买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华东交通大学申请的专利一种适应设备老化的数据中心冷却系统动态控制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119439751B 。

龙图腾网通过国家知识产权局官网在2025-07-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510026991.9，技术领域涉及：G05B13/04；该发明授权一种适应设备老化的数据中心冷却系统动态控制方法是由邹思凯;黄建亮;张家豪;罗家昌;肖婷设计研发完成，并于2025-01-08向国家知识产权局提交的专利申请。

本一种适应设备老化的数据中心冷却系统动态控制方法在说明书摘要公布了：本发明涉及数据中心能源控制技术领域，公开了一种适应设备老化的数据中心冷却系统动态控制方法，该方法首先基于设备参数和能量守恒原理，构建了数据中心冷却系统的控制用能耗模型。针对设备长期运行可能出现的性能衰减问题，方法实时监测冷却塔、换热器、冷水机组和空调末端关键设备的运行参数，当检测到控制用能耗模型预测值偏离实际运行值达到一定阈值时，运用深度学习中的长短时记忆网络模型滚动式迭代设备能耗模型，进而对控制用能耗模型进行动态更新，提高其预测精度，最终实现高效的模型预测控制。此方法不仅适用于新建数据中心的设计和建设，也适用于对现有数据中心进行改造和升级，具有广泛的应用前景和实际价值。

本发明授权一种适应设备老化的数据中心冷却系统动态控制方法在权利要求书中公布了：1.一种适应设备老化的数据中心冷却系统动态控制方法，其特征在于，包括以下步骤： S1、根据数据中心的数据构建控制用能耗模型， 根据数据中心的控制方程构建出控制用能耗模型，该模型包含四个部分：冷负荷计算、空调末端模块计算、冷源模块计算和能耗模块计算； 其中，冷负荷计算包括计算机房逐时围护结构传热量、服务器散热量、PDU和UPS散热量、照明和除湿设备散热量，从而计算出总冷负荷；空调末端模块计算使用ε-NTU方法计算空调末端的制冷量；冷源模块计算冷却塔的制冷量、冷水机组的冷量和冷水机组的COP，并判断设备的运行模式；能耗模块计算基于设备参数和运行参数判断设备开启台数； S2、获取设备关键参数信息， 实时采集设备关键运行数据，冷却塔的冷却水出水温度Tcw_out、冷却塔回水温度Tcw_in、冷却塔的风量mcta和冷却塔的水流量mctw；冷水供水温度Tch_in、冷水回水温度Tch_out、空调末端送风温度、空调末端回风温度；每个小时收集一次设备运行的数据，收集设定时长的数据，用于深度学习模型的训练和测试； S3：设备性能评价， 采用冷却效率作为冷却塔的性能的评价指标，冷却效率E的计算采取下列公式计算，其中代表当时的湿球温度： ， 冷水泵和冷却水泵的效率计算公式如下： ， 其中ρ是水的密度，单位为kgm3，g是重力加速度单位为ms2，Q是水流量m3s，H是水泵扬程，单位为m，P代表轴功率，单位为kW； 换热器效率计算公式如下： ， 其中是指实时流过换热器的水流量，单位为kgs，是指换热器最大水流量，单位为kgs，是指水的比热容，单位J（kg•℃），是指理论上经过换热器的最大温差，单位为℃； 使用COP判断冷水机组的性能，COP计算公式如下： ， 其中是指冷水机组的制冷量，单位为kW，是指冷水机组的消耗的电能，单位为kW； S4、获取的设备关键参数信息是作为长短时记忆网络模型的数据集，用于模型的训练和测试，具体包括以下步骤： S4.1、数据预处理， 将收集的数据进行预处理，先去除因为外界不可抗力因素包括设备检修，设备损坏导致的异常数据，然后采用最大最小归一化方法对数据进行归一化处理，选择回水温度和出水温度作为冷却塔的重要特征进行归一化处理，换热器的进水温度和出水温度也进行归一化进行处理，将标准化后的数据转换为适合长短时记忆网络模型输入的时间序列格式；这一步需要定义时间步长，即每个输入样本包含多少个时间点的数据；最大最小归一化公式如下： ， 其中是第i个数据点的原始值，和是数据集的最小值和最大值； S4.2、模型的训练， 由于设备需要根据运行数据进行动态的自适应调整，可以采用深度学习中的长短时记忆网络来实现预测，具体长短时记忆网络单元公式如公式6~11所示；将历史运行参数数据集按照7：3的比例分为训练集和验证集；使用Python中sklearn.metrics库中导入均方误差作为模型好坏的评价指标； ， ， ， ， ， ， 其中是sigmoid激活函数，是输入，是遗忘门，是输入门，是候选状态，是单元状态，是输出门； 根据步骤S3可知：获取冷却塔运行的关键参数：冷却塔的回水温度Tcw_in，冷却水流量mctw和冷却塔的出水温度Tcw_out， 模型包含两层长短时记忆网络层和一个全连接层，为了防止过拟合，在长短时记忆网络层之后添加Dropout层；Dropout层会在训练过程中随机丢弃一部分神经元，从而增强模型的泛化能力；在构建好模型结构后，需要编译模型；编译时需要指定损失函数、优化器和评估指标，损失函数选择均方误差，公式如下： ， 其中MSE为均方误差，是真实值，是预测值，N是样本数量，优化器采用的是Adam优化器，Adam优化器结合了梯度下降法和动量方法的优点，它的更新规则如下所示： ， 其中是当前参数，是学习率，可以根据需求设置大小，是梯度的一阶矩估计，是梯度的二阶矩估计，是防止分母为0设置的一个极小的数；评估指标采取常用的均方误差作为评价性能的指标； S5、设备参数预测与模型更新策略，具体步骤如下： 根据构建的长短时记忆网络模型对设备进行实时预测；使用过去n个小时冷却塔的冷却水出水温度Tcw_out，冷却塔的冷却水回水温度Tcw_in、冷水的供水温度Tch_in、冷水的回水温度Tch_out进行数据预处理，对数据进行标准化和时间序列转换后输入构建好的长短时记忆网络模型中，对设备的效率进行预测； 通过实时监测冷却塔的出水温度和回水温度、冷水供水温度和出水温度、水泵扬程和冷水机组的电能消耗关键运行参数，结合预测模型，系统可以动态计算出设备的即时效率；这一过程不仅促进了模型与控制策略的持续优化，还确保了设备能够在最佳状态下运行；当实际测量值与预测值之间的差异超过了预设阈值时，系统会自动调整相关设备参数，直至恢复到标准工况要求为止；并采用一种先进的滚动更新机制来不断改进驱动设备模型；更新公式如下： ， ， ， 其中是冷水机组的预测能耗，是液体经过冷水机组的温差，单位℃，是流进冷水机组的液体质量，单位kgs，和是模型训练出的权重，偏置，是风机的能耗预测，其中，和是通过模型训练得到的权重参数b是偏差；是换热器的换热效率，其和是两侧流体的对流换热系数，δ是板片厚度，单位m，λ是板片材料的导热系数，和通常指的是两侧流体的对流换热面积，单位m2，和是通过模型训练得出权重参数和偏差； 该机制基于收集到的设备实时运行参数，利用深度学习算法重新训练原有模型结构，并根据能量守恒定律进行调整。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华东交通大学，其通讯地址为：330000 江西省南昌市经济技术开发区双港东大街808号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。