河南中烟工业有限责任公司黄金叶生产制造中心 河南省郑州市 450000
摘要：随着物联网和云计算等技术的迅猛发展，全球数据中心建设呈现爆炸性的增长，且正在向大型化和集中化的方向快速发展，大量的数据中心在提供信息与通信技术（ICT）基础服务的同时，也带来巨大的能源消耗及企业成本的增加，日益成为社会和企业所关注的热点问题。
关键词：人工智能；智慧能源管理；应用
1 数据中心能源管理现状
1.1 能源管理的必要性
数据中心巨大的能源消耗，一方面严重增加了企业的运营成本，压缩了企业的利润空间，制约了企业竞争力；另一方面，大大增加了当地电网负荷，甚至有时在尖峰用电时刻无法保障数据中心的正常运行。据瑞典研究人员Anders Andrae（安德烈•安德斯）在2016年发布的《消费者总功耗预测》的评估报告显示，预计在2025年，仅数据中心能耗将占ICT行业总能耗的33%，数据中心的碳足迹将达到全球碳足迹的5.5%。在这种大背景下，全面提升数据中心能效水平和能源管理能力，对于节能减排和降本增效，实现企业与社会可持续发展具有重要意义。
1.2 能源管理问题分析
1.2.1 能耗巨大
近年来，随着物联网的快速发展，全球信息技术呈现爆炸式增长，数据中心的容量和数量也随之陡增。据统计，2017年全球约800万个数据中心（从小型服务器机柜到大型数据中心）消耗了416.2 TW•h的电力，约占全球总用电量的2%。预计到2020年，该数值将高达全球用电量的5%。这一令人担忧的研究表明数据中心将成为全球最大的能源消费者之一，超过了许多国家的能源消费水平。据《中国数据中心能耗现状白皮书》显示，目前我国中小型数据中心数量已超40万个，年耗电高达1 000亿kW•h，年耗电量超过全社会用电量的1.5%，相当于整个三峡水电站一年的发电量。
1.2.2 能效利用率低
据Uptime 2018年全球数据中心PUE走势调查报告显示，2018年全球数据中心平均能量使用效率（PUE）高达1.58，数据中心能量消耗大，全生命周期消耗的电费约是数据中心投资成本的3倍。就我国而言，数据中心能耗水平效率更低，PUE远远高于世界平均水平。据工信部电信研究院统计，我国大多数数据中心的PUE指数在2.2～3.0之间，实际PUE可能长期高达在3.0左右，与国际先进水平（PUE 1.3）有巨大差距。低能效和高能耗造成了能源的巨大浪费，对国家和企业造成了巨大的损失。
2 智慧能源管理方案
2.1 PUE智能优化
2.1.1 数据采集层
数据采集层，顾名思义主要负责数据中心及其它系统的数据采集。一般来说，现代数据中心数据要素较多，采集比较频繁，一般5 s采集一次，如进行全量采集，势必数据量将比较大，对本地系统及上层数据传输总线会有一个比较大的存储及传输压力。但如果仅进行部分数据采集，势必会造成原始数据的缺失，未来修正的难度将更大。基于此，笔者建议，在数据采集阶段进行全量数据要素采集，但采集后的数据，依据业务经验，进行一定程度的数据收敛，然后通过数据总线传送到ETL数据清洗层。这样，一方面确保了原始数据的完整性，另一方面又兼顾了数据总线的传输压力。而本地系统的存储压力，可通过增加磁盘阵列予以解决。
2.1.2 ETL数据清洗层
对于从数据采集层传送到ETL数据清洗层的数据，为了减少一些噪声数据和错误数据等对PUE数据模型的干扰，确保模型的准确性，我们还必须对该数据进行必要的数据提取、数据清洗及数据转换，实现数据的降维处理及PUE特征因子的提取，为模型建立及优化层做好数据层的准备。
2.1.3 模型建立及优化层
提取了PUE关键特征因子后，我们将进行数据模型的建立及优化。
