CN115167641B - 一种惯性自适应温控方法及系统 - Google Patents

一种惯性自适应温控方法及系统 Download PDF

Info

Publication number
CN115167641B
CN115167641B CN202210803640.0A CN202210803640A CN115167641B CN 115167641 B CN115167641 B CN 115167641B CN 202210803640 A CN202210803640 A CN 202210803640A CN 115167641 B CN115167641 B CN 115167641B
Authority
CN
China
Prior art keywords
cloud computing
computing server
temperature
model
server
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
Application number
CN202210803640.0A
Other languages
English (en)
Other versions
CN115167641A (zh
Inventor
陈奇志
张建波
钟晓宏
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.)
Kaide Technology Changsha Co ltd
Original Assignee
Kaide Technology Changsha Co 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 Kaide Technology Changsha Co ltd filed Critical Kaide Technology Changsha Co ltd
Priority to CN202210803640.0A priority Critical patent/CN115167641B/zh
Publication of CN115167641A publication Critical patent/CN115167641A/zh
Application granted granted Critical
Publication of CN115167641B publication Critical patent/CN115167641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/20—Cooling means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及自适应温控的技术领域，揭露了一种惯性自适应温控方法及系统，所述方法包括：构建云计算服务器温度感知模型；利用两阶段鲁棒优化算法对构建的云计算服务器温度感知模型进行优化训练；将实时的云计算服务器温度感知指标数据输入到优化后的云计算服务器温度感知模型中；构建云计算服务器温度调节模型；优化云计算机服务器温度调节模型，将云计算服务器实时温度以及调节目标输入到优化后的云计算机服务器温度调节模型中，模型输出当前云计算服务器的温度调节控制参数。本发明所述方法训练得到在随机误差以及不确定变量因素条件下，也能实现较准确温度感知以及温度调节的模型参数，增强模型的鲁棒性。

Description

一种惯性自适应温控方法及系统
技术领域
本发明涉及自适应温控的技术领域，尤其涉及一种惯性自适应温控方法及系统。
背景技术
随着大数据，云计算技术的不断发展，对数据中心的降温要求越来越高。云计算服务器在执行不同计算任务时，所产生的热量也发生变化，传统数据中心可以通过监测数据中心整体室内温度来对温度进行调控，但是由于室内温度的惯性特征，数据中心的室内温度要滞后于云计算服务器的实际温度，若长期处于高温运作下，会对服务器的运行寿命产生重要影响，针对该问题，本专利提出一种惯性自适应温控方法实现数据中心温控智能化程度。
发明内容
有鉴于此，本发明提供一种惯性自适应温控方法，目的在于(1)在考虑到云计算服务器温度测量的随机误差以及不确定变量因素的情况下，构建云计算服务器温度感知模型，并利用两阶段鲁棒优化算法对构建的云计算服务器温度感知模型进行优化训练，得到能够在随机误差以及不确定变量因素条件下，实现较准确温度感知的模型参数，所训练得到的参数具有较高鲁棒性；(2)构建得到云计算服务器温度调节模型，利用神经网络模型计算得到云计算服务器的温度调节控制参数，并在考虑数据中心稳定性的情况下，对温度调节控制参数进行抗干扰的鲁棒优化处理，避免调节参数后导致数据中心用电负载过大，且通过整合整个数据中心所有云计算服务器的温度调节控制参数，选择控制粒度最大的参数作为当前数据中心温度调节控制参数，使得所有云计算服务器均能得到降温处理。
实现上述目的，本发明提供的一种惯性自适应温控方法，包括以下步骤：
S1：构建云计算服务器温度感知模型，所述云计算服务器温度感知模型的输入为云计算服务器主机配置信息、运行状态信息和风扇音量信号信息，输出为云计算服务器实际温度；
S2：采集云计算服务器温度感知模型输入指标数据及服务器实际温度作为训练数据集合，利用两阶段鲁棒优化算法对构建的云计算服务器温度感知模型进行优化训练，得到优化后的云计算服务器温度感知模型；
S3：获取实时的云计算服务器温度感知指标数据，将云计算服务器温度感知指标数据输入到优化后的云计算服务器温度感知模型中，模型输出云计算服务器的实时温度，所述云计算服务器温度感知指标数据包括云计算服务器主机配置信息、运行状态信息和风扇音量信号信息；
S4：构建云计算服务器温度调节模型，所述云计算服务器温度调节模型的输入为云计算服务器实时温度、预期温度、转换时间，输出为温度调节控制参数；
S5：采集服务器温度调节参数数据作为训练数据优化云计算机服务器温度调节模型，将步骤S3得到的云计算服务器实时温度以及调节目标输入到优化后的云计算机服务器温度调节模型中，模型输出当前云计算服务器的温度调节控制参数；整合整个数据中心所有云计算服务器的温度调节控制参数，选择控制粒度最大的参数作为当前数据中心温度调节控制参数，其中所述调节目标包括预期温度以及转换时间。
作为本发明的进一步改进方法：
可选地，所述S1步骤中构建云计算服务器温度感知模型，包括：
构建云计算服务器温度感知模型，其中所述云计算服务器温度感知模型的输入为云计算服务器主机配置信息、运行状态信息和风扇音量信号信息，输出为云计算服务器实际温度，所述云计算服务器温度感知模型为：
W＝a1 Tx1+a2 Tx2
Figure GDA0004194634610000021
其中：
T表示转置；
W为输出的云计算服务器实际温度；
a1，a2为常数列向量，x1为服务器运行状态以及主机配置列向量，x2为风扇音量信号列向量，a1，a2为模型中待训练优化的参数；
Cpu为云计算服务器的CPU使用率，Memory为云计算服务器的内存使用率，RS为云计算服务器的风扇转速，switch为云计算服务器的运行状态，switch＝{0，1，2}，其中switch＝0表示云计算服务器处于关闭状态，switch＝1表示云计算服务器处于不工作的休眠状态，switch＝2表示云计算服务器处于工作状态。
