一种数据中心空调末端温度控制方法、装置及介质与流程

本发明涉及人工智能
技术领域：
，尤其涉及一种空调末端温度控制方法、装置及介质
背景技术：
：大型数据中心配备的空调系统所面对的服务对象主要是各类服务器、存储等it设备，其cpu(中央处理单元)、gpu(图形处理器)在工作时发热量大，温湿度要求较高，国际标准tierⅲ及以上的机房常采用新型空调末端以提供机架级、列间级就近制冷，此类空调分布于机柜前门或背板，每个机柜作为一个独立的制冷单元，针对机架送风，制冷效率较高，如图1所示。由于数据中心新型空调末端随机柜配置，每个idc(internetdatacenter)机房均分布着100-200台空调，相互之间皆为独立控制。新型空调控制方式法主要为送/回风温度控制法，通过利用机组送/回风侧的温度传感器采集到的温度值参与控制,将送/回风温度值与机组设定的目标温度值进行比较,通过计算出的冷量需求来控制机组的能力输出以及其他部件的按需动作。送/回风温度控制逻辑示意图如图2所示。冷量需求与送/回风温度、温度设定点、温度死区、温度比例带有关,即：冷量需求＝f(送风温度,温度设定点,温度死区,温度比例带)，具体计算公式如下：其中：比例带：符合机房内各设备使用条件的、可控的温度区间。温度死区：温度设定点附近，可近似认为机房内温度已达到设定要求的温度区间，分为正负死区，死区大小可根据实际场景温度控制精度来设定,死区设定最大值为±3℃。图3为温度死区示意图。尽管现阶段数据中心机房内已经配备了新型空调末端设备，并拥有合理的气流组织，但是随后出现在各大数据中心服务器的高、低密度混合部署，而同一机房内的上百台机房空调均为独立运行，彼此之间没有联系，在这种情况下，可能会出现如下问题：空调机组之间可能会出现竞争运行的情况，有的在制冷有的在制热，当机房的冷量冗余较大的时候，冗余机组的风机仍然在24小时不停地工作，导致能耗浪费；当机房内的某一台空调出现故障，或机房出现局部区域过热时，其它区域的空调不能及时地做出相应的反应。技术实现要素：本发明实施例提供了一种空调末端温度控制方法、装置及介质，用以实现数据中心空调系统温度的智能化、精准化控制，使所有空调设备协同一致工作，提升末端空调运行可靠性，降低能耗。第一方面，提供了一种数据中心空调末端温度控制方法，包括：获取数据中心各空调设备的送风温度和it设备功耗；利用温度预测模型对获取的各空调设备的送风温度和it设备功耗进行预测，得到各空调设备的回风温度预测值，其中，所述温度预测模型的权值参数为根据功耗温度样本数据利用神经网络进行训练，从n组权值组合中选择出的，所述n组权值组合为利用蚁群优化算法根据权值定义域确定的，n为大于1的整数；根据得到的各空调设备的回风温度预测值调整分别调整每一空调设备的回风温度。在一种实施方式中，利用蚁群优化算法根据权值定义域，按照以下流程确定所述n组权值组合：将所述权值定义域均匀地划分成若干子区域，每一子区域的边界点为一个候选权值；释放若干只蚂蚁，控制每一蚂蚁从每一个候选权值的子区域穿过且穿过一次，并记录对应的子区域标识；根据记录的子区域标识，确定各蚂蚁穿过的m个子区域的组合构成训练所述温度预测模型的m组参考权值，，m为大于1的整数；确定所述功耗温度样本数据，利用所述若干只蚂蚁确定出的若干组参考权值分别作为所述温度预测模型的候选权值参数进行训练，输出空调设备的第一回风温度候选预测值；根据所述第一回风温度候选预测值与第一回风温度期望值之间的第一误差，按照对应的第一误差由小到大的顺序，选择出n组参考权值得到所述n组权值组合。在一种实施方式中，在每一蚂蚁遍历结束后，还包括：更新每一候选权值对应的信息素。在一种实施方式中，按照以下公式更新每一候选权值对应的信息素：τ(t+1)＝ρ(t)+δτ(t)其中：τ(t+1)表示t+1时刻该候选权值对应的信息素；ρ表示预设的信息素残留系数；δτ(t)表示在t时刻的遍历过程中，所有蚂蚁在该候选权值上信息素的增量总量。在一种实施方式中，根据功耗温度样本数据，利用神经网络按照以下流程进行训练得到所述温度预测模型：针对所述n组权值组合中包含的每一组权值，利用该组权值作为权值参数的初值训练所述温度预测模型；分别输入所述功耗温度样本数据，得到每一组权值对应的温度预测模型输出的第二回风温度预测候选值；根据所述第二回风温度预测候选值与第二回风温度期望值之间的第二误差，确定对应的第二误差最小的一组权值作为所述温度预测模型的权值参数。