一种机房温度的预测方法及装置制造方法及图纸

本申请公开了一种机房温度的预测方法及装置，用以提升机房温度预测的准确率。该方法包括：将当前时刻的温度影响参数输入到预先训练好的温度预测模型，得到当前时刻的下一时刻的机房中设备的温度；温度预测模型采用如下方式训练得到：将多个温度影响参数输入至温度预测模型中，得到预测结果；根据预测温度和机房中设备的真实温度，分别确定多个温度影响参数的适应度；采用蚁群算法，根据每一个温度影响参数的适应度对温度影响参数进行第一设定次数的迭代更新，获取更新后的多个温度影响参数；根据更新后的多个温度影响参数确定粒子群算法的初始的粒子位置和粒子速度；基于粒子群算法对温度预测模型的模型参数进行优化。算法对温度预测模型的模型参数进行优化。算法对温度预测模型的模型参数进行优化。

【技术实现步骤摘要】
一种机房温度的预测方法及装置


[0001]本申请涉及机房温度控制
，尤其涉及一种机房温度的预测方法及装置。

技术介绍

[0002]目前，为了达到机房中设备的温度需求以实现安全可靠的运行，大多数的机房采用过量冷却的方法来提供冷量，为各个设备降温。这种冷却方法虽然可以实现稳定的温度控制，但是会造成机房中空调的能耗较大。所以在相关技术总提出的对于未来各个设备的温度进行预测，并结合预测的温度调节机房中空调的温度。目前机房温度预测方法一般采用的是，根据各个设备的工作量和运行需求对未来时刻的设备温度进行预测，这种预测方法过于经验化，温度预测的结果准确性较低。

技术实现思路

[0003]本申请示例性的实施方式中提供一种机房温度的预测方法及装置。用以提升预测机房温度的准确率。
[0004]第一方面，本申请实施例提供了一种机房温度的预测方法，包括：
[0005]将当前时刻的温度影响参数输入到预先训练好的温度预测模型，得到所述当前时刻的下一时刻的机房中设备的温度；
[0006]所述温度预测模型采用如下方式训练得到：
[0007]将多个温度影响参数输入至所述温度预测模型中，得到预测结果；所述预测结果包括所述多个温度影响参数分别对应的机房中设备的预测温度；
[0008]根据所述预测温度和所述多个温度影响参数分别对应的机房中设备的真实温度，分别确定所述多个温度影响参数的适应度；
[0009]采用蚁群算法，根据所述每一个温度影响参数的适应度对所述温度影响参数进行第一设定次数的迭代更新，获取更新后的多个温度影响参数；
[0010]根据所述更新后的多个温度影响参数确定粒子群算法的初始的粒子位置和粒子速度；
[0011]基于所述粒子群算法对所述温度预测模型的模型参数进行优化。
[0012]在一些实施例中，所述基于所述粒子群算法对所述温度预测模型的模型参数进行优化，包括：
[0013]基于所述粒子群算法，根据所述温度的预测模型中的决策函数对粒子位置和粒子速度进行第二设定次数的迭代更新，得到最终的全局最优位置；
[0014]将所述最终的全局最优位置作为所述温度预测模型的模型参数。
[0015]在一些实施例中，所述基于所述粒子群算法，根据所述温度的预测模型中的决策函数对粒子位置和粒子速度进行第二设定次数的迭代更新，得到最终的全局最优位置，包括：
[0016]针对任意一次迭代过程，将所有粒子的位置输入到所述决策函数中得到多个第一
输出值，将所述多个第一输出值中的最大值对应的粒子位置作为全局最优位置；
[0017]采用预先设定的更新算法对所述所有粒子的位置和粒子速度进行更新，并将更新后的所述所有粒子的位置输入到所述决策函数中得到多个第二输出值；
[0018]将所述多个第二输出值中的最小值与所述多个第一输出值中的最大值中的最小值所对应的粒子位置作为更新后的全局最优位置，直至满足预设迭代条件，得到所述最终的全局最优位置。
[0019]在一些实施例中，所述采用蚁群算法，根据所述每一个温度影响参数的适应度对所述温度影响参数进行第一设定次数的迭代更新，获取更新后的多个温度影响参数，包括：
[0020]根据所述每一个温度影响参数的适应度计算每一个温度影响参数对应所述蚁群算法中的每一个位置的信息素浓度；
[0021]根据预先设定的信息素挥发系数，对每一个位置的信息素浓度进行第一设定位置的迭代更新，得到每一个温度影响参数对应的蚁群算法中的位置向量；
[0022]将得到的位置向量中满足预先设定的适应度条件的向量所对应的温度影响参数，作为所述更新后的多个温度影响参数。
[0023]在一些实施例中，所述多个温度影响参数包括所述机房中的空调的出风口温度、回风口温度、风速以及所述设备的温度和湿度。
[0024]在一些实施例中，在将当前时刻的多个温度影响参数输入到预先训练好的温度预测模型之前，所述方法还包括：
[0025]将所述多个温度影响参数进行归一化处理。
[0026]第二方面，本申请实施例提供了一种机房温度的预测装置，包括：
[0027]预测模块，用于将当前时刻的温度影响参数输入到预先训练好的温度预测模型，得到所述当前时刻的下一时刻的机房中设备的温度；
[0028]训练模块，用于对温度预测模型进行训练，具体用于：
[0029]将多个温度影响参数输入至所述温度预测模型中，得到预测结果；所述预测结果包括所述多个温度影响参数分别对应的机房中设备的预测温度；
[0030]根据所述预测温度和所述多个温度影响参数分别对应的机房中设备的真实温度，分别确定所述多个温度影响参数的适应度；
[0031]采用蚁群算法，根据所述每一个温度影响参数的适应度对所述温度影响参数进行第一设定次数的迭代更新，获取更新后的多个温度影响参数；
[0032]根据所述更新后的多个温度影响参数确定粒子群算法的初始的粒子位置和粒子速度；
[0033]基于所述粒子群算法对所述温度预测模型的模型参数进行优化。
[0034]在一些实施例中，所述训练模块，具体用于：
[0035]基于所述粒子群算法，根据所述温度的预测模型中的决策函数对粒子位置和粒子速度进行第二设定次数的迭代更新，得到最终的全局最优位置；
[0036]将所述最终的全局最优位置作为所述温度预测模型的模型参数。
[0037]在一些实施例中，所述训练模块，具体用于：
[0038]针对任意一次迭代过程，将所有粒子的位置输入到所述决策函数中得到多个第一输出值，将所述多个第一输出值中的最大值对应的粒子位置作为全局最优位置；
[0039]采用预先设定的更新算法对所述所有粒子的位置和粒子速度进行更新，并将更新后的所述所有粒子的位置输入到所述决策函数中得到多个第二输出值；
[0040]将所述多个第二输出值中的最小值与所述多个第一输出值中的最大值中的最小值所对应的粒子位置作为更新后的全局最优位置，直至满足预设迭代条件，得到所述最终的全局最优位置。
[0041]在一些实施例中，所述训练模块，具体用于：
[0042]根据所述每一个温度影响参数的适应度计算每一个温度影响参数对应所述蚁群算法中的每一个位置的信息素浓度；
[0043]根据预先设定的信息素挥发系数，对每一个位置的信息素浓度进行第一设定位置的迭代更新，得到每一个温度影响参数对应的蚁群算法中的位置向量；
[0044]将得到的位置向量中满足预先设定的适应度条件的向量所对应的温度影响参数，作为所述更新后的多个温度影响参数。
[0045]在一些实施例中，所述多个温度影响参数包括所述机房中的空调的出风口温度、回风口温度、风速以及所述设备的温度和湿度。
[0046]在一些实施例中，所述预测模块，还用于：
[0047]将所述多个温度影响参数进行归一化处理。
[0048]第三方面，本申请实施例提供了一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机房温度的预测方法，其特征在于，包括：将当前时刻的温度影响参数输入到预先训练好的温度预测模型，得到所述当前时刻的下一时刻的机房中设备的温度；所述温度预测模型采用如下方式训练得到：将多个温度影响参数输入至所述温度预测模型中，得到预测结果；所述预测结果包括所述多个温度影响参数分别对应的机房中设备的预测温度；根据所述预测温度和所述多个温度影响参数分别对应的机房中设备的真实温度，分别确定所述多个温度影响参数的适应度；采用蚁群算法，根据所述每一个温度影响参数的适应度对所述温度影响参数进行第一设定次数的迭代更新，获取更新后的多个温度影响参数；根据所述更新后的多个温度影响参数确定粒子群算法的初始的粒子位置和粒子速度；基于所述粒子群算法对所述温度预测模型的模型参数进行优化。2.如权利要求1所述的方法，其特征在于，所述基于所述粒子群算法对所述温度预测模型的模型参数进行优化，包括：基于所述粒子群算法，根据所述温度的预测模型中的决策函数对粒子位置和粒子速度进行第二设定次数的迭代更新，得到最终的全局最优位置；将所述最终的全局最优位置作为所述温度预测模型的模型参数。3.如权利要求2所述的方法，其特征在于，所述基于所述粒子群算法，根据所述温度的预测模型中的决策函数对粒子位置和粒子速度进行第二设定次数的迭代更新，得到最终的全局最优位置，包括：针对任意一次迭代过程，将所有粒子的位置输入到所述决策函数中得到多个第一输出值，将所述多个第一输出值中的最大值对应的粒子位置作为全局最优位置；采用预先设定的更新算法对所述所有粒子的位置和粒子速度进行更新，并将更新后的所述所有粒子的位置输入到所述决策函数中得到多个第二输出值；将所述多个第二输出值中的最小值与所述多个第一输出值中的最大值中的最小值所对应的粒子位置作为更新后的全局最优位置，直至满足预设迭代条件，得到所述最终的全局最优位置。4.如权利要求1
‑
3任一项所述的方法，其特征在于，所述采用蚁群算法，根据所述每一个温度影响参数的适应度对所述温度影响参数进行第一设定次数的迭代更新，获取更新后的多个温度影响参数，包括：根据所述每一个温度影响参数的适应度计算每一个温度影响参数对应所述蚁群算法中的每一个位置的信息素浓度；根据预先设定的信息素挥发系数，对每一个位置的信息素浓度进行第一设定位置的迭代更新，得到每一个温度影响参数对应的蚁群算法中的位置向量；将得到的位置向量中满足预先设定的适应度条件的向量所对应的温度影响参数，作为所述更新后的多个温度影响参数。5.如权利要求1
‑
3任一项所述的方法，其特征在于，所述多个温度影响参数包括所述机房中的空调的出风口温度、回风口温度、风速以及所述设备的温度和湿度。6.如权利要求1
‑
3任一项所述的方法，其特征在于，在将当前时刻的多个温度影响参数
输入到预先训练好的温度预测模型之前，所述方法还包括：将所述多个温度影响参数进行归一化处理。7.一种机房温度预测装置，其特征在于，包括：预测模块，用于将当前时刻的温度影响参数输入到预先训练好的温度预测模型，得到所述当前...

【专利技术属性】
技术研发人员：崔凌闯，杨剑，徐梅，严兆永，黄利国，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：