CN110046744A - 基于趋势预测的能耗数据预警方法及相关设备 - Google Patents
基于趋势预测的能耗数据预警方法及相关设备 Download PDFInfo
- Publication number
- CN110046744A CN110046744A CN201910182403.5A CN201910182403A CN110046744A CN 110046744 A CN110046744 A CN 110046744A CN 201910182403 A CN201910182403 A CN 201910182403A CN 110046744 A CN110046744 A CN 110046744A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- consumption data
- trend prediction
- data
- result
- 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 298
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 37
- 230000001932 seasonal effect Effects 0.000 claims description 43
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000012423 maintenance Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 230000005611 electricity Effects 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012552 review 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
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及机房运维技术领域,尤其涉及一种基于趋势预测的能耗数据预警方法及相关设备,包括:获取机房设备的原始能耗数据;对所述原始能耗数据进行误差处理后得到能耗数据;提取所述能耗数据所携带的特征标识,根据所述特征标识判断所述能耗数据的类别,根据所述能耗数据的类别,采用相应的趋势预测工具对设备能耗进行趋势预测,得到趋势预测的结果;将所述趋势预测的结果与预设的报警阈值进行比较,根据比较结果确定待发出的提示信息的种类。本申请提高了趋势预测的准确度和可信度,使预测更具有针对性,相对减少了数据中心供电安全问题的出现。
Description
技术领域
本申请涉及机房运维技术领域,尤其涉及一种基于趋势预测的能耗数据预警方法及相关设备。
背景技术
机房或数据中心是对能耗敏感的现代化基础设施,其内运行的设备一般均需具备长时间持久工作的性能。因此稳定和持续的电能供应能力,运行环境中温湿度的稳定性等指标,成为衡量机房或者数据中心的重要标准。对于数据中心和机房等基础设施的运维人员来说,最重要的数据莫过于电能和冷量,而冷量的本质依然是空调或者散热设备的电量能耗。所以对电量能耗做历史回顾、趋势分析显得尤为重要。
目前,传统的机房或者数据中心对电量能耗数据的处理,只是简单地对所有获取到的电量能耗数据做时间序列曲线图,呈现效果虽然直观,但是缺乏针对性,无法对其中的重要设备进行准确定位和分析,尤其对包括职场变压器、数据中心用电量等易受季节性和周期性影响的电耗数据缺乏针对性的统计分析,对设备能耗分析预估的结果的准确性也较低,对能耗数据进行再利用后做趋势预估时,未对不同类型的数据做不同的预估分析,且趋势预估后,缺乏对预估结果做进一步的分析,无法为后续维护或者设备更新和升级提供数据基础。
发明内容
有鉴于此,有必要针对现有技术中只是简单地对所有获取到的电量能耗数据做时间序列曲线图、对设备能耗分析预估的结果的准确性较低的问题,提供一种基于趋势预测的能耗数据预警方法及相关设备。
一种基于趋势预测的能耗数据预警方法,包括:
获取机房设备的原始能耗数据;
对所述原始能耗数据进行误差处理后得到能耗数据;
提取所述能耗数据所携带的特征标识,根据所述特征标识判断所述能耗数据的类别,根据所述能耗数据的类别,采用相应的趋势预测工具对设备能耗进行趋势预测,得到趋势预测的结果;
将所述趋势预测的结果与预设的报警阈值进行比较,根据比较结果确定待发出的提示信息的种类。
在其中一个可能的实施例中,所述获取机房设备的原始能耗数据,包括:
获取所述机房设备的原始能耗数据的关键词,根据所述关键词生成数据获取请求;
通过机房监控***提供的接口连接到所述机房监控***,连接成功后发送所述数据获取请求;
接收所述机房监控***根据所述数据获取请求返回的反馈信息,并从所述反馈信息中提取所述原始能耗数据。
在其中一个可能的实施例中,所述对所述原始能耗数据进行误差处理后得到能耗数据,包括:
利用3σ准则对所述原始能耗数据进行第一次误差处理,剔除其中的粗大误差;
利用五点线性平滑对经过第一次误差处理后的所述原始能耗数据进行第二次误差处理,得到能耗数据。
在其中一个可能的实施例中,所述提取所述能耗数据所携带的特征标识,根据所述特征标识判断所述能耗数据的类别,根据所述能耗数据的类别,采用相应的趋势预测工具对设备能耗进行趋势预测,得到趋势预测的结果,包括:
提取所述能耗数据所携带的特征标识,根据所述特征标识判断所述能耗数据的类别;
若所述能耗数据为季节性的能耗数据,采用季节性趋势预测工具根据所述能耗数据对设备能耗进行趋势预测,得到趋势预测的结果;
若所述能耗数据为非季节性的能耗数据,采用最小二乘法根据所述能耗数据对设备能耗进行趋势预测,得到趋势预测的结果。
在其中一个可能的实施例中,所述将所述趋势预测的结果与预设的报警阈值进行比较,根据比较结果确定待发出的提示信息的种类,包括:
将所述趋势预测的结果与预设的所述报警阈值进行比较;
当所述趋势预测的结果超过所述报警阈值,则向运维人员发出标识设备能耗处于不安全范围的提示信息;
当所述趋势预测的结果未超过所述预设的报警阈值,则向运维人员发出标识设备能耗在安全范围内的提示消息。
在其中一个可能的实施例中,所述若所述能耗数据为季节性的能耗数据,采用季节性趋势预测工具根据所述能耗数据对设备能耗进行趋势预测,得到趋势预测的结果,包括:
提取所述季节性的能耗数据中的前n年的能耗数据,以每一季度的能耗数据作为样本,其中,n为大于等于2的整数;
根据所有所述样本,计算样本平均值S:
上式中,S为样本平均值,Pi、Wi、Mi、Ki分别为第i年的第一季度、第二季度、第三季度、第四季度的能耗数据,4n为前n年的所述季节性的能耗数据的样本总数;
计算每一季度的季节平均值,计算公式为:
上式中,R为任一季度的季节平均值,Yi为第i年的任一季度的能耗数据,当Y=P,Y为第一季度的能耗数据,当Y=W,Y为第二季度的能耗数据,当Y=M,Y为第三季度的能耗数据,当Y=K,Y为第四季度的能耗数据;
根据所述样本平均值和所述每一季度的季节平均值,计算每一季度的季节因子,所述每一季度的季节因子T通过以下算式计算得到:
利用指数平滑平均法对前n年的所述季节性的能耗数据进行整体预测后得到预测值,将所述预测值乘以对应的季节因子后得到对应季节的趋势预测结果。
在其中一个可能的实施例中,所述若所述能耗数据为非季节性的能耗数据,采用最小二乘法根据所述能耗数据对设备能耗进行趋势预测,得到趋势预测的结果,包括:
提取所述非季节性的能耗数据中的前n年的能耗数据,其中,n为大于等于2的整数;
根据前n年的所述能耗数据绘制数据散点图,所述数据散点图以时间为横坐标,以所述能耗数据的数值为纵坐标;
根据所述数据散点图利用最小二乘法绘制数据变化趋势的曲线,根据所述数据变化趋势的曲线的斜率,得到所述非季节性的能耗数据的趋势预测的结果。
一种基于趋势预测的能耗数据预警装置,包括如下模块:
获取模块,设置为获取机房设备的原始能耗数据;
误差处理模块,设置为对所述原始能耗数据进行误差处理后得到能耗数据;
预测模块,设置为提取所述能耗数据所携带的特征标识,根据所述特征标识判断所述能耗数据的类别,根据所述能耗数据的类别,采用相应的趋势预测工具对设备能耗进行趋势预测,得到趋势预测的结果;
比较模块,设置为将所述趋势预测的结果与预设的报警阈值进行比较,根据比较结果确定待发出的提示信息的种类。
基于相同的构思,本申请提出了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被一个或多个所述处理器执行时,使得一个或多个所述处理器执行上述基于趋势预测的能耗数据预警方法的步骤。
基于相同的构思,本申请提出了一种存储介质,所述存储介质可被处理器读写,所述存储介质存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个所述处理器执行上述基于趋势预测的能耗数据预警方法的步骤。
与现有技术相比,本申请中,对获取的原始能耗数据进行误差处理,降低了数据误差,使能耗数据能够更精准的体现机房或者数据中心关注的电耗数据;根据能耗数据所携带的特征标识判断能耗数据的类别,即判断为季节性能耗数据还是非季节性能耗数据,对不同类别的能耗数据,采用不同的趋势预测工具进行趋势预测,提高了趋势预测的准确度和可信度,使预测更具有针对性,并在容量饱和、无法再新上机柜时,将预测的趋势提供给运维工程师。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。
图1为本申请实施例中的一种基于趋势预测的能耗数据预警方法的整体流程图;
图2为本申请实施例中的一种基于趋势预测的能耗数据预警方法中的误差处理过程的示意图;
图3为本申请实施例中的一种基于趋势预测的能耗数据预警方法中的趋势预测过程的示意图;
图4为本申请实施例中的一种基于趋势预测的能耗数据预警装置的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
图1为本发明的一种基于趋势预测的能耗数据预警方法的整体流程图,如图1所示,一种基于趋势预测的能耗数据预警方法,包括以下步骤:
步骤S1,获取机房设备的原始能耗数据。
本步骤中,当接收到进行趋势预测的指令,***开始获取原始能耗数据,具体的,可以通过连接机房监控***获取设备的原始能耗数据,所述设备的原始能耗数据包括UPS输出电量、职场变压器功率、数据中心用电量、机房IT功率等。具体的,获取所述机房设备的原始能耗数据的关键词,根据所述关键词生成数据获取请求;通过机房监控***提供的接口连接到所述机房监控***,连接成功后发送所述数据获取请求;接收所述机房监控***根据所述数据获取请求返回的反馈信息,并从所述反馈信息中提取所述原始能耗数据。
步骤S2,对所述原始能耗数据进行误差处理后得到能耗数据。
上述步骤执行时,首先,利用3σ准则对所述原始能耗数据进行第一次误差处理,剔除其中的粗大误差,再利用五点线性平滑对经过第一次误差处理后的所述原始能耗数据进行第二次误差处理,得到能耗数据。在一种较佳的实施例中,还可以将所述能耗数据按类别存储至数据库中对应的位置,具体的,所述能耗数据的类别至少包括周期性、季节性的能耗数据和非周期性、非季节性的能耗数据。
在一种较佳的实施例中,还可以将所述能耗数据按类别存储至数据表或者中间数据文件中。存储之后,或者误差处理之后不进行存储,将所述能耗数据以曲线图方式展示。
步骤S3,提取所述能耗数据所携带的特征标识,根据所述特征标识判断所述能耗数据的类别,根据所述能耗数据的类别,采用相应的趋势预测工具对设备能耗进行趋势预测,得到趋势预测的结果。
上述步骤执行时,首先获取经过误差处理后的所述能耗数据,根据所述能耗数据被赋予的特征标识判断所述能耗数据的类别,若所述能耗数据为季节性的能耗数据,采用季节性趋势预测工具对设备能耗进行趋势预测,得到趋势预测的结果,若所述能耗数据为非季节性的能耗数据,则可以采用最小二乘法对设备能耗进行趋势预测,得到趋势预测的结果。
步骤S4,将所述趋势预测的结果与预设的报警阈值进行比较,根据比较结果确定待发出的提示信息的种类。
上述步骤执行时,首先,将所述趋势预测的结果与预设的所述报警阈值进行比较;当所述趋势预测的结果超过所述报警阈值,则向运维人员发出标识设备能耗处于不安全范围的提示信息;当所述趋势预测的结果未超过所述预设的报警阈值,则向运维人员发出标识设备能耗在安全范围内的提示消息。
本实施例,对不同类别的能耗数据,采用不同的趋势预测工具进行趋势预测,提高了趋势预测的准确度,使预测更具有针对性和可信度,并当趋势预测的结果超过所述预设的报警阈值时,给运维工程师提供参考,对获取的能耗数据进行误差处理,降低了数据误差。
在一个实施例中,所述步骤S1,获取机房设备的原始能耗数据,包括:
获取所述机房设备的原始能耗数据的关键词,根据所述关键词生成数据获取请求;
本步骤实施时,分别获取包括“UPS输出电量、职场变压器功率、数据中心用电量、机房IT功率的数据”在内的四组设备的原始能耗数据的关键词,所述关键词可以是由每个字的首字母组成。比如,UPS输出电量的关键词为:“UPSSCDL”。
通过机房监控***提供的接口连接到所述机房监控***,连接成功后发送所述数据获取请求。
本步骤中,与机房监控***通信连接,实时获取机房监控***数据库中的原始能耗数据。
在一种较佳的实施例中,可以通过socket接口与机房监控***实现通信连接。网络上的两个程序通过一个双向的通信连接实现数据的交换,这个连接的一端称为一个socket。连接成功后发送上述以关键词生成的数据获取请求。
接收所述机房监控***根据所述数据获取请求返回的反馈信息,并从所述反馈信息中提取所述原始能耗数据。
本实施例,以原始能耗数据的关键词发送数据获取请求,比较方便简洁,且高效。
在一个实施例中,图2为本申请实施例中的一种基于趋势预测的能耗数据预警方法中的误差处理过程的示意图,如图2所示,所述步骤S2,对所述原始能耗数据进行误差处理后得到能耗数据,包括:
步骤S201,利用3σ准则对所述原始能耗数据进行第一次误差处理,剔除其中的粗大误差。
本步骤实施时,利用3σ准则对包括“UPS输出电量、职场变压器功率、数据中心用电量、机房IT功率的数据”在内的四组设备能耗数据进行第一次误差处理,剔除其中的粗大误差部分。3σ准则又称为拉依达准则,适用于在原始检测数据较多的情况下对较大误差进行剔除。其原理是,先假设一组检测数据只含有随机误差,对其进行计算处理得到标准偏差,按一定概率确定一个区间,定义凡是超过这个区间的误差均不属于随机误差,而属于粗大误差,含有粗大误差的原始检测数据应当予以剔除。
例如,根据3σ准则处理UPS输出电量的原始能耗数据时可按如下步骤操作:
(1)定义原始能耗数据为Y,在指定时间内求得所有Y的均值μ:
n为非零自然数;
(2)定义Y的标准差为σ,根据此前求得的μ计算σ:
n为非零自然数。
3σ准则的普遍定义如下:
数值分布在(μ-σ,μ+σ)中的概率为0.6827
数值分布在(μ-2σ,μ+2σ)中的概率为0.9545
数值分布在(μ-3σ,μ+3σ)中的概率为0.9973
根据该普遍定义,将3σ准则应用到本申请中时,可认为Y的取值几乎全部集中在(μ-3σ,μ+3σ)区间内,超出这个范围的可能性仅占不到0.3%,即定义超出这个范围的数据为粗大误差,作剔除处理。
