一种数据中心氟化液冷却系统的智能调控方法及系统技术方案

本发明专利技术公开了一种数据中心氟化液冷却系统的智能调控方法及系统，包括，获取数据中心中目标电子设备的历史监测温度，与故障信息匹配生成高频故障温度范围；获取目标电子设备的实时温度信息得到稳态温度范围，利用目标电子设备的基础规模信息结合所述故障温度范围及稳态温度范围获取氟化液推荐信息；根据推荐氟化液进行目标电子设备的散热，构建智能调控模型，获取目标电子设备不同工况下的实时温度信息导入模型，获取最佳流速及进口温度，生成不同工况下对应的调控等级，存入相关数据库。本方法为电子设备匹配最佳氟化液，确保散热效率，为氟化液冷却系统设置最佳流速及进口温度，提高了冷量的利用率，并且减少了数据中心的能源成本。的能源成本。的能源成本。

【技术实现步骤摘要】
一种数据中心氟化液冷却系统的智能调控方法及系统


[0001]本专利技术涉及智能控制
，更具体的，涉及一种数据中心氟化液冷却系统的智能调控方法及系统。

技术介绍

[0002]在云时代的背景下，作为承载数据的新型基础设施，数据中心也在不断的优化和发展。目前，数据中心的建设规模不断提高，同时数据中心能耗也急剧增加。其中冷却系统能耗在数据中心总能耗中占比最大。
[0003]数据中心散热的优化已经成为系统设计的关键环节，良好的散热和温度控制，不仅可以最大程度发挥其工作性能，也能带来极为可观的经济效益。风冷是目前应用最广泛、应用设施最完善的冷却方式，但是散热能力明显不足。相比于空气冷却，液体冷却技术的冷却能力大幅提升，在数据中心的氟化液冷却系统中提高冷却水的进口温度能够提升出口冷却水的能量品位，有利于能源回收利用，但散热能力会随之下降，降低进口温度虽能提升散热能力，但可能会出现冷量利用效率较低的问题，因此如何对散热能力和能量回收中进行权衡，进行氟化液冷却系统的智能调控是需要解决的问题之一。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提出了一种数据中心氟化液冷却系统的智能调控方法及系统。
[0005]本专利技术第一方面提供了一种数据中心氟化液冷却系统的智能调控方法，包括：获取数据中心中目标电子设备的历史监测温度，将所述历史监测温度与故障信息匹配生成故障序列，根据所述故障序列生成高频故障温度范围；通过数据监测感知获取目标电子设备的实时温度信息，获取目标电子设备的稳态温度范围，利用目标电子设备的基础规模信息结合所述故障温度范围及稳态温度范围获取氟化液推荐信息；根据推荐氟化液进行目标电子设备的散热，基于冷却水的流速、进口温度及出口温度构建散热数据集，基于深度学习方法构建智能调控模型，通过所述散热数据集进行训练；获取目标电子设备不同工况下的实时温度信息导入所述智能调控模型，获取最佳流速及进口温度，生成不同工况下对应的调控等级，存入相关数据库。
[0006]本方案中，所述高频故障温度范围及稳态温度范围，具体为：利用数据检索获取目标电子设备的历史监测温度及故障信息，将所述历史监测温度及故障信息进行预处理，利用预处理后的历史监测温度及故障信息生成故障序列；根据所述故障序列基于历史监测温度进行统计分析，当历史监测温度对应的故障频率大于预设频率阈值，则把所述历史监测温度进行标记，通过标记的历史监测温度获取高频故障温度区间；
通过数据监测感知获取目标电子设备不同工况下的实时温度信息，剔除异常数据后获取不同工况下的实时温度变化，并结合目标电子设备的最高允许温度生成稳态温度范围。
[0007]本方案中，利用目标电子设备的基础规模信息结合所述故障温度范围及稳态温度范围获取氟化液推荐信息，具体为：获取目标电子设备的基础规模信息，根据所述基础规模信息判断目标电子设备的浸没深度；根据所述高频故障温度范围及稳态温度范围获取最佳运行温度范围，通过所述最佳运行温度范围获取氟化液的热流密度上下限；利用大数据方法获取不同类别氟化液在不同压力下的热流密度，根据所述热流密度上下限进行筛选，判断各类别氟化液满足所述热流密度上下限的压力范围；获取目标电子设备的浸没散热实例，获取浸没散热实例中不同浸没深度的压力影响情况，根据所述浸没深度基于压力影响情况生成影响系数，通过所述影响系数对所述压力范围进行修正；根据修正后的压力范围进行不同类别氟化液的排序，选取压力范围最大氟化液生成氟化液推荐信息。
