CN114265695A - 基于决策技术的能控装置及系统 - Google Patents
基于决策技术的能控装置及系统 Download PDFInfo
- Publication number
- CN114265695A CN114265695A CN202111606187.6A CN202111606187A CN114265695A CN 114265695 A CN114265695 A CN 114265695A CN 202111606187 A CN202111606187 A CN 202111606187A CN 114265695 A CN114265695 A CN 114265695A
- Authority
- CN
- China
- Prior art keywords
- information
- information processing
- processing terminal
- sending
- optimal
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于决策技术的能控装置及系统,涉及人工智能技术领域,基于决策技术的能控装置包括:信息负荷计算模块,用于获取信息,根据信息类别计算获得处理信息所需负荷;信息处理能力获取模块,用于获取所有可用的信息处理端及其剩余负荷,推理模型推演获得处理信息的最佳第一信息处理端,使所有的信息处理端得到最优配置,相应的负荷分配实现最佳且总能耗最小;信息分配模块,用于将信息发送给第一信息处理端。本发明采用抑制方式使处理设备具有最佳的负荷,节约资源,避免过载,同时总能耗最小,降低能耗、节约企业成本。
Description
技术领域
本发明涉及人工智能数据管理技术领域,具体涉及一种基于决策技术的能控装置及系统。
背景技术
在目前大数据普遍应用的时代,信息数据通过网络的实时传输显得尤为重要。例如音视频信息数据通过网络的实时传输,能进行视频通话、目标监控等。
通常信息数据采用传统的一个处理器来接收处理,然而在该处理器中通常还存在多个其他任务并行。所以,对信息数据的管理控制会与处理器的数据处理能力有着最主要的关联关系。假如该处理器过载将会导致产生信息数据分组损失、抖动、运行时间振荡或其他延时等等的问题。
为了克服上述缺陷,现有技术中例如会对信息数据进行数据分组,并在传输方式上附加额外的传输协议,设置不同数据分组在处理上的不同优先级,使某部分实时信息能够优先处理。但是,如此可能会导致其他数据分组的延时处理,而且处理器还是需要承担所有信息数据的处理,并没有从根本上解决处理器过载的问题。
发明内容
因此,为了克服上述缺陷,本发明实施例提供一种基于决策技术的能控装置及系统,能控制处理输入信息的处理设备的抑制方式,以使处理设备具有适当的负荷,避免处理设备产生过载。
为此,本发明实施例的一种基于决策技术的能控装置,包括:
信息负荷计算模块,用于获取信息,根据信息类别计算获得处理所述信息所需负荷;
信息处理能力获取模块,用于获取所有可用的信息处理端及其剩余负荷,并根据处理所述信息所需负荷和所有所述剩余负荷,推理模型推演获得处理所述信息的最佳第一信息处理端,使所述所有的信息处理端得到最优配置,相应的负荷分配实现最佳且总能耗最小;
信息分配模块,用于将所述信息发送给所述最佳第一信息处理端。
优选地,所述信息负荷计算模块包括:
第一信息获取模块,用于获取信息;
信息类别确定模块,用于根据所述信息利用K-mesns聚类方法,获得所述信息的信息类别;
所需负荷计算模块,用于将所述信息类别和所述信息相关联的原始数据量大小输入预设学习推理模型进行计算,获得处理所述信息所需负荷。
优选地,所述信息处理能力获取模块包括:
询问发起模块,用于向所有信息处理端发送第一消息,所述第一消息包含是否有空闲的信息;
答复获取模块,用于接收所有答复所述第一消息的第二消息,所述第二消息包含信息处理端标识信息及其剩余负荷;
可用信息处理端筛选模块,用于从所有所述剩余负荷中筛选出大于或等于预设负荷最小阈值的剩余负荷;
第一信息处理端计算获得模块,用于根据所述筛选出的剩余负荷和处理所述信息所需负荷,采用前向后向算法逐步求解隐马尔可夫模型,获得使筛选出的剩余负荷对应的信息处理端的负荷分配最佳且总能耗最小的处理所述信息的最佳第一信息处理端,所述负荷分配最佳所需满足的条件包括信息处理端的负荷不超过负荷最大阈值。
优选地,所述负荷最大阈值为信息处理端剩余负荷的70%-80%。
优选地,所述信息分配模块包括:
第一信息发送模块,用于根据所述最佳第一信息处理端的信息处理端标识信息,将所述信息发送给所述最佳第一信息处理端。
本发明实施例的一种基于决策技术的能控系统,包括通过网络连接的基于决策技术的能控装置、信息发起端和信息处理端;
信息发起端用于发送信息;
基于决策技术的能控装置用于接收所述信息,根据信息类别计算获得处理所述信息所需负荷;向信息处理端发送是否空闲的询问消息并通过信息处理端反馈所述询问消息的消息获取所有可用的信息处理端,在负荷分配最佳且总能耗最小的抑制方式下,推理模型推演获得处理所述信息的最佳第一信息处理端;将所述信息发送给所述最佳第一信息处理端;
信息处理端用于接收所述询问消息并发送用于确认空闲的反馈消息,所述第一信息处理端接收所述信息。
优选地,所述基于决策技术的能控装置为上述的基于决策技术的能控装置。
本发明实施例的一种基于决策技术的能控系统,包括通过网络连接的基于决策技术的能控装置、信息发起端和信息处理端;
信息发起端用于向任一信息处理端发送信息;
信息处理端用于接收所述信息,向基于决策技术的能控装置发送发送信息请求消息,待接收到基于决策技术的能控装置发送的响应所述发送信息请求消息的反馈消息后,向基于决策技术的能控装置发送所述信息;接收询问消息并发送用于确认空闲的反馈消息,最佳第一信息处理端接收所述信息;
基于决策技术的能控装置用于接收所述发送信息请求消息并发送响应所述发送信息请求消息的反馈消息;接收所述信息,根据信息类别计算获得处理所述信息所需负荷;向信息处理端发送是否空闲的询问消息并通过信息处理端反馈所述询问消息的消息获取所有可用的信息处理端,在负荷分配最佳且总能耗最小的抑制方式下,推理模型推演获得处理所述信息的最佳第一信息处理端;将所述信息发送给所述最佳第一信息处理端。
优选地,所述基于决策技术的能控装置为上述的基于决策技术的能控装置。
本发明实施例的一种基于决策技术的能控系统,包括通过网络连接的基于决策技术的能控装置和信息处理端;
信息处理端用于向基于决策技术的能控装置发送发送信息请求消息,待接收到基于决策技术的能控装置发送的响应所述发送信息请求消息的反馈消息后,向基于决策技术的能控装置发送信息;接收询问消息并发送用于确认空闲的反馈消息,最佳第一信息处理端接收所述信息;
基于决策技术的能控装置用于接收所述发送信息请求消息并发送响应所述发送信息请求消息的反馈消息;接收所述信息,根据信息类别计算获得处理所述信息所需负荷;向信息处理端发送是否空闲的询问消息并通过信息处理端反馈所述询问消息的消息获取所有可用的信息处理端,在负荷分配最佳且总能耗最小的抑制方式下,推理模型推演获得处理所述信息的最佳第一信息处理端;将所述信息发送给所述最佳第一信息处理端。
本发明实施例的基于决策技术的能控装置及系统,具有如下优点:
1.通过负荷计算找到了最佳负荷分配时能处理输入信息的信息处理端,即找到了一种处理设备的抑制方式以使处理设备具有最佳的负荷,节约资源,从而避免处理设备产生过载。而且同时还在最佳负荷时总能耗最小,从而同时能降低能耗、节约企业成本。
2.通过首先信息发起端将信息传输给基于决策技术的能控装置,经基于决策技术的能控装置的抑制分析后,再将信息传输给使负荷分配最佳且总能耗最小的第一信息处理端进行处理,实现了信息发起端-基于决策技术的能控装置-信息处理端的信息传输路径,这种路径距离短,具有处理效率高的优点。
3.通过信息发起端直接将信息传输给信息处理端,再由信息处理端将信息传输给基于决策技术的能控装置,经基于决策技术的能控装置的抑制分析后,再将信息传输给使负荷分配最佳且总能耗最小的第一信息处理端进行处理,实现了信息发起端-信息处理端-基于决策技术的能控装置-信息处理端的信息传输路径,这种路径不限制信息发起端和基于决策技术的能控装置之间的距离或网络覆盖范围,具有管理控制覆盖范围广的优点。
4.通过信息处理端自身输出信息并传输给基于决策技术的能控装置,经基于决策技术的能控装置的抑制分析后,再将信息传输给使负荷分配最佳且总能耗最小的第一信息处理端进行处理,实现了信息处理端-基于决策技术的能控装置-信息处理端的信息传输路径,使信息处理端本身具有信息发起的功能。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案,下面将对具体实施方式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方式,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为本发明实施例1中基于决策技术的能控装置的一个具体示例的原理框图;
图2为本发明实施例1中信息处理能力获取模块的一个具体示例的原理框图;
图3为本发明实施例2中基于决策技术的能控系统的一个具体示例的原理框图;
图4为本发明实施例3中基于决策技术的能控系统的一个具体示例的原理框图;
图5为本发明实施例4中基于决策技术的能控系统的一个具体示例的原理框图。
附图标记:100-基于决策技术的能控装置,101-信息负荷计算模块,102-信息处理能力获取模块,103-信息分配模块,1021-询问发起模块,1022-答复获取模块,1023-可用信息处理端筛选模块,1024-第一信息处理端计算获得模块,200-信息发起端,300-信息处理端。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
在本发明的描述中,需要说明的是,本文所用的术语仅用于描述特定实施例的目的,而并非旨在限制本发明。除非上下文明确指出,否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时,是意图说明存在该特征、整数、步骤、操作、元素和/或组件,而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。术语“相连”、“连接”应做广义理解,例如,可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通;可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种基于决策技术的能控装置100,如图1所示,包括:
信息负荷计算模块101,用于获取信息,根据信息类别计算获得处理所述信息所需负荷;
信息处理能力获取模块102,用于获取所有可用的信息处理端及其剩余负荷,并根据处理所述信息所需负荷和所有所述剩余负荷,推理模型推演获得处理所述信息的最佳第一信息处理端,使所述所有的信息处理端得到最优配置,相应的负荷分配实现最佳且总能耗最小;
信息分配模块103,用于将所述信息发送给所述最佳第一信息处理端。
上述基于决策技术的能控装置,通过负荷计算找到了最佳负荷分配时能处理输入信息的信息处理端,即找到了一种处理设备的抑制方式以使处理设备具有最佳的负荷,从而避免处理设备产生过载。而且同时还在最佳负荷时总能耗最小,从而同时能降低能耗、节约企业成本。
优选地,所述信息负荷计算模块101包括:
第一信息获取模块,用于获取信息;
信息类别确定模块,用于根据所述信息利用K-mesns聚类方法,获得所述信息的信息类别;
所需负荷计算模块,用于将所述信息类别和所述信息相关联的原始数据量大小输入预设学习推理模型进行计算,获得处理所述信息所需负荷。优选地,所述预设学习推理模型为表示实现AE(自编码器)、CNN(卷积神经网络)、LSTM(长短期记忆模型)、RNN(循环神经网络)、DNN(深度神经网络)、SVM(支持向量机)、决策树学习等用于进行学习、推理的功能的算法。
优选地,获得所述预设学习推理模型的步骤包括:
S311、获取处理各种信息类别下不同信息相关联的原始数据量大小的信息对应所需负荷,作为样本集;
S312、采用所述样本集对深度神经网络模型进行训练,获得训练好的深度神经网络模型作为所述预设学习推理模型。使用时将信息的信息类型和信息相关联的原始数据量大小输入该训练好的预设学习推理模型,即可得到模型输出的处理所述信息所需负荷。
优选地,如图2所示,所述信息处理能力获取模块102包括:
询问发起模块1021,用于向所有信息处理端发送第一消息,所述第一消息包含是否有空闲的信息;
答复获取模块1022,用于接收所有答复所述第一消息的第二消息,所述第二消息包含信息处理端标识信息及其剩余负荷;
可用信息处理端筛选模块1023,用于从所有所述剩余负荷中筛选出大于或等于预设负荷最小阈值的剩余负荷;
第一信息处理端计算获得模块1024,用于根据所述筛选出的剩余负荷和处理所述信息所需负荷,采用前向后向算法逐步求解隐马尔可夫模型,获得使筛选出的剩余负荷对应的信息处理端的负荷分配最佳且总能耗最小的处理所述信息的第一信息处理端,所述负荷分配最佳所需满足的条件包括信息处理端的负荷不超过负荷最大阈值,所述负荷最大阈值为信息处理端剩余负荷的70%-80%。
优选地,所述第一信息处理端计算获得模块包括:
样本集、训练集和测试集构建模块,用于获取预设历史时间段内,预先使每个信息处理端在不同的设定负荷下工作,且分别按照预设顺序和增幅依次增加一个信息处理端的负荷且增幅不超过其剩余负荷的70%-80%,统计对应的所有信息处理端的总能耗,确定出所有信息处理端的总能耗最小时,每个信息处理端的剩余负荷、一个增加负荷的信息处理端的负荷增加量,与处理信息所需负荷相对应,和增加负荷前的剩余负荷,作为样本集;选取所述样本集中的一部分作为训练集,剩余的另一部分作为测试集;选取方式可以是随机的。
训练模块,用于采用所述训练集对隐马尔科夫模型进行训练,获得训练好的模型;
计算模块,用于将所述筛选出的剩余负荷和处理所述信息所需负荷输入所述训练好的模型,得到模型输出的使筛选出的剩余负荷对应的信息处理端的负荷分配最佳且总能耗最小的处理所述信息的最佳第一信息处理端。
优选地,所述信息分配模块103包括:
第一信息发送模块,用于根据所述最佳第一信息处理端的信息处理端标识信息,将所述信息发送给所述最佳第一信息处理端。
实施例2
本实施例提供一种基于决策技术的能控系统,如图3所示,包括通过网络连接的基于决策技术的能控装置100、信息发起端200和信息处理端300;
信息发起端200用于发送信息;信息发起端200可设置于移动智能设备(智能手机、IPAD、智能相机等)、电脑、微处理器(摄像头、车载行车记录仪等)等。
基于决策技术的能控装置100用于接收所述信息,根据信息类别计算获得处理所述信息所需负荷;向信息处理端发送是否空闲的询问消息并通过信息处理端反馈所述询问消息的消息获取所有可用的信息处理端,在负荷分配最佳且总能耗最小的抑制方式下,推理模型推演获得处理所述信息的第一信息处理端;将所述信息发送给所述最佳第一信息处理端;
信息处理端300用于接收所述询问消息并发送用于确认空闲的反馈消息,所述最佳第一信息处理端接收所述信息,进而可按所述信息的指示执行。
基于决策技术的能控装置100还具有实施例1中的各模块,此处不再赘述。
上述基于决策技术的能控系统,通过首先信息发起端将信息传输给基于决策技术的能控装置,经基于决策技术的能控装置的抑制分析后,再将信息传输给使负荷分配最佳且总能耗最小的第一信息处理端进行处理,实现了信息发起端-基于决策技术的能控装置-信息处理端的信息传输路径,这种路径距离短,具有处理效率高的优点,并且通过基于决策技术的能控装置的抑制分析,找到了最合适的负荷分配,具有节约资源的优点。
实施例3
本实施例提供一种基于决策技术的能控系统,如图4所示,包括通过网络连接的基于决策技术的能控装置100、信息发起端200和信息处理端300;
信息发起端200用于向任一信息处理端300发送信息;
信息处理端300用于接收所述信息,向基于决策技术的能控装置发送发送信息请求消息,待接收到基于决策技术的能控装置发送的响应所述发送信息请求消息的反馈消息后,向基于决策技术的能控装置发送所述信息;接收询问消息并发送用于确认空闲的反馈消息,第一信息处理端接收所述信息,进而可按所述信息的指示执行;
基于决策技术的能控装置100用于接收所述发送信息请求消息并发送响应所述发送信息请求消息的反馈消息;接收所述信息,根据信息类别计算获得处理所述信息所需负荷;向信息处理端发送是否空闲的询问消息并通过信息处理端反馈所述询问消息的消息获取所有可用的信息处理端,在负荷分配最佳且总能耗最小的抑制方式下,推理模型推演获得处理所述信息的最佳第一信息处理端;将所述信息发送给所述最佳第一信息处理端。
基于决策技术的能控装置100还具有实施例1中的各模块,此处不再赘述。
上述基于决策技术的能控系统,通过信息发起端直接将信息传输给信息处理端,再由信息处理端将信息传输给基于决策技术的能控装置,经基于决策技术的能控装置的抑制分析后,再将信息传输给使负荷分配最佳且总能耗最小的第一信息处理端进行处理,实现了信息发起端-信息处理端-基于决策技术的能控装置-信息处理端的信息传输路径,这种路径不限制信息发起端和基于决策技术的能控装置之间的距离或网络覆盖范围,具有管理控制覆盖范围广的优点,并且通过基于决策技术的能控装置的抑制分析,找到了最合适的负荷分配,具有节约资源的优点。
实施例4
本实施例提供一种基于决策技术的能控系统,如图5所示,包括通过网络连接的基于决策技术的能控装置100和信息处理端300;
信息处理端300用于向基于决策技术的能控装置发送发送信息请求消息,待接收到基于决策技术的能控装置发送的响应所述发送信息请求消息的反馈消息后,向基于决策技术的能控装置发送信息;接收询问消息并发送用于确认空闲的反馈消息,最佳第一信息处理端接收所述信息,进而可按所述信息的指示执行;
基于决策技术的能控装置100用于接收所述发送信息请求消息并发送响应所述发送信息请求消息的反馈消息;接收所述信息,根据信息类别计算获得处理所述信息所需负荷;向信息处理端发送是否空闲的询问消息并通过信息处理端反馈所述询问消息的消息获取所有可用的信息处理端,在负荷分配最佳且总能耗最小的抑制方式下,推理模型推演获得处理所述信息的最佳第一信息处理端;将所述信息发送给所述最佳第一信息处理端。
基于决策技术的能控装置100还具有实施例1中的各模块,此处不再赘述。
上述基于决策技术的能控系统,通过信息处理端自身输出信息并传输给基于决策技术的能控装置,经基于决策技术的能控装置的抑制分析后,再将信息传输给使负荷分配最佳且总能耗最小的第一信息处理端进行处理,实现了信息处理端-基于决策技术的能控装置-信息处理端的信息传输路径,使信息处理端本身具有信息发起的功能,并且通过基于决策技术的能控装置的抑制分析,找到了最合适的负荷分配,具有节约资源的优点。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于决策技术的能控装置,其特征在于,包括:
信息负荷计算模块,用于获取信息,根据信息类别计算获得处理所述信息所需负荷;
信息处理能力获取模块,用于获取所有可用的信息处理端及其剩余负荷,并根据处理所述信息所需负荷和所有所述剩余负荷,推理模型推演获得处理所述信息的最佳第一信息处理端,使所述所有的信息处理端得到最优配置,相应的负荷分配实现最佳且总能耗最小;
信息分配模块,用于将所述信息发送给所述最佳第一信息处理端。
2.根据权利要求1所述的装置,其特征在于,所述信息负荷计算模块包括:
第一信息获取模块,用于获取信息;
信息类别确定模块,用于根据所述信息利用K-mesns聚类方法,获得所述信息的信息类别;
所需负荷计算模块,用于将所述信息类别和所述信息相关联的原始数据量大小输入预设学习推理模型进行计算,获得处理所述信息所需负荷。
3.根据权利要求1或2所述的装置,其特征在于,所述信息处理能力获取模块包括:
询问发起模块,用于向所有信息处理端发送第一消息,所述第一消息包含是否有空闲的信息;
答复获取模块,用于接收所有答复所述第一消息的第二消息,所述第二消息包含信息处理端标识信息及其剩余负荷;
可用信息处理端筛选模块,用于从所有所述剩余负荷中筛选出大于或等于预设负荷最小阈值的剩余负荷;
第一信息处理端计算获得模块,用于根据所述筛选出的剩余负荷和处理所述信息所需负荷,采用前向后向算法逐步求解隐马尔可夫模型,获得使筛选出的剩余负荷对应的信息处理端的负荷分配最佳且总能耗最小的处理所述信息的最佳第一信息处理端,所述负荷分配最佳所需满足的条件包括信息处理端的负荷不超过负荷最大阈值。
4.根据权利要求3所述的装置,其特征在于,所述负荷最大阈值为信息处理端剩余负荷的70%-80%。
5.根据权利要求4所述的装置,其特征在于,所述信息分配模块包括:
第一信息发送模块,用于根据所述最佳第一信息处理端的信息处理端标识信息,将所述信息发送给所述最佳第一信息处理端。
6.一种基于决策技术的能控系统,其特征在于,包括通过网络连接的基于决策技术的能控装置、信息发起端和信息处理端;
信息发起端用于发送信息;
基于决策技术的能控装置用于接收所述信息,根据信息类别计算获得处理所述信息所需负荷;向信息处理端发送是否空闲的询问消息并通过信息处理端反馈所述询问消息的消息获取所有可用的信息处理端,在负荷分配最佳且总能耗最小的抑制方式下,推理模型推演获得处理所述信息的最佳第一信息处理端;将所述信息发送给所述最佳第一信息处理端;
信息处理端用于接收所述询问消息并发送用于确认空闲的反馈消息,所述最佳第一信息处理端接收所述信息。
7.根据权利要求6所述的系统,其特征在于,所述基于决策技术的能控装置为如权利要求1-5任一项所述的基于决策技术的能控装置。
8.一种基于决策技术的能控系统,其特征在于,包括通过网络连接的基于决策技术的能控装置、信息发起端和信息处理端;
信息发起端用于向任一信息处理端发送信息;
信息处理端用于接收所述信息,向基于决策技术的能控装置发送发送信息请求消息,待接收到基于决策技术的能控装置发送的响应所述发送信息请求消息的反馈消息后,向基于决策技术的能控装置发送所述信息;接收询问消息并发送用于确认空闲的反馈消息,最佳第一信息处理端接收所述信息;
基于决策技术的能控装置用于接收所述发送信息请求消息并发送响应所述发送信息请求消息的反馈消息;接收所述信息,根据信息类别计算获得处理所述信息所需负荷;向信息处理端发送是否空闲的询问消息并通过信息处理端反馈所述询问消息的消息获取所有可用的信息处理端,在负荷分配最佳且总能耗最小的抑制方式下,推理模型推演获得处理所述信息的最佳第一信息处理端;将所述信息发送给所述最佳第一信息处理端。
9.根据权利要求8所述的系统,其特征在于,所述基于决策技术的能控装置为如权利要求1-5任一项所述的基于决策技术的能控装置。
10.一种基于决策技术的能控系统,其特征在于,包括通过网络连接的基于决策技术的能控装置和信息处理端;
信息处理端用于向基于决策技术的能控装置发送发送信息请求消息,待接收到基于决策技术的能控装置发送的响应所述发送信息请求消息的反馈消息后,向基于决策技术的能控装置发送信息;接收询问消息并发送用于确认空闲的反馈消息,最佳第一信息处理端接收所述信息;
基于决策技术的能控装置用于接收所述发送信息请求消息并发送响应所述发送信息请求消息的反馈消息;接收所述信息,根据信息类别计算获得处理所述信息所需负荷;向信息处理端发送是否空闲的询问消息并通过信息处理端反馈所述询问消息的消息获取所有可用的信息处理端,在负荷分配最佳且总能耗最小的抑制方式下,推理模型推演获得处理所述信息的最佳第一信息处理端;将所述信息发送给所述最佳第一信息处理端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111606187.6A CN114265695A (zh) | 2021-12-26 | 2021-12-26 | 基于决策技术的能控装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111606187.6A CN114265695A (zh) | 2021-12-26 | 2021-12-26 | 基于决策技术的能控装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114265695A true CN114265695A (zh) | 2022-04-01 |
Family
ID=80830581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111606187.6A Pending CN114265695A (zh) | 2021-12-26 | 2021-12-26 | 基于决策技术的能控装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114265695A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0782072A1 (en) * | 1995-12-26 | 1997-07-02 | Mitsubishi Denki Kabushiki Kaisha | File server load distribution system and method |
US20030139197A1 (en) * | 2001-11-19 | 2003-07-24 | At&T Corp. | WLAN having load balancing based on access point loading |
CN105446816A (zh) * | 2015-11-11 | 2016-03-30 | 华南理工大学 | 一种面向异构平台的能耗优化调度方法 |
US20170041387A1 (en) * | 2015-08-07 | 2017-02-09 | Khalifa University of Science, Technology, and Research | Methods and systems for workload distribution |
WO2017025696A1 (en) * | 2015-08-07 | 2017-02-16 | Khalifa University of Science, Technology, and Research | Methods and systems for workload distribution |
CN108834079A (zh) * | 2018-09-21 | 2018-11-16 | 北京邮电大学 | 一种在异构网络中基于移动性预测的负载均衡优化方法 |
CN109376772A (zh) * | 2018-09-28 | 2019-02-22 | 武汉华喻燃能工程技术有限公司 | 一种基于神经网络模型的电力负荷组合预测方法 |
EP3525563A1 (en) * | 2018-02-07 | 2019-08-14 | ABB Schweiz AG | Method and system for controlling power consumption of a data center based on load allocation and temperature measurements |
CN110597626A (zh) * | 2019-08-23 | 2019-12-20 | 第四范式(北京)技术有限公司 | 在分布式系统中资源及任务的分配方法、装置及系统 |
EP3683677A1 (en) * | 2019-01-15 | 2020-07-22 | Siemens Aktiengesellschaft | Method and allocator for allocating computation resources amongst a plurality of devices arranged in a network |
CN111786824A (zh) * | 2020-06-23 | 2020-10-16 | 中国电力科学研究院有限公司 | 数据中心能效比优化方法、系统、设备及可读存储介质 |
CN111915192A (zh) * | 2020-08-04 | 2020-11-10 | 南方电网调峰调频发电有限公司 | 电力设备故障管理系统的建立方法和系统、计算机设备 |
CN113807589A (zh) * | 2021-09-18 | 2021-12-17 | 广东电网有限责任公司 | 基于模型预测的运营商储能的滚动优化方法及装置 |
-
2021
- 2021-12-26 CN CN202111606187.6A patent/CN114265695A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0782072A1 (en) * | 1995-12-26 | 1997-07-02 | Mitsubishi Denki Kabushiki Kaisha | File server load distribution system and method |
US20030139197A1 (en) * | 2001-11-19 | 2003-07-24 | At&T Corp. | WLAN having load balancing based on access point loading |
US20170041387A1 (en) * | 2015-08-07 | 2017-02-09 | Khalifa University of Science, Technology, and Research | Methods and systems for workload distribution |
WO2017025696A1 (en) * | 2015-08-07 | 2017-02-16 | Khalifa University of Science, Technology, and Research | Methods and systems for workload distribution |
CN105446816A (zh) * | 2015-11-11 | 2016-03-30 | 华南理工大学 | 一种面向异构平台的能耗优化调度方法 |
EP3525563A1 (en) * | 2018-02-07 | 2019-08-14 | ABB Schweiz AG | Method and system for controlling power consumption of a data center based on load allocation and temperature measurements |
CN108834079A (zh) * | 2018-09-21 | 2018-11-16 | 北京邮电大学 | 一种在异构网络中基于移动性预测的负载均衡优化方法 |
CN109376772A (zh) * | 2018-09-28 | 2019-02-22 | 武汉华喻燃能工程技术有限公司 | 一种基于神经网络模型的电力负荷组合预测方法 |
EP3683677A1 (en) * | 2019-01-15 | 2020-07-22 | Siemens Aktiengesellschaft | Method and allocator for allocating computation resources amongst a plurality of devices arranged in a network |
CN110597626A (zh) * | 2019-08-23 | 2019-12-20 | 第四范式(北京)技术有限公司 | 在分布式系统中资源及任务的分配方法、装置及系统 |
CN111786824A (zh) * | 2020-06-23 | 2020-10-16 | 中国电力科学研究院有限公司 | 数据中心能效比优化方法、系统、设备及可读存储介质 |
CN111915192A (zh) * | 2020-08-04 | 2020-11-10 | 南方电网调峰调频发电有限公司 | 电力设备故障管理系统的建立方法和系统、计算机设备 |
CN113807589A (zh) * | 2021-09-18 | 2021-12-17 | 广东电网有限责任公司 | 基于模型预测的运营商储能的滚动优化方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111212106B (zh) | 一种工业互联网环境中边缘计算任务处理与调度方法及装置 | |
US6418423B1 (en) | Method and apparatus for executing neural network applications on a network of embedded devices | |
US20210042578A1 (en) | Feature engineering orchestration method and apparatus | |
Callegaro et al. | Optimal computation offloading in edge-assisted UAV systems | |
US11294736B2 (en) | Distributed processing system, distributed processing method, and recording medium | |
CN113133087A (zh) | 针对终端设备配置网络切片的方法及装置 | |
CN111611129A (zh) | PaaS云平台的性能监控方法及装置 | |
CN115118647B (zh) | 算力网络中算力信息感知和通告系统及其方法 | |
CN112989894A (zh) | 目标检测方法、任务处理方法、装置、设备及存储介质 | |
CN107306412B (zh) | 用以实现消息可靠传输的方法、用户设备和基站 | |
CN114265695A (zh) | 基于决策技术的能控装置及系统 | |
CN113794646B (zh) | 能源行业的监控数据传输系统及方法 | |
CN111092952A (zh) | 一种数据交互方法及相关产品 | |
CN114615337B (zh) | 设备调度方法、系统、服务器及存储介质 | |
US20230297885A1 (en) | Big data-based modular ai engine server and driving method of the same | |
CN109819522B (zh) | 一种平衡能耗与用户服务质量的用户带宽资源分配方法 | |
US20190110258A1 (en) | Method for Adjusting Radio-Frequency Power, Zigbee Router, Sensor and System | |
CN113824646A (zh) | 一种慢启动控制方法、装置、电子设备和存储介质 | |
CN116017412B (zh) | 一种用于获取设备信息的网关设备、方法及系统 | |
CN110705966A (zh) | 一种检查任务的接收方法、装置、设备及存储介质 | |
CN116980284B (zh) | 一种基于物联网的光缆分纤箱运维信息传输方法和系统 | |
CN115277675B (zh) | 数据流处理方法、装置、电子设备及可读存储介质 | |
Nishio et al. | Joint Computation Offloading and Sampling Interval Optimization for Accuracy-Guaranteed Surveillance | |
CN116743773A (zh) | 选煤厂全流程数字化工程设计的数据传输方法及系统 | |
CN116560808A (zh) | 一种信息处理方法、装置、设备及计算机可读存储介质 |
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 |