CN116431975A - 一种数据中心的环境监测方法及系统 - Google Patents

一种数据中心的环境监测方法及系统 Download PDF

Info

Publication number
CN116431975A
CN116431975A CN202310685742.1A CN202310685742A CN116431975A CN 116431975 A CN116431975 A CN 116431975A CN 202310685742 A CN202310685742 A CN 202310685742A CN 116431975 A CN116431975 A CN 116431975A
Authority
CN
China
Prior art keywords
temperature
data
temperature data
factors
target
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.)
Granted
Application number
CN202310685742.1A
Other languages
English (en)
Other versions
CN116431975B (zh
Inventor
刘凡
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.)
Shaanxi Giant Business Information Consulting Co ltd
Original Assignee
Shaanxi Giant Business Information Consulting 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 Shaanxi Giant Business Information Consulting Co ltd filed Critical Shaanxi Giant Business Information Consulting Co ltd
Priority to CN202310685742.1A priority Critical patent/CN116431975B/zh
Publication of CN116431975A publication Critical patent/CN116431975A/zh
Application granted granted Critical
Publication of CN116431975B publication Critical patent/CN116431975B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明涉及传感器数据处理技术领域，提出了一种数据中心的环境监测方法及系统，包括：采集温度数据及若干其他因素的数据；对所有温度数据结合位置进行聚类得到若干第一类别，获取每个其他因素对每个第一类别的影响程度；根据每个位置当前时间段内的温度数据、第一类别及每个其他因素对每个第一类别的影响程度，获取当前时刻任意两个位置的温度关联性，对当前时刻所有位置构建三角网；根据三角网获取每个非传感器布置位置的温度插值，完成数据中心的环境监测。本发明旨在解决数据中心温度监测受多种因素影响，仅通过空间距离进行插值导致结果不准确的问题。

Description

一种数据中心的环境监测方法及系统
技术领域
本发明涉及传感器数据处理技术领域，具体涉及一种数据中心的环境监测方法及系统。
背景技术
随着信息技术的飞速发展，全球范围内数据中心的数量与规模飞速增长，数据中心作为企业、政府、学术界和其他组织的计算资源、存储资源和网络连接的核心设施，承担着关键业务数据处理和传输的功能，因此确保数据中心的高效稳定运行是至关重要的；在此背景下，数据中心的环境监测逐渐成为一个重要的监测内容，对于环境监测进行实时监控，以便及时发现潜在问题并采取相应措施，从而保证数据中心的正常运行。
而数据中心的环境监测过程中，温度数据往往是对数据中心运行的主要影响因素，通过在数据中心布置温度传感器进行温度监测，然而温度监测受传感器的布置位置及传感器的监测范围影响，较少的温度传感器无法明确对整个数据中心进行实时监测，而每个位置都布置温度传感器会影响数据中心的正常运行，因此现有技术中通过插值对数据中心的其他位置进行温度数据获取并监测，然而传统插值方法仅考虑插值区域与传感器之间的空间距离来进行插值，而数据中心由于网络设备的存在，会导致复杂的环境变化，例如网络设备发热导致湿度变化、气流变化等，因此仅通过空间距离进行温度插值，会导致温度数据的监测结果不准确。
发明内容
本发明提供一种数据中心的环境监测方法及系统，以解决现有的数据中心温度监测受多种因素影响，仅通过空间距离进行插值导致结果不准确的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种数据中心的环境监测方法，该方法包括以下步骤：
布置传感器采集每个位置若干时刻的温度数据，以及每个位置若干时刻的其他因素数据；
对所有温度数据结合位置进行聚类得到若干第一类别；
对每个第一类别根据每个其他因素的数据获取每个其他因素对每个第一类别的影响程度及影响温度值；
根据每个位置当前时间段内的温度数据、第一类别及每个其他因素对每个第一类别的影响程度，获取当前时刻任意两个位置的温度关联性；
根据温度关联性对当前时刻所有位置构建三角网；
根据三角网获取每个非传感器布置位置的温度插值；
结合当前时刻的若干温度数据获取数据中心的温度分布情况，完成数据中心的环境监测。
可选的，所述对所有温度数据结合位置进行聚类得到若干第一类别，包括的具体方法为：
将每个温度数据转换为三维坐标系的坐标点，对所有坐标点进行聚类，得到若干第一类簇；
根据温度数据与坐标点的对应关系，将每个温度数据都对应的划分到第一类簇中，将温度数据组成的第一类簇记为第一类别。
可选的，所述将每个温度数据转换为三维坐标系的坐标点，包括的具体方法为：
以任意一个温度数据作为目标温度数据，获取目标温度数据对应时刻所有其他位置的温度数据，记为目标温度数据的同时刻温度数据，获取与目标温度数据对应位置空间距离最近的若干位置，将得到的若干位置中同时刻温度数据与目标温度数据的差异最大的位置记为目标温度数据的参考位置，参考位置的同时刻温度数据记为该温度数据的参考温度数据；
将目标温度数据对应位置与参考位置的欧式距离作为目标温度数据的
Figure SMS_1
轴坐标， 目标温度数据与参考温度数据的差异作为目标温度数据的
Figure SMS_2
轴坐标，目标温度数据的温度 数据值作为
Figure SMS_3
轴坐标，则将目标温度数据转换成了三维坐标系中一个坐标点，三维坐标系的
Figure SMS_4
轴为欧式距离，
Figure SMS_5
轴为温度差异，
Figure SMS_6
轴为温度数据；
获取每个温度数据的参考位置及参考温度数据，将每个温度数据转换为三维坐标系中的坐标点。
可选的，所述获取每个其他因素对每个第一类别的影响程度及影响温度值，包括的具体方法为：
以任意一个第一类别为目标第一类别，获取目标第一类别基于每个其他因素的若 干聚簇组合，第
Figure SMS_7
个其他因素对目标第一类别的影响程度
Figure SMS_8
的计算方法为：
Figure SMS_9
Figure SMS_10
其中，
Figure SMS_22
表示第
Figure SMS_13
个其他因素在目标第一类别中的分布特征，
Figure SMS_18
表示目标第一类别 基于第
Figure SMS_14
个其他因素的聚簇组合数量，
Figure SMS_15
表示目标第一类别基于第
Figure SMS_19
个其他因素的第
Figure SMS_24
个聚 簇组合中第
Figure SMS_20
个其他因素数据数值最小的聚簇中温度数据的数量占目标第一类别中温度数 据数量的比例，
Figure SMS_23
表示目标第一类别基于第
Figure SMS_11
个其他因素的第
Figure SMS_16
个聚簇组合中第
Figure SMS_27
个其他因 素数据数值最小的聚簇中第
Figure SMS_31
个其他因素数据的数值均值，
Figure SMS_28
表示目标第一类别基于第
Figure SMS_32
个 其他因素的第
Figure SMS_25
个聚簇组合中第
Figure SMS_29
个其他因素数据的数值均值，
Figure SMS_26
表示目标第一类别中第
Figure SMS_30
个其他因素数据的数值最大值，
Figure SMS_12
表示目标第一类别中温度数据与第
Figure SMS_17
个其他因素数据 的相关系数，
Figure SMS_21
表示求绝对值；
所述聚簇组合中第
Figure SMS_33
个其他因素数据数值最小的聚簇的获取方法为：聚簇组合中 两个聚簇分别计算第
Figure SMS_34
个其他因素数据的数值均值，将数值均值最小的聚簇记为聚簇组合 中第
Figure SMS_35
个其他因素数据数值最小的聚簇；
所述目标第一类别中温度数据与第
Figure SMS_36
个其他因素数据的相关系数的具体计算方法 为：对目标第一类别中所有温度数据进行归一化，将所有温度数据的归一化值降序排列，得 到的序列记为目标第一类别的温度波动序列，对目标第一类别中所有温度数据对应的第
Figure SMS_37
个其他因素数据进行归一化，将所有第
Figure SMS_38
个其他因素的归一化值根据温度波动序列中对应 温度数据的归一化值的顺序关系进行排序，记为目标第一类别的第
Figure SMS_39
个其他因素变化序列， 对温度波动序列与第
Figure SMS_40
个其他因素变化序列计算皮尔逊相关系数，记为目标第一类别中温 度数据与第
Figure SMS_41
个其他因素数据的相关系数；
将第
Figure SMS_42
个其他因素对目标第一类别的影响程度与目标第一类别聚类中心对应温度 数据数值的乘积，记为第
Figure SMS_43
个其他因素对目标第一类别的影响温度值；获取每个其他因素对 每个第一类别的影响程度及影响温度值。
可选的，所述获取目标第一类别基于每个其他因素的若干聚簇组合，包括的具体方法为：
以任意一个第一类别为目标第一类别，对目标第一类别中每个温度数据根据对应 的第
Figure SMS_44
个其他因素的数据进行聚类，聚类距离以第
Figure SMS_45
个其他因素的数据之间的差值绝对值来 计算，得到目标第一类别基于第
Figure SMS_46
个其他因素的聚簇结果，将聚簇结果中任意两个聚簇作为 一个聚簇组合，得到目标第一类别基于第
Figure SMS_47
个其他因素的若干聚簇组合；
获取目标第一类别基于每个其他因素的若干聚簇组合。
可选的，所述获取当前时刻任意两个位置的温度关联性，包括的具体方法为：
获取每个位置的当前时段温度序列，当前时刻第
Figure SMS_48
个位置与第
Figure SMS_49
个位置的温度关联 性
Figure SMS_50
的计算方法为：
Figure SMS_51
Figure SMS_52
Figure SMS_53
其中，
Figure SMS_73
表示当前时刻第
Figure SMS_77
个其他因素对第
Figure SMS_81
个位置的影响因子，
Figure SMS_57
表示第
Figure SMS_61
个 其他因素对当前时刻第
Figure SMS_65
个位置的温度数据所属第一类别的影响程度，
Figure SMS_69
表示第
Figure SMS_74
个其他 因素对当前时刻第
Figure SMS_78
个位置的影响温度值，
Figure SMS_82
的计算方法为
Figure SMS_84
与第
Figure SMS_85
个其他因素对当前 时刻第
Figure SMS_87
个位置的温度数据相乘，
Figure SMS_88
表示第
Figure SMS_89
个其他因素对当前时刻第
Figure SMS_72
个位置的温度数据 所属第一类别的影响温度值；
Figure SMS_76
表示当前时刻第
Figure SMS_80
个其他因素对第
Figure SMS_83
个位置的影响因子，
Figure SMS_54
表示第
Figure SMS_60
个其他因素对当前时刻第
Figure SMS_64
个位置的温度数据所属第一类别的影响程度，
Figure SMS_68
表示第
Figure SMS_56
个其他因素对当前时刻第
Figure SMS_59
个位置的影响温度值，
Figure SMS_63
表示第
Figure SMS_67
个其他因素对当前时 刻第
Figure SMS_71
个位置的温度数据所属第一类别的影响温度值；
Figure SMS_75
第
Figure SMS_79
个位置的当前时段温 度序列与第
Figure SMS_86
个位置的当前时段温度序列的DTW距离，
Figure SMS_55
表示其他因素的数量，
Figure SMS_58
表示当 前时刻第
Figure SMS_62
个其他因素对两个位置的影响因子的比值，
Figure SMS_66
表示求绝对值，
Figure SMS_70
表示以自然常 数为底的指数函数；
获取当前时刻任意两个位置的温度关联性。
可选的，所述获取每个位置的当前时段温度序列，包括的具体方法为：
获取当前时刻以及近
Figure SMS_90
个时刻作为当前时间段，其中
Figure SMS_91
为时间段组成数量，获取第
Figure SMS_92
个位置在当前时间段内每个时刻的温度数据，按照时序记为第
Figure SMS_93
个位置的当前时段温度序 列；获取每个位置的当前时段温度序列。
可选的，所述根据温度关联性对当前时刻所有位置构建三角网，包括的具体方法为：
获取每个位置与其他所有位置的温度关联性均值，将温度关联性均值最大的位置作为三角网构建的起始点，获取与起始点温度关联性最大的两个其他位置，将两个其他位置与起始点构建三角形，再以三角形的三个顶点为起始点，根据温度关联性最大的其他位置继续构建三角形，已经构建成三角形的位置不再参与分析，最终根据温度关联性完成三角网的构建。
可选的，所述根据三角网获取每个非传感器布置位置的温度插值，包括的具体方法为：
以三角网中第
Figure SMS_94
个三角形为目标三角形，目标三角形中第
Figure SMS_95
个非传感器布置位置 受目标三角形第
Figure SMS_96
个顶点的插值权重的计算方法为：
Figure SMS_97
其中，
Figure SMS_99
表示第
Figure SMS_103
个三角形中第
Figure SMS_107
个非传感器布置位置受目标三角形第
Figure SMS_101
个顶点 的影响权值，
Figure SMS_105
表示第
Figure SMS_109
个三角形中第
Figure SMS_112
个顶点与另外两个顶点的温度关联性均值，
Figure SMS_98
表示第
Figure SMS_104
个三角形中第
Figure SMS_108
个非传感器布置位置与第
Figure SMS_111
个三角形第
Figure SMS_100
个顶点的欧式 距离，
Figure SMS_102
与
Figure SMS_106
表示参考权重，
Figure SMS_110
表示以自然常数为底的指数函数；
获取第
Figure SMS_113
个三角形中第
Figure SMS_114
个非传感器布置位置受目标三角形每个顶点的影响权 值，将三个影响权值进行归一化，得到的结果记为第
Figure SMS_115
个三角形中第
Figure SMS_116
个非传感器布置位置 受目标三角形每个顶点的插值权重；
获取每个三角形中每个非传感器布置位置受对应三角形每个顶点的插值权重；根据每个非传感器布置位置受所在三角形对应三个顶点的插值权重，对三个顶点当前时刻的温度数据进行加权求和，得到的结果记为每个非传感器布置位置的温度插值；
对于分布在三角形边上的非传感器布置位置，在计算受顶点的影响权值过程中，温度关联性均值替换为所在边对应的温度关联性，影响权值归一化得到插值权重时，仅获取受所在边对应的两个顶点的影响权值并归一化，根据受两个顶点的插值权重进行加权求和，得到位于三角形边上的非传感器布置位置的温度插值。
第二方面，本发明另一个实施例提供了一种数据中心的环境监测系统，该系统包括：
传感器数据采集模块，布置传感器采集每个位置若干时刻的温度数据，以及每个位置若干时刻的其他因素数据；
关联三角网构建模块：对所有温度数据结合位置进行聚类得到若干第一类别；
对每个第一类别根据每个其他因素的数据获取每个其他因素对每个第一类别的影响程度及影响温度值；
根据每个位置当前时间段内的温度数据、第一类别及每个其他因素对每个第一类别的影响程度，获取当前时刻任意两个位置的温度关联性；
根据温度关联性对当前时刻所有位置构建三角网；
环境监测模块：根据三角网获取每个非传感器布置位置的温度插值；
结合当前时刻的若干温度数据获取数据中心的温度分布情况，完成数据中心的环境监测。
本发明的有益效果是：本发明通过自适应加权插值的方法来获取准确的数据中心的温度分布情况；通过构建三角网的方式来自适应加权插值权重值，结合同型号的温度传感器构成温度大数据进行分析，构建温度随距离的温度变化的影响关系，对大数据进行聚类分析，获取到若干第一类别，第一类别内的变化则体现着其他因素对温度变化的影响关系，获取不同其他因素对于第一类别的影响程度，进而得到当前时刻任意两个位置之间的温度关联性，并结合温度关联性来构建三角网，依此完成自适应的加权插值；避免了传统的插值方法中仅考虑空间距离来获取插值权重，会由于数据中心中网络设备的发热的温度变化，以及其他因素对温度变化的影响造成错误的插值结果的缺点，使得计算得到的插值权重更加精准，进而使得计算得到的数据中心的温度分布情况更加准确，提高了数据中心的环境监测结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明一个实施例所提供的一种数据中心的环境监测方法流程示意图；
图2为本发明另一个实施例所提供的一种数据中心的环境监测系统结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本发明一个实施例所提供的一种数据中心的环境监测方法流程图，该方法包括以下步骤：
步骤S001、布置传感器采集每个位置若干时刻的温度数据及若干其他因素的数据。
本实施例的目的是通过数据中心的温度监测来实现异常环境监测，因此首先需要获取数据中心的温度数据；本实施例在数据中心的若干位置布置温度传感器，通过温度传感器进行温度数据的采集，本实施例对每个位置获取近一个月内的温度数据，温度数据的采样时间间隔本实施例设置为10分钟，则获取到了每个位置若干时刻的温度数据。
进一步的，由于数据中心中网络设备的存在，温度会受到湿度、气流及设备功率等其他因素的影响，因此仅通过布置传感器的位置的温度数据进行其他未布置传感器的位置的温度数据量化不准确，需要考虑其他因素的影响，本实施例中选择湿度、气流及设备功率三种其他因素来进行叙述，对每个其他因素在每个布置传感器的位置同样采集近一个月内的数据，采样时间间隔与温度数据相同，其中湿度数据通过湿度传感器获取，气流数据通过风速传感器获取，设备功率则直接获取传感器布置位置的设备在对应时刻下的运行功率即可。
至此，获取到了每个位置若干时刻的温度数据，以及若干其他因素的数据。
步骤S002、对所有温度数据结合位置进行聚类得到若干第一类别，对每个第一类别根据每个其他因素的数据获取每个其他因素对每个第一类别的影响程度。
需要说明的是，未布置传感器的位置的温度若仅依靠温度数据及空间距离进行推测是不准确的，需要分析其他因素对于温度数据的影响程度；因此将所有温度数据作为温度大数据进行聚类分析，得到若干第一类别，相同第一类别内对应的不同温度数据对应的空间距离、温度差以及温度数据值都是相似的；则可以在每个第一类别基础上进行其他因素的分析，通过对每个第一类别进行基于其他因素的数据的聚类，根据聚类结果对每个其他因素量化对于每个第一类别的影响程度，若一个第一类别中某个其他因素得到的聚簇之间分布较为离散，即各个聚簇差异较大，则表明该其他因素对温度数据在该第一类别中影响较大；若各聚簇差异较小，则影响较小。
具体的，由于本实施例采用同一种温度传感器对所有位置若干时刻的温度数据进 行采集，则不同传感器不同时刻的温度变化灵敏性相似，可以通过组成温度大数据来进行 聚类；对于任意一个温度数据，首先获取该温度数据对应时刻所有其他位置的温度数据，记 为该温度数据的同时刻温度数据，获取与该温度数据对应位置空间距离最近的若干位置， 将得到的若干位置中同时刻温度数据与该温度数据的差异最大的位置记为该温度数据的 参考位置，所述差异即为差值绝对值，参考位置的同时刻温度数据记为该温度数据的参考 温度数据；将该温度数据对应位置与参考位置的欧式距离作为该温度数据的
Figure SMS_117
轴坐标，该温 度数据与参考温度数据的差异作为该温度数据的
Figure SMS_118
轴坐标，该温度数据的温度数据值作为
Figure SMS_119
轴坐标，则将该温度数据转换成了三维坐标系中一个坐标点，三维坐标系的
Figure SMS_120
轴则为欧式距 离，
Figure SMS_121
轴为温度差异，
Figure SMS_122
轴为温度数据；按照上述方法获取每个温度数据的参考位置及参考温 度数据，并将每个温度数据转换为三维坐标系中的坐标点；需要说明的是，存在不同温度数 据，即不同位置或不同时刻的温度数据转换坐标点后重叠的情况，该种特殊情况不影响第 一类别的获取，在后续进行其他因素分析时会特别说明。
进一步的，对三维坐标系中所有坐标点进行DBSCAN聚类，聚类距离则为坐标点之间的空间距离，聚簇最小点数量本实施例设置为5，半径设置为6，将得到的聚簇结果中每个聚簇记为第一类簇，则将所有坐标点聚类到若干第一类簇中，同时获取每个第一类簇的聚类中心，聚簇获取聚类中心为现有技术，本实施例不再赘述；相同第一类簇中不同坐标点对应的欧式距离数值相近，温度差异相近，温度数据也相近，即相同第一类簇中表征的是相近的温度数据在相近的空间距离变化下的温度变化相近，而相同第一类簇中不同坐标点之间微小的各种坐标之间的差异则表征了其他因素对于温度的影响。
进一步的，以其他因素中的湿度为例，获取每个位置每个时刻的湿度数据，湿度数 据在步骤S001中已经采集，根据每个湿度数据对应的位置与时刻，获取湿度数据与温度数 据的对应关系，同时根据温度数据与坐标点的对应关系，则将每个温度数据都对应的划分 到了第一类簇中，将温度数据组成的第一类簇记为第一类别，此时每个第一类别中包含若 干温度数据，同时上述不同温度数据对应坐标点重叠由于已经根据对应关系还原到不同温 度数据，则不再存在重叠影响；以任意一个第一类别为例，对该第一类别中每个温度数据根 据对应的湿度数据进行DBSCAN聚类，聚类距离以湿度数据之间的差值绝对值来计算，得到 该第一类别基于湿度的聚簇结果，将聚簇结果中任意两个聚簇作为一个聚簇组合，得到该 第一类别基于湿度的若干聚簇组合，将湿度作为第
Figure SMS_123
个其他因素，湿度对于该第一类别的影 响程度
Figure SMS_124
的计算方法为：
Figure SMS_125
Figure SMS_126
其中，
Figure SMS_128
表示第
Figure SMS_132
个其他因素在该第一类别中的分布特征，
Figure SMS_136
表示该第一类别基于 第
Figure SMS_130
个其他因素的聚簇组合数量，
Figure SMS_134
表示该第一类别基于第
Figure SMS_138
个其他因素的第
Figure SMS_142
个聚簇组合 中第
Figure SMS_127
个其他因素数据数值最小的聚簇中温度数据的数量占该第一类别中温度数据数量的 比例，所述聚簇组合中第
Figure SMS_133
个其他因素数据数值最小的聚簇的获取方法为：聚簇组合中两个 聚簇分别计算第
Figure SMS_137
个其他因素数据的数值均值，将数值均值最小的聚簇记为聚簇组合中第
Figure SMS_141
个其他因素数据数值最小的聚簇；
Figure SMS_145
表示该第一类别基于第
Figure SMS_149
个其他因素的第
Figure SMS_153
个聚簇组 合中第
Figure SMS_156
个其他因素数据数值最小的聚簇中第
Figure SMS_143
个其他因素数据的数值均值，
Figure SMS_147
表示该第一 类别基于第
Figure SMS_151
个其他因素的第
Figure SMS_155
个聚簇组合中第
Figure SMS_129
个其他因素数据的数值均值，
Figure SMS_131
表示该 第一类别中第
Figure SMS_135
个其他因素数据的数值最大值，
Figure SMS_139
表示该第一类别中温度数据与第
Figure SMS_140
个其 他因素数据的相关系数，具体计算方法为：对该第一类别中所有温度数据进行线性归一化， 将所有温度数据的归一化值降序排列，得到的序列记为该第一类别的温度波动序列，对该 第一类别中所有温度数据对应的第
Figure SMS_144
个其他因素数据进行线性归一化，将所有第
Figure SMS_148
个其他因 素的归一化值根据温度波动序列中对应温度数据的归一化值的顺序关系进行排序，记为该 第一类别的第
Figure SMS_152
个其他因素变化序列，对温度波动序列与第
Figure SMS_146
个其他因素变化序列计算皮尔 逊相关系数，记为该第一类别中温度数据与第
Figure SMS_150
个其他因素数据的相关系数，皮尔逊相关系 数计算为公知技术，本实施例不再赘述；
Figure SMS_154
表示求绝对值。
此时，通过对该第一类别基于湿度数据进行聚类，得到若干聚簇组合，聚簇组合中数值最小的聚簇的数据数量占比越小，表明基于湿度数据的聚类结果越离散，影响程度越大；聚簇组合中数值最小的聚簇的数值均值与聚簇组合的数值均值差异越大，聚类结果越离散，影响程度越大；同时引入相关系数，相关系数是基于该第一类别中温度数据的降序变化与相应的湿度数据进行排序来获取，相关系数越大，表明温度与湿度的变化方式越接近，同时由于其他因素可能与温度变化完全相反，例如气流数据中风速越大温度越低，温度与气流的相关性同样很高，因此对相关系数添加绝对值，根据分布特征与相关系数的绝对值获取影响程度。
进一步的，按照上述方法获取每个其他因素对每个第一类别的影响程度，对于任意一个类别与任意一个其他因素，将该其他因素对该第一类别的影响程度与该第一类别聚类中心对应温度数据数值的乘积，记为该其他因素对该第一类别的影响温度值；需要说明的是，第一类簇已经获取到聚类中心，则第一类别可以基于第一类簇得到聚类中心对应的温度数据，同时由于获取的是聚类中心对应温度数据，则第一类簇的聚类中心可能由多个不同温度数据重叠获取，然而参与计算的是温度数据数值，重叠表明温度数据数值相同，则重叠不会影响计算。
至此，对所有温度数据聚类得到若干第一类别，并获取每个其他因素对每个第一类别的影响程度。
步骤S003、根据每个位置当前时间段内的温度数据、第一类别及每个其他因素对每个第一类别的影响程度，获取当前时刻任意两个位置的温度关联性，根据温度关联性对当前时刻所有位置构建三角网。
需要说明的是，获取到影响程度后，需要根据相同时刻下不同位置的温度数据所属第一类别，以及两个位置在一段时间内温度的变化来量化该时刻下两个位置的温度关联性，由于本实施例需要对数据中心进行实时监测，因此对当前时刻进行任意两个位置的温度关联性分析。
具体的，以第
Figure SMS_158
个位置和第
Figure SMS_164
个位置为例，其中
Figure SMS_167
，获取当前时刻以及近
Figure SMS_160
个时 刻作为当前时间段，其中
Figure SMS_163
为时间段组成数量，本实施例采用
Figure SMS_166
进行叙述，即当前时间 段包含当前时刻及近19个采样时刻共20个时刻，获取第
Figure SMS_169
个位置和第
Figure SMS_157
个位置在当前时间段 内每个时刻的温度数据，按照时序分别记为第
Figure SMS_162
个位置的当前时段温度序列以及第
Figure SMS_165
个位置 的当前时段温度序列，则获取当前时刻第
Figure SMS_168
个位置与第
Figure SMS_159
个位置的温度关联性
Figure SMS_161
的计算 方法为：
Figure SMS_170
Figure SMS_171
Figure SMS_172
其中，
Figure SMS_191
表示当前时刻第
Figure SMS_195
个其他因素对第
Figure SMS_199
个位置的影响因子，
Figure SMS_175
表示第
Figure SMS_179
个 其他因素对当前时刻第
Figure SMS_183
个位置的温度数据所属第一类别的影响程度，
Figure SMS_187
表示第
Figure SMS_203
个其他 因素对当前时刻第
Figure SMS_207
个位置的影响温度值，
Figure SMS_209
的计算方法为
Figure SMS_211
与第
Figure SMS_205
个其他因素对当前 时刻第
Figure SMS_208
个位置的温度数据相乘，
Figure SMS_210
表示第
Figure SMS_212
个其他因素对当前时刻第
Figure SMS_192
个位置的温度数据 所属第一类别的影响温度值；
Figure SMS_196
表示当前时刻第
Figure SMS_200
个其他因素对第
Figure SMS_204
个位置的影响因子，
Figure SMS_173
表示第
Figure SMS_180
个其他因素对当前时刻第
Figure SMS_184
个位置的温度数据所属第一类别的影响程度，
Figure SMS_188
表示第
Figure SMS_176
个其他因素对当前时刻第
Figure SMS_177
个位置的影响温度值，
Figure SMS_181
表示第
Figure SMS_185
个其他因素对当前时 刻第
Figure SMS_189
个位置的温度数据所属第一类别的影响温度值；
Figure SMS_193
第
Figure SMS_197
个位置的当前时段温 度序列与第
Figure SMS_201
个位置的当前时段温度序列的DTW距离，
Figure SMS_178
表示其他因素的数量，本实施例中
Figure SMS_182
，
Figure SMS_186
表示当前时刻第
Figure SMS_190
个其他因素对两个位置的影响因子的比值，其中比值由
Figure SMS_194
与
Figure SMS_198
通过小值比大值获取，
Figure SMS_202
表示求绝对值，
Figure SMS_206
表示以自然常数为底的指数函 数，本实施例通过
Figure SMS_174
来呈现反比例关系及归一化处理，实施者可根据实际情况选择反 比例函数及归一化函数。
此时，两个位置当前时段温度序列的DTW距离越小，两个序列越相近，温度变化越相近，两个位置的温度关联性越大；通过影响程度及影响温度值与所属类别影响温度值的差异来构成影响因子，影响因子的比值越大，表明影响程度相近且对应温度数据在类别内与聚类中心的差异越接近，则温度关联性越大。
进一步的，按照上述方法获取当前时刻任意两个位置的温度关联性，获取每个位置与其他所有位置的温度关联性均值，将温度关联性均值最大的位置作为三角网构建的起始点，获取与起始点温度关联性最大的两个其他位置，将两个其他位置与起始点构建三角形，再以三角形的三个顶点为起始点，按照上述方法根据温度关联性最大的其他位置继续构建三角形，已经构建成三角形的位置不再参与分析，则最终根据温度关联性完成三角网的构建。
至此，获取到当前时刻任意两个位置的温度关联性，并基于温度关联性对所有位置完成了三角网的构建。
步骤S004、根据三角网获取每个非传感器布置位置的温度插值，结合当前时刻的若干温度数据完成数据中心的环境监测。
