CN115685941B - 一种基于机柜热点温度预测的机房运行调控方法及装置 - Google Patents

Abstract

本发明公开了一种基于机柜热点温度预测的机房运行调控方法及装置，方法包括如下步骤：采集多种工况下的机柜第一运行参数数据，获取对应的机柜热点温度数据，建立机柜运行样本数据集；基于机柜运行样本数据集，训练第一学习算法，建立机柜热点温度预测模型；根据机柜热点温度预测模型，结合不同机柜热点温度的阈值数据，优化机柜运行样本数据集，根据得到的机柜第二运行参数数据形成调控机房运行的调控参数数据集；基于调控参数数据集，训练第二学习算法，给出机房运行调控模型，对机房运行进行实时调控。本发明给出的调控方法通过热点温度实时预测建立与机房调控参数的关系，满足不同工况下机柜热点的智能实时精准消除。

Description

一种基于机柜热点温度预测的机房运行调控方法及装置

技术领域

本发明涉及数据中心智能调控领域，尤其涉及一种基于机柜热点温度预测的机房运行调控方法及装置。

背景技术

大数据信息时代，数据中心的数量和规模不断扩大，为保证数据机房内信息技术设备高效安全地运行，需要严格控制室内温度等环境参数。机房设备暴露在高温或高热流密度下时，会有形成热点的风险，热点处温度过高容易造成服务器损伤，发生运行事故。

目前，常采用增加供冷量的方法消除热点，而通过对数据中心进行整体降温的方式来消除热点会导致大量能源消耗。因而，有通过研究数据中心的热环境分布来确定进行运行调控的数据，以此来实现有效能耗内的数据中心降温。

如专利CN114065602A提供了一种温度预测方法：获取空调出风数据、服务器负载数据以及冷池进风口风量数据；将空调出风数据输入预先训练的第一机器学习模型，获得冷池进风口温湿度预测数据；将冷池进风口温湿度预测数据、服务器负载数据以及冷池进风口风量数据输入预先训练的第二机器学习模型，获得机柜出风口温度预测数据。该方案通过逐步建立空调出风与冷池进风、冷池进风与温湿度、服务器负载等之间的链条关系，实现对空调及机柜出风口温度的预测和调控。

再如专利CN114816699A给出了基于温度预测的数据中心作业调度方法及系统，获取数据中心机柜相关参数、机柜中服务器的相关参数、作业队列中待调度作业所需资源大小和冷却设备的相关参数；对获取的数据进行预处理，对于预处理后的数据进行特征筛选；基于训练后的机器学习模型和筛选得到的特征，预测出未来设定时间段内机柜的温度，选出温度最低的机柜；将待调度作业，在温度最低的机柜的若干个服务器中进行初始调度和优化调度，通过多次迭代，选出服务器与待调度作业之间的最佳映射方案；根据最佳映射方案实现待调度作业的调度。

但是，以上现有技术在对温度和机柜运行参数进行关系构建时，忽视了机柜热点区域的温度预测和控制，且考虑的对应关系较为简单单一，存在较大的误差和不确定性，因而导致后期的调控和调度无法起到准确消除热点，达到智能控制的目的。

因此，如何确定精准的温度与机柜运行参数关系，给出有效的参数调控模型，以实现对机房运行的智能调控是本领域技术人员亟待解决的问题。

发明内容

针对上述现有技术中存在的缺陷，本发明提供了一种基于机柜热点温度预测的机房运行调控方法及装置，基于由机柜热点温度的预测串接调控参数，在通过多工况下运行参数样本数据形成的机柜运行样本数据集基础上，逐步形成机柜热点温度预测模型、调控参数数据集以及机房运行调控模型，其中机柜热点温度预测模型与机房运行调控模型之间进行叠加验证，保证了预测的调控参数的准确度，进而实现对机房运行的智能调控。

