具体实施方式

对数据中心中的制冷系统进行节能降耗，是数据中心降低PUE的重要手段。制冷系统由冷水机组、水泵、冷却塔、末端空调等组成，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，在运维达到一定成熟度后，单纯凭借硬件节能或者基于人工经验的简单调优，都已经无法满足能耗进一步降低要求。传统冷冻水制冷系统能耗高的原因主要包括：

(1)水温设定不合理。冷冻水末端的进水温度一经设定，生命周期内不做调整。但这样简单的设定，无法匹配实际的业务运行情况。根据经验，水温设定每提升1℃，冷水机组效率提升1％-3％。但基于人工经验，很难精确计算出水温调节的比例，且无法和IT负载波动实时联动；

(2)群控系统的管理技术不足。BA系统控制下的制冷系统是按照设定目标值工作，制冷设备运行效率低，使得整个制冷系统长期运行在低效区间，而且由于控制的不合理，造成了机房温度的不稳定，从而进一步提升了制冷系统的能耗。

为了更好的提升能源效率，降低PUE，需要对数据中心的整个制冷链路进行端到端的采集监控和综合训练，从而使系统能够根据现状完成最优的制冷参数调整，达到数据中心节能的目的。随着大数据技术的广泛应用，利用大数据的存储和分析能力，对数据中心制冷能耗进行海量数据的采集和试算,并利用人工智能进行机器学习，对数据中心的制冷数据进行学习和模拟调整，从而计算出，在不影响数据中心正常运行的前提下，通过AI系统深度学习，自动推理出最优PUE下的系统模拟参数，实现制冷系统精确按需制冷，集中管理，自动调整，有效降低制冷系统能耗，从而降低数据中心整体PUE指标,实现数据中心能效最优。

本发明提供的基于大数据实现数据中心PUE预测以及降耗策略的方法，基于人工智能的数据中心能效优化技术，在给定气候条件等条件下，通过对大量数据的业务分析和清洗，利用AI深度学习推理寻优+专家经验调优，探索影响能耗的关键因素，形成一套可对能耗进行预测、调优的模型。并将上述模型应用到实践体系中，通过不断调整优化，实现绿色数据中心的目标。如图1所示，包括以下步骤：

S1：定义PUE计算公式并制定降耗目标

数据中心用电层级示意见图2所示，总耗电包括IT设备的能耗W1、制冷的能耗W2、照明的耗电W3、办公及其他耗电W4等，将以上能耗数据纳入到数据中心PUE计算公式中，PUE＝数据中心总耗电W/数据中心中IT设备耗电W1，并制定降低PUE的目标值(目标值理想情况一般可限定在1.4以下)，目前，大多数的数据中心的PUE值在1.7以上，通过此方法可降低至1.4左右。

所述PUE的实际含义，是计算在提供给数据中心的总电能中，有多少电能是真正应用到IT设备上。数据中心机房的PUE值越大，则表示制冷和供电等配套基础设施所消耗的电能越大。PUE定义简单、易于操作，只需分别测量出数据中心总耗电和IT设备耗电，就能计算出数据中心的PUE值。

为计算PUE，需要在如图3所示的数据中心监测点中，测量数据中心总耗电及IT设备耗电，具体测量点如下所述：

数据中心总耗电：在正常情况下，数据中心的电能由市电提供，测量点应取市电输入变压器之前，即图中的M1点。当市电故障情况下，柴油发电机产生的电力(图中的M2点)作为数据中心总耗电的测量点。如果是多用途机房楼，数据中心总耗电计算中，需减去在M4点测量的办公等其它耗电。

IT设备耗电：在数据中心中，只有IT设备的耗电被认为是“有意义”的电能。严格来说，IT设备耗电应该在各IT设备输入电源处测量耗电量并进行加总，但由于IT设备数量较多，这一方法将大大增加测量工作量和成本。因此，在实际操作中，可在UPS输出或者列头柜配电输入处进行测量，将测量值加总作为IT设备耗电，测量点即图中的M3点。

PUE指标的测量点：

确定测量点之后，根据定义，PUE的计算方法为：

PUE＝(PM1+PM2–PM4)/PM3

其中PM1为在M1点测得的用电量，依此类推。

S2：确定可以调整的领域

根据数据中心实际情况，确定参与调整PUE的领域，如分别对应制冷的能耗W2、照明的耗电W3、办公及其他耗电W4的照明、制冷、空调耗电等，大多数情况下，数据中心主要是通过降低制冷系统的能耗来调整和降低数据中心PUE值。

S3：海量数据采集

对IT设备、制冷设备、照明设备以及其他耗能设备进行耗能情况数据采集，用于计算数据中心PUE值，同时实时采集影响和控制制冷系统功率的调整的一些主要参数，比如：

环境参数：室外气候条件(干球温度、湿球温度、相对湿度)等。

控制参数：冷却塔逼近度、冷却水出水温度、冷却供回水温差、冷却泵数量、冷冻水出水温度、冷机数量、冷冻总管压差、冷冻泵数量、板换数量、空调送风温度、送回风温差最大和最小值等。

衍生参数：冷却塔风机频率、冷却总管出水量、冷却泵频率、冷冻总管温差、冷冻总管路出水流量、冷冻泵频率、冷冻总管回水温度、冷热通道温湿度等。

S4：引入必要天气因素

根据数据中心所在位置的气候因素，决定是否引入当地的温度信息，例如降温时，可以使用自然冷源进行降温。在实践中本发明主要参考室外气候条件，如干球温度、湿球温度、相对湿度等参数进行参与计算。

如图4所示，通过在大量的数据训练，神经网络逐步建立起表征输入、输出值之间关系的数学模型。如图5所示，通过机器学习融合数学模型实现PUE值的调整。

S5：虚拟调整参数

利用人工智能进行机器学习，如图6所示，空调的温度、室外温度、照明用电等功耗参数进行系统层级虚拟调整，将功耗参数作为模拟值，纳入到PUE的计算公式中进行模拟试算，例如，降温时，开启新风系统，关闭空调等，模拟参数调整时的实际状态，并计算数据中心整体能耗。

调整参数的模拟试算的处理分为以下步骤：

·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；

·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；

·特征工程：对治理完成后表格进行相关性分析，找出与PUE相关关键参数；

·模型训练：利用高质量的历史数据和DNN(深度神经网络)训练出PUE模型；

·推理决策：将模型发布到本地推理平台，结合实时数据推理给出调优策略。

S6：判断是否影响数据中心安全运行

虚拟调整参数后，根据以往采集的数据(一般采集周期为12-36个月)，对数据中心安全运行进行判断，如果不影响安全运行，则可以继续调整虚拟参数，如IT设备、制冷设备、照明设备以及其他设备的能耗数据，直到找出影响安全运行的临界点为止。

S7：获得未来PUE的值

通过试算，结合设备告警的阈值，找到安全运行的临界点的值后，计算未来PUE，由此可以预测出最低的PUE值是多少。

S8：判断是否满足降耗目标

通过大量实验数据验证，预测值与根据预测值进行实际调整后的实际PUE值之间偏差较小，可以忽略微小偏差。根据预测的PUE值来判断是否满足降耗目标，是否可以达到降低能耗PUE到达1.41，如果不满足降耗目标，则判断是否已经影响安全运行。然后跳转到步骤S5中，重新进行虚拟调整参数。

S9：生成降耗策略和参数调整列表

对虚拟调整的参数进行展示，如图7所示，通过列表的方式直观的展示参与计算的设备参数当前值和模拟值，让用户了解机器学习的过程，并以此作为降低能耗的策略依据。所有参数下发可视，每条节能指令均能给出预测的PUE/CLF值(CLF是Cooling LoadFactor，称为制冷负载系数，定义是为数据中心制冷设备耗电与IT设备耗电的比值，即：CLF＝制冷设备耗电÷IT设备耗电)。

本发明能够基于成熟的大数据分析技术，对海量的设备监控信息进行科学的检测和利用，并使用人工智能技术，进行机器学习，对影响能耗的参数进行虚拟调整，并模拟最终实现状态，而后预测数据中心PUE的未来变化趋势，并提供降耗策略。