【技术实现步骤摘要】
神经网络模型训练方法、装置及暖通系统能效优化方法
本申请涉及机器学习
，具体而言，涉及一种神经网络模型训练方法、装置及暖通系统能效优化方法。
技术介绍
随着云服务、大数据、AI计算等技术的发展，企业与政府投建了大量的数据中心。目前，国内数据中心的能耗普遍较高，平均PUE值基本在2.2-3.0之间，国内数据中心的用电量占全社会用电量的3%。现阶段，对于数据中心能效优化的研究较多，例如，数据中心暖通系统的能效优化，数据中心能效优化的研究往往使用能耗模拟软件模拟和比较不同方案的能效性能，以辅助设计决策与优化。然而，大多应用于数据中心能效优化的神经网络模型都需要大量的训练样本以及丰富的样本特征分布，在训练样本不满足上述要求时，神经网络模型关于输入输出的曲线分布与敏感度将会表现得很差，导致神经网络模型难以训练，并无法上线应用。
技术实现思路
本申请实施例的目的在于提供一种神经网络模型训练方法及装置，增加预训练的神经网络模型关于输入输出曲线单调性与敏感尺度的学习，加快模型收敛速度，降低模型训练难度。
【技术保护点】
1.一种神经网络模型训练方法，其特征在于，所述神经网络模型用于暖通系统的能效优化，所述方法包括：/n获取初始样本，所述初始样本的初始参数包括暖通系统的冷却塔风机频率、冷却泵频率及外界温湿度，所述初始样本的初始参数符合单调性；/n对所述初始样本进行数据增强，构建得到尺度样本对及排序样本对；/n输入所述初始样本、所述尺度样本对及所述排序样本对至预训练的神经网络模型，得到对应的预测结果，所述预训练的神经网络模型已预设参数的单调目标及尺度目标，其中，所述预测结果为压缩机功率；/n根据所述初始样本的预测结果、所述尺度样本对的预测结果及所述排序样本对的预测结果，计算对应的预测误差损失；...
【技术特征摘要】
1.一种神经网络模型训练方法，其特征在于，所述神经网络模型用于暖通系统的能效优化，所述方法包括：
获取初始样本，所述初始样本的初始参数包括暖通系统的冷却塔风机频率、冷却泵频率及外界温湿度，所述初始样本的初始参数符合单调性；
对所述初始样本进行数据增强，构建得到尺度样本对及排序样本对；
输入所述初始样本、所述尺度样本对及所述排序样本对至预训练的神经网络模型，得到对应的预测结果，所述预训练的神经网络模型已预设参数的单调目标及尺度目标，其中，所述预测结果为压缩机功率；
根据所述初始样本的预测结果、所述尺度样本对的预测结果及所述排序样本对的预测结果，计算对应的预测误差损失；
根据所述初始样本的预测误差损失、所述尺度样本对的预测误差损失及所述排序样本对的预测误差损失，更新所述预训练的神经网络模型的参数；
重复执行上述步骤，直至所述预训练的神经网络模型收敛。
2.根据权利要求1所述的神经网络模型训练方法，其特征在于，所述对所述初始样本进行数据增强，构建得到尺度样本对及排序样本对，包括：
在所述初始参数的值域范围内，随机选取得到最大参数及最小参数；
根据所述最大参数及所述最小参数，构建得到尺度样本对；
在所述初始参数的值域范围内，随机选取得到随机参数；
根据所述随机参数及所述初始参数，构建得到排序样本对。
3.根据权利要求1所述的神经网络模型训练方法，其特征在于，所述根据所述初始样本的预测结果、所述尺度样本对的预测结果及所述排序样本对的预测结果，计算对应的预测误差损失，包括：
根据所述初始样本的预测结果，计算所述初始样本的均方误差损失；
根据所述尺度样本对的预测结果，计算所述尺度样本对的尺度样本之间的预测距离；
根据所述尺度样本对的尺度样本之间的预测距离，计算所述尺度样本对的距离均方误差损失；
根据所述排序样本对的预测结果，计算所述排序样本对的排序样本之间的预测次序；
根据所述排序样本对的排序样本之间的预测次序，计算所述排序样本对的排序损失。
4.根据权利要求1所述的神经网络模型训练方法，其特征在于，所述根据所述初始样本的预测误差损失、所述尺度样本对的预测误差损失及所述排序样本对的预测误差损失，更新所述预训练的神经网络模...
【专利技术属性】
技术研发人员：张发恩，马凡贺，
申请(专利权)人：创新奇智南京科技有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。