CN108592352B - 水冷空调系统运行状态健康度的预测方法、装置及系统 - Google Patents

水冷空调系统运行状态健康度的预测方法、装置及系统 Download PDF

Info

Publication number
CN108592352B
CN108592352B CN201810436223.0A CN201810436223A CN108592352B CN 108592352 B CN108592352 B CN 108592352B CN 201810436223 A CN201810436223 A CN 201810436223A CN 108592352 B CN108592352 B CN 108592352B
Authority
CN
China
Prior art keywords
neural network
water
prediction model
conditioning system
network prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810436223.0A
Other languages
English (en)
Other versions
CN108592352A (zh
Inventor
黄建文
朱海龙
陈苏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Computer Network and Information Security Management Center
Original Assignee
National Computer Network and Information Security Management Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National Computer Network and Information Security Management Center filed Critical National Computer Network and Information Security Management Center
Priority to CN201810436223.0A priority Critical patent/CN108592352B/zh
Publication of CN108592352A publication Critical patent/CN108592352A/zh
Application granted granted Critical
Publication of CN108592352B publication Critical patent/CN108592352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/89—Arrangement or mounting of control or safety devices
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Abstract

本发明公开了一种水冷空调系统运行状态健康度的预测方法、装置及系统，本发明将采用神经网络算法实现水冷空调系统运行状态的预测，并基于变权重的综合评价法给出水冷空调系统的未来健康度，从而实现对水冷空调系统运行故障的事前预防性调控，保障水冷空调系统的可靠运行和数据中心的安全稳定，从而有效解决现有技术中不能预先对水冷空调系统进行预测以及调控的问题。

