CN115899991A - 空调运行控制方法、装置、电子设备及存储介质 - Google Patents
空调运行控制方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115899991A CN115899991A CN202211447746.8A CN202211447746A CN115899991A CN 115899991 A CN115899991 A CN 115899991A CN 202211447746 A CN202211447746 A CN 202211447746A CN 115899991 A CN115899991 A CN 115899991A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- predicted
- temperature
- historical
- server
- 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
- Air Conditioning Control Device (AREA)
Abstract
本发明实施例提供了一种空调运行控制方法、装置、电子设备及存储介质,方法包括:获取目标区域的重要性程度,以及过去第一预设时间段内目标区域的第一历史采集数据;将第一历史采集数据输入多指标预测模型,预测得到接续第一预设时间段的第二预设时间段内空调的预测负载率、服务器的预测计算资源使用率、以及服务器的温度与环境温度的预测温度差异,根据重要性程度、预测负载率、预测计算资源使用率和预测温度差异对空调的运行进行控制。本发明实施例中,基于多指标预测模型预测得到多维度参数,在发现发温度即将升高时,提前提高空调的制冷强度进行有效制冷,在发现发温度即将降低时,提前降低空调的制冷强度,避免空调能耗的浪费。
Description
技术领域
本发明涉及空调控制技术领域,特别是涉及一种空调运行控制方法、一种空调运行控制装置、一种电子设备以及一种计算机可读存储介质。
背景技术
机房空调主要维护模式依旧以人工巡检、调控为主,以机房维护章程作为基础,结合巡检人员的主观体感、机房内温度告警事件、客户要求等因素对机房内空调的各项参数进行设置。
然而,现有的空调维护模式无法快速响应温度的快速变化,尤其针对大型数据中心(IDC,Internet Data Center)机房往往无法对局部高温快速响应,将温度设置过低,造成能耗浪费。
发明内容
本发明实施例是提供一种空调运行控制方法、装置、电子设备及存储介质,以解决现有的空调维护模式无法快速响应温度的快速变化,将温度设置过低,造成能耗浪费的问题。
本发明实施例公开了一种空调运行控制方法,所述方法包括:
获取目标区域的重要性程度,以及过去第一预设时间段内所述目标区域的第一历史采集数据;其中,所述第一历史采集数据包括所述目标区域中空调的历史负载率、服务器的历史计算资源使用率、以及所述服务器的温度与所述目标区域中环境温度的历史温度差异;
将所述第一历史采集数据输入多指标预测模型,得到接续所述第一预设时间段的第二预设时间段内所述空调的预测负载率、所述服务器的预测计算资源使用率、以及所述服务器的温度与所述环境温度的预测温度差异;所述多指标预测模型为通过所述目标区域的第二历史采集数据训练得到;
根据所述重要性程度、所述预测负载率、所述预测计算资源使用率和所述预测温度差异对所述空调的运行进行控制。
可选地,所述获取目标区域的重要性程度,以及过去第一预设时间段内所述目标区域的第一历史采集数据,包括:
构建服务器性能宽表、温湿度信号宽表、空调运行情况宽表和空间资源业务静态宽表;
通过所述服务器性能宽表采集各区域服务器的温度和服务器的计算资源使用率;通过所述温湿度信号宽表采集机房各区域的环境温度;通过所述空调运行情况宽表采集各区域空调的工作电流和压缩机压力;通过所述空间资源业务静态宽表采集各区域业务的重要性程度;
从所述空间资源业务静态宽表获取目标区域的重要性程度;从所述空调运行情况宽表中获取过去第一预设时间段内所述目标区域中空调的工作电流和压缩机压力,并根据工作电流和压缩机压力确定出所述目标区域中空调的历史负载率;从所述服务器性能宽表中获取过去所述第一预设时间段内所述目标区域中服务器的历史计算资源使用率;分别从所述服务器性能宽表和所述温湿度信号宽表中,获取过去所述第一预设时间段内所述目标区域中服务器的温度和所述目标区域的环境温度,并根据服务器的温度和所述目标区域的环境温度,计算出所述目标区域中服务器的温度与所述目标区域的环境温度的历史温度差异。
可选地,所述多指标预测模型包括负载率预测模型、计算资源使用率预测模型和温度差异预测模型,所述将所述第一历史采集数据输入多指标预测模型,预测得到接续所述第一预设时间段的第二预设时间段内所述空调的预测负载率、所述服务器的预测计算资源使用率、以及所述服务器的温度与所述环境温度的预测温度差异,包括:
将所述历史负载率输入所述负载率预测模型中,得到所述第二预设时间段内所述空调的预测负载率;
将所述历史计算资源使用率输入所述计算资源使用率预测模型中,得到所述第二预设时间段内所述服务器的预测计算资源使用率;
将所述历史温度差异输入所述温度差异预测模型中,得到所述第二预设时间段内所述服务器的温度与所述环境温度的预测温度差异。
可选地,所述方法还包括:
获取第一训练样本数据、第二训练样本数据和第三训练样本数据;其中,所述第一训练样本数据为所述目标区域的第二历史采集数据中的所述空调的历史负载率,所述第二训练样本数据为所述目标区域的第二历史采集数据中所述服务器的历史计算资源使用率,所述第三训练样本数据为所述目标区域的第二历史采集数据中所述服务器的温度与所述目标区域中环境温度的历史温度差异;
通过所述第一训练样本数据对待训练的负载率预测模型进行训练,得到训练完成的负载率预测模型;
通过所述第二训练样本数据对待训练的计算资源使用率预测模型进行训练,得到训练完成的计算资源使用率预测模型;
通过所述第三训练样本数据对待训练的温度差异预测模型进行训练,得到训练完成的温度差异预测模型。
可选地,根据所述重要性程度、所述预测负载率、所述预测计算资源使用率和所述预测温度差异对所述空调的运行进行控制,包括
根据所述重要性程度、所述预测负载率、所述预测计算资源使用率和所述预测温度差异确定空调控制策略;
通过所述空调控制策略对所述空调的运行进行控制。
可选地,所述重要性程度划分为极高、高、中和低四个类别,所述预测负载率、所述预测计算资源使用率和所述预测温度差异均划分为高、中和低三个类别。
可选地,所述控制策略至少包括:
当所述重要性程度为极高、所述预测负载率为高和所述预测温度差异为高时,提高所述空调的制冷量;
当所述重要性程度为高、所述预测负载率为高和所述预测温度差异为高时,提高所述空调的制冷量;当所述重要性程度为高、所述预测负载率为高和所述预测温度差异为中时,维持所述空调的制冷量;当所述重要性程度为高、所述预测负载率为高和所述预测温度差异为低时,降低所述空调的制冷量;
当所述重要性程度为高、所述预测负载率为中和所述预测温度差异为高时,维持所述空调的制冷量;当所述重要性程度为高、所述预测负载率为中和所述预测温度差异为中或低时,降低所述空调的制冷量;
当所述重要性程度为中、所述预测负载率为高和所述预测温度差异为高时,提高所述空调的制冷量;当所述重要性程度为中、所述预测负载率为高和所述预测温度差异为中或低时,降低所述空调的制冷量。
本发明实施例还公开了一种空调运行控制装置,包括:
数据获取模块,用于获取目标区域的重要性程度,以及过去第一预设时间段内所述目标区域的第一历史采集数据;其中,所述第一历史采集数据包括所述目标区域中空调的历史负载率、服务器的历史计算资源使用率、以及所述服务器的温度与所述目标区域中环境温度的历史温度差异;
结果预测模块,用于将所述第一历史采集数据输入多指标预测模型,得到接续所述第一预设时间段的第二预设时间段内所述空调的预测负载率、所述服务器的预测计算资源使用率、以及所述服务器的温度与所述环境温度的预测温度差异;所述多指标预测模型为通过所述目标区域的第二历史采集数据训练得到;
运行控制模块,用于根据所述重要性程度、所述预测负载率、所述预测计算资源使用率和所述预测温度差异对所述空调的运行进行控制。
可选地,所述数据获取模块,包括:
表格构建子模块,用于构建服务器性能宽表、温湿度信号宽表、空调运行情况宽表和空间资源业务静态宽表;
数据采集子模块,用于通过所述服务器性能宽表采集各区域服务器的温度和服务器的计算资源使用率;通过所述温湿度信号宽表采集机房各区域的环境温度;通过所述空调运行情况宽表采集各区域空调的工作电流和压缩机压力;通过所述空间资源业务静态宽表采集各区域业务的重要性程度;
数据获取子模块,用于从所述空间资源业务静态宽表获取目标区域的重要性程度;从所述空调运行情况宽表中获取过去第一预设时间段内所述目标区域中空调的工作电流和压缩机压力,并根据工作电流和压缩机压力确定出所述目标区域中空调的历史负载率;从所述服务器性能宽表中获取过去所述第一预设时间段内所述目标区域中服务器的历史计算资源使用率;分别从所述服务器性能宽表和所述温湿度信号宽表中,获取过去所述第一预设时间段内所述目标区域中服务器的温度和所述目标区域的环境温度,并根据服务器的温度和所述目标区域的环境温度,计算出所述目标区域中服务器的温度与所述目标区域的环境温度的历史温度差异。
可选地,所述多指标预测模型包括负载率预测模型、计算资源使用率预测模型和温度差异预测模型,所述结果预测模块,包括:
负载率预测子模块,用于将所述历史负载率输入所述负载率预测模型中,得到所述第二预设时间段内所述空调的预测负载率;
使用率预测子模块,用于将所述历史计算资源使用率输入所述计算资源使用率预测模型中,得到所述第二预设时间段内所述服务器的预测计算资源使用率;
温度差异预测子模块,用于将所述历史温度差异输入所述温度差异预测模型中,得到所述第二预设时间段内所述服务器的温度与所述环境温度的预测温度差异。
可选地,还包括:
样本数据获取子模块,用于获取第一训练样本数据、第二训练样本数据和第三训练样本数据;其中,所述第一训练样本数据为所述目标区域的第二历史采集数据中的所述空调的历史负载率,所述第二训练样本数据为所述目标区域的第二历史采集数据中所述服务器的历史计算资源使用率,所述第三训练样本数据为所述目标区域的第二历史采集数据中所述服务器的温度与所述目标区域中环境温度的历史温度差异;
第一模型训练子模块,用于通过所述第一训练样本数据对待训练的负载率预测模型进行训练,得到训练完成的负载率预测模型;
第二模型训练子模块,用于通过所述第二训练样本数据对待训练的计算资源使用率预测模型进行训练,得到训练完成的计算资源使用率预测模型;
第三模型训练子模块,用于通过所述第三训练样本数据对待训练的温度差异预测模型进行训练,得到训练完成的温度差异预测模型。
可选地,所述运行控制模块,包括
策略确定子模块,用于根据所述重要性程度、所述预测负载率、所述预测计算资源使用率和所述预测温度差异确定空调控制策略;
运行控制子模块,用于通过所述空调控制策略对所述空调的运行进行控制。
可选地,所述重要性程度划分为极高、高、中和低四个类别,所述预测负载率、所述预测计算资源使用率和所述预测温度差异均划分为高、中和低三个类别。
可选地,所述控制策略至少包括:
当所述重要性程度为极高、所述预测负载率为高和所述预测温度差异为高时,提高所述空调的制冷量;
当所述重要性程度为高、所述预测负载率为高和所述预测温度差异为高时,提高所述空调的制冷量;当所述重要性程度为高、所述预测负载率为高和所述预测温度差异为中时,维持所述空调的制冷量;当所述重要性程度为高、所述预测负载率为高和所述预测温度差异为低时,降低所述空调的制冷量;
当所述重要性程度为高、所述预测负载率为中和所述预测温度差异为高时,维持所述空调的制冷量;当所述重要性程度为高、所述预测负载率为中和所述预测温度差异为中或低时,降低所述空调的制冷量;
当所述重要性程度为中、所述预测负载率为高和所述预测温度差异为高时,提高所述空调的制冷量;当所述重要性程度为中、所述预测负载率为高和所述预测温度差异为中或低时,降低所述空调的制冷量。
本发明实施例还公开了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行存储器上所存放的程序时,实现如本发明实施例所述的方法。
本发明实施例还公开了一种计算机可读存储介质,其上存储有指令,当由一个或多个处理器执行时,使得所述处理器执行如本发明实施例所述的方法。
本发明实施例包括以下优点:通过多指标预测模型对目标区域中未来一段时间的多维度参数进行预测,基于预测到的多维度参数提前对空调的运行进行精准控制,具体可以在预测到目标区域的温度(服务器的温度和/或环境温度)在未来一段时间急速上升时,提前提高空调的制冷强度进行有效制冷,避免因目标区域温度急速上升导致服务器故障,而在预测到目标区域温度在未来一段时间出现温度下降时,可以降低空调的制冷强度,避免将空调的温度设置得过低,导致空调能耗的浪费,进而实现通过多维度的预测参数精准控制空调,降低了机房的能源消耗,提升了空调维护的自动化程度。
另外,在对空调的运行进行控制时,还需要考虑目标区域的重要性程度,在空调供给制冷量有限的情况下,可以优先供给制冷量给重要性程度高的目标区域,以防止因重要性程度高的目标区域的服务器出现故障,导致重要的业务无法及时进行处理而造成巨大的经济损失。
附图说明
图1是本发明实施例中提供的一种空调运行控制方法的步骤流程图;
图2是本发明实施例中提供的一种数据关联分析的流程图;
图3是本发明实施例中提供的一种数据传输的流程图;
图4是本发明实施例中提供的一种空调运行控制装置的结构框图;
图5是本发明实施例中提供的一种电子设备的框图。
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。
随着AI技术的日益发展,人工智能逐步开始接触生活的方方面面,各个行业有望与人工智能紧密结合并颠覆传统的发展模式。伴随着“双碳”政策成为国家绿色转型的重要基础,作为移动互联网的网络运营商,也在不断探索机房绿色低碳转型的新模式。
当前运营商机房空调的主要维护模式依旧以人工巡检、调控为主,以机房维护章程作为基础,结合巡检人员的主观体感、机房内温度告警事件、客户要求等因素对机房内空调的各项参数进行设置。现有的空调维护模式无法快速响应温度的快速变化,尤其针对大型数据中心机房往往无法对局部高温快速响应,往往温度设置过低,造成能耗浪费。运营商迫切需要一种能对机房各区域温度快速识别、自动调节空调的节能技术,来提升机房综合效能,逐步向绿色机房转型。
为了适应大型数据中心低碳转型的发展,基于区域温度的机房空调控制方法产生了:区域温度空调控制技术通过对机房各区域环境温度的采集,集中汇聚至本地群控中,使得运营商维护人员能够结合现场实施温度情况,按照业务重要性对机房空调进行差异化维护、配置,而不是简单以机房为维护单位平等的控制一个机房内所有空调,提高了机房总体能效利用率。目前,运营商机房维护均已经采用基于区域温度的维护模式。
在传统通信机房中,提供各区域温度分析数据源的是本地动环监控系统(SS,Supervision System);在大型数据中心中,提供各区域温度数据源的是群控系统和暖通系统;在基站和接入网中,提供区域温度数据源的是省端汇聚系统。这些系统中包含的温度实时性能数据是类似的。区域温度空调控制技术就是通过对机房内温度数据的采集并匹配到对应空调,从而作为差异化调节同一个机房各区域空调的依据。
因此,各区域内温度性能数据的采集准确性、及时率、完整性是实施机房空调精细化调节的关键,目前区域温度空调控制技术主要使用以下几个步骤控制空调:
1)机房温度采集:对接本地动环监控系统,获取机房内所有温度传感器的实时数据、位置数据;
2)关联机房空调:获取机房内所有空调的位置信息,按照区域与上一步的温度进行关联后组成区域组;
3)调节空调设置温度:将各区域的温度实时值进行平均,根据预先设置的门限阈值调节空调。
但是,以现在基于区域温度的机房空调控制的维护模式在实际使用一段时间后发现开始效果很好,但很快会出现瓶颈,导致无法进一步减少碳排放。具体困难点如下:
1)区域内温度测点数量不足或距离远,难以精确控制空调
目前,高速发展的大数据、区块链、元宇宙等业务对末端带宽要求越来越高,运营商建立、维护的机房数量也与日俱增。但由于历史原因往往大部分为老旧机房,硬件设施,尤其是传感器测点缺失较多,一个百平方米的机房仅寥寥3、4个温度测点,且都安装于机房顶上,与实际业务机架存在一定距离,无法准确采集业务机架温度,难以对末端空调进行精准控制。机房维护人员依靠这些采集的数据往往优先确保机房业务安全,将空调设置温度较低,造成了能耗浪费。
2)IDC机房单机架业务密集型高,短时间升温快,空调无法恒温压制
随着云计算、5G、物联网等行业的发展以及疫情的催化,全球数据量与数据流量爆发式的增长导致业务快速增长,机房尤其是IDC机房业务越来越多样,高能耗、大功率机架不断在机房使用,短时间内温度升高越来越快,空调需要设置更低的温度才能压制温度升高趋势,耗能巨大。例如,一个机房前几天还只有30个业务上架,10天后,已经满载100个机架,并准备继续增加。此时,区域内空调需要设置更低的温度、耗费更大的能耗才能压制温度的升高,保证业务正常运行。
3)控制空调模式形式单一,缺乏灵活性
