机房控制设备运行参数调整方法及装置、设备及存储介质制造方法及图纸

本公开涉及一种机房控制设备运行参数调整方法及装置、设备及存储介质，所述方法包括：利用已知的机房控制设备的控制变量和运行参数训练得到机房控制设备的控制变量与运行参数之间的关系模型；基于训练好的机房控制设备的控制变量与运行参数之间的关系模型，计算出每一个控制变量对应的关键运行参数，其中，所述控制变量对应的关键运行参数为所有运行参数中对控制变量影响最大的运行参数；当接收到改变机房控制设备的指定控制变量的请求时，调整机房控制设备的指定控制变量对应的关键运行参数，使得机房控制设备的指定控制变量发生变化，能够通过调整关键运行参数来得到理想的控制变量，以确保机房控制设备运行的最佳状态。态。态。

【技术实现步骤摘要】
机房控制设备运行参数调整方法及装置、设备及存储介质


[0001]本公开涉及机房控制
，尤其涉及一种机房控制设备运行参数调整方法及装置、设备及存储介质。

技术介绍

[0002]当前机房中冷机、水泵、冷却塔等设备由于各设备自身要求，虽然工况点高度耦合但必须实行分散控制，这为设备数据的协同处理带来了阻力。在设备运行过程中会有输入参数众多，其中，每一个输入参数的细微变化都可能对设备运行结果产生影响。工况点由设备运行过程中记录下的多类工作参数，包括离散数据及连续数据，如以下设备运行数据：
[0003]离散数据：
[0004]开关情况：包括水泵开关情况、风扇开关情况等，以数字0、1形式表示
[0005]连续数据：
[0006]温度：包括冷冻水进水温度、冷冻水出水温度、冷却水进水温度、冷却水出水温度等；
[0007]流量：包括冷冻水流量、冷却水流量等；
[0008]转速：包括冷却水水泵转速、冷冻水水泵转速、冷却塔风扇转速；
[0009]环境：包括室内外环境温度、天气状况等；
[0010]功耗：包括系统总运行功率、系统总运行效率等。
[0011]以上相关数据共同构成某一时刻下的多维工况点数据。在特定工况点条件下，当前机房系统维持某一状态的运行模式，并产生对应状态的输出。由于涉及的工作参数众多，工况点数据维度较高，无法直观判断出特定参数的改变对于该状态输出的影响。

技术实现思路

[0012]为了解决上述技术问题或者至少部分地解决上述技术问题，本公开的实施例提供了一种机房控制设备运行参数调整方法及装置、设备及存储介质。
[0013]第一方面，本公开的实施例提供了一种机房控制设备运行参数调整方法，所述方法包括：
[0014]利用已知的机房控制设备的控制变量和运行参数训练得到机房控制设备的控制变量与运行参数之间的关系模型；
[0015]基于训练好的机房控制设备的控制变量与运行参数之间的关系模型，计算出每一个控制变量对应的关键运行参数，其中，所述控制变量对应的关键运行参数为所有运行参数中对控制变量影响最大的运行参数；
[0016]当接收到改变机房控制设备的指定控制变量的请求时，调整机房控制设备的指定控制变量对应的关键运行参数，使得机房控制设备的指定控制变量发生变化。
[0017]在一种可能的实施方式中，所述关系模型为神经网络模型，利用已知的机房控制设备的控制变量和运行参数训练得到机房控制设备的控制变量与运行参数之间的关系模
型，包括：
[0018]将已知的机房控制设备的控制变量输入各个控制变量分别对应的预先设置的计算模块，将计算模块的输出值输入原始神经网络模型，利用原始神经网络模型的输出值与控制变量对应的运行参数之间的差值来训练原始神经网络模型的参数，直到训练后的神经网络模型的输出值与控制变量对应的运行参数之间的差值满足第一预设阈值时，将该训练后的神经网络模型作为机房控制设备的控制变量与运行参数之间的关系模型。
[0019]在一种可能的实施方式中，所述计算模块包括线性模块、微分模块和积分模块，将已知的机房控制设备的控制变量输入各个控制变量分别对应的预先设置的计算模块，包括：
[0020]判断已知的机房控制设备的每一个控制变量与运行参数之间的对应关系是线性关系、微分关系还是积分关系：
[0021]当已知的机房控制设备的控制变量与运行参数之间的对应关系是线性关系时，将已知的机房控制设备的控制变量输入线性模块中；
[0022]当已知的机房控制设备的运行参数与控制变量之间的对应关系是积分关系时，将已知的机房控制设备的控制变量输入微分模块中；
[0023]当已知的机房控制设备的运行参数与控制变量之间的对应关系是微分关系时，将已知的机房控制设备的控制变量输入积分模块中。
[0024]在一种可能的实施方式中，所述基于训练好的机房控制设备的控制变量与运行参数之间的关系模型，计算出每一个控制变量对应的关键运行参数，包括：
[0025]选取一个控制变量作为目标控制变量，并将其设置为第一预设值，将目标控制变量之外的其他控制变量设置为0；
[0026]将目标控制变量的第一预设值以及其他控制变量的0值输入各个控制变量分别对应的预先设置的计算模块，将计算模块的输出值输入训练好的机房控制设备的控制变量与运行参数之间的关系模型中，得到各个运行参数的第一预测值；
[0027]在保持目标控制变量之外的其他控制变量均为0的情况下，将目标控制变量设置为第二预设值，得到各个运行参数的第二预测值；
[0028]对比各个运行参数的第一预测值与第二预测值的差值，将差值最大时对应的运行参数作为目标控制变量的关键运行参数。
[0029]在一种可能的实施方式中，所述关系模型为变分自编码模型，利用已知的机房控制设备的控制变量和运行参数训练得到控制变量与运行参数之间的关系模型，包括：
[0030]将已知的机房控制设备的运行参数输入变分自编码模型的编码器，得到机房控制设备的运行参数的低维表示，将机房控制设备的运行参数的低维表示作为隐变量空间；
[0031]计算机房控制设备的运行参数的低维表示的均值和方差，并根据其从隐变量空间中采样，得到向量Z＝{Z1,Z2...,Z
n
}；
[0032]将采样得到的向量Z＝{Z1,Z2...,Z
n
}输入变分自编码模型的解码器，生成与输入至编码器中的运行参数对应的预测控制变量；
[0033]根据与输入至编码器中的运行参数对应的预测控制变量和实际控制变量之间的差值，通过调整编码器和解码器的参数训练变分自编码模型，直到与输入至编码器中的运行参数对应的预测控制变量和实际控制变量之间的差值小于第二预设阈值时，将训练后的
变分自编码模型作为机房控制设备的控制变量与运行参数之间的关系模型。
[0034]在一种可能的实施方式中，所述基于训练好的机房控制设备的控制变量与运行参数之间的关系模型，计算出每一个控制变量对应的关键运行参数，包括：
[0035]选取机房控制设备的一个运行参数作为目标运行参数，并将其设置为第三预设值，将目标运行参数之外的其他运行参数设置为0；
[0036]将目标运行参数的第三预设值以及其他运行参数的0值输入训练好的变分自编码模型的编码器中，得到目标运行参数对隐空间各个通道的数据的梯度响应值；
[0037]对比目标运行参数对隐空间各个通道的数据的梯度响应值与预设的第三预设阈值，得到梯度响应值超过第三预设阈值的隐空间的通道，作为目标运行参数对应的隐空间的通道，从而得到机房控制设备的每一个运行参数对应的隐空间的通道；
[0038]随机采样机房控制设备的运行参数并将其输入训练好的变分自编码模型中，得到机房控制设备的运行参数对应的预测控制变量，进行反向传播求解预测控制变量对隐空间各个通道的数据的梯度响应值；
[0039]对比预测控制变量对隐空间各个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机房控制设备运行参数调整方法，其特征在于，所述方法包括：利用已知的机房控制设备的控制变量和运行参数训练得到机房控制设备的控制变量与运行参数之间的关系模型；基于训练好的机房控制设备的控制变量与运行参数之间的关系模型，计算出每一个控制变量对应的关键运行参数，其中，所述控制变量对应的关键运行参数为所有运行参数中对控制变量影响最大的运行参数；当接收到改变机房控制设备的指定控制变量的请求时，调整机房控制设备的指定控制变量对应的关键运行参数，使得机房控制设备的指定控制变量发生变化。2.根据权利要求1所述的方法，其特征在于，所述关系模型为神经网络模型，利用已知的机房控制设备的控制变量和运行参数训练得到机房控制设备的控制变量与运行参数之间的关系模型，包括：将已知的机房控制设备的控制变量输入各个控制变量分别对应的预先设置的计算模块，将计算模块的输出值输入原始神经网络模型，利用原始神经网络模型的输出值与控制变量对应的运行参数之间的差值来训练原始神经网络模型的参数，直到训练后的神经网络模型的输出值与控制变量对应的运行参数之间的差值满足第一预设阈值时，将该训练后的神经网络模型作为机房控制设备的控制变量与运行参数之间的关系模型。3.根据权利要求2所述的方法，其特征在于，所述计算模块包括线性模块、微分模块和积分模块，将已知的机房控制设备的控制变量输入各个控制变量分别对应的预先设置的计算模块，包括：判断已知的机房控制设备的每一个控制变量与运行参数之间的对应关系是线性关系、微分关系还是积分关系：当已知的机房控制设备的控制变量与运行参数之间的对应关系是线性关系时，将已知的机房控制设备的控制变量输入线性模块中；当已知的机房控制设备的运行参数与控制变量之间的对应关系是积分关系时，将已知的机房控制设备的控制变量输入微分模块中；当已知的机房控制设备的运行参数与控制变量之间的对应关系是微分关系时，将已知的机房控制设备的控制变量输入积分模块中。4.根据权利要求2所述的方法，其特征在于，所述基于训练好的机房控制设备的控制变量与运行参数之间的关系模型，计算出每一个控制变量对应的关键运行参数，包括：选取一个控制变量作为目标控制变量，并将其设置为第一预设值，将目标控制变量之外的其他控制变量设置为0；将目标控制变量的第一预设值以及其他控制变量的0值输入各个控制变量分别对应的预先设置的计算模块，将计算模块的输出值输入训练好的机房控制设备的控制变量与运行参数之间的关系模型中，得到各个运行参数的第一预测值；在保持目标控制变量之外的其他控制变量均为0的情况下，将目标控制变量设置为第二预设值，得到各个运行参数的第二预测值；对比各个运行参数的第一预测值与第二预测值的差值，将差值最大时对应的运行参数作为目标控制变量的关键运行参数。5.根据权利要求1所述的方法，其特征在于，所述关系模型为变分自编码模型，利用已
知的机房控制设备的控制变量和运行参数训练得到控制变量与运行参数之间的关系模型，包括：将已知的机房控制设备的运行参数输入变分自编码模型的编码器，得到机房控制设备的运行参数的低维表示，将机房控制设备的运行参数的低维表示作为隐变量空间；计算机房控制设备的运行参数的低维表示的均值和方差，并根据其从隐变量空间中采样，得到向量Z＝{Z1,Z2...,Z
n

【专利技术属性】
技术研发人员：林治强，王旭，张京峰，尹小旭，鲁永浩，牛家赫，何晓钰，
申请(专利权)人：北京纪新泰富机电技术股份有限公司，
类型：发明
国别省市：