Description

水冷空调系统运行状态健康度的预测方法、装置及系统
技术领域
本发明涉及数据中心基础设施运行维护技术领域，特别是涉及一种水冷空调系统运行状态健康度的预测方法、装置及系统。
背景技术
随着云计算，大数据，人工智能等技术的兴起，对海量数据存储、处理的需求日益突增，数据中心得以快速发展。作为集中放置和管理大量服务器的特殊建筑，数据中心面临了严峻的制冷挑战。目前，超高热机柜的功率密度高达十几千瓦，如果不能及时将服务器产生的热量排出，机房的温度将讯速上升，导致服务器宕机，业务中断，甚至引发火灾等安全事故。因此，为保证数据中心的热平衡，确保服务器工作在适宜的温湿度区间，数据中心必须配备必要的制冷系统。ASHRAE TC9.9《数据处理环境热指南》中推荐的温度范围为18℃～27℃，推荐的理想相对湿度为60％。ANSI/TIA-942推荐的干球温度区间为20℃～25℃，推荐的相对湿度区间为40％～60％。国家标准GB 50174-2017中规定冷通道或机柜进风区域的温度推荐值为18℃～27℃，冷通道或机柜进风区域的露点温度的推荐值为5.5℃～15℃，同时相对湿度不大于60％。为满足上述标准，数据中心的制冷系统必须可靠、稳定的运行。
目前，水冷空调系统由于其制冷量大且能效比高，在大型数据中心得到了广泛的应用。为便于水冷空调系统的集中化管理，数据中心通常建设了基础设施综合管理平台(Data Center Infrastructure Management,DCIM)，以实时监测水冷空调系统中各设备的运行参数。但现有综合管理平台仅能感知设备的当前状态，针对故障做出事后应急处置，尚无法预测水冷空调系统未来的运行状态及健康度。因此，现有综合管理平台难以做到事前主动调控，保障水冷空调系统的高可靠性。
发明内容
本发明提供了一种水冷空调系统运行状态健康度的预测方法、装置及系统，以解决现有技术不能预先对水冷空调系统进行预测以及调控的问题。
一方面，本发明提供了一种水冷空调系统运行状态健康度的预测方法，该方法包括：建立神经网络预测模型；将训练样本数据带入所述神经网络预测模型，对所述神经网络预测模型进行训练，并获取所述神经网络预测模型的各个网络节点的权重值，确定最终的神经网络预测模型；将待预测样本数据输入所述最终的神经网络预测模型，通过所述最终的神经网络预测模型预测得到水冷空调系统的未来运行状态；通过健康度评估模型将所述最终的神经网络预测模型预测的水冷空调系统的未来运行状态，转换为健康度的评估值。
进一步地，建立神经网络预测模型，具体包括：通过前馈神经网络方式建立所述神经网络预测模型，所述神经网络预测模型包括输入层，隐藏层和输出层，并根据水冷空凋系统的物理结构，运营人员关注的重点指标和模型的预测特性调整所述神经网络预测模型包括输入层，隐藏层和输出层的数量。
进一步地，输入层神经元个数为29个，隐藏层神经元个数为10个，输出层神经元个数为3个；
隐藏层的传递函数为Tan-Sigmoid函数，输出层的传递函数为正比例线性函数。
进一步地，该方法还包括：对所述训练样本数据和所述待预测样本数据进行进行去噪，去除异常值，并进一步对数据进行切片，对齐测点时间标记；对所述训练样本数据和所述待预测样本数据进行归一化，将其映射到预设区间；对所述训练样本数据随机分为训练样本，交叉验证样本和检验样本。
进一步地，将待预测样本数据输入所述最终的神经网络预测模型，通过所述最终的神经网络预测模型预测得到水冷空调系统的未来运行状态，具体包括：将待预测样本数据输入所述最终的神经网络预测模型，通过所述最终的神经网络预测模型预测得到水冷空调系统的未来运行状态，并对未来运行状态进行反归一化处理。
进一步地，将训练样本数据带入所述神经网络预测模型，对所述神经网络预测模型进行训练，并获取各个网络节点的权重值，具体包括：神经网络权重的初始化采用小数值随机数法或Nguyen-Widrow初始化算法；性能评价指标采用平均相对误差绝对值(MeanAbsolute Percentage Error，MAPE)，训练算法采用Levenberg-Marquardt反向传播算法，最大迭代次数为1000，交叉验证检验次数为6次，确定最终的神经网络预测模型。
进一步地，通过健康度评估模型将所述最终的神经网络预测模型预测的水冷空调系统的未来运行状态，转换为健康度的评估值，具体包括：
确定水冷空调系统运行状态的关键指标的阈值，并构建归一化函数；
设定关键指标的初始权重值，并进行变权重处理；
基于综合评价法建立水冷空调系统未来运行状态的健康度评价模型，给出健康度分值，将分值映射到区间[0，100]。
进一步地，所述健康度评估模型为：
Figure BDA0001654682270000031
其中，wi'为指标变换后的权重值，通过系数调整可将健康度分值从区间[0，1]映射到区间[0，100]；
权重变换公式：
Figure BDA0001654682270000032
