CN115915708A - 制冷设备控制参数预测方法、装置、电子设备及存储介质 - Google Patents
制冷设备控制参数预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115915708A CN115915708A CN202211339249.6A CN202211339249A CN115915708A CN 115915708 A CN115915708 A CN 115915708A CN 202211339249 A CN202211339249 A CN 202211339249A CN 115915708 A CN115915708 A CN 115915708A
- Authority
- CN
- China
- Prior art keywords
- target
- current
- parameter
- power consumption
- historical
- 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.)
- Granted
Links
- 238000005057 refrigeration Methods 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims abstract description 96
- 238000012216 screening Methods 0.000 claims abstract description 23
- 230000032683 aging Effects 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 20
- 238000004891 communication Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000005265 energy consumption Methods 0.000 description 8
- 238000001816 cooling Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000011217 control strategy Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000010977 unit operation Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005311 autocorrelation function Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007710 freezing Methods 0.000 description 3
- 230000008014 freezing Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011985 exploratory data analysis Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101100481876 Danio rerio pbk gene Proteins 0.000 description 1
- 101100481878 Mus musculus Pbk gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本公开提供了一种制冷设备控制参数预测方法、装置、电子设备及存储介质,涉及物联网、边缘融合、大数据、深度学习等人工智能技术领域。该方法包括:获取目标制冷设备的当前环境参数和当前设备工况;基于时间序列模型预测目标制冷设备在目标时段的预测环境参数;将拥有与预测环境参数相似的预设数量的历史环境参数的历史时段,确定为目标历史时段;基于当前设备工况、当前环境参数、目标历史时段的历史环境参数以及时间序列特征,预测得到与目标时段对应的预测控制参数和与对应的预测功耗;基于预测功耗的大小和预设边界条件,筛选出满足要求的目标预测功耗和与目标预测功耗对应的目标预测控制参数。该方案提升了对制冷设备控制参数的预测准确性。
Description
技术领域
本公开涉及设备控制技术领域,具体涉及物联网、边缘融合、大数据、深度学习,尤其涉及一种制冷设备控制参数预测方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
随着“碳中和”、“碳达峰”的目标的不断推进,利用物联网、大数据与人工智能等先进技术进行节能减排,已经成为企业高质量发展转型的必然选择。
物联网技术的不断发展为建筑供热、设备制冷等传统高能耗行业的能耗采集、能耗监管以及模式复制提供了先决条件:在边云融合的物联网解决方案中,边缘端的传感器能够实时采集现场数据并上传至云端的数据库中。同时,云端的控制系统基于边缘端的数据,通过云端大数据建模、可以实时预测未来所生产或所需的能耗,提前对边缘端端控制设备进行调节,或者调度配置相关的能耗资源,比如电量、碳排放量等。
发明内容
本公开实施例提出了一种制冷设备控制参数预测方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面,本公开实施例提出了一种制冷设备控制参数预测方法,包括:获取目标制冷设备在当前时段的当前环境参数和当前设备工况;基于时间序列模型预测目标制冷设备在目标时段的预测环境参数;其中,时间序列模型用于表征目标制冷设备的包括环境参数在内的相关参数随时间的变化规律;将拥有与预测环境参数相似的预设数量的历史环境参数的历史时段,确定为目标历史时段;基于当前设备工况、当前环境参数、目标历史时段的历史环境参数以及与时间序列模型对应的时间序列特征,预测得到与目标时段对应的预测控制参数和与预测控制参数对应的预测功耗;基于预测功耗的大小和预设边界条件,筛选出满足预设功耗要求的目标预测功耗和与目标预测功耗对应的目标预测控制参数。
第二方面,本公开实施例提出了一种制冷设备控制参数预测装置,包括:当前参数获取单元,被配置成获取目标制冷设备在当前时段的当前环境参数和当前设备工况;环境参数预测单元,被配置成基于时间序列模型预测目标制冷设备在目标时段的预测环境参数;其中,时间序列模型用于表征目标制冷设备的包括环境参数在内的相关参数随时间的变化规律;相似时段确定单元,被配置成将拥有与预测环境参数相似的预设数量的历史环境参数的历史时段,确定为目标历史时段;控制参数及功耗预测单元,被配置成基于当前设备工况、当前环境参数、目标历史时段的历史环境参数以及与时间序列模型对应的时间序列特征,预测得到与目标时段对应的预测控制参数和与预测控制参数对应的预测功耗;控制参数及功耗筛选单元,被配置成基于预测功耗的大小和预设边界条件,筛选出满足预设功耗要求的目标预测功耗和与目标预测功耗对应的目标预测控制参数。
第三方面,本公开实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现如第一方面描述的制冷设备控制参数预测方法。
第四方面,本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行时能够实现如第一方面描述的制冷设备控制参数预测方法。
第五方面,本公开实施例提供了一种包括计算机程序的计算机程序产品,该计算机程序在被处理器执行时能够实现如第一方面描述的制冷设备控制参数预测方法的步骤。
本公开实施例提供的制冷设备控制参数预测方案,将基于相似日的负荷预测方法与机器学习构建出的模型相结合,同时也充分考虑到设备的老化周期特性对控制参数的影响,进而在保证控制策略节能效果的前提下,提高了预测得到有效控制参数的过程的可解释性,有利于推动人工智能建模方法在数据中心建造过程中如何精准有效配置和管理制冷设备的实际落地。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开可以应用于其中的示例性系统架构;
图2为本公开实施例提供的一种制冷设备控制参数预测方法的流程图;
图3为本公开实施例提供的一种控制参数及功耗的预测方法的流程图;
图4为本公开实施例提供的一种对当前原始设备工况进行预处理的方法的流程图;
图5a为本公开实施例提供的一种基于消息队列的云边数据链路的结构示意图;
图5b为本公开实施例提供的一种基于定时任务的策略控制方案的结构流程示意图;
图5c为本公开实施例提供的某地历史湿球温度数据变化图;
图5d为本公开实施例提供的湿球温度自相关性、偏相关性检验数据示意图;
图5e为本公开实施例提供的湿球温度数据季节性分解示意图;
图5f为本公开实施例提供的模型预测结果示意图;
图5g为本公开实施例提供的一次泵频率与流量的变化关系图;
图6为本公开实施例提供的一种制冷设备控制参数预测装置的结构框图;
图7为本公开实施例提供的一种适用于执行制冷设备控制参数预测方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1示出了可以应用本公开的制冷设备控制参数预测方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括制冷设备101,网络102和服务器103。网络102用以在制冷设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
制冷设备101可以通过网络102与服务器103交互,以接收控制指令或发送与自身运行相关的实时参数等。制冷设备101和服务器103上可以安装有各种用于实现两者之间进行信息通讯的应用,例如运行状态采集类应用、数据传输类应用、远程调控类应用等。
制冷设备101通常表现为由多个制冷模组或多个冷冻单元构成的复杂设备,尤其是用于为大型数据中心提供温度控制功能的制冷设备。服务器103则可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器;服务器为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。
服务器103通过内置的各种应用可以提供各种服务,以可以针对制冷设备提供控制参数预测服务的远程调控类应用为例,服务器103在运行该远程调控类应用时可实现如下效果:首先,通过网络102接收目标制冷设备101传入的在当前时段的当前环境参数和当前设备工况;然后,基于时间序列模型预测目标制冷设备101在目标时段的预测环境参数;其中,该时间序列模型用于表征目标制冷设备101的包括环境参数在内的相关参数随时间的变化规律;接下来,将拥有与该预测环境参数相似的预设数量的历史环境参数的历史时段,确定为目标历史时段;下一步,基于该当前设备工况、该当前环境参数、该目标历史时段的历史环境参数以及与该时间序列模型对应的时间序列特征,预测得到与该目标时段对应的预测控制参数和与该预测控制参数对应的预测功耗;最后,基于该预测功耗的大小和预设边界条件,筛选出满足预设功耗要求的目标预测功耗和与该目标预测功耗对应的目标预测控制参数。
由于控制参数和功耗的预测需要占用较多的运算资源和较强的运算能力,因此本公开后续各实施例所提供的制冷设备控制参数预测方法一般由拥有较强运算能力、较多运算资源的服务器103来执行,相应地,制冷设备控制参数预测装置一般也设置于服务器103中。但同时也需要指出的是,在制冷设备101也具有满足要求的运算能力和运算资源时,制冷设备101也可以通过其上安装的远程调控类应用完成上述本交由服务器103做的各项运算,进而输出与服务器103同样的结果。尤其是在同时存在多种具有不同运算能力的终端设备的情况下,但远程调控类应用判断所在的终端设备拥有较强的运算能力和剩余较多的运算资源时,可以让终端设备来执行上述运算,从而适当减轻服务器103的运算压力,相应的,制冷设备控制参数预测装置也可以设置于制冷设备101中。在此种情况下,示例性系统架构100也可以不包括服务器103和网络102。
应该理解,图1中的制冷设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的制冷设备、网络和服务器。
请参考图2,图2为本公开实施例提供的一种制冷设备控制参数预测方法的流程图,其中流程200包括以下步骤:
步骤201:获取目标制冷设备在当前时段的当前环境参数和当前设备工况;
本步骤旨在由制冷设备控制参数预测方法的执行主体(例如图1所示的服务器103)获取目标制冷设备在当前时段的当前环境参数和当前设备工况。其中,当前时段指当前所在的或者上一个统计周期,例如以30分钟为一个统计周期来计算,当前时段的当前环境参数和当前设备工况就是指上一个30分钟内的环境参数和设备工况。
其中,环境参数主要指对数据中心制冷功率有影响外部变量,为了方便计算,可优选其中的湿球温度、干球温度和制冷设备对应的待降温计算设备的性能负载这几个对制冷功率影响最大的外部变量来构成该环境参数;设备工况主要指构成目标制冷设备的制冷模组或冷冻单元的组件运行参数,例如一次泵、冷塔风扇、冷机、板换、冷却泵等设备的状态、温度、频率、流量参数、蓄冷罐流量、流向、二次侧管道供水温度、流量、二次泵的频率等参数。
进一步的,为了提升上述参数的可用性,还可以对原始数据进行去噪、聚类、数据平滑、对齐等预处理操作,以得到最终的当前环境参数和当前设备工况。
步骤202:基于时间序列模型预测目标制冷设备在目标时段的预测环境参数;
在步骤201的基础上,本步骤旨在由上述执行主体基于时间序列模型预测目标制冷设备在目标时段的预测环境参数。其中,该时间序列模型用于表征该目标制冷设备的包括环境参数在内的相关参数随时间的变化规律,即目标制冷设备的相关参数随时间变化而产生了何种的变化,即借助该时间序列模型表征出的这一变化规律,实现基于当前环境参数预测得到目标制冷设备在目标时段的预测环境参数。即根据历史环境参数的变化规律,确定将来的某个时段的预测环境参数,以在明确目标时段的环境参数对制冷功率的影响程序的情况下,更准确的预测控制参数和功耗。
具体的,所有具有可实现类似效果的模型均可以充当该时间序列模型,例如循环神经网络(Recurrent Neural Network,RNN)、长短期记忆网络(Long Short-Term Memory,LSTM)等深度学习模型,或者其它采用无监督学习的机器学习模型。
步骤203:将拥有与预测环境参数相似的预设数量的历史环境参数的历史时段,确定为目标历史时段;
在步骤202的基础上,本步骤旨在由上述执行主体将拥有与预测环境参数相似的一定数量的历史环境参数的历史时段,确定为目标历史时段。
即本步骤用于根据“相似日”原理找到与该预设环境参数一致的“相似日”(即目标历史时段),以便于在相似的环境参数影响下,借鉴目标历史时段的其它信息。考虑到每个时段的时长通常较小(一般不超过日级别)、但时间周期普通较长,因此备选历史时段的历史环境参数通常需要向前追溯足够多的统计周期,例如至少向前追溯一年或两年内的所有统计周期,从而尽可能的保障可确定出于预测环境参数较为接近的目标历史环境参数。
同时,为了减少后续的求解数量,与预设环境参数相似的历史环境参数的选取应当按照相似程度选取少量相似程度较高的(例如前50个或前100个),从而避免后续大量相似程度较低的备选结果也参与后续求解对计算性能带来不必要的压力、延长求解速度。
一种包括且不限于的实现方式可以包括:
首先,确定预测环境参数分别与不同历史时段的历史环境参数之间的参数相似程度;然后,将各参数相似程度按照由大到小的顺序在相似程度表中进行排序,并从经排序后的相似程度表的记录有最大的参数相似程度的表一侧开始,选取预设数量(例如50或100,即选取TOP50或TOP100)的历史环境参数作为目标历史环境参数;最后,将与这些目标历史环境参数各自对应的历史时段,均确定为目标历史时段。
具体的,在计算参数相似程度时,可具体选用求取两者之间的欧式距离的方式,当然,也可以换用其它可产生类似效果的求解向量距离的方式,此处不再一一列举。
步骤204:基于当前设备工况、当前环境参数、目标历史时段的历史环境参数以及与时间序列模型对应的时间序列特征,预测得到与目标时段对应的预测控制参数和与预测控制参数对应的预测功耗;
在步骤203的基础上,本步骤旨在由上述执行主体基于当前设备工况、当前环境参数、目标历史时段的历史环境参数以及与时间序列模型对应的时间序列特征,共同预测得到目标制冷设备在目标时段的预测控制参数,以及进一步的在确定预测控制参数的基础上确定对应的预测功耗。
应当理解的是,在绝大多数情况下,由于目标历史时段的数量通常为多个,因此本步骤预测得到的预测控制参数和预测功耗的数量也应是对应的数量。
其中,为实现上述预测目的,可借助各式具有类似功能的预测模型,例如使用XGBoost的机器学习模型,也可以实现类似的深度学习模型,此处不做具体限定。
步骤205:基于预测功耗的大小和预设边界条件,筛选出满足预设功耗要求的目标预测功耗和与目标预测功耗对应的目标预测控制参数。
在步骤204的基础上,本步骤旨在由上述执行主体通过各预测功耗的大小和预设边界条件,对步骤204输出的各预测功耗进行筛选,以最终将满足处于该预设边界条件框定的边界内的、功耗相对较小的预测功耗确定为目标预测功耗,进而将与该目标预测功耗对应的预测控制参数确定为目标预测控制参数。处于为了尽可能降低碳排放的目的,该预设功耗要求通常为要求功耗应当尽可能的小。
一种包括且不限于的实现方式可以为:
首先,从(通常为多个的)预测功耗中筛选出满足预设边界条件的筛选后预测功耗,即首先用预设边界条件进行一次筛选;然后,按照功耗数值的带下,直接将功耗数值最小的筛选后预测功耗,确定为目标预测功耗,即再次用功耗数值进行二次筛选;最后,将与目标预测功耗对应的预测控制参数,确定为目标预测控制参数。
该实现方式仅简单的将功耗数值最小的筛选后预测功耗确定为目标预测功耗,在某些其它实现方式下,也可以在此步骤(即二次筛选环节)也筛选出多个目标预测功耗,以便结合可能存在的其它评判因素来最终确定其中哪个应为目标预测功耗,即目标预测功耗不一定是功耗最小的。
进一步的,在通过步骤205确定了目标预测控制参数的情况下,还可以将目标制冷设备的控制参数调整为目标预测控制参数,从而完成对目标制冷设备的控制参数的调整。
本公开实施例提供的制冷设备控制参数预测方法,将基于相似日的负荷预测方法与机器学习构建出的模型相结合,同时也充分考虑到设备的老化周期特性对控制参数的影响,进而在保证控制策略节能效果的前提下,提高了预测得到有效控制参数的过程的可解释性,有利于推动人工智能建模方法在数据中心建造过程中如何精准有效配置和管理制冷设备的实际落地。
为了加深对流程200中步骤204具体如何确定出预测控制参数和预测功耗的理解,本实施例还通过图3示出了一种控制参数及功耗的预测方法,其中流程300包括以下步骤:
步骤301:基于与时间序列模型对应的时间序列特征,确定构成目标制冷设备的老化特性;
应当理解的是,针对数据中心的制冷设备往往是由大量组件构成的复杂设备,其中包含大量泵、阀门、管道、传感器,而这些构成设备的材质会随着时间流逝而发生不可避免的氧化或老化,进而影响其设备性能,例如某个用于管控流量的阀门,其在首月使用时仅需要开合角度为A角度即可控制流出预设流量的液体,而在连续使用的第二年,就需要将原开合角度A的基础上增加B角度的修正值,才可以保证同样流出预设流量的液体。其它设备或组件也是同一个道理。
因此,本步骤正是由上述执行主体充分考虑上述老化特性,来首先确定基于与时间序列模型对应的时间序列特征,确定构成目标制冷设备的各组件的老化特性,从而便于明确该老化特性对后续预测控制参数的影响,以在考虑充分的情况下提升预测控制参数的准确性。
步骤302:基于当前设备工况、当前环境参数、目标历史时段的历史环境参数以及老化特性,预测得到与目标时段对应的预测控制参数;
在步骤301的基础上,本步骤旨在由上述执行主体基于当前设备工况、当前环境参数、目标历史时段的历史环境参数以及老化特性,预测得到与目标时段对应的预测控制参数。
步骤303:基于当前设备工况、当前环境参数、老化特性以及预测控制参数,预测得到与目标时段对应的预测功耗。
在步骤302的基础上,本步骤旨在由上述执行主体基于当前设备工况、当前环境参数、老化特性以及预测控制参数,预测得到与目标时段对应的预测功耗。
本实施例旨在针对流程200中的步骤204,通过步骤301-步骤303提供了一种具体的实现方式,即首先借助时间序列模型对应的时间序列特征,来确定构成目标制冷设备的各组件的老化特性,从而在明确老化特性的基础上预测得到更精准的预测控制参数和预测功耗。
为了确保流程200中步骤201所获取到的当前设备工况的有效性,本实施例还通过图4示出了一种对当前原始设备工况进行预处理的方法的,其流程400包括:
步骤401:获取目标制冷设备在当前时段的当前原始设备工况;
步骤402:确定当前时段内运行时长最长的目标运行模式;
步骤403:去除当前原始设备工况中与目标运行模式不同的其它运行模式对应的原始设备工况,得到单一运行模式的原始设备工况;
即步骤402-步骤403首先确定运行时长最长的目标运行模式,并通过直接去除掉非目标运行模式的原始设备工况的这部分数据,来避免非目标运行模式下的这部分数据来造成错误干扰。
数据中心的制冷设备往往存在多个运行模式,例如板换、预冷、制冷等,而不同模式下数据差异性较大且存在人为因素手动变更模式的可能,因此通过去除掉非目标运行模式的部分数据,得以能够尽可能的排除可能存在问题的部分数据,提升剩余部分设备工况数据的有效性。
步骤404:对单一运行模式的原始设备工况进行去误差处理,得到当前设备工况。
在步骤403的基础上,本步骤旨在由上述执行主体对单一运行模式的原始设备工况进行去误差处理,来尽可能的使得最终得到的当前设备工况中的数据更加准确。
一种包括且不限于的去误差处理方法可以为:
对单一运行模式的原始设备工况中的离散型变量(例如一次泵、冷塔风扇、冷机、板换、冷却泵等设备的状态参数)取最小值;
对单一运行模式的原始设备工况中的连续性变量(例如一次泵、冷塔风扇、冷机、板换、冷却泵等设备的频率、流量等设备参数)取平均值;
对经取最小值和取平均值后的数据进行平滑和对齐处理,得到当前设备工况。
进一步的,还可以对于存在多个备用测点的数据,例如湿球温度,计算百分比误差,剔除百分比误差大于5%的测点后,再取平均值,以进一步提升准确性。
