CN112308734B - It设备非it能耗的计量、费用分摊方法及电子装置 - Google Patents
It设备非it能耗的计量、费用分摊方法及电子装置 Download PDFInfo
- Publication number
- CN112308734B CN112308734B CN202011162740.7A CN202011162740A CN112308734B CN 112308734 B CN112308734 B CN 112308734B CN 202011162740 A CN202011162740 A CN 202011162740A CN 112308734 B CN112308734 B CN 112308734B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- metering
- network
- result
- sum
- 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 127
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 230000003993 interaction Effects 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005057 refrigeration Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004088 simulation Methods 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种IT设备非IT能耗的计量、费用分摊方法及电子装置，适用于至少两台同类IT设备与非IT设备组成的系统，包括：将采集的各IT设备信息，输入到特征提取网络，提取相邻服务器之间的交互特征；将交互特征输入到自动编码器网络，得到各IT设备的非IT能耗计量结果。本发明解决了现有技术中存在经验式的、仅基于服务器/虚拟机的能耗粗略地推算出其对应的非IT能耗，未充分考虑其他影响因素的问题，从而提高计量结果的准确率和可靠性。
Description
技术领域
本发明涉及数据中心领域，具体说是一种IT设备非IT能耗的计量、费用分摊方法及电子装置。
背景技术
能耗计量一直都是数据中心能源管理的重要问题。数据中心的能源主要消耗于IT设备和非IT设备，IT设备主要包括服务器、交换机，非IT设备主要包含制冷、供电系统。一般情况下，非IT设备的总能耗占据数据中心总能耗约一半左右，因此，对非IT设备的能耗计量逐渐成为研究的焦点。然而，为数据中心内的服务器和虚拟机进行准确的、细粒度的非IT能耗计量很具有挑战性，主要原因在于非IT设备通常都是被多个服务器共享，而已有的测量手段只能从整体上测量出总的非IT能耗。目前的非IT能耗计量方法都是基于服务器\虚拟机的能耗粗略地推算出其对应的非IT能耗，而没有考虑到其他的影响因素，而且都是经验式的，缺乏理论依据，因此计量结果的准确度大打折扣。
此外近年来，多租户数据中心规模不断增大，租户租用数据中心的服务器，承担服务器运行的电费，并分担对应的制冷费用。由于多租户数据中心内制冷系统为所有租户共享，因此需要为所有租户制定合理的制冷电费分担策略。已有研究普遍依据租户服务器的IT能耗按比例分摊制冷电费，没有考虑到租户服务器位置和邻近服务器温度也会影响到制冷量的消耗，因此，已有的分配方法并不公平。
发明内容
本发明提供了一种IT设备非IT能耗的计量、费用分摊方法及电子装置，通过深度学习的方法对非IT能耗进行计量，解决了相关技术中存在的未全面考虑各种影响因素、仅凭经验做计量决策而导致的计量准确度低的问题。
为达到上述目的，本发明采用如下的技术方案：
一种IT设备非IT能耗的计量方法，适用于至少两台同类IT设备与非IT设备组成的系统，其步骤包括：
1)将采集的各IT设备信息，输入到特征提取网络，提取相邻服务器之间的交互特征；
2)将交互特征输入到自动编码器网络，得到各IT设备的非IT能耗计量结果。
进一步地，所述IT设备包括：服务器或虚拟机。
进一步地，产生非IT能耗的非IT设备包括：制冷系统和供电系统。
进一步地，IT设备信息包括IT能耗、温度和位置信息。
进一步地，位置信息包括：空间三维位置信息。
进一步地，特征提取网络包括：CNN网络；所述CNN网络的网络结构包括：一个输入层、两个卷积层和两个全连接层，其中卷积层使用ReLU作为激活函数。
进一步地，所述自动编码器网络的网络结构包括：一个全连接层和一个神经元，其中全连接层使用Sigmoid作为激活函数。
进一步地，特征提取网络与自动编码器网络进行端到端的训练。
进一步地，训练特征提取网络与自动编码器网络的目标函数包括：最小化特征提取网络目标与自动编码器网络目标的线性加权和；特征提取网络目标包括：最小化特征提取网络输出的数据总和与历史非IT能耗总和或实验非IT能耗总和之间的平方误差；自动编码器网络目标包括：最小化自动编码器网络输出的数据总和与历史非IT能耗总和或实验非IT能耗总和之间的平方误差。
进一步地，当得到非IT能耗计量结果位于设定范围之外时，通过以下策略对非IT能耗计量结果进行修正：
1)当非IT能耗计量结果q大于设定范围上限值Lmax时，非IT能耗计量修正结果q′＝q×a，其中，a为设定参数，0<a<1；
2)当非IT能耗计量结果q小于设定范围小限值Lmin时，非IT能耗计量修正结果q′＝P×b，其中P为基准计量结果，b为设定参数，0<b<1；
其中，根据基准计量结果P，获取设定范围。
进一步地，通过以下步骤得到基准计量结果：
1)获取各IT设备的能耗；
2)获取非IT总能耗；
3)依据各IT设备的能耗，按比例分配非IT总能耗，得到各IT设备的基准计量结果。
进一步地，通过以下步骤选取设定参数a与设定参数b；
1)分别选取设定参数a与设定参数b的候选者集合；
2)遍历由设定参数a与设定参数b的候选组合，选出非IT能耗计量结果曲线与IT能耗、温度、位置三条曲线相似程度总和最大的组合，得到设定参数a与设定参数b，其中通过余弦相似度，计算非IT能耗计量结果曲线与IT能耗、温度、位置三条曲线相似程度。
一种IT设备非IT能耗的费用分摊方法，其步骤包括：
1)依据通过上述方法得到的非IT能耗计量结果，计算各IT设备的非IT能耗；
2)根据总的非IT能耗费用与各IT设备的非IT能耗，得到各IT设备的非IT能耗费用。
一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述所述的方法。
一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机以执行上述所述的方法。
与现有技术相比，本发明的积极效果：
通过本发明，获取所有服务器/虚拟机的IT能耗、温度和位置信息，输入到预设的CNN中，以提取邻近服务器/虚拟机之间的交互特征；将上述CNN的输出输入到预设的AE中，以获取所有服务器/虚拟机的非IT能耗计量结果；将上述服务器/虚拟机的非IT能耗计量结果输入到预设的Fine-tuner中，以获取最终的所有服务器/虚拟机的非IT能耗计量结果，解决了现有技术中存在经验式的、仅基于服务器/虚拟机的能耗粗略地推算出其对应的非IT能耗，未充分考虑其他影响因素的问题，从而提高计量结果的准确率和可靠性。
附图说明
图1是根据本发明实施例的非IT能耗计量方法结构框图；
图2是根据本发明实施例的CNN网络的结构框图；
图3是根据本发明实施例的AE网络的结构框图；
图4是根据本发明实施例的Fine-tuner的结构框图；
图5是根据本发明实施例的基于非IT能耗的制冷费用分摊方法的结构框图；
具体实施方式
下文将结合实施例来详细说明本发明。
图1为本发明提供的一种IT设备非IT能耗的计量、费用分摊方法的流程图，其中IT设备包括服务器或虚拟机等。
本发明服务器的非IT能耗计量方法包括如下步骤：
步骤101，获取所有服务器的IT能耗、温度和位置信息。其中，服务器位置信息可以简单用服务器在机房的空间三维坐标表示。如本领域内技术人员所知的，服务器的IT能耗数据可以通过功率计获取，服务器的温度数据也可以通过软硬件方式获取；
步骤102，利用获取的服务器信息进行特征提取。如本领域内的技术人员所知的，CNN网络是一种特征提取的方法，可从高维数据中高效提取出特征信息。因此，将上述获取的信息输入到预设的CNN中，以提取相邻服务器之间的交互特征；
步骤103，利用CNN提取的特征进行编码和解码，得出合理的非IT能耗计量结果。如本领域内的技术人员所知的，AE网络可以进行数据降维，从而更好地可视化已有数据，以提出更具有解释力的模型。因此，将上述CNN提取出的特征输入到预设的AE中，通过编码和解码两个过程，获取所有服务器的非IT能耗计量结果，解决模型的可解释性问题；
步骤104，深度学习模型普遍存在鲁棒性问题，为了保证输出结果的鲁棒性，将上述服务器的非IT能耗计量结果输入到预设的Fine-tuner中，通过预设的阈值对输出结果进行限制，从而获得更可靠的服务器的非IT能耗计量结果。
通过上述基于深度学习的非IT能耗计量方法，解决了相关技术中存在经验式的、仅基于服务器/虚拟机的能耗粗略地推算出其对应的非IT能耗，未充分考虑其他影响因素的问题，从而提高计量结果的准确率和可靠性。
在训练阶段，CNN和AE可同时进行训练。CNN和AE同时进行训练的目标函数是最小化CNN训练目标(CostCNN)和AE训练目标(CostAE)的线性加权和，即Cost＝αCostCNN+(1-α)CostAE。
如本领域内的技术人员所知的，CNN通常包括若干个卷积模块和若干个全连接模块。图2是根据本发明实施例的CNN网络的结构框图。例如，假设数据中心内有174台服务器，一台服务器有5个维度的信息(IT能耗、温度、三维坐标x、y、z)，那么预设的CNN模型结构和参数可按如下方式设置：一个输入层(201)、两个卷积层(202和203)、两个全连接层(204和205)，卷积层使用ReLU作为激活函数。用M表示训练集大小，训练目标(CostCNN)是最小化最后一个全连接层输出(CNNout)的数据总和与非IT能耗总和(NE)之间的平方误差，即：
如本领域内的技术人员所知的，AE通常包含一个编码器和一个解码器，用于逼近非IT能耗的真实分配。图3是根据本发明实施例的AE网络的结构框图。假如将上述CNN模型的输出(206)作为AE的输入，那么预设的AE模型结构和参数可按如下方式设置：一个全连接层(301)作为编码器、一个神经元(302)作为解码器，编码器使用Sigmoid做为激活函数，以限制输出在(0，MAXΦ)范围内，其中Φ为编码器的输出。训练目标(CostAE)是最小化AE输出的数据与对应的非IT能耗总和的历史或实验数据之间的平方误差，即：
为了提高基于深度学习模型的计量结果的准确性和鲁棒性，使用Fine-tuner对于服务器的非IT能耗计量结果进行微调。图4是根据本发明实施例的Fine-tuner的结构框图。预设阈值L，分三种情况调节：
情况401：如果某台服务器的计量结果q比该服务器的基准计量结果p大L，则Fine-tuner将该台服务器的计量结果缩小a(0<a<1)倍后输出；
情况403：如果某台服务器的计量结果q比该服务器的基准计量结果p小L，则Fine-tuner将该台服务器的基准计量结果缩小b(0<b<1)倍后输出；
情况402：如果不符合上述两种情况，则不进行微调。
参数a和b的值可以按如下方法选取：设定a和b的候选值集合均为{0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9}，因此，a与b的候选组合一共有18种，遍历这18种组合，选出能使计量结果曲线与IT能耗、温度、位置三条曲线相似程度总和最大的组合。其中，两条曲线的相似程度可由余弦相似度来计算。
服务器的基准计量结果p可以按如下方法计算：将总的非IT能耗NE依据服务器的IT能耗按比例分配得到，假设服务器的IT能耗为s，所有服务器的IT能耗之和为S，则该服务的非IT能耗为NE*s/S。
在本实施例中提供了一种数据中心内虚拟机的非IT能耗计量方法，数据中心包括含有至少两台服务器的服务器系统、两台虚拟机和机房空调系统，图1是根据本发明实施例的数据中心虚拟机的非IT能耗计量方法的流程图，该流程包括如下步骤：
步骤101，获取所有虚拟机的IT能耗和虚拟机所在服务器的温度和位置信息。其中，服务器位置信息可以简单用服务器在机房的空间三维坐标表示。如本领域内技术人员所知的，虚拟机的IT能耗数据可以通过软件方式获取，服务器的温度数据也可以通过软硬件方式获取；
步骤102，利用获取的虚拟机和其所在服务器的信息进行特征提取。如本领域内的技术人员所知的，CNN网络是一种特征提取的方法，可从高维数据中高效提取出特征信息。因此，将上述获取的信息输入到预设的CNN中，以提取邻近虚拟机之间的交互特征；
步骤103，利用CNN提取的特征进行编码和解码，得出合理的非IT能耗计量结果。如本领域内的技术人员所知的，AE网络可以进行数据降维，从而更好地可视化已有数据，以提出更具有解释力的模型。因此，将上述CNN提取出的特征输入到预设的AE中，通过编码和解码两个过程，获取所有虚拟机的非IT能耗计量结果，解决模型的可解释性问题；
步骤104，深度学习模型普遍存在鲁棒性问题，为了保证输出结果的鲁棒性，将上述虚拟机的非IT能耗计量结果输入到预设的Fine-tuner中，通过预设的阈值对输出结果进行限制，从而获得更可靠的虚拟机的非IT能耗计量结果。
虚拟机的非IT能耗计量方法中CNN和AE模型结构、训练目标、训练方法都与服务器的非IT能耗计量方法中类似，此处不再赘述。
针对上述问题，请参考图5，在本实施例中提供了一种基于非IT能耗的制冷费用分摊方法，该方法不仅将服务器IT能耗纳入考虑，还充分考虑了服务器位置以及相邻服务器温度两个影响因素，因此更加公平。该方法包括以下步骤：
步骤501：利用本发明中的基于深度学习的服务器的非IT能耗计量方法计算每个服务器的制冷能耗；
步骤502：将总的制冷电费NC依据服务器的制冷能耗按比例分配得到，假设服务器的制冷能耗为h，所有服务器的制冷能耗之和为H，则该服务器应该分摊的制冷电费为NC*h/H。
本实施例采用系统仿真的形式验证了所提的技术，如表1所示：三种技术方案分别表示为：(1)Policy II表示现有的按照IT功率成比例分配非IT能耗；(2)Policy IV表示现有的基于Shapley值的分配非IT能耗；(3)NEAPD表示本发明提出的考虑IT功耗、温度和位置的非IT能耗计量结果。IT power、Temperature和Location分别表示上述三种方法得到的计量曲线与IT能耗、温度以及位置三条曲线之间的相似程度。如表1所见，本发明不仅体现了IT能耗对计量结果的影响，也能够反映出温度和位置对计量结果的影响，因此更贴近真实情况。
| Policy | IT Power | Temperature | Location |
| Policy II | 1.0 | 0.8503 | 0.6211 |
| Policy IV | 0.9883 | 0.8827 | 0.6443 |
| NEAPD | 0.9051 | 0.9178 | 0.7454 |
表1
以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求书为准。
Claims (4)
1.一种IT设备非IT能耗的计量方法，适用于至少两台同类IT设备与产生非IT能耗的非IT设备组成的系统，所述IT设备包括：服务器或虚拟机，所述产生非IT能耗的非IT设备包括：制冷系统和供电系统，其步骤包括：
1)将采集的各IT设备信息，输入到特征提取网络，提取相邻服务器之间的交互特征；其中，IT设备信息包括IT能耗、温度和位置信息，所述位置信息包括：空间三维位置信息，所述特征提取网络包括：CNN网络，所述CNN网络的网络结构包括：一个输入层、两个卷积层和两个全连接层，其中卷积层使用ReLU作为激活函数；
2)将交互特征输入到自动编码器网络，得到各IT设备的非IT能耗计量结果；其中，所述自动编码器网络的网络结构包括：一个全连接层和一个神经元，其中全连接层使用Sigmoid作为激活函数；
3)当得到非IT能耗计量结果位于设定范围之外时，通过以下策略对非IT能耗计量结果进行修正：
当非IT能耗计量结果q大于设定范围上限值Lmax时，非IT能耗计量修正结果q′＝q×a，其中，a为设定参数，0<a<1，所述设定范围根据基准计量结果P计算得到；
通过以下步骤得到基准计量结果P：
获取各IT设备的能耗；
获取非IT总能耗；
依据各IT设备的能耗，按比例分配非IT总能耗，得到各IT设备的基准计量结果P；
通过以下步骤选取设定参数a与设定参数b：
分别选取设定参数a与设定参数b的候选者集合；
遍历由设定参数a与设定参数b的候选组合，选出非IT能耗计量结果曲线与IT能耗、温度、位置三条曲线相似程度总和最大的组合，得到设定参数a与设定参数b，其中通过余弦相似度，计算非IT能耗计量结果曲线与IT能耗、温度、位置三条曲线相似程度；
当非IT能耗计量结果q小于设定范围小限值Lmin时，非IT能耗计量修正结果q′＝P×b，其中P为基准计量结果，b为设定参数，0<b<1；
其中，特征提取网络与自动编码器网络进行端到端的训练；训练特征提取网络与自动编码器网络的目标函数包括：最小化特征提取网络目标与自动编码器网络目标的线性加权和；特征提取网络目标包括：最小化特征提取网络输出的数据总和与历史非IT能耗总和或实验非IT能耗总和之间的平方误差；自动编码器网络目标包括：最小化自动编码器网络输出的数据总和与历史非IT能耗总和或实验非IT能耗总和之间的平方误差。
2.一种IT设备非IT能耗的费用分摊方法，其步骤包括：
1)依据通过权利要求1所述方法得到的非IT能耗计量结果，计算各IT设备的非IT能耗；
2)根据总的非IT能耗费用与各IT设备的非IT能耗，得到各IT设备的非IT能耗费用。
3.一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序执行权利要求1-2中任一所述方法。
4.一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1-2中任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011162740.7A CN112308734B (zh) | 2020-10-27 | 2020-10-27 | It设备非it能耗的计量、费用分摊方法及电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011162740.7A CN112308734B (zh) | 2020-10-27 | 2020-10-27 | It设备非it能耗的计量、费用分摊方法及电子装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112308734A CN112308734A (zh) | 2021-02-02 |
| CN112308734B true CN112308734B (zh) | 2024-01-05 |
Family
ID=74330797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011162740.7A Active CN112308734B (zh) | 2020-10-27 | 2020-10-27 | It设备非it能耗的计量、费用分摊方法及电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112308734B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778020A (zh) * | 2014-02-08 | 2014-05-07 | 中国联合网络通信集团有限公司 | 一种虚拟机放置方法及装置 |
| CN105975385A (zh) * | 2016-04-28 | 2016-09-28 | 浪潮(北京)电子信息产业有限公司 | 一种基于模糊神经网络的虚拟机能耗预测方法及系统 |
| CN109445903A (zh) * | 2018-09-12 | 2019-03-08 | 华南理工大学 | 基于QoS特征发现的云计算节能调度实现方法 |
| CN109800066A (zh) * | 2018-12-13 | 2019-05-24 | 中国科学院信息工程研究所 | 一种数据中心节能调度方法及系统 |
| CN110069392A (zh) * | 2019-04-30 | 2019-07-30 | 南京邮电大学 | 一种反映数据中心it设备能效特征的获取方法 |
| CN110781068A (zh) * | 2019-11-07 | 2020-02-11 | 南京邮电大学 | 一种基于同构分解方法的数据中心跨层能耗预测方法 |
| CN112070353A (zh) * | 2020-08-04 | 2020-12-11 | 中国科学院信息工程研究所 | 一种精确检测数据中心能效的方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116384240A (zh) * | 2023-03-29 | 2023-07-04 | 济南浪潮数据技术有限公司 | 一种服务器能耗预测方法、装置及存储介质 |
| 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 |
-
2020
- 2020-10-27 CN CN202011162740.7A patent/CN112308734B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778020A (zh) * | 2014-02-08 | 2014-05-07 | 中国联合网络通信集团有限公司 | 一种虚拟机放置方法及装置 |
| CN105975385A (zh) * | 2016-04-28 | 2016-09-28 | 浪潮(北京)电子信息产业有限公司 | 一种基于模糊神经网络的虚拟机能耗预测方法及系统 |
| CN109445903A (zh) * | 2018-09-12 | 2019-03-08 | 华南理工大学 | 基于QoS特征发现的云计算节能调度实现方法 |
| CN109800066A (zh) * | 2018-12-13 | 2019-05-24 | 中国科学院信息工程研究所 | 一种数据中心节能调度方法及系统 |
| CN110069392A (zh) * | 2019-04-30 | 2019-07-30 | 南京邮电大学 | 一种反映数据中心it设备能效特征的获取方法 |
| CN110781068A (zh) * | 2019-11-07 | 2020-02-11 | 南京邮电大学 | 一种基于同构分解方法的数据中心跨层能耗预测方法 |
| CN112070353A (zh) * | 2020-08-04 | 2020-12-11 | 中国科学院信息工程研究所 | 一种精确检测数据中心能效的方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| "Temperature and Power Aware Server Placement Optimization for Enterprise Data Center";Longchuan Yan 等;《2018 IEEE 24th International Conference on Parallel and Distributed Systems (ICPADS)》;第434-440页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112308734A (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111525601B (zh) | 用户侧储能设备的充放电控制方法、装置及存储介质 | |
| CN110287942A (zh) | 年龄估计模型的训练方法、年龄估计方法以及对应的装置 | |
| 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 | |
| CN113837812B (zh) | 节点电价联合概率预测方法及装置 | |
| CN110504716B (zh) | 光伏逆变器无功模式优化选择方法、终端设备及存储介质 | |
| CN117353302B (zh) | 新能源发电功率的预测方法、装置、设备及介质 | |
| CN116167581A (zh) | 电池需求量预估方法、装置、调度方法和计算机设备 | |
| CN112308734B (zh) | It设备非it能耗的计量、费用分摊方法及电子装置 | |
| CN109546685A (zh) | 一种分布式电源分组合作的配电网分布式优化控制方法 | |
| CN111951123B (zh) | 控制用电负荷的方法、装置、计算机设备和存储介质 | |
| CN112039058A (zh) | 基于风功率预测区间的机组组合方法、系统、介质及设备 | |
| CN111146815B (zh) | 一种智能配电网分布式发电规划配置方法 | |
| CN117196884A (zh) | 一种虚拟电厂优化控制方法及系统 | |
| CN116014743A (zh) | 一种直流配电网电压分区方法及装置 | |
| CN110533218A (zh) | 一种基于数据挖掘的居民用户多目标优化用电策略及系统 | |
| CN109635999A (zh) | 一种基于粒子群-细菌觅食的水电站调度方法及系统 | |
| CN116094029A (zh) | 配电网中分布式光伏与储能系统的联合规划方法及系统 | |
| CN112925793A (zh) | 一种多种结构数据分布式混合存储方法和系统 | |
| CN118627740A (zh) | 面向用能设备的低碳优化运行与减碳评估方法 | |
| CN112968438B (zh) | 充电功率调控方法、装置、计算机设备和存储介质 | |
| CN110807599A (zh) | 电化学储能方案的决策方法、装置、服务器和存储介质 | |
| CN118472949B (zh) | 微电网运行优化调度方法、装置、设备、介质及产品 | |
| CN118779534B (zh) | 一种基于膜计算的多渠道数字内容智能分发方法、装置及存储介质 | |
| Xiang et al. | Hierarchical multi-objective unit commitment optimization considering negative peak load regulation ability | |
| CN117575190A (zh) | 一种能源需求密度预测方法和系统 |
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 |