本文版權(quán)為《郵電設(shè)計(jì)技術(shù)》所有，如需轉(zhuǎn)載請聯(lián)系《郵電設(shè)計(jì)技術(shù)》編輯部
摘 要：機(jī)房內(nèi)部氣流組織的合理性關(guān)系到數(shù)據(jù)中心制冷系統(tǒng)的能耗、IT設(shè)備的性能和熱環(huán)境的安全。傳統(tǒng)氣流組織模擬性能一般在小時(shí)級，使用場景受限，難以滿足實(shí)時(shí)運(yùn)營對機(jī)房溫度場預(yù)測的時(shí)效性需求。提出一種基于Transformer的機(jī)房三維溫度場快速重構(gòu)和預(yù)測方法，通過融合深度學(xué)習(xí)模型與傳統(tǒng) CFD，將氣流組織預(yù)測時(shí)間降低至分秒級，全局平均預(yù)測精度誤差控制在 5% 以內(nèi)，從而使 CFD 仿真有效地從設(shè)計(jì)階段應(yīng)用到運(yùn)維階段，支撐數(shù)據(jù)中心的智慧運(yùn)營業(yè)務(wù)。
關(guān)鍵詞：數(shù)據(jù)中心；溫度場預(yù)測；Transformer；機(jī)器學(xué)習(xí)；計(jì)算流體力學(xué)
doi：10.12045/j.issn.1007-3043.2024.10.001
概述
隨著物聯(lián)網(wǎng)、大數(shù)據(jù)以及人工智能等新一代信息技術(shù)的推進(jìn)和發(fā)展，全社會數(shù)字經(jīng)濟(jì)蓬勃發(fā)展，算力需求日益增長。據(jù)中國算力平臺統(tǒng)計(jì)測算，2023年中國算力市場規(guī)模平均增速達(dá)到 30%，同時(shí)數(shù)據(jù)中心用電量約為1500億 kWh，占全社會用電量的 1.6%。預(yù)計(jì)到 2030 年，我國數(shù)據(jù)中心能耗總量將超過4000億 kWh。近年來，為了推進(jìn)數(shù)據(jù)中心等重點(diǎn)設(shè)施的綠色低碳升級，工信部等國家部門制定了相關(guān)政策，要求到2025年全國新建大型、超大型數(shù)據(jù)中心的PUE降到 1.3 以下，改建核心機(jī)房降到 1.3 以下，數(shù)據(jù)中心的節(jié)能降碳面臨巨大挑戰(zhàn)。
數(shù)據(jù)中心冷卻系統(tǒng)占數(shù)據(jù)中心總能耗的 30%~55%，由于數(shù)據(jù)中心各機(jī)房空間布局復(fù)雜，氣流組織可能存在分布不均勻、冷熱氣流混摻等問題，進(jìn)而導(dǎo)致冷卻效果不佳，帶來持續(xù)的能源浪費(fèi)。通過人工測量、現(xiàn)場布置溫度傳感器等實(shí)驗(yàn)測量方法可以捕捉局部熱點(diǎn)，但受限于空間和成本問題，難以獲取機(jī)房全局的溫度場信息。利用計(jì)算流體力學(xué)（ComputationalFluid Dynamics，CFD）的方法，可有效地計(jì)算模擬出特定條件的機(jī)房溫度場三維分布，從而為提高冷卻效能提供參考。
然而，傳統(tǒng)的 CFD技術(shù)通常需要進(jìn)行復(fù)雜的數(shù)值模擬和計(jì)算，耗費(fèi)大量的計(jì)算資源與時(shí)間，針對數(shù)據(jù)中心機(jī)房氣流組織的性能模擬通常需要小時(shí)級的時(shí)間成本，使用場景受限，難以滿足數(shù)據(jù)中心實(shí)時(shí)運(yùn)營階段對于仿真數(shù)據(jù)的時(shí)效性需求。隨著信息技術(shù)的發(fā)展，大量數(shù)據(jù)可被收集和積累，智能預(yù)測模型的快速性優(yōu)勢日益凸顯。部分研究嘗試將機(jī)器學(xué)習(xí)方法與傳統(tǒng)CFD仿真技術(shù)結(jié)合，在給定的邊界條件以及初始條件下，利用機(jī)器學(xué)習(xí)方法對流體域的三維溫度場進(jìn)行快速重構(gòu)，從而實(shí)現(xiàn)溫度場等物理量的智能預(yù)測。近年來，智能預(yù)測模型主要采用卷積神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)、自編碼器等方法�？紤]到數(shù)據(jù)中心機(jī)房智能預(yù)測具備時(shí)序性強(qiáng)、復(fù)雜構(gòu)型和強(qiáng)非線性的特點(diǎn)，上述方式的效果有限，亟需研發(fā)針對數(shù)據(jù)中心機(jī)房的三維溫度場智能預(yù)測方法。
Transformer 通過將注意力引入到自編碼器模型中，允許模型在解碼時(shí)關(guān)注輸入序列的不同部分，可以有效提升模型性能。Transformer 摒棄了 RNN 和CNN的結(jié)構(gòu)，依賴于自注意力機(jī)制和殘差前饋神經(jīng)網(wǎng)絡(luò)，在自然語言處理領(lǐng)域獲得了廣泛關(guān)注和應(yīng)用。Transformer在處理長程依賴、并行計(jì)算、任務(wù)適應(yīng)性和穩(wěn)定性等方面具有一定的優(yōu)勢，其自注意力、上下文建模等機(jī)制不僅可以有效地捕捉復(fù)雜機(jī)房空間特征中的全局溫度場趨勢，還能關(guān)注到關(guān)鍵的局部熱點(diǎn)信息。因此，本文基于 Transformer 深度學(xué)習(xí)模型和架構(gòu)，通過對機(jī)房三維溫度場信息的挖掘和學(xué)習(xí)，實(shí)現(xiàn)對數(shù)據(jù)中心三維溫度場的快速重構(gòu)和智能預(yù)測，為數(shù)據(jù)中心的智慧運(yùn)營提供技術(shù)支撐。
