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！

龙图腾网获悉杭州华宏通信设备有限公司申请的专利基于大数据分析的机房水冷空调自适应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：CN119893963B 。

龙图腾网通过国家知识产权局官网在2025-06-24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：202510355223.8，技术领域涉及：H05K7/20；该发明授权基于大数据分析的机房水冷空调自适应控制方法是由华菁设计研发完成，并于2025-03-25向国家知识产权局提交的专利申请。

本基于大数据分析的机房水冷空调自适应控制方法在说明书摘要公布了：本发明公开了基于大数据分析的机房水冷空调自适应控制方法，涉及自适应调控技术领域，用于改善固定热惯性造成响应时间过长问题，包括对分布式光纤传感进行网络部署，在水冷空调自适应系统中利用滑动时间窗算法筛选环境数据，对噪声进行抑制处理并进入热惯性补偿机制，基于初始系统热惯性构建LSTM神经网络对后续多个控制周期的热扰动进行预测，引入时空对齐补偿矩阵抑制热惯性补偿机制内的谐波振荡，综合预测的热扰动以及空调内冷冻水流量使用双闭环校正方法生成热补偿修正量，对双闭环校正方法进行增益切换，通过时序对齐引擎对异步采集的数据包进行同步对齐校正，设置弯曲窗口并进行特征化融合判断环境数据采集点及其异常采集响应速率。

本发明授权基于大数据分析的机房水冷空调自适应控制方法在权利要求书中公布了：1.基于大数据分析的机房水冷空调自适应控制方法，其特征在于，包括以下步骤， 步骤S1：对分布式光纤传感进行网络部署，在水冷空调自适应系统中利用滑动时间窗算法筛选环境数据，并启用IIR数字滤波器对噪声进行抑制处理并进入热惯性补偿机制； 步骤S2：基于初始系统热惯性构建LSTM神经网络对后续多个控制周期的热扰动进行预测，引入时空对齐补偿矩阵抑制热惯性补偿机制内的谐波振荡； 步骤S3：综合预测的热扰动以及空调内冷冻水流量使用双闭环校正方法生成热补偿修正量，检测环境负载，设置变结构滑膜控制器对双闭环校正方法进行增益切换； 步骤S4：通过时序对齐引擎应用改进型DTW算法对异步采集的数据包进行同步对齐校正，设置弯曲窗口并进行特征化融合判断环境数据采集点及其异常采集响应速率； 在步骤S1中，进行利用滑动时间窗算法根据环境数据进行动态数据筛选如下： 预处理：初始化窗口长度以及步长，将窗口长度标记为T_win； 生成参数序列：对于每个环境数据进行去纲量操作后生成参数序列； 其代表采样时间窗内的数据序列，即在特定时间窗口T_win内收集到的测量数据计算标准差率，其中，为参数序列标准差，为参数序列均值；峰度系数为；其中，峰度用于衡量数据分布的陡峭程度，当峰度系数等于3时，数据服从正态分布，当峰度系数大于3时，数据集中分布在均值附近，当峰度系数小于3时，数据呈平坦分布； 式中，为序列中的每个数据点，为序列的均值，为参数序列标准差，n为数据点的总数；流量变化速率的计算公式为：，其中，为当前时刻t的流量，为前一时刻的流量，采样时间间隔； 在步骤S2中，基于初始系统热惯性构建LSTM神经网络对后续多个控制周期的热扰动进行预测，具体步骤如下： 构建多个隐藏单元的LSTM网络，输入层接收多个时间点的系统热惯性分别标记为：； 其中，为历史负载预测数据，为历史回水温度，为历史换热速率变化数据; 隐藏层：采用多个LSTM单元，以学习系统的热惯性特性; 输出层预测未来n个控制周期的热扰动，即； 设定初始学习率，将损失函数定义为： ； 式中，MAE为衡量预测值与真实值的平均绝对差异； 其中，MSLE均方对数误差的计算公式为： ； 其中，MSLE用于降低极端误差的影响； 式中，为正则化项，用于控制模型复杂度； 在步骤S2中，在时空对齐补偿矩阵内定义补偿系数的计算规则： 当时，时间偏差小于热惯性时间常数的一半，补偿系数的计算规则为：； 当时，时间偏差大于热惯性时间常数的一半，补偿系数的计算规则为：； 其中，为跟踪误差，通过上述计算规则抑制补偿过程中的谐波振荡； 在步骤S3中，使用双闭环校正方法生成热补偿修正量具体步骤如下： 定义状态向量：，其中，τ为热惯性时间常数，Ceq为等效热容，Qacc为累计热偏差；其中，τ是反映系统对温度变化的响应速度，Ceq是衡量系统储热能力，直接影响热补偿计算，Qacc是记录系统热量损失或积累情况，以调整补偿策略； 观测矩阵的自适应调整公式：， 其中，为当热补偿量变化，0.8为预设的固定权重，稳定观测数据的影响，为时间衰减因子； 设定触发规则：若残差协方差满足以下不等式时，即当时； 系统触发参数更新机制，增益矩阵的计算公式如下： ，其中，过程噪声协方差设定为：，观测噪声协方差设定为：，其中，=，0.02、0.01、0.05分别为预设的热惯性时间常数的扰动、等效热容的误差，以及累计热偏差的修正； 在步骤S4中，对异步采集的数据包进行同步对齐校正，构建了一个包含128个隐藏单元的长短期记忆（LSTM）神经网络，用于预测冷冻水系统中的热惯性动态特性； 异步采集的数据包包括负载预测、回水温度、供水温度、压缩机功率、冷凝器温差、蒸发器换热效率、环境温度、冷却塔风机转速、冷冻水流量以及水泵压力，将其分别标记为、、、、、、、、、，将所有异步采集的数据包作为十维时序数据； 定义输入特征，将十维时序数据定义为输入特征； 网络训练与优化：初始学习率设定为0.001，每10轮迭代动态调整学习率衰减率为0.95；损失函数采用均方误差标记为MSE： ； 训练数据量预设为100,000个时间步，根据窗口尺寸进行数据扩增； 进行交叉验证：采用K折交叉验证，在预设的时间步中确定环境数据采集点。

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杭州华宏通信设备有限公司，其通讯地址为：311400 浙江省杭州市富阳区东洲街道东洲工业功能区七号路17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”。