CN111210060B - 一种工作日期间机房温度预测方法 - Google Patents
一种工作日期间机房温度预测方法 Download PDFInfo
- Publication number
- CN111210060B CN111210060B CN201911395569.1A CN201911395569A CN111210060B CN 111210060 B CN111210060 B CN 111210060B CN 201911395569 A CN201911395569 A CN 201911395569A CN 111210060 B CN111210060 B CN 111210060B
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- time series
- machine room
- algorithm
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种工作日期间机房温度预测方法,只考虑工作日期间采集的机房温度数据,在相邻的两段工作日之间,利用数据拟合算法对首尾数据进行拟合,对拼接处的部分数据用拟合数据代替,以减小拼接处温度数据突变带来的影响,并利用新的温度时间序列数据预测机房工作日期间的温度值。本发明只考虑工作日期间的机房温度数据,消除了节假日期间的温度数据对工作日期间温度预测的干扰,并且预测算法需要的数据量更少,预测精度更高。
Description
技术领域
本发明属于技术领域,特别涉及一种工作日期间机房温度预测方法。
背景技术
随着大数据、云计算技术的蓬勃发展,国内外都建设了越来越多的数据中心。为保障数据中心机房内各类IT设备的稳定运行,需要严格控制机房的温湿度环境条件。数据中心机房在工作中,由于电子元器件的高密度产生的热耦合,会导致机房的温度升高,过高的温度会影响元器件的工作效率和使用寿命,因此数据中心通常采用全天高强度的空调制冷,以确保机房处于适宜的温度状态。
当前绝大部分机房空调的控制策略只是简单的设置空调温度,这种空调控制策略过于粗放。实际运行过程中机房中IT设备的散热量是时变的,加上机房空调控制***存在很大的滞后性,导致空调制冷效率不高,造成能源浪费,增加了数据中心的运营成本。因此,有必要对机房的负荷或温度做预测,以合理调整空调运行参数,以期达到较好的节能效果。
公开号为109189190A的专利提供了一种基于温度预测的数据中心热量管理方法,使用服务器节点实时运行数据、无线传感器数据和CFD仿真数据训练人工神经网络预测模型,预测数据中心服务器入口温度,实现了基于神经网络的数据中心温度预测算法。
公开号为109375994A的专利提供了一种基于RBF神经网络的数据中心任务温度预测及调度方法,采用RBF神经网络建立任务温度预测模型;的模型输入为实时监控收集的区域内所有服务器的温度、运行参数以及环境温度,输出为运行后的服务器经过预测时间步长的入风口温度。
公开号为102436296A的专利提供了用于在数据中心中预测温度值的***和方法,通过确定机柜的每一个和至少一个冷却供应器的入口和出口温度包括建立一组S耦合方程,S等于要被确定的温度值的数量,并求解这个S耦合方程。
现有绝大部分企业专用的数据中心中,IT设备在工作日期间的访问量较大,机房负荷的起伏较大,导致工作日期间机房温度的变化也较大,温度预测较为困难;IT设备在节假日期间的访问量较小,负荷较为稳定,机房温度的变化也较小,温度预测较为简单。因此,工作日期间机房温度预测的重要性通常都大于节假日期间,有必要利用技术手段提高工作日期间机房温度预测的准确性。
现有的技术方案,忽略了工作日与节假日机房负荷和温度变化的差异,对工作日与节假日的温度数据不加区分,直接利用采集的温度时间序列数据进行温度预测。此时,节假日期间的温度数据反而成为干扰,影响工作日期间温度预测的精度。虽然可以从采集的温度时间序列数据中将节假日期间的数据删除,但多个工作日期间的温度时间序列数据,因为首尾数据无法平稳衔接,反而会大幅影响温度预测的精度。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种工作日期间机房温度预测方法,该方法去除了节假日期间采集的机房温度数据,只考虑工作日期间采集的机房温度数据,从而消除了节假日期间的温度数据对工作日期间温度预测的干扰,并通过工作日期间首尾数据拟合技术,实现了不同工作日时间段采集的时间序列数据的平稳衔接,使机房在工作日期间的温度预测精度更高。
为了实现上述目的,本发明采用的技术方案是:
一种工作日期间机房温度预测方法,包括以下步骤:
(a)采集机房的温度时间序列数据T
T={TW1,TE1,TW2,TE2…,TWi,TEi…,TWs,TEs|s∈N+}
其中,TWi和TEi分别表示第i周的工作日和非工作日的温度时间序列数据,s表示周的数量,N+表示正整数,1≤i≤s;
(b)将节假日的温度时间序列数据从T中删除,剩余的温度时间序列数据构成集合TN,TN={TW1,TW2,…,TWi,…,TWs|s∈N+}
其中,TWi={Twi,1,…,Twi,j,…,Twi,k|j,k∈N+},Twi,j表示第i周的第j个工作日的温度时间序列数据,k为第i周的最后一个工作日的序号;
Twi,j={twi,j,1,twi,j,2,…,twi,j,m,…,twi,j,n|m,n∈N+},twi,j,m表示第i周第j个工作日的第m个温度数据,n为第i周第j个工作日的最后一个温度数据的序号;
(c)逐一对TN中相邻的TWi和TWi+1完成如下操作:
(1)从TWi中取Twi,k的后h个数据,从TWi+1中取Tw(i+1),1的前h个数据,构成共2h个数据的温度时间序列数据;
(2)采用数据拟合算法对上述2h个数据进行拟合,获得2h个新的时间序列数据;数据拟合算法可选择多项式拟合算法或非线性最小二乘法拟合算法或神经网络算法;
(3)从2h个新的时间序列数据中,选择中间的s个数据,替换Twi,k和Tw(i+1),1中对应位置的数据;
(d)基于新的TN集合中的温度时间序列数据,采用时间序列预测算法预测机房的温度值,时间序列预测算法可选择移动平均算法或指数平滑算法或差分整合移动平均自回归算法或长短时记忆网络算法。
与现有技术相比,在工作日期间的机房温度预测方面,本发明只需考虑工作日期间采集的机房温度时间序列数据,可以消除节假日数据对工作日温度预测的干扰。在利用常见的LSTM(长短时记忆网络)算法或MA(移动平均)算法进行温度预测时,需要的数据量大幅减少,并且预测的精度更高
附图说明
图1为对相邻两段工作日之间首尾数据进行拟合的示意图。
图2为差分整合移动平均自回归模型(ARIMA)的算法流程。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
实施例1
一种工作日期间机房温度预测方法,步骤如下:
步骤1),采集机房的温度时间序列数据T,形如:
T={TW1,TE1,TW2,TE2…,TWi,TEi…,TWs,TEs|s∈N+}
其中,TWi和TEi分别表示第i周的工作日和非工作日的温度时间序列数据,1≤i≤s。
步骤2),将节假日的温度时间序列数据从T中删除,剩余的温度时间序列数据构成集合TN,形如:
TN={TW1,TW2,…,TWi,…,TWs|s∈N+}
其中,TWi={Twi,1,…,Twi,j,…,Twi,k|j,k∈N+},Twi,j表示第i周的第j个工作日的温度时间序列数据,k为第i周的最后一个工作日的序号;
Twi,j={twi,j,1,twi,j,2,…,twi,j,m,…,twi,j,n|m,n∈N+},twi,j,m表示第i周第j个工作日的第m个温度数据,n为第i周第j个工作日的最后一个温度数据的序号。
举例如下:
采集某数据中心机房某一位置2018/5/21-2018/5/28期间工作日的温度时间序列数据,温度数据单位为摄氏度,采集数据的时间间隔为5分钟,第一行1到288的数字表示一天共采集的288个数据。2018/5/21为第i周的一个工作日,2018/5/28为第i+1周的第一个工作日,将节假日的温度时间序列数据删除后,得到的数据如表1-1所示:
表1-1机房某一位置工作日期间的温度时间序列数据
数据中心机房某一位置的温度数据可以是机柜入风口处温度传感器的温度值,也可以是机柜通道内多个温度传感器的温度值的平均值。表1-1中的数据为实际采集的某个机柜通道内多个温度传感器的温度值的平均值。
步骤3),逐一对TN中相邻的TWi和TWi+1完成如下操作:
(1)从TWi中取Twi,k的后h个数据,从TWi+1中取Tw(i+1),1的前h个数据,构成共2h个数据的温度时间序列数据。
(2)采用多项式拟合算法对上述2h个数据进行拟合,获得2h个新的时间序列数据。
以表1-1中所举数据为例,取h=6,Twi,5的后h个数据为{twi,5,283,twi,5,284,twi,5,285,twi,5,286,twi,5,287,twi,5,288},即{25.77,25.74,25.74,25.71,25.74,25.74};Tw(i+1),1的前h个数据为{twi+1,1,1,twi+1,1,2,twi+1,1,3,twi+1,1,4,twi+1,1,5,twi+1,1,6},即{24.67,24.69,24.80,24.86,24.94,25.02}。
对时间序列数据:
{twi,5,283,twi,5,284,twi,5,285,twi,5,286,twi,5,287,twi,5,288,twi+1,1,1,twi+1,1,2,twi+1,1,3,twi+1,1,4,twi+1,1,5,twi+1,1,6}
进行多项式拟合,可以得到表1-2所示的拟合值。
表1-2取h=6时获得的多项式拟合结果
序号 | 283 | 284 | 285 | 286 | 287 | 288 | 1 | 2 | 3 | 4 | 5 | 6 |
实际值 | 25.77 | 25.74 | 25.74 | 25.71 | 25.74 | 25.74 | 24.67 | 24.69 | 24.80 | 24.86 | 24.94 | 25.02 |
拟合值 | 25.76 | 25.78 | 25.65 | 25.80 | 25.82 | 25.46 | 24.93 | 24.63 | 24.71 | 24.95 | 24.91 | 25.02 |
图1显示了对实际值进行多项式拟合后的结果。其中,三角形的点为实际值,十字星的点为拟合值;前6个点为Twi,5的后6个数据,后6个点为Tw(i+1),1的前6个数据。
(3)从2h个新的时间序列数据中,选择中间的s个数据,替换Twi,k和Tw(i+1),1中对应位置的数据。
在用拟合值替换实际值时,只替换中间的部分数据,其目的是使温度时间序列数据尽量保持原有的变化趋势,避免因数据替换造成原温度数据变化趋势大幅改变。
以表1-2中的数据为例,取s=6可得表1-3所示部分替换后的数据:
表1-3取s=6时部分替换后的结果
0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | |
实际值 | 25.77 | 25.74 | 25.74 | 25.71 | 25.74 | 25.74 | 24.67 | 24.69 | 24.80 | 24.86 | 24.94 | 25.02 |
替换值 | 25.77 | 25.74 | 25.74 | 25.80 | 25.82 | 25.46 | 24.93 | 24.63 | 24.71 | 24.86 | 24.94 | 25.02 |
步骤4),基于新的TN集合中的温度时间序列数据,采用时间序列预测算法预测机房的温度值。
本实施例中,采用差分整合移动平均自回归模型(ARIMA)预测机房温度值。差分整合移动平均自回归模型的算法流程如图2所示。可选用前4个工作日的温度时间序列数据为训练集,后2个工作日的温度时间序列数据为测试集进行预测并检验预测精度。
