CN116301275B - 一种能耗调节方法、装置、电子设备及介质 - Google Patents

一种能耗调节方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN116301275B
CN116301275B CN202310586681.3A CN202310586681A CN116301275B CN 116301275 B CN116301275 B CN 116301275B CN 202310586681 A CN202310586681 A CN 202310586681A CN 116301275 B CN116301275 B CN 116301275B
Authority
CN
China
Prior art keywords
data
sample
energy consumption
load
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.)
Active
Application number
CN202310586681.3A
Other languages
English (en)
Other versions
CN116301275A (zh
Inventor
逄立业
王勇旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN202310586681.3A priority Critical patent/CN116301275B/zh
Publication of CN116301275A publication Critical patent/CN116301275A/zh
Application granted granted Critical
Publication of CN116301275B publication Critical patent/CN116301275B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/20—Cooling means
    • G06F1/206—Cooling means comprising thermal management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/28—Supervision thereof, e.g. detecting power-supply failure by out of limits supervision
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G06F11/3062—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations where the monitored property is the power consumption
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5094—Allocation of resources, e.g. of the central processing unit [CPU] where the allocation takes into account power or heat criteria
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明实施例提供了一种能耗调节方法、装置、电子设备及介质，该方法包括：获取IT设备的负载数据；将负载数据输入预先训练的热系统模型，输出对应的能耗预测数据；将负载数据输入预先训练的负载预测模型，输出对应的负载预测数据；将能耗预测数据和负载预测数据输入预先训练的协同控制调节模型中，输出对应的协同处理策略；按照协同处理策略调节数据中心的能耗水平。通过采用上述方法，可以根据数据中心的负载情况自动生成IT设备和非IT设备的协同处理策略调节数据中心的能耗水平，可以进一步提升数据中心的能效水平，达到更低的PUE。

Description

一种能耗调节方法、装置、电子设备及介质
技术领域
本发明涉及计算机技术领域，特别是涉及一种能耗调节方法、一种能耗调节装置、一种电子设备及一种计算机可读存储介质。
背景技术
随着计算机、通信和信息技术的快速发展，大中型数据中心如雨后春笋般建立起来。数据中心已经成为全球二氧化碳排放的主要来源之一，占全球总排放量的2%。因此，数据中心的节能是很重要的一个研究方向。PUE（Power Usage Effectiveness，电能利用效率）是衡量数据中心能效水平的指标，是数据中心消耗的所有能源与IT（InformationTechnology,信息技术）负载消耗的能源的比值。其计算公式为PUE =数据中心总能耗/IT设备能耗，其中，数据中心总能耗包括IT设备能耗和非IT设备（制冷、配电等系统）能耗，其值大于1，越接近1表明非IT设备耗能越少，即能效水平越好。
目前采用的方案是通过降低非IT设备能耗的方式来降低PUE，数据中心非IT设备能耗主要来自散热，因此降低PUE更多从降低散热系统能耗入手，例如微软启动了“纳迪克”（Natick）项目，旨在确定水下数据中心的可行性，利用海洋的自然冷却能力打造节能数据中心。这些比较先进液冷数据中心的PUE甚至可以达到1.1-1.3，但要想达到更低的PUE，目前仅靠散热设备调节的方式很难实现。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种能耗调节方法、一种能耗调节装置、一种电子设备及一种计算机可读存储介质。
本发明实施例公开了一种能耗调节方法，应用于数据中心，所述数据中心包括IT设备和非IT设备，所述方法包括：
获取所述IT设备的负载数据；
将所述负载数据输入预先训练的热系统模型，输出对应的能耗预测数据；
将所述负载数据输入预先训练的负载预测模型，输出对应的负载预测数据；
将所述能耗预测数据和所述负载预测数据输入预先训练的协同控制调节模型中，输出对应的协同处理策略；
按照所述协同处理策略调节所述数据中心的能耗水平。
可选地，所述输出对应的协同处理策略，包括：
输出针对所述IT设备的第一协同处理策略，和/或输出针对所述非IT设备的第二协同处理策略。
