0 引言

随着云计算，移动互联网，大数据和物联网等信息技术的迅猛发展，我国大数据中心的数量和服务量也快速增长。在大数据中心的能耗中，空调系统能耗约占40%，其节能潜力巨大，是未来我国节能减排的重要方向[1]。对于我国长江流域及广大的北方地区，由于其冬季平均气温低于10℃，如果有效利用室外环境中的冷量，则可以大大降低大数据中心内用来维持室内温度的空调耗能。对于引入室外冷风节的能策略以及节能效果的分析，国内外已有许多研究，徐伟对北京某数据中心进行了水冷和自然冷却双冷源节能运行设计[2]。张扬等对某一夏热冬冷地区的通风空调设备进行了分析与研究[3]。Iyengar介绍了间接空气冷却和干式蒸发冷却两种不同的节能措施，并以夏季某一天的小时温度作为输入预测了这两种不同方式下的冷却风温度[4]。Endo等对全年的室外空气温湿度变化提出了不同的新风换热运行模式[5]。Sun等对商业办公室两个数据中心的能源使用情况进行研究，探讨了数据中心的节能问题[6]。

目前的研究主要集中在针对室外空气温度的阶段性变化来采取不同的通风策略，很少考虑到新风参数的实时变化对整个空调系统的瞬态影响。在实际生活中，室外空气温度不仅随季节阶段性变化，而且随昼夜的交替也会产生很大的变化波动，为了避免在采用新风换气时室外环境的波动对数据服务器产生不稳定性干扰，有必要获得大数据中心室内空气温度随室外环境变化的全年动态特性数据，以对新风通风量进行管理和控制。为此，本文以南京地区全年温度变化为边界，采用集总参数法建立了南京地区大数据中心全年温度动态变化过程的理论模型，研究了大数据中心的全年热平衡特性与温度动态响应行为，旨在为大数据中心通风系统的优化设计和全程管理提供基础热工数据。

1 物理模型

大数据中心通风系统及服务器布置如图1所示，大数据中心占地面积约900m2，整体高度为5.0m，机房采用防静电高架地板，机房内布置8台主服务器（单台散热量10 kW），机房两侧分别开设新风进口和暖风出口，在两个通风口处安装通风风扇以调节通风量，并在通风口处安装空气过滤网以防止灰尘、烟雾、蚊虫等杂质的进入。室外新风由进风口进入机房，室内空气由排风口排到室外，在早春或冬季，室外新风由新风管道进入地板，由地板的出风口吹出，此时空调制冷系统不工作。在夏季，机房进出口处的通风风扇关闭，空调机组由引风管道从室内引风，再将冷却后的冷风由地板上的出风口吹出以对服务器进行冷却。由于昼夜交替及季节变化，环境温度和太阳辐射热量也不断地变化，这对大数据中心的温度管理提出了较大的挑战。

  

图1 大数据中心室内布置示意图

2 数学模型

大数据中心的温度受到机房内部热环境和外界环境热环境的双重影响，为了分析影响大数据中心动态热特性的主要因素，在大数据中心动态温度变化的建模中，做了以下假设：

除了作文课的专项训练，很多时候我们可以让学生写放胆文，不给孩子设置条条框框，让他们写下他们看到的、想到的、喜欢的东西，鼓励他们大胆地写作，自由地写作，愉快地写作。这样，校园里满地的落叶、楼道旁的桂花树、垃圾桶边的蜘蛛网、“抢回来”的鸟巢都慢慢地被学生写进了生活。我们偶尔“介入”他们的课外生活，布置一些特别作业——回家种大蒜、做沙包、买菜、养蚕等等，充满童真、童趣的文字也随之而来。

1）忽略大数据中心机房内照明设备、人员作业等产生的小功率散热量。

楹联是中华民族的独有的瑰宝，“属对”是语文教学的祖传高招。开设《楹联的欣赏与创作》校本课程，不仅使学生了解了这一传统文化形式的有关知识，也使学生知道它是我国传统教育的独特样式，对对子，就是我国传统教育中的独特招式。

2）假设室内空气流动均匀，地板冷风流经服务器后与室内空气混合均匀。

3）假设从地板出风口吹出的冷风温度一致。

式中：Qs1为第一台服务器的产热量，在热动态模型中取10 kW。

  

图2 大数据中心热网络图

根据热节点的微分控制方程及相应的边界条件，可建立大数据中心的热动态特性模型，通过非线性求解器迭代求解，最终可获得系统中个热节点的温度随外界环境变化的热动态响应曲线。

多媒体技术通过图形、文字、动画、视频、声音等，为学生创设生动、形象的数学情境演示，使复杂、抽象的数学知识图文并茂、栩栩如生地展现在学生面前，使枯燥无味和抽象深奥的数学课堂变得生动活泼且形象有趣。

 

式中：m 为室内空气质量，kg；c 为比热容，J/(kg·K)；ρ为密度，kg/m3；Gvent为大数据中心的新风通风量，m3/h；Gcold为空调机组引风量，m3/h；Tcold为地板冷风温度，℃；Qin为大数据中心内总的产热量，kW。

我想起日本导演北野武的电影《阿基利斯与乌龟》，主人翁真知寿只顾自己追求艺术，不理孩子，老来一事无成，疯疯癫癫。成功总在一步之遥的眼前，却怎样也无法达到。因此，“追求艺术和被人认同，就像阿基利斯追赶乌龟一样，眼看就要追上了，却还是追不上。”

机房内层墙壁不仅与室内空气发生对流换热，还与服务器壁面发生辐射换热。为了方便计算辐射换热量，下面以温度分别为Ta、Tb的两物体表面为例，给出了两热节点间辐射换热量的计算表达式：

 

式中：σ 为黑体辐射常数，5.67×10-8 W/(m2·K4)；ε 为发射率；A为辐射表面积，m2；Xa,b为表面a向表面b的辐射角系数；E为黑体的辐射力，W/m2；Ra,b表示两辐射表面间的辐射换热热阻，m-2。

因此，机房内层墙壁热节点的微分控制方程可以表示为：

 

内层墙壁热节点只与相邻节点发生导热传热，外层墙壁热节点则与外界环境发生对流换热和辐射换热，且在白天还接受来自于太阳的辐射热量，它们的热动态控制方程为：

 

式中：Qsun为大数据中心接受到的太阳辐射量，W，太阳辐射大致按余弦规律随昼夜变化[10]。

随着太阳照射角的变化，大数据中心接受辐射的面积Aw也在变化，假设Aw与时间τ的关系为：

 

式中：αw为大数据中心外表面对太阳辐射的吸收率；qsun为单位面积太阳辐射量，W/m2；Aw为大数据中心接受太阳辐射的面积，m2，其大小随着每日的太阳角度变化；trise、tset分别为当地日出时刻与日落时刻，随季节变化而提前或推迟。

如图4所示，大数据中心室内空气温度和服务器表面温度随室外温度发生季节性变化，由于墙壁隔热作用以及热动态系统本身的热惯性，室内空气温度昼夜波动不明显。服务器表面温度比室内空气温度高3～5℃，且服务器温度变化滞后室外空气温度变化约10 h。由于没有额外的冷风冷却，服务器与室外空气间的温差会随着时间的推移缓慢升高，由最1月初的5℃变为12月的10℃。

策略：作反射光线或入射光线时，根据反射定律；作折射光路根据光的折射规律，但不论是作反射还是折射光路，都要先作法线，法线用虚线表示，然后根据反射定律或折射定律确定其他光线。注意实际光线画实线，实际光线的反向延长线画虚线，特别是虚像一定要用虚线画。反射时抓住反射角等于入射角的特点，折射根据“空中角大”的规律作图。

 

（3）萃钯余液中和深度脱杂过程，由于PH升高以及中和渣夹带等原因，较多铂与杂质硒碲一道进入中和渣中，造成铂的分散和损失，并进一步降低了料液中铂含量，增加了萃取分离铂与贱金属的难度，影响了铂的收率。

其余七台服务器的壁面热节点热控制方程描述方法同上，在此不再赘述。

大数据中心室内空气热节点除了与相邻热节点发生换热，还与室外冷风和与地板冷风的空气混合后进行通风换热，根据集总参数法，大数据中心室内空气温度的热控制方程可以表示为：

在分析大数据中心物理模型的基础上，通过集总参数法的对大数据中心热平衡系统进行了研究，并建立了大数据中心的热动态特性模型。利用集总参数法分析传热问题时，可以忽略物体单元的内部导热热阻，并且热为单元内的温度趋于一致，这一近似可以简化复杂的微分方程的求解，这使得它在复杂系统的传热特性研究中得到了很好的运用[7-9]。在运用总参数法建立了大数据中心的热网络模型时，先对大数据中心热传递系统中主要组成部分划分热节点，热节点的划分及热网络如图2所示。在图2（a）中，室外空气和室内空气的温度分别由Tout和Tin表示，八台服务器的壁面温度分别由Ts1～Ts8表示，认为从各个地板出风口吹出的冷风温度一致，都由Tcold表示。由于墙壁内外表面温差较大，一个热节点无法准确反映温度沿墙壁的梯度变化，故墙壁由内层，中层和外层三个热节点表示，其温度分别由Tw1，Tw2和Tw3表示。以上各热节点之间的热耦合关系如图2（b）所示，任意两相邻热节点之间可能存在热传导，热对流和热辐射这三种中的一种或几种传热方式，两热节点Ti、Tj之间的传热热阻可由Ri,j表示。

3 计算结果及分析

利用大数据中心热动态特性模型，根据南京的全年小时太阳辐射变化（图3）及全年小时室外空气温度变化（图4），可以模拟出大数据中心各节点的温度动态响应曲线。若大数据中心新风通风量Gvent=50000 m3/h，且空调系统引风量Gcold=0m3/h，则服务器表面和室内空气的全年温度动态变化如图4所示。

服务器与地板冷空气和室内空气发生对流换热，且服务器与墙壁、服务器与服务器之间也存在辐射换热，第一台服务器壁面热节点微分控制方程为：

  

图3 全年小时太阳辐射变化

  

图4 室内温度全年动态响应

不同通风量下室内空气温度的变化趋势如图5所示。随着通风量增加，室内空气温度降低但降低的幅度逐渐减小，同时其温度变化的波动性增强，其温度变化与室外空气温度变化的滞后时间缩小，若新风通风量过小（Gvent=10000m3/h），则没有充分利用外界环境的冷量，在下半年室内空气温度会上升至50℃。若通风量过大（Gvent=250000m3/h），则对于冷量的利用效率不高，此时通风系统耗能较大。因此，选择合适的通风量对于保持室内空气温度在正常范围内尤为重要。

  

图5 不同通风量下室内空气温度全年动态变化

为了保证室内各仪器正常工作，室内空气温度必须严格控制在合适的区间内，按国标GB2887-89计算机站场地技术条件规定，室内环境温度A级标准为22±2℃。在夏季，由于室外气温过高，需要避免引入新风，因此新风通风量为0m3/h，此时空调机组开始工作，并从室内引入空气，将室内空气温度降低到18℃后再对服务器进行冷却，大数据中心全年新风通风量及空调引风量的变化策略及调节后的室内空气温度全年动态变化曲线如图6所示。

2.3.2 经产妇各分娩年龄组高血压发生率 随着产妇年龄的增加，高血压(包括高血压合并妊娠与妊娠期高血压疾病)发生率逐渐增加，趋势卡方检验差异有统计学意义(P<0.05)。见表2。

将得到的7组数据通过计算得到实验的相对标准偏差RSD为3.60%，满足两次独立测定结果的绝对差值不超过算术平均值的10%的精密度要求。

  

图6 采用通风策略下的室内温度变化

由图6可知，在室外空气温度低于空调机组出风温度时（18℃），可通过调节新风通风量的大小来维持室内温度正常，在室外空气温度高于空调机组出风温度时则通过空调制冷降温，可将大数据中心室内空气温度有效控制在20～24℃之间，在1～3月份，11月份和12月份大量利用室外空气冷量，达到节能减排，提高经济效益的目的。

4 结论

以引入新风调节的大数据中心为研究对象，以南京全年温度小时变化和太阳辐射变化为边界条件，在集总参数法的思想上，建立了大数据中心的热动态特性模型，通过该模型对大数据中心全年温度动态响应进行了分析，研究了不同通风量及通风策略对大数据中心室内空气温度的影响，得出了以下结论。

1）大数据中心室内温度随室外空气温度发生季节性变化，室内空气温度存在昼夜波动但波动不明显，服务器表面温度比室内空气温度高3～5℃，且服务器温度变化滞后室外空气温度变化约10 h。

2）随着新风通风量增加，室内空气温度降低但降低的幅度逐渐减小，同时其温度变化的波动性增强，其温度变化与室外空气温度变化的滞后时间缩小。

3）在南京地区有大约5个月（1～3月份，11月份和12月份）室外空气冷量充足，对于产热量为80 kW的大数据中心，在此期间仅通过调节新风通风量就可使室内温度维持在22±2℃的范围，新风通风量需要控制在5000～30000m3/h之间。在夏天需要关闭新风通风扇，若地板冷风温度为18℃，则空调引风量需维持在50000m3/h。

参考文献

[1] 谷立静,周伏秋,孟辉.我国数据中心能耗及能效水平研究[J].中国能源,2010,32(11):42-45

[2] 徐伟.北京某数据中心空调节能设计[J].暖通空调,2011,41(8):19-20

[3] 张扬,姚谨英,张剑峰,等.夏热冬冷地区数据中心机房节能对策研究[J].四川建筑科学研究,2011,37(5):295-297

[4] Iyengar M, Schmidt R, Kamath V, et al. Energy efficient economizer economizer based data centers with air cooled servers[C]//Thermal and Thermomechanical Phenomena in Electronic Systems (ITherm),2012 13th IEEE Intersociety Conference on. IEEE,2012: 367-376

[5] Endo H, Kodama H, Fukuda H, et al. Effect of climatic conditions on energy consumption in direct fresh-air container data centers[J]. Sustainable Computing: Informatics and Systems, 2015, 6:17-25

[6] Sun H S,Lee SE.Casestudy of data centers’energy performance[J].Energy and Buildings,2006,38(5):522-533

[7] Holman JP.Heat Transfer(7th Edit)[M].New York:1990

[8] Mellor P H, Roberts D, Turner D R. Lumped parameter thermal model for electrical machines of TEFC design[C]//IEE Proceedings B (Electric Power Applications). IET Digital Library, 1991,138(5): 205-218

[9] Ramallo-González A P, Eames M E, Coley D A. Lumped parameter models for building thermal modelling: An analytic approah to simplifying complex multi-layered constructions [J]. Energy and Buildings, 2013, 60: 174-184

[10] Kaplanis S N. New methodologies to estimate the hourly global solar radiation; Comparisons with existing models[J]. Renewable Energy, 2006, 31(6): 781-790