一种用于数据中心机房的节能方法及装置与流程

1.本技术涉及数据处理技术领域，具体是一种用于数据中心机房的节能方法及装置。


背景技术：

2.近年来，随着互联网技术与产业的不断升级换代，云计算、虚拟化等服务的快速发展，数据中心行业规模增长迅猛，数据中心机房的数量和面积迅速增长。数据中心运行的it设备，包括交换机、路由器和服务器等需要全年不间断运行以向互联网用户提供服务，同时需要空调等辅助制冷系统实时供应冷能以维持其可靠运行，因此电能消耗量巨大。有研究表明，数据中心的耗能部分中，制冷系统能耗占比约为数据中心总能耗的40％。因此，降低制冷系统的能耗是目前数据中心节能、提高能源效率的重点关注环节。


技术实现要素：

3.针对现有技术中的问题，本技术提供数据一种用于数据中心机房的节能方法及装置，能够使得机房空调和通风地板的总功率最低，达到节能的目的。
4.第一方面，本技术提供一种用于数据中心机房的节能方法，其中，所述数据中心机房包括机柜、空调和通风地板，该方法包括：
5.确定所述空调的温度设定值范围和所述通风地板的启动风机数范围；
6.对所述温度设定值范围和所述启动风机数范围进行遍历，确定所述空调的多个初始温度设定值以及所述通风地板的多个初始启动风机数；
7.将所述多个初始温度设定值和所述多个初始启动风机数作为多组输入，基于预先训练的神经网络模型，得到多组包括第一功耗机柜的第一进风口温度、第二功耗机柜的第二进风口温度、所述空调的功率以及所述通风地板的功率的输出；
8.在所述多组输出中，确定所述第一进风口温度和所述第二进风口温度均满足预设温度阈值，且所述空调的功率与所述通风地板的功率之和最小的一组输出；
9.将所述最小的一组输出所对应的初始温度设定值和初始启动风机数分别作为所述空调的目标温度设定值和所述通风地板的目标启动风机数。
10.在本实施例的一些可选方式中，所述将所述多个初始温度设定值和所述多个初始启动风机数作为多组输入，基于预先训练的神经网络模型，得到多组包括第一功耗机柜的第一进风口温度、第二功耗机柜的第二进风口温度、所述空调的功率以及所述通风地板的功率的输出，包括：
11.将所述多个初始温度设定值与所述多个初始启动风机数进行组合，得到所述多组输入，其中，一组输入包括一个初始温度和一个初始启动风机数；
12.将每组输入基于预训练的神经网络模型，分别得到包括第一功耗机柜的第一进风口温度、第二功耗机柜的第二进风口温度、所述空调的功率以及所述通风地板的功率的一组输出。
13.在本实施例的一些可选方式中，所述在所述多组输出中，确定所述第一进风口温度和所述第二进风口温度均满足预设温度阈值，且所述空调的功率与所述通风地板的功率之和最小的一组输出，包括：
14.对多组输出进行筛选，去除所述第一进风口温度和/或所述第二进风口温度不满足预设温度阈值的输出；
15.在所述第一进风口温度和所述第二进风口温度均满足预设温度阈值的输出中，分别计算所述空调的功率与所述通风地板的功率之和，并确定所述功率之和最小的一组输出。
16.在本实施例的一些可选方式中，训练所述神经网络模型的步骤包括：
17.确定所述机柜中的第一功耗机柜和第二功耗机柜，其中，所述通风地板与所述第一功耗机柜对应设置；
18.获取所述数据中心机房在预设时间的历史数据，其中，所述历史数据包括历史温度设定值、历史启动风机数、以及与所述历史温度设定值和所述启动风机数对应的第一功耗机柜的历史第一进风口温度、第二功耗机柜的历史第二进风口温度、所述空调的历史功率以及所述通风地板的历史功率；
19.将所述历史温度设定值、历史启动风机数作为样本输入数据，与所述历史温度设定值和所述启动风机数对应的历史第一进风口温度、历史第二进风口温度、所述空调的历史功率以及所述通风地板的历史功率作为样本输出数据，训练神经网络模型。
20.在本实施例的一些可选方式中，确定所述机柜中的第一功耗机柜和第二功耗机柜，包括：
21.通过智能电源分配设备确定每个机柜的耗电功率；
22.对所述耗电功率进行降序排序，将耗电功率在前第一预设数量位的机柜作为第一功耗机柜，将耗电功率在后第二预设数量位的机柜作为第二功耗机柜，其中，所述机柜的数量大于所述第一预设数量与所述第二预设数量之和。
23.在本实施例的一些可选方式中，所述确定所述空调的温度设定值范围和所述通风地板的启动风机数范围，包括：
24.确定所述空调的最小温度设定值和最大温度设定值，将所述最小温度设定值和最大温度设定值组成的区间，作为所述温度设定值范围；
25.确定所述通风地板的风机数量，将零和所述风机数量组成的区间，作为所述启动风机数范围。
26.在本实施例的一些可选方式中，所述对所述温度设定值范围和所述启动风机数范围进行遍历，确定所述空调的多个初始温度设定值以及所述通风地板的多个初始启动风机数，包括：
27.遍历所述温度设定值范围，从所述温度设定值范围内，对所述空调的初始温度设定值进行穷举，确定所述空调的多个初始温度设定值；
28.遍历所述启动风机数范围，从所述启动风机数范围内，对所述通风地板的启动风机数进行穷举，确定所述多个初始启动风机数。
