[发明专利]基于人工智能的机房空调控制方法、装置及系统

权利要求书

1.一种基于人工智能的机房空调控制方法，其特征在于，包括：

获取机房内设备的环境温度值和设备负载数据，每台设备的环境温度值为设置在该设备处的温度采集装置采集的；

将所述环境温度值和设备负载数据输入预设的神经网络模型，并将该神经网络模型的输出结果作为设置在所述机房内的至少一台空调的节能控制参数值；

根据所述节能控制参数值调整对应的空调当前的控制参数以使所述机房内的对应的各个设备的环境温度值符合预设的温度限制要求；

在所述将所述环境温度值和设备负载数据输入预设的神经网络模型之前，还包括：

获取所述机房内的空调的历史控制数据，其中，该历史控制数据包括：所述机房内设备的历史环境温度值、所述机房的历史设备负载数据和所述机房内的至少一台空调的历史节能控制参数值，还包括所述历史环境温度值、历史设备负载数据和历史节能控制参数值之间的对应关系；

应用所述历史控制数据对神经网络模型进行训练，直至所述神经网络模型的损失函数收敛。

2.根据权利要求1所述的机房空调控制方法，其特征在于，所述应用所述机房内的空调的历史控制数据对神经网络模型进行训练之前，还包括：

将所述历史控制数据划分为两部分，一部分作为训练集，另一部分作为验证集；

相对应的，所述应用所述历史控制数据对神经网络模型进行训练，直至所述神经网络模型的损失函数收敛，包括：

对所述神经网络的神经元参数进行赋值；

应用所述历史控制数据对神经元参数赋值后的神经网络模型进行训练，并对该训练过程进行至少一次迭代过程，直至所述神经网络模型的损失函数收敛。

3.根据权利要求2所述的机房空调控制方法，其特征在于，所述应用所述机房内的空调的历史控制数据对神经网络模型进行训练，还包括：

基于前向传播计算，应用所述训练集对神经元参数赋值后的神经网络进行层级间的关系运算，并获得对应的损失函数；

基于反向传播计算，应用所述训练集对完成所述层级间的关系运算及损失函数的获取的神经网络进行误差计算，优化神经元参数。

4.根据权利要求1所述的机房空调控制方法，其特征在于，所述空调为水冷空调，相对应的，所述节能控制参数值包括：所述水冷空调的风速控制参数值和水量控制参数值。

5.根据权利要求1所述的机房空调控制方法，其特征在于，所述空调为风冷空调，相对应的，所述节能控制参数值包括：所述风冷空调的压缩机功率参数值和风速控制参数值。

6.根据权利要求1所述的机房空调控制方法，其特征在于，所述获取机房内设备的环境温度值和设备负载数据，包括：

接收分别设置在所述机房内设备的至少一个温度采集装置采集的各个所述设备的当前环境温度值。

7.根据权利要求1至6任一项所述的机房空调控制方法，其特征在于，所述的神经网络包含有多层隐藏层，且每一个隐藏层中均包含有多节点。

8.一种基于人工智能的机房空调控制装置，其特征在于，包括：

数据采集模块，用于获取机房内设备的环境温度值和设备负载数据，每台设备的环境温度值为设置在该设备处的温度采集装置采集的；

温控模块，用于所述设备的环境温度值和设备负载数据输入预设的神经网络模型，并将该神经网络模型的输出结果作为设置在所述机房内的至少一台空调的节能控制参数值；

空调调整模块，用于根据所述节能控制参数值，调整对应的空调当前的控制参数值以使所述机房内的对应的各个设备的环境温度值符合预设的温度限制要求；

所述的基于人工智能的机房空调控制装置，还包括：

获取模块，用于获取所述机房内的空调的历史控制数据，其中，该历史控制数据包括：所述机房内设备的历史环境温度值、所述机房的历史设备负载数据和所述机房内的至少一台空调的历史节能控制参数值，还包括所述历史环境温度值、历史设备负载数据和历史节能控制参数值之间的对应关系；

训练模块，用于应用所述历史控制数据对神经网络模型进行训练，直至所述神经网络模型的损失函数收敛。