可选地，所述S2步骤中采集云计算服务器温度感知指标数据及服务器实际温度作为训练数据集合，包括：
采集云计算服务器温度感知指标数据以及服务器实际温度作为训练数据集data，所述训练数据集data的格式为：
data＝{datak＝(x1，k，x2，k，Wk)|k∈[1，K]}
其中：
datak为训练数据集data中的第k组训练数据，K为训练数据的总组数；
x1，k表示datak中的服务器运行状态以及主机配置列向量，x2，k表示datak中的风扇音量信号列向量，Wk表示datak中云计算服务器的实际温度；
服务器主机配置信息、运行状态信息的获取方式为：在云计算服务器中安装监控程序，若云计算服务器处于关闭状态，则不启动监控程序，并将switch设置为0，服务器主机配置信息以及运行状态信息均设置为0，若云计算服务器处于开启状态，则启动监控程序，监控程序检测云计算服务器的CPU使用率、内存使用率以及风扇转速，并监控云计算服务器是否处于工作状态，若云计算服务器处于工作状态，则将switch设置为2，否则将switch设置为1；基于所获取的服务器主机配置信息、运行状态信息构建得到服务器运行状态以及主机配置列向量；
风扇音量信号信息的获取流程为：
在云计算服务器风扇附近部署音量传感器，利用音量传感器采集云计算服务器的风扇音量信号数据u(t)，其中t表示时序信息；
固定尺度因子a和位移因子b，利用小波函数ω(t)对风扇音量信号数据u(t)进行小波分解处理，将小波分解结果qa，b(t)作为风扇音量信号信息，将风扇音量信号信息转换为列向量得到风扇音量信号列向量，所述小波分解结果qa，b(t)为：
Figure GDA0004194634610000022
其中：
b表示位移因子，a表示尺度因子，在本发明实施例中，所选取的小波函数ω(t)为Haar小波函数。
可选地，所述S2步骤中利用两阶段鲁棒优化算法对构建的云计算服务器温度感知模型进行优化训练，包括：
基于训练数据集data，利用两阶段鲁棒优化算法对构建的云计算服务器温度感知模型进行优化训练，得到优化训练后的常数列向量
Figure GDA0004194634610000031
将/>
Figure GDA0004194634610000032
以及/>
Figure GDA0004194634610000033
作为云计算服务器温度感知模型中的常数列向量，得到优化后的云计算服务器温度感知模型；
所述两阶段鲁棒优化算法的优化流程为：
S21：将云计算服务器温度感知模型转换为两阶段模型，其中阶段1为基于服务器运行状态以及主机配置的温度感知，阶段2为基于风扇音量信号的温度感知；
S22：设置鲁棒优化算法的当前迭代次数为m，m的初始值为0，算法的最大迭代次数为Max；
S23：分别构建阶段1和阶段2的鲁棒优化目标函数：
Figure GDA0004194634610000034
Figure GDA0004194634610000035
其中：
Figure GDA0004194634610000036
为第m次迭代的常数列向量；
η为0～10之间的随机数；
ξ为不确定变量，Ω为不确定变量集合；
Figure GDA0004194634610000037
为阶段1的目标函数，/>
Figure GDA0004194634610000038
为阶段2的目标函数；
S24：计算目标函数
Figure GDA0004194634610000039
中/>
Figure GDA00041946346100000310
中最大值与最小值的差值，若该差值小于阈值ε或m大于等于Max，则终止阶段1的鲁棒优化算法迭代，将/>
Figure GDA00041946346100000311
作为优化训练后的常数列向量/>
Figure GDA00041946346100000312
并开始阶段2的鲁棒优化算法迭代；若差值大于等于阈值ε，则对/>
Figure GDA00041946346100000313
进行参数迭代，并令m＝m+1，重复步骤S24，所述参数迭代公式为：
Figure GDA00041946346100000314
S25：当得到优化训练后的常数列向量
Figure GDA00041946346100000315
后，调整阶段2的鲁棒优化目标函数，调整后的鲁棒优化目标函数为：
Figure GDA00041946346100000316
对阶段2的鲁棒优化目标函数进行求解，得到优化训练后的常数列向量
Figure GDA00041946346100000317
将
Figure GDA00041946346100000318
以及/>
Figure GDA00041946346100000319
作为云计算服务器温度感知模型中的常数列向量，得到优化后的云计算服务器温度感知模型。
可选地，所述S3步骤中获取实时的云计算服务器温度感知指标数据，将云计算服务器温度感知指标数据输入到优化后的云计算服务器温度感知模型中，模型输出云计算服务器的实时温度，包括：
获取实时的云计算服务器温度感知指标数据，所述云计算服务器温度感知指标数据包括云计算服务器主机配置信息、运行状态信息和风扇音量信号信息；
将所获取的云计算服务器温度感知指标数据输入到优化后的云计算服务器温度感知模型中，模型输出云计算服务器的实时温度。
可选地，所述S4步骤中构建云计算服务器温度调节模型，包括：
构建云计算服务器温度调节模型，所述云计算服务器温度调节模型的输入为云计算服务器实时温度、预期温度、转换时间，输出为温度调节控制参数；
所述云计算服务器温度调节模型结构为神经网络模型，包括输入层、卷积层以及全连接层；
输入层的输入值为(W′，W″，time)，其中W′表示云计算服务器实时温度，W″表示云计算服务器预期温度，time表示将云计算服务器温度从W′调整到W″的转换时间，输入层将输入值转换为向量形式g＝[W′，W″，time]，并将向量g输入到卷积层中；
卷积层对向量g进行卷积处理，所述卷积处理的公式为f＝Conv(ωg+z)，将卷积处理结果f输入到全连接层中，其中f为卷积处理后得到的特征图，Conv(·)为卷积处理的公式，ω表示卷积层的权重，z表示卷积层的偏置量；
全连接层包括softmax函数以及鲁棒优化函数，softmax函数接收特征图f并输出温度调节参数σ，鲁棒优化函数对温度调节参数σ进行鲁棒优化处理，将鲁棒优化后的温度调节参数σ*作为模型输出，所述鲁棒优化处理的公式为：
Figure GDA0004194634610000041
其中：
C-1表示数据中心稳定性矩阵的逆，所述数据中心稳定性矩阵包括数据中心的用电量，云计算服务器数量以及数据中心的用电电压；
Figure GDA0004194634610000042
表示系统噪声。
可选地，所述S5步骤中采集服务器温度调节参数数据作为训练数据优化云计算机服务器温度调节模型，包括：
采集服务器温度调节参数数据作为云计算服务器温度调节模型的训练数据集A，所述训练数据集A中的服务器温度调节参数数据格式为：
A＝{Ah＝(W′h，W″h，timeh，σh)|h∈[1，H]}
其中：
Ah为训练数据集A中第h条服务器温度调节参数数据，H为训练数据集A中数据的总数；