29.在本实施例的一些可选方式中，该方法还包括：
30.响应于所述机柜的负载变化或在一个预设周期内，更新所述神经网络模型，并基
于更新后的神经网络模型重新确定目标温度设定值和目标启动风机数。
31.在本实施例的一些可选方式中，该方法还包括：
32.基于所述目标温度设定值和目标启动风机数，分别配置所述空调和所述通风地板。
33.第二方面，本技术提供一种用于数据中心机房的节能装置，其中，所述数据中心机房包括机柜、空调和通风地板，该装置包括：
34.第一确定模块，被配置为确定所述空调的温度设定值范围和所述通风地板的启动风机数范围；
35.第二确定模块，被配置为对所述温度设定值范围和所述启动风机数范围进行遍历，确定所述空调的多个初始温度设定值以及所述通风地板的多个初始启动风机数；
36.输入输出模块，被配置为将所述多个初始温度设定值和所述多个初始启动风机数作为多组输入，基于预先训练的神经网络模型，得到多组包括第一功耗机柜的第一进风口温度、第二功耗机柜的第二进风口温度、所述空调的功率以及所述通风地板的功率的输出；
37.第三确定模块，被配置为在所述多组输出中，确定所述第一进风口温度和所述第二进风口温度均满足预设温度阈值，且所述空调的功率与所述通风地板的功率之和最小的一组输出；
38.第四确定模块，被配置为将所述最小的一组输出所对应的初始温度设定值和初始启动风机数分别作为所述空调的目标温度设定值和所述通风地板的目标启动风机数。
39.第三方面，本技术提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述用于数据中心机房的节能方法的步骤。
40.第四方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述用于数据中心机房的节能方法的步骤。
41.第五方面，本技术提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述用于数据中心机房的节能方法的步骤。
42.针对现有技术中的问题，本技术提供了一种用于数据中心机房的节能方法及装置，基于预训练的神经网络模型，将通风地板和空调联动控制，通过遍历机房空调温度设定值、每台adu的风机启动数量，最终得到将低功耗机柜进风口温度和高功耗机柜进风口温度控制在要求范围内，同时机房空调和adu总耗电功率最小的温度设定值和风机启动数量，在考虑机房的整体环境下，解决机房局部装机功率突破设计值造成的冷量不均问题，实现节能的目的。
附图说明
43.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
44.图1是根据本技术的用于数据中心机房的节能方法的一个实施例的流程图；
45.图2是根据本技术的确定温度设定值范围和启动风机数范围的一个实施例的流程
图；
46.图3是根据本技术的用于数据中心机房的节能方法的一个场景示意图；
47.图4是根据本技术实施例的神经网络模型的输入输出示意图；
48.图5是根据本技术的用于数据中心机房的节能方法的又一个实施例的流程图；
49.图6是根据本技术的用于数据中心机房的节能装置的一个实施例的结构图；
50.图7是用来实现本技术实施例的用于数据中心机房的节能方法的电子设备的框图。
具体实施方式
51.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
52.在机房模块内，安装的it设备由于承担计算和存储功能而耗电发热，需要机房空调提供冷量将热量带走，从而也消耗了空调的电能。通过调整机房空调的温度设定值(如末端空调出风口温度或者回风口温度)，会改变机房内各机柜进风口温度，使得每个机柜的进风口温度保持在一个期望的温度范围内，如旧的国标需要的温度范围是23
±
1度，2017年新的国标gb50174发布后，该温度范围是18-27度，从而改变机房内温度场的分布。
53.数据中心的生命周期在20年以上，供配电和制冷等基础设施通常使用8-10年以上才更新换代，服务器it设备的生命周期仅为3-5年。由于服务器技术发展速度远超供配电和制冷等基础设施设备的发展速度，经常会发生单机柜的装机功率超过设计功率的情况，造成机房内局部热点产生。一方面，这种情况下，机房内服务器负载分布不均衡，为满足高功耗区域的制冷，需将末端空调温度设定值调低，从而造成低功耗区域的冷量浪费。另一方面，在很多时候，由于高功耗区域负载过高，末端空调的最大冷量仍无法满足该区域的制冷。这时，业界采用在高功耗区域增加adu(air distribution unit，配风单元，一种温控通风地板)的方式，辅助加大该区域的制冷量。
54.可见，数据中心机房的能耗除了it设备外，占比最大的是制冷设备(空调和adu)的能耗。数据中心的节能技术研究主要结合制冷系统的节能展开。然而，业界传统方法是根据adu采集到的温度，改变启动的小型风机数量，即对adu进行单机控制，而未与机房空调联动控制，未考虑到机房的整体节能。
