Nothing Special   »   [go: up one dir, main page]

CN118132244B - 一种智能数据中心节能调控方法、系统、设备及其介质 - Google Patents

一种智能数据中心节能调控方法、系统、设备及其介质 Download PDF

Info

Publication number
CN118132244B
CN118132244B CN202410560860.4A CN202410560860A CN118132244B CN 118132244 B CN118132244 B CN 118132244B CN 202410560860 A CN202410560860 A CN 202410560860A CN 118132244 B CN118132244 B CN 118132244B
Authority
CN
China
Prior art keywords
energy
energy consumption
monitoring
historical
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410560860.4A
Other languages
English (en)
Other versions
CN118132244A (zh
Inventor
叶青
王晖
谢志伟
陈赟
李巍
刘睿
张兴
余靖
刘成军
徐敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gongcheng Management Consulting Co ltd
Original Assignee
Gongcheng Management Consulting Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Gongcheng Management Consulting Co ltd filed Critical Gongcheng Management Consulting Co ltd
Priority to CN202410560860.4A priority Critical patent/CN118132244B/zh
Publication of CN118132244A publication Critical patent/CN118132244A/zh
Application granted granted Critical
Publication of CN118132244B publication Critical patent/CN118132244B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/329—Power saving characterised by the action undertaken by task scheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G06F11/3062—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations where the monitored property is the power consumption
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/4401—Bootstrapping
    • G06F9/4418—Suspend and resume; Hibernate and awake
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Computer Security & Cryptography (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开了一种智能数据中心节能调控方法、系统、设备及其介质，方法包括识别并获取数据中心的多个监测设备的历史能耗区间数据，得到包括多个不同电源使用效率的工作运行阶段区间的工作运行模式信息；在预设的初始节能调控模型中进行电源使用效率的训练优化，得到优化的节能调控模型；依据数据中心的历史监测数据集，确定各个监测设备之间的关联能耗因子，得到能耗因子关联系数；在优化的节能调控模型中，确定各个监测设备在各个工作运行阶段区间的电源使用效率最小值，生成最优节能调控策略；根据最优节能调控策略进行节能调控；本申请具有提高了数据中心的智能节能调控效果，制定了合理的节能策略以适应不同数据中心的负载特性的效果。

