CN119272984B 基于温度监测的机房能耗优化方法及系统 （北京联物瑞达信息技术有限公司）

本发明提供一种基于温度监测的机房能耗目标，以机房设备安全运行温度范围为约束条2通过布设在机房内部多个区域的温度传感器阵列，实时采集机房的温度基于所述三维动态温度分布模型，通过深度学习算法对机房的热基于所述机房温控策略集合，以最小化能耗和最大化制冷效率通过布设在机房内部多个区域的温度传感器阵列，实时采集机房的温度获取机房内部多个区域温度传感器阵列的离散点温度数据和光纤分布式温度传感系对所述离散点温度数据和连续温度梯度数据进行时间序列分割，提取对每个时间片段中的离散点温度数据和连续温度梯度数据进行动态时在每个对齐时间片段中，提取离散点温度数据和连续温度将对齐时间片段的温度数据和空间配准的坐标信息融合，生成三维温对所述三维温度散点云进行流形学习，通过无监督学习模型提取三在对应的流形空间中，通过莫尔斯理论和持久同调，提取3基于所述最优尺度参数组合，在所述流形空间中构建一组多尺度通过最小化不同尺度下持久性度量之间的Wasserstein距离，建立所述拓扑特征在不通过多尺度卷积神经网络对跨尺度演化轨迹进行融合，将构建的三维动态温度分布模型转化为三维体素数据，输入至预先将机房内部划分为多个子区域，提取各子区域的温度和气流速将实时采集的温度数据、预测的流动轨迹和混合过程转化为模糊基于校准预测预测结果，结合问题区域识别结果，考虑机采用时间序列因果建模方法，分析不同环境因素时间序列之间的结合初步因果方向和预先获取的领域知识，构建多通过随机对照实验对所述因果图进行评估和修正，平衡将物理定律形式化为方程约束，将物理规则转化为最终因果图的4将所述融合先验物理知识的因果图作为先验知识，引入深度学习基于排序结果和拥挤度距离，从当前种群中随机选择两个个体对所述父代种群中的父代个体进行交叉操作，随机选择两个父对父代个体进行变异操作，随机选择一个父代个体，通过对父代5.基于温度监测的机房能耗优化系统，用于实现前述权利要求1_4中任一项所述的方第一单元，用于通过布设在机房内部多个区域的温度传感第二单元，用于基于所述三维动态温度分布模型，通过深度第三单元，用于基于所述机房温控策略集合，以最小化能5其中，所述处理器被配置为调用所述存储器存储的指令，以执行序指令被处理器执行时实现权利要求1至467[0013]获取机房内部多个区域温度传感器阵列的离散点温度数据和光纤分布式温度传[0016]在每个对齐时间片段中，提取离散点温度数据和连续温[0018]将对齐时间片段的温度数据和空间配准的坐标信息融合[0026]通过最小化不同尺度下持久性度量之间的Wasserstein距离，建立所述拓扑特征[0027]通过多尺度卷积神经网络对跨尺度演化轨迹进行融合，提取局部模式和全局模8自适应神经模糊推理系统，通过自适应学习算法对流动轨迹和混合过程进行校正和更新，[0037]采用时间序列因果建模方法，分析不同环境因素时间序[0039]通过随机对照实验对所述因果图进行评估和修正，平衡因果图的复杂度和解释9[0070]图1为本发明实施例基于温度监测的机房能耗优化方法的流程示意图，如图1所[0071]S101.通过布设在机房内部成更真实的温度分布模型；构建的三维温度分布模型为后续优化机房温控策略提供了基[0074]获取机房内部多个区域温度传感器阵列的离散点温度数据和光纤分布式温度传[0077]在每个对齐时间片段中，提取离散点温度数据和连续温[0079]将对齐时间片段的温度数据和空间配准的坐标信息融合[0093]由于离散点温度数据和连续温度梯度数据的采样频率和温度梯度数据分别进行非线性时间尺度变换，将不均匀的时间间隔转换为均匀的时间间[0094]对每个对齐时间片段内的离散点温度数据和连续温度梯度数据，提取其几何特[0104]利用拓扑特征，通过Delaunay三角化和Alpha形状算法构建三维温度散点云的初[0112]通过最小化不同尺度下持久性度量之间的Wasserstein距离，建立所述拓扑特征[0113]通过多尺度卷积神经网络对跨尺度演化轨迹进行融合，提取局部模式和全局模[0114]所述Wasserstein距离具体是指测量两个概率分布之间差异的一种度量方式。可[0123]计算不同尺度下拓扑特征持久性度量之间的Wasserstein距离；通过最小化归神经网络准确预测冷热空气的流动轨迹和混合过程，增强了对机房内空气流动的理解；回归神经网络预测冷热空气在机房内的流动轨迹和混合过程，通过自适应神经模糊推理，自适应神经模糊推理系统，通过自适应学习算法对流动轨迹和混合过程进行校正和更新，[0138]构建一个三维动态温度分布模型，它能够实时反映机房内部不同位置的温度变尺度卷积神经网络的优势在于它可以通过不同的卷积核大小来捕捉不同尺度的空间特征，[0144]将每个子区域的温度和气流速度特征进行时序上的整合，构建一个时空特征序[0146]使用真实采集到的温度分布数据作为条件，通过一个生成对抗网络(GAN)与时空[0156]采用时间序列因果建模方法，分析不同环境因素时间序[0158]通过随机对照实验对所述因果图进行评估和修正，平衡因果图的复杂度和解释个环境因素的时间序列是否能够预测另一个环境因素的变化，来判断它们之间的因果关[0167]通过比较每个候选因果图的得分，选择得分最高的因果图作为初步的因果结构[0179]约束条件是必须保证机房设备在安全运行的温度范围内。这意味着在优化过程数的时间序列传递给制冷系统的控制模块，确保系统可以按照优化后的参数进行实时调[0202]基于非支配排序结果和拥挤度距离，从当前种群中随机选择两个个体进行比