[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN117234080B - 一种面向大型动环监控场景的室温智能调控方法 - Google Patents

一种面向大型动环监控场景的室温智能调控方法 Download PDF

Info

Publication number
CN117234080B
CN117234080B CN202311225033.1A CN202311225033A CN117234080B CN 117234080 B CN117234080 B CN 117234080B CN 202311225033 A CN202311225033 A CN 202311225033A CN 117234080 B CN117234080 B CN 117234080B
Authority
CN
China
Prior art keywords
air conditioner
time
temperature
machine room
state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311225033.1A
Other languages
English (en)
Other versions
CN117234080A (zh
Inventor
刘涛
唐卫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Asia Olympic Technology Co ltd
Original Assignee
Jiangsu Asia Olympic Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Asia Olympic Technology Co ltd filed Critical Jiangsu Asia Olympic Technology Co ltd
Priority to CN202311225033.1A priority Critical patent/CN117234080B/zh
Publication of CN117234080A publication Critical patent/CN117234080A/zh
Application granted granted Critical
Publication of CN117234080B publication Critical patent/CN117234080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Air Conditioning Control Device (AREA)

Abstract

本发明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LSTM时间序列预测模型,对当前时刻至可关闭或可开启空调时刻的时间差进行预测,并根据天气、时间和机房业务量的不同,对所预测的时间差进行修正,按照修正时间差和空调调控机制进行实时动态的室温调控,并针对该调控机制下空调运行结果进行智能调控性能的评估;特别的,针对机房场景的差异性,建立普遍适用的参数修正函数,对LSTM预测结果进行修正,提高了预测结果的精确度,同时根据修正结果进行空调的智能调控,使该调控机制具有较好的普适性。

Description

一种面向大型动环监控场景的室温智能调控方法
技术领域
本发明涉及通信基站系统智能调控技术领域,具体为一种面向大型动环监控场景的室温智能调控方法。
背景技术
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。
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。。
发明内容
本发明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。
为实现上述目的,本发明提供如下技术方案:
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:
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。
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:
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。
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:
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
进一步,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。
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:
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;
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:
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;
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;
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:
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;
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
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:
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。
进一步,步骤4中预测的时间差为LSTM预测模型输出结果,对其进行参数修 正的方法包括:
步骤2是在平均温度和平均机房业务量的条件下训练LSTM预测模型,在实际应用 中由于时间、天气和机房业务量的不同,都将随之改变;因此,在不同时间、不同季节 和不同机房业务量情况下,需要对进行修正,修正过程如下:
表示天黑程度,天黑程度表达式为:
其中,表示时刻,在中午时刻时,,在子夜时刻时,
表示季节中接近冬季的程度,即冷暖程度,冷暖程度表达式为:
其中,表示月份,在夏至时刻时,,在冬至时刻时,
表示机房业务量的忙闲程度,业务量与忙闲程度关系式为:
其中,表示机房业务量,为机房业务量上限,在机房业务最忙时,, 在机房业务最闲时,
在机房空调开启状态下,当天气越冷、越接近午夜时刻以及机房业务量越小时,即越接近1时,机房温度下降越快,则应更小,反之,越接近0时,应更大;
在机房空调关闭状态下,当天气越冷、越接近午夜时刻以及机房业务量越小时,即越接近1时,机房温度上升越慢,则应更大,反之,越接近0时,应更小;
根据以上描述,对进行改进得到,表达式为:
其中,为相应权重。
进一步,步骤5中机房空调开关智能调节的方法包括:
根据当前时刻温度和经过修正的时间差对相应状态下的机房空调进行 智能调控,具体调控方法如下:
在空调开启状态下,若满足以下条件:
其中,为时间间隔参量,空调开启时,当机房当前时刻温度低于平均温度,且小于时间间隔参量时,即可关闭空调,否则,将继续开启空调直至满足上述条件后关闭空 调;
在空调关闭状态下,若满足以下条件:
其中,为时间间隔参量,空调关闭时,当机房当前时刻温度高于平均温度,且小于时间间隔参量时,即可开启空调,否则,将继续关闭空调直至满足上述条件后开启空 调。
进一步,步骤6中对该调控机制进行节能效果评估的方法包括:
在该智能调控机制下,空调由关闭到开启再到关闭的过程称为一个周期T,周期T 内的温度时间序列为,在一个周期运行过程中设置以下节能效果判断条件:
其中,表示一个周期中空调开启时间,表示一个周期中空调关闭时间; 表示一个周期平均温度,表示判断阈值;
若一个周期运行过程满足上式判断条件,则表示在该调控机制下,空调关闭时间很短,开启运行时间很长,且平均温度过小,会耗能,或平均温度过大,会损耗设备,即该调控机制不仅不能达到节能效果,还会产生成本浪费,因此应停止运行该调控机制;反之,若不满足上述条件,即表示该空调调控机制可达到较好的节能效果,可继续运行该机制。
与现有技术相比,本发明的有益效果是:本发明采用LSTM时间序列预测模型,对空调所需调控时间差进行预测,并针对不同天气、时间和机房业务量进行预测时间差参数调整,并依据修正时间差按照调控机制进行机房空调的智能调控,该调控机制具有较高的精确度和较好的普适性。
附图说明
图1是本发明室温智能调控流程图;
图2是LSTM网络记忆核原理结构图;
图3是空调智能开启和关闭流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
面向大型动环监控场景的室温智能调控方法,如图1所示,具体操作步骤如下:
步骤S101,数据的获取及处理,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,主要对空缺数据、错误数据和异 常数据进行处理,对于空缺数据和错误数据可直接删除不进行分析,对于异常数据,对数据 组进行循环剔除异常值;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。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:
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
步骤S102,构建LSTM预测模型,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,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:
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;
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:
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;
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;
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:
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;
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
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。
步骤S103,通过LSTM预测模型进行关闭或开启空调时间的预测:
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。
步骤S104,对LSTM预测模型输出时间差进行参数修正,在实际应用中由于 时间、天气和机房业务量的不同,都将随之改变;因此,在不同时间、不同季节和不同 机房业务量情况下,需要对进行修正,修正过程如下:
表示天黑程度,天黑程度表达式为:
其中,表示时刻,在中午时刻时,,在子夜时刻时,
表示季节中接近冬季的程度,即冷暖程度,月份与冷暖程度关系式为:
其中,表示月份,在夏至时刻时,,在冬至时刻时,
表示机房业务量的忙闲程度,业务量与忙闲程度关系式为:
其中,表示机房业务量,为机房业务量上限,在机房业务最忙时,, 在机房业务最闲时,
在机房空调开启状态下,当天气越冷、越接近午夜时刻以及机房业务量越小时,即越接近1时,机房温度下降越快,则应更小,反之,越接近0时,应更大;
在机房空调关闭状态下,当天气越冷、越接近午夜时刻以及机房业务量越小时,即越接近1时,机房温度上升越慢,则应更大,反之,越接近0时,应更小;
根据以上描述,对进行改进得到,表达式为:
其中,为相应权重。
步骤S105,根据当前时刻温度和经过修正的时间差对相应状态下的机房 空调进行智能调控,具体调控方法如下:
在空调开启状态下,若满足以下条件:
其中,为时间间隔参量,空调开启时,当机房当前时刻温度低于平均温度,且小于时间间隔参量时,即可关闭空调,否则,将继续开启空调直至满足上述条件后关闭空 调;
在空调关闭状态下,若满足以下条件:
其中,为时间间隔参量,空调关闭时,当机房当前时刻温度高于平均温度,且小于时间间隔参量时,即可开启空调,否则,将继续关闭空调直至满足上述条件后开启空 调。
步骤S106,对该调控机制进行节能效果评估,在该智能调控机制下,空调由关闭到 开启再到关闭的过程称为一个周期T,周期T内的温度时间序列为,在一个周 期运行过程中设置以下节能效果判断条件:
其中,表示一个周期中空调开启时间,表示一个周期中空调关闭时间; 表示一个周期平均温度,表示判断阈值;
若一个周期运行过程满足上式判断条件,则表示在该调控机制下,空调关闭时间很短,开启运行时间很长,且平均温度过小,会耗能,或平均温度过大,会损耗设备,即该调控机制不仅不能达到节能效果,还会产生成本浪费,因此应停止运行该调控机制;反之,若不满足上述条件,即表示该空调调控机制可达到较好的节能效果,可继续运行该机制。
本发明未详述之处,均为本领域技术人员的公知技术。
最后所要说明的是:以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改和等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。

Claims (2)

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,
其中: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Ws,最高温度上限为WH,最低温度下限为WL,实时温度为Wc,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Wc下降到WL的时间差tL,在空调关闭状态下,模型输出为当前温度Wc升高到WH的时间差tH
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Dt-1,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;
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δ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Wc下降到最低温度下限WL的时间tL,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δ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Wc升高到最高温度上限WH的时间tH,即当前时刻到需要开启空调时刻的时间差;
步骤4中预测的时间差为LSTM预测模型输出结果tL和tH,对其进行参数修正的方法包括:
步骤2是在平均温度和平均机房业务量的条件下训练LSTM预测模型,在实际应用中由于时间、天气和机房业务量的不同,tL和tH都将随之改变;因此,在不同时间、不同季节和不同机房业务量情况下,需要对tL和tH进行修正,修正过程如下:
设V1表示天黑程度,天黑程度表达式为:
t1∈[0,24]
V1∈[0,1]
其中,t1表示时刻,在中午时刻t1=12时,V1=0,在子夜时刻t1=0或t1=24时,V1=1;
设V2表示季节中接近冬季的程度,即冷暖程度,冷暖程度表达式为:
t2∈[0,12]
V2∈[0,1]
其中,t2表示月份,在夏至时刻t2=6时,V2=0,在冬至时刻t2=12时,V2=1;
设V3表示机房业务量的忙闲程度,业务量与忙闲程度关系式为:
q∈[0,qm]
V3∈[0,1]
其中,q表示机房业务量,qm为机房业务量上限,在机房业务最忙q=qm时,V3=0,在机房业务最闲q=0时,V3=1;
在机房空调开启状态下,当天气越冷、越接近午夜时刻以及机房业务量越小时,即V1、V2、V3越接近1时,机房温度下降越快,则tL应更小,反之,V1、V2、V3越接近0时,tL应更大;
在机房空调关闭状态下,当天气越冷、越接近午夜时刻以及机房业务量越小时,即V1、V2、V3越接近1时,机房温度上升越慢,则tH应更大,反之,V1、V2、V3越接近0时,tH应更小;
根据以上描述,对tL和tH进行改进得到tL′和tH′,表达式为:
ω123=1
其中,ω1、ω2、ω3为相应权重;
步骤5中机房空调开关智能调节的方法包括:
根据当前时刻温度Wc和经过修正的时间差tL′和tH′对相应状态下的机房空调进行智能调控,具体调控方法如下:
在空调开启状态下,若满足以下条件:
其中,Δ为时间间隔参量,空调开启时,当机房当前时刻温度低于平均温度Ws,且t′L小于时间间隔参量时,即可关闭空调,否则,将继续开启空调直至满足上述条件后关闭空调;
在空调关闭状态下,若满足以下条件:
其中,Δ为时间间隔参量,空调关闭时,当机房当前时刻温度高于平均温度Ws,且t′H小于时间间隔参量时,即可开启空调,否则,将继续关闭空调直至满足上述条件后开启空调;
步骤6中对该调控机制进行节能效果评估的方法包括:
在该智能调控机制下,空调由关闭到开启再到关闭的过程称为一个周期T,周期T内的温度时间序列为W=(W1,W2…WT),在一个周期运行过程中设置以下节能效果判断条件:
其中,T开关表示一个周期中空调开启时间,T关开表示一个周期中空调关闭时间;表示一个周期平均温度,ε表示判断阈值;
若一个周期运行过程满足上式判断条件,则表示在该调控机制下,空调关闭时间很短,开启运行时间很长,且平均温度过小,会耗能,或平均温度过大,会损耗设备,即该调控机制不仅不能达到节能效果,还会产生成本浪费,因此应停止运行该调控机制;反之,若不满足上述条件,即表示该空调调控机制可达到较好的节能效果,可继续运行该机制。
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C=(C1,C2…Ct),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。
CN202311225033.1A 2023-09-21 2023-09-21 一种面向大型动环监控场景的室温智能调控方法 Active CN117234080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311225033.1A CN117234080B (zh) 2023-09-21 2023-09-21 一种面向大型动环监控场景的室温智能调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311225033.1A CN117234080B (zh) 2023-09-21 2023-09-21 一种面向大型动环监控场景的室温智能调控方法

Publications (2)