Description

一种智能数据中心节能调控方法、系统、设备及其介质
技术领域
本申请涉及数据中心的节能技术领域，尤其是涉及一种智能数据中心节能调控方法、系统、设备及其介质。
背景技术
随着信息技术的迅猛发展和云计算的广泛应用，数据中心已成为现代社会不可或缺的基础设施；但数据中心的高能耗问题也日益凸显，因而数据中心的节能优化调控技术的发展也一直备受关注。
相关技术中，传统的节能方法主要集中在硬件设备的优化和能效提升上，如采用更高效的散热系统、使用低功耗的服务器和存储设备等，这些节能方法虽然在一定程度上降低了数据中心的能耗，但仍然存在诸多局限性，如改造成本高、技术更新快导致设备淘汰快的问题；基于此，目前还有采用根据数据中心的监测传感器数据进行判断和控制的节能控制方法，例如：在数据中心的温度传感器监测到温度超过或低于设定的阈值时，节能控制系统可以触发相应的控制命令，如开启或关闭空调设备。
而基于数据中心的监测数据进行调控的节能方法在实际应用中仍面临一些挑战，例如：如何制定合理的节能策略以适应不同数据中心的负载特性，因而存在数据中心的智能节能调控效果欠佳的缺陷，存在改善的空间。
发明内容
为了提高数据中心的智能节能调控效果，制定合理的节能策略以适应不同数据中心的负载特性，本申请提供智能数据中心节能调控方法、系统、设备及其介质。
第一方面，本申请的发明目的采用如下技术方案实现：
一种智能数据中心节能调控方法，包括：
依据数据中心的历史监测数据集，识别并获取数据中心的多个监测设备在运行过程中的历史能耗区间数据，并对应得到多个监测设备的工作运行模式信息；所述工作运行模式信息包括多个对应不同电源使用效率的工作运行阶段区间；所述监测设备关联设备标识；
基于设备标识获取各个监测设备的历史调控数据集，在预设的初始节能调控模型中进行基于电源使用效率的训练优化，得到优化的节能调控模型；
依据数据中心的历史监测数据集，计算确定各个监测设备之间的关联能耗因子，得到所有的监测设备的能耗因子关联系数；
在优化的节能调控模型中，根据所有的监测设备的能耗因子关联系数和所述历史调控数据集对应的节能参数调整策略，确定各个监测设备在各个工作运行阶段区间的电源使用效率最小值，生成最优节能调控策略；
根据所述最优节能调控策略对所述数据中心的各个监测设备的能耗进行节能调控。
通过采用上述技术方案，监测设备是数据中心的设施设备；监测设备的监测数据包括负载数据、温度数据和设备能耗数据；监测设备在运行过程中，会由于温度、监测设备和当前负载的运行程序数量的不同而造成能耗数据的变化，因而本申请基于不同时间区间的历史能耗区间数据的数据作为节能调控的优化参考，以优化生成各个监测设备的节能调控策略；历史能耗区间数据为各个监测设备在历史运行过程中的总能耗数据；不同的工作运行阶段基于监测设备的不同电能利用率（即电源使用效率），可划分为监测设备的高能耗工作运行阶段、中能耗工作运行阶段和低能耗工作运行阶段，为进一步精细化调控数据中心的各个监测设备在不同运行能耗状态下的电源使用效率，使得各个监测设备在不同的电能需求下调整到对应的高功耗模式或低功耗模式，以便于对各个监测设备进行精细化调控。
具体地，利用数据中心记录的历史调控数据集，对历史使用的初始节能调控模型进行电源使用效率（又称PUE值）的训练，得到优化的节能调控模型；同时通过对数据中心的历史运行的历史监测数据集，得到数据中心中的多个监测设备之间的能耗因子关联关系，有利于对数据中心的所有监测设备，如负载进行联合节能调控，降低数据中心的整体能耗，从而便于根据不同数据中心的不同负载特性制定更加合理的节能调控策略，智能节能调控策略的适用性更高；且在优化的节能调控模型中，需确定各个监测设备在各个工作运行阶段区间的电源使用效率最小值，以生成最优节能调控策略；然后根据最优节能调控策略对数据中心的各个监测设备进行精细化节能控制，以实现提供各个监测设备的每个工作运行阶段区间的最优参数调控，即制定了合理的节能策略以适应不同数据中心的负载特性；有效降低数据中心的整体能耗，提升了数据中心的智能节能调控效果和调控质量。
本申请在一较佳示例中：所述依据数据中心的历史监测数据集，识别并获取数据中心的多个监测设备在运行过程中的历史能耗区间数据，并对应得到多个监测设备的工作运行模式信息，具体包括：
依据数据中心的历史监测数据集，获取各个监测设备在历史监控时长内监测的历史任务执行信息和对应的历史耗能数据；
根据各个监测设备的历史任务执行信息和对应的耗电量数据，创建得到多个历史监测时间区间；
根据多个所述历史监测时间区间，基于设备标识将各个监测设备的历史任务执行信息和对应的历史耗能数据进行划分，对应得到各个监测设备在运行过程中的多个历史能耗区间数据；
依据多个所述历史能耗区间数据中的历史耗能数据和预设的运行模式判断条件，对应确定得到多个监测设备的不同的工作运行模式信息。
通过采用上述技术方案，在预设的历史监控时长内，对各个监测设备的历史任务执行信息（如服务器的任务执行数量和负载率）和对应的历史耗能数据，进行划分得到多个历史耗能区间数据，相邻的两个历史耗能区间的耗能数据位于不同程度的耗能区间，为便于区分监测设备在该历史能耗区间数据的工作运行模式的变化情况，基于运行模式判断条件和历史耗能数据的值，判断得到多个监测设备在对应的历史监控市场内的耗能数据变化情况，如根据该监测设备的历史能耗区间数据判断其的工作运行模式是在高能耗工作运行阶段、中能耗工作运行阶段或低能耗工作运行阶段，通过对监测设备进行能耗区间的时间区间分段式分析，有利于高效率完成对各个监测设备的历史监测数据的变化分析，且有效避免频繁地数据分析工作对数据中心的服务器造成调控分析作业的资源浪费，既保证了节能调控系统的数据分析保持在较高的效率，同时又有利于精确化分析各个监测设备的工作运行模式。
本申请在一较佳示例中：所述关联能耗因子包括IT设备能耗因子、供配电损耗因子、制冷系统能耗因子和其他能耗因子；所述依据数据中心的历史监测数据集，计算确定各个监测设备之间的关联能耗因子，得到所有监测设备的能耗因子关联系数，包括：
依据数据中心的历史监测数据集，得到各个监测设备的历史电源使用效率限值、对应的电能损耗数据；
根据各个监测设备之间的连接、对应的电能损耗数据计算确定各个检测设备的关联能耗因子的性能系数值；
基于各个监测设备的历史电源使用效率限值、对应的关联能耗因子的性能系数值、确定得到所有监测设备的能耗因子关联系数。
通过采用上述技术方案，为分析不同的数据中心的实际能耗构成和数据中心的实际负载特性，本申请基于数据中心的历史监测数据集中对应各个关联能耗因子进行实际能耗值的校验计算，由于数据中心的监测设备的能耗会受到数据中心的不同监测设备的安装结构和不同的负载特性而对电能损耗产生影响，且数据中心的供电系统在长时间的运行过程中，也会存在电力的损耗，因而本申请基于数据中心在实际运行中监测到的历史监测数据集，确定各个监测设备的历史电源使用效率限值（即PUE限值、其数值大小通过该监测设备正在执行的最优节能调控策略在各个工作运行阶段区间进行限定）。
由于不同的历史电源使用效率限值影响了数据中心的冷却系统的性能系数（即COP），接着基于各个监测设备之间的连接关系，对应的电能耗损数据确定各个监测设备的性能系数值，其中电能耗损数据包括电源设备损耗数据和电缆损耗数据；接着根据各个监测设备的历史电源使用效率限值、对应的关联能耗因子的性能系数值计算确定对应的能耗因子关联系数，从而实现从多个设备之间的能耗关联关系和多个能耗影响因素的关联能耗因子分析数据中心的各个检测设备的实际耗能信息的目的，为后续执行节能调控策略提供了详细具体和精确度较高的参数值，有利于为工作人员在进行节能调控策略的调整作业时提供数据支撑作用。
本申请在一较佳示例中：监测设备包括制冷系统和IT设备；方法还包括：
基于公式（1）对监测设备的关联能耗因子进行约束计算：
其中为设备标识为i的监测设备的历史电源使用效率值，为数据中心的总耗电量，为所有IT设备的耗电量；为供配电损耗因子、是供配电损耗与IT设备能耗的比值，为设备标识为i的监测设备的发热量占制冷系统负荷的比重；为制冷系统能耗与IT设备能耗的比值；为设备标识为i的监测设备的能耗占整个制冷系统的比值；为整个制冷系统的制冷性能系数，为设备标识为i的监测设备的制冷能耗占整个制冷系统的制冷能耗的比值；为其他能耗与IT设备能耗的比值；A为常量系数，取值范围为2%到5%。
通过采用上述技术方案，基于各个监测设备的电源使用效率，计算IT设备的能耗系数、制冷系统的能耗系数和其他能耗系数之间的变化，通过根据不同数据中心中的配电系统的供配电损耗因子（PLF）、IT设备的负载特性（CLF）、制冷系统中的监测设备的性能系数（COP值）和其他能耗系数分析评估数据中心的各个能耗因子关联系数的能耗关联关系。
本申请在一较佳示例中：方法还包括：所述最优节能调控策略包括IT设备的服务器任务迁移策略；所述监测设备包括服务器；所述工作运行模式信息包括高负载运行模式、低负载运行模式和空载服务器模式；所述高负载运行模式满足IT设备的服务器负载值大于预设的高负载阈值，所述低负载运行模式满足IT设备的服务器负载值小于预设的低负载阈值；
所述服务器任务迁移策略满足将连续多个工作运行阶段区间的工作运行模式均处于空载服务器模式的对应监测设备的服务器进行休眠；所述连续多个工作运行阶段区间的总时长超过所述预设的第一超时时间；
所述服务器任务迁移策略满足在非高峰时段，根据处于高负载运行模式和低负载运行模式的各IT设备的服务器负载值、分别对相应的各服务器进行任务转出优先级和任务转入优先级的计算，并确定执行任务转出的转出服务器和执行任务转入的转入服务器。
通过采用上述技术方案，监测设备的服务器因实际的任务执行情况和负载情况分为高负载运行模式、低负载运行模式和空载服务器模式；为提高对数据中心的电能利用率，在达到数据中心的服务器的电能供给需求和能源供给需求的基础上，进一步提高数据中心的智能节能调控效果；本申请将连续多个工作运行阶段区间的工作运行模式均处于空载服务器模式的对应监测设备的服务器进行休眠，且对于处于高负载运行模式和低负载运行模式的各个IT设备、执行任务转出优先级和任务转入优先级的计算，同时在计算得到各个IT设备的任务转出优先级系数和/或任务转入优先级系数后，对IT设备的服务器执行任务迁移操作，以有效避免同一工作运行阶段区间内，高负载运行模式的服务器出现任务延迟执行的低迟延情况、或低负载运行模式的服务器出现任务运行数量过少而导致能源的浪费，有利于提高对IT设备的服务器的能源利用效率，既能够实现合理安排服务器的任务执行，也能保证数据中心的电能和服务器的能源高效利用。
本申请在一较佳示例中：所述服务器任务迁移策略满足在非高峰时段，根据处于高负载运行模式和低负载运行模式的各IT设备的服务器负载值、分别对相应的各服务器进行任务转出优先级和任务转入优先级的计算，并确定执行任务转出的转出服务器和执行任务转入的转入服务器，包括：
根据公式（2）和公式（3）对应计算得到各个IT设备的服务器的任务转出优先级系数和任务转入优先级系数：
其中为设备标识为i的IT设备的测量温度值；为预设的低负载阈值，为设备标识为i的IT设备的服务器的负载系数，N为各个IT设备的服务器的CPU核心数；为预设的高负载阈值；为预设的中负载阈值。
通过采用上述技术方案，数据中心的历史监测数据集还包括对IT设备的温度测量数据；且在数据中心实际运行时，还会采集测量数据中心的各个监测设备的实时测量温度值；基于监测设备（即IT设备）实时测量温度和负载情况和各IT设备的服务器的CPU核心数，对数据中心的各个监测设备执行服务器任务迁移策略；具体地，在数据中心的非高峰时段，优先转出服务器的负载系数较低、低CPU核心数且温度较高的服务器中的任务，间隔降低了制冷系统的制冷能耗；同时优先将任务转入温度较低的服务器、或在多台转入设备的温度相同时，优先转入高CPU核心数，既能有效控制IT设备的服务器发热量，保持IT设备的高性能和高可靠性，又有利于降低IT设备的整体耗电量，从而有利于节约电能。
第二方面，本申请的发明目的采用如下技术方案实现：
一种智能数据中心节能调控系统，用于执行如上所述的一种智能数据中心节能调控方法，系统包括：
历史监测数据分析模块，用于基于设备标识获取各个监测设备的历史调控数据集，在预设的初始节能调控模型中进行基于电源使用效率的训练优化，得到优化的节能调控模型；
电源使用效率训练模块，用于基于设备标识获取各个监测设备的历史调控数据集，在预设的初始节能调控模型中进行基于电源使用效率的训练优化，得到优化的节能调控模型；
关联能耗因子确定模块，用于依据数据中心的历史监测数据集，计算确定各个监测设备之间的关联能耗因子，得到所有的监测设备的能耗因子关联系数；
最优调控策略生成模块，用于在优化的节能调控模型中，根据所有的监测设备的能耗因子关联系数和所述历史调控数据集对应的节能参数调整策略，确定各个监测设备在各个工作运行阶段区间的电源使用效率最小值，生成最优节能调控策略；
最优调控策略执行模块，用于根据所述最优节能调控策略对所述数据中心的各个监测设备的能耗进行节能调控。
通过采用上述技术方案，为进一步精细化调控数据中心的各个监测设备在不同运行能耗状态下的电源使用效率，使得各个监测设备在不同的电能需求下调整到对应的高功耗模式或低功耗模式，以便于对各个监测设备进行精细化调控。
利用数据中心记录的历史调控数据集，对历史使用的初始节能调控模型进行电源使用效率（又称PUE值）的训练，得到优化的节能调控模型；同时通过对数据中心的历史运行的历史监测数据集，得到数据中心中的多个监测设备之间的能耗因子关联关系，有利于对数据中心的所有监测设备，如负载进行联合节能调控，降低数据中心的整体能耗，从而便于根据不同数据中心的不同负载特性制定更加合理的节能调控策略，智能节能调控策略的适用性更高；且在优化的节能调控模型中，需确定各个监测设备在各个工作运行阶段区间的电源使用效率最小值，以生成最优节能调控策略；然后根据最优节能调控策略对数据中心的各个监测设备进行精细化节能控制，以实现提供各个监测设备的每个工作运行阶段区间的最优参数调控，即制定了合理的节能策略以适应不同数据中心的负载特性；有效降低数据中心的整体能耗，提升了数据中心的智能节能调控效果和调控质量。
第三方面，本申请的发明目的采用如下技术方案实现：
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种智能数据中心节能调控方法的步骤。
第四方面，本申请的发明目的采用如下技术方案实现：
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种智能数据中心节能调控方法的步骤。
综上所述，本申请包括以下至少一种有益技术效果：
1. 为进一步精细化调控数据中心的各个监测设备在不同运行能耗状态下的电源使用效率，使得各个监测设备在不同的电能需求下调整到对应的高功耗模式或低功耗模式，以便于对各个监测设备进行精细化调控；具体地，利用数据中心记录的历史调控数据集，对历史使用的初始节能调控模型进行电源使用效率（又称PUE值）的训练，得到优化的节能调控模型；同时通过对数据中心的历史运行的历史监测数据集，得到数据中心中的多个监测设备之间的能耗因子关联关系，有利于对数据中心的所有监测设备，如负载进行联合节能调控，降低数据中心的整体能耗，从而便于根据不同数据中心的不同负载特性制定更加合理的节能调控策略，智能节能调控策略的适用性更高；且在优化的节能调控模型中，需确定各个监测设备在各个工作运行阶段区间的电源使用效率最小值，以生成最优节能调控策略；然后根据最优节能调控策略对数据中心的各个监测设备进行精细化节能控制，以实现提供各个监测设备的每个工作运行阶段区间的最优参数调控，即制定了合理的节能策略以适应不同数据中心的负载特性；有效降低数据中心的整体能耗，提升了数据中心的智能节能调控效果和调控质量；
2. 在预设的历史监控时长内，对各个监测设备的历史任务执行信息（如服务器的任务执行数量和负载率）和对应的历史耗能数据，进行划分得到多个历史耗能区间数据，相邻的两个历史耗能区间的数据耗能量位于不同程度的耗能区间，为便于区分监测设备在该历史能耗区间数据的工作运行模式的变化情况，基于运行模式判断条件和历史耗能数据的值，判断得到多个监测设备在对应的历史监控市场内的耗能数据变化情况，如根据该监测设备的历史能耗区间数据判断其的工作运行模式是在高能耗工作运行阶段、中能耗工作运行阶段或低能耗工作运行阶段，通过对监测设备进行能耗区间的时间区间分段式分析，有利于高效率完成对各个监测设备的历史监测数据的变化分析，且有效避免频繁地数据分析工作对数据中心的服务器造成调控分析作业的资源浪费，既保证了节能调控系统的数据分析保持在较高的效率，同时又有利于精确化分析各个监测设备的工作运行模式；
3. 监测设备的服务器因实际的任务执行情况和负载情况分为高负载运行模式、低负载运行模式和空载服务器模式；为提高对数据中心的电能利用率，在达到数据中心的服务器的电能供给需求和能源供给需求的基础上，进一步提高数据中心的智能节能调控效果；本申请将连续多个工作运行阶段区间的工作运行模式均处于空载服务器模式的对应监测设备的服务器进行休眠，且对于处于高负载运行模式和低负载运行模式的各个IT设备、执行任务转出优先级和任务转入优先级的计算，同时在计算得到各个IT设备的任务转出优先级系数和/或任务转入优先级系数后，对IT设备的服务器执行任务迁移操作，以有效避免同一工作运行阶段区间内，高负载运行模式的服务器出现任务延迟执行的低迟延情况、或低负载运行模式的服务器出现任务运行数量过少而导致能源的浪费，有利于提高对IT设备的服务器的能源利用效率，既能够实现合理安排服务器的任务执行，也能保证数据中心的电能和服务器的能源高效利用。
附图说明
图1是本申请一实施例中一种智能数据中心节能调控方法的一流程图；
图2是本申请一实施例中一种智能数据中心节能调控方法中步骤S1的流程图；
图3是本申请一实施例中一种智能数据中心节能调控方法中步骤S3的流程图；
图4是本申请一实施例中的设备示意图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
在一实施例中，如图1所示，本申请公开了一种智能数据中心节能调控方法，具体包括如下步骤：
S1：依据数据中心的历史监测数据集，识别并获取数据中心的多个监测设备在运行过程中的历史能耗区间数据，并对应得到多个监测设备的工作运行模式信息；工作运行模式信息包括多个对应不同电源使用效率的工作运行阶段区间；监测设备关联设备标识。
在本实施例中，监测设备是数据中心的设施设备；数据中心包括电力设备、制冷系统、IT设备和其他设备，其中电子设备包括发电机、变压器、蓄电池等；制冷系统包括冷水机组、冷却塔、水泵等；IT设备包括服务器、交换器和监控电脑主机等；其他设备包括照明灯具、消防设备和监控系统等；监测设备的监测数据包括负载数据、温度数据和设备能耗数据；负载数据为IT设备的负载数据；设备标识为各个设备的唯一信息识别码，通过设备标识可对多个监测设备进行区分辨别；历史能耗区间数据为对应同一能耗数据区间的数据；范围工作运行模式信息包括高功耗工作运行阶段、中能耗工作运行阶段和低能耗工作运行阶段。
具体地，监测设备在运行过程中，会由于温度、监测设备和当前负载的运行程序数量的不同而造成能耗数据的变化，因而本申请基于不同时间区间的历史能耗区间数据的数据作为节能调控的优化参考，以优化生成各个监测设备的节能调控策略；通过对各个监测设备在历史运行过程中的历史能耗数据进行时间维度上的分段式划分得到各个监测设备的历史能耗区间数据。
S2：基于设备标识获取各个监测设备的历史调控数据集，在预设的初始节能调控模型中进行基于电源使用效率的训练优化，得到优化的节能调控模型。
在本实施例中，电源使用效率又称PUE值；初始节能调控模型为自动机器学习Auto ML模型；用户在初始的节能调控模型中预先输入训练数据（即预设训练数据）。
具体地，获取初始节能调控模型的算法集和数据中心的历史调控数据集的调节参数；利用K折交叉验证将历史调控数据集划分为K个子训练集，利用K折交叉验证将用户预设的训练数据划分为K个测试数据；初始节能调控模型如公式01所示：
公式（01）中，A为初始节能调控模型的算法集，，其中每个元素用于表征不同的分类算法；为数据中心的历史调控数据集中的调节参数；为基于历史调控数据集通过K折交叉验证划分得到的K个训练数据集；为基于预设训练数据通过K折交叉验证划分得到的K个训练数据集；设备标识用i表示，设备标识为i的监测设备的Loss值。
进一步地，采集数据中心的当前输入数据，根据初始节能调控模型对进行训练，获得对应历史调控数据训练获得的历史数据Auto ML模型（即初始的节能调控模型），并获得对应当前输入数据的当前数据训练Auto ML模型；获取历史数据Auto ML模型对应的第一权重和当前数据训练Auto ML模型对应的第二权重；接根据历史数据Auto ML模型、当前数据训练Auto ML模型、第一权重和第二权重通过下式（02）对历史数据Auto ML模型和当前数据训练Auto ML模型进行微调，获得微调优化后的Auto ML模型，将微调后的Auto ML模型作为训练优化完成的优化的节能调控模型。
具体地，
，其中M为优化的节能调控模型，为历史数据Auto ML模型（即初始的节能调控模型）；为当前数据训练Auto ML模型；为第一权重，为第二权重。
在实际应用时，第一权重为历史调控数据在该监测设备在指定的多个工作运行阶段区间的平均值，第二权重可为预设训练数据在该监测设备在指定的多个工作运行阶段区间的平均值，第一权重和第二权重的工作运行阶段区间相对应。
S3：依据数据中心的历史监测数据集，计算确定各个监测设备之间的关联能耗因子，得到所有的监测设备的能耗因子关联系数。
具体地，利用数据中心记录的历史调控数据集，对历史使用的初始节能调控模型进行电源使用效率（又称PUE值）的训练，得到优化的节能调控模型；同时通过对数据中心的历史运行的历史监测数据集，得到数据中心中的多个监测设备之间的能耗因子关联关系，有利于对数据中心的所有监测设备，如负载进行联合节能调控，降低数据中心的整体能耗，从而便于根据不同数据中心的不同负载特性制定更加合理的节能调控策略，智能节能调控策略的适用性更高。
S4：在优化的节能调控模型中，根据所有的监测设备的能耗因子关联系数和历史调控数据集对应的节能参数调整策略，确定各个监测设备在各个工作运行阶段区间的电源使用效率最小值，生成最优节能调控策略。
S5：根据最优节能调控策略对数据中心的各个监测设备的能耗进行节能调控。
在本实施例中，在优化的节能调控模型中，需确定各个监测设备在各个工作运行阶段区间的电源使用效率最小值，以生成最优节能调控策略；然后根据最优节能调控策略对数据中心的各个监测设备进行精细化节能控制，以实现提供各个监测设备的每个工作运行阶段区间的最优参数调控，即制定了合理的节能策略以适应不同数据中心的负载特性；有效降低数据中心的整体能耗，提升了数据中心的智能节能调控效果和调控质量。
在一实施例中，如图2所示，在步骤S1中，依据数据中心的历史监测数据集，识别并获取数据中心的多个监测设备在运行过程中的历史能耗区间数据，并对应得到多个监测设备的工作运行模式信息，具体包括：
S11：依据数据中心的历史监测数据集，获取各个监测设备在历史监控时长内监测的历史任务执行信息和对应的历史耗能数据。
在本实施例，在预设的历史监控时长内，对各个监测设备的历史任务执行信息（如服务器的任务执行数量和负载率）和对应的历史耗能数据，进行划分得到多个历史耗能区间数据，相邻的两个历史耗能区间的数据耗能量位于不同程度的耗能区间。
S12：根据各个监测设备的历史任务执行信息和对应的耗电量数据，创建得到多个历史监测时间区间。
在本实施例中，为便于区分监测设备在该历史能耗区间数据的工作运行模式的变化情况，基于运行模式判断条件和历史耗能数据的值，判断得到多个监测设备在对应的历史监控市场内的耗能数据变化情况，如根据该监测设备的历史能耗区间数据判断其的工作运行模式是在高能耗工作运行阶段、中能耗工作运行阶段或低能耗工作运行阶段。
S13：根据多个历史监测时间区间，基于设备标识将各个监测设备的历史任务执行信息和对应的历史耗能数据进行划分，对应得到各个监测设备在运行过程中的多个历史能耗区间数据。
S14：依据多个历史能耗区间数据中的历史耗能数据和预设的运行模式判断条件，对应确定得到多个监测设备的不同的工作运行模式信息。
具体地，通过对监测设备进行能耗区间的时间区间分段式分析，有利于高效率完成对各个监测设备的历史监测数据的变化分析，且有效避免频繁地数据分析工作对数据中心的服务器造成调控分析作业的资源浪费，既保证了节能调控系统的数据分析保持在较高的效率，同时又有利于精确化分析各个监测设备的工作运行模式。
在一实施例中，如图3所示，关联能耗因子包括IT设备能耗因子、供配电损耗因子、制冷系统能耗因子和其他能耗因子；在步骤S3中：依据数据中心的历史监测数据集，计算确定各个监测设备之间的关联能耗因子，得到所有监测设备的能耗因子关联系数，包括：
S31：依据数据中心的历史监测数据集，得到各个监测设备的历史电源使用效率限值、对应的电能损耗数据。
具体地，为分析不同的数据中心的实际能耗构成和数据中心的实际负载特性，本申请基于数据中心的历史监测数据集中对应各个关联能耗因子进行实际能耗值的校验计算，由于数据中心的监测设备的能耗会受到数据中心的不同监测设备的安装结构和不同的负载特性而对电能损耗产生影响，且数据中心的供电系统在长时间的运行过程中，也会存在电力的损耗，因而本申请基于数据中心在实际运行中监测到的历史监测数据集，确定各个监测设备的历史电源使用效率限值（即PUE限值、其数值大小通过该监测设备正在执行的最优节能调控策略在各个工作运行阶段区间进行限定）。
S32：根据各个监测设备之间的连接、对应的电能损耗数据计算确定各个检测设备的关联能耗因子的性能系数值。
S33：基于各个监测设备的历史电源使用效率限值、对应的关联能耗因子的性能系数值、确定得到所有监测设备的能耗因子关联系数。
在本实施例中，由于不同的历史电源使用效率限值影响了数据中心的冷却系统的性能系数（即COP），接着基于各个监测设备之间的连接关系，对应的电能耗损数据确定各个监测设备的性能系数值，其中电能耗损数据包括电源设备损耗数据和电缆损耗数据；接着根据各个监测设备的历史电源使用效率限值、对应的关联能耗因子的性能系数值计算确定对应的能耗因子关联系数，从而实现从多个设备之间的能耗关联关系和多个能耗影响因素的关联能耗因子分析数据中心的各个检测设备的实际耗能信息的目的，为后续执行节能调控策略提供了详细具体和精确度较高的参数值，有利于为工作人员在进行节能调控策略的调整作业时提供数据支撑作用。
在一实施例中，在步骤S3中，智能数据中心节能调控包括：
S301：基于公式（1）对监测设备的关联能耗因子进行约束计算：
其中为设备标识为i的监测设备的历史电源使用效率值，为数据中心的总耗电量，为所有IT设备的耗电量；为供配电损耗因子、是供配电损耗与IT设备能耗的比值，为设备标识为i的监测设备的发热量占制冷系统负荷的比重；为制冷系统能耗与IT设备能耗的比值；为设备标识为i的监测设备的能耗占整个制冷系统的比值；为整个制冷系统的制冷性能系数，为设备标识为i的监测设备的制冷能耗占整个制冷系统的制冷能耗的比值；为其他能耗与IT设备能耗的比值；A为常量系数，取值范围为2%到5%。
在本实施例中，监测设备包括制冷系统和IT设备；基于各个监测设备的电源使用效率，计算IT设备的能耗系数、制冷系统的能耗系数和其他能耗系数之间的变化，通过根据不同数据中心中的配电系统的供配电损耗因子（PLF）、IT设备的负载特性（CLF）、制冷系统中的监测设备的性能系数（COP值）和其他能耗系数分析评估数据中心的各个能耗因子关联系数的能耗关联关系。
具体地，基于各个监测设备的电源使用效率，计算IT设备的能耗系数、制冷系统的能耗系数和其他能耗系数之间的变化，通过根据不同数据中心中的配电系统的供配电损耗因子（PLF）、IT设备的负载特性（CLF）、制冷系统中的监测设备的性能系数（COP值）和其他能耗系数分析评估数据中心的各个能耗因子关联系数的能耗关联关系。
在一实施例中，智能数据中心节能调控方法还包括：
S10：服务器任务迁移策略满足将连续多个工作运行阶段区间的工作运行模式均处于空载服务器模式的对应监测设备的服务器进行休眠；连续多个工作运行阶段区间的总时长超过预设的第一超时时间。
在本实施例中，监测设备的服务器因实际的任务执行情况和负载情况分为高负载运行模式、低负载运行模式和空载服务器模式；为提高对数据中心的电能利用率，在达到数据中心的服务器的电能供给需求和能源供给需求的基础上，进一步提高数据中心的智能节能调控效果；本申请将连续多个工作运行阶段区间的工作运行模式均处于空载服务器模式的对应监测设备的服务器进行休眠，且对于处于高负载运行模式和低负载运行模式的各个IT设备、执行任务转出优先级和任务转入优先级的计算。
S20：服务器任务迁移策略满足在非高峰时段，根据处于高负载运行模式和低负载运行模式的各IT设备的服务器负载值、分别对相应的各服务器进行任务转出优先级和任务转入优先级的计算，并确定执行任务转出的转出服务器和执行任务转入的转入服务器。
在本实施例中，非高峰时段满足数据中心的所有IT设备的服务器的负载值低于预设负载阈值的数量，高于预设的数量阈值，如数据中心的IT设备的服务器负载值低于预设负载阈值的超过十分之一的比值，则判断为非高峰时期。
具体地，在计算得到各个IT设备的任务转出优先级系数和/或任务转入优先级系数后，按照系数竖直从大到小进行对应排序生成任务转出优先级列表和任务转入优先级列表，根据任务转出优先级列表和任务转入优先级列表确定需要进行任务转出的转出服务器、和进行任务转入的转入服务器。
具体地，对IT设备的服务器执行任务迁移操作，以有效避免同一工作运行阶段区间内，高负载运行模式的服务器出现任务延迟执行的低迟延情况、或低负载运行模式的服务器出现任务运行数量过少而导致能源的浪费，有利于提高对IT设备的服务器的能源利用效率，既能够实现合理安排服务器的任务执行，也能保证数据中心的电能和服务器的能源高效利用。
在一实施例中，智能数据中心节能调控方法还包括：服务器任务迁移策略满足在非高峰时段，根据处于高负载运行模式和低负载运行模式的各IT设备的服务器负载值、分别对相应的各服务器进行任务转出优先级和任务转入优先级的计算，并确定执行任务转出的转出服务器和执行任务转入的转入服务器，包括：
根据公式（2）和公式（3）对应计算得到各个IT设备的服务器的任务转出优先级系数和任务转入优先级系数：
其中为设备标识为i的IT设备的测量温度值；为预设的低负载阈值，为设备标识为i的IT设备的服务器的负载系数，N为各个IT设备的服务器的CPU核心数；为预设的高负载阈值；为预设的中负载阈值。
在本实施例中，数据中心的历史监测数据集还包括对IT设备的温度测量数据；且在数据中心实际运行时，还会采集测量数据中心的各个监测设备的实时测量温度值；基于监测设备（即IT设备）实时测量温度和负载情况和各IT设备的服务器的CPU核心数，对数据中心的各个监测设备执行服务器任务迁移策略；具体地，在数据中心的非高峰时段，优先转出服务器的负载系数较低、低CPU核心数且温度较高的服务器中的任务，间隔降低了制冷系统的制冷能耗；同时优先将任务转入温度较低的服务器、或在多台转入设备的温度相同时，优先转入高CPU核心数，既能有效控制IT设备的服务器发热量，保持IT设备的高性能和高可靠性，又有利于降低IT设备的整体耗电量，从而有利于节约电能。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在一实施例中，提供一种智能数据中心节能调控系统，该智能数据中心节能调控系统与上述实施例中一种智能数据中心节能调控方法相对应。
一种智能数据中心节能调控系统，包括历史监测数据分析模块、电源使用效率训练模块、关联能耗因子确定模块和最优调控策略生成模块。各功能模块的详细说明如下：
历史监测数据分析模块，用于基于设备标识获取各个监测设备的历史调控数据集，在预设的初始节能调控模型中进行基于电源使用效率的训练优化，得到优化的节能调控模型；
电源使用效率训练模块，用于基于设备标识获取各个监测设备的历史调控数据集，在预设的初始节能调控模型中进行基于电源使用效率的训练优化，得到优化的节能调控模型；
关联能耗因子确定模块，用于依据数据中心的历史监测数据集，计算确定各个监测设备之间的关联能耗因子，得到所有的监测设备的能耗因子关联系数；
最优调控策略生成模块，用于在优化的节能调控模型中，根据所有的监测设备的能耗因子关联系数和历史调控数据集对应的节能参数调整策略，确定各个监测设备在各个工作运行阶段区间的电源使用效率最小值，生成最优节能调控策略；
最优调控策略执行模块，用于根据最优节能调控策略对数据中心的各个监测设备的能耗进行节能调控。
可选的，历史监测数据分析模块包括：
任务执行和耗能信息识别子模块，用于依据数据中心的历史监测数据集，获取各个监测设备在历史监控时长内监测的历史任务执行信息和对应的历史耗能数据；
监测时间区间创建子模块，用于根据各个监测设备的历史任务执行信息和对应的耗电量数据，创建得到多个历史监测时间区间；
能耗区间数据划分子模块，用于根据多个历史监测时间区间，基于设备标识将各个监测设备的历史任务执行信息和对应的历史耗能数据进行划分，对应得到各个监测设备在运行过程中的多个历史能耗区间数据；
工作运行模式确定子模块，用于依据多个历史能耗区间数据中的历史耗能数据和预设的运行模式判断条件，对应确定得到多个监测设备的不同的工作运行模式信息。
关于一种智能数据中心节能调控系统的具体限定可以参见上文中对于一种智能数据中心节能调控方法的限定，在此不再赘述；上述智能数据中心节能调控系统中的各个模块可全部或部分通过软件、硬件及其组合来实现；上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以是以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史监测数据集、节能调控模型和最优节能调控策略等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种智能数据中心节能调控方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
S1：依据数据中心的历史监测数据集，识别并获取数据中心的多个监测设备在运行过程中的历史能耗区间数据，并对应得到多个监测设备的工作运行模式信息；工作运行模式信息包括多个对应不同电源使用效率的工作运行阶段区间；监测设备关联设备标识；
S2：基于设备标识获取各个监测设备的历史调控数据集，在预设的初始节能调控模型中进行基于电源使用效率的训练优化，得到优化的节能调控模型；
S3：依据数据中心的历史监测数据集，计算确定各个监测设备之间的关联能耗因子，得到所有的监测设备的能耗因子关联系数；
S4：在优化的节能调控模型中，根据所有的监测设备的能耗因子关联系数和历史调控数据集对应的节能参数调整策略，确定各个监测设备在各个工作运行阶段区间的电源使用效率最小值，生成最优节能调控策略；
S5：根据最优节能调控策略对数据中心的各个监测设备的能耗进行节能调控。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
S1：依据数据中心的历史监测数据集，识别并获取数据中心的多个监测设备在运行过程中的历史能耗区间数据，并对应得到多个监测设备的工作运行模式信息；工作运行模式信息包括多个对应不同电源使用效率的工作运行阶段区间；监测设备关联设备标识；
S2：基于设备标识获取各个监测设备的历史调控数据集，在预设的初始节能调控模型中进行基于电源使用效率的训练优化，得到优化的节能调控模型；
S3：依据数据中心的历史监测数据集，计算确定各个监测设备之间的关联能耗因子，得到所有的监测设备的能耗因子关联系数；
S4：在优化的节能调控模型中，根据所有的监测设备的能耗因子关联系数和历史调控数据集对应的节能参数调整策略，确定各个监测设备在各个工作运行阶段区间的电源使用效率最小值，生成最优节能调控策略；
S5：根据最优节能调控策略对数据中心的各个监测设备的能耗进行节能调控。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (5)

1.一种智能数据中心节能调控方法，其特征在于，包括：
依据数据中心的历史监测数据集，识别并获取数据中心的多个监测设备在运行过程中的历史能耗区间数据，并对应得到多个监测设备的工作运行模式信息；所述工作运行模式信息包括多个对应不同电源使用效率的工作运行阶段区间；所述监测设备关联设备标识；
基于设备标识获取各个监测设备的历史调控数据集，在预设的初始节能调控模型中进行基于电源使用效率的训练优化，得到优化的节能调控模型；
依据数据中心的历史监测数据集，计算确定各个监测设备之间的关联能耗因子，得到所有的监测设备的能耗因子关联系数；
在优化的节能调控模型中，根据所有的监测设备的能耗因子关联系数和所述历史调控数据集对应的节能参数调整策略，确定各个监测设备在各个工作运行阶段区间的电源使用效率最小值，生成最优节能调控策略；
根据所述最优节能调控策略对所述数据中心的各个监测设备的能耗进行节能调控；
所述关联能耗因子包括IT设备能耗因子、供配电损耗因子、制冷系统能耗因子和其他能耗因子；所述依据数据中心的历史监测数据集，计算确定各个监测设备之间的关联能耗因子，得到所有监测设备的能耗因子关联系数，包括：
依据数据中心的历史监测数据集，得到各个监测设备的历史电源使用效率限值、对应的电能损耗数据；
根据各个监测设备之间的连接、对应的电能损耗数据计算确定各个检测设备的关联能耗因子的性能系数值；
基于各个监测设备的历史电源使用效率限值、对应的关联能耗因子的性能系数值、确定得到所有监测设备的能耗因子关联系数；
监测设备包括制冷系统和IT设备；方法还包括：
基于公式(1)对监测设备的关联能耗因子进行约束计算：
其中PUEi为设备标识为i的监测设备的历史电源使用效率值，PDC为数据中心的总耗电量，PIT为所有IT设备的耗电量；PLFi为供配电损耗因子、是供配电损耗与IT设备能耗的比值，αi为设备标识为i的监测设备的发热量占制冷系统负荷的比重；CLFi为制冷系统能耗与IT设备能耗的比值；βi为设备标识为i的监测设备的能耗占整个制冷系统的比值；COPall为整个制冷系统的制冷性能系数，δi为设备标识为i的监测设备的制冷能耗占整个制冷系统的制冷能耗的比值；OLFi为其他能耗与IT设备能耗的比值；A为常量系数，取值范围为2％到5％；方法还包括：所述最优节能调控策略包括IT设备的服务器任务迁移策略；所述监测设备包括服务器；所述工作运行模式信息包括高负载运行模式、低负载运行模式和空载服务器模式；所述高负载运行模式满足IT设备的服务器负载值大于预设的高负载阈值，所述低负载运行模式满足IT设备的服务器负载值小于预设的低负载阈值；
所述服务器任务迁移策略满足将连续多个工作运行阶段区间的工作运行模式均处于空载服务器模式的对应监测设备的服务器进行休眠；所述连续多个工作运行阶段区间的总时长超过所述预设的第一超时时间；
所述服务器任务迁移策略满足在非高峰时段，根据处于高负载运行模式和低负载运行模式的各IT设备的服务器负载值、分别对相应的各服务器进行任务转出优先级和任务转入优先级的计算，并确定执行任务转出的转出服务器和执行任务转入的转入服务器；
所述服务器任务迁移策略满足在非高峰时段，根据处于高负载运行模式和低负载运行模式的各IT设备的服务器负载值、分别对相应的各服务器进行任务转出优先级和任务转入优先级的计算，并确定执行任务转出的转出服务器和执行任务转入的转入服务器，包括：
根据公式(2)和公式(3)对应计算得到各个IT设备的服务器的任务转出优先级系数Pout和任务转入优先级系数Pin：
其中Ti为设备标识为i的IT设备的测量温度；Blow为预设的低负载阈值，Li为设备标识为i的IT设备的服务器的负载系数，N为各个IT设备的服务器的CPU核心数；Bhigh为预设的高负载阈值；Bm为预设的中负载阈值。
2.根据权利要求1所述的一种智能数据中心节能调控方法，其特征在于，所述依据数据中心的历史监测数据集，识别并获取数据中心的多个监测设备在运行过程中的历史能耗区间数据，并对应得到多个监测设备的工作运行模式信息，具体包括：
依据数据中心的历史监测数据集，获取各个监测设备在历史监控时长内监测的历史任务执行信息和对应的历史耗能数据；
根据各个监测设备的历史任务执行信息和对应的耗电量数据，创建得到多个历史监测时间区间；
根据多个所述历史监测时间区间，基于设备标识将各个监测设备的历史任务执行信息和对应的历史耗能数据进行划分，对应得到各个监测设备在运行过程中的多个历史能耗区间数据；
依据多个所述历史能耗区间数据中的历史耗能数据和预设的运行模式判断条件，对应确定得到多个监测设备的不同的工作运行模式信息。
3.一种智能数据中心节能调控系统，其特征在于，用于执行如权利要求1-2任一项所述的一种智能数据中心节能调控方法，系统包括：
历史监测数据分析模块，用于基于设备标识获取各个监测设备的历史调控数据集，在预设的初始节能调控模型中进行基于电源使用效率的训练优化，得到优化的节能调控模型；
电源使用效率训练模块，用于基于设备标识获取各个监测设备的历史调控数据集，在预设的初始节能调控模型中进行基于电源使用效率的训练优化，得到优化的节能调控模型；
关联能耗因子确定模块，用于依据数据中心的历史监测数据集，计算确定各个监测设备之间的关联能耗因子，得到所有的监测设备的能耗因子关联系数；
最优调控策略生成模块，用于在优化的节能调控模型中，根据所有的监测设备的能耗因子关联系数和所述历史调控数据集对应的节能参数调整策略，确定各个监测设备在各个工作运行阶段区间的电源使用效率最小值，生成最优节能调控策略；
最优调控策略执行模块，用于根据所述最优节能调控策略对所述数据中心的各个监测设备的能耗进行节能调控。
4.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至2任一项所述一种智能数据中心节能调控方法的步骤。
5.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述一种智能数据中心节能调控方法的步骤。
CN202410560860.4A 2024-05-08 2024-05-08 一种智能数据中心节能调控方法、系统、设备及其介质 Active CN118132244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410560860.4A CN118132244B (zh) 2024-05-08 2024-05-08 一种智能数据中心节能调控方法、系统、设备及其介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410560860.4A CN118132244B (zh) 2024-05-08 2024-05-08 一种智能数据中心节能调控方法、系统、设备及其介质

Publications (2)

Publication Number Publication Date
CN118132244A CN118132244A (zh) 2024-06-04
CN118132244B true CN118132244B (zh) 2024-08-13

Family

ID=91248136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410560860.4A Active CN118132244B (zh) 2024-05-08 2024-05-08 一种智能数据中心节能调控方法、系统、设备及其介质

Country Status (1)

Country Link
CN (1) CN118132244B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117519980A (zh) * 2023-11-22 2024-02-06 联通(广东)产业互联网有限公司 节能型数据中心

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117519980A (zh) * 2023-11-22 2024-02-06 联通(广东)产业互联网有限公司 节能型数据中心

Also Published As

Publication number Publication date
CN118132244A (zh) 2024-06-04

Similar Documents

Publication Publication Date Title
WO2021063033A1 (zh) 空调能耗模型训练方法与空调系统控制方法
CN104698843B (zh) 一种基于模型预测控制的数据中心节能控制方法
CN110442170B (zh) 设备运行及监测方法、装置、设备及介质
CN115682357B (zh) 一种以逼近度为中心的冷却水寻优方法及独立控制系统
CN105577796A (zh) 集群的功耗控制方法及装置
CN115164361B (zh) 一种数据中心控制方法、装置、电子设备和存储介质
CN118231883A (zh) 用于液冷储能系统的电池管理方法及系统
CN117850494A (zh) 基于ai算法的数据中心节能控制方法
CN110008515B (zh) 一种可再生能源数据中心管理方法及装置
CN118132244B (zh) 一种智能数据中心节能调控方法、系统、设备及其介质
CN103777737A (zh) 基于服务器资源负载及位置感知的云端机房节能方法
CN111552360A (zh) 工控机降温方法、装置、计算机设备及存储介质
CN117519980B (zh) 节能型数据中心
CN106094523B (zh) 基于效率和均流指标面积和最大的并联供电系统优化方法
CN111988961B (zh) 一种机柜温度控制方法以及控制系统
CN115493321A (zh) 一种基于物联网的热泵性能监测系统及方法
TW202248577A (zh) 溫度調控設備的節能控制方法及裝置
CN106159934B (zh) 基于效率和均流指标黄金分割的并联供电系统优化控制方法
CN117970009B (zh) 填谷电路的电力采集终端及电能表
CN115127197B (zh) 冷机运行策略确定方法、装置、电子设备及存储介质
CN118550392A (zh) 一种基于ai调节机房能耗的方法以及系统
CN118316964B (zh) 一种基于云边协同的智慧园区管理方法及系统
CN118801007A (zh) 一种用于电力储能系统的散热功率智能控制方法
CN118347072B (zh) 一种基于冰蓄冷系统的自适应制冷控制方法及装置
CN106026205B (zh) 基于效率和均流性能面积和最大的并联供电系统优化控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant