本发明属于冷却系统控制，具体涉及一种低能耗数据中心冷却系统风量控制方法。
背景技术：
1、随着人工智能和大数据技术的发展，对数据中心的需求不断增加。2019年全球数据量为41zb，预计2025年将达到175zb。数据中心能耗约占全球1％，平均用电效率(pue)在1.4-1.6之间，相关碳排放量约占全球碳排放量的2-4％。数据中心不可或缺的一部分是冷却系统，它提供了可靠的运行环境。仅冷却系统就消耗了数据中心总能源的约40％，其中应用最广泛的传统制冷系统是风冷机房空调系统((computer room air conditioningsystem，cracs)。cracs的主要耗电设备是机房空调(crac)的风扇和冷水机，典型的空调送风场景如图1所示，crac产生的冷风通过下送风方式，经过地板栅格对机架(rack)进行冷却，形成冷通道，产生的热风由于气压差形成热通道，并上升，回收到crac中进行冷却。
2、为了降低crac的能耗，大量研究和新技术从冷源利用、冷却系统设计、气流组织和控制策略等多个角度进行了优化，控制策略的研究中包括空调单元(air conditioningunit，acu)的风扇控制策略研究。许多研究人员进行了相关研究。其中比较受欢迎的是模型预测控制(mpc)方法，它利用对象函数和被控对象模型来实现对控制对象的精确控制并满足设定的目标。作为一种基于模型的方法，mpc的控制效果很大程度上取决于模型的准确性。从建模方面来看，数据中心系统和acu的建模都面临着高非线性、强耦合的挑战。一些研究人员使用基于物理原理的方法进行建模；另一些研究人员采用数据驱动的方法，假设模型为线性的方法来进行建模。例如，有的研究采用子空间预测控制(spc)方法建模，spc结合了子空间识别和mpc；还有的使用预测误差法(pem)对工厂建模。还有的研究采用机器学习或深度学习的方法建模，例如通过神经网络进行参数拟合。
3、此外，基于pid控制的方法对机架温度进行控制也有较好的效果，这种方法使用pid控制保证控制下限，通过优化求解的方法解决具体的风量最优配置问题，可以分为观测器和优化器部分。观测器部分使用pid估算冷却所需的风量，也就是通过pid估算每个机架的需求风量，将所需的风量值传输给优化器，在优化器部分通过求解一个优化问题通过对空调的风量的配置进行调整，使其满足冷却要求并实现耗能最小的目标。
4、然而，在mpc的建模方面，使用物理原理的方法进行建模时，由于存在理想情况下的物理假设，这些模型的准确性较差，并且不足以适应数据中心内快速的运营变化；而如果使用线性模型进行识别，由于忽略了非线性特性，模型本质上是次优选择；机器学习或深度学习方法的缺点是可解释性差，并且存在可解性与求解速度等问题。pid控制虽然具备一定的抗扰能力，能够对环境变化和系统内部扰动进行一定程度的响应，但其对于快速变化或大幅度扰动的适应性有限，特别是在机架两端，可能由于气流分布不均、设备热负荷变化大等因素，使得这些区域受到的扰动大于预设的范围，从而影响了温度控制的准确性和效率，并且在智算中心和大量数据中心中，普通机架和高功率密度的gpu机架共存，高功率密度的机架会造成局部热点，影响机架温度与acu的能耗。
5、综上所述，现有的冷却系统控制方法主要存在建模准确度较低、抗扰动能力较弱、能耗较高及适用性较差等问题。
技术实现思路
1、有鉴于此，本发明提供了一种低能耗数据中心冷却系统风量控制方法，实现了空调系统能耗较低情况下的温度准确控制。
2、本发明提供的一种低能耗数据中心冷却系统风量控制方法，包括以下步骤：
3、步骤1、将数据中心空调单元的送风量记为acu送风量，将地板栅格的出风量记为栅格出风量，由acu送风量和栅格出风量的历史数据形成样本数据集，acu送风量为样本数据集的样本点x，栅格出风量为样本数据集的样本数据f；
4、步骤2、基于高斯过程回归为每个机架建立冷却系统风量预测模型，采用冷却系统风量预测模型表示acu送风量与地板栅格出风量之间的关系，以样本数据集的样本点x为输入、样本数据f为输出完成冷却系统风量预测模型的训练；
5、步骤3、为每个机架建立需求风量观测器，将机架的参考温度与当前实际温度的温度误差作为当前误差，以当前误差与之前的积累误差的和更新积累误差，由当前误差与积累误差加权求和得到基础风量；采用扩张状态观测器根据当前实际温度和上一周期的状态观测值得到本周期状态观测值，并保存为历史状态观测值，由本周期状态观测值加权后得到抗扰风量；由抗扰风量与基础风量求和得到对应机架的需求风量；