基于训练数据集A对云计算服务器温度调节模型进行参数优化，其中待优化参数θ为卷积层的权重以及偏置量θ＝(ω，z)，所述参数优化流程为：
S51：构建云计算服务器温度调节模型参数优化的目标函数：
Figure GDA0004194634610000043
其中：
θn为第n次参数优化迭代后的模型参数，n的初始值为0；
Figure GDA0004194634610000044
为将第h组数据(W′h，W″h，timeh)输入到基于模型参数θn的模型中，模型输出的鲁棒优化后的温度调节参数；
S52：按照下式对待优化参数θn进行优化迭代：
Figure GDA0004194634610000045
Figure GDA0004194634610000046
其中：
α为学习率，将其设置为0.6；
β为超参数，将其设置为0.2；
Loss(θ)为参数θ的训练目标函数；
sy(k)为第k次迭代的状态参数；
重复步骤S52，直到云计算服务器温度调节模型的待优化参数达到稳定，并将稳定参数θ*作为云计算服务器温度调节模型的参数，得到优化后的云计算机服务器温度调节模型。
可选地，所述S5步骤中将步骤S3得到的云计算服务器实时温度以及调节目标输入到优化后的云计算机服务器温度调节模型中，模型输出当前云计算服务器的温度调节控制参数，并整合整个数据中心所有云计算服务器的温度调节控制参数，包括：
将步骤S3得到的云计算服务器实时温度以及调节目标输入到优化后的云计算机服务器温度调节模型中，模型输出当前云计算服务器的温度调节控制参数，并整合整个数据中心所有云计算服务器的温度调节控制参数，选择控制粒度最大的温度调节控制参数作为当前数据中心温度调节控制参数，其中所述调节目标包括预期温度以及转换时间，所述控制粒度最大的温度调节控制参数即为调整范围最大的温度调节控制参数。
为了解决上述问题，本发明还提供一种惯性自适应温控系统，其特征在于，所述系统包括：
服务器温度感知模块，用于构建云计算服务器温度感知模型，采集云计算服务器温度感知模型输入指标数据及服务器实际温度作为训练数据集合，利用两阶段鲁棒优化算法对构建的云计算服务器温度感知模型进行优化训练，得到优化后的云计算服务器温度感知模型；
数据获取模块，用于获取实时的云计算服务器温度感知指标数据，将云计算服务器温度感知指标数据输入到优化后的云计算服务器温度感知模型中，模型输出云计算服务器的实时温度；
温度调节装置，用于构建云计算服务器温度调节模型，采集服务器温度调节参数数据作为训练数据优化云计算机服务器温度调节模型，将云计算服务器实时温度以及调节目标输入到优化后的云计算机服务器温度调节模型中，模型输出当前云计算服务器的温度调节控制参数。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的惯性自适应温控方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的惯性自适应温控方法。
相对于现有技术，本发明提出一种惯性自适应温控方法，该技术具有以下优势：
首先，本方案提出一种温度感知模型的鲁棒优化训练方法，通过利用两阶段鲁棒优化算法对构建的云计算服务器温度感知模型进行优化训练，增强模型参数的鲁棒性，所述优化训练流程为：基于训练数据集data，利用两阶段鲁棒优化算法对构建的云计算服务器温度感知模型进行优化训练，得到优化训练后的常数列向量
Figure GDA0004194634610000051
将/>
Figure GDA0004194634610000052
以及/>
Figure GDA0004194634610000053
作为云计算服务器温度感知模型中的常数列向量，得到优化后的云计算服务器温度感知模型；所述两阶段鲁棒优化算法的优化流程为：将云计算服务器温度感知模型转换为两阶段模型，其中阶段1为基于服务器运行状态以及主机配置的温度感知，阶段2为基于风扇音量信号的温度感知；设置鲁棒优化算法的当前迭代次数为m，m的初始值为0，算法的最大迭代次数为Max；分别构建阶段1和阶段2的鲁棒优化目标函数：
Figure GDA0004194634610000054
Figure GDA0004194634610000055
其中：
Figure GDA0004194634610000056
为第m次迭代的常数列向量；η为0～10之间的随机数；ξ为不确定变量，Ω为不确定变量集合；/>
Figure GDA0004194634610000057
为阶段1的目标函数，/>
Figure GDA0004194634610000058
为阶段2的目标函数；计算目标函数/>
Figure GDA0004194634610000059
中/>
Figure GDA00041946346100000510
中最大值与最小值的差值，若该差值小于阈值ε或m大于等于Max，则终止阶段1的鲁棒优化算法迭代，将/>
Figure GDA00041946346100000511
作为优化训练后的常数列向量/>
Figure GDA00041946346100000512
并开始阶段2的鲁棒优化算法迭代；若差值大于等于阈值ε，则对/>
Figure GDA0004194634610000061
进行参数迭代，并令m＝m+1，重复该步骤，所述参数迭代公式为：
Figure GDA0004194634610000062
当得到优化训练后的常数列向量
Figure GDA0004194634610000063
后，调整阶段2的鲁棒优化目标函数，调整后的鲁棒优化目标函数为：
Figure GDA0004194634610000064
对阶段2的鲁棒优化目标函数进行求解，得到优化训练后的常数列向量
Figure GDA0004194634610000065
将/>
Figure GDA0004194634610000066
以及/>
Figure GDA0004194634610000067
作为云计算服务器温度感知模型中的常数列向量，得到优化后的云计算服务器温度感知模型，相较于传统方案，本方案在考虑到云计算服务器温度测量的随机误差以及不确定变量因素的情况下，构建云计算服务器温度感知模型，并利用两阶段鲁棒优化算法对构建的云计算服务器温度感知模型进行优化训练，得到能够在随机误差以及不确定变量因素条件下，实现较准确温度感知的模型参数，所训练得到的参数具有较高鲁棒性。
同时，本方案提出一种云计算服务器温度调节模型，所述云计算服务器温度调节模型的输入为云计算服务器实时温度、预期温度、转换时间，输出为温度调节控制参数；所述云计算服务器温度调节模型结构为神经网络模型，包括输入层、卷积层以及全连接层；输入层的输入值为(W′，W″，time)，其中W′表示云计算服务器实时温度，W″表示云计算服务器预期温度，time表示将云计算服务器温度从W′调整到W″的转换时间，输入层将输入值转换为向量形式g＝[W′，W″，time]，并将向量g输入到卷积层中；卷积层对向量g进行卷积处理，所述卷积处理的公式为f＝Conv(ωg+z)，将卷积处理结果f输入到全连接层中，其中f为卷积处理后得到的特征图，Conv(·)为卷积处理的公式，ω表示卷积层的权重，z表示卷积层的偏置量；全连接层包括softmax函数以及鲁棒优化函数，softmax函数接收特征图f并输出温度调节参数σ，鲁棒优化函数对温度调节参数σ进行鲁棒优化处理，将鲁棒优化后的温度调节参数σ*作为模型输出，所述鲁棒优化处理的公式为：
Figure GDA0004194634610000068
其中：C-1表示数据中心稳定性矩阵的逆，所述数据中心稳定性矩阵包括数据中心的用电量，云计算服务器数量以及数据中心的用电电压；
Figure GDA0004194634610000069
表示系统噪声。本方案通过构建得到云计算服务器温度调节模型，利用神经网络模型计算得到云计算服务器的温度调节控制参数，并在考虑数据中心稳定性的情况下，对温度调节控制参数进行抗干扰的鲁棒优化处理，避免调节参数后导致数据中心用电负载过大，且通过整合整个数据中心所有云计算服务器的温度调节控制参数，选择控制粒度最大的参数作为当前数据中心温度调节控制参数，使得所有云计算服务器均能得到降温处理。
附图说明
图1为本发明一实施例提供的一种惯性自适应温控方法的流程示意图；
图2为本发明一实施例提供的惯性自适应温控系统的功能模块图；
图3为本发明一实施例提供的实现惯性自适应温控方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种惯性自适应温控方法。所述惯性自适应温控方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述惯性自适应温控方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：构建云计算服务器温度感知模型，所述云计算服务器温度感知模型的输入为云计算服务器主机配置信息、运行状态信息和风扇音量信号信息，输出为云计算服务器实际温度。
所述S1步骤中构建云计算服务器温度感知模型，包括：
构建云计算服务器温度感知模型，其中所述云计算服务器温度感知模型的输入为云计算服务器主机配置信息、运行状态信息和风扇音量信号信息，输出为云计算服务器实际温度，所述云计算服务器温度感知模型为：
W＝a1 Tx1+a2 Tx2
Figure GDA0004194634610000071
其中：
T表示转置；
W为输出的云计算服务器实际温度；
a1，a2为常数列向量，x1为服务器运行状态以及主机配置列向量，x2为风扇音量信号列向量，a1，a2为模型中待训练优化的参数；
Cpu为云计算服务器的CPU使用率，Memory为云计算服务器的内存使用率，RS为云计算服务器的风扇转速，switch为云计算服务器的运行状态，switch＝{0，1，2}，其中switch＝0表示云计算服务器处于关闭状态，switch＝1表示云计算服务器处于不工作的休眠状态，switch＝2表示云计算服务器处于工作状态。
S2：采集云计算服务器温度感知模型输入指标数据及服务器实际温度作为训练数据集合，利用两阶段鲁棒优化算法对构建的云计算服务器温度感知模型进行优化训练，得到优化后的云计算服务器温度感知模型。
所述S2步骤中采集云计算服务器温度感知指标数据及服务器实际温度作为训练数据集合，包括：
采集云计算服务器温度感知指标数据以及服务器实际温度作为训练数据集data，所述训练数据集data的格式为：
data＝{datak＝(x1，k，x2，k，Wk)|k∈[1，K]}
其中：
datak为训练数据集data中的第k组训练数据，K为训练数据的总组数；
x1，k表示datak中的服务器运行状态以及主机配置列向量，x2，k表示datak中的风扇音量信号列向量，Wk表示datak中云计算服务器的实际温度；
服务器主机配置信息、运行状态信息的获取方式为：在云计算服务器中安装监控程序，若云计算服务器处于关闭状态，则不启动监控程序，并将switch设置为0，服务器主机配置信息以及运行状态信息均设置为0，若云计算服务器处于开启状态，则启动监控程序，监控程序检测云计算服务器的CPU使用率、内存使用率以及风扇转速，并监控云计算服务器是否处于工作状态，若云计算服务器处于工作状态，则将switch设置为2，否则将switch设置为1；基于所获取的服务器主机配置信息、运行状态信息构建得到服务器运行状态以及主机配置列向量；
风扇音量信号信息的获取流程为：
在云计算服务器风扇附近部署音量传感器，利用音量传感器采集云计算服务器的风扇音量信号数据u(t)，其中t表示时序信息；
固定尺度因子a和位移因子b，利用小波函数ω(t)对风扇音量信号数据u(t)进行小波分解处理，将小波分解结果qa,b(t)作为风扇音量信号信息，将风扇音量信号信息转换为列向量得到风扇音量信号列向量，所述小波分解结果qa,b(t)为：
Figure GDA0004194634610000081
其中：
b表示位移因子，a表示尺度因子，在本发明实施例中，所选取的小波函数ω(t)为Haar小波函数。
所述S2步骤中利用两阶段鲁棒优化算法对构建的云计算服务器温度感知模型进行优化训练，包括：
基于训练数据集data，利用两阶段鲁棒优化算法对构建的云计算服务器温度感知模型进行优化训练，得到优化训练后的常数列向量
Figure GDA0004194634610000082
将/>
Figure GDA0004194634610000083
以及/>
Figure GDA0004194634610000084
作为云计算服务器温度感知模型中的常数列向量，得到优化后的云计算服务器温度感知模型；
所述两阶段鲁棒优化算法的优化流程为：
S21：将云计算服务器温度感知模型转换为两阶段模型，其中阶段1为基于服务器运行状态以及主机配置的温度感知，阶段2为基于风扇音量信号的温度感知；
S22：设置鲁棒优化算法的当前迭代次数为m，m的初始值为0，算法的最大迭代次数为Max；
S23：分别构建阶段1和阶段2的鲁棒优化目标函数：
Figure GDA0004194634610000085
Figure GDA0004194634610000086
其中：
Figure GDA0004194634610000087
为第m次迭代的常数列向量；
η为0～10之间的随机数；
ξ为不确定变量，Ω为不确定变量集合；
Figure GDA0004194634610000088
为阶段1的目标函数，/>
Figure GDA0004194634610000089
为阶段2的目标函数；
S24：计算目标函数
Figure GDA00041946346100000810
中/>
Figure GDA00041946346100000811
中最大值与最小值的差值，若该差值小于阈值ε或m大于等于Max，则终止阶段1的鲁棒优化算法迭代，将/>
Figure GDA00041946346100000812
作为优化训练后的常数列向量/>
Figure GDA00041946346100000813
并开始阶段2的鲁棒优化算法迭代；若差值大于等于阈值ε，则对/>
Figure GDA00041946346100000814
进行参数迭代，并令m＝m+1，重复步骤S24，所述参数迭代公式为：
Figure GDA00041946346100000815
S25：当得到优化训练后的常数列向量
Figure GDA00041946346100000816
后，调整阶段2的鲁棒优化目标函数，调整后的鲁棒优化目标函数为：
