CN110781595A - 能源使用效率pue的预测方法、装置、终端及介质 - Google Patents
能源使用效率pue的预测方法、装置、终端及介质 Download PDFInfo
- Publication number
- CN110781595A CN110781595A CN201911030217.6A CN201911030217A CN110781595A CN 110781595 A CN110781595 A CN 110781595A CN 201911030217 A CN201911030217 A CN 201911030217A CN 110781595 A CN110781595 A CN 110781595A
- Authority
- CN
- China
- Prior art keywords
- pue
- data
- value
- prediction
- prediction model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 92
- 230000007613 environmental effect Effects 0.000 claims abstract description 77
- 238000012360 testing method Methods 0.000 claims description 50
- 238000006243 chemical reaction Methods 0.000 claims description 27
- 238000005265 energy consumption Methods 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 29
- 230000006870 function Effects 0.000 description 26
- 238000001816 cooling Methods 0.000 description 24
- 238000013473 artificial intelligence Methods 0.000 description 11
- 239000000498 cooling water Substances 0.000 description 10
- 238000007710 freezing Methods 0.000 description 9
- 230000008014 freezing Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005057 refrigeration Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种能源使用效率PUE的预测方法、装置、终端及介质，其中，所述方法包括：获取数据中心的环境特征数据，所述环境特征数据为影响所述数据中心PUE预测的环境数据；利用PUE预测模型对所述环境特征数据进行PUE预测，得到预测PUE值；其中，所述PUE预测模型为根据所述数据中心的历史影响数据训练获得，所述历史影响数据包括PUE特征数据和真实PUE值。通过实施本发明，可以提高PUE预测准确度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种能源使用效率PUE的预测方法、装置、终端及介质。
背景技术
能源使用效率(Power Usage Effectiveness，PUE)，即互联网数据中心消耗的总能源(总负载)与IT(Internet Technology，互联网技术)设备消耗的能源(IT负载)之比，是衡量数据中心的电能使用效率的指标。能源使用效率的值越接近于1，表示该数据中心的能源使用更优。
数据中心将数据中心的IT设备、制冷系统、照明设施和备用电源等进行集中管理，通过优化关键的配置参数可优化能源使用效率的值，但是很难预测或改变数据中心的配置参数所带来的影响。目前，终端设备采用诸如回归分析法、时间序列法和灰色模型法等传统预测算法，对未来一段时间的能源使用效率的值进行预测，但受限于算法精度，PUE预测的效果不佳、预测准确度较低。
发明内容
本发明实施例公开了一种能源使用效率PUE的预测方法、装置、终端及介质，可以实现对数据中心的能源使用效率PUE值的预测，提高预测准确度。
第一方面，本发明实施例提供了一种能源使用效率PUE的预测方法，该能源使用效率PUE的预测方法包括：获取数据中心的环境特征数据，该环境特征数据为影响数据中心PUE预测的环境数据；利用PUE预测模型对环境特征数据进行PUE预测，得到预测PUE值；其中，PUE预测模型为根据数据中心的历史影响数据训练获得，该历史影响数据包括PUE特征数据和真实PUE值。
在一种实现方式中，利用PUE预测模型对环境特征数据进行PUE预测，得到预测PUE值之前包括：获取数据中心的历史影响数据；根据该历史影响数据对初始预测模型进行训练，得到训练后的PUE预测模型。
在一种实现方式中，获取数据中心的历史影响数据包括：获取目标影响数据，该目标影响数据包括环境数据、数据中心中所有设备的总能耗数据及数据中心中互联网技术IT设备的能耗数据；对该目标影响数据中的环境数据进行特征提取，得到PUE特征数据；对该目标影响数据中的总能耗数据及IT设备的能耗数据进行计算，得到真实PUE值；将目标影响数据对应的PUE特征数据和真实PUE值确定为历史影响数据。
在一种实现方式中，将目标影响数据对应的PUE特征数据和真实PUE值确定为历史影响数据包括：对PUE特征数据和真实PUE值进行预处理，得到预处理后的PUE特征数据和真实PUE值；将该预处理后的PUE特征数据和真实PUE值，确定为历史影响数据；其中，预处理包括异常值剔除、缺失值填补或数据转换。
在一种实现方式中，根据历史影响数据对初始预测模型进行训练，得到训练后的PUE预测模型包括：将历史影响数据拆分为训练集和测试集；利用训练集对初始预测模型进行训练，得到训练预测模型；调用训练预测模型对测试集中的测试特征数据进行PUE预测，得到测试PUE值；根据该测试PUE值和测试集中的真实PUE值，对训练预测模型进行模型评估，得到评估参数；根据该评估参数对训练预测模型中的模型参数进行矫正及再训练，得到训练后的PUE预测模型。
在一种实现方式中，利用训练集对初始预测模型进行训练，得到训练预测模型包括：调用初始预测模型遍历历史影响数据中的PUE特征数据，构建分类回归树，该分类回归树包括有每个PUE特征数据的频数；根据每个PUE特征数据的频数，对PUE特征数据进行排序，得到PUE特征排序，该PUE特征排序用于反映PUE特征数据影响PUE预测的重要程度。
在一种实现方式中，能源使用效率PUE的预测方法还包括：根据预测PUE值，从PUE特征排序中选取目标特征数据，该目标特征数据为PUE特征排序中的PUE特征数据；调整该目标特征数据对应在数据中心中相关设备的设备参数，以优化数据中心的能源使用效率PUE值。
第二方面，本发明实施例提供了一种能源使用效率PUE的预测装置，该能源使用效率PUE的预测包括：
获取单元：用于获取数据中心的环境特征数据，该环境特征数据为影响数据中心PUE预测的环境数据；
预测单元：用于利用PUE预测模型对环境特征数据进行PUE预测，得到预测PUE值；其中，PUE预测模型为根据数据中心的历史影响数据训练获得，该历史影响数据包括PUE特征数据和真实PUE值。
第三方面，本发明实施例提供了一种终端，所述终端包括输入设备和输出设备，所述终端还包括：
处理器，适于实现一条或一条以上指令；以及，
计算机存储介质，所述计算机存储介质有一条或一条以上指令，所述一条或一条以上指令适于由所述处理器加载并执行如上第一方面或第一方面的任意可能的实施方式中所描述的能源使用效率PUE的预测方法。
第四方面，本发明实施例提供了一种计算机存储介质，所述计算机存储介质存储有一条或一条以上指令，所述一条或一条以上指令适于由处理器加载并执行如上第一方面或第一方面的任意可能的实施方式中所描述的能源使用效率PUE的预测方法。
本发明实施例中，终端设备获取数据中心的环境特征数据，该环境特征数据为影响数据中心PUE预测的环境数据；利用PUE预测模型对该环境特征数据进行PUE预测，得到预测PUE值；其中，该PUE预测模型为根据数据中心的历史影响数据训练获得。可以实现对数据中心的能源使用效率PUE值的预测，提高预测准确度。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种能源使用效率PUE的预测方法的流程示意图；
图2是本发明实施例提供的一种能源使用效率PUE的预测方法的流程示意图；
图3是本发明实施例提供的一种XGBoost模型的示意图；
图4是本发明实施例提供的一种可能的PUE特征排序示意图；
图5是本发明实施例提供的一种能源使用效率PUE的预测方法的流程示意图；
图6是本发明实施例提供的一种能源使用效率PUE的预测装置的结构示意图；
图7是本发明实施例提供的一种终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外，在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
本发明使用的术语仅仅是出于描述特定实施例的目的，而非限制本发明。本发明和权利要求书所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其它含义。应当理解的是，本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
随着人工智能(Artificial Intelligence,AI)技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。特别地，为预测数据中心的能源使用效率PUE目前已将人工智能技术应用于PUE预测领域。其中：
人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
数据中心是指一种拥有完善的设备、专业化的管理、完善的应用的服务平台，也可称为互联网数据中心(Internet Data Center，简称IDC)。完善的设备包括高速互联网接入带宽、高性能局域网络、安全可靠的机房环境等，例如IT设备、制冷系统、照明设施和备用电源等。这些设备产生了巨大的能源耗费，衡量数据中心的电能使用效率的指标为能源使用效率PUE，因此采用人工智能技术对数据中心的能源使用效率PUE进行预测，对数据中心的能源管理具有重要的应用价值。
请参见图1，图1是本发明实施例提供的一种能源使用效率PUE的预测方法的流程示意图。如图1所示方法包括如下步骤S101-S102：
步骤S101：终端设备获取数据中心的环境特征数据，该环境特征数据为影响数据中心PUE预测的环境数据。
终端设备采集数据中心的环境数据，该环境数据由数据中心的传感器测得。对环境数据进行特征提取，得到环境特征数据。其中，特征提取为根据用户需求或研究重点不同从传感器采集的所有数据中选择特征数据，可选择的特征数据包括但不限于：冷水机组电流百分比、冷水机组蒸发器小温差、冷水机组冷凝器小温差、冷水机组冷冻水出水温度、冷却塔风机变频反馈、冷却塔冷却水出水温度、冷却泵变频反馈、冷冻泵变频反馈、室外平均焓值、室内平均焓值、室外温度、湿球温度、室外湿度、板换冷却侧阀门开状态等。
步骤S102：终端设备利用PUE预测模型对环境特征数据进行PUE预测，得到预测PUE值。
该PUE预测模型可根据数据中心的历史影响数据训练获得，该历史影响数据包括PUE特征数据和真实PUE值。终端设备利用该PUE预测模型可对S101采集的环境特征数据进行PUE预测，得到预测PUE值。可选地，终端设备可根据该预测PUE值调整数据中心内相关设备的配置参数，以优化数据中心中真实的PUE值。关于配置参数的调整具体在本发明下文详述。
本发明实施例中，终端设备获取数据中心的环境特征数据，该环境特征数据为影响数据中心PUE预测的环境数据；利用PUE预测模型对该环境特征数据进行PUE预测，得到预测PUE值；其中，该PUE预测模型为根据数据中心的历史影响数据训练获得。可以实现对数据中心的能源使用效率PUE值的预测，提高预测准确度。
请参见图2，图2是本发明实施例提供的另一种能源使用效率PUE的预测方法的流程示意图。如图2所示方法包括如下步骤S201-S202：
步骤S201：终端设备获取数据中心的历史影响数据。
在一个具体实施例中，步骤S201包括以下步骤S11-S14：
S11：终端设备获取固定时间段内数据中心的目标影响数据。
本发明固定时间段为系统自定义的，如2019年的1月至12月这个时间段内。该目标影响数据由数据中心的传感器以预设采样周期采集得到，其中，预设采样周期可以为系统自定义，例如采样周期可定为一分钟、十分钟或一个小时等。该目标影响数据包括但不限于环境数据、数据中心中所有设备的总能耗数据及数据中心中IT设备的能耗数据。数据中心中所有设备的总能耗数据也可称为总负载，该总负载包括了IT设备、制冷系统、照明设施和备用电源等设备消耗电能的功率总和。IT设备的能耗数据也可称为IT负载，该IT负载包括服务器等IT设备消耗电能的功率总和。
S12：终端设备对目标影响数据中的环境数据进行特征提取，得到PUE特征数据。
本发明实施例采用矩阵X(X∈RN×M)表示PUE特征数据。N表示总样本数，该总样本数由采样周期和固定时间段的大小决定。M表示PUE特征总数，该PUE特征总数由特征提取方法决定。具体地，本发明实施例共提取53个与PUE特征数据，包括：1号冷水机组电流百分比、1号冷水机组冷却水出水温度、1号冷水机组蒸发器小温差、1号冷水机组冷凝器小温差、1号冷水机组冷冻水出水温度、2号冷水机组电流百分比、2号冷水机组冷却水出水温度、2号冷水机组蒸发器小温差、2号冷水机组冷凝器小温差、2号冷水机组冷冻水出水温度、3号冷水机组电流百分比、3号冷水机组冷却水出水温度、3号冷水机组蒸发器小温差、3号冷水机组冷凝器小温差、3号冷水机组冷冻水出水温度、4号冷水机组电流百分比、4号冷水机组冷却水出水温度、4号冷水机组蒸发器小温差、4号冷水机组冷凝器小温差、4号冷水机组冷冻水出水温度、1号冷却塔1号风机变频反馈、1号冷却塔2号风机变频反馈、1号冷却塔冷却水出水温度、2号冷却塔1号风机变频反馈、2号冷却塔2号风机变频反馈、2号冷却塔冷却水出水温度、3号冷却塔1号风机变频反馈、3号冷却塔2号风机变频反馈、3号冷却塔冷却水出水温度、4号冷却塔1号风机变频反馈、4号冷却塔2号风机变频反馈、4号冷却塔冷却水出水温度、1号冷却泵变频反馈、2号冷却泵变频反馈、3号冷却泵变频反馈、4号冷却泵变频反馈、1号冷冻泵变频反馈、2号冷冻泵变频反馈、3号冷冻泵变频反馈、4号冷冻泵变频反馈、室外平均焓值、室内平均焓值、室外温度、湿球温度、室外湿度、1号板换冷却侧阀门开状态、1号板换冷冻侧阀门开状态、2号板换冷却侧阀门开状态、2号板换冷冻侧阀门开状态、3号板换冷却侧阀门开状态、3号板换冷冻侧阀门开状态、4号板换冷却侧阀门开状态、4号板换冷冻侧阀门开状态。其中，矩阵X的每一列Xm表示第m个PUE特征的向量，例如，矩阵X的第一列表示第1个PUE特征的向量，该PUE特征为1号冷水机组电流百分比，则PUE特征的向量为固定时间段内采集的所有1号冷水机组电流百分比的值，可按采集1号冷水机组电流百分比的时间先后顺序进行排列。矩阵X的每一行xn表示第n个样本，即某时刻数据中心的PUE特征数据，例如2019年10月1日上午9点整采集的数据中心的PUE特征数据。
S13：终端设备对目标影响数据中的总能耗数据及IT设备的能耗数据进行计算，得到真实PUE值。
真实PUE值的计算公式，如下公式(1)所示：
其中，总负载表示数据中心的总能耗数据。IT负载表示数据中心IT设备的能耗数据。本发明实施例采用向量Y表示真实PUE值，其中，
S14：将目标影响数据对应的PUE特征数据和真实PUE值确定为历史影响数据。
本发明实施例采用样本对{(xn,yn),n＝1,2,…,N}表示历史影响数据。
由于传感器采集数据的过程中可能会受设备的影响，得到不准确、不完整的数据，进而影响后续训练预测PUE模型的准确性。因此在对初始预测模型进行训练前，终端设备需要对目标影响数据对应的PUE特征数据和真实PUE值进行预处理，得到预处理后的PUE特征数据和真实PUE值。将该预处理后的真实PUE特征数据和真实PUE值，确定为历史影响数据。其中，预处理可以包括但不限于异常值剔除、缺失值填补或数据转换。具体地，以缺失值填补为例，例如部分缺失的数据可以使用插值的方式填补，明显有误差的PUE特征数据可以使用近似的PUE特征数据替换。又如以异常值剔除为例，某采样时刻采集的PUE特征数据或真实PUE值缺失过多时可剔除该采样时刻采集的数据。又如以数据转换为例，终端设备对目标影响数据对应的PUE特征数据和真实PUE值进行数据转换，得到转换后的PUE特征数据和真实PUE值。将该转换后的真实PUE特征数据和真实PUE值，确定为历史影响数据。其中，数据转换可以包括但不限于将PUE特征数据和真实PUE值转换为统一的数据格式、或者对PUE特征数据和真实PUE值进行预设公式的数据转换计算等。
步骤S202：终端设备根据历史影响数据对初始预测模型进行训练，得到训练后的PUE预测模型。
终端设备将历史影响数据拆分为训练集和测试集。利用训练集对初始预测模型进行训练，得到训练预测模型。调用训练预测模型对测试集中的测试PUE特征数据进行PUE预测，得到测试PUE值。根据该测试PUE值和测试集中的真实PUE值，对训练预测模型进行模型评估，得到评估参数。根据该评估参数对训练预测模型中的模型参数进行矫正及再训练，得到训练后的PUE预测模型。
在一个具体实施例中，步骤S202包括以下步骤S21-S25：
S21：终端设备将历史影响数据拆分为训练集和测试集。
具体地，拆分方法为按照一定比例拆分，该比例可自定义。例如训练集和测试集的比例为8：2。
S22：终端设备利用训练集对初始预测模型进行训练，得到训练预测模型。
具体地，初始预测模型可采用XGBoost模型，也可采用其他基于机器学习的预测模型。本发明实施例以初始预测模型采用XGBoost模型为例，利用训练集对XGBoost模型进行训练，得到训练预测模型。其中，机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。采用机器学习算法对数据中心的历史影响数据进行训练，可以分析出影响数据中心能源使用效率的PUE特征，进而提高数据中心的能源使用效率。
XGBoost模型可对应为一种树模型，该树模型采用分类回归树(ClassificationAnd Regression Trees，CART)作为基分类器。分类回归树模型的目标函数包含损失函数和正则项函数。其中，损失函数用于反映训练过程中的训练误差。正则项函数用于控制XGBoost模型的复杂度，惩罚复杂模型，鼓励简单模型。从而避免过拟合，使得PUE预测模型鲁棒性更强。
首先创建XGBoost模型。XGBoost模型的损失函数如公式(2)所示：
l(y,y′)＝|y-y′| 公式(2)
其中，y表示样本的实际PUE值，y′表示预测PUE值。
正则项函数如公式(3)所示：
其中，T表示分类回归树f的叶节点个数，ωj表示对应叶节点的权重，α和λ表示惩罚系数，都是常数。
在第k次迭代过程中，XGBoost模型的目标函数如公式(4)所示：
其中，表示样本xi在第k轮迭代的训练误差，yi和y′i分别表示样本xi的实际PUE值和前k-1棵树的预测PUE值，fk(xi)表示加入的第k棵分类回归树，常数C表示前k-1棵树的正则项。
分类回归树的最大深度max_depth、总迭代次数K、惩罚系数和学习率η等XGBoost模型的模型参数可称为超参数。分类回归树的最大深度max_depth用于避免过拟合，max_depth越大，模型会学到更具体更局部的样本，取值一般为3～10；迭代次数表示模型迭代更新的次数，学习率的典型值为0.01-0.2。超参数可采用系统默认值，也可根据经验确定，训练过程中该参数不可更改。
进一步地，对XGBoost模型进行求解。对XGBoost模型的目标函数进行二阶泰勒函数展开，得到公式(5)：
其中，gi表示
对
的一阶导数；hi表示
对
的二阶导数。对目标函数进行二阶泰勒函数展开可使得PUE预测模型的预测精确度较高。
假设第k棵树的结构已知，定义每棵分类回归树的分裂结点的候选PUE特征数据为Ij＝{i|q(xi＝j)}。q(·)为结构函数，能把输入的PUE特征数据映射到叶节点上。经过化简整理，得到最终的目标函数如公式(6)所示：
使目标函数obj(k)对ωj的偏导等于0，可求得使目标函数值最小的最优权重，最优权重如公式(7)所示：
其中，进一步得到目标函数的最优值如公式(8)所示：
得到叶节点分裂前后的损失函数的差值如公式(9)所示：
其中，下标L和R分别表示在该节点分裂后的左、右子节点。
XGBoost模型的求解过程即为XGBoost模型的训练过程，请参见图3，图3是本发明实施例提供的一种XGBoost模型的示意图。如图3所示，分类回归树模型的构建是从根部向叶节点不断生长的过程。XGBoost模型通过遍历所有PUE特征数据，得到所有PUE特征数据对应的损失函数的值。选择使左、右子节点与叶节点的损失函数的差值最大的PUE特征，作为该叶节点的分裂成左、右子节点的标准PUE特征。以图3中所示的树1为例，根节点分裂成左、右两个子节点，则计算能使公式(9)取最大值的PUE特征作为标准PUE特征进行分裂，例如树1的根节点以特征1作为标准PUE特征。每一棵分类回归树可具有多个标准PUE特征，在训练过程中每个PUE特征被选中成为标准PUE特征的频数体现了该PUE特征的影响PUE预测的重要性，统计每个PUE特征成为标准PUE特征的次数，对PUE特征数据进行排序，可得到PUE特征排序。请参见图4，图4是本发明实施例提供的一种可能的PUE特征排序示意图。
S23：终端设备调用训练预测模型对测试集中的测试特征数据进行PUE预测，得到测试PUE值。
S24：终端设备根据该测试PUE值和测试集中的真实PUE值，对训练预测模型进行模型评估，得到评估参数。
终端设备将测试集中的测试特征数据输入训练预测模型，可得到测试PUE值。该测试PUE值是对测试特征数据的一个预测结果。再利用测试集中的真实PUE值及该测试PUE值对训练预测模型进行模型评估，得到评估参数。该评估参数用于反映训练预测模型的预测效果或精度，该评估参数包括但不限于以下中的至少一项或多项：均方根误差(Root MeanSquard Error，RMSE)、平均绝对误差(Mean Absolute Error，MAE)、平均差、和方差或其他用于模型评估的参数等。下面示例性给出S40的一种具体实施方式。
具体地，以RMSE和MAE为例，终端设备计算均方根误差(Root Mean Squard Error，RMSE)、平均绝对误差(Mean Absolute Error，MAE)的值对训练预测模型进行评估。均方根误差的计算公式，如下公式(10)所示：
平均绝对误差的公式，如下公式(11)所示：
其中，公式(10)和公式(11)中的Ntest为测试集中测试样本的数量，
为测试集中第t个样本的真实PUE值，
为测试集中第t个样本PUE值的测试PUE值。均方根误差用于衡量测试PUE值与真实PUE值之间的偏差。平均绝对误差是绝对误差的平均值，能更好地反映测试PUE值的误差情况。
S25：终端设备根据该评估参数对训练预测模型中的模型参数进行矫正及再训练，得到训练后的PUE预测模型。
若评估参数均方根误差、平均绝对误差的值超过阈值，则矫正训练预测模型的模型参数，其中该阈值可通过系统自定义。矫正训练预测模型的模型参数后对该模型进行再训练，以得到训练后的PUE预测模型。以XGBoost模型为例，可矫正回归树的最大深度、总迭代次数K、惩罚系数和学习率η等模型参数。
请参见图5，图5是本发明实施例提供的一种能源使用效率PUE的预测方法的流程示意图。如图5所示方法包括如下步骤S501-S504：
步骤S501：终端设备获取数据中心的环境特征数据，该环境特征数据为影响数据中心PUE预测的环境数据。
步骤S502：终端设备利用PUE预测模型对环境特征数据进行PUE预测，得到预测PUE值。
关于步骤S501-步骤S502具体可参见图1所述的方法，这里不再赘述。
步骤S503：终端设备根据预测PUE值，从PUE特征排序中选取目标特征数据，该目标特征数据为所述PUE特征排序中的PUE特征数据。
步骤S504：终端设备调整目标特征数据对应在数据中心中相关设备的设备参数，以优化数据中心的能源使用效率PUE值。
若预测PUE值偏大(远大于1)，则说明数据中心的能源使用效率偏低，因此可根据用户需求，从PUE特征排序中选取目标特征数据。该目标特征数据为PUE特征排序中满足预设条件的PUE特征数据，该预设条件为系统自定义的，例如根据用户实际需求自定义的。例如，该目标特征数据为PUE特征排序中排序前5的所有PUE特征数据。进一步终端设备可根据该目标特征数据，调整该目标特征数据对应在数据中心中相关设备的设备参数，以减小数据中心的能源使用效率PUE值，提高能源使用效率。以图4所示的PUE特征排序为例，可以选取排序前三的PUE特征数据包括室外温度、3#冷水机组冷却水出水温度(网关)和1#冷水机组蒸发器小温差作为目标特征数据。调整室外温度对应在数据中心中的相关设备的设备参数，如设置中央空调的温度范围。
本发明实施例中，终端设备获取数据中心的环境特征数据，该环境特征数据为影响数据中心PUE预测的环境数据；利用PUE预测模型对该环境特征数据进行PUE预测，得到预测PUE值；其中，该PUE预测模型为根据数据中心的历史影响数据训练获得。可以实现对数据中心的能源使用效率PUE值的预测，提高预测准确度。据预测PUE值，从PUE特征排序中选取目标特征数据，调整该目标特征数据对应在数据中心中相关设备的设备参数，可以优化所述数据中心的能源使用效率PUE值。
基于上述能源使用效率PUE的预测方法实施例的描述，本发明实施例还公开了一种能源使用效率PUE的预测装置，所述能源使用效率PUE的预测可以是运行于终端中的一个计算机程序(包括程序代码)。该能源使用效率PUE的预测装置可以执行图1到图5所示的方法。请参见图6，该能源使用效率PUE的预测装置60可以运行如下单元：
获取单元601：用于获取数据中心的环境特征数据，该环境特征数据为影响数据中心PUE预测的环境数据；
预测单元602：用于利用PUE预测模型对环境特征数据进行PUE预测，得到预测PUE值；其中，PUE预测模型为根据数据中心的历史影响数据训练获得，该历史影响数据包括PUE特征数据和真实PUE值。
在一种实施方式中，能源使用效率PUE的预测装置60包括获取单元601、预测单元602，还可以包括训练单元603，具体用于：
获取数据中心的历史影响数据；
根据该历史影响数据对初始预测模型进行训练，得到训练后的PUE预测模型。
再一种实施方式中，训练单元603在用于获取数据中心的历史影响数据时，具体用于：
获取目标影响数据，该目标影响数据包括环境数据、数据中心中所有设备的总能耗数据及数据中心中互联网技术IT设备的能耗数据；
对该目标影响数据中的环境数据进行特征提取，得到PUE特征数据；
对该目标影响数据中的总能耗数据及IT设备的能耗数据进行计算，得到真实PUE值；
将目标影响数据对应的PUE特征数据和真实PUE值确定为历史影响数据。
再一种实施方式中，训练单元603在用于将目标影响数据对应的PUE特征数据和真实PUE值确定为历史影响数据时，具体用于：
对PUE特征数据和真实PUE值进行预处理，得到预处理后的PUE特征数据和真实PUE值；
将该预处理后的PUE特征数据和真实PUE值，确定为历史影响数据；其中，预处理包括异常值剔除、缺失值填补或数据转换。
再一种实施方式中，训练单元603在用于根据历史影响数据对初始预测模型进行训练，得到训练后的PUE预测模型时，具体用于：
将历史影响数据拆分为训练集和测试集；
利用训练集对初始预测模型进行训练，得到训练预测模型；
调用训练预测模型对测试集中的测试特征数据进行PUE预测，得到测试PUE值；
根据该测试PUE值和测试集中的真实PUE值，对训练预测模型进行模型评估，得到评估参数；
根据该评估参数对训练预测模型中的模型参数进行矫正及再训练，得到训练后的PUE预测模型。
再一种实施方式中，训练单元603在用于利用训练集对初始预测模型进行训练，得到训练预测模型时，具体用于：
调用初始预测模型遍历历史影响数据中的PUE特征数据，构建分类回归树，该分类回归树包括有每个PUE特征数据的频数；
根据每个PUE特征数据的频数，对PUE特征数据进行排序，得到PUE特征排序，该PUE特征排序用于反映PUE特征数据影响PUE预测的重要程度。
再一种实施方式中，能源使用效率PUE的预测装置60包括获取单元601、预测单元602、预测单元603，还可以包括调整单元604，具体用于：
根据预测PUE值，从PUE特征排序中选取目标特征数据，该目标特征数据为PUE特征排序中的PUE特征数据；
调整该目标特征数据对应在数据中心中相关设备的设备参数，以优化数据中心的能源使用效率PUE值。
根据本发明的一个实施例，图6所示的能源使用效率PUE的预测装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成，或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成，这可以实现同样的操作，而不影响本发明的实施例的技术效果的实现。上述单元是基于逻辑功能划分的，在实际应用中，一个单元的功能也可以由多个单元来实现，或者多个单元的功能由一个单元实现。在本发明的其它实施例中，基于能源使用效率PUE的预测装置也可以包括其它单元，在实际应用中，这些功能也可以由其它单元协助实现，并且可以由多个单元协作实现。
根据本发明的另一个实施例，可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用计算设备上运行能够执行如图2-图5所示的相应方法所涉及的各步骤的计算机程序(包括程序代码)，来构造如图6中所示的能源使用效率PUE的预测设备，以及来实现本发明实施例的能源使用效率PUE的预测方法。所述计算机程序可以记载于例如计算机可读记录介质上，并通过计算机可读记录介质装载于上述计算设备中，并在其中运行。
本发明实施例中，终端设备获取数据中心的环境特征数据，该环境特征数据为影响数据中心PUE预测的环境数据；利用PUE预测模型对该环境特征数据进行PUE预测，得到预测PUE值；其中，该PUE预测模型为根据数据中心的历史影响数据训练获得。可以实现对数据中心的能源使用效率PUE值的预测，提高预测准确度。
基于上述方法实施例以及装置实施例的描述，本发明实施例还提供一种终端。请参见图7，该终端至少包括处理器701、输入设备707、输出设备703以及计算机存储介质704。其中，终端内的处理器701、输入设备702、输出设备703以及计算机存储介质704可通过总线或其他方式连接。
计算机存储介质704可以存储在终端的存储器中，所述计算机存储介质704用于存储计算机程序，所述计算机程序包括程序指令，所述处理器701用于执行所述计算机存储介质704存储的程序指令。处理器701(或称CPU(Central Processing Unit，中央处理器))是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；在一个实施例中，本发明实施例所述的处理器701可以用于数据中心环境数据进行一系列的浏览操作，包括：获取数据中心的环境特征数据，该环境特征数据为影响数据中心PUE预测的环境数据；利用PUE预测模型对环境特征数据进行PUE预测，得到预测PUE值；其中，PUE预测模型为根据数据中心的历史影响数据训练获得，该历史影响数据包括PUE特征数据和真实PUE值，等等。
本发明实施例还提供了一种计算机存储介质(Memory)，所述计算机存储介质是终端中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机存储介质既可以包括终端中的内置存储介质，当然也可以包括终端所支持的扩展存储介质。计算机存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器701加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器；可选的还可以是至少一个位于远离前述处理器的计算机存储介质。
在一个实施例中，可由处理器701加载并执行计算机存储介质中存放的一条或一条以上指令，以实现上述有关能源使用效率PUE的预测方法实施例中的方法的相应步骤；具体实现中，计算机存储介质中的一条或一条以上指令由处理器701加载并执行如下步骤：
获取数据中心的环境特征数据，该环境特征数据为影响数据中心PUE预测的环境数据；
利用PUE预测模型对环境特征数据进行PUE预测，得到预测PUE值；其中，PUE预测模型为根据数据中心的历史影响数据训练获得，该历史影响数据包括PUE特征数据和真实PUE值。
在一种实施方式中，在利用PUE预测模型对环境特征数据进行PUE预测，得到预测PUE值之前，所述一条或一条以上指令由处理器701加载并具体执行：
获取数据中心的历史影响数据；
根据该历史影响数据对初始预测模型进行训练，得到训练后的PUE预测模型。
再一种实施方式中，在用于获取数据中心的历史影响数据时，所述一条或一条以上指令由处理器701加载并具体执行：
获取目标影响数据，该目标影响数据包括环境数据、数据中心中所有设备的总能耗数据及数据中心中互联网技术IT设备的能耗数据；
对该目标影响数据中的环境数据进行特征提取，得到PUE特征数据；
对该目标影响数据中的总能耗数据及IT设备的能耗数据进行计算，得到真实PUE值；
将目标影响数据对应的PUE特征数据和真实PUE值确定为历史影响数据。
再一种实施方式中，在用于将目标影响数据对应的PUE特征数据和真实PUE值确定为历史影响数据时，所述一条或一条以上指令由处理器701加载并具体执行：
对PUE特征数据和真实PUE值进行预处理，得到预处理后的PUE特征数据和真实PUE值；
将该预处理后的PUE特征数据和真实PUE值，确定为历史影响数据；其中，预处理包括异常值剔除、缺失值填补或数据转换。
再一种实施方式中，在用于根据历史影响数据对初始预测模型进行训练，得到训练后的PUE预测模型时，所述一条或一条以上指令由处理器701加载并具体执行：
将历史影响数据拆分为训练集和测试集；
利用训练集对初始预测模型进行训练，得到训练预测模型；
调用训练预测模型对测试集中的测试特征数据进行PUE预测，得到测试PUE值；
根据该测试PUE值和测试集中的真实PUE值，对训练预测模型进行模型评估，得到评估参数；
根据该评估参数对训练预测模型中的模型参数进行矫正及再训练，得到训练后的PUE预测模型。
再一种实施方式中，在用于利用训练集对初始预测模型进行训练，得到训练预测模型时，所述一条或一条以上指令由处理器701加载并具体执行：
调用初始预测模型遍历历史影响数据中的PUE特征数据，构建分类回归树，该分类回归树包括有每个PUE特征数据的频数；
根据每个PUE特征数据的频数，对PUE特征数据进行排序，得到PUE特征排序，该PUE特征排序用于反映PUE特征数据影响PUE预测的重要程度。
再一种实施方式中，所述一条或一条以上指令由处理器701加载并具体执行：
根据预测PUE值，从PUE特征排序中选取目标特征数据，该目标特征数据为PUE特征排序中的PUE特征数据；
调整该目标特征数据对应在数据中心中相关设备的设备参数，以优化数据中心的能源使用效率PUE值。
本发明实施例中，终端设备获取数据中心的环境特征数据，该环境特征数据为影响数据中心PUE预测的环境数据；利用PUE预测模型对该环境特征数据进行PUE预测，得到预测PUE值；其中，该PUE预测模型为根据数据中心的历史影响数据训练获得。可以实现对数据中心的能源使用效率PUE值的预测，提高预测准确度。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (10)
1.一种能源使用效率PUE的预测方法，其特征在于，所述方法包括：
获取数据中心的环境特征数据，所述环境特征数据为影响所述数据中心PUE预测的环境数据；
利用PUE预测模型对所述环境特征数据进行PUE预测，得到预测PUE值；其中，所述PUE预测模型为根据所述数据中心的历史影响数据训练获得，所述历史影响数据包括PUE特征数据和真实PUE值。
2.如权利要求1所述的方法，其特征在于，所述利用PUE预测模型对所述环境特征数据进行PUE预测，得到预测PUE之前，所述方法还包括：
获取所述数据中心的历史影响数据；
根据所述历史影响数据对初始预测模型进行训练，得到训练后的所述PUE预测模型。
3.如权利要求2所述的方法，其特征在于，所述获取所述数据中心的历史影响数据，包括：
获取目标影响数据，所述目标影响数据包括环境数据、所述数据中心中所有设备的总能耗数据及所述数据中心中互联网技术IT设备的能耗数据；
对所述目标影响数据中的环境数据进行特征提取，得到所述PUE特征数据；
对所述目标影响数据中的总能耗数据及IT设备的能耗数据进行计算，得到所述真实PUE值；
将所述目标影响数据对应的所述PUE特征数据和所述真实PUE值确定为所述历史影响数据。
4.如权利要求3所述的方法，其特征在于，所述将所述目标影响数据对应的PUE特征数据和PUE值确定为所述历史影响数据包括：
对所述PUE特征数据和所述PUE值进行预处理，得到预处理后的PUE特征数据和PUE值；
将所述预处理后的PUE特征数据和PUE值，确定为所述历史影响数据；其中，所述预处理包括异常值剔除、缺失值填补或数据转换。
5.如权利要求2所述的方法，其特征在于，所述根据所述历史影响数据对初始预测模型进行训练，得到训练后的所述PUE预测模型包括：
将所述历史影响数据拆分为训练集和测试集；
利用所述训练集对初始预测模型进行训练，得到训练预测模型；
调用所述训练预测模型对所述测试集中的测试特征数据进行PUE预测，得到测试PUE值；
根据所述测试PUE值和所述测试集中的真实PUE值，对所述训练预测模型进行模型评估，得到评估参数；
根据所述评估参数对所述训练预测模型中的模型参数进行矫正及再训练，得到训练后的所述PUE预测模型。
6.如权利要求5所述的方法，其特征在于，所述利用训练集对初始预测模型进行训练，得到训练预测模型包括：
调用初始预测模型遍历所述历史影响数据中的PUE特征数据，构建分类回归树，所述分类回归树包括有每个PUE特征数据的频数；
根据每个所述PUE特征数据的频数，对所述PUE特征数据进行排序，得到PUE特征排序，所述PUE特征排序用于反映所述PUE特征数据影响PUE预测的重要程度。
7.如权利要求6所述的方法，其特征在于，所述方法还包括：
根据所述预测PUE值，从所述PUE特征排序中选取目标特征数据，所述目标特征数据为所述PUE特征排序中的PUE特征数据；
调整所述目标特征数据对应在所述数据中心中相关设备的设备参数，以优化所述数据中心的能源使用效率PUE值。
8.一种数据中心能源使用效率PUE的预测装置，其特征在于，所述装置包括：
获取单元，用于获取数据中心的环境特征数据，所述环境特征数据为影响所述数据中心PUE预测的环境数据；
预测单元，用于利用PUE预测模型对所述环境特征数据进行PUE预测，得到预测PUE值；其中，所述PUE预测模型为根据所述数据中心的历史影响数据训练获得。
9.一种计算机设备，其特征在于，所述计算机设备包括：
存储器，所述存储器包括计算机可读指令；
与所述存储器相连的处理器，所述处理器用于执行所述计算机可读指令，从而使得所述设备执行权利要求1～7任一项所述的能源使用效率PUE的预测方法。
10.一种计算机存储介质，其特征在于，计算机存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述权利要求1～7中任意一项所述的能源使用效率PUE的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911030217.6A CN110781595B (zh) | 2019-10-28 | 2019-10-28 | 能源使用效率pue的预测方法、装置、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911030217.6A CN110781595B (zh) | 2019-10-28 | 2019-10-28 | 能源使用效率pue的预测方法、装置、终端及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110781595A true CN110781595A (zh) | 2020-02-11 |
| CN110781595B CN110781595B (zh) | 2024-04-26 |
Family
ID=69386852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911030217.6A Active CN110781595B (zh) | 2019-10-28 | 2019-10-28 | 能源使用效率pue的预测方法、装置、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110781595B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582604A (zh) * | 2020-05-20 | 2020-08-25 | 中国工商银行股份有限公司 | 数据处理方法和装置、电子设备、及介质 |
| CN112784488A (zh) * | 2021-01-25 | 2021-05-11 | 中国工商银行股份有限公司 | 数据中心机房规划方法、装置、设备及存储介质 |
| CN113065599A (zh) * | 2021-04-06 | 2021-07-02 | 廊坊市讯云数据科技有限公司 | 一种用于数据中心的能耗数据采集方法 |
| CN114216248A (zh) * | 2022-02-22 | 2022-03-22 | 深圳雪芽创新科技有限公司 | 一种应用于数据中心机房的智能降温方法 |
| CN115907138A (zh) * | 2022-11-18 | 2023-04-04 | 安华数据(东莞)有限公司 | 一种用于对数据中心的pue值进行预测的方法、系统及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105204978A (zh) * | 2015-06-23 | 2015-12-30 | 北京百度网讯科技有限公司 | 基于机器学习的数据中心运行数据分析系统 |
| WO2017025781A1 (en) * | 2015-08-13 | 2017-02-16 | Telefonaktiebolaget Lm Ericsson (Publ) | Global data center energy management |
| CN108280318A (zh) * | 2016-12-30 | 2018-07-13 | 中国移动通信集团上海有限公司 | 不同区域的pue评价方法及系统 |
-
2019
- 2019-10-28 CN CN201911030217.6A patent/CN110781595B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105204978A (zh) * | 2015-06-23 | 2015-12-30 | 北京百度网讯科技有限公司 | 基于机器学习的数据中心运行数据分析系统 |
| WO2017025781A1 (en) * | 2015-08-13 | 2017-02-16 | Telefonaktiebolaget Lm Ericsson (Publ) | Global data center energy management |
| CN108280318A (zh) * | 2016-12-30 | 2018-07-13 | 中国移动通信集团上海有限公司 | 不同区域的pue评价方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 沈豫 等: "基于XGBoost 算法的短期负荷预测研究", 水利水电技术, vol. 50, no. 1, pages 256 - 261 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582604A (zh) * | 2020-05-20 | 2020-08-25 | 中国工商银行股份有限公司 | 数据处理方法和装置、电子设备、及介质 |
| CN112784488A (zh) * | 2021-01-25 | 2021-05-11 | 中国工商银行股份有限公司 | 数据中心机房规划方法、装置、设备及存储介质 |
| CN113065599A (zh) * | 2021-04-06 | 2021-07-02 | 廊坊市讯云数据科技有限公司 | 一种用于数据中心的能耗数据采集方法 |
| CN114216248A (zh) * | 2022-02-22 | 2022-03-22 | 深圳雪芽创新科技有限公司 | 一种应用于数据中心机房的智能降温方法 |
| CN115907138A (zh) * | 2022-11-18 | 2023-04-04 | 安华数据(东莞)有限公司 | 一种用于对数据中心的pue值进行预测的方法、系统及介质 |
| CN115907138B (zh) * | 2022-11-18 | 2023-06-30 | 安华数据(东莞)有限公司 | 一种用于对数据中心的pue值进行预测的方法、系统及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110781595B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
| CN114626512B (zh) | 一种基于有向图神经网络的高温灾害预报方法 | |
| Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
| CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| CN115906954A (zh) | 一种基于图神经网络的多变量时间序列预测方法及装置 | |
| CN110826784B (zh) | 能源使用效率的预测方法、装置及存储介质和终端设备 | |
| CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
| CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
| CN110633846A (zh) | 燃气负荷预测方法和装置 | |
| CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
| CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
| CN114065646A (zh) | 基于混合优化算法的能耗预测方法、云计算平台及系统 | |
| Deng et al. | Toward smart multizone HVAC control by combining context-aware system and deep reinforcement learning | |
| CN118036822A (zh) | 电氢一体化能源站的电氢负荷预测方法、装置及存储介质 | |
| CN114757441A (zh) | 一种负荷预测方法及相关装置 | |
| CN111242266A (zh) | 一种运行数据管理系统 | |
| Wu et al. | Short-term electric load forecasting model based on PSO-BP | |
| CN117520818A (zh) | 一种电力指纹识别方法、装置、电子设备及存储介质 | |
| CN116933037A (zh) | 一种基于多模型融合的光伏出力预测方法及相关装置 | |
| Ghazali et al. | The performance of a Recurrent HONN for temperature time series prediction | |
| CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
| CN116307199A (zh) | 一种电力系统负荷预测方法 | |
| CN114266186B (zh) | 一种空调能耗数据缺失值填补方法、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TG01 | Patent term adjustment |