تقنية تحسين نظام تبريد المياه المبردة في مركز البيانات القائم على الذكاء الاصطناعي

“تتناول هذه المقالة بشكل أساسي ابتكار فرع تشاينا يونيكوم خنان لنظام التبريد بالمياه المبردة في مركز البيانات لقاعدة بيانات السهول الوسطى ، باستخدام طرق تحسين مبتكرة تعتمد على تقنية الذكاء الاصطناعي ، من منظور تحليل الخلفية ، ومبادئ الذكاء الاصطناعي ، والنشر الميداني ، و تعديلات ما بعد التحسين: في النهاية ، تم تحقيق هدف توفير الطاقة المتمثل في التحسين الذكي لوحدة PUE الشاملة لمركز البيانات بنجاح.

“

ملخص

تتناول هذه المقالة بشكل أساسي ابتكار فرع تشاينا يونيكوم خنان لنظام التبريد بالمياه المبردة في مركز البيانات لقاعدة بيانات السهول الوسطى ، باستخدام طرق تحسين مبتكرة تعتمد على تقنية الذكاء الاصطناعي ، من منظور تحليل الخلفية ، ومبادئ الذكاء الاصطناعي ، والنشر الميداني ، و تعديلات ما بعد التحسين: في النهاية ، تم تحقيق هدف توفير الطاقة المتمثل في التحسين الذكي لوحدة PUE الشاملة لمركز البيانات بنجاح.

الكلمات الدالة

نظام تبريد المياه المبردة لمركز بيانات الذكاء الاصطناعي تحسين كفاءة طاقة البيانات الكبيرة PUE DNN

ملخص

استنادًا إلى الذكاء الاصطناعي وتكنولوجيا البيانات الضخمة ، قامت China Unicom Henan Branch بتحسين نظام تبريد الماء المبرد لمركز البيانات ، مع التركيز على حل مشاكل PUE العالية واستهلاك الطاقة العالي في مركز البيانات ، وصياغة خطة تحسين مقابلة بناءً على الفعلي الموقف.

1.1 تحليل استهلاك الطاقة في مركز البيانات

أدى تطور الشبكة والتطور السريع لخدمات البيانات إلى دفع التطور السريع لصناعة البيانات ، مما جعل حجم مراكز البيانات أكبر وأكبر ، كما أن استهلاك الطاقة آخذ في الازدياد. بأخذ المرحلة الثانية من قاعدة بيانات السهول الوسطى كمثال ، في دورة الحياة لمدة 10 سنوات ، تمثل تكلفة استهلاك الكهرباء أكثر من 60٪ من إجمالي تكلفة التشغيل لمركز البيانات.

يُظهر التحليل العام لتكلفة الكهرباء أن حوالي 63٪ من استهلاك الطاقة غير المتعلق بتكنولوجيا المعلومات ناتج عن نظام التبريد. لذلك ، فإن كيفية تقليل فقد نظام التبريد بشكل فعال هي المفتاح لتقليل استهلاك الطاقة الإجمالي لمركز البيانات.

1.2 مؤشر كفاءة الطاقة PUE

من أجل تقييم كفاءة الطاقة لمراكز البيانات ، اقترحت Green Grid مؤشر PUE (فعالية استخدام الطاقة) لفحص كفاءة الطاقة في مراكز البيانات بشكل شامل. في الوقت الحاضر ، أصبح PUE بحكم الواقع مؤشر الأداء الرئيسي لقياس كفاءة الطاقة لمراكز البيانات. وفقًا للشبكة الخضراء ، يتم تعريف كفاءة الطاقة في مركز البيانات على أنها نسبة إجمالي استهلاك طاقة المنشأة إلى استهلاك طاقة معدات تكنولوجيا المعلومات:

PUE = إجمالي استهلاك طاقة الإدخال لمركز البيانات / استهلاك طاقة معدات تكنولوجيا المعلومات

في هيكل استهلاك الطاقة لمركز البيانات ، يعتبر استهلاك الطاقة لمعدات تكنولوجيا المعلومات واستهلاك طاقة التبريد من اللاعبين الرئيسيين. وفقًا لمتطلبات التبريد لمعدات مركز البيانات ، يتم تحويل الطاقة التي تستهلكها معدات تكنولوجيا المعلومات أخيرًا إلى حرارة ، والتي يحتاج إلى موازنة بقدرة التبريد ، بحيث تصل درجة الحرارة المحيطة إلى مستوى معدات تكنولوجيا المعلومات. نطاق متطلبات العمل. عندما يكون استهلاك الطاقة لمعدات تكنولوجيا المعلومات مؤكدًا ، يمكن تحقيق استهلاك الطاقة لمعدات التبريد من خلال تحسين نظام التبريد لتحقيق الغرض من توفير الطاقة.