为了保证数据分割的合理性，建模数据将被随机划分为模型训练数据和模型测试数据。模型训练数据将通过不断的模型训练，调用随机森林、神经网络和贝叶斯网络等机器学习算法，迭代修复、调整优化数据模型。算法模型确立后，通过模型测试数据进行数据模型的验证。如果测试结果PUE预测准确率大于98%，则表明该算法模型达到预期目标。否则，重新选择算法进行模型的建立及优化。
值得注意的是，算法模型建立后并不是一成不变的，它将随着PUE核心特征因子的变化而动态的变化。如某数据中心，当环境温度或者IT负载发生大规模的变动时，上例中建立的数据模型将不再是最优PUE算法模型，其需进行新一轮的PUE调优及系统参数的调整。
2.1.4 PUE分析与建议层
基于上述已建立的数据模型，我们可以就PUE核心特征因子在某基线值的情况下，对系统数据做出业务分析及业务建议。如某数据中心，基于当前环境温度和IT负载情况下，通过对该数据中心其它PUE关键因子进行不同组合，找出在此条件下最优PUE所需的系统参数和配置，提高能效使用率，节省能源，有效降低企业成本。
2.1.5 数据展示层
数据展示层将通过Web方式，以数据、图表、文本方式向用户提供相关数据分析、报表展示及业务建议推送。
2.2 数据中心能量智能调度管理
2.2.1 错峰用电管理
目前，传统的非居民用电按用途可分为一般工商业用电、大工业用电和农业生产用电，按电压等级又分为尖峰用电、高峰用电、平段用电和低谷用电。一般来说，尖峰用电时刻（一般为工作日用电高峰或夏季用电高峰），电力紧张且价格昂贵，平均价格在低谷用电的3倍以上。而低谷用电时刻（如夜间、节假日）电力资源丰富且价格低廉。在此背景下，我们考虑通过错峰用电（高峰负荷减少，低谷负荷增加），更好的调节电力资源，实现能源的统筹协调，降低企业成本，有效实现企业资本的合理配置。
在智慧能源管理方案中，我们可以将某地电价明细作为错峰用电的基准，自动判断当前电价是否为波谷电价。如果当前时段电价为波谷电价，市电在向数据中心负载供电的同时，主动开启数据中心电池模块充电机制进行电能的储备。如果当前时段电价为尖峰电价或高峰电价，系统将建议运维人员切断市电，采用电池模块作为动力来源，有效实现错峰用电，实现最低电费，降低企业成本。
2.2.2 供电配置智能指导
当前，数据中心通常采用“市电为主、电池/油机为辅”的传统供电模式来确保生产的7×24 h正常运行。在此模式下，电力质量及电力可用度对数据中心来说至关重要。因此，如何基于现有的市电现状，提高数据中心动力可用度，确保生产的正常运行，具有非常重要的意义。
智慧能源管理方案建议定义市电质量的关键指标，如数据中心、供电量、断电时间、断电时长、断电次数、最长断电时长、平均每天断电时长和分时段断电次数等，并对该指标数据进行采集及分析，形成日常供电报告，作为评测数据中心供电质量的依据。基于该供电报告，系统将主动形成停电时长区间的建议动力配置。如某数据中心的经常性市电故障发生在夜间22～24点，系统通过供电报告将建议在该时段进行电池/油机的供电配置，主动实现数据中心核心业务的动力切换，尽可能规避供电故障高风险时段，保障生产的正常运行。
3 结束语
未来，随着5G、物联网、云计算、大数据、人工智能等新一代信息技术的进一步发展和与传统行业深度融合，智慧能源管理必将在设备智能化和算法模型智能化两个方面得以进一步提升。智慧储能及智慧能源运营也将随着智慧能源管理水平的提升而成为可能。作为智慧能源管理研发人员，在平台建设的过程中，要特别加强统筹管理，积极结合未来技术的发展趋势，避免低水平重复建设。
参考文献
[1]周志华.机器学习[M].北京：清华大学出版社，2016.
[2] Simon Haykin.神经网络与机器学习[M].北京：机械工业出版社，2014.
[3]韩冰，谭敏.人工智能在网络运维中的应用研究[J].电信工程技术与标准化，2019(7).