其中，wi为指标的初始权重值，wi'为指标变换后的权重值，xi为指标归一化后的值，α为函数参数，取值范围为[0，1]。
另一方面，本发明提供了一种水冷空调系统运行状态健康度的预测装置，该装置包括：建立单元，用于建立神经网络预测模型；处理单元，用于将训练样本数据带入所述神经网络预测模型，对所述神经网络预测模型进行训练，并获取所述神经网络预测模型的各个网络节点的权重值，确定最终的神经网络预测模型；将待预测样本数据输入所述最终的神经网络预测模型，通过所述最终的神经网络预测模型预测得到水冷空调系统的未来运行状态；评估单元，用于通过健康度评估模型将所述最终的神经网络预测模型预测的水冷空调系统的未来运行状态，转换为健康度的评估值。
再一方面，本发明提供了一种水冷空调运行状态健康度管理系统，该系统包括上述的水冷空调系统运行状态健康度的预测装置。
本发明有益效果如下：
本发明将采用神经网络算法实现水冷空调系统运行状态的预测，并基于变权重的综合评价法给出水冷空调系统的未来健康度，从而实现对水冷空调系统运行故障的事前预防性调控，保障水冷空调系统的可靠运行和数据中心的安全稳定，从而有效解决现有技术中不能预先对水冷空调系统进行预测以及调控的问题。
附图说明
图1为本发明实施例的一种水冷空调系统运行状态健康度的预测方法的流程示意图；
图2为本发明实施例的数据中心用水冷空调系统运行状态健康度预测方法的流程图；
图3为本发明实施例的数据中心用水冷空调系统关键监测指标；
图4为本发明实施例的基于神经网络算法的水冷空调系统运行状态预测模型；
图5为本发明实施例的训练所得神经网络预测模型的拟合优度；
图6为本发明实施例的训练所得神经网络预测模型的预测效果；
图7为本发明实施例的一种水冷空调系统运行状态健康度的预测装置的结构示意图。
具体实施方式
为了解决现有技术中不能预先对水冷空调系统进行预测以及调控的问题，本发明实施例提供了一种水冷空调系统运行状态健康度的预测方法，本发明采用基于反向传播算法的前馈神经网络模型预测水冷空调系统关键指标的未来运行状态，并进一步结合可变权重的综合评价模型实现系统未来运行状态的健康度评分。本发明提出的模型具有较高的预测精度，且结果形式简单。定量化的健康度分值不仅有利于系统的精细化管理，同时便利了后续的深入分析。本发明提出的方法对水冷系统的预见性维护具有重要意义，有助于减少设备的故障率，延长设备的使用寿命，提高数据中心基础设施运营的智能化水平。以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不限定本发明。
本发明实施例提供了一种水冷空调系统运行状态健康度的预测方法，参见图1，该方法包括：
S101、建立神经网络预测模型；
S102、将训练样本数据带入所述神经网络预测模型，对所述神经网络预测模型进行训练，并获取所述神经网络预测模型的各个网络节点的权重值，确定最终的神经网络预测模型；
S103、将待预测样本数据输入所述最终的神经网络预测模型，通过所述最终的神经网络预测模型预测得到水冷空调系统的未来运行状态；
S104、通过健康度评估模型将所述最终的神经网络预测模型预测的水冷空调系统的未来运行状态，转换为健康度的评估值。
也就是说，本发明实施例将采用神经网络算法实现水冷空调系统运行状态的预测，并基于变权重的综合评价法给出水冷空调系统的未来健康度，从而实现对水冷空调系统运行故障的事前预防性调控，保障水冷空调系统的可靠运行和数据中心的安全稳定，从而有效解决现有技术中不能预先对水冷空调系统进行预测以及调控的问题。
具体实施时，本发明实施例中建立神经网络预测模型，具体包括：通过前馈神经网络方式建立所述神经网络预测模型，所述神经网络预测模型包括输入层，隐藏层和输出层，并根据水冷空凋系统的物理结构，运营人员关注的重点指标和模型的预测特性调整所述神经网络预测模型包括输入层，隐藏层和输出层的数量。
并且，本发明实施例中的输入层神经元个数为29个，隐藏层神经元个数为10个，输出层神经元个数为3个；隐藏层的传递函数为Tan-Sigmoid函数，输出层的传递函数为正比例线性函数。
具体来说，本发明实施例中的神经网络预测模型中的输入层变量为环境温度，环境湿度，旁通阀1的开度，旁通阀2的开度，1#冷水机组、2#冷水机组、3#冷水机组、4#冷水机组和5#冷水机组的电功率，冷却水出水温度，冷却水进水温度，冷冻水出水温度和冷冻水进水温度，共计29个变量。
本发明实施例中的神经网络预测模型的输出层变量为供水环网压力，供水环网温度和回水环网温度，共计3个变量。
本发明实施例中的隐藏层神经元个数可根据采用如下的任意一种方法选取，其中nhidden是隐藏层神经元节点个数，ninput是输入层神经元节点个数，noutput是输出层神经元节点个数；
方法1：nhidden＝log2ninput
方法2：
Figure BDA0001654682270000061
方法3：
Figure BDA0001654682270000062
方法4：nhidden＜ninput
本发明实施例中输入层、隐藏层和输出层的神经元个数可依据水冷空凋系统的物理结构，运营人员关注的重点指标，模型的预测特性等做出相应调整。
具体实施时，本发明实施例所述的方法还包括：
对所述训练样本数据和所述待预测样本数据进行进行去噪，去除异常值，并进一步对数据进行切片，对齐测点时间标记；
对所述训练样本数据和所述待预测样本数据进行归一化，将其映射到预设区间；
对所述训练样本数据随机分为训练样本，交叉验证样本和检验样本。
即，本发明实施例中的水冷空调系统关键监测指标包括环境温度，环境湿度，旁通阀1的开度，旁通阀2的开度，1#冷水机组、2#冷水机组、3#冷水机组、4#冷水机组和5#冷水机组的电功率，冷却水出水温度，冷却水进水温度，冷冻水出水温度和冷冻水进水温度，供水环网压力，供水环网温度和回水环网温度。关键监测指标可依据水冷空调系统的实际连接结构和物理特征进行调整。本发明的历史监测值，一般需要大于1个月，最好大于1年。数据去噪可采用数据平滑法，小波阈值法等，异常值的去除可采用阈值法，测点时间标记的对齐可采用插值法。步骤s1中的数据归一化可采用如下方法：
Figure BDA0001654682270000071
该函数可将某一监测指标的实际取值变换到区间[a，b]，通常a取值-1，b取值1。式中，x为实际测量值，x*为变换后的取值，xmin是x整个样本空间的最小值，xmax是x整个样本空间的最大值。
具体实施时，本发明实施例中，将待预测样本数据输入所述最终的神经网络预测模型，通过所述最终的神经网络预测模型预测得到水冷空调系统的未来运行状态，具体包括：将待预测样本数据输入所述最终的神经网络预测模型，通过所述最终的神经网络预测模型预测得到水冷空调系统的未来运行状态，并对未来运行状态进行反归一化处理。
本发明实施例中，将训练样本数据带入所述神经网络预测模型，对所述神经网络预测模型进行训练，并获取各个网络节点的权重值，具体包括：
神经网络权重的初始化采用小数值随机数法或Nguyen-Widrow初始化算法；
性能评价指标采用平均相对误差绝对值(MeanAbsolute Percentage Error，MAPE)，训练算法采用Levenberg-Marquardt反向传播算法，最大迭代次数为1000，交叉验证检验次数为6次，确定最终的神经网络预测模型。
需要说明的是，本发明实施例中神经网络权重的初始化算法，训练算法，性能评价指标，最大迭代次数以及交叉验证检验次数可根据水冷空调系统的实际情况和监控数据的特性进行相应调整。
具体实施时，本发明实施例，通过健康度评估模型将所述最终的神经网络预测模型预测的水冷空调系统的未来运行状态，转换为健康度的评估值，具体包括：
确定水冷空调系统运行状态的关键指标的阈值，并构建归一化函数；
设定关键指标的初始权重值，并进行变权重处理；
基于综合评价法建立水冷空调系统未来运行状态的健康度评价模型，给出健康度分值，将分值映射到区间[0，100]。
本发明实施例中所述健康度评估模型为：
Figure BDA0001654682270000081
其中，wi'为指标变换后的权重值，通过系数调整可将健康度分值从区间[0，1]映射到区间[0，100]；
权重变换公式：
Figure BDA0001654682270000082
其中，wi为指标的初始权重值，wi'为指标变换后的权重值，xi为指标归一化后的值，α为函数参数，取值范围为[0，1]。
水冷空调系统的未来运行状态主要包括未来供水环网压力，未来供水环网温度和未来回水环网温度，上述预测指标可依据实际情况进行一定的调整。预测时长应在保证预测精度的前提下尽可能延长，最好不低于1小时。数据的反归一化处理可利用如下公式：
Figure BDA0001654682270000091
式中，a，b，xmin，xmax的含义与该指标归一化函数中的含义一致。该函数可将位于区间[a，b]之间的x*变换到位于区间[xmin，xmax]之间的x。
进一步的，所述步骤s5中水冷空调系统关键指标的阈值，即供水环网压力，供水环网温度和回水环网温度的阈值设定可综合考虑运行历史，国家及行业标准，厂家设备特性。上述关键指标的归一化函数可采用梯形归一化函数或其他归一化函数，其中梯形归一化函数的具体形式如下：
Figure BDA0001654682270000092
a为指标的阈值下限，d为指标的阈值上限，[b，c]为指标的适宜运行区间。供水环网压力，供水环网温度和回水环网温度的初始权重值分别为0.35，0.35和0.3，该值可根据水冷空调系统的实际运行情况做出一定的调整。权重变换可采用如下公式：
Figure BDA0001654682270000093
式中，wi为指标的初始权重值，wi'为指标变换后的权重值，xi为指标归一化后的值，α为函数参数，取值范围为[0,1]。步骤s5中健康度的综合评价模型可采用如下公式：
Figure BDA0001654682270000094