第一方面，本发明提供一种基于机柜热点温度预测的机房运行调控方法，包括如下步骤：

采集多种工况下的机柜第一运行参数数据，获取对应的机柜热点温度数据，建立机柜运行样本数据集；

基于机柜运行样本数据集，训练第一学习算法，建立机柜热点温度预测模型；

根据机柜热点温度预测模型，结合不同机柜热点温度的阈值数据，优化机柜运行样本数据集，根据得到的机柜第二运行参数数据形成调控机房运行的调控参数数据集；

基于调控参数数据集，训练第二学习算法，给出机房运行调控模型，对机房运行进行实时调控。

进一步的，机柜第一运行参数包括发热功率P、第一送风温度T_in及第一送风速度F_in；

机柜运行样本数据集的机柜热点温度数组

与发热功率数组([P₁ P₂……P_m1])、第一送风温度数组([T_in,1T_in,2……T_in,m2])、第一送风速度数组([F_{in, 1}F_in,2……F_in,m3])的对应关系为：

其中，m₁为发热功率数组的数据数量，m₂为第一送风温度数组的数据数量，m₃为第一送风速度数组的数据数量，T^*为机柜热点温度，m为机柜热点温度数组的数据数量。

进一步的，基于机柜运行样本数据集，训练第一学习算法，建立机柜热点温度预测模型，具体包括：

选择机柜运行样本数据集的多组机柜第一运行参数作为输入参数组，分别输入多个预先搭建的第一学习算法，并输出机柜热点预测温度T_p；

基于对机柜热点预测温度T_p和机柜热点温度T^*的分析比较，确定机柜热点温度预测模型；

其中，确定的机柜热点温度预测模型的关系公式为：

T_p＝f₁(P,T_in,F_in)

f₁为表示T_p与P、T_in、F_in的量化函数。

进一步的，多个预先搭建的第一学习算法为多个架构参数不同的初始第一学习算法；

初始第一学习算法的构架参数包括输入层、至少一个第一隐含层和输出层，每个第一隐含层包括多个第一神经元，第一神经元用于构建机柜热点温度与发热功率、第一送风温度及第一送风速度之间的量化关系；

初始第一学习算法([A₁ A₂……A_k])与第一隐含层([H_1,1H_1,2……H_1,k1])及第一神经元([N_1,1N_1,2……N_1,k2])的对应关系如下：

其中，A为初始第一学习算法，H₁为第一隐含层，N₁为第一神经元，k、k₁及k₂分别为初始第一学习算法、第一隐含层及第一神经元的数量。

进一步的，基于对机柜热点预测温度T_p和机柜热点温度T^*的分析比较，确定机柜热点温度预测模型，具体包括：

确定机柜运行样本数据集的训练数组和测试数组；

分别对每个初始第一学习算法进行所有训练数组的训练，形成对应的第一学习算法，针对所有第一学习算法均通过测试数组比较机柜热点预测温度T_p和对应的机柜热点温度T^*；

给出每个第一学习算法的第一衡量参数数据，其中，第一衡量参数包括第一决定系数R₁ ²、第一均方根误差RMSE₁及第一百分比误差δ₁；

基于第一衡量参数数据的预设范围，筛选第一学习算法，确定机柜热点温度预测模型。

进一步的，第一隐含层的数量k₁为1～3，第一神经元的数量k₂为1～15，训练数组与测试数组的比例为(7-9):(3-1)；

第一衡量参数数据的预设范围包括：第一决定系数R₁ ²为0.95～1，第一均方根误差RMSE₁为0～1℃，第一百分比误差δ₁为0～15％。

进一步的，根据机柜热点温度预测模型，结合不同机柜热点温度的阈值数据，优化机柜运行样本数据集，根据得到的机柜第二运行参数数据形成调控机房运行的调控参数数据集，具体包括：

通过机柜热点温度预测模型获取不同实际工况下的机柜热点预测温度数组([T_{p, 1}T_p,2……T_p,n1])，并确定机柜热点温度的阈值数组([T_lim,1T_lim,2……T_lim,n1])；

将不同实际工况下发热功率数组([P₁ P₂……P_n2])和机柜热点温度的阈值数组([T_lim,1T_lim,2……T_lim,n1])输入机柜热点温度预测模型，通过确定的第二送风温度和第二送风速度的约束关系，给出作为机柜第二运行参数数据的第二送风温度数组([T_{in,ctr, 1}T_in,ctr,2……T_in,ctr,n])和第二送风速度数组([F_in,ctr,1F_in,ctr,2……F_in,ctr,n])；

