[发明专利]一种基于人工智能优化机房能耗效率的装置

权利要求书

1.一种基于人工智能优化机房能耗效率的装置，其特征在于，包括感知装置、自动学习装置、控制逻辑装置和控制装置；

感知装置为机柜运行状态数据的监察装置，通过温度采集设备获取机柜运行状态数据、制冷设备运行功率数据，所述机柜运行状态数据反应机柜的实时运行情况；

自动学习装置执行一套基于人工智能的自动学习方法，基于人工智能的强化学习理论，自动从机柜运行状态数据与制冷数据学习生成控制策略，该装置通过持续学习机柜运行状态数据不断优化控制策略，该装置学习的目标是找到最优控制策略；自动学习装置的输入状态包括机柜运行状态数据、制冷设备运行功率数据；自动学习装置可执行的操作是调整制冷设备运行功率；自动学习装置的学习过程包括以下步骤：

步骤1、初始化自动学习装置

初始化自动学习装置需要明确定义各项数据指标，包括制冷设备组件数量，制冷设备组件运行功率范围，机柜运行状态数据采集点个数，警戒温度阈值；使用随机化方法为自动学习装置初始化一个控制策略；确定一个奖励函数评价机柜运行状态优劣；自动学习装置的奖励值由机柜运行状态和制冷设备运行功率共同决定；自动学习装置的奖励函数计算方法为：

其中HTi为制冷设备第i个机柜状态点温度高于警戒温度阈值的差值，FSj为制冷设备第j个制冷组件功率，w1为温度差异系数，w2为电力消耗系数；对于每个机柜温度，HTi计算方法为：

其中t为机柜状态点温度，Tmax为警戒温度阈值，警戒温度阈值由专家根据具体应用机房特点设定；

步骤2、自动学习装置在模拟环境学习

为防止直接在生产环境学习导致的服务器故障，自动学习装置必须首先在模拟环境学习，模拟环境是测试专用机房，学习装置在模拟环境中持续尝试各类操作、积累制冷数据、优化控制策略；

步骤3、自动学习装置在实际环境优化控制策略

当自动学习装置在模拟环境下学习一段时间，并且学习到可用控制策略后，可以应用到实际环境中；由于模拟环境与真实环境存在一些差异，自动学习装置在真实环境下仍需要继续学习不断优化策略；

控制策略优化方法为：自动学习装置通过人工神经网络拟合机柜运行状态、制冷设备运行功率、操作指令、奖励之间的关系，即状态行为值函数；状态行为值函数表示给定状态下采取指定操作的评估值，评估值越大表示该状态下选择该操作后得到的奖励值越多；状态行为值函数通过持续迭代进行优化，迭代公式为

q_π(s,a)＝E_π[R_t+1+λq_π(S_t+1,A_t+1)|S_t＝s,A_t＝a]

其中s为当前状态，a为当前采取的操作，q即为状态行为值函数，q_π(s,a)表示使用策略π，在状态s下采取a操作的评估估计值，q_π(S_t+1,A_t+1)表示使用策略π，在下一个状态使用最优操作的评估估计值，R_t+1为在当前状态下采取操作a之后获取的奖励值，λ为衰减因子，表示在状态s下采取a动作后对后续状态评估值的影响，为0到1之间实数值，自动学习装置持续选择操作，获取奖励值，使用奖励值来优化状态行为值函数；

自动学习装置优化探索的原则为：自动学习装置优化探索是指在特定条件下，在当前最优指令有限范围内尝试其他指令；为保证自动学习装置学习到的控制策略为最优策略，在控制策略生成控制指令时可以加入适当随机调节，控制策略能够学习更多的探索数据；当前最优指令是指当前策略根据实时状态得出的指令；当前最优指令为一组指令值，每个值对应制冷设备一个功率值；当前最优指令有限范围是指对各项设备调整的幅度范围，计算方法为：[opt-α*range,opt+α*range]其中opt为当前最优指令，range为功率范围，α为调整范围，此处α为5％；在最优指令有限范围内选择一个特定的指令，采用平均分布随机选择；

控制策略生成指令方法为：控制逻辑装置依赖状态行为值函数生成指令；在状态s下，对于任一操作a，状态行为值函数给出评估值qπ(s,a)，选择评估值最大的操作作为指令返回；状态行为值函数在特定状态将机柜运行状态数据的温度数据、制冷设备的实时功率数据输入到状态行为值函数中，状态行为值函数输出当前策略认为的最优指令；

控制逻辑装置内置一套控制策略，接收机柜运行状态数据，使用控制策略生成控制指令，根据机柜和制冷设备的运行状态数据动态调整制冷设备运行功率；

所述控制逻辑装置使用的策略为单个策略或多个策略的组合；当使用多个策略进行控制的时候确定每个策略的优先级，优先使用最高优先级策略生成的指令；

所述控制装置根据接收的控制指令改变制冷设备运行状态，将指令解析后调节制冷设备运行功率。