CN117311244B - 基于设备工况预测的节能调控方法及系统 - Google Patents
基于设备工况预测的节能调控方法及系统 Download PDFInfo
- Publication number
- CN117311244B CN117311244B CN202311599026.8A CN202311599026A CN117311244B CN 117311244 B CN117311244 B CN 117311244B CN 202311599026 A CN202311599026 A CN 202311599026A CN 117311244 B CN117311244 B CN 117311244B
- Authority
- CN
- China
- Prior art keywords
- energy
- working condition
- equipment
- regulation
- energy consumption
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005265 energy consumption Methods 0.000 claims abstract description 159
- 230000004927 fusion Effects 0.000 claims abstract description 89
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 239000003795 chemical substances by application Substances 0.000 claims description 55
- 238000003066 decision tree Methods 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 29
- 230000010354 integration Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004134 energy conservation Methods 0.000 claims description 13
- 230000002457 bidirectional effect Effects 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000001816 cooling Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 11
- 230000001105 regulatory effect Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 239000002131 composite material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000004138 cluster model Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25257—Microcontroller
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及人工智能领域,公开了一种基于设备工况预测的节能调控方法及系统,用于实现数据中心机房的智能节能调控。方法包括:获取目标数据中心机房中的多个耗能设备并获取每个耗能设备的多个设备工况数据;对多个设备工况数据进行工况特征提取,得到多个设备工况特征;对多个设备工况特征进行特征融合,得到目标融合特征;创建每个耗能设备的设备智能体并进行设备调控执行参数分析,生成第一节能调控执行策略;分别将每个耗能设备的目标融合特征输入级联森林模型进行全局调控执行参数分析,生成全局节能调控执行策略;基于全局节能调控执行策略,对第一节能调控执行策略进行执行策略优化,得到每个耗能设备的第二节能调控执行策略。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于设备工况预测的节能调控方法及系统。
背景技术
在现代社会,数据中心机房扮演着关键的角色,支撑着各种关键业务和应用,包括数据存储、云计算、人工智能、物联网等。然而,这些数据中心机房通常由大量的耗能设备组成,包括服务器、网络设备、冷却系统等,它们的运行需要大量的电能,并导致高额的能源成本。因此,提高数据中心机房的能源利用效率已经成为一个紧迫的问题,不仅为了节省能源成本,还为了减少对环境的不良影响。
传统的能耗管理方法通常依赖于固定的调控策略或人工干预,这些方法难以适应设备工况的变化和设备之间的相互影响。即,现有方案的智能性较低。
发明内容
本发明提供了一种基于设备工况预测的节能调控方法及系统,用于实现数据中心机房的智能节能调控。
本发明第一方面提供了一种基于设备工况预测的节能调控方法,所述基于设备工况预测的节能调控方法包括:
获取目标数据中心机房中的多个耗能设备,并通过预置的传感器组获取每个耗能设备的多个设备工况数据;
对所述多个设备工况数据进行工况特征提取,得到多个设备工况特征;
对所述多个设备工况特征进行特征融合,得到每个耗能设备的目标融合特征;
创建每个耗能设备的设备智能体,并基于设备智能体对所述目标融合特征进行设备调控执行参数分析,生成每个耗能设备的第一节能调控执行策略;
分别将每个耗能设备的目标融合特征输入预置的级联森林模型进行全局调控执行参数分析,生成全局节能调控执行策略;
基于所述全局节能调控执行策略,对每个耗能设备的第一节能调控执行策略进行执行策略优化,得到每个耗能设备的第二节能调控执行策略。
结合第一方面,在本发明第一方面的第一种实现方式中,所述获取目标数据中心机房中的多个耗能设备,并通过预置的传感器组获取每个耗能设备的多个设备工况数据,包括:
获取目标数据中心机房中的多个耗能设备,并对所述多个耗能设备进行设备编码,得到每个耗能设备的设备编码标识;
通过预置的传感器组,分别对所述多个耗能设备进行工况数据采集,得到每个耗能设备的传感器数据集;
将所述传感器数据集输入预置的聚类模型,通过所述聚类模型对所述传感器数据集进行数据中心计算,得到多个工况数据中心;
基于所述多个工况数据中心,对所述传感器数据集中的多个传感器数据点进行分类,得到每个耗能设备的多个初始工况数据;
基于所述设备编码标识,对每个耗能设备的多个初始工况数据进行数据标识处理,得到每个耗能设备的多个设备工况数据。
结合第一方面,在本发明第一方面的第二种实现方式中,所述对所述多个设备工况数据进行工况特征提取,得到多个设备工况特征,包括:
分别将所述多个设备工况数据输入预置的特征提取模型,其中,所述特征提取模型包括编码器和解码器,所述编码器包括双向门限循环单元,所述解码器包括第一层单向门限循环单元和第二层单向门限循环单元;
通过所述编码器中的双向门限循环单元,分别对所述多个设备工况数据进行隐藏特征提取,得到每个设备工况数据的隐藏特征向量;
分别将每个设备工况数据的隐藏特征向量输入所述解码器中的第一层单向门限循环单元进行特征解码,得到每个设备工况数据的首层特征解码向量;
分别将每个设备工况数据的首层特征解码向量输入所述解码器中的第二层单向门限循环单元进行特征输出,得到多个设备工况特征。
结合第一方面,在本发明第一方面的第三种实现方式中,所述对所述多个设备工况特征进行特征融合,得到每个耗能设备的目标融合特征,包括:
对所述多个设备工况特征进行标准化处理,得到对应的多个标准工况特征;
获取所述多个设备工况数据的工况属性数据,并基于所述工况属性数据设置每个设备工况数据的目标权重数据;
基于所述目标权重数据,分别对所述多个标准工况特征进行特征加权运算,得到对应的多个加权工况特征;
按照预设的特征拼接顺序,对所述多个加权工况特征进行特征拼接,得到每个耗能设备的目标融合特征。
结合第一方面,在本发明第一方面的第四种实现方式中,所述创建每个耗能设备的设备智能体,并基于设备智能体对所述目标融合特征进行设备调控执行参数分析,生成每个耗能设备的第一节能调控执行策略,包括:
创建每个耗能设备的设备智能体,其中,所述设备智能体包括:输入层、策略网络以及输出层,所述策略网络包括卷积长短时记忆网络以及两层全连接网络;
将所述目标融合特征输入所述设备智能体中的输入层,通过所述输入层对所述目标融合特征进行特征转换,得到目标输入特征;
将所述目标输入特征输入所述设备智能体中的策略网络,通过所述策略网络中的卷积长短时记忆网络对所述目标输入特征进行特征高维映射,得到目标高维特征,并通过所述策略网络中的两层全连接网络对所述目标高维特征进行设备调控执行参数分析,得到目标设备调控执行参数;
通过所述设备智能体中的输出层,对所述目标设备调控执行参数进行执行策略分析,输出每个耗能设备的第一节能调控执行策略。
结合第一方面,在本发明第一方面的第五种实现方式中,所述分别将每个耗能设备的目标融合特征输入预置的级联森林模型进行全局调控执行参数分析,生成全局节能调控执行策略,包括:
分别将每个耗能设备的目标融合特征输入预置的级联森林模型,其中,所述级联森林模型包括决策层和全局整合层,所述决策层包括多个决策树模型;
通过所述决策层中的多个决策树模型,分别对每个耗能设备的目标融合特征进行全局调控执行参数分析,得到每个决策树模型的初始节能调控执行策略;
通过所述全局整合层,对每个决策树模型的初始节能调控执行策略进行加权整合,生成全局节能调控执行策略。
结合第一方面,在本发明第一方面的第六种实现方式中,所述基于所述全局节能调控执行策略,对每个耗能设备的第一节能调控执行策略进行执行策略优化,得到每个耗能设备的第二节能调控执行策略,包括:
根据每个耗能设备的设备编码标识和所述全局节能调控执行策略生成对应的目标全局策略矩阵;
通过熵权评价模型,根据所述目标全局策略矩阵分别计算每个耗能设备的正理想解和负理想解;
根据所述正理想解和所述负理想解,分别计算每个耗能设备的综合得分,并对所述综合得分进行聚类分析,得到每个耗能设备对应的聚类簇;
根据所述聚类簇,构建每个耗能设备对应的基准节能调控执行策略,并基于所述基准节能调控执行策略对所述第一节能调控执行策略进行执行策略优化,得到每个耗能设备的第二节能调控执行策略。
本发明第二方面提供了一种基于设备工况预测的节能调控系统,所述基于设备工况预测的节能调控系统包括:
获取模块,用于获取目标数据中心机房中的多个耗能设备,并通过预置的传感器组获取每个耗能设备的多个设备工况数据;
提取模块,用于对所述多个设备工况数据进行工况特征提取,得到多个设备工况特征;
融合模块,用于对所述多个设备工况特征进行特征融合,得到每个耗能设备的目标融合特征;
处理模块,用于创建每个耗能设备的设备智能体,并基于设备智能体对所述目标融合特征进行设备调控执行参数分析,生成每个耗能设备的第一节能调控执行策略;
分析模块,用于分别将每个耗能设备的目标融合特征输入预置的级联森林模型进行全局调控执行参数分析,生成全局节能调控执行策略;
优化模块,用于基于所述全局节能调控执行策略,对每个耗能设备的第一节能调控执行策略进行执行策略优化,得到每个耗能设备的第二节能调控执行策略。
本发明第三方面提供了一种基于设备工况预测的节能调控设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于设备工况预测的节能调控设备执行上述的基于设备工况预测的节能调控方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于设备工况预测的节能调控方法。
本发明提供的技术方案中,获取目标数据中心机房中的多个耗能设备并获取每个耗能设备的多个设备工况数据;对多个设备工况数据进行工况特征提取,得到多个设备工况特征;对多个设备工况特征进行特征融合,得到目标融合特征;创建每个耗能设备的设备智能体并进行设备调控执行参数分析,生成第一节能调控执行策略;分别将每个耗能设备的目标融合特征输入级联森林模型进行全局调控执行参数分析,生成全局节能调控执行策略;基于全局节能调控执行策略,对第一节能调控执行策略进行执行策略优化,得到每个耗能设备的第二节能调控执行策略,本发明通过创建设备智能体和全局节能调控模型,实现了对多个耗能设备的智能化调控。根据设备的实际工作状态和性能特点,制定更智能、更精细化的节能策略,从而提高能源利用效率。通过对多个设备工况数据进行特征融合,综合考虑了不同设备的工作参数,使得节能调控策略更全面和准确。采用级联森林模型,对多个设备进行协同优化,确保它们在全局范围内实现最佳的能源利用。有助于避免局部优化带来的子优解,提高了整个数据中心机房的节能效果。优化每个耗能设备的执行策略,确保每个耗能设备都能在不同情况下灵活应对,提高了节能策略的适应性和鲁棒性。智能代理可以实时监测设备工况并迅速调整策略,以应对工作环境的变化,进而实现了数据中心机房的智能节能调控,并提高了数据中心机房的智能节能调控准确率。
附图说明
图1为本发明实施例中基于设备工况预测的节能调控方法的一个实施例示意图;
图2为本发明实施例中工况特征提取的流程图;
图3为本发明实施例中特征融合的流程图;
图4为本发明实施例中设备调控执行参数分析的流程图;
图5为本发明实施例中基于设备工况预测的节能调控系统的一个实施例示意图;
图6为本发明实施例中基于设备工况预测的节能调控设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于设备工况预测的节能调控方法及系统,用于实现数据中心机房的智能节能调控。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于设备工况预测的节能调控方法的一个实施例包括:
S101、获取目标数据中心机房中的多个耗能设备,并通过预置的传感器组获取每个耗能设备的多个设备工况数据;
可以理解的是,本发明的执行主体可以为基于设备工况预测的节能调控系统,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,识别和获取机房中的多个耗能设备,并为每个设备分配唯一的设备编码标识。这个编码可以是数字或字母组合,用于区分不同的设备。在每个耗能设备上安装预置的传感器组。这些传感器可以包括温度传感器、湿度传感器、电流传感器等,用于实时监测设备的工况数据。传感器组将不断采集数据,以便后续分析。将传感器数据集输入预置的聚类模型,这个模型用于对传感器数据进行数据中心计算。它将识别数据集中的重要趋势和模式,并将其用于后续分类。这一步骤有助于提取工况信息的核心特征。基于多个工况数据中心,对传感器数据集中的多个传感器数据点进行分类。这将产生每个耗能设备的多个初始工况数据。这些初始工况数据包含了设备的关键特征,例如温度、湿度、电压和电流等信息。使用设备编码标识,将每个耗能设备的多个初始工况数据进行数据标识处理。将设备编码与相应的工况数据关联起来,以建立设备与其工况数据之间的联系。例如,假设服务器给每个设备分配了唯一的设备编码标识。服务器安装了传感器,例如温度传感器、湿度传感器和电流传感器,以监测这些设备的工况数据。这些传感器不断采集数据,例如服务器的温度、冷却系统的电流消耗和照明设备的亮度。通过聚类模型的数据中心计算,服务器识别出哪些数据是与设备工况相关的关键特征。例如,服务器发现服务器的温度和电流之间存在某种关联。服务器将这些关键特征用于分类,以提取出每个设备的初始工况数据。通过将设备编码与这些数据关联起来,服务器建立了每个设备与其工况数据之间的联系,为后续的节能调控提供了基础。
S102、对多个设备工况数据进行工况特征提取,得到多个设备工况特征;
具体的,特征提取模型由编码器和解码器组成,其中编码器包括双向门限循环单元,解码器包括第一层单向门限循环单元和第二层单向门限循环单元。这些神经网络组件相互协作,用于从设备工况数据中提取关键的工况特征。服务器将所述多个设备工况数据分别输入特征提取模型。这些数据包括各种设备工况参数,例如温度、湿度、电压、电流等。服务器使用双向门限循环单元,对每个设备工况数据进行隐藏特征提取。这一步骤将原始数据转化为隐藏特征向量,捕捉了数据中的关键信息。将每个设备工况数据的隐藏特征向量输入解码器的第一层单向门限循环单元。在这一阶段,模型尝试将隐藏特征向量还原为原始数据的首层特征解码向量。将首层特征解码向量输入解码器的第二层单向门限循环单元,以进一步提取工况数据的特征。这一步骤产生了多个设备工况的特征。例如,假设有一个数据集包含了多个服务器的工况数据。这些数据包括服务器的温度、电流和负载等信息。服务器使用特征提取模型来提取关键的工况特征,以便更好地理解服务器的性能和能源消耗。将每台服务器的工况数据输入特征提取模型。每台服务器的数据是一个时间序列,包括多个时间步的温度、电流和负载数据。编码器的双向门限循环单元会分析每个服务器的数据,提取隐藏特征向量。这些向量包含了关于服务器工作状态的抽象表示,例如包含了与服务器负载和能源使用相关的信息。解码器的第一层单向门限循环单元接收隐藏特征向量,并尝试还原原始数据的首层特征解码向量。这一向量包括温度、电流和负载的近似值。第二层单向门限循环单元进一步处理首层特征解码向量,以生成服务器工况数据的最终特征表示。这个特征表示包含了更高级的特征,例如服务器的稳定性或异常行为的指示。
S103、对多个设备工况特征进行特征融合,得到每个耗能设备的目标融合特征;
需要说明的是,对所述多个设备工况特征进行标准化处理。标准化是为了确保不同特征的尺度一致,以便后续的加权运算。通常使用均值和标准差来对特征进行标准化,将其转换为均值为0,标准差为1的标准分布。这有助于避免特征之间的尺度差异影响加权计算。获取工况属性数据,这些数据描述了每个设备工况的属性,例如设备类型、重要性等信息。基于工况属性数据设置每个设备工况数据的目标权重数据。这些目标权重数据可以根据设备的特性和重要性进行设定,以反映设备在节能调控中的权重。根据目标权重数据,分别对标准化后的多个设备工况特征进行特征加权运算。为每个特征分配一个权重,以反映其在节能调控中的相对重要性。特征加权运算通常采用加权平均或加权求和的方式,计算每个设备的加权工况特征。这一步骤的目标是将特征组合成单一的、反映设备工况的指标。按照预设的特征拼接顺序,将多个加权工况特征进行特征拼接,以得到每个耗能设备的目标融合特征。这个目标融合特征将包含所有设备工况特征的信息,同时考虑了它们的权重。例如,假设一个数据中心包括多台服务器和冷却系统。对每台服务器和冷却系统的工况特征进行标准化处理,确保它们的尺度一致。根据工况属性数据,服务器会认为服务器的能耗比冷却系统更重要。因此,为服务器分配更高的目标权重,以反映其在节能调控中的重要性。对每个设备的标准化工况特征进行加权运算。例如,如果服务器的平均温度特征是一个标准化后的数值,那么可以将服务器的目标权重乘以该特征值,以得到服务器的加权温度特征。对冷却系统的特征也进行类似的加权运算。按照预设的特征拼接顺序,将服务器和冷却系统的加权工况特征进行特征拼接。例如,可以按照设备的类型,先将服务器的加权特征排在前面,然后是冷却系统的加权特征,得到一个包含所有设备工况信息的目标融合特征。
S104、创建每个耗能设备的设备智能体,并基于设备智能体对目标融合特征进行设备调控执行参数分析,生成每个耗能设备的第一节能调控执行策略;
具体的,创建每个耗能设备的设备智能体。每个设备智能体包括三个主要组件:输入层、策略网络和输出层。其中,策略网络由卷积长短时记忆网络(ConvLSTM)和两层全连接网络组成。服务器将目标融合特征输入设备智能体的输入层。这些特征包括从多个耗能设备收集的工况数据,如温度、湿度、负载等等。输入层的任务是对这些特征进行必要的预处理和特征转换,以确保数据格式的一致性和可处理性。目标输入特征被传送到设备智能体的策略网络。这个策略网络由ConvLSTM网络组成,用于处理时间序列数据并捕捉工况数据的时间依赖性。ConvLSTM网络有助于智能体更好地理解数据的动态变化,并提取关键特征。这些特征被传递给策略网络的两层全连接网络,用于进一步分析和加工。通过卷积长短时记忆网络,目标输入特征被映射到高维特征空间,其中包含了关于设备工况的更多信息。两层全连接网络对这些高维特征进行分析,并执行设备调控执行参数分析。这一阶段的输出是有关如何优化设备工作以节省能源的参数。设备智能体的输出层负责将设备调控执行参数转化为具体的节能调控执行策略。这些策略将直接应用于每个耗能设备,以控制其工作状态并最大程度地减少能源消耗。这包括动态温度调整、设备的启停控制、电源管理、资源分配等操作。
S105、分别将每个耗能设备的目标融合特征输入预置的级联森林模型进行全局调控执行参数分析,生成全局节能调控执行策略;
具体的,服务器创建预置的级联森林模型。这个模型包括两个主要层次:决策层和全局整合层。决策层由多个决策树模型组成,每个模型负责对一个耗能设备的目标融合特征进行分析。全局整合层负责将每个决策树模型的初始节能调控执行策略整合成全局策略。对于每个耗能设备,其目标融合特征被输入预置的级联森林模型。这些特征包括来自设备智能体的建议节能策略,这些策略是在设备智能体中生成的。决策层中的每个决策树模型独立分析其对应设备的目标融合特征。这些决策树模型使用树状结构来识别潜在的决策路径。每个模型生成一个初始节能调控执行策略,该策略是基于设备特定的目标融合特征和决策树模型的参数来确定的。在决策层中的所有决策树模型完成分析后,它们的初始节能调控执行策略被传递到全局整合层。这些策略会根据其重要性进行加权整合,生成全局节能调控执行策略。全局整合层的任务是考虑不同设备之间的相互影响以及全局目标,以便制定最优的全局策略。例如,考虑一个大型数据中心,包括服务器和冷却设备。在这个数据中心中,服务器的运行状态会影响温度,而温度又会影响冷却设备的工作。为了节能,每个服务器和冷却设备都有一个设备智能体,它们生成了各自的目标融合特征和初始节能调控执行策略。对于每台服务器和冷却设备,它们的目标融合特征被送入级联森林模型。这些特征包括服务器的负载和温度,以及冷却设备的电能消耗和温度。决策树模型在决策层中独立分析每个设备的目标融合特征。例如,一个服务器的决策树模型会生成策略,建议降低服务器温度以减少电能消耗。同时,冷却设备的决策树模型会生成策略,建议提高冷却设备的功率以降低服务器温度。决策层中的所有决策树模型的初始节能调控执行策略传递到全局整合层。这些策略考虑了服务器和冷却设备之间的相互影响,以及数据中心的全局目标。例如,全局整合层会决定降低服务器温度以减少电能消耗,并相应地提高冷却设备的功率。这个整合后的策略将作为全局节能调控执行策略应用于数据中心,以实现最佳的能源利用效率。
S106、基于全局节能调控执行策略,对每个耗能设备的第一节能调控执行策略进行执行策略优化,得到每个耗能设备的第二节能调控执行策略。
具体的,根据每个耗能设备的设备编码标识和全局节能调控执行策略,生成对应的目标全局策略矩阵。这个矩阵包括多个行,每行代表一个设备,列代表不同的节能参数或策略。利用熵权评价模型,根据目标全局策略矩阵计算每个耗能设备的正理想解和负理想解。正理想解是最大化各个策略的理想值,而负理想解是最小化各个策略的理想值。这些理想解反映了每个设备在不同节能策略方面的优劣。基于正理想解和负理想解的计算结果,分别计算每个耗能设备的综合得分。这些得分考虑了设备在多个节能策略方面的性能表现。综合得分越高,设备在执行策略中的性能越接近理想状态。将设备的综合得分进行聚类分析,以得到每个耗能设备对应的聚类簇。这些聚类簇表示设备之间在节能性能上的相似性。设备被分为不同的簇,每个簇具有相似的性能特征。根据每个设备所属的聚类簇,构建每个耗能设备对应的基准节能调控执行策略。基准策略是根据聚类簇中设备的性能特征和平均性能而生成的,旨在作为一个参考点。基于基准节能调控执行策略,对每个设备的第一节能调控执行策略进行优化。这个优化过程考虑了设备当前的工作状态、所属的聚类簇、综合得分等因素,以制定更适应当前情况的第二节能调控执行策略。
本发明实施例中,获取目标数据中心机房中的多个耗能设备并获取每个耗能设备的多个设备工况数据;对多个设备工况数据进行工况特征提取,得到多个设备工况特征;对多个设备工况特征进行特征融合,得到目标融合特征;创建每个耗能设备的设备智能体并进行设备调控执行参数分析,生成第一节能调控执行策略;分别将每个耗能设备的目标融合特征输入级联森林模型进行全局调控执行参数分析,生成全局节能调控执行策略;基于全局节能调控执行策略,对第一节能调控执行策略进行执行策略优化,得到每个耗能设备的第二节能调控执行策略,本发明通过创建设备智能体和全局节能调控模型,实现了对多个耗能设备的智能化调控。根据设备的实际工作状态和性能特点,制定更智能、更精细化的节能策略,从而提高能源利用效率。通过对多个设备工况数据进行特征融合,综合考虑了不同设备的工作参数,使得节能调控策略更全面和准确。采用级联森林模型,对多个设备进行协同优化,确保它们在全局范围内实现最佳的能源利用。有助于避免局部优化带来的子优解,提高了整个数据中心机房的节能效果。优化每个耗能设备的执行策略,确保每个耗能设备都能在不同情况下灵活应对,提高了节能策略的适应性和鲁棒性。智能代理可以实时监测设备工况并迅速调整策略,以应对工作环境的变化,进而实现了数据中心机房的智能节能调控,并提高了数据中心机房的智能节能调控准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)获取目标数据中心机房中的多个耗能设备,并对多个耗能设备进行设备编码,得到每个耗能设备的设备编码标识;
(2)通过预置的传感器组,分别对多个耗能设备进行工况数据采集,得到每个耗能设备的传感器数据集;
(3)将传感器数据集输入预置的聚类模型,通过聚类模型对传感器数据集进行数据中心计算,得到多个工况数据中心;
(4)基于多个工况数据中心,对传感器数据集中的多个传感器数据点进行分类,得到每个耗能设备的多个初始工况数据;
(5)基于设备编码标识,对每个耗能设备的多个初始工况数据进行数据标识处理,得到每个耗能设备的多个设备工况数据。
具体的,获取数据中心机房中的多个耗能设备,这些设备可以包括服务器、网络设备、冷却系统等。每个设备需要分配一个独特的设备编码标识,以便在后续的数据处理中区分不同设备。这个设备编码标识可以是数字、字母、符号或它们的组合。例如,假设一个数据中心机房包括5台服务器和3台冷却系统。服务器为每台服务器分配了编号S1至S5,为每台冷却系统分配了编号C1至C3,这些编号将用作设备编码标识。通过预置的传感器组对这些多个耗能设备进行工况数据采集。传感器可以测量各种设备参数,例如温度、湿度、电流、电压、功耗等。每个设备都与一组传感器相连,将实时数据传输到数据采集系统。例如,对于服务器S1,服务器安装了温度传感器、电流传感器和电压传感器。这些传感器收集有关S1的温度、电流和电压的数据,并将其传送到数据采集系统。将传感器数据集输入预置的聚类模型。聚类模型是一种机器学习模型,用于将数据分组成具有相似特征的簇。在这一步骤中,聚类模型对传感器数据集进行数据中心计算,以确定每个数据点与其他数据点之间的相似度。例如,使用聚类模型,服务器对来自服务器S1的温度、电流和电压数据进行计算,并确定这些数据点在多维空间中的相对位置,以识别相似性。基于多个工况数据中心的计算结果,对传感器数据集中的多个传感器数据点进行分类。这一步骤的目的是将数据点分为不同的簇,每个簇代表一个工况类别。例如,基于聚类模型的结果,服务器将来自服务器S1的温度、电流和电压数据点分为三个簇,每个簇代表不同的工况类别,如正常运行、高负荷和故障。基于设备编码标识,对每个耗能设备的多个初始工况数据进行数据标识处理。将每个工况数据点与相应的设备进行关联,以建立设备工况数据的完整记录。例如,对于服务器S1,服务器将其标识的温度、电流和电压数据与之前分类的工况数据点关联起来。这样,服务器就建立了服务器S1的设备工况数据,其中包括不同工况类别下的各种数据点。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、分别将多个设备工况数据输入预置的特征提取模型,其中,特征提取模型包括编码器和解码器,编码器包括双向门限循环单元,解码器包括第一层单向门限循环单元和第二层单向门限循环单元;
S202、通过编码器中的双向门限循环单元,分别对多个设备工况数据进行隐藏特征提取,得到每个设备工况数据的隐藏特征向量;
S203、分别将每个设备工况数据的隐藏特征向量输入解码器中的第一层单向门限循环单元进行特征解码,得到每个设备工况数据的首层特征解码向量;
S204、分别将每个设备工况数据的首层特征解码向量输入解码器中的第二层单向门限循环单元进行特征输出,得到多个设备工况特征。
具体的,构建特征提取模型,该模型包括编码器和解码器。编码器使用双向门限循环单元(BiLSTM)对输入数据进行编码,而解码器使用单向门限循环单元(LSTM)进行特征解码和输出。将多个设备工况数据分别输入特征提取模型的编码器部分。对于每个设备工况数据,编码器中的双向门限循环单元(BiLSTM)将用于提取隐藏特征。BiLSTM是一种适用于序列数据的循环神经网络,其双向性质使其能够捕捉数据中的上下文信息。例如,假设有设备A和设备B的数据。将设备A的工况数据输入编码器后,BiLSTM将对其进行编码并生成设备A的隐藏特征向量。同样,将设备B的工况数据输入编码器后,BiLSTM将生成设备B的隐藏特征向量。将每个设备工况数据的隐藏特征向量分别输入解码器部分。解码器包括第一层单向门限循环单元(LSTM)和第二层单向门限循环单元(LSTM),用于进行特征解码和输出。例如,使用设备A的隐藏特征向量,将其输入解码器的第一层LSTM。这个LSTM层将对隐藏特征进行解码,生成设备A的首层特征解码向量。将首层特征解码向量输入解码器的第二层LSTM,进行更高级的特征输出,得到设备A的设备工况特征。重复上述步骤,对多个设备工况数据进行特征提取,以生成每个设备的工况特征。每个设备的工况特征将包括隐藏特征和解码特征,这些特征可以用于后续的节能调控方法,例如设备智能体的创建和设备调控执行参数分析。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、对多个设备工况特征进行标准化处理,得到对应的多个标准工况特征;
