ODCC：2023数据中心自适应AI节能白皮书

11版权声明ODCC（开放数据中心委员会）发布的各项成果，受《著作权法》保护，转载、摘编或利用其它方式使用ODCC成果中的文字或者观点的，应注明对于未经著作权人书面同意而实施的剽窃、复制、修改、销售、改编、汇编和翻译出版等侵权行为，ODCC及有关单位将追究其法律责任，感谢各单位I编写组“新基建”政策的颁布实施，使云计算和大数据得到了快速的发展，数据中心建设迎来了前所未有的增长。新建数据中心的建设规模越来越大，对数据中心的可靠性、设备性能和能源效率的要求逐步提高；而在存量数据中心中，能效和老化问题日益凸显，改造需求激增。“双碳”等一系列政策的出台，更加推动了数据中心的管理成本也越来越高，降低数据中心运营管理成本逐渐成为人们关人工智能技术发展突飞猛进，使得其在数据中心基础设施领域中也得到了初步的应用。一方面，人工智能技术在数据中心中可以提高数据中心的效率，降低运营成本，优化决策。例如，智能算法能源管理、智能机器人巡检设备、自动化程序故障排查等技术可智另一方面，智能化的安全监控和风险评估可防止故障和宕机事件，本白皮书将对数据中心人工智能技术的发展现状、应用情况、未来趋势进行讨论和梳理，聚焦利用AI技术自适应地进行不同场景下的空调群控节能方案，从数据、算力、算法等几个方面进行展开由于时间仓促，水平所限，错误和不足之处在所难免，欢迎各数据中心自适应AI节能技术白皮书ODCC I II III 1 1 5 5 5 7 10 10 12 13 13 15 16 18 18 20 21 23 23数据中心自适应AI节能技术白皮书ODCC 31 34 36 37 38 39 41 41 41 42 44 45 45 48 52 55 55 56 59 61 61 62 64 64V数据中心自适应AI节能技术白皮书ODCC 65 66 67 68 70数据中心自适应AI节能技术白皮书ODCC数据中心自适应AI节能技术白皮书本白皮书对数据中心人工智能技术的发展现状、应用情况、未来趋势进行了详细的梳理，探索如何使用人工智能技术来优化数据中心的管理和运行，主要聚焦在利用AI技术自适应地进行不同场景算法（Algorithms）一组用于人工智能、神经网络或其他机器的规则或指令，以帮助它人工智能（ArtificialIntelligence）模拟人脑运作的学习模型，用于解决传统计算机系统难以解决的任聊天机器人（Chatbots）通过文本对话或语音命令模拟与人类用户进行对话的计算机程序，1数据中心自适应AI节能技术白皮书ODCC决策树（DecisionTree）基于分支的树模型，绘制决策及其可能后果的模型图，与流程图类深度学习（DeepLearning）机器通过由层叠信息层组成的人工神经网络自主模仿人类思维模式认知计算（CognitiveComputing）模仿人类大脑思维方式的计算模型，通过使用数据挖掘、自然语言机器智能（MachineIntelligence）机器感知（MachinePerception）系统接收和解释来自外部世界数据的能力，类似于人类使用感官。利用计算机算法和统计模型，让计算机能够理解强化学习（ReinforcementLearning）一种机器学习技术，通过试错过程中不断调整行为，让计算机自动2数据中心自适应AI节能技术白皮书ODCC监督学习（SupervisedLearning）机器学习的一种，其输出数据集训练机器产生所需的算法，如老师无监督学习（UnsupervisedLearning）一种机器学习算法，通过不带标签响应的输入数据组成的数据集进计算机视觉（ComputerVision）预测分析（PredictiveAnalytics）利用统计模型和数据挖掘技术，预测未来事件的可模式识别（PatternRecognition）聚类分析（ClusterAnalysis）利用统计模型和机器学习技术，将数据分为相似的组，从而识别数人工智能优化（AIOptimization）3数据中心自适应AI节能技术白皮书ODCC一种理解顺序信息、识别模式、并根据这些计算产生输出的神经网4数据中心自适应AI节能技术白皮书ODCC人工智能（AI）是计算机科学的一个分支，致力于研究和开发起源阶段（1943-1955）：1943年，WarrenMcCulloch和WalterPitts提出了人工神经网络的概念，这是AI研究的起点。1950年，Al名的《计算机器与智能》论文，提出了“图灵测试”概念，成为AI初创阶段（1956-1969）：1956年，约翰·麦卡锡、马文·明斯基、纳撒尼尔·罗切斯特和克劳德·香农等人在达特茅斯会议上共同发起了人工智能领域的AI程序，如逻辑理论家、通用问题求解器等。这一时期的AI研究知识表示与专家系统阶段（1970-1985）：AI研究重心转向了知识表示和推理。研究者们开始开发基于知识的专家系统，如MYCIN、DENDRAL等，这些系统能够在特定领域内5数据中心自适应AI节能技术白皮书ODCC解决复杂问题。在这一阶段，AI得到了广泛关注，并在医学、化学连接主义与神经网络复兴阶段（1986-1999）：传播算法，使得多层神经网络的训练成为可能。同时，遗传算法、机器学习与大数据阶段（2000-2010）：随着计算能力的提高和大数据的兴起，机器学习技术得到了飞速发展。支持向量机、随机森林、AdaBoost等机器学习算法应运而生，广泛应用于各种领域。在这一阶段，研究者们开始关注数据驱动的方法，通过从大量数据中学习模式和特征来实现智能。同时，AI领域的核心技术逐步拓展至自然语言处理、计算机视觉、语音识）：2012年，AlexKrizhevsky等人提出了AlexNet，一种基于卷挑战赛。自此，深度学习技术在AI领域掀起了一场革命。随后，6数据中心自适应AI节能技术白皮书ODCC言系列模型在自然语言处理领域创造了诸多纪录。同时，AlphaGo综上所述，人工智能技术经历了多个阶段的发展，从起源到现在的深度学习革命，AI不断拓展其在各个领域的应用，并取得了显著的突破。未来，随着技术的进一步发展，AI有望在更多领域发挥出于对数据中心安全性的考虑，本白皮书主要聚焦于当前已成计算机视觉（ComputerVision）计算机视觉是一种利用计算机和数字图像处理技术来模拟和自动识别人类视觉的过程，它主要研究如何让计算机“看懂”图像和视频内容。主要任务包括图像分类、目标检测、目标跟踪、语义分尤其是卷积神经网络（CNN）在图像处理任务上表现优异，例如AlexNet、VGG、ResNet等。在医疗影像、安防监控、自动驾驶等领语音识别（SpeechRecognition）7数据中心自适应AI节能技术白皮书ODCC它涉及到声学模型、语言模型等多个方面。近年来，深度学习技术在语音识别领域取得了显著成果。长短时记忆网络（LSTM）和循环神经网络（RNN）在处理时序信息方面有优势，因此在语音识别领域自然语言处理是一种研究如何让计算机理解、生成和处理人类自然语言的方法。它能够进行自然语言合成理解、词性标注、命名实体识别、句法分析、情感分析、机器翻译等。近年来，Tranform-专家推荐系统（ExpertRecommendationSystem）推荐系统是一种利用机器学习和人工智能技术，通过分析用户的行为和兴趣，为用户提供个性化的信息、产品或服务推荐。主要技术包括基于内容的推荐、协同过滤、矩阵分解、深度学习等。近年来，深度学习技术在推荐系统中的应用逐渐增多，如利用深度神经网络学习用户和物品的高维表示，提高推荐效果。推荐系统已经工业控制（IndustrialControl）工业控制技术主要关注如何在实际生产过程中实现对设备和系统的有效控制。在工业控制领域，人工智能技术可以应用于优化算8数据中心自适应AI节能技术白皮书ODCC法、故障诊断、预测性维护等方面。目前，人工智能技术已经在工业控制领域取得了实质性进展，逐步成为各个环节的关键支持，尤深度学习和模型预测控制等，实现了自动化质量检测、故障预测和能源优化，提高生产效率和降低成本。工业机器人在人工智能的支持下取得了显著发展，实现了更高水平的人机协作和生产自动化。同时，人工智能技术在供应链管理中的应用，也提高了供应链透明其他数字技术自动化了大约75%的生产过程，从而大大提高了生产BMW使用AI进行质量控制。在其生产线上，机器视觉系统可以检测车辆的漆面是否存在任何缺陷或不规则性，从而自动检测可能海尔运用工业物联网和AI技术，对自己的生产线进行数字化改生产计划、生产执行等一系列环节的优化，从而实现了灵活生产和尽管AI在多个领域表现出卓越的能力，其在工业控制领域的应9数据中心自适应AI节能技术白皮书ODCC用相较而言却显得较少。此种现象主要由一些固有难题所致，首要数据的准确度对AI模型的预测和决策至关重要，任何误差都可能影响效率和质量。标准化的数据可以促进数据交换，为AI应用奠定基础。而安全性则关乎重要设施和设备，一旦出现问题，后果严重。其中，制冷系统是数据中心能耗的主要部分。如何提高数据中心制冷系统的能效，是行业面临的重要挑战。越来越多的数据中心开始寻求创新解决方案，而人工智能（AI）技术的崛起，为这个问题带来了新的可能性。AI能够实时收集并处理大量数据，预测和控制制冷系统的工作状态，从而实现能源的优化利用。在本白皮书中，我们将深入探讨AI技术在数据中心制冷系统中的具体应用和潜力，展目前，AI技术在数据中心领域的应用主要在能耗管理、故障诊断、安全监测、辅助运维等几个方面，下面将结合在这几个方面的在能耗管理方面，人工智能技术已在数据中心能耗分析和预测数据中心自适应AI节能技术白皮书ODCC领域取得进展。通过收集历史能耗数据、机房温湿度和气象数据等多种因素，构建预测模型。利用预测模型对未来能耗进行预测，并依据预测结果对能耗进行调整与优化，实现有效的能耗管理，从而尽管目前这些模型在应对数据种类缺失、缺乏丰富算法模型和算法组合灵活性不足，人工智能技术在数据中心能耗管理及优化方以利用机器学习技术优化数据中心能耗管理为例。在数据中心能耗管理的场景中，可以将历史能耗数据、天气数据以及其他可能影响能耗的因素作为输入，来训练一个机器学习模型。这个模型可能使用监督学习的方式，即根据已知的输入（比如气温、湿度、负载量等）和输出（实际能耗）进行学习。训练完成后，模型将能根据输入的天气数据和预期负载量等信息，预测未来某一时间点的数据中心能耗。依据这一预测结果，数据中心可以更加精确地调整其能源策略，例如优化设备的运行状态、调度任务的执行顺序，甚至调整冷却系统的运行方式，从而实现更高效的能源管理。因此，机Google利用其TensorFlow机器学习框架，通过分析数据中心的负载模式和服务器资源利用率，对任务的分配和调度策略进行自动调整，从而优化了能源管理并实现了能源利用的最大化，通过使用机器学习技术，Google成功地将其数据中心的冷却能耗降低了数据中心自适应AI节能技术白皮书ODCC40%。但这种方法在冷冻水系统的应用中经常要进行针对性的调整，需要专业的人员参与和现场调试，这是对新技术普适性应用的常见挑战。在算力需求方面，系统可能需要一些特定的场景才能发挥最大效能，但随着硬件技术的不断进步，这也让我们看到了AI技术在在故障分析方面，数据中心设备故障是数据中心运营中常见的问题，AI技术可以分析设备运行数据，通过机器学习和深度学习算法对数据进行分析处理，提前预测硬件故障，进而可以提前进行预测性维护，避免数据中心的服务中断和数据丢失，从而提高数据中然而，目前这些技术普遍存在处理数据不完整、模型泛化能力以深度学习技术对数据中心进行故障检测为例，深度学习技术能够通过训练模型实现自动化设备故障识别。该模型通过学习设备进一步地，根据识别结果，可以提供相应的维修措施以确保数据中心的稳定运行。但是，深度学习方法在处理大量实时数据时可能面临计算资源和实时性的挑战。