(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210630433.X (22)申请日 2022.06.06 (71)申请人 深圳市云海网能科技有限公司 地址 518000 广东省深圳市龙华区福城街 道桔塘社区新塘村8号源创园陆号A7 栋103 (72)发明人 杨亮　苏时贵　夏玉学　 (74)专利代理 机构 北京棘龙知识产权代理有限 公司 11740 专利代理师 顾川江 (51)Int.Cl. H05K 7/20(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于AI技术实现微模块节能控制的系统及 方法 (57)摘要 本发明公开了基于AI技术实现微模块节能 控制的系统及方法， 该系统及方法旨在解决现有 技术下对微模块内的温度、 湿度数据采集精度 低， 且在训练过程中容易出现的梯度消失、 爆炸 等现象， 降低预测准确率的技术问题。 该系统包 括微模块、 温湿度传感器、 AI控制模块、 动环监控 系统和精密空调； 所述微模块内部署有用于监测 微模块内的温度和湿度数据的温湿度传感器、 安 装在所述微模块内用于控制精密空调的送风温 度和风机转速的AI控制模块。 该系统及方法， 在 温度不利点按 位置高低， 部署2 个温湿度传感器， 对微模块内的温度、 湿度数据采集精度更高， 对 长期信息的记忆使得长短期记忆网络模型具有 很高的预测准确率， 采用AI算法， 降低精密空调 运行能耗。 权利要求书2页 说明书5页 附图2页 CN 114916209 A 2022.08.16 CN 114916209 A 1.基于AI技术实现微模块节能控制的系统， 该系统包括微模块、 温湿度传感器、 AI控制 模块、 动环监控系统和精密空调； 其特 征在于， 所述微模块内部署有用于监测微模块内的温度和湿度数据的温湿度传感器、 安装在所 述微模块内用于控制精密空调的送风温度和风机转速的AI控制模块； 所述温湿度传感器根据微模块的空间结构和精密空调大气流组织流向， 在每一个温湿 度不利点， 按位置高低部署； 所述AI控制模块根据精密空调和 温湿度传感器的数据， 采用AI算法， 匹配合适的IT制 冷总输入量， 并控制精密空调的送风温度和风机转速， AI控制模块内预装有长短期记忆网 络模型， 长 短期记忆网络模型在循环神经网络的重复模块中加入输入门、 遗忘门和输出门， AI算法设定了两个算法目标： 其一为预测IT冷量需求， 以实现空调供冷量接近 冷量需求； 其 二为在指定制冷量的约束条件下， 寻找空调机组能耗的全局最优工况解。 所述动环监控系统通过与AI控制模块、 温湿度传感器和精密空调的连接， 对微模块中 精密空调、 温湿度传感器和列头柜的数据进行遥测、 遥信、 遥调和遥控， 并实时监测其运行 参数， 诊断和处理故障， 记录和分析相关数据， 并对设备进行集中监控和集中维护， 所述动 环监控系统的系统模式包括： 常规模式和新控制模式， 常规模式为现有操作模式， 新控制模 式为AI自动控制 模式， AI自动控制 模式下， AI控制 模块通过动环监控系统下发控制指令到 精密空调， 设置空调参数， 控制精密空调冷量输出； 所述精密空调被纳入动环监控系统进行远程监测和控制， 所述精密空调的控制模式包 括： 本地控制 模式、 群控模式和AI 自动控制 模式， 且AI 自动控制 模式的优先级最高， 所述精 密空调在A I自动控制模式下， 开放远程开关机通讯协 议、 开放精密空调出风温度设定、 开放 控制点位通讯协议和关闭除制冷外其它工作模式。 2.根据权利要求1所述的基于AI技术实现微模块节能控制的系统， 其特征在于， 所述微 模块有两种类型， 分别为微模块A和微模块B， 所述微模块A的传感器位置有4处， 每处按高低 部署2个； 所述 微模块B的传感器有12处， 每处按高低部署2个。 3.根据权利要求1所述的基于AI技术实现微模块节能控制的系统， 其特征在于， 所述数 据预处理中的数据包括每 个精密空调的IT负载功率、 温湿度传感器的温度值和湿度值。 4.根据权利要求1所述的基于AI技术实现微模块节能控制的系统， 其特征在于， 所述精 密空调在AI自动控制模式下， 开 放控制点 位通讯协议包括： a.精密空调风机转速设定； b.风速上限设定、 风速下限设定； c.满足a或b可。 5.根据权利要求1所述的基于AI技术实现微模块节能控制的系统， 其特征在于， 所述目 标参数为冷量需求。 6.根据权利要求1所述的基于AI技术实现微模块节能控制的系统， 其特征在于， 所述对 抗网络由两个神经网络组成， 一个称为生成器， 一个称为判别器， 生 成器尝试生成能够欺骗 判别器的虚 假样本， 而判别器判别样本是真实样本， 还是生成器生成的虚假样本， 二者在对 抗训练下不断优化， 最终达 到纳什平衡， 使用迁移学习， 重新训练生成对抗网络 。 7.根据权利要求1所述的基于AI技术实现微模块节能控制的系统， 其特征在于， 所述精 密空调在精密空调在AI自动控制模式下的其它工作模式包括但不限于制热、 除湿和送风，权　利　要　求　书 1/2 页 2 CN 114916209 A 2所述开放精密空调出风温度设定的控制精度＜0.3℃。 8.根据权利要求1所述的基于AI技术实现微模块节能控制的系统， 其特征在于， 所述AI 控制模块通过动环监控系统下发的控制指令包括： 远程切换精密空调运行模式、 远程精密 空调开关机、 精密空调送风温度设定和精密空调内风机转速设定 。 9.基于AI技术实现微模块节能控制的方法， 其特征在于包括根据权利要求1 ‑8所述的 基于AI技术实现微模块节能控制的系统， 其 步骤如下： S1： AI控制模块根据精密空调和温湿度传感器的数据， 采用AI算法， 匹配合适的IT制冷 总输入量， 并控制精密空调的送风温度和风机转速， AI 算法设定 了两个算法目标： 其一预测IT冷量需求， 以实现空调供冷量接 近冷量需求的处 理步骤如下： S11:数据预处 理： 包括对相关历史数据和当前 数据进行关联分析和预处 理； S12使用精密空调的送回风温差和风机转速模拟计算出目标参数： 冷量需求； S13： 使用自编码器进行数据的降维或者特征的抽取， 先将输入压缩成潜在空间表征， 然后通过这种表征来重构输出， 利用输入数据和输出 数据的关联关系训练网络模型； S14： 使用长短期记 忆网络模型， 预测未来数个周期的目标参数； 其二在指定制冷量的约束条件下， 寻找 空调机组能耗的全局最优工况解的处理步骤如 下： S21： 神经网络训练： 包括对相 关历史数据和当前数据进行关联分析， 数据主要是微模 块数据中心的空调送风温度、 风机转速和精密空调功率 值； S22： 将训练得到的网络模型结合生成对抗网络， 对抗网络由两个神经网络组成， 一个 称为生成器， 一个称为判别器， 生 成器尝试生 成能够欺骗判别器的虚 假样本， 而判别器判别 样本是真实样本， 还 是生成器生成的虚 假样本， 二者在 对抗训练下不断优化， 最终达到纳什 平衡， 使用迁移学习， 重新训练生成对抗网络； S23： 使用长短期记忆网络模型输出每台精密空调的风机转速设定值和送风温度设定 值， 在对抗网络中进行多 次学习， 预设精密 空调的总功率上限值为P1、 总功率下限值为P2， 使得精密空调的总功率 为P1‑P2范围内最小， 以找到最 合适的精密空调运行参数设定值。权　利　要　求　书 2/2 页 3 CN 114916209 A 3