科研之友
微信
新浪微博
Facebook
分享链接
摘要
本征正交分解（POD）是数据中心温度场降阶重构的一种常用模型，常规基于插值法获取模态系数的POD模型泛化能力较差。本文通过建立基于深度学习的深度置信网络模型（DBN），对POD模态系数计算方法进行了改进，提高泛化状态下POD模型预测温度场分布的准确性。研究结果表明，基于DBN改进后的POD模型（POD-DBN）的泛化能力大幅提高。与插值法获取模态系数的POD模型相比，POD-DBN模型在泛化状态下的平均相对误差下降至3%以内，平均绝对误差下降至0.5℃以内。利用POD-DBN模型，可以为数据中心空调系统的控制提供快速准确的温度场预测。
-
单位合肥通用机械研究院; 上海交通大学
