CN115455797A - 温度预测模型训练和温度决策方法及装置、电子设备 - Google Patents
温度预测模型训练和温度决策方法及装置、电子设备 Download PDFInfo
- Publication number
- CN115455797A CN115455797A CN202110632613.7A CN202110632613A CN115455797A CN 115455797 A CN115455797 A CN 115455797A CN 202110632613 A CN202110632613 A CN 202110632613A CN 115455797 A CN115455797 A CN 115455797A
- Authority
- CN
- China
- Prior art keywords
- temperature
- data center
- set temperature
- value
- decision
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/30—Automatic controllers with an auxiliary heating device affecting the sensing element, e.g. for anticipating change of temperature
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请公开了一种温度预测模型训练和温度决策方法及装置、电子设备,包括:采集当前的数据中心温度测量值,及上一次温度决策时获取的状态参数和决策的第二设置温度,得到一个样本,其中,在温度决策时,通过将待选设置温度和获取的状态参数输入到温度预测模型,对输出的数据中心温度预测值进行校正,根据校正后的数据中心温度预测值决策第二设置温度,待选设置温度为基于温度决策时采集的第一设置温度调整得到的温度;触发模型训练时,将样本中的第二设置温度和状态参数输入当前温度预测模型,以输出样中的数据中心温度测量值为目标进行模型训练。以解决现有温度预测模型收敛后,由于样本差异化不明显导致预测存在误差而产生控制误差的问题。
Description
技术领域
本发明涉及人工智能控制技术领域,特别涉及一种温度预测模型训练和温度决策方法及装置、电子设备。
背景技术
伴随着大数据的迅猛发展,数据处理量不断增长,数据中心也迅速增多。数据中心通常由多个机柜、多台IT(Internet Technology,互联网)服务器、UPS(UninterruptiblePower System,不间断电源)、多台空调、温湿度传感器等等组成,在运行时会产生大量的热量。可以通过空调群控来降低PUE(Power Usage Effectiveness,电源使用效率)、节约电能的应用越来越广泛。
空调群控主要分为整机群控和器件级群控两个方向。其中整机群控对数据通信要求低、安全性高、适用范围广。在空调整机群控中,以节约电能为指标,同时也要考虑目标温度,通过调整控制参数如设置温度和开机数等来满足相应的指标,因此准确的预测数据中心温度,对控制参数的指导具有重要的意义。
目前人工智能被越来越广泛的应用到整机群控中,可以利用温度预测模型根据数据中心的状态参数和设置温度预测数据中心温度。
为了使空调群控的温度控制设备适应不同的地域、不同的季节气候,通常将温度预测模型设计成在线学习模式。温度预测模型在训练学习后,会逐渐协助监控软件将数据中心温度调至目标数据中心温度,并稳定在目标数据中心温度附近。此后数据中心产生的温度数据具有近似或相同的特点,即新数据样本的目标数据中心温度逐渐变得相同,样本不再丰富。即使具有探索机制的模型,由于探索比率不可能很大,同样有此现象。这会导致模型在再训练后可能在输入不同状态参数的情况下预测出完全相同的数据中心温度,并由此造成控制误差。
发明内容
本申请的目的是提供一种温度预测模型训练和温度决策方法及装置、电子设备。用于解决现有温度预测模型收敛后,由于样本差异化不明显导致预测存在误差从而产生控制误差的问题。
第一方面,本申请实施例提供了一种温度预测模型训练方法,所述方法包括:
采集当前的数据中心温度测量值,及上一次温度决策时获取的状态参数和决策的第二设置温度,得到一个样本,其中,在温度决策时,通过将待选设置温度和获取的状态参数输入到温度预测模型,对输出的数据中心温度预测值进行校正,根据校正后的数据中心温度预测值决策第二设置温度,所述待选设置温度为基于温度决策时采集的第一设置温度调整得到的温度;
触发模型训练时,将样本中的第二设置温度和状态参数输入当前温度预测模型,以输出样中的数据中心温度测量值为目标进行模型训练;
所述状态参数为监控系统的状态参数,所述监控系统包括温度控制设备。
在一些可能的实施例中,对输出的数据中心温度预测值进行校正,包括:
根据各待选设置温度相对于第一设置温度的调整幅度,对相应的数据中心温度预测值进行校正。
在一些可能的实施例中,所述待选设置温度采用如下方式确定:
将所述第一设置温度的取值作为一个待选设置温度;
以所述第一设置温度的取值为中心,向上或向下对所述取值进行调整;
确定调整后位于设置温度调节范围内的取值,为待选设置温度。
在一些可能的实施例中,根据各待选设置温度相对于第一设置温度的调整幅度,对相应的数据中心温度预测值进行校正,包括:
将各待选设置温度相对于第一设置温度的调整幅度乘以系数k,得到对应的数据中心温度预测值的校正值,其中,k小于1;
利用数据中心温度预测值的校正值,对所述数据中心温度预测值进行校正。
在一些可能的实施例中,根据校正后的数据中心温度预测值决策第二设置温度,包括:
将校正后的数据中心温度预测值与目标数据中心温度进行比较,确定最接近所述目标数据中心温度的校正后的数据中心温度预测值;
将确定的校正后的数据中心温度预测值对应的待选设置温度,决策为第二设置温度。
