数据中心AI能耗优化控制系统方案研究

马 骏，张仁玉，闻政昕

（中通服咨询设计研究院有限公司，江苏 南京 210019）

0 引 言

随着云计算、移动互联网、物联网等新一代信息技术应用业务的增长，承载这些业务的数据中心规模越来越大，能耗问题变得突出。工信部、国家能源局发布了《关于加强绿色数据中心建设的指导意见》，要求国内的数据中心在2023年之前，能耗水平要能国际领先，大型以上的新建数据中心的电源使用效率（Power Usage Effectiveness，PUE）要低于1.4。通过对各类数据中心运行数据的分析发现，有将近一半的总能耗是由空调制冷系统产生的。故此，要降低数据中心的PUE，应优先考虑降低制冷空调的能耗。

数据中心当前较为常用的是水冷冷冻水机组与自由冷却系统作为节能制冷系统。一方面，在这类系统中空调制冷量都是按照夏天最热的最差工况设计的，因此全年绝大部分时间处于部分负荷条件，造成能耗的浪费。另一方面，冷冻水温度和冷水机组工作效率成正比，通常会将冷冻水温度设定很低，影响冷水机组的正常工作效率发挥，从而也带来能耗的浪费[1]。

除此之外，数据中心的建设规模、运营多种多样，系统中接入了多种能源设备、服务商也各自不同；能管系统所需要的大数据、智能优化相对太专业，又缺乏专门人员运维，也间接造成了数据中心能源管理无法达到最优。

1 实施意义

根据当前数据中心建设与运行的实施需求，为了更好地提升能源效率、降低PUE，通过人工智能（Artifical Intelligent，AI）优化控制系统对数据中心冷冻水系统进行优化控制，使系统里的设备运行在一个最优的工况下，既可以降低系统能耗，还能提高冷冻水系统的运行效率，减少维护工作量，并延长设备寿命。

2 基本原理

本方案以能耗优化为主线，通过多种策略的先进控制，根据室外温度条件以及室内热负荷情况，持续自动优化调控数据中心温度变化情况，使数据中心温度及调节设备负荷始终处于最佳状态。同时采用基于专家知识和数学模型的机器推理技术，在利用大数据技术对复杂历史、实时数据的关联分析基础上，对系统流程与设备状态进行评估，实现主动优化，辅助节能决策，提升企业盈利能力与管理水平[2]。

（1）智能控制。采集足够时间、不同季节及场景的各设备运行数据、环境数据，针对不同设备类型进行系统辨识及建模，得到基础数据模型库。基于专家经验，制定各设备详细的运行情况及对应调整规则，得到经验模型库。针对不同设备的运行原理及作用，针对性地应用不同的控制策略，例如模型预测控制、神经网络控制、模糊控制、PID控制等，实现整个各个环节的稳定控制，最终达到室内温度的稳定，减少超调波动。具体实现原理如图1所示。

图1 数据中心AI能耗优化控制实现原理

（2）智能优化。在实现室内温度稳定控制的基础上，系统会进一步对运行工况进行优化。对海量数据应用深度学习等大数据算法，获得各类设备对系统整体能耗的影响，计算影响权重，得到能耗预测模型。以预测模型为基础，对各冷却设备负载率、冷/热通道系统温湿度、天气情况等进行分析，确定影响PUE相关参数。通过最优环境控制温度、在能够满足制冷的条件下尽可能提高冷冻水的温度、自动切换至预冷模式或节能模式，尽可能降低设备的冷却需求，从而实现节约能源的目的[3,4]。

3 方案架构

本方案采用先进的网络通信技术，通过OPC/Modbus/BACnet方式连接群控系统，利用VPN/防火墙将二者隔离，通过对现场群控系统数据的采集，基于专家优化系统来对数据中心温度相关各环节进行控制。

AI优化控制系统为下图2中的应用服务单元，由智能系统服务器和相关配套设备组成。智能系统服务器通过访问OPC Server获取各类设备数据，并将反向控制数据结果写入到群控系统中。

当需要支持远程调试时，需要配置VPN和专业的防火墙，并在远程机器安装服务器的客户端，如需对数据进行远程存储则需要部署数据服务器，如图2中远程调试单元所示。

图2 数据中心AI能耗优化控制系统方案构架图

4 软件架构

系统以完整的软件产品存在，包含完整的数据采集、控制器模块、控制子系统及用户交互部分内容。整个软件架构设计如图3所示。

图3 数据中心AI能耗优化控制系统软件架构

5 可行性分析

系统不干涉现有群控系统运行，通过OPC接口或双方约定的其他协议与群控系统进行通信。系统具有普通模式/优化模式无扰动切换，可以随时切换工作模式。在完全自动运行时，具有学习和提高操作水平的功能。系统可以优化操作参数，达到稳定的运行状态，避免现场过程参数较大、频繁波动，稳定运行。系统采用多参数模型预测控制，具有自动识别错误数据的功能，不会因为某个现场仪表的损坏而出现误操作。系统发现关键设备故障后，可主动报警要求人工介入。

6 功能模块

本系统涵盖核心回路的稳定控制、异常工控的自动处置、异常工况的告警3个环节。按照各设备的功能不同将业务功能划分如下文所述。

6.1 冷冻水泵控制

控制方法：通过对冷冻水系统的供回水温差的推理分析，对冷冻水泵的频率进行调节。

控制变量：冷冻水泵频率。

被控变量：冷冻水出水温度、冷冻总管压差、冷冻总管回水温度。

6.2 冷却水泵控制

控制方法：通过对冷却水供回水总管温差的推理分析，对冷却水泵的频率进行调节。

控制变量：冷却水泵频率。

被控变量：冷却水供水温度、冷却水出水温度、冷却供回水温度、冷水机组冷凝压力、冷凝温度以及板换进出水温差。

6.3 冷却塔控制

控制方法：通过对冷却水出水温度与目标设定值差值的分析，控制冷却塔台数及频率。

控制变量：冷却塔数量、冷却塔频率。

被控变量：冷却水出水温度、冷却塔出水温度目标设定值、冷却塔数量。

6.4 室内空调控制

控制方法：通过对负载情况的分析，对末端空调运行参数进行调整。

控制变量：空调设定温度、水阀开度。

被控变量：空调送风温度、空调回风温度、送回风温差、冷/热通道温以及湿度。

6.5 冷水机组控制

控制方法：通过对外部环境温度的分析，调整控制冷水机组。

控制变量：冷水机组运行信号。

被控变量：冷冻泵数量、冷却泵数量、板换数量、冷冻总管出水流量/温度以及冷水机组工作电流。

7 结 论

AI优化控制系统以“室内温度稳定”为核心，以AI算法为主要手段，集成多种控制策略，例如模型预测控制、神经网络预测、专家规则等，对不同工况针对性控制。实现从冷却塔、冷水机组、水泵、空调等设备的智能优化控制。系统基于深度学习对海量数据收集、分析与预测提高了系统控制的可靠性、加快了系统分析的速度、保证了系统输出的精度。系统在实现稳定控制的基础上，结合大数据理论与先进控制算法，结合专家经验，建立运行机理自学习模型，从而对冷却系统运行参数进行滚动优化。基于AI优化控制系统的可行性及其节能价值，未来在数据中心行业内将得到推广和大量应用，成为数据中心建设的必选项。