[发明专利]基于数据分析的云计算数据中心精密空调节能控制方法

权利要求书

1.一种基于数据分析的云计算数据中心精密空调节能控制方法，其特征在于，包括如下步骤：

步骤S1：利用历史上采样数据，构建初始训练数据集；定义每两个相邻采样时刻间的时段为一个采样周期，在每一个采样周期上定义一个预测周期，预测周期的长度为温差预测模型的预测深度，预测周期初始时刻为同一采样周期初始时刻；其中，将预测周期初始时刻时云服务器的热源数据、水冷精密空调的控制量数据作为模型输入数据，将同一预测周期结束时刻时的实测的传感器温差作为模型输出数据，来构建初始训练数据集；所述热源数据包括云服务器部件的性能数据与温度数据，所述控制量数据包括电动水阀开度与空调频率，所述传感器温差为水冷精密空调的回风位置温度与出风位置温度的差值；所述实测的传感器温差为水冷精密空调的实测的回风位置温度与实测的出风位置温度的差值；

步骤S2：对所述初始训练数据集进行预处理；

步骤S3：使用预处理后的初始训练数据，对贝叶斯线性回归模型进行初始训练，得到初始温差预测模型；

步骤S4：获取新增训练数据集；其中，所述新增训练数据集包括：云服务器在当前采样周期初始时刻结束的预测周期初始时刻时的热源数据、水冷精密空调在当前采样周期初始时刻结束的预测周期初始时刻时的控制量数据、机房在当前采样周期初始时刻结束的预测周期结束时刻的实测的传感器温差；

步骤S5：对所述新增训练数据集进行预处理；

步骤S6：使用预处理后的新增训练数据集以增量的方式，对贝叶斯线性回归模型进行在线的增量训练；

步骤S7：基于当前的贝叶斯线性回归模型，通过预测当前采样周期上定义的预测周期结束时刻时的传感器温差，寻找电动水阀开度与空调频率的最优组合并采用实施；其中，遍历当前采样周期上定义的预测周期结束时刻的预测的传感器温差，所述当前采样周期上定义的预测周期结束时刻的预测的传感器温差是根据当前采样周期初始时刻的热源数据与档位组合集合中的各个元素作为当前贝叶斯线性回归模型的输入分别得到的，然后按照小于且最接近目标温差阈值的预测的传感器温差所对应的元素重新设置水冷精密空调在当前采样周期内的电动水阀开度与空调频率；其中，所述档位组合集合是不同档位的电动水阀开度与不同档位的空调频率之间两两配对所得到的组合作为元素的全集；

步骤S8：判断流程是否结束；若是，则流程结束；若否，则针对当前采样周期的下一个采样周期跳回步骤S4继续执行。

2.根据权利要求1所述的基于数据分析的云计算数据中心精密空调节能控制方法，其特征在于，步骤S1中的所述性能数据包括如下任一种或任多种数据：

-机房每台云服务器节点的风扇转速；

-机房每台云服务器节点的CPU频率；

-机房每台云服务器节点的内存使用率；

所述温度数据包括如下任一种或任多种数据：

-机房每台云服务器节点的进风温度；

-机房每台云服务器节点的出风温度；

-机房每台云服务器节点的CPU温度；

-机房每台云服务器节点的GPU温度。

3.根据权利要求1所述的基于数据分析的云计算数据中心精密空调节能控制方法，其特征在于，所述步骤S2和步骤S5包括如下步骤：

数据清洗步骤：如果在采样时刻获得的采样数据项的值为空缺值，使用该数据项的历史平均值填充空缺值；

归一化步骤：对于每一个数据项，将所述步骤S1中定义的初始训练集中数据项的最小值、最大值分别记为、，将数据项的原始值映射成近似在区间[0,1]中的新值，其公式为：

权重调整步骤：将时间较远的训练样本设定为对所述贝叶斯线性回归模型的贡献较低，贡献权重所对应的线性函数为：

其中，表示关于时间的贡献权重，表示用来调整贡献权重随时间增长的速率的参数，表示当前采样时刻，表示历史第一次采样时刻，；

数据项的值经权重调整为新值,其公式为：

将训练样本中每一数据项经预处理后获得的数据项的值合并为预处理后训练样本作为步骤S3中贝叶斯线性回归初始训练和步骤S6中贝叶斯线性回归增量训练的输入。