CN116963482B - 一种基于数据中心暖通系统的智能化节能方法及相关设备 - Google Patents
一种基于数据中心暖通系统的智能化节能方法及相关设备 Download PDFInfo
- Publication number
- CN116963482B CN116963482B CN202311218712.6A CN202311218712A CN116963482B CN 116963482 B CN116963482 B CN 116963482B CN 202311218712 A CN202311218712 A CN 202311218712A CN 116963482 B CN116963482 B CN 116963482B
- Authority
- CN
- China
- Prior art keywords
- temperature
- historical
- data
- historical temperature
- determining
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 66
- 238000009423 ventilation Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000013589 supplement Substances 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000009469 supplementation Effects 0.000 claims abstract description 21
- 238000013480 data collection Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 11
- 230000000153 supplemental effect Effects 0.000 claims description 10
- 230000000295 complement effect Effects 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000004134 energy conservation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Abstract
本申请提供了一种基于数据中心暖通系统的智能化节能方法及相关设备,通过根据所述历史温度数据汇总集和所述运行影响因素数据集确定各设备的运行温度预测值,由所述运行温度预测值对所述历史温度数据汇总集进行温度数据补充,根据所述历史温度数据补充集确定所述每个历史温度分类初始值对应的历史温度分类系数,得到不同类的历史温度数据域,进而得到不同的设备簇,根据该个设备簇对应的实时温度数据确定该个设备簇的实时温度波动值,若所述实时温度波动值处于正常温度波动范围,则对暖通系统进行待机处理,若所述实时温度波动值超过正常温度波动范围,则启动暖通系统,对该个设备簇对应的设备进行温度调节,可提高暖通系统控制精准度。
Description
技术领域
本申请涉及暖通系统的智能化节能技术领域,更具体的说,本申请涉及一种基于数据中心暖通系统的智能化节能方法及相关设备。
背景技术
智能化节能是指利用智能技术和自动化系统来实现能源的高效利用和节约,通过将传感器、数据分析和控制系统等智能技术应用于能源管理中以实现智能化节能,可以实现对能源消耗的监测、优化和控制,智能化节能的核心目标是减少能源的浪费和提高能源利用效率。
基于数据中心暖通系统的智能化节能是指利用智能技术和自动化系统来提高数据中心暖通系统的能源利用效率,通常数据中心是存储、处理和传输大量数据的关键设施,需要大量的能源来保持运行,并保持服务器和网络设备的正常工作温度,在数据中心中,暖通系统负责控制和调节空气流动、温度、湿度和空气质量等参数,以保持设备的稳定工作状态,现有技术中基于数据中心暖通系统的智能化节能的常见方法和技术有:能效优化算法、数据中心空间布局优化、智能温度和湿度控制等,基于数据中心暖通系统的智能化节能方法可以降低数据中心的能源消耗和运行成本,同时提高数据中心的可靠性和可持续性,但现有技术中的智能调节需要实时监测数据,然而由于传感器数据采集、传输、处理和控制系统的延迟,存在一定的响应时间,导致控制系统无法及时应对环境变化,从而降低了暖通系统控制精准度。
发明内容
基于此,针对上述技术问题,本申请提供一种可以提高暖通系统控制精准度的基于数据中心暖通系统的智能化节能方法及相关设备。
为解决上述技术问题,本申请采用如下技术方案:
第一方面,本申请提供一种基于数据中心暖通系统的智能化节能方法,包括如下步骤:
获取数据中心各设备的历史温度数据汇总集和各设备的运行影响因素数据集;
根据所述历史温度数据汇总集和所述运行影响因素数据集确定各设备的运行温度预测值,由所述运行温度预测值对所述历史温度数据汇总集进行温度数据补充,得到历史温度数据补充集;
确定多个历史温度分类初始值,根据所述历史温度数据补充集确定每个历史温度分类初始值对应的历史温度分类系数,根据所述历史温度分类系数将所述历史温度数据补充集划分为不同类的历史温度数据域,由所述历史温度数据域对数据中心各设备进行分类,得到不同的设备簇;
获取数据中心中每个设备簇的最佳运行温度,根据该个设备簇的最佳运行温度及该个设备簇对应的实时温度数据确定该个设备簇的实时温度波动值;
若该个设备簇的实时温度波动值处于正常温度波动范围,则对暖通系统进行待机处理,若该个设备簇的实时温度波动值超过正常温度波动范围,则启动暖通系统,对该个设备簇对应的设备进行温度调节。
在一些实施例中,确定各设备的运行温度预测值具体包括:
根据所述历史温度数据汇总集和所述运行影响因素数据集确定每个设备的运行温度预测矩阵;
对所述运行温度预测矩阵进行协方差处理,得到运行温度预测协方差矩阵;
根据所述运行温度预测协方差矩阵确定运行温度预测特征值和运行温度预测特征向量;
根据所述运行温度预测特征值和所述运行温度预测特征向量确定运行温度预测系数;
根据所述运行温度预测系数和所述历史温度数据汇总集确定各设备的运行温度预测值。
在一些实施例中,对所述运行温度预测矩阵进行协方差处理具体包括:
对所述运行温度预测矩阵进行标准处理,得到运行温度预测标准矩阵;
根据所述运行温度预测标准矩阵计算得到运行温度预测协方差矩阵。
在一些实施例中,确定所述每个历史温度分类初始值对应的历史温度分类系数具体包括:
确定历史温度数据补充集中第个历史温度第/>个历史温度分类初始值的隶属系数/>;
确定历史温度数据补充集中除历史温度分类初始值外的其它数据点;
确定历史温度分类初始值;
确定历史温度数据补充集中数据点的维度;
根据所述历史温度数据补充集中第个历史温度第/>个历史温度分类初始值的隶属系数/>、历史温度数据补充集中除历史温度分类初始值外的其它数据点/>、历史温度分类初始值/>和历史温度数据补充集中数据点的维度/>确定对应的历史温度分类系数,其中每个历史温度分类初始值对应的历史温度分类系数采用下述公式确定:
其中,表示历史温度数据补充集中第/>个历史温度第/>个历史温度分类初始值的历史温度分类系数,/>表示历史温度数据补充集,/>表示第/>个历史温度的历史温度分类初始值的总数。
在一些实施例中,所述历史温度数据补充集中第个历史温度第/>个历史温度分类初始值的隶属系数采用下述步骤确定:
根据所述历史温度数据补充集和所述历史温度分类初始值确定历史温度隶属度;
由所述历史温度隶属度确定历史温度隶属度值;
对所述历史温度隶属度值进行归一化处理,得到隶属系数。
在一些实施例中,从历史温度数据补充集中随机选取P个历史温度作为历史温度分类初始值。
在一些实施例中,温度调节包括:调节空调温度、调节空气流动量和调节湿度。
第二方面,本申请提供一种基于数据中心暖通系统的智能化节能系统,包括:
历史温度数据汇总集获取模块,用于获取数据中心各设备的历史温度数据汇总集和各设备的运行影响因素数据集;
历史温度数据汇总集补充模块,用于根据所述历史温度数据汇总集和所述运行影响因素数据集确定各设备的运行温度预测值,由所述运行温度预测值对所述历史温度数据汇总集进行温度数据补充,得到历史温度数据补充集;
数据中心设备分类模块,用于确定多个历史温度分类初始值,根据所述历史温度数据补充集确定每个历史温度分类初始值对应的历史温度分类系数,根据所述历史温度分类系数将所述历史温度数据补充集划分为不同类的历史温度数据域,由所述历史温度数据域对数据中心各设备进行分类,得到不同的设备簇;
实时温度波动值确定模块,用于获取数据中心中每个设备簇的最佳运行温度,根据该个设备簇的最佳运行温度及该个设备簇对应的实时温度数据确定该个设备簇的实时温度波动值;
暖通系统控制模块,用于若该个设备簇的实时温度波动值处于正常温度波动范围,则对暖通系统进行待机处理,若该个设备簇的实时温度波动值超过正常温度波动范围,则启动暖通系统,对该个设备簇对应的设备进行温度调节。
第三方面,本申请提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的基于数据中心暖通系统的智能化节能方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于数据中心暖通系统的智能化节能方法的步骤。
本申请实施例提供的技术方案具有以下有益效果:
本申请提供的基于数据中心暖通系统的智能化节能方法及其相关设备中,首先获取数据中心各设备的历史温度数据汇总集和各设备的运行影响因素数据集,根据所述历史温度数据汇总集和所述运行影响因素数据集确定各设备的运行温度预测值,由所述运行温度预测值对所述历史温度数据汇总集进行温度数据补充,得到历史温度数据补充集,确定多个历史温度分类初始值,根据所述历史温度数据补充集确定每个历史温度分类初始值对应的历史温度分类系数,根据所述历史温度分类系数将所述历史温度数据补充集划分为不同类的历史温度数据域,由所述历史温度数据域对数据中心各设备进行分类,得到不同的设备簇,获取数据中心中每个设备簇的最佳运行温度,根据该个设备簇的最佳运行温度及该个设备簇对应的实时温度数据确定该个设备簇的实时温度波动值,若该个设备簇的实时温度波动值处于正常温度波动范围,则对暖通系统进行待机处理,若该个设备簇的实时温度波动值超过正常温度波动范围,则启动暖通系统,对该个设备簇对应的设备进行温度调节,该方法可根据数据中心各设备的历史温度数据汇总集对暖通系统进行智能化控制,与现有技术中需要实时监测数据相比,大大提高了暖通系统控制精准度。
附图说明
图1为本申请一些实施例中基于数据中心暖通系统的智能化节能方法的流程示意图;
图2为本申请一些实施例中基于数据中心暖通系统的智能化节能系统的结构框图;
图3为本申请一些实施例中计算机设备的内部结构图。
具体实施方式
本申请核心是获取数据中心各设备的历史温度数据汇总集和各设备的运行影响因素数据集,根据所述历史温度数据汇总集和所述运行影响因素数据集确定各设备的运行温度预测值,由所述运行温度预测值对所述历史温度数据汇总集进行温度数据补充,得到历史温度数据补充集,确定多个历史温度分类初始值,根据所述历史温度数据补充集确定每个历史温度分类初始值对应的历史温度分类系数,根据所述历史温度分类系数将所述历史温度数据补充集划分为不同类的历史温度数据域,由所述历史温度数据域对数据中心各设备进行分类,得到不同的设备簇,获取数据中心中每个设备簇的最佳运行温度,根据该个设备簇的最佳运行温度及该个设备簇对应的实时温度数据确定该个设备簇的实时温度波动值,若该个设备簇的实时温度波动值处于正常温度波动范围,则对暖通系统进行待机处理,若该个设备簇的实时温度波动值超过正常温度波动范围,则启动暖通系统,对该个设备簇对应的设备进行温度调节,从而可根据数据中心各设备的历史温度数据汇总集对暖通系统进行智能化控制,与现有技术中需要实时监测环境数据相比,大大提高了暖通系统控制精准度。
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进行详细的说明。参考图1,该图是根据本申请一些实施例所示的基于数据中心暖通系统的智能化节能方法的示例性流程图,该基于数据中心暖通系统的智能化节能方法100主要包括如下步骤:
在步骤101,获取数据中心各设备的历史温度数据汇总集和各设备的运行影响因素数据集。
具体实现时,连接该数据中心环境数据采集库,获取该数据中心中所需要的设备的历史温度数据,并进行汇总,得到各设备的历史温度数据汇总集;本申请中数据中心各设备的运行影响因素可包括:空气流动、设备密度、设备负载据和设备维护度,连接该数据中心环境数据采集库后,可获取该数据中心中所有运行影响因素对应的数据。
在步骤102,根据所述历史温度数据汇总集和所述运行影响因素数据集确定各设备的运行温度预测值,由所述运行温度预测值对所述历史温度数据汇总集进行温度数据补充,得到历史温度数据补充集。
在一些实施例中,根据所述历史温度数据汇总集和所述运行影响因素数据集确定各设备的运行温度预测值可采用下述步骤实现:
根据所述历史温度数据汇总集和所述运行影响因素数据集确定每个设备的运行温度预测矩阵;
对所述运行温度预测矩阵进行协方差处理,得到运行温度预测协方差矩阵;
根据所述运行温度预测协方差矩阵确定运行温度预测特征值和运行温度预测特征向量;
根据所述运行温度预测特征值和所述运行温度预测特征向量确定运行温度预测系数;
根据所述运行温度预测系数和所述历史温度数据汇总集确定各设备的运行温度预测值。
具体实现时,根据所述历史温度数据汇总集和所述运行影响因素数据集确定每个设备的运行温度预测矩阵,例如其中一个设备的历史温度为,空气流动为,设备密度为/>,则运行温度预测矩阵为/>;根据所述运行温度预测系数和所述历史温度数据汇总集确定各设备的运行温度预测值,若数据中心中某个设备在/>时刻的运行温度预测系数为0.8,该设备在/>时刻的运行温度预测系数也为0.8,则将该设备在/>时刻的历史温度作为/>时刻的运行温度预测值。
需要说明的是,本申请中的确定运行温度预测特征值和运行温度预测特征向量可采用现有技术中的特征值分解得到,这里不在赘述。
在一些实施例中对所述运行温度预测矩阵进行协方差处理,得到运行温度预测协方差矩阵可采用下述步骤实现:
对所述运行温度预测矩阵进行标准处理,得到运行温度预测标准矩阵;
根据所述运行温度预测标准矩阵计算得到运行温度预测协方差矩阵。
具体实现时,例如,运行温度预测矩阵为:
该矩阵表示某个设备对应的历史温度数据和该设备对应得影响因素数据,列表示变量,行表示变量对应的数据,计算每个设备的历史温度数据和对应影响因素数据的均值和标准化值,运行温度预测标准矩阵中的各个标准化值可采用下述公式确定:
其中,表示第/>个影响因素第/>列数据的标准化值,/>表示第/>个影响因素第/>列数据的值,/>表示第/>个影响因素的数据的列数,/>表示第/>个影响因素第列数据的均值;
得到的运行温度预测标准矩阵如下:
在一些实施例中,根据所述运行温度预测标准矩阵计算得到运行温度预测协方差矩阵可采用下述公式确定:
其中,表示运行温度预测协方差矩阵,/>表示运行温度预测标准矩阵,/>表示运行温度预测标准矩阵的转置,/>表示运行温度预测标准矩阵中影响因素的个数。
在一些实施例中,根据所述运行温度预测特征值和所述运行温度预测特征向量确定运行温度预测系数可采用下述步骤实现:
运行温度预测特征值按照大小进行排序,得到运行温度预测特征值序列;
选取运行温度预测特征值序列前K个运行温度预测特征值对应的运行温度预测特征向量作为运行温度预测公共因子;
根据所述运行温度预测公共因子确定运行温度预测特征矩阵;
根据所述运行温度预测特征矩阵和所述运行温度预测标准矩阵计算得到运行温度预测公共因子得分系数;
根据所述前K个运行温度预测特征值确定运行温度预测特征贡献率;
根据所述运行温度预测公共因子得分系数、所述运行温度预测特征贡献率和所述运行温度预测特征矩阵确定运行温度预测系数,其中所述运行温度预测系数采用下述公式确定:
其中,表示运行温度预测系数,/>表示第/>个运行影响因素下第/>个运行温度预测公共因子对应的运行温度预测公共因子得分系数,/>表示第/>个运行温度预测公共因子对应的运行温度预测特征贡献率,/>表示第/>个运行影响因素下运行温度预测公共因子的总数,/>表示运行影响因素的总数。
具体实现时,由所述运行温度预测公共因子构建一个的运行温度预测特征矩阵,例如有一运行温度预测特征向量矩阵为:
选取前2个运行温度预测特征值对应的运行温度预测特征向量作为运行温度预测公共因子,则对应的运行温度预测特征矩阵为:
将运行温度预测特征矩阵和运行温度预测标准矩阵进行矩阵之间的乘积,得到运行温度预测公共因子得分系数;将前K个运行温度预测特征值分别和前K个运行温度预测特征值的总和相除得到运行温度预测特征贡献率。
具体实现时,在一些实施例中,由所述运行温度预测值对所述历史温度数据汇总集进行温度数据补充,利用数据中心各设备的历史温度数据和各设备的运行影响因素数据在时间上的连续性,设定该获取的数据在任意时刻前后数据差值超过10%时,判定数据发生偏差,该数据需要进行误差修正,将所述运行温度预测值放在所述前后数据差值超过10%的数据之间进行补充,并保证添加运行温度预测值后的前后数据差值不超过10%,若超过10%则继续添加运行温度预测值,最终将补充后的历史温度数据汇总集作为历史温度数据补充集。
在步骤103,确定多个历史温度分类初始值,根据所述历史温度数据补充集确定所述每个历史温度分类初始值对应的历史温度分类系数,由所述历史温度分类系数将所述历史温度数据补充集划分为不同类的历史温度数据域,由所述历史温度数据域对数据中心各设备进行分类,得到不同的设备簇。
在一些实施例中,确定多个历史温度分类初始值可采用下述步骤实现:
从历史温度数据补充集中随机选取P个历史温度作为历史温度分类初始值。
具体实现时,确定要从历史温度数据补充集中选择的历史温度分类初始值数量P,例如10个、20个或者更多,使用随机抽样的方法从历史温度数据补充集选择历史温度分类初始值。
需要说明的是,本申请中可以采用Python代码随机选取历史温度分类初始值,Python代码如下:
import random
# 假设historical_temperatures是包含历史温度数据的列表或数组
historical_temperatures = [25.5, 26.2, 24.8, 27.0, 23.5, 25.1, 26.8,24.9, 25.3, 26.5, 25.7, 26.9]
P = 5 # 选择5个初始值
initial_values = random.sample(historical_temperatures, P)
print(initial_values)
在一些实时例中,根据所述历史温度数据补充集确定所述每个历史温度分类初始值对应的历史温度分类系数可采用下述步骤实现:
确定历史温度数据补充集中第个历史温度第/>个历史温度分类初始值的隶属系数/>;
确定历史温度数据补充集中除历史温度分类初始值外的其它数据点;
确定历史温度分类初始值;
确定历史温度数据补充集中数据点的维度;
根据所述历史温度数据补充集中第个历史温度第/>个历史温度分类初始值的隶属系数/>、历史温度数据补充集中除历史温度分类初始值外的其它数据点/>、历史温度分类初始值/>和历史温度数据补充集中数据点的维度/>确定对应的历史温度分类系数,其中对应的历史温度分类系数采用下述公式确定:
其中,表示历史温度数据补充集中第/>个历史温度第/>个历史温度分类初始值的历史温度分类系数,/>表示历史温度数据补充集,/>表示第/>个历史温度的历史温度分类初始值的总数。
需要说明的是,本申请中历史温度数据补充集中数据点由时间和数值构成,所以所述历史温度数据补充集中数据点的维度为2。
在一些实施例中,所述历史温度数据补充集中第个历史温度第/>个历史温度分类初始值的隶属系数可采用下述步骤确定:
根据所述历史温度数据补充集和所述历史温度分类初始值确定历史温度隶属度;
由所述历史温度隶属度确定历史温度隶属度值;
对所述历史温度隶属度值进行归一化处理,得到隶属系数。
具体实现时,计算历史温度数据补充集中每个数据点和每个历史温度分类初始值之间的距离作为历史温度隶属度,使用隶属度函数计算每个数据点和每个历史温度分类初始值的历史温度隶属度值,对所述历史温度隶属度值进行归一化处理,即将每个数据点在每个历史温度分量初始值下对应历史温度隶属度除以该数据点对应的所有历史温度隶属度之和得到隶属系数。
需要说明的是,本申请中隶属度函数采用现有技术中的高斯隶属度函数,这里不在赘述。
具体实现时,由所述历史温度分类系数将所述历史温度数据补充集划分为不同类的历史温度数据域,按照历史温度数据补充集中数据点对应历史温度分类系数的大小将该数据点划分到其历史温度分类系数的最大值对应的历史温度分类初始值中,得到不同类的历史温度数据域,例如:假设有三个历史温度分类初始值,历史温度数据补充集中某一数据点在第一个历史温度分类初始值的历史温度分类系数为0.8,在第二个历史温度分类初始值的历史温度分类系数为0.6,在第三个历史温度分类初始值的历史温度分类系数为0.9,则将该数据点划分到第三个历史温度分类初始值中,对于史温度数据补充集中所有数据点按照上述步骤进行划分。
具体实现时,由所述历史温度数据域对数据中心各设备进行分类,得到不同的设备簇,统计每个历史温度数据域中各设备的历史温度个数,按照历史温度个数的大小将该设备划分到其历史温度个数的最大值对应的历史温度数据域中,将划分到每个历史温度数据域中的所有设备归为一类作为该数据中心的一个设备簇,进而根据不同的历史温度数据域得到不同的设备簇,例如,假设有三个历史温度数据域,数据中心中某一设备在第一个历史温度数据域中的历史温度个数为60,在第二个历史温度数据域中的历史温度个数为80,在第三个历史温度数据域中的历史温度个数为70,则将该设备划分到第二个历史温度数据域中,对于数据中心中的所有设备按照上述步骤进行划分。
在步骤104,获取数据中心各设备的最佳运行温度,根据所述最佳运行温度和所述设备簇对应的实时温度数据确定实时温度波动值。
具体实现时,数据中心各设备的最佳运行温度可根据之前的历史运行数据确定或者实际工作时测量得到,这里不做具体限定,本申请汇总将数据中心每个设备的最佳运行温度减去其相对应的设备簇对应的实时温度数据,将相减后得到的数值作为该设备对应的实时温度波动值。
在步骤105,若所述实时温度波动值处于正常温度波动范围,则对暖通系统进行待机处理,若所述实时温度波动值超过正常温度波动范围,则启动暖通系统,对设备簇对应的设备进行温度调节。
具体实现时,若所述实时温度波动值处于正常温度波动范围,例如数据中心某一设备簇对应设备的正常温度波动范围为±5℃,该设备簇对应设备实时温度波动值为3℃,则认为该设备簇对应设备运行正常,暖通系统不对该设备簇对应设备进行温度调节,暖通系统进入待机状态,以减少能源的消耗,若该设备簇对应设备的温度波动值例如为8℃时,则认为该设备簇对应设备运行异常,启动暖通系统,对设备簇对应的设备进行温度调节。
另外,本申请的另一方面,在一些实施例中,本申请提供一种基于数据中心暖通系统的智能化节能系统,参考图2,该图是根据本申请一些实施例所示的基于数据中心暖通系统的智能化节能系统的示例性硬件和/或软件的示意图,该基于数据中心暖通系统的智能化节能系统200包括:历史温度数据汇总集获取模块201、历史温度数据汇总集补充模块202、数据中心设备分类模块203、实时温度波动值确定模块204和暖通系统控制模块205,分别说明如下:
历史温度数据汇总集获取模块201,本申请中历史温度数据汇总集获取模块201主要用于获取数据中心各设备的历史温度数据汇总集和各设备的运行影响因素数据集;
历史温度数据汇总集补充模块202,本申请中历史温度数据汇总集补充模块202主要用于根据所述历史温度数据汇总集和所述运行影响因素数据集确定各设备的运行温度预测值,由所述运行温度预测值对所述历史温度数据汇总集进行温度数据补充,得到历史温度数据补充集;
数据中心设备分类模块203,本申请中数据中心设备分类模块203主要用于确定多个历史温度分类初始值,根据所述历史温度数据补充集确定每个历史温度分类初始值对应的历史温度分类系数,根据所述历史温度分类系数将所述历史温度数据补充集划分为不同类的历史温度数据域,由所述历史温度数据域对数据中心各设备进行分类,得到不同的设备簇;
实时温度波动值确定模块204,本申请中实时温度波动值确定模块204主要用于获取数据中心中每个设备簇的最佳运行温度,根据该个设备簇的最佳运行温度及该个设备簇对应的实时温度数据确定该个设备簇的实时温度波动值;
暖通系统控制模块205,本申请中暖通系统控制模块205主要用于若该个设备簇的实时温度波动值处于正常温度波动范围,则对暖通系统进行待机处理,若该个设备簇的实时温度波动值超过正常温度波动范围,则启动暖通系统,对该个设备簇对应的设备进行温度调节。
上述智能化节能系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作
另外,在一个实施例中,本申请提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于数据中心暖通系统的智能化节能数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于数据中心暖通系统的智能化节能方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述基于数据中心暖通系统的智能化节能方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述基于数据中心暖通系统的智能化节能方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述基于数据中心暖通系统的智能化节能方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
综上,本申请实施例公开的基于数据中心暖通系统的智能化节能方法及相关设备中,首先,获取数据中心各设备的历史温度数据汇总集和各设备的运行影响因素数据集,根据所述历史温度数据汇总集和所述运行影响因素数据集确定各设备的运行温度预测值,由所述运行温度预测值对所述历史温度数据汇总集进行温度数据补充,得到历史温度数据补充集,确定多个历史温度分类初始值,根据所述历史温度数据补充集确定每个历史温度分类初始值对应的历史温度分类系数,根据所述历史温度分类系数将所述历史温度数据补充集划分为不同类的历史温度数据域,由所述历史温度数据域对数据中心各设备进行分类,得到不同的设备簇,获取数据中心中每个设备簇的最佳运行温度,根据该个设备簇的最佳运行温度及该个设备簇对应的实时温度数据确定该个设备簇的实时温度波动值,若该个设备簇的实时温度波动值处于正常温度波动范围,则对暖通系统进行待机处理,若该个设备簇的实时温度波动值超过正常温度波动范围,则启动暖通系统,对该个设备簇对应的设备进行温度调节,可根据数据中心各设备的历史温度数据汇总集对暖通系统进行智能化控制,与现有技术中需要实时监测环境数据相比,大大提高了暖通系统控制精准度。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于数据中心暖通系统的智能化节能方法,其特征在于,包括如下步骤:
获取数据中心各设备的历史温度数据汇总集和各设备的运行影响因素数据集;
根据所述历史温度数据汇总集和所述运行影响因素数据集确定各设备的运行温度预测值,由所述运行温度预测值对所述历史温度数据汇总集进行温度数据补充,得到历史温度数据补充集;
确定多个历史温度分类初始值,根据所述历史温度数据补充集确定每个历史温度分类初始值对应的历史温度分类系数,其中,确定所述每个历史温度分类初始值对应的历史温度分类系数具体包括:
确定历史温度数据补充集中第个历史温度第/>个历史温度分类初始值的隶属系数;
确定历史温度数据补充集中除历史温度分类初始值外的其它数据点;
确定历史温度分类初始值;
确定历史温度数据补充集中数据点的维度;
根据所述历史温度数据补充集中第个历史温度第/>个历史温度分类初始值的隶属系数/>、历史温度数据补充集中除历史温度分类初始值外的其它数据点/>、历史温度分类初始值/>和历史温度数据补充集中数据点的维度/>确定对应的历史温度分类系数,其中每个历史温度分类初始值对应的历史温度分类系数采用下述公式确定:
其中,表示历史温度数据补充集中第/>个历史温度第/>个历史温度分类初始值的历史温度分类系数,/>表示历史温度数据补充集,/>表示第/>个历史温度的历史温度分类初始值的总数;
根据所述历史温度分类系数将所述历史温度数据补充集划分为不同类的历史温度数据域,由所述历史温度数据域对数据中心各设备进行分类,得到不同的设备簇;
获取数据中心中每个设备簇的最佳运行温度,根据该个设备簇的最佳运行温度及该个设备簇对应的实时温度数据确定该个设备簇的实时温度波动值;
若该个设备簇的实时温度波动值处于正常温度波动范围,则对暖通系统进行待机处理,若该个设备簇的实时温度波动值超过正常温度波动范围,则启动暖通系统,对该个设备簇对应的设备进行温度调节。
2.如权利要求1所述的方法,其特征在于,确定各设备的运行温度预测值具体包括:
根据所述历史温度数据汇总集和所述运行影响因素数据集确定每个设备的运行温度预测矩阵;
对所述运行温度预测矩阵进行协方差处理,得到运行温度预测协方差矩阵;
根据所述运行温度预测协方差矩阵确定运行温度预测特征值和运行温度预测特征向量;
根据所述运行温度预测特征值和所述运行温度预测特征向量确定运行温度预测系数;
根据所述运行温度预测系数和所述历史温度数据汇总集确定各设备的运行温度预测值。
3.如权利要求2所述的方法,其特征在于,对所述运行温度预测矩阵进行协方差处理具体包括:
对所述运行温度预测矩阵进行标准处理,得到运行温度预测标准矩阵;
根据所述运行温度预测标准矩阵计算得到运行温度预测协方差矩阵。
4.如权利要求1所述的方法,其特征在于,所述历史温度数据补充集中第个历史温度第/>个历史温度分类初始值的隶属系数采用下述步骤确定:
根据所述历史温度数据补充集和所述历史温度分类初始值确定历史温度隶属度;
由所述历史温度隶属度确定历史温度隶属度值;
对所述历史温度隶属度值进行归一化处理,得到隶属系数。
5.如权利要求1所述的方法,其特征在于,从历史温度数据补充集中随机选取P个历史温度作为历史温度分类初始值。
6.如权利要求1所述的方法,其特征在于,温度调节包括:调节空调温度、调节空气流动量和调节湿度。
7.一种基于数据中心暖通系统的智能化节能系统,其特征在于,其采用权利要求1所述的方法进行控制,包括:
历史温度数据汇总集获取模块,用于获取数据中心各设备的历史温度数据汇总集和各设备的运行影响因素数据集;
历史温度数据汇总集补充模块,用于根据所述历史温度数据汇总集和所述运行影响因素数据集确定各设备的运行温度预测值,由所述运行温度预测值对所述历史温度数据汇总集进行温度数据补充,得到历史温度数据补充集;
数据中心设备分类模块,用于确定多个历史温度分类初始值,根据所述历史温度数据补充集确定每个历史温度分类初始值对应的历史温度分类系数,根据所述历史温度分类系数将所述历史温度数据补充集划分为不同类的历史温度数据域,由所述历史温度数据域对数据中心各设备进行分类,得到不同的设备簇;
实时温度波动值确定模块,用于获取数据中心中每个设备簇的最佳运行温度,根据该个设备簇的最佳运行温度及该个设备簇对应的实时温度数据确定该个设备簇的实时温度波动值;
暖通系统控制模块,用于若该个设备簇的实时温度波动值处于正常温度波动范围,则对暖通系统进行待机处理,若该个设备簇的实时温度波动值超过正常温度波动范围,则启动暖通系统,对该个设备簇对应的设备进行温度调节。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的基于数据中心暖通系统的智能化节能方法的步骤。
9.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于数据中心暖通系统的智能化节能方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311218712.6A CN116963482B (zh) | 2023-09-21 | 2023-09-21 | 一种基于数据中心暖通系统的智能化节能方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311218712.6A CN116963482B (zh) | 2023-09-21 | 2023-09-21 | 一种基于数据中心暖通系统的智能化节能方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116963482A CN116963482A (zh) | 2023-10-27 |
CN116963482B true CN116963482B (zh) | 2023-12-05 |
Family
ID=88447736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311218712.6A Active CN116963482B (zh) | 2023-09-21 | 2023-09-21 | 一种基于数据中心暖通系统的智能化节能方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116963482B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117369572B (zh) * | 2023-12-07 | 2024-03-15 | 广东凯得智能科技股份有限公司 | 一种用于恒温酒柜的智能加湿控制方法及其相关设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103766015A (zh) * | 2011-06-28 | 2014-04-30 | 施耐德电气It公司 | 用于数据中心温度和气流值辅助预测的测量系统与方法 |
WO2015059710A2 (en) * | 2013-10-21 | 2015-04-30 | Tata Consultancy Services Limited | System and method for monitoring and controlling thermal condition of a data center in real-time |
CN112050397A (zh) * | 2020-08-27 | 2020-12-08 | 浙江省邮电工程建设有限公司 | 一种机房温度调控方法及系统 |
CN113962142A (zh) * | 2021-09-26 | 2022-01-21 | 西安交通大学 | 一种基于两段式lstm的数据中心温度预测方法及系统 |
CN114492019A (zh) * | 2022-01-22 | 2022-05-13 | 苏州纬方电子有限公司 | 一种电池模组的自适应温度调控的评估方法及系统 |
CN115237710A (zh) * | 2022-07-18 | 2022-10-25 | 苏州浪潮智能科技有限公司 | 服务器温度预测方法、装置、计算机设备和存储介质 |
-
2023
- 2023-09-21 CN CN202311218712.6A patent/CN116963482B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103766015A (zh) * | 2011-06-28 | 2014-04-30 | 施耐德电气It公司 | 用于数据中心温度和气流值辅助预测的测量系统与方法 |
WO2015059710A2 (en) * | 2013-10-21 | 2015-04-30 | Tata Consultancy Services Limited | System and method for monitoring and controlling thermal condition of a data center in real-time |
CN112050397A (zh) * | 2020-08-27 | 2020-12-08 | 浙江省邮电工程建设有限公司 | 一种机房温度调控方法及系统 |
CN113962142A (zh) * | 2021-09-26 | 2022-01-21 | 西安交通大学 | 一种基于两段式lstm的数据中心温度预测方法及系统 |
CN114492019A (zh) * | 2022-01-22 | 2022-05-13 | 苏州纬方电子有限公司 | 一种电池模组的自适应温度调控的评估方法及系统 |
CN115237710A (zh) * | 2022-07-18 | 2022-10-25 | 苏州浪潮智能科技有限公司 | 服务器温度预测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116963482A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034504B (zh) | 一种短期负荷预测模型建立方法及装置 | |
CN116963482B (zh) | 一种基于数据中心暖通系统的智能化节能方法及相关设备 | |
CN110458340B (zh) | 基于模式分类的建筑空调冷负荷自回归预测方法 | |
CN108596242B (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
CN110795690A (zh) | 风电场运行异常数据检测方法 | |
WO2020109937A1 (en) | Data center infrastructure optimization method based on causal learning | |
CN113743673A (zh) | 一种台风期间的电力负荷预测方法 | |
CN114041031A (zh) | 组合解确定系统 | |
CN117096504A (zh) | 温度控制方法及装置、设备、存储介质 | |
CN113283674A (zh) | 一种基于用户用电特征的基线负荷预测修正方法 | |
CN106845825B (zh) | 一种基于改进pca的带钢冷轧质量问题溯源及控制方法 | |
Zhang et al. | Deep reinforcement learning towards real-world dynamic thermal management of data centers | |
CN113853096B (zh) | 基于物联网联动的idc机房的温度调控方法及系统 | |
CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
KR102478684B1 (ko) | 앙상블 학습을 이용한 에너지 소비 예측 방법 및 상기 방법을 수행하는 컴퓨팅 장치 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN113849052B (zh) | 基于人工智能的机房温度预测方法及系统 | |
CN116307059A (zh) | 配电网区域故障预测模型构建方法及装置、电子设备 | |
Suzuki et al. | Power Prediction for Sustainable HPC | |
CN116880163B (zh) | 一种智慧数据中心冷源调控方法及系统 | |
CN117369572B (zh) | 一种用于恒温酒柜的智能加湿控制方法及其相关设备 | |
CN113805544B (zh) | 运行参数的确定方法、装置、计算机设备和存储介质 | |
CN116757337B (zh) | 一种基于人工智能的房建施工进度预测系统 | |
CN117009057B (zh) | 一种基于动态价值的并发事务调度方法 | |
CN116697497B (zh) | 一种通风空调系统控制方法、装置、设备和存储介质 |
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 |