CN111365828A - 结合机器学习实现数据中心节能温控的模型预测控制方法 - Google Patents

结合机器学习实现数据中心节能温控的模型预测控制方法 Download PDF

Info

Publication number
CN111365828A
CN111365828A CN202010152438.7A CN202010152438A CN111365828A CN 111365828 A CN111365828 A CN 111365828A CN 202010152438 A CN202010152438 A CN 202010152438A CN 111365828 A CN111365828 A CN 111365828A
Authority
CN
China
Prior art keywords
temperature
algorithm
model
data center
model predictive
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.)
Pending
Application number
CN202010152438.7A
Other languages
English (en)
Inventor
陈昱
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.)
Shanghai Waigaoqiao Wanguo Data Technology Development Co ltd
Original Assignee
Shanghai Waigaoqiao Wanguo Data Technology Development Co ltd
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 Shanghai Waigaoqiao Wanguo Data Technology Development Co ltd filed Critical Shanghai Waigaoqiao Wanguo Data Technology Development Co ltd
Priority to CN202010152438.7A priority Critical patent/CN111365828A/zh
Publication of CN111365828A publication Critical patent/CN111365828A/zh
Pending legal-status Critical Current

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
    • F24F11/62—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
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/54—Control or safety arrangements characterised by user interfaces or communication using one central controller connected to several sub-controllers
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F24F11/58—Remote control using Internet communication
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
    • 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
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K7/00—Constructional details common to different types of electric apparatus
    • H05K7/20—Modifications to facilitate cooling, ventilating, or heating
    • H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
    • H05K7/20836—Thermal management, e.g. server temperature control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/10—Weather information or forecasts
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2140/00—Control inputs relating to system states
    • F24F2140/60—Energy consumption

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Fuzzy Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Thermal Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Development Economics (AREA)

Abstract

本发明公开了一种结合机器学习实现数据中心节能温控的模型预测控制方法，将人工神经网络与模型预测控制算法相结合，去调节数据中心内的暖通空调系统，运用人工神经网络分析包含室外温度、时间、能耗等在内的数据，来预测室内最佳温度，然后将预测温度输入到模型预测控制算法中，进行操控调节。所选的人工神经网络模型为NARX神经网络算法。本发明提供的方法用于数据中心，基于节能和温度的自学习模型预测控制的模型算法，能够解决现有的问题，既可以满足温度要求，又可以最小化暖通空调系统的消耗。

