CN116048235B - 基于双向gru和曼-肯德尔法的温感未来趋势检测方法 - Google Patents
基于双向gru和曼-肯德尔法的温感未来趋势检测方法 Download PDFInfo
- Publication number
- CN116048235B CN116048235B CN202310316436.0A CN202310316436A CN116048235B CN 116048235 B CN116048235 B CN 116048235B CN 202310316436 A CN202310316436 A CN 202310316436A CN 116048235 B CN116048235 B CN 116048235B
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- trend
- air conditioner
- bidirectional gru
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000001816 cooling Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000012795 verification Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000007619 statistical method Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 9
- 238000004134 energy conservation Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000005337 ground glass Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明涉及数据中心机房节能技术领域,具体涉及基于双向GRU及曼‑肯德尔法的温感未来趋势检测方法,包括:采集历史温感温度数据、冷却策略数据及其他相关特征数据;进行数据预处理,并整理冷却策略数据;筛选温感温度预测关联数据作为输入的特征数据集;将特征数据集采用滑动时间窗算法进行划分;将划分好的训练集和验证集送入双向GRU网络进行训练验证;调用预测模型进行温感温度预测,得到未来时间段各时刻的温度序列,利用统计学方法对温度序列进行趋势判定,并给出趋势推荐值。本发明将深度神经网络与统计学方法相结合应用于数据中心冷却优化,预测结果稳定可靠、普适性强;在达到安全目的的同时实现数据中心机房的高效节能运行。
Description
技术领域
本发明涉及数据中心机房节能技术领域,具体涉及基于双向GRU及曼-肯德尔法的温感未来趋势检测方法。
背景技术
数据中心承载大量的互联网应用,伴随着物联网技术的普及、5G商用、边缘计算走进生活,已经成为现代社会的基础设施之一。数据中心作为承载线上教学、居家办公新模式的核心基础设施,获得世界各国的高度重视,当今大型数据中心的计算能力、信息处理能力、网络通信能力等已经成为国家核心竞争力的标志之一。
数据中心的运行能耗十分巨大,据预测,到2030年,电信***年用电量将占全球年用电总量的20%以上,其中数据中心的运行能耗将达到3000 TWh,占全球年用电总量的8%。因而,研究数据中心的运行节能具有重要的社会意义和经济价值。
数据中心的运行节能面临多方面挑战:一方面,在数据中心机房中,众多IT设备密集排布会产生热耦合,往往会导致机房部分区域产生高温,而IT设备对温度比较敏感,较高的温度会损害元器件的寿命,影响其安全性和可靠性,这将导致难以估量的风险,因而数据中心往往设定较低的温度期望值,让机房内的精密空调全天候高强度的工作,以维持稳定可靠的机房环境,这将导致巨大的电力消耗;另一方面,仅基于历史或当前温度数据进行机房冷却,由于机房内温度的时滞性,冷却效果往往不理想。
基于上述问题,现有的部分机房的优化策略是:当室外温度升高时,结合机房温度,适当降低机房温度设定值;当室外温度降低时,结合机房温度,适当升高机房温度设定值。这种方法操作简单,便于实施,但往往节能效果不尽如人意,其原因主要在于:其仅针对历史及当前温度部署冷却策略,没有对机房温感未来温度做出预测;没有考虑诸如IT负载、冷却策略与温度变化之间的关系。因此,亟需一种基于深度神经网络与数学统计方法相结合的温度趋势检测方法。
发明内容
针对传统机房节能算法仅利用历史及当前温度进行空调冷却、没有对机房温感未来温度做出预测、没有考虑诸如IT负载、冷却策略与温度变化之间关系的问题,提出了基于双向GRU及曼-肯德尔法的温感未来趋势检测方法,将温感温度与机房环境数据、冷却策略进行关联,使用深度神经网络***机房内各温感温度,并使用统计学方法检测其温度趋势,基于温度趋势,对未来可能出现高温的区域提前启动制冷设备进行降温,对未来温度趋势离安全温度上限仍具有较大安全阈值的区域不启动制冷设备,或让制冷设备维持低负荷运行,在达到安全目的的同时实现数据中心机房的高效节能运行。
为了实现上述目的,本发明通过如下的技术方案来实现:
基于双向GRU及曼-肯德尔法的温感未来趋势检测方法,所述方法包括:
采集历史温感温度数据、冷却策略数据及其他相关特征数据;
对所述历史温感温度数据、冷却策略数据及其他相关特征数据进行数据预处理,所述数据预处理包括:删除异常数据,对缺失数据进行插值填充处理,并整理冷却策略数据;
基于斯皮尔曼相关系数法及树模型特征重要性从预处理后的数据中筛选出温感温度预测关联数据作为输入的特征数据集;
将所述特征数据集采用滑动时间窗算法划分为训练集、验证集和测试集;
将划分好的训练集和验证集送入双向GRU网络进行训练验证,并根据损失函数不断调整预测模型的超参数,直至训练集上的泛化效果达到预期后停止训练,最后保存所述预测模型,方便后期调用;
调用所述预测模型进行温感温度预测,得到未来时间段各时刻的温度序列,利用统计学方法对所述温度序列进行趋势判定,并给出趋势推荐值。
作为本发明的一种优选方案,所述冷却策略数据包括机房内空调开关机状态与空调回风温度设定值,所述其他相关特征数据包括:空调回风温度、空调风机转速、冷冻水进水温度、水阀开度、压差和室外温度。
作为本发明的一种优选方案,所述整理冷却策略数据是将所述机房内空调开关机状态转换为用数值量表示的空调开关机策略,具体为:开机状态对应转换为“1”,关机状态对应转换为“0”,无操作对应转换为NaN。
作为本发明的一种优选方案,所述温感温度预测关联数据具体包括:历史温感温度数据、空调回风温度、空调回风温度设定值和空调开关机策略。
作为本发明的一种优选方案,所述滑动时间窗算法具体为:时间窗设为1min,输入时间序列的时间跨度设为输出时间序列跨度的2-3倍,随后每次滑动1min,将所述特征数据集转化为有监督样本数据集。
作为本发明的一种优选方案,将所述有监督样本数据集送入双向GRU网络进行训练验证,所述双向GRU网络使用单层Bi-GRU,包括64个节点,使用Adam优化器并结合自定义学***均绝对误差作为评价指标,所述训练集上的泛化效果达到预期是指连续5个epoch指标没有优化,即停止训练。
作为本发明的一种优选方案,所述统计学方法包括括曼-肯德尔法,使用曼-肯德尔法进行趋势检测,对所述温度序列进行趋势判定具体为:
作为本发明的一种优选方案,所述趋势推荐值具体包括:将上0.8分位作为上升趋势推荐值,下0.2分位作为下降趋势推荐值。
基于双向GRU及曼-肯德尔法的温感未来趋势检测***,所述***包括:
数据采集模块,用于采集历史温感温度数据、冷却策略数据及其他相关特征数据;所述冷却策略数据包括机房内空调开关机状态与空调回风温度设定值,所述其他相关特征数据包括:空调回风温度、空调风机转速、冷冻水进水温度、水阀开度、压差和室外温度;
数据处理模块,包括预处理单元、筛选单元和数据集划分单元;
所述预处理单元用于对所述历史温感温度数据、冷却策略数据及其他相关特征数据进行数据预处理,所述数据预处理包括:删除异常数据,对缺失数据进行插值填充处理,并整理冷却策略数据;
所述筛选单元用于基于斯皮尔曼相关系数法及树模型特征重要性从预处理后的数据中筛选出温感温度预测关联数据作为输入的特征数据集;所述温感温度预测关联数据具体包括:历史温感温度数据、空调回风温度、空调回风温度设定值、空调开关机策略;
所述数据集划分单元用于将所述特征数据集采用滑动时间窗算法划分为训练集、验证集和测试集;
双向GPU模块,用于将划分好的训练集和验证集送入双向GRU网络进行训练验证,并根据损失函数不断调整预测模型的超参数,直至训练集上的泛化效果达到预期后停止训练,最后保存所述预测模型,方便后期调用;
趋势检测模块,用于调用所述预测模型进行温感温度预测,得到未来时间段各时刻的温度序列,利用统计学方法对所述温度序列进行趋势判定,并给出趋势推荐值。
基于双向GRU及曼-肯德尔法的温感未来趋势检测设备,所述温感未来趋势检测设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上所述的基于双向GRU及曼-肯德尔法的温感未来趋势检测方法。
与现有技术相比,本发明具有的有益效果是:
本发明引入机房历史冷却策略作为重要特征,让模型建立冷却策略与温度变化之间的非线性关系,将温感温度与机房环境数据、冷却策略进行关联,使用深度神经网络***机房内各温感温度;在进行温度预测之后,使用统计学方法对所得温度序列进行趋势检测,便可获得可靠的机房未来一段时间的各温感趋势,有助于指导后续节能策略的部署;基于温度趋势,对未来可能出现高温的区域提前启动制冷设备进行降温,对未来温度趋势离安全温度上限仍具有较大安全阈值的区域不启动制冷设备或让制冷设备维持低负荷运行,这样可在达到安全目的的同时实现数据中心机房的高效节能运行;
本发明将深度神经网络与统计学方法相结合应用于数据中心冷却优化,无需复杂的专家知识,依靠数据驱动,预测结果稳定可靠、普适性强;这一关系的建立有助于指导后续冷却策略的执行,进一步达到节能的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。其中:
图1为本发明基于双向GRU及曼-肯德尔法的温感未来趋势检测方法的流程图;
图2为本发明实施例中空调开关机策略下发示意图;
图3为本发明实施例中滑动时间窗算法划分数据集示意图;
图4为本发明实施例中双向GRU机房温感温度的预测模型结构图;
图5为本发明基于双向GRU及曼-肯德尔法的温感未来趋势检测***的结构框图。
实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
如图1所示,为本发明的一个实施例,该实施例提供了基于双向GRU及曼-肯德尔法的温感未来趋势检测方法,具体包括如下步骤:
S1:采集历史温感温度数据、冷却策略数据及其他相关特征数据;
机房中的温感一般分为三种,分别是冷通道温感、热通道温感和其他温感,本发明重点关注冷通道温感,因为冷通道温感能更直观的反映出制冷设备的冷却效果;
在一个实施例中,冷却策略数据主要包括机房内空调开关机状态与空调回风温度设定值;由于数据中心部分数据获取受限,因此其他相关特征数据一般包括:空调回风温度、空调风机转速、冷冻水进水温度、水阀开度、压差和室外温度等数据。
S2:对历史温感温度数据、冷却策略数据及其他相关特征数据进行数据预处理,数据预处理包括:删除异常数据,对缺失数据进行插值填充处理,并整理冷却策略数据;
在一个实施例中,整理冷却策略数据是将机房内空调开关机状态转换为用数值量表示的空调开关机策略,具体为:开机状态对应转换为“1”,关机状态对应转换为“0”,无操作对应转换为NaN(后期可以用“-1”表示)。如图2所示,展示了某机房2022年11月9日——11月27日11台空调开关机策略的下发情况。
S3:基于斯皮尔曼相关系数法及树模型特征重要性从预处理后的数据中筛选出温感温度预测关联数据作为输入的特征数据集;
斯皮尔曼相关系数法是一种衡量两个变量间相关程度的计算方法,既可以用于定量变量,也可以用于定性变量;斯皮尔曼相关系数可以有效地检测两个变量之间的相关性,并用于判断某一变量是否可以用来解释另一变量的变化;它可以用于对不同变量的相关性进行多变量分析,可以识别多个变量之间的因果关系,甚至可以用来预测某一变量的值,从而更好地掌握大量数据,准确描述多变量之间的关联。树模型特征重要性为现有技术,在此不做赘述。
在一个实施例中,温感温度预测关联数据具体包括:历史温感温度数据、空调回风温度、空调回风温度设定值、空调开关机策略。
S4:将特征数据集采用滑动时间窗算法划分为训练集、验证集和测试集;
滑动时间窗算法的原理是:在固定的时间窗口内,可以允许固定数量的请求进入,超过数量就拒绝或者排队,等下一个时间段进入。滑动时间窗算法将时间窗口划分为更小的时间片段,每过一个时间片段,时间窗口就会往右滑动一格,每个时间片段都有独立的计数器,我们在计算整个时间窗口的请求总数时会累加所有的时间片段内的计数器。时间窗口划分的越细,那么滑动窗口的混动就会越平滑,限流的统计就会越精确。
具体地,训练集、验证集、测试集的划分比例可设为6:2:2;
在一个实施例中,滑动时间窗算法具体为:时间窗设为1min,输入时间序列的时间跨度设为输出时间序列跨度的2-3倍,随后每次滑动1min,将特征数据集转化为有监督样本数据集;
如图3所示,每个小长方形条的时间轴跨度为1min,特征列包含了步骤S3中的所有输入特征,我们用前45min的特征数据集去预测后15min的温感温度序列,随后每次滑动1min去重复上述步骤;通过这种方式,将原始的特征数据集转化为有监督样本数据集,并进一步扩充了数据集。
S5:将划分好的训练集和验证集送入双向GRU网络进行训练验证,并根据损失函数不断调整预测模型的超参数,直至训练集上的泛化效果达到预期后停止训练,最后保存预测模型,方便后期调用;
