CN110826784A - 能源使用效率的预测方法、装置及存储介质和终端设备 - Google Patents
能源使用效率的预测方法、装置及存储介质和终端设备 Download PDFInfo
- Publication number
- CN110826784A CN110826784A CN201911032270.XA CN201911032270A CN110826784A CN 110826784 A CN110826784 A CN 110826784A CN 201911032270 A CN201911032270 A CN 201911032270A CN 110826784 A CN110826784 A CN 110826784A
- Authority
- CN
- China
- Prior art keywords
- moments
- efficiency
- data
- environment variable
- prediction
- 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 69
- 238000000605 extraction Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 45
- 238000012360 testing method Methods 0.000 claims description 29
- 238000005265 energy consumption Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 8
- 230000007787 long-term memory Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 abstract description 17
- 230000007613 environmental effect Effects 0.000 abstract description 15
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000012423 maintenance Methods 0.000 abstract description 7
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000002596 correlated effect Effects 0.000 abstract 1
- 238000001816 cooling Methods 0.000 description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 22
- 238000006243 chemical reaction Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 230000015654 memory Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 210000004027 cell Anatomy 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000000498 cooling water Substances 0.000 description 8
- 238000007710 freezing Methods 0.000 description 8
- 230000008014 freezing Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了能源使用效率的预测方法、装置及存储介质和终端设备，应用于人工智能的信息处理技术领域。能源使用效率的预测装置会获取模块化数据中心在预置时间段内N个时刻的环境变量参数，并利用效率预测模型中的特征提取模块分别提取N个时刻的环境变量参数的特征信息，将N个时刻的特征信息进行关联得到综合特征信息，再由效率预测模型中的预测模块根据综合特征信息输出模块化数据中心的未来能源使用效率。上述效率预测模型是机器学习模型，该机器学习模型可以结合一段时间段内多次采集的环境变量参数，得到未来能源使用效率，可以较为准确地预测到未来能源使用效率，能很好地指导运维人员创建绿色化程度较高的模块化数据中心。
Description
技术领域
本发明涉及人工智能的信息处理技术领域，特别涉及能源使用效率的预测方法、装置及存储介质和终端设备。
背景技术
随着电子信息系统机房等模块化数据中心的信息技术(internet Technology，IT)设备高密度的集成化，解决设备散热及机房散热量日渐趋高的现象开始受到了各界强烈关注。而根据研究显示，IT/电信目前相关的碳排放已经成为最大的温室气体排放源之一，且该领域的排放势头还在随着全球对计算、数据存储和通信技术需求的增长快速上升，急需要进行绿色机房的建设。
能源使用效率(Power Usage Effectiveness，PUE)是评价模块化数据中心能源效率的指标，是模块化数据中心消耗的所有能源与IT负载使用的能源之比，PUE值越接近于1，表示一个模块化数据中心的绿色化程度越高。在实际应用中可以通过调整模块化数据中心的控制变量来影响环境变量，如果能预测到调整控制变量后模块化数据中心的PUE值，就可以通过预测的PUE值很好地指导运维人员创建绿色化程度较高的模块化数据中心。
现有技术中一种预测模块化数据中心的PUE方法主要为基于岭回归算法,基于过滤域适应模型融合的跨云数据中心能效PUE预测方法，但是在这个过程中，对系数进行估计时，可能会损失部分信息，使得预测精度降低；另一种PUE预测方法是基于规则的专家系统，使用实际运营数据来对PUE进行预测与评估，这种方法定制性比较强，拓展性不好。可见，现有技术中并没有普遍且准确性较高的PUE预测方法能预测出模块化数据中心的PUE。
发明内容
本发明实施例提供能源使用效率的预测方法、装置及存储介质和终端设备，实现了通过循环神经网络来预测能源使用效率。
本发明实施例第一方面提供一种能源使用效率的预测方法，包括：
获取待预测的模块化数据中心在预置时间段内的环境变量数据，所述环境变量数据包括N个时刻的环境变量参数，所述N为大于1的自然数；
确定效率预测模型，所述效率预测模型包括特征提取模块和预测模块；
所述特征提取模块分别根据所述N个时刻的环境变量参数得到N个时刻的特征信息，将所述N个时刻的特征信息进行关联得到综合特征信息，及将所述综合特征信息输入到所述预测模块；
所述预测模块根据所述综合特征信息输出所述待预测的模块化数据中心的未来能源使用效率。
本发明实施例第二方面提供一种能源使用效率的预测装置，包括：
数据获取单元，用于获取待预测的模块化数据中心在预置时间段内的环境变量数据，所述环境变量数据包括N个时刻的环境变量参数，所述N为大于1的自然数；
模型确定单元，用于确定效率预测模型，所述效率预测模型包括特征提取模块和预测模块；
特征处理单元，用于由所述特征提取模块分别根据所述N个时刻的环境变量参数得到N个时刻的特征信息，将所述N个时刻的特征信息进行关联得到综合特征信息，及将所述综合特征信息输入到所述预测模块；
预测单元，用于由所述预测模块根据所述综合特征信息输出所述待预测的模块化数据中心的未来能源使用效率。
本发明实施例第三方面提供一种存储介质，所述存储介质储存多条指令，所述指令适于由处理器加载并执行如本发明实施例第一方面所述的能源使用效率的预测方法。
本发明实施例第四方面提供一种终端设备，包括处理器和存储介质，所述处理器，用于实现各个指令；
所述存储介质用于储存多条指令，所述指令用于由处理器加载并执行如本发明实施例第一方面所述的能源使用效率的预测方法。
可见，在本实施例的方法中，能源使用效率的预测装置会获取模块化数据中心在预置时间段内N个时刻的环境变量参数，并利用效率预测模型中的特征提取模块分别提取N个时刻的环境变量参数的特征信息，将N个时刻的特征信息进行关联得到综合特征信息，再由效率预测模型中的预测模块根据综合特征信息输出模块化数据中心的未来能源使用效率。上述效率预测模型是机器学习模型，该机器学习模型可以结合一段时间段内多次采集的环境变量参数，得到未来能源使用效率，可以较为准确地预测到未来能源使用效率，能很好地指导运维人员创建绿色化程度较高的模块化数据中心。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，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的预测方法的示意图；
图2是本发明一个实施例提供的一种能源使用效率的预测方法的流程图；
图3是本发明一个实施例中确定的效率预测模型中特征提取模块的示意图；
图4是本发明一个实施例中训练效率预测模型的方法流程图；
图5是本发明应用实施例中效率预测模型的训练方法的示意图；
图6是本发明应用实施例中特征提取模块中的LSTM单元的示意图；
图7是本发明实施例提供的一种能源使用效率的预测装置的结构示意图；
图8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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排它的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
人工智能(Artificial Intelligence,AI)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。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
其中，机器学习(Machine Learning,ML)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。
本发明实施例提供基于机器学习的一种能源使用效率的预测方法，主要是对模块化数据中心的未来能源使用效率进行预测，参考图1所示，能源使用效率的预测装置可以通过如下步骤来实现预测：
获取待预测的模块化数据中心在预置时间段内的环境变量数据，所述环境变量数据包括N个时刻的环境变量参数，所述N为大于1的自然数；确定效率预测模型，所述效率预测模型包括特征提取模块和预测模块；所述特征提取模块分别根据所述N个时刻的环境变量参数得到N个时刻的特征信息，将所述N个时刻的特征信息进行关联得到综合特征信息，及将所述综合特征信息输入到所述预测模块；所述预测模块根据所述综合特征信息输出所述待预测的模块化数据中心的未来能源使用效率。
上述效率预测模型是机器学习模型，该机器学习模型可以结合一段时间段内多次采集的环境变量参数，得到未来能源使用效率，可以较为准确地预测到未来能源使用效率，能很好地指导运维人员创建绿色化程度较高的模块化数据中心。
本发明实施例提供一种能源使用效率的预测方法，主要是由能源使用效率的预测装置所执行的方法，流程图如图2所示，包括：
步骤101，获取待预测的模块化数据中心在预置时间段内的环境变量数据，环境变量数据包括N个时刻的环境变量参数。
可以理解，能源使用效率的预测装置可以按照一定的采样周期(比如1分钟等)采集模块化数据中心的相关数据，并将采集的相关数据储存到能源使用效率的预测装置中，比如环境变量数据和设备耗能数据等。其中，模块化数据中心对微模块进行整合部署，其基础设施较简单和高效，主要可以包括IT机柜、配电单元、冷却单元和水分配单元等，在IT机柜中放置了服务器；环境变量数据是指模块化数据中心所处环境中的变量参数，可以通过调整控制变量来影响环境变量，比如电流百分比、室外温度、板换冷却侧阀门开状态和室外平均焓值等；设备耗能数据是指模块化数据中心部署的设备的耗电数据。
在本实施例中的一种情况下，能源使用效率的预测装置可以按照预置周期发起本实施例的流程，则能源使用效率的预测装置会提取本地储存的，且在该预置周期的时间段内采集的模块化数据中心的相关数据，具体可以包括：模块化数据中心在该时间段内N个(N为大于1的自然数)时刻的环境变量参数，还可以包括模块化数据中心在该时间段内N个时刻的设备耗能数据等，还可以包括其它相关数据等，其中，每个时刻对应一个采样时刻。进一步地，能源使用效率的预测装置还可以计算模块化数据中心在该时间段内的平均能源使用效率，具体为：模块化数据中心在该时间段内的总负载与IT负载的比值，其中，总负载为模块化数据中心所包括的IT设备、冷却单元、照明设施和备用电源等用电的功率总和，IT负载是指IT设备的电能消耗功率。
另一种情况下，当运维人员调整模块化数据中心的控制变量后，可以触发能源使用效率的预测装置发起本实施例的流程，则能源使用效率的预测装置会提取本地储存的，调整控制变量后的一个时间段内采集的模块化数据中心的相关数据，且还可以计算模块化数据中心在调整控制变量后的一个时间段内的平均能源使用效率。
步骤102，确定效率预测模型，效率预测模型包括特征提取模块和预测模块。
这里效率预测模型是机器学习模型，可以通过一定的训练方法训练得到，其运行逻辑会预先设置在能源使用效率的预测装置中，当能源使用效率的预测装置在发起本实施例的流程时，会调用本地预置的效率预测模型，以执行如下步骤103和104。
其中，特征提取模块可以包括多个长短期记忆(long short-term memory,LSTM)单元等循环神经网络(Recurrent Neural Network，RNN)，而预测模块可以是全连接层。
步骤103，特征提取模块分别根据N个时刻的环境变量参数得到N个时刻的特征信息，将N个时刻的特征信息进行关联得到综合特征信息，及将综合特征信息输入到预测模块。
具体地，特征提取模块在获取N个时刻的特征信息时，如果上述步骤101中只获取了N个时刻的环境变量参数，则特征提取模块直接提取N个时刻的环境变量参数的特征信息，即可得到N个时刻的特征信息。
如果上述步骤101中不仅获取了N个时刻的环境变量参数，还获取了模块化数据中心在N个时刻的如下至少一种数据：平均能源使用效率和设备耗能数据，则特征提取模块会分别根据N个时刻的环境变量参数，及平均能源使用效率和/或设备耗能数据，得到N个时刻的特征信息，具体地，特征提取模块可以分别提取各个时刻的环境变量参数的第一特征信息，及平均能源使用效率和/或设备耗能数据的第二特征信息，并将第一特征信息和第二特征信息拼接形成各个时刻的特征信息。
进一步地，特征提取模块在将N个时刻的特征信息进行关联时，主要是通过N个时间步长的长短期记忆单元关联N个时刻的特征信息，得到的综合特征信息为：N个时间步长中最后一个时间步长的长短期记忆单元根据N个时刻中最后一个时刻的特征信息，与N个时刻中非最后一个时刻的特征信息中的有用特征信息，计算得到的特征信息。
例如图3所示，当N为10时，特征提取模块包括10个时间步长的LSTM单元，关联的N个时刻的特征信息分别为xt-9、xt-8、……、xt-2、xt-1和xt，分别输入到N个LSTM单元，每个LSTM单元会根据上一时间步长的LSTM单元计算的输出的特征信息ht-i-1和ct-i-1及i个时刻的特征信息xt-i，计算得到输出特征信息ht-i和ct-i，其中，i为0到9之间的任一自然数。上述某一LSTM单元输出的特征信息ht-i和ct-i分别是短记忆和长记忆，是i时刻之前的特征信息中的有用特征信息。
本实施例中，通过这些LSTM单元得到的综合特征信息为最后一个时间步长的LSTM单元输出的特征信息ht，该特征信息是最后一个时间步长的LSTM单元根据最后一个时刻的特征信息xt与最后一个时刻之前的特征信息中的有用特征信息ht-1和ct-1，计算得到的特征信息。
步骤104，预测模块根据综合特征信息输出待预测的模块化数据中心的未来能源使用效率。
这里，未来能源使用效率是在上述预置时间段之后的一段时间(比如之后的30分钟或60分钟等)的能源使用效率，是指模块化数据中心在上述预置时间段之后的一段时间的总负载与IT负载之比。
可见，在本实施例的方法中，能源使用效率的预测装置会获取模块化数据中心在预置时间段内N个时刻的环境变量参数，并利用效率预测模型中的特征提取模块分别提取N个时刻的环境变量参数的特征信息，将N个时刻的特征信息进行关联得到综合特征信息，再由效率预测模型中的预测模块根据综合特征信息输出模块化数据中心的未来能源使用效率。上述效率预测模型是机器学习模型，该机器学习模型可以结合一段时间段内多次采集的环境变量参数，得到未来能源使用效率，可以较为准确地预测到未来能源使用效率，能很好地指导运维人员创建绿色化程度较高的模块化数据中心。
在一个具体的实施例中，上述步骤102中确定的效率预测模型可以通过如下的有监督训练方法得到，流程图如图4所示，包括：
步骤201，确定效率预测初始模型。
可以理解，能源使用效率的预测装置在确定效率预测初始模型时，会确定效率预测初始模型所包括的多层结构和各层机构中参数的初始值。
具体效率预测初始模型可以包括：特征提取模块和预测模块，其中，特征提取模块用于根据模块化数据中心在预置时间段内的相关数据(比如多个时刻的环境变量参数等)得到多个时刻的特征信息，并将多个时刻的特征信息进行关联得到综合特征信息；预测模块用于根据特征提取模块得到的综合特征信息预测未来能源使用效率。其中，效率预测初始模型中的多层结构可以是如下任一种算法结构：长短期记忆网络(LSTM，Long Short-Term Memory)或RNN等。
效率预测初始模型的参数是指效率预测初始模型中各层结构在计算过程中所用到的固定的，不需要随时赋值的参数，比如参数规模、网络层数、用户向量长度等参数。
步骤202，确定训练样本，训练样本中包括多条样本数据，每条样本数据包括多个时刻的环境样本变量参数及对应的未来能源使用效率。
步骤203，效率预测初始模型分别根据每条样本数据中多个时刻的环境样本变量参数，确定每条样本数据对应多个时刻的未来能源使用效率。
具体地，效率预测初始模型中的特征提取模块先根据每条样本数据中多个时刻的环境样本变量参数得到多个时刻的特征信息，并将多个时刻的特征信息进行关联得到综合特征信息；然后效率预测初始模型中的预测模块根据综合特征信息输出未来能源使用效率。
进一步地，上述步骤202中确定的每条训练数据中除了多个时刻的环境样本变量参数之外，还可以包括多个时刻的平均能源使用效率和/或设备耗能数据，这样，效率预测初始模型分别根据每个样本数据中多个时刻的环境样本变量参数，及多个时刻的平均能源使用效率和/或设备耗能数据得到多个时刻的特征信息，进而将这多个时刻的特征信息进行关联得到综合特征心，最后再确定每条样本数据对应多个时刻的未来能源使用效率。
步骤204，根据效率预测初始模型得到的未来能源使用效率，及训练样本中的未来能源使用效率，调整效率预测初始模型中的参数值，以得到最终的效率预测模型。
具体地，能源使用效率的预测装置会先根据上述步骤203中效率预测初始模型得到的未来能源使用效率，及训练样本中的未来能源使用效率，计算与效率预测初始模型相关的损失函数，该损失函数用于指示用效率预测初始模型预测未来能源使用效率的误差，比如交叉熵损失函数等。而效率预测初始模型的训练过程就是需要尽量减少上述误差的值，该训练过程是通过反向传播求导以及梯度下降等一系列数学优化手段不断的优化上述步骤201中确定的效率预测初始模型中参数的参数值，并使得上述损失函数的计算值降至最低。
因此，在计算得到损失函数后，能源使用效率的预测装置需要根据计算的损失函数调整效率预测初始模型中的参数值，以得到最终的效率预测模型。具体地，当计算的损失函数的函数值较大时，比如大于预置的值，则需要改变参数值，比如将某个神经元连接的权重值减小等，使得按照调整后的参数值计算的损失函数的函数值减小。
需要说明的是，上述步骤203到204是通过效率预测初始模型预测到未来能源使用效率，对效率预测初始模型中的参数值的一次调整，而在实际应用中，需要通过不断地循环执行上述步骤203到204，直到对参数值的调整满足一定的停止条件为止。
因此，能源使用效率的预测装置在执行了上述实施例步骤201到204之后，还需要判断当前对参数值的调整是否满足预置的停止条件，当满足时，则结束流程；当不满足时，则针对调整参数值后的效率预测初始模型，返回执行上述步骤203到204。其中，预置的停止条件包括但不限于如下条件中的任何一个：当前调整的参数值与上一次调整的参数值的差值小于一阈值，即调整的参数值达到收敛；及对参数值的调整次数等于预置的次数等。
另外需要说明的是，能源使用效率的预测装置在执行上述步骤202之前，可以采集模块化数据中心的历史环境变量数据，历史环境变量数据是指历史的一段时间内，多个采样时刻的环境变量参数；则在确定训练样本时，并从历史环境变量数据中选取第一部分历史环境变量数据形成训练样本，具体地，可以将第一部分历史环境变量数据中，相邻的N个采样时刻的环境变量参数包括在一条训练数据中，且计算N个采样时刻之后的d分钟的能源使用效率，即未来能源使用效率，包括在该条训练数据中。
进一步地，在训练好效率预测模型后，可以将历史环境变量数据中除第一部分历史环境变量数据之外的第二部分历史环境变量数据作为测试集，并根据测试集形成多条测试数据，然后根据多条测试数据对训练好的效率预测模型进行评估。其中，在根据测试集形成多条测试数据时，与上述通过第一部分历史环境变量数据形成多条训练数据的方法类似，在此不进行赘述，则在每条测试数据中也包括N个时刻的环境变量参数及对应的未来能源使用效率；在根据多条测试数据对效率预测模型进行评估时，需要先根据效率预测模型分别根据多条测试数据确定对应的未来能源使用效率，然后再根据确定的未来能源使用效率及多条测试数据中包括的未来能源使用效率计算效率预测模型的误差，通过计算的误差来评价效率预测模型。
需要说明的是，上述第一部分历史环境变量数据与第二部分历史环境变量数据之间可以是任意比例，比如7:3等。
以下以一个具体的应用实例来说明本发明中能源使用效率的预测方法，本实施例中的方法可以包括如下两个部分：
(1)参考图5所示，可以通过如下步骤实现效率预测模型的训练：
步骤301，能源使用效率的预测装置以一定的采样周期，比如一分钟或一个小时等，采集模块化数据中心在一段时间内(比如一年内)的相关数据，比如环境变量数据和设备耗能数据等，并按照一定的比例(比如7:3)将这些相关数据划分为训练集和测试集。
在具体应用过程中，模块化数据中心在一段时间内的相关数据可以包括但不限于如下数据，这些数据大部分都是环境变量参数：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，且能源使用效率的预测装置还可以根据上述采集的数据计算前一段时间的平均PUE值等。
在一种具体情况下，可以包括如下59种类型的数据：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、IT负载、前1分钟PUE，前5分钟PUE均值、前30分钟PUE均值、前60分钟PUE均值、前120分钟PUE均值。
步骤302，能源使用效率的预测装置针对训练集和测试集中每个采样周期(即多个时刻)得到的数据，计算采样周期的时间段内的PUE值及未来d分钟内的PUE均值，其中d可以是任意符合现实意义的正整数，比如，d可以为1,5,30,60或120。
步骤303，根据训练集中的数据构建多条样本数据，每条样本数据包括N(比如10或其它正整数)个时刻的环境样本变量参数等，记为xn-9,xn-8,......,xn，及对应的未来能源使用效率，记为yn，其中，n为大于9的正整数。且以同样的方式，根据测试集中的数据构建多条测试数据。
步骤304，确定效率预测模型，包括特征提取模块和预测模块，其中特征提取模块包括特征提取单元，及时间步长为N(比如为10)的LSTM单元(如上述图3所示)，输出维度可以为n1(比如为16)；预测模块为全连接层，输出维度为1，即对未来PUE的预测值。
上述特征提取模块中的特征提取单元可以分别提取各个时刻数据的特征信息，则针对一条样本数据得到的特征矩阵记为X，其中，X∈RN×M，每一列Xm表示m个特征的向量，每一行xn表示第n个样本数据，M表示特征总数，N表示一条样本数据中包括的多少个时刻的相关数据。
特征提取模块中的一个LSTM单元可以根据某一时刻t的特征信息xt，并结合上一个LSTM单元输出的长记忆ct-1和短记忆ht-1，可以得到输出的特征信息ct和短记忆ht，在最后一个时间步长的LSTM单元，利用输出的ht传输给预测模块进行未来PUE的预测。
具体地，一个LSTM单元的结构可以如图6所示，包括输入门it、遗忘门ft、记忆细胞ct和输出门ot，具体可以通过如下公式1到5完成一个LSTM单元的计算：
it＝σ(Wixxt+Wihht-1+Wicct-1+bi) (1)
ft＝σ(Wfxxt+Wfhht-1+Wfcct-1+bf) (2)
ot＝σ(Woxxt+Wohht-1+Wocct-1+bo) (3)
其中，Wix、Wih和Wic分别为输入信息、上时刻输出和记忆细胞到输入门的权重矩阵，Wfx、Wfh和Wfc分别为输入信息、上时刻输出和记忆细胞到遗忘门的权重矩阵，Wox、Woh和Woc分别为输入信息、上时刻输出和记忆细胞到输出门的权重矩阵；bi、bo、bf、bc分别为输入门、输出门、遗忘门和记忆细胞的偏置量，σ(·)为sigmoid函数，
和h(·)是记忆细胞输入到输出的激活函数、取双曲正切函数tanh(·)。
上述权重矩阵和偏置量都是训练效率预测模型的过程中，需要调整并确定的参数，在初始确定效率预测模型时，可以先设置这些参数为一个初始值，并在之后的流程中不断地调整这些参数，最终得到这些参数的最终值。
步骤305，能源使用效率的预置装置配置训练超参数，即学习率与批次(batch)，其中，学习率为训练过程中调整效率预测模型中参数值的效率，比如0.001，批次为训练样本采用多少次训练完成，比如64等。且建立优化方案，比如可以采用学习率自适应(Adaptivemoment estimation,Adam)算法，损失函数L可以按照如下公式6进行定义，其中，yi为第i条样本数据对应的实际未来PUE值，y′i为通过效率预测模型预测的第i条样本数据对应的未来PUE值；Nbatch为一个批次的训练过程中，样本数据的条数：
步骤306，能源使用效率的预置装置结合步骤305中的配置，并按照如上述图4所示的训练方法，利用利用时序反向传播(back-propagation through time,BPTT)算法调整效率预测模型中的参数值，即上述的权重矩阵和偏置量，从而得到最终的效率预测模型。
步骤307，能源使用效率的预置装置在训练好的效率预测模型后，可以根据上述步骤303中确定的测试集中的多条测试数据对效率预测模型进行评估和改进。
具体地，效率预测模型先分别根据各条测试数据中多个时刻的环境变量参数等确定对应的未来PUE值，然后可以通过如下公式7和8分别计算均方根误差(root mean squareerror，RMSE)、平均绝对误差(mean absolute error，MAE)等对效率预测模型的预测结果进行评估，其中，Ntest为测试数据的条数，为第t条测试数据对应的实际未来PUE值，
为通过效率预测模型预测的第t条测试数据对应的未来PUE值：
可以理解，如果上述计算的RMSE或MAE较大，比如大于某一阈值时，则说明上述训练的效率预测模型的误差较大，可以适当地调整效率预测模型中的参数值，即上述权重矩阵和偏置量。
(2)在实际应用过程中，在为模块化数据中心进行节能工作时，可以通过调整控制变量来影响环境变量数据，进而优化机房气流组织、局部温度等，比如，避免机房中局部“热点”的出现，节省制冷能耗，进而在安全性能保障与节能潜力之间取得平衡。则通过本实施例中训练的效率预测模型，可以得到在调整控制变量后，模块化数据中心的PUE的变化情况以及变化趋势，进而为现场运营提供辅助分析结果。具体地，能源使用效率的预测装置可以通过如上述图2所示的方法预测模块化数据中心的未来PUE，在此不进行赘述。
本发明实施例还提供一种能源使用效率的预测装置，其结构示意图如图7所示，具体可以包括：
数据获取单元10，用于获取待预测的模块化数据中心在预置时间段内的环境变量数据，所述环境变量数据包括N个时刻的环境变量参数，所述N为大于1的自然数；
模型确定单元11，用于确定效率预测模型，所述效率预测模型包括特征提取模块和预测模块；
特征处理单元12，用于由所述模型确定单元11确定的效率预测模型中的特征提取模块分别根据所述数据获取单元10获取的N个时刻的环境变量参数得到N个时刻的特征信息，将所述N个时刻的特征信息进行关联得到综合特征信息，及将所述综合特征信息输入到所述预测模块；
预测单元13，用于由所述模型确定单元11确定的效率预测模型中的预测模块根据所述特征处理单元12输出的综合特征信息输出所述待预测的模块化数据中心的未来能源使用效率。
在一个具体的实施例中，上述数据获取单元10，还用于获取所述待预测的模块化数据中心在所述N个时刻的平均能源使用效率和/或设备耗能数据；则特征处理单元12中的特征提取模块分别根据所述N个时刻的环境变量参数得到N个时刻的特征信息时，具体用于分别根据所述N个时刻的环境变量参数，及平均能源使用效率和/或设备耗能数据，得到N个时刻的特征信息。
特征处理单元12中的所述特征提取模块将所述N个时刻的特征信息进行关联得到综合特征信息时，具体用于通过N个时间步长的长短期记忆单元关联所述N个时刻的特征信息，得到的综合特征信息为：所述N个时间步长中最后一个时间步长的长短期记忆单元根据所述N个时刻中最后一个时刻的特征信息，与所述N个时刻中非最后一个时刻的特征信息中的有用特征信息，计算得到的特征信息。
进一步地，能源使用效率的预测装置还包括训练单元14和模型评估单元15，其中：
训练单元14，用于确定效率预测初始模型；确定训练样本，所述训练样本中包括多条样本数据，每条样本数据包括多个时刻的环境样本变量参数及对应的未来能源使用效率；所述效率预测初始模型分别根据所述每条样本数据中多个时刻的环境样本变量参数，确定所述多个时刻的未来能源使用效率；根据所述效率预测初始模型得到的未来能源使用效率，及所述训练样本中的未来能源使用效率，调整所述效率预测初始模型中的参数值，以得到最终的效率预测模型。这样，上述模型确定单元11会确定的效率预测模型即为该训练单元14训练得到的效率预测模型。
该训练单元14，还用于当对所述参数值的调整次数等于预置的次数时，或当当前调整的固定参数值与上一次调整的固定参数值的差值小于一阈值时，则停止对所述固定参数值的调整。
进一步地，上述数据获取单元10，还用于采集所述模块化数据中心的历史环境变量数据；则训练单元14在确定训练样本时，具体用于从所述历史环境变量数据中选取第一部分历史环境变量数据形成所述训练样本。
模型评估单元15，用于将所述数据获取单元10采集的历史环境变量数据中除所述第一部分历史环境变量数据之外的第二部分历史环境变量数据作为测试集；根据所述测试集形成多条测试数据，及根据所述多条测试数据对所述效率预测模型进行评估。
可见，在本实施例的能源使用效率的预测装置中，数据获取单元10会获取模块化数据中心在预置时间段内N个时刻的环境变量参数，特征处理单元12利用效率预测模型中的特征提取模块分别提取N个时刻的环境变量参数的特征信息，将N个时刻的特征信息进行关联得到综合特征信息，预测单元13再由效率预测模型中的预测模块根据综合特征信息输出模块化数据中心的未来能源使用效率。上述效率预测模型是机器学习模型，该机器学习模型可以结合一段时间段内多次采集的环境变量参数，得到未来能源使用效率，可以较为准确地预测到未来能源使用效率，能很好地指导运维人员创建绿色化程度较高的模块化数据中心。
本发明实施例还提供一种终端设备，其结构示意图如图8所示，该终端设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)20(例如，一个或一个以上处理器)和存储器21，一个或一个以上存储应用程序221或数据222的存储介质22(例如一个或一个以上海量存储设备)。其中，存储器21和存储介质22可以是短暂存储或持久存储。存储在存储介质22的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对终端设备中的一系列指令操作。更进一步地，中央处理器20可以设置为与存储介质22通信，在终端设备上执行存储介质22中的一系列指令操作。
具体地，在存储介质22中储存的应用程序221包括能源使用效率预测的应用程序，且该程序可以包括上述能源使用效率的预测装置中的数据获取单元10，模型确定单元11，特征处理单元12，预测单元13，训练单元14和模型评估单元15，在此不进行赘述。更进一步地，中央处理器20可以设置为与存储介质22通信，在终端设备上执行存储介质22中储存的能源使用效率预测的应用程序对应的一系列操作。
终端设备还可以包括一个或一个以上电源23，一个或一个以上有线或无线网络接口24，一个或一个以上输入输出接口25，和/或，一个或一个以上操作系统223，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
上述方法实施例中所述的由能源使用效率的预测装置所执行的步骤可以基于该图8所示的终端设备的结构。
本发明实施例还提供一种存储介质，所述存储介质储存多条指令，所述指令适于由处理器加载并执行如上述能源使用效率的预测装置所执行的能源使用效率的预测方法。
本发明实施例还提供一种终端设备，包括处理器和存储介质，所述处理器，用于实现各个指令；所述存储介质用于储存多条指令，所述指令用于由处理器加载并执行如上述能源使用效率的预测装置所执行的能源使用效率的预测方法。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM)、随机存取存储器RAM)、磁盘或光盘等。
以上对本发明实施例所提供的能源使用效率的预测方法、装置及存储介质和终端设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种能源使用效率的预测方法，其特征在于，包括：
获取待预测的模块化数据中心在预置时间段内的环境变量数据，所述环境变量数据包括N个时刻的环境变量参数，所述N为大于1的自然数；
确定效率预测模型，所述效率预测模型包括特征提取模块和预测模块；
所述特征提取模块分别根据所述N个时刻的环境变量参数得到N个时刻的特征信息，将所述N个时刻的特征信息进行关联得到综合特征信息，及将所述综合特征信息输入到所述预测模块；
所述预测模块根据所述综合特征信息输出所述待预测的模块化数据中心的未来能源使用效率。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述待预测的模块化数据中心在所述N个时刻的平均能源使用效率和/或设备耗能数据；
则所述特征提取模块分别根据所述N个时刻的环境变量参数得到N个时刻的特征信息，具体包括：所述特征提取模块分别根据所述N个时刻的环境变量参数，及平均能源使用效率和/或设备耗能数据，得到N个时刻的特征信息。
3.如权利要求1所述的方法，其特征在于，所述特征提取模块将所述N个时刻的特征信息进行关联得到综合特征信息，具体包括：
所述特征提取模块通过N个时间步长的长短期记忆单元关联所述N个时刻的特征信息得到综合特征信息，所述综合特征信息为：所述N个时间步长中最后一个时间步长的长短期记忆单元根据所述N个时刻中最后一个时刻的特征信息，与所述N个时刻中非最后一个时刻的特征信息中的有用特征信息，计算得到的特征信息。
4.如权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
确定效率预测初始模型；
确定训练样本，所述训练样本中包括多条样本数据，每条样本数据包括多个时刻的环境样本变量参数及对应的未来能源使用效率；
所述效率预测初始模型分别根据所述每条样本数据中多个时刻的环境样本变量参数，确定所述多个时刻的未来能源使用效率；
根据所述效率预测初始模型得到的未来能源使用效率，及所述训练样本中的未来能源使用效率，调整所述效率预测初始模型中的参数值，以得到最终的效率预测模型。
5.如权利要求4所述的方法，其特征在于，当对所述参数值的调整次数等于预置的次数时，或当当前调整的固定参数值与上一次调整的固定参数值的差值小于一阈值时，则停止对所述固定参数值的调整。
6.如权利要求4所述的方法，其特征在于，所述确定训练样本之前，还包括：
采集所述模块化数据中心的历史环境变量数据；
则所述确定训练样本具体包括：从所述历史环境变量数据中选取第一部分历史环境变量数据形成所述训练样本。
7.如权利要求6所述的方法，其特征在于，所述方法还包括：
将所述历史环境变量数据中除所述第一部分历史环境变量数据之外的第二部分历史环境变量数据作为测试集；
根据所述测试集形成多条测试数据，及根据所述多条测试数据对所述效率预测模型进行评估。
8.一种能源使用效率的预测装置，其特征在于，包括：
数据获取单元，用于获取待预测的模块化数据中心在预置时间段内的环境变量数据，所述环境变量数据包括N个时刻的环境变量参数，所述N为大于1的自然数；
模型确定单元，用于确定效率预测模型，所述效率预测模型包括特征提取模块和预测模块；
特征处理单元，用于由所述特征提取模块分别根据所述N个时刻的环境变量参数得到N个时刻的特征信息，将所述N个时刻的特征信息进行关联得到综合特征信息，及将所述综合特征信息输入到所述预测模块；
预测单元，用于由所述预测模块根据所述综合特征信息输出所述待预测的模块化数据中心的未来能源使用效率。
9.一种存储介质，其特征在于，所述存储介质储存多条指令，所述指令适于由处理器加载并执行如权利要求1至7任一项所述的能源使用效率的预测方法。
10.一种终端设备，其特征在于，包括处理器和存储介质，所述处理器，用于实现各个指令；
所述存储介质用于储存多条指令，所述指令用于由处理器加载并执行如权利要求1至7任一项所述的能源使用效率的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911032270.XA CN110826784B (zh) | 2019-10-28 | 2019-10-28 | 能源使用效率的预测方法、装置及存储介质和终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911032270.XA CN110826784B (zh) | 2019-10-28 | 2019-10-28 | 能源使用效率的预测方法、装置及存储介质和终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110826784A true CN110826784A (zh) | 2020-02-21 |
| CN110826784B CN110826784B (zh) | 2023-12-12 |
Family
ID=69551223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911032270.XA Active CN110826784B (zh) | 2019-10-28 | 2019-10-28 | 能源使用效率的预测方法、装置及存储介质和终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110826784B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111504673A (zh) * | 2020-03-27 | 2020-08-07 | 青岛海信日立空调系统有限公司 | 一种冷水机组故障诊断方法、系统及空调器 |
| 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 |
| CN112330368A (zh) * | 2020-11-16 | 2021-02-05 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、系统及存储介质和终端设备 |
| 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 |
| TWI807793B (zh) * | 2022-04-21 | 2023-07-01 | 神雲科技股份有限公司 | 電腦裝置效能測試方法 |
Citations (4)
| 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 |
| US20180204116A1 (en) * | 2017-01-19 | 2018-07-19 | Google Inc. | Optimizing data center controls using neural networks |
| CN109492264A (zh) * | 2018-10-17 | 2019-03-19 | 南京邮电大学 | 一种跨云数据中心的能效预测方法 |
| CN109685252A (zh) * | 2018-11-30 | 2019-04-26 | 西安工程大学 | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 |
-
2019
- 2019-10-28 CN CN201911032270.XA patent/CN110826784B/zh active Active
Patent Citations (4)
| 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 |
| US20180204116A1 (en) * | 2017-01-19 | 2018-07-19 | Google Inc. | Optimizing data center controls using neural networks |
| CN109492264A (zh) * | 2018-10-17 | 2019-03-19 | 南京邮电大学 | 一种跨云数据中心的能效预测方法 |
| CN109685252A (zh) * | 2018-11-30 | 2019-04-26 | 西安工程大学 | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 洪立俊;: "大规模数据分析预测在数据中心的探索与实践", 中国金融电脑, no. 05 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111504673A (zh) * | 2020-03-27 | 2020-08-07 | 青岛海信日立空调系统有限公司 | 一种冷水机组故障诊断方法、系统及空调器 |
| 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 |
| CN112330368A (zh) * | 2020-11-16 | 2021-02-05 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、系统及存储介质和终端设备 |
| CN112330368B (zh) * | 2020-11-16 | 2024-04-09 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、系统及存储介质和终端设备 |
| TWI807793B (zh) * | 2022-04-21 | 2023-07-01 | 神雲科技股份有限公司 | 電腦裝置效能測試方法 |
| 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 |
|---|---|
| CN110826784B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110826784A (zh) | 能源使用效率的预测方法、装置及存储介质和终端设备 | |
| Li et al. | A directed acyclic graph network combined with CNN and LSTM for remaining useful life prediction | |
| CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
| CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及系统 | |
| CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
| CN116991215A (zh) | 基于因果学习的数据中心基础结构优化方法 | |
| CN113095598A (zh) | 一种多能负荷预测方法、系统、设备和介质 | |
| CN115310727B (zh) | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 | |
| CN112272074B (zh) | 一种基于神经网络的信息传输速率控制方法及系统 | |
| CN116562908A (zh) | 一种基于双层vmd分解和ssa-lstm的电价预测方法 | |
| 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 | |
| Cruz et al. | Neural network prediction interval based on joint supervision | |
| CN111785093A (zh) | 一种基于分形插值的空中交通流量短期预测方法 | |
| CN114219177A (zh) | 机房环境调控方法、装置、电子设备及存储介质 | |
| CN117439101A (zh) | 一种用于电网中新能源与柔性负荷互动的智能网络 | |
| CN113093014A (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 | |
| CN114169416B (zh) | 一种基于迁移学习的小样本集下短期负荷预测方法 | |
| CN114357865A (zh) | 一种水电站径流及其关联源荷功率年场景模拟和预测方法 | |
| CN114372418A (zh) | 一种风电功率时空态势描述模型建立方法 | |
| Shenbagalakshmi et al. | A Study on Monitoring an Air Conditioning (AC) system in a Home environment using Machine Learning Techniques | |
| CN118094198B (zh) | 基于StemGNN的动力电池循环寿命动态调节方法 | |
| Fang et al. | A Two-Stage Deep Learning Approach for Solving Microgrid Economic Dispatch | |
| CN114650190B (zh) | 数据中心网络的节能方法、系统、终端设备及存储介质 | |
| Dong et al. | Adaptive electric load forecaster | |
| Li et al. | Power load combination prediction based on EEMD decomposition with K-means clustering and frequency separation |
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 |