Figure GDA00041946346100000817
对阶段2的鲁棒优化目标函数进行求解，得到优化训练后的常数列向量
Figure GDA00041946346100000818
将
Figure GDA00041946346100000819
以及/>
Figure GDA00041946346100000820
作为云计算服务器温度感知模型中的常数列向量，得到优化后的云计算服务器温度感知模型。
S3：获取实时的云计算服务器温度感知指标数据，将云计算服务器温度感知指标数据输入到优化后的云计算服务器温度感知模型中，模型输出云计算服务器的实时温度，所述云计算服务器温度感知指标数据包括云计算服务器主机配置信息、运行状态信息和风扇音量信号信息。
所述S3步骤中获取实时的云计算服务器温度感知指标数据，将云计算服务器温度感知指标数据输入到优化后的云计算服务器温度感知模型中，模型输出云计算服务器的实时温度，包括：
获取实时的云计算服务器温度感知指标数据，所述云计算服务器温度感知指标数据包括云计算服务器主机配置信息、运行状态信息和风扇音量信号信息；
将所获取的云计算服务器温度感知指标数据输入到优化后的云计算服务器温度感知模型中，模型输出云计算服务器的实时温度。
S4：构建云计算服务器温度调节模型，所述云计算服务器温度调节模型的输入为云计算服务器实时温度、预期温度、转换时间，输出为温度调节控制参数。
所述S4步骤中构建云计算服务器温度调节模型，包括：
构建云计算服务器温度调节模型，所述云计算服务器温度调节模型的输入为云计算服务器实时温度、预期温度、转换时间，输出为温度调节控制参数；
所述云计算服务器温度调节模型结构为神经网络模型，包括输入层、卷积层以及全连接层；
输入层的输入值为(W′，W″，time)，其中W′表示云计算服务器实时温度，W″表示云计算服务器预期温度，time表示将云计算服务器温度从W′调整到W″的转换时间，输入层将输入值转换为向量形式g＝[W′，W″，time]，并将向量.g输入到卷积层中；
卷积层对向量g进行卷积处理，所述卷积处理的公式为f＝Conv(ωg+z)，将卷积处理结果f输入到全连接层中，其中f为卷积处理后得到的特征图，Conv(·)为卷积处理的公式，ω表示卷积层的权重，z表示卷积层的偏置量；
全连接层包括softmax函数以及鲁棒优化函数，softmax函数接收特征图f并输出温度调节参数σ，鲁棒优化函数对温度调节参数σ进行鲁棒优化处理，将鲁棒优化后的温度调节参数σ*作为模型输出，所述鲁棒优化处理的公式为：
Figure GDA0004194634610000091
其中：
C-1表示数据中心稳定性矩阵的逆，所述数据中心稳定性矩阵包括数据中心的用电量，云计算服务器数量以及数据中心的用电电压；
Figure GDA0004194634610000092
表示系统噪声。
S5：采集服务器温度调节参数数据作为训练数据优化云计算机服务器温度调节模型，将步骤S3得到的云计算服务器实时温度以及调节目标输入到优化后的云计算机服务器温度调节模型中，模型输出当前云计算服务器的温度调节控制参数；整合整个数据中心所有云计算服务器的温度调节控制参数，选择控制粒度最大的参数作为当前数据中心温度调节控制参数，其中所述调节目标包括预期温度以及转换时间。
所述S5步骤中采集服务器温度调节参数数据作为训练数据优化云计算机服务器温度调节模型，包括：
采集服务器温度调节参数数据作为云计算服务器温度调节模型的训练数据集A，所述训练数据集A中的服务器温度调节参数数据格式为：
A＝{Ah＝(W′h，W″h，timeh，σh)|h∈[1，H]}
其中：
Ah为训练数据集A中第h条服务器温度调节参数数据，H为训练数据集A中数据的总数；
基于训练数据集A对云计算服务器温度调节模型进行参数优化，其中待优化参数θ为卷积层的权重以及偏置量θ＝(ω,z)，所述参数优化流程为：
S51：构建云计算服务器温度调节模型参数优化的目标函数：
Figure GDA0004194634610000101
其中：
θn为第n次参数优化迭代后的模型参数，n的初始值为0；
Figure GDA0004194634610000102
为将第h组数据(W'h,W”h,timeh)输入到基于模型参数θn的模型中，模型输出的鲁棒优化后的温度调节参数；
S52：按照下式对待优化参数θn进行优化迭代：
Figure GDA0004194634610000103
Figure GDA0004194634610000104
其中：
α为学习率，将其设置为0.6；
β为超参数，将其设置为0.2；
Loss(θ)为参数θ的训练目标函数；
sy(k)为第k次迭代的状态参数；
重复步骤S52，直到云计算服务器温度调节模型的待优化参数达到稳定，并将稳定参数θ*作为云计算服务器温度调节模型的参数，得到优化后的云计算机服务器温度调节模型。
所述S5步骤中将步骤S3得到的云计算服务器实时温度以及调节目标输入到优化后的云计算机服务器温度调节模型中，模型输出当前云计算服务器的温度调节控制参数，并整合整个数据中心所有云计算服务器的温度调节控制参数，包括：
将步骤S3得到的云计算服务器实时温度以及调节目标输入到优化后的云计算机服务器温度调节模型中，模型输出当前云计算服务器的温度调节控制参数，并整合整个数据中心所有云计算服务器的温度调节控制参数，选择控制粒度最大的温度调节控制参数作为当前数据中心温度调节控制参数，其中所述调节目标包括预期温度以及转换时间，所述控制粒度最大的温度调节控制参数即为调整范围最大的温度调节控制参数。
实施例2：
如图2所示，是本发明一实施例提供的惯性自适应温控系统的功能模块图，其可以实现实施例1中的惯性自适应温控方法。
本发明所述惯性自适应温控系统100可以安装于电子设备中。根据实现的功能，所述惯性自适应温控系统可以包括服务器温度感知模块101、数据获取模块102及温度调节装置103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
服务器温度感知模块101，用于构建云计算服务器温度感知模型，采集云计算服务器温度感知模型输入指标数据及服务器实际温度作为训练数据集合，利用两阶段鲁棒优化算法对构建的云计算服务器温度感知模型进行优化训练，得到优化后的云计算服务器温度感知模型；
数据获取模块102，用于获取实时的云计算服务器温度感知指标数据，将云计算服务器温度感知指标数据输入到优化后的云计算服务器温度感知模型中，模型输出云计算服务器的实时温度；
温度调节装置103，用于构建云计算服务器温度调节模型，采集服务器温度调节参数数据作为训练数据优化云计算机服务器温度调节模型，将云计算服务器实时温度以及调节目标输入到优化后的云计算机服务器温度调节模型中，模型输出当前云计算服务器的温度调节控制参数。
