摘要
随着人工智能技术，尤其是生成式人工智能技术不断与各行各业融合，现代社会运转的背后是越来越多的算力资源。可以说，作为提供大规模数据存储及处理能力的数据中心，在未来将是社会运转的“心脏”。然而，计算需求的增多使得数据中心的能源消耗也逐年攀升，带来众多能源与环境的衍生问题。既然人工智能技术能够为我们的生活带来诸多便利，是否也可以帮助数据中心的能源系统寻找更科学、合理的控制方法，甚至实现能源系统的“自动驾驶”？计算+工程研究团队深度融合能源系统的工业机理仿真技术和数据驱动的人工智能算法，在广东某运营商数据中心落地应用了AI控制闭环技术，为AI技术在工程中的规模化应用迈出了重要的一步。
研究成果
数据中心的集中式制冷系统由于耦合了多种复杂机械及热力设备、同时在实际运行中受到末端冷负荷与环境约束的多重限制，其运行优化一直为行业内难以解决的技术问题。尤其针对数据中心场景，对制冷系统的安全要求程度高，更是近几年研究的前端及热点问题。近年来，不同的研究者尝试引入最新的人工智能（AI）及大数据技术，希望通过增加数据量、数据维度实现对数据中心制冷系统优化问题的解决与突破。然而既有数据中心的历史数据及工况及其平稳，所增加的历史数据带来的数据底层价值有限，仍然无法给出解决此类问题的通用性方法。
本项目技术针对以上问题，创新性地采用机理与数据融合的人工智能（AI）技术，在负荷需求侧、系统运行边界问题上根据数据中心制冷系统的实际特点选择不同机理与数据的融合方式与程度。考虑到数据中心制冷系统重要性高、负荷相对稳定，实际系统控制难点在于运行的平衡匹配等特点，对数据中心的负荷基准及制冷系统的设备特性建立机理模型，对实际系统运行的特点及周期建立数据模型。
首先根据现场数据中心图纸和设计机房负荷，结合数据中心外围护、内围护结构和材料建立建筑负荷模型，模拟项目所在地全年8760小时的逐小时负荷，为数据中心整体负荷变化设定物理机理边界；其次，根据冷源系统设备信息建立制冷系统高效机房仿真模型，结合数据中心所在地的环境参数模拟极端运行工况点，通过仿真工具为冷源系统的运行工况空间设定物理机理边界。根据机理模型及部分历史数据形成最终的离线模型作为现场部署的基础。
图1 根据内外墙建筑结构形成建筑能耗模型
图2 采用自主研发的工业仿真模拟软件对数据中心冷源系统进行建模计算
通过将仿真负荷作为负荷预测的基准和数据模型的原始特征，能够极大避免纯数据驱动算法中由于数据中断、缺失、变化少等问题导致的负荷计算失真情况，降低错误负荷值所带来的后续优化结果的偏差和失误。
图3 通过仿真得到的10%设备上架率下的系统全年逐小时冷负荷
在模型部署的现场环境后，通过在线数据清洗处理脏数据、通过数据推理处理中间变量后不断更新模型。经过模型计算定位后的控制参数优化组合将通过安全检测进行控制参数的第一层保护。下发至BA自控系统后由BA系统进行第二层保护。在本项目中，研究团队与北京嘉木科瑞科技有限公司深度合作，在AIoT数据中心垂直制冷能效控制技术领域深化能源系统“自动驾驶”能力，在原有自控系统的基础上改进并增加了与AI闭环控制的安全保护架构，为数据中心能源系统在人工智能技术下的安全平稳运行更添一份保障。
