基于监测/控制机制的热控制优化制造技术

提供了用于改进热控制的设备和方法，包括收集多个系统的数据，多个系统中的各个系统包括至少一个第一制冷元件和至少一个第一生热元件；基于所收集的数据使用仿真模型进行第一仿真以生成第一组仿真结果；使用第一组仿真结果对控制系统进行第一训练以获得第一训练后控制系统；以及使用第一训练后控制系统来监测包含具有至少一个第二制冷元件和至少一个第二生热元件的空间的现场系统，并且控制至少一个第二制冷元件和至少一个第二生热元件。

【技术实现步骤摘要】
【国外来华专利技术】基于监测/控制机制的热控制优化
技术介绍
关于互联网数据中心(IDC)的运营支出(OpEx)，功率服务器和IDC设备的电力消耗、设备的制冷等可以占总OpEx的大约一半。近年来，制冷成本已经成为IDC的OpEx的主要因素。因此，热控制优化即制冷机制优化已经成为必须解决的任务。附图说明参照附图给出详细说明。在附图中，附图标记的最左边的数字表示附图标记首次出现的附图。在不同附图中使用相同的附图标记表示相似或相同的项目或特征。图1例示了可以用于现场系统的热控制优化的监测/控制机制的示例框图。图2A、图2B、图2C和图2D例示了建立可以用于现场系统的热控制优化的监测/控制机制的处理的示例流程图。图3A和图3B例示了实现参照图1和图2A至图2D描述的系统和处理的设备的示例框图。具体实施方式本文讨论的系统和处理涉及改进热效率，更具体地涉及改进基于监测/控制机制的实时和多维热控制优化。流体动力学，诸如计算流体动力学(CFD)，是使用数值分析和数据结构来分析和解决涉及流体流动的问题的流体力学的分支。CFD分析可以用于进行热控制优化。例如，可以根据实际数据建立和校准系统的CFD模型。然后，可以在CFD模型上运行仿真以生成结果来指导硬件设计、组件布局等，从而提高系统的热效率。然而，CFD分析是劳动密集型和昂贵的。具有IDC设置的许多实体只能承受得起偶尔进行CFD分析，例如每年一次。一些小实体甚至根本不能进行CFD分析。此外，进行CFD分析可能具有以下缺点。首先，服务器和IDC设施设备的条件会随时间改变。偶尔如每年一次地进行CFD会失去以持续方式改进热控制的机会。其次，当进行CFD时，IDC可能不是在经受异常/紧急状况。例如，不寻常的热情况可能在几年发生一次，或者空调可能不可预见地发生故障。通过单次CFD分析生成的数据或结果会错过许多异常/紧急场景，导致模型不完整。鉴于以上讨论的问题，没有经济上可行的解决方案来以具有多维考虑的实时方式对IDC进行热控制优化，在仿真模型中也没有引入异常/紧急状况。多维考虑可以是指考虑异常/紧急状况，这将在下文中详细讨论。本文讨论的系统和处理可以用于基于监测/控制机制的多维热控制优化。在实现方式中，可以实时地或定期地执行热控制优化。可以收集多个系统的数据。多个系统中的各个系统可以包括至少一个第一制冷元件和至少一个第一生热元件。可以基于所收集的数据使用仿真模型进行第一仿真以生成第一组仿真结果。可以提供控制系统。可以使用第一组仿真结果对控制系统进行第一训练以获得第一训练后控制系统。第一训练后控制系统可以用于监测包含具有至少一个第二制冷元件和至少一个第二生热元件的空间的现场系统，并且用于控制至少一个第二制冷元件和至少一个第二生热元件。附加地或另选地，第一训练后控制系统可以用于向现场系统提供建议以控制至少一个第二制冷元件和至少一个第二生热元件。可以使用第一训练后控制系统生成一组条件。可以将所述一组条件发送到仿真模型。可以基于所述一组条件使用仿真模型进行第二仿真以获得第二组仿真结果。可以使用第二组仿真结果对第一训练后控制系统进行第二训练，以获得第二训练后控制系统。第二训练后控制系统可以用于监测包含具有至少一个第二制冷元件和至少一个第二生热元件的空间的现场系统，并用于控制至少一个第二制冷元件和至少一个第二生热元件。附加地或另选地，第一训练后控制系统向现场系统提供建议以控制至少一个第二制冷元件和至少一个第二生热元件。可以从包含具有至少一个第二制冷元件和至少一个第二生热元件的空间的现场系统发送反馈数据。可以通过使用反馈数据对第二训练后控制系统进行第三训练来更新第二训练后控制系统。仿真模型可以是计算流体动力学(CFD)模型。第一组仿真结果可以包括第一组热图和/或气流图，而第二组仿真结果包括第二组热图和/或气流图。多个系统中的各个系统可以包括一个或更多个CPU、一个或更多个计算装置、一个或更多个服务器、一个或更多个服务器机架(rackofservers)和/或多个计算装置、以及一个或更多个互联网数据中心(IDC)。控制系统可以包括卷积神经网络(CNN)、递归神经网络(RNN)、长短时记忆网络(LSTM)、强化学习(RL)网络、机器学习(ML)网络、深度学习(DL)网络、决策树及其任何组合。上下文中的术语可以表示如下。IDC可以包括IT装置和IDC设施设备。IT资源可以是指各种计算装置，包括计算节点、存储装置、网络装置等。IDC设施设备可以是指IDC中的共享基础设施设备，包括空调设备、水泵、不间断电源(UPS)、风扇等。人工智能(AI)可以在一般意义上使用，包括广泛范围的AI模型，诸如卷积神经网络(CNN)、递归神经网络(RNN)、长短时记忆网络(LSTM)、强化学习(RL)网络、机器学习(ML)网络、深度学习(DL)网络和决策树。图1例示了可以用于现场系统的热控制优化的监测/控制系统的示例框图100。可以提供包括多个系统的一组系统102，其中，多个系统中的各个系统包括至少一个制冷元件和至少一个生热元件。可以收集一组系统102的数据104。例如，一组系统102可以是一组IDC。为了描述的目的，IDC在下文中用作数值系统的示例，而不是将应用限制于IDC。IDC可以具有包括各种生热元件和/或制冷元件的空间。生热元件可以包括服务器、机架、计算节点、存储装置、网络装置等。制冷元件可以包括空调设备、水泵、风扇等。一组IDC中的各个IDC的数据可以包括空间或房间的大小、服务器的数量、空间或房间的布局、环境温度、湿度、空间(其可以是三维的或二维的)中的多个点处的温度等方面的通常设定。例如，大型IDC可以具有105000个服务器，其房间大小约为1000m2。可以有一层用于布置服务器，另一层用于布置IT装置。中型IDC可以具有10000个服务器，其房间大小约为500m2。小型IDC可以具有500个服务器，其房间大小约为200m2。此外，可以设置其它数量的服务器和其它房间大小。潮湿天气中的IDC可能在休斯顿。寒冷天气下的IDC可能在芝加哥。炎热天气下的IDC可能在墨西哥城。此外，IDC可以处于其它地方和在其它天气状况下。可以基于数据104提供诸如CFD模型的仿真机制106。CFD模型在下文中为了描述而用作流体力学或流体动力学中的数值方法的示例，而不是将应用限制于CFD模型。仿真机制106可以运行第一仿真以生成第一组仿真结果108。例如，可以基于空间或房间的大小、服务器的数量、空间或房间的布局、环境温度、湿度、空间(其可以是三维的或二维的)中多个点的温度等，通过诸如Solidworks、AnsysFluent和Simscale之类的任何合适的软件来建立仿真机制106。然后，仿真机制106可以仿真气流如何与IDC设备相互作用并生成第一组仿真结果108。第一组仿真结果可以包括一种系统102的热图和/或气流图，其示出了热和/或气流分布的三维或二维图片。CFD模型可以当场部署在系统中或者可以位于远程。可以提供能够学习和自适应的监测/控制机本文档来自技高网...