[0008]本方案中，基于冷却水的流速、进口温度及出口温度构建散热数据集，基于深度学习方法构建智能调控模型，通过所述散热数据集进行训练，具体为：获取不同工况下散热冷却过程中冷却水的流速、进口温度及出口温度，根据数据监测感知时间戳构建冷却水运行参数序列，将所述冷却水运行参数序列与目标电子设备的实时温度信息进行匹配；根据目标电子设备的实时温度信息及系统压力进行筛选，将异常实时温度信息及异常系统压力对应的冷却水运行参数进行剔除，目标电子设备温度稳定时不同工况下的散热数据集；根据所述散热数据集构建训练集及测试集，基于深度学习方法构建智能调控模型，通过训练集及测试集进行模型训练及模型测试验证，输出符合标准的智能调控模型。
[0009]本方案中，基于深度学习方法构建智能调控模型，具体为：基于深度卷积神经网络构建智能调控模型，利用散热数据集进行训练，在深度卷积神经网络中引入空洞卷积，提取不同工况下各实时温度信息对应的冷却水运行参数的特征信息；根据所述特征信息获取传热系数根据进口温度及流量的变化特征，根据所述变化特征导入全连接层，输出目标电子设备的最佳冷却水运行参数；将目标电子设备当前实时温度信息导入所述智能调控模型，获取最佳流速及进口温度，获取与上一时间戳的流速差值及进口温度差值，生成冷却水的调控方案；当所述流速差值或进口温度差值小于所述差值阈值，则根据差值设置增益系数，通过所述增益系数结合另一差值生成冷却水的调控方案。
[0010]本方案中，获取最佳流速及进口温度，生成不同工况下对应的调控等级，存入相关数据库，具体为：根据目标电子设备的历史运行情况获取不同工况下的温度变化区间，通过所述智
能调控模型获取不同工况下温度变化区间内各实时温度的最佳流速及进口温度；将各实时温度的最佳流速及进口温度进行取均值处理，并获取不同工况下温度变化区间中最小温度及最大温度对应的最佳流速及进口温度，并分别与均值进行对比获取最小温度及最大温度对应的比值，生成比值区间；根据不同工况下温度变化区间内最佳流速及进口温度的均值进行排序，通过排序结果设置调控等级，并将所述调控等级与不同工况进行匹配，并结合对应的比值区间存入相关数据库；获取目标电子设备当前工况，在所述相关数据库中进行检索获取调控等级及比值区间，读取调控等级的最佳流速及进口温度进行智能调控，利用所述比值区间进行当前工况下实时温度的自适应调控。
[0011]本专利技术第二方面还提供了一种数据中心氟化液冷却系统的智能调控系统，该系统包括：存储器、处理器，所述存储器中包括数据中心氟化液冷却系统的智能调控方法程序，所述数据中心氟化液冷却系统的智能调控方法程序被所述处理器执行时实现如下步骤：获取数据中心中目标电子设备的历史监测温度，将所述历史监测温度与故障信息匹配生成故障序列，根据所述故障序列生成高频故障温度范围；通过数据监测感知获取目标电子设备的实时温度信息，获取目标电子设备的稳态温度范围，利用目标电子设备的基础规模信息结合所述故障温度范围及稳态温度范围获取氟化液推荐信息；根据推荐氟化液进行目标电子设备的散热，基于冷却水的流速、进口温度及出口温度构建散热数据集，基于深度学习方法构建智能调控模型，通过所述散热数据集进行训练；获取目标电子设备不同工况下的实时温度信息导入所述智能调控模型，获取最佳流速及进口温度，生成不同工况下对应的调控等级，存入相关数据库。
[0012]本专利技术公开了一种数据中心氟化液冷却系统的智能调控方法及系统，包括，获取数据中心中目标电子设备的历史监测温度，与故障信息匹配生成高频故障温度范围；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据中心氟化液冷却系统的智能调控方法，其特征在于，包括以下步骤：获取数据中心中目标电子设备的历史监测温度，将所述历史监测温度与故障信息匹配生成故障序列，根据所述故障序列生成高频故障温度范围；通过数据监测感知获取目标电子设备的实时温度信息，获取目标电子设备的稳态温度范围，利用目标电子设备的基础规模信息结合所述故障温度范围及稳态温度范围获取氟化液推荐信息；根据推荐氟化液进行目标电子设备的散热，基于冷却水的流速、进口温度及出口温度构建散热数据集，基于深度学习方法构建智能调控模型，通过所述散热数据集进行训练；获取目标电子设备不同工况下的实时温度信息导入所述智能调控模型，获取最佳流速及进口温度，生成不同工况下对应的调控等级，存入相关数据库。2.根据权利要求1所述的一种数据中心氟化液冷却系统的智能调控方法，其特征在于，所述高频故障温度范围及稳态温度范围，具体为：利用数据检索获取目标电子设备的历史监测温度及故障信息，将所述历史监测温度及故障信息进行预处理，利用预处理后的历史监测温度及故障信息生成故障序列；根据所述故障序列基于历史监测温度进行统计分析，当历史监测温度对应的故障频率大于预设频率阈值，则把所述历史监测温度进行标记，通过标记的历史监测温度获取高频故障温度区间；通过数据监测感知获取目标电子设备不同工况下的实时温度信息，剔除异常数据后获取不同工况下的实时温度变化，并结合目标电子设备的最高允许温度生成稳态温度范围。3.根据权利要求1所述的一种数据中心氟化液冷却系统的智能调控方法，其特征在于，利用目标电子设备的基础规模信息结合所述故障温度范围及稳态温度范围获取氟化液推荐信息，具体为：获取目标电子设备的基础规模信息，根据所述基础规模信息判断目标电子设备的浸没深度；根据所述高频故障温度范围及稳态温度范围获取最佳运行温度范围，通过所述最佳运行温度范围获取氟化液的热流密度上下限；利用大数据方法获取不同类别氟化液在不同压力下的热流密度，根据所述热流密度上下限进行筛选，判断各类别氟化液满足所述热流密度上下限的压力范围；获取目标电子设备的浸没散热实例，获取浸没散热实例中不同浸没深度的压力影响情况，根据所述浸没深度基于压力影响情况生成影响系数，通过所述影响系数对所述压力范围进行修正；根据修正后的压力范围进行不同类别氟化液的排序，选取压力范围最大氟化液生成氟化液推荐信息。4.根据权利要求1所述的一种数据中心氟化液冷却系统的智能调控方法，其特征在于，基于冷却水的流速、进口温度及出口温度构建散热数据集，基于深度学习方法构建智能调控模型，通过所述散热数据集进行训练，具体为：获取不同工况下散热冷却过程中冷却水的流速、进口温度及出口温度，根据数据监测感知时间戳构建冷却水运行参数序列，将所述冷却水运行参数序列与目标电子设备的实时温度信息进行匹配；
根据目标电子设备的实时温度信息及系统压力进行筛选，将异常实时温度信息及异常系统压力对应的冷却水运行参数进行剔除，目标电子设备温度稳定时不同工况下的散热数据集；根据所述散热数据集构建训练集及测试集，基于深度学习方法构建智能调控模型，通过训练集及测试集进行模型训练及模型测试验证，输出符合标准的智能调控模型。5.根据权利要求4所述的一种数据中心氟化液冷却系统的智能调控方法，其特征在于，基于深度学习方法构建智能调控模型，具体为：基于深度卷积神经网络构建智能调控模型，利用散热数据集进行训练，在深度卷积神经网络中引入空洞卷积，提取不同工况下各实时温度信息对应的冷却水运行参数的特征信息；根据所述特征信息获取传热系数根据进口温度及流量的变化特征，根据所述变化特征导入全连接层，输出目标电子设备的最佳冷却水运行参数；将目标电子设备当前实时温度信息导入所述智能调控模型，获取最佳流速及进口温度，获取与上一时间戳的流速差值及进口温度差值，生成冷却水的调控方案；当所述流速差值或进口温度差值小于差值阈值，则根据差值设置增益系数，通过所述增益系数结合另一差值生成冷却水的调控方案。6.根据权利要求1所述的一种数据中心氟化液冷却系统的智能调控方法，其特征在于，获取最佳流速及进口温度，生成不同工况下对应的调控等级，存入相关数据库，具体为：根据目标电子设备的历史运行情况获取不同工况下的温度变化区间，通过所述智能调控...

【专利技术属性】
技术研发人员：曾一铮，吴杰达，刘星，
申请(专利权)人：海斯福深圳科技有限公司，
类型：发明
国别省市：