式中，wi'为指标变换后的权重值，通过系数调整可将健康度分值从区间[0,1]映射到区间[0,100]
进一步的，所述步骤s6中水冷空调系统未来运行状态值主要包括供水环网压力，供水环网温度和回水环网温度。预测的未来时长由步骤s4决定，对应相应未来时段的健康度值。
本发明提出的一种数据中心用水冷空调系统运行状态健康度预测方法，其优点是，采用基于反向传播算法的前馈神经网络模型预测水冷空调系统关键指标的未来运行状态，并进一步结合可变权重的综合评价模型实现系统未来运行状态的健康度评分。本发明提出的模型具有较高的预测精度，且结果形式简单。定量化的健康度分值不仅有利于系统的精细化管理，同时便利了后续的深入分析。本发明提出的方法对水冷系统的预见性维护具有重要意义，有助于减少设备的故障率，延长设备的使用寿命，提高数据中心基础设施运营的智能化水平。
下面将结合图2，以一个具体的例子对本发明实施例所述的方法进行详细的解释和说明：
步骤s1：数据的预处理和归一化。从数据中心基础设施管理系统获取水冷空调系统的监控数据，数据的采集时间为62天，其中前51天的监控数据用于训练神经网络模型，后11天的监控数据用于检测训练所得神经网络模型的预测效果。图3给出了数据中心用水冷空调系统的关键监测指标，在本实施例中关键监测指标包括：环境特性，即环境温度和环境湿度；旁通阀开度，即旁通阀1的开度和旁通阀2的开度；1号冷水机组到5号冷水机组的特性，即冷水机组的电功率，冷却水出水温度，冷却水进水温度，冷冻水出水温度和冷冻水进水温度；总管运行特性，即供水环网压力，供水环网温度和回水环网温度。上述关键监测指标中，总管运行特性作为待预测变量，即预测模型的输出变量，其余变量作为预测模型的输入变量。
之后对实时监测数据进行去噪，去除异常值，并进一步对数据进行切片，对齐测点时间标记。数据预处理完成后，对监控数据进行归一化处理，对某一具体指标，其归一化公式如下：
Figure BDA0001654682270000101
式中，x为实际测量值，x*为变换后的取值，xmin为该指标在整个样本空间的最小值，xmax为该指标在整个样本空间的最大值，该变换公式将指标x的取值映射到区间[-1,1]。之后对前51天的监控数据进行分组，随机分为训练样本，交叉验证样本和检验样本，各样本所占比例分别为70％，15％和15％。在本实施例中，用于训练神经网络预测模型的样本数为112320条，训练样本数为78624条，交叉验证样本和检验样本数均为16848条。
步骤s2：神经网络预测模型拓扑结构的建立。神经网络预测模型采用前馈神经网络，分为输入层，隐藏层和输出层。其中输入层神经元个数为29个，与输入变量个数相同；隐藏层神经元个数为10个，保证其小于输入层神经元个数；输出层神经元个数为3个，与输出变量个数相同。隐藏层的传递函数为Tan-Sigmoid函数，输出层的传递函数为正比例线性函数。图4给出了基于神经网络算法的水冷空调系统运行状态预测模型。
步骤s3：神经网络预测模型的训练与网络节点权重的获取。神经网络权重的初始化采用Nguyen-Widrow初始化算法，神经网络模型的训练采用Levenberg-Marquardt反向传播算法。训练收敛条件包括均方误差，最大迭代次数和交叉验证次数，其中最大迭代次数设定为1000次，交叉验证检验次数设定为6次。对于输出层变量供水环网压力，供水环网温度，回水环网温度，模型收敛时的迭代次数分别为98次，74次和162次。图5为训练所得神经网络预测模型的拟合优度，对于供水环网压力，供水环网温度和回水环网温度，模型计算结果和实际监测结果的拟合优度均高于0.98。
步骤s4：水冷空调系统未来运行状态的预测。具体包括供水环网压力，供水环网温度和回水环网温度的预测。利用步骤s3中训练得到的神经网络预测模型，以步骤s1中后11天的数据作为输入，获得水冷空调系统的未来运行状态。在本实施例中，预测时长为1小时。之后对预测结果进行反归一化处理，利用如下公式：
Figure BDA0001654682270000111
式中，xmin为该指标在整个样本空间的最小值，xmax为该指标在整个样本空间的最大值。
图6为训练所得神经网络预测模型的预测效果，对于供水环网压力，供水环网温度和回水环网温度，平均相对误差绝对值分别为1.18％，1.29％和3.65％。
步骤s5：健康度评估模型的建立。依据供水环网压力，供水环网温度和回水环网温度的阈值以及梯形归一化函数对步骤s4中的预测结果进行归一化处理。梯形归一化函数的具体形式如下：
Figure BDA0001654682270000121
a为指标的阈值下限，d为指标的阈值上限，[b，c]为指标的适宜运行区间。本实施例中对于供水环网压力，其a，b，c，d的值分别是100kPa，250kPa，350kPa和500kPa；对于供水环网温度，其a，b，c，d的值分别是7°，10℃，12℃和16℃；对于回水环网温度，其a，b，c，d的值分别是9°，12℃，14℃和18℃。
