CN116887569B - 一种数据中心能耗预测和节能调节方法、系统及存储介质 - Google Patents
一种数据中心能耗预测和节能调节方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116887569B CN116887569B CN202310830737.5A CN202310830737A CN116887569B CN 116887569 B CN116887569 B CN 116887569B CN 202310830737 A CN202310830737 A CN 202310830737A CN 116887569 B CN116887569 B CN 116887569B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- prediction
- load
- temperature
- time
- 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
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 218
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 141
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 103
- 238000012549 training Methods 0.000 claims description 73
- 238000012417 linear regression Methods 0.000 claims description 64
- 238000011217 control strategy Methods 0.000 claims description 24
- 238000004378 air conditioning Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004134 energy conservation Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 210000001503 joint Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
- H05K7/20836—Thermal management, e.g. server temperature control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
- H05K7/20718—Forced ventilation of a gaseous coolant
- H05K7/20745—Forced ventilation of a gaseous coolant within rooms for removing heat from cabinets, e.g. by air conditioning device
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Thermal Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明属于能耗管理技术领域，具体公开了一种数据中心能耗预测和节能调节方法、系统及存储介质，通过连续采集数据中心的实时监测数据集来输入相应的线性回归模型进行高效的能耗预测、温度预测和负载预测，然后基于连续的预测结果构建能耗预测趋势图、温度预测趋势图和负载预测趋势图，再根据能耗预测趋势图判定数据中心能耗会超出预期范围时，基于预测能耗、预测温度和预测负载确定新风系统和空调系统的运行调控策略来调节数据中心的新风系统和空调系统，以实现精准的能耗预测，有效减低数据中心的能耗。本发明可以高效管理和分析数据中心的各项监测数据，以基于监测数据实现能耗的智能化调节和优化，提升数据中心的运行效率和可持续性。
Description
技术领域
本发明属于能耗管理技术领域，具体涉及一种数据中心能耗预测和节能调节方法、系统及存储介质。
背景技术
目前，对于机房设备的数据监测和工作调节通常采用动环监控系统来完成。普通动环监控系统通常具有内置的阈值判断功能，可以监测传感器数据并根据设定的阈值进行判断和控制。例如，在温度传感器监测到温度超过或低于设定的阈值时，系统可以触发相应的控制命令，如开启或关闭空调设备。
现有的动环监控系统可以满足一些基本的数据监测和控制需求，并且在小规模的环境中表现良好。但是在应用时仍然存在一些缺陷和限制，包括：静态阈值设置、单一参数判断、缺乏智能化和自适应能力、无法实现精细化控制以及缺乏数据分析和预测能力。这些缺陷和限制导致现有的动环监控系统在复杂环境调节和能耗优化方面存在明显的不足，亟需进行改进，以满足更高的设备监测和控制需求，如数据中心设备的能耗预测和节能调节。
发明内容
本发明的目的是提供一种数据中心能耗预测和节能调节方法、系统及存储介质，用以解决现有技术中存在的上述问题。
为了实现上述目的，本发明采用以下技术方案：
第一方面，提供一种数据中心能耗预测和节能调节方法，包括：
连续采集数据中心的实时监测数据集，所述实时监测数据集包括实时能耗监测数据、实时温度监测数据和实时负载监测数据；
将连续采集的各实时能耗监测数据输入预置的能耗预测模型进行能耗预测，得到各预测时间点的能耗预测结果，所述能耗预测模型采用第一线性回归模型经过预置能耗训练集的训练和预置能耗测试集的测试得到；
将连续采集的实时温度监测数据输入预置的温度预测模型进行温度预测，得到各预测时间点的温度预测结果，所述温度预测模型采用第二线性回归模型经过预置温度训练集的训练和预置温度测试集的测试得到；
将连续采集的实时负载监测数据输入预置的负载预测模型进行负载预测，得到各预测时间点的负载预测结果，所述负载预测模型采用第三线性回归模型经过预置负载训练集的训练和预置负载测试集的测试得到；
基于各预测时间点的能耗预测结果构建能耗预测趋势图，基于各预测时间点的温度预测结果构建温度预测趋势图，基于各预测时间点的负载预测结果构建负载预测趋势图；
根据能耗预测趋势图判定未来某时间点的能耗是否超出设定能耗阈值，并在判定未来某时间点的能耗超出设定能耗阈值时，根据能耗预测趋势图、温度预测趋势图和负载预测趋势图分别确定该时间点的预测能耗、预测温度和预测负载；
根据预测能耗、预测温度和预测负载确定新风系统和空调系统的运行调控策略，并根据运行调控策略生成对应的节能调节指令传输至数据中心的新风系统和空调系统。
在一个可能的设计中，在进行能耗预测前，所述方法还包括：
构建第一线性回归模型，并采用预置的能耗训练集对第一线性回归模型进行训练，采用预置能耗测试集对训练过的第一线性回归模型进行测试，测试完成得到能耗预测模型；
构建第二线性回归模型，并采用预置的温度训练集对第二线性回归模型进行训练，采用预置温度测试集对训练过的第二线性回归模型进行测试，测试完成得到温度预测模型；
构建第三线性回归模型，并采用预置的负载训练集对第三线性回归模型进行训练，采用预置负载测试集对训练过的第三线性回归模型进行测试，测试完成得到负载预测模型。
在一个可能的设计中，所述方法还包括：
获取综合监测数据集，所述综合监测数据集包括能耗监测数据、温度监测数据和负载监测数据；
对综合监测数据进行数据预处理，得到预处理后的综合监测数据；
对预处理后的综合监测数据进行数据特征提取，得到时间特征，以及时间特征对应的能耗特征、温度特征和负载特征；
将时间特征及时间特征对应的能耗特征组合为第一样本集，将时间特征及时间特征对应的温度特征组合为第二样本集，将时间特征及时间特征对应的负载特征组合为第三样本集；
按照设定的时序划分规则将第一样本集划分为能耗训练集和能耗测试集，按照设定的时序划分规则将第二样本集划分为温度训练集和温度测试集，按照设定的时序划分规则将第三样本集划分为负载训练集和负载测试集。
在一个可能的设计中，所述对综合监测数据集进行数据预处理，得到预处理后的综合监测数据，包括：对综合监测数据集进行数据检查、数据清洗和数据标准化处理，得到预处理后的综合监测数据。
在一个可能的设计中，在采用能耗测试集对训练过的第一线性回归模型进行测试，采用温度测试集对训练过的第二线性回归模型进行测试，以及采用负载测试集对训练过的第三线性回归模型进行测试时，均利用各自测试结果的平均绝对误差评价预测能力，直至平均绝对误差达到设定条件。
在一个可能的设计中，所述根据预测能耗、预测温度和预测负载确定新风系统和空调系统的运行调控策略，包括：将预测能耗、预测温度和预测负载代入预置的调控策略表中，确定满足的能耗条件、温度条件和负载条件，并根据满足的能耗条件、温度条件和负载条件匹配对应的运行调控策略，所述调控策略表中包含若干运行调控策略，各运行调控策略分别关联对应的能耗条件、温度条件和负载条件。
在一个可能的设计中，所述方法还包括：利用实时能耗监测数据对能耗预测模型进行反馈校正，得到迭代优化后的能耗预测模型，利用实时温度监测数据对温度预测模型进行反馈校正，得到迭代优化后的温度预测模型，利用实时负载监测数据对负载预测模型进行反馈校正，得到迭代优化后的负载预测模型。
第二方面，提供一种数据中心能耗预测和节能调节系统，包括采集单元、第一预测单元、第二预测单元、第三预测单元、构建单元、确定单元和调控单元，其中：
采集单元，用于连续采集数据中心的实时监测数据集，所述实时监测数据集包括实时能耗监测数据、实时温度监测数据和实时负载监测数据；
第一预测单元，用于将连续采集的各实时能耗监测数据输入预置的能耗预测模型进行能耗预测，得到各预测时间点的能耗预测结果，所述能耗预测模型采用第一线性回归模型经过预置能耗训练集的训练和预置能耗测试集的测试得到；
第二预测单元，用于将连续采集的实时温度监测数据输入预置的温度预测模型进行温度预测，得到各预测时间点的温度预测结果，所述温度预测模型采用第二线性回归模型经过预置温度训练集的训练和预置温度测试集的测试得到；
第三预测单元，用于将连续采集的实时负载监测数据输入预置的负载预测模型进行负载预测，得到各预测时间点的负载预测结果，所述负载预测模型采用第三线性回归模型经过预置负载训练集的训练和预置负载测试集的测试得到；
构建单元，用于基于各预测时间点的能耗预测结果构建能耗预测趋势图，基于各预测时间点的温度预测结果构建温度预测趋势图，基于各预测时间点的负载预测结果构建负载预测趋势图；
确定单元，用于根据能耗预测趋势图判定未来某时间点的能耗是否超出设定能耗阈值，并在判定未来某时间点的能耗超出设定能耗阈值时，根据能耗预测趋势图、温度预测趋势图和负载预测趋势图分别确定该时间点的预测能耗、预测温度和预测负载；
调控单元，用于根据预测能耗、预测温度和预测负载确定新风系统和空调系统的运行调控策略，并根据运行调控策略生成对应的节能调节指令传输至数据中心的新风系统和空调系统。
第三方面，提供一种数据中心能耗预测和节能调节系统，包括：
存储器，用于存储指令；
处理器，用于读取所述存储器中存储的指令，并根据指令执行上述第一方面中任意一种所述的方法。
第四方面，提供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有指令，当所述指令在计算机上运行时，使得所述计算机执行第一方面中任意一种所述的方法。
有益效果：本发明通过连续采集数据中心的实时监测数据集来输入相应的线性回归模型进行高效的能耗预测、温度预测和负载预测，然后基于连续的预测结果构建能耗预测趋势图、温度预测趋势图和负载预测趋势图，再根据能耗预测趋势图判定数据中心能耗会超出预期范围时，基于预测能耗、预测温度和预测负载确定新风系统和空调系统的运行调控策略来调节数据中心的新风系统和空调系统，以实现精准的能耗预测，有效减低数据中心可能的高能耗。本发明可以高效管理和分析数据中心的各项监测数据，以基于监测数据实现能耗的智能化调节和优化，提升数据中心的运行效率和可持续性。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1中方法的步骤示意图；
图2为本发明实施例2中系统的构成示意图；
图3为本发明实施例3中系统的构成示意图。
具体实施方式
在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，除非另有明确的规定和限定，术语“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在实施例中的具体含义。
在下面的描述中提供了特定的细节，以便于对示例实施例的完全理解。然而，本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实施例中，可以不以非必要的细节来示出众所周知的过程、结构和技术，以避免使得实施例不清楚。
实施例1：
本实施例提供一种数据中心能耗预测和节能调节方法，可应用于相应的节能调节终端，如图1所示，方法包括以下步骤：
S1.连续采集数据中心的实时监测数据集，所述实时监测数据集包括实时能耗监测数据、实时温度监测数据和实时负载监测数据。
具体实施时，可预先在数据中心安装相应的传感器，如温度传感器、湿度传感器、空气质量传感器、电力仪等，建立调节终端与数据中心及各传感器的数据对接，来实现对应监测数据的采集，以利用实时监测数据集进行后续的数据预测，实时监测数据集包括实时能耗监测数据、实时温度监测数据和实时负载监测数据等，实时温度监测数据包括实时室内温度监测数据和实时室外温度监测数据，实时负载监测数据包括实时服务器负载监测数据和实时网络设备负载监测数据。在进行数据预测前，还需要先构建相应的数据预测模型，包括：
构建第一线性回归模型，并采用预置的能耗训练集对第一线性回归模型进行训练，采用预置能耗测试集对训练过的第一线性回归模型进行测试，测试完成得到能耗预测模型。构建第二线性回归模型，并采用预置的温度训练集对第二线性回归模型进行训练，采用预置温度测试集对训练过的第二线性回归模型进行测试，测试完成得到温度预测模型。构建第三线性回归模型，并采用预置的负载训练集对第三线性回归模型进行训练，采用预置负载测试集对训练过的第三线性回归模型进行测试，测试完成得到负载预测模型。
其中，各模型训练集和测试集的获取过程包括：
获取综合监测数据集，所述综合监测数据集包括能耗监测数据、温度监测数据和负载监测数据，温度监测数据包括室内温度和室外温度的监测数据，负载监测数据包括服务器负载和网络设备负载监测数据，同时，综合监测数据集还可包括湿度监测数据、新风系统和空调系统的运行状态数据等；
对综合监测数据进行数据预处理，得到预处理后的综合监测数据。具体可对综合监测数据进行数据检查、数据清洗和数据标准化处理。数据检查包括缺失值检查和异常值检查；缺失值检查指使用数据处理工具(Pandas)检查数据中是否存在缺失值组，如果缺失值数量较少，直接删除这些数据行，如果缺失值数量较多，使用均值法进行填充，如果缺失值数量超过预设值，需要将数据打回进行重新填充；异常值检查指使用规则方法或阈值方法检查数据中的异常值，如对于SNMP监测数据，设置阈值或基于规则来判断CPU占用率、内存使用率、网络流量是否异常，对于Modbus设备监测数据，根据业务场景和监测指标，设置阈值或规则来检测异常值，如温度超过设定范围或风扇转速异常等。数据清洗包括删除不完整或无效的数据行，确保数据的完整性和质量；以及合并重复值，对于相同业务设备或传感器同一时间存在重复值的数据，删除重复值。数据标准化处理包括将数据统一格式化和标准化，确保数据一致性和可比性，以备统一处理。
对预处理后的综合监测数据进行数据特征提取，得到时间特征，以及时间特征对应的能耗特征、温度特征和负载特征。其中，时间特征提取包括对时间戳数据进行解析，提取日期、小时、星期几时间单位作为特征，然后创建新的特征，如工作日/非工作日、早晨/下午/晚上、时间与季节、时间与活动节日的组合。能耗特征提取包括根据电力环境设备的监测数据，结合时间特征进行分析，提取基于时序分布的电流、电压、功率，然后计算平均功耗、峰值功耗、功耗变化率等特征。温度特征包括室内温度特征和室外温度特征，结合时间特征进行相应温度值数据提取。负载特征提取包括服务器负载特征提取和网络设备负载特征提取，服务器负载特征包括服务器CPU使用率、内存使用率和网络流量的统计特征，网络设备负载特征包括服务器CPU使用率、带宽利用率、连接数和丢包率的统计特征。负载特征提取使用聚合时间窗口来计算特定时间段内的负载特征。
将时间特征及时间特征对应的能耗特征组合为第一样本集，将时间特征及时间特征对应的温度特征组合为第二样本集，将时间特征及时间特征对应的负载特征组合为第三样本集。
按照设定的时序划分规则将第一样本集划分为能耗训练集和能耗测试集，按照设定的时序划分规则将第二样本集划分为温度训练集和温度测试集，按照设定的时序划分规则将第三样本集划分为负载训练集和负载测试集。在采用能耗测试集对训练过的第一线性回归模型进行测试，采用温度测试集对训练过的第二线性回归模型进行测试，以及采用负载测试集对训练过的第三线性回归模型进行测试时，均利用各自测试结果的平均绝对误差评价预测能力，直至平均绝对误差达到设定条件。
S2.将连续采集的各实时能耗监测数据输入预置的能耗预测模型进行能耗预测，得到各预测时间点的能耗预测结果，所述能耗预测模型采用第一线性回归模型经过预置能耗训练集的训练和预置能耗测试集的测试得到。
具体实施时，调节终端将连续采集的各实时能耗监测数据输入预置的能耗预测模型进行能耗预测，可设置好预测的时间范围和间隔，例如预测未来24小时的能耗，每小时进行一次预测，得到各预测时间点的能耗预测结果。
S3.将连续采集的实时温度监测数据输入预置的温度预测模型进行温度预测，得到各预测时间点的温度预测结果，所述温度预测模型采用第二线性回归模型经过预置温度训练集的训练和预置温度测试集的测试得到。
具体实施时，调节终端将连续采集的实时温度监测数据输入预置的温度预测模型进行温度预测，得到各预测时间点的温度预测结果。
S4.将连续采集的实时负载监测数据输入预置的负载预测模型进行负载预测，得到各预测时间点的负载预测结果，所述负载预测模型采用第三线性回归模型经过预置负载训练集的训练和预置负载测试集的测试得到。
具体实施时，调节终端将连续采集的实时负载监测数据输入预置的负载预测模型进行负载预测，得到各预测时间点的负载预测结果。
S5.基于各预测时间点的能耗预测结果构建能耗预测趋势图，基于各预测时间点的温度预测结果构建温度预测趋势图，基于各预测时间点的负载预测结果构建负载预测趋势图。
具体实施时，在得到连续各预测时间点的能耗预测结果、温度预测结果和负载预测结果后，调节终端可根据各预测时间点的能耗预测结果构建能耗预测趋势图，根据各预测时间点的温度预测结果构建温度预测趋势图，根据各预测时间点的负载预测结果构建负载预测趋势图，以便后续根据能耗预测趋势图、温度预测趋势图和负载预测趋势图进行关联性分析，识别潜在的能耗峰值、温度异常等情况，并进行相应的调整和控制。
S6.根据能耗预测趋势图判定未来某时间点的能耗是否超出设定能耗阈值，并在判定未来某时间点的能耗超出设定能耗阈值时，根据能耗预测趋势图、温度预测趋势图和负载预测趋势图分别确定该时间点的预测能耗、预测温度和预测负载。
S7.根据预测能耗、预测温度和预测负载确定新风系统和空调系统的运行调控策略，并根据运行调控策略生成对应的节能调节指令传输至数据中心的新风系统和空调系统。
具体实施时，可将预测能耗、预测温度和预测负载代入预置的调控策略表中，确定满足的能耗条件、温度条件和负载条件，并根据满足的能耗条件、温度条件和负载条件匹配对应的运行调控策略，所述调控策略表中包含若干运行调控策略，各运行调控策略分别关联对应的能耗条件、温度条件和负载条件。在确定相应的运行调控策略后，根据运行调控策略生成对应的节能调节指令传输至数据中心的新风系统和空调系统，以实现数据中心的新风系统和空调系统的节能化调节。
除了进行数据预测和节能调控，还可利用实时能耗监测数据对能耗预测模型进行反馈校正，得到迭代优化后的能耗预测模型，利用实时温度监测数据对温度预测模型进行反馈校正，得到迭代优化后的温度预测模型，利用实时负载监测数据对负载预测模型进行反馈校正，得到迭代优化后的负载预测模型。本实施例方法可以实现对数据中心的综合监测数据采集析，可以高效管理和分析数据中心的各项监测数据，以基于监测数据实现能耗的智能化调节和优化，提升数据中心的运行效率和可持续性。
实施例2：
本实施例提供一种数据中心能耗预测和节能调节系统，如图2所示，包括采集单元、第一预测单元、第二预测单元、第三预测单元、构建单元、确定单元和调控单元，其中：
采集单元，用于连续采集数据中心的实时监测数据集，所述实时监测数据集包括实时能耗监测数据、实时温度监测数据和实时负载监测数据；
第一预测单元，用于将连续采集的各实时能耗监测数据输入预置的能耗预测模型进行能耗预测，得到各预测时间点的能耗预测结果，所述能耗预测模型采用第一线性回归模型经过预置能耗训练集的训练和预置能耗测试集的测试得到；
第二预测单元，用于将连续采集的实时温度监测数据输入预置的温度预测模型进行温度预测，得到各预测时间点的温度预测结果，所述温度预测模型采用第二线性回归模型经过预置温度训练集的训练和预置温度测试集的测试得到；
第三预测单元，用于将连续采集的实时负载监测数据输入预置的负载预测模型进行负载预测，得到各预测时间点的负载预测结果，所述负载预测模型采用第三线性回归模型经过预置负载训练集的训练和预置负载测试集的测试得到；
构建单元，用于基于各预测时间点的能耗预测结果构建能耗预测趋势图，基于各预测时间点的温度预测结果构建温度预测趋势图，基于各预测时间点的负载预测结果构建负载预测趋势图；
确定单元，用于根据能耗预测趋势图判定未来某时间点的能耗是否超出设定能耗阈值，并在判定未来某时间点的能耗超出设定能耗阈值时，根据能耗预测趋势图、温度预测趋势图和负载预测趋势图分别确定该时间点的预测能耗、预测温度和预测负载；
调控单元，用于根据预测能耗、预测温度和预测负载确定新风系统和空调系统的运行调控策略，并根据运行调控策略生成对应的节能调节指令传输至数据中心的新风系统和空调系统。
实施例3：
本实施例提供一种数据中心能耗预测和节能调节系统，如图3所示，在硬件层面，包括：
数据接口，用于建立处理器与相应数据采集端的数据对接；
存储器，用于存储指令；
处理器，用于读取所述存储器中存储的指令，并根据指令执行实施例1中的数据中心能耗预测和节能调节方法。
可选地，该设备还包括内部总线。处理器与存储器和数据接口可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(Extended Industry Standard Architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
所述存储器可以但不限于包括随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First InputFirst Output，FIFO)和/或先进后出存储器(First In Last Out，FILO)等。所述处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
实施例4：
本实施例提供计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行实施例1中的数据中心能耗预测和节能调节方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程系统。
本实施例还提供包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行实施例1中的数据中心能耗预测和节能调节方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程系统。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。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 (8)
1.一种数据中心能耗预测和节能调节方法，其特征在于，包括：
连续采集数据中心的实时监测数据集，所述实时监测数据集包括实时能耗监测数据、实时温度监测数据和实时负载监测数据；
将连续采集的各实时能耗监测数据输入预置的能耗预测模型进行能耗预测，得到各预测时间点的能耗预测结果，所述能耗预测模型采用第一线性回归模型经过预置能耗训练集的训练和预置能耗测试集的测试得到；
将连续采集的实时温度监测数据输入预置的温度预测模型进行温度预测，得到各预测时间点的温度预测结果，所述温度预测模型采用第二线性回归模型经过预置温度训练集的训练和预置温度测试集的测试得到；
将连续采集的实时负载监测数据输入预置的负载预测模型进行负载预测，得到各预测时间点的负载预测结果，所述负载预测模型采用第三线性回归模型经过预置负载训练集的训练和预置负载测试集的测试得到；
基于各预测时间点的能耗预测结果构建能耗预测趋势图，基于各预测时间点的温度预测结果构建温度预测趋势图，基于各预测时间点的负载预测结果构建负载预测趋势图；
根据能耗预测趋势图判定未来某时间点的能耗是否超出设定能耗阈值，并在判定未来某时间点的能耗超出设定能耗阈值时，根据能耗预测趋势图、温度预测趋势图和负载预测趋势图分别确定该时间点的预测能耗、预测温度和预测负载；
根据预测能耗、预测温度和预测负载确定新风系统和空调系统的运行调控策略，并根据运行调控策略生成对应的节能调节指令来传输至数据中心的新风系统和空调系统；
在进行能耗预测前，所述方法还包括：
获取综合监测数据集，所述综合监测数据集包括能耗监测数据、温度监测数据和负载监测数据；
对综合监测数据进行数据预处理，得到预处理后的综合监测数据；
对预处理后的综合监测数据进行数据特征提取，得到时间特征，以及时间特征对应的能耗特征、温度特征和负载特征；
将时间特征及时间特征对应的能耗特征组合为第一样本集，将时间特征及时间特征对应的温度特征组合为第二样本集，将时间特征及时间特征对应的负载特征组合为第三样本集；
按照设定的时序划分规则将第一样本集划分为能耗训练集和能耗测试集，按照设定的时序划分规则将第二样本集划分为温度训练集和温度测试集，按照设定的时序划分规则将第三样本集划分为负载训练集和负载测试集；
构建第一线性回归模型，并采用能耗训练集对第一线性回归模型进行训练，采用能耗测试集对训练过的第一线性回归模型进行测试，测试完成得到能耗预测模型；
构建第二线性回归模型，并采用温度训练集对第二线性回归模型进行训练，采用温度测试集对训练过的第二线性回归模型进行测试，测试完成得到温度预测模型；
构建第三线性回归模型，并采用负载训练集对第三线性回归模型进行训练，采用负载测试集对训练过的第三线性回归模型进行测试，测试完成得到负载预测模型。
2.根据权利要求1所述的一种数据中心能耗预测和节能调节方法，其特征在于，所述对综合监测数据集进行数据预处理，得到预处理后的综合监测数据，包括：对综合监测数据集进行数据检查、数据清洗和数据标准化处理，得到预处理后的综合监测数据。
3.根据权利要求1所述的一种数据中心能耗预测和节能调节方法，其特征在于，在采用能耗测试集对训练过的第一线性回归模型进行测试，采用温度测试集对训练过的第二线性回归模型进行测试，以及采用负载测试集对训练过的第三线性回归模型进行测试时，均利用各自测试结果的平均绝对误差评价预测能力，直至平均绝对误差达到设定条件。
4.根据权利要求1所述的一种数据中心能耗预测和节能调节方法，其特征在于，所述根据预测能耗、预测温度和预测负载确定新风系统和空调系统的运行调控策略，包括：将预测能耗、预测温度和预测负载代入预置的调控策略表中，确定满足的能耗条件、温度条件和负载条件，并根据满足的能耗条件、温度条件和负载条件匹配对应的运行调控策略，所述调控策略表中包含若干运行调控策略，各运行调控策略分别关联对应的能耗条件、温度条件和负载条件。
5.根据权利要求1所述的一种数据中心能耗预测和节能调节方法，其特征在于，所述方法还包括：利用实时能耗监测数据对能耗预测模型进行反馈校正，得到迭代优化后的能耗预测模型，利用实时温度监测数据对温度预测模型进行反馈校正，得到迭代优化后的温度预测模型，利用实时负载监测数据对负载预测模型进行反馈校正，得到迭代优化后的负载预测模型。
6.一种数据中心能耗预测和节能调节系统，其特征在于，包括采集单元、第一预测单元、第二预测单元、第三预测单元、构建单元、确定单元和调控单元，其中：
采集单元，用于连续采集数据中心的实时监测数据集，所述实时监测数据集包括实时能耗监测数据、实时温度监测数据和实时负载监测数据；获取综合监测数据集，所述综合监测数据集包括能耗监测数据、温度监测数据和负载监测数据；对综合监测数据进行数据预处理，得到预处理后的综合监测数据；对预处理后的综合监测数据进行数据特征提取，得到时间特征，以及时间特征对应的能耗特征、温度特征和负载特征；将时间特征及时间特征对应的能耗特征组合为第一样本集，将时间特征及时间特征对应的温度特征组合为第二样本集，将时间特征及时间特征对应的负载特征组合为第三样本集；按照设定的时序划分规则将第一样本集划分为能耗训练集和能耗测试集，按照设定的时序划分规则将第二样本集划分为温度训练集和温度测试集，按照设定的时序划分规则将第三样本集划分为负载训练集和负载测试集；
第一预测单元，用于将连续采集的各实时能耗监测数据输入预置的能耗预测模型进行能耗预测，得到各预测时间点的能耗预测结果，所述能耗预测模型采用第一线性回归模型经过预置能耗训练集的训练和预置能耗测试集的测试得到；
第二预测单元，用于将连续采集的实时温度监测数据输入预置的温度预测模型进行温度预测，得到各预测时间点的温度预测结果，所述温度预测模型采用第二线性回归模型经过预置温度训练集的训练和预置温度测试集的测试得到；
第三预测单元，用于将连续采集的实时负载监测数据输入预置的负载预测模型进行负载预测，得到各预测时间点的负载预测结果，所述负载预测模型采用第三线性回归模型经过预置负载训练集的训练和预置负载测试集的测试得到；
构建单元，用于基于各预测时间点的能耗预测结果构建能耗预测趋势图，基于各预测时间点的温度预测结果构建温度预测趋势图，基于各预测时间点的负载预测结果构建负载预测趋势图；构建第一线性回归模型，并采用能耗训练集对第一线性回归模型进行训练，采用能耗测试集对训练过的第一线性回归模型进行测试，测试完成得到能耗预测模型；构建第二线性回归模型，并采用温度训练集对第二线性回归模型进行训练，采用温度测试集对训练过的第二线性回归模型进行测试，测试完成得到温度预测模型；构建第三线性回归模型，并采用负载训练集对第三线性回归模型进行训练，采用负载测试集对训练过的第三线性回归模型进行测试，测试完成得到负载预测模型；
确定单元，用于根据能耗预测趋势图判定未来某时间点的能耗是否超出设定能耗阈值，并在判定未来某时间点的能耗超出设定能耗阈值时，根据能耗预测趋势图、温度预测趋势图和负载预测趋势图分别确定该时间点的预测能耗、预测温度和预测负载；
调控单元，用于根据预测能耗、预测温度和预测负载确定新风系统和空调系统的运行调控策略，并根据运行调控策略生成对应的节能调节指令传输至数据中心的新风系统和空调系统。
7.一种数据中心能耗预测和节能调节系统，其特征在于，包括：
存储器，用于存储指令；
处理器，用于读取所述存储器中存储的指令，并根据指令执行权利要求1-5任意一项所述的方法。
8.一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有指令，当所述指令在计算机上运行时，使得所述计算机执行权利要求1-5任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310830737.5A CN116887569B (zh) | 2023-07-06 | 2023-07-06 | 一种数据中心能耗预测和节能调节方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310830737.5A CN116887569B (zh) | 2023-07-06 | 2023-07-06 | 一种数据中心能耗预测和节能调节方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116887569A CN116887569A (zh) | 2023-10-13 |
| CN116887569B true CN116887569B (zh) | 2024-01-30 |
Family
ID=88258006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310830737.5A Active CN116887569B (zh) | 2023-07-06 | 2023-07-06 | 一种数据中心能耗预测和节能调节方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116887569B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236522B (zh) * | 2023-11-10 | 2024-02-13 | 四川智源能诚售电有限公司 | 一种电力能耗管理方法、系统、电子设备及介质 |
| CN117436848B (zh) * | 2023-12-21 | 2024-03-08 | 山东康吉诺技术有限公司 | 基于人工智能的电机能耗监测方法 |
| CN118246344B (zh) * | 2024-05-20 | 2024-08-16 | 国网信息通信产业集团有限公司 | 基于数据驱动的暖通空调系统在线优化方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013168073A1 (en) * | 2012-05-08 | 2013-11-14 | Storone Ltd. | Lowering data centers operational costs |
| CN105868073A (zh) * | 2016-03-25 | 2016-08-17 | 山东超越数控电子有限公司 | 一种基于时间序列分析的数据中心节能策略实现方法 |
| CN116048235A (zh) * | 2023-03-29 | 2023-05-02 | 南京群顶科技股份有限公司 | 基于双向gru和曼-肯德尔法的温感未来趋势检测方法 |
| CN116193819A (zh) * | 2023-01-19 | 2023-05-30 | 中国长江三峡集团有限公司 | 一种数据中心机房节能控制方法、系统、装置及电子设备 |
| CN116301275A (zh) * | 2023-05-23 | 2023-06-23 | 苏州浪潮智能科技有限公司 | 一种能耗调节方法、装置、电子设备及介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180330250A1 (en) * | 2017-05-09 | 2018-11-15 | Nec Laboratories America, Inc. | Energy management system with intelligent anomaly detection and prediction |
| CN108416695B (zh) * | 2018-02-24 | 2020-07-07 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和系统、介质 |
-
2023
- 2023-07-06 CN CN202310830737.5A patent/CN116887569B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013168073A1 (en) * | 2012-05-08 | 2013-11-14 | Storone Ltd. | Lowering data centers operational costs |
| CN105868073A (zh) * | 2016-03-25 | 2016-08-17 | 山东超越数控电子有限公司 | 一种基于时间序列分析的数据中心节能策略实现方法 |
| CN116193819A (zh) * | 2023-01-19 | 2023-05-30 | 中国长江三峡集团有限公司 | 一种数据中心机房节能控制方法、系统、装置及电子设备 |
| CN116048235A (zh) * | 2023-03-29 | 2023-05-02 | 南京群顶科技股份有限公司 | 基于双向gru和曼-肯德尔法的温感未来趋势检测方法 |
| CN116301275A (zh) * | 2023-05-23 | 2023-06-23 | 苏州浪潮智能科技有限公司 | 一种能耗调节方法、装置、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116887569A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116887569B (zh) | 一种数据中心能耗预测和节能调节方法、系统及存储介质 | |
| CN114298863B (zh) | 一种智能抄表终端的数据采集方法及系统 | |
| CN108491305B (zh) | 一种服务器故障的检测方法及系统 | |
| CN113869630B (zh) | 一种基于大数据的煤质检测信息管理系统 | |
| CN112650580B (zh) | 一种基于边缘计算的工业大数据监测系统 | |
| CN114793018A (zh) | 一种海上电网电气智能化数据处理装置 | |
| CN116937575A (zh) | 一种网格系统用的能源监控管理系统 | |
| CN115268342A (zh) | 一种基于大数据的工业设备节能管理系统 | |
| CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
| CN111669123A (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
| CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
| CN116182233A (zh) | 基于物联网的高效节能暖通控制装置 | |
| CN117743794A (zh) | 一种分布式光伏电站故障诊断及效能损失评估系统 | |
| CN117634836A (zh) | 一种基于矩阵分析的光伏电站清洗过程评估方法及系统 | |
| CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
| CN105072056A (zh) | 一种交换机自动巡检系统及其巡检方法 | |
| CN117273195A (zh) | 一种蒸汽供热系统需求负荷预测方法 | |
| CN116432524A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
| CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
| CN115375185A (zh) | 一种基于大数据的玻璃生成加工环境监管系统 | |
| CN114186756A (zh) | 一种配电网终端蓄电池储能容量预测方法 | |
| CN113270944A (zh) | 一种低压配电用户侧状态评估方法 | |
| CN115018366B (zh) | 储能系统工作状态监测方法、装置、存储介质及电子设备 | |
| CN112417363B (zh) | 一种变电站的负载分析方法及系统 | |
| CN116245502B (zh) | 一种基于数字孪生的变压器设备虚实交互运检方法和系统 |
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 |