CN103823544B - 一种动态电源管理方法 - Google Patents

Abstract

本发明公开了一种动态电源管理方法。本发明采用了在线估计技术，通过记录被控对象的运行轨迹，实时学习估算出系统功耗和性能关于管理策略参数的梯度信息，通过梯度信息自适应地调整管理策略，从而实现了电源管理策略基于系统运行轨迹的实时自适应调整，最终实现个性化的动态电源管理。

Description

一种动态电源管理方法

技术领域：

本发明涉及的是一种动态电源管理方法。

背景技术：

在日常生活中，手机、笔记本电脑、计算机等电子设备已成为人们不可缺少的日用品。数量庞大的电子产品每天耗费着大量的能源，减少电子设备的电能消耗，将有效地节省能源。虽然这些电子设备的个体耗电量不是很大，但大量的电子设备所消耗的能源确是非常庞大的数字。有效地降低每个个体的耗能量，将会节省大量的能源。此外，此类电子设备多采用电池作为储能元件，而常规电池的储电能力已基本达到极限，减少设备的电能消耗有助于延长同等电量的使用时间，给人们日常生活带来方便。

为降低电子设备的功耗，一方面可以采用低功耗的电子元件，但增加了设备的硬件成本。另一方面，通过有效的电源管理技术在不增加硬件成本的前提下降低电子设备的功耗。动态电源管理技术是一种应用非常广泛的电源管理技术，在系统空闲的时候有选择地将该类系统切换到低功耗状态而又不影响设备的整体性能,其首要目的就是使得系统处于空闲状态时的功耗最低。

现有的动态电源管理技术主要采用超时（time-out）技术，即空闲时间达到一定时间就切换为关闭或休眠。Android系统中称之为唤醒锁(wake-lock)技术。超时技术中的切换时间是凭经验人为设定的，如果该时间设置过小，会造成频繁切换和更多的电能消耗；如果时间设置过大，将不能有效的节省能量，相当多的能量消耗在空闲上。为了改善超时技术的缺点，预测管理技术得到了应用，其机理是电能管理器利用历史数据预测到设备可能要较长时间处于空闲的时候，电能管理策略就迫使系统转入低功耗状态，该方法通常采用非线性衰减方程来预测下一个空闲时间的长度，一旦错误地预测可能会导致系统性能降低和电池的浪费。超时策略和预测性策略都是经验式策略，因而无法达到能源节省的最佳效果。近几年来，基于随机模型的动态电源管理技术得到了广泛的关注，它即能保证最优的节能效果，又能保证设备的服务质量不受太大影响，但现有方案需要精确地建立数学随机模型，如果模型建立不准确，导致动态电源管理策略不能有效地节能。

发明内容：

本发明的目的在于克服现有技术的不足，提供一种动态电源管理方法。

为了解决背景技术所存在的问题，本发明采用以下技术方案：

一种动态电源管理方法，它包括以下步骤：

（1）将不确定的空闲时间离散化为N个离散时间片，每个时间片对应为半Markov过程的一个状态，再加上正常工作状态，唤醒状态和低功耗状态构成随机过程的状态集合，将电源管理策略建模为随机的参数化策略u(1|x,θ)和u(0|x,θ)；其中“1”和“0”分别表示切换和不切换到低功耗模式，“x”表示哪个时间片，“θ”表示策略参数；

（2）采集现行策略下电子设备的运行状态x直到发生下一次状态变化，记录在该状态持续时间τ和功耗Pow，在哪个时间片进行了切换以及唤醒时间等影响性能的因素；

（3）通过下列方式在线地学习出系统功耗和性能关于电源管理策略参数的梯度信息， $Z:=\mathrm{\βZ}+\▿u\left(a\right|x,\mathrm{\θ})/u\left(a\right|x,\mathrm{\θ});\mathrm{\Δ}:=\mathrm{\Δ}+\mathrm{\γ}[(P-J)*\mathrm{\τ}*Z-\mathrm{\Δ}];$ 其中Z表示一个中间量；β表示0.9到1间的常数；a表示当前状态x是否采取切换，如果是切换，a=1，如果不切换，a=0；γ是学习步长；Δ为估计出的梯度信息；P表示实时功耗和唤醒时间；J表示系统的平均功耗和平均性能；随着系统的不断运行，实时利用得到的梯度信息自适应地调整策略参数θ:＝θ+αΔ，其中α是梯度调整的步长。

（4）在线地利用梯度信息调整参数化策略的参数，优化系统的功耗。

本发明对比现有技术，有如下的有益效果：本发明采用了在线估计技术，通过记录被控对象的运行轨迹，实时学习估算出系统功耗和性能关于管理策略参数的梯度信息，通过梯度信息自适应地调整管理策略，从而实现了电源管理策略基于系统运行轨迹的实时自适应调整，最终实现个性化的动态电源管理。

附图说明：

图1是电子设备的运行图。

图2是本发明方法流程图。

图3是电源管理功耗及唤醒时间图。

具体实施方式：

下面结合附图和具体实施方式对本发明作进一步描述：

本发明技术采用在线优化技术，通过采集实时的电子设备运行信息，动态地得到较好的电源管理策略，该方案不需要建立系统的数学建模，也不需要超时技术和预测技术的经验式设计，可以智能地自学习出较好的电能管理策略。其原理是电子设备在空闲和正常工作间不断切换（如图1），其中包括切换时间T_sd和唤醒时间T_wu，这些因素影响系统的运行性能。首先将系统空闲时间以适当的时间间隔离散化为多个时间片（譬如以1秒为间隔分割时间片），通过自学习方法选择在哪个时间片上将系统切换到低功耗状态（可理解为在哪一秒进行切换）来降低系统的功耗，同时又不降低系统的使用性能，等系统要正常工作时，唤醒系统正常工作。动态地确定在哪个时间片上进行切换是本方案能否节能的关键。

我们的方案是将电子设备的运行规律理解为一个半Markov过程，过程的每个状态具有一定随机概率分布，并且伴随着不同的功率消耗，通过分析电子设备的运行轨迹（即随机过程的样本轨道），在线估计出选择哪个时间片对系统功耗和性能的影响特征，如梯度信息，利用梯度信息实时自适应的调整电源管理策略。

图2是本发明方法流程图。一种动态电源管理方法，它包括以下步骤：

（1）将不确定的空闲时间离散化为N个离散时间片，每个时间片对应为半Markov过程的一个状态，再加上正常工作状态，唤醒状态和低功耗状态构成随机过程的状态集合，将电源管理策略建模为随机的参数化策略u(1|x,θ)和u(0|x,θ)；其中“1”和“0”分别表示切换和不切换到低功耗模式，“x”表示哪个时间片，“θ”表示策略参数；

（2）采集现行策略下电子设备的运行状态x直到发生下一次状态变化，记录在该状态持续时间τ和功耗Pow，在哪个时间片进行了切换以及唤醒时间等影响性能的因素；

（3）通过下列方式在线地学习出系统功耗和性能关于电源管理策略参数的梯度信息，

$Z:=\mathrm{\βZ}+\▿u\left(a\right|x,\mathrm{\θ})/u\left(a\right|x,\mathrm{\θ});\mathrm{\Δ}:=\mathrm{\Δ}+\mathrm{\γ}[(P-J)*\mathrm{\τ}*Z-\mathrm{\Δ}];$

其中Z表示一个中间量；β表示0.9到1间的常数；a表示当前状态x是否采取切换，如果是切换，a=1，如果不切换，a=0；γ是学习步长；Δ为估计出的梯度信息；P表示实时功耗和唤醒时间；J表示系统的平均功耗和平均性能；随着系统的不断运行，实时利用得到的梯度信息自适应地调整策略参数θ:＝θ+αΔ，其中α是梯度调整的步长；

（4）在线地利用梯度信息调整参数化策略的参数，优化系统的功耗。

该方案根据实际的系统运行轨迹，自适应地动态管理电源，最终实现个性化的动态电源管理。该方法应用于一款富士通硬盘的电源管理，通过实验，利用梯度信息迭代学习几步后，系统功耗得到有效降低，平均功耗降为0.44瓦，而传统的30秒超时策略所消耗功耗为0.51瓦，120秒超时策略的功耗为0.67瓦，降低功耗方面具有较明显优势，同时该电源管理策略能够保证唤醒时间不超过总时间的10%（如图3）。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种动态电源管理方法，其特征在于，它不需要建立电子设备的数学模型，也不需要依赖于经验设计，仅通过采集电子设备的运行轨迹，在线地调整电源管理策略，最终使得设备的功耗尽量最小，同时保证系统的性能不受太多影响，它包括以下步骤：

(1)将不确定的空闲时间离散化为N个离散时间片，每个时间片对应为半Markov过程的一个状态，再加上正常工作状态，唤醒状态和低功耗状态构成随机过程的状态集合，将电源管理策略建模为随机的参数化策略u(1|x,θ)和u(0|x,θ)；其中“1”和“0”分别表示切换和不切换到低功耗模式，“x”表示哪个时间片，“θ”表示策略参数；

(2)采集现行策略下电子设备的运行状态x直到发生下一次状态变化，记录影响性能的因素，所述影响性能的因素包括：在该状态持续时间τ和功耗Pow，在哪个时间片进行了切换以及唤醒时间；

(3)通过下列方式在线地学习出系统功耗和性能关于电源管理策略参数的梯度信息，

其中Z表示一个中间量；β表示0.9到1间的常数；a表示当前状态x是否采取切换，如果是切换，a＝1，如果不切换，a＝0；γ是学习步长；Δ为估计出的梯度信息；P表示实时功耗和唤醒时间；J表示系统的平均功耗和平均性能；随着系统的不断运行，实时利用得到的梯度信息自适应地调整策略参数θ:＝θ+αΔ，其中α是梯度调整的步长；

(4)在线地利用梯度信息调整参数化策略的参数，优化系统的功耗。