基于云计算的电子信息系统机房能源管理控制系统
技术领域
本发明涉及能源管理控制技术领域,具体涉及基于云计算的电子信息系统机房能源管理控制系统。
背景技术
相关技术中的能源管理控制系统通常采用传统的电气自动化技术,对单个对象(如电子化信息机房、商场、商店、酒店、办公楼工业厂房)的各个耗能设备进行能耗管理控制,属于现场级的控制。厂家不同其使用的管理节能平台也不同,通常无法不兼容,相互之间也缺乏通信,从而无法形成一个统一的平台集中进行统一的能耗管理控制,以最大程度地实现节能的目的。
发明内容
针对上述问题,本发明提供基于云计算的电子信息系统机房能源管理控制系统。
本发明的目的采用以下技术方案来实现:
基于云计算的电子信息系统机房能源管理控制系统,包括能耗设备控制器、能耗设备参数采集器、云计算管控中心和能耗设备故障检测器;该能耗设备控制器用于根据用户设定参数对电子信息系统机房的各个能耗设备进行现场控制并将所述用户设定参数传送给云计算管控中心;该能耗设备参数采集器用于采集与所述各个能耗设备的能耗有关的参数并传送给云计算管控中心;该能耗设备故障检测器用于对能耗设备进行故障检测,并将故障检测结果传送给云计算管控中心;所述云计算管控中心用于根据所述采集到的与所述各个能耗设备的能耗有关的参数和所述用户设定参数调整所述能耗设备控制器对所述各个能耗设备的现场控制模式,并根据故障检测结果进行相应的报警;所述能耗设备控制器与所述云计算管控中心之间、所述能耗设备参数采集器与所述云计算管控中心之间、所述能耗设备故障检测器与云计算管控中心之间均通过无线通讯网络相互通信。
本发明的有益效果为:在云计算管控中心下对电子信息系统机房的各个能耗设备集中进行监控,实现了最大限度的节能降耗管理和网络化自动控制,从而实现能源的最优化配置,达到更好的节能效果。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明的结构连接示意图;
图2是能耗设备故障检测器的结构框图。
附图标记:
能耗设备控制器1、能耗设备参数采集器2、云计算管控中心3、能耗设备故障检测器4、样本数据采集单元11、振动信号数据预处理单元12、历史故障特征提取单元13、实时故障诊断特征向量采集单元14、故障诊断模型建立单元15和故障诊断识别单元16。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例提供了基于云计算的电子信息系统机房能源管理控制系统,包括能耗设备控制器1、能耗设备参数采集器2、云计算管控中心3和能耗设备故障检测器4;该能耗设备控制器1用于根据用户设定参数对电子信息系统机房的各个能耗设备进行现场控制并将所述用户设定参数传送给云计算管控中心3;该能耗设备参数采集器2用于采集与所述各个能耗设备的能耗有关的参数并传送给云计算管控中心3;该能耗设备故障检测器4用于对能耗设备进行故障检测,并将故障检测结果传送给云计算管控中心3;所述云计算管控中心3用于根据所述采集到的与所述各个能耗设备的能耗有关的参数和所述用户设定参数调整所述能耗设备控制器1对所述各个能耗设备的现场控制模式,并根据故障检测结果进行相应的报警。
其中,所述能耗设备控制器1与所述云计算管控中心3之间、所述能耗设备参数采集器2与所述云计算管控中心3之间、所述能耗设备故障检测器4与云计算管控中心3之间均通过无线通讯网络相互通信。
优选地,所述无线通讯网络为GPRS系统、3G网络、北斗星系统或者下一代互联网等中的任一种。
优选地,所述能耗设备控制器1和能耗设备参数采集器2均为带有IP地址的设备。
本发明上述实施例在云计算管控中心3下对电子信息系统机房的各个能耗设备集中进行监控,实现了最大限度的节能降耗管理和网络化自动控制,从而实现能源的最优化配置,达到更好的节能效果。
