CN115270505A - 一种机房能耗的预测方法、装置、电子设备和存储介质 - Google Patents
一种机房能耗的预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115270505A CN115270505A CN202210982338.6A CN202210982338A CN115270505A CN 115270505 A CN115270505 A CN 115270505A CN 202210982338 A CN202210982338 A CN 202210982338A CN 115270505 A CN115270505 A CN 115270505A
- Authority
- CN
- China
- Prior art keywords
- machine room
- energy consumption
- target
- data
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明实施例提供了一种机房能耗的预测方法、装置、电子设备和存储介质,该方法包括:监控系统在需要针对目标机房进行能耗管理时,可以先确定目标机房的目标机房类型,并根据目标机房类型,确定用于对目标机房的能耗进行预测的目标能耗预测模型;然后针对目标机房,获取待输入目标能耗预测模型的待输入数据;再将待输入数据输入目标能耗预测模型,得到针对目标机房的目标能耗预测信息。通过本发明实施例,实现了基于机房的类型,适应性的使用对应的预测模型来对机房的能耗进行预测,提高了不同机房类型的机房能耗预测的准确性,为后续针对不同机房类型的机房进行的能耗管理提供了准确的数据。
Description
技术领域
本发明涉及机房检测的技术领域,特别是涉及一种机房能耗的预测方法、装置、电子设备和存储介质。
背景技术
社会数字化程度的不断提高,使得人们对于网络的依赖越来越高;伴随着新型通讯技术的大范围部署,通讯基站、B/C/D类小微机房等的能耗管理的问题也逐渐步入人们的视野。
如何准确地计算通讯基站、B/C/D类小微机房等的能耗,成了当前针对通讯基站、B/C/D类小微机房等的能耗管理环节中,急需解决的问题之一。
发明内容
鉴于上述问题,提出了以便提供克服上述问题或者至少部分地解决上述问题的一种机房能耗的预测方法、装置、电子设备和存储介质,包括:
一种机房能耗的预测方法,应用于监控系统,所述监控系统用于对多个机房进行管理,所述方法包括:
确定目标机房的目标机房类型,并根据所述目标机房类型,确定用于对所述目标机房的能耗进行预测的目标能耗预测模型;
针对所述目标机房,获取待输入所述目标能耗预测模型的待输入数据;
将所述待输入数据输入所述目标能耗预测模型,得到针对所述目标机房的目标能耗预测信息。
可选地,当所述目标机房类型为未部署有制冷系统的第一机房类型时,所述获取待输入所述目标能耗预测模型的待输入数据,包括:
获取针对目标机房的目标网络流量数据,并将所述目标网络流量数据作为所述待输入数据。
可选地,所述方法还包括:
获取第一机房类型的机房的历史网络流量数据,和对应的历史能耗数据;
根据所述历史网络流量数据和所述历史能耗数据,建立针对所述第一机房类型的机房的能耗预测模型。
可选地,所述根据所述历史网络流量数据和所述历史能耗数据,建立针对所述第一机房类型的机房的能耗预测模型,包括:
利用多项式曲线拟合分析,对所述历史网络流量数据和所述历史能耗数据进行曲线拟合;
根据曲线拟合得到的拟合参数,建立针对所述第一机房类型的机房的能耗预测模型。
可选地,当所述目标机房类型为部署有制冷系统的第二机房类型时,所述获取待输入所述目标能耗预测模型的待输入数据,包括:
确定所述目标机房的目标房屋能耗损失,并从所述目标机房的动环监控系统获取目标设备发热量;
将所述目标房屋能耗损失和所述目标设备发热量作为所述待输入数据。
可选地,所述方法还包括:
基于围炉热平衡模型,建立针对所述第二机房类型的机房的能耗预测模型。
可选地,所述方法还包括:
从所述目标能耗预测模型中,获取针对所述目标机房的预测电源使用效率PUE;
获取目标机房的实际PUE;
当所述实际PUE与所述预测PUE的偏差超过预设偏差值时,针对所述目标机房进行异常告警。
本发明实施例还提供了一种机房能耗的预测装置,应用于监控系统,所述监控系统用于对多个机房进行管理,所述装置包括:
模型确定模块,用于确定目标机房的目标机房类型,并根据所述目标机房类型,确定用于对所述目标机房的能耗进行预测的目标能耗预测模型;
数据获取模块,用于针对所述目标机房,获取待输入所述目标能耗预测模型的待输入数据;
预测模块,用于将所述待输入数据输入所述目标能耗预测模型,得到针对所述目标机房的目标能耗预测信息。
可选地,当所述目标机房类型为未部署有制冷系统的第一机房类型时,所述数据获取模块,包括:
第一数据获取子模块,用于获取针对目标机房的目标网络流量数据,并将所述目标网络流量数据作为所述待输入数据。
可选地,所述装置还包括:
第一模型建立模块,用于获取第一机房类型的机房的历史网络流量数据,和对应的历史能耗数据;根据所述历史网络流量数据和所述历史能耗数据,建立针对所述第一机房类型的机房的能耗预测模型。
可选地,所述第一模型建立模块,用于利用多项式曲线拟合分析,对所述历史网络流量数据和所述历史能耗数据进行曲线拟合;根据曲线拟合得到的拟合参数,建立针对所述第一机房类型的机房的能耗预测模型。
可选地,当所述目标机房类型为部署有制冷系统的第二机房类型时,所述数据获取模块,包括:
第二数据获取子模块,用于确定所述目标机房的目标房屋能耗损失,并从所述目标机房的动环监控系统获取目标设备发热量;将所述目标房屋能耗损失和所述目标设备发热量作为所述待输入数据。
可选地,所述装置还包括:
第二模型建立模块,用于基于围炉热平衡模型,建立针对所述第二机房类型的机房的能耗预测模型。
可选地,所述装置还包括:
告警模块,用于从所述目标能耗预测模型中,获取针对所述目标机房的预测电源使用效率PUE;获取目标机房的实际PUE;当所述实际PUE与所述预测PUE的偏差超过预设偏差值时,针对所述目标机房进行异常告警。
本发明实施例还提供了一种电子设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上机房能耗的预测方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上机房能耗的预测方法。
本发明实施例具有以下优点:
本发明实施例中,监控系统在需要针对目标机房进行能耗管理时,可以先确定目标机房的目标机房类型,并根据目标机房类型,确定用于对目标机房的能耗进行预测的目标能耗预测模型;然后针对目标机房,获取待输入目标能耗预测模型的待输入数据;再将待输入数据输入目标能耗预测模型,得到针对目标机房的目标能耗预测信息。通过本发明实施例,实现了基于机房的类型,适应性的使用对应的预测模型来对机房的能耗进行预测,提高了不同机房类型的机房能耗预测的准确性,为后续针对不同机房类型的机房进行的能耗管理提供了准确的数据。
附图说明
为了更清楚地说明本发明的技术方案,下面将对本发明的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是本发明实施例的一种机房能耗的预测方法的步骤流程图;
图2是本发明实施例的场景示意图;
图3是本发明实施例的另一种机房能耗的预测方法的步骤流程图;
图4是本发明实施例的一种生成能耗预测模型的流程图;
图5是本发明实施例的一种针对不同机房类型的能耗预测模型的建立流程图;
图6是本发明实施例的又一种机房能耗的预测方法的步骤流程图;
图7是本发明实施例的一种第二机房类型的机房的热平衡模型原理图;
图8是本发明实施例的一种机房能耗的预测装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。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。
不同于大型数据中心或IDC(Internet Data Center,互联网数据中心)机房,室外基站和中小型机房有其特殊性。它们数量巨大、分布零散、类型多样(拉远、室分、有/无机房)。
与传统IDC机房内的服务器等设备不同:室外基站部署的设备耗电量受工作状态影响,忙时和闲时差别巨大,简单的依赖额定功率计算并不准确;中小型机房本身的结构材料以及环境因素对机房热平衡的影响远大于大型数据中心,也因此对能耗造成影响。
与此同时,设备数量庞大逐一部署监控模块或智能电表付出的成本巨大;且对于多家运营商共享的站点,霍尔电流线圈监控分摊比例的方法很难避免由于布线失误造成的监控电流异常的情况,能耗管理更是无从下手。
这些都造成了传统应用于数据中心、IDC机房的能耗监控和管理体系无法应用于室外基站和中小型机房。
另一方面,小微机房由于空间限制,多有精密空调及普通商用空调混用的情况,对于热平衡及机房PUE(Power Usage Effectiveness,电源使用效率)的监控及管控难度更甚于大型IDC机房。
目前针对室外基站和中小型机房,常见的建立能耗模型的思路有两种:
一种是基于数理统计多元线性回归的能耗建模方法,根据历史数据获得基站能耗与载频数(基站载频数是基站的容量,基站的载频数决定了它处理话务的能力,也可以说是基站的容量),基站面积,房屋能耗系数等自变量的对应关系,并通过多元线性回归获得直线拟合方程。
一种是将基站业务特征数据分解为网络流量数据(用户信息)和信令数据(信令信息(Signaling information)是指通信系统中的控制指令。它可以指导终端、交换系统及传输系统协同运行),建立基站分别映射到网络流量和信令的能耗模型。
这两种思路均忽略了的通讯基础设施本身的多样性;其中,第一种思路的精度取决于标杆基站的选取以及历史数据的采集量,目前提出的方法中未区分有机房和室外站,混用数据,采用统一的自变量造成回归方程精度受限甚至无法收敛。
第二种思路以理论模型的方式计算了业务特征与基站能耗的逻辑关系。然而一方面忽略了室内布放基站能耗不仅在于主设备本身,还包括基础配套(开关电源,空调等)设备,且相比于网络流量,信令造成的能耗占比微小;另一方面模型本身的参数获取难度较大,从实用的角度很难嵌入目前的网络运营环节,更偏向于理论研究。
为了有针对性地对机房的能耗进行预测,本发明实施例预先针对不同机房类型设置对应的能耗预测模型;然后,在针对机房的能耗进行预测时,先确定机房的类型,然后基于机房的类型调用对应的预测模型进行预测;通过适应性的使用对应的预测模型对机房进行能耗的预测,提高了不同机房类型的机房能耗预测的准确性。
参照图1,示出了本发明实施例的一种机房能耗的预测方法的步骤流程图,该方法可以应用于监控系统,监控系统可以用于对多个机房进行监控;
具体的,可以包括如下步骤:
步骤101、确定目标机房的目标机房类型,并根据目标机房类型,确定用于对目标机房的能耗进行预测的目标能耗预测模型。
其中,机房类型可以预先针对不同的机房进行设定;机房类型可以基于机房的能耗情况进行设定,例如:未部署有制冷系统的第一机房类型和部署有制冷系统的第二机房类型,本发明实施例对此不作限制。
作为一示例,可以在监控系统中,分别针对不同机房的ID(Identity document,身份标识号)设定对应的机房类型。
当需要对目标机房的能耗进行预测时(例如:管理人员发起查询请求时),监控系统可以先确定目标机房的机房类型,例如:可以根据目标机房的ID来确定对应的目标机房类型。
在确定目标机房的目标机房类型后,可以再确定预先为目标机房类型建立的目标能耗预测模型。
如图2,示出了本发明实施例的场景示意图;其中,监控系统可以分别与多个机房连接,机房可以包括不同类型的机房,例如:室外基站、中小型机房等,本发明实施例对此不作限制。
步骤102、针对目标机房,获取待输入目标能耗预测模型的待输入数据。
在实际应用中,不同机房类型的能耗产生情况是不同的;例如:针对第一机房类型的机房,其能耗的大小主要与网络流量数据有关。而针对第二机房类型的机房,其能耗的大小则主要与制冷系统和IT(Internet Technology,互联网技术)设备有关。因此,针对不同的能耗预测模型,其输入数据也是不同的。
在确定目标能耗预测模型后,可以针对目标机房,获取待输入目标能耗预测模型的待输入数据;例如:针对第一机房类型的目标能耗预测模型,可以将与网络流量数据相关的数据作为待输入数据;针对第二机房类型的目标能耗预测模型,可以将与制冷系统和IT设备相关的数据作为待输入数据。
步骤103、将待输入数据输入目标能耗预测模型,得到针对目标机房的目标能耗预测信息。
作为一示例,目标能耗预测信息可以包括针对目标机房预测得到的、目标机房当前的能耗。
在获取到待输入目标能耗预测模型的待输入数据后,监控系统可以将待输入数据输入至对应的目标能耗预测模型中;目标能耗预测模型可以基于待输入数据预测目标基站的能耗情况,并输出对应的目标能耗预测信息。相对于通过直接在机房部署智能电表来检测机房的能耗来说,本发明实施例可以基于预测模型来低成本的预测机房的能耗。且可以直接嵌入目前的运营体系,实现除大型数据中心外通讯基础设施的能耗统一管理,弥补了目前能耗管控中忽视中小型基础设施的盲点。
在确定目标能耗预测信息后,监控系统可以基于目标能耗预测信息对目标机房的能耗进行管理;例如:基于目标能耗预测信息判断目标机房是否发生能耗异常等,本发明实施例对此不作限制。
本发明实施例中,监控系统在需要针对目标机房进行能耗管理时,可以先确定目标机房的目标机房类型,并根据目标机房类型,确定用于对目标机房的能耗进行预测的目标能耗预测模型;然后针对目标机房,获取待输入目标能耗预测模型的待输入数据;再将待输入数据输入目标能耗预测模型,得到针对目标机房的目标能耗预测信息。通过本发明实施例,实现了基于机房的类型,适应性的使用对应的预测模型来对机房的能耗进行预测,提高了不同机房类型的机房能耗预测的准确性,为后续针对不同机房类型的机房进行的能耗管理提供了准确的数据。
针对室外基站和中小型机房,本发明实施例具体提供了如下的两种能耗预测方法:
参照图3,示出了本发明实施例的另一种机房能耗的预测方法的步骤流程图,该方法可以用于对室外基站的能耗进行预测;为了便于说明,将室外基站的机房类型命名为未部署有制冷系统的第一机房类型。
具体的,可以包括如下步骤:
步骤301、根据第一机房类型,确定用于对目标机房的能耗进行预测的目标能耗预测模型。
基于第一机房类型,监控系统可以先确定用于对第一机房类型的目标机房的能耗进行预测的目标能耗预测模型。
在本发明一实施例中,用于对第一机房类型的机房的能耗进行预测的能耗预测模型可以通过如下步骤建立:
获取第一机房类型的机房的历史网络流量数据,和对应的历史能耗数据;根据历史网络流量数据和历史能耗数据,建立针对第一机房类型的机房的能耗预测模型。
室外基站(第一机房类型的机房,如4G、5G基站)直接装设于室外,无配套的制冷装置,散热主要依赖环境条件;因此,只需考虑主设备的能耗。
主设备的能耗主要与基站业务特征数据有关;基站业务特征数据包括网络流量数据和信令数据;网络流量数据是指通信系统中传输的用户信息和业务信息;信令数据是指通信系统中的控制指令,它可以指导终端、交换系统及传输系统协同运行。
由于信令数据对能耗影响较小;因此,本发明实施例中,可以将网络流量数据作为针对第一机房类型的机房的能耗预测模型的训练数据。
具体的,可以分别获取不同频点(如800M、1.8G、2.1G等)设备单扇区在一时间段内的历史网络流量数据及历史能耗数据;选取历史网络流量数据,并将历史网络流量数据作为自变量x;选取相应的历史能耗数据作为因变量y;得到观测数据n项(xi,yi),i=1,2,3,...,n。
其中,历史网络流量数据可以通过无线网管直接获得;历史能耗数据可以从位于机房内装设的监控模块获取,监控模块可以通过霍尔电流传感线圈或者装设的智能电表来获取机房的能耗数据,并基于能耗数据生成历史能耗数据。
需要说明的是,历史能耗数据可以是从已经装设有监控模块的机房中获取的。
在获取到观测数据(xi,yi)后,可以基于观测数据来训练一预设的模型,从而得到针对第一机房类型的机房的能耗预测模型。
作为一示例,可以通过如下步骤来建立针对第一机房类型的能耗预测模型:
利用多项式曲线拟合分析,对历史网络流量数据和历史能耗数据进行曲线拟合;根据曲线拟合得到的拟合参数,建立针对第一机房类型的机房的目标能耗预测模型。
具体的,在获取到观测数据(xi,yi)后,可以采用多项式曲线拟合的方法建立模型,获取相应的拟合参数;多项式拟合方程可以为:
P(x)=a1+a2x+a3x2+...+amxm-1
其中,a1,a2,...,am表示拟合系数,m-1表示拟合多项式次数。
按照最小二乘法,拟合曲线要求偏差平方Q取极小:
将观测数据(xi,yi)代入上述多项式拟合方程后,可以通过高斯约化消元法求解m项拟合系数;从而,基于m项拟合系数确定针对第一机房类型的机房的能耗预测模型。
在获取到针对第一机房类型的机房的能耗预测模型后,可以针对所获取到的能耗预测模型进行显著性验证,以确定其置信区间。其中,需要确定最佳拟合次数,确定统计量F:
其中,Qm1为(m-1)次多项式拟合的残差平方和:
两次拟合残差平方和差值取:
Sm=Qm-1-Qm1
选取检验水平α(一般取95%),则自由度1和(n-m1-1)计算分布的临界值为:F∝(1,(n-m1-1))。当第一次出现F<F∝时,逼近多项式阶数已经选的过高了,此时应当取低一阶多项式作为最优的拟合多项式;例如:当第一次出现F<F∝。的多项式阶数为8,则可以将(8-1)=7作为最优的拟合多项式。
其中,拟合残差的标准是:
另外,在获取到针对第一机房类型的机房的能耗预测模型后,还可以针对所获取到的能耗预测模型进行验证。
具体的,可以将所得到的能耗预测模型代入生产环境,将使用能耗预测模型计算得到的能耗值与实际能耗值做比较,检验两者的拟合残差是否在指定范围内,进而判定模型是否需要重建。
当显著性检验或者代入生产环境的验证未通过时,可以考虑通过人工判定的方式,剔除部分观测数据;或者,根据偏离情况自动剔除能耗预测值与实际值偏差落入一定范围的数据,或是根据拟合区间判定偏离点落入一定范围的数据,本发明实施例对此不作限制。
针对第一机房类型的能耗预测模型完成后,可以分频点地根据网管提取的网络流量数据实现对室外基站的能耗值预测。一方面可以避免大规模装设智能电表及监控设备产生的大量成本;另一方面针对多家运营商共享站点,便于基于网络流量数据来计算能耗分摊比例。
作为一示例,可以再确定目标机房为第一机房类型后,再确定目标机房的目标频点;然后,基于目标频点确定对应的目标能耗预测模型,本发明实施例对此不作限制。
如图4,示出了本发明实施例的一种生成能耗预测模型的流程示意图,可以包括如下步骤:
S1、数据获取:分别获取不同频点(如800M、1.8G、2.1G等)设备单扇区在一时间段内的历史网络流量数据及历史能耗数据。
S2、模型建立:利用多项式曲线拟合分析,对历史网络流量数据和历史能耗数据进行曲线拟合;根据曲线拟合得到的拟合参数,建立针对第一机房类型的机房的目标能耗预测模型。
S3、显著性检验:在获取到针对第一机房类型的机房的能耗预测模型后,可以针对所获取到的能耗预测模型进行显著性验证,以确定其置信区间。
S4、模型修订:根据显著性检验的结果进行模型修订,重复步骤S2~S3,直至S3或S5结果表明获得的模型以达到预定效果。
其中,判定拟合阶数超过预设值仍旧无法通过S3显著性检验的,考虑从步骤S1中剔除部分数据。可以通过人工剔除,或根据偏离情况批量剔除能耗预测值与实际值偏差落入一定范围的数据,或是根据拟合区间判定偏离点落入一定范围的数据。
或者,当拟合残差不在指定范围内时,考虑从步骤S1中剔除部分数据。可以通过人工剔除,或根据偏离情况批量剔除能耗预测值与实际值偏差落入一定范围的数据,或是根据拟合区间判定偏离点落入一定范围的数据。
S5、模型验证:可以将所得到的能耗预测模型代入生产环境,将使用能耗预测模型计算得到的能耗值与实际能耗值做比较,检验两者的拟合残差是否在指定范围内,进而判定模型是否需要重建。
如图5,针对室外基站,可以针对能耗进行建模,以生成对应的能耗预测模型;该能耗预测模型可以基于曲线拟合建立,可以是一网络流量-能耗的模型。
步骤302、获取针对目标机房的目标网络流量数据,并将目标网络流量数据作为待输入数据。
针对第一机房类型的目标机房,可以从无线网管获取当前时间段内的目标网络流量数据。
在获取到目标网络流量数据后,可以将目标网络流量数据作为待输入目标能耗预测模型的待输入数据。
步骤303、将待输入数据输入目标能耗预测模型,得到针对目标机房的目标能耗预测信息。
在得到待输入针对第一机房类型的目标机房的目标能耗预测模型的待输入数据后,可以将该待输入数据输入至目标能耗预测模型中;目标能耗预测模型基于待输入数据,可以输出对应的目标能耗预测信息。
在确定目标能耗预测信息后,监控系统可以基于目标能耗预测信息对目标机房的能耗进行管理;例如:基于目标能耗预测信息判断室外基站是否发生能耗异常等;从而可以及时发现室外基站的异常,以针对出现异常的室外基站进行整改,本发明实施例对此不作限制。
本发明实施例中,监控系统在确定目标机房的机房类型为第一机房类型时,可以根据第一机房类型,确定用于对目标机房的能耗进行预测的目标能耗预测模型;然后获取针对目标机房的目标网络流量数据,并将目标网络流量数据作为待输入数据,再将待输入数据输入目标能耗预测模型,得到针对目标机房的目标能耗预测信息。通过本发明实施例,实现了基于网络流量数据来有针对性地对室外基站的能耗进行预测;提高了对室外基站的能耗进行预测的准确性,为后续对室外基站的能耗管理提供了准确的数据。
参照图6,示出了本发明实施例的又一种机房能耗的预测方法的步骤流程图,该方法可以用于对中小型机房的能耗进行预测;为了便于说明,将中小型机房的机房类型命名为部署有制冷系统的第二机房类型。
具体的,可以包括如下步骤:
步骤601、根据第二机房类型,确定用于对目标机房的能耗进行预测的目标能耗预测模型。
其中,中小型机房可以为除大型数据中心、IDC机房和室外基站外的其他机房;中小型机房的IT设备可以部署在一建筑物内。
基于第二机房类型,监控系统可以先确定用于对第二机房类型的目标机房的能耗进行预测的目标能耗预测模型。
在本发明一实施例中,用于对第二机房类型的机房的能耗进行预测的能耗预测模型可以通过如下步骤建立:
基于围炉热平衡模型,建立针对第二机房类型的机房的目标能耗预测模型。
第二机房类型的机房可以包括一建筑物(例如:房间),以及部署在建筑物内的制冷系统(例如:空调)和IT设备等。针对第二机房类型的机房,可以通过围炉热平衡方程建立能耗预测模型,引入多种类型的房屋结构(砖瓦房,板房,地下室等)及室外环境造成的影响。
具体的,能耗预测模型可以由3个部分组成:房屋能耗损失,空调耗电产生的制冷量以及设备发热量;如图7,示出了本发明实施例的一种第二机房类型的机房的热平衡模型原理图,室外温度探头可以用于检测外界环境传入机房的热量;空调耗电制造的冷量一方面与外界环境传入机房的热量中和,另一方面与机房内部设备产生的热量中和,以保证机房处于预设温度;围护模型中,空调耗电制造的冷量与外界环境传入机房的热量和内部设备产生的热量处于平衡状态。
房屋能耗损失,空调耗电产生的制冷量以及设备发热量这3个部分之间的关系如下:
其中,房屋能耗损失表示房屋6面墙本身的热平衡。Fi表示机房6面墙体的面积;t1表示机房内环境温度;ti表示各面墙体外壁面温度;Ki表示各面墙体的传热系数,可以通过建筑材料手册获得;ηi表示修正因数,即为引入不同地理位置的气象参数引入的修正因数,修正因数可以通过对各地自然环境搜集的数据训练得到。
Pair-e*ηx表示空调产生的制冷量,Pair-e表示维持机房内的热平衡所需要的制冷量,ηx表示空调的能耗系数,可通过实际配置的空调资源参数获得。
UsIs表示设备发热量,即内热源;其可以从部署在机房中的动环监控系统获取到。
根据3个部分之间的关系,可以计算出维持机房热平衡的理论冷量Pair-e*ηx;进而,一方面可以计算出机房的理论PUE值PUEthe,另一方面可以预测机房理论能耗值Qthe:
Qthe=PUEthe*∑(UsIs)*H
其中,H表示用电时长。
如图5,针对中小型机房,可以针对能耗和热平衡进行建模,以生成对应的包括能耗预测和热平衡的模型;该模型可以是基于围炉热平衡原理的模型。
步骤602、确定目标机房的目标房屋能耗损失,并从目标机房的动环监控系统获取目标设备发热量。
针对第二机房类型的目标机房,可以从室外温度探头获取墙体外壁面温度,以及从室内温度探头获取室内温度;然后,基于墙体外壁面温度、室外温度、各墙体的面积、预设温度和各墙体的传热系数,计算出房屋能耗损失。同时,可以从目标机房的动环监控系统处获取设备发热量。
步骤603、将目标房屋能耗损失和目标设备发热量作为待输入数据。
在获取到目标房屋能耗损失和目标设备发热量后,可以将目标房屋能耗损失和目标设备发热量作为待输入针对第二机房类型的目标能耗预测模型的待输入数据。
步骤604、将待输入数据输入目标能耗预测模型,得到针对目标机房的目标能耗预测信息。
然后,可以将待输入数据输入至针对第二机房类型的目标能耗预测模型中;目标能耗预测模型中基于输入的待输入数据,可以输出针对目标机房的目标能耗预测信息。
步骤605、从目标能耗预测模型中,获取针对目标机房的预测电源使用效率PUE。
在实际应用中,针对第二机房类型的目标机房,还可以从针对第二机房类型的目标能耗预测模型中,获取已经确定的、针对目标机房的预测PUE。
步骤606、获取目标机房的实际PUE。
同时,还可以获取目标机房的实际PUE;实际PUE可以指目标机房在预测PUE对应的时间段内,实际发生的PUE;该实际PUE可以从机房中装设的监控模块中获取得到。
步骤607、当实际PUE与预测PUE的偏差超过预设偏差值时,针对目标机房进行异常告警。
由于预测PUE是基于维持机房热平衡的理论冷量计算得到的;当实际PUE与预测PUE偏差较大的时,可以表示机房的热平衡出现了问题;例如:冷量冗余或者冷量配置不足。因此,本发明实施例可以基于预测PUE和实际PUE,对目标机房进行异常警告。
具体的,如果预测PUE与实际PUE的偏差超过预设偏差值的话,可以表示目标机房的冷量配置不合理;此时,可以针对目标机房进行异常告警,以提示管理人员及时介入整改。
在进行异常告警时,还可以基于预测PUE与实际PUE的偏差情况,以及冷量实际的配置,来确定异常对应的起因;例如:当配置的冷量足够将机房温度控制在预设温度,但是实际上使用了更多的冷量时,可以表示是因为机房布局不合理导致的异常;此时,可以调整机房中设备的布局(例如:将设备之间的间隔调大);通过准确的确定异常对应的起因,可以避免盲目新增制冷设备而造成资源的浪费。
作为一示例,针对目标机房进行异常告警可以是向管理人员推送包括有目标机房的告警提示;例如:向管理人员推送“**机房冷量配置不合理,请及时处理”,本发明实施例对此不作限制。
本发明实施例中,监控系统在确定目标机房的机房类型为第二机房类型时,可以根据第二机房类型,确定用于对目标机房的能耗进行预测的目标能耗预测模型;然后确定目标机房的目标房屋能耗损失,并从目标机房的动环监控系统获取目标设备发热量,并将目标房屋能耗损失和目标设备发热量作为待输入数据;将待输入数据输入目标能耗预测模型,得到针对目标机房的目标能耗预测信息。通过本发明实施例,实现了基于热平衡建立的模型,来预测中小型机房的能耗,提高了对中小型机房的能耗进行预测的准确性,为后续对中小型机房的能耗管理提供了准确的数据。
另外,还可以从目标能耗预测模型中,获取针对目标机房的预测电源使用效率PUE,并获取目标机房的实际PUE;当实际PUE与预测PUE的偏差超过预设偏差值时,针对目标机房进行异常告警。通过本发明实施例,实现了对冷量配置不合理的中小型机房的排查,从而避免了机房出现局部热点,降低了机房高温告警的概率。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图8,示出了本发明实施例的一种机房能耗的预测装置的结构示意图,应用于监控系统,监控系统用于对多个机房进行管理,可以包括如下模块:
模型确定模块801,用于确定目标机房的目标机房类型,并根据目标机房类型,确定用于对目标机房的能耗进行预测的目标能耗预测模型;
数据获取模块802,用于针对目标机房,获取待输入目标能耗预测模型的待输入数据;
预测模块803,用于将待输入数据输入目标能耗预测模型,得到针对目标机房的目标能耗预测信息。
本发明的一个可选实施例中,当目标机房类型为未部署有制冷系统的第一机房类型时,数据获取模块801,包括:
第一数据获取子模块,用于获取针对目标机房的目标网络流量数据,并将目标网络流量数据作为待输入数据。
本发明的一个可选实施例中,装置还包括:
第一模型建立模块,用于获取第一机房类型的机房的历史网络流量数据,和对应的历史能耗数据;根据历史网络流量数据和历史能耗数据,建立针对第一机房类型的机房的能耗预测模型。
本发明的一个可选实施例中,第一模型建立模块,用于利用多项式曲线拟合分析,对历史网络流量数据和历史能耗数据进行曲线拟合;根据曲线拟合得到的拟合参数,建立针对第一机房类型的机房的能耗预测模型。
本发明的一个可选实施例中,当目标机房类型为部署有制冷系统的第二机房类型时,数据获取模块801,包括:
第二数据获取子模块,用于确定目标机房的目标房屋能耗损失,并从目标机房的动环监控系统获取目标设备发热量;将目标房屋能耗损失和目标设备发热量作为待输入数据。
本发明的一个可选实施例中,装置还包括:
第二模型建立模块,用于基于围炉热平衡模型,建立针对第二机房类型的机房的能耗预测模型。
本发明的一个可选实施例中,装置还包括:
告警模块,用于从目标能耗预测模型中,获取针对目标机房的预测电源使用效率PUE;获取目标机房的实际PUE;当实际PUE与预测PUE的偏差超过预设偏差值时,针对目标机房进行异常告警
本发明实施例中,监控系统在需要针对目标机房进行能耗管理时,可以先确定目标机房的目标机房类型,并根据目标机房类型,确定用于对目标机房的能耗进行预测的目标能耗预测模型;然后针对目标机房,获取待输入目标能耗预测模型的待输入数据;再将待输入数据输入目标能耗预测模型,得到针对目标机房的目标能耗预测信息。通过本发明实施例,实现了基于机房的类型,适应性的使用对应的预测模型来对机房的能耗进行预测,提高了不同机房类型的机房能耗预测的准确性,为后续针对不同机房类型的机房进行的能耗管理提供了准确的数据。
本发明实施例还提供了一种电子设备,包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序,计算机程序被处理器执行时实现如上机房能耗的预测方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现如上机房能耗的预测方法。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对所提供的一种机房能耗的预测方法、装置、电子设备和存储介质,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)
1.一种机房能耗的预测方法,其特征在于,应用于监控系统,所述监控系统用于对多个机房进行管理,所述方法包括:
确定目标机房的目标机房类型,并根据所述目标机房类型,确定用于对所述目标机房的能耗进行预测的目标能耗预测模型;
针对所述目标机房,获取待输入所述目标能耗预测模型的待输入数据;
将所述待输入数据输入所述目标能耗预测模型,得到针对所述目标机房的目标能耗预测信息。
2.根据权利要求1所述的方法,其特征在于,当所述目标机房类型为未部署有制冷系统的第一机房类型时,所述获取待输入所述目标能耗预测模型的待输入数据,包括:
获取针对目标机房的目标网络流量数据,并将所述目标网络流量数据作为所述待输入数据。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取第一机房类型的机房的历史网络流量数据,和对应的历史能耗数据;
根据所述历史网络流量数据和所述历史能耗数据,建立针对所述第一机房类型的机房的能耗预测模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述历史网络流量数据和所述历史能耗数据,建立针对所述第一机房类型的机房的能耗预测模型,包括:
利用多项式曲线拟合分析,对所述历史网络流量数据和所述历史能耗数据进行曲线拟合;
根据曲线拟合得到的拟合参数,建立针对所述第一机房类型的机房的能耗预测模型。
5.根据权利要求1所述的方法,其特征在于,当所述目标机房类型为部署有制冷系统的第二机房类型时,所述获取待输入所述目标能耗预测模型的待输入数据,包括:
确定所述目标机房的目标房屋能耗损失,并从所述目标机房的动环监控系统获取目标设备发热量;
将所述目标房屋能耗损失和所述目标设备发热量作为所述待输入数据。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
基于围炉热平衡模型,建立针对所述第二机房类型的机房的能耗预测模型。
7.根据权利要求5-6任一项所述的方法,其特征在于,所述方法还包括:
从所述目标能耗预测模型中,获取针对所述目标机房的预测电源使用效率PUE;
获取目标机房的实际PUE;
当所述实际PUE与所述预测PUE的偏差超过预设偏差值时,针对所述目标机房进行异常告警。
8.一种机房能耗的预测装置,其特征在于,应用于监控系统,所述监控系统用于对多个机房进行管理,所述装置包括:
模型确定模块,用于确定目标机房的目标机房类型,并根据所述目标机房类型,确定用于对所述目标机房的能耗进行预测的目标能耗预测模型;
数据获取模块,用于针对所述目标机房,获取待输入所述目标能耗预测模型的待输入数据;
预测模块,用于将所述待输入数据输入所述目标能耗预测模型,得到针对所述目标机房的目标能耗预测信息。
9.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述机房能耗的预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述机房能耗的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210982338.6A CN115270505A (zh) | 2022-08-16 | 2022-08-16 | 一种机房能耗的预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210982338.6A CN115270505A (zh) | 2022-08-16 | 2022-08-16 | 一种机房能耗的预测方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115270505A true CN115270505A (zh) | 2022-11-01 |
Family
ID=83750552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210982338.6A Pending CN115270505A (zh) | 2022-08-16 | 2022-08-16 | 一种机房能耗的预测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270505A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115878432A (zh) * | 2023-02-16 | 2023-03-31 | 支付宝(杭州)信息技术有限公司 | 一种计算系统中的进程监控方法及相关设备 |
-
2022
- 2022-08-16 CN CN202210982338.6A patent/CN115270505A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115878432A (zh) * | 2023-02-16 | 2023-03-31 | 支付宝(杭州)信息技术有限公司 | 一种计算系统中的进程监控方法及相关设备 |
CN115878432B (zh) * | 2023-02-16 | 2023-05-12 | 支付宝(杭州)信息技术有限公司 | 一种计算系统中的进程监控方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Methodology of comprehensive building energy performance diagnosis for large commercial buildings at multiple levels | |
CN109146093A (zh) | 一种基于学习的电力设备现场勘查方法 | |
EP2858015A1 (en) | System and method for simulation, control and performance monitoring of energy systems | |
AU2014256585B2 (en) | Monitoring system | |
KR101233267B1 (ko) | 공간분할 기반 지능자율 에너지절감 방법 및 시스템 | |
RU2008102140A (ru) | Система и способ централизованого мониторинга и управления режимом работы силовых трансформаторов, установленных на разных подстанциях и в центрах мониторинга | |
KR20130035577A (ko) | 상황 인지 기반의 건물 에너지 소비 최적화를 지원하는 시스템 및 방법 | |
WO2015106038A1 (en) | A data center infrastructure management (dcim) system comprising predictive analytics | |
CN115270505A (zh) | 一种机房能耗的预测方法、装置、电子设备和存储介质 | |
JP2011248568A (ja) | エネルギー管理システム | |
CN114174731A (zh) | 具有实时热水供应量确定功能的热水器 | |
KR20150026230A (ko) | Bim 데이터를 이용한 셀프 러닝 건물 에너지 관리 시스템 | |
Medina-Santiago et al. | Adaptive model IoT for monitoring in data centers | |
JP6495494B2 (ja) | 機器管理システム、上位管理装置及び機器管理方法 | |
CN115327264A (zh) | 一种数据中心的异常检测方法、装置、电子设备和介质 | |
Nasar et al. | A simple real-time Energy analytics model for smart building using open IoT platforms | |
CN113302435A (zh) | 用于电器的集成不间断电力供应器 | |
Pan et al. | Thermal inertia: Towards an energy conservation room management system | |
KR101541484B1 (ko) | 전력사용량 기반 상태효율 분석을 통한 설비 및 건축물의 노후화 평가 방법 및 시스템 | |
JP6830784B2 (ja) | 情報処理システム | |
KR20190041260A (ko) | 공동주택의 에너지 수요관리 장치 및 방법 | |
KR101692533B1 (ko) | 전력 사용량 예측 시스템 및 방법 | |
KR101710029B1 (ko) | 건물 에너지 분석 시스템 | |
Clauß et al. | Practical challenges towards data-driven applications in buildings: lessons-learned from two real-life case studies | |
CN110895018A (zh) | 基于通信机房空调节能控制的供电诊断和告警方法与装置 |
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 |