步骤S202,利用五点线性平滑对经过第一次误差处理后的所述原始能耗数据进行第二次误差处理,得到能耗数据。
平滑处理也称模糊处理,是一项简单且使用频率很高的图形、图像处理方法,其目的是消除噪音,减少图形、图像的失真,尤其在降低图像分辨率,比如图形图像缩小或者因为某些显示设备的显示局限而不得不缩减图形的显示区域时,平滑处理是确保图像显示正确的保障。
本实施例,对获取的能耗数据进行两次误差处理,能够降低数据误差,使处理后的能耗数据能够更精准体现机房或者数据中心关注的电耗数据。
在一个实施例中,图3为本申请在一个实施例中的一种基于趋势预测的能耗数据预警方法中的趋势预测过程的示意图,如图3所示,所述步骤S3,提取所述能耗数据所携带的特征标识,根据所述特征标识判断所述能耗数据的类别,根据所述能耗数据的类别,采用相应的趋势预测工具对设备能耗进行趋势预测,得到趋势预测的结果,包括:
步骤S301,提取所述能耗数据所携带的特征标识,根据所述特征标识判断所述能耗数据的类别;
本步骤中,从机房监控***获得的原始能耗数据中携带有特征标识,不同类别的能耗数据携带的特征标识不一样。所以,可以从所述能耗数据中提取所述特征标识,根据所述特征标识判断所述能耗数据的类别,比如,若特征标识为红色,则可以判断该能耗数据为季节性的能耗数据。
步骤S302,若所述能耗数据为季节性的能耗数据,采用季节性趋势预测工具根据所述能耗数据对设备能耗进行趋势预测,得到趋势预测的结果;
本申请中,不同类型的能耗数据具有不同的特征属性,因此采用不同的趋势预测方法进行预测。对于“职场变压器功率、数据中心用电量”等受周期、季节影响的能耗数据,由于受到季节等因素的影响,会呈现出周期性变化的趋势,因此,采用季节性趋势预测工具来预测下一周期的数据。
具体的,提取所述季节性的能耗数据中的前n年的能耗数据,以每一季度的能耗数据作为样本,其中,n为大于等于2的整数。根据所有所述样本,计算样本平均值和每一季度的季节平均值,再根据所述样本平均值和所述每一季度的季节平均值,计算每一季度的季节因子。利用指数平滑平均法对前n年的所述季节性的能耗数据进行整体预测后得到一个预测值,将所述预测值乘以对应的季节因子后就可以得到对应季节的趋势预测结果。
步骤S303,若所述能耗数据为非季节性的能耗数据,采用最小二乘法根据所述能耗数据对设备能耗进行趋势预测,得到趋势预测的结果。
本步骤中,对于“UPS输出电量、机房IT功率”等非季节性、周期性的能耗数据,由于没有明显的趋势变化规律,数据呈现分散结构,因此,采用最小二乘法对这类分散数据进行拟合,通过拟合出来的直线,可以预测出数据的变化规律。
具体的,提取所述非季节性的能耗数据中的前n年的能耗数据,其中,n为大于等于2的整数;根据前n年的所述能耗数据绘制数据散点图,所述数据散点图以时间为横坐标,以所述能耗数据的数值为纵坐标;根据所述数据散点图利用最小二乘法绘制数据变化趋势的曲线,根据所述数据变化趋势的曲线的斜率,得到所述非季节性的能耗数据的趋势预测的结果。
本实施例,提高了趋势预测的准确度和可信度,使预测更具有针对性。
在一个实施例中,所述步骤S4,将所述趋势预测的结果与预设的报警阈值进行比较,根据比较结果确定待发出的提示信息的种类,包括:
将所述趋势预测的结果与预设的所述报警阈值进行比较;
本步骤中,所述趋势预测的结果包括季节性的设备能耗和非季节性的设备能耗两种结果,预设的所述报警阈值是预先设置的,它是根据历史能耗数据总结出,并且根据现实情况不断优化的。预设的所述报警阈值也包括针对季节性的设备能耗和针对非季节性的设备能耗。其中,针对季节性的报警阈值又分为:第一季度、第二季度、第三季度和第四季度。
当所述趋势预测的结果超过所述报警阈值,则向运维人员发出标识设备能耗处于不安全范围的提示信息;
本步骤中,当所述趋势预测的结果超过所述报警阈值,表明按照前n年的能耗数据的趋势走向来看,下一周期或下一次的设备能耗将会出现异常,进一步影响数据中心供电安全,所以向运维人员发出标识设备能耗处于不安全范围的提示信息,且触发报警,提前告知数据中心运维人员做相关准备。
当所述趋势预测的结果未超过所述预设的报警阈值,则向运维人员发出标识设备能耗在安全范围内的提示消息。
本步骤中,当所述趋势预测的结果未超过所述预设的报警阈值,表明按照前n年的能耗数据的趋势走向来看,下一周期或下一次的设备能耗将不会出现异常,处于安全范围内,所以向运维人员发出标识设备能耗处于安全范围内的提示信息。
本实施例,当预测值超出报警阈值时,触发报警,提前告知数据中心运维人员做相关准备,相对减少了数据中心供电安全问题的出现。
在一个实施例中,所述若所述能耗数据为季节性的能耗数据,采用季节性趋势预测工具根据所述能耗数据对设备能耗进行趋势预测,得到趋势预测的结果,包括:
提取所述季节性的能耗数据中的前n年的能耗数据,以每一季度的能耗数据作为样本,其中,n为大于等于2的整数;
本步骤中,n的取值范围为大于等于2的整数,即n可以为2、3、4、5、6、7等等。较佳的,当n的取值在3~5之间,预测的结果会更准确一点。
根据所有所述样本,计算样本平均值S:
上式中,S为样本平均值,Pi、Wi、Mi、Ki分别为第i年的第一季度、第二季度、第三季度、第四季度的能耗数据,4n为前n年的所述季节性的能耗数据的样本总数;