此外，当数据缺失或存在噪声时，模型的预测准确性可能受到影响。虽然AI技术在数据中心故障检测方数据中心自适应AI节能技术白皮书ODCC对数据中心的资源进行智能调度，实现资源的最优利用和分配，提例如，可以使用强化学习算法对服务器的资源分配和管理进行优化，提高资源利用效率和数据中心的服务质量。以服务器负载均衡为例，数据中心中的不同服务器可能承载不同数量和类型的工作负载，从而导致负载不均衡现象。应用强化学习技术，可以通过观在某些场景下，现有的算法模型可能不够丰富，无法满足不同场景信息安全方面，数据中心正逐渐采用人工智能技术实现安全监测和威胁防范，通过AI技术对数据中心的网络流量进行深度学习分析，以及对数据中心的安全事件数据的结合，利用机器学习算法和深度学习算法对数据进行处理，自动检测安全事件，实现对数据中心的安全监测和威胁防范，从而提高数据中心的安全性。例如，可以使用深度学习算法对网络流量进行分类和分析，检测出潜在的安尽管AI技术在数据中心安全监测方面具有很大潜力，其应用仍数据中心自适应AI节能技术白皮书ODCC报，而新型或未知的攻击方式可能无法被现有算法检测到。此外，AI系统的训练和部署需要大量的计算资源和数据，可能导致较高的阿里云是最早采用了人工智能技术以提升数据中心的安全性的厂家之一。其AI驱动的安全系统结合了深度学习和机器学习算法，对大规模的网络流量进行实时监测和分析，成功地自动检测出潜在会立即发出预警并启动防护措施。这种自动化的响应机制显著提升了阿里云数据中心的安全性和稳定性，确保了业务的连续性和数据时，训练和部署这种复杂的AI系统需要大量的计算资源和数据，可微软的Azure数据中心同样采用了深度学习算法，对网络流量进行实时监测，发现并阻止了一些潜在的网络攻击行为。但目前这些算法可能对一些复杂、隐蔽或新型的攻击手段表现出不足，需要Facebook的深度学习故障诊断系统可以通过监测服务器运行状况和异常行为，识别故障和潜在的风险，并及时进行修复。该系统使用了基于深度学习的异常检测算法和预测模型，以提高数据中心的可靠性和稳定性。然而，同样的，在实际应用中，这些模型可能需要大量的训练数据和计算资源，同时，它们可能在面对一些特殊数据中心自适应AI节能技术白皮书ODCC综合运维方面，数据中心正尝试采用人工智能技术实现自动化辅助运维，以提高运维效率和质量。用户能够通过自然语言与数据中心交互，实现自动化理解用户需求并执行相应操作，但自然语言处理技术在理解复杂、模糊或不规范的语言表述时可能出现误解或以自然语言理解技术为例，该技术能将用户的自然语言需求转化为相应命令，实现自动化执行。在数据中心运维过程中，自然语言处理技术可协助运维人员迅速获取和分析系统状态信息，执行故障排查和修复任务，但可能受限于当前技术水平，难以应对一些复杂或特殊的问题。此外，借助自然语言处理技术，数据中心还可实现与其他智能系统的无缝对接，但技术之间的兼容性和集成仍需要进而转化为相应的命令进行自动化执行。当运维人员与“智能运维助手”交互，请求系统状态报告或执行某项维护任务时，比如重启服务器，"智能运维助手"能快速执行并提供反馈，这大大提高了运维效率和质量。除了基础的运维任务，"智能运维助手"还具备与其他智能系统的无缝对接能力，这进一步推动了数据中心的自动化运数据中心自适应AI节能技术白皮书ODCC维进程。目前，AI在进行辅助运维方面的工作IBM的Watson平台是另一个典型的应用案例，它基于人工智能心日志管理时，它可以对大量日志信息进行分析和处理，协助运维（三）小结经过对人工智能的历史发展以及现状的探讨，无论是在能效优化、故障预测，还是在安全监测、辅助运维方面，不难看出AI技术已深入到数据中心的各个领域，AI的影响力都日益显现。现代数据其中，就本白皮书重点关注的能效方面而言，人工智能技术正在广泛应用于提升数据中心的能源效率。通过对数据中心PUE的组将AI节能技术聚焦应用在制冷系统上，无疑是一种极具成效的降低然而，必须认识到，任何AI技术的实施都离不开强大的算法、稳定的算力和合理的数据结构的支持。因此，接下来的内容将聚焦于AI技术的算法、算力和数据结构的深度探讨。通过这一过程，我们期待进一步理解AI的内在工作机制，以利用AI技术更好地提升数据中心自适应AI节能技术白皮书ODCC反映AI节能技术在降低数据中心总能源消耗方面的表现。通常用PLF或者整体PUE来衡量，也可用空调能耗或整体能耗节省百分反映AI节能技术在投资回报方面的表现。通常用投资回报率（ROI）来衡量，全面考虑初投资、维护成本、电费节省及相关的风反映AI节能技术在保证数据中心正常运行和系统稳定性方面的反映AI节能技术在应对数据中心规模变化和应用场景多样性方面的表现差异，通常用不同测试场景下节能效果百分比的标准离差（用来衡量数据分布的离散程度的一种指标）率来衡反映AI节能系统可随数据中心基础设施建设周期的规模和结构数据中心自适应AI节能技术白皮书ODCC命周期进行平滑投入和扩容。反映AI节能技术对于所使用的基础设施关键数据的保护能力。反映AI节能技术在预测设备参数变化趋势、预防设备故障、提高基础设施可用性的能力。通常用预测的准确性、预测提前时间和反映一个算法或模型产生的预测或决策可以被人类理解和解释的程度，主要体现在如何让算法的工作原理通过特征值展示以及图形可视化等方式让人类用户更加透明和容易理12345678通过对数据中心存在问题及发展趋势的分析，结合AI在数据中心领域的应用情况，不难发现当前节能性、经济性、安全性3个维现在数据中心的能源消耗主要集中在设备运行和冷却系统。传统数据中心的能源管理方式存在采集数据单一、收敛速度慢、场景适应性差等问题，可能无法充分发挥节能潜力，存在能源浪费。例如，传统的冷却系统往往采用固定的冷却策略，无法根据设备的实在采用AI节能技术时，可能会面临一定程度的初期的投资上升，投资回报可能不会立即显现。