Description

结合机器学习实现数据中心节能温控的模型预测控制方法
技术领域
本发明涉及一种用于数据中心的节能温控的模型预测控制方法，具体地，涉及一种结合机器学习实现数据中心节能温控的模型预测控制方法。
背景技术
数据中心需要设置供暖，通风和空调(HVAC；Heating，Ventilation and AirConditioning；暖通空调系统)，但HVAC非常耗能，可占数据中心基础消耗总数的15％。因此，设计出既节能又能满足温度需求的控制系统至关重要。但是，实现起来却具有挑战性，因为它涉及各种影响建筑环境中的因素，满足所有要求通常很难，并且可能因情况而异。
大部分现有的温度控制系统都是基于模型算法，将环境信息用数学建模的形式植入在控制中，但是不稳定性及模型错误始终是难以解决的问题。机器学习Model PredictControl(MPC，模型预测控制)作为模型算法中高效的算法之一，其效率直接与建模准确性挂钩。但在复杂的环境和多种影响因子的情况下，建模准确性降低，MPC的效率也大打折扣。同时模型算法通用化比较差，每个模型需要根据环境进行特殊定制。
发明内容
本发明的目的是提供一种用于数据中心的节能温控的模型预测控制方法，基于节能和温度的自学习MPC模型，能够解决现有的问题，既可以满足温度要求，又可以最小化HVAC消耗。
为了达到上述目的，本发明提供了一种结合机器学习实现数据中心节能温控的模型预测控制方法，其中，所述的方法将人工神经网络与模型预测控制算法相结合，去调节数据中心内的暖通空调系统，运用人工神经网络分析包含室外温度、时间、能耗在内的数据，来预测室内最佳温度，然后将预测温度输入到模型预测控制算法中，进行操控调节。
上述的结合机器学习实现数据中心节能温控的模型预测控制方法，其中，所述的人工神经网络模型为NARX神经网络算法，用于预测室内环境信息，以及分析环境信息对空调耗能及对服务器影响；NARX神经网络算法包含：步骤1，定义输入及输出数据集；步骤2，将数据集分为训练、验证、测试；步骤3，选择网络结构和训练算法、误差算法；步骤4，训练网络，评估效果；步骤5，调整。
上述的结合机器学习实现数据中心节能温控的模型预测控制方法，其中，所述的NARX神经网络算法至少由三层网络构成，分别为输入层、隐藏层、输出层；其表达为：
y(t)＝f(x(t-1)，...，x(t-dx)，y(t-1)，y(t-2)，...，y(t-dy))；
x(t)，y(t)，dx，dy分别代表输入、输出、输入延迟、输出延迟。
从中得出预测的室内最佳温度，即最优预设温度。
上述的结合机器学习实现数据中心节能温控的模型预测控制方法，其中，所述的模型预测控制算法结合室内外环境信息，以及暖通空调系统工作信息，通过模型算法得到暖通空调系统的调整方案。
上述的结合机器学习实现数据中心节能温控的模型预测控制方法，其中，所述的模型预测控制算法在建筑物温度控制中使用，根据时间范围内的预测天气状况和服务器情况生成暖通空调系统控制计划，将能耗最小化并满足温度要求的第一个控制动作应用于建筑物的暖通空调系统，然后在下一个时刻使用建筑物状态和输出的反馈信息调整控制算法。
上述的结合机器学习实现数据中心节能温控的模型预测控制方法，其中，所述的模型预测控制算法包含：步骤a，定义现阶段的系统环境、输入量，并且预测出所有时间线内的值；步骤b，运行模型，优化损失函数，得到时间t时的最优输入；步骤c，在时间t，解决优化问题，得到时间线内的输入信号；步骤d，应用第一个控制输入，t＝t+1，进入下一阶段。
上述的结合机器学习实现数据中心节能温控的模型预测控制方法，其中，所述的模型预测控制算法，其损失函数用于补偿与最佳温度和最佳能耗之间的偏差，定义如下：
Figure BDA0002402932190000031
Q，R，N，Td代表阶段权重、输入权重、时间、最优预设温度。
上述的结合机器学习实现数据中心节能温控的模型预测控制方法，其中，所述的模型预测控制算法，其目标是在以下条件的情况下最小化损失函数来实现最优效果：
Figure BDA0002402932190000032
Figure BDA0002402932190000033
Figure BDA0002402932190000041
Pmin≤P(t+k-1)≤Pmax。
上述的结合机器学习实现数据中心节能温控的模型预测控制方法，其中，所述的模型预测控制算法，其室内温度数学建模为：
Figure BDA0002402932190000042
；
Figure BDA0002402932190000043
分别为预测室内温度、室外温度、时间跨度、加热功率、参数和服务器预测。
上述的结合机器学习实现数据中心节能温控的模型预测控制方法，其中，所述的模型预测控制算法，其模型参数输入数据后，通过递推最小二乘算法得到：
Figure BDA0002402932190000044
Figure BDA0002402932190000045
Figure BDA0002402932190000046
Figure BDA0002402932190000047
代表收获、忘记参数、观测和估计参数；
e代表测算输出和定义输出之间的误差。
本发明提供的结合机器学习实现数据中心节能温控的模型预测控制方法具有以下优点：
本方法结合神经网络ANN(artificial neural network，人工神经网络)和机器学习model predictive control(MPC)去调节数据中心内的HVAC，同时满足温度需求和节能需求。
本方法提供的机器学习模型在搭建拥有非线性、非稳定、根据时间变化的多区域模型上拥有很好的表现，同时在处理大量数据和区域数据上的性能也被广泛认可。机器学习算法可以通过学习数据中心历史数据来完善模型和优化控制逻辑，机器学习也可以通过复杂的数据分析，来预测出室内需求温度。
本方法提供的机器学习MPC模型，结合神经网络ANN和MPC来使模型更加精确和高效。目前有很多单独运用ANN或MPC来进行温度调整的模型，但是将二者结合的模型却还没有。在本方法的模型中，运用ANN分析室外温度、时间、能耗等数据来预测室内最佳温度，然后将预测温度输入到MPC中，进行操控调节。二者的结合，一方面MPC模型可以辅助机器学习来发掘并学习数据中的信息，另一方面室内温度预测及多种数据分析都可以由机器学习完成，然后由MPC来进行操控。相比于其他MPC模型算法，该方法不仅增加了稳定性和鲁棒性，而且在节能性能上也有提升。
附图说明
图1为本发明的结合机器学习实现数据中心节能温控的模型预测控制方法的ANN和MPC结合示意图。
图2为本发明的结合机器学习实现数据中心节能温控的模型预测控制方法的NARX示意图。
具体实施方式
以下结合附图对本发明的具体实施方式作进一步地说明。
本发明提供了一种结合机器学习实现数据中心节能温控的模型预测控制方法，该方法将人工神经网络(artificial neural network，ANN)与模型预测控制(modelpredictive control，MPC)算法相结合，去调节数据中心内的暖通空调系统，运用人工神经网络分析包含室外温度、时间、能耗等在内的数据，来预测室内最佳温度，然后将预测温度输入到模型预测控制算法中，进行操控调节。
所选的人工神经网络模型为NARX神经网络算法(非线性自回归模型nonlinearautoregressive exogenous，非线性回归netwoRk，输入量为eXogenous)，用于预测室内环境信息，以及分析环境信息对空调耗能及对服务器影响；NARX神经网络算法包含：步骤1，定义输入及输出数据集；步骤2，将数据集分为训练、验证、测试；步骤3，选择网络结构和训练算法、误差算法；步骤4，训练网络，评估效果；步骤5，调整。
该模型预测控制算法结合室内外环境信息，以及暖通空调系统工作信息，通过模型算法得到暖通空调系统的调整方案。该模型预测控制算法在建筑物温度控制中使用，根据时间范围内的预测天气状况和服务器情况生成暖通空调系统控制计划，将能耗最小化并满足温度要求的第一个控制动作应用于建筑物的暖通空调系统，然后在下一个时刻使用建筑物状态和输出的反馈信息调整控制算法。
该模型预测控制算法包含：步骤a，定义现阶段的系统环境、输入量，并且预测出所有时间线内的值；步骤b，运行模型，优化损失函数，得到时间t时的最优输入；步骤c，在时间t，解决优化问题，得到时间线内的输入信号；步骤d，应用第一个控制输入，t＝t+1，进入下一阶段。
下面结合实施例对本发明提供的结合机器学习实现数据中心节能温控的模型预测控制方法做更进一步描述。
实施例1
一种结合机器学习实现数据中心节能温控的模型预测控制方法，该方法将人工神经网络(ANN)与模型预测控制(MPC)算法相结合，去调节数据中心内的暖通空调系统(HVAC)，运用ANN分析包含室外温度、时间、能耗等在内的数据，来预测室内最佳温度，然后将预测温度输入到MPC算法中，进行操控调节。参见图1所示。算法在的环境为一个两层，四个房间的1600平方米朝北建筑中。每个房间都可以独立调整温湿度。
所选的ANN模型为NARX神经网络算法，用于预测室内环境信息，以及分析环境信息对空调耗能及对服务器影响；使用NARX神经网络是因为它是一种时间序列预测模型，更加贴合实际操控需要。
NARX神经网络算法包含：步骤1，定义输入及输出数据集；步骤2，将数据集分为训练、验证、测试；步骤3，选择网络结构和训练算法、误差算法；步骤4，训练网络，评估效果；步骤5，调整。
该NARX神经网络算法至少由三层网络构成，分别为输入层、隐藏层、输出层；其表达为：
y(t)＝f(x(t-1)，...，x(t-dx)，y(t-1)，y(t-2)，...，y(t-dy))；
x(t)，y(t)，dx，dy分别代表输入、输出、输入延迟、输出延迟。
从中得出预测的室内最佳温度，即最优预设温度。参见图2所示。
该MPC算法结合室内外环境信息，以及HVAC工作信息，通过模型算法得到HVAC的调整方案。
机器学习MPC算法，在建筑物温度控制中使用，根据时间范围内的预测天气状况和服务器情况生成HVAC控制计划，将能耗最小化并满足温度要求的第一个控制动作应用于建筑物的HVAC，然后在下一个时刻使用建筑物状态和输出的反馈信息调整控制算法。
该MPC算法包含：步骤a，定义现阶段的系统环境、输入量，并且预测出所有时间线内的值；步骤b，运行模型，优化损失函数，得到时间t时的最优输入；步骤c，在时间t，解决优化问题，得到时间线内的输入信号；步骤d，应用第一个控制输入，t＝t+1，进入下一阶段。
该MPC算法的损失函数用于补偿与最佳温度和最佳能耗之间的偏差，定义如下：
Figure BDA0002402932190000081
Q，R，N，Td代表阶段权重、输入权重、时间、最优预设温度。
该MPC算法的目标是在以下条件的情况下最小化损失函数来实现最优效果：
Figure BDA0002402932190000082
Figure BDA0002402932190000083
Figure BDA0002402932190000084
Pmin≤P(t+k-1)≤Pmax。
该MPC算法，其中室内温度数学建模为：
Figure BDA0002402932190000085
；
Figure BDA0002402932190000086
分别为预测室内温度、室外温度、时间跨度、加热功率、参数和服务器预测。
该MPC算法，模型参数用EnergyPlus输入输出数据。模型参数输入数据后，通过递推最小二乘(RLS，Recursive Least Square)算法得到：
Figure BDA0002402932190000087
Figure BDA0002402932190000091
Figure BDA0002402932190000092
Figure BDA0002402932190000093
代表收获、忘记参数、观测和估计参数；
e代表测算输出和定义输出之间的误差。
本发明提供的结合机器学习实现数据中心节能温控的模型预测控制方法，结合神经网络ANN(artificial neural network，人工神经网络)和model predictive control(MPC，模型预测控制)算法，去调节数据中心内的HVAC，运用人工神经网络分析包含室外温度、时间、能耗等在内的数据，来预测室内最佳温度，然后将预测温度输入到模型预测控制算法中，进行操控调节，能够同时满足温度需求和节能需求。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种结合机器学习实现数据中心节能温控的模型预测控制方法，其特征在于，所述的方法将人工神经网络与模型预测控制算法相结合，去调节数据中心内的暖通空调系统，运用人工神经网络分析包含室外温度、时间、能耗在内的数据，来预测室内最佳温度，然后将预测温度输入到模型预测控制算法中，进行操控调节。
2.如权利要求1所述的结合机器学习实现数据中心节能温控的模型预测控制方法，其特征在于，所述的人工神经网络模型为NARX神经网络算法，用于预测室内环境信息，以及分析环境信息对空调耗能及对服务器影响；NARX神经网络算法包含：步骤1，定义输入及输出数据集；步骤2，将数据集分为训练、验证、测试；步骤3，选择网络结构和训练算法、误差算法；步骤4，训练网络，评估效果；步骤5，调整。
3.如权利要求2所述的结合机器学习实现数据中心节能温控的模型预测控制方法，其特征在于，所述的NARX神经网络算法至少由三层网络构成，分别为输入层、隐藏层、输出层；其表达为：
y(t)＝f(x(t-1)，...，x(t-dx)，y(t-1)，y(t-2)，...，y(t-dy))；
x(t)，y(t)，dx，dy分别代表输入、输出、输入延迟、输出延迟。
4.如权利要求1所述的结合机器学习实现数据中心节能温控的模型预测控制方法，其特征在于，所述的模型预测控制算法结合室内外环境信息，以及暖通空调系统工作信息，通过模型算法得到暖通空调系统的调整方案。
5.如权利要求4所述的结合机器学习实现数据中心节能温控的模型预测控制方法，其特征在于，所述的模型预测控制算法在建筑物温度控制中使用，根据时间范围内的预测天气状况和服务器情况生成暖通空调系统控制计划，将能耗最小化并满足温度要求的第一个控制动作应用于建筑物的暖通空调系统，然后在下一个时刻使用建筑物状态和输出的反馈信息调整控制算法。
6.如权利要求5所述的结合机器学习实现数据中心节能温控的模型预测控制方法，其特征在于，所述的模型预测控制算法包含：步骤a，定义现阶段的系统环境、输入量，并且预测出所有时间线内的值；步骤b，运行模型，优化损失函数，得到时间t时的最优输入；步骤c，在时间t，解决优化问题，得到时间线内的输入信号；步骤d，应用第一个控制输入，t＝t+1，进入下一阶段。
7.如权利要求6所述的结合机器学习实现数据中心节能温控的模型预测控制方法，其特征在于，所述的模型预测控制算法，其损失函数用于补偿与最佳温度和最佳能耗之间的偏差，定义如下：
Figure FDA0002402932180000031
Q，R，N，Td代表阶段权重、输入权重、时间、最优预设温度。
8.如权利要求7所述的结合机器学习实现数据中心节能温控的模型预测控制方法，其特征在于，所述的模型预测控制算法，其目标是在以下条件的情况下最小化损失函数来实现最优效果：
Figure FDA0002402932180000032
Figure FDA0002402932180000033
Figure FDA0002402932180000034
Pmin≤P(t+k-1)≤Pmax。
9.如权利要求8所述的结合机器学习实现数据中心节能温控的模型预测控制方法，其特征在于，所述的模型预测控制算法，其室内温度数学建模为：
Figure FDA0002402932180000035
；
Figure FDA0002402932180000036
Tout(t)，Δt，P，a，U
Figure FDA0002402932180000037
分别为预测室内温度、室外温度、时间跨度、加热功率、参数和服务器预测。
10.如权利要求9所述的结合机器学习实现数据中心节能温控的模型预测控制方法，其特征在于，所述的模型预测控制算法，其模型参数输入数据后，通过递推最小二乘算法得到：
Figure FDA0002402932180000038
Figure FDA0002402932180000039
Figure FDA0002402932180000041
Figure FDA0002402932180000042
代表收获、忘记参数、观测和估计参数；
代表测算输出和定义输出之间的误差。
CN202010152438.7A 2020-03-06 2020-03-06 结合机器学习实现数据中心节能温控的模型预测控制方法 Pending CN111365828A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010152438.7A CN111365828A (zh) 2020-03-06 2020-03-06 结合机器学习实现数据中心节能温控的模型预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010152438.7A CN111365828A (zh) 2020-03-06 2020-03-06 结合机器学习实现数据中心节能温控的模型预测控制方法

Publications (1)

Publication Number Publication Date
CN111365828A true CN111365828A (zh) 2020-07-03

Family

ID=71204318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010152438.7A Pending CN111365828A (zh) 2020-03-06 2020-03-06 结合机器学习实现数据中心节能温控的模型预测控制方法

Country Status (1)

Country Link
CN (1) CN111365828A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797980A (zh) * 2020-07-20 2020-10-20 房健 一种个性化地暖使用习惯的自适应学习方法
CN112130492A (zh) * 2020-09-17 2020-12-25 东南大学 一种适用于大数据中心的电力能效管理系统及控制方法
CN112954977A (zh) * 2021-02-18 2021-06-11 财拓云计算(上海)有限公司 一种基于人工智能实现数据中心节能温控的系统及方法
CN112963946A (zh) * 2021-02-26 2021-06-15 南京邮电大学 一种面向共享办公区域的暖通空调系统控制方法及装置
CN113112077A (zh) * 2021-04-14 2021-07-13 太原理工大学 基于多步预测深度强化学习算法的hvac控制系统
CN113513826A (zh) * 2021-04-23 2021-10-19 刘博� 云边结合的智能集群空调控制系统、方法及电子设备
CN113625557A (zh) * 2021-07-12 2021-11-09 山东建筑大学 一种在线优化模型的hvac系统模型预测控制方法
CN113970170A (zh) * 2020-07-24 2022-01-25 中国移动通信集团浙江有限公司 中央空调系统能耗预测方法、装置及计算设备
KR102369350B1 (ko) * 2020-09-14 2022-02-28 가천대학교 산학협력단 인공신경망을 이용한 공기조화설비의 에너지 사용량 및 데이터 예측 시스템 및 그 방법
GB2600245A (en) * 2020-09-17 2022-04-27 Nvidia Corp Predictive control using one or more neural networks
CN114488811A (zh) * 2022-01-25 2022-05-13 同济大学 一种基于二阶沃尔泰拉模型预测的温室环境节能控制方法
CN114754396A (zh) * 2022-04-12 2022-07-15 西安热工研究院有限公司 一种经智能算法优化的热电厂集中供热系统和方法
CN115167641A (zh) * 2022-07-07 2022-10-11 凯德技术长沙股份有限公司 一种惯性自适应温控方法及系统
TWI827938B (zh) * 2021-06-09 2024-01-01 英業達股份有限公司 控制裝置及控制方法
CN117630084A (zh) * 2023-11-28 2024-03-01 中国核电工程有限公司 一种全自动混凝土快速冻融试验工作方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102563808A (zh) * 2012-01-11 2012-07-11 华南理工大学 一种室内环境舒适度的自动控制方法
CN102620378A (zh) * 2011-01-27 2012-08-01 国际商业机器公司 数据中心节能控制方法和系统
CN104807137A (zh) * 2014-07-23 2015-07-29 张迎春 空调温湿度的控制方法和装置
CN106642513A (zh) * 2015-10-28 2017-05-10 财团法人资讯工业策进会 智能节能环境调控系统及方法
CN107120782A (zh) * 2017-02-28 2017-09-01 上海交通大学 一种基于多用户热舒适度数据的暖通系统控制方法
CN109798646A (zh) * 2019-01-31 2019-05-24 上海真聂思楼宇科技有限公司 一种基于大数据平台的变风量空调控制系统和方法
CN110298487A (zh) * 2019-05-30 2019-10-01 同济大学 一种用于满足用户个性化需求的室内温度预测方法
US20190375421A1 (en) * 2018-06-11 2019-12-12 Colorado State University Research Foundation Systems and methods for prediction windows for optimal powertrain control
CN110736248A (zh) * 2019-10-29 2020-01-31 珠海格力电器股份有限公司 空调出风温度的控制方法和装置
CN110766132A (zh) * 2019-09-10 2020-02-07 淮阴工学院 一种基于物联网的果园产量智能预测系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102620378A (zh) * 2011-01-27 2012-08-01 国际商业机器公司 数据中心节能控制方法和系统
CN102563808A (zh) * 2012-01-11 2012-07-11 华南理工大学 一种室内环境舒适度的自动控制方法
CN104807137A (zh) * 2014-07-23 2015-07-29 张迎春 空调温湿度的控制方法和装置
CN106642513A (zh) * 2015-10-28 2017-05-10 财团法人资讯工业策进会 智能节能环境调控系统及方法
CN107120782A (zh) * 2017-02-28 2017-09-01 上海交通大学 一种基于多用户热舒适度数据的暖通系统控制方法
US20190375421A1 (en) * 2018-06-11 2019-12-12 Colorado State University Research Foundation Systems and methods for prediction windows for optimal powertrain control
CN109798646A (zh) * 2019-01-31 2019-05-24 上海真聂思楼宇科技有限公司 一种基于大数据平台的变风量空调控制系统和方法
CN110298487A (zh) * 2019-05-30 2019-10-01 同济大学 一种用于满足用户个性化需求的室内温度预测方法
CN110766132A (zh) * 2019-09-10 2020-02-07 淮阴工学院 一种基于物联网的果园产量智能预测系统
CN110736248A (zh) * 2019-10-29 2020-01-31 珠海格力电器股份有限公司 空调出风温度的控制方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵小刚等: "基于模型预测控制的数据中心节能调度算法", 《软件学报》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797980A (zh) * 2020-07-20 2020-10-20 房健 一种个性化地暖使用习惯的自适应学习方法
CN113970170A (zh) * 2020-07-24 2022-01-25 中国移动通信集团浙江有限公司 中央空调系统能耗预测方法、装置及计算设备
KR102369350B1 (ko) * 2020-09-14 2022-02-28 가천대학교 산학협력단 인공신경망을 이용한 공기조화설비의 에너지 사용량 및 데이터 예측 시스템 및 그 방법
CN112130492A (zh) * 2020-09-17 2020-12-25 东南大学 一种适用于大数据中心的电力能效管理系统及控制方法
GB2600245B (en) * 2020-09-17 2023-08-09 Nvidia Corp Predictive control using one or more neural networks
GB2600245A (en) * 2020-09-17 2022-04-27 Nvidia Corp Predictive control using one or more neural networks
CN112954977A (zh) * 2021-02-18 2021-06-11 财拓云计算(上海)有限公司 一种基于人工智能实现数据中心节能温控的系统及方法
CN112954977B (zh) * 2021-02-18 2023-04-14 财拓云计算(上海)有限公司 一种基于人工智能实现数据中心节能温控的系统及方法
CN112963946A (zh) * 2021-02-26 2021-06-15 南京邮电大学 一种面向共享办公区域的暖通空调系统控制方法及装置
CN113112077B (zh) * 2021-04-14 2022-06-10 太原理工大学 基于多步预测深度强化学习算法的hvac控制系统
CN113112077A (zh) * 2021-04-14 2021-07-13 太原理工大学 基于多步预测深度强化学习算法的hvac控制系统
CN113513826A (zh) * 2021-04-23 2021-10-19 刘博� 云边结合的智能集群空调控制系统、方法及电子设备
TWI827938B (zh) * 2021-06-09 2024-01-01 英業達股份有限公司 控制裝置及控制方法
CN113625557A (zh) * 2021-07-12 2021-11-09 山东建筑大学 一种在线优化模型的hvac系统模型预测控制方法
CN114488811A (zh) * 2022-01-25 2022-05-13 同济大学 一种基于二阶沃尔泰拉模型预测的温室环境节能控制方法
CN114488811B (zh) * 2022-01-25 2023-08-29 同济大学 一种基于二阶沃尔泰拉模型预测的温室环境节能控制方法
CN114754396A (zh) * 2022-04-12 2022-07-15 西安热工研究院有限公司 一种经智能算法优化的热电厂集中供热系统和方法
CN114754396B (zh) * 2022-04-12 2023-08-18 西安热工研究院有限公司 一种经智能算法优化的热电厂集中供热系统和方法
CN115167641A (zh) * 2022-07-07 2022-10-11 凯德技术长沙股份有限公司 一种惯性自适应温控方法及系统
CN117630084A (zh) * 2023-11-28 2024-03-01 中国核电工程有限公司 一种全自动混凝土快速冻融试验工作方法及系统

Similar Documents

Publication Publication Date Title
CN111365828A (zh) 结合机器学习实现数据中心节能温控的模型预测控制方法
Homod Analysis and optimization of HVAC control systems based on energy and performance considerations for smart buildings
Zhang et al. Whole building energy model for HVAC optimal control: A practical framework based on deep reinforcement learning
Platt et al. Adaptive HVAC zone modeling for sustainable buildings
Pfeiffer et al. Control of temperature and energy consumption in buildings-a review.
Alcalá et al. Fuzzy control of HVAC systems optimized by genetic algorithms
Li et al. Dynamic modeling and control of a direct expansion air conditioning system using artificial neural network
US20190236446A1 (en) Optimization control technology for building energy conservation
CN112050397A (zh) 一种机房温度调控方法及系统
Liang et al. Design of intelligent comfort control system with human learning and minimum power control strategies
Belic et al. HVAC control methods-a review
Zhang et al. Decentralized and distributed temperature control via HVAC systems in energy efficient buildings
CN110726218B (zh) 空调器及其控制方法、装置、存储介质和处理器
CN112712189B (zh) 一种供热需求负荷预测方法
CN104154635A (zh) 基于模糊pid与预测控制算法的变风量室温控制方法
Spindler et al. Naturally ventilated and mixed-mode buildings—Part I: Thermal modeling
Gao et al. Model-based space temperature cascade control for constant air volume air-conditioning system
CN114216256B (zh) 离线预训练-在线学习的通风系统风量控制方法
Zhang et al. Experimental study on a novel fuzzy control method for static pressure reset based on the maximum damper position feedback
CN114046593A (zh) 一种动态预测性机器学习型空调节能控制方法及系统
Han et al. A review of reinforcement learning methodologies on control systems for building energy
CN117193019A (zh) 一种用于建筑设计的智能楼宇控制系统
Eini et al. Learning-based model predictive control for smart building thermal management
Behrooz et al. A survey on applying different control methods approach in building automation systems to obtain more energy efficiency
CN111288610A (zh) 一种变风量空调系统变静压自适应模糊控制方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200703