在一些可能的实施例中,所述系数k的取值范围为0.005~0.02。
在一些可能的实施例中,所述状态参数可以但不限于包括:
IT负载电功率、每个温度控制设备的送风温度Td、每个温度控制设备的回风温度Tr、每个温度控制设备的开关状态、数据中心室内室外温差、总电功率。
第二方面,本申请实施例提供了一种温度决策方法,该方法包括:
获取监控系统的状态参数和当前温度控制设备的第一设置温度;
基于所述当前的第一设置温度得到待选设置温度,将所述待选设置温度和状态参数输入到当前温度预测模型,得到输出的数据中心温度预测值;
对所述数据中心温度预测值进行校正,根据校正后的数据中心温度预测值决策第二设置温度。
在一些可能的实施例中,对所述数据中心温度预测值进行校正,包括:
根据各待选设置温度相对于第一设置温度的调整幅度,对相应的数据中心温度预测值进行校正。
在一些可能的实施例中,基于所述当前的第一设置温度得到待选设置温度,包括:
将所述第一设置温度的取值作为一个待选设置温度;
以所述第一设置温度的取值为中心,向上或向下对所述取值进行调整;
确定调整后位于设置温度调节范围内的取值,为待选设置温度。
在一些可能的实施例中,根据各待选设置温度相对于第一设置温度的调整幅度,对相应的数据中心温度预测值进行校正,包括:
将各待选设置温度相对于第一设置温度的调整幅度乘以系数k,得到对应的数据中心温度预测值的校正值,其中,k小于1;
利用数据中心温度预测值的校正值,对所述数据中心温度预测值进行校正。
在一些可能的实施例中,根据校正后的数据中心温度预测值决策第二设置温度,包括:
将校正后的数据中心温度预测值与目标数据中心温度进行比较,确定最接近所述目标数据中心温度的校正后的数据中心温度预测值;
将确定的校正后的数据中心温度预测值对应的待选设置温度,决策为第二设置温度。
在一些可能的实施例中,所述系数k的取值范围为0.005~0.02。
在一些可能的实施例中,所述状态参数可以但不限于包括:
IT负载电功率、每个温度控制设备的送风温度Td、每个温度控制设备的回风温度Tr、每个温度控制设备的开关状态、数据中心室内室外温差、总电功率。
第三方面,本申请实施例提供了一种温度预测模型训练装置,所述装置包括:
样本采集模块,用于采集当前的数据中心温度测量值,及上一次温度决策时获取的状态参数和决策的第二设置温度,得到一个样本,其中,在温度决策时,通过将待选设置温度和获取的状态参数输入到温度预测模型,对输出的数据中心温度预测值进行校正,根据校正后的数据中心温度预测值决策第二设置温度,所述待选设置温度为基于温度决策时采集的第一设置温度调整得到的温度;
模型训练模块,用于触发模型训练时,将样本中的第二设置温度和状态参数输入当前温度预测模型,以输出样中的数据中心温度测量值为目标进行模型训练;
所述状态参数为监控系统的状态参数,所述监控系统包括温度控制设备。
第四方面,本申请实施例提供一种温度控制装置,该装置包括:
参数获取模块,用于获取监控系统的状态参数和当前温度控制设备的第一设置温度;
温度预测模块,用于基于所述当前的第一设置温度得到待选设置温度,将所述待选设置温度和状态参数输入到当前温度预测模型,得到输出的数据中心温度预测值;
温度决策模块,用于对所述数据中心温度预测值进行校正,根据校正后的数据中心温度预测值决策第二设置温度。
第五方面,本申请实施例提供一种电子设备,包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执上述第一方面提供的温度预测模型训练的方法。
第五方面,本申请实施例提供一种电子设备,包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执上述第二方面提供的温度决策的方法。
第六方面,本申请实施例提供计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序用于使计算机执行上述第一方面提供的温度预测模型训练的方法。
第七方面,本申请实施例提供计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序用于使计算机执行上述第二方面提供的温度决策的方法。
本申请实施例,为了解决温度预测模型收敛后,预测的数据中心温度趋于相同,样本目标值变得单一,从而导致模型再训练后在不同的空调设置温度下预测出相同的数据中心温度的问题,本申请实施例在利用温度预测模型进行温度决策时,基于设置温度得到待选设置温度,将模型输出的数据中心温度预测值根据待选设置温度的调整方式进行校正,从而差异化样本的目标值,提高模型训练的精度及提高温度控制的准确度。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,显而易见地,下面所介绍的附图仅仅是本申请的一些实施例,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为根据本申请一个实施例的应用环境的示意图;
图2为根据本申请一个实施例的温度预测模型训练方法的流程示意图;
图3为根据本申请一个实施例的温度决策方法的流程示意图;
图4为根据本申请一个实施例的温度预测模型训练装置结构示意图;
图5为根据本申请一个实施例的温度决策装置结构示意图;
图6为根据本申请一个实施例的一种电子设备结构示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、详尽地描述。在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;文本中的“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,在本申请实施例的描述中,“多个”是指两个或多于两个。
在本申请实施例的描述中,除非另有说明,术语“多个”是指两个或两个以上,其它量词与之类似应当理解,此处所描述的优选实施例仅用于说明和解释本申请,并不用于限定本申请,并且在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
