温度外推在瞬态高温测试中的应用
- 格式:pdf
- 大小:219.94 KB
- 文档页数:3
瞬态温度响应曲线概述瞬态温度响应曲线是指物体在受到突发温度变化时,温度的变化过程所绘制出的曲线。
这个曲线对于理解物体的热传导、热惯性等性质非常重要。
本文将从物理背景、实验方法、曲线分析和应用等方面全面介绍瞬态温度响应曲线。
物理背景瞬态温度响应曲线是基于热传导理论的。
热传导是指物质内部热量从高温区域向低温区域的传递过程。
物质的温度分布会受到热传导的影响,当物体受到突发温度变化时,会有一定的热传导过程导致温度变化。
瞬态温度响应曲线能够反映物体对温度变化的响应速度和传热特性。
实验方法实验装置进行瞬态温度响应曲线实验需要一些基本的实验装置,包括温度探头、温度计、加热源和数据采集系统等。
实验步骤1.在实验装置上选择一个物体,可以是一个金属棒或者其他导热物体,预先确定好该物体的初始温度。
2.将温度探头固定在物体的一侧,确保其与物体的接触良好。
3.在实验开始前,将加热源打开,使其向物体施加一个突发温度变化。
4.同时开始记录物体的温度变化情况,可以使用温度计进行实时测量,也可以使用数据采集系统进行数据记录。
5.持续记录物体的温度变化,直到温度稳定恢复到初始温度。
曲线分析响应时间瞬态温度响应曲线中的一个重要参数是响应时间。
响应时间指的是物体从初始温度到达最终稳定温度所需要的时间。
响应时间越短,表示物体对温度变化的敏感度越高。
暂态过程瞬态温度响应曲线中的暂态过程是指温度在响应变化过程中,从初始温度到最终稳定温度之间的变化过程。
暂态过程既包括温度上升的过程,也包括温度下降的过程。
通过对暂态过程的分析,可以了解物体的热惯性和热传导特性。
稳态过程瞬态温度响应曲线中的稳态过程是指物体温度稳定在某个数值之后,不再发生变化的过程。
稳态过程可以反映物体对温度变化的最终适应状态。
应用瞬态温度响应曲线在许多领域中都有重要的应用价值。
1. 材料研究:通过瞬态温度响应曲线的分析,可以对材料的导热性能进行评估,进而优化材料的热传导特性。
目前,随着电子产品行业的微型化、轻量化和高性能化,对相应材料热管理的要求也随之提升。
因此,如何迅速而准确地测试出材料的导热性能就成为该行业的研究重点。
目前,已经商业化的导热测试设备按照测试原理主要分为稳态法和瞬态法[1]- [3]。
稳态法由于达到测试所需的稳态时间较长,在离室温较远的测试条件下,不利于样品的物态保持。
与之相反,瞬态法由于其测试时间较短、精准度高,便得到了更为广泛的应用[3]- [5]。
瞬态法的基本原理是测试材料表面在瞬态或周期性热源下温度随时间的变化,主要包括激光闪点法、热带法以及平面热源法。
本文采用的瞬态平面热源法(TPS)导热系数测试仪(型号1500)为瑞士Hot Disk公司所生产,通过螺旋状的大接触面热源向试样传递热量和测试温度变化,经数学模型处理,得到待测样品的导热系数,相关偏差为5%。
一、Hot Disk导热仪测试原理Hot Disk导热仪的核心部件为由经蚀刻形成的具有连续双螺旋结构的导电金属探头。
该探头同时具备热源及温度感应的双重作用。
测试时需要选取两块表面相对平整的样品,将探头夹在其中形成类似于三明治的结构。
测试时,通过恒定输出的电流对探头进行加热,依据待测材料导热系数的差异,探头的热量传递(散失)情况可依据其随温度改变的电阻变化关系得到,进而通过热传导方程的一系列数学工具,得到待测材料的热传导系数与比热容,进而计算出其热导率。
该测试过程中,最为重要的一个前提是假设外部热流只通过导电金属探头沿待测样品的轴向进行一维传播,即不考虑传感器内部的热损耗以及扩散出样品边界的热量损失。
内部的热损耗可以通过隔热层材料的选取以及导电金属螺旋设计的优化而尽可能减少;样品边界的热量损失则显著依赖于测试条件的选取。
通常,由于测试时间较短,施加的热量较少,相对于样品的厚度,其水平方向的尺寸可以视作无限大,进而忽略该部分误差,满足ISO22007-2.2008标准和国标GB/T 32064-2015。
瞬态热阻和稳态热阻测试方法瞬态热阻和稳态热阻是两种常用于热传导性能测试的方法。
瞬态热阻测试方法用于测量材料在瞬态状态下的热阻,而稳态热阻测试方法则用于测量材料在稳态状态下的热阻。
本文将详细介绍这两种测试方法的原理和操作步骤。
一、瞬态热阻测试方法瞬态热阻测试方法主要用于测量材料在瞬态条件下的热传导性能。
其原理基于温度传感器记录材料温度变化的过程,通过分析温度变化曲线可以计算出瞬态热阻。
下面是该测试方法的操作步骤:1. 准备测试样品:选择适当的材料样品,并确保其表面光洁平整,以保证热传导的准确性。
2. 安装温度传感器:将温度传感器固定在样品的表面,并确保其与样品紧密接触,以避免温度测量误差。
3. 施加热源:将热源放置在样品的一侧,以提供热量。
热源可以是恒温水槽、电热板等,根据实际需要选择合适的热源。
4. 记录温度变化:启动温度记录设备,并开始记录样品表面温度的变化。
记录时间应足够长,以确保获取到完整的温度变化曲线。
5. 数据分析:将记录到的温度数据导入计算软件中,通过分析温度变化曲线,可以计算出瞬态热阻的数值。
二、稳态热阻测试方法稳态热阻测试方法主要用于测量材料在稳态条件下的热传导性能。
其原理基于施加稳定的热流量,测量样品两侧的温度差,通过计算可以得到稳态热阻。
下面是该测试方法的操作步骤:1. 准备测试样品:选择适当的材料样品,并确保其尺寸和形状符合测试要求,以保证热传导的准确性。
2. 安装温度传感器:将温度传感器固定在样品的两侧,并确保其与样品紧密接触,以避免温度测量误差。
3. 施加稳定热流量:使用热源将稳定的热流量施加到样品的一侧,可以是电热丝、热板等,根据实际需要选择合适的热源。
4. 测量温度差:使用温度计或热电偶等设备测量样品两侧的温度差,确保测量的准确性和稳定性。
5. 计算热阻:根据施加的热流量和测得的温度差,通过计算可以得到样品的稳态热阻。
通过瞬态热阻和稳态热阻测试方法,可以获得材料的热传导性能数据,用于评估材料的热性能和热管理能力。
高温试验的温度条件高温试验是一种常见的物理实验方法,通过在高温环境下对物质进行测试,验证其性能和稳定性。
高温试验的温度条件是关键因素之一,它直接影响着实验的结果和物质的性能评估。
本文将介绍高温试验的常见温度条件,并分析其应用领域和影响因素。
高温试验的温度条件通常涵盖室温以上的温度范围,可以根据实验需求而定。
一般来说,高温试验可以分为几个常见的温度区间。
首先是中温试验,温度范围通常为200-800摄氏度。
中温试验常用于金属和合金材料的性能评估,如热膨胀系数、热导率、热稳定性等。
中温试验还可用于模拟工艺条件下材料的变形行为,评估其加工性能。
在实验中,可以通过炉内控制温度,确保稳定的温度条件,并对不同材料进行比较和分析。
其次是高温试验,温度范围通常为800-1600摄氏度。
高温试验常用于陶瓷材料、高温合金等耐高温材料的研究和评估。
在高温环境下,这些材料的力学性能、热性能和化学稳定性可能会发生显著变化。
高温试验可模拟材料在极端环境下的使用条件,评估其可靠性和耐久性。
同时,高温试验也用于研究材料的相变行为和热处理效果,为材料的制备和加工提供依据。
再次是超高温试验,温度范围通常超过1600摄氏度。
超高温试验通常适用于石墨、陶瓷复合材料等特殊材料的研究。
这些材料具有良好的耐高温性能和热导性能,在航空航天、能源等领域有广泛应用。
超高温试验可模拟材料在高速飞行、火箭发动机等极端条件下所受到的热应力和热氧化环境,评估其性能和可靠性。
高温试验的温度条件受多种因素影响,包括试验目的、物质特性和实验设备等。
不同的试验目的需要不同的温度条件,因此研究人员需要根据实际需求来确定温度范围。
同时,物质的特性也是确定温度条件的重要因素。
不同的物质在高温下可能表现出不同的热膨胀系数、热导率和热稳定性,因此需要选择适当的温度条件来评估其性能。
此外,实验设备的性能和控制能力也限制了温度条件的选择。
一些实验设备可能无法达到极高的温度,从而限制了试验的范围。
第一章绪论1.1 研究目的和意义在工程实际中,由于工件和设备的各种运动,使得设备之间产生了许多非稳态导热现象。
热力设备的启动,停机,变工况,突然冷却等,使设备产生了瞬态高温。
若瞬态温度太高,则会由于过大的热应力而损坏部件,因此对瞬时温度的检测和控制变得极其重要。
传统的温度探测器多是使用热-电的方法,而由热到电的过程需引入电阻、电感、电容等元件,这样温度的产生和探测之间会产生时间延迟,并且引入电路的过程可能会导致原温度场频率发生变化,同时一些机械的探测需要无接触性探测。
另外,在很多情况下,当温度达到,甚至超过一定极限时,传统的温度传感器会失去探测能力。
因此,传统的温度传感器遇到了很大的挑战,实现瞬态高温的实时、非接触性检测具有重大的意义。
散斑干涉测量技术是60年代末由J. M. Burch 和J. T. To kardki首先提出的一种光学测量技术, 具有非接触、测量精度高、对环境的防震要求低、可在明光下操作、能进行全场测量等特点, 因而广泛应用于光学粗糙表面的变形测量和无损检测。
随着计算机技术、电子技术和数字图像处理技术的发展, 形成了电子散斑干涉测量技术( electronic speckle pattern interferometry, 简称ESPI),它具有实时处理信息、实时显示干涉条纹、快速方便、对工作环境的防震要求低并可以实现条纹自动化测量等优点。
另外由散斑干涉模型可以知道,温度与弹性模量,等温压缩系数,体胀系数等有关系,而弹性模量等的测量时一个复杂的过程,如果本系统能非常完美地解决高温的测试,那么我们可以将本实验扩展为对弹性模量,等温压缩系数和体膨胀系数的测量,即本系统对其它物理量的研究也有重要意义。
本文在充分利用ESPI优点的基础上,应用CCD通过图像采集卡把散斑图像变成一种完全数字化的图像,并且借助于计算机程序对变形或位移前后散斑图求相关运算而实现计量。
这样,本系统即摆脱了传统高温测量的不足,又实现了高温测试的进一步的创新。
第13卷㊀第11期Vol.13No.11㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用IntelligentComputerandApplications㊀㊀2023年11月㊀Nov.2023㊀㊀㊀㊀㊀㊀文章编号:2095-2163(2023)11-0161-05中图分类号:TP311.1文献标志码:A基于SVR数据中心空调系统瞬态热参数预测黄金森,朱㊀兵,张一鸣,殷佳辉,苗益川(贵州大学电气工程学院,贵阳550025)摘㊀要:数据中心空调系统是维持数据中心的关键设备,直接影响到数据中心的安全运行,目前对空调系统的研究大多集中在节能降耗以及气流优化等领域㊂在空调故障影响等瞬态变化领域的研究仍然较少㊂因此有必要探究空调系统故障对机房气流组织的影响,建立针对空调失效极端工况下的快速温度预测模型,为能效控制系统及运行系统提供参考㊂本文根据空调系统故障实验分别建立了空调冷冻水泵失效及风机失效情况下的关键位置的温度变化时间序列预测模型,模型基于线性核函数支持向量回归机㊂研究表明相较于非线性核函数支持向量机,线性核函数支持向量机更适合进行冷冻水泵失效时的热参数预测㊂关键词:数据中心;机器学习;热参数预测;数据驱动TransientthermalparameterpredictionbasedonSVRdatacenterairconditioningsystemHUANGJinsen,ZHUBing,ZHANGYiming,YINJiahui,MiaoYichuan(SchoolofElectricalEngineering,GuizhouUniversity,Guiyang550025,China)Abstract:Thedatacenterairconditioningsystemisakeyequipmenttomaintainthedatacenter,whichdirectlyaffectsthesafeoperationofthedatacenter.Mostofthecurrentresearchonairconditioningsystemisfocusedonenergysavingandconsumptionreductionaswellasairflowoptimization.Fewerstudieshaveemergedintheareaoftransientchangessuchastheimpactofairconditioningfailures.Therefore,itisnecessarytoexploretheimpactofairconditioningsystemfailureontheairfloworganizationoftheserverroomandestablishafasttemperaturepredictionmodelfortheextremeoperatingconditionsofairconditioningfailuretoprovideareferenceforenergy-efficientcontrolsystemsandoperationsystems.Inthispaper,timeseriespredictionmodelsoftemperaturechangesatcriticallocationsunderairconditionerchilledwaterpumpfailureandfanfailureareestablishedbasedonlinearkernelfunctionsupportvectorregressionmachine.Theresearchdemonstratesthatthelinearkernelfunctionsupportvectormachineismoresuitableforthepredictionofthermalparametersincaseofchilledwaterpumpfailurethanthenonlinearkernelfunctionsupportvectormachine.Keywords:datacenter;machinelearning;thermalparameterprediction;datadriven基金项目:贵州省科技支撑计划项目(2017YFB0902100)㊂作者简介:黄金森(1998-),男,硕士研究生,主要研究方向:建筑节能㊁能源系统优化㊂通讯作者:朱㊀兵(1967-),女,高级工程师,主要研究方向:分布式能源系统㊁建筑节能技术㊂Email:452179224@qq.com收稿日期:2023-06-100㊀引㊀言截至2021年,中国数据中心机架总规模超过520万,在用服务器规模达到1900万台,预计未来国内数据中心装机容量将继续保持快速增长[1]㊂庞大的装机容量使得数据中心行业用电量飞速增长,预计到2025年国内数据中心用电量将达到3950亿千瓦时,占全社会用电量的5.8%[2]㊂Ni等学者[3]调查了100个数据中心能耗情况,暖通空调系统能耗占总能耗平均值为38%,其中,在调查的能耗最低占比为21%,最高占比为61%,可见数据中心空调系统节能潜力巨大㊂仅通过改造机房结构进行气流组织优化的传统措施已不能满节能需求,在此基础上开发动态优化冷源供应控制系统是目前行业的迫切需要,而建立动态优化供冷控制系统首要任务是实现数据中心气流组织热参数的快速预测㊂Athavale等学者[4]评估了人工神经网络(ANN)㊁高斯过程回归(GPR)和支持向量回归(SVR)3种机器学习方法对数据中心稳态工况下机架入口温度分布的预测性能,研究表明三种方法所得到的稳态模型具有相当的准确性,对于冷却故障情况下的瞬态预测,核函数的选择决定了SVR和GPR所开发模型的外推能力㊂本文使用带线性核函数的支持向量回归机对空调故障情况下热参数进行预测㊂1㊀实验数据分析空调系统冷冻水泵故障是数据中心日常运行中常见的故障情况之一,在实验室RL[5]中进行空调冷冻水泵故障实验和风机故障实验㊂实验过程中,在每个模拟机箱的入口设置了9个测温点,10块高架地板每块上方设置一个测温点,空调回风口设置6个测温点,空调出风口设置4个测温点,每个测温点布置1个热电偶测温,取每个位置所有热电偶的平均值,实验温度测量的不确定度约为0.5 1K㊂1.1㊀冷冻水泵失效实验冷冻水泵失效实验研究了冷冻水泵失效后6min内高架地板入口,空调回风口㊁空调进风口㊁每个模拟机箱入口的温度变化,实验中为了避免实验设备损坏,在R1㊁R2㊁R3负荷均为20%的条件下进行实验,在服务器及空调稳定运行过程中关闭,冷冻水回水阀,从关闭时开始约60s冷冻水回水阀完全关闭冷冻水泵停止运行时间总计6min㊂在此期间,测量了空调回风温度㊁空调出风温度㊁高架地板入口温度等参数㊂机房及静压箱内的空气循环如图1所示㊂空调回风口机柜机柜入口机柜出口高架地板入口冷冻水泵风机静压箱C R A C图1㊀机房及静压箱内的空气循环示意图Fig.1㊀Schematicdiagramofaircirculationintheequipmentroomandplenum㊀㊀在冷冻水泵失效的6min内空调回风温度㊁空调出风温度㊁高架地板入口温度与模拟机箱R1C4的入口温度变化情况如图2所示㊂冷冻水泵停止运行意味着从机房进入空调的热风无法被循环水冷却,只能与滞留在换热器内的冷冻水进行热交换,由于此时冷冻水处于静止状态,换热系数较低,因此空调的时间常数比正常运行情况下更长㊁约为70s㊂由于风机正常运行,所以机房内流场未发生较大变化,空调的出风温度逐渐上升,最终接近于空调回风温度㊂高架地板的出风温度曲线与空调出风温度曲线出现交叉,在40s左右空调出风温度超过高架地板出风温度,空调出风温度上升速度高于高架地板出风口的温度,这是因为静压箱内混凝土底板㊁侧墙等建筑材料比热容比空气大,在静压箱内空气温度迅速升高时起到了冷却作用㊂模拟机箱R1C4进风温度变化趋势与空调回风温度变化趋势大致相同,在0 50s区间内温度变化较小,这是因为冷源失效的初始时刻静压箱内储备了一定量的冷空气,因此仍可以维持一定时间的制冷效果;50s后基本呈线性增长趋势,此时由于静压箱内储备的冷空气逐渐耗尽,在服务器的加热作用下,机房内空气循环的平均温度逐渐升高㊂高架地板入口温度空调出风温度空调回风温度R I C4进风温度300298296294292290288286284050100150200250300350时间/s温度/K图2㊀水泵失效期间机房部分位置温度变化图Fig.2㊀Temperaturevariationofsomepartsoftheequipmentroomduringwaterpumpfailure1.2㊀空调风机失效实验空调系统冷风扇故障同样是数据中心日常运行中常见的故障情况之一,为了避免实验设备损坏,风机失效实验在R1㊁R2㊁R3负荷均在30%的条件下进行,在服务器及空调稳定运行过程中关闭空调风机停止运行时间总计6min㊂在此期间没有新风进入机房,模拟机箱入口循环吸入自身排气㊂实验测量了R3C4㊁R2C4㊁R1C4㊁R1C3共4个模拟机箱的入口温度变化,4个模拟机箱的入口温度变化情况相差不大㊂图3展示了在空调风机失效的6min内模拟机箱R3C4和R1C4的入口温度变化情况㊂在风机失效后的360s内,模拟机箱R1C4与R3C4的变化趋势大致相同:在风机失效后的0 180s区间内,机柜入口温度约上升了12K;在180 360s区间内,机柜入口温度约上升了5K㊂温度变化呈现出先快后慢的趋势,这是由于风机失效后,空调出风流量逐渐减小,静压箱与机房之间的压差逐渐消失,冷风无法穿过高架地板进入机房㊂此时由于冷却不足,模拟机箱不断循环吸入自身排气,使得机柜内部温度不断升高,入口温度迅速上升㊂与此同时,机柜入口空261智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第13卷㊀气流速降低导致边界层厚度增加,湍流程度降低,从而使空气对流换热系数降低,随着温度的上升空气与服务器之间的温差降低,温度上升速度减小㊂R 3C 4入口温度R 1C 4入口温度310308306304302300298296294292290温度/K0306090120150180210240270300330360时间/s图3㊀风机失效期间R3C4及R1C4入口温度变化图Fig.3㊀TemperaturevariationofR3C4andR1C4inletduringfanfailure2㊀时间序列预测简介时间序列预测原理是根据某个变量的历史变化情况对该变量在未来某段时间或某个时刻的变化情况做出预测㊂时间序列预测不局限于对未来值的预测,还包括异常检测时间序列分类等领域㊂时间序列也叫时间数列㊁历史复数或动态数列,是在某一时间区间内按顺序记录下的相同指标的数据集合,具有可比性㊂常见的时间序列预测模型有时间分解㊁自回归(AR)模型㊁移动平均(MA)模型㊁自回归滑动平均(ARMA)模型㊁差分自回归移动平均(ARIMA)模型㊁带输入差分自回归平均移动(ARIMAX)模型等,然而由于AR㊁MA㊁ARMA模型特性,三者只适合对平稳时间序列进行线性拟合,当处理的时间序列呈现上升或下降的趋势时预测效果不尽人意㊂因此ARIMA模型应运而生,该模型通过对不平稳的时间序列进行差分或对数化运算,将其转化为平稳时间序列后对其进行自回归滑动平均分析[6]㊂ARIMAX则是在ARIMA的基础上实现了基于输入变量时间序列预测㊂随着计算机技术的飞速发展推动了机器学习和深度学习等建模方法的迅速崛起,相较于传统时间序列预测模型,机器学习模型非线性拟合能力更强,可以对超大维度及变化复杂的时间序列数据进行处理㊂支持向量回归机在处理小样本数据时相较于其他算法更有优势,且空调冷冻水泵停机后温度变化接近线性,因此与文献[4]使用的非线性核函数支持向量机不同,本文使用基于线性核函数的支持向量回归机对空调系统失效时机房内温度变化情况进行预测,实验样本数量为360组,是空调失效360s内关键位置的温度变化情况,每秒记录一次㊂在空调失效的360s内,前180s的数据用于模型训练,后180s的数据进行外推预测㊂时间步长设置为15s,单时间步预测,即使用某点前15个数据对其进行预测,对实验数据进行滑窗处理,将训练集输入整理为15个数据为一组,时间序列的实现过程见图4㊂输入输出训练集测试集训练集预测值测试集输入输出测试集输入训练集图4㊀时间序列外推预测示意图Fig.4㊀Schematicdiagramoftimeseriesextrapolationprediction3㊀基于SVR的时间序列预测3.1㊀冷冻水泵失效参数预测如前文所述,前180s的数据用于训练模型,后180s的数据用于测试外推精度,检验支持向量回归模型对时间序列的预测精度㊂使用带线性核函数的支持向量回归机对空调回风温度及R1C4模拟机箱入口温度进行预测㊂3.1.1㊀空调回风温度预测冷冻水泵停机后,空调回风温度实验值与预测值对比结果如图5所示㊂预测值与观测值在360个观测点的误差分布如图6所示㊂2972962952942932922912900306090120150180210240270300330360时间/s温度/K实验值预测值外推预测测试集训练集图5㊀空调回风温度时间序列预测结果Fig.5㊀Timeseriespredictionresultsofairconditionerreturnairtemperature361第11期黄金森,等:基于SVR数据中心空调系统瞬态热参数预测0306090120150180210240270300330360时间/s0.30.20.10-0.1-0.2-0.3温度/K预测误差图6㊀空调回风温度时间序列预测误差Fig.6㊀Timeseriespredictionerrorofairconditionerreturnairtemperature㊀㊀从图5和图6中可以明显看到,在16 180s的区间内(由于时间序列的滑动窗口长度(时间步长)为15,因此前15s的数据不作为参考),时间序列训练集吻合效果较好,最大绝对误差小于0.1K㊂在180 360s区间内,预测结果可以准确反映温度变化的总体趋势,但线性模型无法反映实际测量结果的轻微波动,空调回风温度预测模型评价指标见表1㊂㊀㊀从评价指标看,外推预测的最大绝对预测误差为0.255K,均方根误差为0.0627K,均远小于空调回风温度的测量不确定度1K㊂模型训练时间约为1s,可以认为线性核函数支持向量机在180 360s外推区间内实现了对空调回风温度的快速准确预测㊂表1㊀空调回风温度预测评价指标Tab.1㊀Evaluationindexofairconditionerreturnairtemperatureprediction数据集MEMAEMSERMSEMAPERR2Train0.067460.016590.000410.020260.0060.999660.99933Test0.254480.045380.003930.062670.0350.995470.990963.1.2㊀R1C4模拟机箱入口温度预测冷冻水泵停机后模拟机箱R1C4入口温度实验值与预测值对比结果如图7所示㊂预测值与观测值在360个观测点的误差分布如图8所示㊂0306090120150180210240270300330360时间/s295294293292291290289288实验值预测值外推预测测试集训练集温度/K 图7㊀模拟机箱R1C4入口温度时间序列预测结果Fig.7㊀TimeseriespredictionresultsofinlettemperatureofsimulatedchassisR1C4㊀㊀从图7和图8中可以明显看到,在前180s训练集内支持向量回归机预测值与观测值总体拟合良好,误差随着曲线的波动小范围内变化㊂在180360s区间内,预测值均小于实验值,外推预测误差随曲线波动变化,平均误差逐渐增大㊂从变化趋势看,在360s之后的预测值精度将难以保证,模拟机箱R1C4入口温度预测模型评价指标见表2㊂0306090120150180210240270300330360时间/s0.20.10-0.1-0.2-0.3-0.4-0.5温度/K 预测误差图8㊀模拟机箱R1C4入口温度时间序列预测误差Fig.8㊀PredictionerrorofinlettemperaturetimeseriesofsimulatedchassisR1C4表2㊀模拟机箱R1C4入口温度预测评价指标Tab.2㊀EvaluationindexesofinlettemperaturepredictionofsimulatedchassisR1C4数据集MEMAEMSERMSEMAPERR2Train0.086210.015290.000430.020810.0050.999810.99962Test0.381570.203170.047480.217890.0690.963210.92777㊀㊀从评价指标来看测试集的各项误差均大于训练集,测试集均方根误差为0.218K,最大误差为0.382K,均小于实验测量的不确定度,且模型训练时间小于1s,因此可认为实现了较为准确的快速温度预测㊂测试集相关性相较于训练集明显下降,这主要是实验值曲线波动较大造成的㊂在气流组织变化较快的位置,预测模型准确性会有所降低㊂根据本文中空调回风温度预测模型㊁模拟机箱R1C4入口温度预测模型的评价指标对比文献[4]中研究成果,可以发现与非线性核函数支持向量机相比,线性核函数支持向量机更适用于冷冻水泵失效时的热参数预测,因为在冷冻水泵失效后的短期内机柜入口温度变化趋势及空调回风温度变化趋势接近线性㊂461智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第13卷㊀3.2㊀风机失效参数预测冷冻水泵停机后空调回风温度实验值与预测值对比结果如图9所示㊂预测值与观测值在360个观测点的误差分布如图10所示㊂㊀㊀从图9和图10中可以明显看到,在前180s训练集内支持向量回归机预测值与观测值总体拟合良好,误差随着曲线的波动小范围内变化㊂在180310s外推预测区间实验值并非严格线性变化,并且实验数据有一定的噪声,造成预测误差较大㊂预测值在180 345s内预测值均低估了实验值,随着实际温度上升速度下降,预测值与实验值出现相交,可以看出在360s之后预测值将不断增长,预测结果将不再可信,模拟机箱R1C4入口温度预测模型评价指标见表3㊂㊀㊀从评价指标来看,测试集的误差远大于训练集,最大误差达到0.862K,均方根误差为0.496K,且测试集的相关性不高,R2约为0.85㊂此外,由于模型的惩罚因子较大,训练时间约为6s㊂这是因为当风机失效后,机柜入口温度变化趋势与冷冻水泵失效后不同,温度上升速度先快后慢,机柜入口温度变化趋势呈非线性,因此线性核函数支持向量机的预测结果不够理想㊂0306090120150180210240270300330360时间/s实验值预测值外推预测测试集训练集310308306304302300298296294292290288温度/K图9㊀模拟机箱R3C4入口温度时间序列预测误差Fig.9㊀PredictionerroroftemperaturetimeseriesattheentranceofthesimulatedchassisR3C40306090120150180210240270300330360时间/s0.50.40.30.20.1-0.1-0.2-0.3-0.4-0.5-0.6-0.7-0.8-0.9-1.0温度/K预测误差图10㊀模拟机箱R3C4入口温度时间序列预测误差Fig.10㊀PredictionerroroftemperaturetimeseriesattheentranceofthesimulatedchassisR3C4表3㊀模拟机箱R3C4入口温度预测评价指标Tab.3㊀EvaluationindexesofinlettemperaturepredictionofsimulatedchassisR3C4数据集MEMAEMSERMSEMAPE/%RR2Train0.100940.027560.001140.033860.0100.999930.99986Test0.862070.435200.246480.496470.1420.921790.849694㊀结束语根据Erden[5]在RL实验室进行的空调系统故障实验分别建立了空调冷冻水泵失效时的空调回风温度预测模型与模拟机箱R1C4入口温度预测模型及风机失效情况下模拟机箱R3C4入口温度预测模型㊂3个模型均基于线性核函数支持向量回归机,冷冻水泵失效时的空调回风温度预测模型和R1C4入口温度预测模型,在180 360s区间内均实现了较为准确的快速外推预测,均方根误差分别为0.063K㊁0.218K,但风机失效时的R3C4入口温度预测模型表现不够理想,外推预测均方根误差为0.0496K,但最大预测误差达到0.862K,其原因是风机失效后的机柜入口温度上升速度逐渐减小,变化趋势呈非线性特征,如果有关于温度变化趋势的先验知识,通过选择一个线性增长的核函数来提高基于SVR的模型的外推能力㊂研究表明了相较于非线性核函数支持向量机,线性核函数支持向量机更适合进行冷冻水泵失效时的热参数预测㊂参考文献[1]中国信息通信研究院.中国算力发展指数白皮书[R].北京:中国信息通信研究院,2022.[2]CY315.2019-2025年中国数据中心用电需求规模及占全社会用电量比值预测[EB/OL].(2019-12-6).[2021-11-01].https://www.chyxx.com/industry/201912/818362.html.[3]NIJiacheng,BAIXuelian.Areviewofairconditioningenergyperformanceindatacenters[J].RenewableandSustainableEnergyReviews,2017,67:625-640.[4]ATHAVALEJ,YODAM,JOSHIY.Comparisonofdatadrivenmodelingapproachesfortemperaturepredictionindatacenters[J].InternationalJournalofHeatandMassTransfer,2019,135:1039-1052.[5]ERDENHS.Experimentalandanalyticalinvestigationofthetransientthermalresponseofaircooleddatacenters[D].NewYork:SyracuseUniversity,2013.[6]许锐.基于EEMD的金融时间序列多尺度分析[D].合肥:中国科学技术大学,2016.561第11期黄金森,等:基于SVR数据中心空调系统瞬态热参数预测。