基于AI 的精密空調(diào)群控節(jié)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(zhàn)略決策，作為通信運營商，開展網(wǎng)絡維護條線節(jié)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(tǒng)通信機房中，空調(diào)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(xié)同控制能力的機房空調(diào)系統(tǒng)會導致整體運行效率低下，因此機房空調(diào)系統(tǒng)是機房節(jié)能減排的重點對象。不斷總結(jié)冷卻用能設備的運行規(guī)律，制定不同氣候、不同負荷條件下的綜合最優(yōu)運行方法和策略，實現(xiàn)通信機房冷卻用能的智能化管理，是空調(diào)專業(yè)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(diào)系統(tǒng)AI 群控節(jié)能改造。首先通過采集機房基礎設施參數(shù)，獲得完整的基礎用能設備的運行數(shù)據(jù)信息，然后進行數(shù)據(jù)分析，利用AI 算法和大數(shù)據(jù)技術構建了機房溫度場模型、氣流組織場模型，形成專屬節(jié)能控制平臺與策略。最后為驗證群控節(jié)能改造成效，開展了為期28 天的節(jié)能率測試。

1 機房基礎設施參數(shù)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(shù)據(jù)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(jié)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(diào)，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(diào)送風方式為地板下送風/上回風；精密空調(diào)回風溫度設定為24℃，送風溫度設定為18℃，機房內(nèi)體感溫度適中。

通過對動環(huán)系統(tǒng)歷史數(shù)據(jù)進行處理，機房內(nèi)所有空調(diào)半年內(nèi)電功率數(shù)據(jù)疊加可得出該機房空調(diào)總電功率的變換范圍為96KW～145KW 之間（如圖1 所示）；機房內(nèi)所有IT 負載對應的UPS 輸出功率數(shù)據(jù)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(diào)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(shù)據(jù)分析發(fā)現(xiàn)，因該機房單臺空調(diào)的制冷額定電功率為25.6KW，基本上開啟壓縮機的空調(diào)在6臺左右波動。而單臺空調(diào)的額定制冷量為84.5KW，排除氣流阻值以及空調(diào)自身使用年限等其他因素帶來的冷量損耗，空調(diào)系統(tǒng)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(jié)能效果。

2 AI 群控系統(tǒng)改造實施

2.1 AI 群控系統(tǒng)平臺部署

AI 群控節(jié)能改造所需的服務器直接部署在試點機房內(nèi)部，可有效保障傳輸效率；AI 群控平臺部系統(tǒng)署于動環(huán)內(nèi)網(wǎng)，無外網(wǎng)干預，確保網(wǎng)絡信息安全。AI 群控系統(tǒng)平臺包含精密空調(diào)控制、機房及設備組態(tài)呈現(xiàn)、能耗界面可視化、統(tǒng)計報表等功能。群控平臺使用系統(tǒng)的采集信號做大數(shù)據(jù)計算，生成機房節(jié)能策略，作為系統(tǒng)邏輯下發(fā)到末端設備中，達到節(jié)能降耗目標。群控系統(tǒng)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(tǒng)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(shù)據(jù)采集

本次機房AI 群控節(jié)能改造，增加通訊網(wǎng)關，實現(xiàn)AI 節(jié)能服務器和動環(huán)系統(tǒng)采控通道分離。為每臺精密空調(diào)配備RS485 一拖二轉(zhuǎn)接器（如圖5 所示），轉(zhuǎn)接后分為兩路通訊接口，一路接口仍接至現(xiàn)有動環(huán)系統(tǒng)，保證動環(huán)系統(tǒng)的數(shù)據(jù)采集，另一路接口接至節(jié)能服務器，以實現(xiàn)對精密空調(diào)設備的采控。節(jié)能服務器直接單獨采集目標機房的運行數(shù)據(jù)，同時經(jīng)由一分二轉(zhuǎn)接器下發(fā)對末端空調(diào)的控制指令，同時通過動環(huán)監(jiān)控系統(tǒng)推送機房內(nèi)的IT 設備電表數(shù)據(jù)、空調(diào)屏電表等數(shù)據(jù)。

圖5 一分二轉(zhuǎn)接器示意圖

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

2.3 采集點位增補配置

2F 西南210 機房內(nèi)原先配置的溫度傳感器數(shù)量較少，無法滿足節(jié)能調(diào)控要求，為保證機房各區(qū)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(xiàn)對機房環(huán)境數(shù)據(jù)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(diào)整

針對不同的運行階段，收集到的機房數(shù)據(jù)類型與數(shù)據(jù)量級不同，因而將采取不同的群控節(jié)能方案：

（1）系統(tǒng)啟動階段

根據(jù)現(xiàn)場的空調(diào)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(jīng)驗，擬定初步的空調(diào)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(huán)境溫感溫濕度由大到小排序；②每個環(huán)境溫感溫濕度受到每臺空調(diào)的影響力由大到小排序。

（2）參數(shù)關聯(lián)分析階段

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

3 節(jié)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(tǒng)內(nèi)嵌精密空調(diào)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(diào)通訊程序、精密空調(diào)控制程序等。通過海量溫濕度傳感器實時采集機房內(nèi)整體冷熱通道的溫度數(shù)據(jù)及每臺精密的送/回風溫度數(shù)據(jù)，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(qū)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(fā)熱量構建預測模型（如圖7 所示），并由算法輸出調(diào)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(diào)測，通過熱平衡方程（式1）求解IT 設備發(fā)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(diào)AI 運行模型。

圖7 基于LSTM 的IT 設備發(fā)熱量預測模型

3.2 控制策略自適應尋優(yōu)

AI 群控系統(tǒng)采用自適應動態(tài)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(diào)設備狀態(tài)/參數(shù)進行調(diào)節(jié)，實現(xiàn)對機房精密空調(diào)實現(xiàn)精準節(jié)能控制，可有效緩解原空調(diào)系統(tǒng)競爭運行的問題。AI 策略生成模塊根據(jù)當前機房狀態(tài)與溫濕度和氣流組織數(shù)據(jù)，生成新的優(yōu)化調(diào)控策略，同時系統(tǒng)將大量的溫濕度采集數(shù)據(jù)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(yōu)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(shù)，從而再次形成新的調(diào)控策略，不斷評估和優(yōu)化機房能耗控制邏輯。

圖8 自適應尋優(yōu)控制邏輯示意圖

圖9 PID 控制模型示意圖

3.3 系統(tǒng)內(nèi)嵌安全保護機制

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

（2）基于設備狀態(tài)心跳機制，建立邊緣節(jié)能設備連接狀態(tài)監(jiān)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(xiàn)控制空調(diào)，在通訊異常的狀況下，空調(diào)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(nèi)精密空調(diào)機組均處于運行狀態(tài)，不會出現(xiàn)多臺精密空調(diào)機組同時停機的情況，確保對機房的動環(huán)影響降為最低。

4 節(jié)能效果驗證及效益分析

為驗證AI 群控系統(tǒng)的節(jié)能效果，在改造完畢后開展節(jié)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(diào)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(diào)控制模式。對節(jié)能改造的機房空調(diào)單獨掛表，并接入動環(huán)系統(tǒng)，每日0 點采集空調(diào)電表讀數(shù)，并計算出上一日空調(diào)的整體耗電情況。具體能耗測試數(shù)據(jù)如表1 所示。

表1 節(jié)能率測試數(shù)據(jù)

測試期間機房各動環(huán)指標正常，未發(fā)生高溫告警及相關空調(diào)故障告警。將測試數(shù)據(jù)按照節(jié)能率計算公式（式2）計算得出測試期AI 群控系統(tǒng)的綜合節(jié)能率為18.62%。通過AI群控改造，預計每年空調(diào)系統(tǒng)可節(jié)省用電172306.1 kWh，按照0.7 元/ kWh 的電費單價測試，每年可創(chuàng)造節(jié)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(jié)束語

本文分析了機房全局能耗數(shù)據(jù)，通過AI 建模預測設備發(fā)熱量和溫場趨勢，動態(tài)生成最優(yōu)的空調(diào)控制參數(shù)。利用AI智能算法和大數(shù)據(jù)技術構建群控平臺改造傳統(tǒng)空調(diào)系統(tǒng)，實現(xiàn)前端數(shù)據(jù)采集、數(shù)據(jù)存儲、數(shù)據(jù)分析以及精密空調(diào)狀態(tài)調(diào)節(jié)等一體化流程，并通過多點位策略實時下發(fā)，確保最佳冷量輸出匹配度。采用高頻次高精度的系統(tǒng)自適應尋優(yōu)控制，基于數(shù)據(jù)反饋實時優(yōu)化模型精準度，不但有效緩解了原空調(diào)系統(tǒng)的競爭運行，實現(xiàn)開啟臺數(shù)最優(yōu)和節(jié)能效果最佳，還解決了機房精密空調(diào)隨季節(jié)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(xiàn)場運維成本。