之后设定关键指标的初始权重值，供水环网压力，供水环网温度和回水环网温度的初始权重值分别为0.35，0.35和0.3。为提高健康度分值对临界运行参数的灵敏度，需引入变权重机制。变权重公式如下：
Figure BDA0001654682270000122
式中，wi为指标的初始权重值，wi'为指标变换后的权重值，xi为指标归一化后的值。基于变换后的权重值和经过归一化处理后的预测值，利用综合评价法建立水冷空调系统未来运行状态健康度的评估模型，具体如下：
Figure BDA0001654682270000123
上述公式给出了健康度分值，其分值区间为[0,100]。
步骤s6：水冷空调系统未来运行状态健康度的评估。将步骤s4中得到的水冷空调系统未来运行状态值代入步骤s5中建立的健康度评价模型，最终获得水冷空调系统未来运行状态的健康度。以预测某时刻水冷空调系统运行状态的健康度为例，利用步骤s4中训练得到的神经网络模型预测某时刻供水环网压力，供水环网温度和回水环网温度在1小时后的值，预测结果分别为164.2kPa，12.7℃和14℃。利用步骤s5中的梯形归一化函数对预测结果进行归一化处理，处理后的值分别为0.428，0.825和1。变权重处理后，供水环网压力，供水环网温度和回水环网温度的权重值分别为0.53，0.28和0.19。最后利用步骤s5中的健康度评估模型计算健康度分值，为64.8分。由此可知，某时刻水冷空调系统运行状态健康度的预测值为64.8分，说明水冷空调系统在1小时后处于一般状态，需在此时引起适度的注意。
本发明实施例还提供了一种水冷空调系统运行状态健康度的预测装置，参见图7，该装置包括：
建立单元，用于建立神经网络预测模型；
处理单元，用于将训练样本数据带入所述神经网络预测模型，对所述神经网络预测模型进行训练，并获取所述神经网络预测模型的各个网络节点的权重值，确定最终的神经网络预测模型；将待预测样本数据输入所述最终的神经网络预测模型，通过所述最终的神经网络预测模型预测得到水冷空调系统的未来运行状态；
评估单元，用于通过健康度评估模型将所述最终的神经网络预测模型预测的水冷空调系统的未来运行状态，转换为健康度的评估值。
也就是说，本发明实施例通过将采用神经网络算法实现水冷空调系统运行状态的预测，并基于变权重的综合评价法给出水冷空调系统的未来健康度，从而实现对水冷空调系统运行故障的事前预防性调控，保障水冷空调系统的可靠运行和数据中心的安全稳定，从而有效解决现有技术中不能预先对水冷空调系统进行预测以及调控的问题。
具体实施时，本发明实施例的建立单元是通过前馈神经网络方式建立所述神经网络预测模型，所述神经网络预测模型包括输入层，隐藏层和输出层，并根据水冷空凋系统的物理结构，运营人员关注的重点指标和模型的预测特性调整所述神经网络预测模型包括输入层，隐藏层和输出层的数量。
进一步地，本发明实施例所述的装置还包括：预处理单元，通过预处理单元对所述训练样本数据和所述待预测样本数据进行进行去噪，去除异常值，并进一步对数据进行切片，对齐测点时间标记；对所述训练样本数据和所述待预测样本数据进行归一化，将其映射到预设区间；对所述训练样本数据随机分为训练样本，交叉验证样本和检验样本。
具体地，本发明实施例的处理单元还用于将待预测样本数据输入所述最终的神经网络预测模型，通过所述最终的神经网络预测模型预测得到水冷空调系统的未来运行状态，并对未来运行状态进行反归一化处理，神经网络权重的初始化采用小数值随机数法或Nguyen-Widrow初始化算法；性能评价指标采用平均相对误差绝对值MAPE，训练算法采用Levenberg-Marquardt反向传播算法，最大迭代次数为1000，交叉验证检验次数为6次，确定最终的神经网络预测模型。
并且，本发明实施例的评估单元具体是确定水冷空调系统运行状态的关键指标的阈值，并构建归一化函数；设定关键指标的初始权重值，并进行变权重处理；基于综合评价法建立水冷空调系统未来运行状态的健康度评价模型，给出健康度分值，将分值映射到区间[0，100]。
本发明实施例的所述健康度评估模型为：
Figure BDA0001654682270000141
其中，wi'为指标变换后的权重值，通过系数调整可将健康度分值从区间[0，1]映射到区间[0，100]；
权重变换公式：
Figure BDA0001654682270000142
其中，wi为指标的初始权重值，wi'为指标变换后的权重值，xi为指标归一化后的值，α为函数参数，取值范围为[0，1]。
相应的，本发明实施例还提供了一种水冷空调运行状态健康度管理系统，该系统包括上述任意一种所述的水冷空调系统运行状态健康度的预测装置，并达到相应的技术效果，具体可参见方法实施例和装置实施例部分进行理解，在此不做详细赘述。
尽管为示例目的，已经公开了本发明的优选实施例，本领域的技术人员将意识到各种改进、增加和取代也是可能的，因此，本发明的范围应当不限于上述实施例。

