本發(fā)明涉及能耗優(yōu)化，尤其涉及一種基于溫度監(jiān)測(cè)的機(jī)房能耗優(yōu)化方法及系統(tǒng)。

背景技術(shù)：

1、隨著信息技術(shù)的發(fā)展，數(shù)據(jù)中心大型機(jī)房已經(jīng)成為不可或缺的基礎(chǔ)設(shè)施。機(jī)房?jī)?nèi)的服務(wù)器和相關(guān)設(shè)備在運(yùn)行過(guò)程中會(huì)產(chǎn)生大量的熱量，如何有效地控制機(jī)房環(huán)境溫度，保障設(shè)備的正常運(yùn)行，并同時(shí)優(yōu)化能耗，成為了數(shù)據(jù)中心管理中的一個(gè)重要問(wèn)題。

2、機(jī)房的溫度控制通常依賴于制冷系統(tǒng)，通過(guò)調(diào)節(jié)制冷系統(tǒng)的各項(xiàng)參數(shù)來(lái)實(shí)現(xiàn)溫度的調(diào)節(jié)。然而，傳統(tǒng)的機(jī)房溫控策略大多基于固定的溫度設(shè)定值，未能充分考慮機(jī)房?jī)?nèi)設(shè)備負(fù)載的動(dòng)態(tài)變化，導(dǎo)致制冷系統(tǒng)的運(yùn)行效率較低，能耗較高。機(jī)房的溫度控制還具有以下挑戰(zhàn)：能耗與設(shè)備安全的平衡，在保證設(shè)備安全運(yùn)行的前提下，最小化制冷系統(tǒng)的能耗；機(jī)房?jī)?nèi)的設(shè)備負(fù)載隨時(shí)間呈現(xiàn)動(dòng)態(tài)變化，容易導(dǎo)致制冷系統(tǒng)過(guò)度運(yùn)行或不足運(yùn)行；多參數(shù)協(xié)同優(yōu)化，參數(shù)之間存在復(fù)雜的耦合關(guān)系。

3、綜上所述，現(xiàn)有的機(jī)房溫控系統(tǒng)通常采用簡(jiǎn)單的反饋控制方法，無(wú)法根據(jù)機(jī)房環(huán)境和負(fù)載的實(shí)時(shí)變化進(jìn)行靈活調(diào)整，導(dǎo)致能耗優(yōu)化效果有限，面對(duì)日益嚴(yán)苛的綠色節(jié)能要求，如何通過(guò)智能化的優(yōu)化方法，在保障設(shè)備安全的前提下，進(jìn)一步降低機(jī)房能耗具有重要的應(yīng)用價(jià)值，本發(fā)明能夠解決現(xiàn)有技術(shù)中的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例提供一種基于溫度監(jiān)測(cè)的機(jī)房能耗優(yōu)化方法及系統(tǒng)，能夠解決現(xiàn)有技術(shù)中的問(wèn)題。

2、本發(fā)明實(shí)施例的第一方面，

3、提供一種基于溫度監(jiān)測(cè)的機(jī)房能耗優(yōu)化方法，包括：

4、通過(guò)布設(shè)在機(jī)房?jī)?nèi)部多個(gè)區(qū)域的溫度傳感器陣列，實(shí)時(shí)采集機(jī)房的溫度數(shù)據(jù)，結(jié)合光纖分布式溫度傳感系統(tǒng)，連續(xù)監(jiān)測(cè)各區(qū)域的溫度梯度，將所述溫度數(shù)據(jù)和所述溫度梯度融合處理，構(gòu)建機(jī)房?jī)?nèi)部的三維動(dòng)態(tài)溫度分布模型；

5、基于所述三維動(dòng)態(tài)溫度分布模型，通過(guò)深度學(xué)習(xí)算法對(duì)機(jī)房的熱點(diǎn)區(qū)域、氣流死角及冷量浪費(fèi)區(qū)域進(jìn)行識(shí)別，結(jié)合機(jī)房布局和設(shè)備分布，通過(guò)軌跡回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)冷熱空氣在機(jī)房?jī)?nèi)的流動(dòng)軌跡和混合過(guò)程，通過(guò)自適應(yīng)神經(jīng)模糊推理，校正和更新預(yù)測(cè)結(jié)果，生成機(jī)房溫控策略集合；

