CN114066071B - 一种基于能耗的电力参数优化方法、终端设备及存储介质 - Google Patents
一种基于能耗的电力参数优化方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN114066071B CN114066071B CN202111375172.3A CN202111375172A CN114066071B CN 114066071 B CN114066071 B CN 114066071B CN 202111375172 A CN202111375172 A CN 202111375172A CN 114066071 B CN114066071 B CN 114066071B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- parameter
- strategy
- characteristic parameters
- power characteristic
- 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 158
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000002787 reinforcement Effects 0.000 claims abstract description 7
- 238000003066 decision tree Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 description 16
- 238000002474 experimental method Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 5
- 238000009423 ventilation Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于能耗的电力参数优化方法、终端设备及存储介质，该方法中包括：通过特征选择算法对各设备电力特征参数进行特征筛选；构建基于LSTM网络的能耗预测模型，通过特征筛选后的设备电力特征参数对应的参数值和整体能耗指标对应的参数值对能耗预测模型进行训练；将训练后的能耗预测模型与基于强化学习的策略网络相结合，利用能耗预测模型对策略网络智能体给出的优化策略进行评估，对策略网络进行训练后得到能够输出各参数的最优调整策略及其评估结果的智能体；通过训练后的智能体得到最优的参数调整策略。本发明能够对能耗进行准确预测，且能够进一步提出能耗的优化建议。
Description
技术领域
本发明涉及电力系统领域，尤其涉及一种基于能耗的电力参数优化方法、终端设备及存储介质。
背景技术
现有的机房能耗管理系统过度依赖物理建模，需要大量人工计算和评估，自动化和智能化程度低。并且，对于海量的信息和数据，人工分析方式速度较慢，效率不高。
为了更加有效地分析能耗利用情况和PUE(Power Usage Effectiveness)指标，出现了一批基于机器学习或深度学习的能耗分析技术，然而，当前面向数据中心的能效分析方法，只能做到对数据中心能耗和PUE的分析及统计，无法实时给出具体的降低能耗的优化策略。同时，这些分析方法忽视了能够引起能耗波动的动态因素或设备参数的动态变化，对于能耗的分析停留于静态能耗数据，难以适应能耗的波动并实现实时调控，无法适应动态场景下的能耗管理需求。
发明内容
为了解决上述问题，本发明提出了一种基于能耗的电力参数优化方法、终端设备及存储介质。
具体方案如下：
一种基于能耗的电力参数优化方法，包括以下步骤：
S1：采集待研究区域在不同时间段内的各设备电力特征参数和整体能耗指标对应的参数值；
S2：根据步骤S1采集的数据，通过特征选择算法对各设备电力特征参数进行特征筛选；
S3：构建基于LSTM网络的能耗预测模型，通过特征筛选后的设备电力特征参数对应的参数值和整体能耗指标对应的参数值对能耗预测模型进行训练，使得训练后的模型输出的整体能耗指标的参数值与步骤S1采集的整体能耗指标的参数值的差异最小；
S4：将训练后的能耗预测模型与基于强化学习的策略网络相结合，利用能耗预测模型对策略网络智能体给出的优化策略进行评估，对策略网络进行训练后得到能够输出各参数的最优调整策略及其评估结果的智能体；
S5：将当前时间段内的待研究区域中经过特征筛选后的各设备电力特征参数的参数值输入训练后的能耗预测模型后，得到待研究区域未来时间段内的整体能耗指标的参数值，将当前时间段内经过特征筛选后的各设备电力特征参数的参数值和未来时间段内的整体能耗指标的参数值共同输入训练后的智能体内，输出得到最优的参数调整策略。
进一步的，步骤S2中特征选择算法采用GBDT特征选择算法。
进一步的，采用GBDT特征选择算法进行特征筛选的过程包括以下步骤：
S21：计算每个设备电力特征参数与整体能耗指标的分布混淆度；
S22：根据计算的分布混淆度，提取所有设备电力特征参数中与整体能耗指标的分布混淆度小于分布混淆度阈值的设备电力特征参数；
S23：根据提取的设备电力特征参数所对应的参数值构建决策树，不同时间段的设备电力特征参数的参数值组成不同的决策树，所有决策树组成决策树森林，并对各决策树进行训练；
S24：根据训练后的树结构，计算各设备电力特征参数在每颗树中的重要度：
其中，表示设备电力特征参数j在每颗树中的重要度，M表示决策树中的叶子节点数量，M-1表示决策树中的非叶子节点数量，i表示节点的序号，vi表示节点i对应的设备电力特征参数，表示第i个节点分裂后的损失函数减少值；
S25：根据各设备电力特征参数在每颗树中的重要度，计算各设备电力特征参数在决策树森林中的重要度：
其中，表示设备电力特征参数j在决策树森林中的重要度；
S26：按照各设备电力特征参数在决策树森林中的重要度由大到小的顺序，对各设备电力特征参数进行排序，提取前n个设备电力特征参数作为特征筛选后的结果。
进一步的，步骤S21中任意两个参数的分布混淆度f的计算公式为：
其中，μ1和μ2分别表示两参数在所有时间段内对应的参数值的均值，α1和α2分别表示两参数在所有时间段内对应的参数值的方差。
进一步的，步骤S23中对各决策树进行训练的方法为：遍历决策树中所有可能的树结构，计算每种树结构对应的损失函数值，得到损失函数最小的树结构；
损失函数L的计算公式为：
其中，xk表示第k个时间段内提取的设备电力特征参数所对应的参数值，k表示时间段的序号，K表示时间段总数，ft表示数据映射到决策树的叶子节点的索引映射函数，t表示训练时的迭代次数，gk和hk分别表示一阶导数和二阶导数，yk表示第k个时间段内的实际能耗值，ypi表示第k个时间段内的预测能耗值。
进一步的，步骤S4具体包括以下步骤：
S401：设定各参数的约束条件；
S402：根据各参数的约束条件构建策略产生器，使其能够输出各参数的满足设定的约束条件的调整策略，通过策略产生器输出多条调整策略；
S403：将训练后的能耗预测模型作为策略评估器，将每条调整策略对应的参数调整值与原始参数值叠加后，分别输入策略评估器内，得到各调整策略对应的预测能耗值，并根据预测能耗值与实际能耗值得差异大小，得到各调整策略对应的评估结果；若该调整策略对应的预测能耗值小于实际能耗值，说明该调整策略能够降低能耗，则赋予该调整策略一定的奖励值，否则奖励值为0；
S404：构建智能体，设定智能体的输入为原始参数值、各调整策略，及各调整策略对应的预测能耗值，智能体的输出为各调整策略对应的评估结果，对智能体进行训练，使得训练后的智能体能够输出最优调整策略及其对应的评估结果。
进一步的，步骤S404中构建的智能体采用8层全连接层的神经网络，第一层含有128个神经元，最后一层含有1个神经元，中间各层含有的神经元个数逐层减少，除最后一层外，每层均采用Relu激活函数，最后一层采用softmax激活函数，损失函数类型为均方误差。
一种基于能耗的电力参数优化终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案，并具有以下有益效果：
1.建立基于特征选择的数据筛选机制，针对数据中心设备多样性、参数异构性、耦合关系复杂的特点，筛选出不同情况下影响数据中心PUE和能耗指标的关键数据，高效准确的淘汰冗余数据，实现了数据整体质量的增强。
2.首次实现动态时序化的PUE指标和能耗预测，利用时序神经网络中的长、短周期，有效捕捉能耗突变参数特性和渐变参数信息，高实时性、高准确性地预测能耗与PUE指标。
3.针对数据中心数据参数量多、种类丰富导致的调参困难的问题，设计了能耗预测模型与强化学习相结合的自动化参数调整机制，克服了目前依赖于数学建模的参数调整机制存在的流程复杂、自动化程度低等缺点，同时通过理论数值环境下的仿真参数变化研究，避免了物理调参所带来的风险。
附图说明
图1所示为本发明实施例一的流程图。
图2所示为该实施例中策略网络对应的流程图。
图3所示为该实施例中一段时间内预测PUE和实际PUE对比图。
图4所示为该实施例中按照最优参数调整后的IT设备能耗的变化情况对比图。
图5所示为该实施例中按照最优参数调整后的暖通设备能耗的变化情况对比图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一：
本发明实施例提供了一种基于能耗的电力参数优化方法，如图1所示，所述方法包括以下步骤：
S1：采集待研究区域在不同时间段内的各设备电力特征参数和整体能耗指标对应的参数值。
由于待研究区域包含的电力设备类型多样、数量众多，因此设备电力特征参数包含多种设备中的多种类型的数据。
S2：根据步骤S1采集的数据，通过特征选择算法对各设备电力特征参数进行特征筛选。
该实施例中特征选择算法采用GBDT(Gradient Boosting Decision Tree，梯度提升决策树)特征选择算法，具体包括以下步骤：
S21：计算每个设备电力特征参数与整体能耗指标的分布混淆度。
步骤S21用于去除设备电力特征参数中无用的维度，这些无用的维度对于能耗的影响并不大，为了加快处理速度，因此将其去除。此处的维度对应不同的设备电力特征参数，一个参数作为一个维度。
由于各电力设备类型多样、数量众多且不同设备电力特征参数的物理意义差别较大，因此该实施例中采用最大Fisher判别率对不同设备电力特征参数之间的分布混淆度进行计算，具体计算公式为：
其中，μ1和μ2分别表示两参数在所有时间段内对应的参数值的均值，α1和α2分别表示两参数在所有时间段内对应的参数值的方差。
S22：根据计算的分布混淆度，提取所有设备电力特征参数中与整体能耗指标的分布混淆度小于分布混淆度阈值的设备电力特征参数。
该实施例中的设备电力特征参数的提取采用前向搜索和后向搜索相结合的双向搜索策略，前向搜索以整体能耗指标作为初始候选子集，逐渐增加与整体能耗指标相关的设备电力特征参数，即与整体能耗指标之间的分布混淆度小的设备电力特征参数；后向搜索从所有设备电力特征参数组成的集合开始，逐个判断各设备电力特征参数与整体能耗指标之间的分布混淆度，筛选出分布混淆度较大的设备电力特征参数并从集合中剔除。
S23：根据提取的设备电力特征参数所对应的参数值构建决策树，不同时间段的设备电力特征参数的参数值组成不同的决策树，所有决策树组成决策树森林，并对各决策树进行训练。
步骤S23用于对设备电力特征参数中剩余的维度按重要性进行排序，选取出最重要的那些维度。
该实施例中对各决策树进行训练的方法为：遍历决策树中所有可能的树结构，计算每种树结构对应的损失函数值，得到损失函数最小的树结构。
损失函数L以整体能耗指标或PUE指标作为回归目标，以均方损失作为误差，具体计算公式为：
其中，xk表示第k个时间段内提取的设备电力特征参数所对应的参数值，k表示时间段的序号，K表示时间段总数，ft表示数据映射到决策树的叶子节点的索引映射函数，t表示训练时的迭代次数，gk和hk分别表示一阶导数和二阶导数，yk表示第k个时间段内的实际能耗值，ypi表示第k个时间段内的预测能耗值。
S24：根据训练后的树结构，计算各设备电力特征参数在每颗树中的重要度：
其中，表示设备电力特征参数j在每颗树中的重要度，M表示决策树中的叶子节点数量，M-1表示决策树中的非叶子节点数量，i表示节点的序号，vi表示节点i对应的设备电力特征参数，表示第i个节点分裂后的损失函数减少值；
S25：根据各设备电力特征参数在每颗树中的重要度，计算各设备电力特征参数在决策树森林中的重要度：
其中，表示设备电力特征参数j在决策树森林中的重要度；
S26：按照各设备电力特征参数在决策树森林中的重要度由大到小的顺序，对各设备电力特征参数进行排序，提取前n个设备电力特征参数作为特征筛选后的结果。
S3：构建基于LSTM网络(长短周期记忆网络)的能耗预测模型，通过特征筛选后的设备电力特征参数对应的参数值和整体能耗指标对应的参数值对能耗预测模型进行训练，使得训练后的模型输出的整体能耗指标的参数值与步骤S1采集的整体能耗指标的参数值的差异最小。
利用LSTM网络长、短周期数据处理能力，融合相应的时间序列，能够捕捉随时间变化下，渐变性参数和突变性参数的变化规律，不遗漏突变参数和渐变参数蕴藏的不同信息。
该实施例中的能耗预测模型中，对输入数据使用多层LSTM进行处理，同时将前数个小时和当前小时的设备参数作为模型输入。具体运算公式如下：
it＝σ(Wi*[yt-1,xt]+bi)
ft＝σ(Wf*[yt-1,xt]+bf)
ot＝σ(WO*[yt-1,xt]+bO)
yt＝ottanh(Ct)
其中，Wi，Wf，WO，WC为LSTM参数，bi，bf，bO，bC为LSTM偏置，在实际使用中，针对d维的输入数据，将LSTM输入层的神经元设置为d个，输入的时间序列长度为2，LSTM输出维度为2d维，作为LSTM提取的动态特征输入到9层全连接层进行回归任务，第一层含有512个神经元，中间各层所含神经元逐层降低为上一层的一半，最后一层包含2个神经元，负责输出预测的两个整体能耗指标，即能耗值和PUE指标。
进一步的，在步骤S3中还可以增加半监督学习方法，解决目前数据短缺和不均衡的问题，提高对于实际情况的适用性。
S4：将训练后的能耗预测模型与基于强化学习的策略网络相结合，利用能耗预测模型对策略网络智能体给出的优化策略进行评估，对策略网络进行训练后得到能够输出各参数的最优调整策略及其评估结果的智能体。
参考图2所示，步骤S4具体包括以下步骤：
S401：设定各参数的约束条件。
该实施例中约束条件包括参数的数值下限和数值上限，如对于空调参数的约束条件为数值上下限分别为10度和30度，调整步长为0.2度/步，湿度上下限分别为30％和80％，步长设置为每步调整5％。在实际使用中，可以根据实际情况，设置各个参数的理论上下限及调整步长，供强化学习在参数调整过程中实现自我约束，当达到参数设定的数值上下限后，优化自动停止。
S402：根据各参数的约束条件构建策略产生器，使其能够输出各参数的满足设定的约束条件的调整策略，通过策略产生器输出多条调整策略。
该实施例中策略产生器针对每个参数均输出2条调整策略，分别为增高和降低的策略。
S403：将训练后的能耗预测模型作为策略评估器，将每条调整策略对应的参数调整值与原始参数值叠加后，分别输入策略评估器内，得到各调整策略对应的预测能耗值，并根据预测能耗值与实际能耗值得差异大小，得到各调整策略对应的评估结果；若该调整策略对应的预测能耗值小于实际能耗值，说明该调整策略能够降低能耗，则赋予该调整策略一定的奖励值，否则奖励值为0。
S404：构建智能体，设定智能体的输入为原始参数值、各调整策略，及各调整策略对应的预测能耗值，智能体的输出为各调整策略对应的评估结果，对智能体进行训练，使得训练后的智能体能够输出最优调整策略及其对应的评估结果。
该实施例中智能体采用8层全连接层的神经网络，第一层含有128个神经元，最后一层含有1个神经元，中间各层含有的神经元个数逐层减少，除最后一层外，每层均采用Relu激活函数，最后一层采用softmax激活函数，损失函数类型为均方误差。智能体内部神经网络的训练采用Adam算法进行。
S5：将当前时间段内的待研究区域中经过特征筛选后的各设备电力特征参数的参数值输入训练后的能耗预测模型后，得到待研究区域未来时间段内的整体能耗指标的参数值，将当前时间段内经过特征筛选后的各设备电力特征参数的参数值和未来时间段内的整体能耗指标的参数值共同输入训练后的智能体内，输出得到最优的参数调整策略。
进一步的，在步骤S5得到参数调整策略后，还可以通过部署传感器和自动化控制器进一步实现自动化控制，因此该实施例中还可包括步骤S6：根据参数调整策略进行设备参数的实时控制。
实验验证
本实施例采用的实验中采用某信息中心产生的真实数据，利用包括空调在内的众多设备参数对数据中心的能耗情况和相关指标进行预测，并进一步提出优化策略。经实地验证，本实施例方法能够准确预测能耗情况，提出的优化策略有效降低能耗水平，对数据中心的节能减排和经济效益具有积极作用。
1.实验背景
本实验采用的数据来自于某数据中心的8个月内产生的能耗及设备使用情况，通过该数据中心开放的接口每小时读取一个样本，对应上一小时的能耗情况和设备参数。
该数据中心目前有两大类、100余种、共1000余个设备，两类设备具体包括：
(1)IT设备：负责海量数据的存储和备份，包含服务器主机、UPS设备、机架、高低压配电柜等。这些设备在运行过程中会持续发热，需要不断降温来保持正常运行。
(2)暖通设备：主要是各类水冷风冷设备，负责为IT设备降低温度，保证IT设备的正常运行。具体包含精密空调、送风机、水塔、高压水泵、各类阀门等。
本实验中所指的整体能耗指标包含PUE指标和能耗值，其中能耗值为实验所在的数据中心的IT设备能耗和暖通设备能耗的总和。IT设备能耗和暖通设备能耗统一以用电量作为衡量标准，单位为千瓦时(Kwh)。
2.设备参数情况
该数据中心设备种类众多，物理特性多样，经归纳整理，可大致分为以下两类：
(1)数值型数据：
不可调整数据：测量到的环境温度、湿度等，共1800多维；
可调整数据：空调的设定温度和设定温度，共66维。
(2)枚举型数据：
如阀门的开/关，报警器正常/报警，控制模式手动/自动，共40000多维。
3.实验目标
本实验目标是对PUE和能耗水平进行预测和优化，提前感知PUE峰值并分析降低能耗的具体措施。具体实验目标包括：
(1)准确预测数据中心每小时的PUE值，拟合PUE指标随时间变化的曲线，提前预测PUE峰值，便于监控人员及时进行操作，降低PUE水平，提高能源利用率。
(2)通过调整数据中心各类设备的参数，寻找能使能耗水平降低并保持相对稳定的最优参数配置，优化数据中心的能源消耗情况，实现节能减排和成本降低。
4.实验步骤
(1)基于GBDT特征选择算法的特征筛选
对于2020年2月至2020年10月该数据中心的各设备电力特征参数进行特征筛选，共1852条可用数据，每条数据46000维，利用GBDT筛选出700维作为后续模型的输入数据。最终得到1852条维度为700的可用数据。
(2)基于能耗预测模型的整体能耗指标预测
能耗预测模型选用长短周期记忆模型，即LSTM(Long Short-Term Memory)对该数据中心每小时的PUE指标和具体能耗值进行预测。LSTM模型接收步骤(1)中得到的1852条训练数据进行训练，设定输入层包含神经元200个，输出预测的PUE和能耗值。时间窗口长度为2，代表利用前两小时数据预测下一小时的PUE和能耗值。
在训练完毕后，利用训练好的能耗预测模型对每小时的能耗指标进行预测，观察一段时间内模型的预测准确率。
(3)基于策略网络的能耗优化
在预测到数据中心的整体能耗指标的参数值后，选用强化学习中的策略网络(Policy Network)模型调节数据中心各项设备的参数，如精密空调的温度设定值、水塔水压、送风机风速等。寻找能使能耗降低的空调最优温度、最优风速等，提高散热效率，降低数据中心能耗并减小能耗波动，控制能耗稳定。策略网络接收每小时数据中心产生的数据作为输入，输出优化后的建议设备参数值。数据中心技术人员根据策略网络的建议设备参数值对各个设备的设定参数进行调整，并观察之后数据中心每小时的能耗指标变化。
5.实验结果
(1)PUE预测结果
如图3所示，使用本实施例方法对数据中心的PUE指标进行预测，观察120小时内的预测结果。可以发现，本实施例方法精确预测到PUE使用峰值，实际PUE曲线和预测PUE曲线的峰值基本一致。
如表1所示，在这段时间内，实际PUE的平均值为1.5029，方差为0.6577×10-3，PUE预测结果的平均值为1.5032，方差为0.6623×10-3。整体误差控制在7％以内。
表1
| 实际值 | 预测值 | 误差百分比 | |
| 均值 | 1.5029 | 1.5032 | 0.0199％ |
| 方差 | 0.6577×10-3 | 0.6623×10-3 | 6.99％ |
(2)能耗优化结果
按照数据中心规定，无法调整水泵及离心机等大型设备，仅能调整精密空调的温度和湿度，故如图4和图5所示，根据策略网络给出的最优参数，对数据中心精密空调的最优设定温度和湿度进行现场实测前后24小时内能耗水平的变化，可以发现，IT系统每小时的平均能耗从1222.5Kwh降低至1218.45Kwh，暖通系统每小时平均能耗从754.36Kwh降低至740.90Kwh。平均每小时降低能耗17.51Kwh。
除此之外，如表2所示，在调整参数后，不仅能耗的平均水平得到了降低，能耗的方差也进一步减小，能耗水平趋于稳定。
表2
实验结果表明：
(1)本实验在进行特征筛选的基础上完成了数据中心PUE指标的准确预测，经实地实测，整体预测误差控制在7％以内。
(2)本实验在对PUE进行预测的基础上，提出降低能耗的优化建议，经实地实测，采用本实验提供的优化建议后，数据中心平均每小时能耗降低17.51Kwh，并且能耗波动情况出现明显改善，能耗水平整体降低并更加稳定。
(3)按平均每小时降低能耗17.51Kwh，电价0.75元/Kwh的标准进行估算，本实验可为数据中心每年节约用电量153387.6Kwh，节约电费11.5万元。可见，本实验具有较大的经济效益和环保效益。
实施例二：
本发明还提供一种基于能耗的电力参数优化终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地，作为一个可执行方案，所述基于能耗的电力参数优化终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于能耗的电力参数优化终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述基于能耗的电力参数优化终端设备的组成结构仅仅是基于能耗的电力参数优化终端设备的示例，并不构成对基于能耗的电力参数优化终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于能耗的电力参数优化终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，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。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，所述处理器是所述基于能耗的电力参数优化终端设备的控制中心，利用各种接口和线路连接整个基于能耗的电力参数优化终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于能耗的电力参数优化终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述基于能耗的电力参数优化终端设备集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。
Claims (6)
1.一种基于能耗的电力参数优化方法，其特征在于，包括以下步骤：
S1：采集待研究区域在不同时间段内的各设备电力特征参数和整体能耗指标对应的参数值；
S2：根据步骤S1采集的数据，通过特征选择算法对各设备电力特征参数进行特征筛选；特征选择算法采用GBDT特征选择算法，其进行特征筛选的过程包括以下步骤：
S21：计算每个设备电力特征参数与整体能耗指标的分布混淆度；
S22：根据计算的分布混淆度，提取所有设备电力特征参数中与整体能耗指标的分布混淆度小于分布混淆度阈值的设备电力特征参数；
S23：根据提取的设备电力特征参数所对应的参数值构建决策树，不同时间段的设备电力特征参数的参数值组成不同的决策树，所有决策树组成决策树森林，并对各决策树进行训练；
S24：根据训练后的树结构，计算各设备电力特征参数在每颗树中的重要度：
其中，表示设备电力特征参数j在每颗树中的重要度，M表示决策树中的叶子节点数量，M-1表示决策树中的非叶子节点数量，i表示节点的序号，vi表示节点i对应的设备电力特征参数，表示第i个节点分裂后的损失函数减少值；
S25：根据各设备电力特征参数在每颗树中的重要度，计算各设备电力特征参数在决策树森林中的重要度：
其中，表示设备电力特征参数j在决策树森林中的重要度；
S26：按照各设备电力特征参数在决策树森林中的重要度由大到小的顺序，对各设备电力特征参数进行排序，提取前n个设备电力特征参数作为特征筛选后的结果；
S3：构建基于LSTM网络的能耗预测模型，通过特征筛选后的设备电力特征参数对应的参数值和整体能耗指标对应的参数值对能耗预测模型进行训练，使得训练后的模型输出的整体能耗指标的参数值与步骤S1采集的整体能耗指标的参数值的差异最小；
S4：将训练后的能耗预测模型与基于强化学习的策略网络相结合，利用能耗预测模型对策略网络智能体给出的优化策略进行评估，对策略网络进行训练后得到能够输出各参数的最优调整策略及其评估结果的智能体；步骤S4具体包括以下步骤：
S401：设定各参数的约束条件；
S402：根据各参数的约束条件构建策略产生器，使其能够输出各参数的满足设定的约束条件的调整策略，通过策略产生器输出多条调整策略；
S403：将训练后的能耗预测模型作为策略评估器，将每条调整策略对应的参数调整值与原始参数值叠加后，分别输入策略评估器内，得到各调整策略对应的预测能耗值，并根据预测能耗值与实际能耗值得差异大小，得到各调整策略对应的评估结果；若该调整策略对应的预测能耗值小于实际能耗值，说明该调整策略能够降低能耗，则赋予该调整策略一定的奖励值，否则奖励值为0；
S404：构建智能体，设定智能体的输入为原始参数值、各调整策略，及各调整策略对应的预测能耗值，智能体的输出为各调整策略对应的评估结果，对智能体进行训练，使得训练后的智能体能够输出最优调整策略及其对应的评估结果；
S5：将当前时间段内的待研究区域中经过特征筛选后的各设备电力特征参数的参数值输入训练后的能耗预测模型后，得到待研究区域未来时间段内的整体能耗指标的参数值，将当前时间段内经过特征筛选后的各设备电力特征参数的参数值和未来时间段内的整体能耗指标的参数值共同输入训练后的智能体内，输出得到最优的参数调整策略。
2.根据权利要求1所述的基于能耗的电力参数优化方法，其特征在于：步骤S21中任意两个参数的分布混淆度f的计算公式为：
其中，μ1和μ2分别表示两参数在所有时间段内对应的参数值的均值，α1和α2分别表示两参数在所有时间段内对应的参数值的方差。
3.根据权利要求1所述的基于能耗的电力参数优化方法，其特征在于：步骤S23中对各决策树进行训练的方法为：遍历决策树中所有可能的树结构，计算每种树结构对应的损失函数值，得到损失函数最小的树结构；
损失函数L的计算公式为：
其中，xk表示第k个时间段内提取的设备电力特征参数所对应的参数值，k表示时间段的序号，K表示时间段总数，ft表示数据映射到决策树的叶子节点的索引映射函数，t表示训练时的迭代次数，gk和hk分别表示一阶导数和二阶导数，yk表示第k个时间段内的实际能耗值，ypi表示第k个时间段内的预测能耗值。
4.根据权利要求1所述的基于能耗的电力参数优化方法，其特征在于：步骤S404中构建的智能体采用8层全连接层的神经网络，第一层含有128个神经元，最后一层含有1个神经元，中间各层含有的神经元个数逐层减少，除最后一层外，每层均采用Relu激活函数，最后一层采用softmax激活函数，损失函数类型为均方误差。
5.一种基于能耗的电力参数优化终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～4中任一所述方法的步骤。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1～4中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111375172.3A CN114066071B (zh) | 2021-11-19 | 2021-11-19 | 一种基于能耗的电力参数优化方法、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111375172.3A CN114066071B (zh) | 2021-11-19 | 2021-11-19 | 一种基于能耗的电力参数优化方法、终端设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114066071A CN114066071A (zh) | 2022-02-18 |
| CN114066071B true CN114066071B (zh) | 2024-09-13 |
Family
ID=80278434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111375172.3A Active CN114066071B (zh) | 2021-11-19 | 2021-11-19 | 一种基于能耗的电力参数优化方法、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114066071B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114612261A (zh) * | 2022-03-11 | 2022-06-10 | 广州明珞装备股份有限公司 | 能耗计算方法、系统、设备及存储介质 |
| CN114897260A (zh) * | 2022-06-02 | 2022-08-12 | 浙江江南工程管理股份有限公司 | 基于lstm神经网络的短期风速预测模型建模方法及预测方法 |
| CN117391224A (zh) * | 2022-06-30 | 2024-01-12 | 中兴通讯股份有限公司 | 能耗优化方法、系统、装置及存储介质 |
| CN118446348A (zh) * | 2023-02-06 | 2024-08-06 | 中兴通讯股份有限公司 | 数据中心的能效优化管理方法及装置 |
| CN116301275B (zh) * | 2023-05-23 | 2023-08-15 | 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 |
| CN117422254B (zh) * | 2023-10-30 | 2024-07-26 | 深圳市蓝宇飞扬科技有限公司 | 智慧园区的信息处理方法、装置、设备及存储介质 |
| 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 |
| CN117311244B (zh) * | 2023-11-28 | 2024-02-13 | 广州宝云信息科技有限公司 | 基于设备工况预测的节能调控方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105204490A (zh) * | 2015-08-06 | 2015-12-30 | 重庆大学 | 基于集成特征选择分类的待机功耗智能诊断系统及其诊断方法 |
| CN109301878A (zh) * | 2018-10-19 | 2019-02-01 | 三峡大学 | 一种基于多智能体的分布式电源一致性控制方法及控制系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018212918A1 (en) * | 2017-05-18 | 2018-11-22 | Microsoft Technology Licensing, Llc | Hybrid reward architecture for reinforcement learning |
| CN113078641B (zh) * | 2021-04-29 | 2023-02-28 | 国网山东省电力公司经济技术研究院 | 一种基于评估器和强化学习的配电网无功优化方法及装置 |
-
2021
- 2021-11-19 CN CN202111375172.3A patent/CN114066071B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105204490A (zh) * | 2015-08-06 | 2015-12-30 | 重庆大学 | 基于集成特征选择分类的待机功耗智能诊断系统及其诊断方法 |
| CN109301878A (zh) * | 2018-10-19 | 2019-02-01 | 三峡大学 | 一种基于多智能体的分布式电源一致性控制方法及控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114066071A (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114066071B (zh) | 一种基于能耗的电力参数优化方法、终端设备及存储介质 | |
| CN109659933B (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
| CN112734135B (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
| CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及系统 | |
| CN113051769B (zh) | 基于非对称损失与混合智能优化算法的功率曲线建模方法 | |
| CN110852498A (zh) | 一种基于gru神经网络预测数据中心能耗效率值pue的方法 | |
| KR102478684B1 (ko) | 앙상블 학습을 이용한 에너지 소비 예측 방법 및 상기 방법을 수행하는 컴퓨팅 장치 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN114065649A (zh) | 一种配电变压器顶层油温短期预测方法及预测系统 | |
| CN109214610B (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
| CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
| CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
| 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 | |
| Wei et al. | An instance based multi-source transfer learning strategy for building’s short-term electricity loads prediction under sparse data scenarios | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN114358485A (zh) | 一种源荷匹配性评估方法、系统、介质及电子设备 | |
| CN116822672A (zh) | 一种空调冷负荷预测优化方法、系统 | |
| CN113255223A (zh) | 一种空调负荷短期预测方法及系统 | |
| CN112330044A (zh) | 一种基于迭代聚集网格搜索算法的支持向量回归模型 | |
| CN117930647A (zh) | 基于热预测模型的数据中心冷却控制方法及装置 | |
| CN117521501A (zh) | 基于nsga的lstm预测性能源发电方法及系统 | |
| CN116826745A (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
| Tian et al. | Dynamic prediction of building HVAC energy consumption by ensemble learning approach | |
| Wu et al. | SSDP model with inflow clustering for hydropower system operation | |
| CN113254857A (zh) | 一种基于ssa-elm的短期电力负荷预测方法 |
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 |