可选地，所述非IT设备包括散热设备和电力设备，所述输出针对所述散热设备的第二协同处理策略，包括：
输出所述散热设备下一步切换至的目标档位，和/或输出所述电力设备下一步设置的目标电力参数。
可选地，所述输出针对所述IT设备的第一协同处理策略，包括：
输出所述IT设备中服务器下一步调整至的目标频率，和/或输出所述IT设备下一步切换至的目标运行状态。
可选地，所述热系统模型通过以下方式构建：
获取用于训练的热系统模型训练数据样本集；所述热系统模型训练数据样本集包括样本能耗数据、以及与所述样本能耗数据对应的样本负载数据；所述样本能耗数据包括样本热量数据；
将所述样本能耗数据和所述样本负载数据代入多项式中，拟合得到针对所述数据中心的多个热系统模型；其中，所述热系统模型中的参数基于最小二乘法求解得到。
可选地，所述将所述样本能耗数据和所述样本负载数据代入多项式中之前，所述方法还包括：
对所述样本能耗数据和所述样本负载数据进行预处理。
可选地，所述将所述样本能耗数据和所述样本负载数据代入多项式中，拟合得到针对所述数据中心的多个热系统模型，包括：
将所述样本能耗数据和所述样本负载数据代入二次多项式中，拟合得到针对所述数据中心的所述多个热系统模型。
可选地，所述热系统模型训练数据样本集包括针对所述IT设备的第一训练数据样本集和针对所述散热设备的第二训练数据样本集，所述将所述样本能耗数据和所述样本负载数据代入二次多项式中，拟合得到针对所述数据中心的所述多个热系统模型，包括：
将所述第一训练数据样本集中的样本能耗数据和样本负载数据代入二次多项式中，拟合得到针对所述IT设备的热系统模型；
将所述第二训练数据样本集中的样本能耗数据和样本负载数据代入二次多项式中，拟合得到针对所述散热设备的热系统模型。
可选地，所述负载预测模型通过以下方式训练：
获取用于训练的负载预测模型训练数据样本集；所述负载预测模型训练数据样本集包括样本负载数据；
确定所述样本负载数据的历史特征信息，并将所述历史特征信息分解为对应的平滑分量、趋势分量和季节分量；
基于所述平滑分量、所述趋势分量和所述季节分量构建所述负载预测模型；其中，所述负载预测模型中的参数基于SMAPE评价确定。
可选地，基于所述平滑分量、所述趋势分量和所述季节分量构建所述负载预测模型，包括：
采用Grid Search自动调整所述平滑分量中的平滑参数、所述趋势分量中的趋势参数和所述季节分量中的季节参数，将计算得到的SMAPE值最小所对应的平滑参数、趋势参数和季节参数的参数作为所述负载预测模型的最终参数。
可选地，所述协同控制调节模型通过以下方式构建：
获取用于训练的协同控制调节模型训练数据样本集；所述协同控制调节模型训练数据样本集包括由所述热系统模型输出的样本能耗预测数据，以及由所述负载预测模型输出的样本负载预测数据；
将所述样本能耗预测数据和所述样本负载预测数据输入增强学习模型中进行增强学习训练，获得对应的所述协同控制调节模型；其中，所述协同控制调节模型中的参数基于奖励函数确定。
可选地，所述将所述样本能耗预测数据和所述样本负载预测数据输入增强学习模型中进行增强学习训练，包括：
将所述样本能耗预测数据和所述样本负载预测数据采用集成树的方式输入所述增强学习模型中进行增强学习训练。
可选地，所述输出所述散热设备下一步切换至的目标档位，包括：
基于奖励函数确定使得所述数据中心的能效水平提升或所述数据中心达到热平衡状态，所述散热设备下一步需切换至的所述目标档位；
输出所述目标档位。
可选地，所述输出所述IT设备中服务器下一步调整至的目标频率，包括：
基于奖励函数确定使得所述数据中心的能效水平提升或所述数据中心达到热平衡状态，所述IT设备下一步需调整至的所述目标频率；
输出所述目标频率。
可选地，所述将所述负载数据输入预先训练的热系统模型之前，所述方法还包括：
对所述负载数据进行预处理。
可选地，所述对所述负载数据进行预处理，包括：
对所述负载数据进行缺失值处理、和/或归一化处理、和/或噪声处理。
可选地，所述按照所述协同处理策略调节所述数据中心的能耗水平，包括：
将所述协同处理策略注入协同处理控制器中，通过所述协同处理控制器调节所述数据中心的能耗水平。
本发明实施例还公开了一种能耗调节装置，应用于数据中心，所述数据中心包括IT设备和非IT设备，所述装置包括：
获取模块，用于获取所述IT设备的负载数据；
第一输入输出模块，用于将所述负载数据输入预先训练的热系统模型，输出对应的能耗预测数据；
第二输入输出模块，用于将所述负载数据输入预先训练的负载预测模型，输出对应的负载预测数据；
第三输入输出模块，用于将所述能耗预测数据和所述负载预测数据输入预先训练的协同控制调节模型中，输出对应的协同处理策略；
调节模块，用于按照所述协同处理策略调节所述数据中心的能耗水平。
本发明实施例还公开了一种电子设备，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所述一种能耗调节方法的步骤。
本发明实施例还公开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所述一种能耗调节方法的步骤。
本发明实施例包括以下优点：
在本发明实施例中，可以预先训练热系统模型、负载预测模型和协同控制调节模型，在数据中心中，在获取到IT设备的负载数据后，可以将负载数据输入预先训练的热系统模型，输出对应的能耗预测数据，可以将负载数据输入预先训练的负载预测模型，输出对应的负载预测数据，然后可以将能耗预测数据和负载预测数据输入预先训练的协同控制调节模型中，输出对应的协同处理策略，从而采用协同处理策略调节数据中心当前的能耗水平。通过采用上述方法，可以根据数据中心的负载情况自动生成IT设备和非IT设备的协同处理策略调节数据中心的能耗水平，可以进一步提升数据中心的能效水平，达到更低的PUE。
附图说明
图1是本发明实施例提供的一种能耗调节方法的步骤流程图；
图2是本发明实施例提供的另一种能耗调节方法的步骤流程图；
图3是本发明实施例生成协同处理策略的过程示意图；
图4是本发明实施例的一种能耗调节方法的处理过程示意图；
图5是本发明实施例提供的一种能耗调节装置的结构框图；
图6是本发明实施例提供的一种电子设备的结构框图；
图7是本发明实施例提供的一种计算机可读存储介质的结构框图。
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所获得的所有其它实施例，都属于本发明保护的范围。
目前采用的方案是通过降低非IT设备能耗的方式来降低PUE，数据中心非IT设备能耗主要来自散热，因此降低PUE更多从降低散热系统能耗入手，例如微软启动了“纳迪克”（Natick）项目，旨在确定水下数据中心的可行性，利用海洋的自然冷却能力打造节能数据中心。这些比较先进液冷数据中心的PUE甚至可以达到1.1-1.3，但要想达到更低的PUE，目前仅靠散热设备调节的方式很难实现。
深入分析后发现，数据中心的大量热量主要由服务器和存储设备产生，不采取有效的热管理措施，会造成设备运行效率下降，甚至热源结构损坏。因此想要达到更低的PUE，有效的方式是降低服务器和存储设备的热产生，协同控制非IT设备，从而进一步减低非IT设备的能耗，提升数据中心的可靠性，并达到节能效果。
基于此，需要进行IT设备和非IT设备的系统控制，以服务器降频为例，降频是为了控制服务器在满足性能的要求下不过热，因为不过热，更容易达到热的自平衡，对散热的要求就下降了。因此，通过降低IT设备的能耗，不仅可以大大降低散热设备的能耗，降低PUE，而且可以降低数据中心的能耗水平。
本发明实施例的核心构思之一在于，可以预先训练热系统模型、负载预测模型和协同控制调节模型，在数据中心中，在获取到IT设备的负载数据后，可以将负载数据输入预先训练的热系统模型，输出对应的能耗预测数据，可以将负载数据输入预先训练的负载预测模型，输出对应的负载预测数据，然后可以将能耗预测数据和负载预测数据输入预先训练的协同控制调节模型中，输出对应的协同处理策略，从而采用协同处理策略调节数据中心当前的能耗水平。通过采用上述方法，可以根据数据中心的负载情况自动生成IT设备和非IT设备的协同处理策略调节数据中心的能耗水平，可以进一步提升数据中心的能效水平，达到更低的PUE。
参照图1，示出了本发明实施例提供的一种能耗调节方法的步骤流程图，应用于数据中心，数据中心包括IT设备和非IT设备，具体可以包括如下步骤：
步骤101，获取IT设备的负载数据。
在本发明实施例中，可以采集数据中心的负载数据，数据中心包括IT设备和非IT设备，具体可以是采集数据中心中IT设备的负载数据。
步骤102，将负载数据输入预先训练的热系统模型，输出对应的能耗预测数据。
在获取到负载数据后，可以将负载数据输入预先训练好的热系统模型中，获得对应的能耗预测数据。即在本发明中，可以不直接收集能耗数据，而是利用热系统模型预测在对应负载情况下的能耗数据。
步骤103，将负载数据输入预先训练的负载预测模型，输出对应的负载预测数据。
在本发明实施例中，可以将负载数据输入预先训练好的负载预测模型中，获得对应的负载预测数据，具体是对数据中心未来的负载情况进行预测。
步骤104，将能耗预测数据和负载预测数据输入预先训练的协同控制调节模型中，输出对应的协同处理策略。
在获取到能耗预测数据和负载预测数据后，可以将能耗预测数据和负载预测数据输入预先训练好的协同控制调节模型中，获得对应的协同处理策略。其中，该协同处理策略用于控制数据中心的软硬件进行协同操作，调节数据中心的能耗水平。
步骤105，按照协同处理策略调节数据中心的能耗水平。
根据输出的协同处理策略调节数据中心的能耗水平。数据中心中包括IT设备和非IT设备，非IT设备可以包括散热设备和电力设备。协同处理策略可以包括针对IT设备的第一协同处理策略，以及针对非IT设备的第二协同处理策略。
综上，在本发明实施例中，可以预先训练热系统模型、负载预测模型和协同控制调节模型，在数据中心中，在获取到IT设备的负载数据后，可以将负载数据输入预先训练的热系统模型，输出对应的能耗预测数据，可以将负载数据输入预先训练的负载预测模型，输出对应的负载预测数据，然后可以将能耗预测数据和负载预测数据输入预先训练的协同控制调节模型中，输出对应的协同处理策略，从而采用协同处理策略调节数据中心当前的能耗水平。通过采用上述方法，可以根据数据中心的负载情况自动生成IT设备和非IT设备的协同处理策略调节数据中心的能耗水平，可以进一步提升数据中心的能效水平，达到更低的PUE。
参照图2，示出了本发明实施例提供的另一种能耗调节方法的步骤流程图，应用于数据中心，数据中心包括IT设备和非IT设备，具体可以包括如下步骤：
步骤201，获取IT设备的负载数据。
数据中心中IT设备的负载数据具体可以为监控的中央处理器，内存，存储IO（Input/Output，输入/输出），显存等性能数据。
需要说明的是，此时获取的是实时负载数据。
步骤202，将负载数据输入预先训练的热系统模型，输出对应的能耗预测数据。
在本发明一种可选的实施例中，步骤202将负载数据输入预先训练的热系统模型之前，具体还可以包括如下步骤：
对负载数据进行预处理。
在本发明一种可选的实施例中，子步骤对负载数据进行预处理，具体可以包括如下子步骤：
对负载数据进行缺失值处理、和/或归一化处理、和/或噪声处理。
在本发明实施例中，可以对采集的实时负载数据进行数据预处理，包括缺失值处理、归一化处理、噪声处理等。
在本发明一种可选的实施例中，热系统模型通过以下方式构建：
获取用于训练的热系统模型训练数据样本集；热系统模型训练数据样本集包括样本能耗数据、以及与样本能耗数据对应的样本负载数据；样本能耗数据包括样本热量数据；
将样本能耗数据和样本负载数据代入多项式中，拟合得到针对数据中心的多个热系统模型；其中，热系统模型中的参数基于最小二乘法求解得到。
在本发明实施例中，可以采用多项式对热系统模型训练数据样本集中的样本能耗数据和样本负载数据进行拟合，构建对应的热系统模型。
在本发明一种可选的实施例中，将样本能耗数据和样本负载数据代入多项式中之前，具体还可以包括如下子步骤：
对样本能耗数据和样本负载数据进行预处理。
在本发明实施例中，可以对样本能耗数据和样本负载数据进行数据预处理，包括缺失值处理、归一化处理、噪声处理等。
在本发明一种可选的实施例中，将样本能耗数据和样本负载数据代入多项式中，拟合得到针对数据中心的多个热系统模型，具体可以包括如下子步骤：
将样本能耗数据和样本负载数据代入二次多项式中，拟合得到针对数据中心的多个热系统模型。
其中，采用的二次多项式可以如下所示：
将预处理后的样本能耗数据和对应的样本负载数据代入上述的两次多项式，采用最小二乘法求解得到参数a0、a1、a2和x0，完成热系统模型构建。
在本发明一种可选的实施例中，热系统模型训练数据样本集包括针对IT设备的第一训练数据样本集和针对散热设备的第二训练数据样本集，子步骤将样本能耗数据和样本负载数据代入二次多项式中，拟合得到针对数据中心的多个热系统模型，具体可以包括如下子步骤：
将第一训练数据样本集中的样本能耗数据和样本负载数据代入二次多项式中，拟合得到针对IT设备的热系统模型；
将第二训练数据样本集中的样本能耗数据和样本负载数据代入二次多项式中，拟合得到针对散热设备的热系统模型。
在本发明实施例中，可以分别构建针对IT设备的热系统模型和针对散热设备的热系统模型。针对IT设备的热系统模型可以反映IT设备负载与IT设备产生能耗之间的关系（或反映IT设备负载与IT设备产生热量之间的关系）；针对散热设备的热系统模型可以反映IT设备负载与散热设备产生能耗之间的关系（或反映IT设备负载与散热设备产生热量之间的关系）。
步骤203，将负载数据输入预先训练的负载预测模型，输出对应的负载预测数据。
在本发明一种可选的实施例中，负载预测模型通过以下方式训练：
获取用于训练的负载预测模型训练数据样本集；负载预测模型训练数据样本集包括样本负载数据；
确定样本负载数据的历史特征信息，并将历史特征信息分解为对应的平滑分量、趋势分量和季节分量；
基于平滑分量、趋势分量和季节分量构建负载预测模型；其中，负载预测模型中的参数基于SMAPE评价确定。
在本发明一种可选的实施例中，基于平滑分量、趋势分量和季节分量构建负载预测模型，具体可以包括如下子步骤：
采用Grid Search自动调整平滑分量中的平滑参数、趋势分量中的趋势参数和季节分量中的季节参数，将计算得到的SMAPE值最小所对应的平滑参数、趋势参数和季节参数的参数作为负载预测模型的最终参数。
由于负载数据通常会以某个时间为周期呈现趋势性变化，为平稳数据。因此，可以对数据中心负载数据的历史特征信息进行分解，分解为平滑分量、趋势分量和季节分量。分别对三个分量进行拟合。拟合公式可以如下所示（分别用L表示平滑值，T表示趋势值，C表示季节值，X为实际值，t代表时间，k为季节性长度，S为预测值）：
其中，α为平滑参数，取值为[0,1]，预测的负载数据包含之前负载数据的平滑分量。
其中，ß为趋势参数，取值为[0,1]，预测的负载数据包含之前负载数据的趋势分量。
其中，γ为季节参数，取值为[0,1]，预测的负载数据包含之前负载数据的季节性分量。
为了使上述算法工程化，能够自动构建最优模型。对α，ß，γ参数采用Grid Search方法自动调参，参数范围限定于[0,1]，分别训练模型，评价标准为SMAPE（对称平均绝对百分比误差），筛选最小的SMAPE值对应的α,ß,γ作为最终参数。
在具体实施中，可以针对平滑分量、趋势分量和季节分量构建负载预测模型，并使用训练数据进行训练，利用SMAPE进行评价，可以遍历平滑分量、趋势分量和季节分量中平滑参数、趋势参数和季节参数的可能取值，计算对应的SMAPE值，对比所有情况下的SMAPE值，选出SMAPE值最小的，其对应的平滑参数、趋势参数和季节参数即为最优解，即为模型最终参数。
步骤204，将能耗预测数据和负载预测数据输入预先训练的协同控制调节模型中，输出针对IT设备的第一协同处理策略，和/或输出针对非IT设备的第二协同处理策略。
根据协同处理策略，实现IT设备、非IT设备调度协同控制，其中，IT设备的第一协同处理策略可以包括服务器降频、主机休眠等，非IT设备的第二协同处理策略可以包括档位调节、电力调节等。通过协同处理策略，实现数据中心能耗水平下降以及PUE的下降。
在本发明实施例中，根据能耗预测数据和负载预测数据输出的协同处理策略可以包括针对IT设备的第一协同处理策略，以及针对非IT设备的第二协同处理策略。
在本发明一种可选的实施例中，协同控制调节模型通过以下方式构建：
获取用于训练的协同控制调节模型训练数据样本集；协同控制调节模型训练数据样本集包括由热系统模型输出的样本能耗预测数据，以及由负载预测模型输出的样本负载预测数据；
将样本能耗预测数据和样本负载预测数据输入增强学习模型中进行增强学习训练，获得对应的协同控制调节模型；其中，协同控制调节模型中的参数基于奖励函数确定。
在本发明一种可选的实施例中，将样本能耗预测数据和样本负载预测数据输入增强学习模型中进行增强学习训练，具体可以包括如下子步骤：
将样本能耗预测数据和样本负载预测数据采用集成树的方式输入增强学习模型中进行增强学习训练。
在本发明实施例中，采用增强学习的方式训练协同控制调节模型，采用增强学习旨在通过反复尝试和反馈机制来提高机器的表现，可以用来设计控制策略。通过使用增强学习算法来设计有效的控制策略，同时考虑多种延迟因素，实现控制策略的快速制定。
增强学习算法的一个关键特性是可以通过定义一个奖励函数来评估每次尝试的结果。本发明实施例的奖励函数为实现数据中心的能效水平提升或数据中心达到热平衡状态。
以调节散热设备功率为例（服务器休眠、IT设备负载不均衡、功率池共享等情况同理），简述协同处理策略生成流程。参照图3所示，为本发明实施例生成协同处理策略的过程示意图，可以采用XGBoost作为增强学习的基础模型，可以将多维检测数据输入到增强学习模型中，多维检测数据可以包括各种能耗预测数据、负载预测数据等。其中能耗预测数据包括散热设备能耗、IT设备能耗等，其通过热系统模型得到；负载预测数据由负载数据输入负载预测模型中得到，增强学习模型输出的策略动作可以为调低或调高散热设备的档位，以降低或提高散热设备的功率，协同处理策略具体可以是在当前环境（温度、湿度等）下，根据当前状态决定下一步执行的策略动作。
在具体实施中，以5分钟为一个时间滑动窗口，通过增强学习，设置下一个5分钟散热设备需调整至的功率大小。在本方案中，可以任意将调谐步长定义为1个档位，假设散热设备具有5个档位时，即具备5个离散的动作。为了减少可能动作的数量并加快收敛，定义5个档位的策略动作如下所示：
档位1：
档位2：
档位3：+ 2
档位4：
档位5：
其中，fbaseline为基准值，ft为档位值。
针对上述策略动作的奖励函数如下所示：
在某个策略动作能够使数据中心达到热平衡时，通过给予积极奖励，鼓励散热设备的档位足够低。档位越低，其能耗越小，则可以认为该策略的表现越好。
在本发明实施例中，协同处理策略具体可以包括输出目标档位的协同处理策略，输出目标电力参数的协同处理策略，输出目标频率的协同处理策略，以及输出目标运行状态的协同处理策略。
在本发明一种可选的实施例中，步骤204输出针对IT设备的第一协同处理策略，具体可以包括如下子步骤：
输出IT设备中服务器下一步调整至的目标频率，和/或输出IT设备下一步切换至的目标运行状态。
在本发明实施例中，可以输出IT设备中服务器下一步调整至的目标频率，例如，下一步需要进行服务器降频，输出需要降频至的目标频率；或者输出IT设备下一步切换至的目标运行状态，例如，下一步需要将某个IT设备的运行状态切换至休眠状态，输出休眠状态。
在本发明一种可选的实施例中，子步骤输出IT设备中服务器下一步调整至的目标频率，具体可以包括如下子步骤：
基于奖励函数确定使得数据中心的能效水平提升或数据中心达到热平衡状态，IT设备下一步需调整至的目标频率；
输出目标频率。
在本发明一种可选的实施例中，子步骤输出IT设备下一步切换至的目标运行状态，具体可以包括如下子步骤：
基于奖励函数确定使得数据中心的能效水平提升或数据中心达到热平衡状态，IT设备下一步需切换至的目标运行状态；
输出目标运行状态。
在本发明一种可选的实施例中，非IT设备包括散热设备和电力设备，步骤204输出针对非IT设备的第二协同处理策略，具体可以包括如下子步骤：
输出散热设备下一步切换至的目标档位，和/或输出电力设备下一步设置的目标电力参数。
在本发明一种可选的实施例中，子步骤输出散热设备下一步切换至的目标档位，具体可以包括如下子步骤：
基于奖励函数确定使得数据中心的能效水平提升或数据中心达到热平衡状态，散热设备下一步需切换至的目标档位；
输出目标档位。
在本发明一种可选的实施例中，子步骤输出电力设备下一步设置的目标电力参数，具体可以包括如下子步骤：
基于奖励函数确定使得数据中心的能效水平提升或数据中心达到热平衡状态，电力设备下一步需设置的目标电力参数；
输出目标电力参数。
步骤205，按照协同处理策略调节数据中心的能耗水平。
在本发明一种可选的实施例中，步骤205按照协同处理策略调节数据中心的能耗水平，具体可以包括如下子步骤：
将协同处理策略注入协同处理控制器中，通过协同处理控制器调节数据中心的能耗水平。
在本发明实施例中，可以将协同处理策略注入协同处理控制器中，由协同处理控制器负责统一调节数据中心的能耗水平。
参照图4所示，为本发明实施例的一种能耗调节方法的处理过程示意图，具体实施过程可以分为两部分，分别为离线处理部分和在线处理部分；
在离线处理过程中，可以从数据中心中收集各种训练数据，并采用训练数据进行模型训练，获得热系统模型、负载预测模型以及协同控制调节模型。
在在线处理过程中，可以将预处理后的负载数据输入模型中，得到软硬件协同处理策略。
综上，在本发明实施例中，可以预先训练热系统模型、负载预测模型和协同控制调节模型，在数据中心中，在获取到IT设备的负载数据后，可以将负载数据输入预先训练的热系统模型，输出对应的能耗预测数据，可以将负载数据输入预先训练的负载预测模型，输出对应的负载预测数据，然后可以将能耗预测数据和负载预测数据输入预先训练的协同控制调节模型中，输出对应的协同处理策略，从而采用协同处理策略调节数据中心当前的能耗水平。通过采用上述方法，可以根据数据中心的负载情况自动生成IT设备和非IT设备的协同处理策略调节数据中心的能耗水平，可以进一步提升数据中心的能效水平，达到更低的PUE。
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它顺序或者同时进行。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5，示出了本发明实施例提供的一种能耗调节装置的结构框图，应用于数据中心，所述数据中心包括IT设备和非IT设备，具体可以包括如下模块：
获取模块501，用于获取所述IT设备的负载数据；
第一输入输出模块502，用于将所述负载数据输入预先训练的热系统模型，输出对应的能耗预测数据；
第二输入输出模块503，用于将所述负载数据输入预先训练的负载预测模型，输出对应的负载预测数据；
第三输入输出模块504，用于将所述能耗预测数据和所述负载预测数据输入预先训练的协同控制调节模型中，输出对应的协同处理策略；
调节模块505，用于按照所述协同处理策略调节所述数据中心的能耗水平。
在本发明的一些实施例中，所述装置还用于：
输出针对所述IT设备的第一协同处理策略，和/或输出针对所述非IT设备的第二协同处理策略。
在本发明的一些实施例中，所述非IT设备包括散热设备和电力设备，所述装置还用于：
输出所述散热设备下一步切换至的目标档位，和/或输出所述电力设备下一步设置的目标电力参数。
在本发明的一些实施例中，所述装置还用于：
输出所述IT设备中服务器下一步调整至的目标频率，和/或输出所述IT设备下一步切换至的目标运行状态。
在本发明的一些实施例中，所述装置还用于：
获取用于训练的热系统模型训练数据样本集；所述热系统模型训练数据样本集包括样本能耗数据、以及与所述样本能耗数据对应的样本负载数据；所述样本能耗数据包括样本热量数据；
将所述样本能耗数据和所述样本负载数据代入多项式中，拟合得到针对所述数据中心的多个热系统模型；其中，所述热系统模型中的参数基于最小二乘法求解得到。
在本发明的一些实施例中，所述装置还用于：
对所述样本能耗数据和所述样本负载数据进行预处理。
在本发明的一些实施例中，所述装置还用于：
将所述样本能耗数据和所述样本负载数据代入二次多项式中，拟合得到针对所述数据中心的所述多个热系统模型。
在本发明的一些实施例中，所述热系统模型训练数据样本集包括针对所述IT设备的第一训练数据样本集和针对所述散热设备的第二训练数据样本集，所述装置还用于：
将所述第一训练数据样本集中的样本能耗数据和样本负载数据代入二次多项式中，拟合得到针对所述IT设备的热系统模型；
将所述第二训练数据样本集中的样本能耗数据和样本负载数据代入二次多项式中，拟合得到针对所述散热设备的热系统模型。
在本发明的一些实施例中，所述装置还用于：
获取用于训练的负载预测模型训练数据样本集；所述负载预测模型训练数据样本集包括样本负载数据；
确定所述样本负载数据的历史特征信息，并将所述历史特征信息分解为对应的平滑分量、趋势分量和季节分量；
基于所述平滑分量、所述趋势分量和所述季节分量构建所述负载预测模型；其中，所述负载预测模型中的参数基于SMAPE评价确定。
在本发明的一些实施例中，所述装置还用于：
采用Grid Search自动调整所述平滑分量中的平滑参数、所述趋势分量中的趋势参数和所述季节分量中的季节参数，将计算得到的SMAPE值最小所对应的平滑参数、趋势参数和季节参数的参数作为所述负载预测模型的最终参数。
在本发明的一些实施例中，所述装置还用于：
获取用于训练的协同控制调节模型训练数据样本集；所述协同控制调节模型训练数据样本集包括由所述热系统模型输出的样本能耗预测数据，以及由所述负载预测模型输出的样本负载预测数据；
将所述样本能耗预测数据和所述样本负载预测数据输入增强学习模型中进行增强学习训练，获得对应的所述协同控制调节模型；其中，所述协同控制调节模型中的参数基于奖励函数确定。
在本发明的一些实施例中，所述装置还用于：
将所述样本能耗预测数据和所述样本负载预测数据采用集成树的方式输入所述增强学习模型中进行增强学习训练。
在本发明的一些实施例中，所述装置还用于：
基于奖励函数确定使得所述数据中心的能效水平提升或所述数据中心达到热平衡状态，所述散热设备下一步需切换至的所述目标档位；
输出所述目标档位。
在本发明的一些实施例中，所述装置还用于：
基于奖励函数确定使得所述数据中心的能效水平提升或所述数据中心达到热平衡状态，所述IT设备下一步需调整至的所述目标频率；
输出所述目标频率。
在本发明的一些实施例中，所述装置还用于：
对所述负载数据进行预处理。
在本发明的一些实施例中，所述装置还用于：
对所述负载数据进行缺失值处理、和/或归一化处理、和/或噪声处理。
在本发明的一些实施例中，所述装置还用于：
将所述协同处理策略注入协同处理控制器中，通过所述协同处理控制器调节所述数据中心的能耗水平。
综上，在本发明实施例中，可以预先训练热系统模型、负载预测模型和协同控制调节模型，在数据中心中，在获取到IT设备的负载数据后，可以将负载数据输入预先训练的热系统模型，输出对应的能耗预测数据，可以将负载数据输入预先训练的负载预测模型，输出对应的负载预测数据，然后可以将能耗预测数据和负载预测数据输入预先训练的协同控制调节模型中，输出对应的协同处理策略，从而采用协同处理策略调节数据中心当前的能耗水平。通过采用上述方法，可以根据数据中心的负载情况自动生成IT设备和非IT设备的协同处理策略调节数据中心的能耗水平，可以进一步提升数据中心的能效水平，达到更低的PUE。
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。
本发明实施例还提供了一种电子设备，如图6所示，包括：处理器601、存储器602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上述一种能耗调节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，如图7所示，计算机可读存储介质上存储计算机程序701，所述计算机程序被处理器执行时实现上述一种能耗调节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它实施例的不同之处，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，本发明实施例的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、嵌入式处理机或其它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它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它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它可编程数据处理终端设备上，使得在计算机或其它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，从而在计算机或其它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”或者其任何其它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它要素，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。
以上对本发明所提供的一种能耗调节方法、一种能耗调节装置、一种电子设备及一种计算机可读存储介质，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 (17)

1.一种能耗调节方法，其特征在于，应用于数据中心，所述数据中心包括IT设备和非IT设备，所述方法包括：
获取所述IT设备的负载数据；
将所述负载数据输入预先训练的热系统模型，输出对应的能耗预测数据；
将所述负载数据输入预先训练的负载预测模型，输出对应的负载预测数据；
将所述能耗预测数据和所述负载预测数据输入预先训练的协同控制调节模型中，输出对应的协同处理策略；
按照所述协同处理策略调节所述数据中心的能耗水平；
所述热系统模型通过以下方式构建：
获取用于训练的热系统模型训练数据样本集；所述热系统模型训练数据样本集包括样本能耗数据、以及与所述样本能耗数据对应的样本负载数据；所述样本能耗数据包括样本热量数据；
将所述样本能耗数据和所述样本负载数据代入多项式中，拟合得到针对所述数据中心的多个热系统模型；其中，所述热系统模型中的参数基于最小二乘法求解得到；
所述负载预测模型通过以下方式训练：
获取用于训练的负载预测模型训练数据样本集；所述负载预测模型训练数据样本集包括样本负载数据；
确定所述样本负载数据的历史特征信息，并将所述历史特征信息分解为对应的平滑分量、趋势分量和季节分量；
基于所述平滑分量、所述趋势分量和所述季节分量构建所述负载预测模型；其中，所述负载预测模型中的参数基于SMAPE评价确定；
所述协同控制调节模型通过以下方式构建：
获取用于训练的协同控制调节模型训练数据样本集；所述协同控制调节模型训练数据样本集包括由所述热系统模型输出的样本能耗预测数据，以及由所述负载预测模型输出的样本负载预测数据；
将所述样本能耗预测数据和所述样本负载预测数据输入增强学习模型中进行增强学习训练，获得对应的所述协同控制调节模型；其中，所述协同控制调节模型中的参数基于奖励函数确定。
2.根据权利要求1所述的方法，其特征在于，所述输出对应的协同处理策略，包括：
输出针对所述IT设备的第一协同处理策略，和/或输出针对所述非IT设备的第二协同处理策略。
3.根据权利要求2所述的方法，其特征在于，所述非IT设备包括散热设备和电力设备，所述输出针对所述散热设备的第二协同处理策略，包括：
输出所述散热设备下一步切换至的目标档位，和/或输出所述电力设备下一步设置的目标电力参数。
4.根据权利要求2所述的方法，其特征在于，所述输出针对所述IT设备的第一协同处理策略，包括：
输出所述IT设备中服务器下一步调整至的目标频率，和/或输出所述IT设备下一步切换至的目标运行状态。
5.根据权利要求1所述的方法，其特征在于，所述将所述样本能耗数据和所述样本负载数据代入多项式中之前，所述方法还包括：
对所述样本能耗数据和所述样本负载数据进行预处理。
6.根据权利要求1所述的方法，其特征在于，所述将所述样本能耗数据和所述样本负载数据代入多项式中，拟合得到针对所述数据中心的多个热系统模型，包括：
将所述样本能耗数据和所述样本负载数据代入二次多项式中，拟合得到针对所述数据中心的所述多个热系统模型。
7.根据权利要求6所述的方法，其特征在于，所述热系统模型训练数据样本集包括针对所述IT设备的第一训练数据样本集和针对散热设备的第二训练数据样本集，所述将所述样本能耗数据和所述样本负载数据代入二次多项式中，拟合得到针对所述数据中心的所述多个热系统模型，包括：
将所述第一训练数据样本集中的样本能耗数据和样本负载数据代入二次多项式中，拟合得到针对所述IT设备的热系统模型；
将所述第二训练数据样本集中的样本能耗数据和样本负载数据代入二次多项式中，拟合得到针对所述散热设备的热系统模型。
8.根据权利要求1所述的方法，其特征在于，所述基于所述平滑分量、所述趋势分量和所述季节分量构建所述负载预测模型，包括：
采用Grid Search自动调整所述平滑分量中的平滑参数、所述趋势分量中的趋势参数和所述季节分量中的季节参数，将计算得到的SMAPE值最小所对应的平滑参数、趋势参数和季节参数的参数作为所述负载预测模型的最终参数。
9.根据权利要求1所述的方法，其特征在于，所述将所述样本能耗预测数据和所述样本负载预测数据输入增强学习模型中进行增强学习训练，包括：
将所述样本能耗预测数据和所述样本负载预测数据采用集成树的方式输入所述增强学习模型中进行增强学习训练。
10.根据权利要求3所述的方法，其特征在于，所述输出所述散热设备下一步切换至的目标档位，包括：
基于奖励函数确定使得所述数据中心的能效水平提升或所述数据中心达到热平衡状态，所述散热设备下一步需切换至的所述目标档位；
输出所述目标档位。
11.根据权利要求4所述的方法，其特征在于，所述输出所述IT设备中服务器下一步调整至的目标频率，包括：
基于奖励函数确定使得所述数据中心的能效水平提升或所述数据中心达到热平衡状态，所述IT设备下一步需调整至的所述目标频率；
输出所述目标频率。
12.根据权利要求1所述的方法，其特征在于，所述将所述负载数据输入预先训练的热系统模型之前，所述方法还包括：
对所述负载数据进行预处理。
13.根据权利要求12所述的方法，其特征在于，所述对所述负载数据进行预处理，包括：
对所述负载数据进行缺失值处理、和/或归一化处理、和/或噪声处理。
14.根据权利要求1所述的方法，其特征在于，所述按照所述协同处理策略调节所述数据中心的能耗水平，包括：
将所述协同处理策略注入协同处理控制器中，通过所述协同处理控制器调节所述数据中心的能耗水平。
15.一种能耗调节装置，其特征在于，应用于数据中心，所述数据中心包括IT设备和非IT设备，所述装置包括：
获取模块，用于获取所述IT设备的负载数据；
第一输入输出模块，用于将所述负载数据输入预先训练的热系统模型，输出对应的能耗预测数据；
第二输入输出模块，用于将所述负载数据输入预先训练的负载预测模型，输出对应的负载预测数据；
第三输入输出模块，用于将所述能耗预测数据和所述负载预测数据输入预先训练的协同控制调节模型中，输出对应的协同处理策略；
调节模块，用于按照所述协同处理策略调节所述数据中心的能耗水平；
所述装置还用于：
获取用于训练的热系统模型训练数据样本集；所述热系统模型训练数据样本集包括样本能耗数据、以及与所述样本能耗数据对应的样本负载数据；所述样本能耗数据包括样本热量数据；
将所述样本能耗数据和所述样本负载数据代入多项式中，拟合得到针对所述数据中心的多个热系统模型；其中，所述热系统模型中的参数基于最小二乘法求解得到；以及，
获取用于训练的负载预测模型训练数据样本集；所述负载预测模型训练数据样本集包括样本负载数据；
确定所述样本负载数据的历史特征信息，并将所述历史特征信息分解为对应的平滑分量、趋势分量和季节分量；
基于所述平滑分量、所述趋势分量和所述季节分量构建所述负载预测模型；其中，所述负载预测模型中的参数基于SMAPE评价确定；以及，
获取用于训练的协同控制调节模型训练数据样本集；所述协同控制调节模型训练数据样本集包括由所述热系统模型输出的样本能耗预测数据，以及由所述负载预测模型输出的样本负载预测数据；
将所述样本能耗预测数据和所述样本负载预测数据输入增强学习模型中进行增强学习训练，获得对应的所述协同控制调节模型；其中，所述协同控制调节模型中的参数基于奖励函数确定。
16.一种电子设备，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1-14任一项所述一种能耗调节方法的步骤。
17.一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1-14任一项所述一种能耗调节方法的步骤。
CN202310586681.3A 2023-05-23 2023-05-23 一种能耗调节方法、装置、电子设备及介质 Active CN116301275B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310586681.3A CN116301275B (zh) 2023-05-23 2023-05-23 一种能耗调节方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310586681.3A CN116301275B (zh) 2023-05-23 2023-05-23 一种能耗调节方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN116301275A CN116301275A (zh) 2023-06-23
CN116301275B true CN116301275B (zh) 2023-08-15

Family

ID=86820768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310586681.3A Active CN116301275B (zh) 2023-05-23 2023-05-23 一种能耗调节方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN116301275B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308734B (zh) * 2020-10-27 2024-01-05 中国科学院信息工程研究所 It设备非it能耗的计量、费用分摊方法及电子装置
CN116887569B (zh) * 2023-07-06 2024-01-30 广州至为信息科技有限公司 一种数据中心能耗预测和节能调节方法、系统及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066071A (zh) * 2021-11-19 2022-02-18 厦门大学 一种基于能耗的电力参数优化方法、终端设备及存储介质
CN115422826A (zh) * 2022-08-05 2022-12-02 武汉烽火技术服务有限公司 数据中心智能节能调控方法、装置、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066071A (zh) * 2021-11-19 2022-02-18 厦门大学 一种基于能耗的电力参数优化方法、终端设备及存储介质
CN115422826A (zh) * 2022-08-05 2022-12-02 武汉烽火技术服务有限公司 数据中心智能节能调控方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
智能电网下数据中心能耗费用优化综述;黄焱;王鹏;谢高辉;安俊秀;;浙江大学学报(工学版);第50卷(第12期);第2386-2399页 *

Also Published As

Publication number Publication date
CN116301275A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN116301275B (zh) 一种能耗调节方法、装置、电子设备及介质
Ding et al. OCTOPUS: Deep reinforcement learning for holistic smart building control
US7464278B2 (en) Combining power prediction and optimal control approaches for performance optimization in thermally limited designs
CN110285532B (zh) 基于人工智能的机房空调控制方法、装置及系统
Fang et al. Thermal-aware energy management of an HPC data center via two-time-scale control
Coffey et al. A software framework for model predictive control with GenOpt
CN109890176B (zh) 一种基于人工智能优化机房能耗效率的装置
Zanini et al. Multicore thermal management with model predictive control
CN101477403B (zh) 一种系统功耗自动控制方法
Tao et al. Application of SVR optimized by modified simulated annealing (MSA-SVR) air conditioning load prediction model
WO2019148775A1 (zh) 风电机组的功率控制方法和设备
CN108194398A (zh) 风扇控制方法及装置
US11953865B2 (en) HVAC controller with predictive cost optimization
Wang et al. Event-driven optimal control of central air-conditioning systems: Event-space establishment
CN111478360A (zh) 含光伏接入的配电网集中-就地综合电压控制方法和装置
CN112105233A (zh) 节能控制方法、装置、电子设备和计算机可读介质
CN114909945A (zh) 冷却塔节能智控方法、装置、电子装置及介质
He et al. Predictive control optimization of chiller plants based on deep reinforcement learning
Coffman et al. Virtual energy storage from TCLs using QoS preserving local randomized control
CN117350165A (zh) 一种基于深度强化学习的3d芯片动态热管理方法
CN116540543A (zh) 一种核蒸汽供应系统的多目标控制优化方法和装置
CN116169723A (zh) 一种平抑光伏发电不确定性的电压控制方法及相关装置
Mea et al. A versatile modeling approach to monitoring and reduction of energy consumption of telecommunication cooling systems
Scherrer et al. Low complexity, real-time adjusted power management policy using golden section search
CN116090764A (zh) 能源调度处理方法、装置、计算机设备和存储介质

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
GR01 Patent grant
GR01 Patent grant