CN105528650A - 基于主成分分析和bp神经网络的机房温湿度预测方法 - Google Patents

Abstract

本发明提供了一种基于主成分分析和BP神经网络的机房温湿度预测方法，解决了现有技术中因无法预测出机房内温湿度变化趋势导致温湿度监控效果差的技术问题。本发明通过分析确定影响机房温湿度的影响因素，利用主成分分析法PCA，分析出影响温湿度变化的主成因子，然后利用BP神经网络对主成因子的历史数据进行回归预测，准确预测出温湿度值。本发明能够准确预算出机房的温湿度变化趋势，进而可由监控***做出准确的温湿度配置调整，提升温湿度监控效果。

Description

基于主成分分析和BP神经网络的机房温湿度预测方法

技术领域

本发明涉及一种机房温湿度变化趋势预测方法，尤其涉及一种基于主成分分析和BP神经网络的机房温湿度预测方法，属于电力设备领域。

背景技术

机房统一监控是江苏公司十二五信息化建设的重点项目。全省各个机房地理位置分布范围广，机房内部结构情况各异，目前已经建立机房温湿度的监控，实现机房温湿度的数据采集、告警等。但是关于机房温湿度的阈值配置，监控人员无法做到根据不同情况动态做出准确的调整。不同地理位置、不同季节、甚至因机房设备性能的差异而导致的机房温湿度的不同等情况，相对应的机房温湿度监控的配置值也是有区别的。因此需要监控***能够根据机房实际情况，预测出当前机房温湿度，来帮助监控人员准确的调整机房的温湿度的配置。

本发明主要研究机房温湿度的变化趋势，通过分析历史数据，结合机房不同的外在影响因素，得出影响机房温湿度变化的关键因子，预算出机房的温湿度变化趋势，进而由监控***做出准确的温湿度配置调整，以达到减少电量、提高空调使用寿命并提升温湿度监控效果的。

发明内容

为了克服现有技术的不足，本发明提供一种基于主成分分析和BP神经网络的机房温湿度预测方法，解决了现有技术中因无法预测出机房内温湿度变化趋势导致温湿度监控效果差的技术问题。

本发明解决其技术问题所采用的技术方案是：一种基于主成分分析和BP神经网络的机房温湿度预测方法，包括步骤：

步骤一，分析并选取影响机房温湿度变化的关键因素；

步骤二，主成分分析，分析出影响温湿度变化的主成因子；包括：

1)选取多组影响机房温湿度变化的关键因素样本，建立影响因子的线性方程；

2)对所述线性方程的矩阵进行标准化；

3)计算标准化矩阵的相关系数矩阵；

4)通过相关系数矩阵，计算各个影响因子的贡献率、累计贡献率；

5)根据累计贡献率选取主成因子；

步骤三，建立BP神经网络模型并训练，以所得到的主成因子历史数据作为输入变量，机房温湿度作为输出变量；

步骤四，将待预测时刻的主成因子实际数据输入训练后的BP神经网络，预测出温湿度。

所述影响机房温湿度变化的关键因素包括天气情况、机房楼层、布局选址、设备散热性、功率、室内外温度差和空调检修情况。

所述步骤二的5)中，选取累计贡献率在80％-90％之间的因子作为主成因子。

本发明的有益效果是，

1、本发明能够准确预测出机房内温湿度的变化趋势，***配置周期时，智能地调整***关于机房温湿度阀值的配置以及机房空调的温湿度设置，减轻了监控人员的因经验问题可能造成的配置错误问题，而且能够做到根据地理位置、天气情况、设备功率、季节气候等智能的调整相应的机房温湿度监控配置以及机房空调的设置，能够减少电量、提升空调使用寿命并提升温湿度监控效果。

2、主成分分析选取累计贡献率在80％-90％之间的因子作为主成因子，即作为机房温湿度变化的主要影响因子，降低了影响因素的维数，预测机房温湿度时根据主成因子的变化来预测，减少了工作量，提高预测效率。

附图说明

图1是本发明的机房温湿度预测方法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种基于主成分分析和BP神经网络的温湿度预测方法，包括以下步骤：

步骤一，分析并选取影响机房温湿度变化的关键因素；

影响机房内温湿度的因素包括天气情况、机房的地理位置、机房内设备的性能功耗等诸要素，本实施例根据摘录机房温湿度监控***上部分机房温湿度历史信息情况进行分析，如表1所示，选取5组样本，由历史数据分析可知，本发明选取机房内温湿度变化的7个主要影响因素，包括天气情况、机房楼层、布局选址、设备散热性、功率、室内外温度差和空调检修情况。

表1机房温湿度影响因素样本

步骤二，主成分分析法PCA，分析出影响温湿度变化的主成因子，包含步骤；

1)建立影响温湿度变化的关键因素的线性方程；

由表1可以建立5组样本7个关键因素的数据矩阵X(5×7)，7个关键影响因素分别记为X1,X2,……X7，记X＝(X1,X2,......,X7)^T。

2)对所述线性方程的矩阵进行标准化；

将X矩阵进行标准化，记为Y＝(Y1,Y2,……,Y7)^T，标准化后的矩阵Y数据记录如表2所示：

表2标准化后的数据

3)计算标准化矩阵的相关系数矩阵；

计算标准化矩阵Y的相关系数矩阵，记为Z＝(Z1,Z2,……,Z7)^T，数据如表3所示：

表3标准化矩阵的相关系数矩阵的数据

4)通过相关系数矩阵，确定各个影响因子的贡献率、累计贡献率；

贡献率是指特征值占比，贡献率越大，表示该主成分包含的信息越多，一般将贡献率最大的称作第一主成分，贡献率第二大的称作第二主成分，以此类推。前n个主成分的贡献率之和(累计贡献率)称之为Z1,Z2，Z3，……，Zn累计贡献率，即当前主成分及之前的主成分贡献率之和。所以第一个累计贡献率是第一主成分贡献；第二个累计贡献率是第一主成分贡献率和第二主成分贡献率之和；第三个累计贡献率是第一主成分贡献率、第二主成分贡献率和第三主成分贡献率三者之和，以此类推。根据相关系数矩阵Z，计算各个影响因子的特征值，进而计算贡献率和累计贡献率，本实施例中7个影响因子的特征值、贡献率和累计贡献率如表4所示：

表4影响因子的特征值、贡献率和累计贡献率

5)根据累计贡献率找出主成因子；

通常选取累计贡献率达到预设阈值的前n个主成分来代替原始因素，使原始因素达到降维的目的。本发明选取累计贡献率在80％-90％之间的前n个主成分因子作为主成因子，由表4可知：可以选取前2个主成分因素1天气情况和因素2机房楼层来代替原始因素X1,X2,……X7，可达到降低原始影响因素的维数，减少预测温湿度的工作量，提高效率。

步骤三，建立BP神经网络模型并训练，以所得到的主成因子历史数据作为输入变量，机房温湿度作为输出变量；

BP(BackPropagation)神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学***方和最小。BP神经网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。

针对机房温湿度模型，构建BP神经网络，以步骤二中所得到的主成因子历史数据作为输入向量，以所对应的机房温湿度作为输出向量，得到训练样本；利用此训练样本对BP神经网络进行训练，得到训练后的BP神经网络。

步骤四，将待预测时刻的主成因子实际数据输入训练后的BP神经网络，预测出温湿度。

将步骤二中选取的主成因子待预测时刻的实际数据样本输入BP神经网络，BP神经网络通过自学习过程，调整连接下层节点和上层节点之间的权重设定和误差修正，直到误差至限制范围之内，预测出温湿度数值。

本发明利用基于主成分分析和BP神经网络的机房温湿度预测方法，可以准确预算出机房内的温湿度变化趋势，根据此预测值，智能地调整***关于机房温湿度阀值的配置以及机房空调的温湿度设置，能够达到准确监测机房内温湿度，减轻了监控人员的因经验问题可能造成的配置错误问题，减少电量、提升空调使用寿命并提升温湿度监控效果。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (3)

1.基于主成分分析和BP神经网络的机房温湿度预测方法，其特征是，包括步骤：

步骤一，分析并选取影响机房温湿度变化的关键因素；

步骤二，主成分分析，分析出影响温湿度变化的主成因子；包括：

1）选取多组影响机房温湿度变化的关键因素样本，建立影响因子的线性方程；

2）对所述线性方程的矩阵进行标准化；

3）计算标准化矩阵的相关系数矩阵；

4）通过相关系数矩阵，计算各个影响因子的贡献率、累计贡献率；

5）根据累计贡献率选取主成因子；

步骤三，建立BP神经网络模型并训练，以所得到的主成因子历史数据作为输入变量，机房温湿度作为输出变量；

步骤四，将待预测时刻的主成因子实际数据输入训练后的BP神经网络，预测出温湿度。

2.根据权利要求1所述的基于主成分分析和BP神经网络的机房温湿度预测方法，其特征是，所述影响机房温湿度变化的关键因素包括天气情况、机房楼层、布局选址、设备散热性、功率、室内外温度差和空调检修情况。

3.根据权利要求1所述的基于主成分分析和BP神经网络的机房温湿度预测方法，其特征是，所述步骤二的5）中，选取累计贡献率在80%-90%之间的因子作为主成因子。