机房环境调控方法、装置、电子设备及存储介质与流程

1.本技术涉及科技金融领域，尤其涉及一种机房环境调控方法、装置、电子设备及存储介质。


背景技术：

2.随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技(finteh)转变，有序分类技术也不例外，但由于金融行业的安全性、实时性要求，也对技术提出的更高的要求。随着通信和网络技术的飞速发展，数据中心(internet data center)的规模和功率密度不断增加，在数据中心机房集中了大量的互联网技术(intemet technology；it)设备。it设备在运行中会产生大量的热量，使得数据中心机房的环境温度异常，为了使数据中心机房能达到恒温恒湿的技术要求，通常需要设置制冷和控湿系统来为数据中心机房控温控湿。
3.现有技术中，为了实现对数据中心机房的温度和湿度进行控制，通常利用温湿度监测探头，采集数据中心机房内部各局点温湿度数据，并将温湿度数据上报至中央监控系统，工作人员根据温湿度数据并参照设定的温湿度安全阈值，以及工作经验，手工调控空调的供冷量及加湿器的功率输出，从而使数据中心机房能到达恒温恒湿的环境要求。
4.然而，现有技术中，通过温湿度探头定点采集数据中心机房内部温湿度数据，再通过对比温湿度安全阈值来进行指令或者人为调控的方式存在滞后性，进而导致机房调控的准确性较低。


技术实现要素：

5.本技术提供一种机房环境调控方法、装置、电子设备及存储介质，用以解决现有技术中机房环境调控准确定较低的技术问题。
6.第一方面，本技术提供一种机房环境调控方法，包括：
7.构建神经网络预测模型；获取机房的环境因子数据；根据环境因子数据和神经网络预测模型，生成机房的环境调节信息；根据环境调节信息，对机房的环境进行调控。
8.本技术实施例中，通过利用神经网络预测模型对机房的环境因子数据进行处理，生成机房的环境调节信息，进而根据环境调节信息，对机房的环境进行调控，实现了利用环境因子数据，对机房调节信息的预判，解决了现有技术中，通过温湿度探头定点采集数据中心机房内部温湿度数据，再通过对比温湿度安全阈值来进行指令或者人为调控的方式存在滞后性的问题，提高了机房调控的准确性。
9.在一种可能的实施方式中，本技术实施例提供的机房环境调控方法，在构建神经网络预测模型之前，还包括：
10.根据主成分分析法对机房的历史环境因子数据进行分析，确定环境因子中的主成分因子。
11.构建神经网络预测模型包括：根据主成分因子，构建神经网络预测模型。
12.本技术实施例中，通过采用主成分分析法对历史环境因子数据进行分析，确定环境因子中的主成分因子，进而利用主成分因子，构建神经网络模型，提高了神经网络预测模型的精确度和颗粒度。
13.在一种可能的实施方式中，本技术实施例提供的机房环境调控方法，根据主成分因子，构建神经网络预测模型，包括：
14.构建神经网络预测模型的神经网络结构；生成训练样本对，训练样本对包括主成分因子数据样本和环境调节信息样本；利用训练样本对，对神经网络结构进行训练，生成神经网络预测模型。
15.在一种可能的实施方式中，本技术实施例提供的机房环境调控方法，神经网络结构包括输入层、隐蔽层和输出层，
16.输入层用于输入主成分因子数据样本；隐蔽层的输入为主成分因子数据样本的第一加权和，隐蔽层的输出为第一加权和的第一转移函数值；输出层的输入为第一转移函数值的第二加权和，输出层的输出为第二加权和的第二转移函数值。
17.在一种可能的实施方式中，本技术实施例提供的机房环境调控方法，利用训练样本对，对神经网络结构进行训练，包括：
18.确定神经网络结构第一加权调节量和第二加权调节量，第一加权调节量是输入层至隐蔽层的加权调节量，第二加权调节量是隐蔽层至输出层的加权调节量；将主成分因子数据样本输入至神经网络结构中，生成预测环境调节信息；利用预测环境调节信息与环境调节信息样本，确定第一加权调节量和第二加权调节量的加权修正量；利用加权修正量更新神经网络结构的第一加权调节量和第二加权调节量，然后使用更新后的神经网络结构对训练样本对进行训练，直到预测环境调节信息与环境调节信息样本之间的误差满足预设条件，训练结束。
19.在一种可能的实施方式中，本技术实施例提供的机房环境调控方法，生成训练样本对，包括：
20.确定主成分因子数据样本和环境调节信息样本；对主成分因子数据样本和环境调节信息样本进行归一化处理，生成训练样本对。
21.本技术实施例中，通过在确定主成分因子数据样本和环境调节信息样本之后，对主成分因子数据样本和环境调节信息样本进行归一化处理，防止不同主成分因子数据样本由于量纲差异出现数据异常、以及某些主成分因子数据样本因数值小而被掩盖。
22.在一种可能的实施方式中，本技术实施例提供的机房环境调控方法，根据主成分分析法对机房的历史环境因子数据进行分析，确定环境因子中的主成分因子，包括：
23.对历史环境因子数据进行标准化处理，生成历史环境因子数据的标准化数据矩阵；确定标准化数据矩阵的相关系数矩阵；利用相关系数矩阵确定每个环境因子的贡献率和累积贡献率；根据贡献率和累积贡献率，确定主成分因子。
24.本技术实施例中，通过对历史环境因子数据进行分析处理，并根据每个环境因子的贡献率和累积贡献率确定主成分因子，提高了主成分因子的可靠性。
25.在一种可能的实施方式中，本技术实施例提供的机房环境调控方法，根据贡献率和累积贡献率，确定主成分因子，包括：
26.确定累积贡献率达到预设贡献率时，所需最少的环境因子数量为目标数量；按照
贡献率的大小顺序，确定目标数量的环境因子为主成分因子。
27.下面介绍本技术实施例提供的机房环境调控装置、电子设备、计算机可读存储介质以及计算机程序产品，其内容和效果可参考本技术实施例提供的机房环境调控方法，不再赘述。
28.第二方面，本技术提供一种机房环境调控装置，包括：
29.构建模块，用于构建神经网络预测模型。
30.获取模块，用于获取机房的环境因子数据。
31.处理模块，用于根据环境因子数据和神经网络预测模型，生成机房的环境调节信息。
32.调控模块，用于根据环境调节信息，对机房的环境进行调控。
33.在一种可能的实施方式中，本技术实施例提供的机房环境调控装置，还包括：
34.确定模块，用于根据主成分分析法对机房的历史环境因子数据进行分析，确定环境因子中的主成分因子。
35.构建模块，具体用于：根据主成分因子，构建神经网络预测模型。
36.在一种可能的实施方式中，本技术实施例提供的机房环境调控装置，构建模块，具体用于：
37.构建神经网络预测模型的神经网络结构；生成训练样本对，训练样本对包括主成分因子数据样本和环境调节信息样本；利用训练样本对，对神经网络结构进行训练，生成神经网络预测模型。
38.在一种可能的实施方式中，本技术实施例提供的机房环境调控装置，神经网络结构包括输入层、隐蔽层和输出层，
39.输入层用于输入主成分因子数据样本；隐蔽层的输入为主成分因子数据样本的第一加权和，隐蔽层的输出为第一加权和的第一转移函数值；输出层的输入为第一转移函数值的第二加权和，输出层的输出为第二加权和的第二转移函数值。
40.在一种可能的实施方式中，本技术实施例提供的机房环境调控装置，构建模块，具体用于：
41.确定神经网络结构第一加权调节量和第二加权调节量，第一加权调节量是输入层至隐蔽层的加权调节量，第二加权调节量是隐蔽层至输出层的加权调节量；将主成分因子数据样本输入至神经网络结构中，生成预测环境调节信息；利用预测环境调节信息与环境调节信息样本，确定第一加权调节量和第二加权调节量的加权修正量；利用加权修正量更新神经网络结构的第一加权调节量和第二加权调节量，然后使用更新后的神经网络结构对训练样本对进行训练，直到预测环境调节信息与环境调节信息样本之间的误差满足预设条件，训练结束。
42.在一种可能的实施方式中，本技术实施例提供的机房环境调控装置，构建模块，具体用于：
43.确定主成分因子数据样本和环境调节信息样本；对主成分因子数据样本和环境调节信息样本进行归一化处理，生成训练样本对。
44.在一种可能的实施方式中，本技术实施例提供的机房环境调控装置，确定模块，具体用于：
45.对历史环境因子数据进行标准化处理，生成历史环境因子数据的标准化数据矩阵；确定标准化数据矩阵的相关系数矩阵；利用相关系数矩阵确定每个环境因子的贡献率和累积贡献率；根据贡献率和累积贡献率，确定主成分因子。
46.在一种可能的实施方式中，本技术实施例提供的机房环境调控装置，确定模块，具体用于：
47.确定累积贡献率达到预设贡献率时，所需最少的环境因子数量为目标数量；按照贡献率的大小顺序，确定目标数量的环境因子为主成分因子。
48.第三方面，本技术实施例提供一种电子设备，包括：
49.处理器，以及与处理器通信连接的存储器；
50.存储器存储计算机执行指令；
51.处理器执行存储器存储的计算机执行指令，以实现第一方面或第一方面可实现方式提供的机房环境调控方法。
52.第四方面，本技术实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如第一方面或第一方面可实现方式提供的机房环境调控方法。
53.第五方面，本技术实施例提供一种计算机程序产品，包括计算机执行指令，该计算机执行指令被处理器执行时用于实现如第一方面或第一方面可实现方式提供的机房环境调控方法。
54.本技术提供的机房环境调控方法、装置、电子设备及存储介质，通过构建神经网络预测模型，并获取机房的环境因子数据，然后根据环境因子数据和神经网络预测模型，生成机房的环境调节信息，最后根据环境调节信息，对机房的环境进行调控。由于通过利用神经网络预测模型对机房的环境因子数据进行处理，生成机房的环境调节信息，进而根据环境调节信息，对机房的环境进行调控，实现了利用环境因子数据，对机房调节信息的预判，解决了现有技术中，通过温湿度探头定点采集数据中心机房内部温湿度数据，再通过对比温湿度安全阈值来进行指令或者人为调控的方式存在滞后性的问题，提高了机房调控的准确性。
附图说明
55.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
56.图1是本技术实施例提供的一示例性应用场景架构图；
57.图2是本技术一实施例提供的机房环境调控方法的流程示意图；
58.图3是本技术另一实施例提供的机房环境调控方法的流程示意图；
59.图4是本技术实施例提供的神经网络结构的结构示意图；
60.图5是本技术一实施例提供的神经元的结构示意图；
61.图6是本技术一实施例提供的机房环境调控装置的结构示意图；
62.图7是本技术另一实施例提供的机房环境调控装置的结构示意图；
63.图8是本技术实施例提供的电子设备的结构示意图。
64.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图
和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
65.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
66.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
67.随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技转变，有序分类技术也不例外，但由于金融行业的安全性、实时性要求，也对技术提出的更高的要求。随着通信和网络技术的飞速发展，数据中心的规模和功率密度不断增加，现有技术中，为了实现对数据中心机房的温度和湿度进行控制，通常利用温湿度监测探头，采集数据中心机房内部各局点温湿度数据，并将温湿度数据上报至中央监控系统，工作人员根据温湿度数据并参照设定的温湿度安全阈值，以及工作经验，手工调控空调的供冷量及加湿器的功率输出，该方式不仅存在滞后性，导致机房调控的准确性较低，而且还可能存在工作人员因经验和操作不当引发的机房温湿度异常问题。
68.为了解决上述技术问题，本技术实施例提供的机房环境调控方法、装置、电子设备及存储介质的发明构思在于，通过利用神经网络预测模型对机房的环境因子数据进行处理，生成机房的环境调节信息，进而根据环境调节信息，对机房的环境进行调控，实现了利用环境因子数据，对机房调节信息的预判，提高了机房调控的准确性。进一步的，本技术实施例通过利用主成分分析法对历史环境因子数据进行分析，确定环境因子中的主成分因子，进而利用主成分因子，构建神经网络模型，提高了神经网络预测模型的精确度和颗粒度。
69.以下，对本技术实施例的示例性应用场景进行介绍。
70.本技术实施例提供的机房环境调控方法可以通过本技术实施例提供的机房环境调控装置执行，本技术实施例提供的机房环境调控装置可以集成在终端设备或服务器上，或者该机房环境调控装置可以为终端设备或服务器本身。
71.本技术实施例提供的机房环境调控方法、装置、电子设备及存储介质，可以应用在数据中心机房中，数据中心是数据资源进行集中、集成、共享、分析的场地，是企业的业务系统。数据中心机房按功能可以划分为主机房、辅助区、办公区等，其基础设施主要包括：供配电系统、空调及通风系统、防雷与接地系统、消防报警及自动灭火系统、弱电系统和it设备等。
72.在一种可能的实施方式中，图1是本技术实施例提供的一示例性应用场景架构图，如图1所示，该架构主要包括：终端设备、服务器、空调和加湿器。例如，本技术实施例可以通过终端设备构建神经网络预测模型，终端设备可以通过服务器获取机房的环境因子数据，然后终端设备将环境因子数据输入至神经网络预测模型中，神经网络预测模型经过处理，输出机房的环境调节信息，环境调节信息可以是对空调的控制信息和/或对加湿器的控制信息，终端设备可以将环境调节信息发送至空调和/或加湿器，进而控制空调和/或加湿器工作，实现对机房的环境的调控。本技术实施例仅以此实施场景为例，并不限于此。
73.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
74.图2是本技术一实施例提供的机房环境调控方法的流程示意图，该方法可以由机房环境调控装置执行，该装置可以通过软件和/或硬件的方式实现，下面以终端设备为执行主体为例，对机房环境调控方法进行说明。如图2所示，本技术实施例提供的机房环境调控方法可以包括：
75.步骤s101：构建神经网络预测模型。
76.数据中心机房内的环境因子数据与环境调节信息之间存在因果关系，但由于环境因子数据和环境调节信息之间具有较强的非线性关系，难以通过某些解析表达式进行描述，神经网络是一种高度自适应的非线性动力系统，通过bp(back propagation)神经网络预测模型从历史数据库中提取海量的原始数据来进行建模学习，可得到输入与输出之间的高度非线性映射关系。
77.因此，使用神经网络预测模型可建立起机房的环境因子数据与环境调节信息之间的非线性关系，其中，环境调节信息可以是空调冷量需求、加湿器功率等信息，本技术实施例仅以此为例，并不限于此。
78.因此，通过构建神经网络预测模型可以实现机房恒温需求下，机房环境因子数据输入与空调冷量需求输出之间的非线性关系，和/或，实现机房恒湿需求下，机房环境因子数据输入及加湿器功率输出之间的非线性关系。
79.步骤s102：获取机房的环境因子数据。
80.影响机房内部环境的环境因子可以有多种，例如，环境因子数据可以包括以下一种或多种，例如：机房内部it负载、外部环境温度、外部环境湿度、外部环境风速、外部环境气压、外部环境光照强度、机房内部空间体积大小、机房楼层、机房朝向、机房经纬度等。上述环境因子数据都有可能会对机房内部温度及湿度的变化造成一定的影响。
81.获取机房的环境因子数据，可以通过服务器获取，例如，从服务器中实时获取当前外部环境的温度、湿度、天气、风速、气压、光照强度等环境因子数据，或者每隔预设时间获取当前外部环境的温度、湿度、天气、风速、气压、光照强度等环境因子数据；也可以从本地获取机房的固定参数，比如机房内部空间体积大小、机房楼层、机房朝向等环境因子数据，本技术实施例对获取机房的环境因子数据的具体实现方式不做限制。
82.步骤s103：根据环境因子数据和神经网络预测模型，生成机房的环境调节信息。
83.在获取环境因子数据之后，将环境因子数据输入至神经网络预测模型中，神经网络预测模型经过一系列的计算，输出机房的环境调节信息。在一种可能的实施方式中，环境
调节信息可以是空调冷量需求、加湿器功率等信息，用于分别对机房内的空调和加湿器进行调控，进而实现满足机房恒温恒湿的需求。本技术实施例对机房恒温恒湿的具体需求不做限制，在一种可能的实施方式中，机房内部温度要求为22
±
2℃，机房湿度要求为45％
±
10％，本技术实施例仅以此为例，并不限于此。
84.步骤s104：根据环境调节信息，对机房的环境进行调控。
85.通过神经网络预测模型生成了机房的环境调节信息，在一种可能的实施方式中，终端设备可以通过向调控对象设备发送环境调控指令的方式，实现对调控对象设备的控制，进而实现对机房环境的调控，例如，环境调控信息为加湿器功率，终端设备可以向加湿器发送加湿器调控指令，该加湿器调控指令用于指示加湿器调节功率至该加湿器功率。本技术实施例仅以此为例，并不限于此。
86.本技术实施例中，通过利用神经网络预测模型对机房的环境因子数据进行处理，生成机房的环境调节信息，进而根据环境调节信息，对机房的环境进行调控，实现了利用环境因子数据，对机房调节信息的预判，解决了现有方案中滞后性的问题，并且通过减少人为干预，避免了工作人员因经验和操作不当引发的机房温湿度异常问题。
87.可能影响机房的温度及湿度的环境因子有很多，在众多环境因子中，可能存在一些环境因子对机房温度和湿度影响较小，为了提高神经网络预测模型的精确度，在一种可能的实施方式中，图3是本技术另一实施例提供的机房环境调控方法的流程示意图，如图3所示，本技术实施例提供的机房环境调控方法，在步骤s101：构建神经网络预测模型之前，还可以包括：
88.步骤s201：根据主成分分析法对机房的历史环境因子数据进行分析，确定环境因子中的主成分因子。
89.主成分分析法旨在利用降维的思想，把多个环境因子转化为少数几个主成分因子，其中每个主成分因子都能够反映原始环境因子的大部分信息，且所含信息互不重复。
90.本技术实施例对根据主成分分析法对机房的历史环境因子数据进行分析的具体过程以及环境因子中主成分因子的数量等不做限制。
91.在一种可能的实施方式中，本技术实施例提供的机房环境调控方法，根据主成分分析法对机房的历史环境因子数据进行分析，确定环境因子中的主成分因子，包括：
92.对历史环境因子数据进行标准化处理，生成历史环境因子数据的标准化数据矩阵；确定标准化数据矩阵的相关系数矩阵；利用相关系数矩阵确定每个环境因子的贡献率和累积贡献率；根据贡献率和累积贡献率，确定主成分因子。
93.为便于理解，本技术实施例以历史环境因子数据包括以下七种数据为例进行示例性说明：机房内部空间体积大小、机房外部环境光照强度、机房外部环境气压、机房外部环境风速、机房外部环境湿度、机房外部环境温度、机房内部it负载。其中，以每个环境因子包括5个样本数据为例进行说明。
94.表一是本技术实施例提供的一示例性历史环境因子数据表
95.[0096][0097]
表一是本技术实施例提供的一示例性历史环境因子数据表。对历史环境因子数据进行标准化处理，生成历史环境因子数据的标准化数据矩阵，其中，标准化处理可以根据公式(1)实现：
[0098][0099]
其中，x
′
ij
表示第i个环境因子对应的第j个样本的历史数据的标准化数据，x
ij
表示第i个环境因子对应的第j个样本的历史数据，表示第i个环境因子的历史数据的样本均值，σi表示第i个环境因子的历史数据的标准差。
[0100]
历史环境因子数据的标准化数据矩阵用z表示，记为z＝(z1，z2......，z7)，标准化数据矩阵z数据记录在表二中。
[0101]
表二是本技术实施例提供的一示例性标准化处理后的历史环境因子数据表
[0102]
0.95620.9562-0.2390.7303-1.7889-0.6244-0.7303-0.239-0.239-0.239-1.09540.44721.6881-0.7303-0.239-0.2390.9562-1.09540.4472-0.16191.0954-1.4343-1.4343-0.2390.73030.4472-0.04621.09540.95620.9562-0.2390.73030.4472-0.8556-0.7303
[0103]
在确定标准化数据矩阵之后，确定标准化数据矩阵的相关系数矩阵，其中，根据标准化数据矩阵z，计算相关系数矩阵r＝(r
ij
)
p
×n，可以根据公式(2)实现：
[0104][0105]
其中，p表示相关系数矩阵的列数，n表示相关系数矩阵的行数，k表示相关系数矩阵第k列的数据，x
ki
表示相关系数矩阵第k列第i行的数据，表示第i个环境因子的样本均值，σi表示第i个环境因子的标准差，x
kj
表示相关系数矩阵第k列第j行的数据，表示第j个环境因子的样本均值，σj表示第j个环境因子的标准差。
[0106]
在确定相关系数矩阵r之后，利用相关系数矩阵r，确定每个环境因子的贡献率ei和累积贡献率em。可以通过计算r的特征值，然后利用r的特征值计算每个环境因子的贡献率ei和累积贡献率em。
[0107]
示例性的，根据特征方程|r-λi|＝0，计算特征根λi，并使其从大到小排列：λ1≥λ2≥
…
≥λ
p
，其中，i表示单位矩阵，然后分别利用公式(3)和公式(4)确定每个环境因子的贡献率ei和前m个环境因子的累积贡献率em。
[0108][0109][0110]
表三是本技术实施例一实施例提供的贡献率及累计贡献率表
[0111][0112]
表三中的主成分因子序号分别表示上述七种环境因子，表三中记录了主成分因子的特征值、贡献率和累积贡献率。在确定贡献率和累积贡献率之后，根据贡献率和累积贡献率，确定主成分因子。贡献率越大，则对应该主成分因子包含的信息越多，我们将贡献率最大的称作第一成分，第二大称作第二主成分，以此类推。本技术实施例对根据贡献率和累积贡献率，确定主成分因子的具体实现方式不做限制。
[0113]
在一种可能的实施方式中，本技术实施例提供的机房环境调控方法，根据贡献率和累积贡献率，确定主成分因子，包括：
[0114]
确定累积贡献率达到预设贡献率时，所需最少的环境因子数量为目标数量；按照贡献率的大小顺序，确定目标数量的环境因子为主成分因子。
[0115]
示例性的，表三中1、2、3、4、5、6可作为机房的主成分因子，代替原始的七个环境因子，以达到降低影响因素维数的目的。比如，本技术实施例筛选出机房内部it负载、机房外部环境温度、机房外部环境湿度、机房外部环境风速、机房外部环境气压以及机房外部环境光照强度作为影响机房内部恒温空调冷量输出的自变量主成因子。
[0116]
本技术实施例中，通过对历史环境因子数据进行分析处理，并根据每个环境因子的贡献率和累积贡献率确定主成分因子，提高了主成分因子的可靠性。通过采用主成分分析法对历史环境因子数据进行分析，确定环境因子中的主成分因子，进而利用主成分因子，构建神经网络模型，提高了神经网络预测模型的精确度和颗粒度。
[0117]
则，本技术实施例提供的机房环境调控方法的步骤s101构建神经网络预测模型，可以通过步骤s202实现。
[0118]
步骤s202：根据主成分因子，构建神经网络预测模型。
[0119]
在确定主成分因子之后，本技术实施例可以根据主成分因子，构建神经网络预测模型，在一种可能的实施方式中，本技术实施例提供的机房环境调控方法，根据主成分因子，构建神经网络预测模型，包括：
[0120]
构建神经网络预测模型的神经网络结构；生成训练样本对，训练样本对包括主成分因子数据样本和环境调节信息样本；利用训练样本对，对神经网络结构进行训练，生成神经网络预测模型。
[0121]
神经网络结构可以采用误差反向传播(error back-propagation)神经网络结构，该神经网络结构具有多层感知机结构。在一种可能的实施方式中，图4是本技术实施例提供的神经网络结构的结构示意图，如图4所示，本技术实施例提供的机房环境调控方法，神经网络结构包括输入层、隐蔽层和输出层。
[0122]
输入层用于输入主成分因子数据样本；隐蔽层的输入为主成分因子数据样本的第一加权和，隐蔽层的输出为第一加权和的第一转移函数值；输出层的输入为第一转移函数值的第二加权和，输出层的输出为第二加权和的第二转移函数值。
[0123]
如图4所示，输入层、隐蔽层和输出层包括多个神经元，为便于介绍，在一种可能的实施方式中，图5是本技术一实施例提供的神经元的结构示意图，如图5所示，每个神经元具有多个输入自变量因子x0，x1，
…
，xn，对多个自变量因子分别经过通道加权，生成自变量因子的加权值，并输入到该神经元中，其中，自变量因子x0，x1，
…
，xn的加权分别为w
i0
，w
i1
，
…
，w
in
。
[0124]
在输入到神经元之后，对自变量因子的加权值进行相加，并进行函数转换，形成一个因变量输出信息yi，然后，因变量输出信息yi再经过输出通道加权之后传给其他神经元，每个神经元的作用相当于一个加法器及信息转换器。其中，自变量因子的加权值相加公式如下：
[0125][0126]
yi＝f(si)
ꢀꢀꢀꢀ
(6)
[0127]
函数f取为sigmoid函数：
[0128][0129]
其中，xk表示输入的第k个自变量因子，w
ik
表示xk由输入层至隐蔽层节点的加权，si表示第i个神经元的加权和，yi表示第i个神经元的输出。
[0130]
本技术实施例结合图5对每个神经元进行了介绍，本技术实施例提供的神经网络结构包括多个神经元，如图4所示，本技术实施例中，输入主成分因子数据样本至输入层，然后通过对主成分数据样本进行加权求和，得到第一加权和，并将第一加权和输入至隐蔽层。
[0131]
其中，主成分因子数据样本的第一加权和可以通过公式(8)计算：
[0132][0133]
其中，表示第一加权和，表示第i个环境因子的第k个数据样本，w
ih
表示由输入层至隐蔽层的加权。
[0134]
主成分因子数据样本的第一加权和输入隐蔽层之后，隐蔽层计算第一加权和的第一转移函数值，具体可通过公式(9)实现。
[0135][0136]
其中，表示第一转移函数值，为的转移函数，本技术实施例的转移函数如式(7)所示。
[0137]
第一转移函数值经过通道加权，得到第一转移函数值的第二加权和，将第二加权
和输入至输出层，输出层确定第二加权和的第二转移函数值。
[0138]
其中，第一转移函数值的第二加权和可以利用公式(10)计算：
[0139][0140]
第二加权和的第二转移函数值可以利用公式(11)计算：
[0141][0142]
其中，w
hj
为由隐蔽层至输出层的加权，表示第一转移函数值，表示第二加权和，表示第二转移函数值，表示的转移函数，本技术实施例的转移函数如式(7)所示。
[0143]
在构建神经网络预测模型的神经网络结构之后，生成训练样本对，训练样本对包括主成分因子数据样本和环境调节信息样本。
[0144]
在一种可能的实施方式中，主成分因子数据样本和环境调节信息样本可以是机房的历史主成分因子数据和历史环境调节信息数据，本技术实施例对训练样本对的数量不做限制。
[0145]
在一种可能的实施方式中，本技术实施例提供的机房环境调控方法，生成训练样本对，包括：确定主成分因子数据样本和环境调节信息样本；对主成分因子数据样本和环境调节信息样本进行归一化处理，生成训练样本对。
[0146]
在确定主成分因子数据样本和环境调节信息样本之后，在一种可能的实施方式中，可以将训练样本对进行归一化到[0，1]区间。由于在matlab计算程序中运用的sigmold函数在[0，0.1]和[0.9，1]区间内变化非常缓慢，容易陷入神经网络的饱和区，因此，在另一种可能的实施方式中，本技术实施例将训练样本对归一化至[0.1，0.9]区间。
[0147]
通过对输入层的输入数据进行归一化处理，能够很好的解决数据异常问题，为了保证输出数据的可靠性，还需对输出层的输出数据进行反归一化处理。本技术实施例对具体实现方式不再赘述。
[0148]
本技术实施例中，通过在确定主成分因子数据样本和环境调节信息样本之后，对主成分因子数据样本和环境调节信息样本进行归一化处理，防止不同主成分因子数据样本由于量纲差异出现数据异常、以及某些主成分因子数据样本因数值小而被掩盖。
[0149]
在构建神经网络结构并生成训练样本对之后，利用训练样本对，对神经网络结构进行训练，生成神经网络预测模型。
[0150]
在一种可能的实施方式中，本技术实施例提供的机房环境调控方法，利用训练样本对，对神经网络结构进行训练，包括：
[0151]
确定神经网络结构第一加权调节量和第二加权调节量，第一加权调节量是输入层至隐蔽层的加权调节量，第二加权调节量是隐蔽层至输出层的加权调节量；将主成分因子数据样本输入至神经网络结构中，生成预测环境调节信息；利用预测环境调节信息与环境调节信息样本，确定第一加权调节量和第二加权调节量的加权修正量；利用加权修正量更新神经网络结构的第一加权调节量和第二加权调节量，然后使用更新后的神经网络结构对训练样本对进行训练，直到预测环境调节信息与环境调节信息样本之间的误差满足预设条件，训练结束。
[0152]
在一种可能的实施方式中，神经网络结构的第一加权调节量和神经网络结构的第二加权调节量，可以通过随机设置一个小数的方式实现，然后逐一选择训练样本对，根据预测环境调节信息与环境调节信息样本，由输出层向输入层分别计算第一加权调节量和第二加权调节量的加权修正量δw，将第一加权调节量和第二加权调节量的加权修正量δw分别加在第一加权调节量和第二加权调节量上，更新神经网络结构，然后使用更新后的神经网络结构对训练样本对进行训练，直到预测环境调节信息与环境调节信息样本之间的误差满足预设条件，训练结束。
[0153]
其中，第一加权调节量的加权修正量可以通过公式(12)计算：
[0154][0155]
第二加权调节量的加权修正量可以通过公式(13)计算：
[0156][0157]
其中：η为训练速率系数，本技术实施例对η的具体取值不做限制，在一种可能的实施方式中，η＝0.01。e为误差函数，w
ih
表示由输入层至隐蔽层的加权，表示期望输出，表示第二转移函数值，表示第二加权和，表示的转移函数，w
hi
表示隐蔽层到输出层的残差，表示第一加权和，为的转移函数，表示第h个环境因子的第k个数据样本，w
hj
为由隐蔽层至输出层的加权，表示第一转移函数值。
[0158]
在一种可能的实施方式中，误差函数可以通过公式(14)计算：
[0159][0160]
其中，表示期望输出，表示第二转移函数值。
[0161]
本技术实施例中，通过采用主成分分析法对历史环境因子数据进行分析，确定环境因子中的主成分因子，进而利用主成分因子，构建神经网络模型，提高了神经网络预测模型的精确度和颗粒度。
[0162]
下述为本技术装置实施例，可以用于执行本技术方法实施例。对于本技术装置实施例中未披露的细节，请参照本技术方法实施例。
[0163]
图6是本技术一实施例提供的机房环境调控装置的结构示意图，该装置可以通过软件和/或硬件的方式实现，例如可以通过服务器实现，如图6所示，本技术实施例提供的机房环境调控装置可以包括：构建模块31、获取模块32、处理模块33和调控模块34。
[0164]
构建模块31，用于构建神经网络预测模型。
[0165]
获取模块32，用于获取机房的环境因子数据。
[0166]
处理模块33，用于根据环境因子数据和神经网络预测模型，生成机房的环境调节信息。
[0167]
调控模块34，用于根据环境调节信息，对机房的环境进行调控。
[0168]
本实施例的装置可以执行上述图2所示的方法实施例，其技术原理和技术效果与上述实施例相似，此处不再赘述。
[0169]
在图6所示实施例的基础上，进一步地，图7是本技术另一实施例提供的机房环境调控装置的结构示意图，该装置可以通过软件和/或硬件的方式实现，例如可以通过终端设备实现，如图7所示，本技术实施例提供的机房环境调控装置，还可以包括确定模块35。
[0170]
确定模块35，用于根据主成分分析法对机房的历史环境因子数据进行分析，确定环境因子中的主成分因子。
[0171]
在一种可能的实施方式中，本技术实施例提供的机房环境调控装置，确定模块35，具体用于：
[0172]
对历史环境因子数据进行标准化处理，生成历史环境因子数据的标准化数据矩阵；确定标准化数据矩阵的相关系数矩阵；利用相关系数矩阵确定每个环境因子的贡献率和累积贡献率；根据贡献率和累积贡献率，确定主成分因子。
[0173]
在一种可能的实施方式中，本技术实施例提供的机房环境调控装置，确定模块35，具体用于：
[0174]
确定累积贡献率达到预设贡献率时，所需最少的环境因子数量为目标数量；按照贡献率的大小顺序，确定目标数量的环境因子为主成分因子。
[0175]
本技术实施例的构建模块31，具体用于：根据主成分因子，构建神经网络预测模型。
[0176]
在一种可能的实施方式中，本技术实施例提供的机房环境调控装置，构建模块31，具体用于：
[0177]
构建神经网络预测模型的神经网络结构；生成训练样本对，训练样本对包括主成分因子数据样本和环境调节信息样本；利用训练样本对，对神经网络结构进行训练，生成神经网络预测模型。
[0178]
在一种可能的实施方式中，本技术实施例提供的机房环境调控装置，神经网络结构包括输入层、隐蔽层和输出层，
[0179]
输入层用于输入主成分因子数据样本；隐蔽层的输入为主成分因子数据样本的第一加权和，隐蔽层的输出为第一加权和的第一转移函数值；输出层的输入为第一转移函数值的第二加权和，输出层的输出为第二加权和的第二转移函数值。
[0180]
在一种可能的实施方式中，本技术实施例提供的机房环境调控装置，构建模块31，具体用于：
[0181]
确定神经网络结构第一加权调节量和第二加权调节量，第一加权调节量是输入层至隐蔽层的加权调节量，第二加权调节量是隐蔽层至输出层的加权调节量；将主成分因子数据样本输入至神经网络结构中，生成预测环境调节信息；利用预测环境调节信息与环境调节信息样本，确定第一加权调节量和第二加权调节量的加权修正量；利用加权修正量更新神经网络结构的第一加权调节量和第二加权调节量，然后使用更新后的神经网络结构对训练样本对进行训练，直到预测环境调节信息与环境调节信息样本之间的误差满足预设条件，训练结束。
[0182]
在一种可能的实施方式中，本技术实施例提供的机房环境调控装置，构建模块31，具体用于：
[0183]
确定主成分因子数据样本和环境调节信息样本；对主成分因子数据样本和环境调节信息样本进行归一化处理，生成训练样本对。
[0184]
本实施例的装置可以执行上述图3所示的方法实施例，其技术原理和技术效果与上述实施例相似，此处不再赘述。
[0185]
本技术所提供的装置实施例仅仅是示意性的，图6和图7中的模块划分仅仅是一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个模块可以结合或者可以集成到另一个系统。各个模块相互之间的耦合可以是通过一些接口实现，这些接口通常是电性通信接口，但是也不排除可能是机械接口或其它的形式接口。因此，作为分离部件说明的模块可以是或者也可以不是物理上分开的，既可以位于一个地方，也可以分布到同一个或不同设备的不同位置上。
[0186]
图8是本技术实施例提供的电子设备的结构示意图，电子设备可以为服务器，如图8所示，该电子设备包括：
[0187]
接收器40、发送器41、处理器42和存储器43以及计算机程序；其中，接收器40和发送器41，实现与其他设备之间的数据传输，计算机程序被存储在存储43中，并且被配置为由处理器42执行，计算机程序包括用于执行上述机房环境调控方法的指令，其内容及效果请参考方法实施例。
[0188]
此外，本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当用户设备的至少一个处理器执行该计算机执行指令时，用户设备执行上述各种可能的方法。
[0189]
其中，计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于asic中。另外，该asic可以位于用户设备中。当然，处理器和存储介质也可以作为分立组件存在于通信设备中。
[0190]
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0191]
本技术实施例还提供一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现上述实施例中机房环境调控方法中的各个步骤。
[0192]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求书指出。
[0193]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。