一种面向大型动环监控场景的室温智能调控方法技术

本发明专利技术公开了一种面向大型动环监控场景的室温智能调控方法，针对机房空调开启和关闭状态，分别训练

【技术实现步骤摘要】
一种面向大型动环监控场景的室温智能调控方法


[0001]本专利技术涉及通信基站系统智能调控
，具体为一种面向大型动环监控场景的室温智能调控方法
。

技术介绍

[0002]随着智能化时代的发展，互联网已成为人们生活中必不可少的一部分，大型机房中设备的负荷量越来越大，在运行过程中，机房设备会散发大量热量，为维持设备的安全运行，必须保持机房温度恒定且能有效的给发热的设备降温，因此，机房空调需要
24
小时无间断工作，空调耗能也成为机房最主要的耗能因素，巨大的能源消耗不仅污染环境，同时也会造成资源的浪费
。
[0003]在绿色低碳发展的大背景下，机房节能技术需要不断的创新与发展，控制机房空调耗能是机房节能中重要的一环，在空调运行时需要同步考虑如何安全高效地控制冗余备份空调运行；随着
AI
人工智能及深度学习的不断发展，其应用领域不断拓宽，将其应用于机房空调的智能调控中，可有效实现室温的智能调节，同时设置动态修正函数及符合机房场景的调控机制，可有效促进机房节能技术的发展，在贯彻落实网络强国和“碳达峰
、
碳中和”的双重国家战略背景下为节能减排做出应有的贡献
。。

