CN114322382B - 机房制冷控制方法、系统、设备及存储介质 - Google Patents
机房制冷控制方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN114322382B CN114322382B CN202111599424.0A CN202111599424A CN114322382B CN 114322382 B CN114322382 B CN 114322382B CN 202111599424 A CN202111599424 A CN 202111599424A CN 114322382 B CN114322382 B CN 114322382B
- Authority
- CN
- China
- Prior art keywords
- refrigeration
- matrix
- machine room
- cold quantity
- value
- 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
- 238000005057 refrigeration Methods 0.000 title claims abstract description 535
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 198
- 238000001816 cooling Methods 0.000 claims description 41
- 230000009471 action Effects 0.000 claims description 34
- 238000011217 control strategy Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002195 synergetic effect Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了机房制冷控制方法、系统、设备及存储介质,其中,方法包括:采集机房内多个制冷设备的输出冷量,得到输出冷量矩阵,获取多个制冷设备之间的制冷协同关系矩阵,利用输出冷量矩阵和制冷协同关系矩阵构建基于一致性控制算法的冷量预测模型,制冷协同关系矩阵是在通过调整每个制冷设备的制冷参数得到的其他各制冷设备所对应机柜的冷量变化值之间差值构建得到的,采用EM算法,以制冷协同关系矩阵作为隐向量并根据输出冷量矩阵计算机房的冷量期望值,并在获得机房的冷量真实值的情况下,根据冷量期望值与冷量真实值之间的误差更新制冷协同关系矩阵,直到冷量预测模型收敛。方案在实现机房制冷的高效节能方面具有较强可行性和精确度。
Description
技术领域
本发明涉及制冷控制技术领域,具体地说,涉及机房制冷控制方法、系统、设备及存储介质。
背景技术
在一些应用场景中,数据中心数量庞大,机房不间断工作会产生大量热量,因此需要制冷设备给机房制冷,制冷设备无疑会带来巨大能耗。因此如何让制冷设备高效节能运行,是本发明所要考虑的课题。
需要说明的是,上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
针对现有技术中的问题,本发明的目的在于提供机房制冷控制方法、系统、设备及存储介质,克服了现有技术的困难,能够在实现机房制冷的高效节能方面具有较强可行性和精确度。
本发明的实施例提供一种机房制冷控制方法,该方法包括以下步骤:
采集机房内多个制冷设备的输出冷量,得到输出冷量矩阵;
获取多个制冷设备之间的制冷协同关系矩阵,利用输出冷量矩阵和制冷协同关系矩阵构建基于一致性控制算法的冷量预测模型,制冷协同关系矩阵是在通过调整每个制冷设备的制冷参数得到的其他各制冷设备所对应机柜的冷量变化值之间差值构建得到的;
采用EM算法,以制冷协同关系矩阵作为隐向量并根据输出冷量矩阵计算机房的冷量期望值,并在获得机房的冷量真实值的情况下,根据冷量期望值与冷量真实值之间的误差更新制冷协同关系矩阵,直到冷量预测模型收敛;
其中,冷量期望值表征为在多个制冷设备协同制冷作用下各制冷设备所对应机柜的期望冷量矩阵,冷量真实值表征为在多个制冷设备协同制冷作用下多个制冷设备所对应机柜的真实冷量矩阵。
可选地,采集机房内多个制冷设备的输出冷量,具体包括如下步骤:
采集多个制冷设备各自的出风温度tout;
采用如下公式计算得到多个制冷设备各自的输出冷量:
,
其中i表示第i个制冷设备,c为对应湿度范围内空气比热容,m为空气质量;
输出冷量矩阵表征为:
;
冷量期望值的计算公式为Q*=-LQout,L矩阵为制冷协同关系矩阵。
可选地,采用如下步骤获得机房的冷量真实值:
采集多个制冷设备的回风温度、制冷设备所对应机柜耗热量及机房室外温度;
利用每个制冷设备的回风温度、所对应机柜耗热量及机房室外温度得到制冷设备所对应机柜的真实冷量,并对多个制冷设备所对应的真实冷量进行向量化,得到机房的冷量真实值。
本发明的实施例提供一种机房制冷控制方法,该方法还包括:
采集机房内多个制冷设备的输出冷量,得到输出冷量矩阵;
将输出冷量矩阵输入基于一致性控制算法的冷量预测模型,冷量预测模型根据制冷协同关系矩阵和输出冷量矩阵计算机房内的冷量实际值,并在获得机房内冷量需求值的情况下,根据冷量实际值与冷量需求值之间的冷量差获取对多个制冷设备的控制策略,控制策略包括多个制冷设备的期望制冷参数;
基于控制策略调整多个制冷设备各自的期望制冷参数;
其中,冷量实际值表征为在多个制冷备协同制冷作用下各制冷设备所对应机柜的实际冷量矩阵,冷量需求值表征为在多个制冷设备协同制冷作用下多个制冷设备所对应机柜的需求冷量矩阵。
可选地,采集机房内多个制冷设备的输出冷量,具体包括如下步骤:
采集多个制冷设备各自的出风温度tout;
采用如下公式计算得到多个制冷设备各自的输出冷量:
,
其中i表示第i个制冷设备,c为对应湿度范围内空气比热容,m为空气质量;
输出冷量矩阵表征为:
;
冷量期望值的计算公式为:
Q*=-LQ制,
其中L矩阵为制冷协同关系矩阵。
可选地,在将输出冷量矩阵输入基于一致性控制算法的冷量预测模型之前,机房制冷控制方法还包括:
在未获取到机房机柜负载信息所对应的制冷协同关系矩阵的情况下,利用输出冷量矩阵和制冷协同关系矩阵构建基于一致性控制算法的冷量预测模型,并采用EM算法,以制冷协同关系矩阵作为隐向量并根据输出冷量矩阵计算机房的冷量期望值,并根据冷量期望值与冷量真实值之间的误差更新制冷协同关系矩阵,直到冷量预测模型收敛;
其中,冷量期望值表征为在多个制冷设备协同制冷作用下各制冷设备所对应机柜的期望冷量矩阵,冷量真实值表征为在多个制冷设备协同制冷作用下多个制冷设备所对应机柜的真实冷量矩阵。
本发明的实施例还提供一种机房制冷控制系统,用于实现上述机房制冷控制方法,该系统包括:
第一采集模块,采集机房内多个制冷设备的输出冷量,得到输出冷量矩阵;
模型构建模块,获取多个制冷设备之间的制冷协同关系矩阵,利用输出冷量矩阵和制冷协同关系矩阵构建基于一致性控制算法的冷量预测模型,制冷协同关系矩阵是在通过调整每个制冷设备的制冷参数得到的其他各制冷设备所对应机柜的冷量变化值之间差值构建得到的;
模型收敛模块,采用EM算法,以制冷协同关系矩阵作为隐向量并根据输出冷量矩阵计算机房的冷量期望值,并在获得机房的冷量真实值的情况下,根据冷量期望值与冷量真实值之间的误差更新制冷协同关系矩阵,直到冷量预测模型收敛;
其中,冷量期望值表征为在多个制冷设备协同制冷作用下各制冷设备所对应机柜的期望冷量矩阵,冷量真实值表征为在多个制冷设备协同制冷作用下多个制冷设备所对应机柜的真实冷量矩阵。
本发明的实施例还提供一种机房制冷控制系统,用于实现上述机房制冷控制方法,该系统包括:
第二采集模块,采集机房内多个制冷设备的输出冷量,得到输出冷量矩阵;
实际冷量获取模块,将输出冷量矩阵输入基于一致性控制算法的冷量预测模型,冷量预测模型根据制冷协同关系矩阵和输出冷量矩阵计算机房内的冷量实际值,并在获得机房内冷量需求值的情况下,根据冷量实际值与冷量需求值之间的冷量差获取对多个制冷设备的控制策略,控制策略包括多个制冷设备的期望制冷参数;
制冷参数调整模块,基于控制策略调整多个制冷设备各自的期望制冷参数;
其中,冷量实际值表征为在多个制冷备协同制冷作用下各制冷设备所对应机柜的实际冷量矩阵,冷量需求值表征为在多个制冷设备协同制冷作用下多个制冷设备所对应机柜的需求冷量矩阵。
本发明的实施例还提供一种机房制冷控制设备,包括:
处理器;
存储器,其中存储有处理器的可执行指令;
其中,处理器配置为经由执行可执行指令来执行上述机房制冷控制方法的步骤。
本发明的实施例还提供一种计算机可读存储介质,用于存储程序,程序被执行时实现上述机房制冷控制方法的步骤。
本发明的目的在于提供机房制冷控制方法、系统、设备及存储介质,能够将多个制冷设备之间的制冷协同关系量化表征为制冷协同关系矩阵,并用来构建基于一致性控制算法的冷量预测模型,通过引入EM算法,以该制冷协同关系矩阵作为隐变量对冷量预测模型进行收敛。
这样在应用中,能够采用该收敛的冷量预测模型精确计算在多个制冷设备协同制冷下机房的冷量估计值,并结合机房冷量需求值调整各个制冷设备的制冷参数。本发明实施例能够在对机房制冷控制时充分考虑各制冷设备之间的协同作用,有效去除制冷设备之间竞争协作关系而造成的能耗损失,本方案在实现机房制冷的高效节能方面具有较强可行性和精确度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。
图1是本发明的机房制冷控制方法的实施例之一的流程图;
图2是本发明的机房制冷控制方法的实施例之二的流程图;
图3是本发明的机房制冷控制方法的实施例之三的流程图;
图4是本发明的机房制冷控制方法的实施例之三的流程图;
图5是本发明的机房制冷控制系统的实施例之一的模块示意图;
图6是本发明的机房制冷控制系统的实施例之二的模块示意图;
图7是本发明的机房制冷控制系统的实施例之三的模块示意图;
图8是本发明的机房制冷控制系统运行的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式。相反,提供这些实施方式使本发明全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件转发模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
此外,附图中所示的流程仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤可以分解,有的步骤可以合并或部分合并,且实际执行的顺序有可能根据实际情况改变。具体描述时使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。需要说明的是,在不冲突的情况下,本发明的实施例及不同实施例中的特征可以相互组合。
本案发明人仔细研究了现有技术中的机房制冷方案,传统的数据中心机房制冷措施采用人工手段,如优化气流组织、给机柜加装盲板、调高空调回风温度等,这些措施需要专业人员多次不断调整,人力成本高。
可见,人工手段效率低。本案发明人想到采用经典的监督学习思想来训练制冷设备能耗优化模型,即输入机房的室内环境温湿度数据、机柜负载数据、室外环境数据、制冷设备运行时状态数据,能耗优化模型输出制冷设备的最优设置值。
但是在实际操作中,本案发明人发现该方法存在如下数据上和建模上的问题和挑战。一是,真实机房制冷设备相互之间有竞争协同关系,容易出现两个空调同时作用,但却出现1+1<2的效果。二是,空调不同工况间协同关系不同,如果完全通过实验的方法确认,那么实验次数巨大,几乎没有可行性。
所以,经典的监督学习方案在实现机房制冷方面精确度不高且可行性低。
本发明实施例为解决上述问题,考虑在对机房制冷时引入这些制冷设备的协同制冷作用,并进行量化,从而能够准确控制制冷设备的制冷参数。
但也应注意到,制冷设备不同工况下协同关系有所不同,如若通过实验的方法,情况繁杂,数据量庞大,无法计算。
本发明实施例提出了有效的方案,通过将制冷设备之间的竞争协同关系采用技术手段进行量化,并通过EM算法对制冷设备之间的制冷协同关系进行量化,实现对机房制冷进行高效节能控制。
本发明实施例提出一种改进的机房制冷控制方法,在充分理解数据中心能耗优化业务的基础上,考虑不同空调间存在竞争协作关系,设计算法流程,通过实时监测制冷设备数据,调节制冷设备设置参数,计算得出同一机房内不同制冷设备之间的竞争协作关系,并采用EM算法对制冷设备之间的竞争协作关系进行量化,从而基于图论的方式表达为拉格朗日矩阵L矩阵。在这种情况下,就可以根据L矩阵和一致性控制算法预测不同制冷设备运行情况下的冷量,加以控制。
图1为本发明提供的机房制冷控制方法的流程图。如图1所示,本发明的实施例提供一种机房制冷控制方法,包括以下步骤:
步骤110:采集机房内多个制冷设备的输出冷量,得到输出冷量矩阵;
步骤120:获取多个制冷设备之间的制冷协同关系矩阵,利用输出冷量矩阵和制冷协同关系矩阵构建基于一致性控制算法的冷量预测模型,制冷协同关系矩阵是在通过调整每个制冷设备的制冷参数得到的其他各制冷设备所对应机柜的冷量变化值之间差值构建得到的;
步骤130:采用EM算法,以制冷协同关系矩阵作为隐向量并根据输出冷量矩阵计算机房的冷量期望值,并在获得机房的冷量真实值的情况下,根据冷量期望值与冷量真实值之间的误差更新制冷协同关系矩阵,直到冷量预测模型收敛;
其中,冷量期望值表征为在多个制冷设备协同制冷作用下各制冷设备所对应机柜的期望冷量矩阵,冷量真实值表征为在多个制冷设备协同制冷作用下多个制冷设备所对应机柜的真实冷量矩阵。
其中,输出冷量矩阵是对多个制冷设备的输出冷量进行向量化表征得到的。
本发明实施例将多个制冷设备之间的制冷协同关系量化表征为制冷协同关系矩阵,并用来构建基于一致性控制算法的冷量预测模型,通过引入EM算法,以该制冷协同关系矩阵作为隐变量对冷量预测模型进行收敛。这样在应用中,能够采用该收敛的冷量预测模型精确计算在多个制冷设备协同制冷下机房的冷量估计值,并结合机房冷量需求值调整各个制冷设备的制冷参数。本发明实施例能够在对机房制冷控制时充分考虑各制冷设备之间的协同作用,有效去除制冷设备之间竞争协作关系而造成的能耗损失,本方案在实现机房制冷的高效节能方面具有较强可行性和精确度。
最大期望EM算法(Expectation-maximization algorithm,又译期望最大化算法)在统计中被用于寻找,依赖于不可观察的隐性变量的概率模型中,参数的最大似然估计。在统计计算中,EM算法是在概率模型中寻找参数最大似然估计或者最大后验估计的算法,其中概率模型依赖于无法观测的隐变量。
应用到本实施例,冷量预测模型为概率模型的一个实施例,而制冷协同关系矩阵作为隐变量。EM算法提供了一种对隐变量进行量化的方法,使得本方案具有较大可行性。
在可选实施例中,采集机房内多个制冷设备的输出冷量,具体包括如下步骤:
采集多个制冷设备各自的出风温度tout;
采用如下公式计算得到多个制冷设备各自的输出冷量:
,
其中i表示第i个制冷设备,c为对应湿度范围内空气比热容,m为空气质量;
输出冷量矩阵表征为:
。
在可选实施例中,对于一致性控制算法,多个制冷设备之间的制冷协同关系矩阵是使用拉格朗日矩阵L得到的,冷量预测模型表征为:Q*=-LQout。
在可选实施例中,采用如下步骤获得机房的冷量真实值:
采集多个制冷设备的回风温度、制冷设备所对应机柜耗热量及机房室外温度;
利用每个制冷设备的回风温度、所对应机柜耗热量及机房室外温度得到在多个制冷设备制冷协同制冷下制冷设备所对应机柜的真实冷量,并对多个制冷设备所对应的真实冷量进行向量化,得到机房的冷量真实值。
图2为本发明提供的一个实施例的机房制冷控制方法的流程图,参考图2,本方法具体包括如下步骤:
步骤210:采集机房内多个制冷设备的输出冷量,并利用多个制冷设备的输出冷量进行向量化表征,得到输出冷量矩阵;
步骤220:将输出冷量矩阵输入基于一致性控制算法的冷量预测模型,冷量预测模型根据制冷协同关系矩阵和输出冷量矩阵计算机房内的冷量实际值,并在获得机房内冷量需求值的情况下,根据冷量实际值与冷量需求值之间的冷量差获取对多个制冷设备的控制策略,控制策略包括多个制冷设备的期望制冷参数;
步骤230:基于控制策略调整多个制冷设备各自的期望制冷参数;
其中,冷量实际值表征为在多个制冷设备协同制冷作用下各制冷设备所对应机柜的实际冷量矩阵,冷量需求值表征为在多个制冷设备协同制冷作用下多个制冷设备所对应机柜的需求冷量矩阵。
本发明实施例引入基于一致性控制算法的冷量预测模型,冷量预测模型采用图1所示EM算法进行收敛,使得制冷设备之间的制冷协同关系被进行量化,从而能够结合制冷协同关系矩阵准确计算当前在多个制冷设备工况下各制冷设备所对应机柜的冷量,从而能够并结合机房冷量需求值调整各个制冷设备的制冷参数。本发明实施例能够在机房制冷控制时充分考虑各制冷设备之间的协同作用,有效去除制冷设备之间竞争协作关系而造成的能耗损失,在实现机房制冷的高效节能方面具有较强可行性和精确度。
在可选实施例中,采集机房内多个制冷设备的输出冷量,具体包括如下步骤:
采集多个制冷设备各自的出风温度tout;
采用如下公式计算得到多个制冷设备各自的输出冷量
,
其中i表示第i个制冷设备,c为对应湿度范围内空气比热容,m为空气质量;
冷量矩阵表征为:
。
在可选实施例中,多个制冷设备之间的制冷协同关系矩阵是使用拉格朗日矩阵L得到的,冷量预测模型表征为:
Q*=-LQ制。
图3为本发明实施例提供的一种机房制冷控制方法的流程图,如图3所示,该机房制冷控制方法包括如下步骤:
步骤310:采集机房内多个制冷设备的输出冷量,并利用多个制冷设备的输出冷量进行向量化表征,得到输出冷量矩阵;
步骤320:在未获取到机房机柜负载信息所对应的制冷协同关系矩阵的情况下,利用输出冷量矩阵和制冷协同关系矩阵构建基于一致性控制算法的冷量预测模型,并采用EM算法,以制冷协同关系矩阵作为隐向量并根据输出冷量矩阵计算机房的冷量期望值,并根据冷量期望值与机房的冷量真实值之间的误差更新制冷协同关系矩阵,直到冷量预测模型收敛;
步骤330:将输出冷量矩阵输入收敛的冷量预测模型,冷量预测模型根据更新的制冷协同关系矩阵和输出冷量矩阵计算机房内的冷量实际值,并在获得机房内冷量需求值的情况下,根据冷量实际值与冷量需求值之间的冷量差获取对多个制冷设备的控制策略,控制策略包括多个制冷设备的期望制冷参数;
步骤340:基于控制策略调整多个制冷设备各自的期望制冷参数;
其中,冷量期望值表征为在多个制冷设备协同制冷作用下各制冷设备所对应机柜的期望冷量矩阵,冷量真实值表征为在多个制冷设备协同制冷作用下多个制冷设备所对应机柜的真实冷量矩阵;
其中,冷量实际值表征为在多个制冷设备协同制冷作用下各制冷设备所对应机柜的实际冷量矩阵,冷量需求值表征为在多个制冷设备协同制冷作用下多个制冷设备所对应机柜的需求冷量矩阵。
本发明实施例能够根据实际的机房机柜负载采用EM算法更新制冷协同关系矩阵,满足机房制冷精确控制的需求。
在本发明实施例中,机房机柜负载信息是指机房内正在运行的机柜负载情况,比如机柜数量、机柜功率等,在此不做具体限定。
在本发明实施例中,为了考虑制冷设备之间的制冷协同关系,通过一致性控制算法计算不同制冷设备的制冷量对总体机房的影响,制冷设备不同工况下协同关系有所不同,如若通过实验的方法,情况繁杂,数据量庞大,无法计算,所以通过EM算法实时更新系统关系。
首先,一致性控制算法如公式所示:
写作矩阵关系:
其中L矩阵为拉普拉斯矩阵,L=D-A。D为度矩阵,A为邻接矩阵。在本发明实施例中:
Q*=-LQout
其中,Q为通过出风温度计算得到:
Q=cmtout;
Q*为制冷设备之间相互影响后的冷量差,表征机房总体冷量。
本发明实施例中L为制冷设备之间的制冷协同关系矩阵,可通过L矩阵计算出当前机房制冷工况条件下,互相作用后的冷量Q*,然后依据设定的回风温度、机房负载、室外温度,按照预定算法计算冷却所需冷量Qneed。根据Qneed和Q*之差即可确定制冷设备风机转速的控制逻辑,其中,风机转速为一种制冷控制参数。
其次,EM算法的步骤:
首先通过初步实验确定L矩阵初始值;
E-step:通过Q*=-LQ计算Q*,其为制冷设备间相互作用后的机房冷量;
M-step:根据计算得到的Q*,依据此时的回风温、机房负载、室外温度,按照预定的算法计算冷却真实Qtrue,计算Q*与Qtrue之间的误差,通过最小化误差,得到新的L矩阵,不断迭代直至收敛。收敛后,将对应当前运行工况下对应的L矩阵记录到系统当中以备将来使用。
本发明实施例提供一种具体应用场景的机房制冷控制方法,参考图4,具体实施步骤如下:
1、首先,通过初步实验确定L矩阵初始值,这是可选步骤。
实验步骤:
1)记录制冷设备当前状态为基准值,并且记录当前出风温湿度、回风温湿度、机柜负载数据,后简称记录这些数据为记录数据Q。
2)按照控制变量的方法,每次仅增加(避免报警)一台制冷设备的风机转速(5-10%),记录数据。
3)通过2)的方法改变机房内所有制冷设备(数量记为n),遍历一次。
4)通过获得的数据,计算每一台制冷设备改变对应机柜的冷量变化Ai,相互作差后为对应制冷设备之间的制冷协同关系lij,将所有制冷设备的制冷协同关系按照矩阵形式记录为矩阵:
其中Ni表示制冷设备i与n台制冷设备有相互关系。l1n为1号制冷设备对n号制冷设备的影响,反之亦然。
2、根据制冷设备当前出风温度用公式Q=cmtout分别计算n台制冷设备的输出冷量
3、如果当前机房机柜负载工况下没有对应的L制冷协同关系矩阵进入步骤4,否则进入步骤5。
4、EM算法更新L矩阵:
E-step:通过Q*=-LQ计算Q*其为制冷设备间相互作用后冷
M-step:根据计算得到的Q*,依据此时的回风温度、机房负载(耗热量)及室外温度,按照预定的算法计算冷却真实冷量Qtrue,计算Q*与Qtrue之间的误差,通过最小化误差,得到新的L矩阵,不断迭代直至收敛。收敛后,将对应当前机房机柜负载工况下对应的L矩阵记录到系统当中以备将来使用。
5、一致性控制算法控制制冷设备制冷,通过Q*=-LQ制(Q制是根据制冷设备出风温度计算得出,Q*为通过一致性控制算法计算的机房经过协同作用后的实际冷量)。再根据设定回风温度、机房负载、室外温度按照预定算法计算机房需求冷量Qneed。计算Qneed与Q*之差确定当前制冷设备的控制策略,达到对制冷进行控制的效果。
图5是本发明的机房制冷控制系统的一种实施例的模块示意图。本发明的机房制冷控制系统,如图5所示,包括但不限于:
第一采集模块510,采集机房内多个制冷设备的输出冷量,得到输出冷量矩阵;
模型构建模块520,获取多个制冷设备之间的制冷协同关系矩阵,利用输出冷量矩阵和制冷协同关系矩阵构建基于一致性控制算法的冷量预测模型,制冷协同关系矩阵是在通过调整每个制冷设备的制冷参数得到的其他各制冷设备所对应机柜的冷量变化值之间差值构建得到的;
模型收敛模块530,采用EM算法,以制冷协同关系矩阵作为隐向量并根据输出冷量矩阵计算机房的冷量期望值,并在获得机房的冷量真实值的情况下,根据冷量期望值与冷量真实值之间的误差更新制冷协同关系矩阵,直到冷量预测模型收敛;
其中,冷量期望值表征为在多个制冷设备协同制冷作用下各制冷设备所对应机柜的期望冷量矩阵,冷量真实值表征为在多个制冷设备协同制冷作用下多个制冷设备所对应机柜的真实冷量矩阵。
上述模块的实现原理参见机房制冷控制方法中的相关介绍,此处不再赘述。
本发明的机房制冷控制系统能够将多个制冷设备之间的制冷协同关系量化表征为制冷协同关系矩阵,并用来构建基于一致性控制算法的冷量预测模型,通过引入EM算法,以该制冷协同关系矩阵作为隐变量对冷量预测模型进行收敛。
这样在应用中,能够采用该收敛的冷量预测模型精确计算在多个制冷设备协同制冷下机房的冷量估计值,并结合机房冷量需求值调整各个制冷设备的制冷参数。本发明实施例能够在对机房制冷控制时充分考虑各制冷设备之间的协同作用,有效去除制冷设备之间竞争协作关系而造成的能耗损失,本方案在实现机房制冷的高效节能方面具有较强可行性和精确度。
可选地,第一采集模块510具体用于:
采集所述多个制冷设备各自的出风温度tout;
采用如下公式计算得到所述多个制冷设备各自的输出冷量
Q=cmtout,
其中i表示第i个制冷设备,c为对应湿度范围内空气比热容,m为空气质量;
所述输出冷量矩阵表征为:
;
所述冷量期望值的计算公式为Q*=-LQout,L矩阵为所述制冷协同关系矩阵。
可选地,模型收敛模块530用于执行如下步骤获得所述机房的冷量真实值:
采集所述多个制冷设备的回风温度、所述制冷设备所对应机柜耗热量及机房室外温度;
利用每个制冷设备的回风温度、所对应机柜耗热量及机房室外温度得到所述制冷设备所对应机柜的真实冷量,并对所述多个制冷设备所对应的真实冷量进行向量化,得到所述机房的冷量真实值。
图6是本发明的机房制冷控制系统的另一种实施例的模块示意图。如图6所示,该机房制冷控制系统包括但不限于如下模块:
第二采集模块610,采集机房内多个制冷设备的输出冷量,得到输出冷量矩阵;
实际冷量获取模块620,将输出冷量矩阵输入基于一致性控制算法的冷量预测模型,冷量预测模型根据制冷协同关系矩阵和输出冷量矩阵计算机房内的冷量实际值,并在获得机房内冷量需求值的情况下,根据冷量实际值与冷量需求值之间的冷量差获取对多个制冷设备的控制策略,控制策略包括多个制冷设备的期望制冷参数;
制冷参数调整模块630,基于控制策略调整多个制冷设备各自的期望制冷参数;
其中,冷量实际值表征为在多个制冷备协同制冷作用下各制冷设备所对应机柜的实际冷量矩阵,冷量需求值表征为在多个制冷设备协同制冷作用下多个制冷设备所对应机柜的需求冷量矩阵。
上述模块的实现原理参见机房制冷控制方法中的相关介绍,此处不再赘述。
本发明实施例引入基于一致性控制算法的冷量预测模型,冷量预测模型采用图1所示EM算法进行收敛,使得制冷设备之间的制冷协同关系被进行量化,从而能够结合制冷协同关系矩阵准确计算当前在多个制冷设备工况下各制冷设备所对应机柜的冷量,从而能够并结合机房冷量需求值调整各个制冷设备的制冷参数。本发明实施例能够在机房制冷控制时充分考虑各制冷设备之间的协同作用,有效去除制冷设备之间竞争协作关系而造成的能耗损失,在实现机房制冷的高效节能方面具有较强可行性和精确度。
可选地,第二采集模块610具体用于:
采集多个制冷设备各自的出风温度tout;
采用如下公式计算得到多个制冷设备各自的输出冷量:
,
其中i表示第i个制冷设备,c为对应湿度范围内空气比热容,m为空气质量;
输出冷量矩阵表征为:
;
冷量期望值的计算公式为:
Q*=-LQ制,
其中L矩阵为制冷协同关系矩阵。
可选地,与图6相比,图7所示机房制冷控制系统还包括:
制冷协同关系矩阵更新模块710,在将所述输出冷量矩阵输入基于一致性控制算法的冷量预测模型之前,在未获取到机房机柜负载信息所对应的制冷协同关系矩阵的情况下,利用输出冷量矩阵和制冷协同关系矩阵构建基于一致性控制算法的冷量预测模型,并采用EM算法,以制冷协同关系矩阵作为隐向量并根据输出冷量矩阵计算机房的冷量期望值,并根据冷量期望值与冷量真实值之间的误差更新制冷协同关系矩阵,直到冷量预测模型收敛;
其中,冷量期望值表征为在多个制冷设备协同制冷作用下各制冷设备所对应机柜的期望冷量矩阵,冷量真实值表征为在多个制冷设备协同制冷作用下多个制冷设备所对应机柜的真实冷量矩阵。
本发明实施例还提供一种机房制冷控制设备,包括处理器。存储器,其中存储有处理器的可执行指令。其中,处理器配置为经由执行可执行指令来执行的机房制冷控制方法的步骤。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“平台”。
图8是本发明的机房制冷控制设备的结构示意图。下面参照图8来描述根据本发明的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于:至少一个处理单元810、至少一个存储单元820、连接不同平台组件(包括存储单元820和处理单元810)的总线830、显示单元840等。
其中,存储单元存储有程序代码,程序代码可以被处理单元810执行,使得处理单元810执行本说明书上述机房制冷控制方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,处理单元810可以执行如图1-3中所示的步骤。
存储单元820可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)821和/或高速缓存存储单元822,还可以进一步包括只读存储单元(ROM)823。
存储单元820还可以包括具有一组(至少一个)程序模块825的程序/实用工具824,这样的程序模块825包括但不限于:处理系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备870(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备800交互的设备通信,和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。
并且,电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器860可以通过总线830与电子设备800的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
本发明实施例还提供一种计算机可读存储介质,用于存储程序,程序被执行时实现的机房制冷控制方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述机房制冷控制方法部分中描述的根据本发明各种示例性实施方式的步骤。
根据本发明的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明处理的程序代码,程序设计语言包括面向对象的程序设计语言-诸如Java、C++等,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种机房制冷控制方法,其特征在于,包括:
采集所述机房内多个制冷设备的输出冷量,得到输出冷量矩阵;
获取所述多个制冷设备之间的制冷协同关系矩阵,利用所述输出冷量矩阵和制冷协同关系矩阵构建基于一致性控制算法的冷量预测模型,所述制冷协同关系矩阵是在通过调整每个所述制冷设备的制冷参数得到的其他各制冷设备所对应机柜的冷量变化值之间差值构建得到的;
采用EM算法,以所述制冷协同关系矩阵作为隐向量并根据所述输出冷量矩阵计算所述机房的冷量期望值,并在获得所述机房的冷量真实值的情况下,根据所述冷量期望值与所述冷量真实值之间的误差更新所述制冷协同关系矩阵,直到所述冷量预测模型收敛;
其中,所述冷量期望值表征为在所述多个制冷设备协同制冷作用下各制冷设备所对应机柜的期望冷量矩阵,所述冷量真实值表征为在所述多个制冷设备协同制冷作用下所述多个制冷设备所对应机柜的真实冷量矩阵。
2.根据权利要求1所述的机房制冷控制方法,其特征在于,所述采集所述机房内多个制冷设备的输出冷量,具体包括如下步骤:
采集所述多个制冷设备各自的出风温度tout;
采用如下公式计算得到所述多个制冷设备各自的输出冷量:
,
其中i表示第i个制冷设备,c为对应湿度范围内空气比热容,m为空气质量;
所述输出冷量矩阵表征为:
;
所述冷量期望值的计算公式为Q*=-LQout,L矩阵为所述制冷协同关系矩阵。
3.根据权利要求1所述的机房制冷控制方法,其特征在于,采用如下步骤获得所述机房的冷量真实值:
采集所述多个制冷设备的回风温度、所述制冷设备所对应机柜耗热量及机房室外温度;
利用每个制冷设备的回风温度、所对应机柜耗热量及机房室外温度得到所述制冷设备所对应机柜的真实冷量,并对所述多个制冷设备所对应的真实冷量进行向量化,得到所述机房的冷量真实值。
4.一种机房制冷控制方法,其特征在于,包括:
采集所述机房内多个制冷设备的输出冷量,得到输出冷量矩阵;
将所述输出冷量矩阵输入基于一致性控制算法的冷量预测模型,所述冷量预测模型根据制冷协同关系矩阵和所述输出冷量矩阵计算所述机房内的冷量实际值,并在获得所述机房内冷量需求值的情况下,根据所述冷量实际值与冷量需求值之间的冷量差获取对所述多个制冷设备的控制策略,所述控制策略包括所述多个制冷设备的期望制冷参数;
基于所述控制策略调整所述多个制冷设备各自的期望制冷参数;
其中,所述冷量实际值表征为在所述多个制冷设备协同制冷作用下各制冷设备所对应机柜的实际冷量矩阵,所述冷量需求值表征为在所述多个制冷设备协同制冷作用下所述多个制冷设备所对应机柜的需求冷量矩阵。
5.根据权利要求4所述的机房制冷控制方法,其特征在于,所述采集所述机房内多个制冷设备的输出冷量,具体包括如下步骤:
采集所述多个制冷设备各自的出风温度tout;
采用如下公式计算得到所述多个制冷设备各自的输出冷量:
,
其中i表示第i个制冷设备,c为对应湿度范围内空气比热容,m为空气质量;
所述输出冷量矩阵表征为:
;
所述冷量实际值的计算公式为:
Q*=-LQ制,
其中L矩阵为所述制冷协同关系矩阵。
6.根据权利要求4所述的机房制冷控制方法,其特征在于,在将所述输出冷量矩阵输入基于一致性控制算法的冷量预测模型之前,所述机房制冷控制方法还包括:
在未获取到机房机柜负载信息所对应的制冷协同关系矩阵的情况下,利用所述输出冷量矩阵和制冷协同关系矩阵构建基于一致性控制算法的冷量预测模型,并采用EM算法,以所述制冷协同关系矩阵作为隐向量并根据所述输出冷量矩阵计算所述机房的冷量期望值,并根据所述冷量期望值与冷量真实值之间的误差更新所述制冷协同关系矩阵,直到所述冷量预测模型收敛;
其中,所述冷量期望值表征为在所述多个制冷设备协同制冷作用下各制冷设备所对应机柜的期望冷量矩阵,所述冷量真实值表征为在所述多个制冷设备协同制冷作用下所述多个制冷设备所对应机柜的真实冷量矩阵。
7.一种机房制冷控制系统,其特征在于,包括:
第一采集模块,采集所述机房内多个制冷设备的输出冷量,得到输出冷量矩阵;
模型构建模块,获取所述多个制冷设备之间的制冷协同关系矩阵,利用所述输出冷量矩阵和制冷协同关系矩阵构建基于一致性控制算法的冷量预测模型,所述制冷协同关系矩阵是在通过调整每个所述制冷设备的制冷参数得到的其他各制冷设备所对应机柜的冷量变化值之间差值构建得到的;
模型收敛模块,采用EM算法,以所述制冷协同关系矩阵作为隐向量并根据所述输出冷量矩阵计算所述机房的冷量期望值,并在获得所述机房的冷量真实值的情况下,根据所述冷量期望值与所述冷量真实值之间的误差更新所述制冷协同关系矩阵,直到所述冷量预测模型收敛;
其中,所述冷量期望值表征为在所述多个制冷设备协同制冷作用下各制冷设备所对应机柜的期望冷量矩阵,所述冷量真实值表征为在所述多个制冷设备协同制冷作用下所述多个制冷设备所对应机柜的真实冷量矩阵。
8.一种机房制冷控制系统,其特征在于,包括:
第二采集模块,采集所述机房内多个制冷设备的输出冷量,得到输出冷量矩阵;
实际冷量获取模块,将所述输出冷量矩阵输入基于一致性控制算法的冷量预测模型,所述冷量预测模型根据制冷协同关系矩阵和所述输出冷量矩阵计算所述机房内的冷量实际值,并在获得所述机房内冷量需求值的情况下,根据所述冷量实际值与冷量需求值之间的冷量差获取对所述多个制冷设备的控制策略,所述控制策略包括所述多个制冷设备的期望制冷参数;
制冷参数调整模块,基于所述控制策略调整所述多个制冷设备各自的期望制冷参数;
其中,所述冷量实际值表征为在所述多个制冷设备协同制冷作用下各制冷设备所对应机柜的实际冷量矩阵,所述冷量需求值表征为在所述多个制冷设备协同制冷作用下所述多个制冷设备所对应机柜的需求冷量矩阵。
9.一种机房制冷控制设备,其特征在于,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至6任意一项所述机房制冷控制方法的步骤。
10.一种计算机可读存储介质,用于存储程序,其特征在于,所述程序被处理器执行时实现权利要求1至6任意一项所述机房制冷控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111599424.0A CN114322382B (zh) | 2021-12-24 | 2021-12-24 | 机房制冷控制方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111599424.0A CN114322382B (zh) | 2021-12-24 | 2021-12-24 | 机房制冷控制方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114322382A CN114322382A (zh) | 2022-04-12 |
CN114322382B true CN114322382B (zh) | 2024-03-19 |
Family
ID=81012565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111599424.0A Active CN114322382B (zh) | 2021-12-24 | 2021-12-24 | 机房制冷控制方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114322382B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117327578A (zh) * | 2023-09-26 | 2024-01-02 | 湖南安泰康成生物科技有限公司 | 细胞培养装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110715405A (zh) * | 2019-09-29 | 2020-01-21 | 华中科技大学 | 一种基于bp神经网络拟合模型的空调器制冷量检测方法 |
WO2020119038A1 (zh) * | 2018-12-14 | 2020-06-18 | 广东美的暖通设备有限公司 | 空调器的控制方法及装置和空调器 |
CN112361558A (zh) * | 2020-11-12 | 2021-02-12 | 平安科技(深圳)有限公司 | 数据空调系统冷量自动控制方法、系统及装置 |
CN112460775A (zh) * | 2020-03-12 | 2021-03-09 | 平安科技(深圳)有限公司 | 机房冷量的控制方法、装置、设备及存储介质 |
CN112558560A (zh) * | 2020-11-24 | 2021-03-26 | 国家计算机网络与信息安全管理中心 | 数据中心制冷系统冷量输配动态优化与节能调控系统 |
WO2021082511A1 (zh) * | 2019-10-31 | 2021-05-06 | 北京国双科技有限公司 | 模型训练方法、控制参数确定方法及装置 |
CN112856748A (zh) * | 2021-01-21 | 2021-05-28 | 深圳市英威腾网能技术有限公司 | 冷量输出控制方法、装置、机房空调和存储介质 |
-
2021
- 2021-12-24 CN CN202111599424.0A patent/CN114322382B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020119038A1 (zh) * | 2018-12-14 | 2020-06-18 | 广东美的暖通设备有限公司 | 空调器的控制方法及装置和空调器 |
CN110715405A (zh) * | 2019-09-29 | 2020-01-21 | 华中科技大学 | 一种基于bp神经网络拟合模型的空调器制冷量检测方法 |
WO2021082511A1 (zh) * | 2019-10-31 | 2021-05-06 | 北京国双科技有限公司 | 模型训练方法、控制参数确定方法及装置 |
CN112460775A (zh) * | 2020-03-12 | 2021-03-09 | 平安科技(深圳)有限公司 | 机房冷量的控制方法、装置、设备及存储介质 |
CN112361558A (zh) * | 2020-11-12 | 2021-02-12 | 平安科技(深圳)有限公司 | 数据空调系统冷量自动控制方法、系统及装置 |
CN112558560A (zh) * | 2020-11-24 | 2021-03-26 | 国家计算机网络与信息安全管理中心 | 数据中心制冷系统冷量输配动态优化与节能调控系统 |
CN112856748A (zh) * | 2021-01-21 | 2021-05-28 | 深圳市英威腾网能技术有限公司 | 冷量输出控制方法、装置、机房空调和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114322382A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021063033A1 (zh) | 空调能耗模型训练方法与空调系统控制方法 | |
US9429921B2 (en) | Method and system for energy control management | |
US20140229146A1 (en) | In-situ optimization of chilled water plants | |
Wang et al. | A practical approach to chiller plants’ optimisation | |
US9310092B2 (en) | Analytics for optimizing usage of cooling subsystems | |
US20230040886A1 (en) | Building equipment energy management control system and control therefor | |
CN110610275B (zh) | 一种基于acqpso-elm的变风量空调负荷预测方法及系统 | |
US9625171B2 (en) | Optimized precooling of structures | |
CN107036238B (zh) | 动态预测外气与负载智慧节能控制方法 | |
CN114322382B (zh) | 机房制冷控制方法、系统、设备及存储介质 | |
CN112105233A (zh) | 节能控制方法、装置、电子设备和计算机可读介质 | |
Hussain et al. | Adaptive regression model-based real-time optimal control of central air-conditioning systems | |
WO2019227273A1 (en) | Hierarchical concept based neural network model for data center power usage effectiveness prediction | |
CN110762739B (zh) | 数据中心空调控制方法、装置、设备及存储介质 | |
Peng et al. | Energy consumption optimization for heating, ventilation and air conditioning systems based on deep reinforcement learning | |
JP6589227B1 (ja) | 制御装置、空調制御システム、制御情報の算出方法及びプログラム | |
CN116954329A (zh) | 制冷系统的状态调节方法、装置、设备、介质及程序产品 | |
CN115164378A (zh) | 基于数字孪生的新风机组调控方法及相关装置 | |
US20220308529A1 (en) | Extremum Seeking Control with Stochastic Gradient Estimation | |
CN115654684A (zh) | 空气处理机组控制、模型构建方法、装置及设备和介质 | |
CN115264768A (zh) | 一种基于物联网的楼宇空调节能控制方法及系统 | |
CN112944599A (zh) | 空调系统的多参数耦合控制方法及装置 | |
CN113170592B (zh) | 基于监测/控制机制的热控制优化 | |
CN114679899B (zh) | 机房空调自适应节能控制方法及装置、介质及设备 | |
Kumar et al. | Data center air handling unit fan speed optimization using machine learning techniques |
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 |