[发明专利]一种基于强化学习模型的预测机柜进风温度的方法

说明书

本发明涉及人工智能技术领域，具体为一种基于强化学习模型的预测机柜进风温度的方法，所述方法包括以下步骤：所述方法包括以下步骤，步骤1通过热成像装置采集机柜的表面实际温度数据，通过热敏装置采集对应机柜的实际进风温度数据；步骤2调用神经网络模型进行训练，用机柜的表面实际温度数据为输入，机柜的实际进风温度数据作为输出反复训练，使得神经网络模型通过训练后能预测出机柜的进风模拟温度数据；步骤3建立强化学习模型；步骤4获得增强学习模型最优策略下的神经网络模型生成新的预测器；步骤5用最优的预测器对机柜的进风温度进行预测。该方法提高机柜的进风模拟温度数据准确率，节约了物料与人工成本，便于使用。

技术领域

本发明涉及人工智能技术领域，具体为一种基于强化学习模型的预测机柜进风温度的方法。

背景技术

机房数据中心机柜进风温度的测量是设计机房绕不开的话题，在机房节能改造过程中，改造前需对机房温度场进行测量，现有方法是采用手持式热敏测温装置，按一定的顺序，依次对每个机柜的进风气流温度进行测量，整个过程耗费时间成本过多，且数据中心温度场是时刻变化的，如果测量过程中空调的状态发生了改变，在此情况下测得的温度场并不是我们想要的结果，还有使用红外热成像的方法测量，红外热成像的优点是可以在较短的时间内采集到整个机房的温度信息，只是它测量的是机柜表面的温度数据，并不能代表进风气流的温度数据，数据中心是一个复杂的时变的环境，以往的基于BP神经网络的方法并不能很好的解决预测机柜进风温度的问题。鉴于此，我们提出一种基于强化学习模型的预测机柜进风温度的方法。

发明内容

本发明的目的在于提供一种基于强化学习模型的预测机柜进风温度的方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于强化学习模型的预测机柜进风温度的方法，所述方法包括以下步骤：

步骤1：通过热成像装置采集机柜的表面实际温度数据，通过热敏装置采集对应机柜的实际进风温度数据；

步骤2：调用神经网络模型进行训练，用机柜的表面实际温度数据为输入，机柜的实际进风温度数据作为输出反复训练，使得神经网络模型通过训练后能预测出机柜的进风模拟温度数据；

步骤3：建立强化学习模型；

神经网络模型作为强化学习模型的Agent；

神经网络每一次预测动作为Action；

模拟进风温度与实际进风温度的MSE作为Environment；

模拟进风温度与实际进风温度的MSE的大小作为设置Reward的依据。

步骤4：获得增强学习模型最优策略下的神经网络模型生成新的预测器；

步骤5：用最优的预测器对机柜的进风温度进行预测。

优选的，步骤1中，所述热成像装置为红外热成像仪。

优选的，步骤1中，所述热敏装置为热敏传感器。

优选的，步骤4中，在设置强化学习模型Reward的过程中遵循下列规则：

模拟进风温度与实际进风温度的MSE在温度区间[2,+∞)内时，评价指标为-100；

MSE在温度区间[1，2)内时，评价指标为-10；

MSE在温度区间[0.5，1)内时，评价指标为-1；

MSE在温度区间[0，0.5)内时，评价指标+100。