通过发热功率数组、机柜热点温度的阈值数组、第二送风温度数组及第二送风速度数组，形成调控机房运行的调控参数数据集；

发热功率数组([P₁ P₂……P_n2])、机柜热点温度的阈值数组([T_lim,1T_lim,2……T_lim,n1])与第二送风温度数组([T_in,ctr,1T_in,ctr,2……T_in,ctr,n])、第二送风速度数组([F_{in,ctr, 1}F_in,ctr,2……F_in,ctr,n])的对应关系为：

其中，T_lim为机柜热点温度的阈值，T_in,ctr为第二送风温度，F_in,ctr为第二送风速度，n₂为发热功率数组的数据数量，n₁为机柜热点温度的阈值数组的数据数量，n为第二送风速度数组/第二送风速度数组的数据数量。

进一步的，基于调控参数数据集，训练第二学习算法，给出机房运行调控模型，具体包括：

选择调控参数数据集的多组发热功率和机柜热点温度的阈值作为输入值，分别输入多个预先搭建的第二学习算法，并输出第二送风预测温度和第二送风预测速度；

基于第二送风温度、第二送风速度与第二送风预测温度T_pin,ctr、第二送风预测速度F_pin,ctr的分析比较，确定机房运行调控模型；

其中，确定的机房运行调控模型的关系公式为：

(T_pin,ctr,F_pin,ctr)＝f₂(P,T_lim)

f₂为表示T_pin,ctr、F_pin,ctr与P、T_lim的量化函数。

进一步的，多个预先搭建的第二学习算法为多个架构参数不同的初始第二学习算法；

初始第二学习算法的构建参数包括输入层、至少一个第二隐含层和输出层，每个第二隐含层包括多个第二神经元，第二神经元用于构建第二送风温度、第二送风速度与发热功率、机柜热点温度的阈值之间的量化关系；

初始第二学习算法([B₁ B₂……B_j])与第二隐含层([H_2,1H_2,2……H_2,j1])及第二神经元([N_2,1N_2,2……N_2,j2])的对应关系如下：

其中，B为初始第二学习算法，H₂为第二隐含层，N₂为第二神经元，j、j₁及j₂分别为初始第二学习算法、第二隐含层及第二神经元的数量；

基于第二送风温度、第二送风速度与第二送风预测温度、第二送风预测速度的分析比较，确定机房运行调控模型，具体包括：

确定调控参数数据集的训练数组和测试数组；

分别对每个初始第二学习算法进行所有训练数组的训练，形成对应的第二学习算法，针对所有第二学习算法均通过测试数组比较第二送风温度、第二送风速度与第二送风预测温度、第二送风预测速度；

给出每个第二学习算法的第二衡量参数数据，其中，第二衡量参数包括第二决定系数R₂ ²、第二均方根误差RMSE₂及百分比误差δ₂；

基于第二衡量参数数据的预设范围，筛选第二学习算法，确定机房运行调控模型；

其中，第二隐含层的数量j₁为1～3，第二神经元的数量j₂为1～10，训练数组与测试数组的比例为(8-9):(2-1)；

第二衡量参数数据的预设范围包括：第二决定系数R₂ ²为0.95～1，第二送风温度与第二送风预测温度的第二均方根误差RMSE₂为0～1℃，第二送风速度与第二送风预测速度的第二均方根误差RMSE₂为0～0.3m/s，第二百分比误差δ₂为0～10％。

第二方面，本发明还提供一种基于机柜热点温度预测的机房运行调控装置，采用如上述的基于机柜热点温度预测的机房运行调控方法，包括：

采集组件，采集多种工况下的机柜第一运行参数数据，获取对应的机柜热点温度数据，建立机柜运行样本数据集；

训练组件，基于机柜运行样本数据集，训练第一学习算法，建立机柜热点温度预测模型，根据机柜热点温度预测模型，结合不同机柜热点温度的阈值数据，优化机柜运行样本数据集，根据得到的机柜第二运行参数数据形成调控机房运行的调控参数数据集，基于调控参数数据集，训练第二学习算法，给出机房运行调控模型；

