【技术实现步骤摘要】
基于数据分析的云计算数据中心精密空调节能控制方法
本专利技术涉及数据中心冷源设计领域，具体地，涉及基于数据分析的云计算数据中心精密空调节能控制方法及介质与系统。
技术介绍
随着信息产业及社会经济的不断发展，数据中心的建设规模和数量都在高速增长。数据中心的散热量也在飞速攀升，为保证数据中心的正常运行，需全年开启精密空调系统以排出机房内数据中心所产生的热量。随着数据中心的竞争加剧，运营成本的压力增大，如何实现精密空调冷却系统的节能迫在眉睫。目前的精密空调冷却系统制冷方式多采用热力学的预测方法，但是热力学的预测方法计算复杂，求解过程缓慢，不能适用于实时的动态的温度预测。因此，需要考虑温度预测的实时性，设计一种温度预测快速算法，实时计算精密空调最优控制量，提高精密空调冷却系统的节能性，最终提升整个系统的总效率。
技术实现思路
针对现有技术中的缺陷，本专利技术的目的是提供一种基于数据分析的云计算数据中心精密空调节能控制方法及介质与系统。根据本专利技术提供的一种基于数据分析的云计算数据中心精密空调节能控制方法，包括如下步骤。步骤S1：利用历史上采样数据，构建初始训练数据集；定义每两个相邻采样时刻间的时段为一个采样周期，在每一个采样周期上定义一个预测周期，预测周期的长度为温差预测模型的预测深度，预测周期初始时刻为同一采样周期初始时刻；其中，将预测周期初始时刻时云服务器的热源数据、水冷精密空调的控制量数据作为模型输入数据，将同一预测周期结束时刻时的实测的传感器温差作为模型输出数据，...
【技术保护点】
1.一种基于数据分析的云计算数据中心精密空调节能控制方法，其特征在于，包括如下步骤：/n步骤S1：利用历史上采样数据，构建初始训练数据集；定义每两个相邻采样时刻间的时段为一个采样周期，在每一个采样周期上定义一个预测周期，预测周期的长度为温差预测模型的预测深度，预测周期初始时刻为同一采样周期初始时刻；其中，将预测周期初始时刻时云服务器的热源数据、水冷精密空调的控制量数据作为模型输入数据，将同一预测周期结束时刻时的实测的传感器温差作为模型输出数据，来构建初始训练数据集；所述热源数据包括云服务器部件的性能数据与温度数据，所述控制量数据包括电动水阀开度与空调频率，所述传感器温差为水冷精密空调的回风位置温度与出风位置温度的差值；所述实测的传感器温差为水冷精密空调的实测的回风位置温度与实测的出风位置温度的差值；/n步骤S2：对所述初始训练数据集进行预处理；/n步骤S3：使用预处理后的初始训练数据，对贝叶斯线性回归模型进行初始训练，得到初始温差预测模型；/n步骤S4：获取新增训练数据集；其中，所述新增训练数据集包括：云服务器在当前采样周期初始时刻结束的预测周期初始时刻时的热源数据、水冷精密空调在当前...
【技术特征摘要】
1.一种基于数据分析的云计算数据中心精密空调节能控制方法，其特征在于，包括如下步骤：
步骤S1：利用历史上采样数据，构建初始训练数据集；定义每两个相邻采样时刻间的时段为一个采样周期，在每一个采样周期上定义一个预测周期，预测周期的长度为温差预测模型的预测深度，预测周期初始时刻为同一采样周期初始时刻；其中，将预测周期初始时刻时云服务器的热源数据、水冷精密空调的控制量数据作为模型输入数据，将同一预测周期结束时刻时的实测的传感器温差作为模型输出数据，来构建初始训练数据集；所述热源数据包括云服务器部件的性能数据与温度数据，所述控制量数据包括电动水阀开度与空调频率，所述传感器温差为水冷精密空调的回风位置温度与出风位置温度的差值；所述实测的传感器温差为水冷精密空调的实测的回风位置温度与实测的出风位置温度的差值；
步骤S2：对所述初始训练数据集进行预处理；
步骤S3：使用预处理后的初始训练数据，对贝叶斯线性回归模型进行初始训练，得到初始温差预测模型；
步骤S4：获取新增训练数据集；其中，所述新增训练数据集包括：云服务器在当前采样周期初始时刻结束的预测周期初始时刻时的热源数据、水冷精密空调在当前采样周期初始时刻结束的预测周期初始时刻时的控制量数据、机房在当前采样周期初始时刻结束的预测周期结束时刻的实测的传感器温差；
步骤S5：对所述新增训练数据集进行预处理；
步骤S6：使用预处理后的新增训练数据集以增量的方式，对贝叶斯线性回归模型进行在线的增量训练；
步骤S7：基于当前的贝叶斯线性回归模型，通过预测当前采样周期上定义的预测周期结束时刻时的传感器温差，寻找电动水阀开度与空调频率的最优组合并采用实施；其中，遍历根据当前采样周期初始时刻的热源数据与档位组合集合中的各个元素作为当前贝叶斯线性回归模型的输入分别得到的当前采样周期上定义的预测周期结束时刻的预测的传感器温差，按照小于且最接近目标温差阈值的预测的传感器温差所对应的元素重新设置水冷精密空调在当前采样周期内的电动水阀开度与空调频率；其中，所述档位组合集合是不同档位的电动水阀开度与不同档位的空调频率之间两两配对所得到的组合作为元素的全集；
步骤S8：判断流程是否结束；若是，则流程结束；若否，则针对当前采样周期的下一个采样周期跳回步骤S4继续执行。
2.根据权利要求1所述的基于数据分析的云计算数据中心精密空调节能控制方法，其特征在于，步骤S1和步骤S4中的所述性能数据包括如下任一种或任多种数据：
-机房每台云服务器节点的风扇转速；
-机房每台云服务器节点的CPU频率；
-机房每台云服务器节点的内存使用率；
所述温度数据包括如下任一种或任多种数据：
-机房每台云服务器节点的进风温度；
-机房每台云服务器节点的出风温度；
-机房每台云服务器节点的CPU温度；
-机房每台云服务器节点的GPU温度。
3.根据权利要求1所述的基于数据分析的云计算数据中心精密空调节能控制方法，其特征在于，所述步骤S2和步骤S5包括如下步骤：
数据清洗步骤：如果在采样时刻获得的采样数据项的值为空缺值，使用该数据项的历史平均值填充空缺值；
归一化步骤：对于每一个数据项，将所述步骤S1中定义的初始训练集中数据项的最小值、最大值分别记为、，将数据项的原始值映射成近似在区间[0,1]中的新值，其公式为：
权重调整步骤：将时间较远的训练样本设定为对所述贝叶斯线性回归模型的贡献较低，贡献权重所对应的线性函数为：
其中，表示关于时间的贡献权重，表示用来调整贡献权重随时间增长的速率的参数，表示当前采样时刻，表示历史第一次采样时刻，；
数据项的值经权重调整为新值,其公式为：
将训练样本中每一数据项经预处理后获得的数据项的值合并为预处理后训练样本作为步骤S3中贝叶斯线性回归初始训练和步骤S6中贝叶斯线性回归增量训练的输入。
4.根据权利要求1所述的基于数据分析的云计算数据中心精密空调节能控制方法，其特征在于，所述步骤S3包括：
初始学习步骤：在贝叶斯线性回归初始训练阶段，选择模型参数先验分布服从给定初始超参数为，，的高斯-反GAMMA概率分布，贝叶斯线性回归模型在完成初始训练后，模型参数后验分布服从超参数为，，的高斯-反GAMMA概率分布,其中n表示初始训练数据集中的最后一个采样周期；超参数，，均为，，及初始训练样本集的简单函数,有解析解；
所述步骤S6包括：
增量学习步骤：在贝叶斯线性回归增量训练阶段，当前采样周期t之前的模型参数服从超参数为，，的高斯-反GAMMA概率分布，在当前采样周期t通过增添采样周期t的采样训练样本，更新当前采样周期t的模型参数为服从超参数，，的高斯-反GAMMA概率分布；超参数，，均为，，及增量训练样本的简单函数，有解析解。
5.根据权利要求1所述的基于数据分析的云计算数据中心精密空调节能控制方法，其特征在于，连续相邻的两个预测周期的初始时刻分别为连续相邻的两个采样周期的初始时刻。
6.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5...
【专利技术属性】
技术研发人员：李继文，吕鑫，安柯，徐蓉，
申请(专利权)人：上海有孚智数云创数字科技有限公司，上海有孚网络股份有限公司，
类型：发明
国别省市：上海;31
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。