基于AI和大数据技术的冷冻水制冷系统

　　中国联通河南分公司基于AI和大数据技术，针对数据中心的冷冻水制冷系统进行优化，重点解决数据中心高PUE、高能耗的问题，并结合实际情况制定了相应的优化方案。
　　1.1数据中心能耗分析
　　网络演进和数据业务的快速发展带动数据产业的快速发展，使数据中心的规模越来越大，消耗的电能也越来越多，用电问题已成为制约数据中心业务发展的瓶颈。以中原数据基地二期为例，10年的生命周期内，用电成本约占数据中心整体运行成本的60%以上。
　　将用电成本进行整体分析，在非IT的能耗中，约有63%的损耗是制冷系统造成的。因此如何有效降低制冷系统的损耗，是降低数据中心整体能耗的关键。
　　
　　1.2能效指标PUE
　　为评估数据中心的能效，Green Grid（绿格组织）提出了指标PUE（Power Usage Effectiveness）来综合考察数据中心的用能效率。目前PUE已经成为事实上衡量数据中心能效的KPI。根据Green Grid的定义，数据中心电能效率被定义为总设施耗电与IT 设备耗电的比值：
　　PUE＝数据中心输入总功耗/IT设备功耗
　　在数据中心能耗结构中，IT设备功耗与制冷能耗是大户，根据数据中心设备的散热要求，IT设备消耗的电力最终转化为热量，需要通过冷量来均衡，使环境温度达到IT设备工作的要求范围。在IT设备能耗一定的情况下，制冷设备的能耗是可以通过制冷系统的优化来达到节能目的。
　　1.3制冷系统运行现状分析
　　冷冻机、水泵和冷却塔风机作为机械部件，实际上都存在设备本身的“自然曲线--最佳效率曲线”。虽然冷冻站的冷冻机、水泵和冷却塔设备采用主流厂家生产的高效率产品，但严格意义上来说，这些高效率只是对应了设计图纸上的“静态”点，而实际空调系统是随着外部气象条件和内部负荷动态变化的系统，目前的BMS（Building Management System）系统仅停留在单体设备的控制或采集及监测数据上，冷冻站缺少一套“聪明”的能耗优化控制系统，而BMS系统并不能使设备在变化负荷情况下，让设备“跑”在其固有的最佳效率曲线上，即“自然曲线”。
　　如何让冷机系统的各部件工作在最佳效率曲线上，并且使得由设备组成的系统能够工作在最佳的能耗点上，需要将整个系统进行联合，综合考虑能耗最优的控制方法。
　　数据中心PUE是一个综合的评价指标，由于制冷与设备散热、设备配置、机房环境，大气条件相互关联，在运维达到一定的成熟度后，人力或者专家的经验已经无法满足能耗进一步降低的要求，比如冷通道温度的较小提升都会导致制冷系统的很多变化，如冷机、冷却塔、换热器、水泵等的功耗都将增减不定，且非线性变化，其结果很可能是冷通道温度提升而总功耗增加。
　　为进一步优化系统工作状态与能耗的关系，在制冷系统中，需要考虑两个层面的优化，一个是设备工作状态与能耗的优化，一个是设备组成的系统间的优化。在业务层面，需要解决下面三个问题：
　　1）根据设备工作自然曲线，确保制冷系统的各部件运行在高效区间内；
　　2）据相等边际效能原则，找出制冷系统内各个部件的最佳组合。例如同样输出1000KW冷量，冷却塔、冷却泵、冷机，冷冻泵各自的频率应当是多少？哪种组合更节能？在某种状态下，是否可以给某个设备减少1KW的功率而把这1KW的功率转移至其它设备，但系统总冷量输出会增加？
　　3）IT负载与制冷系统进行关联，实现热量需求与冷量供给的均衡。
　　制冷和电气系统之间的相互作用和各种复杂反馈回路，使得我们使用传统的工程公式难以准确推导数据中心的效率。
　　
　　AI节能原理
　　2.1制冷系统AI算法原理
　　基于相等边际效能的按需控制，可以满足部分场景的控制需求，但由于BMS系统在进行控制时，往往事先写入曲线、逻辑控制策略，而对于变化的场景，特别是对于IT负载变化的场景，此类控制系统往往无法感知，因此，在实际的控制过程中，往往只能在特定的负载区间变现出一定的调试性能，当进入到实际工作中，整个数据中心的效能往往无法保障最优。
　　针对此类系统，需要找到一种新的控制算法，来达成整体最优。大数据、人工智能成为能效优化的一个探索方向。使用历史数据训练神经网络，输出预测的PUE，以及PUE与各类特征数据的关系，指导DC根据当前气象、负载工况，按预期进行对应的优化控制，实现节能目标：
　　AI节能的主要步骤：
　　1）首先通过机器深度学习，获取PUE的预测模型。
　　2）基于PUE的预测模型，获取与PUE敏感的特征值，利用特征值，进行业务训练、给出业务的预测模型。主要是保障业务运行的SLA，如冷量的保障等。
　　3）最后，利用系统可调整的参数作为输入，将PUE预测模型，业务预测模型作为约束，利用寻优算法，获取调优参数组，下发到控制系统，实现制冷系统的控制。
　　2.2构建深度神经网络DNN
　　神经网络是一类机器学习算法，它模拟神经元之间相互作用的认知行为。针对数据中心制冷效率提升瓶颈，采用神经网络，利用机器学习算法可以找到不同设备，不同系统间的参数的关联关系，利用现有的大量传感器数据来建立一个数学模型，理解操作参数之间的关系从而找到最优的参数。
　　神经网络拥有输入层、输出层以及多个隐含层，输入的特征向量通过隐含层变换达到输出层，在输出层得到分类结果。
　　考虑到数据中心制冷系统的复杂性，需要对电系统，制冷系统、环境参数进行系统数据，找到系统的特征值，并利用特征值组织DNN网络。本项目中采用的DNN模型如下：
　　
　　AI节能步骤
　　1）数据采集：采集冷冻站、末端空调及IT负载等系统的相关运行参数。
　　2）数据治理：利用自动化治理工具，对参数进行降维、降噪、清洗等处理。
　　3）特征工程：对治理完成后的表格进行相关性分析，找出与PUE相关的关键参数。
　　4）模型训练：利用高质量的数据和DNN（深度神经网络），训练出PUE模型。经过训练的PUE模型，其预测准确率可达99.5%，误差《0.005。
　　5）推理决策：将预测以及决策模型发布到集控系统中，以在线给出可以调优的决策模型。AI节能方案可在1分钟内，从数十万种组合中找出在当前室外环境、IT负载下的最优参数组合，并能根据中原基地的运维要求进行多层过滤，最后得出最合适的指令，下发执行并反馈效果。
　　项目实施
　　1）部署方案
　　AI节能方案可为冷冻水系统运行提供参数建议，与群控系统互相对接。
　　在本项目中的AI节能方案部署物理架构如下：
　　
　　AI节能方案网络架构如下：
　　此数据中心的群控系统采用DDC控制，主备双服务器；DCIM系统接口为BACnet协议。DCIM（Date Center Infrastructure Management）作为整个数据中心的集中管理系统，可对制冷系统全链路进行集中管理。节能优化指令由AI算法得出后，下发到群控系统，由群控系统负责最终执行。
　　安全保障
　　冻站群控系统与AI算法通过心跳进行通讯：冷冻站群控系统每10秒上传0-1000的字符，AI节能算法向冷冻站群控系统每10秒下发0-1000的字符，当冷冻站群控系统连续10次接收字符无变化，则自动退出节能模式，按照普通控制模式运行，并上报通讯故障，待连续10次接收字符不同时，则自动恢复通讯故障，重新按照节能控制模式运行。
　　普通控制模式：群控系统自动执行所有控制逻辑，包括设备加减、转速调节、制冷模式切换、旁通、充放冷等，由DCIM进行状态信息监控；
　　节能控制模式：群控系统接受节能算法，下发指令完成指定动作，指令包设备数量、转速/功率/温度/压差等控制环路目标值、制冷模式切换、充放冷控制等，群控系统根据节能算法下发的指令进行动作，未下发控制指令的仍由群控系统自行控制。
　　效果验证
　　测量方法采用抽样均值法
　　Step1：选择测量日
　　评价周期内选 2 组，n天/组（n ≤ 3）
　　Step2：测量与记录
　　开启/暂停AI节能，每组测量日测得2n个PUE值（PUE on和PUE off）
　　Step3：计算与对比
　　根据PUE on和PUE off 均值进行计算评估
　　
　　如下图：
　　
　　结论
　　本项技术，已经在河南联通中原数据基地DC1成功应用，通过AI技术对数据中心制冷系统进行了智能优化。通过与BA（Building Automation System）系统、DCIM（Date Center Infrastructure Management）系统的联动，实现了精确的按需制冷。经过连续几个周期的抽样检查，得出以下结论：
　　冷水机组的进出水温度实现了精确调节。随IT负载的变化，水温也随之变化（当负载率较低时，水温最高可升至18℃-19℃）。
　　冷水系统各部件均实现了高效运转。尤其是冷水机组，在不同的负载率、室外工况下，其工作状态都能落在40%-60%的负载区间内。
　　整个制冷系统在输出冷量不变的前提下，进行了内部调节，实现了能效最佳。下图为一次调节前后，制冷系统各部件能耗分布。由于冷机的功耗得到了有效调节，整个冷冻站综合能耗降低了9%。
　　调节前 调节后
　　
　　自然冷却时间大大延长。由于水温实现了动态调节，这样在室外湿球温度较高时，也可实现预冷或板换制冷。据估算，每年自然冷却时长可增加1/3左右。
　　整个制冷系统实现了自动调节，大幅降低了运维难度，节省了大量运维成本。
　　经评估，部署了AI节能优化算法后，河南联通中原数据基地DC1的PUE有效降低 5%-8%，为企业带来了显著的经济效益和社会效益。