一种应用于数据中心机房的智能降温方法技术

本发明专利技术涉及一种应用于数据中心机房的智能降温方法，涉及智能降温技术领域，本发明专利技术通过使用数据中心机房的若干运行状态数据、温度数据、湿度数据以及降温设备工作参数对建立的机器学习预测模型进行训练，根据训练得到的预测模型进行数据库中心机房内的降温预测，并根据该预测模型的降温预测对数据库中心机房进行降温，以保证数据库机房的降温效率和对数据库中心机房内温度的控制精度，本发明专利技术在对预测模型训练完成时，根据预测模型的预测数据确定该预测模型是否可用，并在不可用时，对该预测模型进行参数调整，以保证预测模型的预测精准性，从而进一步提高了数据库机房内温度的控制精度。精度。精度。

【技术实现步骤摘要】
一种应用于数据中心机房的智能降温方法


[0001]本专利技术涉及智能降温
，尤其涉及一种应用于数据中心机房的智能降温方法。

技术介绍

[0002]数据中心机房作为数据存储、运行以及交换的重要场所，其稳定安全的运行装填才能为用户带来更好的体验和社会效效益，为了能够稳定安全运行，在建立数据中心机房后必须进行维护运营，以保证机房的稳定安全性。
[0003]维护运营又包含多个方面，每个方面的维护运营都不可少，其中机房内部降温是最重要的环节之一，由于数据中心机房中包含了很多机柜，每个机柜里又设置又多台交换机，交换机内电子器件发热产生热量，其降温效果不好会导致器件损坏，从而造成数据丢失。
[0004]现有的数据中心机房都是通过空调、新风系统以及水冷至少一种方式进行降温，但上述降温方式都是通过整体检测机房内的温度进行温度控制，容易造成降温过度，并且根据整体检测机房内的温度进行降温的措施，降温并不精准，若是一个单独一个机柜温度过高，机房内整体温度不高，则不进行降温，降温效率较差，容易造成单个机柜的损坏。

技术实现思路

[0005]为此，本专利技术提供一种应用于数据中心机房的智能降温方法，用以克服现有技术中对于降温过程控制不精准导致的降温效率差的问题。
[0006]为实现上述目的，本专利技术提供一种应用于数据中心机房的智能降温方法，包括：步骤S1、数据获取单元获取数据中心机房的若干运行状态数据、运行过程中的对应机房内温度数据、湿度数据以及降温设备工作参数；步骤S2、数据处理单元将获取的若干所述运行状态数据、温度数据、湿度数据以及降温设备工作参数进行预处理；步骤S3、建模单元建立基于机器学习模型，并将所述数据处理单元预处理完成的若干所述运行状态数据、温度数据、湿度数据以及降温设备工作参数输入至机器学习模型中进行训练生成预测模型；步骤S4、所述数据获取单元将预设数量的所述数据中心机房运行时产生的热量最小值至热量最大值中的数据随机输入预测模型中进行模型评价；步骤S5、模型确定单元根据所述模型评价的结果确定所述预测模型是否可用，参数调整单元在所述模型确定单元确定所述预测模型不可用时进行预测模型的参数调节；步骤S6、所述模型确定单元在确定所述预测模型可用时，根据所述预测模型进行所述数据中心机房内的温度预测并确定降温设备的运行参数。
[0007]进一步地，在所述步骤S2中，对所述运行状态数据、温度数据、湿度数据以及降温设备工作参数进行预处理包括剔除所述温度值不符合所述机房内的预设热量范围内产生
的温度值、以及该温度值对应的降温设备工作参数。
[0008]进一步地，所述预处理还包括根据获取的湿度数据对所述温度值进行微调，所述温度控制装置设有预设湿度值对应的的温度值调节系数，所述温度控制装置根据实际湿度值与预设温度值的比对结果选取对应的温度值调节系数对所述温度值进行微调，其中，所述数据处理单元中设有第一湿度值Q1、第二湿度值Q2、第三湿度值Q3、第一温度调节系数K1、第二温度调节系数K2以及第三温度调节系数K3，其中Q1＜Q2＜Q3，设定0.7＜K3＜K2＜K1＜1，当Q≤Q1时，所述数据处理单元选取第一温度调节系数K1对所述温度值进行调节；当Q1＜Q≤Q2时，所述数据处理单元选取第二温度调节系数K2对所述温度值进行调节；当Q2＜Q≤Q3时，所述数据处理单元选取第三温度调节系数K3对所述温度值进行调节；当所述数据处理单元选取第i温度调节系数Ki对所述温度值进行调节时，所述数据处理单元将调节后的温度值设置为Tk，设定Tk=Tn
×
Ki，其中Tn为调节前温度值。
[0009]进一步地，在步骤S3中，当对所述预测模型进行训练时，输入数据并通过多元线性回归算法进行预测模型训练，并在训练时将所述预测模型的学习率设置为A，迭代次数设置为N。
[0010]进一步地，在所述步骤S4中，当对所述模型进行评价时，所述模型确定单元根据所述预测模型预测的设备功率确定所述降温效率值Y，并根据该降温效率值Y与预设降温效率范围Y0的比对结果进行模型评价，其中所述预设降温效率范围Y0包括预设最小降温效率值Ymin和预设最大降温效率值Ymax，Ymin＜Ymax，若Y∈Y0，所述模型确定单元初步判定所述预测模型的预测结果合格；若Y＜Ymin或Y＞Ymax，所述模型确定单元判定所述预测模型的预测结果不合格。
[0011]进一步地，当所述模型确定单元判定所述预测模型的预测结果不合格且Y＜Ymin时，计算所述降温效率值Y和预设最小降温效率值Ymin的第一效率差值ΔYa，设定ΔYa=Ymin
‑
Y，所述参数调整单元根据该第一效率差值和预设效率差值的比对结果选取对应的补偿系数对学习率A进行补偿，其中，所述参数调整单元还设有第一预设效率差值ΔY1、第二预设效率差值ΔY2、第三预设效率差值ΔY3、第一学习率补偿系数F1、第二学习率补偿系数F2以及第三学习率补偿系数F3，其中ΔY1＜ΔY2＜ΔY3，设定1＜F1＜F2＜F3＜1.5，当ΔYa≤ΔY1时，所述参数调整单元选取第一学习率补偿系数F1对所述学习率进行补偿；当ΔY1＜ΔYa≤ΔY2时，所述参数调整单元选取第二学习率补偿系数F2对所述学习率进行补偿当ΔY2＜ΔYa≤ΔY3时，所述参数调整单元选取第三学习率补偿系数F3对所述学习率进行补偿当所述参数调整单元选取第r学习率补偿系数Fr对所述学习率进行补偿时，设定r=1，2，3，所述参数调整单元将补偿后的学习率设置为A1，设定A1=A
×
Fr，所述建模单元以调节后的学习率进行模型训练。
[0012]进一步地，当所述模型确定单元判定所述预测模型的预测结果不合格且Y＜Ymax时，计算所述降温效率值Y和预设最小降温效率值Ymax的第二效率差值ΔYb，设定ΔYb=Y
‑
Ymax，所述参数调整单元根据该第二效率差值与预设效率差值的比对结果选取对应的调节系数对所述学习率进行调节，其中，所述参数调整单元还设有第一学习率调节系数Ka1、第二学习率调节系数Ka2以及第三学习率调节系数Ka3，设定0.7＜Ka3＜Ka2＜Ka3＜1，当ΔYb≤ΔY1时，所述参数调整单元选取第一学习率调节系数Ka1对所述学习率进行调节；当ΔY1＜ΔYb≤ΔY2时，所述参数调整单元选取第二学习率调节系数Ka2对所述学习率进行调节;当ΔY2＜ΔYb≤ΔY3时，所述参数调整单元选取第三学习率调节系数Ka3对所述学习率进行调节;当所述参数调整单元选取第s学习率调节系数Kas对所述学习率进行调节时，设定s=1，2，3，所述参数调整单元将补偿后的学习率设置为A2，设定A2=A
×
Kas，所述建模单元以调节后的学习率进行模型训练。
[0013]进一步地，在所述步骤S5中，当确定所述预测模型是否可用时，所述模型确定单元根据所述预测模型输出的合格数据量U与输入的总数据量Uz计算所述预测模型的输出合格率E，设定E=U/U0，并根据该输出合格率E与预设合格率E0的比对结果确定所述预测模型是否可用，若E≥E0，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于数据中心机房的智能降温方法，其特征在于，包括：步骤S1、数据获取单元获取数据中心机房的若干运行状态数据、运行过程中的对应机房内温度数据、湿度数据以及降温设备工作参数；步骤S2、数据处理单元将获取的若干所述运行状态数据、温度数据、湿度数据以及降温设备工作参数进行预处理；步骤S3、建模单元建立基于机器学习模型，并将所述数据处理单元预处理完成的若干所述运行状态数据、温度数据、湿度数据以及降温设备工作参数输入至机器学习模型中进行训练生成预测模型；步骤S4、所述数据获取单元将预设数量的所述数据中心机房运行时产生的热量最小值至热量最大值中的数据随机输入预测模型中进行模型评价；步骤S5、模型确定单元根据所述模型评价的结果确定所述预测模型是否可用，参数调整单元在所述模型确定单元确定所述预测模型不可用时进行预测模型的参数调节；步骤S6、所述模型确定单元在确定所述预测模型可用时，根据所述预测模型进行所述数据中心机房内的温度预测并确定降温设备的运行参数。2.根据权利要求1所述的应用于数据中心机房的智能降温方法，其特征在于，在所述步骤S2中，对所述运行状态数据、温度数据、湿度数据以及降温设备工作参数进行预处理包括剔除不符合所述机房内的预设热量范围内产生的温度值、以及该温度值对应的降温设备工作参数。3.根据权利要求2 所述的应用于数据中心机房的智能降温方法，其特征在于，所述预处理还包括根据获取的湿度数据对所述温度值进行微调，温度控制装置设有预设湿度值对应的温度值调节系数，所述温度控制装置根据实际湿度值与预设湿度值的比对结果选取对应的温度值调节系数对所述温度值进行微调，其中，所述数据处理单元中设有第一湿度值Q1、第二湿度值Q2、第三湿度值Q3、第一温度调节系数K1、第二温度调节系数K2以及第三温度调节系数K3，其中Q1＜Q2＜Q3，设定0.7＜K3＜K2＜K1＜1，当Q≤Q1时，所述数据处理单元选取第一温度调节系数K1对所述温度值进行调节；当Q1＜Q≤Q2时，所述数据处理单元选取第二温度调节系数K2对所述温度值进行调节；当Q2＜Q≤Q3时，所述数据处理单元选取第三温度调节系数K3对所述温度值进行调节；当所述数据处理单元选取第i温度调节系数Ki对所述温度值进行调节时，所述数据处理单元将调节后的温度值设置为Tk，设定Tk=Tn
×
Ki，其中Tn为调节前温度值。4.根据权利要求3所述的应用于数据中心机房的智能降温方法，其特征在于，在步骤S3中，当对所述预测模型进行训练时，输入数据并通过多元线性回归算法进行预测模型训练，并在训练时将所述预测模型的学习率设置为A，迭代次数设置为N。5.根据权利要求4所述的应用于数据中心机房的智能降温方法，其特征在于，在所述步骤S4中，当对所述模型进行评价时，所述模型确定单元根据所述预测模型预测的设备功率确定所述降温效率值Y，并根据该降温效率值Y与预设降温效率范围Y0的比对结果进行模型评价，其中所述预设降温效率范围Y0包括预设最小降温效率值Ymin和预设最大降温效率值Ymax，Ymin＜Ymax，若Y∈Y0，所述模型确定单元初步判定所述预测模型的预测结果合格；
若Y＜Ymin或Y＞Ymax，所述模型确定单元判定所述预测模型的预测结果不合格。6.根据权利要求5所述的应用于数据中心机房的智能降温方法，其特征在于，当所述模型确定单元判定所述预测模型的预测结果不合格且Y＜Ymin时，计算所述降温效率值Y和预设最小降温效率值Ymin的第一效率差值ΔYa，设定ΔYa=Ymin
‑
Y，所述参数调整单元根据该第一效率差值和预设效率差值的比对结果选取对应的补偿系数对学习率A进行补偿，其中，所述参数调整单元还设有第一预设效率差值ΔY1、第二预设效率差值ΔY2、第三预设效率差值ΔY3、第一学习率补偿系数F1、第二学习率补偿系数F2以及第三学习率补偿系数F3，其中ΔY1＜ΔY2＜ΔY3，设定1＜F1＜F2＜F3＜1.5，当ΔYa≤...

【专利技术属性】
技术研发人员：孙喆，张庆洋，
申请(专利权)人：深圳雪芽创新科技有限公司，
类型：发明
国别省市：