CN119439751A 一种适应设备老化的数据中心冷却系统动态控制方法 （华东交通大学）

一种适应设备老化的数据中心冷却系统动开了一种适应设备老化的数据中心冷却系统动能耗模型预测值偏离实际运行值达到一定阈值2其中，冷负荷计算包括计算机房逐时围护结构传热量、服务,,,3将收集的数据进行预处理，先去除因为外界不可抗力因素如设,照7：3的比例分为训练集和验证集；使用Python中sklearn.metrics库中导入mean_,,,,,其中mctw和冷却塔的出水温度Tcw_ou模型包含两层LSTM层和一个全连接层，为了防止过拟合，在LSTM层之后添加Dropout4,,根据构建的LSTM模型对设备进行实时预测；使用过去n个小时冷却塔的冷却水出水温通过实时监测冷却塔的出水温度和回水温度、冷水供水温度和出水温这一过程不仅促进了模型与控制策略的持续优化，还确保了设备能够在最佳状态下运行；至恢复到标准工况要求为止；并采用一种先进的滚动更新机制来不断改进驱动设备模型；,,其中是冷水机组的预测能耗，delta_T是液7mow是流进冷水机组的液体质量，单位kg/s，au和az模型训练得出权重参数和偏差；该机制基于收集到的设备实时运行参数，利用深度学习算法重新训练原有模型结构，56能源的需求也日益增长。传统的数据中心能源管理方式往往采用静态或粗放的控制策略，种控制策略应当能够实时监测数据中心的运行状态，准确预测设备和能源需求的变化趋[0005]基于上述需求，本发明提出一种适应设备老化的数据中心冷却系统动态控制方[0006]本发明旨在解决数据中心传统冷却系统因设备老化导致的预测不准确和能耗偏阈值时，运用深度学习中的长短时记忆网络（LSTM）模型滚动式迭代更新设备能耗模型。7方法计算空调末端的制冷量Qcrah；冷源模块计算冷却塔的制冷量Qctw、冷水机组的冷量实时采集设备关键运行数据，冷却塔的冷却水出水温度Tcw_out、冷却塔回水温度Tcw_in采用冷却效率作为冷却塔的性能的评价指标，冷却效率E的计算采取下列公式计,,8,,集按照7：3的比例分为训练集和验证集；使用Python中sklearn.metrics库中导入mean_,,,,,i9模型包含两层LSTM层和一个全连接层，为了防止过拟合，在LSTM层之后添加,,根据构建的LSTM模型对设备进行实时预测；使用过去n个小时冷却塔的冷却水出水温度Tcw_out，冷却塔的冷却水回水温度Tcw_in、冷水的供水温度Tch_in、冷水的回水温度,,方法计算空调末端的制冷量Qcrah；冷源模块计算冷却塔的制冷量Qctw、冷水机组的冷量实时采集设备关键运行数据，冷却塔的冷却水出水温度Tcw_out、冷却塔回水温度Tcw_in采用冷却效率作为冷却塔的性能的评价指标，冷却效率E的计算采取下列公式计,,,,集按照7：3的比例分为训练集和验证集；使用Python中sklearn.metrics库中导入mean_,,,,,i模型包含两层LSTM层和一个全连接层，为了防止过拟合，在LSTM层之后添加,,根据构建的LSTM模型对设备进行实时预测；使用过去n个小时冷却塔的冷却水出水温度Tcw_out，冷却塔的冷却水回水温度Tcw_in、