本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘要：为实现数据中心制冷系统精细化节能，针对传统 CFD计算耗时及现有模型空间利用不足的问题，提出一种基于卷积神经网络的气流温度场预测框架。该方法通过空间特征图构建输入空间特征，利用卷积神经网络对空间特征进行提取、编码，使用人工神经网络融合工况信息与空间信息，并通过反卷积神经网络实现快速预测。经某大型数据中心机房的温度场数据验证，该方法平均绝对误差为0.312 ℃，可以为数据中心机房的精细化节能控制提供更可靠的气流组织。
关键字：数据中心，气流组织，数据驱动模型，卷积神经网络，人工神经网络
doi：10.12045/j.issn.1007-3043.2026.03.014
引言
随着信息化社会飞速发展带来的计算和存储资源需求的激增，近年来数据中心的能耗需求显著上升，已成为全球能源消耗的重要组成部分［1-2］。2023年全年，我国数据中心耗能量达到 1 500 亿 kWh，同比增长 15.4%，占全社会用电量的 1.63%［3］。在我国“2030碳达峰”和“2060 碳中和”的双碳大目标下，提升数据中心的运行能效，实现数据中心的节能减排至关重要。当前数据中心的能耗主要由 IT 设备、冷却系统、配电照明等辅助系统组成［4］。其中，将近 50% 的能耗用于制冷系统，通过提供冷气流对 IT设备进行降温［5］。
因此，数据中心制冷系统拥有巨大节能潜力，制定合理的制冷系统控制策略，在保证数据中心安全可靠运行的前提下实现高效节能，是实现数据中心节能降碳的关键一环[6]。
数据中心制冷系统的控制通常基于机房现场布置的传感器，通过传感器读值调整温度设定点，进行反馈控制[7]。然而，数据中心的温度分布往往不均匀，使用实际传感器测量温度时，其效果受到具体位置的限制。因此，获取数据中心气流组织的完整温度分布，从而全面对机房整体进行气流组织的优化，是精细化节能控制系统运行的基础与前提[8]。
目前，通常基于计算流体动力学(Computational Fluid Dynamics,CFD)方法进行数据中心气流组织的计算。然而，CFD的计算过程通常非常复杂，涉及基于大量网格节点处理离散的微分方程，这使得CFD的计算过程往往非常耗时，尤其是在数据中心这类需要对高分辨率或复杂几何形状流场进行模拟的情况下[9]。因此，在数据中心场景中，CFD方法往往无法满足实时控制的需求。
相比之下，数据驱动的方法可以利用已有的实验或仿真数据来建立预测模型，无需复杂的物理求解过程，一个经过良好训练的模型就可以非常快速地进行准确预测，能够满足实时控制对于计算速度的需求[10]。例如,殷佳辉等人[11]基于CFD数据集,使用 El-man神经网络、RBF神经网络和SVR支持向量回归机，对数据中心稳态运行情况下的不同机柜负载率的空调回风温度进行快速预测，但该研究仅停留在对回风温度的估计上。黄金森等人[2]研究了基于SVR的数据中心空调系统瞬态热参数预测，建立针对空调失效极端工况下的快速温度预测模型，同样仅进行点估计，未考虑温度分布问题。为实现温度分布的快速预测，许俊等人[13]采用卷积神经网络配合CFD数据，实现了一种可以快速预测数据中心机房某一特定截面的温度分布的方法,平均绝对误差(Mean Absolute Error,MAE)为3.12 ℃。Dai[4]等人提出了一种基于POD和CFD耦合的新型多尺度模型，用于预测数据中心从房间尺度到芯片尺度的热和流体特性，对房间气流组织预测的最大相对偏差为7.21%。Fang[13]等人使用深度神经网络(DNN)来预测温度数据,MAE为3.51℃。上述研究初步证明了数据驱动方法在数据中心机房气流组织快速预测上的可行性，但是大型数据中心机房是数据中心产业的耗能主体，其流场更加复杂，如何实现大型数据中心机房各横向截面温度的快速高精度预测，仍然有待探究。
针对上述问题，本文提出一种基于改进卷积神经网络框架的数据中心机房温度场预测模型。相较于现有的方法，本框架结合了卷积神经网络的空间特征提取能力以及人工神经网络融合高度非线性关系的能力，使用卷积神经网络处理空间数据，使用人工神经网络处理运行工况数据，旨在快速准确地预测大型数据中心多平面温度场。
