CN111582604A - 数据处理方法和装置、电子设备、及介质 - Google Patents
数据处理方法和装置、电子设备、及介质 Download PDFInfo
- Publication number
- CN111582604A CN111582604A CN202010433135.2A CN202010433135A CN111582604A CN 111582604 A CN111582604 A CN 111582604A CN 202010433135 A CN202010433135 A CN 202010433135A CN 111582604 A CN111582604 A CN 111582604A
- Authority
- CN
- China
- Prior art keywords
- pue
- energy efficiency
- data center
- parameters
- efficiency 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims description 29
- 238000005057 refrigeration Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 description 22
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000001816 cooling Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010206 sensitivity analysis 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/02—Data centres
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
Abstract
本公开提供了一种数据处理方法和装置、电子设备、及介质。所述数据处理方法应用于数据中心。所述数据处理方法包括：对PUE能效模型的输入参数进行调整以预测不同输入参数对应的PUE值，其中，所述PUE能效模型为以所述数据中心的运行参数为输入参数、以所述数据中心的电能利用效率PUE值为输出参数，训练得到的机器学习模型；获得使得所述PUE能效模型预测的PUE值最低的输入参数，得到最优运行参数；以及将所述最优运行参数传送到所述数据中心，以使所述数据中心根据所述最优运行参数运行。本公开还提供了一种PUE能效模型的训练方法和训练装置。
Description
技术领域
本公开涉及互联网技术领域，更具体地，涉及一种应用于数据中心的数据处理方法和装置、电子设备、及介质。
背景技术
随着云计算、人工智能等技术的发展，数据中心行业发展迅速。数据中心的耗电量剧增，业界都在寻找降低数据中心能耗的方法。数据中心的总能耗包括IT(internettechnology)互联网计算设备负载能耗和制冷系统、供配电、照明及其它能耗。业界用PUE值(Power Usage Effectiveness，电能利用效率)来衡量一个数据中心的能效水平，PUE定义为数据中心的总能耗与IT设备负载能耗的比值。PUE值越低，这个数据中心的能效水平越高，表示总能耗中的更多部分用于IT设备，而不是制冷、供配电、照明等辅助设备。
发明内容
有鉴于此，本公开实施例提供了一种至少在一定程度上提高数据中心的能效水平的数据处理方法和装置、电子设备、及介质。
本公开实施例的第一方面，提供了一种数据处理方法，应用于数据中心。所述方法包括：对PUE能效模型的输入参数进行调整以预测不同输入参数对应的PUE值，其中，所述PUE能效模型为以所述数据中心的运行参数为输入参数、以所述数据中心的电能利用效率PUE值为输出参数，训练得到的机器学习模型；获得使得所述PUE能效模型预测的PUE值最低的输入参数，得到最优运行参数；以及将所述最优运行参数传送到所述数据中心，以使所述数据中心根据所述最优运行参数运行。
根据本公开的实施例，所述方法还包括建立所述PUE能效模型。具体包括：采集所述数据中心在各个时刻的运行参数，以得到所述PUE能效模型的输入样本数据；采集所述数据中心在所述各个时刻的PUE值，以得到所述PUE能效模型的输出样本数据；以及以所述输入样本数据和所述输出样本数据作为训练样本数据，训练所述PUE能效模型。
根据本公开的实施例，所述对PUE能效模型的输入参数进行调整以预测不同输入参数对应的PUE值包括：当所述数据中心的运行状态变化情况满足优化条件时，对所述PUE能效模型的输入参数进行调整，所述运行状态包括所述数据中心所在的环境状态或者所述数据中心的互联网计算设备的负载状态。
根据本公开的实施例，所述运行参数包括至少一个环境参数，和/或至少一个控制参数。其中，所述控制参数为通过执行机构来改变控制量的参数。
根据本公开的实施例，所述对PUE能效模型的输入参数进行调整以预测不同输入参数对应的PUE值包括：在所述运行参数包括多个控制参数的情况下，对所述多个控制参数的所有取值的可能组合进行穷举，得到多个所述输入参数；将多个所述输入参数分别输入到所述PUE能效模型；以及获得所述PUE能效模型输出的与多个所述输入参数分别对应的PUE值。
根据本公开的实施例，所述运行参数还包括至少一个过程参数。所述过程参数为可测量但无法通过执行机构控制的参数。
根据本公开的实施例，所述控制参数为控制所述数据中心的制冷系统运行的参数。
本公开实施例的第二方面，提供了一种数据处理装置。所述数据处理装置设置于数据中心。所述数据处理装置包括优化模块、最优参数获得模块、以及传送模块。优化模块用于对PUE能效模型的输入参数进行调整以预测不同输入参数对应的PUE值，其中，所述PUE能效模型为以所述数据中心的运行参数为输入参数、以所述数据中心的电能利用效率PUE值为输出参数，训练得到的机器学习模型。最优参数获得模块用于获得使得所述PUE能效模型预测的PUE值最低的输入参数，得到最优运行参数。传送模块用于将所述最优运行参数传送到所述数据中心，以使所述数据中心根据所述最优运行参数运行。
根据本公开的实施例，所述数据处理装置还包括模型建立模块。所述模型建立模块用于建立所述PUE能效模型。所述模型建立模块包括输入样本获得子模块、输出样本获得子模块、以及训练子模块。所述输入样本获得子模块用于采集所述数据中心在各个时刻的运行参数，以得到所述PUE能效模型的输入样本数据。所述输出样本获得子模块用于采集所述数据中心在所述各个时刻的PUE值，以得到所述PUE能效模型的输出样本数据。所述训练子模块用于以所述输入样本数据和所述输出样本数据作为训练样本数据，训练所述PUE能效模型。
根据本公开的实施例，所述优化模块包括控制参数组合子模块、多参数输入子模块、以及多PUE值获得子模块。所述控制参数组合子模块用于在所述运行参数包括多个控制参数的情况下，对所述多个控制参数的所有取值的可能组合进行穷举，得到多个所述输入参数。所述多参数输入子模块用于将多个所述输入参数分别输入到所述PUE能效模型。所述多PUE值获得子模块用于获得所述PUE能效模型输出的与多个所述输入参数分别对应的PUE值。
本公开实施例的第三方面，提供了一种PUE能效模型的训练方法，其中，所述PUE能效模型为用于预测数据中心的电能利用效率PUE值的机器学习模型。所述训练方法包括：采集所述数据中心在各个时刻的运行参数，以得到所述PUE能效模型的输入样本数据；采集所述数据中心在所述各个时刻的PUE值，以得到所述PUE能效模型的输出样本数据；以及以所述输入样本数据和所述输出样本数据作为训练样本数据，训练所述PUE能效模型。
本公开实施例的第四方面，提供了一种PUE能效模型的训练装置，其中，所述PUE能效模型为用于预测数据中心的电能利用效率PUE值的机器学习模型。所述训练装置包括输入样本获得模块、输出样本获得模块、以及训练模块。所述输入样本获得模块用于采集所述数据中心在各个时刻的运行参数，以得到所述PUE能效模型的输入样本数据。所述输出样本获得模块用于采集所述数据中心在所述各个时刻的PUE值，以得到所述PUE能效模型的输出样本数据。所述训练模块用于以所述输入样本数据和所述输出样本数据作为训练样本数据，训练所述PUE能效模型。
本公开实施例的第五方面，提供了一种电子设备。所述电子设备包括一个或多个存储器、以及一个或多个处理器。所述一个或多个存储器存储有可执行指令。所述一个或多个处理器，执行所述可执行指令，以实现如上第一方面所述的数据处理方法、或者如上第三方面所述的训练方法。
本公开实施例的第六方面，提供了一种计算机可读存储介质。其上存储有可执行指令，该指令被处理器执行时使处理器执行如上第一方面所述的数据处理方法、或者如上第三方面所述的训练方法。
本公开实施例的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上第一方面所述的数据处理方法、或者如上第三方面所述的训练方法。
上述一个或多个实施例具有如下优点或益效果：利用PUE能效模型对优化数据中心的运行参数，并得到最优运行参数，进而将该最优运行参数发送至数据中心以控制数据中心的运行(例如，控制数据中心中各类设备的执行机构的动作、频率等)可以在数据中心运行过程中对数据中心的运行状态实时调控，实现对数据中心的在线优化。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的数据中心的PUE能效模型的计算原理的示意；
图2示意性示出了根据本公开一实施例的数据处理方法的流程图；
图3示意性示出了根据本公开另一实施例的数据处理方法的流程图；
图4示意性示出了根据本公开另一实施例的数据处理方法中建立PUE能效模型的流程图；
图5示意性示出了应用根据本公开实施例的数据处理方法和装置的示例性系统架构；
图6示意性示出了根据本公开实施例的数据处理方法中调整PUE能效模型的输入参数的流程图；
图7示意性示出了根据本公开实施例的数据处理装置的方框图；
图8示意性示出了根据本公开实施例的PUE能效模型的训练方法的流程图；
图9示意性示出了根据本公开实施例的PUE能效模型的训练装置的方框图；以及
图10示意性示出了根据本公开实施例的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开的实施例提供了一种应用于数据中心的数据处理方法和装置、电子设备及介质。该方法包括首先对PUE能效模型的输入参数进行调整以预测不同输入参数对应的PUE值，其中，PUE能效模型为以数据中心的运行参数为输入参数、以数据中心的电能利用效率PUE值为输出参数，训练得到的机器学习模型；然后获得使得PUE能效模型预测的PUE值最低的输入参数，得到最优运行参数；此后将最优运行参数传送到数据中心，以使数据中心根据最优运行参数运行。
根据本公开的实施例，提供了一种基于数字孪生技术的数据中心运行参数在线优化方法，利用通过该数据中心的运行参数训练得到PUE能效模型同步模拟数据中心的能效水平。可以利用该PUE能效模型对优化数据中心的运行参数，并得到最优运行参数，进而将该最优运行参数发送至数据中心以控制数据中心的运行(例如，控制数据中心中各类设备的执行机构的动作、频率等)
根据本公开实施例，可以在数据中心运行过程中对数据中心的运行状态实时调控，实现对数据中心的在线优化。
图1示意性示出了根据本公开实施例的数据中心的PUE能效模型的计算原理示意。
如图1所示，PUE定义为数据中心的总能耗与IT设备负载能耗的比值，其中，数据中心的总能耗包括IT设备负载能耗和制冷系统、供配电、照明及其它能耗。
一个数据中心的总能耗中，除了IT设备负载能耗外，制冷系统的能耗最高。因此，降低制冷系统的能耗，可以有效降低数据中心的PUE值。
图1所示的PUE能效模型就是以围绕降低制冷系统能耗为例，来示例性说明PUE能效模型建立的关键因素。
根据本公开的实施例，PUE能效模型建立了影响PUE值的各种因素同PUE值的关系的机器学习模型(例如，深度学习神经网络模型)。影响PUE值的各种因素例如可以包括制冷系统中影响PUE值的几十种因素、外界气候条件因素、数据中心IT设备负载情况等。
如图1所示，外界气候条件因素例如可以是室外的干球和湿球温度等。制冷系统中影响PUE值的几十种因素例如包括各类冷却塔开启数量和/或风扇转速、各类冷却泵开启数量和/频率、各类冷冻泵的开启数量和/或频率、各类冷水机组运行数量和进出水温度、液冷分配单元LCU的进出水温度、和/或精密空调设定值等。
根据本公开的实施例，可以将影响PUE值的各种因素分为三类：一是控制参数，即可以通过执行机构改变控制量的参数，例如可以包括冷却塔的数量和/或风扇转速、冷却泵的数量和/或风扇转速、冷水机组的数量和/或进出水温度、冷冻泵的数量和/或风扇转速、液冷分配单元LCU的进出水温度等；二是环境参数，例如包括室外的干球和湿球温度；三是过程参数，即可测量但无法通过执行机构控制的参数，例如可以是制冷系统中可以通过传感器测量但无法进行控制的因素，诸如管道的流量和温度、机房冷热通道的温度和湿度等。
根据本公开的一些实施例，可以通过对数据中心在各个时刻的上述三类因素的全部或者部分参数进行数据采集，作为输入样本数据；同时获取数据中心在上述各个时刻对应的PUE值，作为输出样本数据；以该输入样本数据和输出样本数据作为训练样本，训练PUE能效模型。
根据本公开的另一些实施例，可以利用PUE能效模型触发在线优化。例如可以在环境状态发送变化或者IT设备负载发生变化时，触发在线优化。在线优化时，可以是在当前环境状态和IT设备负载下，更新PUE能效模型的输入参数，找到使得PUE最低的一组控制参数，然后把该组控制参数回传到数据中心，以控制相应执行机构的动作。以此方式，构成了基于数字孪生的双向信息交互，实现了对数据中心的在线调控和实时控制，至少一定程度上提高了数据中心的能效水平。
其中，数字孪生是以数字化方式创建物理实体的虚拟模型，借助数据模拟物理实体在现实环境中的行为，通过虚实交互反馈、数据融合分析、决策迭代优化等手段，为物理实体增加或扩展新的能力。作为一种充分利用模型、数据、智能并集成多学科的技术，数字孪生面向产品全生命周期过程，发挥连接物理世界和信息世界的桥梁和纽带作用，提供更加实时、高效、智能的服务。数字孪生是指在数字虚体空间中所构建的虚拟事物，与物理实体空间中的实体事物所对应的、在形态和举止上都相像的虚实精确映射关系。物理实体与数字虚体构成一对数字孪生体。数字孪生技术的关键是物理实体与数字模型之间的双向数据传输和交互。物理实体的运行信息通过传感器传输给数字模型，更新数字模型的状态信息，然后在数字模型中利用大数据分析、人工智能等技术来模拟和预测物理实体的运行状态，并将分析处理的结果应用于物理实体，优化物理实体的运行模式。
在介绍了本公开实施例的PUE能效模型的原理之后，以下结合图2～图6对根据本公开各个实施例的数据处理方法进行介绍。
图2示意性示出了根据本公开一实施例的数据处理方法的流程图。
如2所示，根据本公开实施例该数据处理方法包括操作S210～操作S230，可以应用于数据中心。
在操作S210，对PUE能效模型的输入参数进行调整以预测不同输入参数对应的PUE值，其中，PUE能效模型为以数据中心的运行参数为输入参数、以数据中心的电能利用效率PUE值为输出参数，训练得到的机器学习模型。
根据本公开的实施例，运行参数可以包括至少一个环境参数，和/或至少一个控制参数。其中，控制参数为通过执行机构来改变控制量的参数。根据本公开的实施例，控制参数可以是控制数据中心的制冷系统运行的参数。如前所述，一个数据中心的总能耗中，除了IT负载能耗外，制冷系统的能耗最高。因此，降低制冷系统的能耗，可以有效降低数据中心的PUE值。业界几乎所有的节能措施都围绕降低制冷系统能耗展开。
根据本公开的另一实施例，运行参数还可以进一步包括至少一个过程参数，其中，过程参数为可测量但无法通过执行机构控制的参数。在一些实施例中，一些过程参数可以与相应的控制参数具有关联，例如管道的流量可能与冷水机组的阀门开度相关。在确定控制参数的内容后，可以根据控制参数与过程参数的关联关系筛选部分过程参数，例如筛选出部分与控制参数相互独立的过程参数，或者也可以通过敏感性分析筛选出对PUE值影响较大的过程参数，以更准确地反映出过程参数对PUE值的影响。
在操作S220，获得使得PUE能效模型预测的PUE值最低的输入参数，得到最优运行参数。
在操作S230，将最优运行参数传送到数据中心，以使数据中心根据最优运行参数运行。例如，可以将优化得到的控制参数传送至数据中心，以控制相应执行机构的动作。例如调节数据中心的制冷系统的各控制量，如冷却塔和冷冻机开启的数量、冷水机组的进出水温度、冷却泵和冷冻泵开启的数量等。
根据本公开的一实施例，操作S210具体可以是当数据中心的运行状态变化情况满足优化条件时，对PUE能效模型的输入参数进行调整。其中，数据中心的运行状态运行状态包括数据中心所在的环境状态或者数据中心的互联网计算设备的负载状态。例如，当室外湿球温度变化大于2℃，或者该制冷系统的IT负载变化大于5％，则触发在线优化。以此方式，当一轮优化结束后，还可以通过实时监控数据中心所在的环境状态或者IT设备的负载状态，等待下一轮优化调整；或者，当一轮优化结束后，可以继续不间断采集数据中心的运行参数，不断更新PUE能效模型，等待下一轮优化调整。从而，实现对数据中心的实时在线优化。
图3示意性示出了根据本公开另一实施例的数据处理方法的流程图。
如图3所示，根据本公开实施例该数据处理方法除了包括操作S210～操作S230以外，还可以包括操作S310。
在操作S310，建立PUE能效模型。操作S310的具体实现过程可以参考图4的示意。
图4示意性示出了根据本公开另一实施例的数据处理方法中操作S310建立PUE能效模型的流程图。
如图4所示，根据本公开的实施例操作S310可以包括操作S311～操作S313。
在操作S311，采集数据中心在各个时刻的运行参数，以得到PUE能效模型的输入样本数据。
在操作S312，采集数据中心在各个时刻的PUE值，以得到PUE能效模型的输出样本数据。
在操作S313，以输入样本数据和输出样本数据作为训练样本数据，训练PUE能效模型。
根据本公开的实施例，通过数据中心与PUE能效模型的双向信息交互模式，可以将数据中心的运行参数以及PUE值通过传感器传送至PUE能效模型使PUE能效模型不断学习PUE值与数据中心的运行参数之间的关系，以此方式不断训练PUE能效模型。
图5示意性示出了应用根据本公开实施例的数据处理方法和装置的示例性系统架构50。
如图5所示，该系统架构50以数据中心的制冷系统为例，示例了实体的制冷系统51与数字模拟的制冷系统52之间的双向信息交互过程，从而建立了数据中心的制冷系统的数字孪生体。
数字模拟的制冷系统52可以包括PUE能效模型。在一些实施例中，数字模拟的制冷系统52还可以包括物理3D展示模型。3D模型用于展示制冷系统各环节之间的关系。如前所述，PUE能效模型为机器学习模型，例如基于深度学习神经网络算法，在线优化调节实体的制冷系统的控制参数，使得PUE值降低，节省能耗。
结合图4和图5，PUE能效模型的训练样本数据的示例可以参考表1所示。
表1：
具体地，可以参考物理3D展示模型中制冷系统各个部分的连接关系，选择出要采集的控制参数和/或过程参数、以及测量位置，然后可以在不同的时刻通过传感器从实体的制冷系统51中采集如表1中所示至少一个控制参数、和/或至少一个过程参数，并通过温度传感器采集数据中心所在的环境的室外干球温度和室外湿球温度(操作S311)，同时可以相应地从数据中心的能效表或者能耗系统中获取与表1中各个时刻对应的PUE值(操作S312)，从而得到表1所示的训练样本数据。然后以该训练样样本来训练PUE能效模型(操作S313)。在实际应用中，表1所示的训练数据可以实时地传输给PUE能效模型，从而可以对PUE能效模型进行不断地训练更新。
在获得PUE能效模型后，可以通过操作S210～操作S230进行在线优化调节获得最优运行参数，并将该最优运行参数回传给实体的制冷系统51，以控制实体的制冷系统51的运行。
在一轮优化结束后，可以根据数据中心所在的环境状态或者IT设备的负载状态或者用户的操作，不断更新PUE能效模型，并等待下一轮优化调整。
图6示意性示出了根据本公开实施例的数据处理方法中操作S210调整PUE能效模型的输入参数的流程图。
如图6所示，根据本公开的实施例，操作S210中对PUE能效模型的输入参数进行调整以预测不同输入参数对应的PUE值，具体可以包括操作S211～操作S213。
在操作S211，在运行参数包括多个控制参数的情况下，对多个控制参数的所有取值的可能组合进行穷举，得到多个输入参数。例如，在当前IT负载一定，环境参数一定的条件下，对制冷系统的各个执行机构的控制参数的所有取值的可能组合进行穷举。
在操作S212，将多个输入参数分别输入到PUE能效模型。
在操作S213，获得PUE能效模型输出的与多个输入参数分别对应的PUE值。
以此方式，可以在在当前的室外温度和IT负载下，更新PUE能效模型的输入参数，找到使得PUE能效模型输出的PUE值最低的运行参数。
图7示意性示出了根据本公开实施例的数据处理装置700的方框图。
如图7所示，根据本公开的实施例，该数据处理装置700可以包括优化模块710、最优参数获得模块720、以及传送模块730。根据本公开另一实施例，该数据处理装置700还可以包括模型建立模块740。该数据处理装置700可以设置于数据中心，用于实现参考图1～图6所描述的数据处理方法。
具体地，优化模块710例如可以执行操作S210，用于对PUE能效模型的输入参数进行调整以预测不同输入参数对应的PUE值，其中，PUE能效模型为以数据中心的运行参数为输入参数、以数据中心的电能利用效率PUE值为输出参数，训练得到的机器学习模型。
最优参数获得模块720例如可以执行操作S220，用于获得使得PUE能效模型预测的PUE值最低的输入参数，得到最优运行参数。
传送模块730例如可以执行操作S230，用于将最优运行参数传送到数据中心，以使数据中心根据最优运行参数运行。
模型建立模块740例如可以执行操作S310，用于建立PUE能效模型。
根据本公开的实施例，模型建立模块740可以包括输入样本获得子模块、输出样本获得子模块、以及训练子模块。
输入样本获得子模块例如可以执行操作S311，用于采集数据中心在各个时刻的运行参数，以得到PUE能效模型的输入样本数据。
输出样本获得子模块例如可以执行操作S312，用于采集数据中心在各个时刻的PUE值，以得到PUE能效模型的输出样本数据。
训练子模块例如可以执行操作S313，用于以输入样本数据和输出样本数据作为训练样本数据，训练PUE能效模型。
根据本公开的实施例，优化模块710可以包括控制参数组合子模块、多参数输入子模块、以及多PUE值获得子模块。
控制参数组合子模块例如可以执行操作S211，用于在运行参数包括多个控制参数的情况下，对多个控制参数的所有取值的可能组合进行穷举，得到多个输入参数。
多参数输入子模块例如可以执行操作S212，用于将多个输入参数分别输入到PUE能效模型。
多PUE值获得子模块例如可以执行操作S213，用于获得PUE能效模型输出的与多个输入参数分别对应的PUE值。
图8示意性示出了根据本公开实施例的PUE能效模型的训练方法的流程图。
如图8所示，该训练方法可以包括操作S810～操作S830。其中，该训练方法的训练对象为PUE能效模型，该PUE能效模型为用于预测数据中心的电能利用效率PUE值的机器学习模型。
在操作S810，采集数据中心在各个时刻的运行参数，以得到PUE能效模型的输入样本数据。
在操作S820，采集数据中心在各个时刻的PUE值，以得到PUE能效模型的输出样本数据。
在操作S830，以输入样本数据和输出样本数据作为训练样本数据，训练PUE能效模型。
具体地，关于操作S810～操作S830可以参考前述操作S311～操作S313的相关描述，在此不再赘述。
图9示意性示出了根据本公开实施例的PUE能效模型的训练装置900的方框图。
如图9所示，该训练装置900可以包括输入样本获得模块910、输出样本获得模块920、以及训练模块930。该训练装置可以用于实现参考图8所描述的训练方法，用于训练PUE能效模型。其中，训练PUE能效模型为用于预测数据中心的电能利用效率PUE值的机器学习模型。
输入样本获得模块910例如可以执行操作S810，用于采集数据中心在各个时刻的运行参数，以得到PUE能效模型的输入样本数据。
输出样本获得模块920例如可以执行操作S820，用于采集数据中心在各个时刻的PUE值，以得到PUE能效模型的输出样本数据。
训练模块930例如可以执行操作S830，用于以输入样本数据和输出样本数据作为训练样本数据(例如，表1所示的训练样本数据)，训练PUE能效模型。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
例如，优化模块710、最优参数获得模块720、传送模块730、模型建立模块740、输入样本获得模块910、输出样本获得模块920、以及训练模块930中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，优化模块710、最优参数获得模块720、传送模块730、模型建立模块740、输入样本获得模块910、输出样本获得模块920、以及训练模块930中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，优化模块710、最优参数获得模块720、传送模块730、模型建立模块740、输入样本获得模块910、输出样本获得模块920、以及训练模块930中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图10示意性示出了根据本公开实施例的电子设备1000的方框图。图10示出的电子设备1000仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示，根据本公开实施例的电子设备1000包括处理器1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本公开实施例的数据处理方法或训练方法的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1003中，存储有电子设备1000操作所需的各种程序和数据。处理器1001、ROM 1002以及RAM 1003通过总线1004彼此相连。处理器1001通过执行ROM 1002和/或RAM1003中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1002和RAM 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的数据处理方法或训练方法的方法流程的各种操作。
根据本公开的实施例，电子设备1000还可以包括输入/输出(I/O)接口1005，输入/输出(I/O)接口1005也连接至总线1004。电子设备1000还可以包括连接至I/O接口1005的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
根据本公开的实施例，根据本公开实施例的数据处理方法和/或训练方法的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的数据处理方法和/或训练方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1002和/或RAM 1003和/或ROM 1002和RAM 1003以外的一个或多个存储器。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。
Claims (13)
1.一种数据处理方法，应用于数据中心，包括：
对PUE能效模型的输入参数进行调整以预测不同输入参数对应的PUE值，其中，所述PUE能效模型为以所述数据中心的运行参数为输入参数、以所述数据中心的电能利用效率PUE值为输出参数，训练得到的机器学习模型；
获得使得所述PUE能效模型预测的PUE值最低的输入参数，得到最优运行参数；以及
将所述最优运行参数传送到所述数据中心，以使所述数据中心根据所述最优运行参数运行。
2.根据权利要求1所述的方法，还包括建立所述PUE能效模型，包括：
采集所述数据中心在各个时刻的运行参数，以得到所述PUE能效模型的输入样本数据；
采集所述数据中心在所述各个时刻的PUE值，以得到所述PUE能效模型的输出样本数据；以及
以所述输入样本数据和所述输出样本数据作为训练样本数据，训练所述PUE能效模型。
3.根据权利要求1所述的方法，其中，所述对PUE能效模型的输入参数进行调整以预测不同输入参数对应的PUE值包括：
当所述数据中心的运行状态变化情况满足优化条件时，对所述PUE能效模型的输入参数进行调整，所述运行状态包括所述数据中心所在的环境状态或者所述数据中心的互联网计算设备的负载状态。
4.根据权利要求1～3任意一项所述的方法，其中，所述运行参数包括：
至少一个环境参数；和/或
至少一个控制参数，其中，所述控制参数为通过执行机构来改变控制量的参数。
5.根据权利要求4所述的方法，其中，所述对PUE能效模型的输入参数进行调整以预测不同输入参数对应的PUE值包括：
在所述运行参数包括多个控制参数的情况下，对所述多个控制参数的所有取值的可能组合进行穷举，得到多个所述输入参数；
将多个所述输入参数分别输入到所述PUE能效模型；以及
获得所述PUE能效模型输出的与多个所述输入参数分别对应的PUE值。
6.根据权利要求4所述的方法，其中，所述运行参数还包括：
至少一个过程参数，所述过程参数为可测量但无法通过执行机构控制的参数。
7.根据权利要求4所述的方法，其中，所述控制参数为控制所述数据中心的制冷系统运行的参数。
8.一种数据处理装置，设置于数据中心，包括：
优化模块，用于对PUE能效模型的输入参数进行调整以预测不同输入参数对应的PUE值，其中，所述PUE能效模型为以所述数据中心的运行参数为输入参数、以所述数据中心的电能利用效率PUE值为输出参数，训练得到的机器学习模型；
最优参数获得模块，用于获得使得所述PUE能效模型预测的PUE值最低的输入参数，得到最优运行参数；以及
传送模块，用于将所述最优运行参数传送到所述数据中心，以使所述数据中心根据所述最优运行参数运行。
9.根据权利要求8所述的装置，还包括模型建立模块，其中，所述模型建立模块用于建立所述PUE能效模型，包括：
输入样本获得子模块，用于采集所述数据中心在各个时刻的运行参数，以得到所述PUE能效模型的输入样本数据；
输出样本获得子模块，用于采集所述数据中心在所述各个时刻的PUE值，以得到所述PUE能效模型的输出样本数据；以及
训练子模块，用于以所述输入样本数据和所述输出样本数据作为训练样本数据，训练所述PUE能效模型。
10.一种PUE能效模型的训练方法，其中，所述PUE能效模型为用于预测数据中心的电能利用效率PUE值的机器学习模型，所述训练方法包括：
采集所述数据中心在各个时刻的运行参数，以得到所述PUE能效模型的输入样本数据；
采集所述数据中心在所述各个时刻的PUE值，以得到所述PUE能效模型的输出样本数据；以及
以所述输入样本数据和所述输出样本数据作为训练样本数据，训练所述PUE能效模型。
11.一种PUE能效模型的训练装置，其中，所述PUE能效模型为用于预测数据中心的电能利用效率PUE值的机器学习模型，所述训练装置包括：
输入样本获得模块，用于采集所述数据中心在各个时刻的运行参数，以得到所述PUE能效模型的输入样本数据；
输出样本获得模块，用于采集所述数据中心在所述各个时刻的PUE值，以得到所述PUE能效模型的输出样本数据；以及
训练模块，用于以所述输入样本数据和所述输出样本数据作为训练样本数据，训练所述PUE能效模型。
12.一种电子设备，包括：
一个或多个存储器，存储有可执行指令；以及
一个或多个处理器，执行所述可执行指令，以实现：
根据权利要求1～7中任一项所述的数据处理方法，或者
根据权利要求10所述的训练方法。
13.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行：
根据权利要求1～7中任一项所述的数据处理方法，或者
根据权利要求10所述的训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010433135.2A CN111582604A (zh) | 2020-05-20 | 2020-05-20 | 数据处理方法和装置、电子设备、及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010433135.2A CN111582604A (zh) | 2020-05-20 | 2020-05-20 | 数据处理方法和装置、电子设备、及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111582604A true CN111582604A (zh) | 2020-08-25 |
Family
ID=72125168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010433135.2A Pending CN111582604A (zh) | 2020-05-20 | 2020-05-20 | 数据处理方法和装置、电子设备、及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111582604A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113344244A (zh) * | 2021-04-29 | 2021-09-03 | 武汉科技大学 | 一种数字孪生驱动的工件加工能耗预测装置 |
| CN113465139A (zh) * | 2021-05-28 | 2021-10-01 | 山东英信计算机技术有限公司 | 一种制冷优化方法、系统、存储介质及设备 |
| CN113568659A (zh) * | 2021-09-18 | 2021-10-29 | 深圳比特微电子科技有限公司 | 参数配置模型的训练方法、参数配置方法和参数配置设备 |
| CN114001443A (zh) * | 2021-09-27 | 2022-02-01 | 中盈优创资讯科技有限公司 | 一种基于ai的机房节能方法及装置 |
| 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 |
| US12124855B2 (en) | 2021-09-18 | 2024-10-22 | Shenzhen Microbt Electronics Technology Co., Ltd. | Training method for parameter configuration model, parameter configuration method, and parameter configuration device |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150025828A (ko) * | 2013-08-30 | 2015-03-11 | (주) 아이커머 | 데이터센터의 지능형 통합운용 시스템 및 그 방법 |
| 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 |
| CN110781595A (zh) * | 2019-10-28 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 能源使用效率pue的预测方法、装置、终端及介质 |
| CN110826784A (zh) * | 2019-10-28 | 2020-02-21 | 腾讯科技（深圳）有限公司 | 能源使用效率的预测方法、装置及存储介质和终端设备 |
-
2020
- 2020-05-20 CN CN202010433135.2A patent/CN111582604A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150025828A (ko) * | 2013-08-30 | 2015-03-11 | (주) 아이커머 | 데이터센터의 지능형 통합운용 시스템 및 그 방법 |
| 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 |
| CN110781595A (zh) * | 2019-10-28 | 2020-02-11 | 腾讯科技（深圳）有限公司 | 能源使用效率pue的预测方法、装置、终端及介质 |
| CN110826784A (zh) * | 2019-10-28 | 2020-02-21 | 腾讯科技（深圳）有限公司 | 能源使用效率的预测方法、装置及存储介质和终端设备 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113344244A (zh) * | 2021-04-29 | 2021-09-03 | 武汉科技大学 | 一种数字孪生驱动的工件加工能耗预测装置 |
| CN113465139A (zh) * | 2021-05-28 | 2021-10-01 | 山东英信计算机技术有限公司 | 一种制冷优化方法、系统、存储介质及设备 |
| CN113465139B (zh) * | 2021-05-28 | 2022-11-08 | 山东英信计算机技术有限公司 | 一种制冷优化方法、系统、存储介质及设备 |
| CN113568659A (zh) * | 2021-09-18 | 2021-10-29 | 深圳比特微电子科技有限公司 | 参数配置模型的训练方法、参数配置方法和参数配置设备 |
| CN113568659B (zh) * | 2021-09-18 | 2022-02-08 | 深圳比特微电子科技有限公司 | 参数配置模型的训练方法、参数配置方法和参数配置设备 |
| US12124855B2 (en) | 2021-09-18 | 2024-10-22 | Shenzhen Microbt Electronics Technology Co., Ltd. | Training method for parameter configuration model, parameter configuration method, and parameter configuration device |
| CN114001443A (zh) * | 2021-09-27 | 2022-02-01 | 中盈优创资讯科技有限公司 | 一种基于ai的机房节能方法及装置 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111582604A (zh) | 数据处理方法和装置、电子设备、及介质 | |
| WO2021063033A1 (zh) | 空调能耗模型训练方法与空调系统控制方法 | |
| WO2023093820A1 (zh) | 设备的控制优化方法、展示平台、云服务器及存储介质 | |
| CN111237989B (zh) | 一种基于负荷预测的楼宇通风空调控制方法及装置 | |
| CN110285532A (zh) | 基于人工智能的机房空调控制方法、装置及系统 | |
| CN111536671A (zh) | 空调系统运行控制方法和装置、电子设备和存储介质 | |
| CN113739365A (zh) | 中央空调冷站群控节能控制方法、装置、设备及存储介质 | |
| CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
| WO2023030522A1 (zh) | 一种数据中心空调系统诊断方法及装置 | |
| CN103912966A (zh) | 一种地源热泵制冷系统优化控制方法 | |
| CN108089440A (zh) | 节能控制方法和装置 | |
| CN112413762B (zh) | 一种制冷机房冷却水系统参数优化方法和系统 | |
| CN114279042B (zh) | 一种基于多智能体深度强化学习的中央空调控制方法 | |
| CN115238599B (zh) | 制冷系统节能方法及模型强化学习训练方法、装置 | |
| CN113268913B (zh) | 一种基于pso-elm算法的智能建筑空调冷机系统运行优化方法 | |
| CN113405223A (zh) | 一种基于grnn的冷机台数控制方法及其控制系统 | |
| CN111814388B (zh) | 一种基于神经网络的下送风数据中心cfd仿真校验方法 | |
| CN111664553A (zh) | 冷水机组运行控制方法和系统、电子设备和存储介质 | |
| CN114330099A (zh) | 一种网卡功耗调整方法、装置、设备及可读存储介质 | |
| CN111664560B (zh) | 中央空调主机智慧节能控制方法 | |
| CN115167562B (zh) | 一种机房温度控制方法和装置 | |
| CN115983438A (zh) | 数据中心末端空调系统运行策略确定方法及装置 | |
| CN114326987B (zh) | 制冷系统控制及模型训练方法、装置、设备及存储介质 | |
| CN115413190A (zh) | 一种数据中心温度预测控制方法 | |
| CN113028610B (zh) | 中央空调动态负荷全局优化与节能控制的方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |