CN114216248B - 一种应用于数据中心机房的智能降温方法 - Google Patents
一种应用于数据中心机房的智能降温方法 Download PDFInfo
- Publication number
- CN114216248B CN114216248B CN202210162423.8A CN202210162423A CN114216248B CN 114216248 B CN114216248 B CN 114216248B CN 202210162423 A CN202210162423 A CN 202210162423A CN 114216248 B CN114216248 B CN 114216248B
- Authority
- CN
- China
- Prior art keywords
- delta
- data
- model
- learning rate
- prediction model
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mechanical Engineering (AREA)
- Artificial Intelligence (AREA)
- Combustion & Propulsion (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Air Conditioning Control Device (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种应用于数据中心机房的智能降温方法，涉及智能降温技术领域，本发明通过使用数据中心机房的若干运行状态数据、温度数据、湿度数据以及降温设备工作参数对建立的机器学习预测模型进行训练，根据训练得到的预测模型进行数据库中心机房内的降温预测，并根据该预测模型的降温预测对数据库中心机房进行降温，以保证数据库机房的降温效率和对数据库中心机房内温度的控制精度，本发明在对预测模型训练完成时，根据预测模型的预测数据确定该预测模型是否可用，并在不可用时，对该预测模型进行参数调整，以保证预测模型的预测精准性，从而进一步提高了数据库机房内温度的控制精度。
Description
技术领域
本发明涉及智能降温技术领域，尤其涉及一种应用于数据中心机房的智能降温方法。
背景技术
数据中心机房作为数据存储、运行以及交换的重要场所，其稳定安全的运行装填才能为用户带来更好的体验和社会效效益，为了能够稳定安全运行，在建立数据中心机房后必须进行维护运营，以保证机房的稳定安全性。
维护运营又包含多个方面，每个方面的维护运营都不可少，其中机房内部降温是最重要的环节之一，由于数据中心机房中包含了很多机柜，每个机柜里又设置又多台交换机，交换机内电子器件发热产生热量，其降温效果不好会导致器件损坏，从而造成数据丢失。
现有的数据中心机房都是通过空调、新风系统以及水冷至少一种方式进行降温，但上述降温方式都是通过整体检测机房内的温度进行温度控制，容易造成降温过度，并且根据整体检测机房内的温度进行降温的措施，降温并不精准，若是一个单独一个机柜温度过高，机房内整体温度不高，则不进行降温，降温效率较差，容易造成单个机柜的损坏。
发明内容
为此，本发明提供一种应用于数据中心机房的智能降温方法，用以克服现有技术中对于降温过程控制不精准导致的降温效率差的问题。
为实现上述目的，本发明提供一种应用于数据中心机房的智能降温方法，包括：
步骤S1、数据获取单元获取数据中心机房的若干运行状态数据、运行过程中的对应机房内温度数据、湿度数据以及降温设备工作参数；
步骤S2、数据处理单元将获取的若干所述运行状态数据、温度数据、湿度数据以及降温设备工作参数进行预处理；
步骤S3、建模单元建立基于机器学习模型，并将所述数据处理单元预处理完成的若干所述运行状态数据、温度数据、湿度数据以及降温设备工作参数输入至机器学习模型中进行训练生成预测模型；
步骤S4、所述数据获取单元将预设数量的所述数据中心机房运行时产生的热量最小值至热量最大值中的数据随机输入预测模型中进行模型评价；
步骤S5、模型确定单元根据所述模型评价的结果确定所述预测模型是否可用，参数调整单元在所述模型确定单元确定所述预测模型不可用时进行预测模型的参数调节；
步骤S6、所述模型确定单元在确定所述预测模型可用时，根据所述预测模型进行所述数据中心机房内的温度预测并确定降温设备的运行参数。
进一步地，在所述步骤S2中，对所述运行状态数据、温度数据、湿度数据以及降温设备工作参数进行预处理包括剔除所述温度值不符合所述机房内的预设热量范围内产生的温度值、以及该温度值对应的降温设备工作参数。
进一步地，所述预处理还包括根据获取的湿度数据对所述温度值进行微调，所述温度控制装置设有预设湿度值对应的的温度值调节系数，所述温度控制装置根据实际湿度值与预设温度值的比对结果选取对应的温度值调节系数对所述温度值进行微调，
其中，所述数据处理单元中设有第一湿度值Q1、第二湿度值Q2、第三湿度值Q3、第一温度调节系数K1、第二温度调节系数K2以及第三温度调节系数K3，其中Q1＜Q2＜Q3，设定0.7＜K3＜K2＜K1＜1，
当Q≤Q1时，所述数据处理单元选取第一温度调节系数K1对所述温度值进行调节；
当Q1＜Q≤Q2时，所述数据处理单元选取第二温度调节系数K2对所述温度值进行调节；
当Q2＜Q≤Q3时，所述数据处理单元选取第三温度调节系数K3对所述温度值进行调节；
当所述数据处理单元选取第i温度调节系数Ki对所述温度值进行调节时，所述数据处理单元将调节后的温度值设置为Tk，设定Tk=Tn×Ki，其中Tn为调节前温度值。
进一步地，在步骤S3中，当对所述预测模型进行训练时，输入数据并通过多元线性回归算法进行预测模型训练，并在训练时将所述预测模型的学习率设置为A，迭代次数设置为N。
进一步地，在所述步骤S4中，当对所述模型进行评价时，所述模型确定单元根据所述预测模型预测的设备功率确定所述降温效率值Y，并根据该降温效率值Y与预设降温效率范围Y0的比对结果进行模型评价，其中所述预设降温效率范围Y0包括预设最小降温效率值Ymin和预设最大降温效率值Ymax，Ymin＜Ymax，
若Y∈Y0，所述模型确定单元初步判定所述预测模型的预测结果合格；
若Y＜Ymin或Y＞Ymax，所述模型确定单元判定所述预测模型的预测结果不合格。
进一步地，当所述模型确定单元判定所述预测模型的预测结果不合格且Y＜Ymin时，计算所述降温效率值Y和预设最小降温效率值Ymin的第一效率差值ΔYa，设定ΔYa=Ymin-Y，所述参数调整单元根据该第一效率差值和预设效率差值的比对结果选取对应的补偿系数对学习率A进行补偿，
其中，所述参数调整单元还设有第一预设效率差值ΔY1、第二预设效率差值ΔY2、第三预设效率差值ΔY3、第一学习率补偿系数F1、第二学习率补偿系数F2以及第三学习率补偿系数F3，其中ΔY1＜ΔY2＜ΔY3，设定1＜F1＜F2＜F3＜1.5，
当ΔYa≤ΔY1时，所述参数调整单元选取第一学习率补偿系数F1对所述学习率进行补偿；
当ΔY1＜ΔYa≤ΔY2时，所述参数调整单元选取第二学习率补偿系数F2对所述学习率进行补偿
当ΔY2＜ΔYa≤ΔY3时，所述参数调整单元选取第三学习率补偿系数F3对所述学习率进行补偿
当所述参数调整单元选取第r学习率补偿系数Fr对所述学习率进行补偿时，设定r=1，2，3，所述参数调整单元将补偿后的学习率设置为A1，设定A1=A×Fr，所述建模单元以调节后的学习率进行模型训练。
进一步地，当所述模型确定单元判定所述预测模型的预测结果不合格且Y＜Ymax时，计算所述降温效率值Y和预设最小降温效率值Ymax的第二效率差值ΔYb，设定ΔYb=Y-Ymax，所述参数调整单元根据该第二效率差值与预设效率差值的比对结果选取对应的调节系数对所述学习率进行调节，
其中，所述参数调整单元还设有第一学习率调节系数Ka1、第二学习率调节系数Ka2以及第三学习率调节系数Ka3，设定0.7＜Ka3＜Ka2＜Ka3＜1，
当ΔYb≤ΔY1时，所述参数调整单元选取第一学习率调节系数Ka1对所述学习率进行调节；
当ΔY1＜ΔYb≤ΔY2时，所述参数调整单元选取第二学习率调节系数Ka2对所述学习率进行调节;
当ΔY2＜ΔYb≤ΔY3时，所述参数调整单元选取第三学习率调节系数Ka3对所述学习率进行调节;
当所述参数调整单元选取第s学习率调节系数Kas对所述学习率进行调节时，设定s=1，2，3，所述参数调整单元将补偿后的学习率设置为A2，设定A2=A×Kas，所述建模单元以调节后的学习率进行模型训练。
进一步地，在所述步骤S5中，当确定所述预测模型是否可用时，所述模型确定单元根据所述预测模型输出的合格数据量U与输入的总数据量Uz计算所述预测模型的输出合格率E，设定E=U/U0，并根据该输出合格率E与预设合格率E0的比对结果确定所述预测模型是否可用，
若E≥E0，所述模型确定单元判定所述预测模型可用；
若E＜E0，所述模型确定单元判定所述预测模型不可用。
进一步地，当所述模型确定单元判定所述模型不可用时，计算所述合格率E和预设合格率E0的合格率差值ΔE，设定ΔE=E0-E，所述参数调整单元根据该合格率差值与预设合格率差值的比对结果选取对应的迭代次数调节系数对迭代次数进行调节，并在调节后再次训练所述预测模型，
其中，所述参数调整单元设有第一预设合格率差值ΔE1、第二预设合格率差值ΔE2、第三预设合格率差值ΔE3、第一迭代次数调节系数Kn1、第二迭代次数调节系数Kn1以及第三迭代次数调节系数Kn3，其中ΔE1＜ΔE2＜ΔE3，设定1＜Kn1＜Kn2＜Kn3＜2，
当ΔE≤ΔE1时，所述参数调整单元选取第一迭代次数调节系数Kn1对所述迭代次数进行调节；
当ΔE1＜ΔE≤ΔE2时，所述参数调整单元选取第二迭代次数调节系数Kn2对所述迭代次数进行调节；
当ΔE2＜ΔE≤ΔE3时，所述参数调整单元选取第三迭代次数调节系数Kn3对所述迭代次数进行调节；
当所述参数调整单元选取第j迭代次数调节系数Knj对所述迭代次数进行调节时，设定j=1，2，3，所述参数调整单元将调节后的迭代次数设置为N＇，设定N＇=N×Knj。
进一步地，在所述步骤S1中，所述运行状态数据包括所述数据中心机房在若干个负荷状态运行时单位时间内产生的热量，所述运行过程中的机房内温度数据包括若干个所述热量数据对应的所述数据中心机房的温度值，所述降温设备工作数据包括所述数据中心机房在对应温度值时所述降温设备启动后的功率以及降温效率。
与现有技术相比，本发明的有益效果在于，本发明通过使用数据中心机房的若干运行状态数据、温度数据、湿度数据以及降温设备工作参数对建立的机器学习预测模型进行训练，根据训练得到的预测模型进行数据库中心机房内的降温预测，并根据该预测模型的降温预测对数据库中心机房进行降温，以保证数据库机房的降温效率和对数据库中心机房内温度的控制精度。
尤其，本发明在对预测模型训练完成时，根据预测模型的预测数据确定该预测模型是否可用，并在不可用时，对该预测模型进行参数调整，以保证预测模型的预测精准性，从而进一步提高了数据库机房内温度的控制精度。
进一步地，本发明在进行数据预处理时，通过将运行过程的错误数据剔除，以防止错误数据对预测模型的精准性造成影响，从而进一步提高了预测模型的预测精准性。
进一步地，本发明在进行模型训练前，根据实时获取的湿度值与多个预设湿度值的比对结果对用于训练模型的温度值进行微调，从而减小因湿度原因导致温度不准，导致的模型训练存在误差，进一步提高了预测模型的预测精准性，从而进一步保证的预测模型在使用时对数据库中心机房的降温效率。
进一步地，本发明通过设置与预设降温效率范围，并在进行模型评价时，根据预测模型的输出结果计算降温效率值，并根据降温效率值与预设降温效率范围的比对结果确定预测模型的单个预测结果是否合格，进一步提高了预测模型的预测精准性，从而进一步保证的预测模型在使用时对数据库中心机房的降温效率。
进一步地，本发明通过获取评价预测模型过程中的所有预测模型的输出结果中的合格预测结果，并根据合格的预测结果确定预测模型的合格率，根据该合格率与预设合格率的比对结果确定预测模型是否可用，进一步提高了预测模型的预测精准性，从而进一步保证的预测模型在使用时对数据库中心机房的降温效率。
进一步地，本发明通过在参数调整单元设置多个预设合格率差值和迭代次数调节系数，并当判定预测模型不可用时，计算合格率和预设合格率的合格率差值，并根据合格率差值与多个预设合格率差值的比对结果选取对应的迭代次数调节系数对迭代次数进行调节，并在调节完成时以调节后的迭代次数再次训练模型，进一步提高了预测模型的预测精准性，从而进一步保证的预测模型在使用时对数据库中心机房的降温效率。
进一步地，本发明通过在在参数调节模块设置多个预设效率差值和学习率补偿系数，并当判定预测模型的预测结果不合格时，根据降温效率值和预设最小降温效率值的差值与多个预设效率差值的比对结果确定学习率补偿系数，以对预测模型的学习率进行补偿，进一步提高了预测模型的预测精准性，从而进一步保证的预测模型在使用时对数据库中心机房的降温效率。
进一步地，本发明通过在参数调节模块设置多个学习率调节系数，并在判定预测模型的预测结果不合格时，根据降温效率值和预设最大降温效率值的差值与多个预设效率差值的比对结果确定学习率调节系数以对预设面模型的学习率尽心调节，进一步提高了预测模型的预测精准性，从而进一步保证的预测模型在使用时对数据库中心机房的降温效率。
附图说明
图1为本发明所述应用于数据中心机房的智能降温方法的流程图；
图2为本发明所述应用于数据中心机房的智能降温方法所用系统的逻辑框图。
具体实施方式
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1和图2所示，图1为本发明所述应用于数据中心机房的智能降温方法的流程图；图2为本发明所述应用于数据中心机房的智能降温方法所用系统的逻辑框图。
本发明实施例所述应用于数据中心机房的智能降温方法，包括：
步骤S1、数据获取单元获取数据中心机房的若干运行状态数据、运行过程中的对应机房内温度数据、湿度数据以及降温设备工作参数；
步骤S2、数据处理单元将获取的若干所述运行状态数据、温度数据、湿度数据以及降温设备工作参数进行预处理；
步骤S3、建模单元建立基于机器学习模型，并将所述数据处理单元预处理完成的若干所述运行状态数据、温度数据、湿度数据以及降温设备工作参数输入至机器学习模型中进行训练生成预测模型；
步骤S4、所述数据获取单元将预设数量的所述数据中心机房运行时产生的热量最小值至热量最大值中的数据随机输入预测模型中进行模型评价；
步骤S5、模型确定单元根据所述模型评价的结果确定所述预测模型是否可用，参数调整单元在所述模型确定单元确定所述预测模型不可用时进行预测模型的参数调节；
步骤S6、所述模型确定单元在确定所述预测模型可用时，根据所述预测模型进行所述数据中心机房内的温度预测并确定降温设备的运行参数。
具体而言，本发明通过使用数据中心机房的若干运行状态数据、温度数据、湿度数据以及降温设备工作参数对建立的机器学习预测模型进行训练，根据训练得到的预测模型进行数据库中心机房内的降温预测，并根据该预测模型的降温预测对数据库中心机房进行降温，以保证数据库机房的降温效率和对数据库中心机房内温度的控制精度。
尤其，本发明在对预测模型训练完成时，根据预测模型的预测数据确定该预测模型是否可用，并在不可用时，对该预测模型进行参数调整，以保证预测模型的预测精准性，从而进一步提高了数据库机房内温度的控制精度。
具体而言，在所述步骤S1中，所述运行状态数据包括所述数据中心机房在若干个负荷状态运行时单位时间内产生的热量，所述运行过程中的机房内温度数据包括若干个所述热量数据对应的所述数据中心机房的温度值，所述降温设备工作数据包括所述数据中心机房在对应温度值时所述降温设备启动后的功率以及降温效率。
在所述步骤S2中，对所述运行状态数据、温度数据、湿度数据以及降温设备工作参数进行预处理包括剔除所述温度值不符合所述机房内的预设热量范围内产生的温度值、以及该温度值对应的降温设备工作参数进行。
具体而言，本发明在进行数据预处理时，通过将运行过程的错误数据剔除，以防止错误数据对预测模型的精准性造成影响，从而进一步提高了预测模型的预测精准性。
所述预处理还包括根据获取的湿度数据对所述温度值进行微调，所述温度控制装置设有预设湿度值对应的的温度值调节系数，所述温度控制装置根据实际湿度值与预设温度值的比对结果选取对应的温度值调节系数对所述温度值进行微调，
其中，所述数据处理单元中设有第一湿度值Q1、第二湿度值Q2、第三湿度值Q3、第一温度调节系数K1、第二温度调节系数K2以及第三温度调节系数K3，其中Q1＜Q2＜Q3，设定0.7＜K3＜K2＜K1＜1，
当Q≤Q1时，所述数据处理单元选取第一温度调节系数K1对所述温度值进行调节；
当Q1＜Q≤Q2时，所述数据处理单元选取第二温度调节系数K2对所述温度值进行调节；
当Q2＜Q≤Q3时，所述数据处理单元选取第三温度调节系数K3对所述温度值进行调节；
当所述数据处理单元选取第i温度调节系数Ki对所述温度值进行调节时，所述数据处理单元将调节后的温度值设置为Tk，设定Tk=Tn×Ki，其中Tn为调节前温度值。
具体而言，本发明在进行模型训练前，根据实时获取的湿度值与多个预设湿度值的比对结果对用于训练模型的温度值进行微调，从而减小因湿度原因导致温度不准，导致的模型训练存在误差，进一步提高了预测模型的预测精准性，从而进一步保证的预测模型在使用时对数据库中心机房的降温效率。
在步骤S3中，当对所述预测模型进行训练时，输入数据并通过多元线性回归算法进行预测模型训练，并在训练时将所述预测模型的学习率设置为A，迭代次数设置为N。
在所述步骤S4中，当对所述模型进行评价时，所述模型确定单元根据所述预测模型预测的设备功率确定所述降温效率值Y，并根据该降温效率值Y与预设降温效率范围Y0的比对结果进行模型评价，其中所述预设降温效率范围Y0包括预设最小降温效率值Ymin和预设最大降温效率值Ymax，Ymin＜Ymax，
若Y∈Y0，所述模型确定单元初步判定所述预测模型的预测结果合格；
若Y＜Ymin或Y＞Ymax，所述模型确定单元判定所述预测模型的预测结果不合格。
具体而言，本发明实施例中所述降温效率Y通过检测预设时长t内的温度值变化量H确定，其中Y=H/t。
具体而言，本发明通过设置与预设降温效率范围，并在进行模型评价时，根据预测模型的输出结果计算降温效率值，并根据降温效率值与预设降温效率范围的比对结果确定预测模型的单个预测结果是否合格，进一步提高了预测模型的预测精准性，从而进一步保证的预测模型在使用时对数据库中心机房的降温效率。
在所述步骤S5中，当确定所述预测模型是否可用时，所述模型确定单元根据所述预测模型输出的合格数据量U与输入的总数据量Uz计算所述预测模型的输出合格率E，设定E=U/U0，并根据该输出合格率E与预设合格率E0的比对结果确定所述预测模型是否可用，
若E≥E0，所述模型确定单元判定所述预测模型可用；
若E＜E0，所述模型确定单元判定所述预测模型不可用。
具体而言，本发明通过获取评价预测模型过程中的所有预测模型的输出结果中的合格预测结果，并根据合格的预测结果确定预测模型的合格率，根据该合格率与预设合格率的比对结果确定预测模型是否可用，进一步提高了预测模型的预测精准性，从而进一步保证的预测模型在使用时对数据库中心机房的降温效率。
当所述模型确定单元判定所述模型不可用时，计算所述合格率E和预设合格率E0的合格率差值ΔE，设定ΔE=E0-E，所述参数调整单元根据该合格率差值与预设合格率差值的比对结果选取对应的迭代次数调节系数对迭代次数进行调节，并在调节后再次训练所述预测模型，
其中，所述参数调整单元设有第一预设合格率差值ΔE1、第二预设合格率差值ΔE2、第三预设合格率差值ΔE3、第一迭代次数调节系数Kn1、第二迭代次数调节系数Kn1以及第三迭代次数调节系数Kn3，其中ΔE1＜ΔE2＜ΔE3，设定1＜Kn1＜Kn2＜Kn3＜2，
当ΔE≤ΔE1时，所述参数调整单元选取第一迭代次数调节系数Kn1对所述迭代次数进行调节；
当ΔE1＜ΔE≤ΔE2时，所述参数调整单元选取第二迭代次数调节系数Kn2对所述迭代次数进行调节；
当ΔE2＜ΔE≤ΔE3时，所述参数调整单元选取第三迭代次数调节系数Kn3对所述迭代次数进行调节；
当所述参数调整单元选取第j迭代次数调节系数Knj对所述迭代次数进行调节时，设定j=1，2，3，所述参数调整单元将调节后的迭代次数设置为N＇，设定N＇=N×Knj。
具体而言，本发明通过在参数调整单元设置多个预设合格率差值和迭代次数调节系数，并当判定预测模型不可用时，计算合格率和预设合格率的合格率差值，并根据合格率差值与多个预设合格率差值的比对结果选取对应的迭代次数调节系数对迭代次数进行调节，并在调节完成时以调节后的迭代次数再次训练模型，进一步提高了预测模型的预测精准性，从而进一步保证的预测模型在使用时对数据库中心机房的降温效率。
当所述模型确定单元判定所述预测模型的预测结果不合格且Y＜Ymin时，计算所述降温效率值Y和预设最小降温效率值Ymin的第一效率差值ΔYa，设定ΔYa=Ymin-Y，所述参数调整单元根据该第一效率差值和预设效率差值的比对结果选取对应的补偿系数对学习率A进行补偿，
其中，所述参数调整单元还设有第一预设效率差值ΔY1、第二预设效率差值ΔY2、第三预设效率差值ΔY3、第一学习率补偿系数F1、第二学习率补偿系数F2以及第三学习率补偿系数F3，其中ΔY1＜ΔY2＜ΔY3，设定1＜F1＜F2＜F3＜1.5，
当ΔYa≤ΔY1时，所述参数调整单元选取第一学习率补偿系数F1对所述学习率进行补偿；
当ΔY1＜ΔYa≤ΔY2时，所述参数调整单元选取第二学习率补偿系数F2对所述学习率进行补偿
当ΔY2＜ΔYa≤ΔY3时，所述参数调整单元选取第三学习率补偿系数F3对所述学习率进行补偿
当所述参数调整单元选取第r学习率补偿系数Fr对所述学习率进行补偿时，设定r=1，2，3，所述参数调整单元将补偿后的学习率设置为A1，设定A1=A×Fr，所述建模单元以调节后的学习率进行模型训练。
具体而言，本发明通过在在参数调节模块设置多个预设效率差值和学习率补偿系数，并当判定预测模型的预测结果不合格时，根据降温效率值和预设最小降温效率值的差值与多个预设效率差值的比对结果确定学习率补偿系数，以对预测模型的学习率进行补偿，进一步提高了预测模型的预测精准性，从而进一步保证的预测模型在使用时对数据库中心机房的降温效率。
当所述模型确定单元判定所述预测模型的预测结果不合格且Y＜Ymax时，计算所述降温效率值Y和预设最小降温效率值Ymax的第二效率差值ΔYb，设定ΔYb=Y-Ymax，所述参数调整单元根据该第二效率差值与预设效率差值的比对结果选取对应的调节系数对所述学习率进行调节，
其中，所述参数调整单元还设有第一学习率调节系数Ka1、第二学习率调节系数Ka2以及第三学习率调节系数Ka3，设定0.7＜Ka3＜Ka2＜Ka3＜1，
当ΔYb≤ΔY1时，所述参数调整单元选取第一学习率调节系数Ka1对所述学习率进行调节；
当ΔY1＜ΔYb≤ΔY2时，所述参数调整单元选取第二学习率调节系数Ka2对所述学习率进行调节;
当ΔY2＜ΔYb≤ΔY3时，所述参数调整单元选取第三学习率调节系数Ka3对所述学习率进行调节;
当所述参数调整单元选取第s学习率调节系数Kas对所述学习率进行调节时，设定s=1，2，3，所述参数调整单元将补偿后的学习率设置为A2，设定A2=A×Kas，所述建模单元以调节后的学习率进行模型训练。
具体而言，本发明通过在参数调节模块设置多个学习率调节系数，并在判定预测模型的预测结果不合格时，根据降温效率值和预设最大降温效率值的差值与多个预设效率差值的比对结果确定学习率调节系数以对预设面模型的学习率尽心调节，进一步提高了预测模型的预测精准性，从而进一步保证的预测模型在使用时对数据库中心机房的降温效率。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。 凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种应用于数据中心机房的智能降温方法，其特征在于，包括：
步骤S1、数据获取单元获取数据中心机房的若干运行状态数据、运行过程中的对应机房内温度数据、湿度数据以及降温设备工作参数；
步骤S2、数据处理单元将获取的若干所述运行状态数据、温度数据、湿度数据以及降温设备工作参数进行预处理；
步骤S3、建模单元建立基于机器学习模型，并将所述数据处理单元预处理完成的若干所述运行状态数据、温度数据、湿度数据以及降温设备工作参数输入至机器学习模型中进行训练生成预测模型；
步骤S4、所述数据获取单元将预设数量的所述数据中心机房运行时产生的热量最小值至热量最大值中的数据随机输入预测模型中进行模型评价；
步骤S5、模型确定单元根据所述模型评价的结果确定所述预测模型是否可用，参数调整单元在所述模型确定单元确定所述预测模型不可用时进行预测模型的参数调节；
步骤S6、所述模型确定单元在确定所述预测模型可用时，根据所述预测模型进行所述数据中心机房内的温度预测并确定降温设备的运行参数；
在所述步骤S4中，当对所述模型进行评价时，所述模型确定单元根据所述预测模型预测的设备功率确定降温效率值Y，并根据该降温效率值Y与预设降温效率范围Y0的比对结果进行模型评价，其中所述预设降温效率范围Y0包括预设最小降温效率值Ymin和预设最大降温效率值Ymax，Ymin＜Ymax，
若Y∈Y0，所述模型确定单元初步判定所述预测模型的预测结果合格；
若Y＜Ymin或Y＞Ymax，所述模型确定单元判定所述预测模型的预测结果不合格；
当所述模型确定单元判定所述预测模型的预测结果不合格且Y＜Ymin时，计算所述降温效率值Y和预设最小降温效率值Ymin的第一效率差值ΔYa，设定ΔYa=Ymin-Y，所述参数调整单元根据该第一效率差值和预设效率差值的比对结果选取对应的补偿系数对学习率A进行补偿，
其中，所述参数调整单元还设有第一预设效率差值ΔY1、第二预设效率差值ΔY2、第三预设效率差值ΔY3、第一学习率补偿系数F1、第二学习率补偿系数F2以及第三学习率补偿系数F3，其中ΔY1＜ΔY2＜ΔY3，设定1＜F1＜F2＜F3＜1.5，
当ΔYa≤ΔY1时，所述参数调整单元选取第一学习率补偿系数F1对所述学习率进行补偿；
当ΔY1＜ΔYa≤ΔY2时，所述参数调整单元选取第二学习率补偿系数F2对所述学习率进行补偿
当ΔY2＜ΔYa≤ΔY3时，所述参数调整单元选取第三学习率补偿系数F3对所述学习率进行补偿
当所述参数调整单元选取第r学习率补偿系数Fr对所述学习率进行补偿时，设定r=1，2，3，所述参数调整单元将补偿后的学习率设置为A1，设定A1=A×Fr，所述建模单元以调节后的学习率进行模型训练。
2.根据权利要求1所述的应用于数据中心机房的智能降温方法，其特征在于，在所述步骤S2中，对所述运行状态数据、温度数据、湿度数据以及降温设备工作参数进行预处理包括将所述温度数据 不符合所述机房内的预设热量范围内产生的温度值、以及该温度值对应的降温设备工作参数进行剔除。
3.根据权利要求2 所述的应用于数据中心机房的智能降温方法，其特征在于，所述预处理还包括根据获取的湿度数据对所述温度值进行微调，温度控制装置设有预设湿度值对应的温度值调节系数，所述温度控制装置根据实际湿度值与预设温度值的比对结果选取对应的温度值调节系数对所述温度值进行微调，
其中，所述数据处理单元中设有第一湿度值S1、第二湿度值S2、第三湿度值S3、第一温度调节系数K1、第二温度调节系数K2以及第三温度调节系数K3，其中S1＜S2＜S3，设定0.7＜K3＜K2＜K1＜1，
当S≤S1时，所述数据处理单元选取第一温度调节系数K1对所述温度值进行调节；
当S1＜S≤S2时，所述数据处理单元选取第二温度调节系数K2对所述温度值进行调节；
当S2＜S≤S3时，所述数据处理单元选取第三温度调节系数K3对所述温度值进行调节；
当所述数据处理单元选取第i温度调节系数Ki对所述温度值进行调节时，所述数据处理单元将调节后的温度值设置为Tk，设定Tk=Tn×Ki。
4.根据权利要求3所述的应用于数据中心机房的智能降温方法，其特征在于，在步骤S3中，当对所述预测模型进行训练时，输入数据并通过多元线性回归算法进行预测模型训练，并在训练时将所述预测模型的学习率设置为A，迭代次数设置为N。
5.根据权利要求4所述的应用于数据中心机房的智能降温方法，其特征在于，当所述模型确定单元判定所述预测模型的预测结果不合格且Y＜Ymax时，计算所述降温效率值Y和预设最小降温效率值Ymax的第二效率差值ΔYb，设定ΔYb=Y-Ymax，所述参数调整单元根据该第二效率差值与预设效率差值的比对结果选取对应的调节系数对所述学习率进行调节，
其中，所述参数调整单元还设有第一学习率调节系数Ka1、第二学习率调节系数Ka2以及第三学习率调节系数Ka3，设定0.7＜Ka3＜Ka2＜Ka3＜1，
当ΔYb≤ΔY1时，所述参数调整单元选取第一学习率调节系数Ka1对所述学习率进行调节；
当ΔY1＜ΔYb≤ΔY2时，所述参数调整单元选取第二学习率调节系数Ka2对所述学习率进行调节;
当ΔY2＜ΔYb≤ΔY3时，所述参数调整单元选取第三学习率调节系数Ka3对所述学习率进行调节;
当所述参数调整单元选取第s学习率调节系数Kas对所述学习率进行调节时，设定s=1，2，3，所述参数调整单元将补偿后的学习率设置为A2，设定A2=A×Kas，所述建模单元以调节后的学习率进行模型训练。
6.根据权利要求5所述的应用于数据中心机房的智能降温方法，其特征在于，在所述步骤S5中，当确定所述预测模型是否可用时，所述模型确定单元根据所述预测模型输出的合格数据量U与输入的总数据量Uz计算所述预测模型的输出合格率E，设定E=U/U0，并根据该输出合格率E与预设合格率E0的比对结果确定所述预测模型是否可用，
若E≥E0，所述模型确定单元判定所述预测模型可用；
若E＜E0，所述模型确定单元判定所述预测模型不可用。
7.根据权利要求6所述的应用于数据中心机房的智能降温方法，其特征在于，当所述模型确定单元判定所述模型不可用时，计算所述合格率E和预设合格率E的合格率差值ΔE，设定ΔE=E0-E，所述参数调整单元根据该合格率差值与预设合格率差值的比对结果选取对应的迭代次数调节系数对迭代次数进行调节，并在调节后再次训练所述预测模型，
其中，所述参数调整单元设有第一预设合格率差值ΔE1、第二预设合格率差值ΔE2、第三预设合格率差值ΔE3、第一迭代次数调节系数Kn1、第二迭代次数调节系数Kn1以及第三迭代次数调节系数Kn3，其中ΔE1＜ΔE2＜ΔE3，设定1＜Kn1＜Kn2＜Kn3＜2，
当ΔE≤ΔE1时，所述参数调整单元选取第一迭代次数调节系数Kn1对所述迭代次数进行调节；
当ΔE1＜ΔE≤ΔE2时，所述参数调整单元选取第二迭代次数调节系数Kn2对所述迭代次数进行调节；
当ΔE2＜ΔE≤ΔE3时，所述参数调整单元选取第三迭代次数调节系数Kn3对所述迭代次数进行调节；
当所述参数调整单元选取第j迭代次数调节系数Knj对所述迭代次数进行调节时，设定j=1，2，3，所述参数调整单元将调节后的迭代次数设置为N＇，设定N＇=N×Knj。
8.根据权利要求7所述的应用于数据中心机房的智能降温方法，其特征在于，在所述步骤S1中，所述运行状态数据包括所述数据中心机房在若干个负荷状态运行时单位时间内产生的热量，所述运行过程中的机房内温度数据包括若干个所述热量数据对应的所述数据中心机房的温度值，所述降温设备工作数据包括所述数据中心机房在对应温度值时所述降温设备启动后的功率以及降温效率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210162423.8A CN114216248B (zh) | 2022-02-22 | 2022-02-22 | 一种应用于数据中心机房的智能降温方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210162423.8A CN114216248B (zh) | 2022-02-22 | 2022-02-22 | 一种应用于数据中心机房的智能降温方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114216248A CN114216248A (zh) | 2022-03-22 |
| CN114216248B true CN114216248B (zh) | 2022-05-17 |
Family
ID=80709287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210162423.8A Active CN114216248B (zh) | 2022-02-22 | 2022-02-22 | 一种应用于数据中心机房的智能降温方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114216248B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114897069B (zh) * | 2022-05-09 | 2023-04-07 | 大庆立能电力机械设备有限公司 | 抽油机智能调控节能保护装置 |
| CN116193819B (zh) * | 2023-01-19 | 2024-02-02 | 中国长江三峡集团有限公司 | 一种数据中心机房节能控制方法、系统、装置及电子设备 |
| CN117146521B (zh) * | 2023-09-21 | 2024-04-16 | 北京快行线冷链物流有限公司 | 一种基于温度的冷链运输的质量管理系统和方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108595301B (zh) * | 2018-03-26 | 2021-03-26 | 中国科学院计算技术研究所 | 一种基于机器学习的服务器能耗预测方法和系统 |
| CN112577161B (zh) * | 2019-09-30 | 2022-05-27 | 北京国双科技有限公司 | 空调能耗模型训练方法与空调系统控制方法 |
| US11788755B2 (en) * | 2019-10-04 | 2023-10-17 | Mitsubishi Electric Research Laboratories, Inc. | System and method for personalized thermal comfort control |
| CN110781595B (zh) * | 2019-10-28 | 2024-04-26 | 腾讯科技（深圳）有限公司 | 能源使用效率pue的预测方法、装置、终端及介质 |
| CN110866528B (zh) * | 2019-10-28 | 2023-11-28 | 腾讯科技（深圳）有限公司 | 一种模型训练方法、能耗使用效率预测方法、装置和介质 |
| CN112050397A (zh) * | 2020-08-27 | 2020-12-08 | 浙江省邮电工程建设有限公司 | 一种机房温度调控方法及系统 |
| CN112183906B (zh) * | 2020-12-02 | 2021-03-19 | 北京蒙帕信创科技有限公司 | 一种基于多模型组合模型的机房环境预测方法及系统 |
-
2022
- 2022-02-22 CN CN202210162423.8A patent/CN114216248B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114216248A (zh) | 2022-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114216248B (zh) | 一种应用于数据中心机房的智能降温方法 | |
| US11085663B2 (en) | Building management system with triggered feedback set-point signal for persistent excitation | |
| US20210018205A1 (en) | Systems and methods for automated system identification | |
| CN105223914B (zh) | 管控机台生产数据的系统及其方法 | |
| CN108121215B (zh) | 基于全回路重构仿真的工业控制回路性能评价方法及装置 | |
| CN105610360B (zh) | 一种同步发电机励磁系统参数辨识方法 | |
| KR20090001148A (ko) | 가상 계측 시스템 및 가상 계측 방법 | |
| CN111856309B (zh) | 一种电池健康状态的定量判断方法 | |
| CN115358281B (zh) | 一种基于机器学习的冷热一体机监测控制方法及系统 | |
| CN113255584B (zh) | 一种基于边缘计算的故障诊断与监测系统 | |
| CN111426949A (zh) | 一种电磁阀健康评估方法、装置、设备及可读存储介质 | |
| Zhang et al. | An application‐oriented multistate estimation framework of lithium‐ion battery used in electric vehicles | |
| CN115951606A (zh) | 智慧工厂生产环境预警处理方法 | |
| CN116449242A (zh) | 一种面向用户的电池健康状态监测系统 | |
| CN106325258B (zh) | 一种基于在线监测信息的继电保护装置状态评估方法 | |
| Xiong et al. | Peak power estimation of vanadium redox flow batteries based on receding horizon control | |
| Xiong et al. | A novel joint estimation method of state of charge and state of health based on the strong tracking-dual adaptive extended Kalman filter algorithm for the electric vehicle lithium-ion batteries | |
| CN117272591A (zh) | 用于储能仿真实验的测试方法及系统 | |
| WO2023181111A1 (ja) | 情報処理装置、情報処理方法、情報処理システム及びコンピュータプログラム | |
| CN116071036A (zh) | 一种变压器温度状态评价方法、设备和介质 | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
| CN113722926A (zh) | 一种方形锂电池电热耦合建模误差源分析方法 | |
| Aranizadeh et al. | Prioritizing CBs maintenance and identifying mandatory maintenance at higher priorities | |
| CN117445735B (zh) | 云边协同的充电预警方法、设备及介质 | |
| CN117689205A (zh) | 一种基于数字孪生的大负荷线路风险预测方法及装置 |
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 |