CN115167590B - 一种基于物联网终端的通信机房温湿度智能控制方法 - Google Patents

Abstract

本发明提供一种基于物联网终端的通信机房温湿度智能控制方法，属于温度控制技术领域，具体包括：基于温度监测终端、湿度监测终端得到通信机房的温度数据、通信机房的湿度数据，并基于物联网模块发送到控制终端；判断温度数据是否大于第一温度阈值或者小于第二温度阈值，若是，基于温湿度控制策略控制加湿器和空调工作；采用控制终端判断所述湿度数据是否大于第一湿度阈值，基于所述除湿控制策略控制除湿器工作；采用控制终端判断所述湿度数据是否小于第二湿度阈值，若是，则基于增湿控制策略控制加湿器工作，若否，则返回继续进行所述温度数据和湿度数据的监测，从而使得通信机房的温湿度控制更加准确高效。

Description

一种基于物联网终端的通信机房温湿度智能控制方法

技术领域

本发明属于温度控制技术领域，具体涉及一种基于物联网终端的通信机房温湿度智能控制方法。

背景技术

目前，随着信息技术的蓬勃发展，机房内各IT设备的数据处理量和处理速度均有显著提高，并且伴随着新型高性能数据处理器的推广普及，导致机房内设备发热量急剧升高，且其发热相对其他设备更加集中。因此，其散热特点将有别于其他办公建筑，同时对于IT设备的正常运行而言，湿度过高有可能会影响IT设备中的电子元器件的使用寿命。

为了实现对通信机房的温湿度控制，在硕士论文《基于Atmega128单片机的机房空调温度控制系统设计》中作者周驰针对通信机房的温度环境，对其进行动态建模，可以发现机房温度具有时变性和大滞后等特点，针对控制对象的这种特点，采用变论域模糊PID与Smith预估补偿相结合的方法，Smith预估补偿器能消除控制对象大时滞环节的影响，模糊控制与PID的结合使用能绕过对象时变性的特性，但是却忽视了空调在温度调节过程中对通信机房中的湿度的影响，没有基于通信机房的面积、IT设备的功率、通信机房的温度、湿度、空调的输出风速、输出温度构建通信机房的温湿度控制策略，导致无法精准快速的实现对通信机房的温湿度的控制，而且没有根据温度、高湿度、低湿度对通信机房的IT设备的影响程度进行优先程度的划分分步骤进行控制，从而不能保证IT设备的稳定安全运行。

基于上述技术问题，需要设计一种基于物联网终端的通信机房温湿度智能控制方法。

发明内容

本发明的目的是提供一种基于物联网终端的通信机房温湿度智能控制方法。

为了解决上述技术问题，本发明第一方面提供了一种基于物联网终端的通信机房温湿度智能控制方法，包括：

S11基于温度监测终端、基于湿度监测终端对所述通信机房的温度和湿度进行实时监测，得到通信机房的温度数据、通信机房的湿度数据，并基于物联网模块，将所述温度数据和湿度数据发送到控制终端；

S12采用控制终端判断所述温度数据是否大于第一温度阈值或者小于第二温度阈值，若是，基于温湿度控制策略控制加湿器和空调工作，并当所述湿度数据大于第一湿度阈值时，则直接进入步骤S13；若否，则进入步骤S13；其中所述温湿度控制策略采用基于通信机房的面积、IT设备的功率、通信机房的温度数据、湿度数据、空调的输出风速、输出温度、加湿器的额定加湿量的输入集，利用智能算法预测得到；

S13采用控制终端判断所述湿度数据是否大于第一湿度阈值，若是，则基于通信机房的面积、IT设备的功率、湿度数据、除湿器的额定除湿量构建除湿控制策略，并基于所述除湿控制策略控制除湿器工作，若否，则进入步骤S14；