【技术保护点】
1.一种方法，所述方法包括以下步骤：/n收集多个系统的数据，所述多个系统中的各个系统包括至少一个第一制冷元件和至少一个第一生热元件；/n基于所收集的数据使用仿真模型进行第一仿真以生成第一组仿真结果；/n使用所述第一组仿真结果对控制系统进行第一训练以获得第一训练后控制系统；以及/n使用所述第一训练后控制系统来监测包含具有至少一个第二制冷元件和至少一个第二生热元件的空间的现场系统，并且控制所述至少一个第二制冷元件和所述至少一个第二生热元件。/n

【技术特征摘要】
【国外来华专利技术】1.一种方法，所述方法包括以下步骤：
收集多个系统的数据，所述多个系统中的各个系统包括至少一个第一制冷元件和至少一个第一生热元件；
基于所收集的数据使用仿真模型进行第一仿真以生成第一组仿真结果；
使用所述第一组仿真结果对控制系统进行第一训练以获得第一训练后控制系统；以及
使用所述第一训练后控制系统来监测包含具有至少一个第二制冷元件和至少一个第二生热元件的空间的现场系统，并且控制所述至少一个第二制冷元件和所述至少一个第二生热元件。


2.根据权利要求1所述的方法，其中，所述方法还包括：在使用所述第一组仿真结果对所述控制系统进行所述第一训练以获得所述训练后控制系统之后，
使用所述第一训练后控制系统生成一组条件；
将所述一组条件发送到所述仿真模型；
基于所述一组条件使用所述仿真模型进行第二仿真以获得第二组仿真结果；
使用所述第二组仿真结果对所述第一训练后控制系统进行第二训练以获得第二训练后控制系统；以及
使用所述第二训练后控制系统来监测包含具有所述至少一个第二制冷元件和所述至少一个第二生热元件的所述空间的所述现场系统，并且控制所述至少一个第二制冷元件和所述至少一个第二生热元件。


3.根据权利要求2所述的方法，所述方法还包括：
从包含具有所述至少一个第二制冷元件和所述至少一个第二生热元件的所述空间的所述现场系统接收反馈数据；以及
通过使用所述反馈数据对所述第二训练后控制系统进行附加训练来更新所述第二训练后控制系统。


4.根据权利要求1所述的方法，其中，所述仿真模型包括计算流体动力学CFD模型。


5.根据权利要求1所述的方法，其中：
所述第一组仿真结果包括第一组热图和/或气流图；以及
所述第二组仿真结果包括第二组热图和/或气流图。


6.根据权利要求1所述的方法，其中，所述多个系统包括计算装置、服务器、服务器机架或互联网数据中心IDC中的一种或更多种。


7.根据权利要求1所述的方法，其中，所述控制系统包括卷积神经网络CNN、递归神经网络RNN、长短时记忆网络LSTM、强化学习RL网络、机器学习ML网络、深度学习DL网络或决策树中的一种或更多种。


8.一种计算机可读存储介质，所述计算机可读存储介质存储计算机可读指令，所述计算机可读指令在由一个或更多个处理器执行时使所述一个或更多个处理器执行包括以下步骤的动作：
收集一个或更多个系统的数据，所述一个或更多个系统中的各个系统包括至少一个第一制冷元件和至少一个第一生热元件；
基于所收集的数据使用仿真模型进行第一仿真以生成第一组仿真结果；
通过使用所述第一组仿真结果的训练获得训练后控制系统；以及
使用所述第一训练后控制系统来向包含具有至少一个第二制冷元件和至少一个第二生热元件的空间的现场系统提供第一建议以控制所述至少一个第二制冷元件和所述至少一个第二生热元件。


9.根据权利要求8所述的计算机可读存储介质，其中，所述动作还包括：
使用所述第一训练后控制系统生成一组条件；
将所...

【专利技术属性】
技术研发人员：卢毅军，宋军，奉有泉，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY