CN113570277A - 一种电力容量管理方法及装置 - Google Patents
一种电力容量管理方法及装置 Download PDFInfo
- Publication number
- CN113570277A CN113570277A CN202110901743.6A CN202110901743A CN113570277A CN 113570277 A CN113570277 A CN 113570277A CN 202110901743 A CN202110901743 A CN 202110901743A CN 113570277 A CN113570277 A CN 113570277A
- Authority
- CN
- China
- Prior art keywords
- equipment
- information
- power
- data
- utilization
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供一种电力容量管理方法及装置,包括获取预部署设备的设备信息;对设备信息进行处理,确定统计信息和用电画像信息;基于用电预测模型对统计信息、用电画像信息和设备基础信息进行处理,输出预部署设备的预测用电量,用电预测模型基于LSTM算法构建得到;在确定所述预测用电量不符合数据中心的设备用电标准时,输出电力风险预警。在本方案中,通过基于LSTM算法构建的用电预测模型,可以预测出待部署设备所需要的预测用电量,从而实现对待部署设备所需要电流进行预测,并在确定预测用电量不符合数据中心的设备用电标准时,输出电力风险预警。能够解决数据中心过度配置及性能风险的问题,从而可以显著提高数据中心的运营效率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种电力容量管理方法及装置。
背景技术
为了确保待部署设备带来的意外用电需求,而导致的数据中心用电性能问题,则必须在待部署设备部署之前预留足够的备用容量。
目前,常采用净空分配headroom allocation方法降低部署的基础设施的有效使用率,来为待部署设备预留足够的备用容量,以提供意外用电需求。由于净空分配headroomallocation方法实际上降低基础设施的有效使用率,并不能完全为待部署设备预留足够的备用容量,因此在待部署设备部署后,会造成数据中心过度配置,以及出现性能风险的问题。
发明内容
有鉴于此,本发明实施例提供一种电力容量管理方法及装置,以解决现有及时中出现的数据中心过度配置,以及出现性能风险的问题。
为实现上述目的,本发明实施例提供如下技术方案:
本发明实施例第一方面示出了一种电力容量管理方法,所述方法包括:
获取预部署设备的设备信息;
对所述设备信息进行处理,确定统计信息和用电画像信息;
将所述统计信息、所述用电画像信息和设备基础信息作为用电预测模型的输入,基于所述用电预测模型对所述统计信息、所述用电画像信息和设备基础信息进行处理,输出所述预部署设备的预测用电量,所述用电预测模型基于LSTM算法构建得到,所述设备基础信息是基于配置管理数据库CMDB获取的;
基于获取到的数据中心的用电数据,确定所述预测用电量是否符合数据中心的设备用电标准;
在确定所述预测用电量不符合数据中心的设备用电标准时,输出电力风险预警。
可选的,所述对所述设备信息进行处理,确定统计信息和用电画像信息,包括:
对所述设备信息中的设备序列号进行统计,得到所述统计信息;
基于所述设备信息,对所述预部署设备进行分类处理,确定各个类型的设备信息;
确定每一类型的设备信息所对应的性能和功耗;
基于每一类型的设备信息所对应的性能和功耗,得到用电画像信息。
可选的,基于LSTM算法构建用电预测模型的过程包括:
获取历史数据,所述历史数据包括数据中心的用电数据;
提取所述历史数据中的特征数据;
确定初始LSTM网络模型,并基于所述特征数据对所述LSTM网络模型进行训练,确定当前训练得到的LSTM网络模型为用电预测模型。
可选的,还包括:
在预部署设备部署预设时间后,获取所述预部署设备的当前用电数据;
基于所述当前用电数据优化用电预测模型。
可选的,还包括:
在确定所述预测用电量符合数据中心的设备用电标准时,基于所述数据中心的用电数据,生成用电统计报告,并输出。
本发明实施例第二方面示出了一种电力容量管理装置,所述装置包括:
获取模块,用于获取预部署设备的设备信息;
确定模块,用于对所述设备信息进行处理,确定统计信息和用电画像信息;
用电预测模型,用于将所述统计信息、所述用电画像信息和设备基础信息作为用电预测模型的输入,基于所述用电预测模型对所述统计信息、所述用电画像信息和设备基础信息进行处理,输出所述预部署设备的预测用电量,所述用电预测模型基于LSTM算法构建得到,所述设备基础信息是基于配置管理数据库CMDB获取的;
用电限制及输出模块,用于基于获取到的数据中心的用电数据,确定所述预测用电量是否符合数据中心的设备用电标准;在确定所述预测用电量不符合数据中心的设备用电标准时,输出电力风险预警。
可选的,所述确定模块,具体用于:对所述设备信息中的设备序列号进行统计,得到所述统计信息;基于所述设备信息,对所述预部署设备进行分类处理,确定各个类型的设备信息;确定每一类型的设备信息所对应的性能和功耗;基于每一类型的设备信息所对应的性能和功耗,得到用电画像信息。
可选的,还包括:构建模块;
所述构建模块,用于获取历史数据,所述历史数据包括数据中心的用电数据;提取所述历史数据中的特征数据;确定初始LSTM网络模型,并基于所述特征数据对所述LSTM网络模型进行训练,确定当前训练得到的LSTM网络模型为用电预测模型。
可选的,还包括:
电力数据采集模块,用于在预部署设备部署至机房预设时间后,获取所述预部署设备的当前用电数据;
优化单元,用于基于所述当前用电数据优化用电预测模型。
可选的,还包括:
生成模块,用于在确定所述预测用电量符合数据中心的设备用电标准时,基于所述数据中心的用电数据,生成用电统计报告,并输出。
基于上述本发明实施例提供的一种电力容量管理方法及装置,该方法包括:获取预部署设备的设备信息;对设备信息进行处理,确定统计信息和用电画像信息;将统计信息、用电画像信息和设备基础信息作为用电预测模型的输入,基于用电预测模型对统计信息、用电画像信息和设备基础信息进行处理,输出预部署设备的预测用电量,用电预测模型基于LSTM算法构建得到;基于获取到的数据中心的用电数据,确定预测用电量是否符合数据中心的设备用电标准;在确定预测用电量不符合数据中心的设备用电标准时,输出电力风险预警。在本发明实施例中,通过基于LSTM算法构建的用电预测模型,可以预测出待部署设备所需要的预测用电量,从而实现对待部署设备所需要电流进行预测,并在确定预测用电量不符合数据中心的设备用电标准时,输出电力风险预警。通过上述方式不仅能够避免数据中心出现过度配置以及性能风险的问题,而且能够为管理者进行资源规划提供了有力依据,从而可以显著提高数据中心的运营效率。
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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例示出的一种电力容量管理方法的流程示意图;
图2为本发明实施例示出的另一种电力容量管理方法的流程示意图;
图3为本发明实施例示出的一种电力容量管理装置的结构示意图;
图4为本发明实施例示出的另一种电力容量管理装置的结构示意图;
图5为本发明实施例示出的再一种电力容量管理装置的结构示意图;
图6为本发明实施例示出的又一种电力容量管理装置的结构示意图。
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。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本发明实施例中,数据中心常采用上云的交付方式,按机房进行规划,也就是说,在大批量待部署设备到货后,则可根据预先规划的位置开展交付工作,机房一经使用,设备规模和功耗就瞬间达到较高水平,此时每个机房基本不存在大量空闲空间,因此采用净空分配headroom allocation方法已不足以满足待部署设备部署需求。本发明通过基于LSTM算法构建的用电预测模型,可以有效预测出待部署设备所需要的预测用电量,从而实现对待部署设备所需要电流进行预测,并在确定预测用电量不符合数据中心的设备用电标准时,输出电力风险预警。可以为容量管理提供更加及时、精准的数据支持。
为了方便理解,以下对本发明实施例中出现的术语进行解释说明:
配置管理数据库(Configuration Management Database,CMDB)用于存储与管理企业IT架构中设备的各种配置信息,它与所有服务支持和服务交付流程都紧密相连,支持这些流程的运转、发挥配置信息的价值,同时依赖于相关流程保证数据的准确性。
容量管理,是指T基础架构-容量管理工具可以生成与基础架构-容量相关的报告,并能够执行历史数据分析和容量相关分析,同时具备IT和业务场景规划的能力。
Grafana是一个跨平台的开源的度量分析和可视化工具,可将采集的数据查询然后可视化的展示,并及时通知。
基板管理控制器BMC,用于记录机房、配电柜和机柜事件日志中记录事件消息。
参见图1,为本发明实施例示出的一种电力容量管理方法的流程示意图,该方法包括:
S101:获取预部署设备的设备信息。
在具体实现步骤S101的过程中,利用物联定位系统检测预部署设备的动态变化,从而得到预部署设备的设备信息。
需要说明的是,设备信息包括设备序列号、设备位置、设备类型、及变更类型等。
可选的,还包括:通过数据中心在每台设备上部署的资产条,可以将设备的基础信息与空间关联起来,并将每一设备的用电数据实时更新至物联定位系统。
S102:对所述设备信息进行处理,确定统计信息和用电画像信息。
需要说明的是,在执行步骤S102对所述设备信息进行处理,确定统计信息和用电画像信息的过程中,包括以下步骤:
S11:对所述设备信息中的设备序列号进行统计,得到所述统计信息。
S11的具体内容:基于设备信息中的设备序列号进行统计,以确定预部署设备的数量,得到统计信息。
S12:基于所述设备信息,对所述预部署设备进行分类处理,确定各个类型的设备信息。
在具体实现步骤S12的过程中,对预部署设备按应用场景、机型、配置三个层面进行分类,得到每一类别的设备信息。
需要说明的是,配置是指预部署设备的RAID级别、硬盘类型和硬盘数量。
S13:确定每一类型的设备信息所对应的性能和功耗。
在具体实现步骤S13的过程中,从可视化工具GRAFANA和基板管理控制器BMC分别获取不同类别下预部署设备的性能和功耗。
S14:基于每一类型的设备信息所对应的性能和功耗,得到用电画像信息。
在具体实现步骤S14的过程中,对每种类别的设备信息的功耗波动情况、负载波动情况以及功耗和负载之前的关系进行统计,得到预部署设备的用电画像信息,即设备级的用电画像。
S103:将所述统计信息、所述用电画像信息和设备基础信息作为用电预测模型的输入,基于所述用电预测模型对所述统计信息、所述用电画像信息和设备基础信息进行处理,输出所述预部署设备的预测用电量。
在S103中,所述用电预测模型基于LSTM算法构建得到,所述设备基础信息是基于配置管理数据库CMDB获取的。
需要说明的是,基于LSTM算法构建用电预测模型的过程包括以下步骤:
S21:获取历史数据,所述历史数据包括历史机房和机柜的用电数据。
在具体实现步骤S21的过程中,获取历史数据中心能源效率的指标数据,即数据中心的历史机房和机柜的用电数据。
S22:提取所述历史数据中的特征数据。
在具体实现步骤S22的过程中,提取所述历史数据中不同类别的特征数据。
需要说明的是,不同类别是指机型、场景和配置等类别。
S23:确定初始LSTM网络模型,并基于所述特征数据对所述LSTM网络模型进行训练,确定当前训练得到的LSTM网络模型为用电预测模型。
需要说明的是,长短期记忆网络(Long Short-Term Memory,LSTM)模型是一种时间循环神经网络。
在具体实现步骤S103的过程中,从CMDB中获取各类别的现存运行中设备的设备基础信息,即从CMDB中获取设备的应用场景、机型和配置等设备基础信息。利用构建好的用电预测模型对上述步骤S102得到的统计信息、用电画像信息和设备基础信息进行预测,得到预部署设备的预测用电量。
需要说明的是,设备基础信息包括设备功耗和性能数据。
电量可以通过功率,即功耗间接表现。
可选的,还包括:在确定预部署设备的预测用电量之后,基于预部署设备的预测用电量,可以进一步确定机房、配电柜、机柜的预测用电增量。
S104:基于获取到的数据中心的用电数据,确定所述预测用电量是否符合数据中心的设备用电标准,在确定所述预测用电量不符合数据中心的设备用电标准时,执行步骤S105,在确定预测用电量符合数据中心的设备用电标准时,执行步骤S106。
S104的具体内容:通过UPS输出柜获取机房用电数据,再从精密配电柜的一级空开测点数据和二级空开测点数据中分别获取精密配电柜和指定机柜的用电数据。基于机房用电数据,精密配电柜和指定机柜的用电数据,以及预测用电量进行计算,确定预部署设备部署后不同层级的用电情况,再判断各个层级的用电情况是否超出数据中心的设备用电标准,若超出,则说明预测用电量不符合数据中心的设备用电标准,也就是说,预部署设备不能直接进行部署,并执行步骤S105,若不超出,则说明预测用电量符合数据中心的设备用电标准,即电力容量能够为预部署设备提供电量,预部署设备可以正常安装至机房,并执行步骤S106。
需要说明的是,数据中心的设备用电标准是根据设备的用电情况进行设置的,对此可根据实际情况进行设备,本发明实施例不加以限制。
可选的,在数据中心运行过程中,可对数据中心的用电情况进行实时监控,具体的:通过UPS输出柜获取机房的用电数据,再从精密配电柜的一级空开测点数据和二级空开测点数据中分别获取精密配电柜和指定机柜的用电数据,并划分成各个层级的设备数据,将各个层级的设备数据分别与其对应的阈值进行比较,若大于,则输出电力风险预警,即执行步骤S105,若小于或等于,则分别对各个层级的历史电力监控数据进行统计分析,生成历史用电统计报告,即执行步骤S106,为后续资源管理员进行资源规划配置提供指导。
需要说明的是,每一层级都有一个阈值,每一层级所对应的阈值是根据该层级的通过额定功率和功率因子等数据进行计算得到的。
S105:输出电力风险预警。
在具体实现步骤S105的过程中,确定当前数据中心的电力容量不足以部署预部署设备,即确定预部署设备不可直接部署,从而基于电力容量风险生成实时预警,以便运维人员及时对资源规划进行调整,即警示资源管理员对该设备层级的资源部署进行调整。
S106:基于所述数据中心的用电数据,生成用电统计报告,并输出。
在具体实现步骤S106的过程中,先将所述数据中心的用电数据划分成各个层级的用电数据,再分别对各个层级的用电数据进行统计分析,生成历史用电统计报告,以便于资源管理员进行资源规划配置提供指导。
在本发明实施例中,通过基于LSTM算法构建的用电预测模型,可以预测出待部署设备所需要的预测用电量,从而实现对待部署设备所需要电流进行预测,并在确定预测用电量不符合数据中心的设备用电标准时,输出电力风险预警。通过上述方式不仅能够避免数据中心出现过度配置以及性能风险的问题,而且能够为管理者进行资源规划提供了有力依据,从而可以显著提高数据中心的运营效率。
基于上述本发明实施例示出的电力容量管理方法,参见图2,为本发明实施例示出的另一种电力容量管理方法,该方法包括:
S201:在预部署设备部署至机房预设时间后,获取所述预部署设备的当前用电数据。
在具体实现步骤S201的过程中,为了不断提高用电预测模型的精确度,需要对用电预测的结果进行事后验证。在预部署设备部署预设时间后,UPS输出柜的监控系统中获取预部署设备部署的机房的当前用电量,从精密配电柜的一级空开和二级空开测点数据中分别可以得到预部署设备部署的精密配电柜和机柜的当前用电量。
需要说明的是,预设时间是技术人员根据实际情况进行设置的,比如可为1个星期、一个月或是半年等时间。
S202:基于所述当前用电数据优化用电预测模型。
在具体实现步骤S202的过程中,通过预部署设备部署的机房的当前用电量、以及预部署设备部署的精密配电柜和机柜的当前用电量对用电预测模型进行事后修正,使用电预测模型中对设备级的用电预估更加准确可靠。
与上述本发明实施例示出的电力容量管理方法相对应,通过用电实时监控可以对预测用电量进行事后修正,使用电预测模型的设备级用电预测更加精准,从而为资源管理员进行容量规划提供了有力的支持。
与上述本发明实施例示出的电力容量管理方法相对应,本发明实施例还对应示出了一种电力容量管理装置,如图3所示,为本发明实施例示出的一种电力容量管理装置的结构示意图,该装置包括:
获取模块301,用于获取预部署设备的设备信息。
确定模块302,用于对所述设备信息进行处理,确定统计信息和用电画像信息。
可选的,确定模块302,具体用于:对所述设备信息中的设备序列号进行统计,得到所述统计信息;基于所述设备信息,对所述预部署设备进行分类处理,确定各个类型的设备信息;确定每一类型的设备信息所对应的性能和功耗;基于每一类型的设备信息所对应的性能和功耗,得到用电画像信息。
用电预测模型303,用于将所述统计信息、所述用电画像信息和设备基础信息作为用电预测模型的输入,基于所述用电预测模型对所述统计信息、所述用电画像信息和设备基础信息进行处理,输出所述预部署设备的预测用电量,所述用电预测模型基于LSTM算法构建得到,所述设备基础信息是基于配置管理数据库CMDB获取的。
用电限制及输出模块304,用于基于获取到的数据中心的用电数据,确定所述预测用电量是否符合数据中心的设备用电标准;在确定所述预测用电量不符合数据中心的设备用电标准时,输出电力风险预警。
需要说明的是,上述本发明实施例公开的电力容量管理装置中的各个单元具体的原理和执行过程,与上述本发明实施示出的电力容量管理方法相同,可参见上述本发明实施例公开的电力容量管理方法中相应的部分,这里不再进行赘述。
在本发明实施例中,通过基于LSTM算法构建的用电预测模型,可以预测出待部署设备所需要的预测用电量,从而实现对待部署设备所需要电流进行预测,并在确定预测用电量不符合数据中心的设备用电标准时,输出电力风险预警。通过上述方式不仅能够避免数据中心出现过度配置以及性能风险的问题,而且能够为管理者进行资源规划提供了有力依据,从而可以显著提高数据中心的运营效率。
可选的,基于上述本发明实施例示出的电力容量管理装置,结合图3,参见图4,该电力容量管理装置还进一步设置了构建模块305。
构建模块305,用于获取历史数据,所述历史数据包括数据中心的用电数据;提取所述历史数据中的特征数据;确定初始LSTM网络模型,并基于所述特征数据对所述LSTM网络模型进行训练,确定当前训练得到的LSTM网络模型为用电预测模型。
在本发明实施例中,通过基于LSTM算法和历史数据构建的用电预测模型,以便基于构建好的用电预测模型预测待部署设备所需要的预测用电量,从而实现对待部署设备所需要电流进行预测,并在确定预测用电量不符合数据中心的设备用电标准时,输出电力风险预警。通过上述方式不仅能够避免数据中心出现过度配置以及性能风险的问题,而且能够为管理者进行资源规划提供了有力依据,从而可以显著提高数据中心的运营效率。
可选的,基于上述本发明实施例示出的电力容量管理装置,结合图4,参见图5,该电力容量管理装置还包括:
电力数据采集模块306,用于在预部署设备部署预设时间后,获取所述预部署设备的当前用电数据。
优化单元307,用于基于所述当前用电数据优化用电预测模型。
在本发明实施例中,通过用电实时监控可以对预测用电量进行事后修正,使用电预测模型的设备级用电预测更加精准,从而为资源管理员进行容量规划提供了有力的支持。
可选的,基于上述本发明实施例示出的电力容量管理装置,结合图5,参见图6。
生成模块308,用于基于所述数据中心的用电数据,生成用电统计报告,并输出。
在本发明实施例中,通过基于LSTM算法构建的用电预测模型,可以预测出待部署设备所需要的预测用电量,从而实现对待部署设备所需要电流进行预测,并在确定预测用电量不符合数据中心的设备用电标准时,输出电力风险预警。在确定预测用电量符合数据中心的设备用电标准时,基于所述数据中心的用电数据,生成用电统计报告,并输出。通过上述方式不仅能够避免数据中心出现过度配置以及性能风险的问题,而且能够为管理者进行资源规划提供了有力依据,从而可以显著提高数据中心的运营效率。
本发明实施例还公开了一种电子设备,该电子设备用于运行数据库存储过程,其中,所述运行数据库存储过程时执行上述图1公开的电力容量管理方法。
本发明实施例还公开了一种计算机存储介质,所述存储介质包括存储数据库存储过程,其中,在所述数据库存储过程运行时控制所述存储介质所在设备执行上述图1公开的电力容量管理方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电力容量管理方法,其特征在于,所述方法包括:
获取预部署设备的设备信息;
对所述设备信息进行处理,确定统计信息和用电画像信息;
将所述统计信息、所述用电画像信息和设备基础信息作为用电预测模型的输入,基于所述用电预测模型对所述统计信息、所述用电画像信息和设备基础信息进行处理,输出所述预部署设备的预测用电量,所述用电预测模型基于LSTM算法构建得到,所述设备基础信息是基于配置管理数据库CMDB获取的;
基于获取到的数据中心的用电数据,确定所述预测用电量是否符合数据中心的设备用电标准;
在确定所述预测用电量不符合数据中心的设备用电标准时,输出电力风险预警。
2.根据权利要求1所述的方法,其特征在于,所述对所述设备信息进行处理,确定统计信息和用电画像信息,包括:
对所述设备信息中的设备序列号进行统计,得到所述统计信息;
基于所述设备信息,对所述预部署设备进行分类处理,确定各个类型的设备信息;
确定每一类型的设备信息所对应的性能和功耗;
基于每一类型的设备信息所对应的性能和功耗,得到用电画像信息。
3.根据权利要求1所述的方法,其特征在于,基于LSTM算法构建用电预测模型的过程包括:
获取历史数据,所述历史数据包括数据中心的用电数据;
提取所述历史数据中的特征数据;
确定初始LSTM网络模型,并基于所述特征数据对所述LSTM网络模型进行训练,确定当前训练得到的LSTM网络模型为用电预测模型。
4.根据权利要求3所述的方法,其特征在于,还包括:
在预部署设备部署预设时间后,获取所述预部署设备的当前用电数据;
基于所述当前用电数据优化用电预测模型。
5.根据权利要求1所述的方法,其特征在于,还包括:
在确定所述预测用电量符合数据中心的设备用电标准时,基于所述数据中心的用电数据,生成用电统计报告,并输出。
6.一种电力容量管理装置,其特征在于,所述装置包括:
获取模块,用于获取预部署设备的设备信息;
确定模块,用于对所述设备信息进行处理,确定统计信息和用电画像信息;
用电预测模型,用于将所述统计信息、所述用电画像信息和设备基础信息作为用电预测模型的输入,基于所述用电预测模型对所述统计信息、所述用电画像信息和设备基础信息进行处理,输出所述预部署设备的预测用电量,所述用电预测模型基于LSTM算法构建得到,所述设备基础信息是基于配置管理数据库CMDB获取的;
用电限制及输出模块,用于基于获取到的数据中心的用电数据,确定所述预测用电量是否符合数据中心的设备用电标准;在确定所述预测用电量不符合数据中心的设备用电标准时,输出电力风险预警。
7.根据权利要求6所述的装置,其特征在于,所述确定模块,具体用于:对所述设备信息中的设备序列号进行统计,得到所述统计信息;基于所述设备信息,对所述预部署设备进行分类处理,确定各个类型的设备信息;确定每一类型的设备信息所对应的性能和功耗;基于每一类型的设备信息所对应的性能和功耗,得到用电画像信息。
8.根据权利要求6所述的装置,其特征在于,还包括:构建模块;
所述构建模块,用于获取历史数据,所述历史数据包括数据中心的用电数据;提取所述历史数据中的特征数据;确定初始LSTM网络模型,并基于所述特征数据对所述LSTM网络模型进行训练,确定当前训练得到的LSTM网络模型为用电预测模型。
9.根据权利要求8所述的装置,其特征在于,还包括:
电力数据采集模块,用于在预部署设备部署至机房预设时间后,获取所述预部署设备的当前用电数据;
优化单元,用于基于所述当前用电数据优化用电预测模型。
10.根据权利要求6所述的装置,其特征在于,还包括:
生成模块,用于在确定所述预测用电量符合数据中心的设备用电标准时,基于所述数据中心的用电数据,生成用电统计报告,并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110901743.6A CN113570277A (zh) | 2021-08-06 | 2021-08-06 | 一种电力容量管理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110901743.6A CN113570277A (zh) | 2021-08-06 | 2021-08-06 | 一种电力容量管理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113570277A true CN113570277A (zh) | 2021-10-29 |
Family
ID=78170680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110901743.6A Pending CN113570277A (zh) | 2021-08-06 | 2021-08-06 | 一种电力容量管理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570277A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780600A (zh) * | 2021-11-11 | 2021-12-10 | 滨州学院 | 电力设备工作状态管理方法、系统及电子设备 |
CN114137434A (zh) * | 2021-12-07 | 2022-03-04 | 中国农业银行股份有限公司天津市分行 | 一种不间断电源设备测试方法、设备及系统 |
CN114862293A (zh) * | 2022-07-09 | 2022-08-05 | 山东恒迈信息科技有限公司 | 一种智慧用电安全管理方法和系统 |
CN116646986A (zh) * | 2023-05-29 | 2023-08-25 | 浙江正泰智维能源服务有限公司 | 集约型农业的可再生能源供能方法、装置、系统及介质 |
-
2021
- 2021-08-06 CN CN202110901743.6A patent/CN113570277A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780600A (zh) * | 2021-11-11 | 2021-12-10 | 滨州学院 | 电力设备工作状态管理方法、系统及电子设备 |
CN114137434A (zh) * | 2021-12-07 | 2022-03-04 | 中国农业银行股份有限公司天津市分行 | 一种不间断电源设备测试方法、设备及系统 |
CN114862293A (zh) * | 2022-07-09 | 2022-08-05 | 山东恒迈信息科技有限公司 | 一种智慧用电安全管理方法和系统 |
CN116646986A (zh) * | 2023-05-29 | 2023-08-25 | 浙江正泰智维能源服务有限公司 | 集约型农业的可再生能源供能方法、装置、系统及介质 |
CN116646986B (zh) * | 2023-05-29 | 2024-04-16 | 浙江正泰智维能源服务有限公司 | 集约型农业的可再生能源供能方法、装置、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113570277A (zh) | 一种电力容量管理方法及装置 | |
US11668764B2 (en) | Systems and methods for managing smart alarms | |
CN110782370B (zh) | 一种电力调度数据网综合运维管理平台 | |
US10496465B2 (en) | System operations management apparatus, system operations management method and program storage medium | |
CN102882745B (zh) | 一种用于监控业务服务器的方法和装置 | |
CN110690698B (zh) | 管理电能质量事件的方法、控制系统和电气系统 | |
CN107871190A (zh) | 一种业务指标监控方法及装置 | |
KR20220095313A (ko) | 디지털 트윈 기반의 분산 자원 및 전력 계통 운영 계획 시스템 및 운영 계획 방법 | |
CN105872061A (zh) | 一种服务器集群管理方法、装置及系统 | |
Boardman | The role of integrated distribution management systems in smart grid implementations | |
EP2463812A1 (en) | Scheduling the maintenance of operational equipment | |
US20140165058A1 (en) | System resource management method for virtual system | |
EP4002042A2 (en) | Systems and methods for managing smart alarms | |
CN115334560A (zh) | 基站异常的监测方法、装置、设备及计算机可读存储介质 | |
CN114422332B (zh) | 网络切片控制方法、装置、处理设备及存储介质 | |
CN108199482B (zh) | 维护提示方法及装置 | |
Rasmussen | Power and Cooling Capacity Management for Data Centers | |
JP5261510B2 (ja) | ネットワーク監視装置及び方法及びプログラム | |
CN113537519A (zh) | 一种识别异常设备的方法和装置 | |
KR20200121082A (ko) | 장비 자산 관리를 위한 정비 예측 시뮬레이션 시스템 및 그 방법 | |
CN116979529B (zh) | 电力负荷评估方法、系统、设备及存储介质 | |
US11437656B2 (en) | Optimizing performance of a data center battery system | |
US10320190B2 (en) | Load profile selection in adaptive dynamic islanding using batteries | |
CN116739347A (zh) | 电网风险评估方法、装置、存储介质及计算机设备 | |
Sarangi et al. | Outage management in distribution system using smart meter data |
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 |