调控组件，根据机房运行调控模型，对机房运行进行实时调控。

本发明提供的一种基于机柜热点温度预测的机房运行调控方法及装置，至少包括如下有益效果：

(1)在通过多工况下运行参数样本数据形成的机柜运行样本数据集基础上，逐步形成机柜热点温度预测模型、调控参数数据集以及机房运行调控模型，其中机柜热点温度预测模型与机房运行调控模型之间进行叠加验证，保证了预测的调控参数的准确度，进而实现对机房运行的智能调控。

(2)通过学习算法表征机柜状态参数之间的关系，设定收敛指标，可以通过机柜运行样本数据集快速给出机柜运行参数与机柜热点温度数据的关系，有助于建立后续的调控参数数据集。

(3)结合机柜热点温度预测模型以及机柜热点温度的阈值，建立机房运行调控模型，通过送风温度和送风速度，实现对机房运行的实时智能精准的调控。

附图说明

图1为本发明提供的一种基于机柜热点温度预测的机房运行调控方法流程示意图；

图2为本发明提供的第一学习算法构架示意图；

图3为本发明提供的第二学习算法构架示意图；

图4为本发明提供的一种基于机柜热点温度预测的机房运行调控装置结构示意图。

具体实施方式

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。

还需要说明的是，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商品或者装置不仅包括那些要素，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商品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。

如图1所示，本发明提供一种基于机柜热点温度预测的机房运行调控方法，包括如下步骤：

采集多种工况下的机柜第一运行参数数据，获取对应的机柜热点温度数据，建立机柜运行样本数据集；

基于机柜运行样本数据集，训练第一学习算法，建立机柜热点温度预测模型；

根据机柜热点温度预测模型，结合不同机柜热点温度的阈值数据，优化机柜运行样本数据集，根据得到的机柜第二运行参数数据形成调控机房运行的调控参数数据集；

基于调控参数数据集，训练第二学习算法，给出机房运行调控模型，对机房运行进行实时调控。

其中，机柜第一运行参数包括发热功率P、第一送风温度T_in及第一送风速度F_in；

机柜运行样本数据集的机柜热点温度数组

与发热功率数组([P₁ P₂……P_m1])、第一送风温度数组([T_in,1T_in,2……T_in,m2])、第一送风速度数组([F_{in, 1}F_in,2……F_in,m3])的对应关系为：

其中，m₁为发热功率数组的数据数量，m₂为第一送风温度数组的数据数量，m₃为第一送风速度数组的数据数量，T^*为机柜热点温度，m为机柜热点温度数组的数据数量。m₁、m₂及m₃可以根据具体的适用场景进行确定，在此不做具体的限定。

如图2所示，基于机柜运行样本数据集，训练第一学习算法，建立机柜热点温度预测模型，具体包括：

选择机柜运行样本数据集的多组机柜第一运行参数作为输入参数组，分别输入多个预先搭建的第一学习算法，并输出机柜热点预测温度T_p；

基于对机柜热点预测温度T_p和机柜热点温度T^*的分析比较，确定机柜热点温度预测模型；

其中，确定的机柜热点温度预测模型的关系公式为：

T_p＝f₁(P,T_in,F_in)

f₁为表示T_p与P、T_in、F_in的量化函数。

根据机柜运行样本数据集的数组训练第一学习算法，以期给出机柜热点预期温度与发热功率、第一送风温度、第一送风速度之间的量化函数关系。

多个预先搭建的第一学习算法为多个架构参数不同的初始第一学习算法；

初始第一学习算法的构架参数包括输入层、至少一个第一隐含层和输出层，每个第一隐含层包括多个第一神经元，第一神经元用于构建机柜热点温度与发热功率、第一送风温度及第一送风速度之间的量化关系；

初始第一学习算法([A₁ A₂……A_k])与第一隐含层([H_1,1H_1,2……H_1,k1])及第一神经元([N_1,1N_1,2……N_1,k2])的对应关系如下：

其中，A为初始第一学习算法，H₁为第一隐含层，N₁为第一神经元，k、k₁及k₂分别为初始第一学习算法、第一隐含层及第一神经元的数量。基于对机柜热点预测温度T_p和机柜热点温度T^*的分析比较，确定机柜热点温度预测模型，具体包括：

