CN117391224A - 能耗优化方法、系统、装置及存储介质 - Google Patents
能耗优化方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN117391224A CN117391224A CN202210760080.5A CN202210760080A CN117391224A CN 117391224 A CN117391224 A CN 117391224A CN 202210760080 A CN202210760080 A CN 202210760080A CN 117391224 A CN117391224 A CN 117391224A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- consumption optimization
- optimization scheme
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 384
- 238000005457 optimization Methods 0.000 title claims abstract description 226
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 114
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 230000001419 dependent effect Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 16
- 230000008901 benefit Effects 0.000 claims description 13
- 238000013136 deep learning model Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010438 heat treatment Methods 0.000 description 12
- 238000009423 ventilation Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005057 refrigeration Methods 0.000 description 5
- 230000001364 causal effect Effects 0.000 description 4
- 238000011867 re-evaluation Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- RGCLLPNLLBQHPF-HJWRWDBZSA-N phosphamidon Chemical compound CCN(CC)C(=O)C(\Cl)=C(/C)OP(=O)(OC)OC RGCLLPNLLBQHPF-HJWRWDBZSA-N 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
Abstract
本发明实施例提供一种能耗优化方法、系统、装置及存储介质,属于人工智能领域。该方法包括:获取数据中心的关键指标数据;基于策略融合寻优模型,根据关键指标数据确定候选能耗优化方案;基于模拟预测模型,对候选能耗优化方案进行评估,确定各候选能耗优化方案的第一评估指标;基于模型间评估方法,根据第一评估指标,确定候选能耗优化方案的第二评估指标;基于再评估方法,确定候选能耗优化方案的第三评估指标;根据第三评估指标,确定数据中心的目标能耗优化方案;根据目标能耗优化方案,调整数据中心的能耗控制参数。本发明实施例的技术方案根据数据中心的各项指标确定能耗优化方案,降低数据中心的能耗的同时保证数据中心安全、稳定运行。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种数据中心能耗优化方法、系统、装置及存储介质。
背景技术
电能利用效率(Power Usage Effectiveness,PUE)是用于表征数据中心电能利用效率的参数,其数值为数据中心内所有用电设备消耗的总电能与所有电子信息设备消耗的总电能之比。为了保障数据中心中电子信息设备如各种服务器、存储设备、网络设备等正常运行,数据中心的温湿度要保持在一定的范围内,数据中心通常安装有用于调节环境温湿度的暖通设备。为了符合建设绿色数据中心的能耗标准,在实际生产中需要通过降低暖通设备的能耗进而降低数据中心的PUE。如何在保证数据中心安全、稳定运行的情况下降低暖通设备的能耗,确定与数据中心实际需求向匹配的制冷方案就成为了亟需解决的问题。
发明内容
本发明实施例提供一种能耗优化方法、装置及存储介质,旨在。
第一方面,本发明实施例提供一种能耗优化方法,包括:
获取数据中心的关键指标数据,所述关键指标数据包括:数据中心运行状态数据、数据中心能源消耗数据;
基于预设的策略融合寻优模型,根据所述关键指标数据确定至少一个候选能耗优化方案;
基于预设的模拟预测模型,对所述候选能耗优化方案进行评估,确定各所述候选能耗优化方案对应的第一评估指标;
基于预设的模型间评估方法,根据所述第一评估指标,确定各所述候选能耗优化方案对应的第二评估指标;
根据所述第二评估指标确定最优能耗优化方案,基于预设的再评估方法,对所述最优能耗优化方案进行再评估;
根据所述对所述最优能耗优化方案进行再评估的再评估结果,确定所述数据中心的目标能耗优化方案;
根据所述目标能耗优化方案,调整所述数据中心的能耗控制参数。
第二方面,本发明实施例还提供一种能耗优化系统,所述能耗优化系统包括:指标数据获取模块,用于获取数据中心的关键指标数据,所述关键指标数据包括:数据中心运行状态数据、数据中心能源消耗数据;策略融合寻优模块,用于基于预设的策略融合寻优模型,根据所述关键指标数据确定至少一个候选能耗优化方案;模拟预测评估模块,用于基于预设的模拟预测模型,对所述候选能耗优化方案进行评估,确定各所述候选能耗优化方案对应的第一评估指标;模型间评估模块,用于基于预设的模型间评估方法,根据所述第一评估指标,确定各所述候选能耗优化方案对应的第二评估指标;再评估模块,用于根据所述第二评估指标确定最优能耗优化方案,基于预设的再评估方法,对所述最优能耗优化方案进行再评估;目标方案确定模块,用于根据所述对所述最优能耗优化方案进行再评估的再评估结果,确定所述数据中心的目标能耗优化方案;控制参数调整模块,用于根据所述目标能耗优化方案,调整所述数据中心的能耗控制参数。
第三方面,本发明实施例还提供一种能耗优化装置,所述能耗优化装置包括处理器、存储器、存储在所述存储器上并可被所述处理器执行的计算机程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,其中所述计算机程序被所述处理器执行时,实现如本发明实施例提供的任一项能耗优化方法的步骤。
第四方面,本发明实施例还提供一种存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如本发明实施例提供的任一项能耗优化方法的步骤。
本发明实施例提供一种能耗优化方法、装置及存储介质,本发明实施例获取数据中心的关键指标数据,所述关键指标数据包括:数据中心运行状态数据、数据中心能源消耗数据;基于预设的策略融合寻优模型,根据所述关键指标数据确定至少一个候选能耗优化方案;基于预设的模拟预测模型,对所述候选能耗优化方案进行评估,确定各所述候选能耗优化方案对应的第一评估指标;基于预设的模型间评估方法,根据所述第一评估指标,确定各所述候选能耗优化方案对应的第二评估指标;根据所述第二评估指标确定最优能耗优化方案,基于预设的再评估方法,对所述最优能耗优化方案进行再评估;根据所述对所述最优能耗优化方案进行再评估的再评估结果,确定所述数据中心的目标能耗优化方案;根据所述目标能耗优化方案,调整所述数据中心的能耗控制参数,确定出具有高可信度和高可信性的、保证数据中心安全运行并降低数据中心能源消耗量的能耗优化方案。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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为本发明实施例提供的一种能耗优化方法的步骤流程示意图;
图2为本发明实施例提供的一种能耗优化方法的子步骤流程示意图;
图3为本发明实施例提供的一种能耗优化方法的子步骤流程示意图;
图4为本发明实施例提供的一种能耗优化方法的子步骤流程示意图;
图5为实施本发明实施例提供的能耗优化方法的一场景示意图;
图6为本发明实施例提供的一种能耗优化系统的示意性框图;
图7为本发明实施例提供的一种能耗优化装置的结构示意框图。
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。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
本发明实施例提供一种能耗优化方法、装置及存储介质。其中,该能耗优化方法可应用于移动终端或者服务器中,例如将所述能耗优化方法封装得到的算法库部署于移动终端或者服务器中,该移动终端可以为手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备;服务器可以为独立的服务器,也可以为服务器集群,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,图1为本发明实施例提供的一种能耗优化方法的步骤流程示意图。
如图1所示,该能耗优化方法包括步骤S101至步骤S107。
步骤S101、获取数据中心的关键指标数据,所述关键指标数据包括:数据中心运行状态数据、数据中心能源消耗数据。
示例性的,数据中心通常包括电子信息设备、暖通设备、照明设备等负载。其中,暖通设备与外界环境连通,通过调节控制与自然风、喷淋蒸发、冷冻水、压缩制冷等相关的控制参数,为数据中心的电子信息设备提供制冷,确保数据中心的温度、湿度保持在预设水平。
示例性的,由于暖通设备的控制参数具有一定的调整空间,可以通过PID(Proportion Integral Differential)控制器对所述控制参数进行调节,以调节暖通设备的能源消耗量,进而对数据中心整体的能源消耗量进行控制。
在一实施例中,如图2所示,步骤S101包括:子步骤S1011至子步骤S1012。
子步骤S1011、通过预设的检测点获取所述数据中心的指标数据。
示例性的,通过设置检测点例如设置传感器或软件接口获取所述指标数据,所述指标数据包括:用于反映数据中心运行状态的数据中心运行状态数据,例如所述数据中心各电子信息设备的硬件温度、运算速度等;用于反映数据中心能源消耗量的数据中心能源消耗数据。当然也不限于此,所述指标数据还可以包括室外环境数据,例如数据中心外部环境的温度、湿度;室内环境数据,例如数据中心内部环境的温度、湿度等,在此不做限定。
示例性的,获取所述指标数据,以便通过所述指标数据中具有影响关系的指标数据对模拟预测模型进行训练,得到能够预测相关数据的模拟预测模型。
在一些实施方式中,步骤S1011还包括对获取到的指标数据进行数据清洗。
示例性的,步骤S1011中获取的所述指标数据可能包括误差或者环境突变导致的异常值,为了确保所述指标数据能够准确地反映不同指标之间的关系,以提高训练得到的模型的准确度,所述对所述指标数据进行数据清洗可以包括异常判别,通过统计方法对异常值进行清洗。具体地,例如可以通过拉依达准则、格拉布斯准则或狄克逊准则进行异常判别,当然也不限于此,在此不做赘述。
示例性的,所述对所述指标数据进行数据清洗还可以包括数据转换,例如将获取到的所述指标数据进行单位转换,以使清洗后的指标数据能够更显著地反映数据之间的关系。
示例性的,获取到的所述指标数据中可能包括以空值或者占位符表征的缺失值,所述对所述指标数据进行数据清洗还可以包括缺失值处理。具体地,可以基于均值插补进行缺失值处理,通过有效值的平均值来插补缺失的值,当然也不限于此,在此不做限定。
子步骤S1012、基于预设的数据分析算法对所述指标数据进行分析,确定所述关键指标数据以及所述关键指标数据中的自变量数据和因变量数据。
示例性的,步骤S1011中获取的指标数据包括海量的与数据中心运行状态和暖通设备能源消耗量有关的数据,为了便于后期的模型训练,需要预先对所述指标数据进行分析,确定所述指标数据中的关键数据。
示例性的,对清洗后的所述指标数据进行分析,确定其中具有因果关系的关键数据,并确定关键数据中的自变量数据和因变量数据。
示例性的,所述指标数据中的至少一部分数据具有互相影响的关系,例如数据中心暖通设备的制冷强度和数据中心外部环境温度会影响数据中心内部环境温度和所述数据中心中电子信息设备的温度,则将所述暖通设备的制冷强度确定为自变量数据,电子信息设备的温度确定为对应的因变量数据。
示例性的,例如可以基于贝叶斯因果网络模型确定清洗后的所述指标数据之间的因果关系,当然也不限于此,例如也可以通过清洗后的所述指标数据之间的传递熵确定因果关系,在此不做赘述。
步骤S102、基于预设的策略融合寻优模型,根据所述关键指标数据确定至少一个候选能耗优化方案。
示例性的,所述策略寻优模型包括多个子模型,用于确定数据中心在不同情况下的能耗优化方案。例如,所述策略寻优模型可以包括演化学习模型、统计学习模型、深度学习模型。当然也不限于此,对此不做限定。
示例性的,预先通过一定数量的关键指标数据对所述策略寻优模型进行训练。
在一些实施方式中,所述能耗优化方法还包括:根据所述自变量数据和所述因变量数据,对所述演化学习模型进行训练;根据所述自变量数据和所述因变量数据,对所述统计学习模型进行训练;根据所述自变量数据和所述因变量数据,对所述深度学习模型进行训练。
示例性的,所述演化学习模型例如可以是通过遗传算法(Genetic Algorithm,GA)实现的,对所述数据中心的能耗控制参数在数据处理量较小、数据变化趋势不明显、外界环境有突变情况下进行策略寻优。
示例性的,所述统计学习模型例如可以是通过贝叶斯优化算法(BayesianOptimization)实现的,对所述数据中心的能耗控制参数在数据处理量相对充足、数据变化相对稳定或者有一定趋势情况下进行策略寻优。
示例性的,所述深度学习模型例如可以是通过确定性策略梯度(DeepDeterministic Policy Gradient,DDPG)或者深度Q网络(Deep Q-network,DQN)实现的,对所述数据中心的能耗控制参数在数据处理量较大、环境变化相对稳定情况下进行策略寻优。
请参见图3,图3为本发明实施例提供的一种能耗优化方法的子步骤流程示意图。
如图3所示,在一些实施方式中,步骤S102包括步骤S1021-步骤S1023:步骤S1021、基于所述演化学习模型,根据实时获取的关键指标数据确定至少一个所述候选能耗优化方案的能耗控制参数;步骤S1022、基于所述统计学习模型,根据实时获取的关键指标数据确定至少一个所述候选能耗优化方案的能耗控制参数;步骤S1023、基于所述深度学习模型,根据实时获取的关键指标数据确定至少一个所述候选能耗优化方案的能耗控制参数。
示例性的,通过设置多个策略寻优模型的子模型,以便根据数据中心的实际情况确定能耗优化方案,满足在多样化的的情况下进行策略寻优,提高了能耗优化方法的灵活性和合理性。
示例性的,所述策略寻优模型根据实时输入的自变量数据,例如数据中心外部环境数据,基于所述演化学习模型、所述统计学习模型、所述深度学习模型分别输出至少一个与当前数据中心的能耗控制参数相比能够降低能源消耗量的候选能耗优化方案的能耗控制参数。
示例性的,基于所述演化学习模型、所述统计学习模型、所述深度学习模型确定的至少一个候选能耗优化方案,确定多样化的候选能耗优化方案。
步骤S103、基于预设的模拟预测模型,对所述候选能耗优化方案进行评估,确定各所述候选能耗优化方案对应的第一评估指标。
示例性的,所述关键指标数据还能够用于训练模拟预测模型,以便通过所述模拟预测模型对所述策略寻优模型确定的至少一个候选能耗优化方案进行评估。
示例性的,所述模拟预测模型可以是通过深度神经网络(Deep Neural Networks,DNN)实现的,当然也不限于此,例如也可以是通过长短期记忆网络(Long Short-TermMemory,LSTM),在此不做赘述。
示例性的,所述模拟预测模型包括状态预测模型和能耗预测模型,其中,所述状态预测模型用于预测数据中心运行状态数据,所述能耗预测模型用于预测数据中心能源消耗数据。
在一些实施方式中,所述步骤能耗优化方法还包括:基于所述自变量数据和所述因变量数据,对用于预测数据中心运行状态数据的状态预测模型进行训练;以及,基于所述自变量数据和所述因变量数据,对用于预测数据中心能源消耗数据的能耗预测模型进行训练。
示例性的,所述状态预测模型用于对所述数据中心运行状态数据进行预测。例如,所述状态预测模型能够根据所述关键数据中的自变量数据确定所述数据中心运行状态数据中的因变量数据。
示例性的,所述能耗预测模型用于对所述数据中心能源消耗数据进行预测。例如,所述能耗预测模型能够根据所述关键数据中的自变量数据确定所述数据中心能源消耗数据中的因变量数据。
请参见图4,图4为本发明实施例提供的一种能耗优化方法的子步骤流程示意图。
如图4所示,在一些实施方式中,步骤S103包括步骤S1031-步骤S1032:步骤S1031、基于所述状态预测模型,对预设时长内执行各所述候选能耗优化方案的数据中心运行状态数据进行预测,确定各所述候选能耗优化方案的运行状态评估指标;步骤S1032、基于所述能耗预测模型,对预设时长内执行各所述候选能耗优化方案的数据中心能源消耗数据进行预测,确定各所述候选能耗优化方案的能源消耗评估指标。
示例性的,将各候选能耗优化方案的能耗控制参数输入所述状态预测模型和所述能耗预测模型,获取所述状态预测模型和所述能耗预测模型对各候选能耗优化方案对应的数据中心运行状态数据、数据中心能源消耗数据的预测结果,以便确定所述目标能耗优化方案。
步骤S104、基于预设的模型间评估方法,根据所述第一评估指标,确定各所述候选能耗优化方案对应的第二评估指标。
示例性的,由于步骤S103得到的第一评估指标包括由状态预测模型确定的运行状态评估指标和由能耗预测模型确定的能源消耗评估指标,需要经过所述模型间评估方法,确定各所述候选能耗优化方案的第二评估指标,即综合考量各所述候选能耗优化方案的运行状态评估指标和能源消耗评估指标,确定各所述候选能耗优化方案中的最优能耗优化方案。
在一些实施方式中,步骤S104包括:基于预设的模型间评估方法,根据所述运行状态评估指标和所述能源消耗评估指标,确定各所述候选能耗优化方案的模型间评估指标。
示例性的,所述模型间评估指标例如可以是根据各所述候选能耗优化方案的运行状态评估指标和能源消耗评估指标确定的帕累托效率(Pareto efficiency),帕累托效率的计算方法在此不做赘述。
示例性的,所述模型间评估方法例如还可以包括DM检验(Diebold-Mariano Test)算法,确定所述模拟预测模型的预测结果的置信度,过滤所述置信度小于预设置信度的预测结果对应的候选能耗优化方案,确保最终的目标能耗优化方案真实可信。
步骤S105、根据所述第二评估指标确定最优能耗优化方案,基于预设的再评估方法,对所述最优能耗优化方案进行再评估。
示例性的,根据步骤S104中得到的第二评估指标确定所述最优能耗优化方案,例如根据各候选能耗优化方案的帕累托效率确定所述最优能耗优化方案。
示例性的,由于数据中心的能耗控制参数对数据中心的运行具有较大的影响,在调整所述能耗控制参数前需要对所述目标能耗优化方案进行反复多次评估检验,以确保所述目标能耗优化方案的可行性。
在一些实施方式中,步骤S105包括:根据预设的各所述能耗控制参数的约束规则,对所述最优能耗优化方案的能耗控制参数进行约束评估;根据预设的经验规则,对所述最优能耗优化方案的能耗控制参数进行专家经验评估;基于所述模拟预测模型和预设的应用效益评估方法,对当前能耗控制参数与所述最优能耗优化方案的能耗控制参数的数据中心能源消耗数据进行应用效益评估。
示例性的,由于所述能耗控制参数具有正常运行的安全范围的约束,一些能耗控制参数之间还存在互斥或者相互依赖的关系,在采取所述目标能耗优化方案前根据能耗控制参数的安全范围确定所述目标能耗优化方案的安全性和可行性。
具体地,例如为了确保数据中心的电子信息设备正常运行,暖通设备的喷淋蒸发量必须维持在大于预设数量,若所述目标能耗优化方案中的喷淋蒸发量大于预设数量,则应用所述目标能耗优化方案。
示例性的,为了确保对数据中心的能耗控制参数进行调节的合理性,可以预先根据实际情况设置经验规则,用于对能耗优化方案进行专家经验评估。
具体地,例如所述最优能耗优化方案可能存在调节幅度较大的能耗控制参数,若直接根据所述最优能耗优化方案进行调节,可能由于能耗控制参数的突变导致数据中心的电子信息设备无法稳定运行。
示例性的,获取所述经验规则中各能耗控制参数的调节阈值,若所述最优能耗优化方案中的能耗控制参数与数据中心当前的能耗控制参数变化幅度大于所述调节阈值,可以设置对所述最优能耗优化方案中的能耗控制参数采取阶梯级调节,即通过多次调节使数据中心的能耗控制参数等于所述最优能耗优化方案的能耗控制参数。
示例性的,基于所述能耗预测模型和预设的应用效益评估方法,确定数据中心当前的能耗控制参数和目标能耗优化方案的控制参数对应的能源消耗数据,所述应用效益评估方法例如可以是:基于所述能耗预测模型,分别确定数据中心应用当前的能耗控制参数和目标能耗优化方案的控制参数的月度、季度、年度能源消耗数据,分别根据当前的能耗控制参数和目标能耗优化方案的控制参数的月度、季度、年度能源消耗数据差值确定应用所述目标能耗优化方案的月度效益、季度效益和年度效益,确定在预设时间内应用所述目标能耗优化方案节省的能源消耗量,若所述节省的能源消耗量大于预设能源消耗量,则应用所述目标能耗优化方案。当然也不限于此,也可以根据预设的转换规则将所述节省的能源消耗量转换为节省的费用,若所述节省的费用大于预设费用,则应用所述目标能耗优化方案,在此不做限定。
步骤S106、根据所述对所述最优能耗优化方案进行再评估的再评估结果,确定所述数据中心的目标能耗优化方案。
示例性的,由于数据中心的能耗控制参数需要确保数据中心的电子信息设备能够稳定运行,经过多级评估才能够将多个候选能耗优化方案中的最优能耗优化方案确定为所述目标能耗优化方案。
