[发明专利]基于主成分分析和BP神经网络的机房温湿度预测方法

说明书

技术领域

本发明涉及一种机房温湿度变化趋势预测方法，尤其涉及一种基于主 成分分析和BP神经网络的机房温湿度预测方法，属于电力设备领域。

背景技术

机房统一监控是江苏公司十二五信息化建设的重点项目。全省各个机 房地理位置分布范围广，机房内部结构情况各异，目前已经建立机房温湿 度的监控，实现机房温湿度的数据采集、告警等。但是关于机房温湿度的 阈值配置，监控人员无法做到根据不同情况动态做出准确的调整。不同地 理位置、不同季节、甚至因机房设备性能的差异而导致的机房温湿度的不 同等情况，相对应的机房温湿度监控的配置值也是有区别的。因此需要监 控系统能够根据机房实际情况，预测出当前机房温湿度，来帮助监控人员 准确的调整机房的温湿度的配置。

本发明主要研究机房温湿度的变化趋势，通过分析历史数据，结合机 房不同的外在影响因素，得出影响机房温湿度变化的关键因子，预算出机 房的温湿度变化趋势，进而由监控系统做出准确的温湿度配置调整，以达 到减少电量、提高空调使用寿命并提升温湿度监控效果的。

发明内容

为了克服现有技术的不足，本发明提供一种基于主成分分析和BP神经 网络的机房温湿度预测方法，解决了现有技术中因无法预测出机房内温湿 度变化趋势导致温湿度监控效果差的技术问题。

本发明解决其技术问题所采用的技术方案是：一种基于主成分分析和 BP神经网络的机房温湿度预测方法，包括步骤：

步骤一，分析并选取影响机房温湿度变化的关键因素；

步骤二，主成分分析，分析出影响温湿度变化的主成因子；包括：

1)选取多组影响机房温湿度变化的关键因素样本，建立影响因子 的线性方程；

2)对所述线性方程的矩阵进行标准化；

3)计算标准化矩阵的相关系数矩阵；

4)通过相关系数矩阵，计算各个影响因子的贡献率、累计贡献率；

5)根据累计贡献率选取主成因子；

步骤三，建立BP神经网络模型并训练，以所得到的主成因子历史数据 作为输入变量，机房温湿度作为输出变量；

步骤四，将待预测时刻的主成因子实际数据输入训练后的BP神经网 络，预测出温湿度。

所述影响机房温湿度变化的关键因素包括天气情况、机房楼层、布局 选址、设备散热性、功率、室内外温度差和空调检修情况。

所述步骤二的5)中，选取累计贡献率在80％-90％之间的因子作为主 成因子。

本发明的有益效果是，

1、本发明能够准确预测出机房内温湿度的变化趋势，系统配置周期时， 智能地调整系统关于机房温湿度阀值的配置以及机房空调的温湿度设置， 减轻了监控人员的因经验问题可能造成的配置错误问题，而且能够做到根 据地理位置、天气情况、设备功率、季节气候等智能的调整相应的机房温 湿度监控配置以及机房空调的设置，能够减少电量、提升空调使用寿命并 提升温湿度监控效果。

2、主成分分析选取累计贡献率在80％-90％之间的因子作为主成因子， 即作为机房温湿度变化的主要影响因子，降低了影响因素的维数，预测机 房温湿度时根据主成因子的变化来预测，减少了工作量，提高预测效率。

附图说明

图1是本发明的机房温湿度预测方法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地 说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种基于主成分分析和BP神经网络的温湿度预测方法， 包括以下步骤：

步骤一，分析并选取影响机房温湿度变化的关键因素；

影响机房内温湿度的因素包括天气情况、机房的地理位置、机房内设 备的性能功耗等诸要素，本实施例根据摘录机房温湿度监控系统上部分机 房温湿度历史信息情况进行分析，如表1所示，选取5组样本，由历史数 据分析可知，本发明选取机房内温湿度变化的7个主要影响因素，包括天 气情况、机房楼层、布局选址、设备散热性、功率、室内外温度差和空调 检修情况。

表1机房温湿度影响因素样本

步骤二，主成分分析法PCA，分析出影响温湿度变化的主成因子，包含 步骤；