S14采用控制终端判断所述湿度数据是否小于第二湿度阈值，若是，则基于通信机房的面积、IT设备的功率、湿度数据、加湿器的额定加湿量构建增湿控制策略，并基于所述增湿控制策略控制加湿器工作，若否，则返回步骤S11继续进行所述温度数据和湿度数据的监测。

首先通过温度监测终端、湿度监测终端监测得到通信机房的温度数据和湿度数据，并通过物联网模块将得到的温度数据和湿度数据传输至控制终端，控制终端对温度数据进行判断，当温度数据大于第一温度阈值或者小于第一湿度阈值时，说明此时的温度过高或者过低，必须对温度进行控制，因此采用基于通信机房的面积、IT设备的功率、通信机房的温度数据、湿度数据、空调的输出风速、输出温度、加湿器的额定加湿量的输入集，利用智能算法预测得到温湿度控制策略，并利用温湿度控制策略对空调和加湿器进行控制，从而解决了原有的没有基于通信机房的面积、IT设备的功率、通信机房的温度、湿度、空调的输出风速、输出温度构建通信机房的温湿度控制策略，导致无法精准快速的实现对通信机房的温湿度的控制，从而使得对于通信机房的温湿度的控制变得效率更高，也使得温湿度的控制变得更加准确。通过先对温度进行判断，再对高湿度判断，再对低湿度判断，解决了原有的温度、低湿度、高湿度步骤不区分导致的处理效率问题充分考虑了温度对IT设备的影响程度大于湿度的影响程度，以及高湿度对IT设备的影响程度大于低湿度对IT设备的影响程度，从而进一步保证了IT设备的安全可靠运行。

通过基于通信机房的面积、IT设备的功率、通信机房的温度数据、湿度数据、空调的输出风速、输出温度、加湿器的额定加湿量的输入集，利用智能算法预测得到温湿度控制策略，从而充分考虑空调在温度调节过程中对湿度的影响以及通信机房自身的因素影响，从而能够准确得到温湿度的控制策略，使得温湿度的控制变得更加快速，也使得控制结果变得更加准确。

通过优先对温度判断，然后对高湿度情况判断，最后对低湿度情况判断，从而根据温度、高湿度、低湿度对IT设备的影响程度的不同进行分步骤判断，进一步从处理时效上保证了IT设备的安全可靠运行。

通过基于通信机房的面积、IT设备的功率、湿度数据、除湿器的额定除湿量构建除湿控制策略以及基于通信机房的面积、IT设备的功率、湿度数据、除湿器的额定除湿量构建除湿控制策略，使得控制策略变得更加准确，进一步保证了增湿或者除湿的效率。

进一步的技术方案在于，基于所述通信机房的面积、IT设备的功率、通信机房的温度数据构成机房温度影响因素，基于所述通信机房的面积、IT设备的功率、通信机房的湿度数据构成机房湿度影响因素。

通过机房湿度影响因素和机房湿度影响因素的确定，从而使得智能算法的输出集进一步降低，进一步提升了预测效率，也使得通信机房在温度或者湿度异常的时候可以更快的得到解决，保证了IT设备的正常可靠运行。

进一步的技术方案在于，所述机房温度影响因素的计算公式为：

其中P为IT设备的功率，P_max为IT设备的最大功率，M为通信机房的面积，单位为平方米，T为通信机房的温度数据，K₁、K₂为常数。

进一步的技术方案在于，所述机房湿度影响因素的计算公式为：

其中P为IT设备的功率，P_max为IT设备的最大功率，M为通信机房的面积，单位为平方米，S为通信机房的湿度数据，K₃、K₄为常数。

进一步的技术方案在于，基于所述空调的输出风速、空调的输出温度构建空调影响因素，所述空调的影响因素的计算公式为：

其中K₅为权值，V为所述空调的输出风速，T₂为空调的输出温度。

进一步的技术方案在于，所述温湿度控制策略确定的具体步骤为：

S21提取所述机房温度影响因素、空调的影响因素构成输入集；

S22将所述输入集传输至基于SSA-Bi-LSTM算法和基于GWO-ELM算法的预测模型得到空调的工作时间；

S23基于所述加湿器的额定加湿量、机房湿度影响因素、空调的工作时间、空调的影响因素构建湿度输入集，并将所述湿度输入集输入到基于PSO-GRU算法的湿度预测模型中得到加湿器的工作时间；

