基于人工智能算法的数据中心机房气流组织温度预测研究.docxVIP

52

52 2022/12/DTPT

基于人工智能算法的数据中心机房

气流组织温度预测研究

1概述

在过去的十几年中，数据中心在能源效率、可靠

面做出回应并升级其设施。而随着数据中心规模的不断扩张，自身的能耗已不容忽视；2019年全球数据中心的能耗为200TWh，占全球总能耗的1%，合计占

［2］

性和可持续运行方面做出了巨大的贡献。特别是随

全球碳排放的0.3%

。目前，数据中心的能耗平均每

着信息技术（IT）产业的快速发展以及物联网（IoT）和人工智能（AI）技术的出现，计算和电力的需求呈爆发式持续增长［1］。促使数据中心必须在规模和稳定性方

——————————

收稿日期：2022-10-20

4年翻倍［3］。2020年9月，在75届联合国大会一般性辩论上，我国明确要采取更加有利的政策和措施，力争二氧化碳排放2030年前达到峰值，努力争取2060年前实现碳中和。为了促进峰值目标尽快实现，2020年12月，《新时代的中国能源发展白皮书》提出新时代

的中国能源清洁低碳发展的导向，加快能源绿色低碳转型，贯彻“4个革命、1个合作”能源安全新战略；在国家双碳背景下，发展数据中心的节能低碳技术，降低其PUE（PowerUsageEffectiveness）及CUE（carbonUs?ageEffectiveness）势在必行。

典型的数据中心能耗结构中，气流冷却系统占据

了其总能耗的50%，而服务器和存储则只占到26［4］。

%

因此，建立有效的数据中心节能措施的首要任务就是了解其冷却方式，并采取相应的措施。传统的数据中心冷却方式采用的是冷空气对流冷却：冷空气自底部冷却通道自下而上流经服务器并将之冷却，然后换热后的热空气从顶部回到空调控制中心形成冷却循环系统。由于数据中心布局复杂，气流组织分布也不均

果传感器布局在温度相对较低的位置，此时传感器的测量温度过低，无法真实反映机柜运行的最高温度，从而无法保证数据中心性能。利用计算流体力学的方法（ComputationFluidDynamics，CFD）可有效地表征特定条件下的数据中心机房气流组织流场、温度场的分布，从而可进一步对冷却效能进行分配［5-6］。事实上，数据中心运行过程中，其负载功率计算任务等时刻在变，传统的CFD方法难以及时给出不同功率负荷下的温度全局分布情况。因此，亟需建立快速温度场的预测方法［7-10］，从而可及时反映温度分布情况，并为后期建立智能调控数据中心提供数据支持。

基于此目的，本文采用机器学习卷积神经网络，配合传统CFD数据，实现了一种可以快速预测数据中

［11］

匀，因此机房各服务器的冷却效果也不尽相同。掌握

数据中心机房温度分布，特别是机柜周围的温度热点有利于调整冷却空调功率、风速等参数，从而在最有效的做功范围内保证数据中心正常运转。

限于现有的实验测量手段，数据中心机房整体的

心机房温度分布的方法，即AI-CFD

造智能数据中心提供技术支持。

2模型建立及描述

CFD数据获取

，希望可以为建

温度分布难以捕捉；因此，对数据中心机房的温度调控主要依赖于有限的传感器温度和传感器的分布情况。一方面如果传感器测量的局部温度属于非关键局部热点，此时依赖传感器进行整体数据机房的调控，势必会导致其余各处冷却效能过剩；另一方面，如

以图1所示的简单数据中心机房为例，首先通过6SigmaDC软件计算了该机房不同空调设定温度及服务器功率下数据中心的温度分布，取图1中Y方向中心截面温度数据为后续快速预测模型的输入及输出数据提供依据。该机房大小4.8×4.2m2，共设有6个

温度/℃ Transienttime=94s

温度/℃ Transienttime=94s

41.8

34.6

27.4

20.3

13.1

Totaltransienttime=94s

41.8

34.6

27.4

20.3

13.1

Totaltransienttime=94s

Y Y

X Z

温度/℃ Transienttime=94s

温度/℃ Transienttime=94s

41.8

34.6

27.4

20.3

13.1

Totaltransienttime=94s

41.8

34.6

27.4

20.3

13.1

Totaltransienttime=94s

Y

X

X Z

Z

图1采用的数据中心机房布局及CFD模拟数据

54

54 2022/12/DTPT