为进一步说明本申请实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。方法在实际的处理过程中或者控制设备执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行。
鉴于相关技术中温度预测模型收敛后,预测的数据中心温度趋于相同,样本目标值变得单一,从而导致模型再训练后在不同的空调设置温度下预测出相同的数据中心温度的问题。本申请提出一种温度预测模型训练和温度决策方法及装置、电子设备,能够提高模型精度和减少温度控制时设置温度的误差。
有鉴于此,本申请的发明构思为:在进行设置温度决策时,基于当前的设置温度得到待选设置温度,利用温度预测模型预测不同待选设置温度对应的数据中心温度预测值,并将模型输出的数据中心温度预测值根据待选设置温度的调整方式进行校正。
当样本目标值趋于单一时,模型训练后对不同设置温度的预测有固化趋势,此时根据预测温度选择设置温度的可靠性降低,本申请通过上述校正方式可以帮助选择待选设置温度,同时可以预防模型始终选择同一设置温度,从而增加样本差异性。
具体地,由于模型训练后对不同设置温度的预测有固化趋势,模型倾向于在不同设置温度下预测为同一数据中心温度,同时由于计算机编码习惯问题,它可能始终选择第一个设置温度,也即同一设置温度。在环境状态不变的情况下,这可能形成一种循环,即始终选择某个设置温度,即便这个设置温度实际上不是最好的选择。
比如数据中心测量温度为22度,固化后的模型倾向于将温度预测为22度。假如用户增大了IT功率或季节由冬天变成夏天,导致测量温度变为24,并形成新的样本。模型使用新样本训练后学会了将该环境状态预测为更高的温度,但由于固化的原因,它不知道怎么选择空调设置温度来降低数据中心温度。通过本申请中在确定样本时的校正方式可以引导并加快它的学习速度。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面结合附图对本申请实施例中的温度预测模型训练和温度控制方法进行详细说明。
参见图1,为根据本申请一个实施例的应用环境的示意图。
如图1所示,该应用环境中例如可以包括数据中心101、监控系统102、温度预测和决策设备103,为了实现对数据中心101的温度进行控制,为数据中心101配置监控系统102,监控系统102可以包括多个温度控制设备,用于获取数据中心的当前状态,获取数据中心的当前状态,也称获取监控系统的状态参数,监控系统的状态参数包括数据中心的状态参数和温度控制设备的状态参数,例如可以包括如下温度控制设备的状态参数:
IT负载电功率、每个温度控制设备的送风温度Td、每个温度控制设备的回风温度Tr、每个温度控制设备的开关状态、数据中心室内室外温差、总电功率。
进一步地,监控系统的状态参数可以但不限于包括环境的面积、测量得到的数据中心温度测量值Tmeasure等。
另外,监控系统还具有根据控制参数对数据中心温度调节的控制能力,可以调节温度控制设备的设置温度进行调节。
该应用环境包含温度预测和决策设备,该温度预测和决策设备用于在线对温度预测模型进行训练及预测数据中心温度,主要包括两个阶段:模型推荐阶段和模型训练阶段。在模型推荐阶段,用于根据输入的状态参数和预测的数据中心温度来推荐设置温度,从而据此调节优化数据中心的温度。模型训练部分用于根据历史样本集对模型进行训练更新,从而保证模型可以适应大气环境、IT功率变化。
监控系统在运行过程中,采用周期性触发的方式,在到达周期时触发设置温度调节,例如可以但不限于时间间隔1小时。即每间隔一个周期,温度预测和决策设备根据监控系统的请求,确定触发温度决策时,从监控系统获取的状态参数和采集的第一设置温度,基于第一设置温度调节得到待选设置温度,将待选设置温度和状态参数输入到温度预测模型,根据温度预测模型输出的数据中心温度预测值,决策第二设置温度。在触发样本采集时,采集当前的数据中心温度测量值,及采集上一次决策时获取的状态参数和决策的第二设置温度,得到一个样本。触发模型训练时,将样本中的状态参数和第二设置温度作为特征值输入到温度预测模型,以输出样本中的数据中心温度测量值为目标进行模型训练。
在触发设置温度调节时,可以同时触发模型训练,即先利用最近的样本更新温度预测模型后,再利用更新的模型决策第二设置温度,从而进入下一个温度调节周期,在温度调节周期内,按照样本采集周期进行样本采集。
图2示出了本申请一个实施例提供的温度预测模型训练方法流程示意图,包括:
步骤201:采集当前的数据中心温度测量值,及上一次温度决策时获取的状态参数和决策的第二设置温度,得到一个样本,其中,在温度决策时,通过将待选设置温度和获取的状态参数输入到温度预测模型,对输出的数据中心温度预测值进行校正,根据校正后的数据中心温度预测值决策第二设置温度,所述待选设置温度为基于温度决策时采集的第一设置温度调整得到的温度,所述状态参数为监控系统的状态参数,所述监控系统包括温度控制设备;上述第一设置温度具体为上一次温度决策时采集的设置温度,需要基于采集的设置温度决策如何调整设置温度,上述第二设置温度为上一次温度决策确定的设置温度,即决策的结果,完成决策后将当前的设置温度调整第二设置温度,则后续在进行样本采集时,采集的数据中心的实际温度,及上次温度决策时获取的状态参数和决策的上述第二设置温度。
本申请维护了一个长度为设定值LEN的历史样本集MEMORY。可以每间隔一个样本采集周期都会采集新样本添加到MEMORY,从而保证数据样本与不断变化的环境的一致性。新样本以上一次温度决策时采集的状态参数及上一次温度决策时决策的第二设置温度为特征值,以样本采集时采集的当前的设置温度测量值为目标值。在增加新样本的过程中,如果新增样本后样本集MEMORY的长度大于LEN,则去掉最旧的那条样本。
在进行温度决策时,会基于采集的当前的设置温度进行调整,得到至少一个待选设置温度,将待选设置温度和温度决策时采集的状态参数输入到温度预测模型,温度预测模型输出数据中心温度预测值。
本申请实施例中并不会直接利用模型输出的数据中心温度预测值进行设置温度决策,而是对输出的数据中心温度预测值进行校正,根据校正后的数据中心温度预测值决策第二设置温度,并将当前的设置温度调整为第二设置温度。
可选地,所述温度控制设备为多个,所述状态参数还包括:
IT负载电功率、每个温度控制设备的送风温度Td、每个温度控制设备的回风温度Tr、每个温度控制设备的开关状态。
本申请实施例中的待选设置温度为多个,基于温度决策时获取的当前的设置温度进行温度调节时,可以设置一个设置温度调节范围,即温度调节域,采用如下方式确定待选温度列表M:
将所述第一设置温度的取值作为一个待选设置温度,即该待选设置温度作为待选温度列表的中心;
以所述第一设置温度的取值为中心,向上或向下对所述取值进行调整,可以按照设定的步长向上或向下调整至达到设定数量,当然也可以按照随机的步长向上或向下调整至达到设定数量;
确定调整后位于设置温度调节范围内的取值,为待选设置温度;
通过该步骤,将调整后得到的温度中超出设置温度调节范围的待选设置温度筛选掉,保证温度列表中的待选设置温度均位于温度调节域。
构建待选温度列表M时,首先利用当前的第一设置温度T_Set及温度调节域值δ,确定设置温度调节范围[T_Set-δ,T_Set+δ],该范围为自然数域上的闭区间。该闭区间及调节域值δ存在的用意在于限定设置温度的调节范围,防止过于暴力的大幅度调节。最后为了防止出现不可到达的设置温度,需使用设置温度上下限进行限制,即最终的待选温度列表M为[max(T_Set-δ,T_Setmin),min(T_Set+δ,T_Setmax)],该集合仍然为自然数域上的闭区间。T_Setmax为设定的最大设置温度,T_Setmin为设定的最小设置温度。
可选地,温度预测和决策设备/温度控制设备对输出的数据中心温度预测值进行校正,包括:
根据各待选设置温度相对于第一设置温度的调整幅度,对相应的数据中心温度预测值进行校正。
将各待选设置温度相对于第一设置温度的调整幅度乘以系数k,得到对应的数据中心温度预测值的校正值,其中,k小于1。
在温度决策推荐时,需要根据待选温度列表M构建对应的校正列表N。构建时,对于任意的待选设置温度α∈M,N中对应元素为(α-T_Set)*0.01。显然M中的T_Set对应N中的0,M中的T_Set-1对应N中的-0.01,M中的T_Set+1对应N中的0.01。假设上一步最终得到的待选设置温度M为{T_Set-a,…,T_Set-1,T_Set,T_Set+1,…,T_Set+b},则N为{-a*0.01,…,-0.01,0,0.01,…,b*0.01}。
这里的校正系数0.01可以调整,所述系数k的取值范围为0.005~0.02。比如改为0.02,0.005…但不能为负,且不易过大。校正的目的在于,当温度预测模型因为样本目标值过于单一导致环境预测值固定化时,可以反馈设置温度不同数据中心温度必然不同这一事实,从而改善决策结果,起到改善效果或引起温度预测模型对新设置温度的尝试等作用。另外,当前设置温度对应的校正值须为0,即正在发生的事实是无需校正的。
可选地,温度预测和决策设备对输出根据校正后的数据中心温度预测值决策第二设置温度,包括:
将校正后的数据中心温度预测值与目标数据中心温度进行比较,确定最接近所述目标数据中心温度的校正后的数据中心温度预测值;
将确定的校正后的数据中心温度预测值对应的待选设置温度,决策为第二设置温度。
实施中,温度预测和决策设备在决策推断时,遍历上面所述待选温度列表合M,将其中任一待选设置温度α及监控系统的状态参数输入给训练的温度预测模型,预测选择待选设置温度α后的数据中心温度。
温度预测和决策设备得到各待选设置温度对应的数据中心温度预测值后,在决策推断时,分别将上一步得到数据中心温度预测值与对应的校正值进行相加得到校正后的数据中心温度预测值。
温度预测和决策设备将上一步校正后的数据中心温度预测值分别与目标数据中心温度作比较,最接近的校正后的数据中心温度预测值对应的待选设置温度即为决策结果。
步骤202,触发模型训练时,将样本中的第二设置温度和状态参数输入当前温度预测模型,以输出样中的数据中心温度测量值为目标进行模型训练。
本申请实施例每间隔一个周期都会将上一步所述历史样本集作为输入,对所使用的温度预测模型如svm或xgboost等进行训练更新。
本申请实施例还提供一种温度决策方法,应用于温度控制设备,如图3所示,该方法包括:
步骤301,获取监控系统的状态参数和当前温度控制设备的第一设置温度;
步骤302,基于所述当前的第一设置温度得到待选设置温度,将所述待选设置温度和状态参数输入到当前温度预测模型,得到输出的数据中心温度预测值;
步骤303,对所述数据中心温度预测值进行校正,根据校正后的数据中心温度预测值决策的第二设置温度。
上述基于所述当前的第一设置温度得到待选设置温度的步骤,可以由温度预测和决策设备执行,也可由温度控制设备执行,如果由温度预测和决策设备执行,则温度控制设备将当前的第一设置温度发送到温度预测和决策设备,由温度预测和决策设备基于所述当前的第一设置温度得到待选设置温度。
可选地,对输出的数据中心温度预测值进行校正,包括:
根据各待选设置温度相对于第一设置温度的调整幅度,对相应的数据中心温度预测值进行校正。
对输出的数据中心温度预测值进行校正的步骤,可以由温度预测和决策设备执行,也可由温度控制设备执行。如果由温度预测和决策设备执行,则温度控制设备将从由温度预测和决策设备获取校正后的数据中心温度预测值。
可选地,所述待选设置温度采用如下方式确定:
将所述第一设置温度的取值作为一个待选设置温度;
以所述第一设置温度的取值为中心,向上或向下对所述取值进行调整;
确定调整后位于设置温度调节范围内的取值,为待选设置温度。
可选地,根据各待选设置温度相对于第一设置温度的调整幅度,对相应的数据中心温度预测值进行校正,包括:
将各待选设置温度相对于第一设置温度的调整幅度乘以系数k,得到对应的数据中心温度预测值的校正值,其中,k小于1;
利用数据中心温度预测值的校正值,对所述数据中心温度预测值进行校正。
可选地,根据校正后的数据中心温度预测值决策第二设置温度,包括:
将校正后的数据中心温度预测值与目标数据中心温度进行比较,确定最接近所述目标数据中心温度的校正后的数据中心温度预测值;
将确定的校正后的数据中心温度预测值对应的待选设置温度,决策为第二设置温度。
根据校正后的数据中心温度预测值决策第二设置温度的步骤,可以由温度预测和决策设备执行,也可由温度控制设备执行。如果由温度预测和决策设备执行,则温度控制设备将从由温度预测和决策设备获取决策的第二设置温度。
可选地,所述系数k可以取大于0且小于1的任何数值,可以但不限于采用取值范围0.005~0.02。
可选地,所述状态参数包括:
IT负载电功率、每个温度控制设备的送风温度Td、每个温度控制设备的回风温度Tr、每个温度控制设备的开关状态、数据中心室内室外温差、总电功率。
下面以监控系统控制数据对多种数据中心的温度进行控制为例,给出详细的实施过程。
本实施例配备有监控系统,可以获取数据中心当前状态,包括测量温度Tmeasure、IT负载电功率、每台空调的送风温度Td、每台空调的回风温度Tr、每台空调的开关状态,可以获取空调的当前设置温度T_Set。另外该监控系统环境具有控制能力,可以调节空调的设置温度。
温度预测模型采用xgboost,包含模型推荐部分和模型训练部分。模型推荐部分用于根据数据中心当前状态推荐空调的设置温度,从而据此调节优化数据中心温度。模型训练部分用于根据历史样本集对模型进行训练更新,从而保证模型可以适应大气环境、IT功率变化。
本实施例以1小时为间隔,周期性地对数据中心进行设置温度调节。每间隔1小时,温度预测和决策设备会采集样本、更新训练模型、利用模型对数据中心当前状态进行设置温度的预测推断。监控系统根据决策结果进行设置温度调节,然后进入下一个周期。
本实施例设定目标温度Ttarget=22,设置温度调节域值δ=1,设置温度上下限T_Setmax=25,T_Setmin=15。
本实施例维护了一个长度为2000的历史样本集MEMORY。温度预测和决策设备每间隔一个周期都会采集新样本添加到MEMORY,从而保证数据样本与不断变化的环境的一致性。新样本以数据中心上一次的状态及上一次的设置温度为特征值,以数据中心当前数据中心温度测量值为目标值。在增加新样本的过程中,如果新增样本后样本集MEMORY的长度大于2000,则去掉最旧的那条样本。
本实施例每间隔一个周期都会将上一步所述历史样本集作为输入,对这里使用的xgboost模型进行训练更新。
本实施例每间隔一个周期都会根据数据中心的当前状态推荐空调设置温度。
本实施例在推荐决策时,会根据当前设置温度T_Set构建新的待选温度列表M。构建时会首先确定设置温度调节范围[T_Set–1,T_Set+1],即{T_Set–1,T_Set,T_Set+1}。如果T_Set–1<15则去掉T_Set–1,如果T_Set+1>25则去掉T_Set+1,反之保留。
本实施例在推荐决策时,会根据上一步得到的待选温度列表M构建对应的校正列表N。若M={T_Set–1,T_Set,T_Set+1},则N={-0.01,0,0.01}。
本实施例在决策推荐时,遍历上面所述待选温度列表M,将其中任一可选设置温度α及数据中心当前状态输入给我们训练的xgboost模型,xgboost模型预测选择设置温度α后的数据中心温度。
本实施例在决策推断时,分别将上一步预测的数据中心温度与设置温度对应的校正值进行相加得到校正后的预测温度。
本实施例最后将上一步校正后的预测温度分别与目标温度22作比较,最接近22的预测温度对应的设置温度即为决策结果。
本实施例中的xgboost模型可以更换成svm、神经网络等依然有效。
实施例2
基于相同的发明构思,本申请还提供一种温度预测模型训练装置300,如图4所示,该装置包括:
样本采集模块401,用于采集当前的数据中心温度测量值,及上一次温度决策时获取的状态参数和决策的第二设置温度,得到一个样本,其中,在温度决策时,通过将待选设置温度和获取的状态参数输入到温度预测模型,对输出的数据中心温度预测值进行校正,根据校正后的数据中心温度预测值决策第二设置温度,所述待选设置温度为基于温度决策时采集的第一设置温度调整得到的温度;
模型训练模块402,用于触发模型训练时,将样本中的第二设置温度和状态参数输入当前温度预测模型,以输出样中的数据中心温度测量值为目标进行模型训练;
所述状态参数为监控系统的状态参数,所述监控系统包括温度控制设备。
对输出的数据中心温度预测值进行校正,包括:
根据各待选设置温度相对于第一设置温度的调整幅度,对相应的数据中心温度预测值进行校正。
可选地,所述待选设置温度采用如下方式确定:
将所述第一设置温度的取值作为一个待选设置温度;
以所述第一设置温度的取值为中心,向上或向下对所述取值进行调整;
确定调整后位于设置温度调节范围内的取值,为待选设置温度。
可选地,样本采集模块根据各待选设置温度相对于第一设置温度的调整幅度,对相应的数据中心温度预测值进行校正,包括:
将各待选设置温度相对于第一设置温度的调整幅度乘以系数k,得到对应的数据中心温度预测值的校正值,其中,k小于1;
利用数据中心温度预测值的校正值,对所述数据中心温度预测值进行校正。
可选地,样本采集模块根据校正后的数据中心温度预测值决策第二设置温度,包括:
将校正后的数据中心温度预测值与目标数据中心温度进行比较,确定最接近所述目标数据中心温度的校正后的数据中心温度预测值;
将确定的校正后的数据中心温度预测值对应的待选设置温度,决策为第二设置温度。
可选地,所述系数k的取值范围为0.005~0.02。
可选地,所述状态参数包括:
IT负载电功率、每个温度控制设备的送风温度Td、每个温度控制设备的回风温度Tr、每个温度控制设备的开关状态、数据中心室内室外温差、数据中心的总电功率。
基于相同的发明构思,本申请还提供一种温度预测模型训练装置300,如图5所示,该装置包括:
参数获取模块501,用于获取监控系统的状态参数和当前温度控制设备的第一设置温度;
温度预测模块502,用于基于所述当前的第一设置温度得到待选设置温度,将所述待选设置温度和状态参数输入到当前温度预测模型,得到输出的数据中心温度预测值;
温度决策模块503,用于对所述数据中心温度预测值进行校正,根据校正后的数据中心温度预测值决策的第二设置温度。
温度决策模块对输出的数据中心温度预测值进行校正,包括:
根据各待选设置温度相对于第一设置温度的调整幅度,对相应的数据中心温度预测值进行校正。
可选地,所述待选设置温度采用如下方式确定:
将所述第一设置温度的取值作为一个待选设置温度;
以所述第一设置温度的取值为中心,向上或向下对所述取值进行调整;
确定调整后位于设置温度调节范围内的取值,为待选设置温度。
可选地,温度决策模块根据各待选设置温度相对于第一设置温度的调整幅度,对相应的数据中心温度预测值进行校正,包括:
将各待选设置温度相对于第一设置温度的调整幅度乘以系数k,得到对应的数据中心温度预测值的校正值,其中,k小于1;
利用数据中心温度预测值的校正值,对所述数据中心温度预测值进行校正。
可选地,温度决策模块根据校正后的数据中心温度预测值决策第二设置温度,包括:
将校正后的数据中心温度预测值与目标数据中心温度进行比较,确定最接近所述目标数据中心温度的校正后的数据中心温度预测值;
将确定的校正后的数据中心温度预测值对应的待选设置温度,决策为第二设置温度。
可选地,所述系数k的取值范围为0.005~0.02。
可选地,所述状态参数包括:
IT负载电功率、每个温度控制设备的送风温度Td、每个温度控制设备的回风温度Tr、每个温度控制设备的开关状态、数据中心室内室外温差、数据中心的总电功率。
在介绍了本申请示例性实施方式的温度预测模型训练和温度决策方法和装置之后,接下来,介绍根据本申请的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请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”。
在一些可能的实施方式中,根据本申请的电子设备可以至少包括至少一个处理器、以及至少一个存储器。其中,存储器存储有程序代码,当程序代码被处理器执行时,使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的温度预测模型训练方法中的步骤,或者执行本说明书上述描述的根据本申请各种示例性实施方式的温度决策方法中的步骤。
下面参照图6来描述根据本申请的这种实施方式的电子设备130,即上述温度预测和决策设备。图6显示的电子设备130仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于:上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器132可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1321和/或高速缓存存储器1322,还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325,这样的程序模块1324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。
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与电子设备130交互的设备通信,和/或与使得该电子设备130能与一个或多个其它电子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135进行。并且,电子设备130还可以通过网络适配器136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136通过总线133与用于电子设备130的其它模块通信。应当理解,尽管图中未示出,可以结合电子设备130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、冗余处理器、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。
在一些可能的实施方式中,本申请提供的一种温度预测模型训练和温度决策方法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,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种温度预测模型训练和温度决策方法的步骤。
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是——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。
本申请的实施方式的用于监控的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在电子设备上运行。然而,本申请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。
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申请操作的程序代码,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电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备,或者,可以连接到外部电子设备(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装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,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操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
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实施例的方法、设备(系统)、和计算机程序产品的流程图和方框图来描述的。应理解可由计算机程序指令实现流程图和方框图中的每一流程和/或方框、以及流程图和方框图中的流程和方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理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他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他可编程数据处理设备上,使得在计算机或其他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,从而在计算机或其他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 (12)
1.一种温度预测模型训练方法,其特征在于,所述方法包括:
采集当前的数据中心温度测量值,及上一次温度决策时获取的状态参数和决策的第二设置温度,得到一个样本,其中,在温度决策时,通过将待选设置温度和获取的状态参数输入到温度预测模型,对输出的数据中心温度预测值进行校正,根据校正后的数据中心温度预测值决策第二设置温度,所述待选设置温度为基于温度决策时采集的第一设置温度调整得到的温度;
触发模型训练时,将样本中的第二设置温度和状态参数输入当前温度预测模型,以输出样中的数据中心温度测量值为目标进行模型训练;
所述状态参数为监控系统的状态参数,所述监控系统包括温度控制设备。
2.根据权利要求1所述的方法,其特征在于,对输出的数据中心温度预测值进行校正,包括:
根据各待选设置温度相对于第一设置温度的调整幅度,对相应的数据中心温度预测值进行校正。
3.根据权利要求1所述的方法,其特征在于,所述待选设置温度采用如下方式确定:
将所述第一设置温度的取值作为一个待选设置温度;
以所述第一设置温度的取值为中心,向上或向下对所述取值进行调整;
确定调整后位于设置温度调节范围内的取值,为待选设置温度。
4.根据权利要求2所述的方法,其特征在于,根据各待选设置温度相对于第一设置温度的调整幅度,对相应的数据中心温度预测值进行校正,包括:
将各待选设置温度相对于第一设置温度的调整幅度乘以系数k,得到对应的数据中心温度预测值的校正值,其中,k小于1;
利用数据中心温度预测值的校正值,对所述数据中心温度预测值进行校正。
5.根据权利要求1所述的方法,其特征在于,根据校正后的数据中心温度预测值决策第二设置温度,包括:
将校正后的数据中心温度预测值与目标数据中心温度进行比较,确定最接近所述目标数据中心温度的校正后的数据中心温度预测值;
将确定的校正后的数据中心温度预测值对应的待选设置温度,决策为第二设置温度。
6.根据权利要求3所述的方法,其特征在于,所述系数k的取值范围为0.005~0.02。
7.根据权利要求1所述的方法,其特征在于,所述状态参数包括如下至少一项:
IT负载电功率、每个温度控制设备的送风温度Td、每个温度控制设备的回风温度Tr、每个温度控制设备的开关状态、数据中心室内室外温差、总电功率。
8.一种温度决策方法,其特征在于,该方法包括:
获取监控系统的状态参数和当前温度控制设备的第一设置温度;
基于所述当前的第一设置温度得到待选设置温度,将所述待选设置温度和状态参数输入到当前温度预测模型,得到输出的数据中心温度预测值;
对所述数据中心温度预测值进行校正,根据校正后的数据中心温度预测值决策第二设置温度。
9.一种温度预测模型训练装置,其特征在于,所述装置包括:
样本采集模块,用于采集当前的数据中心温度测量值,及上一次温度决策时获取的状态参数和决策的第二设置温度,得到一个样本,其中,在温度决策时,通过将待选设置温度和获取的状态参数输入到温度预测模型,对输出的数据中心温度预测值进行校正,根据校正后的数据中心温度预测值决策第二设置温度,所述待选设置温度为基于温度决策时采集的第一设置温度调整得到的温度;
模型训练模块,用于触发模型训练时,将样本中的第二设置温度和状态参数输入当前温度预测模型,以输出样中的数据中心温度测量值为目标进行模型训练;
所述状态参数为监控系统的状态参数,所述监控系统包括温度控制设备。
10.一种温度控制装置,其特征在于,该装置包括:
参数获取模块,用于获取监控系统的状态参数和当前温度控制设备的第一设置温度;
温度预测模块,用于基于所述当前的第一设置温度得到待选设置温度,将所述待选设置温度和状态参数输入到当前温度预测模型,得到输出的数据中心温度预测值;
温度决策模块,用于对所述数据中心温度预测值进行校正,根据校正后的数据中心温度预测值决策第二设置温度。
11.一种电子设备,其特征在于,包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-7中任何一项所述的方法,或者执行如权利要求8所述的方法。
12.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序用于使计算机执行如权利要求1-7中任何一项所述的方法,或者执行如权利要求8所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110632613.7A CN115455797A (zh) | 2021-06-07 | 2021-06-07 | 温度预测模型训练和温度决策方法及装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110632613.7A CN115455797A (zh) | 2021-06-07 | 2021-06-07 | 温度预测模型训练和温度决策方法及装置、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115455797A true CN115455797A (zh) | 2022-12-09 |
Family
ID=84294602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110632613.7A Pending CN115455797A (zh) | 2021-06-07 | 2021-06-07 | 温度预测模型训练和温度决策方法及装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115455797A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116806814A (zh) * | 2023-06-30 | 2023-09-29 | 广东美赛尔细胞生物科技有限公司 | 一种间充质干细胞外泌体保存温度控制方法及系统 |
-
2021
- 2021-06-07 CN CN202110632613.7A patent/CN115455797A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116806814A (zh) * | 2023-06-30 | 2023-09-29 | 广东美赛尔细胞生物科技有限公司 | 一种间充质干细胞外泌体保存温度控制方法及系统 |
CN116806814B (zh) * | 2023-06-30 | 2024-04-12 | 广东美赛尔细胞生物科技有限公司 | 一种间充质干细胞外泌体保存温度控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6012868B2 (ja) | 熱負荷予測装置、配信システム、熱負荷予測方法及びプログラム | |
US20120095608A1 (en) | Demand prediction apparatus, and computer readable, non-transitory storage medium | |
US9996092B2 (en) | Determining a time for corrective action in a data center | |
US8996185B2 (en) | Method for scheduling power generators based on optimal configurations and approximate dynamic programming | |
WO2019148775A1 (zh) | 风电机组的功率控制方法和设备 | |
US11506413B2 (en) | Method and controller for controlling a chiller plant for a building and chiller plant | |
US11514358B2 (en) | Automatic control artificial intelligence device and method for updating a control function | |
US20150286950A1 (en) | Apparatus for forecasting water demand | |
CN115455797A (zh) | 温度预测模型训练和温度决策方法及装置、电子设备 | |
CN116424096A (zh) | 资源动态优化配置的新能源汽车电池采集总成方法及系统 | |
CN115236469A (zh) | 一种无人值守变电站在线监控方法、系统、介质及设备 | |
CN113791538B (zh) | 一种机房设备的控制方法、控制设备及控制系统 | |
CN111914000B (zh) | 一种基于功耗预测模型的服务器功率封顶方法、系统 | |
CN117273402A (zh) | 基于物联网技术的玻璃深加工生产线节能管理系统及方法 | |
JP6607264B2 (ja) | x管理システムのための最適スケジューリングおよびリアルタイム制御の方法 | |
JPH07123589A (ja) | 需要予測装置 | |
CN113310176B (zh) | 信息处理装置 | |
CN110942195A (zh) | 一种用电负荷预测方法及装置 | |
CN117111997B (zh) | 一种fpga配置文件远程升级更新方法 | |
US11196261B2 (en) | Centralized voltage controller and centralized voltage control system | |
WO2022257267A1 (zh) | 环境参数控制设备集群控制方法、装置、设备及存储介质 | |
US20240168093A1 (en) | Device and Method for Predicting Low Voltage Failure of Secondary Battery, and Battery Control System Comprising Same Device | |
JP2004334781A (ja) | リアルタイム指標計算装置 | |
CN117404863A (zh) | 变频调控方法、装置、存储介质及制冷设备 | |
CN116336546A (zh) | 一种建筑采暖智能控制方法及控制系统 |
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 |