[发明专利]基于时序预测的机房温度调控方法

权利要求书

1.基于时序预测的机房温度调控方法，包括Informer模型的构建；

S1均时数据模块:测算定时机房内平均温度；

S2机房内环境温度：通过设备测量机房内的实时温度；

S3机房外环境温度：在通过设备测量机房外的实时温度；

S4机房外环境湿度：通过设备测量对应机房外的湿度；

S5机房空调：机房空调与IT设备处理处理进行连接，并进行对应温度的制冷或制热；

S6IT设备处理器：对S1、S2、S3和S4的数据进行处理，然后根据得到的信息分析出未来温度的变化，从而控制S5机房空调的温度实时控制。

2.根据权利要求1所述的基于时序预测的机房温度调控方法，其特征在于：步骤S1中机房内的平均温度，一般记录12个小时内的温度平均值，记为均时数据。

3.根据权利要求1所述的基于时序预测的机房温度调控方法，其特征在于：步骤S6中输出的未来温度的预测为未来6小时内的温度。

4.根据权利要求1所述的基于时序预测的机房温度调控方法，其特征在于：步骤S6中对数据的处理方法为：

深度学习算法部分：

在构建深度学习温度预测模型的具体流程如下：

首先要收集过去七天机房内的相关环境数据，包括机房内多个监控点的环境温度、机房内多个监控点的环境湿度、机房内IT设备的功率、机房外监控点的外界环境温度、机房外监控点的外界环境湿度；

训练方法：收集到数据后，环境温度、环境湿度数据进行平均处理后，将所有数据进行标准化处理，将温湿度数据和功率数据缩放均值为0，方差为1的分布，同时可以去掉量纲，使这些物理量能够输入到模型中；

数据处理完成输入到模型后，首先进行Multi-head ProbSparseself-attention编码器进行编码，它使用概率自注意取代了典型的自注意力机制；

对于正确的部分，进入Multi-head ProbSparse self-attention解码器，将目标元素填充为零，测量特征图的加权。

5.根据权利要求4所述的基于时序预测的机房温度调控方法，其特征在于：监控点信息通过温湿度传感器获取，IT设备的功率通过智能电压电表获取。

6.根据权利要求4所述的基于时序预测的机房温度调控方法，其特征在于：目前使用的深度学习方法是Informer算法，可以在相同的场景下使用不同的深度学习方法或者机器学习算法；

深度学习算法中的：RNN算法，LSTM算法；

机器学习算法中的：线性回归算法。