CN114353872A - 一种机房温度的预测方法及装置 - Google Patents

一种机房温度的预测方法及装置 Download PDF

Info

Publication number
CN114353872A
CN114353872A CN202111654188.8A CN202111654188A CN114353872A CN 114353872 A CN114353872 A CN 114353872A CN 202111654188 A CN202111654188 A CN 202111654188A CN 114353872 A CN114353872 A CN 114353872A
Authority
CN
China
Prior art keywords
temperature
particle
parameters
temperature influence
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.)
Granted
Application number
CN202111654188.8A
Other languages
English (en)
Other versions
CN114353872B (zh
Inventor
崔凌闯
杨剑
徐梅
严兆永
黄利国
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.)
China Telecom Corp Ltd
Original Assignee
China Telecom Corp Ltd
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 China Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN202111654188.8A priority Critical patent/CN114353872B/zh
Publication of CN114353872A publication Critical patent/CN114353872A/zh
Application granted granted Critical
Publication of CN114353872B publication Critical patent/CN114353872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Air Conditioning Control Device (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请公开了一种机房温度的预测方法及装置,用以提升机房温度预测的准确率。该方法包括:将当前时刻的温度影响参数输入到预先训练好的温度预测模型,得到当前时刻的下一时刻的机房中设备的温度;温度预测模型采用如下方式训练得到:将多个温度影响参数输入至温度预测模型中,得到预测结果;根据预测温度和机房中设备的真实温度,分别确定多个温度影响参数的适应度;采用蚁群算法,根据每一个温度影响参数的适应度对温度影响参数进行第一设定次数的迭代更新,获取更新后的多个温度影响参数;根据更新后的多个温度影响参数确定粒子群算法的初始的粒子位置和粒子速度;基于粒子群算法对温度预测模型的模型参数进行优化。

Description

一种机房温度的预测方法及装置
技术领域
本申请涉及机房温度控制技术领域,尤其涉及一种机房温度的预测方法及装置。
背景技术
目前,为了达到机房中设备的温度需求以实现安全可靠的运行,大多数的机房采用过量冷却的方法来提供冷量,为各个设备降温。这种冷却方法虽然可以实现稳定的温度控制,但是会造成机房中空调的能耗较大。所以在相关技术总提出的对于未来各个设备的温度进行预测,并结合预测的温度调节机房中空调的温度。目前机房温度预测方法一般采用的是,根据各个设备的工作量和运行需求对未来时刻的设备温度进行预测,这种预测方法过于经验化,温度预测的结果准确性较低。
发明内容
本申请示例性的实施方式中提供一种机房温度的预测方法及装置。用以提升预测机房温度的准确率。
第一方面,本申请实施例提供了一种机房温度的预测方法,包括:
将当前时刻的温度影响参数输入到预先训练好的温度预测模型,得到所述当前时刻的下一时刻的机房中设备的温度;
所述温度预测模型采用如下方式训练得到:
将多个温度影响参数输入至所述温度预测模型中,得到预测结果;所述预测结果包括所述多个温度影响参数分别对应的机房中设备的预测温度;
根据所述预测温度和所述多个温度影响参数分别对应的机房中设备的真实温度,分别确定所述多个温度影响参数的适应度;
采用蚁群算法,根据所述每一个温度影响参数的适应度对所述温度影响参数进行第一设定次数的迭代更新,获取更新后的多个温度影响参数;
根据所述更新后的多个温度影响参数确定粒子群算法的初始的粒子位置和粒子速度;
基于所述粒子群算法对所述温度预测模型的模型参数进行优化。
在一些实施例中,所述基于所述粒子群算法对所述温度预测模型的模型参数进行优化,包括:
基于所述粒子群算法,根据所述温度的预测模型中的决策函数对粒子位置和粒子速度进行第二设定次数的迭代更新,得到最终的全局最优位置;
将所述最终的全局最优位置作为所述温度预测模型的模型参数。
在一些实施例中,所述基于所述粒子群算法,根据所述温度的预测模型中的决策函数对粒子位置和粒子速度进行第二设定次数的迭代更新,得到最终的全局最优位置,包括:
针对任意一次迭代过程,将所有粒子的位置输入到所述决策函数中得到多个第一输出值,将所述多个第一输出值中的最大值对应的粒子位置作为全局最优位置;
采用预先设定的更新算法对所述所有粒子的位置和粒子速度进行更新,并将更新后的所述所有粒子的位置输入到所述决策函数中得到多个第二输出值;
将所述多个第二输出值中的最小值与所述多个第一输出值中的最大值中的最小值所对应的粒子位置作为更新后的全局最优位置,直至满足预设迭代条件,得到所述最终的全局最优位置。
在一些实施例中,所述采用蚁群算法,根据所述每一个温度影响参数的适应度对所述温度影响参数进行第一设定次数的迭代更新,获取更新后的多个温度影响参数,包括:
根据所述每一个温度影响参数的适应度计算每一个温度影响参数对应所述蚁群算法中的每一个位置的信息素浓度;
根据预先设定的信息素挥发系数,对每一个位置的信息素浓度进行第一设定位置的迭代更新,得到每一个温度影响参数对应的蚁群算法中的位置向量;
将得到的位置向量中满足预先设定的适应度条件的向量所对应的温度影响参数,作为所述更新后的多个温度影响参数。
在一些实施例中,所述多个温度影响参数包括所述机房中的空调的出风口温度、回风口温度、风速以及所述设备的温度和湿度。
在一些实施例中,在将当前时刻的多个温度影响参数输入到预先训练好的温度预测模型之前,所述方法还包括:
将所述多个温度影响参数进行归一化处理。
第二方面,本申请实施例提供了一种机房温度的预测装置,包括:
预测模块,用于将当前时刻的温度影响参数输入到预先训练好的温度预测模型,得到所述当前时刻的下一时刻的机房中设备的温度;
训练模块,用于对温度预测模型进行训练,具体用于:
将多个温度影响参数输入至所述温度预测模型中,得到预测结果;所述预测结果包括所述多个温度影响参数分别对应的机房中设备的预测温度;
根据所述预测温度和所述多个温度影响参数分别对应的机房中设备的真实温度,分别确定所述多个温度影响参数的适应度;
采用蚁群算法,根据所述每一个温度影响参数的适应度对所述温度影响参数进行第一设定次数的迭代更新,获取更新后的多个温度影响参数;
根据所述更新后的多个温度影响参数确定粒子群算法的初始的粒子位置和粒子速度;
基于所述粒子群算法对所述温度预测模型的模型参数进行优化。
在一些实施例中,所述训练模块,具体用于:
基于所述粒子群算法,根据所述温度的预测模型中的决策函数对粒子位置和粒子速度进行第二设定次数的迭代更新,得到最终的全局最优位置;
将所述最终的全局最优位置作为所述温度预测模型的模型参数。
在一些实施例中,所述训练模块,具体用于:
针对任意一次迭代过程,将所有粒子的位置输入到所述决策函数中得到多个第一输出值,将所述多个第一输出值中的最大值对应的粒子位置作为全局最优位置;
采用预先设定的更新算法对所述所有粒子的位置和粒子速度进行更新,并将更新后的所述所有粒子的位置输入到所述决策函数中得到多个第二输出值;
将所述多个第二输出值中的最小值与所述多个第一输出值中的最大值中的最小值所对应的粒子位置作为更新后的全局最优位置,直至满足预设迭代条件,得到所述最终的全局最优位置。
在一些实施例中,所述训练模块,具体用于:
根据所述每一个温度影响参数的适应度计算每一个温度影响参数对应所述蚁群算法中的每一个位置的信息素浓度;
根据预先设定的信息素挥发系数,对每一个位置的信息素浓度进行第一设定位置的迭代更新,得到每一个温度影响参数对应的蚁群算法中的位置向量;
将得到的位置向量中满足预先设定的适应度条件的向量所对应的温度影响参数,作为所述更新后的多个温度影响参数。
在一些实施例中,所述多个温度影响参数包括所述机房中的空调的出风口温度、回风口温度、风速以及所述设备的温度和湿度。
在一些实施例中,所述预测模块,还用于:
将所述多个温度影响参数进行归一化处理。
第三方面,本申请实施例提供了一种电子设备,所述电子设备包括控制器和存储器。存储器用于存储计算机执行指令,控制器执行存储器中的计算机执行指令以利用控制器中的硬件资源执行第一方面任一种可能实现的方法的操作步骤。
第四方面,本申请提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面的方法。
第五方面,本申请实施例提供了一种计算机程序产品,所述计算机程序产品包括计算机程序代码,所述计算机程序代码被计算机运行时,使得所述计算机执行上述各方面的方法。
另外,第二方面至第五方面的有益效果可以参见如第一方面所述的有益效果,此处不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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。
图1为本申请实施例提供的一种机房温度预测场景示意图;
图2为本申请实施例提供的一种机房温度预测方法流程图;
图3为本申请实施例提供的一种仿真曲线图;
图4为本申请实施例提供的一种机房温度预测装置的结构示意图;
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请技术方案的一部分实施例,而不是全部的实施例。基于本申请文件中记载的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请技术方案保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象,而非用于描述特定顺序。此外,术语“包括”以及它们任何变形,意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请中的“多个”可以表示至少两个,例如可以是两个、三个或者更多个,本申请实施例不做限制。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,在不做特别说明的情况下,一般表示前后关联对象是一种“或”的关系。
为了便于理解本申请实施例提供的方案,首先对本申请实施例涉及的技术用语进行介绍:
(1)支持向量机(Support Vector Machine,SVM):是一种机器学习算法,属于二分类算法。基于给定的一组训练样本集,需要找到一条直线将数据集分割开。已知可以使用的分割线有很多,支持向量机模型就是为了找到泛化能力最好以及鲁棒性最强的直线。并且,支持向量机引入了核函数的概念,所以十分适用于解决非线性问题。支持向量机用于预测的准确度是取决于支持向量机中的惩罚因子和核函数参数值的。目前传统的选取惩罚因子和核函数参数值的方法是基于人工经验进行选取,或者采用交叉验证的方法进行选取。
(2)蚁群算法(Ant Colony Optimization,ACO):是一种模拟蚂蚁觅食行为的模拟优化算法。蚁群算法的原理是:当蚂蚁外出寻找食物或者返回到巢穴时候,都会释放一种特殊的信息素来标示进行的轨迹,有了这种信息传递机制,蚂蚁才能顺利的返回。进一步研究发现,这种信息素不仅能被统同一个蚁群的其他蚂蚁感受到,而且其强度也能被其他蚂蚁所感知到,蚂蚁会倾向于向信息素浓度高的路径移动,而在移动的过程中又会留下新的信息素。这样,经过蚂蚁越多的路径其信息素浓度也会越来越高,最后,几乎所有的蚂蚁都会走信息素浓度最高的路径,就会在蚂蚁巢穴与食物源之间形成一条最短的取食路径。蚁群算法具有良好的信息正反馈、鲁棒性强以及感知局部信息能力较强的优点。但同时,蚁群算法的迭代时间较长,容易产生停滞现象。
(3)粒子群算法(Particle Swarm Optimization,PSO):是进化算法中的一种,通过模拟鸟群捕食行为涉及的一种群智能算法。粒子群算法的原理是:区域内有多个大小不同的食物源,鸟群的任务是找到最大的食物源(全局最优位置)。鸟群在搜寻的过程中,通过互相传递各自位置的信息,让其他的鸟知道食物源的位置。最终,整个鸟群都能聚集在食物源周围,即找到了最优解,问题收敛。也即是说,鸟群算法是从随机解出发,通过迭代并追随当前最优解来搜寻全局最优。但同时,由于迭代周期短,所以容易陷入局部最优。
相关技术中,为了保证机房中各个设备正常运行,需要给机房配置空调来给设备降温,防止设备温度过高导致设备损耗大的问题。目前常用的降温方式时过量冷却的方式来提供冷量。但是这种方式会导致空调能耗较大。因此,为了解决空调能耗大的问题,现在提出了预测未来的机房设备温度,根据预测结果来调节空调的温度,以避免空调能耗大的问题。
目前常用的温度预测模型包括:(1)云模型与径向基(Radial Basis Function,RBF)神经网络模型结合的温度预测模型,通过高维云变换对影响温度因子进行确定选择,优化RBF神经网络,提高了训练速度,但存在收敛速度较慢的缺点。(2)利用反向传播(BackPropagation,BP)神经网络模型,将空调进风温度和设备的CPU利用率作为模型的输入,排风温度作为输出,来对机房热区温度进行预测。这种方法考虑的影响因子较为简单,准确性较低。(3)通过TRANSYS软件搭建机房模型获得模拟参数,利用最小二乘支持向量机对温度进行预测,求解速度增快的同时精度相应下降。并且,目前的温度预测方法都没有考虑到数据中心类的机房的实际特点,一般机房中会配置多个空调,各个设备组(或者机架)的制冷情况是不相同的。
有鉴于此,本申请实施例提供了一种机房温度的预测方法及装置,采用的支持向量机作为温度预测模型,适用于非线性变化的温度的预测场景。并且,本申请的方案结合了蚁群算法和粒子群算法对支持向量机进行优化。不仅可以获得蚁群算法的全局寻优能力和粒子群的局部寻优能力,还避免了蚁群算法迭代周期长以及粒子群算法容易收敛的缺点。使得温度预测模型的准确性较高。
可选地,本申请实施例提出的机房温度预测方法可以由服务器或者服务器集群来实现。或者本申请提出的方法还可以由芯片、处理器或者电脑等设备来执行。本申请对于执行主体不作具体限定。
为了便于理解本申请实施例提出的方案,下面首先对本申请的使用场景进行介绍。例如,参见图1,为本申请实施例提供的一种机房温度预测场景示意图。图1示例性地展示了机房中包括的机架(或者也可以理解为设备组,没一个机架上可以放置一组设备)以及机房中包括的多个空调。需要说明的是,图1仅作为一种示例,本申请实施例对于机房中包括的机架和空调数量不作具体限定,并且,对于机架和空调的位置也不作具体限定。
下面,结合图1对本申请提出的机房温度预测方案进行介绍。参见图2,为本申请实施例提供的一种机房温度预测方法流程图。具体包括:
201,获取当前时刻的温度影响参数。
可选地,温度影响参数可以包括机房中的空调的出风口温度、回风口温度、风速以及机房中设备的温度和湿度。可选地,在获取机房中设备的温度和湿度时,可以获取每个设备组的温度和湿度。
202,将当前时刻的温度影响参数输入到预先训练好的温度预测模型中,得到当前时刻的下一时刻的设备的温度。
可选地,温度预测模型可以采用支持向量机模型。得到的下一时刻设备的温度可以为机房中各个机架上的设备组的温度。
203,根据得到的当前时刻的下一时刻的设备的温度,调节机房中的空调的温度。
在一种可能实现的方法中,可以获取每一个设备组的温度,然后可以根据某一个设备组的温度调节距离该设备组最近的空调的温度。可选地,还可以进一步根据得到的设备的温度调节空调的风速。
作为一种举例,可以预先设定空调温度的调节范围。例如,当某一设备组的温度处于温度1-温度10之间时,将空调温度调节为温度A。具体地,若确定时刻A设备组的温度为温度3(温度3为温度1-温度10之间的温度),则可以将时刻A的下一时刻(设为时刻B)的空调温度调节为温度A。进一步地,若确定时刻B的设备组的温度为温度4(温度4为温度1-温度10之间的温度),则可以不用调节时刻B的下一时刻的空调温度。
在一些实施例中,由于温度影响参数包括的数据的量纲单位不相同,所以为了方式不同的数据过大或者过小而被忽略,从而影响预测的准确率,本申请实施例提出了在将当前时刻的温度影响参数输入到温度预测模型之前,还可以首先对温度影响参数进行预处理,以保证模型预测的准确率。作为一种举例,可以将温度影响参数进行归一化处理,将数据从有量纲转变为无量纲,映射到0-1范围内。例如,以温度影响参数中的任一参数(以参数A表示)为例,可以采用下方公式1对参数A进行归一化处理:
Figure BDA0003447792730000091
其中,x是归一化处理后的参数A,x是归一化处理前的参数A,xmin为参数A中的最小值,xmax为参数A中的最大值。
以上介绍了采用训练好的温度预测模型进行温度预测,以及根据预测结果调节空调温度,以实现精准输出冷量,避免资源浪费的过程。下面对训练温度预测模型的过程进行介绍。
可选地,可以基于蚁群算法,结合各个训练样本输入到模型中得到的预测结果,确定蚁群算法中每一个未知的信息素浓度,然后采用设定的迭代次数对信息素浓度进行迭代,并根据每一个迭代得到的信息素浓度计算一个蚂蚁位置向量,然后将符合条件的向量组成一个集合。将该集合中的位置向量作为粒子群算法的初始粒子位置,采用粒子群算法集合温度预测模型中的决策函数确定全局最优位置,然后根据该全局最优位置确定温度预测模型的模型参数。下面,对训练过程进行详细介绍。
在一些实施例中,可以首先获取训练样本,例如可以获取历史第一时刻的多个温度影响参数,以及历史第二时刻的设备温度。其中,第二时刻为第一时刻的下一时刻。即,在训练模型时,可以将第一时刻的多个温度影响参数作为模型输入,根据输出的预测值以及第二时刻的设备温度(也就是真实值)来对温度预测模型进行训练。可选地,在将获取的第一时刻的多个温度影响参数输入到温度预测模型之后,会得到温度预测模型输出的预测结果。其中,预测结果包括多个温度影响参数分别对应的机房中的设备的预测温度(即,第二时刻的设备温度的预测值)。进一步地,可以根据预测温度和第二时刻的设备的真实温度,分别确定多个影响参数的适应度。例如,以温度影响参数中的任意一个参数(简称为参数B)为例,可以采用下方公式(2)来计算适应度:
Figure BDA0003447792730000101
其中,f(x)为参数B的适应度,N为训练样本的数量,yi为第i个训练样本的真实值,y i为第i个训练样本的预测值。
进一步地,在计算出每一个温度影响参数的适应度之后,可以采用蚁群算法对温度影响参数进行迭代更新,以得到更新后的多个温度影响参数。其中,迭代次数可以是预先设定好的。作为一种可选的方式,可以根据每一个温度影响参数的适应度,计算每一个温度影响参数对应的蚁群算法中的每一个位置的信息素浓度。例如,可以采用如下公式(3)-公式(4)计算任意一个温度影响参数对应的一个位置的信息素浓度:
ΔΓj m(tk)=Q/sk公式(3)
Figure BDA0003447792730000102
其中,ΔΓj m(tk)表示第m只蚂蚁在位置j留下的信息素,Q为信息素总量,sk为第k只蚂蚁在位置j的适应度。ΔΓj(t)是位置j的信息素浓度,N为训练样本的数量。需要说明的是,算法介绍中的蚂蚁为本申请中的温度影响参数。
再进一步地,可以根据预先设定的信息素挥发系数,对每一个位置的信息素浓度进行迭代更新,得到每一个温度影响参数对应的蚁群算法中的各个蚂蚁的位置向量。并将得到的所有的位置向量中符合预设的适应度条件的位置向量组成一个向量集合。具体地,可以首先根据下方公式(5)确定任意一只蚂蚁在路径中释放的信息素:
Figure BDA0003447792730000111
其中,
Figure BDA0003447792730000112
为第k只蚂蚁在循环中的路径i-j上释放的信息素,dij为位置i到位置j的距离,Q为信息素总量。
进一步地,若在时刻n所有的蚂蚁完成了一次循环,则时刻n的下一时刻统计的任一路径的信息素可以参见公式(6):
Figure BDA0003447792730000113
其中,Γij(n+t)表示时刻n之后的时间t对应统计的路径i-j的信息素,ρ为预设的信息素挥发系数,Γij(t)为时间t内的路径i-j的信息素,m为蚂蚁的总数量,
Figure BDA0003447792730000114
为第k只蚂蚁在循环中的路径i-j上释放的信息素。
再进一步地,就可以根据路径上的信息素浓度来确定由某一个位置去往另一个位置的概率了,然后可以将满足概率条件的位置向量组成向量集合。具体地,可以采用公式(7)确定概率:
Figure BDA0003447792730000115
其中,
Figure BDA0003447792730000116
表示从位置i到达位置j的概率,Γij(t)为路径i-j的边上的位置的信息素,ηij(t)为从位置i到位置j的能见度(即为从位置i到位置j的启发程度),α是信息启发因子(反映蚂蚁从位置i到位置j移动时,两个位置之间的信息素在指导蚂蚁选择位置j的程度),β是期望值启发因子(反映蚂蚁在从位置i到位置j移动时,能见度在指导蚂蚁选择位置j的程度),allowedk为蚂蚁下一步允许到达的位置集合,Γis(t)为路径i-s的边上的位置的信息素,ηis(t)为从位置i到位置s的能见度。
循环执行上述公式(5)-公式(7)的过程,直至达到迭代次数。将循环过程中的满足预先设定的适应度条件的位置向量组成向量集合。
进一步地,可以将上述向量集合中的向量作为粒子群算法中各个位置的初始粒子位置。并基于粒子群算法对温度预测模型的模型参数进行优化。可选地,可以根据温度预测模型中的决策函数对粒子群算法中的各个粒子位置和粒子速度进行迭代更新,得到全局最优位置,然后将全局最优位置作为温度预测模型中的惩罚因子和核函数参数值。其中,迭代次数可以是预先设定好的。
在一些实施例中,在对粒子位置和粒子速度进行迭代更新时,可以结合全局最优位置和每个例子的个体最优位置来进行迭代。具体地,在第一次迭代时,初始粒子位置是根据蚁群算法得到的向量集合中的各个位置向量来确定的。可选地,可以将集合中的向量作为粒子群算法中的部分粒子的初始位置,然后随机其他剩余的粒子,保证粒子间保持最大欧式距离。将各粒子初始位置带入支持向量机的决策函数中,计算各粒子对应的决策函数值。将所有决策函数值中的最大值所对应的初始位置作为粒子群算法中的全局最优位置,并根据预设更新公式对各粒子的初始位置和初始速度进行更新。在第二次迭代中,将更新后的位置再次带入支持向量机的决策函数中,计算各粒子对应的决策函数值,将第二次迭代中的决策函数值中的最小值与第一次迭代中确定的决策函数值中的最大值中的最小值所对应的粒子位置作为最新的全局最优位置。循环上述过程达到预设迭代次数,将得到最终的全局最优位置作为支持向量机的核函数参数值以及惩罚因子。
在另外一些实施例中,还可以采用下方公式(8)-公式(9)来对粒子位置和粒子速度进行迭代更新,并采用上述实施例中的方法确定全局最优位置和个体最优位置。
Figure BDA0003447792730000121
Figure BDA0003447792730000122
其中,
Figure BDA0003447792730000123
是粒子i在第k+1次迭代中的速度,ω是惯性权重,
Figure BDA0003447792730000124
是粒子i在第k次迭代中的速度,c1是加速系数,表示每个粒子推向个体最优位置的统计加速向权重,r1是0-1之间的随机数,c2是加速系数,表示每个粒子推向全局最优位置的统计加速向权重,r2是0-1之间的随机数,
Figure BDA0003447792730000131
为粒子i的个体最优位置,
Figure BDA0003447792730000132
是粒子i在第k次迭代中的当前位置,
Figure BDA0003447792730000133
为所有粒子的全局最优位置,
Figure BDA0003447792730000134
是粒子i在第k+1次迭代中的当前位置。
可选地,可以采公式(8)-公式(9)循环设定的迭代次数,并根据每一次迭代得到位置向量确定全局最优位置,并根据上述实施例中介绍的方法,结合温度预测模型中的决策函数确定最终的全局最优位置。最后,可以根据最终的全局最优位置确定温度预测模型中的惩罚因子和核函数参数值。
以上结合不同的实施例对采用蚁群和粒子群算法训练温度预测模型的过程进行了介绍。可选地,还可以对温度预测模型进行仿真评估,确定模型的准确率。作为一种示例,可以参见图3,为本申请实施例提供的一种仿真曲线图,展示了采用本申请提出的温度预测模型得到的温度预测值、采用普通的支持向量机模型得到的温度预测值,以及温度实测值的对比情况。作为另一种示例,可以参见下方表1,为本申请实施例提供的一种结合均方误差以及决定系数,来对比本申请提出的温度预测模型和普通的支持向量机模型SVM的对比情况。
表1
Figure BDA0003447792730000135
根据上述结果可以看出,本申请实施例提出的根据蚁群和粒子群算法优化后的温度预测模型的预测结果要更加准确。
基于与上述方法的同一构思,参见图4,为本申请实施例提供的一种机房温度的预测装置400。装置400用于执行上述方法中的各个步骤,为了避免重复,此处不再进行赘述。装置400包括:预测模块401和训练模块402。
预测模块401,用于将当前时刻的温度影响参数输入到预先训练好的温度预测模型,得到所述当前时刻的下一时刻的机房中设备的温度;
训练模块402,用于对温度预测模型进行训练,具体用于:
将多个温度影响参数输入至所述温度预测模型中,得到预测结果;所述预测结果包括所述多个温度影响参数分别对应的机房中设备的预测温度;
根据所述预测温度和所述多个温度影响参数分别对应的机房中设备的真实温度,分别确定所述多个温度影响参数的适应度;
采用蚁群算法,根据所述每一个温度影响参数的适应度对所述温度影响参数进行第一设定次数的迭代更新,获取更新后的多个温度影响参数;
根据所述更新后的多个温度影响参数确定粒子群算法的初始的粒子位置和粒子速度;
基于所述粒子群算法对所述温度预测模型的模型参数进行优化。
在一些实施例中,所述训练模块402,具体用于:
基于所述粒子群算法,根据所述温度的预测模型中的决策函数对粒子位置和粒子速度进行第二设定次数的迭代更新,得到最终的全局最优位置;
将所述最终的全局最优位置作为所述温度预测模型的模型参数。
在一些实施例中,所述训练模块402,具体用于:
针对任意一次迭代过程,将所有粒子的位置输入到所述决策函数中得到多个第一输出值,将所述多个第一输出值中的最大值对应的粒子位置作为全局最优位置;
采用预先设定的更新算法对所述所有粒子的位置和粒子速度进行更新,并将更新后的所述所有粒子的位置输入到所述决策函数中得到多个第二输出值;
将所述多个第二输出值中的最小值与所述多个第一输出值中的最大值中的最小值所对应的粒子位置作为更新后的全局最优位置,直至满足预设迭代条件,得到所述最终的全局最优位置。
在一些实施例中,所述训练模块402,具体用于:
根据所述每一个温度影响参数的适应度计算每一个温度影响参数对应所述蚁群算法中的每一个位置的信息素浓度;
根据预先设定的信息素挥发系数,对每一个位置的信息素浓度进行第一设定位置的迭代更新,得到每一个温度影响参数对应的蚁群算法中的位置向量;
将得到的位置向量中满足预先设定的适应度条件的向量所对应的温度影响参数,作为所述更新后的多个温度影响参数。
在一些实施例中,所述多个温度影响参数包括所述机房中的空调的出风口温度、回风口温度、风速以及所述设备的温度和湿度。
在一些实施例中,所述预测模块401,还用于:
将所述多个温度影响参数进行归一化处理。
图5示出了本申请实施例提供的电子设备500结构示意图。本申请实施例中的电子设备500还可以包括通信接口503,该通信接口503例如是网口,电子设备可以通过该通信接口503传输数据。
在本申请实施例中,存储器502存储有可被至少一个控制器501执行的指令,至少一个控制器501通过执行存储器502存储的指令,可以用于执行上述方法中的各个步骤,例如,控制器501可以实现上述图4中的预测模块401和训练模块402的功能。
其中,控制器501是电子设备的控制中心,可以利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器502内的指令以及调用存储在存储器502内的数据。可选的,控制器501可包括一个或多个处理单元,控制器501可集成应用控制器和调制解调控制器,其中,应用控制器主要处理操作系统和应用程序等,调制解调控制器主要处理无线通信。可以理解的是,上述调制解调控制器也可以不集成到控制器501中。在一些实施例中,控制器501和存储器502可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
控制器501可以是通用控制器,例如中央控制器(CPU)、数字信号控制器、专用集成电路、现场可编程门阵列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申请实施例中公开的各方法、步骤及逻辑框图。通用控制器可以是微控制器或者任何常规的控制器等。结合本申请实施例所公开的数据统计平台所执行的步骤可以直接由硬件控制器执行完成,或者用控制器中的硬件及软件模块组合执行完成。
存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器502可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器502是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器502还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
通过对控制器501进行设计编程,例如,可以将前述实施例中介绍的神经网络模型的训练方法所对应的代码固化到芯片内,从而使芯片在运行时能够执行前述的神经网络模型训练方法的步骤,如何对控制器501进行设计编程为本领域技术人员所公知的技术,这里不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的控制器以产生一个机器,使得通过计算机或其它可编程数据处理设备的控制器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上,使得在计算机或其它可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。

Claims (15)

1.一种机房温度的预测方法,其特征在于,包括:
将当前时刻的温度影响参数输入到预先训练好的温度预测模型,得到所述当前时刻的下一时刻的机房中设备的温度;
所述温度预测模型采用如下方式训练得到:
将多个温度影响参数输入至所述温度预测模型中,得到预测结果;所述预测结果包括所述多个温度影响参数分别对应的机房中设备的预测温度;
根据所述预测温度和所述多个温度影响参数分别对应的机房中设备的真实温度,分别确定所述多个温度影响参数的适应度;
采用蚁群算法,根据所述每一个温度影响参数的适应度对所述温度影响参数进行第一设定次数的迭代更新,获取更新后的多个温度影响参数;
根据所述更新后的多个温度影响参数确定粒子群算法的初始的粒子位置和粒子速度;
基于所述粒子群算法对所述温度预测模型的模型参数进行优化。
2.如权利要求1所述的方法,其特征在于,所述基于所述粒子群算法对所述温度预测模型的模型参数进行优化,包括:
基于所述粒子群算法,根据所述温度的预测模型中的决策函数对粒子位置和粒子速度进行第二设定次数的迭代更新,得到最终的全局最优位置;
将所述最终的全局最优位置作为所述温度预测模型的模型参数。
3.如权利要求2所述的方法,其特征在于,所述基于所述粒子群算法,根据所述温度的预测模型中的决策函数对粒子位置和粒子速度进行第二设定次数的迭代更新,得到最终的全局最优位置,包括:
针对任意一次迭代过程,将所有粒子的位置输入到所述决策函数中得到多个第一输出值,将所述多个第一输出值中的最大值对应的粒子位置作为全局最优位置;
采用预先设定的更新算法对所述所有粒子的位置和粒子速度进行更新,并将更新后的所述所有粒子的位置输入到所述决策函数中得到多个第二输出值;
将所述多个第二输出值中的最小值与所述多个第一输出值中的最大值中的最小值所对应的粒子位置作为更新后的全局最优位置,直至满足预设迭代条件,得到所述最终的全局最优位置。
4.如权利要求1-3任一项所述的方法,其特征在于,所述采用蚁群算法,根据所述每一个温度影响参数的适应度对所述温度影响参数进行第一设定次数的迭代更新,获取更新后的多个温度影响参数,包括:
根据所述每一个温度影响参数的适应度计算每一个温度影响参数对应所述蚁群算法中的每一个位置的信息素浓度;
根据预先设定的信息素挥发系数,对每一个位置的信息素浓度进行第一设定位置的迭代更新,得到每一个温度影响参数对应的蚁群算法中的位置向量;
将得到的位置向量中满足预先设定的适应度条件的向量所对应的温度影响参数,作为所述更新后的多个温度影响参数。
5.如权利要求1-3任一项所述的方法,其特征在于,所述多个温度影响参数包括所述机房中的空调的出风口温度、回风口温度、风速以及所述设备的温度和湿度。
6.如权利要求1-3任一项所述的方法,其特征在于,在将当前时刻的多个温度影响参数输入到预先训练好的温度预测模型之前,所述方法还包括:
将所述多个温度影响参数进行归一化处理。
7.一种机房温度预测装置,其特征在于,包括:
预测模块,用于将当前时刻的温度影响参数输入到预先训练好的温度预测模型,得到所述当前时刻的下一时刻的机房中设备的温度;
训练模块,用于对温度预测模型进行训练,具体用于:
将多个温度影响参数输入至所述温度预测模型中,得到预测结果;所述预测结果包括所述多个温度影响参数分别对应的机房中设备的预测温度;
根据所述预测温度和所述多个温度影响参数分别对应的机房中设备的真实温度,分别确定所述多个温度影响参数的适应度;
采用蚁群算法,根据所述每一个温度影响参数的适应度对所述温度影响参数进行第一设定次数的迭代更新,获取更新后的多个温度影响参数;
根据所述更新后的多个温度影响参数确定粒子群算法的初始的粒子位置和粒子速度;
基于所述粒子群算法对所述温度预测模型的模型参数进行优化。
8.如权利要求7所述的装置,其特征在于,所述训练模块,具体用于:
基于所述粒子群算法,根据所述温度的预测模型中的决策函数对粒子位置和粒子速度进行第二设定次数的迭代更新,得到最终的全局最优位置;
将所述最终的全局最优位置作为所述温度预测模型的模型参数。
9.如权利要求8所述的装置,其特征在于,所述训练模块,具体用于:
针对任意一次迭代过程,将所有粒子的位置输入到所述决策函数中得到多个第一输出值,将所述多个第一输出值中的最大值对应的粒子位置作为全局最优位置;
采用预先设定的更新算法对所述所有粒子的位置和粒子速度进行更新,并将更新后的所述所有粒子的位置输入到所述决策函数中得到多个第二输出值;
将所述多个第二输出值中的最小值与所述多个第一输出值中的最大值中的最小值所对应的粒子位置作为更新后的全局最优位置,直至满足预设迭代条件,得到所述最终的全局最优位置。
10.如权利要求7-9任一项所述的装置,其特征在于,所述训练模块,具体用于:
根据所述每一个温度影响参数的适应度计算每一个温度影响参数对应所述蚁群算法中的每一个位置的信息素浓度;
根据预先设定的信息素挥发系数,对每一个位置的信息素浓度进行第一设定位置的迭代更新,得到每一个温度影响参数对应的蚁群算法中的位置向量;
将得到的位置向量中满足预先设定的适应度条件的向量所对应的温度影响参数,作为所述更新后的多个温度影响参数。
11.如权利要求7-9任一项所述的装置,其特征在于,所述多个温度影响参数包括所述机房中的空调的出风口温度、回风口温度、风速以及所述设备的温度和湿度。
12.如权利要求7-9任一项所述的装置,其特征在于,所述预测模块,还用于:
将所述多个温度影响参数进行归一化处理。
13.一种电子设备,其特征在于,包括:
存储器,用于存储计算机指令;
处理器,与所述存储器连接,用于执行所述存储器中的计算机指令,且在执行所述计算机指令时实现如权利要求1~6中任一项所述的方法。
14.一种计算机可读存储介质,其特征在于,包括:
所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得所述计算机执行如权利要求1~6中任一项所述的方法。
15.一种计算机程序产品,其特征在于,包括:
所述计算机程序产品包括计算机程序代码,所述计算机程序代码被计算机运行时,使得所述计算机执行如权利要求1~6中任一项所述的方法。
CN202111654188.8A 2021-12-30 2021-12-30 一种机房温度的预测方法及装置 Active CN114353872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111654188.8A CN114353872B (zh) 2021-12-30 2021-12-30 一种机房温度的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111654188.8A CN114353872B (zh) 2021-12-30 2021-12-30 一种机房温度的预测方法及装置

Publications (2)

Publication Number Publication Date
CN114353872A true CN114353872A (zh) 2022-04-15
CN114353872B CN114353872B (zh) 2024-08-06

Family

ID=81102908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111654188.8A Active CN114353872B (zh) 2021-12-30 2021-12-30 一种机房温度的预测方法及装置

Country Status (1)

Country Link
CN (1) CN114353872B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115167590A (zh) * 2022-09-08 2022-10-11 浙江省邮电工程建设有限公司 一种基于物联网终端的通信机房温湿度智能控制方法
WO2024016586A1 (zh) * 2022-07-18 2024-01-25 中国电信股份有限公司 机房温度控制方法及装置、电子设备、存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899431A (zh) * 2015-05-19 2015-09-09 上海大学 基于蚁群和粒子群集成的lssvm脉动风速预测方法
CN105160444A (zh) * 2015-10-22 2015-12-16 广东电网有限责任公司电力调度控制中心 电力设备故障率确定方法及系统
US9336480B1 (en) * 2004-08-14 2016-05-10 Hrl Laboratories, Llc Self-aware swarms for optimization applications
CN108665322A (zh) * 2018-05-18 2018-10-16 河南工业大学 口粮消费量预测模型的构建方法、消费量预测方法及装置
CN110188914A (zh) * 2019-03-25 2019-08-30 华北电力大学 一种用于电网输电线路覆冰厚度的智能预测方法
CN111934360A (zh) * 2020-07-09 2020-11-13 浙江浙能技术研究院有限公司 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN112000003A (zh) * 2020-08-31 2020-11-27 新疆大学 一种基于分数阶控制器的氧化槽的温度控制方法
CN112710401A (zh) * 2021-03-29 2021-04-27 国网江西省电力有限公司供电服务管理中心 一种电能表端子温度检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9336480B1 (en) * 2004-08-14 2016-05-10 Hrl Laboratories, Llc Self-aware swarms for optimization applications
CN104899431A (zh) * 2015-05-19 2015-09-09 上海大学 基于蚁群和粒子群集成的lssvm脉动风速预测方法
CN105160444A (zh) * 2015-10-22 2015-12-16 广东电网有限责任公司电力调度控制中心 电力设备故障率确定方法及系统
CN108665322A (zh) * 2018-05-18 2018-10-16 河南工业大学 口粮消费量预测模型的构建方法、消费量预测方法及装置
CN110188914A (zh) * 2019-03-25 2019-08-30 华北电力大学 一种用于电网输电线路覆冰厚度的智能预测方法
CN111934360A (zh) * 2020-07-09 2020-11-13 浙江浙能技术研究院有限公司 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN112000003A (zh) * 2020-08-31 2020-11-27 新疆大学 一种基于分数阶控制器的氧化槽的温度控制方法
CN112710401A (zh) * 2021-03-29 2021-04-27 国网江西省电力有限公司供电服务管理中心 一种电能表端子温度检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
俞云新;王更生;: "基于粒子群的蚁群算法参数最优组合研究", 华东交通大学学报, no. 01, 15 February 2010 (2010-02-15), pages 47 - 51 *
李爱莲;赵永明;崔桂梅;: "基于数据预处理与智能优化的高炉铁液温度预测模型的研究", 铸造技术, no. 02, 18 February 2015 (2015-02-18), pages 450 - 454 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024016586A1 (zh) * 2022-07-18 2024-01-25 中国电信股份有限公司 机房温度控制方法及装置、电子设备、存储介质
CN115167590A (zh) * 2022-09-08 2022-10-11 浙江省邮电工程建设有限公司 一种基于物联网终端的通信机房温湿度智能控制方法
CN115167590B (zh) * 2022-09-08 2023-02-14 浙江省邮电工程建设有限公司 一种基于物联网终端的通信机房温湿度智能控制方法

Also Published As

Publication number Publication date
CN114353872B (zh) 2024-08-06

Similar Documents

Publication Publication Date Title
US20210381712A1 (en) Determining demand curves from comfort curves
Shao et al. Hybrid discrete particle swarm optimization for multi-objective flexible job-shop scheduling problem
CN114353872A (zh) 一种机房温度的预测方法及装置
EP3835895A1 (en) Multi-agent deep reinforcement learning for dynamically controlling electrical equipment in buildings
Khajavi et al. Improving the prediction of heating energy consumed at residential buildings using a combination of support vector regression and meta-heuristic algorithms
CN116596044B (zh) 基于多源数据的发电负荷预测模型训练方法及装置
KR20190087348A (ko) 의류처리장치 및 의류처리장치의 동작 방법
CN105160444A (zh) 电力设备故障率确定方法及系统
CN110781595B (zh) 能源使用效率pue的预测方法、装置、终端及介质
CN113469426A (zh) 基于改进bp神经网络的光伏输出功率预测方法及系统
CN115758912A (zh) 一种空调能耗优化系统
CN113391894A (zh) 一种基于rbp神经网络的最优超任务网优化方法
CN114065994A (zh) 空调系统能耗优化方法、装置、设备及计算机存储介质
CN113722980A (zh) 海洋浪高预测方法、系统、计算机设备、存储介质、终端
CN113821903A (zh) 温度控制方法和设备、模块化数据中心及存储介质
WO2023141766A1 (en) Method and apparatus for optimizing control parameters, storage medium, and electronic device
CN113849052B (zh) 基于人工智能的机房温度预测方法及系统
CN114547954B (zh) 物流配送中心选址方法、装置、计算机设备
CN116722541A (zh) 一种基于卷积神经网络的电力系统负荷预测方法及装置
CN116954329A (zh) 制冷系统的状态调节方法、装置、设备、介质及程序产品
CN115511055A (zh) 一种基于神经网络模型及遗传算法的温控方法及装置
CN116017936A (zh) 一种空调机房的控制方法及装置、电子设备及存储介质
Yan et al. A variant model based on bilstm for electricity load prediction
Ohta et al. Evolutionary air-conditioning optimization using an lstm-based surrogate evaluator
CN114002949A (zh) 基于人工智能的控制方法与控制装置

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