6、基于所述機(jī)房溫控策略集合，以最小化能耗和最大化制冷效率為優(yōu)化目標(biāo)，以機(jī)房設(shè)備安全運(yùn)行溫度范圍為約束條件，通過(guò)溫度控制尋優(yōu)算法，對(duì)機(jī)房制冷系統(tǒng)的多個(gè)參數(shù)進(jìn)行聯(lián)合調(diào)整，迭代求解得到最優(yōu)溫控曲線，將最優(yōu)溫控曲線轉(zhuǎn)化為制冷系統(tǒng)控制指令，實(shí)現(xiàn)機(jī)房的溫度與能耗協(xié)同優(yōu)化。

7、在一種可選的實(shí)施例中，

8、通過(guò)布設(shè)在機(jī)房?jī)?nèi)部多個(gè)區(qū)域的溫度傳感器陣列，實(shí)時(shí)采集機(jī)房的溫度數(shù)據(jù)，結(jié)合光纖分布式溫度傳感系統(tǒng)，連續(xù)監(jiān)測(cè)各區(qū)域的溫度梯度，將所述溫度數(shù)據(jù)和所述溫度梯度融合處理，構(gòu)建機(jī)房?jī)?nèi)部的三維動(dòng)態(tài)溫度分布模型包括：

9、獲取機(jī)房?jī)?nèi)部多個(gè)區(qū)域溫度傳感器陣列的離散點(diǎn)溫度數(shù)據(jù)和光纖分布式溫度傳感系統(tǒng)的連續(xù)溫度梯度數(shù)據(jù)；

10、對(duì)所述離散點(diǎn)溫度數(shù)據(jù)和連續(xù)溫度梯度數(shù)據(jù)進(jìn)行時(shí)間序列分割，提取代表性的時(shí)間片段，每個(gè)時(shí)間片段包含一組離散點(diǎn)溫度數(shù)據(jù)和相應(yīng)的連續(xù)溫度梯度數(shù)據(jù)，所述代表性的時(shí)間片段基于機(jī)房溫度突變時(shí)間點(diǎn)確定；

11、對(duì)每個(gè)時(shí)間片段中的離散點(diǎn)溫度數(shù)據(jù)和連續(xù)溫度梯度數(shù)據(jù)進(jìn)行動(dòng)態(tài)時(shí)間規(guī)整，通過(guò)非線性時(shí)間尺度變換和插值算法，將不同來(lái)源的時(shí)間序列映射到統(tǒng)一的時(shí)間基準(zhǔn)上，獲得對(duì)齊時(shí)間片段的溫度數(shù)據(jù)；

12、在每個(gè)對(duì)齊時(shí)間片段中，提取離散點(diǎn)溫度數(shù)據(jù)和連續(xù)溫度梯度數(shù)據(jù)的幾何特征，包括幾何關(guān)鍵點(diǎn)、骨架線和特征描述符，建立空間坐標(biāo)的對(duì)應(yīng)關(guān)系；

13、通過(guò)迭代最近點(diǎn)算法，將空間坐標(biāo)進(jìn)行配準(zhǔn)，重合幾何中心并使坐標(biāo)軸方向相同，獲得空間配準(zhǔn)的坐標(biāo)信息；

14、將對(duì)齊時(shí)間片段的溫度數(shù)據(jù)和空間配準(zhǔn)的坐標(biāo)信息融合，生成三維溫度散點(diǎn)云，其中每個(gè)散點(diǎn)包含溫度值、梯度方向和時(shí)空坐標(biāo)；

15、對(duì)所述三維溫度散點(diǎn)云進(jìn)行流形學(xué)習(xí)，通過(guò)無(wú)監(jiān)督學(xué)習(xí)模型提取三維溫度散點(diǎn)云對(duì)應(yīng)的低維流形表示，確定內(nèi)在拓?fù)浣Y(jié)構(gòu)，在對(duì)應(yīng)的流形空間中，通過(guò)莫爾斯理論和持久同調(diào)，提取三維溫度散點(diǎn)云的拓?fù)涮卣?，所述拓?fù)涮卣靼ㄟB通分量、孔洞和通道；

16、基于所述拓?fù)涮卣?，通過(guò)delaunay三角化和alpha形狀構(gòu)建初始曲面模型，確定與三維溫度散點(diǎn)云對(duì)應(yīng)的網(wǎng)格曲面，通過(guò)最小化所述網(wǎng)格曲面的高斯曲率能量，自適應(yīng)調(diào)整網(wǎng)格曲面的形狀和拓?fù)浣Y(jié)構(gòu)，得到拓?fù)鋬?yōu)化的網(wǎng)格曲面，在拓?fù)鋬?yōu)化的網(wǎng)格曲面上，通過(guò)徑向基函數(shù)插值方法，恢復(fù)三維溫度散點(diǎn)云的局部形狀，確定三維動(dòng)態(tài)溫度分布模型。

17、在一種可選的實(shí)施例中，

18、在對(duì)應(yīng)的流形空間中，通過(guò)莫爾斯理論和持久同調(diào)，提取三維溫度散點(diǎn)云的拓?fù)涮卣靼ǎ?/p>

19、基于低維流形表示，確定流形空間中的溫度值分布和梯度信息，確定固有尺度范圍，在所述固有尺度范圍內(nèi)，通過(guò)黃金分割搜索，最大化各尺度下持久同調(diào)特征之間的區(qū)分度，確定最優(yōu)尺度參數(shù)組合；

20、基于所述最優(yōu)尺度參數(shù)組合，在所述流形空間中構(gòu)建一組多尺度的過(guò)濾器，通過(guò)連接不同溫度值的散點(diǎn)，生成嵌套的單純復(fù)形序列，并根據(jù)尺度的大小，動(dòng)態(tài)調(diào)整單純復(fù)形的合并閾值，確定對(duì)應(yīng)尺度下的莫爾斯復(fù)形；

21、基于每個(gè)尺度下的莫爾斯復(fù)形，計(jì)算持久同調(diào)群，提取包括連通分量、孔洞和通道的拓?fù)涮卣?，確定所述拓?fù)涮卣鞯某志眯远攘浚?/p>

22、通過(guò)最小化不同尺度下持久性度量之間的wasserstein距離，建立所述拓?fù)涮卣髟诓煌叨认碌膶?duì)應(yīng)關(guān)系，確定所述拓?fù)涮卣鞯目绯叨妊莼壽E；

23、通過(guò)多尺度卷積神經(jīng)網(wǎng)絡(luò)對(duì)跨尺度演化軌跡進(jìn)行融合，提取局部模式和全局模式，得到融合多尺度拓?fù)涮卣鳌?/p>

24、在一種可選的實(shí)施例中，

25、基于所述三維動(dòng)態(tài)溫度分布模型，通過(guò)深度學(xué)習(xí)算法對(duì)機(jī)房的熱點(diǎn)區(qū)域、氣流死角及冷量浪費(fèi)區(qū)域進(jìn)行識(shí)別，結(jié)合機(jī)房布局和設(shè)備分布，通過(guò)軌跡回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)冷熱空氣在機(jī)房?jī)?nèi)的流動(dòng)軌跡和混合過(guò)程，通過(guò)自適應(yīng)神經(jīng)模糊推理，校正和更新預(yù)測(cè)結(jié)果，生成機(jī)房溫控策略集合包括：

26、將構(gòu)建的三維動(dòng)態(tài)溫度分布模型轉(zhuǎn)化為三維體素?cái)?shù)據(jù)，輸入至預(yù)先訓(xùn)練的多尺度三維卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)主動(dòng)學(xué)習(xí)策略選擇數(shù)據(jù)穩(wěn)定性最低的數(shù)據(jù)點(diǎn)進(jìn)行標(biāo)注，對(duì)多尺度三維卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，獲得最優(yōu)置信度圖，基于最優(yōu)置信度圖，確定機(jī)房?jī)?nèi)部的熱點(diǎn)區(qū)域、氣流死角和冷量浪費(fèi)區(qū)域，得到問(wèn)題區(qū)域識(shí)別結(jié)果；

27、將機(jī)房?jī)?nèi)部劃分為多個(gè)子區(qū)域，提取各子區(qū)域的溫度和氣流速度特征，構(gòu)建時(shí)空特征序列和動(dòng)態(tài)子區(qū)域連接圖，將時(shí)空特征序列和動(dòng)態(tài)子區(qū)域連接圖輸入至預(yù)先訓(xùn)練的時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)模型，以真實(shí)溫度分布數(shù)據(jù)為條件，結(jié)合生成對(duì)抗網(wǎng)絡(luò)，生成對(duì)應(yīng)的概率分布圖，確定冷熱空氣在機(jī)房?jī)?nèi)的流動(dòng)軌跡和混合過(guò)程；

28、將實(shí)時(shí)采集的溫度數(shù)據(jù)、預(yù)測(cè)的流動(dòng)軌跡和混合過(guò)程轉(zhuǎn)化為模糊語(yǔ)言變量，輸入自適應(yīng)神經(jīng)模糊推理系統(tǒng)，通過(guò)自適應(yīng)學(xué)習(xí)算法對(duì)流動(dòng)軌跡和混合過(guò)程進(jìn)行校正和更新，確定校準(zhǔn)預(yù)測(cè)結(jié)果；

29、基于校準(zhǔn)預(yù)測(cè)預(yù)測(cè)結(jié)果，結(jié)合問(wèn)題區(qū)域識(shí)別結(jié)果，考慮機(jī)房布局，按照預(yù)設(shè)的控制規(guī)則，生成機(jī)房溫控策略集合。

30、在一種可選的實(shí)施例中，

31、還包括：

32、對(duì)采集的環(huán)境監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)處理，確定溫度、濕度、風(fēng)速和氣壓對(duì)應(yīng)的環(huán)境因素時(shí)間序列；

33、采用時(shí)間序列因果建模方法，分析不同環(huán)境因素時(shí)間序列之間的因果依賴關(guān)系，通過(guò)因果檢驗(yàn)，確定初步因果方向；

34、結(jié)合初步因果方向和預(yù)先獲取的領(lǐng)域知識(shí)，構(gòu)建多個(gè)候選因果圖，應(yīng)用基于貝葉斯信息準(zhǔn)則確定的評(píng)分函數(shù)，通過(guò)搜索算法遍歷候選因果圖，確定每個(gè)候選因果圖的得分，以最高得分確定因果圖；

35、通過(guò)隨機(jī)對(duì)照實(shí)驗(yàn)對(duì)所述因果圖進(jìn)行評(píng)估和修正，平衡因果圖的復(fù)雜度和解釋力，得到機(jī)房環(huán)境因素與流動(dòng)狀態(tài)因果依賴關(guān)系的最終因果圖；

36、將物理定律形式化為方程約束，將物理規(guī)則轉(zhuǎn)化為最終因果圖的結(jié)構(gòu)約束，結(jié)合剪枝操作，確定因果強(qiáng)度，對(duì)最終因果圖進(jìn)行量化，得到融合先驗(yàn)物理知識(shí)的因果圖；

37、將所述融合先驗(yàn)物理知識(shí)的因果圖作為先驗(yàn)知識(shí)，引入深度學(xué)習(xí)算法中，指導(dǎo)特征提取和因果表示學(xué)習(xí)，通過(guò)因果注意力機(jī)制，根據(jù)因果結(jié)構(gòu)自適應(yīng)調(diào)整環(huán)境因素的權(quán)重；

38、在預(yù)測(cè)階段，基于環(huán)境因素的權(quán)重，利用因果干預(yù)和反事實(shí)推理，確定環(huán)境因素對(duì)流動(dòng)模式的影響，輸出流動(dòng)軌跡和混合過(guò)程，以及對(duì)應(yīng)的預(yù)測(cè)依據(jù)。

39、在一種可選的實(shí)施例中，

40、所述溫度控制尋優(yōu)算法包括：

41、以基于時(shí)間點(diǎn)的溫度設(shè)定值組成的溫控曲線作為個(gè)體，隨機(jī)選擇個(gè)體，構(gòu)建初始種群；

42、以初始種群作為當(dāng)前種群，對(duì)當(dāng)前種群中的每條溫控曲線計(jì)算能耗和制冷效率目標(biāo)函數(shù)值，根據(jù)非支配關(guān)系對(duì)當(dāng)前種群進(jìn)行排序，得到排序結(jié)果，將當(dāng)前種群劃分為多個(gè)非支配解集，并對(duì)每個(gè)非支配解集中的個(gè)體計(jì)算擁擠度距離；

43、基于排序結(jié)果和擁擠度距離，從當(dāng)前種群中隨機(jī)選擇兩個(gè)個(gè)體，比較兩個(gè)個(gè)體的目標(biāo)函數(shù)值，得到優(yōu)勝者，確定父代個(gè)體，直到達(dá)到預(yù)設(shè)的父代數(shù)量，確定父代種群；

44、從所述父代種群中，按照預(yù)設(shè)的精英數(shù)量，選擇目標(biāo)函數(shù)值最大的父代個(gè)體，作為精英個(gè)體，固定保留；

45、對(duì)所述父代種群中的父代個(gè)體進(jìn)行交叉操作，隨機(jī)選擇兩個(gè)父代個(gè)體，通過(guò)交換父代個(gè)體對(duì)應(yīng)溫控曲線的部分時(shí)間點(diǎn)的溫度設(shè)定值，生成新的溫控曲線，確定交叉?zhèn)€體；

46、對(duì)父代個(gè)體進(jìn)行變異操作，隨機(jī)選擇一個(gè)父代個(gè)體，通過(guò)對(duì)父代個(gè)體對(duì)應(yīng)溫控曲線的隨機(jī)時(shí)間點(diǎn)的溫度設(shè)定值進(jìn)行隨機(jī)擾動(dòng)，生成新的溫控曲線，確定變異個(gè)體；

47、基于當(dāng)前迭代輪次，動(dòng)態(tài)調(diào)整交叉概率和變異概率，基于交叉?zhèn)€體和變異個(gè)體，隨機(jī)選擇多個(gè)個(gè)體，依次設(shè)定為退火個(gè)體，通過(guò)模擬退火算法進(jìn)行局部搜索優(yōu)化，在所述退火個(gè)體對(duì)應(yīng)的鄰域內(nèi)搜索能耗最低或制冷效率最高的個(gè)體，確定局部?jī)?yōu)化個(gè)體，替換對(duì)應(yīng)的退火個(gè)體；

48、基于精英個(gè)體、交叉?zhèn)€體、變異個(gè)體和局部?jī)?yōu)化個(gè)體，確定新種群，以新種群作為當(dāng)前種群，開始新一輪迭代，直到達(dá)到預(yù)設(shè)的迭代次數(shù)，得到最優(yōu)溫控曲線。

49、本發(fā)明實(shí)施例的第二方面，

50、提供一種基于溫度監(jiān)測(cè)的機(jī)房能耗優(yōu)化系統(tǒng)，包括：

51、第一單元，用于通過(guò)布設(shè)在機(jī)房?jī)?nèi)部多個(gè)區(qū)域的溫度傳感器陣列，實(shí)時(shí)采集機(jī)房的溫度數(shù)據(jù)，結(jié)合光纖分布式溫度傳感系統(tǒng)，連續(xù)監(jiān)測(cè)各區(qū)域的溫度梯度，將所述溫度數(shù)據(jù)和所述溫度梯度融合處理，構(gòu)建機(jī)房?jī)?nèi)部的三維動(dòng)態(tài)溫度分布模型；

52、第二單元，用于基于所述三維動(dòng)態(tài)溫度分布模型，通過(guò)深度學(xué)習(xí)算法對(duì)機(jī)房的熱點(diǎn)區(qū)域、氣流死角及冷量浪費(fèi)區(qū)域進(jìn)行識(shí)別，結(jié)合機(jī)房布局和設(shè)備分布，通過(guò)軌跡回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)冷熱空氣在機(jī)房?jī)?nèi)的流動(dòng)軌跡和混合過(guò)程，通過(guò)自適應(yīng)神經(jīng)模糊推理，校正和更新預(yù)測(cè)結(jié)果，生成機(jī)房溫控策略集合；

53、第三單元，用于基于所述機(jī)房溫控策略集合，以最小化能耗和最大化制冷效率為優(yōu)化目標(biāo)，以機(jī)房設(shè)備安全運(yùn)行溫度范圍為約束條件，通過(guò)溫度控制尋優(yōu)算法，對(duì)機(jī)房制冷系統(tǒng)的多個(gè)參數(shù)進(jìn)行聯(lián)合調(diào)整，迭代求解得到最優(yōu)溫控曲線，將最優(yōu)溫控曲線轉(zhuǎn)化為制冷系統(tǒng)控制指令，實(shí)現(xiàn)機(jī)房的溫度與能耗協(xié)同優(yōu)化。

54、本發(fā)明實(shí)施例的第三方面，

55、提供一種電子設(shè)備，包括：

56、處理器；

57、用于存儲(chǔ)處理器可執(zhí)行指令的存儲(chǔ)器；

58、其中，所述處理器被配置為調(diào)用所述存儲(chǔ)器存儲(chǔ)的指令，以執(zhí)行前述所述的方法。

59、本發(fā)明實(shí)施例的第四方面，

60、提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序指令，所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)前述所述的方法。

61、本發(fā)明實(shí)施例中，利用多個(gè)傳感器和光纖系統(tǒng)實(shí)現(xiàn)全方位、連續(xù)的溫度數(shù)據(jù)采集，確保監(jiān)測(cè)精度和時(shí)效性；通過(guò)實(shí)時(shí)監(jiān)測(cè)溫度梯度，能夠捕捉機(jī)房?jī)?nèi)溫度隨時(shí)間的動(dòng)態(tài)變化，生成更真實(shí)的溫度分布模型；構(gòu)建的三維溫度分布模型為后續(xù)優(yōu)化機(jī)房溫控策略提供了基礎(chǔ)，有助于提高冷卻效率、降低能耗；模型可以有效識(shí)別溫度異常區(qū)域，便于及時(shí)調(diào)整溫控方案；通過(guò)深度學(xué)習(xí)算法精準(zhǔn)識(shí)別機(jī)房的熱點(diǎn)區(qū)域、氣流死角及冷量浪費(fèi)區(qū)域，提升了對(duì)機(jī)房溫度和能耗分布的感知能力；結(jié)合機(jī)房布局和設(shè)備分布，通過(guò)軌跡回歸神經(jīng)網(wǎng)絡(luò)準(zhǔn)確預(yù)測(cè)冷熱空氣的流動(dòng)軌跡和混合過(guò)程，增強(qiáng)了對(duì)機(jī)房?jī)?nèi)空氣流動(dòng)的理解；通過(guò)自適應(yīng)神經(jīng)模糊推理校正預(yù)測(cè)結(jié)果，確保了溫控策略的精確性和動(dòng)態(tài)適應(yīng)性，最終生成的機(jī)房溫控策略集合能夠有效優(yōu)化機(jī)房溫度控制，提高了制冷效率并降低了能耗；通過(guò)最小化能耗和最大化制冷效率，能夠在保證機(jī)房設(shè)備正常運(yùn)行的情況下，最大限度地減少能源消耗，提高制冷系統(tǒng)的整體效率；通過(guò)溫度控制尋優(yōu)算法對(duì)制冷系統(tǒng)的多個(gè)參數(shù)進(jìn)行聯(lián)合調(diào)整，能夠根據(jù)實(shí)際需求動(dòng)態(tài)生成最優(yōu)的溫控曲線，實(shí)現(xiàn)對(duì)機(jī)房溫度的精準(zhǔn)控制；將優(yōu)化得到的最優(yōu)溫控曲線轉(zhuǎn)化為制冷系統(tǒng)控制指令，實(shí)現(xiàn)對(duì)制冷系統(tǒng)的自動(dòng)化管理和調(diào)整，提高機(jī)房溫度控制的智能化水平。