Simulating data center cooling systems: data-driven and physical modeling methods
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2020-03-16
Department
Major/Subject
Control, Robotics and Autonomous Systems
Mcode
ELEC3025
Degree programme
AEE - Master’s Programme in Automation and Electrical Engineering (TS2013)
Language
en
Pages
76+6
Series
Abstract
As the amount and energy consumption of data centers (DC) in the world has increased, their energy efficiency has come under scrutiny. Currently the best way to improve the effectiveness of a data center is to improve the cooling system, as its energy use is essentially wasted energy. This has ignited the interest to utilize model-based control strategies for DC thermal management. However, there are no definitive solutions on how to create suitable simulation models that predict the thermal response of a data center cooling system. In this thesis traditional physical modeling methods and new data-driven modeling methods are used to create two simulation models. The data-driven models are created using the long short-term memory (LSTM) neural network architecture using the machine learning tools TensorFlow and Keras. The physical models, which are based on the laws of physics, are created in Matlab and Simulink. The models are validated using the Edge DC laboratory located at the RISE ICE Datacenter research facilities in Sweden. The laboratory is used to collect data from many control combinations, and roughly 90 hours of experiment data is used to train and calibrate the models, and 10 hours is used for validation and testing of the simulations. On this validation data the physical simulation model achieves a mean absolute error (MAE) of 1.45 degree Celsius on the cold aisle, and 1.35 degree Celsius on the hot aisle. The data-driven simulation model in turn achieves MAEs of 1.44 and 1.84 degree Celsius on the cold and hot aisles, respectively. The accuracy of the simulations presented in this thesis are similar to what is often seen in the state-of-the-art physical models and surpass state-of-the-art neural network models. In addition, the simulation models in this thesis predict the thermal response of the entire cooling system, with further input/output temperature predictions for the other components between the server and the cooling tower. The simulations are can predict the system response for multiple hours into the future, and they can therefore be utilized for model predictive control and to find optimal DC cooling control strategies.Palvelinkeskuksien energiatehokkuutta on alettu tutkimaan niiden määrän sekä sähkönkulutuksen kasvun myötä. Tällä hetkellä palvelinkeskuksien energiatehokkuutta voidaan parantaa parhaiten kehittämällä niiden jäähdytysjärjestelmiä, sillä jäähdytyksen sähkönkulutus on käytännössä tuhlausta. Tämä on herättänyt kiinnostuksen mallipohjaisen säädön hyödyntämiseen palvelinkeskuksien lämmönhallinnassa. Tarkoitukseen sopivien simulaatiomallien, jotka ennustavat palvelinkeskuksen jäähdytysjärjestelmän termisen vasteen, luomiseen ei kuitenkaan ole lopullista ratkaisua. Tässä diplomityössä käytetään perinteisiä matemaattisia mallinnusmenetelmiä, sekä uusia dataohjattuja mallinnusmenetelmiä kahden simulaatiomallin kehityksessä. Dataohjattu malli luodaan käyttäen LSTM-neuroverkkoarkkitehtuuria (engl. long short-term memory) ja TensorFlow- sekä Keras-koneoppimistyökaluja. Matemaattiset mallit, jotka perustuvat fysiikan lakeihin, luodaan käyttäen Matlab- sekä Simulinkohjelmia. Simulaatiomallit validoidaan käyttäen Edge-palvelinkeskuslaboratoriota, joka sijaitsee RISE ICE Datacenter -tutkimuslaitoksessa Ruotsissa. Järjestelmästä kerätään mittausdataa eri ohjaussignaalien yhdistelmillä, ja noin 90 tuntia dataa käytetään mallien opettamiseen sekä kalibroimiseen, ja noin 10 tuntia simulaatiomallien validointiin ja testaamiseen. Tällä validointijaksolla matemaattisten mallien keskipoikkeama on 1,45 celsiusastetta palvelinkeskuksen kylmällä käytävällä, ja 1,35 celsiusastetta kuumalla käytävällä. Neuroverkko-malli puolestaan saa keskipoikkeamat 1,44 ja 1,84 celsiusastetta kylmällä ja kuumalla käytävällä. Tässä diplomityössä esiteltyjen simulaatiomallien tarkkuudet vastaavat matemaattisten mallien viimeisintä tekniikan tasoa, sekä ylittävät tarkkuudessaan aiemmat neuroverkko-mallit. Tämän lisäksi diplomityön simulaatiomallit ennustavat jäähdytysjärjestelmän kaikkien komponenttien termisen vasteen palvelimista jäähdytystorniin. Järjestelmän vaste voidaan ennustaa lukuisten tuntien päähän, ja näitä simulaatiomalleja voidaan siten hyödyntää mallipohjaiseen säätöön ja löytämään optimaalisia palvelinkeskuksen jäähdytysjärjestelmän ohjausstrategioita.Description
Supervisor
Zhou, QuanThesis advisor
Gustafsson, JonasBrännvall, Rickard
Keywords
long short-term memory, machine learning, artificial neural network, thermal modeling, data center, cooling system