LSTM Güdümlü Öngörülü Isıl Analize Dayalı Veri Merkezleri için Proaktif Soğutma Kontrol Algoritması
Özgün başlık Proactive Cooling Control Algorithm for Data Centers Based on LSTM-Driven Predictive Thermal Analysis
Applied System Innovation (MDPI AG) · Jieying Liu, Rui Fan ve diğerleri
Küçük kapalı bir sunucu odasının sensör yoğun, veriye dayalı dijital ikizi: 20 raf, ortalama 100 kW yük, N+1 yedeklilikli iki soğutulmuş su CRAC'ı ve 150 sıcaklık/nem sensörü; LSTM rafların sıcaklığını 30 dakika önceden tahmin edip CRAC fan hızı ve vana konumunu önceden ayarlıyor.
CC BY 4.0 — atıf vererek paylaşabilirsiniz
Bu sayfada
Özet
Çalışma, statik eşiklere dayalı reaktif soğutma stratejisinin dinamik ısı yüklerini yönetmede yetersiz kaldığı, enerji verimsizliği ve yerel sıcak nokta riski doğurduğu sorunundan yola çıkıyor. Test odası 15 × 10 × 3,5 m, iki sırada 20 raf, ortalama 100 kW ve tepe 150 kW BT yükü, N+1 yedeklilikli iki soğutulmuş su CRAC'ı ve sıcak/soğuk koridor kapama içeriyor. 150 sensör var (raf başına 6: giriş ve çıkışta üst, orta ve alt; CRAC'larda 4; başka yerlerde 26), veri 1 Ocak - 30 Nisan 2025 arası.
LSTM 60 dakikalık girdi penceresi ve 30 dakikalık tahmin ufku kullanıyor; bildirilen RMSE 0,25 ve R² 0,985. Tahmin raf başına iki sensöre (bir giriş, bir çıkış) kadar kararlı kaldı; bunun altında RMSE yaklaşık %22 arttı. 120 sensör boyunca medyan R² dört ay boyunca 0,97'yi aştı. Tahmin, reaktif PID kontrol yerine CRAC fan hızı ve vana konumunda önleyici değişiklikleri yönlendiriyor.
Geçmiş veri üzerinde PID kontrole karşı simülasyonda ortalama PUE 1,48'den 1,30'a düştü; yazarlar bunu soğutma enerjisinde %37,5 ve PUE'de %12,16 azalma olarak ifade ediyor. 27 °C üzerindeki saat sayısı 48'den 2'ye düştü.
Sınırlar: enerji karşılaştırması canlı A/B testi değil, dört aylık geçmiş veri üzerinde veriye dayalı bir simülasyon; soğutma tepkisi kontrollü bir saha denemesinde ölçülmedi, gerçek işletme verisiyle sürülen bir termodinamik modelle simüle edildi. En aktarılabilir sonuç sensör yoğunluğu duyarlılık kontrolü: güvenilir tahmin için raf başına bir giriş ve bir çıkış sensörü asgari değer.
Öne çıkan noktalar
- Test odası: 15 × 10 × 3,5 m, iki sırada 20 raf, ortalama 100 kW ve tepe 150 kW BT yükü, N+1 yedeklilikli iki soğutulmuş su CRAC'ı, sıcak/soğuk koridor kapama.
- 150 sensör (raf başına 6: giriş ve çıkışta üst, orta ve alt; CRAC'larda 4; başka yerlerde 26); veri 1 Ocak - 30 Nisan 2025.
- LSTM 60 dakikalık girdi penceresi ve 30 dakikalık tahmin ufku kullanıyor; bildirilen RMSE 0,25 ve R² 0,985.
- Tahmin raf başına iki sensöre (bir giriş, bir çıkış) kadar kararlı kaldı; bunun altında RMSE yaklaşık %22 arttı; 120 sensör boyunca medyan R² dört ay boyunca 0,97'yi aştı.
- PID kontrole karşı geçmiş veri simülasyonunda ortalama PUE 1,48'den 1,30'a düştü (%37,5 soğutma enerjisi ve %12,16 PUE azalması); 27 °C üzerindeki saat sayısı 48'den 2'ye düştü.
- Soğutma tepkisi kontrollü bir saha denemesinde ölçülmedi; gerçek işletme verisiyle sürülen termodinamik modelle simüle edildi.
Tasarımda kullanımı
- Öngörülü soğutma kontrolü için en az raf başına bir giriş ve bir çıkış sıcaklık sensörü planlayın; bunun altında tahmin hatası yaklaşık %22 arttı.
- Proaktif kontrolün PUE kazancını (1,48'den 1,30'a) canlı denemeyle doğrulamadan taahhüt etmeyin; sonuç dört aylık geçmiş veri simülasyonuna dayanıyor.
- CRAC fan hızı ve vana değişimini ön kontrolde (30 dakikalık tahmin ufku) tanımlayıp N+1 bakım durumunda da test edin.
Aylık bülten · ücretsiz
Referans listeniz güncel kalsın
Ayda bir: yeni eklenen kaynaklar, Türkiye mevzuatındaki değişiklikler ve yaklaşan veri merkezi etkinlikleri.
SoSo CAD
Soğutma kapasitenizi tasarımla birlikte kontrol edin
SoSo CAD’de zonların ısı yükünü, kullanılabilir kapasitesini ve en büyük ünite kaybındaki kapasite dengesini inceleyin.
Demo iste
Kimler okumalı
Veri merkezi soğutma kontrolü, sensör yerleşimi ve tahmine dayalı kontrol algoritmaları geliştiren mühendisler.
Belgenin bölümleri
- 1. Giriş
- 2. Metodoloji (2.1 Sistem mimarisi, 2.2 Veri toplama ve ön işleme, 2.3 Tahmine dayalı modelleme ve dijital ikiz oluşturma, 2.4 Kontrol mantığı ve güvenlik kısıtları, 2.5 MPC ve RTDO ile karşılaştırma)
- 3. Deney ve uygulama (3.1 İşletme koşulları: temel yük, nem kararlılığı ve kontrolü, tepe yük, dinamik yük dalgalanması, ekipman bakım koşulu (N+1 yedeklilik testi); 3.2 Kontrol mantığı ve yürütme; 3.3 Uygulama ve tekrarlanabilirlik ayrıntıları)
- 4. Sonuçlar ve tartışma (4.1 Sıcaklık tahmini, 4.2 Sıcak nokta bastırma etkisi, 4.3 Enerji tüketimi, 4.4 CRAC işletmesinin dinamik tepkisi, 4.5 Sistem dayanıklılığı, 4.6 Ablasyon ve duyarlılık analizi, 4.7 Ekonomik ve pratik değerlendirmeler, 4.8 Dayanıklılık ve duyarlılık kontrolü)
- 5. Sonuçlar
İlgili standartlar
- ASHRAE TC 9.9 Thermal Guidelines for Data Processing Environments
- ISO/IEC 30134-2 (PUE)
Belgeyi okuyun
lstm-proactive-cooling-control-2026.pdf
CC BY 4.0 — atıf vererek paylaşabilirsiniz
Belge, lisansı yeniden dağıtıma izin verdiği için özgün haliyle ve değiştirilmeden sunulmaktadır.
Yayın bilgileri
- Yazarlar
- Jieying Liu; Rui Fan; Zonglin Li; Napat Harnpornchai; Jianlei Qian
- Yayıncı
- Applied System Innovation (MDPI AG)
- Yıl
- 2026
- Cilt
- 9
- Sayı
- 1
- Sayfalar
- 21
- Belge dili
- İngilizce
- Kaynak türü
- Bilimsel yayın
- Erişim
- Açık lisans — indirilebilir
- Lisans
- CC BY 4.0 — atıf vererek paylaşabilirsiniz
- Lisans kanıtı
- www.mdpi.com
Özgün lisans notu (İngilizce)
PDF p.1: open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license.
Künye
Jieying Liu; Rui Fan; Zonglin Li; Napat Harnpornchai; Jianlei Qian (2026). Proactive Cooling Control Algorithm for Data Centers Based on LSTM-Driven Predictive Thermal Analysis. Applied System Innovation (MDPI AG). 9(1), 21. https://doi.org/10.3390/asi9010021
Konuyla ilgili etkinlikler
Etkinlik takvimini inceleyinİçerik ve tüm hakları eser sahiplerine aittir. SoSo CAD yalnızca künye, kendi hazırladığı özet ve kaynağa bağlantı sunar; kaynakların içeriğinden sorumlu değildir.