在一种实施方式中，按照以下公式构建所述神经网络：其中，n1为隐含层神经元数；n为输入层神经元数；m为输出层神经元数；a为预设的常数。第二方面，提供了一种数据中心空调末端温度控制装置，包括：获取单元，用于获取数据中心各空调设备的送风温度和it设备功耗；预测单元，用于利用温度预测模型对获取的各空调设备的送风温度和it设备功耗进行预测，得到各空调设备的回风温度预测值，其中，所述温度预测模型的权值参数为根据功耗温度样本数据利用神经网络进行训练，从n组权值组合中选择出的，所述n组权值组合为利用蚁群优化算法根据权值定义域确定的，n为大于1的整数；调整单元，用于根据得到的各空调设备的回风温度预测值调整分别调整每一空调设备的回风温度。在一种实施方式中，本发明实施例提供的数据中心空调末端温度控制装置，还包括：划分单元，用于将所述权值定义域均匀地划分成若干子区域，每一子区域的边界点为一个候选权值；控制单元，用于释放若干只蚂蚁，控制每一蚂蚁从每一个候选权值的子区域穿过且穿过一次，并记录对应的子区域标识；第一确定单元，用于根据记录的子区域标识，确定各蚂蚁穿过的m个子区域的组合构成训练所述温度预测模型的m组参考权值，m为大于1的整数；第一训练单元，用于根据所述功耗温度样本数据，利用所述若干只蚂蚁确定出的若干组参考权值分别作为所述温度预测模型的候选权值参数进行训练，输出空调设备的第一回风温度候选预测值；选择单元，用于根据所述第一回风温度候选预测值与第一回风温度期望值之间的第一误差，按照对应的第一误差由小到大的顺序，选择出n组参考权值得到所述n组权值组合。在一种实施方式中，本发明实施例提供的数据中心空调末端温度控制装置，还包括：更新单元，用于在每一蚂蚁遍历结束后，更新每一候选权值对应的信息素。在一种实施方式中，所述更新单元可以按照以下公式更新每一候选权值对应的信息素：τ(t+1)＝ρ(t)+δτ(t)其中：τ(t+1)表示t+1时刻该候选权值对应的信息素；ρ表示预设的信息素残留系数；δτ(t)表示在t时刻的遍历过程中，所有蚂蚁在该候选权值上信息素的增量总量。在一种实施方式中，本发明实施例提供的数据中心空调末端温度控制装置，还包括：第二确定单元，用于针对所述n组权值组合中包含的每一组权值，利用该组权值作为权值参数的初值训练所述温度预测模型；第二训练单元，用于分别输入所述功耗温度样本数据，得到每一组权值对应的温度预测模型输出的第二回风温度预测候选值；第三确定单元，用于根据所述第二回风温度预测候选值与第二回风温度期望值之间的第二误差，确定对应的第二误差最小的一组权值作为所述温度预测模型的权值参数。在一种实施方式中，本发明实施例提供的数据中心空调末端温度控制装置，还包括：构建单元，用于其特征在于，按照以下公式构建所述神经网络：其中，n1为隐含层神经元数；n为输入层神经元数；m为输出层神经元数；a为预设的常数。第三方面，本发明实施例提供了一种计算装置，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。本发明实施例提供的数据中心空调末端温度控制方法、装置和介质中，利用蚁群优化算法对温度预测模型的初始权值组合进行优化得到n组权值组合，基于利用这n组权值组合对温度预测模型进行训练，选择对应的预测值与期望值误差最小的一组权值作为温度预测模型的权值参数，采用上述方法建立的温度预测模型，可以对数据中心所有空调回风温度进行精准预测，使所有空调设备协同一致高效工作，达到提升空调控制的可靠性，降低空调设备的功耗。附图说明为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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示出了现有技术中olt通过otn设备调度到bras上的网络架构示意图；图2示出了现有技术中送/回风温度控制逻辑示意图；图3示出了现有技术中温度死区示意图；图4示出了根据本发明实施方式的利用蚁群算法确定bp神经网络的n组权值组合的流程示意图；图5示出了根据本发明实施方式的神经网络结构示意图；图6示出了根据本发明实施方式的利用bp神经网络算法对温度预测模型进行训练的流程示意图；图7示出了根据本发明实施方式的利用aco-bp神经网络对温度预测模型进行训练的流程示意图；图8示出了根据本发明实施方式的控制器的结构示意图；图9示出了根据本发明实施方式的数据中心空调末端温度控制方法的实施流程示意图；图10示出了根据本发明实施方式的数据中心空调末端温度控制装置示意图；图11示出了根据本发明实施方式的计算装置的结构示意图。具体实施方式下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。为了达到在确定it设备正常运行的情况下，提高数据中心散热效率，降低能耗，有效地降低idc机房空调系统的电能损耗，本发明实施例中利用bp(backpropagation)神经网络实现数据中心空调末端系统的智能化、精准化控制，使空调有条不紊、协同一致高效工作，达到提升末端空调可靠性与降低能耗的目的。但是，由于bp神经网络容易陷入局部极小的补足，有鉴于此，本发明实施例中，提供了一种aco(蚁群优化算法)-bp神经网络训练方法。神经网络训练过程可以看做一个最优化问题，即找到一组最优的权值参数，使得在此权值下输出结果与期望结果之间的误差最小，蚁群优化算法成为寻找这m(m为大于1的整数)组最优权值参数的较好选择。其可以利用蚁群优化算法的全局寻优能力为神经网络提供n(n为大于1的整数)组较优的初始权值组合，以克服bp算法容易陷入局部最优、对初值设置较敏感的缺陷；进一步地，再利用bp算法梯度下井的原理进一步地细调权值，寻找真正的全局最优点，以克服由于对定义域进行分割带来的量化误差和单一蚁群算法训练网络耗费时间过长的补足。基于此，本发明实施例中，应用蚁群优化算法优化bp神经网络模型控制的基本原理，建立idc机房空调系统温度预测模型，并对系统进行神经网络预测控制，具体地，将it设备功耗与空调送风温度值设置成温度预测模型的输入参量，将回风温度值设置成温度预测模型的输出参量，通过功耗温度样本数据对温度预测模型不断的训练和联系，最终可以获得一个较好地映射对应关系的神经网络模型。具体实施时，还可以将训练好的温度预测模型进一步迭代为神经网络的控制器，让空调末端系统实际输出的回风温度无限接近系统的期望值，更加有效地实现数据中心空调系统温度的理想群控。如图4所示，其为根据权值定义域，利用蚁群算法确定bp神经网络的n组权值组合的流程示意图，包括以下步骤：s41、将权值定义域均匀地划分成若干子区域，每一子区域的边界点为一个候选权值。具体实施时，将所有权值均匀地划分成权值区间[wmin,wmax]为spn相等的部分，每个子区域边界的点就是一个候选权值。s42、释放若干只蚂蚁，控制每一蚂蚁从每一个候选权值的子区域穿过且穿过一次，并记录对应的子区域标识。本步骤中，将m只蚂蚁随机置于n个地点，初始时刻，每个点具有相同数量的信息素，。每个权值都有一张相对应的信息素表，如表1所示：第i次需要优化的权值为wi；划分的刻度值为ai，被看作一个点；τ(i)为ai相应的信息素；spn的候选点数目，域分为(spn-1)部分。每个子区域的每个的候选权值，蚂蚁只穿过一次，并记录对应的子区域标识，各蚂蚁所穿过的子区域的边界点即为选择出的数值。表1标号12……spn+1划分刻度a1a2……a(spn+1)信息素τ(1)τ(2)……τ(spn+1)具体实施时，释放m只蚂蚁后，其中，蚂蚁k基于以下概率公式从一个子区域到下一个子区域：蚂蚁记录所经过子区域的标号，即为该权值选择一个数值，并记录在函数tabuk中。当蚂蚁为所有权值参数选择数值后，蚂蚁完成了一次遍历，记录的所有数值构成了温度预测模型的所有权值参数。s43、确定各蚂蚁穿过的m个子区域的组合构成训练所述温度预测模型的m组参考权值。即bp神经网络的一组权值由这些子区域的组合构成。s44、根据功耗温度样本数据，利用若干只蚂蚁确定出的m组参考权值分别作为所述温度预测模型的候选权值参数进行训练，输出空调设备的第一回风温度候选预测值。s45、确定第一回风温度候选预测值与第一回风温度期望值之间的第一误差，按照对应的第一误差由小到大的顺序，选择出n组参考权值得到所述n组权值组合。具体实施时，如果路径上信息素不断增加残留信息就会过多，那么残留信息就会淹没启发信息，所以，在每一只蚂蚁遍历结束后，可以对路径上的残留信息进行更新处理，即对每一候选权值对应的信息素进行更新，具体地，在t+1时刻，路径(i，j)上，即相应的候选权值上的信息量可按如下公式进行更新调整，式中δτ的按公式计算。τ(t+1)＝ρ(t)+δτ(t)其中，τ(t+1)表示t+1时刻该候选权值对应的信息素；ρ表示信息素残留系数，蚂蚁间个体相互影响的程度被反映出来，ρ的取值为[0,1]，以防止信息素的过多积累，δτ(t)表示在循环中，所有蚂蚁在路径(i，j)上信息素的增量总量。其中，是q一个常数，表示信息素总量并且对于蚁群算法的收敛速度有一定影响，q值变得越小，表明蚁群算法的收敛速度越慢，反之，蚁群算法的收敛速度越块；ea记录了蚂蚁k在本次寻路中所走路径长度总和，对于蚁群算法的收敛速度也有一定影响，ea值变得越小，表明算法的收敛速度越好，bestsolution表示蚂蚁遍历结束后确定出的最优解。通过上述过程，利用蚁群优化算法可以确定出n组较优的权值组合，基于确定出的n组权值组合，利用bp神经网络算法对温度预测模型进行训练，以确定温度预测模型的权值参数。bp神经网络主要使用的是梯度最陡下降法，利用反向传播的原理，不断地调整网络的权值和阈值，使得神经网络中的误差平方和达到最小，通过误差的向后传播进而修正网络的权重。bp神经网络模型的拓扑结构主要包含了网络的输入层(inputlayer)、隐含层(hiddenlayer)以及输出层(outputlayer)，具体的神经网络结构如图5所示。由图5可知，输入层有i个神经元，每个神经元对应一个输入；隐含层有j个神经元；输入层有k个神经元，每个神经元对应一个输出；wij和wjk分别表示输入层到隐含层和隐含层到输出层的网络权值。输入层的输入输出分别为：其中，i代表神经元的输入，o代表神经元的输出；上标(1)表示第一层神经元，后面以此类推；m表示为输入变量的个数。隐含层的输入输出分别为：其中，f(·)为隐含层激发函数，n为隐含层神经元的个数。输出层的输入输出分别为：其中，g(·)为输出层激发函数，q为输出层神经元的个数。定义网络的误差性能指标函数为：式中，和分别为输出层神经元k的期望值与实际值，则ek为输出层神经元k的误差。如果输出层的k个神经元的计算输出(实际输出)都分别与其对应的k个期望输出相符(即ek小于或等于允许误差ε)，则神经网络的学习过程结束；否则，网络由误差反向传播过程来调整网络的权值wjk和wij。训练过程中，误差反向传播采用梯度下降法来调整权值，即wjk(k+1)＝wjk(k)+δwjkwij(k+1)＝wij(k)+δwij上述公式为调整权值wjk、wij的计算式。误差反向传播时不断的调整δw，从而达到修改各层权值的目的。bp算法的初始权值是蚁群算法查找的较优的n组权值组合，计算此时温度预测模型输出与期望输出之间的差值：并将误差由输出层反向传播回前端输入层，再次调整权值，直到满足条件才停止。基于此，本发明实施例中，利用bp神经网络算法可以按照如图5所示的流程对温度预测模型进行训练：s61、针对所述n组权值组合中包含的每一组权值，利用该组权值作为权值参数的初值训练所述温度预测模型。s62、分别输入功耗温度样本数据，得到每一组权值对应的温度预测模型输出的第二回风温度预测候选值。s63、根据第二回风温度预测候选值与第二回风温度期望值之间的第二误差，确定对应的第二误差最小的一组权值作为温度预测模型的权值参数。综上，本发明实施例中可以按照图7所示的流程对温度预测模型进行训练：s71、参数初始化。本步骤中，对蚁群优化算法的参数进行初始化。具体地，将权值区间[wmin,wmax]均匀分割为spn等分，为每一个候选权值建立一张如表1所示的信息素表，设置信息素的初始值为τ0，信息素挥发系数ρ，信息素增量强度q，蚁群优化算法的最大迭代次数可以设定为naco，bp神经网络算法的学习率设定为η，bp神经网络算法的最大迭代次数为nbp，训练误差退出条件为e0，最优解保留数目n等参数。s72、判断蚁群优化算法是否满足结束条件，如果是，执行步骤s76，否则，执行步骤s73。s73、释放m只蚂蚁。具体地，每一只蚂蚁根据上述的概率公式从一个点到达另一个点。s74、搜索最优权值组合。s75、更新信息素，并执行步骤s72。s76、输出n组较优的权值组合。s77、选择地i组权值组合作为初值训练温度预测模型。s78、提交网络输入，计算隐含层和输出层的输出。s79、计算期望输出与实际输出的差值。s110、更新i的值本步骤中，更新i的值为i＝i+1。s711、判断i是否大于n，如果是，执行步骤s712，如果否，执行步骤s713。s712、输出预测结果最好的一组权值组合，流程结束。s713、转入反向创博，计算各层误差信号。s714、调整网络输出层和隐含层各层权值，并执行步骤s78。通过图7所示的流程，可以得到训练好的温度预测模型。本发明实施例中，将训练好的温度预测模型作为数据中心空调末端群控系统的控制器，如图8所示，其为本发明实施例提供的控制器的结构示意图。利用该控制器，控制空调末端实际输出的回风温度更接近期望值，更加有效地实现机房控制系统温度的理想群控，更好地解决空调系统控制过程中所出现的复杂非线性等各类问题。具体地，将机柜回风温度t′作为空调温度控制器输入指令u，控制系统输出为y，并且输入与输出之间满足的非线性函数关系y＝g(u)。系统控制的最终目的是为了能够确定输入控制量u的最佳值，这样系统的实际输出y便可近似等于系统的期望输出yd。在该系统中可以把神经网络的功能看作输入/输出的映射，此功能称为函数变换，并可用函数关系u＝f(yd)进行描述表达。为了满足系统输出y能够等于期望的输出yd，结合前面的两个公式得到y＝g[f(yd)]。显然，当f(·)＝g-1(·)时，满足y＝yd的要求。如图9所示，其为本发明实施例提供的数据中心空调末端温度控制方法的实施流程示意图，包括以下步骤：s91、获取数据中心各空调设备的送风温度和it设备功耗。s92、利用温度预测模型对获取的各空调设备的送风温度和it设备功耗进行预测，得到各空调设备的回风温度预测值。s93、根据得到的各空调设备的回风温度预测值调整分别调整每一空调设备的回风温度。为了更好地理解本发明，以下结合具体的实施例对本发明的实施过程进行说明。以数据中心共有100个机柜，同时配置100台空调末端进行制冷，按照8列依次分布，同时，机房中将机柜以交替的模式进行排列，即机柜面对面排列的方式，形成冷/热通道，如此一来，在数据中心的热通道温度(机柜回风温度)反映了it设备的散热情况，机房冷通道温度反映空调系统的送风温度。具体实施时，将空调送风温度有效地控制在18℃-28℃范围内。首先，均匀划分权值区间[wmin,wmax]为spn相等的部分，为每个参数设置一个信息素表，τ(0)为信息素初始值设置值，ρ推荐取值0.7～0.95，取ρ＝0.8，q为信息素增量强度，取q＝1，训练错误退出条件e0，最优解保留数目σ端口和其他参数的数量。输入功耗温度样本数据，得出相应的输出结果，然后计算错误e。记录误差σ组的权值，并比较初始误差e0与最小误差emin的大小，更新信息素τ(t+1)＝ρ(t)+δτ(t)，迭代数次直到满足要求，输出n组权值组合。基于蚁群优化算法输出的n组权值组合，采用三层bp神经网络，根据经验公式来初步确定隐含层神经元个数为5，然后完成输入、输出之间映射关系的学习研究，建立起一个能够对机柜回风温度预测的bp神经网络。其中，n1为隐含层神经元数，n为输入层神经元数，m为输出层神经元数，a为预设的常数，在一个实施例中，其取值可以为1-10之间的常数。根据蚁群优化算法输出的n组权值组合，利用建立的bp神经网络对温度预测模型进行训练，选择输出值与期望值之间的差值最小的一组权值组合作为温度预测模型的权值参数。采集机房内100个机柜对应的it负载功耗pi(i＝1,2,...,100)空调送风温度ti(i＝1,2,...,100)作为温度预测模型的输入变量，输入到训练好的温度预测模型中，输出对应的机柜回风温度t′j(j＝1,2,...,100)。由此，实现了数据中心空调系统结合it设备的功耗，根据机柜送风温度来调整空调的回风温度，合理有效地控制室内温度。基于相同的技术构思，本发明实施例还提供了一种数据中心空调末端温度控制装置，如图10所示，包括：获取单元101，用于获取数据中心各空调设备的送风温度和it设备功耗；预测单元102，用于利用温度预测模型对获取的各空调设备的送风温度和it设备功耗进行预测，得到各空调设备的回风温度预测值，其中，所述温度预测模型的权值参数为根据功耗温度样本数据利用神经网络进行训练，从n组权值组合中选择出的，所述n组权值组合为利用蚁群优化算法根据权值定义域确定的，n为大于1的整数；调整单元103，用于根据得到的各空调设备的回风温度预测值调整分别调整每一空调设备的回风温度。在一种实施方式中，本发明实施例提供的数据中心空调末端温度控制装置，还包括：划分单元，用于将所述权值定义域均匀地划分成若干子区域，每一子区域的边界点为一个候选权值；控制单元，用于释放若干只蚂蚁，控制每一蚂蚁从每一个候选权值的子区域穿过且穿过一次，并记录对应的子区域标识；第一确定单元，用于根据记录的子区域标识，确定各蚂蚁穿过的m个子区域的组合构成训练所述温度预测模型的m组参考权值，m为大于1的整数；第一训练单元，用于根据所述功耗温度样本数据，利用所述若干只蚂蚁确定出的m组参考权值分别作为所述温度预测模型的候选权值参数进行训练，输出空调设备的第一回风温度候选预测值；选择单元，用于确定所述第一回风温度候选预测值与第一回风温度期望值之间的第一误差，按照对应的第一误差由小到大的顺序，选择出n组参考权值得到所述n组权值组合。在一种实施方式中，本发明实施例提供的数据中心空调末端温度控制装置，还包括：更新单元，用于在每一蚂蚁遍历结束后，更新每一候选权值对应的信息素。在一种实施方式中，所述更新单元可以按照以下公式更新每一候选权值对应的信息素：τ(t+1)＝ρ(t)+δτ(t)其中：τ(t+1)表示t+1时刻该候选权值对应的信息素；ρ表示预设的信息素残留系数；δτ(t)表示在t时刻的遍历过程中，所有蚂蚁在该候选权值上信息素的增量总量。在一种实施方式中，本发明实施例提供的数据中心空调末端温度控制装置，还包括：第二确定单元，用于针对所述n组权值组合中包含的每一组权值，利用该组权值作为权值参数的初值训练所述温度预测模型；第二训练单元，用于分别输入所述功耗温度样本数据，得到每一组权值对应的温度预测模型输出的第二回风温度预测候选值；第三确定单元，用于根据所述第二回风温度预测候选值与第二回风温度期望值之间的第二误差，确定对应的第二误差最小的一组权值作为所述温度预测模型的权值参数。在一种实施方式中，本发明实施例提供的数据中心空调末端温度控制装置，还包括：构建单元，用于其特征在于，按照以下公式构建所述神经网络：其中，n1为隐含层神经元数；n为输入层神经元数；m为输出层神经元数；a为预设的常数。另外，结合图9描述的本发明实施例的数据中心空调末端温度控制方法可以由计算装置来实现。图11示出了本发明实施例提供的计算装置的硬件结构示意图。本发明实施例提供的计算装置可以包括处理器111以及存储有计算机程序指令的存储器112。具体地，上述处理器111可以包括中央处理器(cpu)，或者特定集成电路(applicationspecificintegratedcircuit，asic)，或者可以被配置成实施本发明实施例的一个或多个集成电路。存储器112可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器112可包括硬盘驱动器(harddiskdrive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universalserialbus，usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器112可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器112可在数据处理装置的内部或外部。在特定实施例中，存储器112是非易失性固态存储器。在特定实施例中，存储器112包括只读存储器(rom)。在合适的情况下，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。处理器111通过读取并执行存储器112中存储的计算机程序指令，以实现上述实施例中的任意一种业务保护方法。在一个示例中，otn设备还可包括通信接口113和总线110。其中，如图7所示，处理器111、存储器112、通信接口113通过总线110连接并完成相互间的通信。通信接口113，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。总线110包括硬件、软件或两者，将otn设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(agp)或其他图形总线、增强工业标准架构(eisa)总线、前端总线(fsb)、超传输(ht)互连、工业标准架构(isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线110可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。另外，结合上述实施例中的数据中心空调末端温度控制方法，本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种数据中心空调末端温度控制方法。需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。当前第1页12