Claims (8)

1.一种水冷空调系统运行状态健康度的预测方法，其特征在于，包括：
建立神经网络预测模型；
将训练样本数据带入所述神经网络预测模型，对所述神经网络预测模型进行训练，并获取所述神经网络预测模型的各个网络节点的权重值，确定最终的神经网络预测模型；
将待预测样本数据输入所述最终的神经网络预测模型，通过所述最终的神经网络预测模型预测得到水冷空调系统的未来运行状态；
通过健康度评估模型将所述最终的神经网络预测模型预测的水冷空调系统的未来运行状态，转换为健康度的评估值；
通过健康度评估模型将所述最终的神经网络预测模型预测的水冷空调系统的未来运行状态，转换为健康度的评估值，具体包括：
确定水冷空调系统运行状态的关键指标的阈值，并构建归一化函数；
设定关键指标的初始权重值，并进行变权重处理；
基于综合评价法建立水冷空调系统未来运行状态的健康度评价模型，给出健康度分值，将分值映射到区间[0，100]；
所述健康度评估模型为：
Figure FDA0002538572960000011
其中，wi'为指标变换后的权重值，通过系数调整可将健康度分值从区间[0，1]映射到区间[0，100]；
权重变换公式：
Figure FDA0002538572960000012
其中，wi为指标的初始权重值，wi'为指标变换后的权重值，xi为指标归一化后的值，α为函数参数，取值范围为[0，1]。
2.根据权利要求1所述的方法，其特征在于，建立神经网络预测模型，具体包括：
通过前馈神经网络方式建立所述神经网络预测模型，所述神经网络预测模型包括输入层，隐藏层和输出层，并根据水冷空凋系统的物理结构，运营人员关注的重点指标和模型的预测特性调整所述神经网络预测模型，包括输入层，隐藏层和输出层的数量。
3.根据权利要求2所述的方法，其特征在于，
输入层神经元个数为29个，隐藏层神经元个数为10个，输出层神经元个数为3个；
隐藏层的传递函数为Tan-Sigmoid函数，输出层的传递函数为正比例线性函数。
4.根据权利要求1所述的方法，其特征在于，还包括：
对所述训练样本数据和所述待预测样本数据进行去噪，去除异常值，并进一步对数据进行切片，对齐测点时间标记；
对所述训练样本数据和所述待预测样本数据进行归一化，将其映射到预设区间；
对所述训练样本数据随机分为训练样本，交叉验证样本和检验样本。
5.根据权利要求4所述的方法，其特征在于，将待预测样本数据输入所述最终的神经网络预测模型，通过所述最终的神经网络预测模型预测得到水冷空调系统的未来运行状态，具体包括：
将待预测样本数据输入所述最终的神经网络预测模型，通过所述最终的神经网络预测模型预测得到水冷空调系统的未来运行状态，并对未来运行状态进行反归一化处理。
6.根据权利要求1-5中任意一项所述的方法，其特征在于，将训练样本数据带入所述神经网络预测模型，对所述神经网络预测模型进行训练，并获取各个网络节点的权重值，具体包括：
神经网络权重的初始化采用小数值随机数法或Nguyen-Widrow初始化算法；
性能评价指标采用平均相对误差绝对值MAPE，训练算法采用Levenberg-Marquardt反向传播算法，最大迭代次数为1000，交叉验证检验次数为6次，确定最终的神经网络预测模型。
7.一种水冷空调系统运行状态健康度的预测装置，其特征在于，包括：
建立单元，用于建立神经网络预测模型；
处理单元，用于将训练样本数据带入所述神经网络预测模型，对所述神经网络预测模型进行训练，并获取所述神经网络预测模型的各个网络节点的权重值，确定最终的神经网络预测模型；将待预测样本数据输入所述最终的神经网络预测模型，通过所述最终的神经网络预测模型预测得到水冷空调系统的未来运行状态；
评估单元，用于通过健康度评估模型将所述最终的神经网络预测模型预测的水冷空调系统的未来运行状态，转换为健康度的评估值；
所述评估单元还用于，确定水冷空调系统运行状态的关键指标的阈值，并构建归一化函数；设定关键指标的初始权重值，并进行变权重处理；基于综合评价法建立水冷空调系统未来运行状态的健康度评价模型，给出健康度分值，将分值映射到区间[0，100]；所述健康度评估模型为：
Figure FDA0002538572960000033
中，wi’为指标变换后的权重值，通过系数调整可将健康度分值从区间[0，1]映射到区间[0，100]；权重变换公式：
Figure FDA0002538572960000032
其中，wi为指标的初始权重值，wi’为指标变换后的权重值，xi为指标归一化后的值，α为函数参数，取值范围为[0，1]。
8.一种水冷空调运行状态健康度管理系统，其特征在于，包括：权利要求7所述的水冷空调系统运行状态健康度的预测装置。
CN201810436223.0A 2018-05-09 2018-05-09 水冷空调系统运行状态健康度的预测方法、装置及系统 Active CN108592352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810436223.0A CN108592352B (zh) 2018-05-09 2018-05-09 水冷空调系统运行状态健康度的预测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810436223.0A CN108592352B (zh) 2018-05-09 2018-05-09 水冷空调系统运行状态健康度的预测方法、装置及系统

