55.優(yōu)選地，精密空調(diào)在ai自動(dòng)控制模式下的其他工作模式包括但不限于制熱、除濕送風(fēng)，精密空調(diào)設(shè)定出口空氣溫度的控制精度小于0.3℃。56.優(yōu)選地，ai控制模塊通過動(dòng)態(tài)環(huán)路監(jiān)控系統(tǒng)發(fā)出的控制指令包括：遠(yuǎn)程切換精密空調(diào)運(yùn)行模式、遠(yuǎn)程精密空調(diào)開關(guān)、精密空調(diào)中的送風(fēng)溫度設(shè)置和精密空調(diào)中的風(fēng)扇速度設(shè)置。57.基于人工智能技術(shù)實(shí)現(xiàn)微模塊節(jié)能控制的方法包括上述基于人工智能技術(shù)實(shí)現(xiàn)微模塊節(jié)能控制的系統(tǒng)，其步驟如下：58.s1：ai控制模塊根據(jù)精密空調(diào)和溫濕度傳感器的數(shù)據(jù)，采用ai算法匹配合適的it制冷總輸入，控制精密空調(diào)中的送風(fēng)溫度和風(fēng)機(jī)轉(zhuǎn)速人工智能算法設(shè)定了兩個(gè)算法目標(biāo)：59.首先，預(yù)測(cè)it制冷量需求以實(shí)現(xiàn)空調(diào)制冷量接近制冷量需求的處理步驟如下：60.S11:數(shù)據(jù)預(yù)處理：包括相關(guān)歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)的相關(guān)性分析和預(yù)處理；61.S12利用精密空調(diào)中的回風(fēng)溫差和風(fēng)機(jī)轉(zhuǎn)速模擬計(jì)算目標(biāo)參數(shù)：冷量需求；62.s13：自編碼器用于降低數(shù)據(jù)維數(shù)或提取特征首先將輸入壓縮成一個(gè)潛在的空間表示，然后通過這個(gè)表示重構(gòu)輸出利用輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的相關(guān)性來訓(xùn)練網(wǎng)絡(luò)模型；63.s14：長(zhǎng)期和短期記憶網(wǎng)絡(luò)模型用于預(yù)測(cè)接下來幾個(gè)周期的目標(biāo)參數(shù)；64.其次，在指定制冷量的約束條件下，尋找空調(diào)機(jī)組能耗全局最優(yōu)工況解的處理步驟如下：65.s21：神經(jīng)網(wǎng)絡(luò)訓(xùn)練：包括相關(guān)歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)的相關(guān)性分析，數(shù)據(jù)主要是微模塊數(shù)據(jù)中心的空調(diào)送風(fēng)溫度、風(fēng)扇轉(zhuǎn)速和精密空調(diào)功率值；66.s22：組合訓(xùn)練的網(wǎng)絡(luò)模型以生成對(duì)策網(wǎng)絡(luò)對(duì)抗網(wǎng)絡(luò)由兩個(gè)神經(jīng)網(wǎng)絡(luò)組成，一個(gè)稱為生成器，另一個(gè)稱為鑒別器發(fā)生器試圖產(chǎn)生一個(gè)可以欺騙鑒別器的假樣本，鑒別器鑒別該樣本是真樣本還是發(fā)生器產(chǎn)生的假樣本兩者在對(duì)策訓(xùn)練下不斷優(yōu)化，最終達(dá)到納什均衡對(duì)策網(wǎng)絡(luò)是用遷移學(xué)習(xí)再訓(xùn)練生成的；67.s23：利用長(zhǎng)短期記憶網(wǎng)絡(luò)模型，輸出每臺(tái)精密空調(diào)的風(fēng)機(jī)轉(zhuǎn)速和送風(fēng)溫度的設(shè)定值，在對(duì)策網(wǎng)絡(luò)中反復(fù)學(xué)習(xí)后，將精密空調(diào)總功率的上限預(yù)設(shè)為p1、總功率的下限是p2，這樣精密空調(diào)的總功率就是p1-P2范圍最小，從而找到最合適的精密空調(diào)運(yùn)行參數(shù)設(shè)定值。68.該方法的流程圖如圖3所示。69.使用本技術(shù)方案的系統(tǒng)和方法時(shí)，步驟如下：70.s1：ai控制模塊根據(jù)精密空調(diào)和溫濕度傳感器的數(shù)據(jù)，采用ai算法匹配合適的it制冷總輸入，控制精密空調(diào)中的送風(fēng)溫度和風(fēng)機(jī)轉(zhuǎn)速人工智能算法設(shè)定了兩個(gè)算法目標(biāo)：71.首先，預(yù)測(cè)it制冷量需求以實(shí)現(xiàn)空調(diào)制冷量接近制冷量需求的處理步驟如下：72.S11:數(shù)據(jù)預(yù)處理：包括相關(guān)歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)的相關(guān)性分析和預(yù)處理；73.S12利用精密空調(diào)中的回風(fēng)溫差和風(fēng)機(jī)轉(zhuǎn)速模擬計(jì)算目標(biāo)參數(shù)：冷量需求；74.s13：自編碼器用于降低數(shù)據(jù)維數(shù)或提取特征首先將輸入壓縮成一個(gè)潛在的空間表示，然后通過這個(gè)表示重構(gòu)輸出利用輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的相關(guān)性來訓(xùn)練網(wǎng)絡(luò)模型；75.s14：長(zhǎng)期和短期記憶網(wǎng)絡(luò)模型用于預(yù)測(cè)接下來幾個(gè)周期的目標(biāo)參數(shù)；76.其次，在指定制冷量的約束條件下，尋找空調(diào)機(jī)組能耗全局最優(yōu)工況解的處理步驟如下：77.s21：神經(jīng)網(wǎng)絡(luò)訓(xùn)練：包括相關(guān)歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)的相關(guān)性分析，數(shù)據(jù)主要是微模塊數(shù)據(jù)中心的空調(diào)送風(fēng)溫度、風(fēng)扇轉(zhuǎn)速和精密空調(diào)功率值；78.s22：組合訓(xùn)練的網(wǎng)絡(luò)模型以生成對(duì)策網(wǎng)絡(luò)對(duì)抗網(wǎng)絡(luò)由兩個(gè)神經(jīng)網(wǎng)絡(luò)組成，一個(gè)稱為生成器，另一個(gè)稱為鑒別器發(fā)生器試圖產(chǎn)生一個(gè)可以欺騙鑒別器的假樣本，鑒別器鑒別該樣本是真樣本還是發(fā)生器產(chǎn)生的假樣本兩者在對(duì)策訓(xùn)練下不斷優(yōu)化，最終達(dá)到納什均衡對(duì)策網(wǎng)絡(luò)是用遷移學(xué)習(xí)再訓(xùn)練生成的；79.s23：利用長(zhǎng)短期記憶網(wǎng)絡(luò)模型，輸出每臺(tái)精密空調(diào)的風(fēng)機(jī)轉(zhuǎn)速和送風(fēng)溫度的設(shè)定值，在對(duì)策網(wǎng)絡(luò)中反復(fù)學(xué)習(xí)后，將精密空調(diào)總功率的上限預(yù)設(shè)為p1、總功率的下限是p2，這樣精密空調(diào)的總功率就是p1-P2范圍最小，從而找到最合適的精密空調(diào)運(yùn)行參數(shù)設(shè)定值。