Recherche

Huawei lance iCooling@AI, aidant les data centers à passer du refroidissement classique au « refroidissement intelligent »

2018.10.12

[Shanghai, Chine, le 11 octobre 2018] À l'occasion du HUAWEI CONNECT 2018, Huawei a lancé la solution iCooling élaborée à partir de l'IA pour les clients du monde entier, destinée à aider les systèmes de refroidissement des data centers les plus vastes à abandonner le refroidissement classique au profit du « refroidissement intelligent ». Cette annonce indique l'avancée considérable de Huawei en matière d'économie d'énergie de réseau et de réduction de la consommation dans le domaine des data centers.

 

Lorsque les data centers gagnent en taille et en densité, ils sont confrontés à des problèmes de consommation d'énergie de plus en plus importants. Le Power Usage Effectiveness (PUE) est un indice évaluant l'efficacité énergétique des data centers, qui s'est imposé comme un véritable indicateur de performance clé (KPI). Le système de refroidissement est associé à la dissipation thermique, à la configuration des appareils, à l'environnement du local technique et aux conditions atmosphériques. Lorsque les opérations d'exploitation et maintenance (O&M) atteignent un certain niveau de maturité, les économies d'énergie matérielles ou la simple optimisation basée sur l'expérience humaine ne suffisent plus à réduire encore la consommation électrique. Le secteur des data centers envisage d'utiliser un nouvel algorithme de contrôle et des technologies supérieures, comme le Big Data et l'intelligence artificielle, pour optimiser l'efficacité énergétique globale des data centers.

 

Fort de son expérience et de son expertise technique étendues dans la construction de data centers à travers le monde, Huawei a lancé la solution iCooling@AI, basée sur la technologie d'IA. Cette solution aide les data centers les plus vastes à abandonner le refroidissement classique au profit du « refroidissement intelligent », à réduire de 8 % leur indice PUE et à optimiser leur consommation d'énergie.

 

La solution iCooling met à profit l'IA pour optimiser l'efficacité énergétique et améliorer les performances de refroidissement des data centers. Grâce à un machine learning approfondi, cette solution analyse un gros volume de données historiques et identifie les principaux facteurs qui influent sur la consommation d'énergie, afin de créer un modèle de prévision PUE. Les valeurs propres qui sont sensibles à l'indicateur PUE sont recueillies et utilisées pour former les services, générant ainsi un modèle de prévision de service inspiré du modèle de prévision PUE. Un algorithme d'optimisation permet ensuite de créer un groupe de paramètres d'optimisation en fonction des paramètres réglables du système, du modèle de prévision PUE et du modèle de prévision de service. Le groupe de paramètres d'optimisation est alors transmis à un système de commande pour contrôler le système de refroidissement. Grâce aux pratiques standard et à une évaluation ciblée, le groupe de paramètres d'optimisation est ajusté en continu pour obtenir un indicateur PUE équilibré.

La solution iCooling@AI a été déployée avec succès dans la phase 3 de la base cloud de Huawei, à Langfang. D'après nos prévisions, l'indicateur PUE pourra passer cette année sous la barre de 1,30.

 

Han Dong, directeur du département Énergie des data centers en charge de la gamme de produits énergie réseau de Huawei, a déclaré : « Avec la mise à niveau continue et l'itération des data centers, les défis en matière d'économies d'énergie et de réduction de la consommation prennent également de l'importance. Huawei crée en permanence des technologies innovantes destinées à de nombreux domaines ; répond rapidement aux besoins du marché et des clients ; et a lancé la solution de « refroidissement intelligent » iCooling@AI visant à optimiser la consommation d'énergie des grands data centers à l'ère de la 5G, du Big Data et du cloud computing ».


Pour en savoir plus sur les produits d'énergie réseau Huawei, rendez-vous à l'adresse : https://e.huawei.com/en/products/network-energy.


TOP