CN111442476A - 一种使用深度迁移学习实现数据中心节能温控的方法 - Google Patents
一种使用深度迁移学习实现数据中心节能温控的方法 Download PDFInfo
- Publication number
- CN111442476A CN111442476A CN202010152452.7A CN202010152452A CN111442476A CN 111442476 A CN111442476 A CN 111442476A CN 202010152452 A CN202010152452 A CN 202010152452A CN 111442476 A CN111442476 A CN 111442476A
- Authority
- CN
- China
- Prior art keywords
- data center
- data
- temperature control
- stm
- migration learning
- 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
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
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种使用深度迁移学习实现数据中心节能温控的方法,该是通过基于深度迁移学习的DSDA算法来解决节能温控问题;该方法采用LSTM S2S模型,将能耗看作一个时间序列的预测问题,并将某一个拥有充足历史数据的数据中心A做为源数据,用数据中心A的数据集训练LSTM S2S,再将训练好的参数移植在其他数据中心B,最后通过数据中心B的少量历史数据,对参数进行微调。本发明提供的方法用于数据中心,基于节能和温度的DSDA算法,既可以满足温度要求,又可以最小化暖通空调系统的消耗,并且能够避免传统节能温控系统都过于依赖数学模型的搭建的问题。
Description
技术领域
本发明涉及一种用于数据中心的节能温控的方法,具体地,涉及一种使用深度迁移学习实现数据中心节能温控的方法。
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。同时,现有的节能温控模型都十分依赖环境建模的准确性,当环境复杂或多变的情况下,节能温控模型的效果都会大打折扣。
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。Model Predict Control(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。
随着人工智能的广泛运用,出现了很多由数据驱动的模型,例如机器学习,深度学习。有了数据驱动模型,就无需为控制系统植入一个固定的预设环境,而是由机器学习或深度学习来学习历史数据、模拟出每个时段合适的算法环境。但是数据驱动模型也有明显缺点,首先是每次都要模拟出新的环境,导致花费大量时间在环境计算上;其次对于历史数据不够充足的新建筑,模型的训练不完善,性能将会收到很大影响。
迁移学习在近几年收到广泛关注,并且已有很多成熟应用。如果能用一个训练好的模型移植到任何情况里,这样就能减少每次计算量和历史数据需求。
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方法,基于深度迁移学习的DSDA方法来解决节能温控问题,既可以满足温度要求,又可以最小化HVAC消耗。
上述的使用深度迁移学习实现数据中心节能温控的方法,其中,其中,所述的方法是通过基于深度迁移学习的DSDA算法来解决节能温控问题;该方法采用LSTM S2S模型,将能耗看作一个时间序列的预测问题,并将某一个拥有充足历史数据的数据中心A做为源数据,用数据中心A的数据集训练LSTM S2S,再将训练好的参数移植在其他数据中心B,最后通过数据中心B的少量历史数据,对参数进行微调。
上述的使用深度迁移学习实现数据中心节能温控的方法,其中,所述的方法包含:步骤1,使用同一数据中心A的大量历史数据来预先训练LSTMS2S;步骤2,将训练好的参数使用在另一数据中心B当作初始变量;步骤3,用数据中心B的少量历史数据来对变量进行微调。
上述的使用深度迁移学习实现数据中心节能温控的方法,其中,所述的方法中进行LSTM S2S训练,模型输入量为Ds为数据中心A的历史数据,每一个都被编译成一个向量,最终状态由表达,c是编码器隐藏层LSTM单元的数量,作为现在衡量标准下的激活解码器y0初始状态;模型输出量为在每一次更新中,解码器将预测值传递给下一阶段。
上述的使用深度迁移学习实现数据中心节能温控的方法,其中,所述的训练中使用non teacher forcing提高训练效率;所述的训练中还使用均方误差MSE做为损失函数: 是l时预测输出,为了增加效率,将做为解码器的训练输入。
上述的使用深度迁移学习实现数据中心节能温控的方法,其中,所述的方法中进行LSTM S2S调整,是将预先训练好的模型参数移植到其他情况中,将全连层的所有参数都进行调整,并将LSTM S2S看作一个单层编/读码器的非线性状态空间模型。
上述的使用深度迁移学习实现数据中心节能温控的方法,其中,所述的调整中也使用均方误差MSE做为损失函数:
本发明提供的使用深度迁移学习实现数据中心节能温控的方法具有以下优点:
由于传统节能温控系统都过于依赖数学模型的搭建,本发明提供了一种基于深度迁移学习的Deep Supervised Domain Adaptation(DSDA,深度监督领域自适应)方法来解决节能温控问题,使用了一个训练好的模型移植到任何情况里,减少每次计算量和历史数据需求,既可以满足温度要求,又可以最小化HVAC消耗。