技术实现思路

[0004]本专利技术的目的在于提供一种面向大型动环监控场景的室温智能调控方法以解决上述问题，针对空调开启和关闭两种状态训练
LSTM
智能预测模型，分场景进行参数调整，进行机房空调的智能调节，从而实现大型动环监控场景的室温智能调控/>。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]一种面向大型动环监控场景的室温智能调控方法，包括如下步骤：
[0007]步骤1：数据的获取及处理，采集机房空调在开启和关闭状态下的温度时间序列，对所采集数据集进行清洗及归一化；
[0008]步骤2：在标准温度和标准业务量情况下，对应于机房空调开启和关闭状态，分别训练基于时间序列的
LSTM
预测模型，模型输入为当前时刻温度时间序列，输出为当前时刻至可关闭或可开启空调时刻的时间差；
[0009]步骤3：采集机房温度时间序列，根据当前机房空调工作状态，即开启状态或关闭状态，将采集的温度时间序列输入至对应状态下的
LSTM
预测模型，得到所预测的时间差；
[0010]步骤4：根据实际温度
、
机房业务量和天气对所预测的时间差进行参数修正；
[0011]步骤5：根据修正结果以及空调调控机制进行机房空调开关的智能调节；
[0012]步骤6：针对该调控机制下空调由开到关再到开整个周期的运行情况进行节能效果评估，进而决定是否继续运行该节能调控机制
。
[0013]进一步，步骤1中对所采集数据集的清洗及归一化的方法包括：
[0014]根据需要，获取机房温度时间序列，为保证数据的准确性和可靠性，
对所采集的数据进行清洗，包括对空缺数据
、
错误数据和异常数据进行处理，同时，为了避免因输入绝对值过大而影响模型的收敛速度，提高神经网络运算效率，节省运算时间，对所获取的数据集的时间序列进行归一化处理，将绝对值过大的数值变成对应关系不变的绝对值较小的数值
。
[0015]更进一步假设时间序列中最大
、
最小温度分别为
、
，则归一化后序列的第
i
个量为：
[0016][0017]式中，
m、n
分别为参数，为时间序列中第
i
个温度数据值，整理后的温度时间序列为
。
[0018]进一步，步骤2中构建
LSTM
预测模型的方法包括：
[0019]假设机房室温理想温度为，最高温度上限为，最低温度下限为，实时温度为，在标准温度和标准业务量情况下，对应于机房空调开启和关闭状态，分别训练基于时间序列的
LSTM
预测模型，设置两种状态下
LSTM
模型输入均为当前时刻温度时间序列，在空调开启状态下，模型输出为当前温度下降到的时间差，在空调关闭状态下，模型输出为当前温度升高到的时间差；
[0020]LSTM
网络结构中共同控制记忆核状态的“门结构”分别为遗忘门
、
输入门和输出门，遗忘门用来确定是否保留前一时刻的记忆核状态，输入门用于更新记忆核状态，输出门用于得出当前时刻记忆核状态的输出值，在构建
LSTM
预测模型时，通过正向计算得出神经元输出值，然后通过反向计算得出每一层神经元输出值与实际值之间的误差，采用优化算法迭代进行参数调整以优化该预测模型，使其具有较高的预测准确度
。
[0021]其中，遗忘门用来确定是否保留前一时刻的记忆核状态，将前一时刻隐藏层状态信息和当前时刻信息传递到遗忘门
sigmoid
函数，若输出值为0，则丢弃，若输出值接近1，则保留状态信息，遗忘门原理表达式为：
[0022][0023]其中，为遗忘门门控信号，为前一时刻隐藏层状态信息，为当前时刻信息，为前一时刻隐藏层输出与遗忘门之间的权重矩阵，当前时刻输入与遗忘门之间的权重矩阵，为偏置矩阵；
[0024]输入门用于更新记忆核状态，分别将前一时刻隐藏层信息和当前时刻信息传递至
sigmoid
函数和
tanh
函数中，表达式为：
[0025][0026][0027][0028]其中，表示输入门门控信号，为
sigmoid
函数的输出，为
tanh
函数的输出，
、
为前一时刻隐藏层输出与输入门之间的权重矩阵，
、
为当前时刻输入与输出门之间的权重矩阵，
、
为偏置矩阵；
[0029]通过
sigmoid
函数得出需要更新信息的重要程度为，值在0到1之间，越接近1代表该信息越重要，同时通过
tanh
函数得出新的候选值向量；将两个函数输出值和相乘，决定候选值向量的重要程度，并选择需要被保留下来的信息，为已更新的当前时刻的记忆核状态；
[0030]输出门得出当前时刻记忆核状态的输出值，其主要表达式为：
[0031][0032][0033]其中，为输出门门控信号，前一时刻隐藏层输出与输出门之间的权重矩阵，为当前时刻输入与输出门之间的权重矩阵，为偏置矩阵；
[0034]通过
sigmoid
函数得出当前记忆核状态的初始输出值，通过
tanh
函数对记忆核状态进行处理并与相乘即得到当前时刻记忆核状态的输出值
。
[0035]进一步，步骤3中通过
LSTM
预测模型进行关闭或开启空调时间差预测的方法包括：
[0036]在空调开启状态下，每隔时间采集机房室内温度时间序列数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面向大型动环监控场景的室温智能调控方法，其特征在于，所述方法包括如下步骤：步骤1：数据的获取及处理，采集机房空调在开启和关闭状态下的温度时间序列，对所采集数据集进行清洗及归一化；步骤2：在标准温度和标准业务量情况下，对应于机房空调开启和关闭状态，分别训练基于时间序列的
LSTM
预测模型，模型输入为当前时刻温度时间序列，输出为当前时刻至可关闭或可开启空调时刻的时间差；步骤3：采集机房温度时间序列，根据当前机房空调工作状态，即开启状态或关闭状态，将采集的温度时间序列输入至对应状态下的
LSTM
预测模型，得到所预测的时间差；步骤4：根据实际温度
、
机房业务量和天气对所预测的时间差进行参数修正；步骤5：根据修正结果以及空调调控机制进行机房空调开关的智能调节；步骤6：针对该调控机制下空调由开到关再到开整个周期的运行情况进行节能效果评估，进而决定是否继续运行该节能调控机制
。2.
根据权利要求1所述的面向大型动环监控场景的室温智能调控方法，其特征在于，步骤1中对所采集数据集的清洗及归一化的方法包括：根据需要，获取机房温度时间序列，为保证数据的准确性和可靠性，对所采集的数据进行清洗，包括对空缺数据
、
错误数据和异常数据进行处理，同时，为了避免因输入绝对值过大而影响模型的收敛速度，提高神经网络运算效率，节省运算时间，对所获取的数据集的时间序列进行归一化处理，将绝对值过大的数值变成对应关系不变的绝对值较小的数值
。3.
根据权利要求1所述的面向大型动环监控场景的室温智能调控方法，其特征在于，步骤2中构建
LSTM
预测模型的方法包括：假设机房室温理想温度为，最高温度上限为，最低温度下限为，实时温度为，在标准温度和标准业务量情况下，对应于机房空调开启和关闭状态，分别训练基于时间序列的
LSTM
预测模型，设置两种状态下
LSTM
模型输入均为当前时刻温度时间序列，在空调开启状态下，模型输出为当前温度下降到的时间差，在空调关闭状态下，模型输出为当前温度升高到的时间差；
LSTM
网络结构中共同控制记忆核状态的“门结构”分别为遗忘门
、
输入门和输出门，遗忘门用来确定是否保留前一时刻的记忆核状态，输入门用于更新记忆核状态，输出门用于得出当前时刻记忆核状态的输出值，在构建
LSTM
预测模型时，通过正向计算得出神经元输出值，然后通过反向计算得出每一层神经元输出值与实际值之间的误差，采用优化算法迭代进行参数调整以优化该预测模型，使其具有较高的预测准确度
。4.
根据权利要求3所述的面向大型动环监控场景的室温智能调控方法，其特征在于，步骤3中通过
LSTM
预测模型进行关闭或开启空调时间差预测的方法包括：在空调开启状态下，每隔时间采集机房室内温度时间序列数据集输入至
LSTM
预测模型，输出为当前时刻温度下降到最低温度下限的时间，即当前时刻到可关闭空调时刻的时间差；
在空调关闭状态下，每隔时间采集机房室内温度时间序列数据集输入至
LSTM
预测模型，输出为当前时刻温度升高到最高温度上限的时间，即当前时刻到需要开启空调时刻的时间差
。5.
根据权利要...

【专利技术属性】
技术研发人员：刘涛，唐卫，
申请(专利权)人：江苏亚奥科技股份有限公司，
类型：发明
国别省市：