机房热点区域疏解方法及装置与流程

1.本技术涉及环境监测控制技术领域，具体而言，涉及一种机房热点区域疏解方法及装置。

背景技术：

2.当前，通信机房大量采用新型高热密度机架式服务器，使得通信机房内冷热气流紊乱，从而造成机柜局部热点频发。
3.通常，相关技术采用轴流风机和移动空调对机房内局部热点区域进行降温，但该方法的弊端在于，轴流风机和移动空调的冷空气到达远程的机柜时，风量已经减弱，另外，由于高架地板下布满管路，会对冷空气的传送增加障碍。因此，在实际应用时，该方法的耗能较高，降温效果较差，并且无法实现对机房温度进行智能控制。
4.针对上述的问题，目前尚未提出有效的解决方案。

技术实现要素：

5.本技术实施例提供了一种机房热点区域疏解方法及装置，以至少解决相关技术中无法智能且准确地对机房温度进行控制，导致局部热点频发的技术问题。
6.根据本技术实施例的一个方面，提供了一种机房热点区域疏解方法，包括：获取目标设备采集的机房中多个机柜的多组第一运行参数；将多组第一运行参数输入预先训练的热点区域预测模型，得到热点区域预测模型输出的热点区域预测结果，其中，热点区域预测结果用于反映每个机柜位于热点区域的概率；基于热点区域预测结果确定目标设备的移动路径，并控制目标设备按照移动路径对多个机柜进行巡视，其中，目标设备中配置有风扇单元，位于热点区域的概率越大的机柜所在的区域在移动路径中的优先级越高；基于热点区域预测结果调整多个机柜所在的区域中空调的温度参数。
7.可选地，目标设备中包括：自动导引车，安装于自动导引车上的微控制单元、无线通信单元、传感器单元和风扇单元，其中，自动导引车用于按照移动路径进行移动；传感器单元中包括用于采集第一运行参数的多个传感器，第一运行参数至少包括以下之一：机柜前测温度、机柜后测温度、机柜前侧风速、机柜后侧风速和机柜负载；风扇单元中包括多个风扇组成的矩阵风扇；微控制单元用于通过无线通信单元将多组第一运行参数发送至动力环境监控平台，并接收动力环境监控平台发送的控制指令，控制自动导引车及风扇单元执行与控制指令对应的操作。
8.可选地，响应于目标机柜发出的温度异常告警信息，控制目标设备移动至目标机柜所在的区域，并获取目标机柜的第二运行参数；将第二运行参数输入热点区域预测模型，得到热点区域预测模型输出的第一预测概率；在预测概率大于预设概率阈值时，确定目标机柜位于热点区域，依据温度异常告警信息调整风扇单元的送风量，并依据温度异常告警信息调整目标机柜所在的区域中空调的温度参数。
9.可选地，在预测概率不大于预设概率阈值时，确定目标机柜不位于热点区域，发出
异常提示信息，异常提示信息用于提示目标机柜发出的温度异常告警信息有误。
10.可选地，获取目标设备自身的第三运行参数，其中，第三运行参数至少包括以下之一：运行电压、运行电流和风扇单元的出风量；在第三运行参数不满足预设的工作阈值范围时，控制目标设备关闭风扇单元，并发出告警信息，告警信息用于提示目标设备运行状态异常需要维护。
11.可选地，热点区域预测模型的训练过程包括：确定机房中存在热点区域时的历史时间段；从历史运行数据中获取多个机柜在历史时间段中的多组第四运行参数，将每组第四运行参数作为一组训练样本数据，其中，第四运行参数至少包括以下之一：机柜前测温度、机柜后测温度、机柜前侧风速、机柜后侧风速和机柜负载；为每组训练样本数据添加样本标签，样本标签用于标注训练样本数据对应的机柜是否位于热点区域；基于多组训练样本数据和样本标签对初始模型进行训练，得到热点区域预测模型，其中，初始模型为xgboost二分类模型。
12.可选地，基于多组训练样本数据和样本标签对初始模型进行训练，得到热点区域预测模型，包括：对于每组训练样本数据，将训练样本数据输入xgboost二分类模型，得到xgboost二分类模型输出的第二预测概率；基于第二预测概率和训练样本数据对应的样本标签构建目标损失函数；将多组训练样本数据依次输入xgboost二分类模型进行迭代训练，并基于目标损失函数调整xgboost二分类模型的模型参数，得到热点区域预测模型。
13.根据本技术实施例的另一方面，还提供了一种机房热点区域疏解装置，包括：获取模块，用于获取目标设备采集的机房中多个机柜的多组第一运行参数；预测模块，用于将多组第一运行参数输入预先训练的热点区域预测模型，得到热点区域预测模型输出的热点区域预测结果，其中，热点区域预测结果用于反映每个机柜位于热点区域的概率；控制模块，用于基于热点区域预测结果确定目标设备的移动路径，并控制目标设备按照移动路径对多个机柜进行巡视，其中，目标设备中配置有风扇单元，位于热点区域的概率越大的机柜所在的区域在移动路径中的优先级越高；调整模块，用于基于热点区域预测结果调整多个机柜所在的区域中空调的温度参数。
14.根据本技术实施例的另一方面，还提供了一种非易失性存储介质，该非易失性存储介质包括存储的程序，其中，非易失性存储介质所在设备通过运行该程序执行上述的机房热点区域疏解方法。
15.根据本技术实施例的另一方面，还提供了一种电子设备，该电子设备包括：存储器和处理器，其中，存储器中存储有计算机程序，处理器被配置为通过计算机程序执行上述的机房热点区域疏解方法。