需要说明的是，完成三角网的构建后，三角网的各个顶点都是传感器布置位置，则需要根据顶点获取每个非传感器布置位置与相应的顶点之间的插值权重，根据插值权重完成插值，插值权重则基于空间距离以及温度关联性进行计算。
具体的，对于三角网中第
Figure SMS_213
个三角形中第
Figure SMS_214
个非传感器布置位置，其受该三角形第
Figure SMS_215
个顶点的插值权重的计算方法为：
Figure SMS_216
其中，
Figure SMS_226
表示第
Figure SMS_219
个三角形中第
Figure SMS_222
个非传感器布置位置受该三角形第
Figure SMS_220
个顶点的 影响权值，
Figure SMS_223
表示第
Figure SMS_227
个三角形中第
Figure SMS_231
个顶点与另外两个顶点的温度关联性均值，
Figure SMS_228
表示第
Figure SMS_232
个三角形中第
Figure SMS_217
个非传感器布置位置与第
Figure SMS_224
个三角形第
Figure SMS_230
个顶点的欧式 距离，
Figure SMS_234
与
Figure SMS_235
表示参考权重，本实施例认为温度关联性与空间距离同样重要，因此采用
Figure SMS_237
进行计算，
Figure SMS_225
表示以自然常数为底的指数函数，本实施例通过
Figure SMS_229
来呈 现反比例关系及归一化处理，实施者可根据实际情况选择反比例函数及归一化函数；温度 关联性越大，空间距离越小，则相应的影响权值就会越大；按照上述方法获取第
Figure SMS_233
个三角形 中第
Figure SMS_236
个非传感器布置位置受该三角形每个顶点的影响权值，将三个影响权值进行softmax 归一化，得到的结果记为第
Figure SMS_218
个三角形中第
Figure SMS_221
个非传感器布置位置受该三角形每个顶点的 插值权重；按照上述方法获取每个三角形中每个非传感器布置位置受对应三角形每个顶点 的插值权重。
进一步的，对于每个非传感器布置位置，根据其受所在三角形对应三个顶点的插 值权重，对三个顶点当前时刻的温度数据进行加权求和，得到的结果记为每个非传感器布 置位置的温度插值；特别说明的是，三角形内部的非传感器布置位置按照上述方法可以获 取温度插值，对于分布在三角形边上的非传感器布置位置，在计算受顶点的影响权值过程 中，温度关联性均值替换为所在边对应的温度关联性，即替换为
Figure SMS_239
，该非传感器 布置位置分布在第
Figure SMS_244
个三角形中第
Figure SMS_247
个顶点与第
Figure SMS_241
个顶点之间的边上，且
Figure SMS_242
，
Figure SMS_245
表示 第
Figure SMS_248
个三角形中第
Figure SMS_238
个顶点与第
Figure SMS_243
个顶点的温度关联性，同时影响权值归一化得到插值权重 时，仅获取受第
Figure SMS_246
个三角形中第
Figure SMS_249
个顶点与第
Figure SMS_240
个顶点的影响权值并归一化，即仅考虑所在边 对应的两个顶点，并基于受两个顶点的插值权重进行加权求和，得到位于三角形边上的非 传感器布置位置的温度插值。
进一步的，已经获取到每个传感器布置位置当前时刻的温度数据以及每个非传感器布置位置的温度插值，则得到了数据中心不同位置的温度分布情况，根据国家安全标准设置温度预警阈值，其中若温度在18到27度之间则为标准温度，若在27度到32度之间则进行高温预警，若在15度到18度之间则进行低温预警，若在5度到15度之间则进行超低温预警。
至此，根据三角网完成了温度插值的获取，得到了数据中心不同位置的温度分布情况，根据温度分布情况进行数据中心的环境监测预警；而在每个传感器布置位置采集到新的温度数据后，按照上述方法重新获取最新时刻下任意两个位置的温度关联性，并重新构建三角网及完成插值，获取最新时刻的数据中心的温度分布情况，继续进行环境监测预警。
请参阅图2，其示出了本发明一个实施例所提供的一种数据中心的环境监测系统结构框图，该系统包括：
传感器数据采集模块S101，布置传感器采集每个位置若干时刻的温度数据及若干其他因素的数据。
关联三角网构建模块S102：
（1）对所有温度数据结合位置进行聚类得到若干第一类别，对每个第一类别根据每个其他因素的数据获取每个其他因素对每个第一类别的影响程度；
（2）根据每个位置当前时间段内的温度数据、第一类别及每个其他因素对每个第一类别的影响程度，获取当前时刻任意两个位置的温度关联性，根据温度关联性对当前时刻所有位置构建三角网。
环境监测模块S103，根据三角网获取每个非传感器布置位置的温度插值，结合当前时刻的若干温度数据完成数据中心的环境监测。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种数据中心的环境监测方法，其特征在于，该方法包括以下步骤：
布置传感器采集每个位置若干时刻的温度数据，以及每个位置若干时刻的其他因素数据；
对所有温度数据结合位置进行聚类得到若干第一类别；
对每个第一类别根据每个其他因素的数据获取每个其他因素对每个第一类别的影响程度及影响温度值；
根据每个位置当前时间段内的温度数据、第一类别及每个其他因素对每个第一类别的影响程度，获取当前时刻任意两个位置的温度关联性；
根据温度关联性对当前时刻所有位置构建三角网；
根据三角网获取每个非传感器布置位置的温度插值；
结合当前时刻的若干温度数据获取数据中心的温度分布情况，完成数据中心的环境监测。
2.根据权利要求1所述的一种数据中心的环境监测方法，其特征在于，所述对所有温度数据结合位置进行聚类得到若干第一类别，包括的具体方法为：
将每个温度数据转换为三维坐标系的坐标点，对所有坐标点进行聚类，得到若干第一类簇；
根据温度数据与坐标点的对应关系，将每个温度数据都对应的划分到第一类簇中，将温度数据组成的第一类簇记为第一类别。
3.根据权利要求2所述的一种数据中心的环境监测方法，其特征在于，所述将每个温度数据转换为三维坐标系的坐标点，包括的具体方法为：
以任意一个温度数据作为目标温度数据，获取目标温度数据对应时刻所有其他位置的温度数据，记为目标温度数据的同时刻温度数据，获取与目标温度数据对应位置空间距离最近的若干位置，将得到的若干位置中同时刻温度数据与目标温度数据的差异最大的位置记为目标温度数据的参考位置，参考位置的同时刻温度数据记为该温度数据的参考温度数据；
将目标温度数据对应位置与参考位置的欧式距离作为目标温度数据的
Figure QLYQS_1
轴坐标，目标温度数据与参考温度数据的差异作为目标温度数据的/>
Figure QLYQS_2
轴坐标，目标温度数据的温度数据值作为/>
Figure QLYQS_3
轴坐标，则将目标温度数据转换成了三维坐标系中一个坐标点，三维坐标系的/>
Figure QLYQS_4
轴为欧式距离，/>
Figure QLYQS_5
轴为温度差异，/>
Figure QLYQS_6
轴为温度数据；
获取每个温度数据的参考位置及参考温度数据，将每个温度数据转换为三维坐标系中的坐标点。
4.根据权利要求1所述的一种数据中心的环境监测方法，其特征在于，所述获取每个其他因素对每个第一类别的影响程度及影响温度值，包括的具体方法为：
以任意一个第一类别为目标第一类别，获取目标第一类别基于每个其他因素的若干聚簇组合，第
Figure QLYQS_7
个其他因素对目标第一类别的影响程度/>
Figure QLYQS_8
的计算方法为：
Figure QLYQS_9
Figure QLYQS_10
其中，
Figure QLYQS_22
表示第/>
Figure QLYQS_14
个其他因素在目标第一类别中的分布特征，/>
Figure QLYQS_18
表示目标第一类别基于第/>
Figure QLYQS_26
个其他因素的聚簇组合数量，/>
Figure QLYQS_30
表示目标第一类别基于第/>
Figure QLYQS_28
个其他因素的第/>
Figure QLYQS_31
个聚簇组合中第/>
Figure QLYQS_20
个其他因素数据数值最小的聚簇中温度数据的数量占目标第一类别中温度数据数量的比例，/>
Figure QLYQS_24
表示目标第一类别基于第/>
Figure QLYQS_13
个其他因素的第/>
Figure QLYQS_16
个聚簇组合中第/>
Figure QLYQS_12
个其他因素数据数值最小的聚簇中第/>
Figure QLYQS_17
个其他因素数据的数值均值，/>
Figure QLYQS_21
表示目标第一类别基于第/>
Figure QLYQS_25
个其他因素的第/>
Figure QLYQS_23
个聚簇组合中第/>
Figure QLYQS_27
个其他因素数据的数值均值，/>
Figure QLYQS_29
表示目标第一类别中第/>
Figure QLYQS_32
个其他因素数据的数值最大值，/>
Figure QLYQS_11
表示目标第一类别中温度数据与第/>
Figure QLYQS_15
个其他因素数据的相关系数，/>
Figure QLYQS_19
表示求绝对值；
所述聚簇组合中第
Figure QLYQS_33
个其他因素数据数值最小的聚簇的获取方法为：聚簇组合中两个聚簇分别计算第/>
Figure QLYQS_34
个其他因素数据的数值均值，将数值均值最小的聚簇记为聚簇组合中第/>
Figure QLYQS_35
个其他因素数据数值最小的聚簇；
所述目标第一类别中温度数据与第
Figure QLYQS_36
个其他因素数据的相关系数的具体计算方法为：对目标第一类别中所有温度数据进行归一化，将所有温度数据的归一化值降序排列，得到的序列记为目标第一类别的温度波动序列，对目标第一类别中所有温度数据对应的第/>
Figure QLYQS_37
个其他因素数据进行归一化，将所有第/>
Figure QLYQS_38
个其他因素的归一化值根据温度波动序列中对应温度数据的归一化值的顺序关系进行排序，记为目标第一类别的第/>
Figure QLYQS_39
个其他因素变化序列，对温度波动序列与第/>
Figure QLYQS_40
个其他因素变化序列计算皮尔逊相关系数，记为目标第一类别中温度数据与第/>
Figure QLYQS_41
个其他因素数据的相关系数；
将第
Figure QLYQS_42
个其他因素对目标第一类别的影响程度与目标第一类别聚类中心对应温度数据数值的乘积，记为第/>
Figure QLYQS_43
个其他因素对目标第一类别的影响温度值；获取每个其他因素对每个第一类别的影响程度及影响温度值。
5.根据权利要求4所述的一种数据中心的环境监测方法，其特征在于，所述获取目标第一类别基于每个其他因素的若干聚簇组合，包括的具体方法为：
以任意一个第一类别为目标第一类别，对目标第一类别中每个温度数据根据对应的第
Figure QLYQS_44
个其他因素的数据进行聚类，聚类距离以第/>
Figure QLYQS_45
个其他因素的数据之间的差值绝对值来计算，得到目标第一类别基于第/>
Figure QLYQS_46
个其他因素的聚簇结果，将聚簇结果中任意两个聚簇作为一个聚簇组合，得到目标第一类别基于第/>
Figure QLYQS_47
个其他因素的若干聚簇组合；
获取目标第一类别基于每个其他因素的若干聚簇组合。
6.根据权利要求1所述的一种数据中心的环境监测方法，其特征在于，所述获取当前时刻任意两个位置的温度关联性，包括的具体方法为：
获取每个位置的当前时段温度序列，当前时刻第
Figure QLYQS_48
个位置与第/>
Figure QLYQS_49
个位置的温度关联性
Figure QLYQS_50
的计算方法为：
Figure QLYQS_51
Figure QLYQS_52
Figure QLYQS_53
其中，
Figure QLYQS_73
表示当前时刻第/>
Figure QLYQS_77
个其他因素对第/>
Figure QLYQS_81
个位置的影响因子，/>
Figure QLYQS_57
表示第/>
Figure QLYQS_61
个其他因素对当前时刻第/>
Figure QLYQS_65
个位置的温度数据所属第一类别的影响程度，/>
Figure QLYQS_69
表示第/>
Figure QLYQS_74
个其他因素对当前时刻第/>
Figure QLYQS_78
个位置的影响温度值，/>
Figure QLYQS_82
的计算方法为/>
Figure QLYQS_86
与第/>
Figure QLYQS_85
个其他因素对当前时刻第/>
Figure QLYQS_87
个位置的温度数据相乘，/>
Figure QLYQS_88
表示第/>
Figure QLYQS_89
个其他因素对当前时刻第/>
Figure QLYQS_72
个位置的温度数据所属第一类别的影响温度值；/>
Figure QLYQS_76
表示当前时刻第/>
Figure QLYQS_80
个其他因素对第/>
Figure QLYQS_84
个位置的影响因子，/>
Figure QLYQS_54
表示第/>
Figure QLYQS_60
个其他因素对当前时刻第/>
Figure QLYQS_64
个位置的温度数据所属第一类别的影响程度，/>
Figure QLYQS_68
表示第/>
Figure QLYQS_55
个其他因素对当前时刻第/>
Figure QLYQS_59
个位置的影响温度值，/>
Figure QLYQS_63
表示第/>
Figure QLYQS_67
个其他因素对当前时刻第/>
Figure QLYQS_71
个位置的温度数据所属第一类别的影响温度值；/>
Figure QLYQS_75
第/>
Figure QLYQS_79
个位置的当前时段温度序列与第/>
Figure QLYQS_83
个位置的当前时段温度序列的DTW距离，/>
Figure QLYQS_56
表示其他因素的数量，/>
Figure QLYQS_58
表示当前时刻第/>
Figure QLYQS_62
个其他因素对两个位置的影响因子的比值，/>
Figure QLYQS_66
表示求绝对值，/>
Figure QLYQS_70
表示以自然常数为底的指数函数；
获取当前时刻任意两个位置的温度关联性。
7.根据权利要求6所述的一种数据中心的环境监测方法，其特征在于，所述获取每个位置的当前时段温度序列，包括的具体方法为：
获取当前时刻以及近
Figure QLYQS_90
个时刻作为当前时间段，其中/>
Figure QLYQS_91
为时间段组成数量，获取第/>
Figure QLYQS_92
个位置在当前时间段内每个时刻的温度数据，按照时序记为第/>
Figure QLYQS_93
个位置的当前时段温度序列；获取每个位置的当前时段温度序列。
8.根据权利要求1所述的一种数据中心的环境监测方法，其特征在于，所述根据温度关联性对当前时刻所有位置构建三角网，包括的具体方法为：
获取每个位置与其他所有位置的温度关联性均值，将温度关联性均值最大的位置作为三角网构建的起始点，获取与起始点温度关联性最大的两个其他位置，将两个其他位置与起始点构建三角形，再以三角形的三个顶点为起始点，根据温度关联性最大的其他位置继续构建三角形，已经构建成三角形的位置不再参与分析，最终根据温度关联性完成三角网的构建。
9.根据权利要求1所述的一种数据中心的环境监测方法，其特征在于，所述根据三角网获取每个非传感器布置位置的温度插值，包括的具体方法为：
以三角网中第
Figure QLYQS_94
个三角形为目标三角形，目标三角形中第/>
Figure QLYQS_95
个非传感器布置位置受目标三角形第/>
Figure QLYQS_96
个顶点的插值权重的计算方法为：
Figure QLYQS_97
其中，
Figure QLYQS_99
表示第/>
Figure QLYQS_105
个三角形中第/>
Figure QLYQS_109
个非传感器布置位置受目标三角形第/>
Figure QLYQS_101
个顶点的影响权值，/>
Figure QLYQS_103
表示第/>
Figure QLYQS_107
个三角形中第/>
Figure QLYQS_111
个顶点与另外两个顶点的温度关联性均值，/>
Figure QLYQS_98
表示第/>
Figure QLYQS_104
个三角形中第/>
Figure QLYQS_108
个非传感器布置位置与第/>
Figure QLYQS_112
个三角形第/>
Figure QLYQS_100
个顶点的欧式距离，/>
Figure QLYQS_102
与
Figure QLYQS_106
表示参考权重，/>
Figure QLYQS_110
表示以自然常数为底的指数函数；
获取第
Figure QLYQS_113
个三角形中第/>
Figure QLYQS_114
个非传感器布置位置受目标三角形每个顶点的影响权值，将三个影响权值进行归一化，得到的结果记为第/>
Figure QLYQS_115
个三角形中第/>
Figure QLYQS_116
个非传感器布置位置受目标三角形每个顶点的插值权重；
获取每个三角形中每个非传感器布置位置受对应三角形每个顶点的插值权重；根据每个非传感器布置位置受所在三角形对应三个顶点的插值权重，对三个顶点当前时刻的温度数据进行加权求和，得到的结果记为每个非传感器布置位置的温度插值；
对于分布在三角形边上的非传感器布置位置，在计算受顶点的影响权值过程中，温度关联性均值替换为所在边对应的温度关联性，影响权值归一化得到插值权重时，仅获取受所在边对应的两个顶点的影响权值并归一化，根据受两个顶点的插值权重进行加权求和，得到位于三角形边上的非传感器布置位置的温度插值。
10.一种数据中心的环境监测系统，其特征在于，该系统包括：
传感器数据采集模块，布置传感器采集每个位置若干时刻的温度数据，以及每个位置若干时刻的其他因素数据；
关联三角网构建模块：对所有温度数据结合位置进行聚类得到若干第一类别；
对每个第一类别根据每个其他因素的数据获取每个其他因素对每个第一类别的影响程度及影响温度值；
根据每个位置当前时间段内的温度数据、第一类别及每个其他因素对每个第一类别的影响程度，获取当前时刻任意两个位置的温度关联性；
根据温度关联性对当前时刻所有位置构建三角网；
环境监测模块：根据三角网获取每个非传感器布置位置的温度插值；
结合当前时刻的若干温度数据获取数据中心的温度分布情况，完成数据中心的环境监测。
CN202310685742.1A 2023-06-12 2023-06-12 一种数据中心的环境监测方法及系统 Active CN116431975B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310685742.1A CN116431975B (zh) 2023-06-12 2023-06-12 一种数据中心的环境监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310685742.1A CN116431975B (zh) 2023-06-12 2023-06-12 一种数据中心的环境监测方法及系统

Publications (2)

Publication Number Publication Date
CN116431975A true CN116431975A (zh) 2023-07-14
CN116431975B CN116431975B (zh) 2023-08-18

Family

ID=87085821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310685742.1A Active CN116431975B (zh) 2023-06-12 2023-06-12 一种数据中心的环境监测方法及系统

Country Status (1)

Country Link
CN (1) CN116431975B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116705337A (zh) * 2023-08-07 2023-09-05 山东第一医科大学第一附属医院(山东省千佛山医院) 一种健康数据采集及智能分析方法
CN116954342A (zh) * 2023-09-18 2023-10-27 惠州市鑫晖源科技有限公司 基于物联网的全方位高效散热主机电源运行监测方法
CN117034043A (zh) * 2023-10-09 2023-11-10 山东五棵松电气科技有限公司 基于多能源物联网的智慧建筑综合能耗监测方法及系统
CN117056862A (zh) * 2023-10-10 2023-11-14 贵州省畜牧兽医研究所 基于物联网的家禽养殖环境异常监测系统
CN117349087A (zh) * 2023-12-05 2024-01-05 聊城市洛溪信息科技有限公司 一种互联网信息数据备份方法
CN117686682A (zh) * 2024-02-04 2024-03-12 新奥新能源工程技术有限公司 一种室内燃气故障监测方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010126469A1 (en) * 2009-04-30 2010-11-04 Synapsense Corporation Apparatus and method for visualizing environmental conditions in a data center using wireless sensor networks
CN104391776A (zh) * 2014-11-10 2015-03-04 中兴通讯股份有限公司 数据中心的温度处理方法、装置及温度显示方法、装置
CN104764937A (zh) * 2015-03-24 2015-07-08 中国人民解放军63892部队 一种电磁环境复杂度快速网格剖分显示方法
CN106352920A (zh) * 2016-08-23 2017-01-25 四川科冠电子有限公司 一种新型的机房环境监测系统
US10863330B1 (en) * 2015-12-03 2020-12-08 Eta Vision Inc. Systems and methods for sensing, recording, analyzing and reporting environmental conditions in data centers and similar facilities
CN112269416A (zh) * 2020-10-14 2021-01-26 深圳市众云网有限公司 一种数据中心应用的监测维护机器人系统及方法
CN113984245A (zh) * 2021-10-26 2022-01-28 湖南大学 一种数据中心机房温度检测与温度场重建方法及系统
US20220308442A1 (en) * 2021-03-26 2022-09-29 Taiwan Semiconductor Manufacturing Company Limited Storage environment monitoring system and methods of operation
CN115766793A (zh) * 2022-11-23 2023-03-07 北京尊冠科技有限公司武汉分公司 一种基于数据中心机房基础环境监测报警装置
CN115861535A (zh) * 2022-12-01 2023-03-28 深圳市康必达中创科技有限公司 环境监控信息展示方法、装置、电子设备及存储介质
CN116111727A (zh) * 2023-04-13 2023-05-12 盛锋电力科技有限公司 基于动态温度阈值的综合配电箱异常监测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010126469A1 (en) * 2009-04-30 2010-11-04 Synapsense Corporation Apparatus and method for visualizing environmental conditions in a data center using wireless sensor networks
CN104391776A (zh) * 2014-11-10 2015-03-04 中兴通讯股份有限公司 数据中心的温度处理方法、装置及温度显示方法、装置
CN104764937A (zh) * 2015-03-24 2015-07-08 中国人民解放军63892部队 一种电磁环境复杂度快速网格剖分显示方法
US10863330B1 (en) * 2015-12-03 2020-12-08 Eta Vision Inc. Systems and methods for sensing, recording, analyzing and reporting environmental conditions in data centers and similar facilities
CN106352920A (zh) * 2016-08-23 2017-01-25 四川科冠电子有限公司 一种新型的机房环境监测系统
CN112269416A (zh) * 2020-10-14 2021-01-26 深圳市众云网有限公司 一种数据中心应用的监测维护机器人系统及方法
US20220308442A1 (en) * 2021-03-26 2022-09-29 Taiwan Semiconductor Manufacturing Company Limited Storage environment monitoring system and methods of operation
CN113984245A (zh) * 2021-10-26 2022-01-28 湖南大学 一种数据中心机房温度检测与温度场重建方法及系统
CN115766793A (zh) * 2022-11-23 2023-03-07 北京尊冠科技有限公司武汉分公司 一种基于数据中心机房基础环境监测报警装置
CN115861535A (zh) * 2022-12-01 2023-03-28 深圳市康必达中创科技有限公司 环境监控信息展示方法、装置、电子设备及存储介质
CN116111727A (zh) * 2023-04-13 2023-05-12 盛锋电力科技有限公司 基于动态温度阈值的综合配电箱异常监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XUEWEI WANG.ETC: "Temperature Monitoring of Data Center Based on Temperature Sensitive Laser", IEEE *
勾威等: "北斗导航应用于自动化地震监测系统的研究", 中国新通信, no. 24 *
徐华龙等: "矿山三维可视化监测系统设计与实现", 煤矿安全, no. 07 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116705337A (zh) * 2023-08-07 2023-09-05 山东第一医科大学第一附属医院(山东省千佛山医院) 一种健康数据采集及智能分析方法
CN116705337B (zh) * 2023-08-07 2023-10-27 山东第一医科大学第一附属医院(山东省千佛山医院) 一种健康数据采集及智能分析方法
CN116954342A (zh) * 2023-09-18 2023-10-27 惠州市鑫晖源科技有限公司 基于物联网的全方位高效散热主机电源运行监测方法
CN116954342B (zh) * 2023-09-18 2023-12-15 惠州市鑫晖源科技有限公司 基于物联网的全方位高效散热主机电源运行监测方法
CN117034043A (zh) * 2023-10-09 2023-11-10 山东五棵松电气科技有限公司 基于多能源物联网的智慧建筑综合能耗监测方法及系统
CN117034043B (zh) * 2023-10-09 2024-01-16 山东五棵松电气科技有限公司 基于多能源物联网的智慧建筑综合能耗监测方法及系统
CN117056862A (zh) * 2023-10-10 2023-11-14 贵州省畜牧兽医研究所 基于物联网的家禽养殖环境异常监测系统
CN117056862B (zh) * 2023-10-10 2023-12-19 贵州省畜牧兽医研究所 基于物联网的家禽养殖环境异常监测系统
CN117349087A (zh) * 2023-12-05 2024-01-05 聊城市洛溪信息科技有限公司 一种互联网信息数据备份方法
CN117349087B (zh) * 2023-12-05 2024-02-09 聊城市洛溪信息科技有限公司 一种互联网信息数据备份方法
CN117686682A (zh) * 2024-02-04 2024-03-12 新奥新能源工程技术有限公司 一种室内燃气故障监测方法及系统
CN117686682B (zh) * 2024-02-04 2024-04-16 新奥新能源工程技术有限公司 一种室内燃气故障监测方法及系统

Also Published As

Publication number Publication date
CN116431975B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN116431975B (zh) 一种数据中心的环境监测方法及系统
CN110703057B (zh) 基于数据增强和神经网络的电力设备局部放电诊断方法
CN112231305A (zh) 一种基于数字孪生的数字电网系统及方法
CN106845728B (zh) 一种电力变压器缺陷的预测方法及装置
CN112287018A (zh) 一种台风灾害下10kV杆塔受损风险评估方法及系统
CN111709668A (zh) 基于数据挖掘技术的电网设备参数风险识别方法及装置
CN116148753A (zh) 一种智能电能表运行误差监测系统
CN113065223B (zh) 一种塔桅集群数字孪生模型多等级概率修正方法
CN116842459B (zh) 一种基于小样本学习的电能计量故障诊断方法及诊断终端
Yan et al. Analysis of extreme wind speed estimates in the northern South China Sea
CN114626655A (zh) 一种区域综合能源系统多标准综合评价方法
CN116308883A (zh) 一种基于大数据的区域电网数据统筹管理系统
CN113890833B (zh) 网络覆盖预测方法、装置、设备及存储介质
CN116224950A (zh) 面向无人生产线自组织重构的智能故障诊断方法和系统
CN114139408A (zh) 一种电力变压器健康状态评估方法
CN115598459A (zh) 一种配电网10kV馈线故障停电预测方法
CN106816871B (zh) 一种电力系统状态相似性分析方法
CN111382147A (zh) 一种气象数据缺失插补方法和系统
CN110322063A (zh) 一种耗电功率仿真预测方法及存储介质
CN111079069A (zh) 一种基于误差分布的预报难度计算方法及系统
CN112421767B (zh) 电网防灾应急全景监视方法及装置
CN115022348B (zh) 一种高端电池智能工厂云级架构数据存储方法
CN116956642B (zh) 一种威胁评估算法性能动态仿真验证方法
CN117834455A (zh) 一种电力物联网数据传输仿真方法和系统
CN116340857A (zh) 基于时空注意力孪生网络的风机叶片覆冰检测方法及系统

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