本发明涉及一种能效优化方法，尤其是涉及一种基于神经网络模型的数据中心能效优化控制方法。
背景技术：
随着数字信息的爆炸性增长和最近云计算的快速发展，数据中心已成为未来it技术的核心基础架构，大数据服务、云端的使用在日常生活中也越来越普遍，而作为这种信息信息服务的基础设施，服务器机房的规模也越来越大，且发挥着越来越重要的作用。而服务器属于高精准设备，任何其中的设备出现问题都会造成比较大的损失，如银行服务中断，云端储存数据丢失等。数据中心机房发生故障就会导致其用户存储数据发生丢失，通讯机房发生故障就会造成通讯中断，对整体企业与国家的安稳形式都会造成巨大损失。为了维护设备的安全环境，每个数据中心都在使用其热控制系统，该系统占用了整个数据中心40％以上的能耗。因此，对数据中心热控制系统的研究对于经济能耗和安全运行都全关重要。
为解决上述问题，越来越多的企业引进了数据中心环境监控系统，实时对机房内各项安全指标进行监测和预警，在保证数据中心环境设备协调监控的同时缓解了机房工作人员的压力，实现了机房的安全管理。有些企业和研究部门针对数据中心机房的特点设计使用传统走线式的温度监控系统，解决了部分人工检查及时性和准确性差的问题，但也带来了新的困难，如需要进行大量走线，造成整体走线规划紊乱且维护困难，不能适用在一些已经布线成熟的场所，想要改变采集点时，需要重新走线，提高了成本，而使用一段时间线路老化后又必须使用大量人力物力进行维护，总体解决问题的效果并不好。无线传感网络作为一种正在发展中的技术，随着无线通信、传感器、微型计算机方面技术的进步，成为了一个发展前景广大的领域，为解决传统走线式的温度监控系统存在的问题提供了新的思路。对于数据中心温度预测模型，前人的研究均以稳态流场为假设前提，提出了一类数据中心快速温度估计模型，这类模型的主要缺点是假设条件过于理想化，当流场偏离其设计的状态时，其模型准确性会降低或需要重新调整模型参数。在实际中，数据中心内气流受机柜风扇、空调等设备的影响，气流分布往往不是稳定不变的，因此建立适用于不同气流模式的机房温度预测模型非常必要。
技术实现要素：
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于神经网络模型的数据中心能效优化控制方法。
本发明的目的可以通过以下技术方案来实现：
一种基于神经网络模型的数据中心能效优化控制方法，包括以下步骤：
步骤一、以数据中心的终端节点作为数据中心关键点，通过关键点温度传感与采集工作系统进行数据中心关键点的温度传感与采集工作；终端节点即数据中心机柜和空调的进出气口；
步骤二、采集不同工况下数据中心关键点的温度数据并存储到数据库形成温度数据库，对数据库中的温度数据进行预处理与数值分析；
步骤三、基于采集的温度数据库，使用神经网络模型学习不同气流模式、功率状态与数据中心关键点温度分布的关系，建立数据中心机房关键点温度的非线性温度预测模型；
步骤四、在建立非线性温度预测模型的基础上，建立空调、风扇制冷设备能耗模型并设计能耗优化问题，对能耗优化问题求解，从而对制冷系统能耗进行优化调控。
进一步的改进，所述步骤一中，通过关键点温度传感与采集工作系统进行数据中心关键点的温度传感与采集工作包括如下步骤：
11)使用单总线含有已校准数字信号输出的温度传感器来实现数据中心温度传感与采集，温度传感器安装在终端节点上，保证进行温度的采集的正常进行，温度传感器直接与路由器连接，温度传感器储存数据并在路由器发出命令后将数据发送给路由器；
12)使用搭载了zigbee通信的单片机芯片作为核心处理器以及路由器的cpu，单片机芯片用作中继站，在每个机柜中负责终端节点的扩充、数据中继和作为机柜的最上层进行管理和命令，同时在路由器信号覆盖区域内自行进行扩容，路由器通过zigbee无线传感方式与协调器通信；温度传感器、路由器和协调器组成zigbee网络；
