CN114679899A - 机房空调自适应节能控制方法及装置、介质及设备 - Google Patents
机房空调自适应节能控制方法及装置、介质及设备 Download PDFInfo
- Publication number
- CN114679899A CN114679899A CN202210433974.3A CN202210433974A CN114679899A CN 114679899 A CN114679899 A CN 114679899A CN 202210433974 A CN202210433974 A CN 202210433974A CN 114679899 A CN114679899 A CN 114679899A
- Authority
- CN
- China
- Prior art keywords
- machine room
- weight
- algorithm model
- model
- applicability
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 122
- 238000011156 evaluation Methods 0.000 claims abstract description 79
- 238000005265 energy consumption Methods 0.000 claims abstract description 14
- 230000008901 benefit Effects 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 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
- 238000011161 development Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
- H05K7/20718—Forced ventilation of a gaseous coolant
- H05K7/20745—Forced ventilation of a gaseous coolant within rooms for removing heat from cabinets, e.g. by air conditioning device
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
- H05K7/20836—Thermal management, e.g. server temperature control
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本公开提供了一种机房空调自适应节能控制方法及装置、介质及设备,涉及机房控制技术领域。该方法通过获取评估参数,评估参数包括机房类型和第一参数,其中,第一参数包括机房环境温湿度颗粒度、机房能耗颗粒度、空调可控参数、机房的告警温度阈值和预估节能收益中至少一种参数,然后根据评估参数计算机房模型库中每个算法模型的评估权重,进而计算每个算法模型的适用性权值,为机房匹配适用性权值最大的最终匹配模型,最后将机房数据输入最终匹配模型,输出相应的机房节能策略。这样可以实现对机房条件进行评估和匹配,使得最终匹配的算法模型具备普适性、可实际应用性强,从而制定针对机房适用性强的节能策略。
Description
技术领域
本公开涉及机房控制技术领域,尤其涉及一种机房空调自适应节能控制方法及装置、介质及设备。
背景技术
机房建设是一个系统工程,计算机技术的迅猛发展,促进了机房工程建设。随着机房中服务器数量不断增加和承载的业务加剧,因此降低机房的能耗以及机房精确制冷等方面存在一些挑战。
相关技术中,传统人工优化手段易实施,但无法根据业务动态变化自适应调整所需冷量,节能调控的不精细。传统方法主要依赖机房海量的历史数据对空调进行控制,并没有对机房条件进行评估和匹配,使算法的选择不具备普适性,导致机房的节能效果不佳。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,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
本公开的目的在于提供一种机房空调自适应节能控制方法及装置、介质及设备,至少在一定程度上克服由于相关技术中算法的选择不具备普适性而导致机房的节能效果不佳的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种机房空调自适应节能控制方法,包括:
获取评估参数,所述评估参数包括机房类型和第一参数,其中,所述第一参数包括机房环境温湿度颗粒度、机房能耗颗粒度、空调可控参数、机房的告警温度阈值和预估节能收益中至少一种参数;
根据所述评估参数对机房模型库中每个算法模型的权重进行取值,获得评估权重;
根据所述评估权重对机房模型库中每个算法模型的适用性权值进行计算;
选取最大值的适用性权值对应的算法模型作为最终匹配模型;
获取机房数据,其中,所述机房数据包括运行数据和资产数据;
将所述机房数据输入所述最终匹配模型,输出相应的机房节能策略。
在本公开一个实施例中,所述方法还包括:
对所述机房数据进行数据处理,形成待训练样本集;
根据所述待训练样本集对预设算法模型进行训练,生成训练完成的算法模型;
对所述算法模型进行参数调节,获得调优后的目标算法模型;
将所述目标算法模型更新至机房模型库中。
在本公开一个实施例中,所述选取最大值的适用性权值对应的算法模型作为最终匹配模型,包括:
将多个算法模型的适用性权值进行排序,获得最大值的适用性权值;
将最大值的适用性权值对应的算法模型作为最终匹配模型。
在本公开一个实施例中,所述机房类型对算法模型的评估权重取值为0或1。
在本公开一个实施例中,算法模型的适用性权值计算公式如下:
V为算法模型的适用性权值,m为大于等于2的自然数,W1为机房类型对算法模型的评估权重,Wi为第一参数对算法模型的评估权重。
根据本公开的另一个方面,提供一种机房空调自适应节能控制装置,包括:
第一获取模块,用于获取评估参数,所述评估参数包括机房类型和第一参数,其中,所述第一参数包括机房环境温湿度颗粒度、机房能耗颗粒度、空调可控参数、机房的告警温度阈值和预估节能收益中至少一种参数;
取值模块,用于根据所述评估参数对机房模型库中每个算法模型的权重进行取值,获得评估权重;
计算模块,用于根据所述评估权重对机房模型库中每个算法模型的适用性权值进行计算;
选取模块,用于选取最大值的适用性权值对应的算法模型作为最终匹配模型;
第二获取模块,用于获取机房数据,其中,所述机房数据包括运行数据和资产数据;
策略模块,用于将所述机房数据输入所述最终匹配模型,输出相应的机房节能策略。
在本公开一个实施例中,所述装置还包括:
数据处理模块,用于对所述机房数据进行数据处理,形成待训练样本集;
训练模块,用于根据所述待训练样本集对预设算法模型进行训练,生成训练完成的算法模型;
调优模块,用于对所述算法模型进行参数调节,获得调优后的目标算法模型;
更新模块,用于将所述目标算法模型更新至机房模型库中。
在本公开一个实施例中,所述选取模块包括:
排序模块,用于将多个算法模型的适用性权值进行排序,获得最大值的适用性权值;
匹配模块,将最大值的适用性权值对应的算法模型作为最终匹配模型。
根据本公开的再一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储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上述的机房空调自适应节能控制方法。
根据本公开的又一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的机房空调自适应节能控制方法。
本公开的实施例所提供的一种机房空调自适应节能控制方法及装置、介质及设备,首先获取的评估参数包括机房类型和第一参数,其中,第一参数包括机房环境温湿度颗粒度、机房能耗颗粒度、空调可控参数、机房的告警温度阈值和预估节能收益中至少一种参数,然后根据评估参数计算机房模型库中每个算法模型的评估权重,进而计算每个算法模型的适用性权值,为机房匹配适用性权值最大的最终匹配模型,最后将机房数据输入最终匹配模型,输出相应的机房节能策略。这样可以实现对机房条件进行评估和匹配,使得最终匹配的算法模型具备普适性、可实际应用性强,从而制定针对机房适用性强的节能策略。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示出本公开一个实施例中机房空调自适应节能控制方法的流程图。
图2示出本公开另一个实施例中机房空调自适应节能控制方法的流程图。
图3是图1实施例中选取最终匹配模型的方法流程图。
图4示出本公开一个实施例中机房空调自适应节能控制装置的结构示意图。
图5示出本公开另一个实施例中机房空调自适应节能控制装置的结构示意图。
图6是图4实施例中选取模块的结构示意图。
图7示出本公开实施例中用于机房空调自适应节能控制方法的电子设备框图。
图8示出本公开实施例中用于机房空调自适应节能控制方法的计算机可读存储介质示意图。
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范例;相反,提供这些实施方式使得本公开将更加全面和完整,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。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,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。
下面结合附图对本公开示例实施方式进行详细说明。
图1示出本公开一个实施例中机房空调自适应节能控制方法的流程图。
参考图1,应用于一种机房空调自适应节能控制方法可以包括:
步骤S102:获取评估参数,评估参数包括机房类型和第一参数,其中,第一参数包括机房环境温湿度颗粒度、机房能耗颗粒度、空调可控参数、机房的告警温度阈值和预估节能收益中至少一种参数;
步骤S104:根据评估参数对机房模型库中每个算法模型的权重进行取值,获得评估权重;
步骤S106:根据评估权重对机房模型库中每个算法模型的适用性权值进行计算;
步骤S108:选取最大值的适用性权值对应的算法模型作为最终匹配模型;
步骤S110:获取机房数据,其中,机房数据包括运行数据和资产数据;
步骤S112:将机房数据输入最终匹配模型,输出相应的机房节能策略。
上述实施例中,首先获取的评估参数包括机房类型和第一参数,其中,第一参数包括机房环境温湿度颗粒度、机房能耗颗粒度、空调可控参数、机房的告警温度阈值和预估节能收益中至少一种参数,然后根据评估参数计算机房模型库中每个算法模型的评估权重,进而计算每个算法模型的适用性权值,为机房匹配适用性权值最大的最终匹配模型,最后将机房数据输入最终匹配模型,输出相应的机房节能策略。这样可以实现对机房条件进行评估和匹配,使得最终匹配的算法模型具备普适性、可实际应用性强,从而制定针对机房适用性强的节能策略。
下面分别对图1中的各个步骤进行具体说明。
在步骤S102中,获取评估参数,评估参数包括机房类型和第一参数,其中,第一参数包括机房环境温湿度颗粒度、机房能耗颗粒度、空调可控参数、机房的告警温度阈值和预估节能收益中至少一种参数。
本示例实施方式中,评估参数可以动态组合,一组评估参数可以包括机房类型和至少一种第一参数。例如,获取到的一组评估参数可以是机房类型、机房环境温湿度颗粒度和空调可控参数,或者获取到的一组评估参数可以是机房类型和空调可控参数等等的组合形式。
在步骤S104中,根据评估参数对机房模型库中每个算法模型的权重进行取值,获得评估权重。
本示例实施方式中,机房类型包括风冷机房和水冷机房,机房类型对算法模型的评估权重取值为0或1。例如,一组评估参数中机房类型C1为风冷机房,当机房模型库中第Nx种算法模型适用于风冷机房,则第Nx种算法模型的评估权重W1取值为1,否则评估权重W1取值为0。其他评估参数对机房模型库中每个算法模型的评估权重取值为0-1之间。
其中,以机房类型C1和空调可控参数C2为例,介绍算法模型评估权重取值过程。
例如,机房类型C1为风冷机房,则适用于风冷机房的算法模型的评估权重W1取值为1,而不适用于风冷机房的算法模型的评估权重W1取值为0。
空调可控参数C2包括启停状态、温度设定、湿度设定和风机转速,当第Nx种算法模型的输出参数包括温度设定和湿度设定,而第Ny种算法模型的输出参数包括启停状态、温度设定、湿度设定和风机转速时,则第Nx种算法模型可输出空调可控参数C2中2种参数,第Ny种算法模型可输出空调可控参数C2中4种参数。若预设空调可控参数C2中每项参数的比重为0.2,则第Nx种算法模型的评估权重W2等于0.4,第Ny种算法模型的评估权重W2等于0.8,即第Nx种算法模型的评估权重W2大于第Ny种算法模型的评估权重W2。由此类推其他评估参数对算法模型的评估权重。
在步骤S106中,根据评估权重对机房模型库中每个算法模型的适用性权值进行计算。
具体的,算法模型的适用性权值计算公式如下:
V为算法模型的适用性权值,m为大于等于2的自然数,W1为机房类型对算法模型的评估权重,Wi为第一参数对算法模型的评估权重,i为第一参数中的第i个参数。
例如,一组评估参数中有机房类型C1、空调可控参数C2、机房环境温湿度颗粒度C3和机房能耗颗粒度C4,其分别对机房模型库中第Nx种算法模型的评估权重为W1、W2、W3和W4。则第Nx种算法模型的适用性权值V=W1*(W2+W3+W4)。但算法模型的适用性权值计算公式,并不限定于此。
在步骤S108中,选取最大值的适用性权值对应的算法模型作为最终匹配模型。
参考图3,选取最大值的适用性权值对应的算法模型作为最终匹配模型,包括:
步骤S302:将多个算法模型的适用性权值进行排序,获得最大值的适用性权值;
例如,第Nx种算法模型的适用性权值为Vx,第Ny种算法模型的适用性权值为Vy,第Nz种算法模型的适用性权值为Vz,其中,Vx>Vy>Nz,则第Nx种算法模型的适用性权值Vx为最大值的适用性权值。
步骤S304:将最大值的适用性权值对应的算法模型作为最终匹配模型。
在上述步骤S302中,第Nx种算法模型的适用性权值Vx为最大值的适用性权值,则第Nx种算法模型作为最终匹配模型。
在步骤S110中,获取机房数据,其中,机房数据包括运行数据和资产数据。
运行数据可以包括机房环境的温湿度、机房的能耗、空调运行参数。资产数据可以包括机房类型、空调类型、空调制冷情况、空调实际可调控参数。
在步骤S112中,将机房数据输入最终匹配模型,输出相应的机房节能策略。
例如,以最终匹配模型输出的是水冷机房的节能策略为例。将机房数据输入最终匹配模型,则最终匹配模型能够输出空调启停状态、风机转速(其中风机转速包括额定转速、最低转速和最高转速)和水阀开度(其中水阀开度包括额定水阀、最低水阀和最高水阀)相应的控制参数。
图2示出本公开另一个实施例中机房空调自适应节能控制方法的流程图。
参考图2,应用于一种机房空调自适应节能控制方法还可以包括:
步骤S202:对所述机房数据进行数据处理,形成待训练样本集;
步骤S204:根据所述待训练样本集对预设算法模型进行训练,生成训练完成的算法模型;
步骤S206:对所述算法模型进行参数调节,获得调优后的目标算法模型;
步骤S208:将所述目标算法模型更新至机房模型库中。
其中,评估参数可以动态组合,其对应各种不同情况下的机房条件。因此可以通过对机房数据进行数据处理,根据数据处理后的待训练样本集对预设算法模型进行训练,并对训练完成的算法模型进行参数调节,获得调优后的目标算法模型,并及时更新到机房模型库中。这样在机房每次评估参数的动态组合时,能够自适应匹配到更适合的模型以及输出更优的策略,提高了对场景的可适用性。
图4示出本公开一个实施例中机房空调自适应节能控制装置的结构示意图。
参考图4,一种机房空调自适应节能控制装置4包括第一获取模块402、取值模块404、计算模块406、选取模块408、第二获取模块410和策略模块412。
第一获取模块402,用于获取评估参数,所述评估参数包括机房类型和第一参数,其中,所述第一参数包括机房环境温湿度颗粒度、机房能耗颗粒度、空调可控参数、机房的告警温度阈值和预估节能收益中至少一种参数;
取值模块404,用于根据所述评估参数对机房模型库中每个算法模型的权重进行取值,获得评估权重;
计算模块406,用于根据所述评估权重对机房模型库中每个算法模型的适用性权值进行计算;
选取模块408,用于选取最大值的适用性权值对应的算法模型作为最终匹配模型;
第二获取模块410,用于获取机房数据,其中,所述机房数据包括运行数据和资产数据;
策略模块412,用于将所述机房数据输入所述最终匹配模型,输出相应的机房节能策略。
图5示出本公开另一个实施例中机房空调自适应节能控制装置的结构示意图。
参考图5,一种机房空调自适应节能控制装置4还包括数据处理模块502、训练模块504、调优模块506和更新模块508。
数据处理模块502,用于对所述机房数据进行数据处理,形成待训练样本集;
训练模块504,用于根据所述待训练样本集对预设算法模型进行训练,生成训练完成的算法模型;
调优模块506,用于对所述算法模型进行参数调节,获得调优后的目标算法模型;
更新模块508,用于将所述目标算法模型更新至机房模型库中。
图6是图4实施例中选取模块的结构示意图。
参考图6,选取模块408包括排序模块602和匹配模块604。
排序模块602,用于将多个算法模型的适用性权值进行排序,获得最大值的适用性权值;
匹配模块604,将最大值的适用性权值对应的算法模型作为最终匹配模型。
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“系统”。
下面参照图7来描述根据本发明的这种实施方式的电子设备700。图7显示的电子设备700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7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元710执行,使得所述处理单元710执行本说明书上述“示例性方法”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,所述处理单元710可以执行如图1中所示的步骤S102:获取评估参数,评估参数包括机房类型和第一参数,其中,第一参数包括机房环境温湿度颗粒度、机房能耗颗粒度、空调可控参数、机房的告警温度阈值和预估节能收益中至少一种参数;步骤S104:根据评估参数对机房模型库中每个算法模型的权重进行取值,获得评估权重;步骤S106:根据评估权重对机房模型库中每个算法模型的适用性权值进行计算;步骤S108:选取最大值的适用性权值对应的算法模型作为最终匹配模型;步骤S110:获取机房数据,其中,机房数据包括运行数据和资产数据;步骤S112:将机房数据输入最终匹配模型,输出相应的机房节能策略。
存储单元720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)7201和/或高速缓存存储单元7202,还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204,这样的程序模块7205包括但不限于:操作系统、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730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700也可以与一个或多个外部设备900(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700交互的设备通信,和/或与使得该电子设备700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750进行。并且,电子设备700还可以通过网络适配器760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。如图所示,网络适配器760通过总线730与电子设备700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700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系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
下面参照图8,在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品800。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800的形式,其包括程序代码,当所述程序产品800在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
描述了根据本发明的实施方式的用于实现上述方法的程序产品800,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800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。
所述程序产品800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。
计算机可读信号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。可读信号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操作的程序代码,所述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)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种机房空调自适应节能控制方法,其特征在于,包括:
获取评估参数,所述评估参数包括机房类型和第一参数,其中,所述第一参数包括机房环境温湿度颗粒度、机房能耗颗粒度、空调可控参数、机房的告警温度阈值和预估节能收益中至少一种参数;
根据所述评估参数对机房模型库中每个算法模型的权重进行取值,获得评估权重;
根据所述评估权重对机房模型库中每个算法模型的适用性权值进行计算;
选取最大值的适用性权值对应的算法模型作为最终匹配模型;
获取机房数据,其中,所述机房数据包括运行数据和资产数据;
将所述机房数据输入所述最终匹配模型,输出相应的机房节能策略。
2.根据权利要求1所述的机房空调自适应节能控制方法,其特征在于,所述方法还包括:
对所述机房数据进行数据处理,形成待训练样本集;
根据所述待训练样本集对预设算法模型进行训练,生成训练完成的算法模型;
对所述算法模型进行参数调节,获得调优后的目标算法模型;
将所述目标算法模型更新至机房模型库中。
3.根据权利要求1所述的机房空调自适应节能控制方法,其特征在于,所述选取最大值的适用性权值对应的算法模型作为最终匹配模型,包括:
将多个算法模型的适用性权值进行排序,获得最大值的适用性权值;
将最大值的适用性权值对应的算法模型作为最终匹配模型。
4.根据权利要求1所述的机房空调自适应节能控制方法,其特征在于,所述机房类型对算法模型的评估权重取值为0或1。
6.一种机房空调自适应节能控制装置,其特征在于,包括:
第一获取模块,用于获取评估参数,所述评估参数包括机房类型和第一参数,其中,所述第一参数包括机房环境温湿度颗粒度、机房能耗颗粒度、空调可控参数、机房的告警温度阈值和预估节能收益中至少一种参数;
取值模块,用于根据所述评估参数对机房模型库中每个算法模型的权重进行取值,获得评估权重;
计算模块,用于根据所述评估权重对机房模型库中每个算法模型的适用性权值进行计算;
选取模块,用于选取最大值的适用性权值对应的算法模型作为最终匹配模型;
第二获取模块,用于获取机房数据,其中,所述机房数据包括运行数据和资产数据;
策略模块,用于将所述机房数据输入所述最终匹配模型,输出相应的机房节能策略。
7.根据权利要求6所述的机房空调自适应节能控制装置,其特征在于,所述装置还包括:
数据处理模块,用于对所述机房数据进行数据处理,形成待训练样本集;
训练模块,用于根据所述待训练样本集对预设算法模型进行训练,生成训练完成的算法模型;
调优模块,用于对所述算法模型进行参数调节,获得调优后的目标算法模型;
更新模块,用于将所述目标算法模型更新至机房模型库中。
8.根据权利要求6所述的机房空调自适应节能控制装置,其特征在于,所述选取模块包括:
排序模块,用于将多个算法模型的适用性权值进行排序,获得最大值的适用性权值;
匹配模块,将最大值的适用性权值对应的算法模型作为最终匹配模型。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储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1~5中任意一项所述机房空调自适应节能控制方法。
10.一种计算机可读存储介质,其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执行时实现权利要求1~5中任意一项所述的机房空调自适应节能控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210433974.3A CN114679899B (zh) | 2022-04-24 | 2022-04-24 | 机房空调自适应节能控制方法及装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210433974.3A CN114679899B (zh) | 2022-04-24 | 2022-04-24 | 机房空调自适应节能控制方法及装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114679899A true CN114679899A (zh) | 2022-06-28 |
CN114679899B CN114679899B (zh) | 2024-01-02 |
Family
ID=82079371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210433974.3A Active CN114679899B (zh) | 2022-04-24 | 2022-04-24 | 机房空调自适应节能控制方法及装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114679899B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117992775A (zh) * | 2024-04-07 | 2024-05-07 | 武昌首义学院 | 一种卫星情报与训练数据能效管理与优化方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104456852A (zh) * | 2014-12-04 | 2015-03-25 | 广州市设计院 | 集中空调制冷机房运行的监测评价系统及监测评价方法 |
CN105959975A (zh) * | 2016-06-22 | 2016-09-21 | 湖南大学 | 一种大规模基站节能工程节能量自动评估方法 |
CN109405195A (zh) * | 2018-10-31 | 2019-03-01 | 四川长虹电器股份有限公司 | 空调智能控制系统及方法 |
CN110285532A (zh) * | 2019-07-04 | 2019-09-27 | 中国工商银行股份有限公司 | 基于人工智能的机房空调控制方法、装置及系统 |
CN113220556A (zh) * | 2021-05-29 | 2021-08-06 | 北京航空航天大学 | 航空电子系统体系贡献率评估系统 |
CN113791538A (zh) * | 2021-08-06 | 2021-12-14 | 深圳清华大学研究院 | 一种机房设备的控制方法、控制设备及控制系统 |
-
2022
- 2022-04-24 CN CN202210433974.3A patent/CN114679899B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104456852A (zh) * | 2014-12-04 | 2015-03-25 | 广州市设计院 | 集中空调制冷机房运行的监测评价系统及监测评价方法 |
CN105959975A (zh) * | 2016-06-22 | 2016-09-21 | 湖南大学 | 一种大规模基站节能工程节能量自动评估方法 |
CN109405195A (zh) * | 2018-10-31 | 2019-03-01 | 四川长虹电器股份有限公司 | 空调智能控制系统及方法 |
CN110285532A (zh) * | 2019-07-04 | 2019-09-27 | 中国工商银行股份有限公司 | 基于人工智能的机房空调控制方法、装置及系统 |
CN113220556A (zh) * | 2021-05-29 | 2021-08-06 | 北京航空航天大学 | 航空电子系统体系贡献率评估系统 |
CN113791538A (zh) * | 2021-08-06 | 2021-12-14 | 深圳清华大学研究院 | 一种机房设备的控制方法、控制设备及控制系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117992775A (zh) * | 2024-04-07 | 2024-05-07 | 武昌首义学院 | 一种卫星情报与训练数据能效管理与优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114679899B (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3091537B1 (en) | Noise cancellation for voice activation | |
CN111880490A (zh) | 一种环境调节方法、装置、电子设备及存储介质 | |
WO2014124341A1 (en) | In-situ optimization of chilled water plants | |
CN106647645A (zh) | 一种家居控制调节的方法及系统 | |
WO2017145301A1 (ja) | 制御装置及び制御プログラム | |
CN115238599B (zh) | 制冷系统节能方法及模型强化学习训练方法、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 | |
CN114580688A (zh) | 水冷系统的控制模型优化方法、电子设备和存储介质 | |
US20240129567A1 (en) | Hub device, multi-device system including the hub device and plurality of devices, and operating method of the hub device and multi-device system | |
CN109446225B (zh) | 数据缓存方法、装置、计算机设备及存储介质 | |
CN111505944B (zh) | 节能控制策略学习方法、实现空调节能控制的方法及装置 | |
CN112346738A (zh) | 智能灰度发布方法、装置、电子设备及存储介质 | |
CN116839173A (zh) | 一种能耗优化方法、装置、存储介质和电子设备 | |
CN113791538B (zh) | 一种机房设备的控制方法、控制设备及控制系统 | |
CN112037785B (zh) | 智能设备的控制方法、装置、电子设备及存储介质 | |
CN113408070A (zh) | 发动机参数的确定方法、装置、设备及存储介质 | |
CA3116980A1 (en) | Provisioning and servicing mesh networks | |
WO2024016586A1 (zh) | 机房温度控制方法及装置、电子设备、存储介质 | |
CN114923266B (zh) | 用于控制中央空调系统的冷水机组的方法、设备和介质 | |
CN115200178A (zh) | 一种楼宇终端设备控制方法和装置、电子设备及存储介质 | |
CN109062396B (zh) | 用于控制设备的方法和装置 | |
CN112767937A (zh) | 多设备语音控制方法、系统、设备及可读存储介质 | |
CN111786824A (zh) | 数据中心能效比优化方法、系统、设备及可读存储介质 | |
CN114396700B (zh) | 空调器的控制方法、装置、电子设备及储存介质 | |
CN117353190B (zh) | 一种充气柜智能配电方法及系统 |
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 |