优选地,所述能耗设备故障检测器4包括依次连接的样本数据采集单元11、振动信号数据预处理单元12、历史故障特征提取单元13、实时故障诊断特征向量采集单元14、故障诊断模型建立单元15和故障诊断识别单元16;
其中,所述样本数据采集单元11用于通过传感器采集能耗设备在正常状态下及各种故障状态下运行时多个测点的历史振动信号数据;
其中,所述振动信号数据预处理单元12用于对采集到的原始历史振动信号数据进行预处理;
其中,该历史故障特征提取单元13用于从过滤后的历史振动信号数据中提取小波包奇异值特征,并将提取的小波包奇异值特征作为故障诊断特征向量样本;优选地,该传感器为电涡流传感器;
其中,所述实时故障诊断特征向量采集单元14用于获取能耗设备的实时故障诊断特征向量。
其中,所述故障诊断模型建立单元15用于建立基于改进的支持向量机的故障诊断模型,并使用故障诊断特征向量样本对故障诊断模型进行训练,计算出故障诊断模型参数的最优解,得到训练完成的故障诊断模型;
其中,所述故障诊断识别单元16用于将该能耗设备的实时故障诊断特征向量输入到训练完成的故障诊断模型中,完成故障的诊断识别。
优选地,所述对采集到的原始历史振动信号数据进行预处理,具体为:假设采集到的原始历史振动信号数据为Γ′,利用FIR数字滤波器按下式滤除Γ′的带外分量:
其中,Γ为滤波后得到的历史振动信号数据,A为测点的个数,o=1,2,3…A-1;τ/2f0为FIR数字滤波器结合所用传感器的过滤系数,其中τ为由数字滤波器自身特性决定的常数,f0为所用传感器的固有采集频率。
本优选实施例通过FIR数字滤波器进行振动信号滤波,能够自适应不同的振动信号,消除原始历史振动信号数据中的时域波形畸变,提高对采集到的原始历史振动信号数据进行预处理的精度,有益于提高对能耗设备的故障诊断的精确性。
优选地,所述历史故障特征提取单元13具体执行:
(1)设能耗设备处于状态θ时从测点L测量到的固定时刻的历史振动信号为θL(Γ),L=1,…,A,A为测点的个数,对θL(Γ)进行α层离散小波包分解,提取第α层中的2α个分解系数,对所有的分解系数进行重构,以Xj(j=0,1,…,2α-1)表示第α层各节点的重构信号,构建特征矩阵其中α的值根据历史经验和实际情况结合确定,对特征矩阵T[θL(Γ)]进行奇异值分解,得到该特征矩阵T[θL(Γ)]的特征向量其中η1,η2,…,ηv为由特征矩阵T[θL(Γ)]分解的奇异值,v为由特征矩阵T[θL(Γ)]分解的奇异值的个数,定义历史振动信号θL(Γ)对应的故障诊断特征向量为:
式中,为特征向量中的最大奇异值,为特征向量中的最小奇异值;
(2)对计算得到的故障诊断特征向量进行筛选,排除不合格的故障诊断特征向量,则该能耗设备处于状态θ时在该固定时刻的故障诊断特征向量样本为:
式中,A′为排除的不合格的故障诊断特征向量的数量。
本优选实施例中,提取小波包奇异值特征作为故障诊断特征向量,并定义了故障诊断特征向量的特征参数,提高了对能耗设备进行诊断的容错性,有效降低了数据噪音的影响,准确率高且计算时间短。
优选地,所述对计算得到的故障诊断特征向量进行筛选,具体包括:
(1)将能耗设备处于状态θ时在该时刻的所有计算得到的故障诊断特征向量作为该时刻的特征向量筛选样本集,计算该特征向量筛选样本集的标准差σθ和期望值μθ;
(2)若计算得到的故障诊断特征向量不满足下列公式,则剔除该故障诊断特征向量:
式中,为期望值μθ的最大似然估计,为标准差σθ的最大似然估计
本优选实施例中,采用上述方式对计算得到的故障诊断特征向量进行筛选,排除不合格的故障诊断特征向量,客观科学,提高了对电子信息系统机房的能耗设备进行故障诊断的精确度。
优选地,所述历史故障特征提取单元13还将剔除的不合格的故障诊断特征向量储存到一个临时数据储存器中,当满足时,对历史故障特征提取单元13中的α值进行进一步修正,具体如下:
(1)若满足下式,则α的值在根据原有历史经验和实际情况结合确定的基础上修改为α+1:
(2)若满足下式,则α的值在根据原有历史经验和实际情况结合确定的基础上修改为α+2:
其中,A为测点的个数,A′为不合格的故障诊断特征向量的数量,N为人为设定的整数阀值。
本优选实施例中,能够根据不合格的故障诊断特征向量占测点个数的比例,自动调节α值,进一步减小了不合格的故障诊断特征向量对能耗设备进行故障诊断的影响,提高了故障诊断的精确度,从而能够在能耗设备发生故障时及时维修,进一步确保电子信息系统机房的正常运行。
优选地,所述建立基于改进的支持向量机的故障诊断模型,包括:
(1)采用径向基函数作为核函数,利用该核函数将该故障诊断特征向量样本从原空间映射到高维空间,在高维空间构造最优决策函数实现故障诊断特征向量样本分类,构造最优决策函数为:
式中,x为输入的故障诊断特征向量样本,U(x)为输入的故障诊断特征向量样本对应的输出,J(x)表示径向基函数,Q为权重向量,a为偏差;
此外,为引入的优化因子,其中A为测点的个数,A′为不合格的故障诊断特征向量的数量;
(2)定义支持向量机的目标函数为:
支持向量机的约束条件为:
S.t yi(Qxi+a)≥1-λi,λi≥0,i=1,…,M
式中,minZ(Q,a,λi)为支持向量机的目标函数,ξ*为优化后的惩罚因子,M为故障诊断特征向量样本的数量;xi为输入的第i个故障诊断特征向量样本,yi(Qxi+a)为输入的第i个故障诊断特征向量样本对应的输出,Q为权重向量,a为偏差,λi为引入的误差变量;
(3)求解该支持向量机的目标函数,得到权重向量Q和偏差a;
(4)将计算得到的权重向量和偏差代入最优决策函数即为所建立的故障诊断模型。
本优选实施例中,通过引入优化因子,减小了不合格的故障诊断特征向量对能耗设备进行故障诊断的影响,进一步提高了该最优决策函数的实际精确度,为故障诊断模型的建立提供良好的函数基础,从而构建更为精确的故障诊断模型,提高对能耗设备进行故障诊断的精度。
其中通过下述方式进行惩罚因子和所述核函数的半径参数的值的优化:
(1)将所有故障诊断特征向量样本平均分成互不包含的子集;
(2)设定惩罚因子和所述核函数的半径参数的值的取值范围,对每个粒子的位置向量进行二维编码,产生初始粒子群;
(3)对各粒子对应的参数选定训练集进行交叉验证,得到的预测模型分类准确率作为粒子对应的目标函数值;
(4)对粒子群中的粒子进行迭代;
(5)用目标函数值评价所有粒子,当某个粒子的当前评价值优于其历史评价值时,将其作为该粒子的最优历史评价,记录当前粒子最优位置向量;
(6)寻找全局最优解,如果其值优于当前历史最优解,则更新,达到设定的终止准则时,则停止搜索,输出最优的惩罚因子和所述核函数的半径参数的值,否则返回去重新搜索。
本实施例采用上述方式对惩罚因子和所述核函数的半径参数的值进行优化,优化时间相对较短,优化效果好,从而能够得到性能较好的支持向量机,进一步提高对能耗设备进行故障诊断的精度。
根据上述实施例,发明人进行了一系列测试,以下是进行测试得到的实验数据,该实验数据表明,本发明能够节约能耗,实现了最大限度的节能降耗管理,且能精确、快速地对能耗设备进行故障检测和维修,由此可见,本发明的电子信息系统机房管理控制系统在能耗节约和故障检测方面产生了非常显著的有益效果:
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。