确定机柜运行样本数据集的训练数组和测试数组；

分别对每个初始第一学习算法进行所有训练数组的训练，形成对应的第一学习算法，针对所有第一学习算法均通过测试数组比较机柜热点预测温度T_p和对应的机柜热点温度T^*；

给出每个第一学习算法的第一衡量参数数据，其中，第一衡量参数包括第一决定系数R₁ ²、第一均方根误差RMSE₁及第一百分比误差δ₁；

基于第一衡量参数数据的预设范围，筛选第一学习算法，确定机柜热点温度预测模型。

第一隐含层的数量k₁为1～3，第一神经元的数量k₂为1～15，训练数组与测试数组的比例为(7-9):(3-1)；

第一衡量参数数据的预设范围包括：第一决定系数R₁ ²为0.95～1，第一均方根误差RMSE₁为0～1℃，第一百分比误差δ₁为0～15％。

初始第一学习算法的第一隐含层的数量k₁可以在1～3的范围内选择，而每层中第一神经元的数量k₂的数量也可以在1～15的范围内进行选择，以此搭建出多个不同架构参数的初始第一学习算法。以搭建的所有初始第一学习算法进行训练，并对所有训练得到的第一学习算法进行验证，最终给出适合机柜热点温度预测的第一学习算法，并以此给出机柜热点温度预测模型。

在某个实施例中，设置第一隐含层的数量为1，神经元的数量分别设置1～15的所有整数数值，得出第一决定系数R₁ ²的数值范围为0.975～1之间，第一均方根误差RMSE₁的数值范围为0～1℃之间，第一百分比误差δ₁均小于5％。

根据机柜热点温度预测模型，结合不同机柜热点温度的阈值数据，优化机柜运行样本数据集，根据得到的机柜第二运行参数数据形成调控机房运行的调控参数数据集，具体包括：

通过机柜热点温度预测模型获取不同实际工况下的机柜热点预测温度数组([T_{p, 1}T_p,2……T_p,n1])，并确定机柜热点温度的阈值数组([T_lim,1T_lim,2……T_lim,n1])；

将不同实际工况下发热功率数组([P₁ P₂……P_n2])和机柜热点温度的阈值数组([T_lim,1T_lim,2……T_lim,n1])输入机柜热点温度预测模型，通过确定的第二送风温度和第二送风速度的约束关系，给出作为机柜第二运行参数数据的第二送风温度数组([T_{in,ctr, 1}T_in,ctr,2……T_in,ctr,n])和第二送风速度数组([F_in,ctr,1F_in,ctr,2……F_in,ctr,n])；

通过发热功率数组、机柜热点温度的阈值数组、第二送风温度数组及第二送风速度数组，形成调控机房运行的调控参数数据集；

发热功率数组([P₁ P₂……P_n2])、机柜热点温度的阈值数组([T_lim,1T_lim,2……T_lim,n1])与第二送风温度数组([T_in,ctr,1T_in,ctr,2……T_in,ctr,n])、第二送风速度数组([F_{in,ctr, 1}F_in,ctr,2……F_in,ctr,n])的对应关系为：

其中，T_lim为机柜热点温度的阈值，T_in,ctr为第二送风温度，F_in,ctr为第二送风速度，n₂为发热功率数组的数据数量，n₁为机柜热点温度的阈值数组的数据数量，n为第二送风速度数组/第二送风速度数组的数据数量。n₁和n₂可以根据具体的适用场景进行确定，在此不做具体的限定。而且，n和m的数值之间不存在关联。

如图3所示，基于调控参数数据集，训练第二学习算法，给出机房运行调控模型，具体包括：

选择调控参数数据集的多组发热功率和机柜热点温度的阈值作为输入值，分别输入多个预先搭建的第二学习算法，并输出第二送风预测温度和第二送风预测速度；

基于第二送风温度、第二送风速度与第二送风预测温度T_pin,ctr、第二送风预测速度F_pin,ctr的分析比较，确定机房运行调控模型；

其中，确定的机房运行调控模型的关系公式为：

(T_pin,ctr,F_pin,ctr)＝f₂(P,T_lim)

f₂为表示T_pin,ctr、F_pin,ctr与P、T_lim的量化函数。

多个预先搭建的第二学习算法为多个架构参数不同的初始第二学习算法；

初始第二学习算法的构建参数包括输入层、至少一个第二隐含层和输出层，每个第二隐含层包括多个第二神经元，第二神经元用于构建第二送风温度、第二送风速度与发热功率、机柜热点温度的阈值之间的量化关系；

初始第二学习算法([B₁ B₂……B_j])与第二隐含层([H_2,1H_2,2……H_2,j1])及第二神经元([N_2,1N_2,2……N_2,j2])的对应关系如下：

其中，B为初始第二学习算法，H₂为第二隐含层，N₂为第二神经元，j、j₁及j₂分别为初始第二学习算法、第二隐含层及第二神经元的数量；

基于第二送风温度、第二送风速度与第二送风预测温度、第二送风预测速度的分析比较，确定机房运行调控模型，具体包括：

确定调控参数数据集的训练数组和测试数组；

分别对每个初始第二学习算法进行所有训练数组的训练，形成对应的第二学习算法，针对所有第二学习算法均通过测试数组比较第二送风温度、第二送风速度与第二送风预测温度、第二送风预测速度；

给出每个第二学习算法的第二衡量参数数据，其中，第二衡量参数包括第二决定系数R₂ ²、第二均方根误差RMSE₂及百分比误差δ₂；

基于第二衡量参数数据的预设范围，筛选第二学习算法，确定机房运行调控模型；

其中，第二隐含层的数量j₁为1～3，第二神经元的数量j₂为1～10，训练数组与测试数组的比例为(8-9):(2-1)；

第二衡量参数数据的预设范围包括：第二决定系数R₂ ²为0.95～1，第二送风温度与第二送风预测温度的第二均方根误差RMSE₂为0～1℃，第二送风速度与第二送风预测速度的第二均方根误差RMSE₂为0～0.3m/s，第二百分比误差δ₂为0～10％。

初始第二学习算法的基础架构可以选择与初始第一学习算法相同的基础架构。第二隐含层的数量j₁可以在1～3的范围内选择，而每层中第二神经元的数量j₂的数量也可以在1～10的范围内进行选择，以此搭建出多个不同架构参数的初始第二学习算法。

在经过第一学习算法的预测之后，给出的机柜热点温度预测模型已构建了机柜运行参数之间的量化函数关系。因此，以此基础，进行机房运行调控模型的构建之时，采用的初始第二学习算法中第二隐含层的第二神经元数量可以适当减少，在提升预测效率的同时，也能保证较高的准确度。以搭建的所有初始第二学习算法进行训练，并对所有训练得到的第二学习算法进行验证，最终给出适合机房运行调控的第二学习算法，并以此给出机房运行调控模型。

如图4所示，本发明还提供一种基于机柜热点温度预测的机房运行调控装置，采用如上述的基于机柜热点温度预测的机房运行调控方法，包括：

采集组件，采集多种工况下的机柜第一运行参数数据，获取对应的机柜热点温度数据，建立机柜运行样本数据集；

训练组件，基于机柜运行样本数据集，训练第一学习算法，建立机柜热点温度预测模型，根据机柜热点温度预测模型，结合不同机柜热点温度的阈值数据，优化机柜运行样本数据集，根据得到的机柜第二运行参数数据形成调控机房运行的调控参数数据集，基于调控参数数据集，训练第二学习算法，给出机房运行调控模型；

调控组件，根据机房运行调控模型，对机房运行进行实时调控。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作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发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种基于机柜热点温度预测的机房运行调控方法，其特征在于，包括如下步骤：

采集多种工况下的机柜第一运行参数数据，获取对应的机柜热点温度数据，建立机柜运行样本数据集；

基于机柜运行样本数据集，训练第一学习算法，建立机柜热点温度预测模型；

根据机柜热点温度预测模型，结合不同机柜热点温度的阈值数据，优化机柜运行样本数据集，根据得到的机柜第二运行参数数据形成调控机房运行的调控参数数据集；

基于调控参数数据集，训练第二学习算法，给出机房运行调控模型，对机房运行进行实时调控；

其中，机柜第一运行参数包括发热功率P、第一送风温度T_in及第一送风速度F_in；

机柜运行样本数据集的机柜热点温度数组

与发热功率数组([P₁P₂……P_m1])、第一送风温度数组([T_in,1T_in,2……T_in,m2])、第一送风速度数组([F_in,1F_in,2……F_in,m3])的对应关系为：

其中，m₁为发热功率数组的数据数量，m₂为第一送风温度数组的数据数量，m₃为第一送风速度数组的数据数量，T^*为机柜热点温度，m为机柜热点温度数组的数据数量；

基于机柜运行样本数据集，训练第一学习算法，建立机柜热点温度预测模型，具体包括：

选择机柜运行样本数据集的多组机柜第一运行参数作为输入参数组，分别输入多个预先搭建的第一学习算法，并输出机柜热点预测温度T_p；

基于对机柜热点预测温度T_p和机柜热点温度T^*的分析比较，确定机柜热点温度预测模型；

其中，确定的机柜热点温度预测模型的关系公式为：

T_p＝f₁(P，T_in，F_in)

f₁为表示T_p与P、T_in、F_in的量化函数；

根据机柜热点温度预测模型，结合不同机柜热点温度的阈值数据，优化机柜运行样本数据集，根据得到的机柜第二运行参数数据形成调控机房运行的调控参数数据集，具体包括：

通过机柜热点温度预测模型获取不同实际工况下的机柜热点预测温度数组([T_p，1 T_p，2...... T_p，n1])，并确定机柜热点温度的阈值数组([T_lim,1 T_lim,2 ...... T_lim,n1])；

将不同实际工况下发热功率数组([P₁ P₂ ...... P_n2])和机柜热点温度的阈值数组(|T_lim,1 T_lim,2 ...... T_lim,n1])输入机柜热点温度预测模型，通过确定的第二送风温度和第二送风速度的约束关系，给出作为机柜第二运行参数数据的第二送风温度数组([T_in，ctr,1T_in，ctr，2 ...... T_in，ctr，n])和第二送风速度数组([F_in，ctr，1 F_in，ctr,2 ...... F_in，ctr,n])；

通过发热功率数组、机柜热点温度的阈值数组、第二送风温度数组及第二送风速度数组，形成调控机房运行的调控参数数据集；

发热功率数组([P₁ P₂ ...... P_n2])、机柜热点温度的阈值数组([T_lim,1 T_lim,2 ......T_lim,n1])与第二送风温度数组([T_in，ctr,1 T_in，ctr,2 ...... T_in，ctr,n])、第二送风速度数组([F_in，ctr，1 F_in，ctr,2 ...... F_in，ctr,n])的对应关系为：

其中，T_lim为机柜热点温度的阈值，T_in,ctr为第二送风温度，F_in,ctr为第二送风速度，n₂为发热功率数组的数据数量，n₁为机柜热点温度的阈值数组的数据数量，n为第二送风速度数组/第二送风速度数组的数据数量；

基于调控参数数据集，训练第二学习算法，给出机房运行调控模型，具体包括：

选择调控参数数据集的多组发热功率和机柜热点温度的阈值作为输入值，分别输入多个预先搭建的第二学习算法，并输出第二送风预测温度和第二送风预测速度；

基于第二送风温度、第二送风速度与第二送风预测温度T_pin，ctr、第二送风预测速度F_Din，ctr的分析比较，确定机房运行调控模型；

其中，确定的机房运行调控模型的关系公式为：

(T_pin，ctr，F_pin，ctr)＝f₂(P，T_lim)

f₂为表示T_pin，ctr、F_pin，ctr与P、T_lim的量化函数。

2.如权利要求1所述的机房运行调控方法，其特征在于，多个预先搭建的第一学习算法为多个架构参数不同的初始第一学习算法；

初始第一学习算法的构架参数包括输入层、至少一个第一隐含层和输出层，每个第一隐含层包括多个第一神经元，第一神经元用于构建机柜热点温度与发热功率、第一送风温度及第一送风速度之间的量化关系；

初始第一学习算法([A₁ A₂ ...... A_k])与第一隐含层([H_1，1 H_1，2 ...... H_1，k1])及第一神经元([N_1，1 N_1，2 ...... N_1，k2])的对应关系如下：

