CN115551317B - 一种基于天气预报的数据机房运行控制的负荷预测方法 - Google Patents
一种基于天气预报的数据机房运行控制的负荷预测方法 Download PDFInfo
- Publication number
- CN115551317B CN115551317B CN202211301706.2A CN202211301706A CN115551317B CN 115551317 B CN115551317 B CN 115551317B CN 202211301706 A CN202211301706 A CN 202211301706A CN 115551317 B CN115551317 B CN 115551317B
- Authority
- CN
- China
- Prior art keywords
- data
- weather
- time
- load
- solar radiation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000005855 radiation Effects 0.000 claims abstract description 42
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 27
- 230000033228 biological regulation Effects 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 6
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 230000017525 heat dissipation Effects 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000010977 unit operation Methods 0.000 abstract description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- H05K7/20836—Thermal management, e.g. server temperature control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- General Engineering & Computer Science (AREA)
- Thermal Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于天气预报的数据机房运行控制的负荷预测方法,包括以下步骤:S1、通过气象接口采集历史逐时天气数据,通过智能电表采集机房历史逐时空调运行总负荷,经由无线信号传输,通过端口导出天气数据;S2、对导出的数据进行预处理;S3、采用皮尔逊相关性对数据进行分析,并筛选出与空调负荷相关性强的天气数据;S4、预测第二天太阳辐射值;相比现有技术,本发明采用聚类的方法将全年复杂的天气模式和机组运行模式归类,使之简单化,便于调控;通过分别考虑内外负荷的影响因素,进行关联度筛分,选取关联度最高的影响因素,尤其是太阳辐射的影响,从而减少了夏季外负荷的计算误差。
Description
技术领域
本发明涉及机房空调控制技术领域,具体涉及一种基于天气预报的数据机房运行控制的负荷预测方法。
背景技术
信息化时代的到来,使数据机房的规模不断增大,随之带来了一系列问题。由于机房中的环境设备和子系统相互影响,若机房的安全性和稳定性无法得到保障,会造成重大损失。通常,数据机房空调配置存在冗余,备份空调一直处于运行状态,空调机组运行效率较低,造成能耗浪费。此外,数据机房发热量巨大,产生的负荷主要来自IT设备散热,且设备全年无间断运行,冷负荷变化较为稳定,使其具有较大的节能潜力。因此,针对数据机房的运行进行负荷预测,提前给出调控方案,对于节能降耗十分有必要。
目前,数据机房的控制系统智能化程度较低,缺乏有效的调节策略,仅支持一些简单的启停控制。同时,在制定控制策略时,缺少空调专业相关知识的支撑。当前采取传感器读取温度数据只能实现实时的负荷计算,无法预测负荷,预先提供运行策略。且计算外负荷时未考虑太阳辐射值的影响,导致夏季计算出来的外负荷较低,计算误差较大。
发明内容
为解决现有技术的不足,本发明的目的在于提供一种基于天气预报的数据机房运行控制的负荷预测方法。
为了实现上述目标,本发明采用如下的技术方案:
一种基于天气预报的数据机房运行控制的负荷预测方法,包括以下步骤:S1、通过气象接口采集历史逐时天气数据,通过智能电表采集机房历史逐时空调运行总负荷,经由无线信号传输,通过端口导出天气数据;S2、对导出的数据进行预处理;S3、采用皮尔逊相关性对数据进行分析,并筛选出与空调负荷相关性强的特征参数;即皮尔逊相关系数取值范围[-1,1],越接近1正相关越强,越接近-1负相关越强;S4、预测第二天太阳辐射值;S5、从天气预报网获取第二天逐时干球温度并结合步骤S4中预测的第二天太阳辐射预测值计算得到室外温度Tout;S6、步骤S4中的室外温度Tout计算得到外负荷Qout、内负荷Qin和机房总负荷Qtotal;其中,Qtotal=Qout+Qin;S7、读取第二天天气预报气象数据,依据步骤S4-S6计算出预测的机房总负荷Qtotal,结合机组额定制冷量,计算得出机组运行台数,并下发指令给自控系统实施预先调控。
作为本发明的进一步优选,所述步骤S1中天气数据包括干球温度、相对湿度、太阳辐射强度、风速和天气类型。
作为本发明的进一步优选,所述步骤S2的具体步骤如下:S2.1、导出数据后将非数值型的字符型数据转换为数值型数据;例如:天气类型中,用1代表晴,2代表多云,3代表阴,4代表雨;S2.2、基于实际天气数据设置天气数据变化范围阈值,并对超出范围阈值最高或最低值进行剔除;各天气数据变化范围阈值包括干球温度(℃) [-50,50],相对湿度(%)[0,100],太阳辐射强度(W/m2) [0,1368],风速(m/s)[0,100],天气类型[1,4];S2.3、对应时间序列对缺失值进行查找和填充;得到格式标准、且时间序列完整的数据。
作为本发明的进一步优选,所述步骤S2.3中,采用均值或指数平滑法对缺失值进行填充。
作为本发明的进一步优选,所述步骤S4的具体步骤如下:S4.1、由由于全年天气参数在一天中的变化存在差异,将历史全年的逐时太阳辐射值分为供冷季、过渡季、供暖季;S4.2根据不同天气类型对不同季节下的逐时太阳辐射值进行筛分,形成若干单一数据组;天气类型包括:晴、多云、阴、雨;S4.3、对筛分后的单一数据组分别进行基于距离矩阵的k-means均值聚类,有利于将全年复杂的变化情况归结于若干模式;其中,簇内误方差法变化逐渐变缓的转折点即是最佳聚类数目K;S4.4、通过轮廓系数对均值聚类后的单一数据组的聚类效果进行评估;S4.5、得到对应季节下,不同天气类型为晴天时太阳辐射逐时变化值有i种类型,多云时有j种类型,阴天时有k种类型,雨天时有v种类型;S4.6、将每种类型下的24小时聚类结果和对应的逐时干球温度变化值整合为一个数据组储存进数据库;S4.7、根据第二天所在日期识别第二天所处季节;S4.8、根据第二天的天气类型在数据库中定位到对应的n个聚类簇中;S4.9、通过欧式距离对从天气预报网导出的第二天逐时干球温度与数据库中聚类簇对应的逐时干球温度变化值两两间进行计算,得出相似度,相似度最小的逐时干球温度变化值所处的聚类簇即为第二天太阳辐射预测结果。
作为本发明的进一步优选,所述步骤S5的中室外温度Tout通过计算得到,其中,Tg为天气预报干球温度,ρ为太阳辐射吸收系数,α为围护结构外表面的表面传热系数,S为太阳辐射强度。
作为本发明的进一步优选,所述步骤S6的中,外负荷Qout通过围护结构负荷计算公式计算得出,其中,k为围护结构传热系数,F为围护结构表面积,Tin为机房室内温度,通常设为24-26℃;内负荷Qin为智能电表采集列IT设备散热负荷。
作为本发明的进一步优选,所述步骤S7的中,运行台数=机房总负荷/机组额定制冷量。
本发明的有益之处在于:本发明采用聚类的方法将全年复杂的天气模式和机组运行模式归类,使之简单化,便于调控;通过分别考虑内外负荷的影响因素,进行关联度筛分,选取关联度最高的影响因素,尤其是太阳辐射的影响,从而减少了夏季外负荷的计算误差;通过第二天的天气预报对第二天的负荷变化进行预测,直接对第二天空调机组进行运行台数,运行时间调控,实现对机组的提前调控,不仅可以根据实际天气情况不断优化调整运行模式,还可以减少了人力物力,且方法新颖,适用于不同机房。
附图说明
图1是本发明负荷预测方法详细流程示意图;
图2是步骤2中数据预处理的详细流程示意图;
图3是步骤4中第二天太阳辐射预测方法的详细流程示意图;
图4是步骤5中室外温度Tout计算方法的详细流程示意图;
图5是步骤6中机房总负荷预测方法的详细流程示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
实施例一:
结合图1,一种基于天气预报的数据机房运行控制的负荷预测方法,包括以下步骤:
S1、通过气象接口采集历史逐时天气数据,通过智能电表采集机房历史逐时空调运行总负荷,经由无线信号传输,通过端口导出天气数据。
天气数据包括干球温度、相对湿度、太阳辐射强度、风速和天气类型。
S2、对导出的数据进行预处理;
结合图2,具体步骤如下:
S2.1、导出数据后将非数值型的字符型数据转换为数值型数据;例如:天气类型中,用1代表晴,2代表多云,3代表阴,4代表雨。
S2.2、基于实际天气数据设置天气数据变化范围阈值,并对超出范围阈值最高或最低值进行剔除。