计算每一季度的季节平均值,计算公式为:
上式中,R为任一季度的季节平均值,Yi为第i年的任一季度的能耗数据,当Y=P,Y为第一季度的能耗数据,当Y=W,Y为第二季度的能耗数据,当Y=M,Y为第三季度的能耗数据,当Y=K,Y为第四季度的能耗数据;
根据所述样本平均值和所述每一季度的季节平均值,计算每一季度的季节因子,所述每一季度的季节因子T通过以下算式计算得到:
利用指数平滑平均法对前n年的所述季节性的能耗数据进行整体预测后得到预测值,将所述预测值乘以对应的季节因子后得到对应季节的趋势预测结果。
在一个实施例中,所述若所述能耗数据为非季节性的能耗数据,采用最小二乘法根据所述能耗数据对设备能耗进行趋势预测,得到趋势预测的结果,包括:
提取所述非季节性的能耗数据中的前n年的能耗数据,其中,n为大于等于2的整数;
本步骤中,n的取值范围为大于等于2的整数,即n可以为2、3、4、5、6、7等等。较佳的,当n的取值在3~5之间,预测的结果会更准确一点。
根据前n年的所述能耗数据绘制数据散点图,所述数据散点图以时间为横坐标,以所述能耗数据的数值为纵坐标;
根据所述数据散点图利用最小二乘法绘制数据变化趋势的曲线,根据所述数据变化趋势的曲线的斜率,得到所述非季节性的能耗数据的趋势预测的结果。
在一个实施例中,提出一种基于趋势预测的能耗数据预警装置,如图4所示,包括获取模块、误差处理模块、预测模块、比较模块,具体的:
获取模块,设置为获取机房设备的原始能耗数据;
误差处理模块,设置为对所述原始能耗数据进行误差处理后得到能耗数据;
预测模块,设置为提取所述能耗数据所携带的特征标识,根据所述特征标识判断所述能耗数据的类别,根据所述能耗数据的类别,采用相应的趋势预测工具对设备能耗进行趋势预测,得到趋势预测的结果;
比较模块,设置为将所述趋势预测的结果与预设的报警阈值进行比较,根据比较结果确定待发出的提示信息的种类。
在一个实施例中,提出一种计算机设备,所述计算机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,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行计算机可读指令时实现上述各实施例中所述的基于趋势预测的能耗数据预警方法的步骤。
在一个实施例中,提出一种存储介质,所述存储介质可被处理器读写,所述存储介质存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述各实施例中所述的基于趋势预测的能耗数据预警方法的步骤。其中,所述存储介质可以为非易失性存储介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明一些示例性实施例,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于趋势预测的能耗数据预警方法,其特征在于,包括:
获取机房设备的原始能耗数据;
对所述原始能耗数据进行误差处理后得到能耗数据;
提取所述能耗数据所携带的特征标识,根据所述特征标识判断所述能耗数据的类别,根据所述能耗数据的类别,采用相应的趋势预测工具对设备能耗进行趋势预测,得到趋势预测的结果;
将所述趋势预测的结果与预设的报警阈值进行比较,根据比较结果确定待发出的提示信息的种类。
2.如权利要求1所述的基于趋势预测的能耗数据预警方法,其特征在于,所述获取机房设备的原始能耗数据,包括:
获取所述机房设备的原始能耗数据的关键词,根据所述关键词生成数据获取请求;
通过机房监控***提供的接口连接到所述机房监控***,连接成功后发送所述数据获取请求;
接收所述机房监控***根据所述数据获取请求返回的反馈信息,并从所述反馈信息中提取所述原始能耗数据。
3.如权利要求1所述的基于趋势预测的能耗数据预警方法,其特征在于,所述对所述原始能耗数据进行误差处理后得到能耗数据,包括:
利用3σ准则对所述原始能耗数据进行第一次误差处理,剔除其中的粗大误差;
利用五点线性平滑对经过第一次误差处理后的所述原始能耗数据进行第二次误差处理,得到能耗数据。
4.如权利要求1所述的基于趋势预测的能耗数据预警方法,其特征在于,所述提取所述能耗数据所携带的特征标识,根据所述特征标识判断所述能耗数据的类别,根据所述能耗数据的类别,采用相应的趋势预测工具对设备能耗进行趋势预测,得到趋势预测的结果,包括:
提取所述能耗数据所携带的特征标识,根据所述特征标识判断所述能耗数据的类别;
若所述能耗数据为季节性的能耗数据,采用季节性趋势预测工具根据所述能耗数据对设备能耗进行趋势预测,得到趋势预测的结果;
若所述能耗数据为非季节性的能耗数据,采用最小二乘法根据所述能耗数据对设备能耗进行趋势预测,得到趋势预测的结果。
5.如权利要求1所述的基于趋势预测的能耗数据预警方法,其特征在于,所述将所述趋势预测的结果与预设的报警阈值进行比较,根据比较结果确定待发出的提示信息的种类,包括:
将所述趋势预测的结果与预设的所述报警阈值进行比较;
当所述趋势预测的结果超过所述报警阈值,则向运维人员发出标识设备能耗处于不安全范围的提示信息;
当所述趋势预测的结果未超过所述预设的报警阈值,则向运维人员发出标识设备能耗在安全范围内的提示消息。
6.如权利要求4所述的基于趋势预测的能耗数据预警方法,其特征在于,所述若所述能耗数据为季节性的能耗数据,采用季节性趋势预测工具根据所述能耗数据对设备能耗进行趋势预测,得到趋势预测的结果,包括:
提取所述季节性的能耗数据中的前n年的能耗数据,以每一季度的能耗数据作为样本,其中,n为大于等于2的整数;
根据所有所述样本,计算样本平均值S:
上式中,S为样本平均值,Pi、Wi、Mi、Ki分别为第i年的第一季度、第二季度、第三季度、第四季度的能耗数据,4n为前n年的所述季节性的能耗数据的样本总数;
计算每一季度的季节平均值,计算公式为:
上式中,R为任一季度的季节平均值,Yi为第i年的任一季度的能耗数据,当Y=P,Y为第一季度的能耗数据,当Y=W,Y为第二季度的能耗数据,当Y=M,Y为第三季度的能耗数据,当Y=K,Y为第四季度的能耗数据;
根据所述样本平均值和所述每一季度的季节平均值,计算每一季度的季节因子,所述每一季度的季节因子T通过以下算式计算得到:
利用指数平滑平均法对前n年的所述季节性的能耗数据进行整体预测后得到预测值,将所述预测值乘以对应的季节因子后得到对应季节的趋势预测结果。
7.如权利要求4所述的基于趋势预测的能耗数据预警方法,其特征在于,所述若所述能耗数据为非季节性的能耗数据,采用最小二乘法根据所述能耗数据对设备能耗进行趋势预测,得到趋势预测的结果,包括:
提取所述非季节性的能耗数据中的前n年的能耗数据,其中,n为大于等于2的整数;
根据前n年的所述能耗数据绘制数据散点图,所述数据散点图以时间为横坐标,以所述能耗数据的数值为纵坐标;
根据所述数据散点图利用最小二乘法绘制数据变化趋势的曲线,根据所述数据变化趋势的曲线的斜率,得到所述非季节性的能耗数据的趋势预测的结果。
8.一种基于趋势预测的能耗数据预警装置,其特征在于,包括如下模块:
获取模块,设置为获取机房设备的原始能耗数据;
误差处理模块,设置为对所述原始能耗数据进行误差处理后得到能耗数据;
预测模块,设置为提取所述能耗数据所携带的特征标识,根据所述特征标识判断所述能耗数据的类别,根据所述能耗数据的类别,采用相应的趋势预测工具对设备能耗进行趋势预测,得到趋势预测的结果;
比较模块,设置为将所述趋势预测的结果与预设的报警阈值进行比较,根据比较结果确定待发出的提示信息的种类。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被一个或多个所述处理器执行时,使得一个或多个所述处理器执行如权利要求1至7中任一项所述的基于趋势预测的能耗数据预警方法的步骤。
10.一种存储介质,其特征在于,所述存储介质可被处理器读写,所述存储介质存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个所述处理器执行如权利要求1至7中任一项所述的基于趋势预测的能耗数据预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910182403.5A CN110046744A (zh) | 2019-03-12 | 2019-03-12 | 基于趋势预测的能耗数据预警方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910182403.5A CN110046744A (zh) | 2019-03-12 | 2019-03-12 | 基于趋势预测的能耗数据预警方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110046744A true CN110046744A (zh) | 2019-07-23 |
Family
ID=67273678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910182403.5A Pending CN110046744A (zh) | 2019-03-12 | 2019-03-12 | 基于趋势预测的能耗数据预警方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046744A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111198799A (zh) * | 2019-12-31 | 2020-05-26 | 苏州浪潮智能科技有限公司 | 一种基于lstm的机房功耗预警方法、***、终端及存储介质 |
CN111539563A (zh) * | 2020-04-13 | 2020-08-14 | 珠海格力电器股份有限公司 | 一种用能安全状态预测方法、装置、服务器及存储介质 |
CN111968356A (zh) * | 2020-08-11 | 2020-11-20 | 重庆电子工程职业学院 | 一种智能化建筑能耗监测***及方法 |
CN113643521A (zh) * | 2021-08-12 | 2021-11-12 | 北京智盟信通科技有限公司 | 一种电力设备的设备状态预警方法、装置和电子设备 |
WO2021248690A1 (zh) * | 2020-06-11 | 2021-12-16 | 烽火通信科技股份有限公司 | 光通道性能劣化智能预警方法、装置、设备及存储介质 |
CN116663747A (zh) * | 2023-07-19 | 2023-08-29 | 广东云下汇金科技有限公司 | 一种基于数据中心基础设施的智能预警方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268424A (zh) * | 2014-10-12 | 2015-01-07 | 刘岩 | 一种基于时间序列的地铁能耗综合预测方法 |
CN104268651A (zh) * | 2014-09-28 | 2015-01-07 | 江南大学 | 基于小波多尺度三次指数平滑模型的季节性能耗数据预测方法 |
CN105676670A (zh) * | 2014-11-18 | 2016-06-15 | 北京翼虎能源科技有限公司 | 用于处理能源数据的方法和*** |
CN107122880A (zh) * | 2017-03-06 | 2017-09-01 | 国家电网公司 | 一种基于指数平滑法的电力设备告警信息趋势预测方法 |
CN108376299A (zh) * | 2018-02-27 | 2018-08-07 | 深圳市智物联网络有限公司 | 一种设备运行趋势的预测方法及装置 |
CN109376934A (zh) * | 2018-10-31 | 2019-02-22 | 广东兴发铝业有限公司 | 一种基于大数据的挤压机的能耗预测方法 |
-
2019
- 2019-03-12 CN CN201910182403.5A patent/CN110046744A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268651A (zh) * | 2014-09-28 | 2015-01-07 | 江南大学 | 基于小波多尺度三次指数平滑模型的季节性能耗数据预测方法 |
CN104268424A (zh) * | 2014-10-12 | 2015-01-07 | 刘岩 | 一种基于时间序列的地铁能耗综合预测方法 |
CN105676670A (zh) * | 2014-11-18 | 2016-06-15 | 北京翼虎能源科技有限公司 | 用于处理能源数据的方法和*** |
CN107122880A (zh) * | 2017-03-06 | 2017-09-01 | 国家电网公司 | 一种基于指数平滑法的电力设备告警信息趋势预测方法 |
CN108376299A (zh) * | 2018-02-27 | 2018-08-07 | 深圳市智物联网络有限公司 | 一种设备运行趋势的预测方法及装置 |
CN109376934A (zh) * | 2018-10-31 | 2019-02-22 | 广东兴发铝业有限公司 | 一种基于大数据的挤压机的能耗预测方法 |
Non-Patent Citations (3)
Title |
---|
周玉佳: "《城市能耗的短期预测组合模型研究》", 《中国优秀硕士学位论文全文数据库 (经济与管理科学辑)》 * |
朱强等: "《基于MATLAB 与最小二乘法的能耗数据处理方法》", 《北京印刷学院学报》 * |
王斌等: "《互换性与技术测量实验指导书》", 31 October 2015, 西安电子科技大学出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111198799A (zh) * | 2019-12-31 | 2020-05-26 | 苏州浪潮智能科技有限公司 | 一种基于lstm的机房功耗预警方法、***、终端及存储介质 |
CN111539563A (zh) * | 2020-04-13 | 2020-08-14 | 珠海格力电器股份有限公司 | 一种用能安全状态预测方法、装置、服务器及存储介质 |
WO2021248690A1 (zh) * | 2020-06-11 | 2021-12-16 | 烽火通信科技股份有限公司 | 光通道性能劣化智能预警方法、装置、设备及存储介质 |
CN111968356A (zh) * | 2020-08-11 | 2020-11-20 | 重庆电子工程职业学院 | 一种智能化建筑能耗监测***及方法 |
CN113643521A (zh) * | 2021-08-12 | 2021-11-12 | 北京智盟信通科技有限公司 | 一种电力设备的设备状态预警方法、装置和电子设备 |
CN116663747A (zh) * | 2023-07-19 | 2023-08-29 | 广东云下汇金科技有限公司 | 一种基于数据中心基础设施的智能预警方法及*** |
CN116663747B (zh) * | 2023-07-19 | 2024-04-12 | 广东云下汇金科技有限公司 | 一种基于数据中心基础设施的智能预警方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046744A (zh) | 基于趋势预测的能耗数据预警方法及相关设备 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
Wang et al. | Multi-criteria building energy performance benchmarking through variable clustering based compromise TOPSIS with objective entropy weighting | |
Gao et al. | A new methodology for building energy performance benchmarking: An approach based on intelligent clustering algorithm | |
Chang et al. | Data and analytics for heating energy consumption of residential buildings: The case of a severe cold climate region of China | |
CN108593990B (zh) | 一种基于电能用户用电行为模式的窃电检测方法和应用 | |
US10175709B2 (en) | Consumer electric power control system and consumer electric power control method | |
CN109977132B (zh) | 一种基于无监督聚类模式的学生异常行为模式分析方法 | |
Lahdelma et al. | Multivariate Gaussian criteria in SMAA | |
CN108700851A (zh) | 用于预测能量消耗的***、方法和基于云的平台 | |
CN110782153A (zh) | 一种企业园区综合能效评估体系建模方法及*** | |
Chen et al. | An energy planning oriented method for analyzing spatial-temporal characteristics of electric loads for heating/cooling in district buildings with a case study of one university campus | |
CN108364187A (zh) | 一种基于停电敏感特性的停电敏感用户确定方法和*** | |
Li | Fuzzy approach to analysis of flood risk based on variable fuzzy sets and improved information diffusion methods | |
CN113554361B (zh) | 一种综合能源***数据处理计算方法及处理*** | |
CN107527121A (zh) | 一种电网的信息***运行状态诊断预测的方法 | |
CN106296315A (zh) | 基于用户用电数据的情境感知*** | |
CN109034490A (zh) | 一种电力负荷预测方法、装置、设备及存储介质 | |
Frank et al. | Extracting operating modes from building electrical load data | |
CN105488598A (zh) | 一种基于模糊聚类的中长期电力负荷预测方法 | |
Zhou et al. | A dynamic energy benchmarking methodology on room level for energy performance evaluation | |
Lin et al. | Characterizing cooling load in multi-area airport terminal buildings: Clustering and uncertainty analysis for energy flexibility | |
CN105303194A (zh) | 一种电网指标体系建立方法、装置以及计算设备 | |
CN112365164A (zh) | 基于改进密度峰值快速搜索聚类算法的中大型能源用户用能特性画像方法 | |
Onile et al. | A comparative study on graph-based ranking algorithms for consumer-oriented demand side management |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190723 |