基于人工智能的机房空调控制方法、装置及系统与流程

本申请涉及空调控制技术领域，尤其涉及一种基于人工智能的机房空调控制方法、装置及系统。

背景技术：

针对数据中心机房的制冷方式通常采用房间级的送风空调系统，即以房间为单位对房间内设备所处环境进行温度调节，在这种制冷方式下，由于架空地板出风口可以自由调整，使得房间级的空调系统具备较强的送风布局调整能力。在机房中的it设备布局调整(尤其是塔式机机房的布局调整)时，空调系统能够容易的实现调整应对。因此，相对于行级空调等制冷方案，房间级的送风空调有着便于规划调整的优势。

在现有的房间级的送风空调系统的运行模式中，由于送风空调系统一般由多台机房空调共同制冷，每台空调通过自身的温度传感器探测传感器所在点的实际温度值，与其设定值进行比较，通过空调末端机内部的pid等控制算法控制，自动调整空调单机的制冷输出能力。即每台空调仅对传感器所在点的温度负责，通过下送风静压箱对整个机房进行“无状态化地均匀”制冷。

然而，由于机房制冷的核心目的是将每台服务器均进行有效散热，即需要控制每台服务器的进风口的温度，而“点控制”的空调系统难以达到要求。尤其在密度较高的机房中，在机房中的it设备的发热密度大且热密度不均匀变化的情况下，容易出现机房存在局部热点且同时存在局部过冷现象。甚至会出现部分空调在制冷同时，另一部分空调在制热的竞争运行状态，既不利于空调系统节能，又可能存在机房安全隐患。

技术实现要素：

针对现有技术中的问题，本申请提出了一种基于人工智能的机房空调控制方法，能够优化房间级空调温控能效，既达到节能减排的效果，又能够减少机房的安全隐患。

为了解决上述技术问题，本申请提供以下技术方案：

第一方面，本申请提供一种基于人工智能的机房空调控制方法，包括：

获取机房内设备的环境温度值和设备负载数据；

将所述环境温度值和设备负载数据输入预设的神经网络模型，并将该神经网络的输出结果作为设置在所述机房内的至少一台空调的节能控制参数值。

根据所述节能控制参数值调整对应的空调当前的控制参数以使所述机房内的对应的各个设备的环境温度值符合预设的温度限制要求。

进一步地，本申请提供一种基于人工智能的机房空调控制方法，还包括：

获取所述机房内的空调的历史控制数据，其中，该历史控制数据包括：所述机房内设备的历史环境温度值、所述机房的历史设备负载数据和所述机房内的至少一台空调的历史节能控制参数值，还包括所述历史环境温度值、历史设备负载数据和历史节能控制参数值之间的对应关系；

应用所述历史控制数据对神经网络模型进行训练。

进一步地，所述应用所述机房内的空调的历史控制数据对神经网络模型进行训练之前，还包括：

将所述历史控制数据划分为两部分，一部分作为训练集，另一部分作为验证集；

相对应的，所述应用所述历史控制数据对神经网络模型进行训练，包括：

对所述神经网络的神经元参数进行赋值；

应用所述历史控制数据对神经元参数赋值后的神经网络模型进行训练，并对该训练过程进行至少一次迭代过程，直至所述神经网络模型的损失函数收敛。

进一步地，所述应用所述机房内的空调的历史控制数据对神经网络模型进行训练，还包括：

基于前向传播计算，应用所述训练集对神经元参数赋值后的神经网络进行层级间的关系运算，并获得对应的损失函数；

基于反向传播计算，应用所述训练集对完成所述层级间的关系运算及损失函数的获取的神经网络进行误差计算，优化神经元参数。

进一步地，所述空调为水冷空调，相对应的，所述节能控制参数值包括：所述水冷空调的风速控制参数值和水量控制参数值。

进一步地，所述空调为水冷空调，相对应的，所述节能控制参数值包括：所述水冷空调的风速控制参数值和水量控制参数值。

进一步地，所述获取机房内设备的环境温度值和设备负载数据，包括：

接收分别设置在所述机房内设备的至少一个温度采集装置采集的各个所述设备的当前环境温度值。

进一步地，所述的神经网络包含有多层隐藏层，且每一个隐藏层中均包含有多节点。

第二方面，本申请提供一种基于人工智能的机房空调控制装置，包括：

数据采集模块，用于获取机房内设备的环境温度值和设备负载数据；

温控模块，用于所述设备的环境温度值和设备负载数据输入预设的神经网络模型，并将该神经网络模型的输出结果作为设置在所述机房内的至少一台空调的节能控制参数值；

空调调整模块，用于根据所述节能控制参数值，调整对应的空调当前的控制参数值以使所述机房内的对应的各个设备的环境温度值符合预设的温度限制要求。

第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述基于人工智能的机房空调控制方法的步骤。

第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现所述基于人工智能的机房空调控制方法的步骤。

第五方面，本申请提供一种基于人工智能的机房空调控制系统，包括：

分别设置在机房内多个设备处的温度采集装置、设置在该机房内至少一个空调，以及，所述的基于人工智能的机房空调控制装置；

所述基于人工智能的机房空调控制装置分别与所述温度采集装置和所述空调通信连接，以接收所述温度采集装置采集的各个所述设备的环境温度值，并将所述节能控制参数值发送至对应的空调控制系统。

进一步地，各个所述设备分别设置在对应的设有出风口的设备机柜中；

相对应的，各个温度采集装置分别设置在对应的各个所述出风口处。

由上述技术方案可知，本申请提供一种基于人工智能的机房空调控制方法、装置及系统。其中基于人工智能的机房空调控制方法通过获取机房内设备的环境温度值和设备负载数据；将所述环境温度值和设备负载数据输入预设的神经网络模型，并将该神经网络的输出结果作为设置在所述机房的至少一台空调的节能控制参数值；根据所述节能控制参数值调整对应的空调当前的控制参数以使所述机房内的对应的各个设备的环境温度值符合预设的温度限制要求。其中，所述神经网络模型根据机房内的空调的历史控制数据对给神经元参数随机赋值的神经网络训练得到，包括向前传播计算和向后传播计算。能够使每个温度采集装置采集的温度都符合服务器标准要求，避免出现局部过热的情况，影响服务器健康运行。使得本申请中的基于人工智能的机房空调控制方法相较于仅根据空调本身的单点温度探测器和温度固定设置值进行控制的方式的准确度和精细度更高，能够优化房间级空调温控能效，既达到节能减排的效果，又能够减少机房的安全隐患，进而达到空调能耗降低、减少机房安全隐患的目的。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请提供的基于人工智能的机房空调控制系统的结构示意图；

图2是本申请提供的神经网络模型结构示意图；

图3是本申请提供的神经网络模型中三层网络算法图；

图4是本申请应用实例的机房水冷空调控制系统中具体神经网络模型训练及应用过程的流程示意图；

图5是本申请实施例的一种基于人工智能的机房空调控制方法中的神经网络模型的应用过程的流程图；

图6是本申请实施例的一种基于人工智能的机房空调控制方法中的神经网络模型的训练过程的流程图；

图7是本申请实施例的一种基于人工智能的机房空调控制方法中步骤0011、0021及0022的流程示意图；

图8是本申请实施例的一种基于人工智能的机房空调控制装置的结构示意图；

图9是本申请实施例的一种基于人工智能的机房空调控制方法的服务器的硬件结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

现有的机房空调控制系统对空调机回风口给设定值，空调机内部控制算法控制空调回风口的实际温度跟踪设定值。但是由于机房气流组织受多个因素影响，机柜设备进风口温度无法达到满意的值，存在局部温度过高或局部温度过低的问题，甚至导致部分空调制冷部分空调制热的竞争运行状态。上述机房空调控制系统的智能化程度低、准确性差，不利于节能环保，也容易使机房生产安全存在隐患。

基于此，为了提高机房空调控制系统的智能化程度和准确性，考虑从改变使用传统温度控制算法的温度控制系统入手，将人工智能技术中的神经网络算法应用至机房空调控制系统中。随着电子信息技术的发展，机房的设备规模越来越大，所需获取的设备环境温度值和设备负载数据也越多，神经网络模型通过多次的训练，计算能力强，速度快，准确性高，能够处理大规模数据量的计算，根据神经网络模型的输出结果及时调整空调的节能控制参数值。为了训练准确性高的神经网络模型，该神经网络模型获取了大量的训练数据和验证数据，在训练的过程中不断优化该神经网络模型。同时，在应用所述神经网络模型的过程中也不断优化该神经网络模型。

为此，在本申请实例中提供了一种基于人工智能的机房空调控制系统，参见图1，该基于人工智能的机房空调控制系统包括：至少一台设有出风口的机柜101、设置在机柜内的至少一台设备102、分别设置在所述出风口的至少一个温度采集装置103、设置在该机房内的至少一台空调104、一种基于人工智能的机房空调控制装置，其中，该基于人工智能的机房控制装置可以是所述设置在机柜内的至少一台设备102。

基于上述内容，所述人工智能的机房控制装置可以是一种服务器，该服务器可以与所述机房内的至少一台空调104通信连接，同时与至少一个温度采样装置103通信连接。所述基于人工智能的机房控制装置可以获取机房内空调的历史控制数据，其中，该空调控制历史数据包括机房内设备的历史环境温度值、历史设备负载数据和该机房内的至少一台空调的历史节能控制参数值，以及，该机房内设备的历史环境温度值、历史设备负载数据和该机房内的至少一台空调的历史节能控制参数之间的对应关系。而后，所述基于人工智能的机房控制装置将所述机房内设备的历史环境温度值、历史设备负载数据输入神经网络模型进行训练，直至损失函数收敛。而后，上述基于人工智能的机房控制装置每隔一段将获取到的实时机房内设备环境温度值和设备负载数据输入训练得到的神经网络模型，获得神经网络模型输出的空调的节能控制参数值。而后，上述基于人工智能的机房控制装置对所述机房内的至少一台空调104进行参数控制，以使所述机房内对应的各个设备102的环境温度值符合预设的温度限制要求。

在实际应用中，上述神经网络模型的训练和应用的过程可以在上述基于人工智能的机房空调控制装置中执行。所述基于人工智能的机房空调控制装置可以是一种服务器，也可以为本申请一个或多个实施例所述的控制平台，具体可以根据所述神经网络模型的规模以及机房环境限制等进行选择，本申请对此不作限定。

上述机房内的空调104，可以是水冷空调、风冷空调等。若上述机房内的至少一台空调是水冷空调，所述节能控制参数值包括：所述水冷空调的风速控制参数值和水流量控制参数值。若上述机房内的至少一台空调是风冷空调，所述节能控制参数值包括：所述风冷空调的压缩机功率控制参数值和风速控制参数值。上述机房内的至少一台空调的具体形式，本申请对此不作限定。

在实际应用中，所述预设的温度限制要求是人为设置的一个温度值，所述机房内设备在该环境温度值下，均可以正常工作。并且，所述机房内至少一台空调的节能控制参数值是在符合所述预设的温度限制要求下，最小的节能控制参数值。

所述的设备温度采集装置103位于对应的各个设备机柜的通风口，对于所述一种基于人工智能的机房控制方法适用于所述机房内至少一台设备、机房内至少一台空调和至少一个设备的温度采集装置。

在本申请的一个或多个实施例中，所述神经网络通用结构如图2所示，可以依次包含有输入层、隐藏层和输出层。每一层可以有多个节点。结构图中，圆圈代表神经元，连接线代表神经元之间的连接。每个连接线对应一个不同的权重，权重是需要通过训练得到的。图2的神经网络通用结构由输入层+若干隐藏层+输出层组成。

为了能够更加有效的提高机房空调控制系统的准确性，具体的可以通过所述神经网络模型训练及应用过程，虽然本申请提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本申请实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的设备温度采集装置、机房空调控制装置或至少一台空调在应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。

基于上述一种基于人工智能的机房空调控制系统，本申请实施例可以通过机房空调控制装置执行神经网络的训练过程，并通过所述设备温度采集装置103、机房内至少一个空调104、机房空调控制装置执行机房空调控制过程，下面对应用本申请实施例所述的一种基于人工智能的机房空调控制系统执行神经网络训练过程以及机房空调控制系统的应用场景进行说明。并应用一种基于人工智能的机房水冷空调控制的方法的具体应用实例进行说明。

(一)训练神经网络模型

为了提高神经网络模型输出值的准确性，进而提高机房空调控制系统的准确性，本实施例提供一种应用所述基于人工智能的机房空调控制装置进行神经网络模型训练的方式，所述神经网络模型的训练方式通过历史数据t和w训练模型f，如下公式所示：

f(t)＝w

所述神经网络模型的训练方式包含有共计8个步骤，具体包括如下内容：

s11-获取历史控制数据：

获取所述机房内的至少一台空调104的历史控制数据，其中，该历史控制数据包括：所述机房内设备的历史环境温度值、所述机房的历史设备负载数据和历史节能控制参数值，还包括所述历史环境温度值、历史设备负载数据和历史节能控制参数值之间的对应关系。

上述历史环境温度值、历史设备负载数据和历史节能控制参数值之间的对应关系，是统一的非线性关系函数。利用所述统一的非线性关系函数，得到所述预设的温度限制要求下，机房内各空调的最小节能控制参数值。

s12-对历史数据进行划分：

将所述控制历史数据划分为两部分，一部分作为训练集，另一部分作为验证集。在训练过程中随机打乱序列数据，避免训练和测试数据分布不合理。

应用所述训练集和所述验证集对神经元参数赋值后的神经网络模型分别进行训练和验证，并对该训练和验证过程执行至少一次的迭代运算，直至所述神经网络模型的损失函数收敛。

s13-对数据进行预处理：

为了避免数据取值范围差异太大，应用所述基于人工智能的机房空调控制装置对输入的历史机房内设备的环境温度值和历史设备负载数据进行预处理。所述预处理的方式可以有很多种，比如归一化、标准化和正则化方式等方式中的任意一种或任意组合，本申请对预处理的方式不作限定。

s14-随机初始化：

在神经网络模型开始训练前，先随机给神经元参数赋值。

s15-向前传播计算：

主要用于神经网络层级间的关系运算，应用所述训练集的特征值对神经元参数赋值后的神经网络进行层级间的关系运算，并获得对应的损失函数；每层的输入由上一层的输出和模型参数确定，通过前向传播算法计算出模型的输出hθ(x)，其中代表第l层第j个节点的激活函数，θ^l代表对应第l层至第l+1层权重矩阵。运算公式如下：

其中，表示输入至隐藏层之间的权重。激活函数g(z)表示神经元对节点输入值映射至输出[0，1]范围间的值，通常以sigmoid函数表示g(z)＝1/(1+e^-z)。

s16-计算损失函数j(θ)：

损失函数用于衡量模型训练时每次迭代后误差值，通常用预测值和实际值的平方差来表示。如线性回归问题，损失函数表示为：

其中，hθ(x)是预测输出值，y是实际值，m表示训练样本数，l表示神经网络层数，n表示节点数，正则化参数λ用于平衡模型精度与过拟合直接。

s17-判断是否已收敛：

判断损失函数是否已收敛，已收敛则结束所述神经网络的训练过程；若未收敛，进行反向传播计算。

s18-反向传播计算：

应用所述训练集对完成所述层级间的关系运算及损失函数的获取的神经网络进行误差计算，优化神经元参数，从而使得预测值和真实值之间的差距越来越小。

在完成损失函数j(θ)计算后，误差项δ反向传播至每一层，用于优化模型参数θ。输出层的误差定义为计算预测值hθ(x)与实际值y。对于三层神经网络如图3所示，输出层与隐藏层的误差计算如下：

δ³＝a³-y

δ²＝(θ²)^tδ³.*g'(z²)＝(θ²)^tδ³.*[a².*(1-a²)]

其中g'(z)表示激活函数的导数。g'(z)是表达式a.*(1-a)的简化表达。对于输入层没有误差项。每层的梯度向量d^l计算过程如下：

△^l＝△^l+δ^(l+1)a^l

j≠0时，

j＝0时，

其中，△^l初始为零向量。重复步骤s15至步骤s18，迭代多次直至收敛，使损失函数j(θ)足够小。在重复步骤s15至步骤s18间下一次迭代前，d^l加至θ^l上更新每层模型参数。

(二)应用训练的神经网络模型

为了能够更加提高应用机房空调控制系统的准确性，进而提高机房空调控制系统的准确性，本实例提供一种应用所述机房空调控制装置、所述机房内至少一台空调和所述设备的至少一个温度采样装置之间的数据交互来应用预设的神经网络模型进行机房空调控制的方式，该方式包含有共计四个步骤，具体包括如下内容：

s21-获取预测数据：

所述基于人工智能的机房空调控制装置获取所述机房内设备的温度采样装置采集的设备的环境温度值和设备负载数据。

s22-预处理预测数据：

根据实际应用的神经网络模型，在多种预处理方式中选取该神经网络模型对应的预处理方式对所述机房内设备的环境温度值和设备负载数据进行预处理。

s23-获得节能控制参数值：

将预处理后的所述环境温度值和设备负载数据输入预设的神经网络模型，并将该神经网络的输出结果作为设置在所述机房的至少一台空调的节能控制参数值。

s24-调整对应的空调的控制参数：

根据所述节能控制参数值调整对应的空调当前的控制参数以使所述机房内的对应的各个设备的环境温度值符合预设的温度限制要求。

本申请的上述实施例通过获取设备的环境温度值和设备负载数据，获取设备的环境温度值和设备负载数据的预处理结果，将所述环境温度值和设备负载数据的预处理结果输入神经网络模型，并将该神经网络的输出结果作为设置在所述机房的至少一台空调的节能控制参数值，根据所述节能控制参数值调整对应的空调当前的控制参数以使所述机房内的对应的各个设备的环境温度值符合预设的温度限制要求。能够提高机房空调控制系统的智能化程度和准确性，同时能够提高节能减排的能力，能够减少机房的安全隐患。

(三)一种基于人工智能的机房水冷空调控制方法

基于上述神经模型的训练过程和应用过程，本申请还提供一种具体应用实例，在该应用实例中，所述神经网络模型用于机房水冷空调控制系统，参见图1，包括：四台计算机机房空调(crac)末端空调机、两组共四排冷通道封闭的机柜，各服务器分别设置在对应的机柜中，如图1中的圆圈点为温度采样装置，每台服务器上下的温度传感器数量是2个或多个，本应用实例中选取的温度采样装置是温度传感器。所述神经网络模型使用为5层隐藏网络，每个隐藏网络有50个节点。所述一种基于人工智能的机房水冷空调控制方法共包含十一个步骤，参见图4，具体步骤如下：

s31-获取历史采样数据：

服务器每隔5分钟获取空调的控制数据，总共获取将近两年的空调的历史控制数据，包括所述机房内设备的历史环境温度值、所述机房的历史设备负载数据、所述机房内空调的控制参数和水量控制参数值。其中70％的数据用于训练，30％的数据用于交叉验证和测试，在训练过程中随机打乱序列数据，避免训练数据和测试数据分布不合理。

其中，所述机房内设备的历史环境温度值和机房内的历史设备负载数据作为输入数据传入神经网络模型。

s32-对数据进行预处理：

数据正则化，将特征值z映射至[-1，1]的范围。采用的映射方法如下：

s33-随机初始化：

在神经网络训练开始前，对神经网络神经元参数随机赋予[-1，1]的值。

s34-前向传播计算：

从输入层开始，上一层的输出等于下一层的输入，然后计算下一层的输出，重复下去，逐渐往输出层进行向前传播。

s35-计算损失函数j(θ)：

损失函数j(θ)用来衡量神经网络模型输出的测试机房内空调的控制风速参数值和水量控制参数值与实际机房内空调的控制风速参数值和水量控制参数值之前的差异。损失函数越小，差异就越小。本应用实例选用的损失函数是：

其中，hθ(x)是预测输出值，y是实际值，m表示训练样本数，l表示神经网络层数，n表示节点数，正则化参数λ＝0.001。

s36-判断是否已收敛：

判断损失函数是否已收敛，已收敛则结束所述神经网络的训练过程；若未收敛，进行反向传播计算。

s37-向后传播计算：

在完成损失函数j(θ)计算后，误差项反向传播至每一层，用于优化神经元参数θ。本应用实例采用的是6层神经网络模型。输出层和隐藏层的误差计算如下：

δ⁶＝a⁶-y

δ⁵＝(θ⁵)^tδ⁶.*g'(z⁵)＝(θ⁵)^tδ⁶.*[a⁵.*(1-a⁵)]

其中g'(z)表示激活函数的导数。g'(z)是表达式a.*(1-a)的简化表达。再计算每层梯度向量d^l，在进行下一次迭代前，d^l加至θ^l上更新每层模型参数。重复步骤s34至步骤s37，迭代多次直至收敛，使误差函数j(θ)足够小。训练得到用于机房空调控制的神经网络模型。

s38-模型交叉验证和测试：

为了避免单独测试结果过于片面以及训练数据不足的问题，采用交叉验证法尝试利用不同的验证集划分来对上述神经网络模型做多组不同的验证。随机将验证集数据等分成k份，s1，s2，……，sk。对上述神经网络模型，算法执行k次，每次选择一个sj作为验证集，而其它用来训练上述神经网络模型，把训练得到的模型在sj上进行测试，这样一来，每次都会得到一个误差e，最后对k次得到的误差求平均，就可以得到模型mi的泛化误差。

s39-获取设备的环境温度值和设备负载数据：

每隔五分钟，利用一种机房空调控制装置实时获取机房每台服务器上下布置的温度传感器采集的温度和设备负载数据，在本实施例应用中，该机房空调控制装置是位于机房机柜内的一台服务器。

s40-应用神经网络模型获得所述机房的四台空调的节能控制参数值：

首先将所述环境温度值和设备负载数据进行正规化预处理，使特征值处于[-1，1]范围内；再将经过预处理后的数据输入预设的神经网络模型，并将该神经网络的输出结果作为设置在所述机房的四台空调的节能控制参数值。

s41-调整所述机房的四台空调的节能控制参数值：

根据所述节能控制参数值调整对应的空调当前的控制参数以使所述机房内的对应的各个设备的环境温度值符合预设的温度限制要求。

在本是实例应用中，节能控制参数值是空调的风速参数值和水量控制参数值。预设的温度限制要求具体可以为：15℃-25℃之间，优选数值可以为23℃。

对于基于人工智能的机房空调控制系统而言，为了能提高机房空调系统的智能化和准确性，实现节能减排，避免机房安全问题的发生。提供了一种基于人工智能的机房空调控制方法，参见图5，可以包括以下步骤：

步骤100：获取机房内设备的环境温度值和设备负载数据。

步骤200：将所述环境温度值和设备负载数据输入预设的神经网络模型，并将该神经网络的输出结果作为设置在所述机房的至少一台空调的节能控制参数值。

步骤300：根据所述节能控制参数值调整对应的空调当前的控制参数以使所述机房内的对应的各个设备的环境温度值符合预设的温度限制要求。

具体地，所述空调可以是水冷空调，相对应的，所述节能控制参数值包含有：所述水冷空调的风速控制参数值和水量控制参数值；所述空调可以是风冷空调，相对应的，所述节能控制参数值包含有：所述风冷空调的压缩机功率参数值和风速控制参数值。

具体地，获取机房内设备的环境温度值和设备负载数据包含有接收分别设置在所述机房内设备的至少一个温度采集装置采集的各个所述设备的当前环境温度值。

具体地，所述神经网络包含有多层隐藏层，且每一个隐藏层中均包含有多节点。

从上述描述可知，本申请实施例提供的一种基于人工智能的机房控制方法，能够提高机房空调系统的智能化和准确性，实现节能减排，减少机房安全隐患。

为了能够有效机房空调系统的智能化和准确性，上述一种基于人工智能的机房控制方法，参见图6，还包括如下步骤：

步骤001：获取所述机房内的空调的历史控制数据，其中，该历史控制数据包括：所述机房内设备的历史环境温度值、所述机房的历史设备负载数据和历史节能控制参数值，还包括所述历史环境温度值、历史设备负载数据和历史节能控制参数值之间的对应关系；

可以理解的是，所述机房内的空调的历史控制数据的数量根据实际训练需要进行设置，本实施例对此不作限定。

步骤002：应用所述历史控制数据对神经网络模型进行训练。

可以理解的是，为了避免所述历史控制数据分布不合理，随机打乱所述历史控制数据。迭代次数按实际损失函数实际收敛情况设置，本实施例对此不作限定。

为了优化神经网络模型的准确度和速度，在应用所述机房内的空调的历史控制数据对神经网络模型进行训练之前，参见图7，还包括：

步骤0011：将所述历史控制数据划分为两部分，一部分作为训练集，另一部分作为验证集；

可以理解的是，训练集和验证集的比例按照样本集数量、模型的损失函数的拟合效果等因素进行划分，本实施例对此不作限定。

相对应的，所述应用所述历史控制数据对神经网络模型进行训练，包含有：

步骤0021：对所述神经网络的神经元参数进行赋值。

步骤0022：应用所述历史控制数据对神经元参数赋值后的神经网络模型进行训练，并对该训练过程进行至少一次迭代过程，直至所述神经网络模型的损失函数收敛。

在本申请一个或多个实施例中，所述应用所述机房内的空调的历史控制数据对神经网络模型进行训练，还包含有：

步骤021：基于前向传播计算，应用所述训练集对神经元参数赋值后的神经网络进行层级间的关系运算，并获得对应的损失函数；

步骤022：基于反向传播计算，应用所述训练集对完成所述层级间的关系运算及损失函数的获取的神经网络进行误差计算，优化神经元参数。

为了提高机房空调控制方法的智能化程度和准确性，同时达到节能减排、减少机房安全隐患的目的，在软件层面，还提供了一种基于人工智能的机房空调控制装置，该基于人工智能的机房空调控制装置可以为上述设置在机柜内的一台设备102。所述一种基于人工智能的机房空调控制装置，参见图8，包括：

数据采集模块10，用于获取机房内设备的环境温度值和设备负载数据；

温控模块20，用于所述设备的环境温度值和设备负载数据传入所述神经网络模型，并将该神经网络模型的输出结果作为设置在所述机房内的至少一台空调的节能控制参数值；

空调调整模块30，用于根据所述节能控制参数值，调整对应的空调当前的控制参数值以使所述机房内的对应的各个设备的环境温度值符合预设的温度限制要求。

本申请提供的一种基于人工智能的机房空调控制装置的实施例具体可以用于执行上述实施例中的一种基于人工智能的机房空调控制装置方法的实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。

从上述描述可知，本申请实施例提供的一种基于人工智能的机房空调控制装置，能够有效提高神经网络模型的准确度，从而提高机房空调控制方法的智能化程度和准确度，实现节能减排、减少机房安全隐患的目的。

本申请上述方法提供的实施例可以在服务器设备、计算机集群或者类似的运算装置中执行。以运行在服务器上为例，图9是本申请实施例的一种基于人工智能的机房控制方法的服务器的硬件结构框图。如图9所示，服务器设备可以包括一个或多个(图中仅示出一个)处理器1020(处理器1020可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器1040、以及用于通信功能的传输模块1060。本领域普通技术人员可以理解，图9所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器设备还可包括比图9中所示更多或者更少的组件，或者具有与图9所示不同的配置。

存储器1040可用于存储应用软件的软件程序以及模块，如本申请实施例中的机房空调控制方法对应的程序指令/模块，处理器1020通过运行存储在存储器1040内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的一种基于人工智能的机房空调控制方法。存储器1040可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1040可进一步包括相对于处理器1020远程设置的存储器，这些远程存储器可以通过网络连接至服务器设备101。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输模块1060用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器设备的通信供应商提供的无线网络。在一个实例中，传输模块1060包括一个网络适配器(networkinterfacecontroller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块1060可以为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。

基于前述一种基于人工智能的机房空调控制方法的内容，本申请实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。所述的电子设备类型可以包括移动终端、专用车险设备、车机交互设备、个人电脑等。所述处理器执行所述指令时可以实现所述基于人工智能的机房空调控制方法的全部或部分内容，例如，所述处理器执行所述指令时可以实现如下内容：

步骤100：获取机房内设备的环境温度值和设备负载数据；

步骤200：将所述环境温度值和设备负载数据输入预设的神经网络模型，并将该神经网络的输出结果作为设置在所述机房的至少一台空调的节能控制参数值

步骤300：根据所述节能控制参数值调整对应的空调当前的控制参数以使所述机房内的对应的各个设备的环境温度值符合预设的温度限制要求。

从上述描述可知，本申请的实施例提供的电子设备，能够提高机房空调控制系统的智能化程度和准确性，即使在机房设备型号数量和空调数量发生改变的情况下，也能够提高输出结果的准确性，即能够机房空调控制方法对机房温度调控的准确性。

基于前述一种基于人工智能的机房控制方法的内容，本申请的实施例还提供能够实现上述一直基于人工智能的机房空调控制方法实施例中的全部或部分步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的一种基于人工智能的机房空调控制方法的全部，例如，所述处理器执行所述计算机程序时实现下述步骤：

步骤100：获取机房内设备的环境温度值和设备负载数据。

步骤200：将所述环境温度值和设备负载数据输入预设的神经网络模型，并将该神经网络的输出结果作为设置在所述机房的至少一台空调的节能控制参数值。

步骤300：根据所述节能控制参数值调整对应的空调当前的控制参数以使所述机房内的对应的各个设备的环境温度值符合预设的温度限制要求。

上述描述可知，本申请的实施例提供的计算机可读存储介质，能够提高机房空调控制系统的智能化程度和准确性，即使在机房设备型号数量和空调数量发生改变的情况下，也能够提高输出结果的准确性，即能够机房空调控制方法对机房温度调控的准确性。

本申请中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。

上述的指令可以存储在多种计算机可读存储介质中。所述计算机可读存储介质可以包括用于存储信息的物理装置，可以将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。本实施例所述的计算机可读存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如ram、rom等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘；利用光学方式存储信息的装置如，cd或dvd。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。下述所述的装置或服务器或客户端或系统中的指令同上描述。

虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

上述实施例阐明的装置或模块，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。当然，也可以将实现某功能的模块由多个子模块或子单元组合实现。

本申请中所述的方法、装置或模块可以以计算机可读程序代码方式实现控制器按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmelat91sam、microchippic18f26k20以及siliconelabsc8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

本申请所述装置中的部分模块可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的硬件的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，也可以通过数据迁移的实施过程中体现出来。该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本申请的全部或者部分可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、移动通信终端、多处理器系统、基于微处理器的系统、可编程的电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

虽然通过实施例描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。