为加深理解,本公开以降低碳排放、节能减排为目的,为如何有效调控针对数据中心的制冷设备的控制参数,提供了一套完整的实现方案,主要包含下述4个主要部分:
一、基于消息队列的云边数据链路
在生产过程中,每个产线都有大量的传感器分时采集数据,如果每个传感器都向系统上报数据,那么当控制系统不具备高性能时,大量数据来临时会出现拒绝服务的问题。这对于监控预警是个巨大的挑战。
如图5a所示的基于消息队列的云边数据链路的结构示意图,本实施例通过网关设备,如工控机、边缘网关等,管理传感器元信息,同时负责处理上报数据。网关设备使用高性能的非阻塞通信框架,如netty(一种能够提供异步的、事件驱动的网络应用程序框架和工具,用以快速开发高性能、高可靠性的网络服务器和客户端程序),接收传感器上报的数。针对于网关设备对子设备的控制,采用TCP(Transmission Control Protocol,传输控制协议)Socket(套接字)通信,这是一种实时的,小巧的通信方式,能够确保子设备一定收到指令,执行对应的过程。
在网关设备到控制系统的链路中,如果通过HTTP(Hyper Text TransferProtocol,超文本传输协议)或TCP通信,当链接建立失败时,那么此次数据可能会丢失。因此本实施例采用中间件消息队列,如RabbitMQ用来确保消息的可靠性。
在上报数据时,网关的角色是发送者,将数据打包成固定的格式,推送到消息队列中。控制系统作为消费者,从消息队列中消费数据,写到数据库中。相比于数据即时推送,本实施例选择缓存批量推送,用以解决控制系统的高性能需求。通过批量推送,将数据压力转移到网关设备,控制系统的实时性及可用性得到了保障。在下发控制指令时,网关的角色是消费者,从消息队列中获取指令执行,而控制系统是发送者,将指令发送到消息队列。通过消息队列对资源进行划分,可以规划网关设备与消息队列的映射关系,当发生问题时也能够很快定位。
二、基于相似策略的控制系统
基于相似策略的制冷模组控制系统如图5b所示。通过设置Crontab(Unix和类Unix的操作系统下一种用于设置周期性执行某些操作的指令)定时任务的方式,每小时间隔触发策略计算任务,通过多进程的方式并行计算出每个制冷模组(制冷模组由多个冷冻单元组成,每个冷冻单元内又包含大量的制冷设备以及管道,不同制冷模组间是物理隔离开的,相当于不同的冷源)的控制参数,并进行下发。每个进程的具体计算流程如下:
1)获取工况
①实时设备参数获取:
根据触发任务的时间戳的前一个统计周期(或者策略下发周期,即每个周期下发一次控制策略,N为每两次策略下发的时间间隔,例如30分钟),从时间序列数据库中读取模组包含冷冻单元的设备参数(一次泵、冷塔风扇、冷机、板换、冷却泵等设备的状态、温度、频率、流量参数)、二次侧参数(蓄冷罐流量、流向;二次侧管道供水温度、流量、二次泵的频率等参数)以及环境参数(干、湿球温度、IT负载等参数)。
②对设备参数进行数据预处理:
a.针对该统计周期内冷冻单元模式切换(包括板换、预冷、制冷,不同模式下的数据差异性较大)的问题,先根据该统计周期内运行时间最长的模式剔除其他模式下的异常数据,再通过数据聚合,对设备状态等离散型变量取最小值,针对频率、流量等设备参数取均值,对数据进行平滑以及对齐
b.对于存在多个备用测点的数据,如湿球温度,计算百分比误差,剔除百分比误差大于5%的测点后,再取平均值;第i个测点的百分比误差计算公式如下:
其中,xmean为该数据均值,xi为该数据在第i个测点的数值。
③预测未来的目标时段的环境参数平均值:
根据对某数据中心模组历史数据的分析可知,对数据中心制冷功率影响最大的外部变量依次为湿球温度、干球温度、相对湿度以及机房IT负载(即该数据中心的性能负载)。由于天气预报在数据上存在一定的误差,且无法控制数据的频率与精度,机房IT负载也无法预报。故而本实施例采用基于Prophet模型(一个时间序列预测算法)的时间序列预测方法,预测未来T+N(即为距当前时刻之后的时长)个时刻的环境参数平均值(包括湿球温度wb_t、干球温度rh_t、IT负载it_power)。
2)计算相似日
①获取历史能耗数据:
根据触发任务的时间戳前推足够多个历史时刻,并从时间序列数据库中读取这些历史时刻的环境参数以及历史能耗数据,剔除存在异常值的时刻,对数据按照粒度N进行聚合,求出多个N时刻的平均环境参数以及历史能耗,作为参照日数据。
②计算相似度:
a.根据预测出的T+N时刻的IT负载,剔除参照日数据中IT负载与预测IT负载误差较大的数据,剔除公式如下:
errori=|xi-xT+N|>1.5×IQR;
其中,xi是参照日数据第i个N时刻的平均IT负载,xT+N是预测出的T+N时刻的IT负载,IQR是参照日数据中平均IT负载的四分位距。
b.计算过滤后的参照日数据与预测出的T+N时刻的环境参数(包含湿球温度与干球温度)的欧式距离相似度,欧式距离相似度可以更好的反映数据之间数值的差异性,其相似度范围为(0,1]其计算公式如下:
其中,n表示环境参数维度,xi,k表示第i个向量的第k维数据。
c.根据相似度降序排序,从所有候选数据中选出TopK相似的K个参照数据作为候选解。
3)综合排序
a.根据K个候选解,计算每个N时刻对应的控制参数,包括冷冻单元的运行参数以及二次侧的运行参数,并如1)获取工况中进行数据的预处理;
b.如前文所述,不可抗拒的管道特性发生变化以及设备老化、环境因素等均会使得设备控制特性曲线发生非线性改变,故而采用后续将提及的子设备模型对历史数据中的控制参数、功率进行预测;
c.根据每个子设备的预测功率对K个候选解的制冷功率进行计算,并根据1)获取工况中的数据计算当前运行状态的制冷功率,以及当前运行模式与K个候选解模式的相似度,计算公式下:
其中,n表示冷冻单元数量,is_same_mode函数表示cdi,k,cdj,k模式相同则为1,模式不同则维0,相似度范围在[0,1]范围内。
d.选择预测功率小于当前功率的候选解(若无,则直接推荐当前控制参数),并按照模式相似度、环境参数相似度、预测功率分别以降序、降序、升序的方式进行多组合排列,选出Top1的解。
4)策略推荐
将选出的控制参数写入时间序列数据库中,通过长轮询的方式,定时刷新前端页面展示的推荐值。
三、基于Prophet的环境因素预测模型
基于相似日的策略通过时间间隔为N的策略下发,来控制实际的制冷系统。但对于天气预报数据而言,无法控制其数据的频率与精度。另一方面,机房的IT负载这类环境因素也需要通过预测的方式,获取T+N时间段内的数值。故而在本实施例中采用基于Prophet模型的时间序列预测方法,预测未来T+N个时刻的环境参数平均值(包括湿球温度、干球温度、IT负载)。其建模方法大致相同,以湿球温度为例,说明建模方法:
1)数据探索性分析:由于湿球温度为外部环境变量,故而采用基于统计的时间序列模型对其进行建模,某市历史湿球温度数据如图5c所示,通过对数据的探索性分析,发现数据中不存在异常值,但存在缺失值,通过ACF(Autocorrelation Function,自相关函数,由自相关系数构成的序列,自相关系数用来描述数据自身不同时期的相关程度,即度量历史数据对现在产生的影响)检验以及PACF(Partial Autocorrelation Function,偏自相关函数,由偏自相关系数构成的序列,同自相关系数类似,在计算相关性时移除了中间变量的间接影响)检验发现该数据偏相关系数呈现二阶截尾,如图5d所示。故而,针对缺失值可以采用一阶线性插值方法,对数据进行填充。并对时间序列数据进行季节性分解,发现其存在明显的季节性与趋势性,如图5e所示。
