System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及物联网,具体是一种基于机器学习的数据中心节能调控方法及系统。
技术介绍
1、随着互联网技术以及互联网经济的发展,越来越多的数据需要进行存储和处理,数据中心的规模日渐增大。在庞大的服务器运行体量下,为保证数据中心内服务器的正常运行,对数据中心进行冷却降温控制极为重要。并且,在数据中心运行大量服务器等设备,需要进行大量的冷却以确保设备正常运行。传统的冷却方法采用恒温恒湿的空调系统,这种方法非常耗电,造成了较大的能源浪费。因此,亟需一种节能技术来动态调节数据中心的能耗。
技术实现思路
1、本申请的目的在于提供一种基于机器学习的数据中心节能调控方法及系统,以提高数据中心的节能。
2、为实现上述目的,本申请公开了以下技术方案:
3、本申请在第一方面公开了一种基于机器学习的数据中心节能调控方法,该方法包括:
4、按照预设的时间节点对采集区域进行冷却相关数据采集;
5、采集冷却设备的制冷运行数据;
6、将采集到的冷却相关数据和所述制冷运行数据输入至耗能影响模型,所述耗能影响模型输出制冷设备的耗能评价结果;
7、基于所述耗能评价结果进行冷却设备的节能调控。
8、作为优选,该种基于机器学习的数据中心节能调控方法还包括:
9、对数据中心进行区域划分,获取若干个采集区域,其中,每个采集区域中均设置有至少一个用于采集冷却相关数据的数据采集设备。
10、作为优选,所述的按照预设的时间节点对采
11、在时间节点t1通过数据采集设备对采集区域进行温度数据temp1的采集;
12、在时间节点t1+δt通过数据采集设备对采集区域进行温度数据temp2的采集。
13、作为优选,所述制冷运行数据包括:制冷时间δt、制冷耗能w、冷却目标温度temp0。
14、作为优选,所述耗能评价结果为通过能耗影响系数λ与预设的评价表进行比对得到;能耗影响系数λ通过以下公式计算得到:
15、
16、其中,p为冷却设备的运行功率,s为采集区域的面积,k为冷却设备的能耗比。
17、作为优选,所述评价表用于存储能耗影响系数和耗能效率之间的对应关系;其中,当temp2≤temp0时,能耗影响系数λ越小,耗能效率越高,此时,执行降能策略;否则,执行辅助冷却策略。
18、作为优选,所述降能策略包括降低冷却设备的运行功率或停机;所述辅助冷却策略包括:启动另一个冷却设备进行辅助冷却。
19、第二方面,本申请公开了一种基于机器学习的数据中心节能调控系统,包括:数据采集模块、耗能评价模块和节能调控模块;
20、所述数据采集模块配置为:按照预设的时间节点对采集区域进行冷却相关数据采集,和采集冷却设备的制冷运行数据;
21、所述耗能评价模块配置为:基于耗能影响模型对采集到的冷却相关数据和所述制冷运行数据进行制冷设备的耗能评价结果的获取和输出;
22、所述节能调控模块配置为:基于所述耗能评价结果进行冷却设备的节能调控。
23、作为优选,所述制冷运行数据包括:制冷时间δt、制冷耗能w、冷却目标温度temp0;所述耗能评价结果为通过能耗影响系数λ与预设的评价表进行比对得到;能耗影响系数λ通过以下公式计算得到:
24、
25、其中,p为冷却设备的运行功率,s为采集区域的面积,k为冷却设备的能耗比。
26、作为优选,所述评价表用于存储能耗影响系数和耗能效率之间的对应关系;其中,当temp2≤temp0时,能耗影响系数λ越小,耗能效率越高,此时,执行降能策略;否则,执行辅助冷却策略;所述降能策略包括降低冷却设备的运行功率或停机;所述辅助冷却策略包括:启动另一个冷却设备进行辅助冷却。
27、有益效果:本申请的基于机器学习的数据中心节能调控方法及系统,通过耗能影响模型基于采集到的冷却相关数据和制冷运行数据获取耗能评价结果,并根据耗能评价结果对数据中心的冷却设备进行节能调控,实现了数据中心的智能化节能调控,提高了数据中心的能耗效率和节能效果。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的数据中心节能调控方法,其特征在于,该方法包括:
2.根据权利要求1所述的基于机器学习的数据中心节能调控方法,其特征在于,该种基于机器学习的数据中心节能调控方法还包括:
3.根据权利要求1或2所述的基于机器学习的数据中心节能调控方法,其特征在于,所述的按照预设的时间节点对采集区域进行冷却相关数据采集具体包括:
4.根据权利要求3所述的基于机器学习的数据中心节能调控方法,其特征在于,所述制冷运行数据包括:制冷时间Δt、制冷耗能w、冷却目标温度Temp0。
5.根据权利要求4所述的基于机器学习的数据中心节能调控方法,其特征在于,所述耗能评价结果为通过能耗影响系数λ与预设的评价表进行比对得到;能耗影响系数λ通过以下公式计算得到:
6.根据权利要求5所述的基于机器学习的数据中心节能调控方法,其特征在于,所述评价表用于存储能耗影响系数和耗能效率之间的对应关系;其中,当Temp2≤Temp0时,能耗影响系数λ越小,耗能效率越高,此时,执行降能策略;否则,执行辅助冷却策略。
7.根据权利要求6所述的基于
8.一种基于机器学习的数据中心节能调控系统,其特征在于,包括:数据采集模块、耗能评价模块和节能调控模块;
9.根据权利要求8所述的基于机器学习的数据中心节能调控系统,其特征在于,所述制冷运行数据包括:制冷时间Δt、制冷耗能w、冷却目标温度Temp0;所述耗能评价结果为通过能耗影响系数λ与预设的评价表进行比对得到;能耗影响系数λ通过以下公式计算得到:
10.根据权利要求9所述的基于机器学习的数据中心节能调控系统,其特征在于,所述评价表用于存储能耗影响系数和耗能效率之间的对应关系;其中,当Temp2≤Temp0时,能耗影响系数λ越小,耗能效率越高,此时,执行降能策略;否则,执行辅助冷却策略;所述降能策略包括降低冷却设备的运行功率或停机;所述辅助冷却策略包括:启动另一个冷却设备进行辅助冷却。
...【技术特征摘要】
1.一种基于机器学习的数据中心节能调控方法,其特征在于,该方法包括:
2.根据权利要求1所述的基于机器学习的数据中心节能调控方法,其特征在于,该种基于机器学习的数据中心节能调控方法还包括:
3.根据权利要求1或2所述的基于机器学习的数据中心节能调控方法,其特征在于,所述的按照预设的时间节点对采集区域进行冷却相关数据采集具体包括:
4.根据权利要求3所述的基于机器学习的数据中心节能调控方法,其特征在于,所述制冷运行数据包括:制冷时间δt、制冷耗能w、冷却目标温度temp0。
5.根据权利要求4所述的基于机器学习的数据中心节能调控方法,其特征在于,所述耗能评价结果为通过能耗影响系数λ与预设的评价表进行比对得到;能耗影响系数λ通过以下公式计算得到:
6.根据权利要求5所述的基于机器学习的数据中心节能调控方法,其特征在于,所述评价表用于存储能耗影响系数和耗能效率之间的对应关系;其中,当temp2≤temp0时,能耗影响系数λ越小,耗能效率越高,此时,执行降能策略;否则,执...
【专利技术属性】
技术研发人员:邱朝明,
申请(专利权)人:广东电网有限责任公司广州供电局,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。