S302、获取多个设备工况数据的工况属性数据,并基于工况属性数据设置每个设备工况数据的目标权重数据;
S303、基于目标权重数据,分别对多个标准工况特征进行特征加权运算,得到对应的多个加权工况特征;
S304、按照预设的特征拼接顺序,对多个加权工况特征进行特征拼接,得到每个耗能设备的目标融合特征。
具体的,对多个设备工况特征进行标准化处理。标准化是将不同特征的值缩放到相同的尺度,以便它们可以进行有意义的比较和加权。例如,假设服务器有两个设备工况特征,分别是温度和湿度。计算温度和湿度的均值和标准差,然后使用标准化公式将它们转换为标准化特征。获取多个设备工况数据的工况属性数据,这些属性数据可以包括设备的重要性、功耗权重等信息。基于这些工况属性数据为每个设备工况数据设置目标权重数据。目标权重用于表示每个特征的相对重要性。例如,假设服务器有三个设备,设备A、设备B和设备C,每个设备都有工况属性数据,表示它们的重要性。设备A的重要性权重为0.3,设备B的重要性权重为0.5,设备C的重要性权重为0.2。基于目标权重数据,对标准化后的设备工况特征进行特征加权运算。特征加权运算是将每个特征乘以其对应的目标权重,以得到加权特征。例如,对于温度和湿度这两个标准化特征,根据设备的重要性权重,进行特征加权运算。设备A的温度特征加权值为0.3×标准化温度特征,湿度特征加权值为0.3×标准化湿度特征,以此类推。按照预设的特征拼接顺序将多个加权工况特征进行特征拼接,以生成每个耗能设备的目标融合特征。特征拼接可以按照设备工况特征的不同组合来完成。例如,设备A的加权温度特征、湿度特征与设备B的加权特征可以按照预设的拼接顺序(例如温度-湿度)进行拼接,形成设备A的目标融合特征。同样,设备B和设备C的目标融合特征也可以按照相同的方式生成。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、创建每个耗能设备的设备智能体,其中,设备智能体包括:输入层、策略网络以及输出层,策略网络包括卷积长短时记忆网络以及两层全连接网络;
S402、将目标融合特征输入设备智能体中的输入层,通过输入层对目标融合特征进行特征转换,得到目标输入特征;
S403、将目标输入特征输入设备智能体中的策略网络,通过策略网络中的卷积长短时记忆网络对目标输入特征进行特征高维映射,得到目标高维特征,并通过策略网络中的两层全连接网络对目标高维特征进行设备调控执行参数分析,得到目标设备调控执行参数;
S404、通过设备智能体中的输出层,对目标设备调控执行参数进行执行策略分析,输出每个耗能设备的第一节能调控执行策略。
具体的,为每个耗能设备创建设备智能体,设备智能体通常包括三个关键组件:输入层、策略网络和输出层。输入层用于接收目标融合特征,这些特征将作为智能体的输入。输入层负责将原始数据进行初步处理和特征转换。策略网络是智能体的核心部分,通常包括卷积长短时记忆网络以及两层全连接网络。这些网络用于对输入特征进行高维映射和执行参数分析。输出层用于执行策略分析,并生成第一节能调控执行策略。策略可以采用不同的形式,如动作序列或参数设置,具体取决于节能调控的需求。将目标融合特征输入设备智能体的输入层。输入层的任务是对这些特征进行进一步的转换和处理,以便后续的分析。特征转换可以包括标准化、降维或其他预处理步骤。例如,对于某台服务器设备,目标融合特征包括温度、湿度、功耗等信息。输入层可以将这些特征标准化,以确保它们在相同的尺度上进行分析。将目标输入特征传递到策略网络中的卷积LSTM网络中。卷积LSTM网络能够对输入特征进行高维映射,捕捉时间序列和空间信息。通过两层全连接网络,对高维特征进行设备调控参数分析。这一步骤旨在确定设备在不同工况下的最佳调控参数。例如,设备智能体针对一台冷却系统的目标输入特征包括温度变化和冷却风扇速度。卷积LSTM网络可以捕捉温度和风扇速度之间的关系,全连接网络可以生成最佳的风扇速度设置,以在当前温度下节省能源。通过设备智能体的输出层执行策略分析,生成第一节能调控执行策略。这包括确定特定时间段内的操作序列或设备参数设置。例如,对于一台服务器设备,设备智能体可以生成一个操作序列,以决定何时启动或关闭服务器的不同部件,以在不影响性能的情况下降低功耗。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)分别将每个耗能设备的目标融合特征输入预置的级联森林模型,其中,级联森林模型包括决策层和全局整合层,决策层包括多个决策树模型;
(2)通过决策层中的多个决策树模型,分别对每个耗能设备的目标融合特征进行全局调控执行参数分析,得到每个决策树模型的初始节能调控执行策略;
(3)通过全局整合层,对每个决策树模型的初始节能调控执行策略进行加权整合,生成全局节能调控执行策略。
具体的,创建级联森林模型,该模型包括两个关键部分:决策层和全局整合层。决策层由多个决策树模型组成,每个模型负责对单个耗能设备的目标融合特征进行分析和参数分析。决策树模型可以采用不同的决策算法,例如随机森林或梯度提升树。全局整合层负责将来自决策层的不同设备的初始节能调控执行策略进行加权整合,以生成全局节能调控执行策略。这一层的目标是平衡不同设备之间的能源利用,以实现全局的节能。将每个耗能设备的目标融合特征分别输入到级联森林模型中。每个决策树模型将分析相应设备的特征,并生成初始的节能调控执行策略。例如,对于数据中心中的多台服务器设备,每台服务器都有不同的目标融合特征,如CPU利用率、内存使用率等。将每台服务器的特征输入级联森林模型中的不同决策树模型。通过决策树模型对目标融合特征进行全局调控执行参数分析。每个决策树模型将根据设备的特征和预设的算法生成初始的节能调控执行策略。例如,对于一台服务器设备,决策树模型可以分析其目标融合特征,如CPU利用率和内存使用率,并确定在不同工作负载下的最佳调控策略,例如动态调整CPU频率或内存分配。在全局整合层中,将来自不同决策树模型的初始节能调控执行策略进行加权整合,生成全局节能调控执行策略。这一层可以使用不同的整合方法,如加权平均或基于设备重要性的整合。例如,如果数据中心中有多台服务器设备,全局整合层可以分析每台服务器的初始节能调控执行策略,并根据其重要性和性能要求,为每台服务器生成全局的节能策略,以实现整个数据中心的能源节省。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)根据每个耗能设备的设备编码标识和全局节能调控执行策略生成对应的目标全局策略矩阵;
(2)通过熵权评价模型,根据目标全局策略矩阵分别计算每个耗能设备的正理想解和负理想解;
(3)根据正理想解和负理想解,分别计算每个耗能设备的综合得分,并对综合得分进行聚类分析,得到每个耗能设备对应的聚类簇;
(4)根据聚类簇,构建每个耗能设备对应的基准节能调控执行策略,并基于基准节能调控执行策略对第一节能调控执行策略进行执行策略优化,得到每个耗能设备的第二节能调控执行策略。
具体的,根据每个耗能设备的设备编码标识和全局节能调控执行策略,创建一个目标全局策略矩阵。该矩阵将列出每个设备的编码标识和相应的节能调控执行策略。例如,设备编码标识可以是唯一的设备ID,而节能调控执行策略可以包括不同的参数设置,如温度设定值、风速调整等。使用熵权评价模型,根据目标全局策略矩阵,分别计算每个耗能设备的正理想解和负理想解。正理想解通常是指在所有考虑因素中都达到最优的情况,而负理想解则是在所有考虑因素中都达到最差的情况。例如,假设有两个考虑因素:能源消耗和性能指标。对于每个设备,正理想解是能源消耗最低且性能最优的策略,而负理想解是能源消耗最高且性能最差的策略。根据正理想解和负理想解的计算结果,分别计算每个耗能设备的综合得分。综合得分可以根据不同的权重分配来计算,以反映不同因素的重要性。例如,假设能源消耗因素的权重为0.6,性能指标的权重为0.4。则综合得分可以通过将能源消耗和性能指标的得分进行加权平均来计算。使用聚类分析技术,将设备根据综合得分划分成不同的聚类簇。聚类簇表示具有相似特性的设备群体。例如,假设有三个聚类簇,分别包含性能最佳但能源消耗较高的设备、性能最差且能源消耗较低的设备以及性能和能源消耗均衡的设备。对于每个聚类簇中的设备,构建基准节能调控执行策略,该策略可以是根据综合得分最高的设备的策略或者是针对整个聚类簇的平均策略。基于基准节能调控执行策略,对第一节能调控执行策略进行优化,以满足不同设备的需求和特性,从而生成每个耗能设备的第二节能调控执行策略。例如,如果一个聚类簇中的设备在性能上相似但能源消耗不同,基准策略可以选择节能最佳的设备的策略作为基准,并根据其他设备的性能特点进行优化,以生成适应不同设备的第二节能调控执行策略。
上面对本发明实施例中基于设备工况预测的节能调控方法进行了描述,下面对本发明实施例中基于设备工况预测的节能调控系统进行描述,请参阅图5,本发明实施例中基于设备工况预测的节能调控系统一个实施例包括:
获取模块501,用于获取目标数据中心机房中的多个耗能设备,并通过预置的传感器组获取每个耗能设备的多个设备工况数据;
提取模块502,用于对所述多个设备工况数据进行工况特征提取,得到多个设备工况特征;
融合模块503,用于对所述多个设备工况特征进行特征融合,得到每个耗能设备的目标融合特征;
处理模块504,用于创建每个耗能设备的设备智能体,并基于设备智能体对所述目标融合特征进行设备调控执行参数分析,生成每个耗能设备的第一节能调控执行策略;
分析模块505,用于分别将每个耗能设备的目标融合特征输入预置的级联森林模型进行全局调控执行参数分析,生成全局节能调控执行策略;
优化模块506,用于基于所述全局节能调控执行策略,对每个耗能设备的第一节能调控执行策略进行执行策略优化,得到每个耗能设备的第二节能调控执行策略。
通过上述各个组成部分的协同合作,获取目标数据中心机房中的多个耗能设备并获取每个耗能设备的多个设备工况数据;对多个设备工况数据进行工况特征提取,得到多个设备工况特征;对多个设备工况特征进行特征融合,得到目标融合特征;创建每个耗能设备的设备智能体并进行设备调控执行参数分析,生成第一节能调控执行策略;分别将每个耗能设备的目标融合特征输入级联森林模型进行全局调控执行参数分析,生成全局节能调控执行策略;基于全局节能调控执行策略,对第一节能调控执行策略进行执行策略优化,得到每个耗能设备的第二节能调控执行策略,本发明通过创建设备智能体和全局节能调控模型,实现了对多个耗能设备的智能化调控。根据设备的实际工作状态和性能特点,制定更智能、更精细化的节能策略,从而提高能源利用效率。通过对多个设备工况数据进行特征融合,综合考虑了不同设备的工作参数,使得节能调控策略更全面和准确。采用级联森林模型,对多个设备进行协同优化,确保它们在全局范围内实现最佳的能源利用。有助于避免局部优化带来的子优解,提高了整个数据中心机房的节能效果。优化每个耗能设备的执行策略,确保每个耗能设备都能在不同情况下灵活应对,提高了节能策略的适应性和鲁棒性。智能代理可以实时监测设备工况并迅速调整策略,以应对工作环境的变化,进而实现了数据中心机房的智能节能调控,并提高了数据中心机房的智能节能调控准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于设备工况预测的节能调控系统进行详细描述,下面从硬件处理的角度对本发明实施例中基于设备工况预测的节能调控设备进行详细描述。
图6是本发明实施例提供的一种基于设备工况预测的节能调控设备的结构示意图,该基于设备工况预测的节能调控设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于设备工况预测的节能调控设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于设备工况预测的节能调控设备600上执行存储介质630中的一系列指令操作。
基于设备工况预测的节能调控设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的基于设备工况预测的节能调控设备结构并不构成对基于设备工况预测的节能调控设备的限定,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。
本发明还提供一种基于设备工况预测的节能调控设备,所述基于设备工况预测的节能调控设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于设备工况预测的节能调控方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于设备工况预测的节能调控方法的步骤。
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。
所述集成的单元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全部或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、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,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,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于设备工况预测的节能调控方法,其特征在于,所述基于设备工况预测的节能调控方法包括:
获取目标数据中心机房中的多个耗能设备,并通过预置的传感器组获取每个耗能设备的多个设备工况数据;
对所述多个设备工况数据进行工况特征提取,得到多个设备工况特征;
对所述多个设备工况特征进行特征融合,得到每个耗能设备的目标融合特征;
创建每个耗能设备的设备智能体,并基于设备智能体对所述目标融合特征进行设备调控执行参数分析,生成每个耗能设备的第一节能调控执行策略;
分别将每个耗能设备的目标融合特征输入预置的级联森林模型进行全局调控执行参数分析,生成全局节能调控执行策略;具体包括:分别将每个耗能设备的目标融合特征输入预置的级联森林模型,其中,所述级联森林模型包括决策层和全局整合层,所述决策层包括多个决策树模型;通过所述决策层中的多个决策树模型,分别对每个耗能设备的目标融合特征进行全局调控执行参数分析,得到每个决策树模型的初始节能调控执行策略;通过所述全局整合层,对每个决策树模型的初始节能调控执行策略进行加权整合,生成全局节能调控执行策略;
基于所述全局节能调控执行策略,对每个耗能设备的第一节能调控执行策略进行执行策略优化,得到每个耗能设备的第二节能调控执行策略;具体包括:根据每个耗能设备的设备编码标识和所述全局节能调控执行策略生成对应的目标全局策略矩阵;通过熵权评价模型,根据所述目标全局策略矩阵分别计算每个耗能设备的正理想解和负理想解;根据所述正理想解和所述负理想解,分别计算每个耗能设备的综合得分,并对所述综合得分进行聚类分析,得到每个耗能设备对应的聚类簇;根据所述聚类簇,构建每个耗能设备对应的基准节能调控执行策略,并基于所述基准节能调控执行策略对所述第一节能调控执行策略进行执行策略优化,得到每个耗能设备的第二节能调控执行策略。
2.根据权利要求1所述的基于设备工况预测的节能调控方法,其特征在于,所述获取目标数据中心机房中的多个耗能设备,并通过预置的传感器组获取每个耗能设备的多个设备工况数据,包括:
获取目标数据中心机房中的多个耗能设备,并对所述多个耗能设备进行设备编码,得到每个耗能设备的设备编码标识;
通过预置的传感器组,分别对所述多个耗能设备进行工况数据采集,得到每个耗能设备的传感器数据集;
将所述传感器数据集输入预置的聚类模型,通过所述聚类模型对所述传感器数据集进行数据中心计算,得到多个工况数据中心;
基于所述多个工况数据中心,对所述传感器数据集中的多个传感器数据点进行分类,得到每个耗能设备的多个初始工况数据;
基于所述设备编码标识,对每个耗能设备的多个初始工况数据进行数据标识处理,得到每个耗能设备的多个设备工况数据。
3.根据权利要求1所述的基于设备工况预测的节能调控方法,其特征在于,所述对所述多个设备工况数据进行工况特征提取,得到多个设备工况特征,包括:
分别将所述多个设备工况数据输入预置的特征提取模型,其中,所述特征提取模型包括编码器和解码器,所述编码器包括双向门限循环单元,所述解码器包括第一层单向门限循环单元和第二层单向门限循环单元;
通过所述编码器中的双向门限循环单元,分别对所述多个设备工况数据进行隐藏特征提取,得到每个设备工况数据的隐藏特征向量;
分别将每个设备工况数据的隐藏特征向量输入所述解码器中的第一层单向门限循环单元进行特征解码,得到每个设备工况数据的首层特征解码向量;
分别将每个设备工况数据的首层特征解码向量输入所述解码器中的第二层单向门限循环单元进行特征输出,得到多个设备工况特征。
4.根据权利要求1所述的基于设备工况预测的节能调控方法,其特征在于,所述对所述多个设备工况特征进行特征融合,得到每个耗能设备的目标融合特征,包括:
对所述多个设备工况特征进行标准化处理,得到对应的多个标准工况特征;
获取所述多个设备工况数据的工况属性数据,并基于所述工况属性数据设置每个设备工况数据的目标权重数据;
基于所述目标权重数据,分别对所述多个标准工况特征进行特征加权运算,得到对应的多个加权工况特征;
按照预设的特征拼接顺序,对所述多个加权工况特征进行特征拼接,得到每个耗能设备的目标融合特征。
5.根据权利要求1所述的基于设备工况预测的节能调控方法,其特征在于,所述创建每个耗能设备的设备智能体,并基于设备智能体对所述目标融合特征进行设备调控执行参数分析,生成每个耗能设备的第一节能调控执行策略,包括:
创建每个耗能设备的设备智能体,其中,所述设备智能体包括:输入层、策略网络以及输出层,所述策略网络包括卷积长短时记忆网络以及两层全连接网络;
将所述目标融合特征输入所述设备智能体中的输入层,通过所述输入层对所述目标融合特征进行特征转换,得到目标输入特征;
将所述目标输入特征输入所述设备智能体中的策略网络,通过所述策略网络中的卷积长短时记忆网络对所述目标输入特征进行特征高维映射,得到目标高维特征,并通过所述策略网络中的两层全连接网络对所述目标高维特征进行设备调控执行参数分析,得到目标设备调控执行参数;
通过所述设备智能体中的输出层,对所述目标设备调控执行参数进行执行策略分析,输出每个耗能设备的第一节能调控执行策略。
6.一种基于设备工况预测的节能调控系统,其特征在于,所述基于设备工况预测的节能调控系统包括:
获取模块,用于获取目标数据中心机房中的多个耗能设备,并通过预置的传感器组获取每个耗能设备的多个设备工况数据;
提取模块,用于对所述多个设备工况数据进行工况特征提取,得到多个设备工况特征;
融合模块,用于对所述多个设备工况特征进行特征融合,得到每个耗能设备的目标融合特征;
处理模块,用于创建每个耗能设备的设备智能体,并基于设备智能体对所述目标融合特征进行设备调控执行参数分析,生成每个耗能设备的第一节能调控执行策略;
分析模块,用于分别将每个耗能设备的目标融合特征输入预置的级联森林模型进行全局调控执行参数分析,生成全局节能调控执行策略;具体包括:分别将每个耗能设备的目标融合特征输入预置的级联森林模型,其中,所述级联森林模型包括决策层和全局整合层,所述决策层包括多个决策树模型;通过所述决策层中的多个决策树模型,分别对每个耗能设备的目标融合特征进行全局调控执行参数分析,得到每个决策树模型的初始节能调控执行策略;通过所述全局整合层,对每个决策树模型的初始节能调控执行策略进行加权整合,生成全局节能调控执行策略;
优化模块,用于基于所述全局节能调控执行策略,对每个耗能设备的第一节能调控执行策略进行执行策略优化,得到每个耗能设备的第二节能调控执行策略;具体包括:根据每个耗能设备的设备编码标识和所述全局节能调控执行策略生成对应的目标全局策略矩阵;通过熵权评价模型,根据所述目标全局策略矩阵分别计算每个耗能设备的正理想解和负理想解;根据所述正理想解和所述负理想解,分别计算每个耗能设备的综合得分,并对所述综合得分进行聚类分析,得到每个耗能设备对应的聚类簇;根据所述聚类簇,构建每个耗能设备对应的基准节能调控执行策略,并基于所述基准节能调控执行策略对所述第一节能调控执行策略进行执行策略优化,得到每个耗能设备的第二节能调控执行策略。
7.一种基于设备工况预测的节能调控设备,其特征在于,所述基于设备工况预测的节能调控设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于设备工况预测的节能调控设备执行如权利要求1-5中任一项所述的基于设备工况预测的节能调控方法。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-5中任一项所述的基于设备工况预测的节能调控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311599026.8A CN117311244B (zh) | 2023-11-28 | 2023-11-28 | 基于设备工况预测的节能调控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311599026.8A CN117311244B (zh) | 2023-11-28 | 2023-11-28 | 基于设备工况预测的节能调控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117311244A CN117311244A (zh) | 2023-12-29 |
CN117311244B true CN117311244B (zh) | 2024-02-13 |
Family
ID=89255580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311599026.8A Active CN117311244B (zh) | 2023-11-28 | 2023-11-28 | 基于设备工况预测的节能调控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117311244B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446371A (zh) * | 2016-09-12 | 2017-02-22 | 华中科技大学 | 一种基于Delaunay三角形划分和逼近理想解排序的序贯采样方法 |
CN110765351A (zh) * | 2019-10-11 | 2020-02-07 | 卓尔智联(武汉)研究院有限公司 | 目标用户识别方法、装置、计算机设备和存储介质 |
CN113825356A (zh) * | 2021-07-28 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 冷源系统的节能控制方法、装置、电子设备和存储介质 |
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 |
WO2023030522A1 (zh) * | 2021-09-06 | 2023-03-09 | 中国移动通信集团设计院有限公司 | 一种数据中心空调系统诊断方法及装置 |
CN116611609A (zh) * | 2023-04-18 | 2023-08-18 | 中国人民解放军海军工程大学 | 基于监控参数的设备稳定性状态预测及评价方法 |
CN116777038A (zh) * | 2023-04-20 | 2023-09-19 | 广东电网有限责任公司 | 微电网用电负荷预测方法、装置及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11315045B2 (en) * | 2016-12-29 | 2022-04-26 | Intel Corporation | Entropy-based weighting in random forest models |
CN111065114B (zh) * | 2018-10-17 | 2021-12-28 | 华为技术有限公司 | 节能管理方法、装置及存储介质 |
-
2023
- 2023-11-28 CN CN202311599026.8A patent/CN117311244B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446371A (zh) * | 2016-09-12 | 2017-02-22 | 华中科技大学 | 一种基于Delaunay三角形划分和逼近理想解排序的序贯采样方法 |
CN110765351A (zh) * | 2019-10-11 | 2020-02-07 | 卓尔智联(武汉)研究院有限公司 | 目标用户识别方法、装置、计算机设备和存储介质 |
CN113825356A (zh) * | 2021-07-28 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 冷源系统的节能控制方法、装置、电子设备和存储介质 |
WO2023030522A1 (zh) * | 2021-09-06 | 2023-03-09 | 中国移动通信集团设计院有限公司 | 一种数据中心空调系统诊断方法及装置 |
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 |
CN116611609A (zh) * | 2023-04-18 | 2023-08-18 | 中国人民解放军海军工程大学 | 基于监控参数的设备稳定性状态预测及评价方法 |
CN116777038A (zh) * | 2023-04-20 | 2023-09-19 | 广东电网有限责任公司 | 微电网用电负荷预测方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117311244A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113240289B (zh) | 一种电网调度控制系统运行状态评估方法及系统 | |
KR102215690B1 (ko) | 시계열의 데이터를 모니터링 하는 방법 및 그 장치 | |
CN111489188B (zh) | 一种居民可调负荷潜力挖掘方法及系统 | |
KR20170078256A (ko) | 시계열의 데이터를 예측 하는 방법 및 그 장치 | |
CN111224805A (zh) | 一种网络故障根因检测方法、系统及存储介质 | |
CN116466672B (zh) | 基于人工智能的数据中心机房参数调控方法及相关装置 | |
CN118114955B (zh) | 虚拟电厂的电力调度方法及相关设备 | |
CN112002949A (zh) | 一种动力电池主动均衡的监测管理方法及系统 | |
CN116760772A (zh) | 汇聚分流器的管控系统及其方法 | |
CN104391879A (zh) | 层次聚类的方法及装置 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN117094478B (zh) | 能量调度管理方法、装置、设备及存储介质 | |
CN118193954A (zh) | 一种基于边缘计算的配电网异常数据检测方法及系统 | |
CN110991519A (zh) | 一种智能开关状态分析调整方法及系统 | |
CN117311244B (zh) | 基于设备工况预测的节能调控方法及系统 | |
CN113344073A (zh) | 一种基于融合进化算法的日负荷曲线聚类方法及系统 | |
CN110807599A (zh) | 电化学储能方案的决策方法、装置、服务器和存储介质 | |
CN118244871B (zh) | 一种智能手表双芯片系统切换的屏幕显示方法及系统 | |
CN111222688A (zh) | 一种商业楼宇的日负荷预测方法 | |
CN117460128B (zh) | 基于多维数据分析的光罩调光控制方法及系统 | |
CN116561696B (zh) | 基于多维度的用户可调节负荷快速聚合方法及其系统 | |
CN118075123B (zh) | 面向电力全场景的海量数据统一处理平台的管理方法 | |
CN118411003B (zh) | 多类别电力设备的负荷控制方法、系统、设备和存储介质 | |
CN111091217B (zh) | 一种楼宇短期负荷预测方法及系统 | |
CN110826899B (zh) | 一种风力发电机组的性能评估方法、装置、设备及存储介质 |
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 |