本方法提供了DSDA模型,一种深度学习算法,使用Long Short Term MemoryNetwork based Sequence to Sequence(LSTM S2S,基于序列到序列的长短期记忆网络)。首先使用同一数据中心A的大量历史数据来预先训练LSTM S2S,然后将训练好的参数使用在另一数据中心B当作初始变量,再用数据中心B的少量历史数据来对变量进行微调。通过实验证明了有用的信息可以在不同数据中心中传递,用于提高节能效率。
附图说明
图1为本发明的使用深度迁移学习实现数据中心节能温控的方法的DSDA示意图。
图2为本发明的使用深度迁移学习实现数据中心节能温控的方法的LSTM S2S训练示意图。
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。
本发明提供了一种使用深度迁移学习实现数据中心节能温控的方法,该方法是通过基于深度迁移学习的DSDA(Deep Supervised Domain Adaptation,深度监督领域自适应)算法来解决节能温控问题;该方法采用LSTM S2S(Long Short Term Memory Networkbased Sequence to Sequence,基于序列到序列的长短期记忆网络)模型,将能耗看作一个时间序列的预测问题,并将某一个拥有充足历史数据的数据中心A做为源数据,用数据中心A的数据集训练LSTM S2S,再将训练好的参数移植在其他数据中心B,最后通过数据中心B的少量历史数据,对参数进行微调。DSDA:从源建筑到目标建筑,参见图1所示。
该方法包含:步骤1,使用同一数据中心A的大量历史数据来预先训练LSTM S2S;步骤2,将训练好的参数使用在另一数据中心B当作初始变量;步骤3,用数据中心B的少量历史数据来对变量进行微调。
下面结合实施例对本发明提供的使用深度迁移学习实现数据中心节能温控的方法做更进一步描述。
实施例1
一种使用深度迁移学习实现数据中心节能温控的方法,该方法是通过基于深度迁移学习的DSDA算法来解决节能温控问题;该方法采用LSTM S2S模型。DSDA:从源建筑到目标建筑,将能耗看作一个时间序列的预测问题,并将某一个拥有充足历史数据的数据中心A做为源数据,用数据中心A的数据集训练LSTM S2S,再将训练好的参数移植在其他数据中心B,最后通过数据中心B的少量历史数据,对参数进行微调。参见图1所示。
该方法包含:步骤1,使用同一数据中心A的大量历史数据来预先训练LSTM S2S;步骤2,将训练好的参数使用在另一数据中心B当作初始变量;步骤3,用数据中心B的少量历史数据来对变量进行微调。
该方法中进行LSTM S2S训练,模型输入量为做为解码器的训练输入,Ds为数据中心A的历史数据,每一个都被编译成一个向量,最终状态由表达,c是编码器隐藏层LSTM单元的数量,作为现在衡量标准下的激活解码器y0初始状态;模型输出量为通过解码器输出,在每一次更新中,解码器将预测值传递给下一阶段。参见图2所示。
训练中使用non teacher forcing提高训练效率,即非Teacher Forcing。循环神经网络(Recurrent Neural Network,RNN)是一类以序列(sequence)数据为输入,在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network),循环神经网络为深度学习(deep learning)算法之一,其中双向循环神经网络(Bidirectional RNN,Bi-RNN)和长短期记忆网络(Long Short-TermMemory networks,LSTM)是常见的的循环神经网络。RNN存在着两种训练模式(mode):free-running mode和teacher-forcing mode。free-running mode是常见的训练网络的方式:上一个state的输入作为下一个state的输出。而Teacher Forcing作为一种用来训练循环神经网络模型的方法,则是以上一时刻的输出作为下一时刻的输入,也就是该模型使用来自先验时间步长的输出作为输入。
该训练中还使用均方误差MSE(Mean-Square Error)做为损失函数:
该方法中进行LSTM S2S调整,是将预先训练好的模型参数移植到其他情况中,不同于分类问题,该调整是将全连层的所有参数都进行调整,相比于传统CNN网络(Convolutional Neural Network,卷积神经网络),LSTM S2S可以看作一个单层编/读码器的非线性状态空间模型。
调整阶段同样适用MSE做为损失函数,因此,调整中也使用均方误差MSE做为损失函数:
本发明提供的使用深度迁移学习实现数据中心节能温控的方法,基于节能和温度的DSDA算法,既可以满足温度要求,又可以最小化HVAC消耗,并且能够避免传统节能温控系统都过于依赖数学模型的搭建的问题。该方法首先使用同一数据中心A的大量历史数据来预先训练LSTM S2S,然后将训练好的参数使用在另一数据中心B当作初始变量,再用数据中心B的少量历史数据来对变量进行微调。通过实验证明了有用的信息可以在不同数据中心中传递,用于提高节能效率。
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 (6)
1.一种使用深度迁移学习实现数据中心节能温控的方法,其特征在于,所述的方法是通过基于深度迁移学习的DSDA算法来解决节能温控问题;该方法采用LSTM S2S模型,将能耗看作一个时间序列的预测问题,并将某一个拥有充足历史数据的数据中心A做为源数据,用数据中心A的数据集训练LSTM S2S,再将训练好的参数移植在其他数据中心B,最后通过数据中心B的少量历史数据,对参数进行微调。
2.如权利要求1所述的使用深度迁移学习实现数据中心节能温控的方法,其特征在于,所述的方法包含:步骤1,使用同一数据中心A的大量历史数据来预先训练LSTM S2S;步骤2,将训练好的参数使用在另一数据中心B当作初始变量;步骤3,用数据中心B的少量历史数据来对变量进行微调。
5.如权利要求2所述的使用深度迁移学习实现数据中心节能温控的方法,其特征在于,所述的方法中进行LSTM S2S调整,是将预先训练好的模型参数移植到其他情况中,将全连层的所有参数都进行调整,并将LSTM S2S看作一个单层编/读码器的非线性状态空间模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152452.7A CN111442476A (zh) | 2020-03-06 | 2020-03-06 | 一种使用深度迁移学习实现数据中心节能温控的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152452.7A CN111442476A (zh) | 2020-03-06 | 2020-03-06 | 一种使用深度迁移学习实现数据中心节能温控的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111442476A true CN111442476A (zh) | 2020-07-24 |
Family
ID=71627299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010152452.7A Pending CN111442476A (zh) | 2020-03-06 | 2020-03-06 | 一种使用深度迁移学习实现数据中心节能温控的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111442476A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330012A (zh) * | 2020-11-03 | 2021-02-05 | 山东大卫国际建筑设计有限公司 | 一种基于迁移学习的建筑能耗预测方法及设备 |
CN112712213A (zh) * | 2021-01-15 | 2021-04-27 | 上海交通大学 | 一种集中空调住宅深度迁移学习能耗预测方法及系统 |
CN112766596A (zh) * | 2021-01-29 | 2021-05-07 | 苏州思萃融合基建技术研究所有限公司 | 建筑能耗预测模型的构建方法、能耗预测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10305766B1 (en) * | 2017-11-07 | 2019-05-28 | Amazon Technologies, Inc. | Coexistence-insensitive presence detection |
CN109816152A (zh) * | 2018-12-29 | 2019-05-28 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种基于迁移学习的列车区间运行时分预测方法 |
CN109899937A (zh) * | 2019-03-12 | 2019-06-18 | 王馨仪 | 基于lstm模型的舒适度和节能预测的空调调节系统及方法 |
CN109961177A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法 |
US20190279076A1 (en) * | 2018-03-09 | 2019-09-12 | Deepmind Technologies Limited | Learning from delayed outcomes using neural networks |
CN110674999A (zh) * | 2019-10-08 | 2020-01-10 | 国网河南省电力公司电力科学研究院 | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 |
CN110703899A (zh) * | 2019-09-09 | 2020-01-17 | 创新奇智(南京)科技有限公司 | 一种基于迁移学习的数据中心能效优化方法 |
-
2020
- 2020-03-06 CN CN202010152452.7A patent/CN111442476A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10305766B1 (en) * | 2017-11-07 | 2019-05-28 | Amazon Technologies, Inc. | Coexistence-insensitive presence detection |
US20190279076A1 (en) * | 2018-03-09 | 2019-09-12 | Deepmind Technologies Limited | Learning from delayed outcomes using neural networks |
CN109816152A (zh) * | 2018-12-29 | 2019-05-28 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种基于迁移学习的列车区间运行时分预测方法 |
CN109961177A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法 |
CN109899937A (zh) * | 2019-03-12 | 2019-06-18 | 王馨仪 | 基于lstm模型的舒适度和节能预测的空调调节系统及方法 |
CN110703899A (zh) * | 2019-09-09 | 2020-01-17 | 创新奇智(南京)科技有限公司 | 一种基于迁移学习的数据中心能效优化方法 |
CN110674999A (zh) * | 2019-10-08 | 2020-01-10 | 国网河南省电力公司电力科学研究院 | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330012A (zh) * | 2020-11-03 | 2021-02-05 | 山东大卫国际建筑设计有限公司 | 一种基于迁移学习的建筑能耗预测方法及设备 |
CN112712213A (zh) * | 2021-01-15 | 2021-04-27 | 上海交通大学 | 一种集中空调住宅深度迁移学习能耗预测方法及系统 |
CN112766596A (zh) * | 2021-01-29 | 2021-05-07 | 苏州思萃融合基建技术研究所有限公司 | 建筑能耗预测模型的构建方法、能耗预测方法及装置 |
CN112766596B (zh) * | 2021-01-29 | 2024-04-16 | 苏州思萃融合基建技术研究所有限公司 | 建筑能耗预测模型的构建方法、能耗预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A review of applications of artificial intelligent algorithms in wind farms | |
CN111932015B (zh) | 一种区域供冷供热冷热量负荷的预测方法及系统 | |
CN111442476A (zh) | 一种使用深度迁移学习实现数据中心节能温控的方法 | |
CN111795484B (zh) | 一种智慧空调控制方法和系统 | |
CN111351180B (zh) | 一种运用人工智能实现数据中心节能温控的系统及方法 | |
Yu et al. | Online tuning of a supervisory fuzzy controller for low-energy building system using reinforcement learning | |
CN103235620A (zh) | 基于全局变量预测模型的温室环境智能控制方法 | |
Lissa et al. | Transfer learning applied to reinforcement learning-based hvac control | |
Jiang et al. | Deep transfer learning for thermal dynamics modeling in smart buildings | |
CN102510059A (zh) | 基于bp神经网络的超短期风电功率预测方法 | |
CN108376294A (zh) | 一种供能反馈与气象因素的热负荷预测方法 | |
CN118246344B (zh) | 基于数据驱动的暖通空调系统在线优化方法 | |
CN107871157B (zh) | 基于bp和pso的数据预测方法、系统及相关装置 | |
CN114909706B (zh) | 一种基于强化学习算法和压差控制的二级网平衡调控方法 | |
CN116989442A (zh) | 一种中央空调负荷预测方法及系统 | |
CN114384931A (zh) | 一种基于策略梯度的无人机多目标最优控制方法和设备 | |
CN101833281A (zh) | 污水处理曝气节能控制方法 | |
CN116415728B (zh) | 一种碳排放量的预测方法、系统、电子设备及存储介质 | |
CN117557019A (zh) | 基于模型预测控制的含热泵集群的供热系统调度方法 | |
CN117077845A (zh) | 基于模型参数迁移学习的中央空调负荷预测方法及系统 | |
CN115717758A (zh) | 一种室内空间温度和湿度调控方法及系统 | |
Guolian et al. | Multiple-model predictive control based on fuzzy adaptive weights and its application to main-steam temperature in power plant | |
Xu | Learning efficient dynamic controller for HVAC system | |
Lin et al. | TSK-type quantum neural fuzzy network for temperature control | |
Lin et al. | Optimizing for Large Time Delay Systems by BP Neural Network and Evolutionary Algorithm Improving. |
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: 20200724 |