[发明专利]一种使用深度迁移学习实现数据中心节能温控的方法

说明书

本发明公开了一种使用深度迁移学习实现数据中心节能温控的方法，该是通过基于深度迁移学习的DSDA算法来解决节能温控问题；该方法采用LSTM S2S模型，将能耗看作一个时间序列的预测问题，并将某一个拥有充足历史数据的数据中心A做为源数据，用数据中心A的数据集训练LSTM S2S，再将训练好的参数移植在其他数据中心B，最后通过数据中心B的少量历史数据，对参数进行微调。本发明提供的方法用于数据中心，基于节能和温度的DSDA算法，既可以满足温度要求，又可以最小化暖通空调系统的消耗，并且能够避免传统节能温控系统都过于依赖数学模型的搭建的问题。

技术领域

本发明涉及一种用于数据中心的节能温控的方法，具体地，涉及一种使用深度迁移学习实现数据中心节能温控的方法。

背景技术

数据中心需要设置供暖，通风和空调(HVAC；Heating，Ventilation and AirConditioning；暖通空调系统)，但HVAC非常耗能，可占数据中心基础消耗总数的15％。因此，设计出既节能又能满足温度需求的控制系统至关重要。但是，实现起来却具有挑战性，因为它涉及各种影响建筑环境中的因素，满足所有要求通常很难，并且可能因情况而异。同时，现有的节能温控模型都十分依赖环境建模的准确性，当环境复杂或多变的情况下，节能温控模型的效果都会大打折扣。

大部分现有的温度控制系统都是基于模型算法，将环境信息用数学建模的形式植入在控制中，但是不稳定性及模型错误始终是难以解决的问题。Model Predict Control(MPC，模型预测控制)作为模型算法中高效的算法之一，其效率直接与建模准确性挂钩。但在复杂的环境和多种影响因子的情况下，建模准确性降低，MPC的效率也大打折扣。同时模型算法通用化比较差，每个模型需要根据环境进行特殊定制。

随着人工智能的广泛运用，出现了很多由数据驱动的模型，例如机器学习，深度学习。有了数据驱动模型，就无需为控制系统植入一个固定的预设环境，而是由机器学习或深度学习来学习历史数据、模拟出每个时段合适的算法环境。但是数据驱动模型也有明显缺点，首先是每次都要模拟出新的环境，导致花费大量时间在环境计算上；其次对于历史数据不够充足的新建筑，模型的训练不完善，性能将会收到很大影响。

迁移学习在近几年收到广泛关注，并且已有很多成熟应用。如果能用一个训练好的模型移植到任何情况里，这样就能减少每次计算量和历史数据需求。

发明内容

本发明的目的是提供一种用于数据中心的节能温控的方法，基于深度迁移学习的DSDA方法来解决节能温控问题，既可以满足温度要求，又可以最小化HVAC消耗。

上述的使用深度迁移学习实现数据中心节能温控的方法，其中，其中，所述的方法是通过基于深度迁移学习的DSDA算法来解决节能温控问题；该方法采用LSTM S2S模型，将能耗看作一个时间序列的预测问题，并将某一个拥有充足历史数据的数据中心A做为源数据，用数据中心A的数据集训练LSTM S2S，再将训练好的参数移植在其他数据中心B，最后通过数据中心B的少量历史数据，对参数进行微调。

上述的使用深度迁移学习实现数据中心节能温控的方法，其中，所述的方法包含：步骤1，使用同一数据中心A的大量历史数据来预先训练LSTMS2S；步骤2，将训练好的参数使用在另一数据中心B当作初始变量；步骤3，用数据中心B的少量历史数据来对变量进行微调。

上述的使用深度迁移学习实现数据中心节能温控的方法，其中，所述的方法中进行LSTM S2S训练，模型输入量为D_s为数据中心A的历史数据，每一个都被编译成一个向量，最终状态由表达，c是编码器隐藏层LSTM单元的数量，作为现在衡量标准下的激活解码器y₀初始状态；模型输出量为在每一次更新中，解码器将预测值传递给下一阶段。