CN113791538A - 一种机房设备的控制方法、控制设备及控制系统 - Google Patents

一种机房设备的控制方法、控制设备及控制系统 Download PDF

Info

Publication number
CN113791538A
CN113791538A CN202110900784.3A CN202110900784A CN113791538A CN 113791538 A CN113791538 A CN 113791538A CN 202110900784 A CN202110900784 A CN 202110900784A CN 113791538 A CN113791538 A CN 113791538A
Authority
CN
China
Prior art keywords
machine room
equipment
state information
preset
action
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.)
Granted
Application number
CN202110900784.3A
Other languages
English (en)
Other versions
CN113791538B (zh
Inventor
杨术
吴晓峰
常晓磊
宋志斌
吴振洲
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.)
Shenzhen Research Institute Tsinghua University
Original Assignee
Shenzhen Research Institute Tsinghua University
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 Shenzhen Research Institute Tsinghua University filed Critical Shenzhen Research Institute Tsinghua University
Priority to CN202110900784.3A priority Critical patent/CN113791538B/zh
Publication of CN113791538A publication Critical patent/CN113791538A/zh
Application granted granted Critical
Publication of CN113791538B publication Critical patent/CN113791538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本申请适用于节能技术领域，提供了一种机房设备的控制方法、控制设备及控制系统，所述方法包括：获取机房的环境状态信息；环境状态信息包括室外温度、机房温度及机房内的电子设备的工作状态；将环境状态信息输入预先训练好的深度强化学习网络模型进行处理，得到目标动作置信度向量；其中，目标动作置信度向量用于描述机房设备对应的各个预设动作的价值；根据目标动作置信度向量确定机房设备对应的目标动作；根据目标动作值确定控制策略，并控制机房设备执行控制策略。上述方法综合考虑了室外温度、机房温度以及各种电子设备的工作状态等对机房设备的节能的影响，从而可以准确的对机房设备进行控制，进而提高了机房设备的节能效率。

Description

一种机房设备的控制方法、控制设备及控制系统
技术领域
本申请属于节能技术领域，尤其涉及一种机房设备的控制方法、控制设备、控制系统及计算机可读存储介质。
背景技术
目前，由于机房通常包括大量的温度调节设备(如空调和冷风机)和电子设备(如路由器、交换机及服务器等)等，且上述温度调节设备和电子设备均为大功耗设备，导致机房非常耗能，也影响了上述设备使用寿命。因此，需要对机房内的各式设备进行控制，实现节能的目的。
然而，现有的机房设备的控制方法通常只是通过机房周围的环境温度对机房的空调进行控制，即现有的机房设备只考虑了温度对机房的空调的影响。由此可见，现有的机房设备的控制方法存在无法准确的对机房中的设备进行控制，导致机房中的设备的节能效率低下的问题。
发明内容
本申请实施例提供了一种机房设备的控制方法、控制设备、控制系统及计算机可读存储介质，可以解决现有的机房设备的控制方法存在无法准确的对机房中的设备进行控制，导致机房设备的节能效率低下的问题。
第一方面，本申请实施例提供了一种机房设备的控制方法，包括：
获取机房的环境状态信息；所述环境状态信息包括室外温度、机房温度及所述机房内的电子设备的工作状态；所述电子设备包括路由器、交换机及服务器；
将所述环境状态信息输入预先训练好的深度强化学习网络模型进行处理，得到机房设备的目标动作置信度向量；其中，所述目标动作置信度向量用于描述所述机房设备对应的各个预设动作的价值；
根据所述目标动作置信度向量确定所述机房设备对应的目标动作；；
根据所述目标动作确定控制策略，并控制所述机房设备执行所述控制策略。
可选的，所述将所述环境状态信息输入预先训练好的深度强化学习网络模型进行处理，得到机房设备的目标动作置信度向量之前，还包括：
获取历史环境状态信息；
根据所述历史环境状态信息对预设深度强化学习网络模型进行训练，得到所述训练好的深度强化学习网络模型。
可选的，所述预设深度强化学习网络模型包括估计网络和目标网络；所述预设深度强化学习网络模型包括估计网络和目标网络；所述根据所述历史环境状态信息对预设深度强化学习网络模型进行训练，得到所述训练好的深度强化学习网络模型，包括：
对所述估计网络的第一网络参数和所述目标网络的第二网络参数进行初始化操作；
将所述历史环境状态信息输入所述预设深度强化学习网络模型进行处理，得到状态转移数据；所述状态转移数据包括所述历史环境状态信息、所述历史环境状态信息下的第一动作、执行所述第一动作的目标奖励值及执行所述第一动作后的第二环境状态信息；
将所述状态转移数据存储至经验池；
当检测到所述经验池中的状态转移数据的条数满足预设条数时，对所述第一网络参数进行更新；
每隔预设时间间隔，根据当前时刻的第一网络参数对所述第二网络参数进行更新；
当检测到所述预设深度强化学习网络模型满足预设条件时，得到所述训练好的深度强化学习网络模型。
可选的，所述将所述历史环境状态信息输入所述预设深度强化学习网络模型进行处理，得到状态转移数据，包括：
基于预设贪婪策略确定所述第一动作；
根据所述第一动作计算所述目标奖励值。
可选的，所述根据所述第一动作计算所述目标奖励值，包括：
根据所述第一动作确定所述第二环境状态信息；
根据所述第二环境状态信息确定所述机房内的工作温度和总功耗；
根据所述工作温度和总功耗计算所述目标奖励值。
可选的，所述目标奖励值根据以下公式计算得到：
R(t)＝-Cost-Time*Tin
其中，R(t)表示在时刻t下的所述目标奖励值，Cost表示所述总功耗，Time表示时间权重值，Tin表示所述机房内的工作温度。
可选的，所述将所述状态转移数据存储至经验池，包括：
根据所述第一动作确定所述第二环境状态信息；
当检测到所述第二环境状态信息中的机房温度符合预设条件时，将所述状态转移数据存储至所述经验池。
第二方面，本申请实施例提供了一种机房设备的控制装置，包括：
第一获取单元，用于获取机房的环境状态信息；所述环境状态信息包括室外温度、机房温度及所述机房内的电子设备的工作状态；所述电子设备包括路由器、交换机及服务器；
第一处理单元，用于将所述环境状态信息输入预先训练好的深度强化学习网络模型进行处理，得到机房设备的目标动作置信度向量；其中，所述目标动作置信度向量用于描述所述机房设备对应的各个预设动作的价值；
第一确定单元，用于根据所述目标动作置信度向量确定所述机房设备对应的目标动作；
执行单元，用于根据所述目标动作确定控制策略，并控制所述机房设备执行所述控制策略。
第三方面，本申请实施例提供了一种控制系统，包括：
采集设备，与控制设备连接，用于采集机房当前时刻的环境状态信息；所述环境状态信息包括室外温度、机房温度及所述机房内的电子设备的工作状态；所述电子设备包括路由器、交换机及服务器；
所述控制设备，与机房设备连接，用于执行第一方面任一项所述的机房设备的控制方法的步骤；
所述机房设备，用于根据所述控制设备的控制策略进行温度调节。
第四方面，本申请实施例提供了一种控制设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，上述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的机房设备的控制方法的步骤。
第五方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的机房设备的控制方法的步骤。
第六方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在服务器上运行时，使得服务器可执行上述第一方面中任一项所述的机房设备的控制方法。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例提供的一种机房设备的控制方法，通过将获取到的环境状态信息输入预先训练好的深度强化学习网络模型进行处理，得到机房设备的目标动作置信度向量；其中，目标动作置信度向量用于描述机房设备对应的各个预设动作的价值；根据目标动作置信度向量确定机房设备对应的目标动作；其中，环境状态信息包括室外温度、机房温度及电子设备的工作状态；电子设备包括路由器、交换机及服务器；最后根据上述目标动作确定控制策略，并控制机房设备执行该控制策略，本申请实施例提供的机房设备的控制方法在对机房设备进行节能控制时，综合考虑了室外温度、机房温度以及各种电子设备的工作状态等对机房设备的节能的影响，从而可以准确的对机房设备进行控制，进而提高了机房设备的节能效率的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的控制系统的结构示意图；
图2是本申请另一实施例提供的控制系统的结构示意图；
图3是本申请一实施例提供的机房设备的控制方法的实现流程图；
图4是本申请另一实施例提供的机房设备的控制方法的实现流程图；
图5是本申请另一实施例提供的机房设备的控制方法的实现流程图；
图6是本申请再一实施例提供的机房设备的控制方法的实现流程图；
图7是本申请又一实施例提供的机房设备的控制方法的实现流程图；
图8是本申请一实施例提供的机房设备的控制装置的结构示意图；
图9是本申请一实施例提供的控制设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
请参阅图1，图1是本申请一实施例提供的控制系统的结构示意图。如图1所示，本申请实施例提供的控制系统包括：采集设备10、控制设备20及温度调节设备30。控制设备20分别与采集设备10和机房设备30通信连接。需要说明的是，上述通信连接的方式可以是有线通信连接，也可以是无线通信连接。
采集设备10用于采集机房的环境状态信息。其中，环境状态信息包括室外温度、机房温度及机房内的电子设备的工作状态；电子设备包括路由器、交换机及服务器。当前时刻指控制系统需要对机房设备进行控制的时刻。
在实际应用中，环境状态信息还可以包括：机房湿度和/或电子设备利用率等。
采集设备10在采集到机房的环境状态信息后，将采集到的环境状态信息发送给控制设备20。
控制设备20，用于根据采集设备10采集到的环境状态信息确定出机房设备30的控制策略。其中，机房设备30包括空调和冷风机。冷风机指通过调节风速达到温度调节的设备。
本申请实施例中，控制策略包括：需要进行控制的调节对象(如机房设备中的空调和/或冷风机)、该调节对象的具体序号以及需要对该具体序号的调节对象执行的调节动作。
具体如何根据采集设备10采集到的环境状态信息确定出机房设备30的控制策略可以详见图3所示的机房设备的控制方法的说明，在此不加以赘述。
控制设备20得到的控制策略可以是只针对一台机房设备进行温度调节的控制策略，例如仅对机房中编号为01的空调进行温度调节的控制策略，或者仅对机房中编号为01的冷风机进行风速调节的控制策略。当然，上述控制策略也可以是包括对多台机房设备进行温度调节的控制策略，例如对机房中编号分别为01、02、03的空调进行温度调节的控制策略，或者对机房中编号分别为01、02、03的冷风机进行风速调节的控制策略，本申请对此不加以限制。
控制设备20在确定出控制策略后，通过与机房设备30的通信网络将该控制策略发送给机房设备30。
机房设备30，用于根据控制设备20的控制策略进行温度调节。
机房设备30在接收到控制设备20发送的控制策略后，就可以根据该控制策略进行温度调节。
在本申请实施例中，机房设备30可以包括多台设备，机房设备30在接收到控制策略后，会确定出每一台设备的控制指令，然后执行该控制指令，实现温度调节。
示例性的，如图2所示，由于环境状态信息包括室外温度、机房温度及机房内的电子设备的工作状态，因此，控制系统中的采集设备10可以包括温度传感器11和数据采集装置12。其中，温度传感器11用于采集室外温度和机房温度，数据采集装置12用于采集机房内的电子设备传输的数据。
机房设备30可以包括空调组31和冷风机组32。空调组31包括N台空调，冷风机组包括M台冷风机。其中，N、M均为大于1的整数。
在本申请的一个实施例中，请继续参阅图2，为了方便相关人员对机房内的电子设备和机房设备的工作状态和数据情况进行查阅，控制系统还可以包括与控制设备20通信连接的信息处理设备40。
在本申请的另一个实施例中，为了便于相关人员可以快速查阅机房内的电子设备或机房设备的工作状态和数据情况，信息处理设备40还可以包括：机房设备数据处理模块41和电子设备数据处理模块42。
请参阅图3，图3是本申请一实施例提供的机房设备的控制方法的实现流程图。本申请实施例的执行主体为控制设备20。如图3所示，本申请一实施例提供的机房设备的控制方法可以包括S201～S204，详述如下：
在S201中，获取机房的环境状态信息；所述环境状态信息包括室外温度、机房温度及所述机房内的电子设备的工作状态；所述电子设备包括路由器、交换机及服务器。
本申请实施例中，当控制设备需要对温度调节设备进行调节时，可以实时从采集设备中获取到环境状态信息。。
需要说明的是，采集设备包括温度传感器和数据采集装置。因此，控制设备可以通过温度传感器获取室外温度和机房温度，通过数据采集装置获取机房内各种电子设备传输的数据。其中，电子设备包括但不限于：路由器、交换机及服务器。
基于此，控制设备可以根据数据采集装置采集到的数据确定各种电子设备的工作状态。工作状态包括开启状态和休眠状态。当控制设备可以获取到某个电子设备的数据时，说明该电子设备的工作状态为开启状态；当控制设备无法获取到某个电子设备的数据时，说明该电子设备的工作状态为休眠状态。
在S202中，将所述环境状态信息输入预先训练好的深度强化学习网络模型进行处理，得到机房设备的目标动作置信度向量；其中，所述目标动作置信度向量用于描述所述机房设备对应的各个预设动作的价值。
本申请实施例中，深度强化学习网络模型可以是深度Q网络(Deep Q-Network，DQN)模型。
DQN模型是一种结合了深度学习和强化学习的模型，可以通过经验回放及其双Q网络帮助控制设备做出决策。其中，DQN模型的双Q网络包括估计(Q-real)网络和目标(Q-target)网络。估计网络也可以称为当前Q网络，目标网络也可以称为目标Q网络。
需要说明的是，DQN模型的输入是机房的环境状态信息，输出是在该机房的环境状态信息下的预设动作集中所有动作对应的价值(即Q值)，并通过该Q值确定上述环境状态信息下的目标动作。
本申请实施例中，预设动作集可以包括以下预设动作：
O1：上调空调温度1度，O2：下调空调温度1度，O3：空调温度保持不变，O4：选择空调，O5：选择冷风机，O6：风速调为小档，O7：风速调为中档，O8：风速调为高档，On：选择第(n-8)号机器。
基于此，控制设备可以根据选择调节动作、选择调节对象及选择调节序号确定预设动作。示例性的，假设控制设备选择序号为1号的空调上调温度1度，则其对应的预设动作为：O1∧O4∧O9。
本申请实施例中，控制设备在获取到机房当前时刻的环境状态信息后，可以将上述环境状态信息输入预先训练好的DQN模型进行处理，从而可以得到机房设备的目标动作置信度向量。
需要说明的是，目标动作置信度向量中的每个元素的值用于表示机房设备相对于该元素对应的预设动作的价值(即Q值)。
示例性的，若目标验证算法置信度向量为[A,B,C,D]，元素A、元素B、元素C及元素D分别对应预设动作1、预设动作2、预设动作3及预设动作4，那么，元素A的取值用于表征机房设备相对于预设动作1的Q值，元素B的取值用于表征机房设备相对于预设动作2的Q值，元素C的取值用于表征机房设备相对于预设动作3的Q值，元素D的取值用于表征机房设备相对于预设动作4的Q值。
在S203中，根据所述目标动作置信度向量确定所述机房设备对应的目标动作。
本申请实施例中，控制设备在得到机房设备对应的目标动作置信度向量后，可以根据目标动作置信度向量中的每个元素对应的预设动作的Q值确定机房设备对应的目标动作。
在本申请的一个实施例中，控制设备可以将目标动作置信度向量中Q值最大的元素对应的预设动作确定为目标动作。
在S204中，根据所述目标动作确定控制策略，并控制所述机房设备执行所述控制策略。
本申请实施例中，由于目标动作包括选择的调节动作、选择的调节对象及选择的调节序号，因此，控制设备可以直接根据该目标动作确定控制策略，并执行该控制策略。
示例性的，假设目标动作为：O1∧O4∧O9，说明控制策略具体为：选择序号为1号的空调上调温度1度，因此，控制设备可以控制温度调节设备中的1号空调温度上调1度。
以上可以看出，本申请实施例提供的一种机房设备的控制方法，通过将获取到的环境状态信息输入预先训练好的深度强化学习网络模型进行处理，得到机房设备的目标动作置信度向量；其中，环境状态信息包括室外温度、机房温度及电子设备的工作状态；电子设备包括路由器、交换机及服务器；目标动作置信度向量用于描述机房设备对应的各个预设动作的价值，再根据目标动作置信度向量确定机房设备对应的目标动作；最后根据上述目标动作确定控制策略，并控制机房设备执行该控制策略，本申请实施例提供的机房设备的控制方法在对机房设备进行节能控制时，综合考虑了室外温度、机房温度以及各种电子设备的工作状态等对机房设备的节能的影响，从而可以准确的对机房设备进行控制，进而提高了机房设备的节能效率的问题。
请参阅图4，图4是本申请另一实施例提供的机房设备的控制方法的实现流程图。相对于图3对应的实施例，本实施例提供的机房设备的控制方法在S202之前，还可以包括S301～S302，详述如下：
在S301中，获取历史环境状态信息。
本实施例中，历史环境状态信息包括历史室外温度、历史机房温度及机房内的电子设备的历史工作状态。其中，电子设备包括路由器、交换机及服务器。
在本实施例的一种实现方式中，控制设备可以持续通过温度传感器获取室外温度和机房温度，通过数据采集装置获取机房内各种电子设备传输的数据并进行存储。在控制设备需要获取历史环境状态信息时，控制设备可以将在获取历史环境状态信息的时刻之前的通过温度传感器获取到室外温度和机房温度确定为历史室外温度和历史机房温度，将在获取历史环境状态信息的时刻之前通过数据采集装置获取到的机房内各种电子设备传输的数据确定为历史数据。
基于此，控制设备可以根据上述历史数据数据确定各种电子设备的历史工作状态。历史工作状态包括开启状态和休眠状态。当控制设备可以获取到某个电子设备的历史数据时，说明该电子设备的历史工作状态为开启状态；当控制设备无法获取到某个电子设备的历史数据时，说明该电子设备的历史工作状态为休眠状态。
在S302中，根据所述历史环境状态信息对预设深度强化学习网络模型进行训练，得到所述训练好的深度强化学习网络模型。
本实施例中，预设深度强化学习网络模型可以基于DQN模型构建得到，此时预设深度强化学习网络模型是指未经训练的模型。
在本申请的一个实施例中，控制设备具体可以通过如图5所示的步骤S401～S406得到所述训练好的深度强化学习网络模型，详述如下：
在S401中，对所述估计网络的第一网络参数和所述目标网络的第二网络参数进行初始化操作。
在S402中，将所述历史环境状态信息输入所述预设深度强化学习网络模型进行处理，得到状态转移数据；所述状态转移数据包括所述历史环境状态信息、所述历史环境状态信息下的第一动作、执行所述第一动作的目标奖励值及执行所述第一动作后的第二环境状态信息。
在本申请的一个实施例中，控制设备具体可以通过如图6所示的步骤S501～S502得到第一动作的目标奖励值，详述如下：
在S501中，基于预设贪婪策略确定所述第一动作。
在S502中，根据所述第一动作计算所述目标奖励值。
需要说明的是，预设贪婪策略可以是ε贪婪算法，即以预设概率ε随机选择一个预设动作为第一动作。
在本申请的一个实施例中，控制设备具体可以通过如图7所示的步骤S601～S603确定目标奖励值，详述如下：
在S601中，根据所述第一动作确定所述第二环境状态信息。
本实施例中，由于控制设备在执行第一动作后，机房的环境状态信息会发送改变，例如，假设第一动作为1号空调温度上调1度，则机房温度会发送改变，因此，控制设备需要确定执行第一动作后的第二环境状态信息。
在S602中，根据所述第二环境状态信息确定所述机房内的工作温度和总功耗。
本实施例中，控制设备获取到第二环境状态信息后，可以根据该第二环境状态信息中的机房温度确定机房内的工作温度，并各种电子设备的工作状态确定机房的总功耗。
需要说明的是，机房的总功耗为空调的功耗、冷风机的功耗及各种电子设备的功耗之和。
在S603中，根据所述工作温度和总功耗计算所述目标奖励值。
在本申请的一个实施例中，控制设备具体可以根据以下公式计算目标奖励值：
R(t)＝-Cost-Time*Tin；
其中，R(t)表示在时刻t下的目标奖励值，Cost表示及总功耗，Time表示时间权重值，Tin表示机房内的工作温度。
需要说明的是，控制设备可以根据电子设备所处的时段确定上述时间权重值。具体的，当控制设备检测到电子设备处于空闲时段，时间权重值可以确定为第一权重值。当控制设备检测到电子设备处于繁忙时段，时间权重值可以确定为第二权重值。
空闲时段和繁忙时段可以根据实际需要设置，此处不作限制，示例性的，空闲时段可以是晚上11点到第二天的早上6点。
第一权重值和第二权重值可以根据实际需要设置，此处不作限制，需要说明的是，第一权重值大于第二权重值。
在S403中，将所述状态转移数据存储至经验池。
本实施例中，由于控制设备在使用DQN模型时，可以通过其经验回放及其双Q网络帮助控制设备做出决策。因此，控制设备需要将获取到的状态转移数据存储至经验池。
需要说明的是，只要将环境状态信息(包括历史环境状态信息和第二环境状态信息)输入至预设深度强化学习网络模型进行处理，均可以得到与该环境状态信息对应的状态转移数据。
在本申请的一个实施例中，当控制设备在执行任一预设动作时，都需要保证机房设备的正常运行，因此，控制设备可以根据以下步骤将状态转移数据存储至经验池，详述如下：
根据所述第一动作确定所述第二环境状态信息；
当检测到所述第二环境状态信息中的机房温度符合预设条件时，将所述状态转移数据存储至所述经验池。
本实施例中，控制设备需要根据第一动作确定第二环境状态信息，从而确定执行第一动作后的机房温度。
由于机房温度过高会影响机房设备的性能，从而导致机房设备无法正常运行，因此，预设条件可以是：机房温度小于第一预设温度阈值。其中，第一预设温度阈值可以根据实际需要设置，此处不作限制。
示例性的，第一预设温度阈值可以根据机房内的电子设备所能承受的机房温度的最大值进行设置。
本实施例中，控制设备在获取到第二环境状态信息中的机房温度后，可以将机房温度与第一预设温度阈值进行比较，并根据比较结果确定上述状态转移数据是否存储至经验池。
在本申请的一个实施例中，控制设备在检测到上述机房温度小于第一预设温度阈值时，说明该机房温度符号预设条件，因此，控制设备可以将上述状态转移数据存储至经验池。
在本申请的另一个实施例中，控制设备在检测到上述机房温度大于或等于第一预设温度阈值时，说明该机房温度不符合预设条件，因此，控制设备可以将上述状态转移数据丢弃，即经验池中不存在该状态转移数据。
本实施例中，控制设备在将状态转移数据存储至经验池后，控制设备可以实时获取此时经验池中的状态转移数据的条数，并将该条数与预设条数进行对比。其中，预设条数可以根据经验池可存储的状态转移数据的条数进行设置。
在本申请的一个实施例中，控制设备在检测到上述条数满足预设条数时，执行步骤S404～S406。
在本申请的另一个实施例中，控制设备在检测到上述条数不满足预设条数时，可以继续将第二环境状态信息对应的状态转移数据存储至经验池。
在S404中，当检测到所述经验池中的状态转移数据的条数满足预设条数时，对所述第一网络参数进行更新。
本实施例中，控制设备在检测到经验池中的状态转移数据的条数满足预设条数时，说明经验池已经存储了足够多的样本数，也即控制设备完成了对预设深度强化学习网络模型(DQN模型)的预处理过程，因此，控制设备可以基于预设贪婪策略从经验池中获取某个状态转移数据对DQN模型进行优化，即更新估计网络的第一网络参数。
在S405中，每隔预设时间间隔，根据当前时刻的第一网络参数对所述第二网络参数进行更新。
本实施例中，控制设备在将历史环境状态信息输入预设深度强化学习网络模型(即DQN模型)进行处理时，需要间隔预设时间间隔对目标网络的第二网络参数进行更新。其中，预设时间间隔可以根据实际需要设置，此处不作限制。
具体地，控制设备在间隔预设时间间隔后，可以获取当前时刻的估计网络的第一网络参数，并将该第一网络参数确定为第二网络参数。其中，当前时刻指间隔预设时间间隔后的时刻。
在S406中，当检测到所述预设深度强化学习网络模型满足预设条件时，得到所述训练好的深度强化学习网络模型。
本实施例中，控制设备在对第二网络参数进行更新之后，可以检测此时的预设深度强化学习网络模型是否满足预设条件，并在检测到述预设深度强化学习网络模型满足预设条件时，停止对预设深度强化学习网络模型的训练，得到训练好的深度强化学习网络模型。
其中，预设条件可以是：预设深度强化学习网络模型的训练次数等于预设次数。其中，预设次数可以根据实际需要设置，此处不作限制，示例性的，预设次数可以设置为10000次或者50000次。
以上可以看出，本实施例提供的一种机房设备的控制方法，通过对估计网络的第一网络参数和目标网络的第二网络参数进行初始化操作；将历史环境状态信息输入预设深度强化学习网络模型进行处理，得到状态转移数据；状态转移数据包括历史环境状态信息、历史环境状态信息下的第一动作、执行第一动作的目标奖励值及执行第一动作后的第二环境状态信息；将状态转移数据存储至经验池；当检测到经验池中的状态转移数据的条数满足预设条数时，对第一网络参数进行更新；每隔预设时间间隔，根据当前时刻的第一网络参数对第二网络参数进行更新；当检测到预设深度强化学习网络模型满足预设条件时，得到训练好的深度强化学习网络模型，使得控制设备将当前时刻的环境状态信息输入至训练好的深度强化学习网络模型后，可以直接获取机房设备的目标动作，从而提高了机房设备的控制效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种机房设备的控制方法，图8示出了本申请一实施例提供的机房设备的控制装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。参照图8，该机房设备的控制装置800包括：第一获取单元81、第一处理单元82、第一确定单元83及执行单元84。其中：
第一获取单元81用于获取机房的环境状态信息；所述环境状态信息包括室外温度、机房温度及所述机房内的电子设备的工作状态；所述电子设备包括路由器、交换机及服务器。
第一处理单元82用于将所述环境状态信息输入预先训练好的深度强化学习网络模型进行处理，得到机房设备的目标动作置信度向量；其中，所述目标动作置信度向量用于描述所述机房设备对应的各个预设动作的价值。
第一确定单元83用于根据所述目标动作置信度向量确定所述机房设备对应的目标动作。
执行单元84用于根据所述目标动作确定控制策略，并控制所述机房设备执行所述控制策略。
在本申请的一个实施例中，机房设备的控制装置800还包括：第二获取单元和训练单元。其中：
第二获取单元用于获取历史环境状态信息。
训练单元用于根据所述历史环境状态信息对预设深度强化学习网络模型进行训练，得到所述训练好的深度强化学习网络模型。
在本申请的一个实施例中，所述预设深度强化学习网络模型包括估计网络和目标网络；训练单元具体包括：第二处理单元、第三处理单元、第一存储单元、第一更新单元、第二更新单元及第二确定单元。其中：
第二处理单元用于对所述估计网络的第一网络参数和所述目标网络的第二网络参数进行初始化操作。
第三处理单元用于将所述历史环境状态信息输入所述预设深度强化学习网络模型进行处理，得到状态转移数据；所述状态转移数据包括所述历史环境状态信息、所述历史环境状态信息下的第一动作、执行所述第一动作的目标奖励值及执行所述第一动作后的第二环境状态信息。
第一存储单元用于将所述状态转移数据存储至经验池。
第一更新单元用于当检测到所述经验池中的状态转移数据的条数满足预设条数时，对所述第一网络参数进行更新。
第二更新单元用于每隔预设时间间隔，根据当前时刻的第一网络参数对所述第二网络参数进行更新。
第二确定单元用于当检测到所述预设深度强化学习网络模型满足预设条件时，得到所述训练好的深度强化学习网络模型。
在本申请的一个实施例中，第三处理单元具体包括：第三确定单元和第一计算单元。其中：
第三确定单元用于基于预设贪婪策略确定所述第一动作。
第一计算单元用于根据所述第一动作计算所述目标奖励值。
在本申请的一个实施例中，第一计算单元具体包括：第四确定单元、第五确定单元及第二计算单元。其中：
第三确定单元用于根据所述第一动作确定所述第二环境状态信息。
第四确定单元用于根据所述第二环境状态信息确定所述机房内的工作温度和总功耗。
第二计算单元用于根据所述工作温度和总功耗计算所述目标奖励值。
在本申请的一个实施例中，第二计算单元具体包括：
R(t)＝-Cost-Time*Tin
其中，R(t)表示在时刻t下的所述目标奖励值，Cost表示所述总功耗，Time表示时间权重值，Tin表示所述机房内的工作温度。
在本申请的一个实施例中，第一存储单元具体包括：第六确定单元和第二存储单元。其中：
第六确定单元用于根据所述第一动作确定所述第二环境状态信息。
第二存储单元用于当检测到所述第二环境状态信息中的机房温度符合预设条件时，将所述状态转移数据存储至所述经验池。
以上可以看出，本申请实施例提供的一种机房设备的控制装置，通过将获取到的环境状态信息输入预先训练好的深度强化学习网络模型进行处理，得到机房设备的目标动作置信度向量；其中，环境状态信息包括室外温度、机房温度及电子设备的工作状态；电子设备包括路由器、交换机及服务器；目标动作置信度向量用于描述机房设备对应的各个预设动作的价值；再根据目标动作置信度向量确定机房设备对应的目标动作；最后根据上述目标动作确定控制策略，并控制机房设备执行该控制策略，本申请实施例提供的机房设备的控制方法在对机房设备进行节能控制时，综合考虑了室外温度、机房温度以及各种电子设备的工作状态等对机房设备的节能的影响，从而可以准确的对机房设备进行控制，进而提高了机房设备的节能效率的问题。
图9为本申请一实施例提供的控制设备的结构示意图。如图9所示，该实施例的控制设备9包括：至少一个处理器90(图9中仅示出一个)处理器、存储器91以及存储在所述存储器91中并可在所述至少一个处理器90上运行的计算机程序92，所述处理器90执行所述计算机程序92时实现上述任意一种开锁方法实施例中的步骤。
本领域技术人员可以理解，图9仅仅是控制设备9的举例，并不构成对控制设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，该处理器90还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91在一些实施例中可以是所述控制设备9的内部存储单元，例如控制设备9的硬盘或内存。所述存储器91在另一些实施例中也可以是所述控制设备9的外部存储设备，例如所述控制设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器91还可以既包括所述控制设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述任意一种机房设备的控制方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在控制设备上运行时，使得控制设备执行时实现可实现上述任意一种机房设备的控制方法实施例中的步骤。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述任意一种机房设备的控制方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在控制设备的控制设备上运行时，使得控制设备执行时实现可实现上述任意一种机房设备的控制方法实施例中的步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的机房设备的控制装置和方法，可以通过其它的方式实现。例如，以上所描述的装置/控制设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种机房设备的控制方法，其特征在于，包括：
获取机房的环境状态信息；所述环境状态信息包括室外温度、机房温度及所述机房内的电子设备的工作状态；所述电子设备包括路由器、交换机及服务器；
将所述环境状态信息输入预先训练好的深度强化学习网络模型进行处理，得到机房设备的目标动作置信度向量；其中，所述目标动作置信度向量用于描述所述机房设备对应的各个预设动作的价值；
根据所述目标动作置信度向量确定所述机房设备对应的目标动作；
根据所述目标动作确定控制策略，并控制所述机房设备执行所述控制策略。
2.如权利要求1所述的机房设备的控制方法，其特征在于，所述将所述环境状态信息输入预先训练好的深度强化学习网络模型进行处理，得到机房设备的目标动作置信度向量之前，还包括：
获取历史环境状态信息；
根据所述历史环境状态信息对预设深度强化学习网络模型进行训练，得到所述训练好的深度强化学习网络模型。
3.如权利要求2所述的机房设备的控制方法，其特征在于，所述预设深度强化学习网络模型包括估计网络和目标网络；所述根据所述历史环境状态信息对预设深度强化学习网络模型进行训练，得到所述训练好的深度强化学习网络模型，包括：
对所述估计网络的第一网络参数和所述目标网络的第二网络参数进行初始化操作；
将所述历史环境状态信息输入所述预设深度强化学习网络模型进行处理，得到状态转移数据；所述状态转移数据包括所述历史环境状态信息、所述历史环境状态信息下的第一动作、执行所述第一动作的目标奖励值及执行所述第一动作后的第二环境状态信息；
将所述状态转移数据存储至经验池；
当检测到所述经验池中的状态转移数据的条数满足预设条数时，对所述第一网络参数进行更新；
每隔预设时间间隔，根据当前时刻的第一网络参数对所述第二网络参数进行更新；
当检测到所述预设深度强化学习网络模型满足预设条件时，得到所述训练好的深度强化学习网络模型。
4.如权利要求3所述的机房设备的控制方法，其特征在于，所述将所述历史环境状态信息输入所述预设深度强化学习网络模型进行处理，得到状态转移数据，包括：
基于预设贪婪策略确定所述第一动作；
根据所述第一动作计算所述目标奖励值。
5.如权利要求4所述的机房设备的控制方法，其特征在于，所述根据所述第一动作计算所述目标奖励值，包括：
根据所述第一动作确定所述第二环境状态信息；
根据所述第二环境状态信息确定所述机房内的工作温度和总功耗；
根据所述工作温度和总功耗计算所述目标奖励值。
6.如权利要求5所述的机房设备的控制方法，其特征在于，所述目标奖励值根据以下公式计算得到：
R(t)＝-Cost-Time*Tin
其中，R(t)表示在时刻t下的所述目标奖励值，Cost表示所述总功耗，Time表示时间权重值，Tin表示所述机房内的工作温度。
7.如权利要求3所述的机房设备的控制方法，其特征在于，所述将所述状态转移数据存储至经验池，包括：
根据所述第一动作确定所述第二环境状态信息；
当检测到所述第二环境状态信息中的机房温度符合预设条件时，将所述状态转移数据存储至所述经验池。
8.一种控制系统，其特征在于，包括：
采集设备，与控制设备连接，用于采集机房的环境状态信息；所述环境状态信息包括室外温度、机房温度及所述机房内的电子设备的工作状态；所述电子设备包括路由器、交换机及服务器；
所述控制设备，与机房设备连接，用于执行权利要求1-7任一项所述的机房设备的控制方法；
机房设备，用于根据所述控制设备的控制策略进行温度调节。
9.一种控制设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的机房设备的控制方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的机房设备的控制方法的步骤。
CN202110900784.3A 2021-08-06 2021-08-06 一种机房设备的控制方法、控制设备及控制系统 Active CN113791538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110900784.3A CN113791538B (zh) 2021-08-06 2021-08-06 一种机房设备的控制方法、控制设备及控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110900784.3A CN113791538B (zh) 2021-08-06 2021-08-06 一种机房设备的控制方法、控制设备及控制系统

Publications (2)

Publication Number Publication Date
CN113791538A true CN113791538A (zh) 2021-12-14
CN113791538B CN113791538B (zh) 2023-09-26

Family

ID=78877195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110900784.3A Active CN113791538B (zh) 2021-08-06 2021-08-06 一种机房设备的控制方法、控制设备及控制系统

Country Status (1)

Country Link
CN (1) CN113791538B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114679899A (zh) * 2022-04-24 2022-06-28 中国电信股份有限公司 机房空调自适应节能控制方法及装置、介质及设备
CN116792890A (zh) * 2023-05-17 2023-09-22 浙江省邮电工程建设有限公司 基于策略蒸馏的机房空调智能控制方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6026679A (en) * 1998-03-10 2000-02-22 Ford Global Technologies, Inc. Method to infer engine coolant temperature in cylinder head temperature sensor equipped vehicles
US20180267499A1 (en) * 2017-03-15 2018-09-20 Fanuc Corporation Machine learning device, servo control device, servo control system, and machine learning method
CN109804206A (zh) * 2016-10-11 2019-05-24 三菱电机株式会社 用于操作空调系统的控制器和空调系统的控制方法
CN111126605A (zh) * 2020-02-13 2020-05-08 创新奇智(重庆)科技有限公司 一种基于强化学习算法的数据中心机房控制方法及装置
CN112198890A (zh) * 2020-12-03 2021-01-08 中国科学院自动化研究所 基于强化学习的飞行器姿态控制方法、系统、装置
CN112966431A (zh) * 2021-02-04 2021-06-15 西安交通大学 一种数据中心能耗联合优化方法、系统、介质及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6026679A (en) * 1998-03-10 2000-02-22 Ford Global Technologies, Inc. Method to infer engine coolant temperature in cylinder head temperature sensor equipped vehicles
CN109804206A (zh) * 2016-10-11 2019-05-24 三菱电机株式会社 用于操作空调系统的控制器和空调系统的控制方法
US20180267499A1 (en) * 2017-03-15 2018-09-20 Fanuc Corporation Machine learning device, servo control device, servo control system, and machine learning method
CN111126605A (zh) * 2020-02-13 2020-05-08 创新奇智(重庆)科技有限公司 一种基于强化学习算法的数据中心机房控制方法及装置
CN112198890A (zh) * 2020-12-03 2021-01-08 中国科学院自动化研究所 基于强化学习的飞行器姿态控制方法、系统、装置
CN112966431A (zh) * 2021-02-04 2021-06-15 西安交通大学 一种数据中心能耗联合优化方法、系统、介质及设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114679899A (zh) * 2022-04-24 2022-06-28 中国电信股份有限公司 机房空调自适应节能控制方法及装置、介质及设备
CN114679899B (zh) * 2022-04-24 2024-01-02 中国电信股份有限公司 机房空调自适应节能控制方法及装置、介质及设备
CN116792890A (zh) * 2023-05-17 2023-09-22 浙江省邮电工程建设有限公司 基于策略蒸馏的机房空调智能控制方法和系统

Also Published As

Publication number Publication date
CN113791538B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
US11513480B2 (en) Method and device for automatically diagnosing and controlling apparatus in intelligent building
CN113791538B (zh) 一种机房设备的控制方法、控制设备及控制系统
US11514358B2 (en) Automatic control artificial intelligence device and method for updating a control function
JP7279445B2 (ja) 予測方法、予測プログラムおよび情報処理装置
CN104676836B (zh) 多联机空调系统运行模式的确定方法
CN110332671B (zh) 室内机的控制方法、装置、设备和空调系统
US20160054017A1 (en) Air conditioning management device, air conditioning system, and program
CN110736244A (zh) 控制空调的方法、装置和空调
CN110986280A (zh) 用于空调自清洁控制的方法和装置及空调
CN114279042B (zh) 一种基于多智能体深度强化学习的中央空调控制方法
CN114556027B (zh) 空调控制装置、空调系统、空调控制方法和记录介质
CN112283890A (zh) 适应建筑暖通设备监控系统的冷热量控制方法及装置
JP2020067270A (ja) 空調制御プログラム、空調制御方法および空調制御装置
JP2023532492A (ja) 空調制御方法及び装置、電気機器、媒体
CN114968556A (zh) 一种数据中心能耗管理方法及系统
WO2022257267A1 (zh) 环境参数控制设备集群控制方法、装置、设备及存储介质
CN108954716A (zh) 空调器的控制方法、空调器和计算机可读存储介质
US11662696B2 (en) Automatic control artificial intelligence device and method for update control function
WO2021124457A1 (ja) 空気調和装置の異常予兆推測装置、空気調和装置の異常予兆推測モデル学習装置、および空気調和装置
CN114679899B (zh) 机房空调自适应节能控制方法及装置、介质及设备
CN110726216A (zh) 空调器及其控制方法、装置、系统、存储介质和处理器
CN113993343B (zh) 制冷设备的节能控制方法、装置、终端及存储介质
CN108954717A (zh) 空调器的控制方法、空调器和计算机可读存储介质
CN115793478A (zh) 用于家电设备的控制方法及装置、家电设备
CN113050438B (zh) 用于家电控制的方法、装置和家电

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