其中，A为初始第一学习算法，H₁为第一隐含层，N₁为第一神经元，k、k₁及k₂分别为初始第一学习算法、第一隐含层及第一神经元的数量。

3.如权利要求2所述的机房运行调控方法，其特征在于，基于对机柜热点预测温度T_p和机柜热点温度T^*的分析比较，确定机柜热点温度预测模型，具体包括：

确定机柜运行样本数据集的训练数组和测试数组；

分别对每个初始第一学习算法进行所有训练数组的训练，形成对应的第一学习算法，针对所有第一学习算法均通过测试数组比较机柜热点预测温度T_p和对应的机柜热点温度T^*；

给出每个第一学习算法的第一衡量参数数据，其中，第一衡量参数包括第一决定系数R₁ ²、第一均方根误差RMSE₁及第一百分比误差δ₁；

基于第一衡量参数数据的预设范围，筛选第一学习算法，确定机柜热点温度预测模型。

4.如权利要求3所述的机房运行调控方法，其特征在于，第一隐含层的数量k₁为1～3，第一神经元的数量k₂为1～15，训练数组与测试数组的比例为(7-9):(3-1)；

第一衡量参数数据的预设范围包括：第一决定系数R₁ ²为0.95～1，第一均方根误差RMSE₁为0～1℃，第一百分比误差δ₁为0～15％。

5.如权利要求1所述的机房运行调控方法，其特征在于，多个预先搭建的第二学习算法为多个架构参数不同的初始第二学习算法；

初始第二学习算法的构建参数包括输入层、至少一个第二隐含层和输出层，每个第二隐含层包括多个第二神经元，第二神经元用于构建第二送风温度、第二送风速度与发热功率、机柜热点温度的阈值之间的量化关系；

初始第二学习算法([B₁ B₂……B_j])与第二隐含层([H_2,1H_2,2……H_2,j1])及第二神经元([N_2,1N_2,2……N_2,j2])的对应关系如下：

其中，B为初始第二学习算法，H₂为第二隐含层，N₂为第二神经元，j、j₁及j₂分别为初始第二学习算法、第二隐含层及第二神经元的数量；

基于第二送风温度、第二送风速度与第二送风预测温度、第二送风预测速度的分析比较，确定机房运行调控模型，具体包括：

确定调控参数数据集的训练数组和测试数组；

分别对每个初始第二学习算法进行所有训练数组的训练，形成对应的第二学习算法，针对所有第二学习算法均通过测试数组比较第二送风温度、第二送风速度与第二送风预测温度、第二送风预测速度；

给出每个第二学习算法的第二衡量参数数据，其中，第二衡量参数包括第二决定系数R₂ ²、第二均方根误差RMSE₂及百分比误差δ₂；

基于第二衡量参数数据的预设范围，筛选第二学习算法，确定机房运行调控模型；

其中，第二隐含层的数量j₁为1～3，第二神经元的数量j₂为1～10，训练数组与测试数组的比例为(8-9):(2-1)；

第二衡量参数数据的预设范围包括：第二决定系数R₂ ²为0.95～1，第二送风温度与第二送风预测温度的第二均方根误差RMSE₂为0～1℃，第二送风速度与第二送风预测速度的第二均方根误差RMSE₂为0～0.3m/s，第二百分比误差δ₂为0～10％。

6.一种基于机柜热点温度预测的机房运行调控装置，其特征在于，采用如权利要求1-5任一所述的基于机柜热点温度预测的机房运行调控方法，包括：

采集组件，采集多种工况下的机柜第一运行参数数据，获取对应的机柜热点温度数据，建立机柜运行样本数据集；

训练组件，基于机柜运行样本数据集，训练第一学习算法，建立机柜热点温度预测模型，根据机柜热点温度预测模型，结合不同机柜热点温度的阈值数据，优化机柜运行样本数据集，根据得到的机柜第二运行参数数据形成调控机房运行的调控参数数据集，基于调控参数数据集，训练第二学习算法，给出机房运行调控模型；

调控组件，根据机房运行调控模型，对机房运行进行实时调控。

Images