Publication Number Publication Date
CN117234080A CN117234080A (zh) 2023-12-15
CN117234080B true CN117234080B (zh) 2024-05-28

Family

ID=89089164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311225033.1A Active CN117234080B (zh) 2023-09-21 2023-09-21 一种面向大型动环监控场景的室温智能调控方法

Country Status (1)

Country Link
CN (1) CN117234080B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118089209B (zh) * 2024-04-25 2024-07-19 深圳市思科顿环保科技有限公司 一种空气能冷暖机工作数据实时监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021249461A1 (zh) * 2020-06-10 2021-12-16 中兴通讯股份有限公司 制冷设备控制方法、装置、计算机设备和计算机可读介质
CN114186469A (zh) * 2020-09-14 2022-03-15 青岛海信日立空调系统有限公司 空调系统能效预测方法及空调系统
JP2022067743A (ja) * 2020-10-21 2022-05-09 関西電力株式会社 空調制御方法、プログラム、および空調制御装置
CN115614953A (zh) * 2022-10-21 2023-01-17 浙江理工大学 一种暖通空调智能送风控制方法及系统
CN116045443A (zh) * 2023-02-23 2023-05-02 中交武汉智行国际工程咨询有限公司 基于室内温度最优化控制的建筑空调能耗预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021249461A1 (zh) * 2020-06-10 2021-12-16 中兴通讯股份有限公司 制冷设备控制方法、装置、计算机设备和计算机可读介质
CN114186469A (zh) * 2020-09-14 2022-03-15 青岛海信日立空调系统有限公司 空调系统能效预测方法及空调系统
JP2022067743A (ja) * 2020-10-21 2022-05-09 関西電力株式会社 空調制御方法、プログラム、および空調制御装置
CN115614953A (zh) * 2022-10-21 2023-01-17 浙江理工大学 一种暖通空调智能送风控制方法及系统
CN116045443A (zh) * 2023-02-23 2023-05-02 中交武汉智行国际工程咨询有限公司 基于室内温度最优化控制的建筑空调能耗预测方法

Also Published As

Publication number Publication date
CN117234080A (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
CN111795484B (zh) 一种智慧空调控制方法和系统
CN111563611A (zh) 面向图卷积网络的云数据中心可再生能源时空预测方法
CN117234080B (zh) 一种面向大型动环监控场景的室温智能调控方法
CN114071661A (zh) 一种基站节能控制方法和装置
CN115220351A (zh) 一种基于云边端的建筑空调系统智能节能优化控制方法
CN111561732A (zh) 基于人工智能的换热站供热调节方法及系统
CN114007228A (zh) 基于异构图神经网络流量预测的基站智能控制方法
CN117172499A (zh) 一种基于强化学习的智慧社区能量优化调度方法、系统及存储介质
CN112670999B (zh) 一种基于用户侧灵活资源的低压配电网实时电压控制方法
Hribar et al. Energy-aware deep reinforcement learning scheduling for sensors correlated in time and space
CN113960925A (zh) 基于人工智能的楼宇能耗控制方法及装置
CN108446783A (zh) 一种新风机运行功率的预测及监控方法
CN112923435B (zh) 一种基于人工智能和优化算法的集中供热二次侧调控方法
WO2023120967A1 (ko) 강화학습을 이용한 건물의 에너지를 관리하는 장치 및 방법
CN115451534A (zh) 基于强化学习分场景的机房空调节能方法
CN110782077A (zh) 基于周期性数据驱动的建筑热负荷混合预测方法及系统
CN112216883B (zh) 一种锂电池均衡方法、系统、设备及存储介质
CN115423149A (zh) 一种能源互联网负荷预测和噪声等级估计的增量迭代聚类方法
CN115062847A (zh) 一种基于逻辑回归算法的碳纤维供暖能耗预测方法及系统
CN114912169A (zh) 基于多源信息融合的工业建筑供热自主优化调控方法
CN110909455A (zh) 一种延缓固体氧化物燃料电池性能衰退的方法
Rahimpour et al. Computationally-efficient energy management in buildings with phase change materials using approximate dynamic programming
CN110852514A (zh) 一种基于bp神经网络的可获能传感器节点能量预测方法
CN117091240A (zh) 基于实验室环境数据的中央空调能耗预测与节能调整方法
CN117724353B (zh) 基于物联网通信的智能家居电力管理系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant