基于AI 的精密空调群控节能应用研究与实践

邱 帅 杨 波 许 军 姜 宁

1.中国移动通信集团江苏有限公司南京分公司；2.南京群顶科技股份有限公司

0 引言

“碳达峰”“碳中和”目标是国家提出的重要战略决策，作为通信运营商，开展网络维护条线节能降碳相关工作，不断提升通信基础设施能效管理水平尤为重要。在传统通信机房中，空调的耗电量可达到总耗电的40%以上，是主要能耗设备之一，不具备协同控制能力的机房空调系统会导致整体运行效率低下，因此机房空调系统是机房节能减排的重点对象。不断总结冷却用能设备的运行规律，制定不同气候、不同负荷条件下的综合最优运行方法和策略，实现通信机房冷却用能的智能化管理，是空调专业维护人员一直追寻的目标。

本文在某运营商一处通信机房开展空调系统AI 群控节能改造。首先通过采集机房基础设施参数，获得完整的基础用能设备的运行数据信息，然后进行数据分析，利用AI 算法和大数据技术构建了机房温度场模型、气流组织场模型，形成专属节能控制平台与策略。最后为验证群控节能改造成效，开展了为期28 天的节能率测试。

1 机房基础设施参数分析

XX 机楼为某运营商地市分公司核心机楼，机楼主体共5 层，二层至五层各有2 个数据机房及1 个电力室，本次选定该机楼2 层西南210 机房作为AI 群控节能改造试点。二层（以下简称2F）西南210 机房具体信息如下：机房面积约325m2；机房共配备9 台精密空调，单台制冷量84.5KW；机房配置5 个温湿度探头，未封闭冷热通道，空调送风方式为地板下送风/上回风；精密空调回风温度设定为24℃，送风温度设定为18℃，机房内体感温度适中。

通过对动环系统历史数据进行处理，机房内所有空调半年内电功率数据叠加可得出该机房空调总电功率的变换范围为96KW～145KW 之间（如图1 所示）；机房内所有IT 负载对应的UPS 输出功率数据叠加可得出该机房IT 负载总功率的变换范围为292KW～323KW 之间（如图2 所示）。

图1 机房空调电功率变化趋势图

图2 机房IT 负载变化趋势图

对上述的数据分析发现，因该机房单台空调的制冷额定电功率为25.6KW，基本上开启压缩机的空调在6台左右波动。而单台空调的额定制冷量为84.5KW，排除气流阻值以及空调自身使用年限等其他因素带来的冷量损耗，空调系统实际提供的冷量大于IT 负载的热负荷，机房整体制冷量有明显的冗余，因此初步判定在该机房开展AI 群控改造有较好的节能效果。

2 AI 群控系统改造实施

2.1 AI 群控系统平台部署

AI 群控节能改造所需的服务器直接部署在试点机房内部，可有效保障传输效率；AI 群控平台部系统署于动环内网，无外网干预，确保网络信息安全。AI 群控系统平台包含精密空调控制、机房及设备组态呈现、能耗界面可视化、统计报表等功能。群控平台使用系统的采集信号做大数据计算，生成机房节能策略，作为系统逻辑下发到末端设备中，达到节能降耗目标。群控系统架构和机房温场可视化平台分别如图3、图4 所示。

图3 AI 群控系统架构示意图

图4 机房温场可视化平台

2.2 采集器对接与数据采集

本次机房AI 群控节能改造，增加通讯网关，实现AI 节能服务器和动环系统采控通道分离。为每台精密空调配备RS485 一拖二转接器（如图5 所示），转接后分为两路通讯接口，一路接口仍接至现有动环系统，保证动环系统的数据采集，另一路接口接至节能服务器，以实现对精密空调设备的采控。节能服务器直接单独采集目标机房的运行数据，同时经由一分二转接器下发对末端空调的控制指令，同时通过动环监控系统推送机房内的IT 设备电表数据、空调屏电表等数据。

图5 一分二转接器示意图

采集器采集的数据主要包括：（1）末端空调运行数据：采集频率为1min/次；（2）机房温湿度数据：1min/次；（3）空调控制：AI 服务器直接下发控制指令；（4）机柜和空调用电量数据：1 天/次。

2.3 采集点位增补配置

2F 西南210 机房内原先配置的温度传感器数量较少，无法满足节能调控要求，为保证机房各区域温度的精确采集，本次改造新增24 个温度传感器（每列增加2 个），新增的温度传感器通过采集器点位配置接入到服务器，以实现对机房环境数据的采集。图6 为新增温感点位示意图。

图6 机房新增温感示意图

2.4 制冷设备影响力评估调整

针对不同的运行阶段，收集到的机房数据类型与数据量级不同，因而将采取不同的群控节能方案：

（1）系统启动阶段

根据现场的空调布局、送风方式、气流组织形式、温感布置方式、机柜排列布置方式、负载分布等，通过专家经验，拟定初步的空调影响力模型，主要包括以下信息：①每一台制冷设备影响的环境温感温湿度由大到小排序；②每个环境温感温湿度受到每台空调的影响力由大到小排序。

（2）参数关联分析阶段

①收集机房历史数据（空调运行状态和参数、温感温度数据等）；②人为的有目标地改变和控制指定空调的运行参数（温湿度设定、空调运行模式、风机转速相关参数等），增加空调参数变化覆盖的设备范围；③通过关联分析、相关性分析等方法分析参数调整前后的温度差异、参数调整量，从而获得温感温度与空调设备、空调设备不同的参数间的关联度；④分别以温感、空调为聚合条件，对同一组内的关联度归一化处理，并通过归一化值转换为影响度值。

3 节能改造技术要点

3.1 基于人工智能的群控模型构建

AI 群控系统内嵌精密空调控制算法模型、温度场模拟算法模型、气流组织场模拟算法模型、自学习算法、精密空调通讯程序、精密空调控制程序等。通过海量温湿度传感器实时采集机房内整体冷热通道的温度数据及每台精密的送/回风温度数据，使用空间建模技术构建整体机房的温度场模型，分析机房各区域冷热分布情况以及温度变化趋势；基于LSTM 对机房IT 设备发热量构建预测模型（如图7 所示），并由算法输出调试策略，获取各种工况对各温度传感器的影响因子，并不断调测，通过热平衡方程（式1）求解IT 设备发热量与制冷量以及温度三者之间的关系，始终保持供冷量与机房的需冷量相一致，从而建立该机房精密空调AI 运行模型。

图7 基于LSTM 的IT 设备发热量预测模型

3.2 控制策略自适应寻优

AI 群控系统采用自适应动态能效智能管理的模式（如图8 所示），并基于PID 的自动控制模型（如图9 所示），对空调设备状态/参数进行调节，实现对机房精密空调实现精准节能控制，可有效缓解原空调系统竞争运行的问题。AI 策略生成模块根据当前机房状态与温湿度和气流组织数据，生成新的优化调控策略，同时系统将大量的温湿度采集数据进行模型训练，预测下一时刻机房温度的变化，且利用运筹学优化模型求解制冷设备在满足目标温度前提下的最少耗电运行参数，从而再次形成新的调控策略，不断评估和优化机房能耗控制逻辑。

图8 自适应寻优控制逻辑示意图

图9 PID 控制模型示意图

3.3 系统内嵌安全保护机制

（1）AI 空调群控系统是采用一套独立于原温感系统之外的高密度感知网络，通过增加大量传感器，实现机房温度场的真实情况感知，可及时探测机房内部局部热点的所在位置，显著提高了整个节能系统控制策略的可靠性和及时性。

（2）基于设备状态心跳机制，建立边缘节能设备连接状态监测机制，并具有自保持功能。AI 群控服务器只通过远程通讯来进行实现控制空调，在通讯异常的状况下，空调仍然可以切换到本地的控制逻辑运行。

（3）整个改造过程中无需更改机房原有基础设施，机房内精密空调机组均处于运行状态，不会出现多台精密空调机组同时停机的情况，确保对机房的动环影响降为最低。

4 节能效果验证及效益分析

为验证AI 群控系统的节能效果，在改造完毕后开展节能率测试实验。测试时间自5 月16 日至6 月12 日，设置28天作为试点测试期，分4 阶段轮流测试空调在自主运行/群控运行情况下的耗电量，第1、8、15、22 日0 点切换空调控制模式。对节能改造的机房空调单独挂表，并接入动环系统，每日0 点采集空调电表读数，并计算出上一日空调的整体耗电情况。具体能耗测试数据如表1 所示。

表1 节能率测试数据

测试期间机房各动环指标正常，未发生高温告警及相关空调故障告警。将测试数据按照节能率计算公式（式2）计算得出测试期AI 群控系统的综合节能率为18.62%。通过AI群控改造，预计每年空调系统可节省用电172306.1 kWh，按照0.7 元/ kWh 的电费单价测试，每年可创造节能效益12.06万元。本次AI 群控改造成本约27.4 万元，预计投资回收周期为28 个月。

5 结束语

本文分析了机房全局能耗数据，通过AI 建模预测设备发热量和温场趋势，动态生成最优的空调控制参数。利用AI智能算法和大数据技术构建群控平台改造传统空调系统，实现前端数据采集、数据存储、数据分析以及精密空调状态调节等一体化流程，并通过多点位策略实时下发，确保最佳冷量输出匹配度。采用高频次高精度的系统自适应寻优控制，基于数据反馈实时优化模型精准度，不但有效缓解了原空调系统的竞争运行，实现开启台数最优和节能效果最佳，还解决了机房精密空调随季节变化需要手动开关机的问题，大幅减少人工干预，达到智能化管理目标，一定程度地降低了现场运维成本。