基于神經(jīng)網(wǎng)絡(luò)的空調(diào)末端群控方法研究

侯曉雯，李程貴，王旭光

（中國移動(dòng)通信集團(tuán)內(nèi)蒙古有限公司，內(nèi)蒙古 呼和浩特 010000）

0 引 言

隨著數(shù)據(jù)中心的建設(shè)規(guī)模不斷擴(kuò)大，機(jī)房等級(jí)越來越高，空調(diào)系統(tǒng)作為IT設(shè)備的制冷保障，對(duì)數(shù)據(jù)中心的穩(wěn)定運(yùn)營起著至關(guān)重要額定作用。數(shù)據(jù)中心的空調(diào)末端系統(tǒng)愈加呈現(xiàn)出精度高、種類多、數(shù)量大等特點(diǎn)，其能耗卻占據(jù)數(shù)據(jù)中心能耗結(jié)構(gòu)的6%～10%。由此可見，對(duì)于IDC機(jī)房而言，空調(diào)末端設(shè)備既要高效地保證機(jī)房恒定的溫度、濕度，又要優(yōu)化節(jié)能降低能耗，這就需要具有建立空調(diào)末端系統(tǒng)的智能化控制。

本文通過調(diào)研各大數(shù)據(jù)中心IDC機(jī)房空調(diào)末端的運(yùn)行現(xiàn)狀，探討了空調(diào)末端的控制方式存在的問題，明確了新型末端空調(diào)群控技術(shù)的重要性。本文的研究主要針對(duì)空調(diào)末端群控技術(shù)的方式采用了基于蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)數(shù)據(jù)中心空調(diào)末端系統(tǒng)的智能化、精準(zhǔn)化控制。不僅可以使空調(diào)末端設(shè)備達(dá)到井然有序、高效一致的制冷狀態(tài)，在保障數(shù)據(jù)中心空調(diào)安全穩(wěn)定運(yùn)行的同時(shí)，能夠達(dá)到節(jié)能降耗的目的。綜上，基于AI控制的空調(diào)末端系統(tǒng)將會(huì)成為新一代綠色節(jié)能數(shù)據(jù)中心的必由之路。

1 數(shù)據(jù)中心空調(diào)末端現(xiàn)狀

數(shù)據(jù)中心在飛速的發(fā)展中，呈現(xiàn)出超大規(guī)模、高度集中的態(tài)勢，所承載的各類存儲(chǔ)、服務(wù)器等IT設(shè)備，隨著CPU、GPU的計(jì)算速度越高，發(fā)熱功率越大，對(duì)于機(jī)房的溫濕度要求就越高，大型的IDC機(jī)房常采用新型空調(diào)末端實(shí)現(xiàn)列間級(jí)、機(jī)架級(jí)的就近制冷，每個(gè)IT機(jī)柜為一個(gè)制冷單元針對(duì)機(jī)架送風(fēng)，空調(diào)風(fēng)機(jī)設(shè)置于機(jī)柜的前門或背板，制冷效率高，同時(shí)節(jié)省機(jī)房空間，提高裝機(jī)率。如圖1所示。由于數(shù)據(jù)中心新型空調(diào)末端隨機(jī)柜配置，每個(gè)IDC機(jī)房均分布著100～200臺(tái)空調(diào)，相互之間皆為獨(dú)立控制。

圖1 數(shù)據(jù)中心新型空調(diào)末端

新型空調(diào)末端的控制邏輯主要為送/回風(fēng)溫度控制法，每臺(tái)IT機(jī)柜前/后側(cè)皆設(shè)置溫、濕度傳感器，利用其送/回風(fēng)側(cè)采集到的溫度值進(jìn)行邏輯判斷并調(diào)節(jié)風(fēng)機(jī)控制,比較機(jī)柜前/后側(cè)實(shí)測溫度值與空調(diào)的設(shè)定溫度值,通過計(jì)算得出的冷量差值來控制空調(diào)的制冷輸出。空調(diào)送/回風(fēng)溫度的控制邏輯示意如圖2所示。

圖2 送回風(fēng)溫度邏輯控制示意圖

冷量需求與送/回風(fēng)溫度、溫度設(shè)定點(diǎn)、溫度死區(qū)、溫度比例帶有關(guān),即冷量需求=f（送風(fēng)溫度,溫度設(shè)定點(diǎn),溫度死區(qū),溫度比例帶）[1]。

式中，比例帶表示IDC機(jī)房內(nèi)適宜各類IT設(shè)備運(yùn)行的溫度區(qū)間；溫度死區(qū)表示位于設(shè)定目標(biāo)溫度值的附近區(qū)間,該區(qū)間主要為了避免機(jī)組的頻繁調(diào)節(jié)而設(shè)置的保護(hù)區(qū)間，而它的大小主要設(shè)定依據(jù)為機(jī)房溫度控制精度，分為正、負(fù)兩個(gè)死區(qū),其設(shè)定最大值為±3℃。圖3為溫度死區(qū)示意圖。

圖3 溫度死區(qū)示意圖

2 空調(diào)末端控制存在的問題

目前，越來越多的數(shù)據(jù)中心機(jī)房引入了各類新型的空調(diào)末端設(shè)備，并在設(shè)計(jì)階段規(guī)劃出合理的氣流循環(huán)，但是隨后出現(xiàn)在各大數(shù)據(jù)中心服務(wù)器的高、低密度混合部署，而同一機(jī)房內(nèi)的上百臺(tái)機(jī)房空調(diào)均為獨(dú)立運(yùn)行，每臺(tái)設(shè)備相互之間沒有建立聯(lián)系，以至于經(jīng)常會(huì)出現(xiàn)以下情況：

（1）空調(diào)設(shè)備之間存在競爭運(yùn)行的狀況，一部分空調(diào)在制冷，另一部分反而在制熱；

（2）IDC機(jī)房內(nèi)留有充足的冷量冗余時(shí)，備用空調(diào)仍然在全時(shí)段高速運(yùn)轉(zhuǎn)，造成能耗的浪費(fèi)；

（3）IDC機(jī)房內(nèi)出現(xiàn)空調(diào)故障時(shí)，或局部區(qū)域存在熱點(diǎn)時(shí)，其他空調(diào)未能及時(shí)自動(dòng)響應(yīng)來降低熱點(diǎn)溫度。

嚴(yán)重時(shí)還會(huì)出現(xiàn)機(jī)房溫度失控，如圖4所示。

圖4 新型機(jī)房空調(diào)溫度失控

綜上所述，傳統(tǒng)機(jī)房采用的空調(diào)系統(tǒng)獨(dú)立制冷控制方式難以滿足大型數(shù)據(jù)中心機(jī)房對(duì)于恒溫控制的要求，確保IT設(shè)備的正常運(yùn)行的情況下，需要建立一種數(shù)據(jù)中心空調(diào)末端群控優(yōu)化控制程序，最大限度提高制冷效率，降低IDC機(jī)房空調(diào)系統(tǒng)的制冷能耗。

3 基于蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的空調(diào)末端群控方法

基于蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的空調(diào)末端群控方法是利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)數(shù)據(jù)中心空調(diào)末端系統(tǒng)的智能化、精準(zhǔn)化控制，基于原有空調(diào)末端溫控原理，應(yīng)用蟻群優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)模型來實(shí)現(xiàn)空調(diào)末端的集群控制，通過搭建 IDC 機(jī)房空調(diào)末端系統(tǒng)的溫度場模型，利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)模擬預(yù)測控制，將IT設(shè)備輸出功耗和空調(diào)送風(fēng)溫度值定義為輸入?yún)⒘浚瑱C(jī)柜回風(fēng)溫度值作為輸出層參量，在溫度網(wǎng)絡(luò)模型中，通過反復(fù)的迭代學(xué)習(xí)，最終建立具有完整映射關(guān)系的神經(jīng)網(wǎng)絡(luò)模型。

3.1 數(shù)據(jù)中心空調(diào)末端系統(tǒng)溫度模型

蟻群算法，是一種用來在圖中尋找優(yōu)化路徑的機(jī)率型算法[2]。算法的第一步：將所有權(quán)值均等分為Spn個(gè)部分，其區(qū)間長度為 [Wmin,Wmax]，每個(gè)區(qū)間的邊界點(diǎn)為備選權(quán)值。在集合中有m只螞蟻，分散布放在n個(gè)不同的地點(diǎn)，起初每只螞蟻有等量的信息素。每一個(gè)權(quán)值都能繪制出對(duì)應(yīng)的信息素表，如表 1所示。表1中，Wi為第i次需要被優(yōu)化的權(quán)值；ai為劃分刻度值；τ（i） 為ai對(duì)應(yīng)的信息素。整個(gè)模型內(nèi)所含的每一位權(quán)值，每只螞蟻僅穿過一次，并且將對(duì)應(yīng)點(diǎn)的信息和數(shù)據(jù)記錄下來。整個(gè)模型所構(gòu)成的BP神經(jīng)網(wǎng)絡(luò)，利用輸入和輸出的數(shù)據(jù)來計(jì)算誤差值，再根據(jù)誤差值的大小來更新信息素。

表1 Wi權(quán)值信息素表

釋放m只螞蟻后，其中螞蟻k基于以下概率公式從一個(gè)點(diǎn)到下一個(gè)點(diǎn)。

為權(quán)值選擇一個(gè)數(shù)值的方法就是記錄一只小螞蟻經(jīng)過的參考點(diǎn)，利用函數(shù) tabuk來記錄軌跡。一只螞蟻?zhàn)哌^所有的權(quán)值后，即有效地完成了一次遍歷。當(dāng)全部螞蟻完成所有遍歷后，所形成的誤差值即為σ組的權(quán)值。

隨著路徑上信息素的不斷增加，殘留信息就會(huì)越多，進(jìn)而會(huì)淹沒啟發(fā)信息[3]。所以，每一只螞蟻在完成一次遍歷，其軌跡上的殘余信息即執(zhí)行一次釋放更新，路徑（i，j）在t+1時(shí)刻的殘留信息按照以下公式完成釋放調(diào)整，式中Δτ的按如下公式計(jì)算：

式中，ρ代表信息素殘留系數(shù)，反映所有螞蟻相互之間影響的程度，ρ的取值范圍為[0,1]，可以避免信息素的過量累積；Δτ(t)表示在循環(huán)中，所有螞蟻在路徑（i，j）上信息素的增量總量[4,5]。

式中，Q為常數(shù)，代表信息素的總量；Q的大小直接影響著蟻群算法的收斂的快慢，即Q越小，收斂越慢，Q越大，收斂則越快；EA表示螞蟻在一次尋址中的總路徑，EA的大小也會(huì)影響著蟻群算法的收斂，EA值越小，說明收斂速度越快，反之，則越慢。

蟻群算法找出最優(yōu)路徑后，采用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)一步訓(xùn)練蟻群算法。BP 神經(jīng)網(wǎng)絡(luò)是利用最陡梯度下降法，基于反向傳播原理，反復(fù)修正閾值和權(quán)值，從而使神經(jīng)網(wǎng)絡(luò)能夠獲取誤差平方和的最小值，再利用誤差的向后傳播進(jìn)一步優(yōu)化權(quán)重[6]。BP 神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)主要包含了網(wǎng)絡(luò)的輸入層、隱含層以及輸出層，具體結(jié)構(gòu)如圖5所示[7]。

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖5中，輸入神經(jīng)元數(shù)量為i個(gè)，隱含神經(jīng)元數(shù)量有為j個(gè)；輸出神經(jīng)元數(shù)量為k個(gè)，每個(gè)神經(jīng)元對(duì)應(yīng)著一個(gè)輸入值/輸出值；wij為輸入層到隱含層的權(quán)值，wjk為隱含層到輸出層的權(quán)值[8]。

輸入層的輸入輸出分別為：

式中，I表示神經(jīng)元的輸入；O表示神經(jīng)元的輸出；上角(1)表示第一層神經(jīng)元，后面則以此類推；M代表輸入變量的數(shù)量。

隱含層的輸入輸出分別為：

式中，N表示隱含層神經(jīng)元的總數(shù)；f(·)表示隱含層的激發(fā)函數(shù)。

輸出層的輸入輸出分別為：

式中，Q表示輸出層神經(jīng)元的總數(shù)；g(·)表示輸出層的激發(fā)函數(shù)[9]。

定義網(wǎng)絡(luò)的誤差性能指標(biāo)函數(shù)為：

式中，Qk(3)*是輸出層k個(gè)神經(jīng)元的期望值；Qk(3)為對(duì)應(yīng)的實(shí)際值；ek則為對(duì)應(yīng)的誤差。

如果輸出層所有的Qk(3)*與Qk(3)都相符（即ek小于或等于允許誤差ε），則神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程結(jié)束；否則，神經(jīng)網(wǎng)絡(luò)的誤差將通過反向傳播來調(diào)整權(quán)值wjk和wij。

神經(jīng)網(wǎng)絡(luò)的誤差反向傳播采用最陡梯度下降法來調(diào)整權(quán)值，即

上述公式為調(diào)整權(quán)值wjk、wij的計(jì)算式。誤差反向傳播時(shí)不斷的調(diào)整Δw，從而達(dá)到修改各層權(quán)值的目的。蟻群算法找出最優(yōu)路徑σ組的權(quán)值作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值，再通過計(jì)算得出神經(jīng)網(wǎng)絡(luò)模擬輸出結(jié)果與實(shí)際結(jié)果之間的誤差值，隨后，誤差經(jīng)過反向傳播由輸出層返回輸入層，再次優(yōu)化權(quán)值，直至達(dá)到條件為止。

3.2 數(shù)據(jù)中心空調(diào)末端神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)

將已建成的機(jī)房空調(diào)系統(tǒng)溫度模型進(jìn)一步作為群控系統(tǒng)的控制器，讓空調(diào)末端系統(tǒng)實(shí)際輸出的機(jī)柜回風(fēng)溫度無限接近系統(tǒng)的期望值，更加有效地完成IDC機(jī)房空調(diào)末端系統(tǒng)溫度的集中控制。為使空調(diào)末端系統(tǒng)實(shí)際輸出的機(jī)柜回風(fēng)溫度無限接近系統(tǒng)的期望值，利用已成型的機(jī)房空調(diào)系統(tǒng)溫度模型作為神經(jīng)網(wǎng)絡(luò)的控制器，建立數(shù)據(jù)中心空調(diào)末端神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)如圖 6 所示，更好地解決空調(diào)末端系統(tǒng)在集中控制過程中存在的非線性等各類復(fù)雜問題。

圖6 神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)

將IT機(jī)柜回風(fēng)溫度T'作為輸入指令u實(shí)現(xiàn)空調(diào)末端群控系統(tǒng)的溫度控制，溫度控制的輸出值為y，此時(shí)，輸入指令u與溫度控制輸出值y之間符合非線性關(guān)系y=g（u）。神經(jīng)網(wǎng)絡(luò)在模擬過程是為了使輸入指令u得到最優(yōu)值，此時(shí)實(shí)際輸出的溫度值y將會(huì)最大程度地趨近于期望溫度控制yd。在控制系統(tǒng)中，神經(jīng)網(wǎng)絡(luò)反映的是輸入值與輸出值的映射關(guān)系，可利用函數(shù)變換u=f（yd）來表述。為了使實(shí)際的輸出結(jié)果y等于期望結(jié)果值yd，結(jié)合以上兩個(gè)公式得到y(tǒng)=g[f（yd）]。顯然，當(dāng)f（·）=g-1（·）時(shí)，滿足y=yd的要求。

4 數(shù)據(jù)中心空調(diào)末端神經(jīng)網(wǎng)絡(luò)群控系統(tǒng)方案

4.1 測試環(huán)境

測試方案設(shè)計(jì)如下：IDC機(jī)房內(nèi)共有100個(gè)機(jī)柜，相應(yīng)配置100臺(tái)空調(diào)末端提供精準(zhǔn)制冷，機(jī)柜排布分成8列依次放置，機(jī)房內(nèi)空調(diào)以交替方式排列，即面對(duì)面/背對(duì)背排列的方式，形成冷/熱分區(qū)，如此一來，在測試過程中機(jī)房的熱通道溫度（機(jī)柜回風(fēng)溫度）反映了IT設(shè)備的散熱情況，機(jī)房冷通道溫度反映空調(diào)系統(tǒng)的送風(fēng)溫度。依據(jù)《電子信息系統(tǒng)機(jī)房設(shè)計(jì)規(guī)范》（GB50174-2008）標(biāo)準(zhǔn)，將空調(diào)送風(fēng)溫度有效地控制在 18℃～28℃范圍內(nèi)[10]。機(jī)房空調(diào)系統(tǒng)結(jié)合IT設(shè)備的功耗，根據(jù)機(jī)柜回風(fēng)溫度來調(diào)整空調(diào)的送風(fēng)溫度，合理有效地控制室內(nèi)溫度。

4.2 數(shù)據(jù)采集

采集機(jī)房內(nèi)100個(gè)機(jī)柜對(duì)應(yīng)的IT負(fù)載功耗Pi（i=1,2,…,100）空調(diào)送風(fēng)溫度Ti（i=1, 2,…,100）作為神經(jīng)網(wǎng)絡(luò)模型的輸入變量，一個(gè)采集周期過后，得到機(jī)房內(nèi)100個(gè)機(jī)柜對(duì)應(yīng)的機(jī)柜回風(fēng)溫度Tj'（j=1, 2,...,100）作為神經(jīng)網(wǎng)絡(luò)模型的輸出變量。

4.3 建立蟻群算法模型

均勻劃分權(quán)值區(qū)間 [Wmin,Wmax] 為SPN相等的部分。為每個(gè)參數(shù)設(shè)置一個(gè)信息素表，τ（0）為信息素初始值設(shè)置值，ρ推薦取值 0.7～0.95，取ρ=0.8，Q為信息素增量強(qiáng)度，取Q=1，訓(xùn)練過程出錯(cuò)退出條件E0，保留最優(yōu)解數(shù)σ和其他參數(shù)的數(shù)量。輸入訓(xùn)練樣本，得出相應(yīng)的輸出結(jié)果，然后計(jì)算錯(cuò)誤E。記錄誤差σ組的權(quán)值，并比較初始誤差E0與最小誤差Emin的大小。更新信息素τ（t+1）=ρ（t）+Δτ（t），迭代數(shù)次直到滿足要求。

4.4 建立 BP 神經(jīng)網(wǎng)絡(luò)

構(gòu)建3層架構(gòu)的 BP 神經(jīng)網(wǎng)絡(luò)模型，其中，隱含神經(jīng)元的初始數(shù)量依據(jù)經(jīng)驗(yàn)取5，再經(jīng)過神經(jīng)網(wǎng)絡(luò)的反復(fù)訓(xùn)練，模擬出輸入的回風(fēng)溫度與輸出的控制溫度之間的映射關(guān)系。由此建立起一個(gè)BP 神經(jīng)網(wǎng)絡(luò)來完成IT機(jī)柜回風(fēng)溫度的預(yù)測。

式中，n1為隱含層神經(jīng)元數(shù)；n為輸入層神經(jīng)元數(shù)；m為輸出層神經(jīng)元數(shù)；a為1-10 之間的常數(shù)[11]。

上述算法流程圖如圖7所示。

圖7 基于蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)邏輯控制流程圖

5 結(jié) 論

空調(diào)末端群控技術(shù)利用AI智能化來實(shí)現(xiàn)數(shù)據(jù)中心空調(diào)末端系統(tǒng)的精準(zhǔn)聯(lián)合控制，有效解決機(jī)房局部熱點(diǎn)、競爭運(yùn)行等問題，使空調(diào)末端設(shè)備達(dá)到井然有序、高效一致的制冷狀態(tài)，利用蟻群優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模擬出最優(yōu)的空調(diào)群控策略，最大限度地提高空調(diào)末端的制冷效率，在保障數(shù)據(jù)中心空調(diào)安全穩(wěn)定運(yùn)行的同時(shí)，它的應(yīng)用更會(huì)帶來空調(diào)系統(tǒng)的節(jié)能降耗。