本發(fā)明涉及空調，尤其涉及一種機房空調控制方法、裝置及可讀存儲介質。

背景技術：

1、隨著時代的發(fā)展，數據服務在指數級別的增長，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，其中機房的空調系統(tǒng)是維持正常環(huán)境的關鍵組成部分，但是，機房能源的消耗通常較高，因此需要尋找方法來優(yōu)化空調系統(tǒng)以降低能耗消耗。

2、傳統(tǒng)的機房空調系統(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有技術通常無法充分滿足這些需求，因此需要更智能、自適應的空調控制策略，以降低機房的能源消耗、維護成本和碳足跡。

技術實現思路

1、本發(fā)明所要解決的技術問題是針對現有技術的上述不足，提供一種機房空調控制方法、裝置及可讀存儲介質，以至少解決傳統(tǒng)的機房空調系統(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控制方法，所述方法包括：

3、基于歷史機房設備數據和對應的歷史配置數據提取與機房能耗相關的特征數據集，其中，所述特征數據集包括可調參數和不可調參數，所述不可調參數包括與機房環(huán)境相關的參數；

4、采用所述特征數據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，引入基于動態(tài)特征重要性權重調整的特征選擇策略，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不可調參數的預測值；

6、根據所述不可調參數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調控策略；

7、根據所述空調調控策略下發(fā)調控命令到相應的空調設備。

8、進一步地，所述基于歷史機房設備數據和對應的歷史配置數據提取與機房能耗相關的特征數據集，具體包括：

9、采集歷史機房設備數據和對應的歷史配置數據；

10、對所述歷史機房設備數據和所述歷史配置數據進行關聯、合并和對齊，得到帶有時序信息的數據集；

11、利用暖通專家的經驗，對所述帶有時序信息的數據集中的數據進行初步篩選以提取相關特征；

12、將提取了相關特征后的數據集進行重采樣，并移除異常數據；

13、通過皮爾森相關系數從移除了異常數據的數據集中提取與機房能耗相關的特征列，得到所述特征數據集。

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

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

16、對所述歷史機房設備數據和所述歷史配置數據進行匿名化處理；

17、在所述歷史機房設備數據和所述歷史配置數據的傳輸過程中采用安全協議進行封裝。

18、進一步地，所述可調參數包括空調回風溫度設定值、空調回風濕度設定值和空調開關機狀態(tài)；所述不可調參數包括室外溫度、室內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數據復雜性和當前迭代階段動態(tài)調整決策樹深度，并引入針對能耗數據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據分布特性構建參數與數據分布屬性之間的映射關系，將數據的波動性映射到學習率的設定，以及將特征間的相關性強弱映射到正則化項的選擇，并根據所述映射關系，生成所述機房能耗模型的初始參數值。

21、進一步地，所述獲取未來預測時間段內不可調參數的預測值，具體包括：

22、獲取歷史預設時間段內的室外溫度、室內溫感溫度和主設備功率；

23、將所述歷史預設時間段內的室外溫度、室內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絡lstm算法的時序預測模型，得到未來預測時間段內室外溫度、室內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、卷積神經網絡層、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，所述根據所述不可調參數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調控策略，具體包括：

26、以在保證機房環(huán)境溫度安全的情況下，實現最低能耗為優(yōu)化目標，根據所述不可調參數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調控策略。

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

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

29、第二方面，本發(fā)明提供一種機房空調控制裝置，所述裝置包括：

30、特征數據集提取模塊，用于基于歷史機房設備數據和對應的歷史配置數據提取與機房能耗相關的特征數據集，其中，所述特征數據集包括可調參數和不可調參數，所述不可調參數包括與機房環(huán)境相關的參數；

31、能耗模型訓練模塊，與所述特征數據集提取模塊連接，用于采用所述特征數據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，引入基于動態(tài)特征重要性權重調整的特征選擇策略，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)權重以篩選出對機房能耗影響最顯著的特征；

32、不可調參數獲取模塊，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不可調參數的預測值；

33、空調調控策略獲取模塊，與所述不可調參數獲取模塊連接，用于根據所述不可調參數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調控策略；

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

35、第三方面，本發(fā)明提供一種機房空調控制裝置，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上述第一方面所述的機房空調控制方法。

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

37、本發(fā)明提供的機房空調控制方法、裝置及可讀存儲介質。首先基于歷史機房設備數據和對應的歷史配置數據提取與機房能耗相關的特征數據集，其中，所述特征數據集包括可調參數和不可調參數，所述不可調參數包括與機房環(huán)境相關的參數；然后采用所述特征數據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，引入基于動態(tài)特征重要性權重調整的特征選擇策略，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不可調參數的預測值；并根據所述不可調參數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調控策略；最后根據所述空調調控策略下發(fā)調控命令到相應的空調設備。本發(fā)明能夠實現更高效的機房空調節(jié)能策略，能夠根據實時數據實現機房空調的智能控制，以應對機房內部和外部環(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。