1.3 تحليل الوضع الحالي لتشغيل نظام التبريد

نظرًا لكونها مكونات ميكانيكية ، فإن المبردات ومضخات المياه ومراوح أبراج التبريد جميعها لها “منحنى طبيعي – منحنى الكفاءة الأمثل” للمعدات نفسها. على الرغم من أن الثلاجات ومضخات المياه ومعدات برج التبريد لمحطة التجميد تعتمد منتجات عالية الكفاءة تنتجها الشركات المصنعة الرئيسية ، إلا أن هذه الكفاءة العالية تتوافق فقط مع النقاط “الثابتة” في رسومات التصميم وتكييف الهواء الفعلي يعتمد النظام على الخارج بالنسبة للأنظمة ذات التغييرات الديناميكية في ظروف الأرصاد الجوية والأحمال الداخلية ، يظل نظام BMS (نظام إدارة المباني) الحالي فقط على التحكم في المعدات الفردية أو يجمع البيانات ويراقبها. تفتقر محطة التجميد إلى مجموعة من “الذكية” “أنظمة التحكم في تحسين استهلاك الطاقة. لا يمكن لنظام BMS أن يجعل المعدات” تعمل “على منحنى الكفاءة المثلى المتأصل فيها ، أي” المنحنى الطبيعي “في ظل ظروف الحمل المتغيرة.

كيفية جعل كل مكون من مكونات نظام التبريد يعمل على منحنى الكفاءة المثلى وجعل النظام المكون من معدات يعمل عند نقطة استهلاك الطاقة المثلى ، من الضروري الجمع بين النظام بأكمله والنظر بشكل شامل في طريقة التحكم المثلى لاستهلاك الطاقة.

مركز البيانات PUE هو مؤشر تقييم شامل. نظرًا لأن التبريد وتبديد حرارة المعدات وتكوين المعدات وبيئة غرفة المعدات والظروف الجوية مترابطة ، بعد وصول التشغيل والصيانة إلى مستوى معين من النضج ، فإن خبرة القوى العاملة أو الخبراء لم تعد قادرة على تلبية متطلبات الخفض الإضافي لاستهلاك الطاقة. ستؤدي المتطلبات ، مثل الزيادة الطفيفة في درجة حرارة الممر البارد ، إلى العديد من التغييرات في نظام التبريد ، مثل استهلاك الطاقة للمبردات وأبراج التبريد والمبادلات الحرارية ومضخات المياه ، إلخ. تزداد درجة حرارة الممر البارد ويزيد إجمالي استهلاك الطاقة.

من أجل زيادة تحسين العلاقة بين حالة عمل النظام واستهلاك الطاقة ، في نظام التبريد ، يجب مراعاة مستويين من التحسين ، أحدهما هو تحسين حالة عمل المعدات واستهلاك الطاقة ، والآخر هو التحسين بين الأنظمة المكونة معدات. على مستوى الأعمال ، يجب معالجة القضايا الثلاث التالية:

1) وفقًا لمنحنى العمل الطبيعي للمعدات ، تأكد من أن كل مكون من مكونات نظام التبريد يعمل ضمن نطاق الكفاءة العالية ؛

2) وفقًا لمبدأ الكفاءة الهامشية المتساوية ، ابحث عن أفضل مزيج من المكونات المختلفة في نظام التبريد. على سبيل المثال ، مع نفس خرج قدرة التبريد 1000KW ، ما هي الترددات الخاصة ببرج التبريد ، ومضخة التبريد ، والمبرد ، ومضخة التجميد؟ أي مجموعة أكثر كفاءة في استخدام الطاقة؟ في حالة معينة ، هل من الممكن تقليل طاقة 1KW إلى جهاز معين ونقل طاقة 1KW إلى أجهزة أخرى ، لكن إجمالي ناتج التبريد للنظام سيزداد؟

3) يرتبط حمل تكنولوجيا المعلومات بنظام التبريد لتحقيق التوازن بين الطلب على الحرارة وإمداد التبريد.

يؤدي التفاعل بين أنظمة التبريد والكهرباء ومختلف حلقات التغذية المرتدة المعقدة إلى صعوبة اشتقاق كفاءة مركز البيانات بدقة باستخدام الصيغ الهندسية التقليدية.

