基于协同神经动态优化的数据中心冷却系统运行规划

《Neural Networks》：Operational Planning of Data-Center Cooling Systems via Collaborative Neurodynamic Optimization

　　

摘要

数据中心是信息处理、存储和传输的重要设施。随着数据中心能耗的快速上升，这一问题已引起全球关注。在数据中心中，冷却系统占据了相当大的能耗比例。现有的规划方法在优化数据中心冷却系统运行方面效率较低。本文针对数据中心冷却系统的运行规划，构建了一个混合整数非线性优化模型，并将该问题分解为两个分别涉及连续变量和离散变量的子问题。在协同神经动态优化框架下，提出了一种求解这些子问题的方法，该方法利用由投影神经网络和玻尔兹曼机组成的神经动态模型对，并结合粒子群优化规则。

在拥有800、2700、4000和8000个机架的数据中心上进行了实验，实验结果表明，与主流方法相比，所提出的方法能够实现更低的能耗。

引言

近几十年来，随着信息技术和人工智能需求的不断增长，数据中心的数量也在迅速增加（Zhan等人，2025年）。目前，数据中心消耗的电力约占全球总用电量的1%到2%，而且这一比例还在以每年约12%的速度上升（国际能源署，2025年）。在数据中心的总能耗中，冷却系统大约占了40%（Offutt和Zhu，2025年；Winick、Zhu和Kitz、Adams，2025年）。因此，提高冷却系统的运行效率对于降低数据中心的整体能耗至关重要（He等人，2021年）。

暖通空调系统是用于调节室内温度和湿度的最常用设施（Nguyen等人，2024年）。为了提升数据中心内暖通空调系统的运行效率，人们已经开发出了多种方法。现有的元启发式方法包括粒子群优化（PSO）（Fang、Zhou、Wang、Wang，2022年；Zhao、Chen、Li、Liu，2024年）、遗传算法（GA）（Huang等人，2025年）、差分进化算法（DE）（Wang等人，2024b年）、改进型鲸鱼优化算法（E-WOA）（Jiang等人，2024年）以及混沌麻雀搜索算法（Wang等人，2024a年）等。此外，还有基于强化学习的方法也被用于提升数据中心内暖通空调系统的运行效率（Chen、Guo、Liu、Shen、Lin、Cui，2024a年；Kachun、Song、Chao、Chen、Guo，2026年；Li、Wen、Tao、Guan，2019年；Lu、Li、Chen、Lei、Ma，2024年；Qiu-shi，2025年；Wang、Sun、Cheng、Jiang、Zhou，2023年；Zhan、Zhu、Cheng、Hu、He、Geng、Leng、Zheng、Liu、Hong、Liang、Liu、Zhao，2025年）。然而，由于缺乏理论保障，现有元启发式规划方法的解决方案质量可能无法得到保证（Yahia和Mohammed，2023年）。而基于强化学习的方法通常存在样本效率低的问题，需要大量与环境交互才能学习出有效的策略（Krichen，2023年；Srinivasan，2023年）。另一方面，只有少数研究着眼于基于冷却负荷对数据中心内暖通空调系统运行进行系统级优化（Huang、Yan、Zhou、Yang、Huang，2025年；Jiang、Shao、Yang，2024年；Wang、Sun、Yoon、Zhao、Liang，2024b年；Zhao、Chen、Li、Liu，2024年）。这些研究仅将冷却负荷视为外部输入，忽略了冷却负荷、数据中心运行状态和工作负载之间的动态耦合机制。因此，有必要考虑这种耦合机制，并为数据中心的冷却系统开发高效的规划方法。

在过去的四十年里，人们提出了多种神经动态优化方法，还开发了众多循环神经网络模型来解决各种优化问题（Ackley、Hinton、Sejnowski，1985年；Che、Wang，2019年；Jin、Zhu、Zhao、Chen、Chen、Gong，2022年；Le、Wang，2016年；Qin、Xue，2014年）。由于单一的神经动态优化模型在应用于非凸优化问题时容易陷入局部最优解，因此人们提出了协同神经动态优化方法来解决这一缺陷（Yan等人，2017年）。协同神经动态优化方法整合多个神经动态模型进行分散搜索，并通过元启发式规则重新初始化所有模型的状态，从而避开局部最优解并趋向全局最优解。事实证明，协同神经动态优化方法能够确保较高的解决方案质量，几乎总能收敛到全局优化问题和混合整数优化问题的全局最优解（Che、Wang，2021年；Yan、Fan、Wang，2017年）。该方法已被广泛应用于各种实际问题，如指数跟踪（Zhang和Wang，2025年）、机器-单元和部件系列划分（Li和Wang，2025c年）、聚类分析（Li和Wang，2022年）以及非负张量分解（Ahmadi-Asl等人，2025年）。鉴于协同神经动态优化方法的快速发展，有必要为其开发一种用于数据中心冷却系统规划的驱动方法，以提高其运行效率。

本文致力于研究具有多个热区域的数据中心冷却系统的运行规划问题。该系统的规划被构建为一个混合整数非线性优化问题，随后该问题又被分解为两个分别涉及连续变量和二进制变量的子问题。本文提出了一种名为CNO-DC的协同神经动态优化驱动方法，通过求解这些子问题来寻找全局最优解。该方法利用多组由投影神经网络和玻尔兹曼机组成的神经动态模型对来搜索局部最小值，并通过元启发式规则重新初始化神经元状态。

本文的主要贡献如下：

• 1.
  本文为数据中心冷却系统的运行规划构建了一个优化模型。该模型将冷却负荷与数据中心工作负载下的IT设备运行状态相联系，从而实现了数据中心工作负载与冷却系统运行的耦合，有助于确定在动态数据中心工作负载下的最佳冷水机组加载状态。
• 2.
  本文提出了一种基于协同神经动态优化驱动的方法，用于确定数据中心冷却系统中冷水机组的最佳加载状态。该方法通过多组神经动态模型进行分散搜索，并借助元启发式规则对神经元状态进行初始化，从而能够避开局部最优解并趋向全局最优解。
• 3.
  本文在具有不同机架数量以及不同冷水机组配置的数据中心上进行了实验，结果表明，与主流规划方法相比，CNO-DC方法在降低能耗方面更具优势。

本文的其余结构如下：第2节介绍相关背景知识；第3节阐述数据中心冷却系统运行规划的问题描述；第4节介绍CNO-DC方法；第5节展示在不同规模数据中心上的实验结果；第6节对全文进行总结。

章节要点

预备知识

本节介绍了数据中心、投影神经网络、玻尔兹曼机以及协同神经动态优化等相关背景知识，以便读者更好地理解后续内容。

问题描述

本节阐述了IT设备的能耗情况、数据中心冷却系统规划的问题构建方式以及问题的分解方法。各类变量和参数汇总后列于表1中。

基于协同神经动态优化的方法

本节介绍了一种名为CNO-DC的基于协同神经动态优化的方法，用于解决问题（18）和（20）。该方法输入冷水机组参数和数据中心的相关规格，输出最佳的冷水机组加载状态以及相应的能耗数值。冷水机组参数包括额定容量以及能耗函数的系数，而数据中心规格则涵盖机架数量、每个活动机箱的基准能耗、每台活动服务器的能耗等。

实验结果

本节评估了CNO-DC方法在四座不同数据中心上的应用效果。根据（Pham，2017年）的研究，可以根据机架数量将数据中心划分为不同的标准规模类别。本文研究了三种规模的数据中心：中型（201–800架机架）、大型（801–3000架机架）和超大型（3001–9000架机架）。实验中采用了四种不同的配置，具体如下：

• 1.
  一座拥有800架机架的中型数据中心，采用四台冷水机组进行冷却（Chang等人，2005年）；
• 2.
  一座拥有2700架机架的大型数据中心，采用

结论

本文提出了一种用于数据中心冷却系统运行规划的 方法。该规划过程基于一个混合整数非线性优化模型，该模型明确地将数据中心的工作负载与冷却系统的运行联系起来。为提升求解效率，该问题被分解为两个子问题，然后又基于协同神经动态优化方法开发出了用于求解这些子问题的方法，该方法运用了多组神经动态模型对。

CRediT作者贡献说明

张成硕：撰写——审阅与编辑、撰写——初稿、可视化、验证、方法论、研究、概念构思。徐萌：撰写——审阅与编辑、研究。杨少福：撰写——审阅与编辑、研究。刘飞：撰写——审阅与编辑。陈忠英：撰写——审阅与编辑、验证、项目监督、方法论、研究、资金获取、概念构思。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究成果的已知财务利益关系或个人关系。

致谢

本研究部分得到了中国国家自然科学基金的支持，项目编号为62406067，同时还得到了江苏省自然科学基金的支持，项目编号为BK20241298。

张成硕|徐萌|杨少福|刘飞|陈忠英