为输入层神经元数；m为输出层神经元数；a为1-10 之间的常数[11]。

上述算法流程图如图7所示。

图7 基于蚁群优化BP神经网络逻辑控制流程图

5 结 论

空调末端群控技术利用AI智能化来实现数据中心空调末端系统的精准联合控制，有效解决机房局部热点、竞争运行等问题，使空调末端设备达到井然有序、高效一致的制冷状态，利用蚁群优化后的BP神经网络模拟出最优的空调群控策略，最大限度地提高空调末端的制冷效率，在保障数据中心空调安全稳定运行的同时，它的应用更会带来空调系统的节能降耗。