本發(fā)明涉及空調(diào)，尤其涉及一種機房空調(diào)控制方法、裝置及可讀存儲介質(zhì)。

背景技術(shù)：

1、隨著時代的發(fā)展，數(shù)據(jù)服務在指數(shù)級別的增長，為保障服務的安全運行，底端服務器所處的機房環(huán)境尤為重要，因此需要保證機房穩(wěn)定的環(huán)境，以確保設備的正常運行，其中機房的空調(diào)系統(tǒng)是維持正常環(huán)境的關(guān)鍵組成部分，但是，機房能源的消耗通常較高，因此需要尋找方法來優(yōu)化空調(diào)系統(tǒng)以降低能耗消耗。

2、傳統(tǒng)的機房空調(diào)系統(tǒng)通常采用定時控制或溫度設定點控制，這些方法在一定程度上確保了機房的溫度穩(wěn)定，但存在一些問題。首先，這些方法通?；陟o態(tài)模型，無法適應機房內(nèi)部和外部環(huán)境的實時變化，可能導致能源浪費或不足。其次，機房工作負荷可能會隨時間變化，需要更靈活的控制策略。

3、另一方面，機房空調(diào)的高能耗成本和環(huán)保問題也引發(fā)了節(jié)能的緊迫需求?，F(xiàn)有技術(shù)通常無法充分滿足這些需求，因此需要更智能、自適應的空調(diào)控制策略，以降低機房的能源消耗、維護成本和碳足跡。

技術(shù)實現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)的上述不足，提供一種機房空調(diào)控制方法、裝置及可讀存儲介質(zhì)，以至少解決傳統(tǒng)的機房空調(diào)系統(tǒng)通常采用定時控制或溫度設定點控制，存在無法適應機房內(nèi)部和外部環(huán)境的實時變化，容易導致能源浪費或不足的問題。

2、第一方面，本發(fā)明提供一種機房空調(diào)控制方法，所述方法包括：

3、基于歷史機房設備數(shù)據(jù)和對應的歷史配置數(shù)據(jù)提取與機房能耗相關(guān)的特征數(shù)據(jù)集，其中，所述特征數(shù)據(jù)集包括可調(diào)參數(shù)和不可調(diào)參數(shù)，所述不可調(diào)參數(shù)包括與機房環(huán)境相關(guān)的參數(shù)；

4、采用所述特征數(shù)據(jù)集訓練基于改進后的極端梯度上升xgboost算法的機房能耗模型，得到訓練好的機房能耗模型；其中，所述機房能耗模型以xgboost算法為基礎(chǔ)，引入基于動態(tài)特征重要性權(quán)重調(diào)整的特征選擇策略，在訓練過程中通過特征增益和累計貢獻更新特征的動態(tài)權(quán)重以篩選出對機房能耗影響最顯著的特征；

5、獲取未來預測時間段內(nèi)不可調(diào)參數(shù)的預測值；

6、根據(jù)所述不可調(diào)參數(shù)的預測值和訓練好的機房能耗模型尋找機房能耗最低且安全的空調(diào)調(diào)控策略；

7、根據(jù)所述空調(diào)調(diào)控策略下發(fā)調(diào)控命令到相應的空調(diào)設備。

8、進一步地，所述基于歷史機房設備數(shù)據(jù)和對應的歷史配置數(shù)據(jù)提取與機房能耗相關(guān)的特征數(shù)據(jù)集，具體包括：

9、采集歷史機房設備數(shù)據(jù)和對應的歷史配置數(shù)據(jù)；

10、對所述歷史機房設備數(shù)據(jù)和所述歷史配置數(shù)據(jù)進行關(guān)聯(lián)、合并和對齊，得到帶有時序信息的數(shù)據(jù)集；

11、利用暖通專家的經(jīng)驗，對所述帶有時序信息的數(shù)據(jù)集中的數(shù)據(jù)進行初步篩選以提取相關(guān)特征；

12、將提取了相關(guān)特征后的數(shù)據(jù)集進行重采樣，并移除異常數(shù)據(jù)；

13、通過皮爾森相關(guān)系數(shù)從移除了異常數(shù)據(jù)的數(shù)據(jù)集中提取與機房能耗相關(guān)的特征列，得到所述特征數(shù)據(jù)集。

14、進一步地，所述采集歷史機房設備數(shù)據(jù)和對應的歷史配置數(shù)據(jù)之后，所述方法還包括以下至少之一：

15、對所述歷史機房設備數(shù)據(jù)和所述歷史配置數(shù)據(jù)進行多重加密處理，并設置相應的訪問控制機制；

16、對所述歷史機房設備數(shù)據(jù)和所述歷史配置數(shù)據(jù)進行匿名化處理；

17、在所述歷史機房設備數(shù)據(jù)和所述歷史配置數(shù)據(jù)的傳輸過程中采用安全協(xié)議進行封裝。

18、進一步地，所述可調(diào)參數(shù)包括空調(diào)回風溫度設定值、空調(diào)回風濕度設定值和空調(diào)開關(guān)機狀態(tài)；所述不可調(diào)參數(shù)包括室外溫度、室內(nèi)溫感溫度和主設備功率。

19、進一步地，所述改進后的xgboost算法在基學習器的選擇上采用定制化設計，所述定制化設計允許模型根據(jù)數(shù)據(jù)復雜性和當前迭代階段動態(tài)調(diào)整決策樹深度，并引入針對能耗數(shù)據(jù)特性的自適應分裂準則；

20、所述改進后的xgboost算法通過機房歷史數(shù)據(jù)分布特性構(gòu)建參數(shù)與數(shù)據(jù)分布屬性之間的映射關(guān)系，將數(shù)據(jù)的波動性映射到學習率的設定，以及將特征間的相關(guān)性強弱映射到正則化項的選擇，并根據(jù)所述映射關(guān)系，生成所述機房能耗模型的初始參數(shù)值。

21、進一步地，所述獲取未來預測時間段內(nèi)不可調(diào)參數(shù)的預測值，具體包括：

22、獲取歷史預設時間段內(nèi)的室外溫度、室內(nèi)溫感溫度和主設備功率；

23、將所述歷史預設時間段內(nèi)的室外溫度、室內(nèi)溫感溫度和主設備功率輸入到訓練好的基于改進后的長短期記憶網(wǎng)絡lstm算法的時序預測模型，得到未來預測時間段內(nèi)室外溫度、室內(nèi)溫感溫度和主設備功率的預測值；

24、其中，所述時序預測模型包括依次連接的輸入層、卷積神經(jīng)網(wǎng)絡層、單向lstm層、注意力機制層、雙向lstm層、全連接層、集成學習層和輸出層。

25、進一步地，所述根據(jù)所述不可調(diào)參數(shù)的預測值和訓練好的機房能耗模型尋找機房能耗最低且安全的空調(diào)調(diào)控策略，具體包括：

26、以在保證機房環(huán)境溫度安全的情況下，實現(xiàn)最低能耗為優(yōu)化目標，根據(jù)所述不可調(diào)參數(shù)的預測值和訓練好的機房能耗模型利用遺傳算法尋找機房能耗最低且安全的空調(diào)調(diào)控策略。

27、進一步地，所述根據(jù)所述空調(diào)調(diào)控策略下發(fā)調(diào)控命令到相應的空調(diào)設備，具體包括：

28、通過動環(huán)監(jiān)控單元fsu下發(fā)調(diào)控命令到相應的空調(diào)設備。

29、第二方面，本發(fā)明提供一種機房空調(diào)控制裝置，所述裝置包括：

30、特征數(shù)據(jù)集提取模塊，用于基于歷史機房設備數(shù)據(jù)和對應的歷史配置數(shù)據(jù)提取與機房能耗相關(guān)的特征數(shù)據(jù)集，其中，所述特征數(shù)據(jù)集包括可調(diào)參數(shù)和不可調(diào)參數(shù)，所述不可調(diào)參數(shù)包括與機房環(huán)境相關(guān)的參數(shù)；

31、能耗模型訓練模塊，與所述特征數(shù)據(jù)集提取模塊連接，用于采用所述特征數(shù)據(jù)集訓練基于改進后的極端梯度上升xgboost算法的機房能耗模型，得到訓練好的機房能耗模型；其中，所述機房能耗模型以xgboost算法為基礎(chǔ)，引入基于動態(tài)特征重要性權(quán)重調(diào)整的特征選擇策略，在訓練過程中通過特征增益和累計貢獻更新特征的動態(tài)權(quán)重以篩選出對機房能耗影響最顯著的特征；

32、不可調(diào)參數(shù)獲取模塊，與所述能耗模型訓練模塊連接，用于獲取未來預測時間段內(nèi)不可調(diào)參數(shù)的預測值；

33、空調(diào)調(diào)控策略獲取模塊，與所述不可調(diào)參數(shù)獲取模塊連接，用于根據(jù)所述不可調(diào)參數(shù)的預測值和訓練好的機房能耗模型尋找機房能耗最低且安全的空調(diào)調(diào)控策略；

34、調(diào)控命令下發(fā)模塊，與所述空調(diào)調(diào)控策略獲取模塊連接，用于根據(jù)所述空調(diào)調(diào)控策略下發(fā)調(diào)控命令到相應的空調(diào)設備。

35、第三方面，本發(fā)明提供一種機房空調(diào)控制裝置，包括存儲器和處理器，所述存儲器中存儲有計算機程序，所述處理器被設置為運行所述計算機程序以實現(xiàn)上述第一方面所述的機房空調(diào)控制方法。

36、第四方面，本發(fā)明提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述第一方面所述的機房空調(diào)控制方法。

37、本發(fā)明提供的機房空調(diào)控制方法、裝置及可讀存儲介質(zhì)。首先基于歷史機房設備數(shù)據(jù)和對應的歷史配置數(shù)據(jù)提取與機房能耗相關(guān)的特征數(shù)據(jù)集，其中，所述特征數(shù)據(jù)集包括可調(diào)參數(shù)和不可調(diào)參數(shù)，所述不可調(diào)參數(shù)包括與機房環(huán)境相關(guān)的參數(shù)；然后采用所述特征數(shù)據(jù)集訓練基于改進后的極端梯度上升xgboost算法的機房能耗模型，得到訓練好的機房能耗模型；其中，所述機房能耗模型以xgboost算法為基礎(chǔ)，引入基于動態(tài)特征重要性權(quán)重調(diào)整的特征選擇策略，在訓練過程中通過特征增益和累計貢獻更新特征的動態(tài)權(quán)重以篩選出對機房能耗影響最顯著的特征；再獲取未來預測時間段內(nèi)不可調(diào)參數(shù)的預測值；并根據(jù)所述不可調(diào)參數(shù)的預測值和訓練好的機房能耗模型尋找機房能耗最低且安全的空調(diào)調(diào)控策略；最后根據(jù)所述空調(diào)調(diào)控策略下發(fā)調(diào)控命令到相應的空調(diào)設備。本發(fā)明能夠?qū)崿F(xiàn)更高效的機房空調(diào)節(jié)能策略，能夠根據(jù)實時數(shù)據(jù)實現(xiàn)機房空調(diào)的智能控制，以應對機房內(nèi)部和外部環(huán)境的變化，提高系統(tǒng)適應性和自適應性，并能最大程度降低人工維護的繁瑣。解決了傳統(tǒng)的機房空調(diào)系統(tǒng)通常采用定時控制或溫度設定點控制，存在無法適應機房內(nèi)部和外部環(huán)境的實時變化，容易導致能源浪費或不足的問題。