例如，AI技术的引入需要购买新的硬件设备，进行系统升级，以及对员工进行培训，这些都会增加初期的投资成本。为确保长期收益，需要充分评估投资回报率（ROI）。数据中心自适应AI节能技术白皮书ODCC由于AI的不可解释性，给AI的安全措施设计和实现带来了很目前解决此问题的思路主要有控制逻辑隔离，底层保底逻辑和减缓控制步长几种主要思路，通过综合利用几种技术思路，通过综综上，针对这些问题和改进方法，可以根据具体数据中心的环向的突破，还需要在具体的技术路径上进行择优，通常实现AI技术的运行，需要确定其数据采集方式、算法模型以及部署架构三部分内容，因此，本文将主要从采集方式、算法模型以及部署架构来进（三）数据采集方式对比数据采集方式的设计将直接影响到传感器数量、算法部署思路数据中心的数据采集主要可通过两种方式实现：直接采集，间数据中心自适应AI节能技术白皮书ODCC这种方式通常涉及到在数据中心设备上安装传感器，例如温度传感器或湿度传感器，这些传感器可以直接从设备中收集数据。此外，还可以使用网络设备，如交换机和路由器，通过SNMP协议直接直接采集具备数据准确性高的优点，可以直接获取设备的实际运行状态，如温度、湿度、功率消耗等，对于及时发现和处理问题很有帮助。但其安装和维护成本较高，可能需要额外的硬件设备和安装工作。另外，如果设备数量众多，直接采集可能会产生大量的数据中心分系统众多，在数据获取时可以充分考虑利用其他子许多数据中心设备，包括存储设备、网络设备和电源设备，都提供了可以查询和管理设备状态和配置的系统或网络接口。这些接口通常支持标准的网络协议，如HTTP，SNMP或者RESTfulAPI，我许多现代数据中心设备都支持标准的接口和协议，可以方便地集成到数据采集系统中。但是需要额外的网络资源和计算资源来处理接口查询和数据传输。另外，不同设备的接口和协议可能有所不由于机房现场实际数据采集环境的复杂性，在实际应用中，可数据中心自适应AI节能技术白皮书ODCC能需要结合使用多种数据采集方式，以满足数据中心的监控和管理（四）主要算法模型对比基于机器学习的自动控制算法趋于成熟，并逐渐多样化。其中认可度较高，效果较为出众的算法主要包括：神经网络预测模型、MPC模型、老虎机、强化学习等等。近年来，诸如维谛、谷歌、华为等等越来越多的企业，将这些优秀的机器学习控制技术引进数据中心进行能效优化。但不同企业的数据中心规模、配置及其历史数据拥有量各不相同，从而对算法的需求不同，针对于此，这里对不分调节和微分调节。其中比例调节立即产生作用以减少偏差，积分PID控制可通过位置式或增量式公式实现，下面公式为其中一种形PID控制已有多年的应用历史，应用广泛，效果可靠。在工业数据中心自适应AI节能技术白皮书ODCC控制中，PID控制常常作为第一选择，解决了大部分问题。无需训练学习、收敛速度快、可解释性强、稳定可靠等诸多优点，1）PID控制作为一种反馈控制方式仅仅根据被调量和目标值之模糊控制是一种以模糊集合论、模糊语言变量和模糊逻辑推理为基础的计算机数字控制技术。它是模糊数学同控制理论相结合的产物，同时也是智能控制的重要组成部分。它模仿人的思维方式，是一种将专家经验规则转化为控制策略的理论方法，特别适用于难数据中心自适应AI节能技术白皮书ODCC在过去有段时间甚至非常流行。然而，可能由于数学理论仍待进一模糊控制的优点非常明显，可解释性强、收敛速度快。模糊控制的缺点也非常明显，过分依赖专家经验，而人的经验不总是可靠因此模糊控制主要适合解决复杂而无法建立精确数学模型系统的控制问题，它是处理推理系统和控制系统中不精确和不确定性的当神经网络层数较低时，特征提取和记忆能力变弱，退化成线性或简单的非线性模型，因此较多时候神经网络模型特指有一定深度的网络结构。这类模型对样本量有一定的要求，收敛时间较长。因此这类模型适用于有大量历史样本的数据中心，通过历史样本的神经网络预测模型一般包含两类神经网络，每类神经网络包含一个或多个，其中一类优化网络用于预测优化目标，例如：PUE、能其中状态量通常包含状态变量和扰动变量，状态变量如压差、温度等，扰动变量如负载功率、室外温度等。其中控制变量通常为当神经网络层数较低时，特征提取和记忆能力变弱，退化成线性或简单的非线性模型，因此较多时候神经网络模型特指有一定深度的网络结构。这类模型对样本量有一定的要求，收敛时间较长。因此这类模型适用于有大量历史样本的数据中心，通过历史样本的MPC模型（ModelPredictiveControl），由预测模型和优化算法组成，预测模型用于滚动预测未来几步的系统状态，优化算法根据预测的未来状态进行最优控制u的求解，并选择最近一步的控数据中心自适应AI节能技术白皮书ODCCMPC模型的基本思想：利用一个已有的模型、系统当前的状态和未来的控制量，来预测系统未来的输出，然后与期望的系统输出做比较，得到一个损失函数，优化选择使损失值（代价）最小的控）：xt1=Akxt−kk=1+Bkut−k+cd[t−1]k=1状态变量，是希望预测和管理的数值，如压差、温度等等。其中u是控制变量，是希望算法模型推荐的控制变量，如风扇转速、泵转速、水阀开度等等。其中d是扰动变量，是无法控制的事件或环境MPC模型在优化时会同时考虑约束条件，优化控制的目标是满足约束条件限制的前提下，选择使损失（代价）函数最小的控制量u。在数据中心类项目中，在定义损失函数时通常是器件转速越小越节能则损失函数值越小，在定义约束条件时通常希望温度靠近某一设定点附近。MPC模型的优化解法有二次规划或对偶问题的求解方MPC模型对样本量要求不高，能较快的实现收敛，另外，当系统预测模型以过去多个时刻作为输入时（如，令上文T>1），还具数据中心自适应AI节能技术白皮书ODCC有很好的鲁棒性。对于数据中心推荐控制，是一种不错的选择。但老虎机，又称Bandit算法，也是机器学习的一个重要分支，和强化学习有一定的联系，甚至可以认为是早期的强化学习。Sutton最早的老虎机模型，基本认为是病理学家Thompson在1933年对于被分到药效较差的新药的那一组病人并不公平。老虎机模型减小了药效差、增大了药效好的新药的使用概率。现在，老虎机模型在搜索和推荐方面的应用很多。最近较出名的工作是LiLihong发这里结合数据中心简单介绍下UCB（UpperConfidenceBound，置信区间上界）算法。UCB对数据中心不同配置下的稳定态使用分数或收益进行评价，然后选择分数最高的臂进行推荐，得到反馈后jt+其中jt表示t次UCB推荐后到目前为止的第j种配置下的平均分数或收益，t是目前为止的总次数，Tj,t是第j种配置在t次中被选中的次数。加号左边反应了平均收益，平均收益越大被容易被数据中心自适应AI节能技术白皮书ODCC无论用于数据中心自动控制的冷启动，还是作为其常规控制，都是强化学习的基本原理是，如果Agent的某个行为策略导致环境正的奖励（强化信号），那么Agent以后产生这个行为策略的趋势便会加强。Agent的目标是在每个离散状态发现最优策略以使期望如下图所示的一种AC框架的强化学习模型：其中价值网络用于对数据中心状态进行评价，能耗越低温度越好则奖励越大，反之亦然；其中策略网络用于根据数据中心当前状态选取行为动作，对于导致奖励最大的行为被选取的概率最大。通常可见的策略网络拟合了一个概率分布，越好的行为被选择的概率越大，对于其它行为也有微小的概率被选择，这样做的好处在于，模型同时具备利用和探索能力，当室外环境或负载功率发生变化时，能找到新形势下的最强化学习的优点在于，它是一种比较通用的范式，能解决各种优化控制和智能推荐问题。但该算法尚不是非常成熟且门槛较高，需要算法人员具备较高的设计能力，并且建立恰当的奖励函数不是一件容易的事。另外该算法模型学习效率相对较低，对样本和学习时间有较大要求。另外由于数据中心不像游戏，无法并发大量的不断交互，因此这类模型建议用于有大量历史样本的数据中心，通过机 优化算法在算法模型中具有重要地位，是计算机寻优求解的最主要手段。但考虑到其运用过于广泛，种类过于繁多，技术过于细数据中心自适应AI节能技术白皮书ODCC优化算法种类繁多，优化算法可分为进化算法和数学优化算法进化算法是仿照生物进化规律，通过繁殖、竞争、再繁殖、再竞争，实现优胜劣汰，一步步逼近复杂工程技术问题的最优解。从果蝇算法、模拟退火算法、萤火虫算法等等。其中遗传算法是当前遗传算法（简称GA）起源于对生物系统所进行的计算机模拟研究，是一种随机全局搜索优化方法，它模拟了自然选择和遗传中发生的复制、交叉和变异等现象，从一组随机初始种群出发，通过随机选择、交叉和变异操作，产生一群更适合环境的个体，使群体进化到搜索空间中越来越好的区域，这样不断繁衍进化，最后收敛到数学优化算法是利用微积分、运筹学、拓扑学等数学知识寻找梯度优化、Adam、拉格朗日优化、线性规划、动态规划等等。其中数据中心自适应AI节能技术白皮书ODCC1）流派不同：进化算法和数学优化算法分属两个不同流派，都有应用案例。但由于神经网络大放异彩，部分数学优化算法作为神2）数学前提不同：进化算法只需计算目标函数的值即可，对优化问题本身的性质要求是非常低的。数学优化算法往往依赖于一大堆的条件，例如是否为凸优化，目标函数是否可微，目标函数导数3）运算复杂度不同：进化算法需要不断搜索、循环迭代，因此因此应用范围小于进化算法。进化算法基本可以运用于所有优化问题，然而没有充分利用问题的数学性质，运算速度慢。另外尽管进化算法采用了变异等诸多手段，收敛不到全局最优的可能性仍然存5）应用场景不同：对于数学前提较好的优化问题，使用数学优化算法速度快，而且相对容易保证全局最优。但现实中也存在这样的问题，目标函数数学性质不好，非凸不连续，或者直接无法知道数据中心自适应AI节能技术白皮书ODCC化算法无能为力，也以进化算法为宜。另外，在神经网络领域，也出现了使用进化算法进行超参数调优的例子，缓解了进化算法的尴值得一提的是，随着时代的发展，算力不断提升将利好进化算法。但算力也永远存在瓶颈，不过到一个新的位置罢了。因此，工“黑盒”和“白盒”是用于描述算法或系统的透明度的术语。“黑盒”指的是一个系统或算法，其中内部的工作机制是隐藏或不透明的。用户只能看到输入和输出，而不能看到内部如何进行处简单性：用户不需要了解内部的工作原理，只需要关心输入和通用性：由于不强调内部的工作机制，因此黑盒方法往往更加灵活性：内部实现可以在不影响外部接口的情况下进行修改或数据中心自适应AI节能技术白皮书ODCC不透明：无法确定系统或算法为何会产生特定的输出，这可能信任问题：由于缺乏透明度，用户可能难以完全信任系统或算“白盒”指的是一个系统或算法，其中内部的工作机制是透明可调试性：由于内部工作机制是知道的，因此更容易定位和修可定制性：了解内部机制可以使用户或开发者针对特定应用进可能过于特定：由于太过侧重于内部机制，白盒方法可能不如数据中心自适应AI节能技术白皮书ODCC资源消耗：由于需要维护更多的细节信息，白盒方法可能需要在机器学习领域，例如深度学习模型通常被视为“黑盒”，因为它们的内部工作机制（即如何从输入数据中学习）对大多数用户来说都是不透明的，尽管其结构和算法是已知的。而传统的算法，如决策树，由于它们的决策过程较为直观和可解释，通常被视为在选择使用黑盒还是白盒方法时，要根据特定的应用和需求进行权衡。例如，如果需要一个可以提供可解释性的系统，白盒可能是更好的选择。如果需要一个可以快速部署且对内部工作机制不太解释性，有利于安全策略的设计和人机协同控制，而黑盒算法具有更强的场景适应性，同时，白盒算法的设计需要更强的专家经验支（五）算法部署架构对比当前算法部署主要有三种架构：边缘部署，私有云中心部署及互联网云部署。由于数据中心安全性要求较高，常见的主要有边缘部署和私有云中心部署。随着人工智能的飞速发展和大模型技术的不断突破，部分算法任务迁移至互联网云部署或将成为一种趋势。数据中心自适应AI节能技术白皮书ODCC但对于不同的算法任务，应综合考虑算力需求、安全要求等等，对边缘部署直接将算法模型部署在本地末端计算设备上，该末端计算设备往往通过串口、网络等与温湿度传感器、压力传感器、空调、电表等直接相连，并完成数据采集、控制执行等任务。这里将末端计算设备称为边缘监控管理平台，并将机柜、温湿度传感器、边缘部署是将算法直接部署在与末端系统直接相连的边缘监控管理平台上，其中边缘监控管理平台与末端系统一对一相连。以MDC场景下的算法部署为例，下面是MDC末端系统与边缘监控管理将算法模型部署于边缘监控管理平台上有这样的好处：比如数据传输距离短，延迟小，不容易受到数据传输中断的影响，安全程数据中心自适应AI节能技术白皮书ODCC但是出于成本考虑边缘监控管理平台往往性能不高，对算法的支持能力有限，比如无法流畅的运行较深的神经网络模型。另外，因为末端系统与边缘监控管理平台呈一对一的对应关系，所以它不因此，边缘部署特别适合于算力要求小，安全要求高的算法模型：比如单一MDC中末端空调的开关控制、末端空调压缩机风机或本地中心部署将算法模型部署于本地中心监控管理平台上（或称中心服务器，中心计算设备），一个中心监控管理平台与多个末端监控管理平台通过局域网相连，并通过末端监控管理平台间接实现对末端系统的优化。同样以MDC场景为例，中心监控管理平台、将算法模型部署于本地中心监控管理平台：有利于充分利用多数据中心自适应AI节能技术白皮书ODCC末端系统数据；有利于从更大层面对数据中心进行节能控制；同时由于中心监控管理平台个数较少，这还便于提高算力支持能力，同时不至于成本增加太多；另外由于没有使用公网，整个系统仍然保因此，中心部署特别适合于算力要求适中，安全要求中等甚至较高，有多系统协作需求的算法任务：比如冷机出水温度设定点的另外，中心节能控制是对边缘节能控制的进一步完善，但不宜作为边缘控制的完全替代。在中心监控管理平台通信故障时，末端系统和边缘监控管理平台仍应可正常运行。因此末端边缘系统控制建议保留其完备性、高实时性和高可靠性。出于此考虑，诸如空调互联网云将算法模型部署于网络云平台上，可以同时跟众多本地中心监控管理平台、本地边缘监控管理平台通过互联网相连。如云平台的巨大优势有利于收集数据和优化算法模型。另外由于真正大算力所需的硬件成本非常昂贵，为了经济效益，前面的边缘部署和中心部署终归算力有限，因此，如大模型之类的算法模型只有云平台可以支持。而随着人工智能的发展，大模型越来越成熟，但云平台数据传输距离长、安全性差、稳定性低、不可控因素因此，网络云部署特别适合于模型较大，用于改善用户感受而最后，云平台还可用于远程更新边缘算法模型，有利于算法版本的迅速迭代，收益变现。但对于数据中心这样一个安全要求较高40数据中心自适应AI节能技术白皮书ODCC在一个空调循环周期中，压缩机只有一半周期的时间在运行，41数据中心自适应AI节能技术白皮书ODCC因此室内风机有一半周期无实际效果。所有空调的压缩机的启停都是根据回风温度来进行控制，但根据测量，该空调的回风温度与实际温度相差较大。这种温度差异导致了压缩机重复的启停，空调压缩机启动瞬间的工作电流是正常运行状态下的4-7倍，最终加大空调的能耗。与此同时，在机房内，机柜顶端处的温度传感器温度达因此，由于回风温度控制与实际温度存在差异，再加上压缩机本案例AI技术应用设计旨在通过现场采集器对基站空调进行节方案总体设计上以空调建模+机器学习为主，同时辅助参数自动优化调节。保证场景最优节能效果同时，减少对算力和传感器的依赖，可通过现有的监控采集传感设备，提高了整体投资回收期。安全方面与空调底层控制逻辑紧密耦合，时刻监控安全便捷，避免影该方案通过在采集器上加载节能管理软件，根据设定的控制逻辑对基站空调进行监控，包括空调运行状态及开关机控制，以及机房环境温度监测。算法通过减少压缩机启动次数、提高制冷效率、减少室内风机运行时间等方式，在保障通信42数据中心自适应AI节能技术白皮书ODCC海拔、所处位置环境等因素影响，算法设计上需要着重考虑控制安全。算法采用中心-边缘的方式，算法寻优推理在中心完成，并同步到边缘智能控制主机来执行，执行包括空调启停、空调启停温度设基站算法在中心采用大模型方式，通过基站所属地理位置、面积、建筑物类型，空调类型、空调数量、室外温湿度、电源输出负载、基站业务类型等参数进行分类。针对不同分类首先通过气流组织仿真算法建立初始模型，算法在运行过程中不断采样新数据进行最佳算法模型，在探测到室外温湿度、负载等数据变化超出一定阈边缘节能软件内置温度预测嵌入式AI模型和保护策略，在预测到有高温风险后，自动启动安全保护策略。边缘预测算法采用嵌入数据主要包括空调的开关机状态，送回风温度，温湿度传感器的温度和湿度等。同时，通过优化基站温度采集位置，基于采集的机房温度来控制空调运行，避免因气流组织问题引起的回风温度不43数据中心自适应AI节能技术白皮书ODCC首先，根据控制逻辑开发节能管理软件，并加载到智能采集器中进行调试。然后，在动环监控中正式启动基站空调节能运行及管本方案在设计上充分考虑了安全因素。所有空调、温湿度传感器以及电表均接入同一个采集器，使得数据的采集和控制统一，避免了与平台数据传输的风险，提高了控制命令下发的速度。此外，方案优化调整了原有监控方案的温度告警机制，避免出现局部热点在未启用AI节能系统之前，该运营商基站机房在冬季最冷的月机房的日用电量降低至233kwh，相较于改造前，制冷系统的能化情况，全年AI节能效果预计节约电费：12×1891×0.7=15884元/年。降低了能源消耗，提高了经济效益。此外，该方案还有助于解44数据中心自适应AI节能技术白皮书ODCC决局部热点问题，消除过热隐患，保障数据中心的稳定运行。基于AI强化学习算法的空调节能控制解决方案的成功应用，显示了人工在基站场景中，安全设置是首要考虑的因素。首先，控制策略被下放到采集器中，以避免软件误操作带来的影响。其次，采集器收集的数据被存储在本地，并进行清洗、筛选等预处理以及算法训实际后续应用中，现场可以根据情况在两种45数据中心自适应AI节能技术白皮书ODCC由于线上业务活跃度的昼夜差异性，机房中的服务器工作功率也随之明显不同，冷凝器侧热交换效率在不同时间段有所差异，同但原有的空调控制策略相对较为粗糙，虽然将机房的温度控制在正常范围内，但由于空调热交换效率和服务器散热需求在不同时间段46对该机房进行改造前，服务器负荷处于高位运行状态，总负载功率约98kW，整体温度正常，但备机空调未自动打开，空调运行在对机房进行节能改造的历史数据分析过程中，发现机房的微模块在运行过程中，由于对吹和近似对吹的空调互相干扰，导致其工作状态收敛于周期性波动。此外，微模块采用了送风控制，但是由于自然环境温度和负载功率的变化，不同时间段的回风侧温度会出现时高时低的现象。这些现状下，机房存在以下几个问题：当回风侧温度偏低时，会导致冷量的浪费，使得模块工作在较高的pPUE状态。同时，空调器件被单独的空调自身控制，空调间相互影响形成竞争运行，也会收敛于周期性波动。这种情况下，温度会在不断47对该机房进行改造前，空调器件由空调自身单独控制，空调相在对机房现状的分析中，发现原始的空调开关策略过于粗糙，即仅在空调温度测点或关联传感器测点温度过高或过低时才进行开48数据中心自适应AI节能技术白皮书ODCC考虑到服务器负载功率在不同时间段有大的差异，引入负载功率作为输入参数之一。同时，许多数据中心难以获取室外温度，因此选择引入空调送回风温度、机柜送回风温度等，使得算法能够间接学具体的方案包括：使用负载功率、空调送风温度、空调回风温度、机柜送风温度、机柜回风温度、传感器以及空调位置信息等特征及其复合特征作为算法输入。综合考虑空调功率、温度与目标值的偏离程度、温场均匀程度作为算法自优化的评价或收益反馈。同时，空调开机个数、开机位置、及温度设定点被用作调节手段，即算法采用由LinUCB和xgboost组合而成的级联算法模型，其中LinUCB用于进行能效探索优化，而xgboost用于进行温于空调无法频繁开关，样本间隔长且收集困难，采用了收敛速度较快的LinUCB，尤其是采用级联模型进一步提升收敛效率。考虑到特49数据中心自适应AI节能技术白皮书ODCC定数据中心样本不易获取，不能进行批量训练，因此没有采用新兴的强化学习算法，而是选择更快更稳定的LinUCB。然而，LinUCB仍然具有强化学习的探索能力，能适应自然环境的变化。xgboost用于满足自然环境、负载功率及开关机变化引起的温度调节需求。并通过对机房现状的分析，由于初始空调器件被自身单独控制并相互干扰，因此考虑利用机器学习算法实现对不同空调器件的统一群体控制。这种方法不仅解决了设备之间控制的相互干扰问题，而且还能使空调设备之间和设备内部的各个组件协同工作，以实现节能效果。同时，将能效和温度作为评估或反馈的共同指标，兼顾节能和温度控制，避免回风侧温度过低。空调器件级协作方式如下图具体方案：将负载功率、机柜送风温度、机柜回风温度以及压综合考虑空调能耗、温度与目标值的偏离程度以及温度场的均匀程度作为算法自优化的评价或反馈。将压缩机容量、风机转速（或水算法采用模型预测控制（MPC）模型。首先构建系统模型，以映射温度、设备输出和负载功率之间的关系。然后，使用拉格朗日优化方法寻找适宜的温度和更低的能耗的设备输出组合。这种方法稳定，收敛速度快，并具有良好的鲁棒性。在建模过程中，使用过去一段时间内多个时刻的状态作为输入，以增强模型的抗干扰能力和理解变化趋势的能力。同时，使用未来一段时间内多个时刻的预测结果共同作为反馈，以提高模型的长期收益能力。此外，还引入了探索机制，以帮助模型不断优化。最后，对特征工程、初始化以及通过对两种场景方案的对比分析，建议在微模块场景下黑盒模型和白盒模型联合使用，但仍然是可分别单独使用的。其中白盒模型是细颗粒度调节，是底层器件的微调；其中黑盒模型是粗颗粒度该机房经过改造后空调的开关能力更加细致。由于当前负荷较高，改造后自动开启了空调备机，并进行温度设定点调整，节能效果约为(18.1-15.9)/18.1数据中心自适应AI节能技术白皮书ODCC另外通过对空调EER曲线的分析，发现在极端场景下，方案的该机房经过改造后，对气流组织、温度场、冷量分配的调节更加细腻，可对冷热通道分区域调节，对于冷通道或热通道可参考机柜温度进行精确调节。同时改造后，空调的输出更加稳定。节能效果约为(18.07-15.65)/18.07通过比较AI开启前后的冷热通道平均温度，从下图可以看出AI在允许的范围内适当提升了热通道温度，但这并不是简单的以热根据工作经验和数据，存在某些工况场景的热通道温度可能更低，因此节能空间有更大的潜力。然而，算法实际上是通过器件协作和能耗反馈实现节能的，即使热通道温度相同，适当的比例和精此外，AI开启后，4台空调的压缩机波动更小，运行更稳定如（三）房间级场景案例位置与布局：坐落于华东地区，属于夏季炎热、冬季寒冷的气总负载约为252KVA，负载上架率大致在30%-40%，A机房配备8台房间级风冷空调。B机房与A机房位于同一建筑物的不同楼层，占地面积与机柜数量均与A机房相同，但具有7个封闭冷通道微模块），数据中心自适应AI节能技术白皮书ODCC但同样存在局部热点和温度分布不均的问题。空调设备在较长时间内保持稳定状态，温度设定未发生变化，导致了大量的制冷冗余和该解决方案旨在应用基于AI强化学习算法的空调节能控间级空调系统中，以提升已建设的动力环境集中监控管理系统的空方案总体设计上为专家经验+神经网络+强化学习。神经网络+强化学习保证场景最优节能效果，同时专家经验的加入提高了整体的从安全性方面看，专家经验也为保底策略的设计和合理调节步长的进行AI强化学习，以实现对空调的节能控制。算法涉及的状态、控制和奖励要素包括开关机状态、进/出风温湿度、冷/热通道温湿度等。为保障运行安全，AI算法中引入了安全保障机制。采集温湿度传感器的温湿度数据、空调的送回风和功率、风机和压缩机的开度数据中心自适应AI节能技术白皮书ODCC及其他相关控制参数。该策略解决了冷通道热点问题，改善了空调IDC机房场景各异，包括送风方式、机柜封闭方式、空调变频与否以及空调使用寿命等等，机房负载随时间变化频繁，为了实现见效快、安全运行、自适应长期稳定节能等目标，采取组合算法方式，节能系统内置算法自动评估模块，在不同阶段、不同环境下对节能系统同时内置算法自动训练模块，在超出一定的阈值后，自动算法的一般原则是运行的初始阶段，此时有效样本数据有限，采用专家经验、机理模型和轻量级机器学习算法，使控制策略可以有效的控制在安全区间，具备更好的趋势性，避免少样本大模型下的严重控制策略偏离。轻量级机器学习算法主要包括遗传算法、粒子群算法、模拟退火、强化学习以及算法组合寻优。在系统评估算法到达切换点之后，即可以转入第二阶段算法，此时具备一定的数算法一般采用深度神经网络。最后一个阶段采用深度强化学习，通过迁移学习先把以后的节能策略迁移到深度强化学习模型。模型评估管理平台依据机房实际运行数据进行评估和切换，不是所有机房都按照以上第一、二、三阶段运行，如果始终不具备进一步切换条算法的另外一个核心在于评价函数，评价函数一般包含机房所有温湿度实时值、当前策略下的空调能耗水平。由于场地温湿度传感器的数量布置不一样，评价函数需要针对性进行编写，机房也可能对恒温恒湿有更高要求，此时评估函数的权值则需要优化调整。温湿度的评价函数可以采用多次方程或者高斯分布等数学技能，越温湿度传感器是采集机房环境温度的关键设备。在此场景中，部署了104个温湿度传感器，在每一列机柜的前后各部署4个温湿度传感器，同时兼顾冷热通道的温度。此外，共有6台空调，能采集到算法所需的相关数据，同时满足下发控制命令的功能。最后，电表也是衡量节能前后的重要设备，每一列机柜和空调上都安装了数据中心自适应AI节能技术白皮书ODCC除节能控制外，评估AI算法是否能解决局部患。通过对机房进行气流组织分析，发现存在明显的局部热点和气AI业务软件部署阶段，基于现有监控平台提取两个月数据进行AI业务评估阶段，从热点消除情况和能源效率改进状况两个方数据中心自适应AI节能技术白皮书ODCC两个机房的空调能源效率分别提升了18%和15%，AI模式相较于常规模式在夏季最热月分别可节电8643度/月、9470度/月，降低了能源消耗，提高了经济效益。此外，该方案还有助于解决局部热制解决方案具有更高的智能化水平和优化效果，能够根据实时环境状态和反馈信息调整控制策略，提高空调运行效率。此外，AI算法的快速学习收敛和控制稳定性特点，使得节能效果更为显著且可持续。在采用AI强化学习算法后，冷通道温度没情况，A机房整个冷通道的四个温度传感器反馈的温度基本维持在数据中心自适应AI节能技术白皮书ODCC25-26摄氏度左右，B机房所有微模块冷通道的四个温度传感器反馈的温度基本维持在26-27摄氏度左右，既保证了热点的消除，也保证了通道温度的均衡。在此前提下，空调的电能有了明显的下降，整体pPUE也有明显的下降，实现了在保证安全的前在数据中心AI节能中，安全是所有工作的前提。本场景下的数据存储在数据中心的本地，极大地保证了数据的安全性。同时，通过温度告警以及设备通讯等多种告警模式，在出现热点以及其他问题时可以及时发现并处理。最后，软件中还加入了保底策略以及策（四）楼宇级场景案例位置与布局该数据中心位于西南地区，属于亚热带季风气候区，气候温暖湿润。整栋机楼占地约900平方米，包括一楼的高低压配电房，二三楼的业务机房，四楼的通讯机房以及顶层的水冷设备。机楼内置数据中心自适应AI节能技术白皮书ODCC该系统包括两个螺杆冷水机组，10个阀门和10个水泵，以及尽管机柜的上架率目前较低，但由于空调设备在较长时间内保持稳定状态，且温度设定未发生变化，可能存在大量的制冷冗余和温度分布不均的问题。温湿度传感器反馈的数据表明负载较高的地方温度已经超过了29摄氏度，负载较低的地方温度只有24摄氏度左右。但所有空调的送回风温度设置都是相同的，造成冷量的极大浪费。目前，机楼的整体PUE（功率使用效率）为2.04，这表明在本应用案例的AI节能水冷机楼方案实施，旨在通过基于AI强化学习算法的空调节能控制，提升已建设的动力环境集中监控管理方案总体设计上为机理建模+神经网络+强化学习。由于冷冻水系统过程参量巨大，机理建模可以有效建立参量之前约束关系，对以有效调节算法参数，保证场景最优节能效果，充分适应复杂冷冻水场景下的房间差异。最终保证了实际方案的适应性和整体投资回数据中心自适应AI节能技术白皮书ODCC方案通过在监控管理系统上加载AI强化学控制和奖励要素包括开关机状态、进/出风温湿度、冷/热通道温湿度，以及冷水系统的阀门开度、进出水温度、进出水流量、压缩机开度、水泵功率、频率和室外干湿球温度等。为保障运行安全，AI系统。采集的数据主要包括空调的开关机状态、送回风温度，温湿度传感器的温度和湿度，以及冷水系统的阀门开度、进出水温度、进出水流量、压缩机开度、水泵功率、频率和室外干湿球温度等。四楼的房间共包含59个温度传感器，包括微模块中的16个温湿度数据中心自适应AI节能技术白皮书ODCC进步，AI算法的迭代将不断完善克服现有挑战，提高对复杂场景和新型威胁的识别能力。未来，AI技术在数据中心领域的发展将呈现更高的自动化程度、智能化管理和绿色节能性。实现进一步优化资AI技术将助力数据中心实现更高的能源效率和环境友好性，降未来的智能供配电系统将进一步实现自动化与智能化，例如通数据中心将采用更先进的AI技术来优化能源管理，实现更高的微电网集成与优化实现对多种能源类型（如太阳能、风能、蓄电池等）的优化调度。这将有助于提高能源利用率，降低能源成本，同时增强数据中心的数据中心自适应AI节能技术白皮书