详细地，本发明实施例中所述惯性自适应温控系统100中的所述各模块在使用时采用与上述的图1中所述的惯性自适应温控方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图3所示，是本发明一实施例提供的实现惯性自适应温控方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如惯性自适应温控程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如惯性自适应温控程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(惯性自适应温控程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的惯性自适应温控程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
构建云计算服务器温度感知模型；
采集云计算服务器温度感知模型输入指标数据及服务器实际温度作为训练数据集合，利用两阶段鲁棒优化算法对构建的云计算服务器温度感知模型进行优化训练；
获取实时的云计算服务器温度感知指标数据，将云计算服务器温度感知指标数据输入到优化后的云计算服务器温度感知模型中，模型输出云计算服务器的实时温度；
构建云计算服务器温度调节模型；
采集服务器温度调节参数数据作为训练数据优化云计算机服务器温度调节模型，将云计算服务器实时温度以及调节目标输入到优化后的云计算机服务器温度调节模型中，模型输出当前云计算服务器的温度调节控制参数；整合整个数据中心所有云计算服务器的温度调节控制参数，选择控制粒度最大的参数作为当前数据中心温度调节控制参数，其中所述调节目标包括预期温度以及转换时间。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种惯性自适应温控方法，其特征在于，所述方法包括：
S1：构建云计算服务器温度感知模型，所述云计算服务器温度感知模型的输入为云计算服务器主机配置信息、运行状态信息和风扇音量信号信息，输出为云计算服务器实际温度；
S2：采集云计算服务器温度感知模型输入指标数据及服务器实际温度作为训练数据集合，利用两阶段鲁棒优化算法对构建的云计算服务器温度感知模型进行优化训练，得到优化后的云计算服务器温度感知模型，其中所述两阶段鲁棒优化算法流程，包括：
基于训练数据集data，利用两阶段鲁棒优化算法对构建的云计算服务器温度感知模型进行优化训练，得到优化训练后的常数列向量
Figure FDA0004215974820000015
将/>
Figure FDA0004215974820000016
以及/>
Figure FDA0004215974820000017
作为云计算服务器温度感知模型中的常数列向量，得到优化后的云计算服务器温度感知模型；
所述两阶段鲁棒优化算法的优化流程为：
S21：将云计算服务器温度感知模型转换为两阶段模型，其中阶段1为基于服务器运行状态以及主机配置的温度感知，阶段2为基于风扇音量信号的温度感知；
S22：设置鲁棒优化算法的当前迭代次数为m，m的初始值为0，算法的最大迭代次数为Max；
S23：分别构建阶段1和阶段2的鲁棒优化目标函数：
Figure FDA0004215974820000011
Figure FDA0004215974820000012
其中：
Figure FDA0004215974820000018
为第m次迭代的常数列向量；
η为0～10之间的随机数；
ξ为不确定变量，Ω为不确定变量集合；
Figure FDA0004215974820000019
为阶段1的目标函数，/>
Figure FDA00042159748200000110
为阶段2的目标函数；a1,a2为常数列向量，a1,a2为模型中待训练优化的参数；x1,k表示datak中的服务器运行状态以及主机配置列向量，x2,k表示datak中的风扇音量信号列向量，Wk表示datak中云计算服务器的实际温度；
S24：计算目标函数
Figure FDA00042159748200000111
中/>
Figure FDA00042159748200000112
中最大值与最小值的差值，若该差值小于阈值ε或m大于等于Max，则终止阶段1的鲁棒优化算法迭代，将/>
Figure FDA00042159748200000113
作为优化训练后的常数列向量/>
Figure FDA00042159748200000115
并开始阶段2的鲁棒优化算法迭代；若差值大于等于阈值ε，则对/>
Figure FDA00042159748200000114
进行参数迭代，并令m＝m+1，重复步骤S24，所述参数迭代公式为：
Figure FDA0004215974820000013
S25：当得到优化训练后的常数列向量
Figure FDA00042159748200000116
后，调整阶段2的鲁棒优化目标函数，调整后的鲁棒优化目标函数为：
Figure FDA0004215974820000014
对阶段2的鲁棒优化目标函数进行求解，得到优化训练后的常数列向量
Figure FDA00042159748200000117
将
Figure FDA00042159748200000118
以及/>
Figure FDA00042159748200000119
作为云计算服务器温度感知模型中的常数列向量，得到优化后的云计算服务器温度感知模型；
S3：获取实时的云计算服务器温度感知指标数据，将云计算服务器温度感知指标数据输入到优化后的云计算服务器温度感知模型中，模型输出云计算服务器的实时温度，所述云计算服务器温度感知指标数据包括云计算服务器主机配置信息、运行状态信息和风扇音量信号信息；
S4：构建云计算服务器温度调节模型，所述云计算服务器温度调节模型的输入为云计算服务器实时温度、预期温度、转换时间，输出为温度调节控制参数；
S5：采集服务器温度调节参数数据作为训练数据优化云计算机服务器温度调节模型，将步骤S3得到的云计算服务器实时温度以及调节目标输入到优化后的云计算机服务器温度调节模型中，模型输出当前云计算服务器的温度调节控制参数；整合整个数据中心所有云计算服务器的温度调节控制参数，选择控制粒度最大的参数作为当前数据中心温度调节控制参数，其中所述调节目标包括预期温度以及转换时间。
2.如权利要求1所述的一种惯性自适应温控方法，其特征在于，所述S1步骤中构建云计算服务器温度感知模型，包括：
构建云计算服务器温度感知模型，其中所述云计算服务器温度感知模型的输入为云计算服务器主机配置信息、运行状态信息和风扇音量信号信息，输出为云计算服务器实际温度，所述云计算服务器温度感知模型为：
W＝a1 Tx1+a2 Tx2
Figure FDA0004215974820000021
其中：
T表示转置；
W为输出的云计算服务器实际温度；
x1为服务器运行状态以及主机配置列向量，x2为风扇音量信号列向量；
Cpu为云计算服务器的CPU使用率，Memory为云计算服务器的内存使用率，RS为云计算服务器的风扇转速，switch为云计算服务器的运行状态，switch＝{0，1，2}，其中switch＝0表示云计算服务器处于关闭状态，switch＝1表示云计算服务器处于不工作的休眠状态，switch＝2表示云计算服务器处于工作状态。
3.如权利要求2所述的一种惯性自适应温控方法，其特征在于，所述S2步骤中采集云计算服务器温度感知指标数据及服务器实际温度作为训练数据集合，包括：
采集云计算服务器温度感知指标数据以及服务器实际温度作为训练数据集data，所述训练数据集data的格式为：
data＝{datak＝(x1，k，x2，k，Wk)|k∈[1，K]}
其中：
datak为训练数据集data中的第k组训练数据，K为训练数据的总组数；
服务器主机配置信息、运行状态信息的获取方式为：在云计算服务器中安装监控程序，若云计算服务器处于关闭状态，则不启动监控程序，并将switch设置为0，服务器主机配置信息以及运行状态信息均设置为0，若云计算服务器处于开启状态，则启动监控程序，监控程序检测云计算服务器的CPU使用率、内存使用率以及风扇转速，并监控云计算服务器是否处于工作状态，若云计算服务器处于工作状态，则将switch设置为2，否则将switch设置为1；基于所获取的服务器主机配置信息、运行状态信息构建得到服务器运行状态以及主机配置列向量；
风扇音量信号信息的获取流程为：
在云计算服务器风扇附近部署音量传感器，利用音量传感器采集云计算服务器的风扇音量信号数据u(t)，其中t表示时序信息；
固定尺度因子a和位移因子b，利用小波函数ω(t)对风扇音量信号数据u(t)进行小波分解处理，将小波分解结果qa，b(t)作为风扇音量信号信息，将风扇音量信号信息转换为列向量得到风扇音量信号列向量，所述小波分解结果qa，b(t)为：
Figure FDA0004215974820000031
其中：
b表示位移因子，a表示尺度因子。
4.如权利要求1所述的一种惯性自适应温控方法，其特征在于，所述S3步骤中获取实时的云计算服务器温度感知指标数据，将云计算服务器温度感知指标数据输入到优化后的云计算服务器温度感知模型中，模型输出云计算服务器的实时温度，包括：
获取实时的云计算服务器温度感知指标数据，所述云计算服务器温度感知指标数据包括云计算服务器主机配置信息、运行状态信息和风扇音量信号信息；
将所获取的云计算服务器温度感知指标数据输入到优化后的云计算服务器温度感知模型中，模型输出云计算服务器的实时温度。
5.如权利要求1所述的一种惯性自适应温控方法，其特征在于，所述S4步骤中构建云计算服务器温度调节模型，包括：
构建云计算服务器温度调节模型，所述云计算服务器温度调节模型的输入为云计算服务器实时温度、预期温度、转换时间，输出为温度调节控制参数；
所述云计算服务器温度调节模型结构为神经网络模型，包括输入层、卷积层以及全连接层；
输入层的输入值为(W′，W″，time)，其中W′表示云计算服务器实时温度，W″表示云计算服务器预期温度，time表示将云计算服务器温度从W′调整到W″的转换时间，输入层将输入值转换为向量形式g＝[W′，W″，time]，并将向量g输入到卷积层中；
卷积层对向量g进行卷积处理，所述卷积处理的公式为f＝Conv(ωg+z)，将卷积处理结果f输入到全连接层中，其中f为卷积处理后得到的特征图，Conv(·)为卷积处理的公式，ω表示卷积层的权重，z表示卷积层的偏置量；
全连接层包括softmax函数以及鲁棒优化函数，softmax函数接收特征图f并输出温度调节参数σ，鲁棒优化函数对温度调节参数σ进行鲁棒优化处理，将鲁棒优化后的温度调节参数σ*作为模型输出，所述鲁棒优化处理的公式为：
Figure FDA0004215974820000032
其中：
C-1表示数据中心稳定性矩阵的逆，所述数据中心稳定性矩阵包括数据中心的用电量，云计算服务器数量以及数据中心的用电电压；
Figure FDA0004215974820000033
表示系统噪声。
6.如权利要求5所述的一种惯性自适应温控方法，其特征在于，所述S5步骤中采集服务器温度调节参数数据作为训练数据优化云计算机服务器温度调节模型，包括：
采集服务器温度调节参数数据作为云计算服务器温度调节模型的训练数据集A，所述训练数据集A中的服务器温度调节参数数据格式为：
A＝{Ah＝(W′h，W″h，timeh，σh)|h∈[1，H]}
其中：
Ah为训练数据集A中第h条服务器温度调节参数数据，H为训练数据集A中数据的总数；
基于训练数据集A对云计算服务器温度调节模型进行参数优化，其中待优化参数θ为卷积层的权重以及偏置量θ＝(ω，z)，所述参数优化流程为：
S51：构建云计算服务器温度调节模型参数优化的目标函数：
Figure FDA0004215974820000041
其中：
θn为第n次参数优化迭代后的模型参数，n的初始值为0；
Figure FDA0004215974820000042
为将第h组数据(W′h，W″h，timeh)输入到基于模型参数θn的模型中，模型输出的鲁棒优化后的温度调节参数；
S52：按照下式对待优化参数θn进行优化迭代：
Figure FDA0004215974820000043
Figure FDA0004215974820000044
其中：
α为学习率，将其设置为0.6；
β为超参数，将其设置为0.2；
Loss(θ)为参数θ的训练目标函数；
sy(k)为第k次迭代的状态参数；
重复步骤S52，直到云计算服务器温度调节模型的待优化参数达到稳定，并将稳定参数θ*作为云计算服务器温度调节模型的参数，得到优化后的云计算机服务器温度调节模型。
7.如权利要求1所述的一种惯性自适应温控方法，其特征在于，所述S5步骤中将步骤S3得到的云计算服务器实时温度以及调节目标输入到优化后的云计算机服务器温度调节模型中，模型输出当前云计算服务器的温度调节控制参数，并整合整个数据中心所有云计算服务器的温度调节控制参数，包括：
将步骤S3得到的云计算服务器实时温度以及调节目标输入到优化后的云计算机服务器温度调节模型中，模型输出当前云计算服务器的温度调节控制参数，并整合整个数据中心所有云计算服务器的温度调节控制参数，选择控制粒度最大的温度调节控制参数作为当前数据中心温度调节控制参数，其中所述调节目标包括预期温度以及转换时间，所述控制粒度最大的温度调节控制参数即为调整范围最大的温度调节控制参数。
8.一种惯性自适应温控系统，其特征在于，所述系统包括：
服务器温度感知模块，用于构建云计算服务器温度感知模型，采集云计算服务器温度感知模型输入指标数据及服务器实际温度作为训练数据集合，利用两阶段鲁棒优化算法对构建的云计算服务器温度感知模型进行优化训练，得到优化后的云计算服务器温度感知模型；
数据获取模块，用于获取实时的云计算服务器温度感知指标数据，将云计算服务器温度感知指标数据输入到优化后的云计算服务器温度感知模型中，模型输出云计算服务器的实时温度；
温度调节装置，用于构建云计算服务器温度调节模型，采集服务器温度调节参数数据作为训练数据优化云计算机服务器温度调节模型，将云计算服务器实时温度以及调节目标输入到优化后的云计算机服务器温度调节模型中，模型输出当前云计算服务器的温度调节控制参数，以实现如权利要求1-7任意一项所述的一种惯性自适应温控方法。
CN202210803640.0A 2022-07-07 2022-07-07 一种惯性自适应温控方法及系统 Active CN115167641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210803640.0A CN115167641B (zh) 2022-07-07 2022-07-07 一种惯性自适应温控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210803640.0A CN115167641B (zh) 2022-07-07 2022-07-07 一种惯性自适应温控方法及系统