55.为解决上述问题，本技术的一个实施例提供了一种用于数据中心机房的节能方法，如图1所述，该方法包括：
56.步骤101、确定所述空调的温度设定值范围和所述通风地板的启动风机数范围。
57.在实际应用中，如图3所示，数据中心机房一般包括机柜、通风地板以及空调，其中，通风地板即前述的adu，又称机房空调冷量分配地板、配风单元等，应用在架空地板形式的机房中，与下送风机房空调配合使用。通风地板上安装有温度传感器，用于采集通风地板上方的机房温度。同时，通风地板内设置有多个小型风机，其可以根据温度传感器采集到的地板上层空间的温度状况，自动调整风机运行状态，例如调整风机启动数量，从而控制通风地板的送风风量，维持地板上层空间温度基本恒定可控，最终实现为机房的高负载区按需
输送更高冷量的目的。
58.在本实施例的一些可选方式中，如图2所示，空调的温度设定值范围和所述通风地板的启动风机数范围通过以下步骤确定：
59.步骤1011、确定所述空调的最小温度设定值和最大温度设定值，将所述最小温度设定值和最大温度设定值组成的区间，作为所述温度设定值范围。
60.应当理解，可以通过机房空调控制软件确定空调的最小温度设定值和最大温度设定值，并将最小温度设定值和最大温度设定值组成的区间，作为温度设定值范围。例如，空调的最小温度设定值是16℃，最大温度设定值是30℃，则相应的温度设定值范围是[16℃,30℃]，其与空调的型号、参数等有关，本实施例对此不做限定。
[0061]
步骤1012、确定所述通风地板的风机数量，将零和所述风机数量组成的区间，作为所述启动风机数范围。
[0062]
传统的通风地板为单机控制，启动风机的数量与温度成正相关，例如可通过设置风机启动的温度和转速、满载运行的温度和满载转速来控制风机的启动数量，其存在未与空调联动设置的弊端。
[0063]
在本实施例中，启动风机数范围与通风地板内设置的风机数量有关。例如，一个通风地板内设置有12个风机，不启动风机的数量和启动全部风机的数量组成的区间为启动风机数范围，即[0,12]。
[0064]
步骤102、对所述温度设定值范围和所述启动风机数范围进行遍历，确定所述空调的多个初始温度设定值以及所述通风地板的多个初始启动风机数。
[0065]
在本实施例的一些可选方式中，多个初始温度设定值以及多个初始启动风机数还可以通过以下步骤确定：
[0066]
步骤1021、遍历所述温度设定值范围，从所述温度设定值范围内，对所述空调的初始温度设定值进行穷举，确定所述空调的多个初始温度设定值。
[0067]
步骤1022、遍历所述启动风机数范围，从所述启动风机数范围内，对所述通风地板的启动风机数进行穷举，确定所述多个初始启动风机数。
[0068]
仍以前述示例进行说明，温度设定值范围是[16℃,30℃]，启动风机数范围是[0,12]，应当理解，启动风机数为整数，则通风地板的初始风机启动数为0、1、2、3
……
等13个；温度设定值可以为小数或整数，初始温度设定值的数量也可以为多个。
[0069]
步骤103、将所述多个初始温度设定值和所述多个初始启动风机数作为多组输入，基于预先训练的神经网络模型，得到多组包括第一功耗机柜的第一进风口温度、第二功耗机柜的第二进风口温度、所述空调的功率以及所述通风地板的功率的输出。
[0070]
在本实施例中，训练所述神经网络模型的步骤包括：
[0071]
步骤1031、确定所述机柜中的第一功耗机柜和第二功耗机柜，其中，所述通风地板与所述第一功耗机柜对应设置。
[0072]
以图3所示的数据中心机房为例，其具有6排机柜，3组冷通道，6台末端机房空调。其中，每排有12个机柜，相邻两排机柜面对面组成一组冷通道。每个机柜进风口处设置有温度传感器，用于采集机柜进风口温度。对于每排机柜而言，每个机柜安装的服务器it设备总功率为机柜的耗电功率，其可以通过机柜内的智能pdu(电源分配设备)采集，或者通过服务器外带的it设备监控软件采集，从而得到每个机柜中安装的it设备总功率。
[0073]
进一步，根据每个机柜中安装的it设备总功率，为机柜的耗电功率进行降序排序，将耗电功率在前第一预设数量位的机柜作为第一功耗机柜，将耗电功率在后第二预设数量位的机柜作为第二功耗机柜，其中，所述机柜的数量大于所述第一预设数量与所述第二预设数量之和。
[0074]
本实施例对第一预设数量和第二预设数量不做限定，其可以根据实际情况进行相应设置。例如，第一预设数量为2，第二预设数量为3，即在排序后，将排在前2位的耗电功率所对应的机柜作为高功耗机柜，将排在后3位的耗电功率所对应的机柜作为低功耗机柜。
[0075]
通过上述方法，能够得到每排机柜中功率最低的一个或者数个低功耗机柜，以及每排机柜中功率最高的一个或数个高功耗机柜，同时，由于高功耗机柜的制冷需求较高，在确定了高功耗机柜后，如图3所示，需要在高功耗机柜处安装通风地板，即通风地板与高功耗机柜一一设置。
[0076]