2)模型对比训练:按照2:8的比例将数据集划分为训练集与验证集,分别采用指数平滑(Exponential Smoothing)、ARIMA(Autoregressive Integrated Moving Averagemodel,差分整合移动平均自回归模型)、Prophet(不含外部变量,使用Prophet_t指代)、Prophet(含外部变量、外部变量主要包含节假日等时间维度信息,使用Prophet_regressor指代)以及Neural Prophet(基于神经网络的时间序列算法)对数据进行时间序列建模,其指标包括:MSE(Mean Square Error,均方误差)、MAE(Mean Absolute Error,平均绝对误差)、RMSE(Root Mean Square Error,均方根误差)、R2(Rsquared,Coefficient ofdetermination,决定系数)、MAPE(Mean Absolute Percentage Error,平均绝对百分比误差),具体请参见下表1:
表1湿球温度建模指标对比
指标 | ExponentialSmoothing | ARIMA | Prophet_t | Prophet_regressor | Neural Prophet |
MSE | 36.68 | 47.81 | 6.68 | 6.68 | 10.11 |
MAE | 5.07 | 5.77 | 2.02 | 2.01 | 2.64 |
RMSE | 6.06 | 6.91 | 2.58 | 2.58 | 3.18 |
R2 | -0.47 | -0.92 | 0.73 | 0.73 | 0.59 |
MAPE | 0.33 | 0.35 | 0.17 | 0.17 | 0.19 |
Prophet效果如图5f所示,外部变量对其时间序列基本上无影响,R2可以达到0.73,MAE为2.01,误差主要是由于对变点的预测准确率较差造成的,但基本上可以捕捉住温度变化的趋势与周期性,线上可以采用该模型对环境变量进行预测。
四、基于XGBoost的控制参数、功率预测模型
基于相似日的策略能够提升数据中心制冷设备的控制效率和稳定性,但根据干湿球温度、IT负载寻得的相似日,与当前时刻在日期时间上有一定的差异性。而这种时间差异性也可能会影响策略的效果。原因是随着时间和季节的变化,水冷设备的管道特性会发生变化,具体表现为管道堵塞、老化引起的管网阻力变化。
以某数据中心一次泵一年的数据为例:
理论上,制冷水泵的频率和流量呈线性关系,但从实际数据来看(图5g),频率与流量会呈现好几种不同的线性关系,具体可表现为:同一流量值,不同时段对应的泵频率不同。
因此,若根据第二部分的计算逻辑,寻得相似时段的流量频率关系未必适用于当前时刻。出现图5g现象的本质是管道的变化,引起流量和频率映射关系的改变。而能够影响管道特性的因素,一是时间,二是冷冻单元运行模式和环境温度等因素(例如冷机开启或者关闭,温度高或温度低的情况下,管网阻力是不同的)。
同样的,受到管道特性变化的影响,实际场景中的设备功率也并非完全符合物理计算公式,因此,本实施例在基于相似日的控制策略中,还嵌套了基于时间序列建模的控制参数和功率预测模型,进一步提升设备参数和功率的预测精度,达到节能效果。下面以水泵设备为例展示模型构建的整体流程及实验结果。
1)数据分析:
以某数据中心冷冻单元一次泵的数据为例,通过皮尔逊相关系数(用于衡量两个变量的线性相关性)分析影响泵频率的相关变量,请参见下表2:
表2一次泵频率相关变量及其相关系数
主特征 | 相关变量 | Pearson系数(%) |
一次泵频率 | 冷冻侧流量 | 98.04 |
一次泵频率 | 单元运行模式 | -41.62 |
一次泵频率 | 湿球温度 | 24.08 |
一次泵频率 | 相对湿度 | 15.30 |
由表2可知,除了流量之外,单元运行模式、环境因素等都与频率变化有关。因此对泵频率的建模,本实施例考虑了除流量外的其他变量,以及时间序列特征,拟学习不同时期的管道特性。
2)对比实验:
子设备建模选用XGBoost方法,截取一年的数据以7:3的比例划分训练测试集,实验设置如下:
·数据粒度:1小时;
·时序特征数目:5(相当于取前5个小时的历史数据);
·相关变量:单元运行模式、湿球温度、干球温度、湿度;
·评估指标:MAE、RMSE、R2;
·结果:
①预测频率,请参见下表3:
表3泵频率预测结果
由表3可知,只用流量去预测频率,各类回归指标均较差,而在加入时序特征后,模型的精度有了较大的提升,说明引入时间序列能够一定程度上表征泵的管道特性,而在加入单元运行模式、环境温度等变量后,模型的R2指标已经能够接近100%。而结合相关变量及时间序列特征,模型的指标达到最优。
②预测功率
泵频率与功率的物理公式为:
其中,power表示泵功率,f表示泵频率,efrequency表示额定频率,rated_power表示泵的额定功率。同时请参见下表4的功率预测结果:
表4泵功率预测结果
理论计算 | 流量+相关变量+时序特征 | |
MAE | 0.4103 | 0.0415 |
RMSE | 0.5839 | 0.0854 |
R2 | 0.8232 | 0.9906 |
由表4可知:理论公式计算出的泵功率精度并不符合预期,而通过建模的方式,加入单元运行模式、环境温度等变量后,功率预测模型的R2指标接近100%,MAE、RMSE等损失也降低了不少。
因此,上述结果充分验证了通过引入相关变量和时间序列特征来学习制冷设备管网特性的可行性。在控制系统运行过程中,可通过定期更新的方式,更新环境预测模型与子设备控制参数预测模型,充分利用线上数据,形成正向循环迭代。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种制冷设备控制参数预测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的制冷设备控制参数预测装置600可以包括:当前参数获取单元601、环境参数预测单元602、相似时段确定单元603、控制参数及功耗预测单元604、控制参数及功耗筛选单元605。其中,当前参数获取单元601,被配置成获取目标制冷设备在当前时段的当前环境参数和当前设备工况;环境参数预测单元602,被配置成基于时间序列模型预测目标制冷设备在目标时段的预测环境参数;其中,时间序列模型用于表征目标制冷设备的包括环境参数在内的相关参数随时间的变化规律;相似时段确定单元603,被配置成将拥有与预测环境参数相似的预设数量的历史环境参数的历史时段,确定为目标历史时段;控制参数及功耗预测单元604,被配置成基于当前设备工况、当前环境参数、目标历史时段的历史环境参数以及与时间序列模型对应的时间序列特征,预测得到与目标时段对应的预测控制参数和与预测控制参数对应的预测功耗;控制参数及功耗筛选单元605,被配置成基于预测功耗的大小和预设边界条件,筛选出满足预设功耗要求的目标预测功耗和与目标预测功耗对应的目标预测控制参数。
在本实施例中,制冷设备控制参数预测装置600中:当前参数获取单元601、环境参数预测单元602、相似时段确定单元603、控制参数及功耗预测单元604、控制参数及功耗筛选单元605的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-205的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,相似时段确定单元603可以包括:
参数相似程度确定子单元,被配置成确定预测环境参数与不同历史时段的历史环境参数之间的参数相似程度;
目标历史环境参数确定子单元,被配置成将参数相似程度由大到小在相似程度表中排序,并从记录有最大的参数相似程度的表一侧开始,选取预设数量的历史环境参数作为目标历史环境参数;
目标历史时段确定子单元,被配置成将与目标历史环境参数对应的历史时段,确定为目标历史时段。
在本实施例的一些可选的实现方式中,参数相似程度确定子单元可以被进一步配置成:
计算预测环境参数与不同历史时段的历史环境参数之间的欧式距离。
在本实施例的一些可选的实现方式中,控制参数及功耗预测单元604可以被进一步配置成:
基于与时间序列模型对应的时间序列特征,确定构成目标制冷设备的老化特性;
基于当前设备工况、当前环境参数、目标历史时段的历史环境参数以及老化特性,预测得到与目标时段对应的预测控制参数;
基于当前设备工况、当前环境参数、老化特性以及预测控制参数,预测得到与目标时段对应的预测功耗。
在本实施例的一些可选的实现方式中,当前环境参数和历史环境参数中的环境参数包括:湿球温度、干球温度和制冷设备对应的待降维计算设备的性能负载。
在本实施例的一些可选的实现方式中,当前参数获取单元601可以包括配置成获取目标制冷设备在当前时段的当前设备工况的当前设备工况获取子单元,当前设备工况获取子单元可以包括:
当前原始设备工况获取模块,被配置成获取目标制冷设备在当前时段的当前原始设备工况;
目标运行模式确定模块,被配置成确定当前时段内运行时长最长的目标运行模式;
参数去除模块,被配置成去除当前原始设备工况中与目标运行模式不同的其它运行模式对应的原始设备工况,得到单一运行模式的原始设备工况;
去误差处理模块,被配置成对单一运行模式的原始设备工况进行去误差处理,得到当前设备工况。
在本实施例的一些可选的实现方式中,去误差处理模块可以被进一步配置成:
对单一运行模式的原始设备工况中的离散型变量取最小值;
对单一运行模式的原始设备工况中的连续性变量取平均值;
对经取最小值和取平均值后的数据进行平滑和对齐处理,得到当前设备工况。
在本实施例的一些可选的实现方式中,当前参数获取单元601可以被进一步配置成:
通过基于消息队列的云边数据链路,获取目标制冷设备在当前时段的当前环境参数和当前设备工况。
在本实施例的一些可选的实现方式中,控制参数及功耗筛选单元605可以被进一步配置成:
从预测功耗中筛选出满足预设边界条件的筛选后预测功耗;
将功耗数值最小的筛选后预测功耗,确定为目标预测功耗;
将与目标预测功耗对应的预测控制参数,确定为目标预测控制参数。
在本实施例的一些可选的实现方式中,制冷设备控制参数预测装置600还可以包括:
控制参数调整单元,被配置成将目标制冷设备的控制参数调整为预测控制参数。
本实施例作为对应于上述方法实施例的装置实施例存在,本实施例提供的制冷设备控制参数预测装置,将基于相似日的负荷预测方法与机器学习构建出的模型相结合,同时也充分考虑到设备的老化周期特性对控制参数的影响,进而在保证控制策略节能效果的前提下,提高了预测得到有效控制参数的过程的可解释性,有利于推动人工智能建模方法在数据中心建造过程中如何精准有效配置和管理制冷设备的实际落地。
根据本公开的实施例,本公开还提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现上述任意实施例所描述的制冷设备控制参数预测方法。
根据本公开的实施例,本公开还提供了一种可读存储介质,该可读存储介质存储有计算机指令,该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的制冷设备控制参数预测方法。
根据本公开的实施例,本公开还提供了一种计算机程序产品,该计算机程序在被处理器执行时能够实现上述任意实施例所描述的制冷设备控制参数预测方法。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如制冷设备控制参数预测方法。例如,在一些实施例中,制冷设备控制参数预测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的制冷设备控制参数预测方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行制冷设备控制参数预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。
根据本公开实施例的技术方案,将基于相似日的负荷预测方法与机器学习构建出的模型相结合,同时也充分考虑到设备的老化周期特性对控制参数的影响,进而在保证控制策略节能效果的前提下,提高了预测得到有效控制参数的过程的可解释性,有利于推动人工智能建模方法在数据中心建造过程中如何精准有效配置和管理制冷设备的实际落地。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (23)
1.一种制冷设备控制参数预测方法,包括:
获取目标制冷设备在当前时段的当前环境参数和当前设备工况;
基于时间序列模型预测所述目标制冷设备在目标时段的预测环境参数;其中,所述时间序列模型用于表征所述目标制冷设备的包括环境参数在内的相关参数随时间的变化规律;
将拥有与所述预测环境参数相似的预设数量的历史环境参数的历史时段,确定为目标历史时段;
基于所述当前设备工况、所述当前环境参数、所述目标历史时段的历史环境参数以及与所述时间序列模型对应的时间序列特征,预测得到与所述目标时段对应的预测控制参数和与所述预测控制参数对应的预测功耗;
基于所述预测功耗的大小和预设边界条件,筛选出满足预设功耗要求的目标预测功耗和与所述目标预测功耗对应的目标预测控制参数。
2.根据权利要求1所述的方法,其中,所述将拥有与所述预测环境参数相似的预设数量的历史环境参数的历史时段,确定为目标历史时段,包括:
确定所述预测环境参数与不同历史时段的历史环境参数之间的参数相似程度;
将所述参数相似程度由大到小在相似程度表中排序,并从记录有最大的参数相似程度的表一侧开始,选取预设数量的历史环境参数作为目标历史环境参数;
将与所述目标历史环境参数对应的历史时段,确定为所述目标历史时段。
3.根据权利要求2所述的方法,其中,所述确定所述预测环境参数与不同历史时段的历史环境参数之间的参数相似程度,包括:
计算所述预测环境参数与不同历史时段的历史环境参数之间的欧式距离。
4.根据权利要求1所述的方法,其中,所述基于所述当前设备工况、所述当前环境参数、所述目标历史时段的历史环境参数以及与所述时间序列模型对应的时间序列特征,预测得到与所述目标时段对应的预测控制参数和与所述预测控制参数对应的预测功耗,包括:
基于与所述时间序列模型对应的时间序列特征,确定构成所述目标制冷设备的老化特性;
基于所述当前设备工况、所述当前环境参数、所述目标历史时段的历史环境参数以及所述老化特性,预测得到与所述目标时段对应的预测控制参数;
基于所述当前设备工况、所述当前环境参数、所述老化特性以及所述预测控制参数,预测得到与所述目标时段对应的预测功耗。
5.根据权利要求1所述的方法,其中,所述当前环境参数和所述历史环境参数中的环境参数包括:湿球温度、干球温度和所述制冷设备对应的待降维计算设备的性能负载。
6.根据权利要求1所述的方法,其中,获取所述目标制冷设备在当前时段的当前设备工况,包括:
获取所述目标制冷设备在当前时段的当前原始设备工况;
确定所述当前时段内运行时长最长的目标运行模式;
去除所述当前原始设备工况中与所述目标运行模式不同的其它运行模式对应的原始设备工况,得到单一运行模式的原始设备工况;
对所述单一运行模式的原始设备工况进行去误差处理,得到所述当前设备工况。
7.根据权利要求6所述的方法,其中,所述对所述单一运行模式的原始设备工况进行去误差处理,得到所述当前设备工况,包括:
对所述单一运行模式的原始设备工况中的离散型变量取最小值;
对所述单一运行模式的原始设备工况中的连续性变量取平均值;
对经取最小值和取平均值后的数据进行平滑和对齐处理,得到所述当前设备工况。
8.根据权利要求1所述的方法,其中,所述获取目标制冷设备在当前时段的当前环境参数和当前设备工况,包括:
通过基于消息队列的云边数据链路,获取所述目标制冷设备在当前时段的当前环境参数和当前设备工况。
9.根据权利要求1所述的方法,其中,所述基于所述预测功耗的大小和预设边界条件,筛选出满足预设功耗要求的目标预测功耗和与所述目标预测功耗对应的目标预测控制参数,包括:
从所述预测功耗中筛选出满足所述预设边界条件的筛选后预测功耗;
将功耗数值最小的筛选后预测功耗,确定为所述目标预测功耗;
将与所述目标预测功耗对应的预测控制参数,确定为所述目标预测控制参数。
10.根据权利要求1-9任一项所述的方法,还包括:
将所述目标制冷设备的控制参数调整为所述预测控制参数。
11.一种制冷设备控制参数预测装置,包括:
当前参数获取单元,被配置成获取目标制冷设备在当前时段的当前环境参数和当前设备工况;
环境参数预测单元,被配置成基于时间序列模型预测所述目标制冷设备在目标时段的预测环境参数;其中,所述时间序列模型用于表征所述目标制冷设备的包括环境参数在内的相关参数随时间的变化规律;
相似时段确定单元,被配置成将拥有与所述预测环境参数相似的预设数量的历史环境参数的历史时段,确定为目标历史时段;
控制参数及功耗预测单元,被配置成基于所述当前设备工况、所述当前环境参数、所述目标历史时段的历史环境参数以及与所述时间序列模型对应的时间序列特征,预测得到与所述目标时段对应的预测控制参数和与所述预测控制参数对应的预测功耗;
控制参数及功耗筛选单元,被配置成基于所述预测功耗的大小和预设边界条件,筛选出满足预设功耗要求的目标预测功耗和与所述目标预测功耗对应的目标预测控制参数。
12.根据权利要求11所述的装置,其中,所述相似时段确定单元包括:
参数相似程度确定子单元,被配置成确定所述预测环境参数与不同历史时段的历史环境参数之间的参数相似程度;
目标历史环境参数确定子单元,被配置成将所述参数相似程度由大到小在相似程度表中排序,并从记录有最大的参数相似程度的表一侧开始,选取预设数量的历史环境参数作为目标历史环境参数;
目标历史时段确定子单元,被配置成将与所述目标历史环境参数对应的历史时段,确定为所述目标历史时段。
13.根据权利要求12所述的装置,其中,所述参数相似程度确定子单元被进一步配置成:
计算所述预测环境参数与不同历史时段的历史环境参数之间的欧式距离。
14.根据权利要求11所述的装置,其中,所述控制参数及功耗预测单元被进一步配置成:
基于与所述时间序列模型对应的时间序列特征,确定构成所述目标制冷设备的老化特性;
基于所述当前设备工况、所述当前环境参数、所述目标历史时段的历史环境参数以及所述老化特性,预测得到与所述目标时段对应的预测控制参数;
基于所述当前设备工况、所述当前环境参数、所述老化特性以及所述预测控制参数,预测得到与所述目标时段对应的预测功耗。
15.根据权利要求11所述的装置,其中,所述当前环境参数和所述历史环境参数中的环境参数包括:湿球温度、干球温度和所述制冷设备对应的待降维计算设备的性能负载。
16.根据权利要求11所述的装置,其中,所述当前参数获取单元包括配置成获取所述目标制冷设备在当前时段的当前设备工况的当前设备工况获取子单元,所述当前设备工况获取子单元包括:
当前原始设备工况获取模块,被配置成获取所述目标制冷设备在当前时段的当前原始设备工况;
目标运行模式确定模块,被配置成确定所述当前时段内运行时长最长的目标运行模式;
参数去除模块,被配置成去除所述当前原始设备工况中与所述目标运行模式不同的其它运行模式对应的原始设备工况,得到单一运行模式的原始设备工况;
去误差处理模块,被配置成对所述单一运行模式的原始设备工况进行去误差处理,得到所述当前设备工况。
17.根据权利要求16所述的装置,其中,所述去误差处理模块被进一步配置成:
对所述单一运行模式的原始设备工况中的离散型变量取最小值;
对所述单一运行模式的原始设备工况中的连续性变量取平均值;
对经取最小值和取平均值后的数据进行平滑和对齐处理,得到所述当前设备工况。
18.根据权利要求11所述的装置,其中,所述当前参数获取单元被进一步配置成:
通过基于消息队列的云边数据链路,获取所述目标制冷设备在当前时段的当前环境参数和当前设备工况。
19.根据权利要求11所述的装置,其中,所述控制参数及功耗筛选单元被进一步配置成:
从所述预测功耗中筛选出满足所述预设边界条件的筛选后预测功耗;
将功耗数值最小的筛选后预测功耗,确定为所述目标预测功耗;
将与所述目标预测功耗对应的预测控制参数,确定为所述目标预测控制参数。
20.根据权利要求11-19任一项所述的装置,还包括:
控制参数调整单元,被配置成将所述目标制冷设备的控制参数调整为所述预测控制参数。
21.一种电子设备,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行权利要求1-10中任一项所述的制冷设备控制参数预测方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的制冷设备控制参数预测方法。
23.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1-10中任一项所述制冷设备控制参数预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211339249.6A CN115915708B (zh) | 2022-10-28 | 2022-10-28 | 制冷设备控制参数预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211339249.6A CN115915708B (zh) | 2022-10-28 | 2022-10-28 | 制冷设备控制参数预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115915708A true CN115915708A (zh) | 2023-04-04 |
CN115915708B CN115915708B (zh) | 2024-04-12 |
Family
ID=86484191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211339249.6A Active CN115915708B (zh) | 2022-10-28 | 2022-10-28 | 制冷设备控制参数预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115915708B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116576629A (zh) * | 2023-05-29 | 2023-08-11 | 北京百度网讯科技有限公司 | 系统控制方法、系统控制装置、电子设备以及存储介质 |
CN117529070A (zh) * | 2024-01-08 | 2024-02-06 | 四川建诚智造科技有限公司 | 一种用于光伏逆变器稳定运行的散热控制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110392515A (zh) * | 2019-07-23 | 2019-10-29 | 上海朗绿建筑科技股份有限公司 | 一种基于历史数据的冷热源机房节能控制方法及系统 |
CN110836514A (zh) * | 2018-08-17 | 2020-02-25 | 珠海格力电器股份有限公司 | 空调组的控制方法和装置 |
CN111811110A (zh) * | 2020-08-28 | 2020-10-23 | 创新奇智(南京)科技有限公司 | 制冷机组的控制方法及装置、电子设备、存储介质 |
CN111928429A (zh) * | 2020-08-25 | 2020-11-13 | 北京大学深圳研究生院 | 数据中心制冷系统的节能控制方法与装置 |
CN114002949A (zh) * | 2020-07-28 | 2022-02-01 | 华为技术有限公司 | 基于人工智能的控制方法与控制装置 |
CN114330875A (zh) * | 2021-12-28 | 2022-04-12 | 北京百度网讯科技有限公司 | 环境信息确定方法、装置、电子设备及存储介质 |
-
2022
- 2022-10-28 CN CN202211339249.6A patent/CN115915708B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110836514A (zh) * | 2018-08-17 | 2020-02-25 | 珠海格力电器股份有限公司 | 空调组的控制方法和装置 |
CN110392515A (zh) * | 2019-07-23 | 2019-10-29 | 上海朗绿建筑科技股份有限公司 | 一种基于历史数据的冷热源机房节能控制方法及系统 |
CN114002949A (zh) * | 2020-07-28 | 2022-02-01 | 华为技术有限公司 | 基于人工智能的控制方法与控制装置 |
CN111928429A (zh) * | 2020-08-25 | 2020-11-13 | 北京大学深圳研究生院 | 数据中心制冷系统的节能控制方法与装置 |
CN111811110A (zh) * | 2020-08-28 | 2020-10-23 | 创新奇智(南京)科技有限公司 | 制冷机组的控制方法及装置、电子设备、存储介质 |
CN114330875A (zh) * | 2021-12-28 | 2022-04-12 | 北京百度网讯科技有限公司 | 环境信息确定方法、装置、电子设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116576629A (zh) * | 2023-05-29 | 2023-08-11 | 北京百度网讯科技有限公司 | 系统控制方法、系统控制装置、电子设备以及存储介质 |
CN116576629B (zh) * | 2023-05-29 | 2024-03-12 | 北京百度网讯科技有限公司 | 系统控制方法、系统控制装置、电子设备以及存储介质 |
CN117529070A (zh) * | 2024-01-08 | 2024-02-06 | 四川建诚智造科技有限公司 | 一种用于光伏逆变器稳定运行的散热控制方法及系统 |
CN117529070B (zh) * | 2024-01-08 | 2024-03-26 | 四川建诚智造科技有限公司 | 一种用于光伏逆变器稳定运行的散热控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115915708B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115915708B (zh) | 制冷设备控制参数预测方法、装置、电子设备及存储介质 | |
CN108038040A (zh) | 计算机集群性能指标检测方法、电子设备及存储介质 | |
CN103197983B (zh) | 基于概率图模型的服务组件可靠性在线时间序列预测方法 | |
WO2021082478A1 (zh) | 空调系统能耗预测方法及装置 | |
CN104463381A (zh) | 基于kpca与wlssvm的建筑能耗预测方法 | |
CN112257928A (zh) | 一种基于cnn和分位数回归的短期电力负荷概率预测方法 | |
CN114881167B (zh) | 异常检测方法、装置、电子设备和介质 | |
CN113405223A (zh) | 一种基于grnn的冷机台数控制方法及其控制系统 | |
CN108390793A (zh) | 一种分析系统稳定性的方法及装置 | |
CN110619407B (zh) | 对象销量的预测方法及系统、电子设备和存储介质 | |
Yu et al. | Short-term cooling and heating loads forecasting of building district energy system based on data-driven models | |
CN113757922B (zh) | 一种基于深度学习的空调系统节能控制方法、装置、设备及计算机介质 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
Nokar et al. | Residential power consumption forecasting in the smart grid using ANFIS system | |
Zhang | Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors | |
CN115859808A (zh) | 一种泵组工作预测方法、装置、电子设备及存储介质 | |
CN114330875A (zh) | 环境信息确定方法、装置、电子设备及存储介质 | |
Daraghmi et al. | Accurate and time‐efficient negative binomial linear model for electric load forecasting in IoE | |
CN112561153A (zh) | 一种基于模型集成的景区人群聚集预测方法 | |
CN116300459A (zh) | 一种控制方法、装置、设备以及存储介质 | |
CN117971509B (zh) | 异构算力集群的运行性能优化方法、装置、设备及介质 | |
Zhang et al. | Load prediction based on depthwise separable convolution model | |
CN115127197B (zh) | 冷机运行策略确定方法、装置、电子设备及存储介质 | |
CN116544931B (zh) | 基于集成片段变换和时间卷积网络的电力负荷分布预测方法 | |
CN116255722A (zh) | 冷机组合确定方法、装置、设备以及存储介质 |
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 |