综上,本发明涉及一种工作日期间机房温度预测方法,只考虑工作日期间采集的机房温度数据,在相邻的两段工作日之间,利用数据拟合算法对首尾数据进行拟合,对拼接处的部分数据用拟合数据代替,以减小拼接处温度数据突变带来的影响,并利用新的温度时间序列数据预测机房工作日期间的温度值。本发明只考虑工作日期间的机房温度数据,消除了节假日期间的温度数据对工作日期间温度预测的干扰,并且预测算法需要的数据量更少,预测精度更高。
Claims (3)
1.一种工作日期间机房温度预测方法,其特征在于,包括以下步骤:
(a)采集机房的温度时间序列数据T
T={TW1,TE1,TW2,TE2…,TWi,TEi…,TWs,TEs|s∈N+}
其中,TWi和TEi分别表示第i周的工作日和非工作日的温度时间序列数据,s表示周的数量,N+表示正整数,1≤i≤s;
(b)将节假日的温度时间序列数据从T中删除,剩余的温度时间序列数据构成集合TN,TN={TW1,TW2,…,TWi,…,TWs|s∈N+}
其中,TWi={Twi,1,…,Twi,j,…,Twi,k|j,k∈N+},Twi,j表示第i周的第j个工作日的温度时间序列数据,k为第i周的最后一个工作日的序号;
Twi,j={twi,j,1,twi,j,2,…,twi,j,m,…,twi,j,n|m,n∈N+},twi,j,m表示第i周第j个工作日的第m个温度数据,n为第i周第j个工作日的最后一个温度数据的序号;
(c)逐一对TN中相邻的TWi和TWi+1完成如下操作:
(1)从TWi中取Twi,k的后h个数据,从TWi+1中取Tw(i+1),1的前h个数据,构成共2h个数据的温度时间序列数据;
(2)采用数据拟合算法对上述2h个数据进行拟合,获得共2h个数据的新的温度时间序列数据;
(3)从共2h个数据的新的温度时间序列数据中,选择中间的s个数据,替换Twi,k和Tw(i+1),1中对应位置的数据;
(d)基于新的TN集合中的温度时间序列数据,采用时间序列预测算法预测机房的温度值。
2.根据权利要求1所述工作日期间机房温度预测方法,其特征在于,所述步骤(2)中的数据拟合算法为多项式拟合算法或非线性最小二乘法拟合算法或神经网络算法。
3.根据权利要求1所述工作日期间机房温度预测方法,其特征在于,所述步骤(d)中的时间序列预测算法为移动平均算法或指数平滑算法或差分整合移动平均自回归算法或长短时记忆网络算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911395569.1A CN111210060B (zh) | 2019-12-30 | 2019-12-30 | 一种工作日期间机房温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911395569.1A CN111210060B (zh) | 2019-12-30 | 2019-12-30 | 一种工作日期间机房温度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111210060A CN111210060A (zh) | 2020-05-29 |
CN111210060B true CN111210060B (zh) | 2023-04-28 |
Family
ID=70789375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911395569.1A Active CN111210060B (zh) | 2019-12-30 | 2019-12-30 | 一种工作日期间机房温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111210060B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112612305B (zh) * | 2020-12-04 | 2022-04-08 | 格力电器(武汉)有限公司 | 温度的调整方法、装置、设备、存储介质和空调*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108518804A (zh) * | 2018-03-21 | 2018-09-11 | 武汉物联远科技有限公司 | 一种机房温湿度环境预测方法及*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6944336B2 (en) * | 2001-07-26 | 2005-09-13 | Lite-On Technology Corporation | Fast gamma correction method for image reading apparatus |
KR20140116619A (ko) * | 2013-03-25 | 2014-10-06 | 삼성에스디에스 주식회사 | 에너지 사용량 예측 시스템 및 방법 |
CN104156783B (zh) * | 2014-07-29 | 2017-07-25 | 广西电网有限责任公司 | 计及气象累积效应的电力***最大日负荷预测***及方法 |
CN106874676B (zh) * | 2017-02-20 | 2020-10-23 | 广东工业大学 | 一种电能计量装置状态评估方法 |
CN107463633B (zh) * | 2017-07-17 | 2019-09-06 | 中国航天***科学与工程研究院 | 一种基于eemd-神经网络的实时数据异常值检测方法 |
CN109117996B (zh) * | 2018-08-01 | 2021-06-18 | 淮安市农业信息中心 | 构建温室冬季温度预测模型的方法 |
-
2019
- 2019-12-30 CN CN201911395569.1A patent/CN111210060B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108518804A (zh) * | 2018-03-21 | 2018-09-11 | 武汉物联远科技有限公司 | 一种机房温湿度环境预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111210060A (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11754984B2 (en) | HVAC system with predictive airside control | |
US11409274B2 (en) | Model predictive maintenance system for performing maintenance as soon as economically viable | |
US10890904B2 (en) | Model predictive maintenance system for building equipment | |
US11120411B2 (en) | Model predictive maintenance system with incentive incorporation | |
Li et al. | A multi-agent based distributed approach for optimal control of multi-zone ventilation systems considering indoor air quality and energy use | |
US20200356087A1 (en) | Model predictive maintenance system with event or condition based performance | |
US20230075122A1 (en) | Thermal control of data center | |
CN103155734B (zh) | 用于预测数据中心瞬态冷却性能的***和方法 | |
US11409250B2 (en) | Adaptively learning surrogate model for predicting building system dynamics from system identification model | |
US11531308B2 (en) | Adaptively learning surrogate model for predicting building system dynamics from simulation model | |
CN114383299B (zh) | 基于大数据与动态仿真的中央空调***运行策略优化方法 | |
US20160283844A1 (en) | Load predictor for a cooling system | |
Mahbod et al. | Energy saving evaluation of an energy efficient data center using a model-free reinforcement learning approach | |
KR101727434B1 (ko) | 랜덤 포레스트 모델을 이용한 냉동기의 성능 판단 방법 | |
CN111210060B (zh) | 一种工作日期间机房温度预测方法 | |
CN114970358A (zh) | 一种基于强化学习的数据中心能效优化方法和*** | |
Zhang et al. | Smart DC: an AI and digital twin-based energy-saving solution for data centers | |
CN113225994B (zh) | 一种面向数据中心的智能空调控制方法 | |
Tashiro et al. | Application of convolutional neural network to prediction of temperature distribution in data centers | |
Su et al. | Impacts of uncertain information delays on distributed real-time optimal controls for building HVAC systems deployed on IoT-enabled field control networks | |
JP7478792B2 (ja) | ビルディング機器のためのモデル予測的メンテナンスシステム、同メンテナンスを実施する方法及び非一時的コンピュータ可読媒体 | |
CN116954329A (zh) | 制冷***的状态调节方法、装置、设备、介质及程序产品 | |
CN112560325B (zh) | 换电业务的预测方法、***、设备及存储介质 | |
Han et al. | Optimization of workload distribution of data centers based on a self-learning in situ adaptive tabulation model | |
Tang et al. | Intelligent BVAC information capturing system for smart building information modelling |
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 |