邱 帥 楊 波 許 軍 姜 寧

1.中國移動通信集團(tuán)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(dá)峰”“碳中和”目標(biāo)是國家提出的重要戰(zhàn)略決策，作為通信運(yùn)營商，開展網(wǎng)絡(luò)維護(hù)條線節(jié)能降碳相關(guān)工作，不斷提升通信基礎(chǔ)設(shè)施能效管理水平尤為重要。在傳統(tǒng)通信機(jī)房中，空調(diào)的耗電量可達(dá)到總耗電的40%以上，是主要能耗設(shè)備之一，不具備協(xié)同控制能力的機(jī)房空調(diào)系統(tǒng)會導(dǎo)致整體運(yùn)行效率低下，因此機(jī)房空調(diào)系統(tǒng)是機(jī)房節(jié)能減排的重點(diǎn)對象。不斷總結(jié)冷卻用能設(shè)備的運(yùn)行規(guī)律，制定不同氣候、不同負(fù)荷條件下的綜合最優(yōu)運(yùn)行方法和策略，實現(xiàn)通信機(jī)房冷卻用能的智能化管理，是空調(diào)專業(yè)維護(hù)人員一直追尋的目標(biāo)。

本文在某運(yùn)營商一處通信機(jī)房開展空調(diào)系統(tǒng)AI 群控節(jié)能改造。首先通過采集機(jī)房基礎(chǔ)設(shè)施參數(shù)，獲得完整的基礎(chǔ)用能設(shè)備的運(yùn)行數(shù)據(jù)信息，然后進(jìn)行數(shù)據(jù)分析，利用AI 算法和大數(shù)據(jù)技術(shù)構(gòu)建了機(jī)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(jī)房基礎(chǔ)設(shè)施參數(shù)分析

XX 機(jī)樓為某運(yùn)營商地市分公司核心機(jī)樓，機(jī)樓主體共5 層，二層至五層各有2 個數(shù)據(jù)機(jī)房及1 個電力室，本次選定該機(jī)樓2 層西南210 機(jī)房作為AI 群控節(jié)能改造試點(diǎn)。二層（以下簡稱2F）西南210 機(jī)房具體信息如下：機(jī)房面積約325m2；機(jī)房共配備9 臺精密空調(diào)，單臺制冷量84.5KW；機(jī)房配置5 個溫濕度探頭，未封閉冷熱通道，空調(diào)送風(fēng)方式為地板下送風(fēng)/上回風(fēng)；精密空調(diào)回風(fēng)溫度設(shè)定為24℃，送風(fēng)溫度設(shè)定為18℃，機(jī)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(jìn)行處理，機(jī)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(jī)房空調(diào)總電功率的變換范圍為96KW～145KW 之間（如圖1 所示）；機(jī)房內(nèi)所有IT 負(fù)載對應(yīng)的UPS 輸出功率數(shù)據(jù)疊加可得出該機(jī)房IT 負(fù)載總功率的變換范圍為292KW～323KW 之間（如圖2 所示）。

圖1 機(jī)房空調(diào)電功率變化趨勢圖

圖2 機(jī)房IT 負(fù)載變化趨勢圖

對上述的數(shù)據(jù)分析發(fā)現(xiàn)，因該機(jī)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(jī)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(fù)載的熱負(fù)荷，機(jī)房整體制冷量有明顯的冗余，因此初步判定在該機(jī)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(wù)器直接部署在試點(diǎn)機(jī)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(yù)，確保網(wǎng)絡(luò)信息安全。AI 群控系統(tǒng)平臺包含精密空調(diào)控制、機(jī)房及設(shè)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(jī)房節(jié)能策略，作為系統(tǒng)邏輯下發(fā)到末端設(shè)備中，達(dá)到節(jié)能降耗目標(biāo)。群控系統(tǒng)架構(gòu)和機(jī)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(gòu)示意圖

圖4 機(jī)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(jī)房AI 群控節(jié)能改造，增加通訊網(wǎng)關(guān)，實現(xiàn)AI 節(jié)能服務(wù)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(wù)器，以實現(xiàn)對精密空調(diào)設(shè)備的采控。節(jié)能服務(wù)器直接單獨(dú)采集目標(biāo)機(jī)房的運(yùn)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(jī)房內(nèi)的IT 設(shè)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(yùn)行數(shù)據(jù)：采集頻率為1min/次；（2）機(jī)房溫濕度數(shù)據(jù)：1min/次；（3）空調(diào)控制：AI 服務(wù)器直接下發(fā)控制指令；（4）機(jī)柜和空調(diào)用電量數(shù)據(jù)：1 天/次。

2.3 采集點(diǎn)位增補(bǔ)配置

2F 西南210 機(jī)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(jī)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(diǎn)位配置接入到服務(wù)器，以實現(xiàn)對機(jī)房環(huán)境數(shù)據(jù)的采集。圖6 為新增溫感點(diǎn)位示意圖。

圖6 機(jī)房新增溫感示意圖

2.4 制冷設(shè)備影響力評估調(diào)整

針對不同的運(yùn)行階段，收集到的機(jī)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(fēng)方式、氣流組織形式、溫感布置方式、機(jī)柜排列布置方式、負(fù)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(shè)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(guān)聯(lián)分析階段

①收集機(jī)房歷史數(shù)據(jù)（空調(diào)運(yùn)行狀態(tài)和參數(shù)、溫感溫度數(shù)據(jù)等）；②人為的有目標(biāo)地改變和控制指定空調(diào)的運(yùn)行參數(shù)（溫濕度設(shè)定、空調(diào)運(yùn)行模式、風(fēng)機(jī)轉(zhuǎn)速相關(guān)參數(shù)等），增加空調(diào)參數(shù)變化覆蓋的設(shè)備范圍；③通過關(guān)聯(lián)分析、相關(guān)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(shè)備、空調(diào)設(shè)備不同的參數(shù)間的關(guān)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(guān)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(shù)要點(diǎn)

3.1 基于人工智能的群控模型構(gòu)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(xué)習(xí)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(jī)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(fēng)溫度數(shù)據(jù)，使用空間建模技術(shù)構(gòu)建整體機(jī)房的溫度場模型，分析機(jī)房各區(qū)域冷熱分布情況以及溫度變化趨勢；基于LSTM 對機(jī)房IT 設(shè)備發(fā)熱量構(gòu)建預(yù)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(shè)備發(fā)熱量與制冷量以及溫度三者之間的關(guān)系，始終保持供冷量與機(jī)房的需冷量相一致，從而建立該機(jī)房精密空調(diào)AI 運(yùn)行模型。

圖7 基于LSTM 的IT 設(shè)備發(fā)熱量預(yù)測模型

3.2 控制策略自適應(yīng)尋優(yōu)

AI 群控系統(tǒng)采用自適應(yīng)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(shè)備狀態(tài)/參數(shù)進(jìn)行調(diào)節(jié)，實現(xiàn)對機(jī)房精密空調(diào)實現(xiàn)精準(zhǔn)節(jié)能控制，可有效緩解原空調(diào)系統(tǒng)競爭運(yùn)行的問題。AI 策略生成模塊根據(jù)當(dāng)前機(jī)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(jìn)行模型訓(xùn)練，預(yù)測下一時刻機(jī)房溫度的變化，且利用運(yùn)籌學(xué)優(yōu)化模型求解制冷設(shè)備在滿足目標(biāo)溫度前提下的最少耗電運(yùn)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(jī)房能耗控制邏輯。

圖8 自適應(yīng)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(hù)機(jī)制

（1）AI 空調(diào)群控系統(tǒng)是采用一套獨(dú)立于原溫感系統(tǒng)之外的高密度感知網(wǎng)絡(luò)，通過增加大量傳感器，實現(xiàn)機(jī)房溫度場的真實情況感知，可及時探測機(jī)房內(nèi)部局部熱點(diǎn)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(shè)備狀態(tài)心跳機(jī)制，建立邊緣節(jié)能設(shè)備連接狀態(tài)監(jiān)測機(jī)制，并具有自保持功能。AI 群控服務(wù)器只通過遠(yuǎn)程通訊來進(jìn)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(yùn)行。

（3）整個改造過程中無需更改機(jī)房原有基礎(chǔ)設(shè)施，機(jī)房內(nèi)精密空調(diào)機(jī)組均處于運(yùn)行狀態(tài)，不會出現(xiàn)多臺精密空調(diào)機(jī)組同時停機(jī)的情況，確保對機(jī)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(shè)置28天作為試點(diǎn)測試期，分4 階段輪流測試空調(diào)在自主運(yùn)行/群控運(yùn)行情況下的耗電量，第1、8、15、22 日0 點(diǎn)切換空調(diào)控制模式。對節(jié)能改造的機(jī)房空調(diào)單獨(dú)掛表，并接入動環(huán)系統(tǒng)，每日0 點(diǎn)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(jī)房各動環(huán)指標(biāo)正常，未發(fā)生高溫告警及相關(guān)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(yù)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(fèi)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(yù)計投資回收周期為28 個月。

5 結(jié)束語

本文分析了機(jī)房全局能耗數(shù)據(jù)，通過AI 建模預(yù)測設(shè)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(shù)構(gòu)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(diǎn)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(yīng)尋優(yōu)控制，基于數(shù)據(jù)反饋實時優(yōu)化模型精準(zhǔn)度，不但有效緩解了原空調(diào)系統(tǒng)的競爭運(yùn)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(jī)房精密空調(diào)隨季節(jié)變化需要手動開關(guān)機(jī)的問題，大幅減少人工干預(yù)，達(dá)到智能化管理目標(biāo)，一定程度地降低了現(xiàn)場運(yùn)維成本。