摘要
部分复杂系统受内外部因素影响在运行时会呈现出周期性的阶段变化,且在不同阶段具有完全不同的动态特性.因此在使用数据驱动方法解决此类系统的预测和仿真问题时,使用单一结构模型难以准确地学习系统在不同阶段的动态特性.本研究提出了基于确定性有限状态机-常微分方程网络的预测仿真框架(DFA-ODENets),以建模周期多阶段系统.该模型由多个ODENet组成,每个ODENet能够从不规则采样的序列数据中学习系统在各个阶段内的动态特性.同时模型集成了基于确定性有限状态自动机思想的阶段转换预测器以实现模型预测时在不同阶段之间自动转换.最后,将DFA-ODENet框架应用于某计算中心制冷系统的预测仿真场景中.模型能够在给定系统运行过程中的服务器负载和环境温度下模拟系统运行过程,并对系统的制冷功率、进气口温度等主要输出变量进行预测.其中,对于制冷系统能耗预测的平均相对误差在5％以内.同时,利用制冷系统仿真模型优化了系统停止制冷时的温度设定值,通过仿真实验表明该优化最高可以节省18％的制冷能耗.
基金项目
科技创新2030-重大项目(2022ZD0118001)
国家自然科学基金资助项目(U22A2022)
国家科技期刊平台
NSTL
维普
万方数据