55.优选地，精密空调在ai自动控制模式下的其他工作模式包括但不限于制热、除湿送风，精密空调设定出口空气温度的控制精度小于0.3℃。56.优选地，ai控制模块通过动态环路监控系统发出的控制指令包括：远程切换精密空调运行模式、远程精密空调开关、精密空调中的送风温度设置和精密空调中的风扇速度设置。57.基于人工智能技术实现微模块节能控制的方法包括上述基于人工智能技术实现微模块节能控制的系统，其步骤如下：58.s1：ai控制模块根据精密空调和温湿度传感器的数据，采用ai算法匹配合适的it制冷总输入，控制精密空调中的送风温度和风机转速人工智能算法设定了两个算法目标：59.首先，预测it制冷量需求以实现空调制冷量接近制冷量需求的处理步骤如下：60.S11:数据预处理：包括相关历史数据和当前数据的相关性分析和预处理；61.S12利用精密空调中的回风温差和风机转速模拟计算目标参数：冷量需求；62.s13：自编码器用于降低数据维数或提取特征首先将输入压缩成一个潜在的空间表示，然后通过这个表示重构输出利用输入数据和输出数据之间的相关性来训练网络模型；63.s14：长期和短期记忆网络模型用于预测接下来几个周期的目标参数；64.其次，在指定制冷量的约束条件下，寻找空调机组能耗全局最优工况解的处理步骤如下：65.s21：神经网络训练：包括相关历史数据和当前数据的相关性分析，数据主要是微模块数据中心的空调送风温度、风扇转速和精密空调功率值；66.s22：组合训练的网络模型以生成对策网络对抗网络由两个神经网络组成，一个称为生成器，另一个称为鉴别器发生器试图产生一个可以欺骗鉴别器的假样本，鉴别器鉴别该样本是真样本还是发生器产生的假样本两者在对策训练下不断优化，最终达到纳什均衡对策网络是用迁移学习再训练生成的；67.s23：利用长短期记忆网络模型，输出每台精密空调的风机转速和送风温度的设定值，在对策网络中反复学习后，将精密空调总功率的上限预设为p1、总功率的下限是p2，这样精密空调的总功率就是p1-P2范围最小，从而找到最合适的精密空调运行参数设定值。68.该方法的流程图如图3所示。69.使用本技术方案的系统和方法时，步骤如下：70.s1：ai控制模块根据精密空调和温湿度传感器的数据，采用ai算法匹配合适的it制冷总输入，控制精密空调中的送风温度和风机转速人工智能算法设定了两个算法目标：71.首先，预测it制冷量需求以实现空调制冷量接近制冷量需求的处理步骤如下：72.S11:数据预处理：包括相关历史数据和当前数据的相关性分析和预处理；73.S12利用精密空调中的回风温差和风机转速模拟计算目标参数：冷量需求；74.s13：自编码器用于降低数据维数或提取特征首先将输入压缩成一个潜在的空间表示，然后通过这个表示重构输出利用输入数据和输出数据之间的相关性来训练网络模型；75.s14：长期和短期记忆网络模型用于预测接下来几个周期的目标参数；76.其次，在指定制冷量的约束条件下，寻找空调机组能耗全局最优工况解的处理步骤如下：77.s21：神经网络训练：包括相关历史数据和当前数据的相关性分析，数据主要是微模块数据中心的空调送风温度、风扇转速和精密空调功率值；78.s22：组合训练的网络模型以生成对策网络对抗网络由两个神经网络组成，一个称为生成器，另一个称为鉴别器发生器试图产生一个可以欺骗鉴别器的假样本，鉴别器鉴别该样本是真样本还是发生器产生的假样本两者在对策训练下不断优化，最终达到纳什均衡对策网络是用迁移学习再训练生成的；79.s23：利用长短期记忆网络模型，输出每台精密空调的风机转速和送风温度的设定值，在对策网络中反复学习后，将精密空调总功率的上限预设为p1、总功率的下限是p2，这样精密空调的总功率就是p1-P2范围最小，从而找到最合适的精密空调运行参数设定值。