基于AI 的精密空調群控節能應用研究與實踐

邱 帥 楊 波 許 軍 姜 寧

1.中國移動通信集團江蘇有限公司南京分公司；2.南京群頂科技股份有限公司

0 引言

“碳達峰”“碳中和”目標是國家提出的重要戰略決策，作為通信運營商，開展網絡維護條線節能降碳相關工作，不斷提升通信基礎設施能效管理水平尤為重要。在傳統通信機房中，空調的耗電量可達到總耗電的40%以上，是主要能耗設備之一，不具備協同控制能力的機房空調系統會導致整體運行效率低下，因此機房空調系統是機房節能減排的重點對象。不斷總結冷卻用能設備的運行規律，制定不同氣候、不同負荷條件下的綜合最優運行方法和策略，實現通信機房冷卻用能的智能化管理，是空調專業維護人員一直追尋的目標。

本文在某運營商一處通信機房開展空調系統AI 群控節能改造。首先通過采集機房基礎設施參數，獲得完整的基礎用能設備的運行數據信息，然后進行數據分析，利用AI 算法和大數據技術構建了機房溫度場模型、氣流組織場模型，形成專屬節能控制平臺與策略。最后為驗證群控節能改造成效，開展了為期28 天的節能率測試。

1 機房基礎設施參數分析

XX 機樓為某運營商地市分公司核心機樓，機樓主體共5 層，二層至五層各有2 個數據機房及1 個電力室，本次選定該機樓2 層西南210 機房作為AI 群控節能改造試點。二層（以下簡稱2F）西南210 機房具體信息如下：機房面積約325m2；機房共配備9 臺精密空調，單臺制冷量84.5KW；機房配置5 個溫濕度探頭，未封閉冷熱通道，空調送風方式為地板下送風/上回風；精密空調回風溫度設定為24℃，送風溫度設定為18℃，機房內體感溫度適中。

通過對動環系統歷史數據進行處理，機房內所有空調半年內電功率數據疊加可得出該機房空調總電功率的變換范圍為96KW～145KW 之間（如圖1 所示）；機房內所有IT 負載對應的UPS 輸出功率數據疊加可得出該機房IT 負載總功率的變換范圍為292KW～323KW 之間（如圖2 所示）。

圖1 機房空調電功率變化趨勢圖

圖2 機房IT 負載變化趨勢圖

對上述的數據分析發現，因該機房單臺空調的制冷額定電功率為25.6KW，基本上開啟壓縮機的空調在6臺左右波動。而單臺空調的額定制冷量為84.5KW，排除氣流阻值以及空調自身使用年限等其他因素帶來的冷量損耗，空調系統實際提供的冷量大于IT 負載的熱負荷，機房整體制冷量有明顯的冗余，因此初步判定在該機房開展AI 群控改造有較好的節能效果。

2 AI 群控系統改造實施

2.1 AI 群控系統平臺部署

AI 群控節能改造所需的服務器直接部署在試點機房內部，可有效保障傳輸效率；AI 群控平臺部系統署于動環內網，無外網干預，確保網絡信息安全。AI 群控系統平臺包含精密空調控制、機房及設備組態呈現、能耗界面可視化、統計報表等功能。群控平臺使用系統的采集信號做大數據計算，生成機房節能策略，作為系統邏輯下發到末端設備中，達到節能降耗目標。群控系統架構和機房溫場可視化平臺分別如圖3、圖4 所示。

圖3 AI 群控系統架構示意圖

圖4 機房溫場可視化平臺

2.2 采集器對接與數據采集

本次機房AI 群控節能改造，增加通訊網關，實現AI 節能服務器和動環系統采控通道分離。為每臺精密空調配備RS485 一拖二轉接器（如圖5 所示），轉接后分為兩路通訊接口，一路接口仍接至現有動環系統，保證動環系統的數據采集，另一路接口接至節能服務器，以實現對精密空調設備的采控。節能服務器直接單獨采集目標機房的運行數據，同時經由一分二轉接器下發對末端空調的控制指令，同時通過動環監控系統推送機房內的IT 設備電表數據、空調屏電表等數據。

圖5 一分二轉接器示意圖

采集器采集的數據主要包括：（1）末端空調運行數據：采集頻率為1min/次；（2）機房溫濕度數據：1min/次；（3）空調控制：AI 服務器直接下發控制指令；（4）機柜和空調用電量數據：1 天/次。

2.3 采集點位增補配置

2F 西南210 機房內原先配置的溫度傳感器數量較少，無法滿足節能調控要求，為保證機房各區域溫度的精確采集，本次改造新增24 個溫度傳感器（每列增加2 個），新增的溫度傳感器通過采集器點位配置接入到服務器，以實現對機房環境數據的采集。圖6 為新增溫感點位示意圖。

圖6 機房新增溫感示意圖

2.4 制冷設備影響力評估調整

針對不同的運行階段，收集到的機房數據類型與數據量級不同，因而將采取不同的群控節能方案：

（1）系統啟動階段

根據現場的空調布局、送風方式、氣流組織形式、溫感布置方式、機柜排列布置方式、負載分布等，通過專家經驗，擬定初步的空調影響力模型，主要包括以下信息：①每一臺制冷設備影響的環境溫感溫濕度由大到小排序；②每個環境溫感溫濕度受到每臺空調的影響力由大到小排序。

（2）參數關聯分析階段

①收集機房歷史數據（空調運行狀態和參數、溫感溫度數據等）；②人為的有目標地改變和控制指定空調的運行參數（溫濕度設定、空調運行模式、風機轉速相關參數等），增加空調參數變化覆蓋的設備范圍；③通過關聯分析、相關性分析等方法分析參數調整前后的溫度差異、參數調整量，從而獲得溫感溫度與空調設備、空調設備不同的參數間的關聯度；④分別以溫感、空調為聚合條件，對同一組內的關聯度歸一化處理，并通過歸一化值轉換為影響度值。

3 節能改造技術要點

3.1 基于人工智能的群控模型構建

AI 群控系統內嵌精密空調控制算法模型、溫度場模擬算法模型、氣流組織場模擬算法模型、自學習算法、精密空調通訊程序、精密空調控制程序等。通過海量溫濕度傳感器實時采集機房內整體冷熱通道的溫度數據及每臺精密的送/回風溫度數據，使用空間建模技術構建整體機房的溫度場模型，分析機房各區域冷熱分布情況以及溫度變化趨勢；基于LSTM 對機房IT 設備發熱量構建預測模型（如圖7 所示），并由算法輸出調試策略，獲取各種工況對各溫度傳感器的影響因子，并不斷調測，通過熱平衡方程（式1）求解IT 設備發熱量與制冷量以及溫度三者之間的關系，始終保持供冷量與機房的需冷量相一致，從而建立該機房精密空調AI 運行模型。

圖7 基于LSTM 的IT 設備發熱量預測模型

3.2 控制策略自適應尋優

AI 群控系統采用自適應動態能效智能管理的模式（如圖8 所示），并基于PID 的自動控制模型（如圖9 所示），對空調設備狀態/參數進行調節，實現對機房精密空調實現精準節能控制，可有效緩解原空調系統競爭運行的問題。AI 策略生成模塊根據當前機房狀態與溫濕度和氣流組織數據，生成新的優化調控策略，同時系統將大量的溫濕度采集數據進行模型訓練，預測下一時刻機房溫度的變化，且利用運籌學優化模型求解制冷設備在滿足目標溫度前提下的最少耗電運行參數，從而再次形成新的調控策略，不斷評估和優化機房能耗控制邏輯。

圖8 自適應尋優控制邏輯示意圖

圖9 PID 控制模型示意圖

3.3 系統內嵌安全保護機制

（1）AI 空調群控系統是采用一套獨立于原溫感系統之外的高密度感知網絡，通過增加大量傳感器，實現機房溫度場的真實情況感知，可及時探測機房內部局部熱點的所在位置，顯著提高了整個節能系統控制策略的可靠性和及時性。

（2）基于設備狀態心跳機制，建立邊緣節能設備連接狀態監測機制，并具有自保持功能。AI 群控服務器只通過遠程通訊來進行實現控制空調，在通訊異常的狀況下，空調仍然可以切換到本地的控制邏輯運行。

（3）整個改造過程中無需更改機房原有基礎設施，機房內精密空調機組均處于運行狀態，不會出現多臺精密空調機組同時停機的情況，確保對機房的動環影響降為最低。

4 節能效果驗證及效益分析

為驗證AI 群控系統的節能效果，在改造完畢后開展節能率測試實驗。測試時間自5 月16 日至6 月12 日，設置28天作為試點測試期，分4 階段輪流測試空調在自主運行/群控運行情況下的耗電量，第1、8、15、22 日0 點切換空調控制模式。對節能改造的機房空調單獨掛表，并接入動環系統，每日0 點采集空調電表讀數，并計算出上一日空調的整體耗電情況。具體能耗測試數據如表1 所示。

表1 節能率測試數據

測試期間機房各動環指標正常，未發生高溫告警及相關空調故障告警。將測試數據按照節能率計算公式（式2）計算得出測試期AI 群控系統的綜合節能率為18.62%。通過AI群控改造，預計每年空調系統可節省用電172306.1 kWh，按照0.7 元/ kWh 的電費單價測試，每年可創造節能效益12.06萬元。本次AI 群控改造成本約27.4 萬元，預計投資回收周期為28 個月。

5 結束語

本文分析了機房全局能耗數據，通過AI 建模預測設備發熱量和溫場趨勢，動態生成最優的空調控制參數。利用AI智能算法和大數據技術構建群控平臺改造傳統空調系統，實現前端數據采集、數據存儲、數據分析以及精密空調狀態調節等一體化流程，并通過多點位策略實時下發，確保最佳冷量輸出匹配度。采用高頻次高精度的系統自適應尋優控制，基于數據反饋實時優化模型精準度，不但有效緩解了原空調系統的競爭運行，實現開啟臺數最優和節能效果最佳，還解決了機房精密空調隨季節變化需要手動開關機的問題，大幅減少人工干預，達到智能化管理目標，一定程度地降低了現場運維成本。