GRU(Gate Recurrent Unit)是循环神经网络(Recurrent Neural Network,RNN)的一种,与LSTM(Long-Short Term Memory)近似,是为了缓解长时序下的梯度消失或者梯度***而设计的一种方案。在众多研究中LSTM表现要略胜GRU,但是LSTM参数多,训练起来耗时更长,GRU可在达到与LSTM相当精度的同时,大幅缩短训练时间,而双向GRU可同时考虑前向与后向依赖,训练时长略长于GRU但精度有明显提高。
在一个实施例中,如图4所示,将有监督样本数据集送入双向GRU网络进行训练验证,双向GRU网络使用单层Bi-GRU,包括64个节点,使用Adam优化器并结合自定义学***均绝对误差(Mean Absolute Error,MAE)作为评价指标,训练集上的泛化效果达到预期是指连续5个epoch指标没有优化,即停止训练。
S6:调用预测模型进行温感温度预测,得到未来时间段各时刻的温度序列,利用统计学方法对温度序列进行趋势判定,并给出趋势推荐值。
在一个实施例中,统计学方法包括括曼-肯德尔法,使用曼-肯德尔法进行趋势检测,对温度序列进行趋势判定具体为:
例如:对于给定长度n=7的时间序列:3、3、3、6、6、5、2,可以看出这7个数值存在相同元素,即存在等值数据,且可分为4组,第1组中元素个数为3,第2组中元素个数为2,第3组中元素个数为1,第4组中元素个数为1,即,/>,/>,/>,/>,将这些参数带入上述公式即可计算出方差。
例如:对于给定长度n=7的时间序列:5、8、3、4、2、7、6,可以看出这7个数值中没有相同元素,即不存在等值数据,便应用上述公式计算方差。
在一个实施例中,趋势推荐值具体包括:将上0.8分位作为上升趋势推荐值,下0.2分位作为下降趋势推荐值。
如图5所示,为本发明的另一实施例,该实施例提供了基于双向GRU及曼-肯德尔法的温感未来趋势检测***,具体包括:
数据采集模块,用于采集历史温感温度数据、冷却策略数据及其他相关特征数据;冷却策略数据包括机房内空调开关机状态与空调回风温度设定值,其他相关特征数据包括:空调回风温度、空调风机转速、冷冻水进水温度、水阀开度、压差和室外温度;
数据处理模块,包括预处理单元、筛选单元和数据集划分单元;
预处理单元用于对所述历史温感温度数据、冷却策略数据及其他相关特征数据进行数据预处理,数据预处理包括:删除异常数据,对缺失数据进行插值填充处理,并整理冷却策略数据;
筛选单元用于基于斯皮尔曼相关系数法及树模型特征重要性从预处理后的数据中筛选出温感温度预测关联数据作为输入的特征数据集;温感温度预测关联数据具体包括:历史温感温度数据、空调回风温度、空调回风温度设定值、空调开关机策略;
数据集划分单元用于将特征数据集采用滑动时间窗算法划分为训练集、验证集和测试集;
双向GPU模块,用于将划分好的训练集和验证集送入双向GRU网络进行训练验证,并根据损失函数不断调整预测模型的超参数,直至训练集上的泛化效果达到预期后停止训练,最后保存预测模型,方便后期调用;
趋势检测模块,用于调用预测模型进行温感温度预测,得到未来时间段各时刻的温度序列,利用统计学方法对温度序列进行趋势判定,并给出趋势推荐值。
本发明还提供一个实施例,该实施例提供了基于双向GRU及曼-肯德尔法的温感未来趋势检测设备,包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上所述的基于双向GRU及曼-肯德尔法的温感未来趋势检测方法。
综上所述,本发明引入机房历史冷却策略作为重要特征,让模型建立冷却策略与温度变化之间的非线性关系,将温感温度与机房环境数据、冷却策略进行关联,使用深度神经网络***机房内各温感温度;在进行温度预测之后,使用统计学方法对所得温度序列进行趋势检测,便可获得可靠的机房未来一段时间的各温感趋势,有助于指导后续节能策略的部署;基于温度趋势,对未来可能出现高温的区域提前启动制冷设备进行降温,对未来温度趋势离安全温度上限仍具有较大安全阈值的区域不启动制冷设备或让制冷设备维持低负荷运行,这样可在达到安全目的的同时实现数据中心机房的高效节能运行;
本发明将深度神经网络与统计学方法相结合应用于数据中心冷却优化,无需复杂的专家知识,依靠数据驱动,预测结果稳定可靠、普适性强;这一关系的建立有助于指导后续冷却策略的执行,进一步达到节能的效果。
应理解的是,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器、磁盘或光盘等。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳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或者等同替换,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 (7)
1.基于双向GRU及曼-肯德尔法的温感未来趋势检测方法,其特征在于,所述方法包括:
采集历史温感温度数据、冷却策略数据及其他相关特征数据;所述其他相关特征数据包括:空调回风温度、空调风机转速、冷冻水进水温度、水阀开度、压差和室外温度;
对所述历史温感温度数据、冷却策略数据及其他相关特征数据进行数据预处理,所述数据预处理包括:删除异常数据,对缺失数据进行插值填充处理,并整理冷却策略数据;
基于斯皮尔曼相关系数法及树模型特征重要性从预处理后的数据中筛选出温感温度预测关联数据作为输入的特征数据集;
将所述特征数据集采用滑动时间窗算法划分为训练集、验证集和测试集;
所述滑动时间窗算法具体为:时间窗设为1min,输入时间序列的时间跨度设为输出时间序列跨度的2-3倍,随后每次滑动1min,将所述特征数据集转化为有监督样本数据集;
将划分好的训练集和验证集送入双向GRU网络进行训练验证,并根据损失函数不断调整预测模型的超参数,直至训练集上的泛化效果达到预期后停止训练,最后保存所述预测模型,方便后期调用;
将所述有监督样本数据集送入双向GRU网络进行训练验证,所述双向GRU网络使用单层Bi-GRU,包括64个节点,使用Adam优化器并结合自定义学***均绝对误差作为评价指标,所述训练集上的泛化效果达到预期是指连续5个epoch指标没有优化,即停止训练;
调用所述预测模型进行温感温度预测,得到未来时间段各时刻的温度序列,利用统计学方法对所述温度序列进行趋势判定,并给出趋势推荐值;
所述统计学方法包括曼-肯德尔法,使用曼-肯德尔法进行趋势检测,对所述温度序列进行趋势判定具体为:
2.如权利要求1所述的基于双向GRU及曼-肯德尔法的温感未来趋势检测方法,其特征在于,所述冷却策略数据包括机房内空调开关机状态与空调回风温度设定值。
3.如权利要求2所述的基于双向GRU及曼-肯德尔法的温感未来趋势检测方法,其特征在于,所述整理冷却策略数据是将所述机房内空调开关机状态转换为用数值量表示的空调开关机策略,具体为:开机状态对应转换为“1”,关机状态对应转换为“0”,无操作对应转换为NaN。
4.如权利要求3所述的基于双向GRU及曼-肯德尔法的温感未来趋势检测方法,其特征在于,所述温感温度预测关联数据具体包括:历史温感温度数据、空调回风温度、空调回风温度设定值和空调开关机策略。
5.如权利要求1所述的基于双向GRU及曼-肯德尔法的温感未来趋势检测方法,其特征在于,所述趋势推荐值具体包括:将上0.8分位作为上升趋势推荐值,下0.2分位作为下降趋势推荐值。
6.如权利要求1所述的基于双向GRU及曼-肯德尔法的温感未来趋势检测方法的检测***,其特征在于,所述***包括:
数据采集模块,用于采集历史温感温度数据、冷却策略数据及其他相关特征数据;所述冷却策略数据包括机房内空调开关机状态与空调回风温度设定值,所述其他相关特征数据包括:空调回风温度、空调风机转速、冷冻水进水温度、水阀开度、压差和室外温度;
数据处理模块,包括预处理单元、筛选单元和数据集划分单元;
所述预处理单元用于对所述历史温感温度数据、冷却策略数据及其他相关特征数据进行数据预处理,所述数据预处理包括:删除异常数据,对缺失数据进行插值填充处理,并整理冷却策略数据;
所述筛选单元用于基于斯皮尔曼相关系数法及树模型特征重要性从预处理后的数据中筛选出温感温度预测关联数据作为输入的特征数据集;所述温感温度预测关联数据具体包括:历史温感温度数据、空调回风温度、空调回风温度设定值、空调开关机策略;
所述数据集划分单元用于将所述特征数据集采用滑动时间窗算法划分为训练集、验证集和测试集;
双向GPU模块,用于将划分好的训练集和验证集送入双向GRU网络进行训练验证,并根据损失函数不断调整预测模型的超参数,直至训练集上的泛化效果达到预期后停止训练,最后保存所述预测模型,方便后期调用;
趋势检测模块,用于调用所述预测模型进行温感温度预测,得到未来时间段各时刻的温度序列,利用统计学方法对所述温度序列进行趋势判定,并给出趋势推荐值。
7.基于双向GRU及曼-肯德尔法的温感未来趋势检测设备,所述温感未来趋势检测设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至5中任一项所述的基于双向GRU及曼-肯德尔法的温感未来趋势检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316436.0A CN116048235B (zh) | 2023-03-29 | 2023-03-29 | 基于双向gru和曼-肯德尔法的温感未来趋势检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316436.0A CN116048235B (zh) | 2023-03-29 | 2023-03-29 | 基于双向gru和曼-肯德尔法的温感未来趋势检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116048235A CN116048235A (zh) | 2023-05-02 |
CN116048235B true CN116048235B (zh) | 2023-06-16 |
Family
ID=86133542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310316436.0A Active CN116048235B (zh) | 2023-03-29 | 2023-03-29 | 基于双向gru和曼-肯德尔法的温感未来趋势检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116048235B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116358107B (zh) * | 2023-05-10 | 2023-09-12 | 南京群顶科技股份有限公司 | 一种基于预调控的温感空调权重关系计算方法 |
CN116887569B (zh) * | 2023-07-06 | 2024-01-30 | 广州至为信息科技有限公司 | 一种数据中心能耗预测和节能调节方法、***及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578124B (zh) * | 2017-08-28 | 2024-05-17 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
CN110175353B (zh) * | 2019-04-16 | 2023-07-25 | 浙江新再灵科技股份有限公司 | 电梯运行指标趋势分析方法 |
CN113111596B (zh) * | 2021-06-16 | 2021-08-31 | 国网浙江省电力有限公司杭州供电公司 | 基于电力大脑中枢的碳达峰实时可视化测算方法 |
CN114087021B (zh) * | 2021-10-27 | 2022-08-02 | 北京科技大学 | 一种冲击地压多参量动态趋势预警方法 |
CN115358137A (zh) * | 2022-07-22 | 2022-11-18 | 电子科技大学 | 一种基于cnn-gru算法的轴承金属温度预测方法 |
-
2023
- 2023-03-29 CN CN202310316436.0A patent/CN116048235B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116048235A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116048235B (zh) | 基于双向gru和曼-肯德尔法的温感未来趋势检测方法 | |
Yalcintas | Energy-savings predictions for building-equipment retrofits | |
Li et al. | A sensor fault detection and diagnosis strategy for screw chiller system using support vector data description-based D-statistic and DV-contribution plots | |
Jiang et al. | Applying grey forecasting to predicting the operating energy performance of air cooled water chillers | |
Yao et al. | Hourly cooling load prediction by a combined forecasting model based on analytic hierarchy process | |
TW202030617A (zh) | 基於因果學習之資料中心基礎設施最佳化方法 | |
Zhou et al. | Anomaly detection method of daily energy consumption patterns for central air conditioning systems | |
Behfar et al. | Automated fault detection and diagnosis methods for supermarket equipment (RP-1615) | |
US11620539B2 (en) | Method and device for monitoring a process of generating metric data for predicting anomalies | |
CN109407801A (zh) | 一种数据中心温控方法和*** | |
CN112070353A (zh) | 一种精确检测数据中心能效的方法及*** | |
Yu et al. | Using cluster and multivariate analyses to appraise the operating performance of a chiller system serving an institutional building | |
US20100114401A1 (en) | Method and Device of Predicting the Level of Customer Amount, and Method and System of Controlling Temperature of Aircondiction by Using the Same | |
MirhoseiniNejad et al. | ALTM: Adaptive learning-based thermal model for temperature predictions in data centers | |
Guo et al. | A data-driven evaluating method on the defrosting effect of the air source heat pump system in Beijing | |
Yang et al. | Sensitivity analysis of scalable data on three PCA related fault detection methods considering data window and thermal load matching strategies | |
Spencer et al. | Forecasting temperature in a smart home with segmented linear regression | |
JP2004234302A (ja) | プロセス管理装置 | |
CN116045461B (zh) | 一种基于给回水温度调节的风冷空调节能控制方法及装置 | |
CN115830757B (zh) | 一种基于大数据的显示设备性能监测***及方法 | |
Yu et al. | Improved energy management of chiller system with AI-based regression | |
Cheng et al. | Abnormal energy consumption detection using ensemble model for water chilling unit on HVAC system | |
CN115682468B (zh) | 一种基于数据分析的空气源热泵机组智能运维管控*** | |
Guo et al. | Fault detection and diagnosis of electric bus air conditioning systems incorporating domain knowledge and probabilistic artificial intelligence | |
KR20040042734A (ko) | 터보 냉동기의 성능분석방법 및 장치 |
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 |