任运业

安科瑞电气股份有限公司 上海嘉定 201801

摘要：数据中心节能降耗管理和智能化运维提供支撑。

关键词：数据中心能耗；数据分析；关联分析；节能研究；皮尔逊相关系数

0引言

近些年，国内大型数据中心的运营管理和节能改造具有方向性和指导性意义。

1数据中心能耗分析

在中心的能耗构成和主、次要能耗类型；另一方面是定量分析，从数据角度对能耗规律及相关关系进行挖掘。

1.1定性分析

（1）IT负荷能耗：主要是数据最大。

（2）制冷系统能耗：主要包括冷机、冷却泵、冷冻泵、冷塔、蓄冷罐、末端空调等制冷设施在数据中心的各个机房内，根据各机房内的设备运行情况，为局部提供适当的温度环境。

（3）消防系统能耗：主要包括：消防给水设备、灭火设备、紧急广播、漏电报警、火灾报警、应急照明指示灯等在运行保障期间所消耗的电力能源。大多数时间中，这些设备处于静默或休眠状态，电能消耗不大。

（4）辅助设备消耗的能耗：主要包括照明、电梯系统、视频监控系统、屏蔽设施、动环监测设备等运行过程时所消耗的能源。通常这部分设备能耗占比并不大。

（5）损耗能耗：包括UPS损耗、线路及接口损耗等。这部分能耗并不提供有用功，属性于系统性损耗。通常施工改造等外接设备消耗的能源也计入损耗能耗。

虽然上述分析针对所调研的数据中心能耗类型也与此类似，只是在能源消耗占比上有所区别。

1.2定量分析

在定性分析的基础上，结合实际能耗数据，对数据中心能耗情况进行分析，挖掘能耗规律特点及关联关系，为节能策略的提出提供数据支撑。根据数据范围及数据量，定量分析又分为总体分析和局部分析。

1.2.1总体能耗分析

通过对数据中心2021年能耗进行统计分析可得各部分的能耗占比，如图所示：

图1总体能耗占比分析

从图1可知，数据中心的总体能耗和IT设备能耗使用情况进行统计分析，如图2所示：

图2数据中心能源总体消耗情况

从图2可以看出，总体能耗规律与IT设备的能耗规律基本一致，呈波动形；IT设备能耗较总能耗波动性较平缓，说明IT总负载全年变化不大；总能耗波动性较大，尤其在7、8、9月能耗较突出，11、12月的能耗较小，较符合中国北方夏季气温高制冷能耗突出而冬季气温低制冷能耗较低的特点。

衡量数据中心总能耗与IT设备能耗之比，即：

P

PIT

PUE=

其中，P是数据中心整体按月进行PUE计算，可得PUE规律如图3所示：

图3数据中心PUE分布情况

分析可知，数据中心的能耗效率较好。

1.2.2局部能耗分析

数据中心总能耗达70%以上，因此，对机房进行进一步精细化能耗分析，掌握机房能耗分布情况，识别能耗主要节点，对后续的能耗管理及节能措施具有重要意义。

经调研机房内的设备主要包括：主机机柜、路由器、列头柜、UPS电源、精密空调及部分动环监测设备等，设备分布如4图所示，所采集到的能耗数据有：各列机柜能耗数据、精密空调能耗数据、机房内温湿度数据、室外气温数据等。

图4机房布局图

（1）机房能耗规律分析及挖掘

图5机房IT设备能耗分析

通过分析可知，A-J共10列机柜中H、J列机柜能耗这一年均为0，说明这两列机柜并未启用，B、C、D列机柜全年中仅部分时间使用，A、E、F、G、I列机柜全年均在使用；其中D列机柜在使用期间的月能耗最小；

（2）精密空调能耗消耗情况及规律

图6机房精密空调能耗规律

精密空调最di能耗的月份2、3、4月，能耗分布具有明显的波动特性，电能用量规律与北方室外气温变化相符，即6、7、8月份气温较热，在集中制冷系统的基础上，精密空调需提供较大的额外制冷，空调负荷较重，能耗较高，2-4月份气温较低，空调负荷较轻，能耗较低。

（3）能耗相关性分析

为进一步研究各部分能耗数据与温湿度的相关性，对各类设备的能耗数据与温湿度数据进行相关分析。首先对所有数据进行预处理。由于能耗和温度、湿度的计量单位不同，所以采用min-max方法对数据进行量化处理。然后采用皮尔逊(Pearson)相关系数对IT能耗、精密空调能耗、室外温度和湿度间进行相关性分析。

表1皮尔逊相关系数矩阵

从表1中可以看出，IT能耗与精密空调能耗、室外温度、湿度之间都是正相关的关系（相关性数值均大于0）。其中，IT能耗与精密空调能耗为强相关性（相关性数值大于0.7），与湿度中度相关性（相关性数值大于0.5），与温度弱相关性（相关性数值小于0.4）；精密空调能耗与温度、湿度、IT能耗的均为强相关性，与温度相关性最大。

图7展示出了的IT能耗与精密空调能耗、温度、湿度的分布规律。可以看出，IT能耗在2月、6月和9月有所下降，空调能耗在2月和9月下降，湿度在2月、4月、9月和10月下降，温度在8月、9月和10月下降，其余月份均稳定上升。综上，IT能耗和精密空调能耗的变化趋势较相近，二者关联性更大。

图7IT能耗与空调能耗、温度、湿度的分布规律

图8展示出了的精密空调能耗与温度、湿度的分布规律对比。可以看出，精密空调能耗在2月、8月和9月有所下降，其余月份均稳定上升。湿度在2月、4月、9月和10月下降，温度在8月、9月和10月下降，2月平稳没变，其余月份均稳定上升。因此，精密空调能耗和温度的变化趋势较相近，二者关联性更大。

图8精密空调能耗与温度、湿度的分布规律

（4）局部能耗效率分析

与数据中心整体相比，机房内的用电设备相对较少，更容易分析其能耗效率。计算机房的能耗效率可以衡量在机房的总电能中，具体多少是用到IT设备上的，多少是用到制冷上的，从而调整优化制冷的分配。机房的能耗效率是机房总功耗与机房内IT设备的能耗

之比，即：

p

pue=

pit

其中p为机房总能耗，pit为机房内的IT设备能耗。下图给出了机房总能耗（p）、IT设备能耗（pit）、能耗效率（pue）的分布规律。

图9机房的pue分布规律-按月统计

从图中可看出，数据最小，为1.13。说明机房pue和总功耗、IT能耗的变化趋势相近。

图10机房的PUE分布规律-按天统计

根据上述分析，可总结数据中心各系统按电能消耗占比排序分别为IT负荷、制冷系统、损耗、辅助设备、消防系统五个部分；能耗一般在7-9月份较突出，11-12月份较低，能耗及PUE分布呈现波动特征；通过局部分析可知，IT能耗与精密空调能耗、室外气温、温度之间呈正相关关系，且IT能耗与湿度相关性较强，与气温相关性较弱；局部机房的IT能耗、能耗效率及总功耗的变化趋势相近。

2节能策略及建议

综合上述数据中心运行条件的基础上，节约能源消耗。

（1）利用室外自然冷源

自然冷却是很多大型数据中心或商业建筑采用的

冷却方式之一，即当室外温度低于某一温度时（如10C°至13C°),将数据中心制冷系统由冷水机组制冷转换

为自然冷源制冷。因此，可根据能耗及气温数据采用自动化的主-被动制冷控制，即根据历史数据、监测数据，若在一定时间内，当地气温达到低温阀值，则自动给出自然冷却建议及方案，并由运维人员判断进行判断，将冷水机组切换为自然冷却制冷，以达到节约能耗的目标，但具体冷量需要根据冷却模型进行估算

（2）优化机房空调运行

基于能耗分析结果及温湿度与能耗的相关关系，进一步分析机房内的热源分布，风道风速等，根据温度规律优化调配空调送风温度及开启数量，使机房空调工作在一个相对较低的能耗水平；此外，因能耗与湿度间呈强相关关系，可考虑采购一定数量的除湿机，不再依靠机房空调或新风机来降低模块机房的湿度，做到精准除湿，降低空调系统耗电。

（3）关闭不必要的机房空调

进入冬季后，柴房楼、运维楼相关功能房间受室外环境温度影响，房内温度较低，可以关闭蓄电池室、配线间、智能建筑机房、控制室等房间机房空调或立式组合空调，节省能耗，相关专业要做出比较敏感的反应。

（4）夏季关闭柴油发电机组水套加热器

每年5月下旬至9月中旬可关闭柴油发电机组水套加热器，减少为柴发冷却液加热造成的耗电。柴发带载模式为一路断电柴发启动，空载运行。夏秋季气温高，且柴发为空载启动，关闭水套加热器仍可保证柴发正常启动。

3安科瑞能耗统计分析（能源管理）解决方案

3.1能效管理解决方案介绍

建立高效的能耗监测管理系统，对建筑各类耗能设备能耗数据进行实时测量，对采集数据进行统计和分析。能够合理的确定各区域建筑能耗经济指标及绩效考核指标，发现能源使用规律和能源浪费情况，提高人员主动节能的意识。

①　搭建数据中心智慧能源管理系统的基本框架，对各个用能环节进行实时监测；

②　排碳数据化：通过系统可实现建筑单位内人均能耗分析（包括水、电、能量），实现低碳办公数据化；

③　区域能效比：实现建筑单位内区域能耗对比，方便能耗考核；

④　同期能效比：实现同年、同期、同一区域能耗对比，方便节能数据分析；

⑤　能耗评估管理：按照能源消耗定额标准约束值、标准值、引导值进行分析单位面积能耗和人均能耗指标；

⑥　能耗竞争排名：各个功能区能耗对比，实现能耗排名，增强工作人员的节能意识；

⑦　对能耗的使用数据进行综合的分析、统计、打印和查询等功能，并根据能耗监测管理系统的需要可选择不同样式报表的打印。为能耗运营管理部门提供可靠的依据；

⑧　能耗数据采集，随时查询，并根据采集数据进行统计分析，监测异常能源用量，对能源智能仪表故障进行报警，提高系统信息化、自动化水平。

3.2能源管理系统硬件配置

4结束语

文章针对数据中心的提质降耗改造提供借鉴。

参考文献

[1]盛凯,郑常奎,芦帅,等.我国数据中心产业政策研究[J].通信管理与技术,2021,171(1):9-11.

[2]王月,李洁,郭亮.数据中心产业发展分析[J].通信管理与技术,2020,170(6):13-16.

[3]罗丹,李颖萱.数据中心能耗现状分析与绿色发展探索[J].通信世界,2022,903(17):36-38.

[4]张海南,田亚玲,张阳,等.中国数据中心节能技术发展现状与趋势[J].中国基础科学,2020,22(6):10-14.

[5]杨扬,任俊桦,王爱丽,刘宇.数据中心能耗分析及节能策略研究

[6]安科瑞企业微电网设计与应用手册2022.5版