16.在本技术实施例中，获取目标设备采集的机房中多个机柜的多组第一运行参数；将多组第一运行参数输入预先训练的热点区域预测模型，得到热点区域预测模型输出的热点区域预测结果，其中，热点区域预测结果用于反映每个机柜位于热点区域的概率；基于热点区域预测结果确定目标设备的移动路径，并控制目标设备按照移动路径对多个机柜进行巡视，其中，目标设备中配置有风扇单元，位于热点区域的概率越大的机柜所在的区域在移动路径中的优先级越高；基于热点区域预测结果调整多个机柜所在的区域中空调的温度参数。其中通过目标设备智能采集的机房中多个机柜的运行数据，保证后续可以准确预测机房中的热点区域；通过热点区域预测结果确定目标设备的移动轨迹，及时对机房内热点区
域进行控制；通过热点区域预测结果调整多个机柜所在的区域中空调的温度参数，实现对机房温度进行智能控制，进而解决了相关技术中无法智能且准确地对机房温度进行控制，导致局部热点频发的技术问题。
附图说明
17.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
18.图1是根据本技术实施例的一种机房热点区域疏解方法的流程示意图；
19.图2是根据本技术实施例的一种可选的自动引导小车的示意图；
20.图3是根据本技术实施例的一种可选的控制模块的示意图；
21.图4是根据本技术实施例的一种可选的目标设备移动的轨迹示意图；
22.图5是根据本技术实施例的一种机房热点区域疏解装置的结构示意图。
具体实施方式
23.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
24.需要说明的是，本技术的说明书和权利要求书及附图中的术语“第一”、“第二”等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”以及它们的任何变形，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。
25.为了更好地理解本技术实施例，首先对本技术实施例描述过程中出现的部分名词或术语翻译解释如下：
26.动力环境监控系统：动力环境监控系统针对各种通信局站(包括通信机房、、支站、模块局等)的设备特点和工作环境，对局站内的通讯电源、蓄电池组、ups(uninterruptible power supply，不间断电源)、发电机、空调等智能、非智能设备以及温湿度、烟雾、地水、门禁等环境量实现“遥测、遥信、遥控、遥调”等功能。该系统充分利用通讯传输设备所提供的各种传输信道资源，不但可以成功实现多级网管，使局站无人值守成为现实，而且高效率的使用信道资源，为用户节约了大量的信道资源投入和运行维护投入，降低了用户运营成本；监控中心软件可以实现中文图形化人机界面的操作，可实现对所有局站的全参数、全方位的监控，大大提高了用户的维护管理效率。
27.xgboost(extreme gradient boosting，极端梯度提升)算法：xgboost算法是一种高效的梯度提升决策树算法，其是在原有的gbdt(gradient boosting decision tree，梯度提升决策树)算法基础上进行改进，使得模型效果得到大幅提升。xgboost算法通过优化
结构损失函数实现弱学习器的学习，并采用分布前向加性模型，将多个弱学习器整合为一个强学习器。即采用多棵树共同决策，用每棵树的结果均为目标值与之前所有树的预测结果之差，并将所有树的结果累加得到最终结果，以此提升整个模型的效果。另外，xgboost是由很多个cart(classification and regression tree)集成，其中，cart是对分类决策树和回归决策树的总称，故xgboost算法还可以处理分类回归等问题。
28.实施例1
29.由于机房大量采用新型高热密度机架式服务器，使得机房内冷热气流紊乱，从而造成机柜局部热点频发。
30.通常，相关技术采用轴流风机和移动空调对机房内局部热点进行降温，但该方法的弊端在于，轴流风机和移动空调产生的冷空气到达远程的机柜时，风量已经减弱，同时，由于高架地板下布满管路，对于冷空气的传送增加障碍。因此，在实际应用时，该方法的耗能较高，降温效果较差，并且无法对机房温度进行智能控制。
31.为了解决上述问题，本技术实施例提供了一种机房热点区域疏解方法。通过目标设备智能采集的机房中多个机柜的运行数据，保证后续可以准确预测机房中的热点区域；通过热点区域预测结果确定目标设备的移动轨迹，及时对机房内热点区域进行控制；通过热点区域预测结果调整多个机柜所在的区域中空调的温度参数，实现对机房温度进行智能控制，从而疏解机房内局部热点，提升机房环境安全。
32.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
33.图1是根据本技术实施例的一种可选的机房热点区域疏解方法的流程示意图，如图1所示，该方法至少包括步骤s102-s108，其中：
34.步骤s102，获取目标设备采集的机房中多个机柜的多组第一运行参数。
35.可选地，目标设备中包括：自动导引车，安装于自动导引车上的微控制单元、无线通信单元、传感器单元和风扇单元，其中，自动导引车用于按照移动路径进行移动；传感器单元中包括用于采集第一运行参数的多个传感器，第一运行参数至少包括以下之一：机柜前测温度、机柜后测温度、机柜前侧风速、机柜后侧风速和机柜负载；风扇单元中包括多个风扇组成的矩阵风扇；微控制单元用于通过无线通信单元将多组第一运行参数发送至动力环境监控平台，并接收动力环境监控平台发送的控制指令，控制自动导引车及风扇单元执行与控制指令对应的操作。
36.具体地，目标设备按照确定的移动轨迹在行驶过程中，通过温湿度传感器采集机柜前测温度、机柜后测温度，风速采集器采集机柜前侧风速、机柜后侧风速以及电表采集器采集机柜负载。
37.图2示出了一种可选的自动引导小车的示意图，由图2可以看出，自动导引车20中的无线通信单元201、传感器单元203以及风扇单元204均与微控制单元202相连，微控制单元202用于将传感器单元203采集的运行数据发送至动力环境监控平台，并接收来自动力环境监控平台的控制指令，控制风扇单元204以及自动导引车执行与控制指令对应的操作，如调整风扇单元的转速，目标设备的启停和运行速度以及空调设定参数，以保证及时对疏解机房中的热点区域，提升机房环境安全。另外，无线通信单元201实现远程控制自动引导小
车，以及控制机房内各机柜所在区域的空调的温度参数。
38.同时，还可以在控制目标设备在安全磁条轨道上行进，以控制自动引导车可以正常执行前进、转弯、后退等动作。
39.另外，本技术实施例还提供了一种可选的控制模块，图3为该控制模块的示意图，该控制模块可以实现微控制单元202的控制功能。该控制模块采用stm32芯片，该芯片上包括风速采集串口、电表采集串口、温湿度采集串口、wifi透传串口以及继电器控制串口。具体wifi透传串口与无线通信单元相连，用于远程调整机房内空调温度；温湿度采集串口与温湿度传感器相连，风速采集串口与风速采集器相连，电表采集串口与电表采集器相连，将温湿度传感器采集的机柜前测温度、机柜后测温度，风速采集器采集机柜前侧风速、机柜后侧风速以及电表采集器采集机柜负载通过无线通信单元发送至动力环境监控平台，动力环境监控平台发送的控制指令会通过i/o口与stm32芯片连接，通过继电器控制风扇单元和自动引导小车的启停和运行速度。
40.步骤s104，将多组第一运行参数输入预先训练的热点区域预测模型，得到热点区域预测模型输出的热点区域预测结果，其中，热点区域预测结果用于反映每个机柜位于热点区域的概率。
41.为了保证热点区域预测模型可以输出较为准确的预测结果，需要对初始模型进行训练，选择最优超参数的热点区域预测模型，也即选择最优的初始模型数量、决策树深度和学习率。
42.可选地，热点区域预测模型的训练过程包括：确定机房中存在热点区域时的历史时间段；从历史运行数据中获取多个机柜在历史时间段中的多组第四运行参数，将每组第四运行参数作为一组训练样本数据，其中，第四运行参数至少包括以下之一：机柜前测温度、机柜后测温度、机柜前侧风速、机柜后侧风速和机柜负载；为每组训练样本数据添加样本标签，样本标签用于标注训练样本数据对应的机柜是否位于热点区域；基于多组训练样本数据和样本标签对初始模型进行训练，得到热点区域预测模型，其中，初始模型为xgboost二分类模型。
43.依据多组训练样本数据和样本标签对初始模型训练过程可以分为以下几步：首先对于每组训练样本数据，将训练样本数据输入xgboost二分类模型，得到xgboost二分类模型输出的第二预测概率；然后基于第二预测概率和训练样本数据对应的样本标签构建目标损失函数；最后将多组训练样本数据依次输入xgboost二分类模型进行迭代训练，并基于目标损失函数调整xgboost二分类模型的模型参数，得到热点区域预测模型。
44.其中，本技术实施例中目标损失函数可以为交叉熵损失函数。
45.具体地，对热点区域预测模型的训练过程如下：首先采集通信机房中n个机柜在热点区域时的某一过去时间段内的历史数据，其中，历史数据中必须存在热点机柜的运行数据。如通过采用温湿度传感器采集机柜前测温度、机柜后测温度，采用风速采集器采集机柜前侧风速、机柜后侧风速，采用电表采集器采集机柜负载。并对采集的历史数据进行归一化处理和数据清洗，以确保后续预测结果的准确性，并将人工标记对该机柜是否为热点区域y，其中，将热点区域标记为1,将非热点区域标记为0)，可以将处理后的每个机柜的历史数据作为一组训练样本数据。则对于第i个机柜来说，其训练样本数据的表达式如下：
46.47.其中，表示机柜前测温度(℃)；表示机柜后测温度(℃)；表示机柜前侧风速(m/s)；表示机柜后侧风速(m/s)；ei表示机柜负载(kw)。
48.同时，为每组训练样本添加样本标签yi，用以标准训练样本数据对应的机柜是否位于热点区域。因此，输入至xgboost二分类模型中的数据可以用如下公式表达：
49.t＝{(x1,y1),(x2,y2),
…
,(xi,yi),
…
,(xn,y
1＝n
)}
50.接着将采集的多组训练样本数据输入至xgboost二分类模型中，得到xgboost二分类模型输出的第二预测概率，第二预测概率的表达式如下：
[0051][0052]
其中，fm(xi)表示第m个xgboost二分类模型对第i个机柜的预测结果，将所有的预测结果叠加得到最终第i个机柜的第二预测概率当第二预测概率大于预设概率阈值时，确认第i个机柜位于热点区域；反之，则不位于热点区域。
[0053]
依据第二预测概率和训练样本数据对应的样本标签构建目标损失函数，目标损失函数的表达式如下：
[0054][0055]
因此，可以通过目标损失函数和正则项确定xgboost二分类模型的目标函数，其中，目标损失函数用于确定训练误差，而正则化函数用于确定决策树的复杂度，以防止xgboost二分类模型过度拟合，提升xgboost二分类模型的泛化能力。因此，xgboost二分类模型的目标函数表达式可以写为：
[0056][0057]
然后将多组训练样本数据依次输入xgboost二分类模型进行迭代训练，确定热点区域预测模型最优的超参数。对于第t轮训练而言，其热点区域预测模型的目标函数表示式为：
[0058][0059][0060]
其中，t为决策树的叶子结点数量，wj为每个叶子结点的权重。因此，可以依据叶子节点树整理xgboost二分类模型，故xgboost二分类模型的目标函数可以表示为：
[0061][0062]
因此，最终热点区域预测模型的目标函数表示式为：
[0063][0064]
其中，i表示每个叶子节点下的样本集合；gj表示每个叶子节点的一阶导数求和结果；hj表示每个叶子节点的二阶导数求和结果。
[0065]
完成对热点区域预测模型的训练后，在本技术实施例中，将获取的多组第一运行参数输入至热点区域预测模型，得到热点区域预测模型输出的热点区域预测结果，该热点区域预测结果可以准确反映出机房内每个机柜位于热点区域的概率。
[0066]
步骤s106，基于热点区域预测结果确定目标设备的移动路径，并控制目标设备按照移动路径对多个机柜进行巡视，其中，目标设备中配置有风扇单元，位于热点区域的概率越大的机柜所在的区域在移动路径中的优先级越高。
[0067]
步骤s108，基于热点区域预测结果调整多个机柜所在的区域中空调的温度参数。
[0068]
具体地，依据热点区域预测模型得到的机房内所有机柜在热通道内是否存在热点区域，并确定热点区域预测结果，通过无线通信模块和动力环境监控平台自动生成并下发最优的控制策略，确定目标设备在机房内的移动路径，对预测热点区域内的多个机柜进行监控。
[0069]
例如，图4示出了一种可选的目标设备移动的示意图，其中，最右侧列头柜1-2的运行参数输入至热点区域预测模型后，输出的热点区域预测结果为0.8，说明该机柜位于热点区域的概率最大；最左侧列头柜1-9运行参数输入至热点区域预测模型后，输出的热点区域预测结果为0.2，说明该机柜位于热点区域的概率较小。因此，首先确定最快到达最右侧列头柜1-2的第一路径，并控制目标设备沿着第一路径以最快速度到达该机柜位置时停止继续行驶，此时智能调大风扇单元的风扇转速，同时为了快速降低该机柜的温度，还可以降低该机柜所在区域的空调1的温度参数。然后确定最左侧列头柜1-9的第二路径，并控制目标设备沿着第二路径以最快速度到达该机柜位置时停止继续行驶，此时智能调大风扇单元的风扇转速，因此，此机柜位于热点区域的概率较小，说明该机柜的温度并未太高，因此仅通过目标设备的风扇单元就可以实现降温，此时就不需要调整机柜所在区域的空调3的温度参数。
[0070]
需要说明的是，步骤s106和步骤s108的执行顺序是可以互换的，即可以先执行步骤s106，然后再执行s108。
[0071]
作为一种可选的实施方法，当机房内各个机柜的传感器发出异常告警提示时，为了避免对机房环境带来的不必要的安全隐患，需要及时对发出异常告警提示的机柜进行检查。
[0072]
可选地，响应于目标机柜发出的温度异常告警信息，控制目标设备移动至目标机柜所在的区域，并获取目标机柜的第二运行参数；将第二运行参数输入热点区域预测模型，得到热点区域预测模型输出的第一预测概率；在预测概率大于预设概率阈值时，确定目标机柜位于热点区域，依据温度异常告警信息调整风扇单元的送风量，并依据温度异常告警信息调整目标机柜所在的区域中空调的温度参数。
[0073]
可选地，在预测概率不大于预设概率阈值时，确定目标机柜不位于热点区域，发出异常提示信息，异常提示信息用于提示目标机柜发出的温度异常告警信息有误。
[0074]
例如，当通信机房中某一机柜的报警温度传感器发出温度异常告警提示音时，控制自动导引车移动至该机柜的位置，此时通过目标设备中的温湿度传感器采集机柜前测温度、机柜后测温度；采用风速采集器采集机柜前侧风速、机柜后侧风速；采用电表采集器采集机柜负载(即第二运行参数)，并将第二运行参数输入至热点区域预测模型中，可以输出第一预测概率，通过将第一预测概率与预设概率阈值0.5进行比较，判断该机柜是否位于热点区域内。
[0075]
当第一预测概率大于0.5时，将该机柜标记为1，说明该机柜位于热点区域，根据报警温度传感器与预测热点区域的位置关系，调整风扇单元的送风量以及该机柜所在区域中的空调的温度参数，对该机柜所在的热点区域进行及时降温；当第一预测概率不大于0.5时，将该机柜标记为0，说明目标机柜不在热点区域范围内，该机柜的报警温度传感器发出异常告警提示音时，以提醒相关技术人员该机柜发出的温度异常告警提示音有误，需要注意是否是其他原因导致机柜发出告警提示。
[0076]
作为一种可选的实施方法，由于目标设备在运行时由于过电压、过电流，以及风扇风速过高造成局部气流短路等情况，可能会对机房环境带来的不必要的安全隐患。因此，需要通过动力环境监控平台接收风扇单元的电源电压和自动引导车内置的电池电压，判断其电压状态是否满足门限值，以检查目标设备的运行状态，确保目标设备以最佳状态巡视机房。
[0077]
可选地，获取目标设备自身的第三运行参数，其中，第三运行参数至少包括以下之一：运行电压、运行电流和风扇单元的出风量；在第三运行参数不满足预设的工作阈值范围时，控制目标设备关闭风扇单元，并发出告警信息，告警信息用于提示目标设备运行状态异常需要维护。
[0078]
例如，可以获取目标设备在运行时的运行电压、运行电流和风扇单元的出风量(也即第三运行参数)，当目标设备在运行时的运行电压不满足预设的工作阈值电压范围，或者目标设备在运行时的运行电流不满足预设的工作阈值电流范围等，可以控制目标设备关闭风扇单元，并及时发出告警信息以提醒相关技术人员及时检查目标设备，提升目标设备的使用寿命，同时可以确保目标设备采集机柜运行数据的准确性。
[0079]
在本技术实施例中，获取目标设备采集的机房中多个机柜的多组第一运行参数；将多组第一运行参数输入预先训练的热点区域预测模型，得到热点区域预测模型输出的热点区域预测结果，其中，热点区域预测结果用于反映每个机柜位于热点区域的概率；基于热点区域预测结果确定目标设备的移动路径，并控制目标设备按照移动路径对多个机柜进行巡视，其中，目标设备中配置有风扇单元，位于热点区域的概率越大的机柜所在的区域在移动路径中的优先级越高；基于热点区域预测结果调整多个机柜所在的区域中空调的温度参数。其中通过目标设备智能采集的机房中多个机柜的运行数据，保证后续可以准确预测机房中的热点区域；通过热点区域预测结果确定目标设备的移动轨迹，及时对机房内热点区域进行控制；通过热点区域预测结果调整多个机柜所在的区域中空调的温度参数，实现对机房温度进行智能控制，进而解决了相关技术中无法智能且准确地对机房温度进行控制，导致局部热点频发的技术问题。
[0080]
实施例2
[0081]
根据本技术实施例，还提供了一种用于实现实施例1中的机房热点区域疏解方法的机房热点区域疏解装置，如图5所示，该机房热点区域疏解装置中至少包括获取模块51，预测模块52，控制模块53和调整模块54，其中：
[0082]
获取模块51，用于获取目标设备采集的机房中多个机柜的多组第一运行参数。
[0083]
可选地，通过目标设备中包括：自动导引车，安装于自动导引车上的微控制单元、无线通信单元、传感器单元和风扇单元，其中，自动导引车用于按照移动路径进行移动；传感器单元中包括用于采集第一运行参数的多个传感器，第一运行参数至少包括以下之一：机柜前测温度、机柜后测温度、机柜前侧风速、机柜后侧风速和机柜负载；风扇单元中包括多个风扇组成的矩阵风扇；微控制单元用于通过无线通信单元将多组第一运行参数发送至动力环境监控平台，并接收动力环境监控平台发送的控制指令，控制自动导引车及风扇单元执行与控制指令对应的操作。
[0084]
具体地，获取模块51在目标设备确定的移动轨迹在行驶过程中，获取机房中多个机柜的多组第一运行参数。
[0085]
其中，通过温湿度传感器采集机柜前测温度、机柜后测温度，风速采集器采集机柜前侧风速、机柜后侧风速以及电表采集器采集机柜负载。
[0086]
作为一种可选的实施方式，可以在控制目标设备在安全磁条轨道上行进，以控制自动引导车可以正常执行前进、转弯、后退等动作。
[0087]
预测模块52，用于将多组第一运行参数输入预先训练的热点区域预测模型，得到热点区域预测模型输出的热点区域预测结果，其中，热点区域预测结果用于反映每个机柜位于热点区域的概率。
[0088]
为了保证预测模块52可以输出较为准确的预测结果，需要对初始模型进行训练，选择最优超参数的热点区域预测模型，也即选择最优的初始模型数量、决策树深度和学习率。
[0089]
可选地，热点区域预测模型的训练过程包括：确定机房中存在热点区域时的历史时间段；从历史运行数据中获取多个机柜在历史时间段中的多组第四运行参数，将每组第四运行参数作为一组训练样本数据，其中，第四运行参数至少包括以下之一：机柜前测温度、机柜后测温度、机柜前侧风速、机柜后侧风速和机柜负载；为每组训练样本数据添加样本标签，样本标签用于标注训练样本数据对应的机柜是否位于热点区域；基于多组训练样本数据和样本标签对初始模型进行训练，得到热点区域预测模型，其中，初始模型为xgboost二分类模型。
[0090]
依据多组训练样本数据和样本标签对初始模型训练过程可以分为以下几步：首先对于每组训练样本数据，将训练样本数据输入xgboost二分类模型，得到xgboost二分类模型输出的第二预测概率；然后基于第二预测概率和训练样本数据对应的样本标签构建目标损失函数；最后将多组训练样本数据依次输入xgboost二分类模型进行迭代训练，并基于目标损失函数调整xgboost二分类模型的模型参数，得到热点区域预测模型。
[0091]
其中，本技术实施例中目标损失函数可以为交叉熵损失函数。
[0092]
具体地，对热点区域预测模型的训练过程如下：首先采集通信机房中n个机柜在热点区域时的某一过去时间段内的历史数据，其中，历史数据中必须存在热点机柜的运行数
据。如通过采用温湿度传感器采集机柜前测温度、机柜后测温度，采用风速采集器采集机柜前侧风速、机柜后侧风速，采用电表采集器采集机柜负载。并对采集的历史数据进行归一化处理和数据清洗，以确保后续预测结果的准确性，并将人工标记对该机柜是否为热点区域y，其中，将热点区域标记为1,将非热点区域标记为0)，可以将处理后的每个机柜的历史数据作为一组训练样本数据。则对于第i个机柜来说，其训练样本数据的表达式如下：
[0093][0094]
其中，表示机柜前测温度(℃)；表示机柜后测温度(℃)；表示机柜前侧风速(m/s)；表示机柜后侧风速(m/s)；ei表示机柜负载(kw)。
[0095]
同时，为每组训练样本添加样本标签yi，用以标准训练样本数据对应的机柜是否位于热点区域。因此，输入至xgboost二分类模型中的数据可以用如下公式表达：
[0096]
t＝{(x1,y1),(x2,y2),
…
,(xi,yi),
…
,(xn,y
1＝n
)}
[0097]
接着将采集的多组训练样本数据输入至xgboost二分类模型中，得到xgboost二分类模型输出的第二预测概率，第二预测概率的表达式如下：
[0098][0099]
其中，fm(xi)表示第m个xgboost二分类模型对第i个机柜的预测结果，将所有的预测结果叠加得到最终第i个机柜的第二预测概率当第二预测概率大于预设概率阈值时，确认第i个机柜位于热点区域；反之，则不位于热点区域。
[0100]
依据第二预测概率和训练样本数据对应的样本标签构建目标损失函数，目标损失函数的表达式如下：
[0101][0102]
因此，可以通过目标损失函数和正则项确定xgboost二分类模型的目标函数，其中，目标损失函数用于确定训练误差，而正则化函数用于确定决策树的复杂度，以防止xgboost二分类模型过度拟合，提升xgboost二分类模型的泛化能力。因此，xgboost二分类模型的目标函数表达式可以写为：
[0103][0104]
然后将多组训练样本数据依次输入xgboost二分类模型进行迭代训练，确定热点区域预测模型最优的超参数。对于第t轮训练而言，其热点区域预测模型的目标函数表示式为：
[0105]
[0106][0107]
其中，t为决策树的叶子结点数量，wj为每个叶子结点的权重。因此，可以依据叶子节点树整理xgboost二分类模型，故xgboost二分类模型的目标函数可以表示为：
[0108][0109]
因此，最终热点区域预测模型的目标函数表示式为：
[0110][0111]
其中，i表示每个叶子节点下的样本集合；gj表示每个叶子节点的一阶导数求和结果；hj表示每个叶子节点的二阶导数求和结果。
[0112]
完成对热点区域预测模型的训练后，在本技术实施例中，将获取的多组第一运行参数输入至热点区域预测模型，得到热点区域预测模型输出的热点区域预测结果，该热点区域预测结果可以准确反映出机房内每个机柜位于热点区域的概率。
[0113]
控制模块53，用于基于热点区域预测结果确定目标设备的移动路径，并控制目标设备按照移动路径对多个机柜进行巡视，其中，目标设备中配置有风扇单元，位于热点区域的概率越大的机柜所在的区域在移动路径中的优先级越高。
[0114]
调整模块54，用于基于热点区域预测结果调整多个机柜所在的区域中空调的温度参数。
[0115]
具体地，依据热点区域预测模型得到的机房内所有机柜在热通道内是否存在热点区域，并确定热点区域预测结果，通过无线通信模块和动力环境监控平台自动生成并下发最优的控制策略，确定目标设备在机房内的移动路径，对预测的热点区域内的多个机柜进行巡视监控。
[0116]
需要说明的是，本技术实施例中的机房热点区域疏解装置中的各模块与实施例1中的机房热点区域疏解方法的各实施步骤一一对应，由于实施例1中已经进行了详尽的描述，本实施例中部分未体现的细节可以参考实施例1，在此不再过多赘述。
[0117]
实施例3
[0118]
根据本技术实施例，还提供了一种非易失性存储介质，该非易失性存储介质包括存储的程序，其中，非易失性存储介质所在设备通过运行该程序执行实施例1中的机房热点区域疏解方法。
[0119]
具体地，非易失性存储介质所在设备通过运行该程序执行实现以下步骤：获取目标设备采集的机房中多个机柜的多组第一运行参数；将多组第一运行参数输入预先训练的热点区域预测模型，得到热点区域预测模型输出的热点区域预测结果，其中，热点区域预测结果用于反映每个机柜位于热点区域的概率；基于热点区域预测结果确定目标设备的移动
路径，并控制目标设备按照移动路径对多个机柜进行巡视，其中，目标设备中配置有风扇单元，位于热点区域的概率越大的机柜所在的区域在移动路径中的优先级越高；基于热点区域预测结果调整多个机柜所在的区域中空调的温度参数。
[0120]
可选地，响应于目标机柜发出的温度异常告警信息，控制目标设备移动至目标机柜所在的区域，并获取目标机柜的第二运行参数；将第二运行参数输入热点区域预测模型，得到热点区域预测模型输出的第一预测概率；在预测概率大于预设概率阈值时，确定目标机柜位于热点区域，依据温度异常告警信息调整风扇单元的送风量，并依据温度异常告警信息调整目标机柜所在的区域中空调的温度参数。
[0121]
可选地，在预测概率不大于预设概率阈值时，确定目标机柜不位于热点区域，发出异常提示信息，异常提示信息用于提示目标机柜发出的温度异常告警信息有误。
[0122]
根据本技术实施例，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行实施例1中的机房热点区域疏解方法。
[0123]
具体地，程序运行时执行实现以下步骤：获取目标设备采集的机房中多个机柜的多组第一运行参数；将多组第一运行参数输入预先训练的热点区域预测模型，得到热点区域预测模型输出的热点区域预测结果，其中，热点区域预测结果用于反映每个机柜位于热点区域的概率；基于热点区域预测结果确定目标设备的移动路径，并控制目标设备按照移动路径对多个机柜进行巡视，其中，目标设备中配置有风扇单元，位于热点区域的概率越大的机柜所在的区域在移动路径中的优先级越高；基于热点区域预测结果调整多个机柜所在的区域中空调的温度参数。
[0124]
可选地，响应于目标机柜发出的温度异常告警信息，控制目标设备移动至目标机柜所在的区域，并获取目标机柜的第二运行参数；将第二运行参数输入热点区域预测模型，得到热点区域预测模型输出的第一预测概率；在预测概率大于预设概率阈值时，确定目标机柜位于热点区域，依据温度异常告警信息调整风扇单元的送风量，并依据温度异常告警信息调整目标机柜所在的区域中空调的温度参数。
[0125]
可选地，在预测概率不大于预设概率阈值时，确定目标机柜不位于热点区域，发出异常提示信息，异常提示信息用于提示目标机柜发出的温度异常告警信息有误。
[0126]
根据本技术实施例，还提供了一种电子设备，该电子设备包括：存储器和处理器，其中，存储器中存储有计算机程序，处理器被配置为通过计算机程序执行实施例1中的机房热点区域疏解方法。
[0127]
具体地，处理器被配置为通过计算机程序执行实现以下步骤：获取目标设备采集的机房中多个机柜的多组第一运行参数；将多组第一运行参数输入预先训练的热点区域预测模型，得到热点区域预测模型输出的热点区域预测结果，其中，热点区域预测结果用于反映每个机柜位于热点区域的概率；基于热点区域预测结果确定目标设备的移动路径，并控制目标设备按照移动路径对多个机柜进行巡视，其中，目标设备中配置有风扇单元，位于热点区域的概率越大的机柜所在的区域在移动路径中的优先级越高；基于热点区域预测结果调整多个机柜所在的区域中空调的温度参数。
[0128]
可选地，响应于目标机柜发出的温度异常告警信息，控制目标设备移动至目标机柜所在的区域，并获取目标机柜的第二运行参数；将第二运行参数输入热点区域预测模型，得到热点区域预测模型输出的第一预测概率；在预测概率大于预设概率阈值时，确定目标
机柜位于热点区域，依据温度异常告警信息调整风扇单元的送风量，并依据温度异常告警信息调整目标机柜所在的区域中空调的温度参数。
[0129]
可选地，在预测概率不大于预设概率阈值时，确定目标机柜不位于热点区域，发出异常提示信息，异常提示信息用于提示目标机柜发出的温度异常告警信息有误。
[0130]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0131]
在本技术的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0132]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0133]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0134]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0135]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0136]
以上仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。

技术特征：

1.一种机房热点区域疏解方法，应用于动力环境监控平台，其特征在于，包括：获取目标设备采集的机房中多个机柜的多组第一运行参数；将所述多组第一运行参数输入预先训练的热点区域预测模型，得到所述热点区域预测模型输出的热点区域预测结果，其中，所述热点区域预测结果用于反映每个机柜位于热点区域的概率；基于所述热点区域预测结果确定所述目标设备的移动路径，并控制所述目标设备按照所述移动路径对所述多个机柜进行巡视，其中，所述目标设备中配置有风扇单元，所述位于热点区域的概率越大的机柜所在的区域在所述移动路径中的优先级越高；基于所述热点区域预测结果调整所述多个机柜所在的区域中空调的温度参数。2.根据权利要求1所述的方法，其特征在于，所述目标设备中包括：自动导引车，安装于所述自动导引车上的微控制单元、无线通信单元、传感器单元和所述风扇单元，其中，所述自动导引车用于按照所述移动路径进行移动；所述传感器单元中包括用于采集所述第一运行参数的多个传感器，所述第一运行参数至少包括以下之一：机柜前测温度、机柜后测温度、机柜前侧风速、机柜后侧风速和机柜负载；所述风扇单元中包括多个风扇组成的矩阵风扇；所述微控制单元用于通过所述无线通信单元将所述多组第一运行参数发送至所述动力环境监控平台，并接收所述动力环境监控平台发送的控制指令，控制所述自动导引车及所述风扇单元执行与所述控制指令对应的操作。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：响应于目标机柜发出的温度异常告警信息，控制所述目标设备移动至所述目标机柜所在的区域，并获取所述目标机柜的第二运行参数；将所述第二运行参数输入所述热点区域预测模型，得到所述热点区域预测模型输出的第一预测概率；在所述预测概率大于预设概率阈值时，确定所述目标机柜位于热点区域，依据所述温度异常告警信息调整所述风扇单元的送风量，并依据所述温度异常告警信息调整所述目标机柜所在的区域中空调的温度参数。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：在所述预测概率不大于所述预设概率阈值时，确定所述目标机柜不位于热点区域，发出异常提示信息，所述异常提示信息用于提示所述目标机柜发出的温度异常告警信息有误。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述目标设备自身的第三运行参数，其中，所述第三运行参数至少包括以下之一：运行电压、运行电流和所述风扇单元的出风量；在所述第三运行参数不满足预设的工作阈值范围时，控制所述目标设备关闭所述风扇单元，并发出告警信息，所述告警信息用于提示所述目标设备运行状态异常需要维护。6.根据权利要求1所述的方法，其特征在于，所述热点区域预测模型的训练过程包括：确定所述机房中存在热点区域时的历史时间段；
从历史运行数据中获取所述多个机柜在所述历史时间段中的多组第四运行参数，将每组所述第四运行参数作为一组训练样本数据，其中，所述第四运行参数至少包括以下之一：机柜前测温度、机柜后测温度、机柜前侧风速、机柜后侧风速和机柜负载；为每组所述训练样本数据添加样本标签，所述样本标签用于标注所述训练样本数据对应的机柜是否位于热点区域；基于多组所述训练样本数据和所述样本标签对初始模型进行训练，得到所述热点区域预测模型，其中，所述初始模型为xgboost二分类模型。7.根据权利要求6所述的方法，其特征在于，基于多组所述训练样本数据和所述样本标签对初始模型进行训练，得到所述热点区域预测模型，包括：对于每组所述训练样本数据，将所述训练样本数据输入所述xgboost二分类模型，得到所述xgboost二分类模型输出的第二预测概率；基于所述第二预测概率和所述训练样本数据对应的所述样本标签构建目标损失函数；将多组所述训练样本数据依次输入所述xgboost二分类模型进行迭代训练，并基于所述目标损失函数调整所述xgboost二分类模型的模型参数，得到所述热点区域预测模型。8.一种机房热点区域疏解装置，其特征在于，包括：获取模块，用于获取目标设备采集的机房中多个机柜的多组第一运行参数；预测模块，用于将所述多组第一运行参数输入预先训练的热点区域预测模型，得到所述热点区域预测模型输出的热点区域预测结果，其中，所述热点区域预测结果用于反映每个机柜位于热点区域的概率；控制模块，用于基于所述热点区域预测结果确定所述目标设备的移动路径，并控制所述目标设备按照所述移动路径对所述多个机柜进行巡视，其中，所述目标设备中配置有风扇单元，所述位于热点区域的概率越大的机柜所在的区域在所述移动路径中的优先级越高；调整模块，用于基于所述热点区域预测结果调整所述多个机柜所在的区域中空调的温度参数。9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述非易失性存储介质所在设备通过运行所述程序执行权利要求1至7中任意一项所述的机房热点区域疏解方法。10.一种电子设备，其特征在于，包括：存储器和处理器，其中，所述存储器中存储有计算机程序，所述处理器被配置为通过所述计算机程序执行权利要求1至7中任意一项所述的机房热点区域疏解方法。

技术总结

本申请公开了一种机房热点区域疏解方法及装置。其中，该方法包括：获取目标设备采集的机房中多个机柜的多组第一运行参数；将多组第一运行参数输入预先训练的热点区域预测模型，得到热点区域预测模型输出的热点区域预测结果，其中，热点区域预测结果用于反映每个机柜位于热点区域的概率；基于热点区域预测结果确定目标设备的移动路径，并控制目标设备按照移动路径对多个机柜进行巡视，其中，目标设备中配置有风扇单元，位于热点区域的概率越大的机柜所在的区域在移动路径中的优先级越高；基于热点区域预测结果调整多个机柜所在的区域中空调的温度参数。本申请解决了相关技术中无法智能且准确地对机房温度进行控制，导致局部热点频发的技术问题。点频发的技术问题。点频发的技术问题。