其中,各天气数据变化范围阈值包括干球温度(℃) [-50,50],相对湿度(%) [0,100],太阳辐射强度(W/m2) [0,1368],风速(m/s)[0,100],天气类型[1,4]。
S2.3、对应时间序列对缺失值进行查找和填充;得到格式标准、且时间序列完整的数据。
S3、采用皮尔逊相关性对数据进行分析,并筛选出与空调负荷相关性强的特征参数;即皮尔逊相关系数取值范围[-1,1],越接近1正相关越强,越接近-1负相关越强。
结合图3,S4、预测第二天太阳辐射值;
具体步骤如下:
S4.1、由由于全年天气参数在一天中的变化存在差异,将历史全年的逐时太阳辐射值分为供冷季、过渡季、供暖季。
S4.2根据不同天气类型对不同季节下的逐时太阳辐射值进行筛分,形成若干单一数据组。
天气类型包括:晴、多云、阴、雨。
S4.3、对筛分后的单一数据组分别进行基于距离矩阵的k-means均值聚类,有利于将全年复杂的变化情况归结于若干模式;其中,簇内误方差法变化逐渐变缓的转折点即是最佳聚类数目K。
S4.4、通过轮廓系数对均值聚类后的单一数据组的聚类效果进行评估。
S4.5、得到对应季节下,不同天气类型为晴天时太阳辐射逐时变化值有i种类型,多云时有j种类型,阴天时有k种类型,雨天时有v种类型。
S4.6、将每种类型下的24小时聚类结果和对应的逐时干球温度变化值整合为一个数据组储存进数据库。
S4.7、根据第二天所在日期识别第二天所处季节。
S4.8、根据第二天的天气类型在数据库中定位到对应的n个聚类簇中。
S4.9、通过欧式距离对从天气预报网导出的第二天逐时干球温度与数据库中聚类簇对应的逐时干球温度变化值两两间进行计算,得出相似度,相似度最小的逐时干球温度变化值所处的聚类簇即为第二天太阳辐射预测结果。
结合图4,S5、从天气预报网获取第二天逐时干球温度并结合步骤S4中预测的第二天太阳辐射预测值计算得到室外温度Tout。
其中,Tg为天气预报干球温度,ρ为太阳辐射吸收系数,α为围护结构外表面的表面传热系数,S为太阳辐射强度。
结合图5,步骤S4中的室外温度Tout计算得到外负荷Qout、内负荷Qin和机房总负荷Qtotal。
其中,外负荷Qout通过围护结构负荷计算公式计算得出,其中,k为围护结构传热系数,F为围护结构表面积。
Tin为机房室内温度,通常设为24-26℃;
内负荷Qin为智能电表采集列IT设备散热负荷。
机房总负荷Qtotal=外负荷Qout+内负荷Qin。
由于建筑信息可以根据不同项目进行更改,主要包括围护结构信息,其中包括围护结构传热系数k,围护结构表面积F,太阳辐射吸收系数ρ,外表面传热系数α等。
S7、读取第二天天气预报气象数据,依据步骤S4-S6计算出预测的机房总负荷Qtotal,结合机组额定制冷量,计算得出机组运行台数,运行台数=机房总负荷/机组额定制冷量,并下发指令给自控系统实施预先调控。
本发明的目的在于提出一种基于天气预报的数据机房运行控制的负荷预测方法,实现对机组负荷的预测。数据机房的外负荷受气象参数影响明显,因此,分析了气象参数与外负荷的相关性。考虑到人员和照明设备产生的负荷较小,可忽略不计。IT设备作为内热源产生的内负荷基本为定值,提出了一种考虑太阳辐射值预测总负荷的方法。由于第二天的太阳辐射值较难获取,本申请先将全年分为供冷季、过渡季、供暖季,再通过历年天气类型对逐时太阳辐射值进行划分,并采取k-means聚类的方法获取若干类太阳辐射预测值。根据第二天的天气预报对第二天的负荷变化进行预测,从而实现对机组提前调控,并根据实际天气情况不断优化调整运行模式。
实施例二:
以中国电信常州天目湖数据中心为例,时间:2022年6月17日,基于天气预报的数据机房运行控制的负荷预测方法预测第二天(6月18日)的机房总负荷,具体步骤如下:
从端口读取6月18日天气预报数据,含24小时干球温度、天气类型。由于6月18日属于供冷季,天气类型为多云,将逐时干球温度与数据库中的历史逐时干球温度两两计算,得到相似度最小值的聚类簇即为对应的太阳辐射预测值。
根据第二天的干球温度和太阳辐射预测值计算得到机房外负荷(负号代表热负荷)与总负荷,如下表所示:
时间 | 干球温度Tg(℃) | 太阳辐射预测值S(W/m2) | 外负荷Qout(kw) | 总负荷预测值Qtotal(kw) |
2022\06\18 0:00 | 26 | 0.00 | 7.90 | 3007.90 |
2022\06\18 1:00 | 25 | 0.00 | 0.00 | 3000.00 |
2022\06\18 2:00 | 25 | 0.00 | 0.00 | 3000.00 |
2022\06\18 3:00 | 24 | 0.00 | -7.90 | 2992.10 |
2022\06\18 4:00 | 24 | 0.00 | -7.90 | 2992.10 |
2022\06\18 5:00 | 23 | 0.00 | -15.79 | 2984.21 |
2022\06\18 6:00 | 25 | 25.65 | 7.78 | 3007.78 |
2022\06\18 7:00 | 27 | 112.76 | 50.00 | 3050.00 |
2022\06\18 8:00 | 29 | 232.71 | 102.18 | 3102.18 |
2022\06\18 9:00 | 30 | 352.12 | 146.30 | 3146.30 |
2022\06\18 10:00 | 31 | 481.05 | 193.31 | 3193.31 |
2022\06\18 11:00 | 32 | 511.73 | 210.52 | 3210.52 |
2022\06\18 12:00 | 33 | 617.41 | 250.47 | 3250.47 |
2022\06\18 13:00 | 33 | 643.86 | 258.50 | 3258.50 |
2022\06\18 14:00 | 34 | 620.31 | 259.25 | 3259.25 |
2022\06\18 15:00 | 33 | 543.73 | 228.12 | 3228.12 |
2022\06\18 16:00 | 32 | 424.16 | 183.95 | 3183.95 |
2022\06\18 17:00 | 31 | 283.36 | 133.34 | 3133.34 |
2022\06\18 18:00 | 30 | 159.22 | 87.78 | 3087.78 |
2022\06\18 19:00 | 29 | 36.41 | 42.63 | 3042.63 |
2022\06\18 20:00 | 29 | 0.03 | 31.59 | 3031.59 |
2022\06\18 21:00 | 27 | 0.00 | 15.79 | 3015.79 |
2022\06\18 22:00 | 25 | 0.00 | 0.00 | 3000.00 |
2022\06\18 23:00 | 24 | 0.00 | -7.90 | 2992.10 |
根据逐时的总负荷判断机组开启台数。单台冷机额定制冷量为3868kw,6月18日全天总负荷预测值均小于单台冷机额定制冷量。因此,全天应只开一台冷机,下发指令给自控系统实施预先调控。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (7)
1.一种基于天气预报的数据机房运行控制的负荷预测方法,其特征在于,包括以下步骤:S1、通过气象接口采集历史逐时天气数据,通过智能电表采集机房历史逐时空调运行总负荷,经由无线信号传输,通过端口导出天气数据;S2、对导出的数据进行预处理;S3、采用皮尔逊相关性对数据进行分析,并筛选出与空调负荷相关性强的天气数据;皮尔逊相关系数取值范围[-1,1],越接近1正相关越强,越接近-1负相关越强;S4、预测第二天太阳辐射值;所述步骤S4的具体步骤如下:S4.1、将历史全年的逐时太阳辐射值分为供冷季、过渡季、供暖季;S4.2根据不同天气类型对不同季节下的逐时太阳辐射值进行筛分,形成若干单一数据组;天气类型包括:晴、多云、阴、雨;S4.3、对筛分后的单一数据组分别进行基于距离矩阵的k-means均值聚类;其中,簇内误方差法变化逐渐变缓的转折点即是最佳聚类数目K;S4.4、通过轮廓系数对均值聚类后的单一数据组的聚类效果进行评估;S4.5、得到对应季节下,不同天气类型为晴天时太阳辐射逐时变化值有i种类型,多云时有j种类型,阴天时有k种类型,雨天时有v种类型;S4.6、将每种类型下的24小时聚类结果和对应的逐时干球温度变化值整合为一个数据组储存进数据库;S4.7、根据第二天所在日期识别第二天所处季节;S4.8、根据第二天的天气类型在数据库中定位到对应的n个聚类簇中;S4.9、通过欧式距离对从天气预报网导出的第二天逐时干球温度与数据库中聚类簇对应的逐时干球温度变化值两两间进行计算,得出相似度,相似度最小的逐时干球温度变化值所处的聚类簇即为第二天太阳辐射预测结果;S5、从天气预报网获取第二天逐时干球温度并结合步骤S4中预测的第二天太阳辐射预测值计算得到室外温度Tout;S6、步骤S4中的室外温度计Tout算得到外负荷Qout、内负荷Qin和机房总负荷Qtotal;其中,Qtotal=Qout+Qin;S7、读取第二天天气预报气象数据,依据步骤S4-S6计算出预测的机房总负荷Qtotal,结合机组额定制冷量,计算得出机组运行台数,并下发指令给自控系统实施预先调控。
2.根据权利要求1所述的一种基于天气预报的数据机房运行控制的负荷预测方法,其特征在于,所述步骤S1中天气数据包括干球温度、相对湿度、太阳辐射强度、风速和天气类型。
3.根据权利要求1所述的一种基于天气预报的数据机房运行控制的负荷预测方法,其特征在于,所述步骤S2的具体步骤如下:S2.1、导出数据后将非数值型的字符型数据转换为数值型数据;S2.2、基于实际天气数据设置天气数据变化范围阈值,并对超出范围阈值最高或最低值进行剔除;S2.3、对应时间序列对缺失值进行查找和填充;得到格式标准、且时间序列完整的数据。
4.根据权利要求2所述的一种基于天气预报的数据机房运行控制的负荷预测方法,其特征在于,所述步骤S2.3中,采用均值或指数平滑法对缺失值进行填充。
5.根据权利要求1所述的一种基于天气预报的数据机房运行控制的负荷预测方法,其特征在于,所述步骤S5的中室外温度Tout通过计算得到,其中,Tg为天气预报干球温度,ρ为太阳辐射吸收系数,α为围护结构外表面的表面传热系数,S为太阳辐射强度。
6.根据权利要求1所述的一种基于天气预报的数据机房运行控制的负荷预测方法,其特征在于,所述步骤S6的中,外负荷Qout通过围护结构负荷计算公式计算得出,其中,k为围护结构传热系数,F为围护结构表面积,Tin为机房室内温度;内负荷Qin为智能电表采集列IT设备散热负荷。
7.根据权利要求1所述的一种基于天气预报的数据机房运行控制的负荷预测方法,其特征在于,所述步骤S7的中,运行台数=机房总负荷/机组额定制冷量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211301706.2A CN115551317B (zh) | 2022-10-24 | 2022-10-24 | 一种基于天气预报的数据机房运行控制的负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211301706.2A CN115551317B (zh) | 2022-10-24 | 2022-10-24 | 一种基于天气预报的数据机房运行控制的负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115551317A CN115551317A (zh) | 2022-12-30 |
CN115551317B true CN115551317B (zh) | 2023-12-12 |
Family
ID=84719537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211301706.2A Active CN115551317B (zh) | 2022-10-24 | 2022-10-24 | 一种基于天气预报的数据机房运行控制的负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115551317B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169606A (zh) * | 2017-05-18 | 2017-09-15 | 天津大学 | 一种办公建筑冷负荷的预测方法 |
CN109948297A (zh) * | 2019-04-09 | 2019-06-28 | 深圳市赛为智能股份有限公司 | 微模块温度场模拟方法、装置、计算机设备及存储介质 |
CN110097205A (zh) * | 2019-03-15 | 2019-08-06 | 天津大学 | 一种建筑负荷预测用气象预报数据预处理方法 |
CN111985696A (zh) * | 2020-07-29 | 2020-11-24 | 中国电力工程顾问集团中南电力设计院有限公司 | 一种针对大型区域供冷供热能源站的冷热负荷计算方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112541213A (zh) * | 2020-12-02 | 2021-03-23 | 北京工业大学 | 供暖系统水温度预测模型的建模方法及水温控制策略 |
CN114282729A (zh) * | 2021-12-29 | 2022-04-05 | 天津大学 | 一种基于负荷预测的冰蓄冷空调优化调度方法 |
CN114484557A (zh) * | 2022-01-22 | 2022-05-13 | 天津大学 | 一种基于目标能耗管控的建筑群供热负荷调控方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020107851A1 (zh) * | 2018-11-29 | 2020-06-04 | 天津大学 | 基于既有大型公共建筑空调系统的低成本调适方法及调适系统 |
-
2022
- 2022-10-24 CN CN202211301706.2A patent/CN115551317B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169606A (zh) * | 2017-05-18 | 2017-09-15 | 天津大学 | 一种办公建筑冷负荷的预测方法 |
CN110097205A (zh) * | 2019-03-15 | 2019-08-06 | 天津大学 | 一种建筑负荷预测用气象预报数据预处理方法 |
CN109948297A (zh) * | 2019-04-09 | 2019-06-28 | 深圳市赛为智能股份有限公司 | 微模块温度场模拟方法、装置、计算机设备及存储介质 |
CN111985696A (zh) * | 2020-07-29 | 2020-11-24 | 中国电力工程顾问集团中南电力设计院有限公司 | 一种针对大型区域供冷供热能源站的冷热负荷计算方法 |
CN112541213A (zh) * | 2020-12-02 | 2021-03-23 | 北京工业大学 | 供暖系统水温度预测模型的建模方法及水温控制策略 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN114282729A (zh) * | 2021-12-29 | 2022-04-05 | 天津大学 | 一种基于负荷预测的冰蓄冷空调优化调度方法 |
CN114484557A (zh) * | 2022-01-22 | 2022-05-13 | 天津大学 | 一种基于目标能耗管控的建筑群供热负荷调控方法 |
Non-Patent Citations (1)
Title |
---|
广东地区围护结构节能技术及情景分析;郑林涛黄冬娜冯璐垚赵立华;《建筑节能》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115551317A (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197404B (zh) | 一种基于时间遗传特性的建筑负荷预测方法 | |
CN110826134A (zh) | 一种基于能耗及局域微气候综合优化的城市建筑群设计方法 | |
CN101957046A (zh) | 基站/机房空调智能节电控制系统 | |
CN110298104A (zh) | 一种采用数字模拟进行节能建筑设计信息处理系统及方法 | |
CN106529167A (zh) | 一种非供暖季空调系统综合能耗的分析方法 | |
CN111561733B (zh) | 基于gbdt的供暖户阀调节方法、系统及设备 | |
CN108426354A (zh) | 基于辐射时间序列方法的空调负荷预测系统 | |
CN116258239B (zh) | 智控能源碳排管理集成系统及碳排管理方法 | |
CN116489978B (zh) | 一种基于人工智能的机房节能优化控制系统 | |
CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
CN114282729A (zh) | 一种基于负荷预测的冰蓄冷空调优化调度方法 | |
CN111199065B (zh) | 零能耗建筑设计方法、装置及终端设备 | |
CN115689068A (zh) | 一种基于室温修正和CNN-BiLSTM的热负荷预测方法 | |
CN115689146A (zh) | 一种多能源智能楼宇负荷调度方法及系统 | |
CN115551317B (zh) | 一种基于天气预报的数据机房运行控制的负荷预测方法 | |
CN114417608A (zh) | 一种基于未来气候变化下被动式住宅建筑能耗预测的方法 | |
CN114491411A (zh) | 一种数据中心空调系统节能余热利用计算方法 | |
CN116862129B (zh) | 一种零耗能建筑数据分析方法及系统 | |
CN208567008U (zh) | 基于辐射时间序列方法的空调负荷预测系统 | |
CN112781184A (zh) | 一种空调系统智能降耗方法和系统 | |
CN114548533A (zh) | 一种建筑冷热电动态负荷设计方法、装置、区域内动态负荷获取方法、计算机及存储介质 | |
CN115222227A (zh) | 一种基于数据库的碳排放量确定方法、系统、介质及设备 | |
CN105071396B (zh) | 光伏楼宇中能量调节的方法及系统 | |
Meng et al. | Data center cooling load prediction and analysis based on weather data clustering | |
CN115451533A (zh) | 一种集中空调制冷机房系统能效计算和分析的系统及方法 |
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 |