数据中心起源于20世纪60年代，发展至今先后经历了计算中心、信息中心和服务中心三个发展阶段。现阶段，数据中心作为核心服务载体，需要稳定可靠的运行环境，及时发现事故隐患，增强事故处理能力，更重要的是可以优化资源利用。数据中心常规冷源系统监控由两个独立的监控系统组成，一个是负责冷冻站控制的群控系统，另外一个是对末端精密空调和机房环境监视的动环系统。采用传统模式，这两个监控系统间信息孤立、控制封闭，无法实现冷源系统进行全局化、智能化的节能运行控制，不仅减低了冷源系统运行安全性而且限制了运行能效的提升空间。通过AIoT 技术将冷冻站运行数据、末端精密空调运行数据、机房环境数据及能耗计量数据全部打通，利用人工智能实现数据融合、垂直打通、模型建立、系统全局控制，可有效降低数据中心冷源系统能耗。

1 数据中心冷源系统AIoT控制系统的组成

首先，利用物联网（IoT）技术，实现冷源系统中不同类别、不同厂家、不同信号类型、不同通讯协议的设备数据互联互通。通过建立合适的数据颗粒度，全面、实时的抓取整个冷源系统的运行状态及挖掘变化趋势，为系统仿真建模、人工智能分析、系统故障诊断提供基础数据。如图1所示。

图1 冷源系统物联网（IoT）技术应用原理图

其次，利用云计算技术数据汇聚特点，将不同地域、不同规模、不同负载率的项目历史数据汇聚在云端。如图2所示。

图2 云计算应用示意图

利用神经网络技术分析挖掘，建立数据中心的冷冻站系统和末端机房精密空调系统、机房冷热通道温湿度、IT 设备能耗的联动仿真模型完成系统能效的模拟计算。如图3所示。为了提高神经网络仿真建模效率和准确性，神经网络初始权重值为已完成同类规模制冷系统权重值，并具备“剪枝”处理，优化隐藏层节点及权重参数个数，以此提高训练模型的收敛速度和模拟精度。

图3 神经网络应用示意图

通过以优化数据中心PUE 为最终目标，利用仿真模型为AIoT 能效控制系统对数据中心冷源系统的运行参数实时调节提供依据及验证手段。如图4所示。

图4 训练模型应用示意图

利用人工智能良好的非线性映射能力、自学习适应能力和并行信息处理能力，解决数据中心冷源系统这类不确定非线性系统的控制问题。在现场设置人工智能控制模式，内置上述数据中心制冷系统模型，通过对实时运行数据进行深度学习，获取针对制冷系统的优化节能运行策略和最佳运行参数，与传统能效控制设备相配合，实现全工况下数据中心空调系统节能优化控制。如图5所示。

图5 机器学习示意图

为保证可靠性，控制系统硬件采用双CPU 加环形通讯架构，CPU 热备冗余，在CPU 单点故障情况下自主切换为备用CPU，完全不影响本地控制及本地运算，其安全性高。

2 数据中心冷源系统AIoT控制系统的实施效果

2.1 制冷主机

AIoT 控制系统持续采集制冷主机运行数据（冷冻供回水温度/流量、冷却供回水温度/流量、机组负载率等），利用人工智能数据分析技术，发掘出制冷机组制冷效率最高的负载率区间，以及随冷冻水/冷却水工况变化的规律。在系统控制上，实时获取室外环境温湿度和空调负荷数据，根据人工智能获得的特性参数，动态优化设定主机出水温度、最佳冷却水温度、最佳主机运行台数，保证主机尽可能运行在高效区，在生产相同冷量的条件下能耗最低，可节约制冷主机5%～15%的运行能耗。

2.2 多制冷模式

当数据中心制冷系统设有板式换热器时，AIoT 控制系统可利用人工制冷自学习功能，挖掘历史运行数据规律，获得在不同空调负荷和室外温湿度下最佳的自然冷源切换条件，并实现制冷模式自动、平滑切换，增加全年自然冷源使用时间，节约制冷主机能耗，可延长全年自然冷源时间15%～30%。

2.3 冷冻水泵

由于实现了垂直制冷系统的整体控制，AIoT 控制系统可对整个末端机房空调负荷和精密空调运行数据实时采集。冷冻水泵的流量控制将根据末端精密空调的运行进行直接控制，取代常规的恒温差或者恒压差控制，使冷冻水泵频率控制的响应时间更短、调节幅度更大、节能效果更高，可节约冷冻泵20%～40%的运行能耗。

2.4 冷却系统

有别于冷却系统控制常规做法，如冷却水泵恒定温差控制、冷却水回水温度设定与湿球温度固定差值等控制方法。AIoT 控制系统持续采集室外湿球温度、制冷主机、冷却水泵、冷却塔的运行数据和能耗数据，利用人工智能数据分析技术，建立冷却侧系统综合能耗模型。根据此仿真模式，采集室外湿球温度、制冷主机制冷量等客观数据，动态调节冷却水泵流量、冷却水回水温度设定值、冷却塔风机转速和运行台数，控制目标为在任何工况下制冷主机、冷却水泵、冷却塔风机三者综合能耗最低。通过本控制技术的应用，可节约冷却泵和冷却塔风机25%～50%的运行能耗。

文章来源：《节能与环保》 网址: http://www.jnbjb.cn/qikandaodu/2021/0720/2260.html