Publications (2)

Publication Number Publication Date
CN115167641A CN115167641A (zh) 2022-10-11
CN115167641B true CN115167641B (zh) 2023-06-20

Family

ID=83493800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210803640.0A Active CN115167641B (zh) 2022-07-07 2022-07-07 一种惯性自适应温控方法及系统

Country Status (1)

Country Link
CN (1) CN115167641B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111625321A (zh) * 2020-07-30 2020-09-04 上海有孚智数云创数字科技有限公司 基于温度预测的虚拟机迁移规划调度方法及其系统与介质
CN113515351A (zh) * 2021-09-07 2021-10-19 华南理工大学 一种基于能耗与QoS协同优化的资源调度实现方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103105777A (zh) * 2012-11-14 2013-05-15 山东交通职业学院 一种应用于锥型双螺杆挤出机的神经网络自适应控制算法
CN106873377B (zh) * 2017-03-23 2019-07-26 中南大学 不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法
CN109407801A (zh) * 2018-11-01 2019-03-01 郑州云海信息技术有限公司 一种数据中心温控方法和系统
CN111208729B (zh) * 2019-12-31 2023-03-31 广州南方电安科技有限公司 一种绝缘斗温控装置自适应控制方法及装置
CN111365828A (zh) * 2020-03-06 2020-07-03 上海外高桥万国数据科技发展有限公司 结合机器学习实现数据中心节能温控的模型预测控制方法
CN111355265B (zh) * 2020-04-10 2021-12-10 中国人民解放军国防科技大学 一种微电网能量两阶段鲁棒优化方法及系统
CN111504506A (zh) * 2020-05-12 2020-08-07 北京送变电有限公司 混凝土测温系统
CN111622976B (zh) * 2020-05-28 2022-03-08 浪潮电子信息产业股份有限公司 一种风扇控制方法、装置及电子设备和存储介质
US20210117760A1 (en) * 2020-06-02 2021-04-22 Intel Corporation Methods and apparatus to obtain well-calibrated uncertainty in deep neural networks
CN214918391U (zh) * 2021-05-18 2021-11-30 凯德技术长沙股份有限公司 智能温度拟合控制系统
CN113553150A (zh) * 2021-07-02 2021-10-26 深圳先进技术研究院 一种云服务器集群负载预测方法、系统、终端以及存储介质
CN114662673A (zh) * 2022-03-30 2022-06-24 重庆大学 热误差预测模型创建方法和基于关键误差的物理-边-雾-云误差控制系统
CN114690875B (zh) * 2022-04-29 2023-06-23 苏州浪潮智能科技有限公司 液冷散热系统调控方法、装置、设备及介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111625321A (zh) * 2020-07-30 2020-09-04 上海有孚智数云创数字科技有限公司 基于温度预测的虚拟机迁移规划调度方法及其系统与介质
CN113515351A (zh) * 2021-09-07 2021-10-19 华南理工大学 一种基于能耗与QoS协同优化的资源调度实现方法

Also Published As

Publication number Publication date
CN115167641A (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
WO2023241406A1 (zh) 一种小扰动火电机组一次调频控制系统
US10333306B2 (en) Data-driven demand charge management solution
CN115619005A (zh) 一种智能用电网络资源优化配置方法及系统
CN115915734B (zh) 风扇运行控制方法、装置、电子设备及存储介质
CN112162625A (zh) 电子设备的功耗控制方法、装置、存储介质和终端
CN117131974A (zh) 一种模型的训练方法、功率预测方法及设备
CN115796231B (zh) 一种时态分析的超短期风速预测方法
CN115167641B (zh) 一种惯性自适应温控方法及系统
CN116934098A (zh) 一种技术性贸易措施风险量化评估方法
CN110222840B (zh) 一种基于注意力机制的集群资源预测方法和装置
CN114660468A (zh) 一种退役电池荷电状态预测方法、装置及电子设备
CN116930973B (zh) 一种场景自适应的声雷达风功率精确预测方法
CN117074628B (zh) 一种多传感器空气质量检测设备故障定位方法
CN115293100B (zh) 一种新能源电池剩余电量精准评估方法
CN117706045B (zh) 基于物联网实现大气臭氧监测设备的联合控制方法及系统
CN115049155B (zh) 一种智慧园区停车决策优化方法及系统
CN116541766B (zh) 脑电数据修复模型的训练方法、脑电数据修复方法及装置
CN113255446B (zh) 人脸检测系统
CN115912409B (zh) 一种多元协同的火电机组负荷运行快速调整方法
CN116542675B (zh) 一种结合地理空间信息的跨品类换货方案生成方法
CN117217501B (zh) 一种数字化生产计划与调度方法
CN113823011B (zh) 巡逻机器人的算力分配方法及相关设备
CN114895196B (zh) 一种基于人工智能的新能源电池故障诊断方法
CN113268524A (zh) 油耗异常数据检测方法、装置、电子设备及存储介质
CN115587326A (zh) 一种噪声环境风电场数据修正方法

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