Publications (2)

Publication Number Publication Date
CN108592352A CN108592352A (zh) 2018-09-28
CN108592352B true CN108592352B (zh) 2020-09-11

Family

ID=63636418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810436223.0A Active CN108592352B (zh) 2018-05-09 2018-05-09 水冷空调系统运行状态健康度的预测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN108592352B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111219942B (zh) * 2018-11-26 2022-05-27 珠海格力电器股份有限公司 冰箱故障预测方法和装置
CN109708249B (zh) * 2018-12-29 2020-06-09 珠海格力电器股份有限公司 空调元器件故障预测方法、装置和计算机设备
CN109946544A (zh) * 2019-03-29 2019-06-28 广东美的制冷设备有限公司 家电故障检测方法和装置
CN109977621A (zh) * 2019-04-30 2019-07-05 西南石油大学 一种基于深度学习的空调故障预测方法
CN110411768B (zh) * 2019-06-05 2021-11-16 合肥通用机械研究院有限公司 一种基于神经网络的冷水机组测控系统及测控方法
CN110186170B (zh) * 2019-06-20 2020-11-27 北京石油化工学院 热舒适度指标pmv控制方法及设备
CN112303810A (zh) * 2019-08-01 2021-02-02 山东朗进科技股份有限公司 一种基于机器学习的空调健康预测方法
CN110594954B (zh) * 2019-08-14 2021-04-27 安徽美博智能科技有限公司 一种空调故障检测方法以及检测装置
CN112460738B (zh) * 2019-09-09 2022-03-04 上海杰之能软件科技有限公司 空调系统的状态识别方法及装置、存储介质、终端
EP3789838A1 (en) 2019-09-09 2021-03-10 Alisea S.r.l. Systems and methods for artificial intelligence-based maintenance of an air conditioning system
CN110953687B (zh) * 2019-10-10 2021-11-02 珠海派诺科技股份有限公司 一种空调的健康度评价方法、系统及存储介质
CN111306706B (zh) * 2019-10-10 2021-11-02 珠海派诺科技股份有限公司 一种空调联动控制方法及系统
CN113218037B (zh) * 2020-01-21 2022-08-02 东元电机股份有限公司 冰水主机保养预估系统及其方法
CN111460727A (zh) * 2020-03-05 2020-07-28 国网浙江省电力有限公司湖州供电公司 一种利用多参量的变压器寿命预测方法
CN111706499B (zh) * 2020-06-09 2022-03-01 成都数之联科技有限公司 一种真空泵的预测维护系统及方法及真空泵自动采购系统
CN111753889B (zh) * 2020-06-11 2022-04-12 浙江浙能技术研究院有限公司 一种基于cnn-svdd的引风机故障识别方法
CN111814976B (zh) * 2020-07-14 2024-04-09 西安建筑科技大学 一种空调系统传感器故障误差再学习方法及系统
CN112084661B (zh) * 2020-09-10 2022-07-05 中国船舶重工集团海装风电股份有限公司 一种风电机组变流器水冷系统冷却状态评估预警方法
CN112558560B (zh) * 2020-11-24 2022-05-17 国家计算机网络与信息安全管理中心 数据中心制冷系统冷量输配动态优化与节能调控系统
CN112991331B (zh) * 2021-04-19 2021-10-26 广州大一互联网络科技有限公司 一种使用绝缘冷却液的数据中心的运维方法和装置
CN117390948A (zh) * 2023-08-10 2024-01-12 苏州黑盾环境股份有限公司 基于多头注意力长短时记忆神经网络冷水机组监测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10267357A (ja) * 1997-03-26 1998-10-09 F F C:Kk 換気制御装置
JP2009019842A (ja) * 2007-07-13 2009-01-29 Yamatake Corp 送水制御システム及び送水制御方法
CN102305451A (zh) * 2011-07-04 2012-01-04 徐坚 基于健康评估技术的混合式地源热泵监控系统及方法
CN104008427A (zh) * 2014-05-16 2014-08-27 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN106765932A (zh) * 2016-12-14 2017-05-31 深圳达实智能股份有限公司 中央空调系统制冷主机的能效比预测方法及装置
CN106874581A (zh) * 2016-12-30 2017-06-20 浙江大学 一种基于bp神经网络模型的建筑空调能耗预测方法
CN107942960A (zh) * 2017-10-23 2018-04-20 中国科学院地理科学与资源研究所 一种智能化的信息处理系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10267357A (ja) * 1997-03-26 1998-10-09 F F C:Kk 換気制御装置
JP2009019842A (ja) * 2007-07-13 2009-01-29 Yamatake Corp 送水制御システム及び送水制御方法
CN102305451A (zh) * 2011-07-04 2012-01-04 徐坚 基于健康评估技术的混合式地源热泵监控系统及方法
CN104008427A (zh) * 2014-05-16 2014-08-27 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN106765932A (zh) * 2016-12-14 2017-05-31 深圳达实智能股份有限公司 中央空调系统制冷主机的能效比预测方法及装置
CN106874581A (zh) * 2016-12-30 2017-06-20 浙江大学 一种基于bp神经网络模型的建筑空调能耗预测方法
CN107942960A (zh) * 2017-10-23 2018-04-20 中国科学院地理科学与资源研究所 一种智能化的信息处理系统

Also Published As

Publication number Publication date
CN108592352A (zh) 2018-09-28

Similar Documents

Publication Publication Date Title
CN108592352B (zh) 水冷空调系统运行状态健康度的预测方法、装置及系统
CN106461294B (zh) 热泵和空气调节分级系统及方法
Zhou et al. A model‐based fault detection and diagnosis strategy for HVAC systems
Padilla et al. A combined passive-active sensor fault detection and isolation approach for air handling units
CN113175700B (zh) 一种热网智能设备管理及大数据预警分析系统及方法
CN105956752A (zh) 用于绿色公共建筑运营阶段的能效评估与诊断分析方法
Ma et al. Online fault detection and robust control of condenser cooling water systems in building central chiller plants
CN113036913A (zh) 一种综合能源设备状态监测方法及装置
CN109028286A (zh) 一种基于监控平台和智能阀的供热平衡调控系统
CN110907731B (zh) 一种基于温度感知的变电站热状态评估方法及系统
CN107831866A (zh) 一种水冷系统状态评估方法、设备及计算机可读存储介质
CN107461881B (zh) 一种医院空调机房的制冷主机能效诊断方法及其系统
CN114065450A (zh) 一种基于5g技术的集中供暖系统的调度优化方法
Li et al. Improvement for energy efficiency and control characteristics in variable air volume system using in-situ sensor calibration method based on autoencoder
Wei et al. Fault detection and diagnosis for variable-air-volume systems using combined residual, qualitative and quantitative techniques
JP2004234302A (ja) プロセス管理装置
TWI470217B (zh) On - line performance evaluation method of cooling tower
Sun et al. Research on fault detection method for air handling units system
CN113701232B (zh) 基于温度多样性分析的供热系统楼宇级调控方法及系统
CN112084661B (zh) 一种风电机组变流器水冷系统冷却状态评估预警方法
Song et al. Using a hybrid method to construct a computational efficient cooling coil model for an automated single-duct variable air volume system fault detection and diagnosis
JP2006106870A (ja) プロセス管理装置
Ho et al. Determinants of low energy performance in a multi-chiller system serving an educational premise
US20210192469A1 (en) Building control system with peer analysis for predictive models
CN109764476A (zh) 冷媒泄漏监控方法、监控系统及空调机组

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant