西安工程大学 西安科技大学 1王昊楠2 张琪3刘雨笋4贺玺5吴宇哲6鲍春龙7杨雨辰8王晓龙 710600
摘要:物联网和云计算等技术的发展使得数据中心呈现爆炸性的增长,数据中心能耗大、能效利用率低、能耗和能效管理信息化程度不高,造成能源的巨大浪费。本文基于人工智能算法,从能耗指标PUE智能优化和能量智能管理调度角度,提供智慧能源管理解决方案。
关键词 人工智能;智慧能源;数据分析
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。
1能源管理问题分析
1.1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。
1.3信息化程度不高
当前,数据中心设备和平台的信息化、智能化水平不高。从设备层面来说,大量的设备为哑设备,无先进的计量、远程控制和多维度数据采集功能,从而导致数据中心无法实现对设备进行远程监管控,也无法获取多样化的元数据。从管理层面来说,目前数据中心管理尚未进入到全面智能化管理阶段,数据中心的管理仅停留在对设备、系统、数据的监控、可视化管理及告警层面。数据分析仅停留在展示简单的数据曲线和数据报表等初级阶段,尚未形成深层次的分析维度,如以元数据为主,针对复杂的业务场景和生产指标,从众多的元数据中提取出降维的特征因子,进行多维度的数据分析,挖掘出数据的真正价值,形成业务建议及趋势预测,来指导数据中心的日常生产运营。
2智慧能源管理方案
通过以上分析,我们可以看出,能耗和能效的管理与提升对数据中心至关重要,能源的智能管理对数据中心的日常生产和运营具有深远的意义。目前,针对能耗管理,国际上通常采用 PUE 作为评测数据中心能耗效率的一个重要指标,因此,能耗和能效的管理离不开对PUE 的管理。基于以上数据中心能耗现状及能耗管理中存在的问题,结合大数据分析与人工智能算法,本文将从 PUE 的智能优化和能源的智能管理调度方面进行智慧能源管理方案的探讨与研究。
PUE智能优化模型如图 1 所示,整个模型框架共分为 5 层,分别为数据采集层、ETL 数据清洗层、模型建立及优化层、PUE 分析与建议层及数据展示层。
.png)
图1PUE智能优化模型
2.2数据中心能量智能调度管理
如前面所述,通过大数据分析和AI算法建模,我们初步解决了PUE智能优化的问题,有效节省了能源。 但对庞大的数据中心来说,还不足以完全解决巨大能源消耗所带来的所有问题。在数据中心实际运行过程中,在保证能源高效使用的前提下,还需要对能源进行统筹调度和智能管理,实现能源供给的最优配置。
2.2.1 错峰用电管理
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
本文构建的智慧能源管理方案,仅基于现阶段电源设备及大数据分析、人工智能技术实现对数据中心 PUE 的智能优化及能量的智能管理调度。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]吴金. 基于大数据和人工智能的新能源汽车运行监测云平台研究[J]. 广东技术师范学院学报(社会科学版), 2019, 040(006):19-25.
[2]叶水国, 彭彦卿, 杨永通,等. 基于人工智能的中央空调能源管理优化控制系统的设计[J]. 化工与医药工程, 2017, 038(001):P.48-53.
[3]张秀梅, 王海东, 罗永强,等. 人工智能在智慧能源管理中的应用研究[J]. 电信工程技术与标准化, 2020, v.33;No.270(02):26-29+35.
[4]梁军. 基于CPS的分布式能源管理研究[J]. 山东化工, 2018, 047(014):92-93.