步骤1032、获取所述数据中心机房在预设时间的历史数据，其中，所述历史数据包括历史温度设定值、历史启动风机数、以及与所述历史温度设定值和所述启动风机数对应的第一功耗机柜的历史第一进风口温度、第二功耗机柜的历史第二进风口温度、所述空调的历史功率以及所述通风地板的历史功率。
[0077]
本实施例对预设时间不做限定，其可以由技术人员根据实际情况进行相应设置。例如，获取数据中心机房在前两个月的历史数据，其中，历史数据包括空调的历史温度设定值、历史启动风机数、以及与所述历史温度设定值和所述启动风机数对应的第一功耗机柜的历史第一进风口温度、第二功耗机柜的历史第二进风口温度、所述空调的历史功率以及所述通风地板的历史功率。
[0078]
其中，历史温度设定值可在机房空调控制软件中采集，历史启动风机数可在通风地板的控制软件中采集，低功耗机柜的历史进风口温度可通过安装在机柜内的温度传感器获得，高功耗机柜的历史进风口温度可通过安装在机柜或安装在对应通风地板上的温度传感器获得，机房空调的历史功率可通过机房空调控制软件采集；通风地板的历史功率可通过通风地板控制软件采集等，本技术对此不做限定。
[0079]
需要说明的是，在实际应用中，数据中心机房的空调和通风地板的数量一般为多个，由此，以如图3所示的数据中心机房为例进行说明，空调的数量为6，通风地板的数量为6，高功耗机柜为6个，低功耗机柜为12个，可将处于前两个月内同一时刻下，6个空调的温度设定值和6个通风地板的启动风机数、12个低功耗机柜的进风口温度以及6个高功耗机柜的进风口温度、空调功率以及通风地板功率作为一组历史数据，其中，空调功率默认为数据中心机房内全部空调的总功率，通风地板功率默认为数据中心机房内全部通风地板的总功率，并基于相同的统计思路，得到多组数据中心在前两个月的历史数据。
[0080]
步骤1033、将所述历史温度设定值、历史启动风机数作为样本输入数据，与所述历史温度设定值和所述启动风机数对应的历史第一进风口温度、历史第二进风口温度、所述空调的历史功率以及所述通风地板的历史功率作为样本输出数据，训练神经网络模型。
[0081]
在本实施例中，进一步将同一时刻下的温度设定值以及启动风机数作为样本输入数据，以及同一时刻下的低功耗机柜的进风口温度和高功耗机柜的进风口温度、空调的功率以及通风地板的功率作为样本输出数据，训练神经网络模型。
[0082]
训练好的神经网络模型能够通过模拟数据中心机房的配置，输出在该配置下的低
功耗机柜的进风口温度和高功耗机柜的进风口温度、空调的功率以及通风地板的功率的理论值，从而确定对数据中心机房而言最节能的一组配置。
[0083]
在本实施例的一些可选方式中，具体步骤如下：
[0084]
步骤1031、将所述多个初始温度设定值与所述多个初始启动风机数进行组合，得到所述多组输入，其中，一组输入包括一个初始温度和一个初始启动风机数。
[0085]
在一个具体示例中，空调的数量为n，编号为空调1-空调n，通风地板的数量为m，编号为通风地板1-通风地板m，以其中一组输入为例进行说明：
[0086]
空调1的初始温度设定值t1、空调2的初始温度设定值t2、空调3的初始温度设定值t3、空调4的初始温度设定值t4、空调5的初始温度设定值t5、空调6的初始温度设定值t6
……
空调n的初始温度设定值tn；通风地板1的初始启动风机数n1、通风地板2的初始启动风机数n2、通风地板3的初始启动风机数n3、通风地板4的初始启动风机数n4、通风地板5的初始启动风机数n5以及通风地板6的初始启动风机数n6
……
通风地板m的初始启动风机数nm。
[0087]
应当理解，t1-tn能够从温度设定值范围内进行遍历，n1-nm能够从启动风机数范围内进行遍历，温度设定值和启动风机数有多种组合。
[0088]
步骤1032、将每组输入基于预训练的神经网络模型，分别得到包括第一功耗机柜的第一进风口温度、第二功耗机柜的第二进风口温度、所述空调的功率以及所述通风地板的功率的一组输出。
[0089]
如图4所示，将t1-tn、n1-nm作为输入，基于预训练的神经网络模型，能够得到与之对应的一组输出，例如低功耗机柜的数量为p，编号为低功耗机柜1-低功耗机柜p，高功耗机柜的数量为q，编号为高功耗机柜1-高功耗机柜q，一组输出可以为：低功耗机柜1的进风口温度c1、低功耗机柜2的进风口温度c2、低功耗机柜3的进风口温度c3
……
低功耗机柜p的进风口温度cp、高功耗机柜1的进风口温度c1’、高功耗机柜2的进风口温度c2
’……
高功耗机柜q的进风口温度cq’；机房空调功率w1以及通风地板功率w2。
[0090]
步骤104、在所述多组输出中，确定所述第一进风口温度和所述第二进风口温度均满足预设温度阈值，且所述空调的功率与所述通风地板的功率之和最小的一组输出。
[0091]
在本实施例中，还需要对得到的多组输出进行筛选，以确定满足节能的温度设定值和启动风机数。
[0092]
在本实施例的一些可选方式中，步骤104进一步包括：
[0093]
步骤1041、对多组输出进行筛选，去除所述第一进风口温度和/或所述第二进风口温度不满足预设温度阈值的输出。
[0094]
在本实施例中，预设温度阈值即国标发布的18℃-27℃，应当理解，当低功耗机柜的进风口温度和高功耗机柜的进风口温度均在预设温度范围内时，便能够保证数据中心机房的全部机柜的进风口温度均在该国标范围内，由此，需要去除低功耗机柜的进风口温度和/或高功耗机柜的进风口温度不满足预设温度阈值的输出。
[0095]
在本实施例中，在建立深度学习人工神经网络模型时，仅将低功耗机柜的进风口温度与高功耗机柜的进风口温度作为输出，而不是将所有机柜的进风口温度作为输出，能够大幅降低模型的规模，提高建模效率，降低对计算资源的占用。
[0096]
步骤1042、在所述第一进风口温度和所述第二进风口温度均满足预设温度阈值的
输出中，分别计算所述空调的功率与所述通风地板的功率之和，并确定所述功率之和最小的一组输出。
[0097]
在本实施例中，筛选出输出中所有低功耗机柜进风口温度和高功耗机柜进风口温度都控制在国标要求的范围内(如18-27度)的数据，将这些数据按照对应的机房空调功率和通风地板功率之和进行排序，确定总功率之和最小的一组数据。
[0098]
步骤105、将所述最小的一组输出所对应的初始温度设定值和初始启动风机数分别作为所述空调的目标温度设定值和所述通风地板的目标启动风机数。
[0099]
在本实施例中，将前述总功率之和最小的该组数据对应的机房各空调的温度设定值、各通风地板的风机启动数量确定为能够达到节能的目标温度设定值和目标启动风机数量。
[0100]
本实施例提供的一种用于数据中心机房的节能方法，基于预训练的神经网络模型，将通风地板和空调联动控制，通过遍历机房空调温度设定值、每台adu的风机启动数量，最终得到将低功耗机柜进风口温度和高功耗机柜进风口温度控制在要求范围内，同时机房空调和adu总耗电功率最小的温度设定值和风机启动数量，在考虑机房的整体环境下，解决机房局部装机功率突破设计值造成的冷量不均问题，实现节能的目的。
[0101]
图5示出了本技术又一个实施例的用于数据中心机房的节能方法的示意性流程图，该方法包括：
[0102]
步骤201、确定所述空调的温度设定值范围和所述通风地板的启动风机数范围。
[0103]
在本实施例中，对步骤201的描述参考步骤101，本技术在此不再赘述。
[0104]
步骤202、对所述温度设定值范围和所述启动风机数范围进行遍历，确定所述空调的多个初始温度设定值以及所述通风地板的多个初始启动风机数。
[0105]
在本实施例中，对步骤202的描述参考步骤102，本技术在此不再赘述。
[0106]
步骤203、将所述多个初始温度设定值和所述多个初始启动风机数作为多组输入，基于预先训练的神经网络模型，得到多组包括第一功耗机柜的第一进风口温度、第二功耗机柜的第二进风口温度、所述空调的功率以及所述通风地板的功率的输出。
[0107]
在本实施例中，对步骤203的描述参考步骤103，本技术在此不再赘述。
[0108]
步骤204、在所述多组输出中，确定所述第一进风口温度和所述第二进风口温度均满足预设温度阈值，且所述空调的功率与所述通风地板的功率之和最小的一组输出。
[0109]
在本实施例中，对步骤204的描述参考步骤104，本技术在此不再赘述。
[0110]
步骤205、将所述最小的一组输出所对应的初始温度设定值和初始启动风机数分别作为所述空调的目标温度设定值和所述通风地板的目标启动风机数。
[0111]
在本实施例中，对步骤205的描述参考步骤105，本技术在此不再赘述。
[0112]
步骤206、响应于所述机柜的负载变化或在一个预设周期内，更新所述神经网络模型，并基于更新后的神经网络模型重新确定目标温度设定值和目标启动风机数。
[0113]
应当理解，安装在机柜内的负载(服务器、it设备)会发生变化，当机房内有较多的服务器进行位置调整后，低功耗机柜或高功耗机柜会发生变化，则位置调整前的温度设定值和启动风机数量将不再适用位置调整后的数据中心机房，需要更新神经网络模型，例如，采集位置调整后一段时间的数据中心机房的空调功率、通风地板功率、机柜进风口温度等实际数据作为样本数据，对神经网络模型进行更新，并基于更新后的神经网络模型重新确
定适用于位置调整后的数据中心机房的目标温度设定值和目标启动风机数，以使得空调和通风地板的总功率最低，达到节能的目的。
[0114]
此外，还可以周期性的(每月、每季度、每半年)对神经网络模型进行优化更新，提高本技术的用于数据中心机房的节能方法的准确性。
[0115]
步骤207、基于所述目标温度设定值和目标启动风机数，分别配置所述空调和所述通风地板。
[0116]
在本实施例中，将确定的机房各空调温度设定值在机房空调控制系统上进行配置，将确定的通风地板的风机启动数量在通风地板的控制系统上进行配置，基于该配置下的数据中心机房的空调和通风地板的总功率最低，达到节能的目的。
[0117]
进一步参考图6，作为对上述各图的用于数据中心机房的节能方法的实现，本公开提供了一种用于数据中心机房的节能装置的一个实施例，该装置与图1或图5所示的方法实施例相对应。
[0118]
如图6所示，该节能装置包括：
[0119]
第一确定模块301，被配置为确定所述空调的温度设定值范围和所述通风地板的启动风机数范围；
[0120]
第二确定模块302，被配置为对所述温度设定值范围和所述启动风机数范围进行遍历，确定所述空调的多个初始温度设定值以及所述通风地板的多个初始启动风机数；
[0121]
输入输出模块303，被配置为将所述多个初始温度设定值和所述多个初始启动风机数作为多组输入，基于预先训练的神经网络模型，得到多组包括第一功耗机柜的第一进风口温度、第二功耗机柜的第二进风口温度、所述空调的功率以及所述通风地板的功率的输出；
[0122]
第三确定模块304，被配置为在所述多组输出中，确定所述第一进风口温度和所述第二进风口温度均满足预设温度阈值，且所述空调的功率与所述通风地板的功率之和最小的一组输出；
[0123]
第四确定模块305，被配置为将所述最小的一组输出所对应的初始温度设定值和初始启动风机数分别作为所述空调的目标温度设定值和所述通风地板的目标启动风机数。
[0124]
在本实施例的一些可选方式中，输入输出模块进一步被配置为：
[0125]
将多个初始温度设定值与多个初始启动风机数进行组合，得到多组输入，其中，一组输入包括一个初始温度和一个初始启动风机数；
[0126]
将每组输入基于预训练的神经网络模型，分别得到包括第一功耗机柜的第一进风口温度、第二功耗机柜的第二进风口温度、空调的功率以及通风地板的功率的一组输出。
[0127]
在本实施例的一些可选方式中，第三确定模块进一步被配置为：
[0128]
对多组输出进行筛选，去除第一进风口温度和/或第二进风口温度不满足预设温度阈值的输出；
[0129]
在第一进风口温度和第二进风口温度均满足预设温度阈值的输出中，分别计算空调的功率与通风地板的功率之和，并确定功率之和最小的一组输出。
[0130]
在本实施例的一些可选方式中，训练神经网络模型的步骤包括：
[0131]
确定机柜中的第一功耗机柜和第二功耗机柜，其中，通风地板与第一功耗机柜对应设置；
[0132]
获取数据中心机房在预设时间的历史数据，其中，历史数据包括历史温度设定值、历史启动风机数、以及与历史温度设定值和启动风机数对应的第一功耗机柜的历史第一进风口温度、第二功耗机柜的历史第二进风口温度、空调的历史功率以及通风地板的历史功率；
[0133]
将历史温度设定值、历史启动风机数作为样本输入数据，与历史温度设定值和启动风机数对应的历史第一进风口温度、历史第二进风口温度、空调的历史功率以及通风地板的历史功率作为样本输出数据，训练神经网络模型。
[0134]
在本实施例的一些可选方式中，确定机柜中的第一功耗机柜和第二功耗机柜，包括：
[0135]
通过智能电源分配设备确定每个机柜的耗电功率；
[0136]
对耗电功率进行降序排序，将耗电功率在前第一预设数量位的机柜作为第一功耗机柜，将耗电功率在后第二预设数量位的机柜作为第二功耗机柜，其中，机柜的数量大于第一预设数量与第二预设数量之和。
[0137]
在本实施例的一些可选方式中，第一确定模块进一步被配置为：
[0138]
确定空调的最小温度设定值和最大温度设定值，将最小温度设定值和最大温度设定值组成的区间，作为温度设定值范围；
[0139]
确定通风地板的风机数量，将零和风机数量组成的区间，作为启动风机数范围。
[0140]
在本实施例的一些可选方式中，第二确定模块进一步被配置为：
[0141]
遍历温度设定值范围，从温度设定值范围内，对空调的初始温度设定值进行穷举，确定空调的多个初始温度设定值；
[0142]
遍历启动风机数范围，从启动风机数范围内，对通风地板的启动风机数进行穷举，确定多个初始启动风机数。
[0143]
在本实施例的一些可选方式中，该装置还包括：
[0144]
更新模块，被配置为响应于机柜的负载变化或在一个预设周期内，更新神经网络模型，并基于更新后的神经网络模型重新确定目标温度设定值和目标启动风机数。
[0145]
在本实施例的一些可选方式中，该装置还包括：
[0146]
配置模块，被配置为基于目标温度设定值和目标启动风机数，分别配置空调和通风地板。
[0147]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0148]
一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述实施例的用于机房数据中心的节能方法。
[0149]
一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行前述实施例的用于机房数据中心的节能方法。
[0150]
一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现前述实施例的用于机房数据中心的节能方法。
[0151]
图7示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字
助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0152]
如图7所示，设备400包括计算单元401，其可以根据存储在只读存储器(rom)402中的计算机程序或者从存储单元408加载到随机访问存储器(ram)403中的计算机程序，来执行各种适当的动作和处理。在ram 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、rom 402以及ram 403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。
[0153]
设备400中的多个部件连接至i/o接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0154]
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如用于机房数据中心的节能方法。
[0155]
例如，在一些实施例中，用于机房数据中心的节能方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由rom 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到ram 403并由计算单元401执行时，可以执行上文描述的用于机房数据中心的节能方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于机房数据中心的节能方法。
[0156]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0157]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0158]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可
读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0159]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0160]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0161]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0162]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开的技术方案所期望的结果，本文在此不进行限制。
[0163]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

技术特征：
1.一种用于数据中心机房的节能方法，其中，所述数据中心机房包括机柜、空调和通风地板，其特征在于，包括：确定所述空调的温度设定值范围和所述通风地板的启动风机数范围；对所述温度设定值范围和所述启动风机数范围进行遍历，确定所述空调的多个初始温度设定值以及所述通风地板的多个初始启动风机数；将所述多个初始温度设定值和所述多个初始启动风机数作为多组输入，基于预先训练的神经网络模型，得到多组包括第一功耗机柜的第一进风口温度、第二功耗机柜的第二进风口温度、所述空调的功率以及所述通风地板的功率的输出；在多组输出中，确定所述第一进风口温度和所述第二进风口温度均满足预设温度阈值，且所述空调的功率与所述通风地板的功率之和最小的一组输出；将所述最小的一组输出所对应的初始温度设定值和初始启动风机数分别作为所述空调的目标温度设定值和所述通风地板的目标启动风机数。2.根据权利要求1所述的方法，其特征在于，所述将所述多个初始温度设定值和所述多个初始启动风机数作为多组输入，基于预先训练的神经网络模型，得到多组包括第一功耗机柜的第一进风口温度、第二功耗机柜的第二进风口温度、所述空调的功率以及所述通风地板的功率的输出，包括：将所述多个初始温度设定值与所述多个初始启动风机数进行组合，得到所述多组输入，其中，一组输入包括一个初始温度和一个初始启动风机数；将每组输入基于预训练的神经网络模型，分别得到包括第一功耗机柜的第一进风口温度、第二功耗机柜的第二进风口温度、所述空调的功率以及所述通风地板的功率的一组输出。3.根据权利要求1所述的方法，其特征在于，所述在所述多组输出中，确定所述第一进风口温度和所述第二进风口温度均满足预设温度阈值，且所述空调的功率与所述通风地板的功率之和最小的一组输出，包括：对多组输出进行筛选，去除所述第一进风口温度和/或所述第二进风口温度不满足预设温度阈值的输出；在所述第一进风口温度和所述第二进风口温度均满足预设温度阈值的输出中，分别计算所述空调的功率与所述通风地板的功率之和，并确定所述功率之和最小的一组输出。4.根据权利要求1所述的方法，其特征在于，训练所述神经网络模型的步骤包括：确定所述机柜中的第一功耗机柜和第二功耗机柜，其中，所述通风地板与所述第一功耗机柜对应设置；获取所述数据中心机房在预设时间的历史数据，其中，所述历史数据包括历史温度设定值、历史启动风机数、以及与所述历史温度设定值和所述启动风机数对应的第一功耗机柜的历史第一进风口温度、第二功耗机柜的历史第二进风口温度、所述空调的历史功率以及所述通风地板的历史功率；将所述历史温度设定值、历史启动风机数作为样本输入数据，与所述历史温度设定值和所述启动风机数对应的历史第一进风口温度、历史第二进风口温度、所述空调的历史功率以及所述通风地板的历史功率作为样本输出数据，训练神经网络模型。5.根据权利要求1或4所述的方法，其特征在于，确定所述机柜中的第一功耗机柜和第
二功耗机柜的步骤，包括：通过智能电源分配设备确定每个机柜的耗电功率；对所述耗电功率进行降序排序，将耗电功率在前第一预设数量位的机柜作为第一功耗机柜，将耗电功率在后第二预设数量位的机柜作为第二功耗机柜，其中，所述机柜的数量大于所述第一预设数量与所述第二预设数量之和。6.根据权利要求1所述的方法，其特征在于，所述确定所述空调的温度设定值范围和所述通风地板的启动风机数范围，包括：确定所述空调的最小温度设定值和最大温度设定值，将所述最小温度设定值和最大温度设定值组成的区间，作为所述温度设定值范围；确定所述通风地板的风机数量，将零和所述风机数量组成的区间，作为所述启动风机数范围。7.根据权利要求1所述的方法，其特征在于，所述对所述温度设定值范围和所述启动风机数范围进行遍历，确定所述空调的多个初始温度设定值以及所述通风地板的多个初始启动风机数，包括：遍历所述温度设定值范围，从所述温度设定值范围内，对所述空调的初始温度设定值进行穷举，确定所述空调的多个初始温度设定值；遍历所述启动风机数范围，从所述启动风机数范围内，对所述通风地板的启动风机数进行穷举，确定所述多个初始启动风机数。8.根据权利要求1所述的方法，其特征在于，还包括：响应于所述机柜的负载变化或在一个预设周期内，更新所述神经网络模型，并基于更新后的神经网络模型重新确定目标温度设定值和目标启动风机数。9.根据权利要求1或8所述的方法，其特征在于，还包括：基于所述目标温度设定值和目标启动风机数，分别配置所述空调和所述通风地板。10.一种用于数据中心机房的节能装置，其中，所述数据中心机房包括机柜、空调和通风地板，其特征在于，包括：第一确定模块，被配置为确定所述空调的温度设定值范围和所述通风地板的启动风机数范围；第二确定模块，被配置为对所述温度设定值范围和所述启动风机数范围进行遍历，确定所述空调的多个初始温度设定值以及所述通风地板的多个初始启动风机数；输入输出模块，被配置为将所述多个初始温度设定值和所述多个初始启动风机数作为多组输入，基于预先训练的神经网络模型，得到多组包括第一功耗机柜的第一进风口温度、第二功耗机柜的第二进风口温度、所述空调的功率以及所述通风地板的功率的输出；第三确定模块，被配置为在多组输出中，确定所述第一进风口温度和所述第二进风口温度均满足预设温度阈值，且所述空调的功率与所述通风地板的功率之和最小的一组输出；第四确定模块，被配置为将所述最小的一组输出所对应的初始温度设定值和初始启动风机数分别作为所述空调的目标温度设定值和所述通风地板的目标启动风机数。11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至9任一项所述的用于数
据中心机房的节能方法的步骤。12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至9任一项所述的用于数据中心机房的节能方法的步骤。13.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至9任一项所述的用于数据中心机房的节能方法的步骤。

技术总结
本申请提供一种用于数据中心机房的节能方法及装置，该方法包括：确定空调的温度设定值范围和通风地板的启动风机数范围；确定空调的多个初始温度设定值以及通风地板的多个初始启动风机数；将多个初始温度设定值和多个初始启动风机数作为多组输入，基于预先训练的神经网络模型，得到多组包括第一功耗机柜的第一进风口温度、第二功耗机柜的第二进风口温度、空调的功率以及通风地板的功率的输出；在多组输出中，确定第一进风口温度和第二进风口温度均满足预设温度阈值，且空调的功率与通风地板的功率之和最小的一组输出；将最小的一组输出所对应的初始温度设定值和初始启动风机数分别作为空调的目标温度设定值和通风地板的目标启动风机数。标启动风机数。标启动风机数。


技术研发人员：陈庆 赵家豪 周兆杰
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.06.14
技术公布日：2023/8/31