具体地,在根据第一评估指标确定第二评估指标,并根据第二评估指标确定候选能耗优化方案中的最优能耗优化方案后,若所述最优能耗优化方案中的能耗控制参数符合所述第三评估指标,将所述最优能耗优化方案确定为所述目标能耗优化方案。
示例性的,再评估过程可以包括对所述最优能耗优化方案根据实际需求进行修改,将修改后的能耗优化方案确定为所述目标能耗优化方案。
步骤S107、根据所述目标能耗优化方案,调整所述数据中心的能耗控制参数。
根据所述目标能耗优化方案,调整所述数据中心的能耗控制参数。
示例性的,将所述目标能耗优化方案下发至所述数据中心,根据所述目标能耗优化方案,调整所述数据中心的能耗控制参数,例如调整数据中心暖通设备的能耗控制参数,以降低所述数据中心整体的能源消耗量。
示例性的,调整数据中心的能耗控制参数经过多次评估检验,为了防止模型确定的目标能耗优化方案出现不合理的地方,输出所述目标能耗优化方案、所述约束评估和所述应用效益评估的结果,供用户参考,以便用户对所述目标能耗优化方案进行确认,提高了能耗优化方法的安全性。
请参照图5,图5为实施本发明实施例提供的能耗优化方法的一场景示意图,如图5所示,能耗优化装置获取数据中心的指标数据,例如获取数据中心的关键指标数据,并基于策略寻优模型确定目标能耗优化方案,将所述目标能耗优化方案下发到所述数据中心。当然也不限于此,例如所述能耗优化装置可以设置在数据中心,在此不做限定。
上述实施例提供的能耗优化方法,获取数据中心的关键指标数据,所述关键指标数据包括:数据中心运行状态数据、数据中心能源消耗数据中的至少一者;基于预设的策略寻优模型,根据所述关键指标数据确定至少一个候选能耗优化方案;基于预设的模拟预测模型,对所述候选能耗优化方案进行评估,确定目标能耗优化方案;根据所述目标能耗优化方案,调整所述数据中心的能耗控制参数。本发明实施例的技术方案能够根据获取到的数据中心的各项指标确定能耗优化方案,降低数据中心的能源消耗量的同时保证数据中心安全、稳定运行。
请参阅图6,图6为本发明实施例提供的一种能耗优化系统的结构示意性框图。
如图6所示,本发明实施例提供的能耗优化系统包括:指标数据获取模块110,用于获取数据中心的关键指标数据,所述关键指标数据包括:数据中心运行状态数据、数据中心能源消耗数据;策略融合寻优模块120,用于基于预设的策略融合寻优模型,根据所述关键指标数据确定至少一个候选能耗优化方案;模拟预测评估模块130,用于基于预设的模拟预测模型,对所述候选能耗优化方案进行评估,确定各所述候选能耗优化方案对应的第一评估指标;模型间评估模块140,用于基于预设的模型间评估方法,根据所述第一评估指标,确定各所述候选能耗优化方案对应的第二评估指标;再评估模块150,用于根据所述第二评估指标确定最优能耗优化方案,基于预设的再评估方法,对所述最优能耗优化方案进行再评估;目标方案确定模块160,用于根据所述对所述最优能耗优化方案进行再评估的再评估结果,确定所述数据中心的目标能耗优化方案;控制参数调整模块170,用于根据所述目标能耗优化方案,调整所述数据中心的能耗控制参数。
可以理解的,本实施例为与上述方法实施例对应的系统实施例,本实施例可以与上述方法实施例互相配合实施。上述实施例中提到的相关技术细节和技术效果在本实施例中依然有效,为了减少重复,这里不再赘述。相应地,本实施例中提到的相关技术细节也可应用在上述实施例中。
需要说明的是,本系统实施例主要是针对方法实施例提供的模型获取方法在软件实现层面上的描述,其实现还需要依托于硬件的支持,如相关模块的功能可以被部署到处理器上,以便处理器运行实现相应的功能,特别地,运行产生的相关数据可以被存储到存储器中以便后续检查和使用。
值得一提的是,本实施例中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本申请的创新部分,本实施例中并没有将与解决本申请所提出的技术问题关系不太密切的单元引入,但这并不表明本实施例中不存在其它的单元。
请参阅图7,图7为本发明实施例提供的一种能耗优化装置的结构示意性框图。
如图7所示,能耗优化装置300包括处理器301和存储器302,处理器301和存储器302通过总线303连接,该总线比如为I2C(Inter-integrated Circuit)总线。
具体地,处理器301用于提供计算和控制能力,支撑整个能耗优化装置的运行。处理器301可以是中央处理单元(Central Processing Unit,CPU),该处理器301还可以是其他通用处理器、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、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
具体地,存储器302可以是Flash芯片、只读存储器(ROM,Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本发明实施例相关的部分结构的框图,并不构成对本发明实施例所应用于其上的能耗优化装置的限定,具体的能耗优化装置可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器用于运行存储在存储器中的计算机程序,并在执行所述计算机程序时实现本发明实施例提供的任意一种所述的能耗优化方法。
在一实施例中,所述处理器用于运行存储在存储器中的计算机程序,并在执行所述计算机程序时实现如下步骤:
获取数据中心的关键指标数据,所述关键指标数据包括:数据中心运行状态数据、数据中心能源消耗数据;
基于预设的策略融合寻优模型,根据所述关键指标数据确定至少一个候选能耗优化方案;
基于预设的模拟预测模型,对所述候选能耗优化方案进行评估,确定各所述候选能耗优化方案对应的第一评估指标;
基于预设的模型间评估方法,根据所述第一评估指标,确定各所述候选能耗优化方案对应的第二评估指标;
根据所述第二评估指标确定最优能耗优化方案,基于预设的再评估方法,对所述最优能耗优化方案进行再评估;
根据所述对所述最优能耗优化方案进行再评估的再评估结果,确定所述数据中心的目标能耗优化方案;
根据所述目标能耗优化方案,调整所述数据中心的能耗控制参数。
在一实施例中,所述处理器在实现所述获取数据中心的关键指标数据时,用于实现:
通过预设的检测点获取所述数据中心的指标数据;
基于预设的数据分析算法对所述指标数据进行分析,确定所述关键指标数据以及所述关键指标数据中的自变量数据和因变量数据。
在一实施例中,所述处理器在实现所述能耗优化方法时,用于实现:
根据所述自变量数据和所述因变量数据,对所述演化学习模型进行训练;
根据所述自变量数据和所述因变量数据,对所述统计学习模型进行训练;
根据所述自变量数据和所述因变量数据,对所述深度学习模型进行训练。
在一实施例中,所述处理器在实现所述基于预设的策略寻优模型,根据所述关键指标数据确定至少一个候选能耗优化方案时,用于实现:
基于所述演化学习模型,根据实时获取的关键指标数据确定至少一个所述候选能耗优化方案的能耗控制参数;以及
基于所述统计学习模型,根据实时获取的关键指标数据确定至少一个所述候选能耗优化方案的能耗控制参数;以及
基于所述深度学习模型,根据实时获取的关键指标数据确定至少一个所述候选能耗优化方案的能耗控制参数。
在一实施例中,所述处理器在实现所述能耗优化方法时,用于实现:
基于所述自变量数据和所述因变量数据,对用于预测数据中心运行状态数据的状态预测模型进行训练;以及,
基于所述自变量数据和所述因变量数据,对用于预测数据中心能源消耗数据的能耗预测模型进行训练。
在一实施例中,所述处理器在实现所述基于预设的模拟预测模型,对所述候选能耗优化方案进行评估,确定各所述候选能耗优化方案对应的第一评估指标时,用于实现:
基于所述状态预测模型,对预设时长内执行各所述候选能耗优化方案的数据中心运行状态数据进行预测,确定各所述候选能耗优化方案的运行状态评估指标;
基于所述能耗预测模型,对预设时长内执行各所述候选能耗优化方案的数据中心能源消耗数据进行预测,确定各所述候选能耗优化方案的能源消耗评估指标。
在一实施例中,所述处理器在实现所述基于预设的模型间评估方法,根据所述第一评估指标,确定各所述候选能耗优化方案对应的第二评估指标时,用于实现:
基于预设的模型间评估方法,根据所述运行状态评估指标和所述能源消耗评估指标,确定各所述候选能耗优化方案的模型间评估指标。
在一实施例中,所述处理器在实现所述基于预设的再评估方法,对所述最优能耗优化方案进行再评估时,用于实现:
根据预设的各所述能耗控制参数的约束规则,对所述最优能耗优化方案的能耗控制参数进行约束评估;
根据预设的经验规则,对所述最优能耗优化方案的能耗控制参数进行专家经验评估;
基于所述模拟预测模型和预设的应用效益评估方法,对当前能耗控制参数与所述最优能耗优化方案的能耗控制参数的数据中心能源消耗数据进行应用效益评估。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的能耗优化装置的具体工作过程,可以参考前述能耗优化方法实施例中的对应过程,在此不再赘述。
本发明实施例还提供一种存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如本发明实施例提供的任一项能耗优化方法的步骤。
其中,所述存储介质可以是前述实施例所述的能耗优化装置的内部存储单元,例如所述能耗优化装置的硬盘或内存。所述存储介质也可以是所述能耗优化装置的外部存储设备,例如所述能耗优化装置上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种能耗优化方法,其特征在于,所述方法包括:
获取数据中心的关键指标数据,所述关键指标数据包括:数据中心运行状态数据、数据中心能源消耗数据;
基于预设的策略融合寻优模型,根据所述关键指标数据确定至少一个候选能耗优化方案;
基于预设的模拟预测模型,对所述候选能耗优化方案进行评估,确定各所述候选能耗优化方案对应的第一评估指标;
基于预设的模型间评估方法,根据所述第一评估指标,确定各所述候选能耗优化方案对应的第二评估指标;
根据所述第二评估指标确定最优能耗优化方案,基于预设的再评估方法,对所述最优能耗优化方案进行再评估;
根据所述对所述最优能耗优化方案进行再评估的再评估结果,确定所述数据中心的目标能耗优化方案;
根据所述目标能耗优化方案,调整所述数据中心的能耗控制参数。
2.根据权利要求1所述的能耗优化方法,其特征在于,所述获取数据中心的关键指标数据,包括:
通过预设的检测点获取所述数据中心的指标数据;
基于预设的数据分析算法对所述指标数据进行分析,确定所述关键指标数据以及所述关键指标数据中的自变量数据和因变量数据。
3.根据权利要求2所述的能耗优化方法,其特征在于,所述策略融合寻优模型包括演化学习模型、统计学习模型、深度学习模型,所述方法还包括:
根据所述自变量数据和所述因变量数据,对所述演化学习模型进行训练;
根据所述自变量数据和所述因变量数据,对所述统计学习模型进行训练;
根据所述自变量数据和所述因变量数据,对所述深度学习模型进行训练。
4.根据权利要求3所述的能耗优化方法,其特征在于,所述基于预设的策略融合寻优模型,根据所述关键指标数据确定至少一个候选能耗优化方案,包括:
基于所述演化学习模型,根据实时获取的关键指标数据确定至少一个所述候选能耗优化方案的能耗控制参数;以及
基于所述统计学习模型,根据实时获取的关键指标数据确定至少一个所述候选能耗优化方案的能耗控制参数;以及
基于所述深度学习模型,根据实时获取的关键指标数据确定至少一个所述候选能耗优化方案的能耗控制参数。
5.根据权利要求2所述的能耗优化方法,其特征在于,所述模拟预测模型包括状态预测模型和能耗预测模型,所述方法还包括:
基于所述自变量数据和所述因变量数据,对用于预测数据中心运行状态数据的状态预测模型进行训练;以及,
基于所述自变量数据和所述因变量数据,对用于预测数据中心能源消耗数据的能耗预测模型进行训练。
6.根据权利要求5所述的能耗优化方法,其特征在于,所述第一评估指标包括运行状态评估指标和能源消耗评估指标;所述基于预设的模拟预测模型,对所述候选能耗优化方案进行评估,确定各所述候选能耗优化方案对应的第一评估指标,包括:
基于所述状态预测模型,对预设时长内执行各所述候选能耗优化方案的数据中心运行状态数据进行预测,确定各所述候选能耗优化方案的运行状态评估指标;
基于所述能耗预测模型,对预设时长内执行各所述候选能耗优化方案的数据中心能源消耗数据进行预测,确定各所述候选能耗优化方案的能源消耗评估指标。
7.根据权利要求6所述的能耗优化方法,其特征在于,所述基于预设的模型间评估方法,根据所述第一评估指标,确定各所述候选能耗优化方案对应的第二评估指标,包括:
基于预设的模型间评估方法,根据所述运行状态评估指标和所述能源消耗评估指标,确定各所述候选能耗优化方案的模型间评估指标。
8.根据权利要求7所述的能耗优化方法,其特征在于,所述基于预设的再评估方法,对所述最优能耗优化方案进行再评估,包括:
根据预设的各所述能耗控制参数的约束规则,对所述最优能耗优化方案的能耗控制参数进行约束评估;
根据预设的经验规则,对所述最优能耗优化方案的能耗控制参数进行专家经验评估;
基于所述模拟预测模型和预设的应用效益评估方法,对当前能耗控制参数与所述最优能耗优化方案的能耗控制参数的数据中心能源消耗数据进行应用效益评估。
9.一种能耗优化系统,其特征在于,所述能耗优化系统包括:
指标数据获取模块,用于获取数据中心的关键指标数据,所述关键指标数据包括:数据中心运行状态数据、数据中心能源消耗数据;
策略融合寻优模块,用于基于预设的策略融合寻优模型,根据所述关键指标数据确定至少一个候选能耗优化方案;
模拟预测评估模块,用于基于预设的模拟预测模型,对所述候选能耗优化方案进行评估,确定各所述候选能耗优化方案对应的第一评估指标;
模型间评估模块,用于基于预设的模型间评估方法,根据所述第一评估指标,确定各所述候选能耗优化方案对应的第二评估指标;
再评估模块,用于根据所述第二评估指标确定最优能耗优化方案,基于预设的再评估方法,对所述最优能耗优化方案进行再评估;
目标方案确定模块,用于根据所述对所述最优能耗优化方案进行再评估的再评估结果,确定所述数据中心的目标能耗优化方案;
控制参数调整模块,用于根据所述目标能耗优化方案,调整所述数据中心的能耗控制参数。
10.一种能耗优化装置,其特征在于,所述能耗优化装置包括处理器、存储器、存储在所述存储器上并可被所述处理器执行的计算机程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,其中所述计算机程序被所述处理器执行时,实现如权利要求1至8中任一项所述的能耗优化方法的步骤。
11.一种存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至8中任一项所述的能耗优化方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210760080.5A CN117391224A (zh) | 2022-06-30 | 2022-06-30 | 能耗优化方法、系统、装置及存储介质 |
PCT/CN2023/102504 WO2024002026A1 (zh) | 2022-06-30 | 2023-06-26 | 能耗优化方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210760080.5A CN117391224A (zh) | 2022-06-30 | 2022-06-30 | 能耗优化方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117391224A true CN117391224A (zh) | 2024-01-12 |
Family
ID=89382914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210760080.5A Pending CN117391224A (zh) | 2022-06-30 | 2022-06-30 | 能耗优化方法、系统、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117391224A (zh) |
WO (1) | WO2024002026A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11183845B2 (en) * | 2016-07-18 | 2021-11-23 | Siemens Aktiengesellschaft | Method, computer program product, device, and energy cluster service system for managing control targets, in particular load balancing processes, when controlling the supply, conversion, storage, infeed, distribution, and/or use of energy in an energy network |
JP6465231B1 (ja) * | 2018-03-12 | 2019-02-06 | 富士通株式会社 | 最適化装置及び最適化装置の制御方法 |
CN111144950B (zh) * | 2019-12-30 | 2023-06-30 | 北京顺丰同城科技有限公司 | 模型筛选方法、装置、电子设备及存储介质 |
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 |
CN114186865A (zh) * | 2021-12-13 | 2022-03-15 | 南京凯盛国际工程有限公司 | 一种基于机器学习的流程工业能耗评估及优化方法 |
-
2022
- 2022-06-30 CN CN202210760080.5A patent/CN117391224A/zh active Pending
-
2023
- 2023-06-26 WO PCT/CN2023/102504 patent/WO2024002026A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024002026A1 (zh) | 2024-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102237654B1 (ko) | 타겟 시스템들을 제어하기 위한 예측 사용 | |
NO20230419A1 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
WO2020123985A1 (en) | Explainability-based adjustment of machine learning models | |
US9619848B2 (en) | Techniques to determine settings for an electrical distribution network | |
US9299042B2 (en) | Predicting edges in temporal network graphs described by near-bipartite data sets | |
US20170082665A1 (en) | Detecting Non-Technical Losses in Electrical Networks Based on Multi-Layered Statistical Techniques from Smart Meter Data | |
CN114285728A (zh) | 一种预测模型训练方法、流量预测方法、装置及存储介质 | |
US10161269B2 (en) | Output efficiency optimization in production systems | |
CN113486584B (zh) | 设备故障的预测方法、装置、计算机设备及计算机可读存储介质 | |
CN109460003A (zh) | 车辆故障预测建模方法及系统 | |
Lee et al. | Energy consumption prediction system based on deep learning with edge computing | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
Song et al. | Dynamic thermal line rating model of conductor based on prediction of meteorological parameters | |
Assis et al. | Unsupervised machine learning techniques applied to composite reliability assessment of power systems | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
CN117391224A (zh) | 能耗优化方法、系统、装置及存储介质 | |
CN115529315B (zh) | 一种云边协同系统 | |
CN115033893B (zh) | 一种改进型聚类算法的信息漏洞数据分析方法 | |
WO2019186243A1 (en) | Global data center cost/performance validation based on machine intelligence | |
CN115204698A (zh) | 一种低压台区供电稳定性的实时分析方法 | |
CN116804964A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
KR102135719B1 (ko) | 부품 관리 장치 및 이의 동작 방법 | |
CN117236571B (zh) | 一种基于物联网的规划方法和系统 | |
CN114650190B (zh) | 数据中心网络的节能方法、系统、终端设备及存储介质 | |
CN111260191B (zh) | 测试床成熟度量化方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |