杨 超
中国电信股份有限公司徐州分公司
机房空调是保障通信机房温度和湿度的重要设备,也是通信机房主要的用电设备,其能耗约占通信机房总能耗的30%,提升机房空调运行效能是电信运营商节能减排的重要抓手。
通信机房为保障环境温度安全,会配置备用机房空调并使其处于热备用状态,当主用空调故障后,备用空调能够及时制冷保障机房温度,这导致备份空调长期无效运行,引起电能浪费。另外,机房空调普遍采用回风温度控制,机房温度控制粗放,部分区域温度会出现过度制冷造成电能浪费。同时,机房气流组织不合理,存在局部高温区域,致使空调换热效率低下也是造成机房空调能耗增加的主要原因。
针对上述问题,电信运营商积极采取应对措施,使用了包括备用空调自动控制、提升机房空调设置温度、优化机房空调组织、低温自动关停等多种手段,但是仍存在机房内各区域温度均衡性差,区域温度不能精细控制甚至无法控制的情况。随着AI人工智能技术的发展,为进一步提升机房空调节能效果提供了技术支撑和更优的解决方案。
AI是人工智能的英文缩写,是研究开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学,人工智能是计算机科学的一个分支,人工智能的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
机房空调AI节能技术通过收集空调及周边环境的运行数据,经过AI技术分析生成调控策略,实现对机房空调运行状态和参数的实时控制,从而提升运行效能,达到节能目的。
人工智能的优势在于具有快速准确地处理大型数据集的能力,能通过算法和数据的优势对大量样本进行学习并建立预测模型,能预见变化并提前采取行动,从而能够快速判断并生成一个最佳控制方案输出,同时规避人为错误。
AI节能控制模型通常包括温度预测和策略生成两个主要模块,其中策略生成模块根据空调运行状态参数以及温湿度值,生成新的控制策略,策略生成模块又可以包括空调能力评估、空调效益评估、温度评估等。温度预测模块则根据输入的控制策略以及温度数据,预测在新的控制策略下的温度变化。
2.1.1 温度预测模块
温度预测模块用于预测机房内各个温度传感器在不同空调运行参数时的变化情况,通过对空调参数、温度等历史数据进行算法训练构建预测模型,并使用该模型对每个温感未来一段时间的温度变化进行预测,其作用包括:
1)预测在当前空调运行参数时,未来一定时间内温度的变化趋势,根据预测结果,判断温度是否符合要求,是否进一步调整空调运行参数。
2)针对新策略对温度的影响进行预测,根据新生成的参数和历史温度数据预测新的空调运行参数时温度的变化情况,并进一步预测温度数值是否会触发告警,从而评估新策略的节能效益。
2.1.2 策略生成模块
策略生成模块根据当前设备状态、参数、温度数据,生成新的控制策略和控制参数,通常包括空调能力评估、空调效益评估、温度评估等内容。
1)空调能力评估
在初始阶段,根据现场的空调布局、送风方式、气流组织形式、温感布局、机柜布局方式、负载分布等,通过专家经验拟定初步的空调影响力模型,主要包括每台空调影响的温感和温度排序,每个温感和温度受到空调影响的排序。
在关联分析阶段,首先收集足够的空调和温度历史数据,然后由人工改变和控制空调的运行参数,收集覆盖设备范围数据,再通过关联分析方法分析参数调整前后的温度差异和调整量,获得空调与空调、空调与温度在不同参数时的关联度,最后对关联度归一化处理,生成影响度值。
2)空调效益评估
通过获取相关指标和数据实现对空调效益的自评估,通过检测空调压缩机、风机等主要耗电器件的运行时间与休眠时间比值,采集空调风机转速和设定温度值,并将上述数值归一化后获得效益评估分值。
3)温度评估
基于最优目标温度设定,当温度低于该目标温度时表明该区域温度较低,制冷量有冗余,如果温度高于该设定温度则表明制冷量不足。评估方法通常如下:首先,统计区域平均温度与区域最高温度的加权温度,并与最优目标温度的差值,再计算各温感在一定时间前的温度与当前温度的差异,在线性模型基础上预测一定时间后各温感的温度,并计算与最优目标温度的差值,最后计算以上两个温度并归一化到数值区间,表明制冷量是否满足。
节能控制过程通常包括如下步骤:
1)策略生成模块根据当前机房空调状态、参数与温度数据,生成新的调控策略;
2)将当前一段时间的温度数据、新的调控策略输入温度预测模型,预测各个温感的温度变化;
3)判断新的策略是否会发生温度异常告警,如果告警会发生,则对策略进行微调,如果不会触发告警,则策略下发执行;
4)实时获取新的温度数据,观察机房温度;
5)定时触发生成新的调控策略,按照上述步骤重新执行。
针对风冷精密空调常用的控制场景包括开关机控制场景、压缩机控制场景、风机控制场景等。
开关机控制原则如下:通过评估空调影响区域的温度情况,控制空调开机或者停机。如果区域温度较低则空调制冷量冗余较大,可将该设备作为候选关闭的目标。如果区域温度较高,则空调制冷量不足,如对应空调已关闭则开启该空调,如对应空调已开启,则开启相邻区域空调。
压缩机控制原则如下:当区域温度较低但不满足关闭空调的条件且有两台以上压缩机同时运行,则通过调节温度设定值,减少压缩机开启数量。当区域温度较高且相关空调都已开启,但部分压缩机不运行或短时间运行,则通过调节温度设定值,提升压缩机开启数量。
风机控制原则如下:当区域温度符合预期,但各个温感之间的温度差异较大时,则加大风机风量。当各个温感之间的温度差异较小时,则逐步降低风机风量,使其逐步趋向最优风量设定。
共选择6个已经部署AI节能技术的通信机房进行信息能耗测试,机房信息见表1。
表1 机房信息
测试期间机房通信设备总功率保持恒定,能效测试过程共分四个阶段:第一阶段,将未做任何优化的空调能耗数据作为T0值;第二阶段,上线AI节能控制策略,取空调能耗数据作为T1值;第三阶段,退出AI节能控制策略,对机房进行人工静态优化,包含调整空调开启数量、设置温度、送风量等参数,优化后的能耗数据作为T2值;第四阶段,在人工静态优化后上线AI节能控制策略,取机房能耗数据作为T3值。测试期间记录每日空调能耗、气温,每阶段连续测试三天,使用三天数据的平均值进行比较,分别测算T1对T0、T2对T0、T3对T2的节电率。
机房节电率测试数据见表2。
表2 机房节电率测试数据
其中:
T1-T0节电率―AI节能技术优化后的能耗相对初始状态能耗的节电率,节电率=(T0-T1)/T0;T2-T0节电率―人工优化后的能耗相对初始状态能耗的节电率,节电率=(T0-T2)/T0;
T3-T2节电率―在人工优化之后再运行AI控制策略所产生的节电率,节电率=(T2-T3)/T2。
通过以上数据比较可以看出,在人工优化之后,AI节能技术仍可以产生较好的节电率,AI节能技术的节电率明显高于人工优化节电率;三种节电率的变化均与空调负载率的变化密切相关,当空调负载率增加时无论是人工还是AI技术所产生的节电率均下降;(T1-T0节电率)≥[(T2-T0节电率)+(T3-T2节电率)],说明同一机房可受控制的空调数量越多,其AI节能控制效果越好。
为保障机房环境安全可靠,针对在网运行的AI节能技术进行安全验证测试,测试内容主要包括:
1)AI节能策略运行期间,人工关闭一台空调后,备用空调应能正常启动并投入运行。
2)检查AI节能策略运行期间的高温告警记录,告警数量与未开启策略相比增长不超10%。
3)检查AI节能策略运行期间,各台空调压缩机的运行状态和时长,要求每台压缩机连续运行时间不超过6 h,并且没有压缩机频繁启停现象。
4)AI节能策略运行期间,当AI节能设备故障时应能及时发出告警。
经实际测试验证,各机房均能满足上述要求,符合安全运行要求。
由以上分析可以得到如下结论:
1)AI节能技术能够产生比人工优化控制更好的节电效果。
2)AI节能技术的节电效果与机房冗余空调制冷量密切相关,冗余度越大产生的节电率越高。
3)AI节能技术能够通过优化风冷精密空调运行数量和参数有效节能。
上述6个机房的投资和回收周期测算见表3。各机房的投资回收周期在1-3年之间,其中通信设备功率较高的机房回收周期较短,具有更好的投资回报。
表3 节电量和回收周期测算表
结合机房环境、节电率、空调负载率、投资回收周期等因素进行分析,风冷精密空调的AI节能控制技术宜使用在满足以下条件的机房:
1)具有较大的机房面积,建议200 m2以上,并且机房形状规整。
2)机房空调数量不少于5台,单台空调制冷量40 kW及以上,空调负载率不宜高于60%。
3)机房通信设备功率不宜低于100 kW。
4)机房气流组织形式宜统一,无多种气流组织形式混合使用情况,气流组织形式包括风管上送风、风帽送风、地板下送风、精确送风、列间送风。
5)机房机架安装部署规范,机架列间距合理,无横竖交错、机架进出风混乱情况。
6)机房各区域的热负荷相对均匀,无明显的局部高温。
AI节能技术通过在机房内增加部署温度传感器和能耗电表,从而能够全面监测空调及周边环境的运行数据,经对空调参数、温度等历史数据进行算法训练构建温度预测模型,进而生成控制策略实现对机房空调运行状态和参数的实时控制,从而提升运行效能。AI节能技术可以高效匹配运行环境所需冷量,减少空调压缩机运行时间,在保障环境温度安全基础上能够有效降低空调耗电量,适用于空调数量部署较多并且制冷量有一定冗余的大型通信机房和数据中心,其节电率与空调冗余制冷量的多少密切相关,空调制冷量的冗余度越大其节电率越高。