CN114282727A - 机房温度预测方法、系统及电子设备 - Google Patents

Abstract

本发明提供了一种机房温度预测方法、系统及电子设备，涉及温度控制技术领域，该方法首先采集当前时刻之前的至少一个周期内的机房初始参数；其中，机房初始参数至少包括：机房的温度数据、机房的风机调节数据、机房中的设备功率数据；然后将机房初始参数输入至已完成训练的温度预测模型中，并根据温度预测模型输出的结果确定当前时刻之后的下一个周期内机房的温度；最后根据下一个周期内机房的温度，得到机房的温度预测方案。该方法利用温度预测模型对机房的历史数据进行综合考虑，从而实现对未来周期内的温度进行自动精准预测，解决了现有技术在机房温度预测过程中存在的精度较低的问题。

Description

机房温度预测方法、系统及电子设备

技术领域

本发明涉及温度控制技术领域，尤其是涉及一种机房温度预测方法、系统及电子设备。

背景技术

服务器在运转过程中会产生大量的热量，同时服务器的运行过程中需要保持相应的工作温度区间，以实现服务器的安全可靠运行。为了达到服务器的温度需求，部署服务器的机房中大多采用过量冷却方式来提供冷量。这种冷却方式虽然具有稳定的温度控制，但需要通过空调设备并消耗大量能源才能实现。现有技术中在服务器机房的温度控制过程中，仅仅通过采集机房温度数据后，再通过未来服务器的运行压力来对所需温度进行估计，这种温度预测的方式过于经验化，精度较低。

发明内容

有鉴于此，本发明的目的在于提供一种机房温度预测方法、系统及电子设备，该方法利用温度预测模型对机房的历史数据进行综合考虑，从而实现对未来周期内的温度进行自动精准预测，解决了现有技术在机房温度预测过程中存在的精度较低的问题。

第一方面，本发明实施例提供了一种机房温度预测方法，该方法包括以下步骤：

采集当前时刻之前的至少一个周期内的机房初始参数；其中，机房初始参数至少包括：机房的温度数据、机房的风机调节数据、机房中的设备功率数据；

将机房初始参数输入至已完成训练的温度预测模型中，并根据温度预测模型输出的结果确定当前时刻之后的下一个周期内机房的温度；其中，温度预测模型利用当前时刻对应的时间参数，根据机房初始参数中包含的温度数据、风机调节数据以及设备功率数据确定未来一段时间内机房的温度变化数据；

根据下一个周期内机房的温度，得到机房的温度预测方案。

在一些实施方式中，采集当前时刻之前的至少一个周期内的机房初始参数的步骤，包括：

采集至少一个周期内的风机送风温度；

采集至少一个周期内的机房内所有设备的功率总和；

采集至少一个周期内的机房的风机输出参数；

采集至少一个周期内的机房内的测温点的温度。

在一些实施方式中，采集当前时刻之前的至少一个周期内的机房初始参数的步骤，还包括：

采集至少一个周期内的机房外的测温点的温度。

在一些实施方式中，温度预测模型为利用keras框架构建的LSTM时间序列模型；温度预测模型包括三层；其中，第一层为LSTM结构；第二层为LSTM结构；第三层为Dense结构；

温度预测模型在训练过程，包括：

将机房的历史数据输入至已初始化的温度预测模型中进行训练；历史数据包括：至少一年的机房的温度数据、机房的风机调节数据、机房中的设备功率数据上述一种或多种；

利用预设的损失函数实时计算温度预测模型的损失值，当损失值满足预设关系时停止训练，得到温度预测模型。

在一些实施方式中，温度预测模型的损失函数为MSE函数；温度预测模型在训练过程中使用Adam优化器进行优化；温度预测模型的学习率为0.0001。

在一些实施方式中，温度预测模型的第一层中，神经元units的个数为32，激活函数为relu函数；

温度预测模型的第二层中，神经元units的个数为16，激活函数为relu函数；

温度预测模型的三层中，神经元units的个数为9，激活函数为linear函数。

在一些实施方式中，根据下一个周期内机房的温度，得到机房的温度预测方案的步骤之后，方法还包括：

将温度预测方案下的预测温度与实际温度进行对比，并将对比结果输入至温度预测模型中用于温度预测模型的训练。

第二方面，本发明实施例提供了一种机房温度预测系统，该系统包括以下模块：

数据采集模块，用于采集当前时刻之前的至少一个周期内的机房初始参数；其中，机房初始参数至少包括：机房的温度数据、机房的风机调节数据、机房中的设备功率数据；

数据输入模块，用于将机房初始参数输入至已完成训练的温度预测模型中，并根据温度预测模型输出的结果确定当前时刻之后的下一个周期内机房的温度；其中，温度预测模型利用当前时刻对应的时间参数，根据机房初始参数中包含的温度数据、风机调节数据以及设备功率数据确定未来一段时间内机房的温度变化数据；

温度预测模块，用于根据下一个周期内机房的温度，得到机房的温度预测方案。

第三方面，本发明实施例提供了一种电子设备，该电子设备包括：处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被处理器运行时执行如第一方面提供的机房温度预测方法的步骤。

第四方面，本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时实现上述第一方面提供的机房温度预测方法的步骤。

本发明实施例带来了以下有益效果：本发明实施例提供了一种机房温度预测方法、系统及电子设备，该方法首先采集当前时刻之前的至少一个周期内的机房初始参数；其中，机房初始参数至少包括：机房的温度数据、机房的风机调节数据、机房中的设备功率数据；然后将机房初始参数输入至已完成训练的温度预测模型中，并根据温度预测模型输出的结果确定当前时刻之后的下一个周期内机房的温度；其中，温度预测模型利用当前时刻对应的时间参数，根据机房初始参数中包含的温度数据、风机调节数据以及设备功率数据确定未来一段时间内机房的温度变化数据；最后根据下一个周期内机房的温度，得到机房的温度预测方案。该方法利用温度预测模型对机房的历史数据进行综合考虑，从而实现对未来周期内的温度进行自动精准预测，解决了现有技术在机房温度预测过程中存在的精度较低的问题。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种机房温度预测方法的流程图；

图2为本发明实施例提供的一种机房温度预测方法中步骤S101的流程图；

图3为本发明实施例提供的一种机房温度预测方法中温度预测模型的训练流程图；

图4为本发明实施例提供的一种机房温度预测方法中的温度预测模型的结构示意图；

图5为本发明实施例提供的一种在实际场景下使用机房温度预测方法进行温度预测的示意图；

图6为本发明实施例提供的一种机房温度预测系统的结构示意图；

图7为本发明实施例提供的一种电子设备的结构示意图。

图标：

610-数据采集模块；620-数据输入模块；630-温度预测模块；

101-处理器；102-存储器；103-总线；104-通信接口。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

随着大数据时代的发展，服务器作为重要的数据处理节点，其规模和性能也逐渐增大。服务器作为长期运行的计算设备，需要较为严格的工作温度环境。同时，服务器在运转过程中会产生大量的热量，这些热量也需要通过机房中部署的相关冷却设备进行散发，从而保证服务器的安全可靠的运行。

为了达到服务器的温度需求，在服务器的机房中大多采用过量冷却方式来提供冷量。这种冷却方式虽然具有稳定的温度控制，但需要通过空调设备并消耗大量能源才能实现。现有技术中在服务器机房的温度控制过程中，仅仅通过采集机房温度数据后，再通过未来服务器的运行压力来对所需温度进行估计，这种温度预测的方式过于经验化，精度较低。

针对上述问题，本发明实施例提出一种机房温度预测方法、系统及电子设备，利用温度预测模型对机房的历史数据进行综合考虑，从而对未来周期内的温度进行自动精准预测，解决了现有技术在机房温度预测过程中存在的精度较低的问题。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种机房温度预测方法进行详细介绍。具体的，上述方法的流程图如图1所示，包括以下步骤：

步骤S101，采集当前时刻之前的至少一个周期内的机房初始参数；其中，机房初始参数至少包括：机房的温度数据、机房的风机调节数据、机房中的设备功率数据。

机房初始参数中主要包括衡量机房测量温度的温度数据、衡量风机工作状态的风机调节数据以及衡量机房设备工作状态的设备功率数据等上述类型的数据。具体的说，机房的温度数据可通过部署在机房中的温度计或温度传感器获取得到；机房的温度数据是一种被动的参数，主要用于条件的判断，其温度数据的高低并不会直接用于机房温度的调节或改变。通俗的说，机房的温度可表征机房的实际温度。

风机调节参数是机房中部署的风机的工作参数，该调节参数表征的是风机的调节效果。实际场景中。风机调节参数可包括：送风温度、风量等相关数据。风机调节参数能够影响机房的温度变化，送风温度越高，机房的温度就会越高；送风温度越低，机房的温度就会越低。而风量越大，机房的升温速度就越快；风量越低，机房的升温速度就会越慢。

机房中的设备功率数据同样能够决定机房温度的变化，一般来说机房中的设备功率越大，这些设备产生的热量就越多，机房温度就会升高；机房中的设备功率越小，这些设备生成的热量就越少，机房温度就会降低。

由此可见，机房初始参数中的上述数据，至少需要能够影响机房温度的风机调节数据以及设备功率数据，还需要能够表征机房实际温度的温度数据来作为判断条件。

步骤S102，将机房初始参数输入至已完成训练的温度预测模型中，并根据温度预测模型输出的结果确定当前时刻之后的下一个周期内机房的温度；其中，温度预测模型利用当前时刻对应的时间参数，根据机房初始参数中包含的温度数据、风机调节数据以及设备功率数据确定未来一段时间内机房的温度变化数据。

温度预测模型在训练过程中需要考虑机房的历史数据，如半年、一年、三年的机房历史数据作为训练数据，然后以相应的时间周期作为预测间隔，对当前时刻下的机房初始参数进行综合预测。温度预测模型输出的是未来一段时间的温度，该时间段至少包括一个时间周期，也可包括多个时间周期。

温度预测模型在对未来时间周期内进行机房温度预测的过程中，充分考虑在训练过程中使用的机房历史数据，从而能够从机房历史数据中每个时刻下的温度走势，从而结合当前时刻确定相应的温度变化数据。温度变化数据的确定过程中是利用机房数据、风机调节数据以及设备功率数据，从而确定机房的温度变化趋势，最终得到下一个周期内机房的温度。

步骤S103，根据下一个周期内机房的温度，得到机房的温度预测方案。

温度预测方案中可通过温度曲线、温度列表、温度走势图等方式对机房的温度预测过程进行表征，通过温度预测方案从而完成对机房的未来温度变化的预测。

在一些实施方式中，采集当前时刻之前的至少一个周期内的机房初始参数的步骤S101，如图2所示，包括：

步骤S201，采集至少一个周期内的风机送风温度。

具体的说，风机送风温度是风机的实际调节温度，类似空调中的设置温度。一般情况下，风机送风温度为20至25摄氏度。

步骤S202，采集至少一个周期内的机房内所有设备的功率总和。

所有设备的功率综合可通过对机房中相关pdu(Power Distribution Unit，电源分配单元)进行数据采集从而直接获取作用于电源中的功率总和。

步骤S203，采集至少一个周期内的机房的风机输出参数。

风机输出参数是风机的一个权重指标，其大小为0至1之间，可理解为等比例缩放参数。

步骤S204，采集至少一个周期内的机房内的测温点的温度。

测温点的温度通过机房中部署的相关温度计或温度传感器测量得到的，这些测温点部署在机房的相关位置，部署范围尽可能的广，从而能够通过计算其平均值来获得机房的平均温度。

值得一提的是，上述步骤中的采集时间是相同的，即步骤S201中如果只采集1个周期的数据，那么步骤S202至步骤S204也同样只采集1个周期的数据。一般情况下，为了降低采集过程中的误差，一般采集3个周期中的数据。例如，每个周期为5分钟，三个周期就是当前时刻之前每隔5分钟的时间间隔。

在一些实施方式中，采集当前时刻之前的至少一个周期内的机房初始参数的步骤，还包括：

步骤S205，采集至少一个周期内的机房外的测温点的温度。

机房外的测温点的温度即为室外温度，室外温度与室内温度的温度差会随着季节不同而不同，因此机房初始参数还可根据室外温度来作为机房的温度数据，从而决定最终的温度预测方案。

实际场景中，由于夏季的室外温度高于冬季的室外温度，因此同样的风机调节数据以及设备功率数据的前提下，在夏季中的机房温度要高于冬季的机房温度。

在一些实施方式中，温度预测模型为利用keras框架构建的LSTM时间序列模型；温度预测模型包括三层；其中，第一层为LSTM结构；第二层为LSTM结构；第三层为Dense结构；温度预测模型在训练过程，如图3所示，包括：

步骤S301，将机房的历史数据输入至已初始化的温度预测模型中进行训练；历史数据包括：至少一年的机房的温度数据、机房的风机调节数据、机房中的设备功率数据上述一种或多种。

实际场景中，通过Python框架keras创建LSTM时间序列模型，并利用过去一年或多年的数据，按照3组为周期的序列进行模型训练，从而得到温度预测模型。

模型的具体结构如图4所示，温度预测模型共包含3层，其中第一层为LSTM，神经元units的个数为32，激活函数为relu函数；第二层也为LSTM，神经元units的个数为16，激活函数为relu函数；第三层为Dense，神经元units的个数为9，激活函数为linear函数。

机房的历史数据依次通过上述三层结构进行训练，训练过程中使用Adam优化器对模型结构进行优化；同时，温度预测模型的学习率为0.0001。

步骤S302，利用预设的损失函数实时计算温度预测模型的损失值，当损失值满足预设关系时停止训练，得到温度预测模型。

温度预测模型的损失函数为MSE函数，温度预测模型在训练的过程中利用损失函数实时计算其损失值，当损失值小于预设的损失阈值时，即表明温度预测模型的性能满足使用需求时停止训练，从而得到最终的温度预测模型。

模型在训练过程中，还可利用预测温度与实际温度的对比结果来对模型进行进一步训练。在一些实施方式中，根据下一个周期内机房的温度，得到机房的温度预测方案的步骤之后，该方法还包括：将温度预测方案下的预测温度与实际温度进行对比，并将对比结果输入至温度预测模型中用于温度预测模型的训练。

如果预测温度与实际温度一致性较高，表明温度预测模型的性能能够保证使用需求，此时可将对比结果作为正反馈数据发送给温度预测模型，并将该数据作为历史数据用于温度预测模型的后续训练；如果预测温度与实际温度差距较大，表明温度预测模型的性能还不能够满足使用需求，此时可停止预测过程，并将对比结果作为负反馈数据发送给温度预测模型，并将该数据作为历史数据用于温度预测模型的后续训练，从而进一步提升模型的性能。

实际场景如图5所示，该场景中对3个周期内的机房初始参数进行温度预测，这三个周期分别为：当前时刻的前5分钟、当前时刻的5分钟至前10分钟之间、当前时刻的前10分钟至前15分钟之间；即周期为5分钟。在将上述3个周期内机房初始参数进行收集，即：送风温度、设备功率、风机输出值、室外温度、室内测点温度这五类数据同时输入至温度预测模型中，经过温度预测模型的运算后，得到当前时刻后的一个周期内的温度预测结果；即得到当前时刻后5分钟的机房温度，并最终得到机房的温度预测方案。

通过上述实施例提到的机房温度预测方法可知，该方法利用温度预测模型对机房的历史数据进行综合考虑，从而实现对未来周期内的温度进行自动精准预测，解决了现有技术在机房温度预测过程中存在的精度较低的问题。

对应于上述实施例中提到的机房温度预测方法，本实施例还提供一种机房温度预测系统，如图6所示，该系统包括以下模块：

数据采集模块610，用于采集当前时刻之前的至少一个周期内的机房初始参数；其中，机房初始参数至少包括：机房的温度数据、机房的风机调节数据、机房中的设备功率数据；

数据输入模块620，用于将机房初始参数输入至已完成训练的温度预测模型中，并根据温度预测模型输出的结果确定当前时刻之后的下一个周期内机房的温度；其中，温度预测模型利用当前时刻对应的时间参数，根据机房初始参数中包含的温度数据、风机调节数据以及设备功率数据确定未来一段时间内机房的温度变化数据；

温度预测模块630，用于根据下一个周期内机房的温度，得到机房的温度预测方案。

本发明实施例所提供的机房温度预测系统，其实现原理及产生的技术效果和前述机房温度预测方法的实施例相同，为简要描述，实施例部分未提及之处，可参考前述实施例中相应内容。

本实施例还提供一种电子设备，为该电子设备的结构示意图如图7所示，该设备包括处理器101和存储器102；其中，存储器102用于存储一条或多条计算机指令，一条或多条计算机指令被处理器执行，以实现上述机房温度预测方法。

图7所示的服务器还包括总线103和通信接口104，处理器101、通信接口104和存储器102通过总线103连接。

其中，存储器102可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。总线103可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

通信接口104用于通过网络接口与至少一个用户终端及其它网络单元连接，将封装好的IPv4报文或IPv4报文通过网络接口发送至用户终端。

处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称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。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。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。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器102，处理器101读取存储器102中的信息，结合其硬件完成前述实施例的方法的步骤。

本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前述实施例的方法的步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，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，又例如，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信连接可以是通过一些通信接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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。

另外，在本发明各个实施例中的各功能单元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。

功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以用软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种机房温度预测方法，其特征在于，所述方法包括：

采集当前时刻之前的至少一个周期内的机房初始参数；其中，所述机房初始参数至少包括：所述机房的温度数据、所述机房的风机调节数据、所述机房中的设备功率数据；

将所述机房初始参数输入至已完成训练的温度预测模型中，并根据所述温度预测模型输出的结果确定当前时刻之后的下一个所述周期内所述机房的温度；其中，所述温度预测模型利用所述当前时刻对应的时间参数，根据所述机房初始参数中包含的所述温度数据、所述风机调节数据以及所述设备功率数据确定未来一段时间内所述机房的温度变化数据；

根据下一个所述周期内所述机房的温度，得到所述机房的温度预测方案。

2.根据权利要求1所述的机房温度预测方法，其特征在于，采集当前时刻之前的至少一个周期内的机房初始参数的步骤，包括：

采集至少一个周期内的风机送风温度；

采集至少一个周期内的所述机房内所有设备的功率总和；

采集至少一个周期内的所述机房的风机输出参数；

采集至少一个周期内的所述机房内的测温点的温度。

3.根据权利要求2所述的机房温度预测方法，其特征在于，采集当前时刻之前的至少一个周期内的机房初始参数的步骤，还包括：

采集至少一个周期内的所述机房外的测温点的温度。

4.根据权利要求1所述的机房温度预测方法，其特征在于，所述温度预测模型为利用keras框架构建的LSTM时间序列模型；所述温度预测模型包括三层；其中，第一层为LSTM结构；第二层为LSTM结构；第三层为Dense结构；

所述温度预测模型在训练过程，包括：

将所述机房的历史数据输入至已初始化的所述温度预测模型中进行训练；所述历史数据包括：至少一年的所述机房的温度数据、所述机房的风机调节数据、所述机房中的设备功率数据上述一种或多种；

利用预设的损失函数实时计算所述温度预测模型的损失值，当所述损失值满足预设关系时停止训练，得到所述温度预测模型。

5.根据权利要求4所述的机房温度预测方法，其特征在于，所述温度预测模型的损失函数为MSE函数；所述温度预测模型在训练过程中使用Adam优化器进行优化；所述温度预测模型的学习率为0.0001。

6.根据权利要求4所述的机房温度预测方法，其特征在于，所述温度预测模型的第一层中，神经元units的个数为32，激活函数为relu函数；

所述温度预测模型的第二层中，神经元units的个数为16，激活函数为relu函数；

所述温度预测模型的三层中，神经元units的个数为9，激活函数为linear函数。

7.根据权利要求1所述的机房温度预测方法，其特征在于，根据下一个所述周期内所述机房的温度，得到所述机房的温度预测方案的步骤之后，所述方法还包括：

将所述温度预测方案下的预测温度与实际温度进行对比，并将对比结果输入至所述温度预测模型中用于所述温度预测模型的训练。

8.一种机房温度预测系统，其特征在于，所述系统包括：

数据采集模块，用于采集当前时刻之前的至少一个周期内的机房初始参数；其中，所述机房初始参数至少包括：所述机房的温度数据、所述机房的风机调节数据、所述机房中的设备功率数据；

数据输入模块，用于将所述机房初始参数输入至已完成训练的温度预测模型中，并根据所述温度预测模型输出的结果确定当前时刻之后的下一个所述周期内所述机房的温度；其中，所述温度预测模型利用所述当前时刻对应的时间参数，根据所述机房初始参数中包含的所述温度数据、所述风机调节数据以及所述设备功率数据确定未来一段时间内所述机房的温度变化数据；

温度预测模块，用于根据下一个所述周期内所述机房的温度，得到所述机房的温度预测方案。

9.一种电子设备，其特征在于，包括：处理器和存储装置；所述存储装置上存储有计算机程序，所述计算机程序在被所述处理器运行时实现如权利要求1至7任一项所述的机房温度预测方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时实现上述权利要求1至7任一项所述的机房温度预测方法的步骤。

Images