6、步骤4、根据冷却系统风量预测模型和需求风量观测器构建优化问题，如下式所示：
7、
8、
9、其中，为第p个风量对应的acu单元的能耗，为第p个风量的最小值，为第p个风量的最大值，fttile为第t个机架的输入，为第t个机架的冷却系统风量预测模型，raot()为第t个机架的需求风量观测器，ωt为参数，t∈{1,...,t}；
10、求解优化问题调节确定需求风量观测器的参数；
11、步骤5、实际使用中实时获取每个机架的当前实际温度输入到需求风量观测器，需求风量观测器根据当前实际温度得到机架的需求风量，将需求风量输入冷却系统风量预测模型求解得到空调控制风量，完成数据中心冷却系统的风量控制。
12、进一步地，所述冷却系统风量预测模型，如下式所示：
13、
14、其中，为高斯过程回归建立的第t个地板栅格出风量与acu送风量之间的映射关系；
15、地板栅格出风量与地板栅格出风量预测值之间满足以下条件：
16、
17、var(f*)＝k**-k*k-1kt*
18、其中，k为acu送风量的协方差矩阵，f为地板栅格出风量，f*为地板栅格出风量预测值，var(f*)为地板栅格出风量预测值的方差；k*为acu送风量与acu送风量预测值间的协方差矩阵。
19、进一步地，所述需求风量观测器，如下式所示：
20、
21、其中，ftmon(k)为需求风量，raot()为第t个机架的需求风量观测器，r(k)为第t个机架的当前实际温度，rset(k)为第t个机架的参考温度，k1为当前误差的权重，k2为积累误差的权重，k3为本周期eso观测到的误差值的权重，k为控制过程中的第k个时间步；
22、esot()为第t个机架的扩张状态观测器，如下式所示：
23、
24、其中，gt()为第t个机架的非线性函数，为第t个机架的温度估计值，为第t个机架的扰动估计值，fttile为第t个机架的输入；β1及β2均为参数。
25、进一步地，所述gt()采用fal函数。
26、进一步地，所述样本数据集中的acu送风量满足以下条件：
27、
28、其中，为随机数，取值处于acu送风量每次变化的范围内。
29、进一步地，所述调节确定需求风量观测器的参数的方式为：
30、设k2及k3的值为0后调节k1的取值，当机架温度被控制在设定温度附近但存在较大波动且调节k1无法改善时，完成k1的调节；将调节好的k1设置为较小值后调节k2的取值，当机架温度被控制在设定温度附近且存在温度稳定的机架后，完成k2的调节；将δ的取值设置为0.15，将β1和β2均从15开始增大，当机架温度在初期不出现波动且稳定后所有机架温度均在设定温度附近时，则参数调节已完成。
31、有益效果：
32、1、本发明采用gpr方法对数据中心冷却系统的气流关系控制进行建模，建立了冷却系统风量预测模型，充分考虑了下送风场景固定、气流模型受到的扰动较少等因素提高了模型的准确度，通过在数据中心冷却控制系统中引入多输入多输出的mimo系统的eso实现了实时估计并补偿包括机架热风、设备自身风扇、照明设备发热、外界气温变化等多种扰动，优化了温度控制策略，从而提高了温度控制的准确性及空调系统的能效，节能效果不依赖于特定的硬件配置或应用场景，同时能够有效解决存在局部热点的数据中心场景，适用于普通数据中心与智算中心等场景。
33、2、本发明选择径向基函数(rbf)作为核函数进行高斯过程回归，实现了acu风量与地板栅格风量之间的复杂非线性关系的准确预测。
1.一种低能耗数据中心冷却系统风量控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种低能耗数据中心冷却系统风量控制方法，其特征在于，所述冷却系统风量预测模型，如下式所示：
3.根据权利要求1所述的一种低能耗数据中心冷却系统风量控制方法，其特征在于，所述需求风量观测器，如下式所示：
4.根据权利要求3所述的一种低能耗数据中心冷却系统风量控制方法，其特征在于，所述gt()采用fal函数。
5.根据权利要求1所述的一种低能耗数据中心冷却系统风量控制方法，其特征在于，所述样本数据集中的acu送风量满足以下条件：
6.根据权利要求3所述的一种低能耗数据中心冷却系统风量控制方法，其特征在于，所述调节确定需求风量观测器的参数的方式为：
