55.優(yōu)選地，精密空調(diào)在ai自動控制模式下的其他工作模式包括但不限于制熱、除濕送風，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控制模塊通過動態(tài)環(huán)路監(jiān)控系統(tǒng)發(fā)出的控制指令包括：遠程切換精密空調(diào)運行模式、遠程精密空調(diào)開關(guān)、精密空調(diào)中的送風溫度設(shè)置和精密空調(diào)中的風扇速度設(shè)置。57.基于人工智能技術(shù)實現(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)中的送風溫度和風機轉(zhuǎn)速人工智能算法設(shè)定了兩個算法目標：59.首先，預測it制冷量需求以實現(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)預處理：包括相關(guān)歷史數(shù)據(jù)和當前數(shù)據(jù)的相關(guān)性分析和預處理；61.S12利用精密空調(diào)中的回風溫差和風機轉(zhuǎn)速模擬計算目標參數(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潛在的空間表示，然后通過這個表示重構(gòu)輸出利用輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的相關(guān)性來訓練網(wǎng)絡(luò)模型；63.s14：長期和短期記憶網(wǎng)絡(luò)模型用于預測接下來幾個周期的目標參數(shù)；64.其次，在指定制冷量的約束條件下，尋找空調(diào)機組能耗全局最優(yōu)工況解的處理步驟如下：65.s21：神經(jīng)網(wǎng)絡(luò)訓練：包括相關(guān)歷史數(shù)據(jù)和當前數(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)送風溫度、風扇轉(zhuǎn)速和精密空調(diào)功率值；66.s22：組合訓練的網(wǎng)絡(luò)模型以生成對策網(wǎng)絡(luò)對抗網(wǎng)絡(luò)由兩個神經(jīng)網(wǎng)絡(luò)組成，一個稱為生成器，另一個稱為鑒別器發(fā)生器試圖產(chǎn)生一個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策訓練下不斷優(yōu)化，最終達到納什均衡對策網(wǎng)絡(luò)是用遷移學習再訓練生成的；67.s23：利用長短期記憶網(wǎng)絡(luò)模型，輸出每臺精密空調(diào)的風機轉(zhuǎn)速和送風溫度的設(shè)定值，在對策網(wǎng)絡(luò)中反復學習后，將精密空調(diào)總功率的上限預設(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，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)中的送風溫度和風機轉(zhuǎn)速人工智能算法設(shè)定了兩個算法目標：71.首先，預測it制冷量需求以實現(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)預處理：包括相關(guān)歷史數(shù)據(jù)和當前數(shù)據(jù)的相關(guān)性分析和預處理；73.S12利用精密空調(diào)中的回風溫差和風機轉(zhuǎn)速模擬計算目標參數(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潛在的空間表示，然后通過這個表示重構(gòu)輸出利用輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的相關(guān)性來訓練網(wǎng)絡(luò)模型；75.s14：長期和短期記憶網(wǎng)絡(luò)模型用于預測接下來幾個周期的目標參數(shù)；76.其次，在指定制冷量的約束條件下，尋找空調(diào)機組能耗全局最優(yōu)工況解的處理步驟如下：77.s21：神經(jīng)網(wǎng)絡(luò)訓練：包括相關(guān)歷史數(shù)據(jù)和當前數(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)送風溫度、風扇轉(zhuǎn)速和精密空調(diào)功率值；78.s22：組合訓練的網(wǎng)絡(luò)模型以生成對策網(wǎng)絡(luò)對抗網(wǎng)絡(luò)由兩個神經(jīng)網(wǎng)絡(luò)組成，一個稱為生成器，另一個稱為鑒別器發(fā)生器試圖產(chǎn)生一個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策訓練下不斷優(yōu)化，最終達到納什均衡對策網(wǎng)絡(luò)是用遷移學習再訓練生成的；79.s23：利用長短期記憶網(wǎng)絡(luò)模型，輸出每臺精密空調(diào)的風機轉(zhuǎn)速和送風溫度的設(shè)定值，在對策網(wǎng)絡(luò)中反復學習后，將精密空調(diào)總功率的上限預設(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)運行參數(shù)設(shè)定值。