13)协调器对网络进行初始化以及维护，选定网络使用的信道，管理节点，对地址进行分配，并分发、更新安全密钥，协调器通过串口与管理中心发送数据；
14)上位机管理中心为一个搭载在服务器上的网站，通过串口接收到来自协调器的数据；
15)终端节点的温度传感器、路由器、协调器以及上位机管理中心的四个部分，加上相互通信的zigbee无线传感网络组成了完整的关键点温度传感与采集工作系统，终端节点作为温度传感与采集的执行者，路由器来充当中继，构建好zigbee网络后，路由器将采集的数据传输给协调器，无zigbee网络的组网方式由协调器来完成调控，最终协调器通过串口与管理中心发送数据，进行数据中心关键点温度传感与采集工作。
进一步的改进，所述步骤二中，在web浏览器中完成温度数据预处理与数值分析的可视化，直观比较数据预测值和真实值；可视化包括以下步骤：
21)串口数据读取并存储到变量中：串口通信使用异步通信，调用函数进行温度数据读取，由于串口传输是16进制传输，对收到的数据进行10进制转换，转换后的数值存入变量中；
22)对变量进行卡尔曼滤波，滤除高斯噪声以减小误差，防止错误数据的产生；
23)滤波后的变量存储到文档中：得到滤波后的变量，在目标文件夹中调用对应文本文档，将变量的值存储和对应的当前时间一并存入文档中；
24)数据可视化：在web浏览器平台进行网页建立，调取文档中的数据显示出来，构建机器学习应用的用户界面，在网页中显示多个数据中心关键点温度数据，并通过图像模块直观的观察数据中心关键点温度数据的变化趋势，便于随后的预测值与真实值的建模分析；图像模块包括折线图和柱状图。
进一步的改进，所述步骤三中，非线性温度预测模型包括以下步骤：
31)非线性温度预测模型输入输出参数设定：设数据中心机房有n台机柜和m台空调，数据中心机房的关键点温度为机柜进口温度tri，i、机柜出口温度tro，i和空调的进口温度tci，j、空调的出口温度tco，j，并且各关键点温度由三个因素决定，分别为机柜周围空气流速fi、机柜功率pr，i以及空调设定温度tref，j，其中机柜周围空气流速fi与机柜风扇转速成正比，机柜功率pr，i与分配的工作量有关，其中1≤i≤n，1≤j≤m，因此温度预测模型的输入为n个机柜的空气流速、n个机柜功率和m个空调设置温度共2n+m个输入，其中输出为机房各关键点温度共2n+2m个，即非线性温度预测模型为2n+m输入，2n+m输出的
32)数据库的建立：机柜周围空气流速fi和空调设定温度tref的上限分别为fmax、trefmax，下限为0、trefmin；机柜功率pr，i的上下限分别为prmin、prmax，每次仅改变一个机柜的功率、周围空气流速以及空调温度设置在范围内变化，保持其他机柜设置不变，采集在不同fi和pr，i以及不同tref，j下的关键点温度数据，将采集的关键点温度t和对应的空气流速fi、机柜功率pr，i以及空调设置温度tref，j一起组成数据库；
33)训练数据量选择：训练的数据量为(n+m)*2000；
34)选择模型训练方法：神经网络训练，得到最终的非线性温度预测模型；所述神经网络包括多层bp神经网络和elm神经网络；所述神经网络参数选择方法包括经验公式法和试错法。
进一步的改进，所述步骤四中，制冷系统能耗优化调控包括以下步骤：
41)得到制冷系统功率，数据中心制冷系统功率包括m台空调的功率，以及n个机柜的风扇功率，空调功率pc，j由如下公式决定：
其中ρ为空气密度、cp为空气比热容，fj为空调周围空气流速，由空调自身决定，tco，j为空调出口温度即空调设置温度、tci，j为空调进口温度，cop(tco，j)为空调节点的制冷效率，由tco，j决定，公式如下，