S24基于所述空调的工作时间和所述加湿器的工作时间构成温湿度控制策略。

通过首先基于SSA-Bi-LSTM算法和基于GWO-ELM算法的预测模型得到空调的工作时间，从而进一步结合了Bi-LSTM算法通过双向处理时序数据的优势以及ELM算法随机性强，不容易陷入局部最优的优点，提升了预测的精准度，并进一步采用SSA算法对Bi-LSTM算法的隐含层数量进行优化，采用GWO算法对ELM算法的隐含层权重和数量进行优化，使得预测效率和精度都得到了保障。

通过预测得到的空调的工作时间并采用基于PSO-GRU算法的湿度预测模型预测得到加湿器的工作时间，从而进一步将空调和加湿器共同组合，实现对通信机房的组合调节，并利用了GRU算法较快的收敛速度和在处理时序数据的同时也具有较小的复杂度，并采用PSO算法对GRU算法的学习率进行优化，进一步保证了收敛效率和精确度。

进一步的技术方案在于，所述第一温度阈值的计算公式为：

其中K₆、K₇为权值，u₁为根据通信机房的重要程度确定的权值，取值在0到1之间，通信机房越重要，u₁的取值越大，Z为国家标准要求的通信机房温度阈值。

进一步的技术方案在于，所述除湿控制策略确定的具体步骤为：

S31基于所述除湿器的额定除湿量、机房湿度影响因素构建除湿输入集;

S32将所述除湿输入集传输至基于PSO-GRU算法的除湿预测模型中得到除湿器的工作时间；

S33基于所述除湿器的工作时间得到所述除湿控制策略。

进一步的技术方案在于，所述增湿控制策略确定的具体步骤为：

S41基于所述加湿器的额定加湿量、机房湿度影响因素构建加湿输入集;

S42将所述加湿输入集传输至基于PSO-GRU算法的加湿预测模型中得到加湿器的工作时间；

S43基于所述加湿器的工作时间得到所述加湿控制策略。

进一步的技术方案在于，还包括告警模块，当所述温湿度控制策略中空调的工作时间或者除湿控制策略中除湿机的工作时间或者加湿控制策略中加湿机的工作时间大于第一时间阈值时，所述控制终端通过告警模块输出告警信号。

当温度调整时间过长或者湿度调整时间过长时，说明单单依靠自身的调节存在极大的难度，因此通过发出告警信号，通知运行维护人员进行保养或者进一步的维护。

另一方面，本申请实施例中提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的基于物联网终端的通信机房温湿度智能控制方法。

另一方面，本申请实施例中提供一种计算机程序产品，其特征在于，所述计算机程序产品存储有指令，所述指令在由计算机执行时，使得所述计算机实施上述的基于物联网终端的通信机房温湿度智能控制方法。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1是根据实施例1的一种基于物联网终端的通信机房温湿度智能控制方法流程图。

图2是实施例1中的温湿度控制策略确定的具体步骤的流程图。

图3是根据实施例1的除湿控制策略确定的具体步骤的流程图。

图4是根据实施例1的增湿控制策略确定的具体步骤的流程图。

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得本发明将全面和完整，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。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。

用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。

不同于常规电源，光伏发电会受光照和环境温度两个因素影响而变化，因此具有间接性和波动性；同时其控制方式及并网拓扑结构也存在较大不同。随着大型光伏电站的出现，对并网要求也日益严格，为避免因电压跌落造成的光伏脱网，要求光伏电站具有一定的低电压穿越能力。因此，光伏并网发电系统的暂态特性也与常规电源不同。变压器一般采用差动保护作为主保护。因其动作速度快，灵敏度高，所以被广泛应用。

目前，实际现场应用最多的就是变压器的纵联差动保护，它可以反映变压器各种类型的内部故障。其保护主要包括比率制动、差动速断、躲励磁涌流判别三个部分。当前主要采用二次谐波作为防止励磁涌流误动的判据。由于光伏并网发电系统下主变压器在故障时出现二次谐波含量超过设定值、衰减缓慢的情况，可能对变压器的差动保护造成影响。

目前对于在光伏发电系统下的变压器的差动保护中的二次谐波判别，主要采用对于直流故障分量的识别，从而实现对二次谐波的判别，或者采用陷波器的设计，将直流故障分量滤除，从而可以通过传统的二次谐波判别从而实现变压器的差动保护，但是采用直流故障分量的识别方法，对于不同类型和不同容量的光伏系统，其光伏故障直流分量往往不一样，因此采用上述方法有可能会存在当存在故障时，差动保护由于直流分量的判别存在问题，从而不会正常动作。采用陷波器的设计，将直流分量滤除，由于正常的励磁涌流也存在一定的直流分量，当直流分量被滤除后，会使励磁涌流的波形和幅值发生变化，会导致变压器差动保护的拒动或者误动，因此缺乏一种综合性的躲励磁涌流的判别方法，以使得变压器的差动保护能够可靠动作。

实施例1

为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种基于物联网终端的通信机房温湿度智能控制方法，包括：

S11基于温度监测终端、基于湿度监测终端对所述通信机房的温度和湿度进行实时监测，得到通信机房的温度数据、通信机房的湿度数据，并基于物联网模块，将所述温度数据和湿度数据发送到控制终端；

S12采用控制终端判断所述温度数据是否大于第一温度阈值或者小于第二温度阈值，若是，基于温湿度控制策略控制加湿器和空调工作，并当所述湿度数据大于第一湿度阈值时，则直接进入步骤S13；若否，则进入步骤S13；其中所述温湿度控制策略采用基于通信机房的面积、IT设备的功率、通信机房的温度数据、湿度数据、空调的输出风速、输出温度、加湿器的额定加湿量的输入集，利用智能算法预测得到；

S13采用控制终端判断所述湿度数据是否大于第一湿度阈值，若是，则基于通信机房的面积、IT设备的功率、湿度数据、除湿器的额定除湿量构建除湿控制策略，并基于所述除湿控制策略控制除湿器工作，若否，则进入步骤S14；

S14采用控制终端判断所述湿度数据是否小于第二湿度阈值，若是，则基于通信机房的面积、IT设备的功率、湿度数据、加湿器的额定加湿量构建增湿控制策略，并基于所述增湿控制策略控制加湿器工作，若否，则返回步骤S11继续进行所述温度数据和湿度数据的监测。

具体的举个例子，当通信机房的温度数据为40摄氏度、通信机房的湿度数据为80%，此时首先判断此时的温度数据大于第一温度阈值26摄氏度，因此需要对通信机房进行温度调节，通过采用温湿度控制策略求得空调工作时间为5小时，加湿器工作0小时，并开启空调进行温度调节，第一湿度阈值为50%,此时大于第一湿度阈值，则直接进入步骤S13，此时第一湿度阈值为50%，则通过除湿控制策略确定除湿器工作时间为3小时。

首先通过温度监测终端、湿度监测终端监测得到通信机房的温度数据和湿度数据，并通过物联网模块将得到的温度数据和湿度数据传输至控制终端，控制终端对温度数据进行判断，当温度数据大于第一温度阈值或者小于第一湿度阈值时，说明此时的温度过高或者过低，必须对温度进行控制，因此采用基于通信机房的面积、IT设备的功率、通信机房的温度数据、湿度数据、空调的输出风速、输出温度、加湿器的额定加湿量的输入集，利用智能算法预测得到温湿度控制策略，并利用温湿度控制策略对空调和加湿器进行控制，从而解决了原有的没有基于通信机房的面积、IT设备的功率、通信机房的温度、湿度、空调的输出风速、输出温度构建通信机房的温湿度控制策略，导致无法精准快速的实现对通信机房的温湿度的控制，从而使得对于通信机房的温湿度的控制变得效率更高，也使得温湿度的控制变得更加准确。通过先对温度进行判断，再对高湿度判断，再对低湿度判断，解决了原有的温度、低湿度、高湿度步骤不区分导致的处理效率问题充分考虑了温度对IT设备的影响程度大于湿度的影响程度，以及高湿度对IT设备的影响程度大于低湿度对IT设备的影响程度，从而进一步保证了IT设备的安全可靠运行。

通过基于通信机房的面积、IT设备的功率、通信机房的温度数据、湿度数据、空调的输出风速、输出温度、加湿器的额定加湿量的输入集，利用智能算法预测得到温湿度控制策略，从而充分考虑空调在温度调节过程中对湿度的影响以及通信机房自身的因素影响，从而能够准确得到温湿度的控制策略，使得温湿度的控制变得更加快速，也使得控制结果变得更加准确。

通过优先对温度判断，然后对高湿度情况判断，最后对低湿度情况判断，从而根据温度、高湿度、低湿度对IT设备的影响程度的不同进行分步骤判断，进一步从处理时效上保证了IT设备的安全可靠运行。

通过基于通信机房的面积、IT设备的功率、湿度数据、除湿器的额定除湿量构建除湿控制策略以及基于通信机房的面积、IT设备的功率、湿度数据、除湿器的额定除湿量构建除湿控制策略，使得控制策略变得更加准确，进一步保证了增湿或者除湿的效率。

在另外一种可能的实施例中，基于所述通信机房的面积、IT设备的功率、通信机房的温度数据构成机房温度影响因素，基于所述通信机房的面积、IT设备的功率、通信机房的湿度数据构成机房湿度影响因素。

通过机房湿度影响因素和机房湿度影响因素的确定，从而使得智能算法的输出集进一步降低，进一步提升了预测效率，也使得通信机房在温度或者湿度异常的时候可以更快的得到解决，保证了IT设备的正常可靠运行。

在另外一种可能的实施例中，所述机房温度影响因素的计算公式为：

其中P为IT设备的功率，P_max为IT设备的最大功率，M为通信机房的面积，单位为平方米，T为通信机房的温度数据，K₁、K₂为常数。

在另外一种可能的实施例中，所述机房湿度影响因素的计算公式为：

其中P为IT设备的功率，P_max为IT设备的最大功率，M为通信机房的面积，单位为平方米，S为通信机房的湿度数据，K₃、K₄为常数。

在另外一种可能的实施例中，基于所述空调的输出风速、空调的输出温度构建空调影响因素，所述空调的影响因素的计算公式为：

其中K₅为权值，V为所述空调的输出风速，T₂为空调的输出温度。

在另外一种可能的实施例中，如图2所示，所述温湿度控制策略确定的具体步骤为：

S21提取所述机房温度影响因素、空调的影响因素构成输入集；

S22将所述输入集传输至基于SSA-Bi-LSTM算法和基于GWO-ELM算法的预测模型得到空调的工作时间；

S23基于所述加湿器的额定加湿量、机房湿度影响因素、空调的工作时间、空调的影响因素构建湿度输入集，并将所述湿度输入集输入到基于PSO-GRU算法的湿度预测模型中得到加湿器的工作时间；

S24基于所述空调的工作时间和所述加湿器的工作时间构成温湿度控制策略。

通过首先基于SSA-Bi-LSTM算法和基于GWO-ELM算法的预测模型得到空调的工作时间，从而进一步结合了Bi-LSTM算法通过双向处理时序数据的优势以及ELM算法随机性强，不容易陷入局部最优的优点，提升了预测的精准度，并进一步采用SSA算法对Bi-LSTM算法的隐含层数量进行优化，采用GWO算法对ELM算法的隐含层权重和数量进行优化，使得预测效率和精度都得到了保障。

具体举个例子，所述PSO算法为改进型PSO算法，GWO算法为改进型GWO算法。

通过预测得到的空调的工作时间并采用基于PSO-GRU算法的湿度预测模型预测得到加湿器的工作时间，从而进一步将空调和加湿器共同组合，实现对通信机房的组合调节，并利用了GRU算法较快的收敛速度和在处理时序数据的同时也具有较小的复杂度，并采用PSO算法对GRU算法的学习率进行优化，进一步保证了收敛效率和精确度。

在另外一种可能的实施例中，所述第一温度阈值的计算公式为：

其中K₆、K₇为权值，u₁为根据通信机房的重要程度确定的权值，取值在0到1之间，通信机房越重要，u₁的取值越大，Z为国家标准要求的通信机房温度阈值。

在另外一种可能的实施例中，如图3所示，所述除湿控制策略确定的具体步骤为：

S31基于所述除湿器的额定除湿量、机房湿度影响因素构建除湿输入集;

S32将所述除湿输入集传输至基于PSO-GRU算法的除湿预测模型中得到除湿器的工作时间；

S33基于所述除湿器的工作时间得到所述除湿控制策略。

在另外一种可能的实施例中，如图4所示，所述增湿控制策略确定的具体步骤为：

S41基于所述加湿器的额定加湿量、机房湿度影响因素构建加湿输入集;

S42将所述加湿输入集传输至基于PSO-GRU算法的加湿预测模型中得到加湿器的工作时间；

S43基于所述加湿器的工作时间得到所述加湿控制策略。

在另外一种可能的实施例中，还包括告警模块，当所述温湿度控制策略中空调的工作时间或者除湿控制策略中除湿机的工作时间或者加湿控制策略中加湿机的工作时间大于第一时间阈值时，所述控制终端通过告警模块输出告警信号。

当温度调整时间过长或者湿度调整时间过长时，说明单单依靠自身的调节存在极大的难度，因此通过发出告警信号，通知运行维护人员进行保养或者进一步的维护。

实施例2

本申请实施例中提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的基于物联网终端的通信机房温湿度智能控制方法。

实施例3

本申请实施例中提供一种计算机程序产品，其特征在于，所述计算机程序产品存储有指令，所述指令在由计算机执行时，使得所述计算机实施上述的基于物联网终端的通信机房温湿度智能控制方法。

在本发明实施例中，术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可折卸连接，或一体地连接。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。

本发明实施例的描述中，需要理解的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明实施例的限制。

在本说明书的描述中，术语“一个实施例”、“一个优选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上仅为本发明实施例的优选实施例而已，并不用于限制本发明实施例，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (8)

1.一种基于物联网终端的通信机房温湿度智能控制方法，包括：

S11基于温度监测终端、基于湿度监测终端对所述通信机房的温度和湿度进行实时监测，得到通信机房的温度数据、通信机房的湿度数据，并基于物联网模块，将所述温度数据和湿度数据发送到控制终端；

S12采用控制终端判断所述温度数据是否大于第一温度阈值或者小于第二温度阈值，若是，基于温湿度控制策略控制加湿器和空调工作，并当所述湿度数据大于第一湿度阈值时进入步骤S13；若否，则进入步骤S14；其中所述温湿度控制策略采用基于通信机房的面积、IT设备的功率、通信机房的温度数据、湿度数据、空调的输出风速、输出温度、加湿器的额定加湿量的输入集，利用智能算法预测得到；

基于所述空调的输出风速、空调的输出温度构建空调影响因素，所述空调的影响因素的计算公式为：

Y₃＝K₅(V+ln(1+V))T₂

其中K₅为权值，V为所述空调的输出风速，T₂为空调的输出温度；

所述温湿度控制策略确定的具体步骤为：

S21提取机房温度影响因素、空调的影响因素构成输入集；

S22将所述输入集传输至基于SSA-Bi-LSTM算法和基于GWO-ELM算法的预测模型得到空调的工作时间；

S23基于所述加湿器的额定加湿量、机房湿度影响因素、空调的工作时间、空调的影响因素构建湿度输入集，并将所述湿度输入集输入到基于PSO-GRU算法的湿度预测模型中得到加湿器的工作时间；

S24基于所述空调的工作时间和所述加湿器的工作时间构成温湿度控制策略；

S13采用控制终端判断所述湿度数据是否大于第一湿度阈值，若是，则基于通信机房的面积、IT设备的功率、湿度数据、除湿器的额定除湿量构建除湿控制策略，并基于所述除湿控制策略控制除湿器工作，若否，则进入步骤S14；

S14采用控制终端判断所述湿度数据是否小于第二湿度阈值，若是，则基于通信机房的面积、IT设备的功率、湿度数据、加湿器的额定加湿量构建增湿控制策略，并基于所述增湿控制策略控制加湿器工作，若否，则返回步骤S11继续进行所述温度数据和湿度数据的监测。

2.如权利要求1所述的基于物联网终端的通信机房温湿度智能控制方法，其特征在于，基于所述通信机房的面积、IT设备的功率、通信机房的温度数据构成机房温度影响因素，基于所述通信机房的面积、IT设备的功率、通信机房的湿度数据构成机房湿度影响因素。

3.如权利要求2所述的基于物联网终端的通信机房温湿度智能控制方法，其特征在于，所述机房温度影响因素的计算公式为：

其中P为IT设备的功率，P_max为IT设备的最大功率，M为通信机房的面积，单位为平方米，T为通信机房的温度数据，K₁、K₂为常数。

4.如权利要求3所述的基于物联网终端的通信机房温湿度智能控制方法，其特征在于，所述机房湿度影响因素的计算公式为：

其中P为IT设备的功率，P_max为IT设备的最大功率，M为通信机房的面积，单位为平方米，S为通信机房的湿度数据，K₃、K₄为常数。

5.如权利要求1所述的基于物联网终端的通信机房温湿度智能控制方法，其特征在于，所述第一温度阈值的计算公式为：

其中K₆、K₇为权值，u₁为根据通信机房的重要程度确定的权值，取值在0到1之间，通信机房越重要，u₁的取值越大，Z为国家标准要求的通信机房温度阈值。

6.如权利要求1所述的基于物联网终端的通信机房温湿度智能控制方法，其特征在于，所述除湿控制策略确定的具体步骤为：

S31基于所述除湿器的额定除湿量、机房湿度影响因素构建除湿输入集；

S32将所述除湿输入集传输至基于PSO-GRU算法的除湿预测模型中得到除湿器的工作时间；

S33基于所述除湿器的工作时间得到所述除湿控制策略。

7.如权利要求1所述的基于物联网终端的通信机房温湿度智能控制方法，其特征在于，所述增湿控制策略确定的具体步骤为：

S41基于所述加湿器的额定加湿量、机房湿度影响因素构建加湿输入集；

S42将所述加湿输入集传输至基于PSO-GRU算法的加湿预测模型中得到加湿器的工作时间；

S43基于所述加湿器的工作时间得到所述增湿控制策略。

8.如权利要求1所述的基于物联网终端的通信机房温湿度智能控制方法，其特征在于，还包括告警模块，当所述温湿度控制策略中空调的工作时间或者除湿控制策略中除湿机的工作时间或者增湿控制策略中加湿机的工作时间大于第一时间阈值时，所述控制终端通过告警模块输出告警信号。

Images