移动互联网时代,大算力服务器大量增加,对机房环境的要求越来越高,单一空调控制模式已无法满足对大型数据中心多业务场景的节能需求,急需一种可根据业务场景灵活自定义配置的空调节能模式。
尤其对于IDC数据中心各种类型客户的不同要求,基于单一区域温度空调控制方法已难以支撑政府对“双碳”的进一步要求,缺乏对重要业务细分的控制能力,例如:在同一个机房中甚至同一机架中,对某些重要机架的温度进行优先保护,对某些机架降低温度策略以减少能源消耗。
受制于以上原因,目前单一区域温度空调控制方法存在无法精确控制空调、能耗消耗较大、形式单一缺乏灵活性等问题。
基于此,本发明实施例中提出了一种空调运行控制方法、装置、电子设备及存储介质,以解决上述存在的技术问题。
本发明实施例中提出空调运行控制方法需对现场动环(动环监控系统)、资源系统、IDC业务系统、现场气流组织、数据中台进行升级改造,现场维护人员对各个场景标签进行一次性定义,同时在初始化过程中,对5种控制方案进行一次性建模即可。具体的要求如下:
1、动环网管、资源系统、IDC业务系统对数据字段关联定位的改造
动环监控系统中需新增含有PositionSen属性字段的温湿度传感器,主要存储根据资源系统空间信息关联形成的位置信息,和不同时间点采集的温湿度实时数据一起形成相对位置关联数据RelativePo,对其他宽表进行关联组合。
增加资源系统空间资源位置信息Position字段,结合IDC业务机架、机框等静态资源数据,形成相对位置关联数据RelativePo。
增加IDC业务系统服务器归属机架位置参数PositionSer字段,结合CPU温度、CPU负载、数据流量、主板温度、风扇转速等采集数据,形成相对位置关联数据RelativePo。
2、机房区域内气流组织的改造
对机房内各个区域气流组织的改造,需做到各个区域互相不干扰,气流组织良好,含各机架、机柜、地板挡板齐全等。
3、对数据中台与各系统接口、定义标签、建模研判的改造
对数据中台对外接口的改造,打通动环、资源系统、IDC业务系统实时数据对接;对定义4种类标签的改造,使其根据采集到的数据能自动生成4类标签;对数据建模的改造,基于DeepAR(RNN+Embedding)算法,使其可对机房各区域发热量进行预测。
参照图1,示出了本发明实施例中提供的一种叶片数量检测方法的步骤流程图,具体可以包括如下步骤:
步骤101:获取目标区域的重要性程度,以及过去第一预设时间段内所述目标区域的第一历史采集数据。
其中,第一历史采集数据包括目标区域中空调的历史负载率、服务器的历史计算资源使用率、以及服务器的温度与目标区域中环境温度的历史温度差异。
机房通常可以分为多个区域,例如2个区域、3个区域等,每个区域都安装有对应的服务器和空调,通过空调对服务器进行降温。服务器根据处理业务的不同,重要性也不同,服务器的所属区域的重要性程度根据服务器处理业务的重要性进行区分,处理的业务越重要,服务器的所属区域的重要性程度就越高,处理的业务越不重要,服务器的所属区域的重要性程度就越低。
空调的负载率可以由空调的运行参数如工作电流、工作电压、压缩机压力等综合评价得到;计算资源使用率可以为服务器上的硬件设备使用率(如CPU使用率、GPU使用率);服务器的温度为服务器内部的温度(如CPU温度、主板温度),服务器的温度与目标区域中环境温度的历史温度差异,即服务器的内部温度和其所在的外部环境温度的差异。
在机房各区域中空调运行的过程中,可以周期性采集各区域中实时数据,包含:服务器中CPU温度、CPU负载、数据流量、主板温度,环境温度、湿度数据,空调运行时的回风温湿度、远程开关机控制信号、温度值设定赋值信号数据等。从而可以从实时数据中获取到目标区域的第一历史采集数据。
具体地,在对目标区域中空调的运行进行控制之前,先获取目标区域的重要性程度,以及过去第一预设时间段内目标区域的第一历史采集数据,例如获取过去一周、两周或一个月内目标区域的第一历史采集数据,第一历史采集数据包括目标区域中空调的历史负载率、服务器的历史计算资源使用率、以及服务器的温度与目标区域中环境温度的历史温度差异。
步骤102:将所述第一历史采集数据输入多指标预测模型,得到接续所述第一预设时间段的第二预设时间段内所述空调的预测负载率、所述服务器的预测计算资源使用率、以及所述服务器的温度与所述环境温度的预测温度差异。
其中,多指标预测模型为通过目标区域的第二历史采集数据训练得到。
具体地,将过去第一预设时间段内目标区域中空调的历史负载率、服务器的历史计算资源使用率、以及服务器的温度与目标区域中环境温度的历史温度差异等第一历史采集数据,输入多指标预测模型中,可以预测得到接续第一预设时间段的第二预设时间段内空调的预测负载率、服务器的预测计算资源使用率、以及服务器的温度与环境温度的预测温度差异,第二预设时间段可以为接续第一预设时间段的10分钟、半个小时、一个小时等。
步骤103:根据所述重要性程度、所述预测负载率、所述预测计算资源使用率和所述预测温度差异对所述空调的运行进行控制。
具体地,在预测得到第二预设时间段内空调的预测负载率、服务器的预测计算资源使用率、以及服务器的温度与环境温度的预测温度差异之后,在接下来的第二预设时间段内,可以根据目标区域的重要性程度、目标区域中空调的预测负载率、服务器的预测计算资源使用率,以及服务器的温度与目标区域的环境温度的预测温度差异,提前对空调的运行进行控制,例如可以在目标区域温度即将快速变化之前,通过空调采用对应有效的制冷措施,一方面可以防止目标区域温度急速上升,另一方面在预测到目标区域温度在接下来的第二预设时间段内出现温度下降时,将空调的温度调高,避免将空调的温度设置得过低,导致空调能耗的浪费。
本发明实施例中,通过多指标预测模型对目标区域中未来一段时间的多维度参数进行预测,基于预测到的多维度参数提前对空调的运行进行精准控制,具体可以在预测到目标区域的温度(服务器的温度和/或环境温度)在未来一段时间急速上升时,提前提高空调的制冷强度进行有效制冷,避免因目标区域温度急速上升导致服务器故障,而在预测到目标区域温度在未来一段时间出现温度下降时,可以降低空调的制冷强度,避免将空调的温度设置得过低,导致空调能耗的浪费,进而实现通过多维度的预测参数精准控制空调,降低了机房的能源消耗,提升了空调维护的自动化程度。
另外,在对空调的运行进行控制时,还需要考虑目标区域的重要性程度,在空调供给制冷量有限的情况下,可以优先供给制冷量给重要性程度高的目标区域,以防止因重要性程度高的目标区域的服务器出现故障,导致重要的业务无法及时进行处理而造成巨大的经济损失。
在上述实施例的基础上,提出了上述实施例的变型实施例,在此需要说明的是,为了使描述简要,在变型实施例中仅描述与上述实施例的不同之处。
在本发明的一可选实施例中,所述步骤101包括:构建服务器性能宽表、温湿度信号宽表、空调运行情况宽表和空间资源业务静态宽表;通过所述服务器性能宽表采集各区域服务器的温度和服务器的计算资源使用率;通过所述温湿度信号宽表采集机房各区域的环境温度;通过所述空调运行情况宽表采集各区域空调的工作电流和压缩机压力;通过所述空间资源业务静态宽表采集各区域业务的重要性程度;从所述空间资源业务静态宽表获取目标区域的重要性程度;从所述空调运行情况宽表中获取过去第一预设时间段内所述目标区域中空调的工作电流和压缩机压力,并根据工作电流和压缩机压力确定出所述目标区域中空调的历史负载率;从所述服务器性能宽表中获取过去所述第一预设时间段内所述目标区域中服务器的历史计算资源使用率;分别从所述服务器性能宽表和所述温湿度信号宽表中,获取过去所述第一预设时间段内所述目标区域中服务器的温度和所述目标区域的环境温度,并根据服务器的温度和所述目标区域的环境温度,计算出所述目标区域中服务器的温度与所述目标区域的环境温度的历史温度差异。
为了将复杂的机房区域温度场呈现简单化,创建服务器性能宽表、温湿度信号宽表、空调运行情况宽表三类实时数据采集宽表和一类机房空间资源数据静态宽表,使用空调资源中描述定位信息的参数Position,用于标识各个宽表中各个设备的位置信息。其中,
服务器性能宽表:用于存储业务服务器自测的数据,尤其是CPU温度(服务器的温度)、CPU负载(计算机资源使用率)、数据流量、主板温度、风扇转速等采集数据以及服务器归属机架位置参数(PositionSer)。
温湿度信号宽表:用于存储机房类各个区域的温度信号数据(环境温度),按照采集时间顺序存储,定义温湿度区域二维定位参数(PositionSen)。
空调运行情况宽表:用于存储机房内空调的运行、控制参数,包含工作电流、回风温湿度、压缩机压力、远程开关机控制信号、温度值设定赋值信号等,定义空调区域二维定位参数(PositionAirCon)。
空间资源业务静态宽表:用于存储机房的所有空间资源位置信息(Position)、静态属性等,具体包括:设备名称、编码、类型、位置、业务名称、业务重要程度(重要性程度)、所属机房名称等字段,形成资源宽表,供关联使用。
使用上述4张表中PositionSer、PositionSen、PositionAirCon和Position属性将业务服务器、温湿度传感器、空调和机房静态资源数据共同置于同一个机房空间中,形成相对位置关联数据RelativePo。
因此,可以从空间资源业务静态宽表获取目标区域的重要性程度。
从空调运行情况宽表中获取过去第一预设时间段内目标区域中空调的工作电流和压缩机压力,并根据工作电流和压缩机压力确定出目标区域中空调的历史负载率。
从服务器性能宽表中获取过去第一预设时间段内目标区域中服务器的历史计算资源使用率。
分别从服务器性能宽表和温湿度信号宽表中,获取过去第一预设时间段内目标区域中服务器的温度和目标区域的环境温度,并根据服务器的温度和目标区域的环境温度,计算出目标区域中服务器的温度与目标区域的环境温度的历史温度差异。
需要说明的是,通过服务器性能宽表、温湿度信号宽表、空调运行情况宽表和空间资源业务静态宽表,可以是实时采集,也可是间隔预设时间段采集,例如间隔一个小时采集一次,具体可以根据实际需要进行设置,本发明实施例中对此不加以限制。
上述实施例中,使用静态宽表、动态宽表、资源宽表的形式将业务服务器中固有的主板、CPU等原生传感器结合资源机架关联定位,与动环监控系统监控环境温度传感器有效关联成温度测点场,补足了传统机房温度测点不足、远的痛点。
在本发明的一可选实施例中,所述多指标预测模型包括负载率预测模型、计算资源使用率预测模型和温度差异预测模型,所述步骤102包括:将所述历史负载率输入所述负载率预测模型中,得到所述第二预设时间段内所述空调的预测负载率;将所述历史计算资源使用率输入所述计算资源使用率预测模型中,得到所述第二预设时间段内所述服务器的预测计算资源使用率;将所述历史温度差异输入所述温度差异预测模型中,得到所述第二预设时间段内所述服务器的温度与所述环境温度的预测温度差异。
具体地,多指标预测模型包括负载率预测模型、计算资源使用率预测模型和温度差异预测模型,对目标区域未来的第二预设时间段内的多维度参数进行预测。
具体是通过将过去第一预设时间段内空调的历史负载率输入负载率预测模型中,得到接续第一预设时间段的第二预设时间段内空调的预测负载率。
通过将过去第一预设时间段内服务器的历史计算资源使用率输入计算资源使用率预测模型中,得到接续第一预设时间段的第二预设时间段内服务器的预测计算资源使用率。
通过将过去第一预设时间段内服务器的温度和目标区域中的环境温度的历史温度差异输入温度差异预测模型中,得到接续第一预设时间段的第二预设时间段内服务器的温度与环境温度的预测温度差异。
上述实施例中,通过负载率预测模型、计算资源使用率预测模型和温度差异预测模型,预测得到目标区域中未来第二预设时间段内的空调的预测负载率、服务器的预测计算资源使用率、以及服务器的温度与环境温度的预测温度差异,以便后续基于该预测得到的参数对空调的运行进行精准预测。
在本发明的一可选实施例中,所述方法还包括:获取第一训练样本数据、第二训练样本数据和第三训练样本数据;其中,所述第一训练样本数据为所述目标区域的第二历史采集数据中的所述空调的历史负载率,所述第二训练样本数据为所述目标区域的第二历史采集数据中所述服务器的历史计算资源使用率,所述第三训练样本数据为所述目标区域的第二历史采集数据中所述服务器的温度与所述目标区域中环境温度的历史温度差异;通过所述第一训练样本数据对待训练的负载率预测模型进行训练,得到训练完成的负载率预测模型;通过所述第二训练样本数据对待训练的计算资源使用率预测模型进行训练,得到训练完成的计算资源使用率预测模型;通过所述第三训练样本数据对待训练的温度差异预测模型进行训练,得到训练完成的温度差异预测模型。
其中,第二历史采集数据可以为任意时间段从目标区域中采集的数据,第二历史采集数据至少包括目标区域中空调的历史负载率、目标区域中服务器的历史计算资源使用率、以及目标区域中服务器的温度与目标区域的环境温度的历史温度差异。
对待训练的负载率预测模型进行训练:第一训练样本数据可以是第二历史采集数据中任意一时间段(如A时间段)的空调的历史负载率,其还包括接续A时间段的B时间段内空调的真实负载率,通过将第一训练样本数据输入待训练的负载率预测模型中,预测得到B时间段内空调的预测负载率,然后计算B时间段内预测负载率和真实负载率的损失值,当损失值小于预设阈值,或损失值收敛时,确定负载率预测模型训练完成,否则继续通过第一训练样本数据对待训练的负载率预测模型进行训练。
对待训练的计算资源使用率预测模型进行训练:第二训练样本数据可以是第二历史采集数据中任意一时间段(如A时间段)内服务器的历史计算资源使用率,其还包括接续A时间段的B时间段内服务器的真实计算资源使用率,通过将第二训练样本数据输入待训练的计算资源使用率预测模型中,预测得到B时间段内服务器的预测计算资源使用率,然后计算B时间段内预测计算资源使用率和真实计算资源使用率的损失值,当损失值小于预设阈值,或损失值收敛时,确定计算资源使用率预测模型训练完成,否则继续通过第二训练样本数据对待训练的计算资源使用率预测模型进行训练。
对待训练的温度差异预测模型进行训练:第三训练样本数据可以是第二历史采集数据中任意一时间段(如A时间段)的服务器的温度与目标区域中环境温度的历史温度差异,其还包括接续A时间段的B时间段内服务器的温度与目标区域中环境温度的真实温度差异,通过将第三训练样本数据输入待训练的温度差异预测模型中,预测得到B时间段内服务器的温度与目标区域中环境温度的预测温度差异,然后计算B时间段内预测温度差异和真实温度差异的损失值,当损失值小于预设阈值,或损失值收敛时,确定温度差异预测模型训练完成,否则继续通过第三训练样本数据对待训练的温度差异预测模型进行训练。
在本发明的一可选实施例中,所述步骤103包括:根据所述重要性程度、所述预测负载率、所述预测计算资源使用率和所述预测温度差异确定空调控制策略;通过所述空调控制策略对所述空调的运行进行控制。
具体地,在通过多指标预测模型预测出未来第二预设时间段内空调的预测负载率、服务器的预测计算资源使用率、以及服务器的温度与目标区域中的环境温度的预测温度差异之后,通过目标区域的重要性程度、预测负载率、预测计算资源使用率和预测温度差异确定空调控制策略,以根据控制策略对空调的运行进行控制。
在本发明的一可选实施例中,所述重要性程度划分为极高、高、中和低四个类别,所述预测负载率、所述预测计算资源使用率和所述预测温度差异均划分为高、中和低三个类别。
具体地,可以根据业务重要性(重要性程度)、温度趋势(温度差异)、CPU使用率趋势(计算资源使用率)、空调运行质态(预测负载率)四个关键场景,形成多维度多时间段场景标签集。
1)业务重要场景标签:使用空间资源业务静态宽表数据中业务重要性数据,对RelativePo进行区域标签标识,按照业务重要性分为四类进行标注:B极高(占比小于5%)、B高(15%)、B中(60%)、B低(20%)。
2)温度趋势标签:使用温湿度信号宽表中的温湿度数据关联服务器性能宽表中的服务器温度形成详细温场图,记录每一时刻(小时)数据并按照设备与温湿度测点的差异以每小时为维度依次分为3类标注:T高(5度以上)、T中(2-5度)、T低(2度以内)。
3)CPU使用率趋势标签:使用服务器性能宽表中最影响服务器温度上升的CPU使用率因素,记录CPU每一时刻(小时)使用率,以每小时为维度依次分为3类标注:C高(80%以上)、C中(40%-80%)、C低(40%以下)
4)空调运行质态标签:使用空调运行情况宽表中空调的运行参数,结合当前空调的工作电流、压缩机压力综合评估空调当前的负载率并记录,以每小时为维度依次分为3类标注:K高(空调负载达到80%以上)、K中(空调负载在50%-80%之前)、K低(50%以下)。
需要说明的是,上述用于划分极高、高、中、低的数值仅作为示例性说明,标注的划分方式具体可以根据实际需要进行设置,本发明实施例中对此不加以限制。
在本发明的一可选实施例中,所述控制策略至少包括:当所述重要性程度为极高、所述预测负载率为高和所述预测温度差异为高时,提高所述空调的制冷量;当所述重要性程度为高、所述预测负载率为高和所述预测温度差异为高时,提高所述空调的制冷量;当所述重要性程度为高、所述预测负载率为高和所述预测温度差异为中时,维持所述空调的制冷量;当所述重要性程度为高、所述预测负载率为高和所述预测温度差异为低时,降低所述空调的制冷量;当所述重要性程度为高、所述预测负载率为中和所述预测温度差异为高时,维持所述空调的制冷量;当所述重要性程度为高、所述预测负载率为中和所述预测温度差异为中或低时,降低所述空调的制冷量;当所述重要性程度为中、所述预测负载率为高和所述预测温度差异为高时,提高所述空调的制冷量;当所述重要性程度为中、所述预测负载率为高和所述预测温度差异为中或低时,降低所述空调的制冷量。
具体地,对空调的控制策略方案可以为多种,可以根据目标区域的重要性程度的类别、空调的负载率的类别、服务器的预测计算资源的类别、以及服务器的温度与环境温度的预测温度差异的类别,确定出对应的控制策略方案,然后通过该控制策略方案对空调的运行进行控制。作为示例,控制策略方案可以如下:
1)对于业务重要场景为B极高的5%区域的设备,全时间段优先保证空调冷量,以保证该区域内的设备稳定程度最高,并根据其CPU使用率、结合温度趋势两个场景标签,在C高、T高的情况下加大该区域的制冷量,以保证该区域环境最优。
2)对于B高、T高场景,在C高的时间段,提前(如40min左右)设置空调温度,尽快加大冷量,以确保在区域温升未大面积升高时,提前应对;在C中时间段中,维持冷量供应不变,时刻监控区域内温度的变化情况,保证区域内冷量的温度供给;在C低的时间段,结合区域温度情况,在保证T高不进一步加剧的情况下,适当降低冷量,将冷量优先供给其他区域。
3)对于B高、T中场景,在C高的时间段,维持冷量供应不变,时刻监控区域内温度的变化情况,确保T中未进一步升级到T高的情况下,保证区域内冷量的温度供给;在C中的时间段,结合区域温度情况,在保证区域温度不进一步升高的情况下,适当降低冷量。在C低的时间段,进一步降低冷量供给,时刻监控区域内温度的变化情况,保证温度升高可控。
4)对于B中、T高场景,在C高的时间段,提前(如20min左右)设置空调温度,逐步加大冷量,以确保在区域温升未大面积升高时,提前应对;在C中时间段中,维持冷量供应不变,时刻监控区域内温度的变化情况,若有温度下降趋势,同步缓慢降低冷量供应;在C低的时间段,结合区域温度情况,降低冷量,将冷量优先供给其他区域。
5)其他组合场景,根据以上四个逻辑的运行情况,在保证温度场不出设备告警的情况下,优先将制冷量供给其他场景,时刻监控区域内温度场的变化情况,在确保温度场不出现温度极高的情况下,持续降低制冷量,以减少碳排放。
当然,随着业务负载的变化,四个场景标签会按照实际采集值同步进行更新、关联,以客观符合各个机房的实际情况,5种类控制空调的逻辑可根据维护人员的实际情况进行自定义增加、修改、删除操作,只需要使用4种标签的任意组合、触发即可对空调进行按小时的精确化控制,实现简单,现场改造少,维护人员易于设置,可快速上手操作。
为了本领域的技术人员更好地理解本发明中的实施例,以下通过一实施例进行示例性说明:
一、定义机房业务设备监控关联宽表
为了将复杂的机房区域温度场呈现简单化,创建了服务器性能宽表、温湿度信号宽表、空调运行情况宽表三类实时数据采集宽表和一类机房空间资源数据静态宽表,使用空间资源中描述定位信息的参数Position,用于标识各个宽表中各个设备的位置信息。
使用上述4张表中PositionSer、PositionSen、PositionAirCon和Position属性将业务服务器、温湿度传感器、空调和机房静态资源数据共同置于同一个机房空间中,形成相对位置关联数据RelativePo供下一步数据关联、标签调用。
二、采集CPU、温度等实时数据关联、分时间段标签记录
第一步,周期性采集宽表中的实时数据,包含:服务器性能宽表中CPU温度、CPU负载、数据流量、主板温度,温湿度信号中温度、湿度数据,空调运行情况宽表中回风温湿度、远程开关机控制信号、温度值设定赋值信号数据。
第二步,关联所有温度数据,形成温度测点场。根据空间相对位置属性RelativePo对机房内各个设备进行区域划分(一般一个机房划分为三个区域),使用RelativePo关联最近的服务器的主板、CPU,获取实时温度数据,与动环温湿度采集数据关联合并,解决了老旧机房温度测点不够的问题。
第三步,根据业务重要性、温度趋势、CPU使用率趋势、空调运行质态四个关键场景,形成多维度多时间段场景标签集。
A,业务重要场景标签:使用空间资源业务静态宽表数据中业务重要性数据,对RelativePo进行区域标签标识,按照业务重要性分为四类进行标注:B极高(占比小于5%)、B高(15%)、B中(60%)、B低(20%)
B,温度趋势标签:使用温湿度信号宽表中的温湿度数据关联服务器性能宽表中的服务器温度形成详细温场图,记录每一时刻(小时)数据并按照设备与温湿度测点的差异以每小时为维度依次分为3类标注:T高(5度以上)、T中(2-5度)、T低(2度以内)
C,CPU使用率趋势标签:使用服务器性能宽表中最影响服务器温度上升的CPU使用率因素,记录CPU每一时刻(小时)使用率,以每小时为维度依次分为3类标注:C高(80%以上)、C中(40%-80%)、C低(40%以下)
D,空调运行质态标签:使用空调运行情况宽表中空调的运行参数,结合当前空调的工作电流、压缩机压力综合评估空调当前的负载率并记录,以每小时为维度依次分为3类标注:K高(空调负载达到80%以上)、K中(空调负载在50%-80%之前)、K低(50%以下)
三、建立数据模型,根据不同时间段标签学习并实时输出空调控制策略
结合业务重要场景标签、温度趋势标签、CPU使用率趋势标签、空调运行质态标签四个场景标签集,使用机器学习算法搭建数据模型,最终将海量时间段的历史时间数据研判成可预测下一时间段的可用标签(T、C、K),实现实时精准控制空调以降低碳排放。
主要算法模型如下:
使用DeepAR(RNN+Embedding)算法根据各时间段数据进行机房各区域发热量预测。通过持续采集3张设备性能宽表数据,累计至少一周作为历史数据集,根据资源静态数据表中机房空间状况、采样点分布以及不同设备型号,分别建立制冷影响力模型、设备能耗与制冷量关联模型、机房温度预测模型和冷站控制逻辑模型,并且评估制冷量冗余情况,使用RNN类网络算法对历史数据进行训练、构建多指标预测模型,生成可预测的下一时间段标签(T、C、K)值。
数据模型过程:算法输入:当前制冷参数配置、温感编号、过去24小时的温度值等采集与静态空间数据(第一历史采集数据),算法输出:在当前制冷配置参数下,各个温感未来10min的预计T、C、K值。
算法对训练数据进行随机采样,以随机抽取时间点t为原始输入数据,t~t+L为输出,以t时刻产生的训练样本为例,输入为:当前时间点的相关特征,以及上一个时间点各个特征相应的LSTM(Long Short Term Memory,长短期记忆递归神经网络)输出;此时模型输出为:t时间点的真实值。反复循环学习t+1~t+L时刻的样本;如此反复随机采样数据进行模型训练。
四、根据预测的T、C、K值和B值逻辑研判确定空调控制策略方案,以通过控制策略方案对空调的运行进行控制。
详细的关联分析过程可以参照图2,示出了本发明实施例中提供的一种数据关联分析的流程图。其中,
动态宽表:采集3张机房设备动态性能采集宽表(服务器性能宽表、温湿度信号宽表、空调运行情况宽表),这些设备一般建局时机房位置较为固定,可通过PositionSer、PositionSen、PositionAirCon快速形成相对位置信息RelativePo。
静态宽表:维护1张动态宽表,取自资源系统,主要存储空间资源业务,使用位置信息Position与3张动态宽表快速建立位置相对信息
定义4类关键标签:根据业务重要性、温度趋势、CPU使用率趋势、空调运行质态四个关键场景,形成4个多维度多时间段场景标签集
机器学习:使用DeepAR(RNN+Embedding)算法建立数学模型以历史各采集参数为入参,生成预测标签值来供逻辑研判。
逻辑研判:根据最终预测的B、T、C、K值,分5个场景对机房空调进行精确控制,并支持逻辑研判规则自定义。
详细的数据传输过程可以参照附图3,示出了本发明实施例中提供的一种数据传输的流程图。
1、通过数据统一采集平台B接口完成温湿度信号宽表、空调运行情况宽表数据采集,通过业务网管获取服务器性能宽表性能数据采集,每张表均含标识位置的唯一字段(PositionSer、PositionSen、PositionAirCon)和各类型设备特征值。使用POST协议形成接口,以机房名称作为入参,可调用同一机房中采集设备属性。
2、从资源系统中获取机房空间资源位置信息Position和设备静态属性清单,包括:设备名称、编码、类型、位置、业务名称、业务重要程度、所属机房名称等字段,形成资源宽表,供关联使用。
3、将3张性能宽表中的历史性能值、当前性能值结合资源空间数据形成海量时间段标签集,使用DeepAR(RNN+Embedding)算法建立数据模型,生成可预测的下一时间段最终标签值。
4、按照最终多维度标签值,分五种场景进行逻辑研判,最终输出下一时间段空调控制策略,通过B接口下发控制命令。
上述实施例中,通过引入业务机架服务器温度监控数据、CPU负载数据、历史温度(区域测点+服务器自测)数据、空调运行数据、机房空间资源数据等进行多维度关联、打标,基于多种标签实现多维度、精确化的空调管控策略,使用机器学习DeepAR算法预测服务器发热曲线,提前控制空调降低温度的主动性预先干预方法代替原先的区域温度场升高后,需要消耗更多的能耗设置更低的温度降低区域温度的后治理方法,实现更精确化、灵活地对每台空调进行标签控制的方法,进一步节约机房能源消耗,降低碳排放。
本发明实施例中提出的技术方案相对于现有最接近技术,具备以下优点:
1)现有技术存在区域内温度测点数量不足或距离远,难以精确控制空调,本发明实施例中使用静态宽表、动态宽表、资源宽表的形式将业务服务器中固有的主板、CPU等原生传感器结合资源机架关联定位,与动环监控环境温度传感器有效关联成温度场,补足了传统机房温度测点不足、远的痛点,进一步结合4类标签组合方式,能使用区域温度热场精确控制空调,提高制冷效率。
2)现有技术针对IDC机房单机架业务密集型高,短时间升温快,空调无法恒温压制。本发明实施例中采用历史服务器CPU使用率曲线,结合历史环境温度上升曲线为主,使用DeepAR(RNN+Embedding)算法根据各时间段数据进行机房各区域发热量预测,能有效提前发现发热量增加,提前精准控制空调进行事先逐步压制,以确保在区域温升未大面积升高时,提前应对,减少区域内制冷总体消耗能量,进一步减少碳排放。
3)现有的方案控制空调模式形式单一,缺乏灵活性。本发明实施例中采用多维度标签分析模型,可按照实际采集值同步进行更新、关联,以客观符合各个机房的实际情况,5种类控制空调的逻辑可根据维护人员的实际情况进行自定义增加、修改、删除操作,只需要使用4种标签的任意组合、触发即可对空调进行按小时的精确化控制,实现简单,现场改造少,维护人员易于设置,可快速上手操作。
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4,示出了本发明实施例中提供的一种空调运行控制装置的结构框图,空调运行控制装置具体可以包括如下模块:
数据获取模块401,用于获取目标区域的重要性程度,以及过去第一预设时间段内所述目标区域的第一历史采集数据;其中,所述第一历史采集数据包括所述目标区域中空调的历史负载率、服务器的历史计算资源使用率、以及所述服务器的温度与所述目标区域中环境温度的历史温度差异;
结果预测模块402,用于将所述第一历史采集数据输入多指标预测模型,得到接续所述第一预设时间段的第二预设时间段内所述空调的预测负载率、所述服务器的预测计算资源使用率、以及所述服务器的温度与所述环境温度的预测温度差异;所述多指标预测模型为通过所述目标区域的第二历史采集数据训练得到;
运行控制模块403,用于根据所述重要性程度、所述预测负载率、所述预测计算资源使用率和所述预测温度差异对所述空调的运行进行控制。
在本发明的一个可选地实施例中,所述数据获取模块,包括:
表格构建子模块,用于构建服务器性能宽表、温湿度信号宽表、空调运行情况宽表和空间资源业务静态宽表;
数据采集子模块,用于通过所述服务器性能宽表采集各区域服务器的温度和服务器的计算资源使用率;通过所述温湿度信号宽表采集机房各区域的环境温度;通过所述空调运行情况宽表采集各区域空调的工作电流和压缩机压力;通过所述空间资源业务静态宽表采集各区域业务的重要性程度;
数据获取子模块,用于从所述空间资源业务静态宽表获取目标区域的重要性程度;从所述空调运行情况宽表中获取过去第一预设时间段内所述目标区域中空调的工作电流和压缩机压力,并根据工作电流和压缩机压力确定出所述目标区域中空调的历史负载率;从所述服务器性能宽表中获取过去所述第一预设时间段内所述目标区域中服务器的历史计算资源使用率;分别从所述服务器性能宽表和所述温湿度信号宽表中,获取过去所述第一预设时间段内所述目标区域中服务器的温度和所述目标区域的环境温度,并根据服务器的温度和所述目标区域的环境温度,计算出所述目标区域中服务器的温度与所述目标区域的环境温度的历史温度差异。
在本发明的一个可选地实施例中,所述多指标预测模型包括负载率预测模型、计算资源使用率预测模型和温度差异预测模型,所述结果预测模块,包括:
负载率预测子模块,用于将所述历史负载率输入所述负载率预测模型中,得到所述第二预设时间段内所述空调的预测负载率;
使用率预测子模块,用于将所述历史计算资源使用率输入所述计算资源使用率预测模型中,得到所述第二预设时间段内所述服务器的预测计算资源使用率;
温度差异预测子模块,用于将所述历史温度差异输入所述温度差异预测模型中,得到所述第二预设时间段内所述服务器的温度与所述环境温度的预测温度差异。
在本发明的一个可选地实施例中,还包括:
样本数据获取模块,用于获取第一训练样本数据、第二训练样本数据和第三训练样本数据;其中,所述第一训练样本数据为所述目标区域的第二历史采集数据中的所述空调的历史负载率,所述第二训练样本数据为所述目标区域的第二历史采集数据中所述服务器的历史计算资源使用率,所述第三训练样本数据为所述目标区域的第二历史采集数据中所述服务器的温度与所述目标区域中环境温度的历史温度差异;
第一模型训练模块,用于通过所述第一训练样本数据对待训练的负载率预测模型进行训练,得到训练完成的负载率预测模型;
第二模型训练模块,用于通过所述第二训练样本数据对待训练的计算资源使用率预测模型进行训练,得到训练完成的计算资源使用率预测模型;
第三模型训练模块,用于通过所述第三训练样本数据对待训练的温度差异预测模型进行训练,得到训练完成的温度差异预测模型。
在本发明的一个可选地实施例中,所述运行控制模块,包括
策略确定子模块,用于根据所述重要性程度、所述预测负载率、所述预测计算资源使用率和所述预测温度差异确定空调控制策略;
运行控制子模块,用于通过所述空调控制策略对所述空调的运行进行控制。
在本发明的一个可选地实施例中,所述重要性程度划分为极高、高、中和低四个类别,所述预测负载率、所述预测计算资源使用率和所述预测温度差异均划分为高、中和低三个类别。
在本发明的一个可选地实施例中,所述控制策略至少包括:
当所述重要性程度为极高、所述预测负载率为高和所述预测温度差异为高时,提高所述空调的制冷量;
当所述重要性程度为高、所述预测负载率为高和所述预测温度差异为高时,提高所述空调的制冷量;当所述重要性程度为高、所述预测负载率为高和所述预测温度差异为中时,维持所述空调的制冷量;当所述重要性程度为高、所述预测负载率为高和所述预测温度差异为低时,降低所述空调的制冷量;
当所述重要性程度为高、所述预测负载率为中和所述预测温度差异为高时,维持所述空调的制冷量;当所述重要性程度为高、所述预测负载率为中和所述预测温度差异为中或低时,降低所述空调的制冷量;
当所述重要性程度为中、所述预测负载率为高和所述预测温度差异为高时,提高所述空调的制冷量;当所述重要性程度为中、所述预测负载率为高和所述预测温度差异为中或低时,降低所述空调的制冷量。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
另外,本发明实施例还提供了一种电子设备,包括:处理器,存储器,存储在存储器上并可在处理器上运行的计算机程序,该计算机程序被处理器执行时实现上述数据获取方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
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有计算机程序,计算机程序被处理器执行时实现上述数据获取方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
图5为实现本发明各个实施例的一种电子设备的硬件结构示意图。
该电子设备500包括但不限于:射频单元501、网络模块502、音频输出单元503、输入单元504、传感器505、显示单元506、用户输入单元507、接口单元508、存储器509、处理器510、以及电源511等部件。本领域技术人员可以理解,图5中示出的电子设备结构并不构成对电子设备的限定,电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。在本发明实施例中,电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
应理解的是,本发明实施例中,射频单元501可用于收发信息或通话过程中,信号的接收和发送,具体的,将来自基站的下行数据接收后,给处理器510处理;另外,将上行的数据发送给基站。通常,射频单元501包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元501还可以通过无线通信系统与网络和其他设备通信。
电子设备通过网络模块502为用户提供了无线的宽带互联网访问,如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元503可以将射频单元501或网络模块502接收的或者在存储器509中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元503还可以提供与电子设备500执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元503包括扬声器、蜂鸣器以及受话器等。
输入单元504用于接收音频或视频信号。输入单元504可以包括图形处理器(Graphics Processing Unit,GPU)5041和麦克风5042,图形处理器5041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元506上。经图形处理器5041处理后的图像帧可以存储在存储器509(或其它存储介质)中或者经由射频单元501或网络模块502进行发送。麦克风5042可以接收声音,并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元501发送到移动通信基站的格式输出。
电子设备500还包括至少一种传感器505,比如光传感器、运动传感器以及其他传感器。具体地,光传感器包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板5061的亮度,接近传感器可在电子设备500移动到耳边时,关闭显示面板5061和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;传感器505还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等,在此不再赘述。
显示单元506用于显示由用户输入的信息或提供给用户的信息。显示单元506可包括显示面板5061,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板5061。
用户输入单元507可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地,用户输入单元507包括触控面板5071以及其他输入设备5072。触控面板5071,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板5071上或在触控面板5071附近的操作)。触控面板5071可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器510,接收处理器510发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板5071。除了触控面板5071,用户输入单元507还可以包括其他输入设备5072。具体地,其他输入设备5072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
进一步的,触控面板5071可覆盖在显示面板5061上,当触控面板5071检测到在其上或附近的触摸操作后,传送给处理器710以确定触摸事件的类型,随后处理器510根据触摸事件的类型在显示面板5061上提供相应的视觉输出。虽然在图5中,触控面板5071与显示面板5061是作为两个独立的部件来实现电子设备的输入和输出功能,但是在某些实施例中,可以将触控面板5071与显示面板5061集成而实现电子设备的输入和输出功能,具体此处不做限定。
接口单元508为外部装置与电子设备500连接的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元507可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到电子设备500内的一个或多个元件或者可以用于在电子设备500和外部装置之间传输数据。
存储器509可用于存储软件程序以及各种数据。存储器509可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器509可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器510是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器509内的软件程序和/或模块,以及调用存储在存储器509内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。处理器510可包括一个或多个处理单元;优选的,处理器510可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器510中。
电子设备500还可以包括给各个部件供电的电源511(比如电池),优选的,电源511可以通过电源管理系统与处理器510逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外,电子设备500包括一些未示出的功能模块,在此不再赘述。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
本领域普通技术人员可以意识到,结合本发明实施例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、或者计算机软件和电子硬件的结合来实现。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。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种空调运行控制方法,其特征在于,所述方法包括:
获取目标区域的重要性程度,以及过去第一预设时间段内所述目标区域的第一历史采集数据;其中,所述第一历史采集数据包括所述目标区域中空调的历史负载率、服务器的历史计算资源使用率、以及所述服务器的温度与所述目标区域中环境温度的历史温度差异;
将所述第一历史采集数据输入多指标预测模型,得到接续所述第一预设时间段的第二预设时间段内所述空调的预测负载率、所述服务器的预测计算资源使用率、以及所述服务器的温度与所述环境温度的预测温度差异;所述多指标预测模型为通过所述目标区域的第二历史采集数据训练得到;
根据所述重要性程度、所述预测负载率、所述预测计算资源使用率和所述预测温度差异对所述空调的运行进行控制。
2.根据权利要求1所述的方法,其特征在于,所述获取目标区域的重要性程度,以及过去第一预设时间段内所述目标区域的第一历史采集数据,包括:
构建服务器性能宽表、温湿度信号宽表、空调运行情况宽表和空间资源业务静态宽表;
通过所述服务器性能宽表采集各区域服务器的温度和服务器的计算资源使用率;通过所述温湿度信号宽表采集机房各区域的环境温度;通过所述空调运行情况宽表采集各区域空调的工作电流和压缩机压力;通过所述空间资源业务静态宽表采集各区域业务的重要性程度;
从所述空间资源业务静态宽表获取目标区域的重要性程度;从所述空调运行情况宽表中获取过去第一预设时间段内所述目标区域中空调的工作电流和压缩机压力,并根据工作电流和压缩机压力确定出所述目标区域中空调的历史负载率;从所述服务器性能宽表中获取过去所述第一预设时间段内所述目标区域中服务器的历史计算资源使用率;分别从所述服务器性能宽表和所述温湿度信号宽表中,获取过去所述第一预设时间段内所述目标区域中服务器的温度和所述目标区域的环境温度,并根据服务器的温度和所述目标区域的环境温度,计算出所述目标区域中服务器的温度与所述目标区域的环境温度的历史温度差异。
3.根据权利要求1所述的方法,其特征在于,所述多指标预测模型包括负载率预测模型、计算资源使用率预测模型和温度差异预测模型,所述将所述第一历史采集数据输入多指标预测模型,预测得到接续所述第一预设时间段的第二预设时间段内所述空调的预测负载率、所述服务器的预测计算资源使用率、以及所述服务器的温度与所述环境温度的预测温度差异,包括:
将所述历史负载率输入所述负载率预测模型中,得到所述第二预设时间段内所述空调的预测负载率;
将所述历史计算资源使用率输入所述计算资源使用率预测模型中,得到所述第二预设时间段内所述服务器的预测计算资源使用率;
将所述历史温度差异输入所述温度差异预测模型中,得到所述第二预设时间段内所述服务器的温度与所述环境温度的预测温度差异。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取第一训练样本数据、第二训练样本数据和第三训练样本数据;其中,所述第一训练样本数据为所述目标区域的第二历史采集数据中的所述空调的历史负载率,所述第二训练样本数据为所述目标区域的第二历史采集数据中所述服务器的历史计算资源使用率,所述第三训练样本数据为所述目标区域的第二历史采集数据中所述服务器的温度与所述目标区域中环境温度的历史温度差异;
通过所述第一训练样本数据对待训练的负载率预测模型进行训练,得到训练完成的负载率预测模型;
通过所述第二训练样本数据对待训练的计算资源使用率预测模型进行训练,得到训练完成的计算资源使用率预测模型;
通过所述第三训练样本数据对待训练的温度差异预测模型进行训练,得到训练完成的温度差异预测模型。
5.根据权利要求1至5任一项所述的方法,其特征在于,所述根据所述重要性程度、所述预测负载率、所述预测计算资源使用率和所述预测温度差异对所述空调的运行进行控制,包括
根据所述重要性程度、所述预测负载率、所述预测计算资源使用率和所述预测温度差异确定空调控制策略;
通过所述空调控制策略对所述空调的运行进行控制。
6.根据权利要求5所述的方法,其特征在于,所述重要性程度划分为极高、高、中和低四个类别,所述预测负载率、所述预测计算资源使用率和所述预测温度差异均划分为高、中和低三个类别。
7.根据权利要求6所述的方法,其特征在于,所述控制策略至少包括:
当所述重要性程度为极高、所述预测负载率为高和所述预测温度差异为高时,提高所述空调的制冷量;
当所述重要性程度为高、所述预测负载率为高和所述预测温度差异为高时,提高所述空调的制冷量;当所述重要性程度为高、所述预测负载率为高和所述预测温度差异为中时,维持所述空调的制冷量;当所述重要性程度为高、所述预测负载率为高和所述预测温度差异为低时,降低所述空调的制冷量;
当所述重要性程度为高、所述预测负载率为中和所述预测温度差异为高时,维持所述空调的制冷量;当所述重要性程度为高、所述预测负载率为中和所述预测温度差异为中或低时,降低所述空调的制冷量;
当所述重要性程度为中、所述预测负载率为高和所述预测温度差异为高时,提高所述空调的制冷量;当所述重要性程度为中、所述预测负载率为高和所述预测温度差异为中或低时,降低所述空调的制冷量。
8.一种空调运行控制装置,其特征在于,包括:
数据获取模块,用于获取目标区域的重要性程度,以及过去第一预设时间段内所述目标区域的第一历史采集数据;其中,所述第一历史采集数据包括所述目标区域中空调的历史负载率、服务器的历史计算资源使用率、以及所述服务器的温度与所述目标区域中环境温度的历史温度差异;
结果预测模块,用于将所述第一历史采集数据输入多指标预测模型,得到接续所述第一预设时间段的第二预设时间段内所述空调的预测负载率、所述服务器的预测计算资源使用率、以及所述服务器的温度与所述环境温度的预测温度差异;所述多指标预测模型为通过所述目标区域的第二历史采集数据训练得到;
运行控制模块,用于根据所述重要性程度、所述预测负载率、所述预测计算资源使用率和所述预测温度差异对所述空调的运行进行控制。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行存储器上所存放的程序时,实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有指令,当由一个或多个处理器执行时,使得所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211447746.8A CN115899991A (zh) | 2022-11-18 | 2022-11-18 | 空调运行控制方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211447746.8A CN115899991A (zh) | 2022-11-18 | 2022-11-18 | 空调运行控制方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115899991A true CN115899991A (zh) | 2023-04-04 |
Family
ID=86477386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211447746.8A Pending CN115899991A (zh) | 2022-11-18 | 2022-11-18 | 空调运行控制方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115899991A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116321999A (zh) * | 2023-05-15 | 2023-06-23 | 广州豪特节能环保科技股份有限公司 | 一种云计算数据中心的空调智能调控方法、系统和介质 |
-
2022
- 2022-11-18 CN CN202211447746.8A patent/CN115899991A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116321999A (zh) * | 2023-05-15 | 2023-06-23 | 广州豪特节能环保科技股份有限公司 | 一种云计算数据中心的空调智能调控方法、系统和介质 |
CN116321999B (zh) * | 2023-05-15 | 2023-08-01 | 广州豪特节能环保科技股份有限公司 | 一种云计算数据中心的空调智能调控方法、系统和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114676862B (zh) | 一种数据中心的可视化运维管理方法及系统 | |
CN111726341B (zh) | 一种数据检测方法、装置、电子设备及存储介质 | |
CN109934512A (zh) | 一种预测模型的训练方法及系统 | |
CN108810057B (zh) | 用户行为数据的采集方法、装置及存储介质 | |
CN113010805B (zh) | 指标数据的处理方法、装置、设备及存储介质 | |
CN114595124B (zh) | 时序异常检测模型评估方法、相关装置及存储介质 | |
CN115899991A (zh) | 空调运行控制方法、装置、电子设备及存储介质 | |
CN109523977A (zh) | 背光调节方法、装置、移动终端和存储介质 | |
CN116208613A (zh) | 云主机的迁移方法、装置、电子设备及存储介质 | |
CN110022235B (zh) | 信息处理方法、终端和服务器 | |
CN107943570A (zh) | 应用管理方法、装置、存储介质及电子设备 | |
CN112711516B (zh) | 一种数据处理方法和相关装置 | |
CN111314177A (zh) | 一种基于无线信号的作息时段识别方法以及相关装置 | |
CN112256748A (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
CN115343572A (zh) | 一种针对供电链路的检测方法和装置 | |
CN112257756A (zh) | 模型训练数据的选取方法及装置 | |
CN115507508A (zh) | 机房空调温度调节方法、装置、电子设备及可读存储介质 | |
CN116184851A (zh) | 一种睡眠模式调节方法、装置、终端及存储介质 | |
CN115984643A (zh) | 模型训练方法、相关设备及存储介质 | |
CN115510005A (zh) | 异常日志信息的展示方法、装置、电子设备及存储介质 | |
CN115017340A (zh) | 多媒体资源生成方法、装置、电子设备及存储介质 | |
CN111818548B (zh) | 一种数据的处理方法、装置及设备 | |
TW202020735A (zh) | 智能資訊讀取方法、裝置與系統 | |
CN113128693B (zh) | 一种信息处理方法、装置、设备及存储介质 | |
CN112832911B (zh) | 降低二拖一联合循环机组氮氧化物排放的方法及装置 |
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 |