مبدأ توفير الطاقة AI

2.1 مبدأ خوارزمية الذكاء الاصطناعي لنظام التبريد

يمكن أن يفي التحكم عند الطلب على أساس الكفاءة الهامشية المتساوية بمتطلبات التحكم لبعض السيناريوهات.ومع ذلك ، نظرًا لأن نظام BMS غالبًا ما يكتب المنحنيات واستراتيجيات التحكم المنطقي مسبقًا أثناء التحكم ، لتغيير السيناريوهات ، خاصةً لتغيير سيناريوهات تحميل تكنولوجيا المعلومات ، مثل أنظمة التحكم غالبًا ما يكونون غير قادرين على الإدراك. لذلك ، في عملية التحكم الفعلية ، غالبًا ما يمكن تحقيق أداء تصحيح أخطاء معين فقط في نطاق تحميل معين. عند دخول العمل الفعلي ، غالبًا ما يكون أداء مركز البيانات بأكمله غير قادر على ضمان الأداء الأمثل ..

لمثل هذه الأنظمة ، يجب العثور على خوارزمية تحكم جديدة لتحقيق الأمثل العام. أصبحت البيانات الضخمة والذكاء الاصطناعي اتجاه استكشاف لتحسين كفاءة الطاقة. استخدم البيانات التاريخية لتدريب الشبكة العصبية ، وإخراج PUE المتوقع ، والعلاقة بين PUE والبيانات المميزة المختلفة ، وتوجيه DC لتنفيذ التحكم في التحسين المقابل كما هو متوقع وفقًا لظروف الطقس والحمل الحالية ، وذلك لتحقيق أهداف توفير الطاقة:

الخطوات الرئيسية لتوفير الطاقة بالذكاء الاصطناعي:

1) أولاً ، احصل على نموذج التنبؤ الخاص بـ PUE من خلال التعلم الآلي العميق.

2) بناءً على نموذج التنبؤ PUE ، احصل على القيم المميزة التي تتأثر بـ PUE ، واستخدم القيم المميزة لإجراء تدريب على الأعمال وتقديم نموذج تنبؤ للأعمال. بشكل أساسي لضمان اتفاقية مستوى الخدمة للعمليات التجارية ، مثل ضمان قدرة التبريد.

3) أخيرًا ، باستخدام معلمات النظام القابلة للتعديل كمدخلات ، باستخدام نموذج التنبؤ PUE ونموذج التنبؤ التجاري كقيود ، باستخدام خوارزمية التحسين للحصول على مجموعة معلمات الضبط ، وإرسالها إلى نظام التحكم لتحقيق التحكم في نظام التبريد.

2.2 بناء شبكة عصبية عميقة DNN

الشبكات العصبية هي فئة من خوارزميات التعلم الآلي التي تحاكي السلوك المعرفي للتفاعلات بين الخلايا العصبية. بهدف الوصول إلى عنق الزجاجة لتحسين كفاءة التبريد لمركز البيانات ، يمكن استخدام الشبكة العصبية وخوارزمية التعلم الآلي للعثور على الارتباط بين معلمات المعدات المختلفة والأنظمة المختلفة ، واستخدام عدد كبير من بيانات المستشعرات الحالية لبناء نموذج رياضي نموذج لفهم العلاقة بين معلمات التشغيل للعثور على المعلمات المثلى.

تحتوي الشبكة العصبية على طبقة إدخال وطبقة إخراج وطبقات مخفية متعددة ، ويصل متجه معالم الإدخال إلى طبقة المخرجات من خلال تحويل الطبقة المخفية ، ويتم الحصول على نتيجة التصنيف في طبقة الإخراج.

بالنظر إلى مدى تعقيد نظام التبريد لمركز البيانات ، من الضروري إجراء بيانات منتظمة عن النظام الكهربائي ونظام التبريد والمعلمات البيئية ، والعثور على القيم الذاتية للنظام ، واستخدام القيم الذاتية لتنظيم DNN شبكة الاتصال. نموذج DNN المستخدم في هذا المشروع هو كما يلي:

خطوات توفير الطاقة بالذكاء الاصطناعي

1) جمع البيانات: جمع معلمات التشغيل ذات الصلة لمحطة التبريد ومكيف الهواء الطرفي ونظام تحميل تكنولوجيا المعلومات.

2) إدارة البيانات: استخدم أدوات الحوكمة الآلية لتقليل الأبعاد وتقليل الضوضاء وتنظيف المعلمات.

3) هندسة الميزات: يتم إجراء تحليل الارتباط على الجدول بعد اكتمال الحوكمة لمعرفة المعلمات الرئيسية المتعلقة بـ PUE.

4) تدريب النموذج: استخدم بيانات عالية الجودة و DNN (شبكة عصبية عميقة) لتدريب نموذج PUE.نموذج PUE المدرب لديه دقة تنبؤ تصل إلى 99.5٪ ، والخطأ

5) اتخاذ القرار المنطقي: نشر نماذج التنبؤ وصنع القرار على نظام التحكم المركزي لتوفير نماذج صنع القرار عبر الإنترنت التي يمكن ضبطها. يمكن أن يجد حل توفير الطاقة بالذكاء الاصطناعي مزيجًا مثاليًا من المعلمات في ظل البيئة الخارجية الحالية وحمل تكنولوجيا المعلومات من مئات الآلاف من المجموعات في غضون دقيقة واحدة ، ويمكنه إجراء تصفية متعددة الطبقات وفقًا لمتطلبات التشغيل والصيانة في السهول الوسطى قاعدة ، وأخيراً الحصول على تركيبة المعلمات المثلى. يتم إصدار التعليمات المناسبة للتنفيذ والتغذية الراجعة للتأثير.

تنفيذ المشروع

1) خطة النشر

يمكن أن يوفر حل توفير الطاقة بالذكاء الاصطناعي اقتراحات للمعلمات لتشغيل نظام المياه المبردة والتفاعل مع نظام التحكم في المجموعة.

الهندسة المادية لحل توفير الطاقة للذكاء الاصطناعي الذي تم نشره في هذا المشروع على النحو التالي:

تكون بنية الشبكة الخاصة بحل توفير الطاقة بالذكاء الاصطناعي كما يلي:

يعتمد نظام التحكم في المجموعة لمركز البيانات هذا تحكم DDC ، مع خوادم مزدوجة نشطة واحتياطية ؛ واجهة نظام DCIM هي بروتوكول BACnet. يمكن لـ DCIM (إدارة البنية التحتية لمركز التاريخ) ، كنظام إدارة مركزي لمركز البيانات بأكمله ، إدارة الارتباط الكامل لنظام التبريد مركزيًا. بعد الحصول على أمر تحسين توفير الطاقة بواسطة خوارزمية الذكاء الاصطناعي ، يتم إرساله إلى نظام التحكم في المجموعة ، ويكون نظام التحكم في المجموعة مسؤولاً عن التنفيذ النهائي.

الأمان

يتواصل نظام التحكم في مجموعة محطة التجميد مع خوارزمية الذكاء الاصطناعي من خلال نبضات القلب: يقوم نظام التحكم في مجموعة محطة التجميد بتحميل 0-1000 حرف كل 10 ثوانٍ ، وترسل خوارزمية توفير الطاقة AI 0-1000 حرفًا إلى مجموعة محطات التجميد نظام التحكم كل 10 ثوانٍ.سيخرج نظام التحكم في مجموعة المحطات تلقائيًا من وضع توفير الطاقة إذا لم يكن هناك تغيير في الأحرف المستلمة لمدة 10 مرات متتالية ، ويعمل في وضع التحكم العادي ، ويبلغ عن فشل الاتصال.

وضع التحكم العادي: ينفذ نظام التحكم في المجموعة تلقائيًا جميع منطق التحكم ، بما في ذلك إضافة المعدات والطرح ، وتعديل السرعة ، وتبديل وضع التبريد ، والتجاوز ، والشحن والتفريغ ، وما إلى ذلك ، ويتم مراقبة معلومات الحالة بواسطة DCIM ؛

وضع التحكم في توفير الطاقة: يقبل نظام التحكم في المجموعة خوارزمية توفير الطاقة ، ويصدر أوامر لإكمال الإجراءات المحددة. تتضمن حزمة الأوامر عدد الأجهزة ، وفرق السرعة / الطاقة / درجة الحرارة / الضغط والقيم الأخرى المستهدفة في حلقة التحكم ، تبديل وضع التبريد ، التحكم في تبريد الشحن والتفريغ ، وما إلى ذلك ، التحكم في المجموعة يعمل النظام وفقًا للتعليمات الصادرة عن خوارزمية توفير الطاقة ، ولا يزال نظام التحكم في المجموعة يتحكم في نفسه إذا لم يتم إصدار تعليمات التحكم.

التحقق من التأثير

تعتمد طريقة القياس طريقة متوسط ​​أخذ العينات

الخطوة 1: حدد يوم القياس

حدد مجموعتين خلال فترة التقييم ، ن أيام / مجموعة (ن ≤ 3)

Step2: القياس والتسجيل

تمكين / تعليق توفير الطاقة بالذكاء الاصطناعي ، يتم قياس قيم 2n PUE (تشغيل PUE وإيقاف تشغيل PUE) لكل مجموعة من أيام القياس

Step3: الحساب والمقارنة

التقييم الحسابي على أساس متوسط ​​تشغيل PUE وإيقاف تشغيله

كما هو مبين أدناه:

ختاماً

تم تطبيق هذه التقنية بنجاح في DC1 لقاعدة بيانات Henan Unicom Zhongyuan ، وتم تحسين نظام التبريد لمركز البيانات بذكاء من خلال تقنية الذكاء الاصطناعي. من خلال الربط مع نظام BA (نظام أتمتة المباني) ونظام DCIM (إدارة البنية التحتية لمركز التاريخ) ، يتم تحقيق التبريد الدقيق عند الطلب. بعد عدة دورات متتالية من عمليات فحص العينات ، تم استخلاص الاستنتاجات التالية:

يتم ضبط درجة حرارة مدخل ومخرج الماء للمبرد بدقة. مع تغير حمل تكنولوجيا المعلومات ، تتغير درجة حرارة الماء أيضًا (عندما يكون معدل الحمل منخفضًا ، يمكن أن ترتفع درجة حرارة الماء إلى 18 درجة مئوية -19 درجة مئوية كحد أقصى).

تعمل جميع مكونات نظام الماء المبرد بكفاءة. خاصة بالنسبة للمبردات ، في ظل معدلات التحميل المختلفة وظروف العمل الخارجية ، يمكن أن تقع حالات العمل الخاصة بهم في نطاق الحمولة من 40٪ إلى 60٪.

تم تعديل نظام التبريد بالكامل داخليًا على أساس نفس قدرة التبريد الناتج لتحقيق أفضل كفاءة في استخدام الطاقة. يوضح الشكل أدناه توزيع استهلاك الطاقة لكل مكون من مكونات نظام التبريد قبل وبعد تعديل واحد. نظرًا لتعديل استهلاك الطاقة للمبرد بشكل فعال ، تم تقليل استهلاك الطاقة الكلي لمحطة التجميد بالكامل بنسبة 9٪.

قبل التعديل بعد التعديل

يتم تمديد وقت التهدئة الطبيعي بشكل كبير. نظرًا لأن درجة حرارة الماء يتم ضبطها ديناميكيًا ، يمكن أيضًا تحقيق التبريد المسبق أو تبريد استبدال اللوحة عندما تكون درجة حرارة المصباح المبلل في الهواء الطلق مرتفعة. تشير التقديرات إلى أن وقت التبريد الطبيعي السنوي يمكن أن يزداد بنحو 1/3.

يحقق نظام التبريد بالكامل الضبط التلقائي ، مما يقلل بشكل كبير من صعوبة التشغيل والصيانة ويوفر الكثير من تكاليف التشغيل والصيانة.

بعد التقييم ، بعد نشر خوارزمية تحسين توفير الطاقة بالذكاء الاصطناعي ، تم تخفيض PUE لقاعدة بيانات Henan Unicom Zhongyuan DC1 بشكل فعال بنسبة 5٪ -8٪ ، مما جلب فوائد اقتصادية واجتماعية كبيرة للمؤسسة.

المراجع

1. لي هانغ “طرق التعلم الإحصائي” مطبعة جامعة تسينغهوا

2. “التعلم الآلي” بواسطة Zhou Zhihua ، مطبعة جامعة تسينغهوا

3. Abu، Xu Jiaxing، “The Road to Machine Learning – Caffe، Keras، scikit-Learn Combat” Electronic Industry Press

4. Yuanlong Li و Yonggang Wen و Kyle Guan و Dacheng Tao “تحسين التبريد التحويل لمركز البيانات الخضراء عبر التعلم المعزز العميق” جامعة نانيانغ التكنولوجية

5. Nevena Lazic و Tyler Lu و Craig Boutilier و Moonkyung Ryu “تبريد مركز البيانات باستخدام التحكم التنبئي بالنموذج” Google Research