cop(tco，j)＝0.0068·tco，j2+0.0008·tco，j+0.458
机柜风扇功率pf，i由如下公式决定：
pf，i＝a0fi3+a2fi2+a3fi
pf，i只与机柜周围空气流速有关，a0、a2、a3皆为常数，通过数据拟合得到，温度单位均为℃，功率单位均为w，数据中心制冷系统功率最终定义为空调功率pc，j与机柜风扇功率pf，i之和，制冷系统总功率pcooling的计算公式如下：
42)建立能耗优化问题，由各功率的决定公式可知，制冷系统总功率pcooling与机柜周围空气流速fi和空调进出口温度tci，j、tco，j有关，又结合非线性温度预测模型，空调进出口温度tci，j、tco，j由机柜周围空气流速fi、机柜功率pr，i和空调设定温度tref，j预测得到，制冷系统总功率pcooling通过优化机柜周围空气流速fi和空调设定温度tref，j来降低，即能耗优化问题定义为：
已知数据中心机房有n台机柜和m台空调、各个机柜功率p＝[pr，1，pr，2，…，pr，n]t的分布已经确定，在给定的约束条件中找到机柜周围空气流速f＝[f1，f2，…，fn]t和空调设置温度tref＝[tref，1，tref，2，…，tref，m]t的最优值来最小化制冷系统总功率pcooling；
43)能耗优化问题求解：使用粒子群优化算法求解，算法中由位置和速度来描述粒子的运动，位置表示机柜周围空气流速f和空调设定温度tref，位置和速度是随机初始化的，能耗优化问题中的约束定义了位置的边界，粒子的位置在每一步中都粒子的速度改变，随着速度和位置的不断更新，粒子向最好的位置移动，当迭代次数达到指定的限制或当前粒子群满足预先定义的收敛条件时，优化停止得到最好的位置结果；
44)将求解得到的最优解f与tref记录下来，对应调节机柜风扇转速和空调温度设置，可将制冷系统总功率降至最低，最终实现制冷设备能耗的优化调控。
进一步的改进，步骤42)中能耗优化问题中的约束为：
51)机柜安全运行的条件为进口温度不超过于27℃、出口温度不超过35℃，即tri，i≤27℃、tro，i≤35℃；
52)机柜周围空气流速fi的约束范围为0≤fi≤fmax；
53)空调设定温度tref，j的约束范围为trefmin≤tref，j≤trefmax。
上述数据中心能效优化控制方法，方法主要由关键点温度传感与采集、数据的存储处理及可视化、温度预测模型建立和解决优化控制问题等环节组成。本方法包括从关键点温度数据采集到实现优化调控的一整套完整流程，可直接应用于数据中心实时能耗优化调控，最终得到的优化调控方案可与传统控制方法对比得到其优越性。
与现有技术相比，本发明具有以下优点：
1)本发明不仅有神经网络温度预测模型的数据中心能效优化控制方法，还包括完整的系统设计，操作简单、流程清晰。
2)本发明关键点温度数据的传输方式为zigbee无线传感网络，该网络内含加密算法，确保了数据传输的安全性，并且其采用的传输模式可以保证数据的真实性和可靠性。
3)温度预测模型可适用于不同气流模式下的数据中心运行工况，相比于其他技术有更广泛的实用性。
4)神经网路温度预测模型一旦训练完成，就可以以较快速度预测出数据中心各节点的进出口空气温度，相比其他估计方法，该预测模型结果准确度较高。
5)将数据库的中的数据显示到web浏览器中，可随时登录web浏览器进行温度数据查看，易于进行实时的能效优化。
附图说明
图1为本发明的处理流程图；
图2为温度传感与采集系统网络结构原理图；
图3为关键点温度传感与采集具体实施图；
图4为数据中心温度监控可视化系统的结构框图；
图5为本发明数据中心设备布局例图；
图6为能耗优化问题原理图；
图7为求解优化问题的粒子群算法。
具体实施方式
下面结合附图和具体实施方案对本发明进行详细说明。
一种基于神经网络模型的数据中心能效优化控制方法，包括以下步骤：
1)使用集成温度传感器和搭载zigbee无线传感网络的单片机来实现数据中心关键点温度传感与采集工作；
11)使用单总线含有已校准数字信号输出的温度传感器来实现数据中心温度传感与采集，温度传感器安装在终端节点上，保证进行温度的采集的正常进行，温度传感器直接与路由器连接，储存数据并在路由器对其发出命令后将数据发送给路由器；
12)使用搭载了zigbee通信部分的单片机芯片作为核心处理器，路由器是由该单片机作为cpu，主要用作中继站，在每个机柜中负责终端节点的扩充、数据中继和作为机柜的最上层进行管理和命令，同时可以保证在其路由信号覆盖区域内可以自行进行扩容，路由器通过zigbee无线传感方式与协调器通信；
13)整个网络的最高位管理者是协调器，与路由器组成基本相同，本身也可以直接当作路由器使用，可直接与终端节点进行通信，协调器主要是对网络进行初始化以及维护，选定网络使用的信道，管理节点，对地址进行分配，并分发、更新安全密钥，协调器通过串口与管理中心发送数据；
14)管理中心为一个搭载在服务器上的网站，可以通过串口接收到来自协调器的数据；
15)以上终端节点、路由器、协调器以及上位机管理中心的四个部分，加上其中部分相互通信的zigbee无线传感网络组成了完整的工作系统，终端节点作为温度传感与采集的执行者，路由器来充当中继，构建好zigbee网络后，路由器将采集的数据传输给协调器，无线传感网络的组网方式将由协调器来完成调控，最终协调器通过串口与管理中心发送数据，关键点温度传感与采集工作完成。
2)采集大量不同工况下的数据中心关键点温度数据并存储，对数据库中的数据进行预处理与数值分析，可在web浏览器中完成可视化实现，并可直观比较数据预测值和真实值；
21)串口数据读取并存储到变量中：由于数据中心的设备较多，需要将数据中心多处温度信息发送给主服务器，串口通信使用异步通信，异步通信对时钟节拍要求不高，适应更多的场合，调用函数进行温度数据读取，由于串口传输是16进制传输，需要对收到的数据进行10进制转换，转换后的数值存入变量中；
22)对该变量进行卡尔曼滤波：由于传输速度很快，很有可能会有干扰信号的产生，需采用卡尔曼滤波算法对逐个数据进行滤波，滤除高斯噪声以减小误差，防止错误数据的产生；
23)滤波后的变量存储到文档中：当得到滤波后的变量，在目标文件夹中调用对应文本文档，将变量的值存储和对应的当前时间一并存入文档中；
24)数据可视化：数据可视化手段包括手机app，web浏览器显示等，可在web浏览器平台进行网页建立，调取文档中的数据显示出来，快速构建机器学习应用的用户界面，在网页中显示多个机柜关键点温度数据，并通过折线图等模块更直观的观察其变化趋势，便于随后的预测值与真实值的建模分析。
3)基于采集的温度数据库，使用神经网络模型(bp、elm等)学习不同气流模式、功率状态与机房关键点温度分布的关系，建立数据中心机房关键点温度的非线性温度预测模型；
31)温度预测模型输入输出参数设定：设数据中心机房有n台机柜和m台空调，数据中心机房的关键点温度为机柜进出口温度tri，i、tro，i和空调的进出口温度tci，j、tco，j，并且各关键点温度由三个因素决定，分别为机柜周围空气流速fi、机柜功率pr，i以及空调设定温度tref，j，其中机柜周围空气流速fi与机柜风扇转速成正比，机柜功率pr，i与分配的工作量有关，其中1≤i≤n，1≤7≤m，因此温度预测模型的输入为n个机柜的空气流速、n个机柜功率和m个空调设置温度共2n+m个输入，其中输出为机房各关键点温度共2n+2m个，即该温度预测模型为2n+m输入2n+m输出的
32)数据库的建立：机柜周围空气流速fi和空调设定温度tref可人为进行调控且都有一定的调控范围，上限分别为fmax、trefmax，下限为0、trefmin，机柜功率pr，i的上下限分别为prmin、prmax，每次仅改变一个机柜的功率、周围空气流速以及空调温度设置在范围内变化，保持其他机柜设置不变，采集在不同fi和pr，i以及不同tref，j下的关键点温度数据，将采集的关键点温度t和其对应的空气流速fi、机柜功率pr，i以及空调设置温度tref，j一起组成数据库；
33)训练数据量选择：对于目前常规的数据中心机房，其机柜和空调的数目较多，即温度预测模型的输入输出参数比较多，用于训练的数据量必须也要满足温度预测模型训练的需要，训练出的结果才能令人满意，训练结果并不是训练数据越多越好，与训练方法的选择也有关，可凭经验取数据量，以有n＝4台机柜和m＝1台空调的数据中心机房为例，用于训练的数据量为10000组，n、m增大用于训练的数据量应随相应倍数增多；
34)选择模型训练方法：可采用神经网络训练，例如多层bp神经网络以及elm等，不同种的神经网络需要设置的参数不同，不同的参数设置会影响训练结果，可使用经验公式或试错法来设定最佳的参数，经验公式的适用性较广，试错法精度高但只针对一种输入输出情况，多层bp神经网络可由试错法得到最佳的神经元个数，最终使用该训练方法得到温度预测模型。
4)在建立非线性温度预测模型的基础上，考虑机房设备功耗、性能、安全性等多种因素的影响，建立空调、风扇制冷设备能耗模型并设计能耗优化问题，实现优化问题快速求解算法，对制冷设备能耗进行优化调控。
41)得到关键制冷设备功率，数据中心制冷系统功率包括m台空调的功率，以及n个机柜的风扇功率，空调功率pc，j由如下公式决定：
其中ρ为空气密度、cp为空气比热容，fj为空调周围空气流速，该参数由空调自身决定，tco，j为空调出口温度即空调设置温度、tci，j为空调进口温度，cop(tco，j)为空调节点的制冷效率，由tco，j决定，公式如下，
cop(tco，j)＝0.0068·tco，j2+0.0008·tco，j+0.458
机柜风扇功率pf，i由如下公式决定：
pf，i＝a0fi3+a2fi2+a3fi
该功率只与机柜周围空气流速有关，a0、a2、a3皆为常数，通过数据拟合得到，温度单位均为℃，功率单位均为w，数据中心制冷系统功率最终定义为空调功率pc，j与机柜风扇功率pf，i之和，制冷系统总功率pcooling的计算公式如下：
42)建立能耗优化问题，由各功率的决定公式可知，制冷系统总功率pcooling与机柜周围空气流速fi和空调进出口温度tci，j、tco，j有关，又结合非线性温度预测模型，空调进口温度tci，j、tco，j可由机柜周围空气流速fi、机柜功率pr，i和空调设定温度tref，j预测到，工作任务的分配会改变机柜功率分配，在大多数实际情况下，机柜功率pr，i分配被认为是不可控的，制冷系统总功率pcooling只通过优化机柜周围空气流速fi和空调设定温度tref，j来降低，即能耗优化问题可定义为：
已知数据中心机房有n台机柜和m台空调、各个机柜功率p＝[pr，1，pr，2，…，pr，n]t的分布已经确定，在给定的约束条件中找到机柜周围空气流速f＝[f1，f2，…，fn]t和空调设置温度tref＝[tref，1，tref，2，…，tref，m]t的最优值来最小化制冷系统总功率pcooling；
43)能耗优化问题求解：考虑到能耗优化问题的复杂性和非线性，可使用粒子群优化算法(pso)求解，算法中由位置和速度来描述粒子的运动，对于上述优化问题，位置表示机柜周围空气流速f和空调设定温度tref，位置和速度是随机初始化的，能耗优化问题中的约束定义了位置的边界，粒子的位置在每一步中都是由它的速度改变，随着速度和位置的不断更新，粒子向最好的位置移动，当迭代次数达到指定的限制或当前粒子群满足预先定义的收敛条件时，优化停止得到最好的位置结果；约束条件为：
51)根据美国机械工程师协会(asme)的温度标准，机柜安全运行的条件为进口温度不超过于27℃、出口温度不超过35℃，即tri，i≤27℃、tro，i≤35℃；
52)机柜周围空气流速fi的约束范围为0≤fi≤fmax；
53)空调设定温度tref，j的约束范围为trefmin≤tref，j≤trefmax。
44)将求解得到的最优解f与tref记录下来，对应调节机柜风扇转速和空调温度设置，可将制冷系统总功率降至最低，最终实现制冷设备能耗的优化调控。
具体如如图1所示，包括以下步骤：
步骤1：温度传感与采集工作，温度传感与采集系统结构原理图如图2所示：
11)确定终端节点、路由器、协调器以及上位机管理中心的四个部分，在机柜的关键节点上安装单总线含有已校准数字信号输出的温度传感器作为终端节点执行温度的传感与采集，将搭载了zigbee通信部分的单片机芯片与其他组件组装为路由器以及协调器，pc端的web浏览器作为上位机管理中心；
12)确定组成部分间通讯方式，端节点直接连接路由器，路由器通过已经组网成功后形成的无线通信与协调器通讯，协调器通过usb连接管理中心，管理中心则通过usb传输串口得到温度数据；
13)按照图3实施温度传感与采集的具体方案，完成温度传感与采集工作。
步骤2：将步骤1采集的数据中心关键点温度数据的存储、处理和可视化，其主要步骤如图4：
21)串口数据读取并存储到变量中，串口数据传输是16进制传输，需要对收到的数据进行10进制转换，转换后的数值存入变量中；
22)由于传输速度很快，很有可能会有干扰信号的产生，需采用卡尔曼滤波算法对变量进行滤波，滤除高斯噪声以减小误差，防止错误数据的产生；
23)当得到滤波后的变量，在目标文件夹中调用对应文本文档，将变量的值存储和对应的当前时间一并存入文档中；
24)在web浏览器显示显示机柜关键点温度数据，并通过折线图等模块更直观的观察其变化趋势，便于随后的预测值与真实值的建模分析。
步骤3：数据中心关键点温度预测模型建立，以图5为例，数据中心有4台机柜和1台空调，该温度估计模型为9输入10输出的模型，选取训练的数据采用神经网络训练得到温度预测模型。
步骤4：数据中心能耗优化调控，其主要步骤：
31)得到空调功率pc，j，机柜风扇功率pf，i，以及制冷系统总功率pcooling；
32)如图6为能耗优化问题原理图，调节机柜风扇改变机柜周围空气流速fi，调节空调设置温度tref，j，从而可以改变数据中心总制冷功率pcooling，；
33)使用图7粒子群优化算法(pso)找到机柜周围空气流速fi和空调设置温度tref，j的最优值来最小化制冷系统总功率pcooling，将求解得到的最优解fi与tref，j记录下来，对应调节机柜风扇转速和空调温度设置，可将制冷系统总功率降至最低，最终实现制冷设备能耗的优化调控。
1.一种基于神经网络模型的数据中心能效优化控制方法，其特征在于，包括以下步骤：
步骤一、以数据中心的终端节点作为数据，通过关键点温度传感与采集工作系统进行数据中心关键点的温度传感与采集工作；终端节点即数据中心机柜和空调的进出气口；
步骤二、采集不同工况下数据中心关键点的温度数据并存储到数据库形成温度数据库，对数据库中的温度数据进行预处理与数值分析；
步骤三、基于采集的温度数据库，使用神经网络模型学习不同气流模式、功率状态与数据中心关键点温度分布的关系，建立数据中心机房关键点温度的非线性温度预测模型；
步骤四、在建立非线性温度预测模型的基础上，建立空调、风扇制冷设备能耗模型并设计能耗优化问题，对能耗优化问题求解，从而对制冷系统能耗进行优化调控。
2.根据权利要求1所述的一种基于神经网络模型的数据中心能效优化控制方法，其特征在于，所述步骤一中，通过关键点温度传感与采集工作系统进行数据中心关键点的温度传感与采集工作包括如下步骤：
11)使用单总线含有已校准数字信号输出的温度传感器来实现数据中心温度传感与采集，温度传感器安装在终端节点上，保证进行温度的采集的正常进行，温度传感器直接与路由器连接，温度传感器储存数据并在路由器发出命令后将数据发送给路由器；
12)使用搭载了zigbee通信的单片机芯片作为核心处理器以及路由器的cpu，单片机芯片用作中继站，在每个机柜中负责终端节点的扩充、数据中继和作为机柜的最上层进行管理和命令，同时在路由器信号覆盖区域内自行进行扩容，路由器通过zigbee无线传感方式与协调器通信；温度传感器、路由器和协调器组成zigbee网络；
13)协调器对网络进行初始化以及维护，选定网络使用的信道，管理节点，对地址进行分配，并分发、更新安全密钥，协调器通过串口与管理中心发送数据；
14)上位机管理中心为一个搭载在服务器上的网站，通过串口接收到来自协调器的数据；
15)终端节点的温度传感器、路由器、协调器以及上位机管理中心的四个部分，加上相互通信的zigbee无线传感网络组成了完整的关键点温度传感与采集工作系统，终端节点作为温度传感与采集的执行者，路由器来充当中继，构建好zigbee网络后，路由器将采集的数据传输给协调器，无zigbee网络的组网方式由协调器来完成调控，最终协调器通过串口与管理中心发送数据，进行数据中心关键点温度传感与采集工作。
3.根据权利要求1所述的一种基于神经网络模型的数据中心能效优化控制方法，其特征在于，所述步骤二中，在web浏览器中完成温度数据预处理与数值分析的可视化，直观比较数据预测值和真实值；可视化包括以下步骤：
21)串口数据读取并存储到变量中：串口通信使用异步通信，调用函数进行温度数据读取，由于串口传输是16进制传输，对收到的数据进行10进制转换，转换后的数值存入变量中；
22)对变量进行卡尔曼滤波，滤除高斯噪声以减小误差，防止错误数据的产生；
23)滤波后的变量存储到文档中：得到滤波后的变量，在目标文件夹中调用对应文本文档，将变量的值存储和对应的当前时间一并存入文档中；
24)数据可视化：在web浏览器平台进行网页建立，调取文档中的数据显示出来，构建机器学习应用的用户界面，在网页中显示多个数据中心关键点温度数据，并通过图像模块直观的观察数据中心关键点温度数据的变化趋势，便于随后的预测值与真实值的建模分析；图像模块包括折线图和柱状图。
4.根据权利要求1所述的一种基于神经网络模型的数据中心能效优化控制方法，其特征在于，所述步骤三中，非线性温度预测模型包括以下步骤：
31)非线性温度预测模型输入输出参数设定：设数据中心机房有n台机柜和m台空调，数据中心机房的关键点温度为机柜进口温度tri,i、机柜出口温度tro,i和空调的进口温度tci,j、空调的出口温度tco,j，并且各关键点温度由三个因素决定，分别为机柜周围空气流速fi、机柜功率pr,i以及空调设定温度tref,j，其中机柜周围空气流速fi与机柜风扇转速成正比，机柜功率pr,i与分配的工作量有关，其中1≤i≤n，1≤j≤m，因此温度预测模型的输入为n个机柜的空气流速、n个机柜功率和m个空调设置温度共2n+m个输入，其中输出为机房各关键点温度共2n+2m个，即非线性温度预测模型为2n+m输入、2n+m输出的
32)数据库的建立：机柜周围空气流速fi和空调设定温度tref的上限分别为fmax、trefmax，下限为0、trefmin；机柜功率pr,i的上下限分别为prmin、prmax，每次仅改变一个机柜的功率、周围空气流速以及空调温度设置在范围内变化，保持其他机柜设置不变，采集在不同fi和pr,i以及不同tref,j下的关键点温度数据，将采集的关键点温度t和对应的空气流速fi、机柜功率pr,i以及空调设置温度tref,j一起组成数据库；
33)训练数据量选择：训练的数据量为(n+m)*2000；
34)选择模型训练方法：神经网络训练，得到最终的非线性温度预测模型；所述神经网络包括多层bp神经网络和elm神经网络；所述神经网络参数选择方法包括经验公式法和试错法。
5.根据权利要求1所述的一种基于神经网络模型的数据中心能效优化控制方法，其特征在于，所述步骤四中，制冷系统能耗优化调控包括以下步骤：
41)得到制冷系统功率，数据中心制冷系统功率包括m台空调的功率，以及n台机柜的风扇功率，空调功率pc,j由如下公式决定：
其中ρ为空气密度、cp为空气比热容，fj为空调周围空气流速，由空调自身决定，tco,j为空调出口温度、tci,j为空调进口温度，cop(tco,j)为空调节点的制冷效率，由tco,j决定，公式如下，
cop(tco,j)＝0.0068·tco,j2+0.0008·tco,j+0.458
机柜风扇功率pf,i由如下公式决定：
pf,i＝a0fi3+a2fi2+a3fi
pf,i只与机柜周围空气流速有关，a0、a2、a3皆为常数，通过数据拟合得到，温度单位均为℃，功率单位均为w，数据中心制冷系统功率最终定义为空调功率pc,j与机柜风扇功率pf,i之和，制冷系统总功率pcooling的计算公式如下：
42)建立能耗优化问题，由各功率的决定公式可知，制冷系统总功率pcooling与机柜周围空气流速fi和空调进出口温度tci,j、tco,j有关，又结合非线性温度预测模型，空调进出口温度tci,j、tco,j由机柜周围空气流速fi、机柜功率pr,i和空调设定温度tref,j预测得到，制冷系统总功率pcooling通过优化机柜周围空气流速fi和空调设定温度tref,j来降低，即能耗优化问题定义为：
已知数据中心机房有n台机柜和m台空调、各个机柜功率p＝[pr,1,pr,2,…,pr,n]t的分布已经确定，在给定的约束条件中找到机柜周围空气流速f＝[f1,f2,…,fn]t和空调设置温度tref＝[tref,1,tref,2,…,tref,m]t的最优值来最小化制冷系统总功率pcooling；
43)能耗优化问题求解：使用粒子群优化算法求解，算法中由位置和速度来描述粒子的运动，位置表示机柜周围空气流速f和空调设定温度tref，位置和速度是随机初始化的，能耗优化问题中的约束定义了位置的边界，粒子的位置在每一步中都粒子的速度改变，随着速度和位置的不断更新，粒子向最好的位置移动，当迭代次数达到指定的限制或当前粒子群满足预先定义的收敛条件时，优化停止得到最好的位置结果；
44)将求解得到的最优解f与tref记录下来，对应调节机柜风扇转速和空调温度设置，可将制冷系统总功率降至最低，最终实现制冷设备能耗的优化调控。
6.根据权利要求5所述的一种基于神经网络模型的数据中心能效优化控制方法，其特征在于，步骤42)中能耗优化问题中的约束为：
51)机柜安全运行的条件为进口温度不超过于27℃、出口温度不超过35℃，即tri,i≤27℃、tro,i≤35℃；
52)机柜周围空气流速fi的约束范围为0≤fi≤fmax；
53)空调设定温度tref,j的约束范围为trefmin≤tref,j≤trefmax。
技术总结