CN104503847A - 一种数据中心节能方法和装置 - Google Patents
一种数据中心节能方法和装置 Download PDFInfo
- Publication number
- CN104503847A CN104503847A CN201510033308.0A CN201510033308A CN104503847A CN 104503847 A CN104503847 A CN 104503847A CN 201510033308 A CN201510033308 A CN 201510033308A CN 104503847 A CN104503847 A CN 104503847A
- Authority
- CN
- China
- Prior art keywords
- load
- energy saving
- saving strategy
- neural network
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种数据中心节能方法和装置,包括:预先采用反向传播BP神经网络设置数据中心,并对BP神经网络进行训练;设置负载阈值,并根据负载阈值设置节能策略;获取数据中心的负载数据,利用经过训练的BP神经网络得到负载数据的近似最优解,根据所述近似最优解和预先设置的负载阈值,确定节能策略,并根据确定的节能策略进行降负载操作。通过本发明方法,能够改善数据中心的节能效果,从而降低云计算操作系统整体的功耗。
Description
技术领域
本发明涉及云节能技术领域,尤指一种基于云计算操作系统的数据中心节能方法和装置。
背景技术
云计算逐渐被行业认可,云数据中心操作系统逐渐实现并付诸于实践,在社会生产和生活领域中起到越来越重要的作用。基于云计算操作系统构建的大规模数据中心中设备数量庞大,监控管理过程复杂,如何有效的实现云数据中心的高效节能是一个值得研究的问题。
目前,大多数数据中心节能策略基于温度触发或是功率触发进行设置,例如,节能策略设置当CPU温度达到50度时,通过智能平台管理接口(IPMI,Intelligent Platform Management Interface)控制触发服务器进行降频或关机操作,主机功率设置也是类似。
但是,仅仅考虑温度触发或是功率触发的节能策略并不能反映数据中心的实时负载信息,比如CPU、内存、网络带宽、磁盘IO等都没有进行综合分析与考虑,从而导致数据中心节能效果不理想,云计算操作系统整体功耗偏高等问题。
发明内容
为了解决上述技术问题,本发明提供了一种数据中心节能方法和装置,能够改善数据中心的节能效果,从而降低云计算操作系统整体的功耗。
为了达到本发明目的,本发明提供了一种数据中心节能方法,包括:预先采用反向传播BP神经网络设置数据中心,并对BP神经网络进行训练;设置负载阈值,并根据负载阈值设置节能策略;获取数据中心的负载数据,利用经过训练的BP神经网络得到负载数据的近似最优解,根据所述近似最优解和预先设置的负载阈值,确定节能策略,并根据确定的节能策略进行降负载操作。
所述对BP神经网络进行训练包括:采用模拟退火SA算法对BP神经网络进行训练。
所述设置负载阈值,并根据负载阈值设置节能策略包括:设置第一负载阈值、第二负载阈值和第三负载阈值,并相应的设置高负载节能策略、中负载节能策略和低负载节能策略;其中,高负载节能策略为负载超过第一负载阈值时,触发进行降负载操作;中负载节能策略为负载在第一负载阈值和第二负载阈值之间时,触发进行降负载操作;低负载节能策略为负载第二负载阈值和第三负载阈值之间时,触发进行降负载操作;其中,降负载操作包括业务迁移、和/或服务器降频,和/或开关机。
所述获取数据中心的负载数据,利用经过训练的BP神经网络得到负载数据的近似最优解包括:获取数据中心的负载数据,利用经过训练的BP神经网络,将获取的负载数据作为SA算法的输入,得到负载数据的近似最优解。
所述负载数据为四维输入向量P:P={c,m,s,n},其中,c表示CPU负载比例,m表示内存负载比例,s表示磁盘IO负载比例,n表示网络带宽负载比例。
本发明还提供了一种数据中心节能装置,包括:BP神经网络设置模块,用于采用反向传播BP神经网络设置数据中心;BP神经网络训练模块,用于对BP神经网络进行训练;节能策略设置模块,用于设置负载阈值,并根据负载阈值设置节能策略;节能策略实施模块,用于获取数据中心的负载数据,利用经过训练的BP神经网络得到负载数据的近似最优解,根据所述近似最优解和预先设置的负载阈值,确定节能策略,并根据确定的节能策略进行降负载操作。
所述BP神经网络训练模块,具体用于采用模拟退火SA算法对BP神经网络进行训练。
所述节能策略设置模块,具体用于设置第一负载阈值、第二负载阈值和第三负载阈值,并相应的设置高负载节能策略、中负载节能策略和低负载节能策略;其中,高负载节能策略为负载超过第一负载阈值时,触发进行降负载操作;中负载节能策略为负载在第一负载阈值和第二负载阈值之间时,触发进行降负载操作;低负载节能策略为负载第二负载阈值和第三负载阈值之间时,触发进行降负载操作;其中,降负载操作包括业务迁移、和/或服务器降频,和/或开关机。
所述节能策略实施模块,具体用于获取数据中心的负载数据,利用经过训练的BP神经网络,将获取的负载数据作为SA算法的输入,得到负载数据的近似最优解,根据所述近似最优解和预先设置的负载阈值,确定节能策略,并根据确定的节能策略进行降负载操作。
所述负载数据为四维输入向量P:P={c,m,s,n},其中,c表示CPU负载比例,m表示内存负载比例,s表示磁盘IO负载比例,n表示网络带宽负载比例。
与现有技术相比,本发明包括预先采用反向传播BP神经网络设置数据中心,并对BP神经网络进行训练;设置负载阈值,并根据负载阈值设置节能策略;获取数据中心的负载数据,利用经过训练的BP神经网络得到负载数据的近似最优解,根据所述近似最优解和预先设置的负载阈值,确定节能策略,并根据确定的节能策略进行降负载操作。通过本发明方法,采用BP神经网络设置数据中心,并根据包括CPU、内存、磁盘和网络带宽负载比例的负载数据对BP神经网络进行训练,从而得到了数据中心负载的近似最优解,且经过不断训练的BP神经网络提高了获得最优解的收敛速度。在后续获取数据中心的负载数据时,利用经过训练的BP神经网络得到该负载数据的近似最优解,根据该近似最优解和预先设置的负载阈值,确定该数据中心的节能策略,并根据节能策略高效地调整功耗,从而改善了数据中心的节能效果,达到了降低云计算操作系统整体的功耗的目的。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1是本发明数据中心节能方法的流程示意图。
图2是本发明BP神经网络模型的拓扑结构示意图。
图3是本发明数据中心节能装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是本发明数据中心节能方法的流程示意图。如图1所示,包括:
步骤11,预先采用反向传播(BP,Back Propagation)神经网络设置数据中心。
在本步骤中,云计算操作系统中的数据中心采用BP神经网络来实现。BP神经网络是一种按误差逆传播算法训练的多层前馈网络,能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。BP神经网络的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。
如图2所示,BP神经网络的拓扑结构包括输入层(input)、隐层(hiddenlayer)和输出层(output layer)。在本发明的具体实施例中,输入层包括4个神经元,隐层包括4个神经元,输出层包括1个神经元。在其他的实施方式中,神经元可以设定为其他个数,在此不限制。
步骤12,预先对BP神经网络进行训练。
在本步骤中,数据中心基于预先获取的大规模的数据中心的负载数据,采用模拟退火(SA,Simulate Anneal)算法对BP神经网络进行训练。
每一个负载数据为四维输入向量P:
P={c,m,s,n},
其中,c表示CPU负载比例,m表示内存负载比例,s表示磁盘IO负载比例,n表示网络带宽负载比例。在其他的实施方式中,负载数据可以设定为其他维度输入向量,在此不限制。
SA算法从一较高负载数据作为初始输入,对当前负载数据重复“产生新解→计算目标函数差→接受或舍弃”的迭代,结合概率突跳特性在解空间中寻找负载近似最优解。经过不断训练的BP神经网络能够提高获得最优解的收敛速度。
具体如何利用SA算法对BP神经网络进行训练属于本领域技术人员的惯用技术手段,其具体实现并不用于限定本发明的保护范围,这里不再赘述。
步骤13,预先设置负载阈值,并根据负载阈值设置节能策略。
在本步骤中,至少设置一个负载阈值。如果负载高于负载阈值,则需要对数据中心进行降负载操作;如果负载低于负载阈值,则不需要对数据中心进行降负载操作。
在本发明的具体实施例中,设置第一负载阈值、第二负载阈值和第三负载阈值,并相应的设置三种节能策略,分别为高负载节能策略、中负载节能策略和低负载节能策略,其中高负载节能策略为负载超过第一负载阈值时,触发进行降负载操作;中负载节能策略为负载在第一负载阈值和第二负载阈值之间时,触发进行降负载操作;低负载节能策略为负载在第二负载阈值和第三负载阈值之间时,触发进行降负载操作。如果负载低于第三负载阈值,则不需要进行降负载操作。在其他的实施方式中,可以设定为其他负载阈值和节能策略,在此不限制。
降负载操作包括业务迁移、和/或服务器降频,和/或开关机等操作。高负载节能策略、中负载节能策略和低负载节能策略因为可以承受的负载不同,所以触发进行的降负载操作不相同。
步骤14,获取数据中心的负载数据,利用经过训练的BP神经网络得到该负载数据的近似最优解,根据该近似最优解和预先设置的负载阈值,确定该数据中心的节能策略,并根据确定的节能策略对该数据中心进行降负载操作。
在本步骤中,获取数据中心的负载数据,利用经过训练的BP神经网络,将获取的数据中心的负载数据作为SA算法的输入,得到该负载的近似最优解;根据该负载的近似最优解和预先设置的负载阈值,确定该负载时数据中心的节能策略,并根据确定的节能策略对该数据中心进行降负载操作。
本发明中,采用BP神经网络设置数据中心,并根据包括CPU、内存、磁盘和网络带宽负载比例的负载数据对BP神经网络进行训练,从而得到了数据中心负载的近似最优解,且经过不断训练的BP神经网络提高了获得最优解的收敛速度。在后续获取数据中心的负载数据时,利用经过训练的BP神经网络得到该负载数据的近似最优解,根据该近似最优解和预先设置的负载阈值,确定该数据中心的节能策略,并根据节能策略高效地调整功耗,从而改善了数据中心的节能效果,达到了降低云计算操作系统整体的功耗的目的。
图3是本发明数据中心节能装置的结构示意图。如图3所示,至少包括:
BP神经网络设置模块,用于采用BP神经网络设置数据中心。
BP神经网络训练模块,用于对BP神经网络进行训练。
具体地,基于预先获取的大规模的数据中心的负载数据,采用SA算法对BP神经网络进行训练。
节能策略设置模块,用于设置负载阈值,并根据负载阈值设置节能策略。
节能策略实施模块,用于获取数据中心的负载数据,利用经过训练的BP神经网络得到该负载数据的近似最优解,根据该近似最优解和预先设置的负载阈值,确定该数据中心的节能策略,并根据确定的节能策略对该数据中心进行降负载操作。
本发明的数据中心节能装置和对应数据中心节能方法,因此,数据中心节能装置具体的实现细节可参看数据中心节能方法,在此不赘述。
本发明中,采用BP神经网络设置数据中心,并根据包括CPU、内存、磁盘和网络带宽负载比例的负载数据对BP神经网络进行训练,从而得到了数据中心负载的近似最优解,且经过不断训练的BP神经网络提高了获得最优解的收敛速度。在后续获取数据中心的负载数据时,利用经过训练的BP神经网络得到该负载数据的近似最优解,根据该近似最优解和预先设置的负载阈值,确定该数据中心的节能策略,并根据节能策略高效地调整功耗,从而改善了数据中心的节能效果,达到了降低云计算操作系统整体的功耗的目的。
虽然本发明所揭露的实施方式如上,但所述的内容仅为便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式及细节上进行任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种数据中心节能方法,其特征在于,包括:预先采用反向传播BP神经网络设置数据中心,并对BP神经网络进行训练;设置负载阈值,并根据负载阈值设置节能策略;
获取数据中心的负载数据,利用经过训练的BP神经网络得到负载数据的近似最优解,根据所述近似最优解和预先设置的负载阈值,确定节能策略,并根据确定的节能策略进行降负载操作。
2.根据权利要求1所述的节能方法,其特征在于,所述对BP神经网络进行训练包括:
采用模拟退火SA算法对BP神经网络进行训练。
3.根据权利要求1所述的节能方法,其特征在于,所述设置负载阈值,并根据负载阈值设置节能策略包括:
设置第一负载阈值、第二负载阈值和第三负载阈值,并相应的设置高负载节能策略、中负载节能策略和低负载节能策略;其中,
高负载节能策略为负载超过第一负载阈值时,触发进行降负载操作;
中负载节能策略为负载在第一负载阈值和第二负载阈值之间时,触发进行降负载操作;
低负载节能策略为负载第二负载阈值和第三负载阈值之间时,触发进行降负载操作;
其中,降负载操作包括业务迁移、和/或服务器降频,和/或开关机。
4.根据权利要求1~3中任一项所述的节能方法,其特征在于,所述获取数据中心的负载数据,利用经过训练的BP神经网络得到负载数据的近似最优解包括:
获取数据中心的负载数据,利用经过训练的BP神经网络,将获取的负载数据作为SA算法的输入,得到负载数据的近似最优解。
5.根据权利要求4所述的节能方法,其特征在于,所述负载数据为四维输入向量P:
P={c,m,s,n},
其中,c表示CPU负载比例,m表示内存负载比例,s表示磁盘IO负载比例,n表示网络带宽负载比例。
6.一种数据中心节能装置,其特征在于,包括:
BP神经网络设置模块,用于采用反向传播BP神经网络设置数据中心;
BP神经网络训练模块,用于对BP神经网络进行训练;
节能策略设置模块,用于设置负载阈值,并根据负载阈值设置节能策略;
节能策略实施模块,用于获取数据中心的负载数据,利用经过训练的BP神经网络得到负载数据的近似最优解,根据所述近似最优解和预先设置的负载阈值,确定节能策略,并根据确定的节能策略进行降负载操作。
7.根据权利要求6所述的节能装置,其特征在于,所述BP神经网络训练模块,具体用于采用模拟退火SA算法对BP神经网络进行训练。
8.根据权利要求6所述的节能装置,其特征在于,所述节能策略设置模块,具体用于设置第一负载阈值、第二负载阈值和第三负载阈值,并相应的设置高负载节能策略、中负载节能策略和低负载节能策略;其中,高负载节能策略为负载超过第一负载阈值时,触发进行降负载操作;中负载节能策略为负载在第一负载阈值和第二负载阈值之间时,触发进行降负载操作;低负载节能策略为负载第二负载阈值和第三负载阈值之间时,触发进行降负载操作;其中,降负载操作包括业务迁移、和/或服务器降频,和/或开关机。
9.根据权利要求6~8中任一项所述的节能装置,其特征在于,所述节能策略实施模块,具体用于获取数据中心的负载数据,利用经过训练的BP神经网络,将获取的负载数据作为SA算法的输入,得到负载数据的近似最优解,根据所述近似最优解和预先设置的负载阈值,确定节能策略,并根据确定的节能策略进行降负载操作。
10.根据权利要求9所述的节能装置,其特征在于,所述负载数据为四维输入向量P:
P={c,m,s,n},
其中,c表示CPU负载比例,m表示内存负载比例,s表示磁盘IO负载比例,n表示网络带宽负载比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510033308.0A CN104503847A (zh) | 2015-01-22 | 2015-01-22 | 一种数据中心节能方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510033308.0A CN104503847A (zh) | 2015-01-22 | 2015-01-22 | 一种数据中心节能方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104503847A true CN104503847A (zh) | 2015-04-08 |
Family
ID=52945247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510033308.0A Pending CN104503847A (zh) | 2015-01-22 | 2015-01-22 | 一种数据中心节能方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104503847A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045096A (zh) * | 2015-08-26 | 2015-11-11 | 福建恒天晨光节能服务有限公司 | 一种基于神经网络的智慧能源节能方法及系统 |
CN106896898A (zh) * | 2017-03-01 | 2017-06-27 | 国电南瑞科技股份有限公司 | 一种基于综合监控的应用于大滞后系统的系统级节能方法 |
CN107918560A (zh) * | 2016-10-14 | 2018-04-17 | 郑州云海信息技术有限公司 | 一种服务器设备管理方法及装置 |
CN108897611A (zh) * | 2018-07-03 | 2018-11-27 | 中国人民解放军国防科技大学 | 一种堆叠式多处理器中热量优化的任务分配方法及装置 |
CN109039831A (zh) * | 2018-09-21 | 2018-12-18 | 浪潮电子信息产业股份有限公司 | 一种负载检测方法及装置 |
CN109101100A (zh) * | 2018-08-06 | 2018-12-28 | 清华大学 | 数据位宽预测方法、系统及其适用的电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102445980A (zh) * | 2011-09-19 | 2012-05-09 | 浪潮电子信息产业股份有限公司 | 一种基于bp神经网络的节能控制系统 |
CN103428282A (zh) * | 2013-08-06 | 2013-12-04 | 浪潮(北京)电子信息产业有限公司 | 一种云计算数据中心的在线节能控制方法及装置 |
CN103616945A (zh) * | 2013-11-20 | 2014-03-05 | 浪潮电子信息产业股份有限公司 | 大规模云数据中心中一种服务器节能方法及装置 |
CN103645795A (zh) * | 2013-12-13 | 2014-03-19 | 浪潮电子信息产业股份有限公司 | 一种基于人工神经网络的云计算数据中心节能方法 |
-
2015
- 2015-01-22 CN CN201510033308.0A patent/CN104503847A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102445980A (zh) * | 2011-09-19 | 2012-05-09 | 浪潮电子信息产业股份有限公司 | 一种基于bp神经网络的节能控制系统 |
CN103428282A (zh) * | 2013-08-06 | 2013-12-04 | 浪潮(北京)电子信息产业有限公司 | 一种云计算数据中心的在线节能控制方法及装置 |
CN103616945A (zh) * | 2013-11-20 | 2014-03-05 | 浪潮电子信息产业股份有限公司 | 大规模云数据中心中一种服务器节能方法及装置 |
CN103645795A (zh) * | 2013-12-13 | 2014-03-19 | 浪潮电子信息产业股份有限公司 | 一种基于人工神经网络的云计算数据中心节能方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045096A (zh) * | 2015-08-26 | 2015-11-11 | 福建恒天晨光节能服务有限公司 | 一种基于神经网络的智慧能源节能方法及系统 |
CN107918560A (zh) * | 2016-10-14 | 2018-04-17 | 郑州云海信息技术有限公司 | 一种服务器设备管理方法及装置 |
CN106896898A (zh) * | 2017-03-01 | 2017-06-27 | 国电南瑞科技股份有限公司 | 一种基于综合监控的应用于大滞后系统的系统级节能方法 |
CN106896898B (zh) * | 2017-03-01 | 2020-04-10 | 国电南瑞科技股份有限公司 | 一种基于综合监控的应用于大滞后系统的系统级节能方法 |
CN108897611A (zh) * | 2018-07-03 | 2018-11-27 | 中国人民解放军国防科技大学 | 一种堆叠式多处理器中热量优化的任务分配方法及装置 |
CN109101100A (zh) * | 2018-08-06 | 2018-12-28 | 清华大学 | 数据位宽预测方法、系统及其适用的电子设备 |
CN109101100B (zh) * | 2018-08-06 | 2021-10-01 | 清华大学 | 数据位宽预测方法、系统及其适用的电子设备 |
CN109039831A (zh) * | 2018-09-21 | 2018-12-18 | 浪潮电子信息产业股份有限公司 | 一种负载检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104503847A (zh) | 一种数据中心节能方法和装置 | |
Liu et al. | Deep anomaly detection for time-series data in industrial IoT: A communication-efficient on-device federated learning approach | |
CN103616945B (zh) | 一种大规模云数据中心中服务器节能方法 | |
WO2020257812A3 (en) | Modeling dependencies with global self-attention neural networks | |
CN110046710A (zh) | 一种神经网络的非线性函数极值优化方法及系统 | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN109697512B (zh) | 基于贝叶斯网络的个人数据分析方法及计算机存储介质 | |
CN102185731B (zh) | 网络健康度测试方法及系统 | |
CN104954185A (zh) | 一种基于深度置信网的云计算负载预测方法 | |
CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
Ren | Learning fuzzy cognitive maps by a hybrid method using nonlinear hebbian learning and extended great deluge algorithm | |
CN111445065A (zh) | 用于数据中心制冷群控的能耗优化方法及系统 | |
CN104391560A (zh) | 云数据中心基于Hopfield神经网络的服务器节能方法及装置 | |
Zhao et al. | Communication-efficient federated learning for digital twin systems of industrial Internet of Things | |
CN107563496A (zh) | 一种向量核卷积神经网络的深度学习模式识别方法 | |
CN103916266A (zh) | 一种主动休眠节点和链路的高效节能虚拟网络映射算法 | |
CN116187469A (zh) | 一种基于联邦蒸馏学习框架的客户端成员推理攻击方法 | |
WO2019200545A1 (zh) | 网络模型的运行方法及相关产品 | |
CN104158717B (zh) | 一种高效节能虚拟网络映射的反馈控制方法 | |
Lee et al. | Hybrid model for dynamic power management | |
Wang et al. | Resource allocation algorithm for MEC based on Deep Reinforcement Learning | |
Ahmed et al. | Application of Gaussian Processes to online approximation of compressor maps for load-sharing in a compressor station | |
CN111340648A (zh) | 一种基于物联网的能源管控方法及系统 | |
CN116227571B (zh) | 模型的训练、动作确定方法、装置、电子设备及存储介质 | |
CN109816247B (zh) | 关联改造措施与线路重载的电网投资决策建模方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150408 |