结果与讨论
我们应用我们的方法从一个大的HP生产数据中心获得的冷水机组数据
占地面积70000平方英尺的冷却需求满足了合奏
五冷水机组。该合奏由两种类型的冷水机组：三风冷
剩下的两个是水冷的。数据收集自2009年10月21日
到2009年11月13日，总计超过576小时的数据由超过47个变量组成。
表1。冷水机组集成数据中的几个重要系统变量。
系统变量的描述
ac_ch（我）水进入风冷冷水机组我_evap_e_temp温度
main_header_temp_1_f水温分布在头
wc_ch（我）水进入水冷冷水机组我_in_temp温度
wc_ch（我）水离开我_out_temp水冷冷水机组温度
ac_ch（我）对我_rla风冷冷水机组的利用率
wc_ch（我）我_rla水冷式冷水机组利用率
5.1图形模型
对于学习图形模型，原始时间序列数据汇总在Windows
15分钟，并与主题进行挖掘的结果进行了增强
相同的数据。该主题信息是一个二进制值序列的形式，每次
系列。二进制值表明是否出现主题发生在每个
15分钟窗口。一个更细粒度的图案表示将探讨它
未来。
由于制冷机的使用主要取决于它的能源消耗，我们有
显示部分学习到的动态贝叶斯网络图6。三空冷
制冷机利用变量：ac_ch1_rla，ac_ch2_rla，ac_ch3_rla；
两水冷的：wc_ch1_rla和wc_ch2_rla一起显示
。在DBN，几乎每一个节点都有自己的
以前的时间片作为它的父母之一，这是预期的，因为数据是连续的
值时间序列数据。为了协助创建因果贝叶斯网络，
部分域信息被引入通过限制，如限制节点
这可能成为父母。三利用变量显示对水的直接依赖
温度。这是，再次，预计，因为冷水机组的目的是保持
水温接近设定值。
ac_ch1_rla（t-1）
ac_ch1_rla（T）
wc_ch1_rla（t-1）
ac_ch2_rla（t-1）
ac_ch2_rla（T）
sth_wall_temp_2_f（T-4）ac_ch3_rla（t-1）
ac_ch3_rla（T）
wc_ch1_rla（T-2）
sth_wall_temp_2_f（T-5）sth_wall_temp_2_f（T7）wc_ch1_rla（T3）main_header_temp_1_f（T3）wc_ch1_rla（t-1）
wc_ch1_rla（T）
main_header_temp_1_f（t-1）
wc_ch2_rla（t-1）
wc_ch2_rla（T）
main_header_temp_1_f（T-4）
main_header_temp_1_f（T-5）main_header_temp_1_f（T7）
图6。从离散时间序列数据中学习的图形模型。显示的是父节点
对于只有五个制冷机组的利用变量。
更有趣的关系揭示了两个风冷机组（1和3）
直接依靠水冷式冷水机组的利用。这表明这些
两台冷水机组根据水冷冷水机组（有更高
经营能力）。
基于状态的制冷机综合利用的转换
集成。未显示5个或更少的转换的边。和边缘代表更多
超过5个转换的实际计数标记。
系统的运行状态，如图7所示，是通过聚类得到的
综合制冷机组的综合利用。这里我们使用
k-均值聚类K = 10和组织状态的总订单减少
功耗，这是使用方程计算？？。由于这一目标
工作是为了更有效地操作冷水机组，我们对系统进行颜色编码
状态，以反映其功耗。红色表示最大功率
消费（约3298千瓦），而蓝色表示最低消费
（2148千瓦）。还示出，对于每个状态，是五的平均利用值
冷水机组作为直方图与前三（从左开始）是风冷和
最后两个水冷机组。系统在每个状态下所花费的时间是
还列出（最高状态9，而至少在国家）。箭头显示过渡
状态之间，用灰度表示跃迁的频率（最暗）
暗示最常）。
系统状态的主要特点是数量和种类的冷水机组
操作，他们的利用水平和功耗。有些州非常相似，
例如，国家3和7，其中有相同的冷水机组运行没有太大的差异
在他们的利用水平。其他国家表现出明显的差异，例如，国家10有三
冷水机组运行（一个风冷和两个水冷式），而国家6有四个工作
单元（两个风冷和两个水冷）。请注意，因此国家10消耗
功率小于状态6。对数据中心冷水机组操作员有兴趣了解
影响从状态10到6的变量。
过渡：国家10→状态6当冷水机组集成使过渡
状态10状态6、风冷chiller-1打开。图形模型可以被查询到
为这种变化提供最有可能的解释。利用截面模型
5.1，我们估计使用节点的父值时，这些状态转换采取
地点，如表2所列。需要注意的是，家长利用水平（wc_ch1_rla）是
当这些转变发生时。这些和其他类似的见解将促进
更节能的冷水机组资源管理。
表2。对套结ac_ch1_rla即利用母最可能值的作业列表
风冷冷水机组1。
PAR（xi（t））的延迟值PR（PAR（xi（t））|西（T）、西（T−1））
wc_ch1_rla 1（75.37，77.38 ] 0.27
wc_ch1_rla 1（72.36，75.37 ] 0.18
wc_ch1_rla 1（77.38，79.71 ] 0.18
在未来，我们还计划将系统报警节点的图形化
模型的目标，发现变量，最显着的影响
特定的警报。这种因果推理将为数据提供有价值的信息
中心冷水机组操作员处理报警所需的纠正步骤。此外，
运算符操作将添加到模型中以启用依赖性的发现
状态转换和此类操作之间。这将允许操作员查询
可以采取行动（如果有的话），移动系统从低能源效率
状态更高效。