CN110298456A - 集群***中设备维护排程方法及装置 - Google Patents

Abstract

本发明公开了一种集群***中设备维护排程方法及装置，该方法包括：建立集群***中各设备对应的能效衰退模型；确定所述设备的能效与负载的关系，并根据所述能效与负载的关系分配各设备的负载；预测***未来输出功率需求量；根据各设备对应的能效衰退模型、分配的负载、以及所述***未来输出功率需求量，确定设备维护排程计划。利用本发明，可以合理分配设备负载，使得设备尽量在最佳能效区间内运行，总能耗最小；而且可以有效提高设备维护排程的智能化及有效性。

Description

集群***中设备维护排程方法及装置

技术领域

本发明涉及数据处理领域，具体涉及一种集群***中设备维护排程方法及装置。

背景技术

工业能源设备(如冰机、空压机等)每年的能耗非常巨大，其能效水平是一个非常重要的指标，举例而言，一台1000kW的冰机如果能效下降1％，那么运转一年节省的能耗损失足够购买一台新机。因此，需要对这些高功耗的能源设备进行一定策略的维护保养，以使设备保持较高的能效水平。而维护保养是需要花费经济、时间和人力成本的，设备的维护停机也不能影响生产需求，所以通常是由有经验的工程师来制定维护排程。但人工排程会存在以下问题：

(1)维护排程有优化空间，会发生“过维护”，浪费维护成本，或“欠维护”，造成能耗损失；

(2)浪费人力，每次排程计划需要有经验的工程师来做，费时费力，而且这些经验难以传承，培训教育的成本更高。

发明内容

本发明实施例提供一种集群***中设备维护排程方法及装置，以解决现有技术通过人工进行维护排程的不足，提高设备维护排程的智能化及有效性。

为此，本发明提供如下技术方案：

一种集群***中设备维护排程方法，所述方法包括：

建立集群***中各设备对应的能效衰退模型；

确定所述设备的能效与负载的关系，并根据所述能效与负载的关系分配各设备的负载；

预测***未来输出功率需求量；

根据各设备对应的能效衰退模型、分配的负载、以及所述***未来输出功率需求量，确定设备维护排程计划。

可选地，所述建立集群***中各设备对应的能效衰退模型包括：

收集所述设备的历史数据；

根据所述历史数据计算能效，得到多个离散的能效值；

基于所述多个离散的能效值构建与所述设备对应的能效衰退模型。

可选地，所述基于所述多个离散的能效值构建与所述设备对应的能效衰退模型包括：

基于所述多个离散的能效值，利用以下任意一种方法构建与所述设备对应的能效衰退模型：曲线拟合、逻辑回归、统计模式识别。

可选地，所述根据所述能效与负载的关系分配各设备的负载包括：

将所述能效与负载的关系转化为输出功率与实际耗电量的关系；

根据负载分配原则建立数学模型，所述负载分配原则包括：在满足集群***当前输出功率需求的前提下，保证集群***总能效最高、设备耗电量最节省；

利用所述数学模型及所述输出功率与实际耗电量的关系，确定各设备的负载。

可选地，所述根据各设备对应的能效衰退模型、分配的负载、以及所述***未来输出功率需求量，确定设备维护排程计划包括：

以最小化总成本为目标建立设备维护排程模型；

训练模型参数；

根据所述模型参数得到设备维护排程计划。

一种集群***中设备维护排程装置，所述装置包括：

能效衰退模型建立模块，用于建立集群***中各设备对应的能效衰退模型；

负载分配模块，用于确定所述设备的能效与负载的关系，并根据所述能效与负载的关系分配各设备的负载；

预测模块，用于预测***未来输出功率需求量；

维护排程模块，用于根据各设备对应的能效衰退模型、分配的负载、以及所述***未来输出功率需求量，确定设备维护排程计划。

可选地，所述能效衰退模型建立模块包括：

数据收集单元，用于收集所述设备的历史数据；

能效值计算单元，用于计算计算根据所述历史数据计算能效，得到多个离散的能效值；

能效模型建立单元，用于基于所述多个离散的能效值构建与所述设备对应的能效衰退模型。

可选地，所述能效模型建立单元，具体用于基于所述多个离散的能效值，利用以下任意一种方法构建与所述设备对应的能效衰退模型：曲线拟合、逻辑回归、统计模式识别。

可选地，所述负载分配模块包括：

关系确定单元，用于确定所述设备的能效与负载的关系；

关系转换单元，用于将所述能效与负载的关系转化为输出功率与实际耗电量的关系；

数学模型建立单元，用于根据负载分配原则建立数学模型，所述负载分配原则包括：在满足集群***当前输出功率需求的前提下，保证集群***总能效最高、设备耗电量最节省；

负载确定单元，用于利用所述数学模型及所述输出功率与实际耗电量的关系，确定各设备的负载。

可选地，所述维护排程模块包括：

排程模型建立单元，用于以最小化总成本为目标建立设备维护排程模型；

训练单元，用于训练模型参数；

排程计划输出单元，用于根据所述模型参数得到设备维护排程计划。

一种电子设备，包括：一个或多个处理器、存储器；

所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，以实现前面所述的方法。

一种可读存储介质，其上存储有指令，所述指令被执行以实现前面所述的方法。

本发明实施例提供的集群***中设备维护排程方法及装置，建立集群***中各设备对应的能效衰退模型；确定所述设备的能效与负载的关系，并根据所述能效与负载的关系分配各设备的负载；预测***未来输出功率需求量；根据各设备对应的能效衰退模型、分配的负载、以及所述***未来输出功率需求量，确定设备维护排程计划。本发明方案通过评估每台设备当前的能效，以及设备自身由于负载不同造成的能效变化，可以合理分配设备负载，使得设备尽量在最佳能效区间内运行，总能耗最小；而且，综合考虑设备的能效衰退趋势，根据当前能效最佳分配负载，以及***未来的目标需求量预测，建立长时间的设备维护排程模型，以取代传统的人工排程，从而有效地提高了设备维护排程的智能化及有效性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是本发明实施例集群***中设备维护排程方法的一种流程图；

图2是本发明实施例中设备能效衰退曲线示意图；

图3是本发明实施例中冰机的能效衰退模型示意图；

图4是本发明实施例中冰机的能效与负载的关系曲线；

图5是本发明实施例中冰机的输出功率与实际耗电量的关系曲线；

图6是冰机***采用不同的设备维护排程方式对***的影响结果；

图7是本发明实施例集群***中设备维护排程装置的一种结构框图；

图8是本发明实施例中负载分配模块的一种结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。

本发明实施例提供一种集群***中设备维护排程方法及装置，本发明实施例提供的集群***中设备维护排程方法及装置，建立集群***中各设备对应的能效衰退模型；确定所述设备的能效与负载的关系，并根据所述能效与负载的关系分配各设备的负载；预测***未来输出功率需求量；根据各设备对应的能效衰退模型、分配的负载、以及所述***未来输出功率需求量，确定设备维护排程计划。

如图1所示，是本发明实施例集群***中设备维护排程方法的一种流程图，包括以下步骤：

步骤101，建立集群***中各设备对应的能效衰退模型。

能源设备的能效一般由所述设备的输出功率/设备实际耗电量表示，此能效值越大说明设备的能量转化效率越高，性能越好。不同设备由于使用年限不同，或者厂牌型号等不同，其能效衰退的趋势是有差异的。一般的设备能效衰退曲线如图2所示，其中，横轴为时间，纵轴为能效，能效的实际值如图2中的曲线L1所示，其变化趋势如图2中的曲线L2所示。

在本发明实施例中，可以针对集群***中的各设备，分别建立该设备对应的能效衰退模型。所述能效衰退模型反映了设备的能效的衰退趋势，也就是说，能效值随时间变化的趋势。

在建立能效衰退模型时，可以通过收集所述设备的历史数据，根据所述历史数据计算能效，得到多个离散的能效值；然后基于所述多个离散的能效值构建与所述设备对应的能效衰退模型，比如，通过曲线拟合、或者逻辑回归、或者统计模式识别等方式来得到所述设备对应的能效衰退模型。

需要说明的是，对于收集的历史数据，还需要进行降噪处理，即去除其中的异常值，以使最终得到的能效衰退模型更准确。

利用所述能效衰退模型，可以预测接下来一段时间所述设备的能效值。

由于不同设备的能效衰退趋势也会有所不同，因此在本发明实施例中，需要针对集群***中的每个设备，分别建立该设备对应的能效衰退模型。

步骤102，确定所述设备的能效与负载的关系，并根据所述能效与负载的关系分配各设备的负载。

根据***不同的目标需求量(比如制冷量、或者用气量等)，需要集群***中所有设备输出的总功率满足不同的需求，为此，需要将负载分配到不同的设备上。为求效率最大化，原则上会挑选性能最好的设备加载到负载上限，依此类推。然而一般的设备，其能效和负载之间会存在一定关系，负载过高或过低都会使得设备的能效下降。

前面提到，能效可以由输出功率/实际耗电量来表示，而负载可以由实际耗电量/额定耗电量表示，因此，可以将能效与负载的关系：能效＝F(负载)，转化为输出功率和实际耗电量的关系：输出功率＝F'(实际耗电量)，转换原理如下：

根据输出功率/实际耗电量＝F(实际耗电量/额定耗电量)，可以得到：

输出功率＝实际耗电量×F(实际耗电量/额定耗电量)；

由于额定耗电量和F是已知的，因此可以得出输出功率和耗电量的关系：输出功率＝F'(实际耗电量)。

基于上述原理，在进行负载分配时，首先根据当前设备的能效，评估出所述设备的能效与负载的关系。由于设备的能效与负载关系较为恒定，在设备出厂时会进行校准确认，但设备的实际能效会随着使用时间衰退，因此，可以根据当前的能效，对出厂时的负载-能效关系进行修正，得到设备当前的能效与负载的关系。

然后将所述设备的能效与负载的关系转化为输出功率与实际耗电量的关系，具体可用分段线性函数近似表达，表达式如式(1)：

其中，x表示设备当前的实际耗电量，f(x)表示设备在当前的实际耗电量下的输出功率，m1,...m9表示耗电区间值。

需要说明的是，上式中的各参数根据设备不同会有所调整。

对于集群***中的多台设备而言，需要合理分配各台设备的负载，达到在输出功率满足当前需求的前提下，***总能效最高、设备耗电量最节省的目的。因此，在本发明实施例中，可以设置以下负载分配原则：在满足集群***当前输出功率需求的前提下，保证集群***总能效最高、设备耗电量最节省。

在分配各设备的负载时，可以根据上述负载分配原则建立数学模型，然后利用所述数学模型及上述输出功率与实际耗电量的关系即可确定当前各设备的负载。具体地，可以利用所述数学模型将上述分段函数f(x)转化为标准线性规划问题进行求解，即可得到各设备的实际耗电量，进而可以得到各设备的负载。

步骤103，预测***未来输出功率需求量。

不论针对何种设备及应用环境，都可以根据集群***的目标需求量(比如制冷量、或者用气量等)确定集群***的输出功率需求量。因此，在本发明实施例中，可以对未来一段时间内***所需的输出功率进行预测。

在本发明实施例中，可以预先采集大量历史数据(即***输出功率)训练预测模型，具体地，可以利用时间序列预测模型或机器学习中的回归模型(比如随机森林模型、SVM、神经网络模型等)，以前一段时间的历史数据作为输入，以后续一段时间的数据作为输出进行训练，得到预测模型。

步骤104，根据各设备的能效衰退模型、所述负载分配模型、以及所述***未来需求量，确定设备维护排程计划。

为使能源设备在一个良好的能效水平上运转，需要进行定期的维护保养，目标是整体***在满足***目标需求量的前提下，尽量减少总成本。所述总成本比如可以包括运转电费和维护保养的固定成本。

通常，集群***设备维护有以下三个特点：

1)设备的能效衰退趋势在每个维保周期内基本一致，可认为近似相同；

2)每次维护耗时固定，在一个时间周期内完成；

3)每次维护后设备的能效回到初始状态。

基于上述特点，在本发明实施例中，可以建立如下数学模型：

将时间离散化，确定维护排程的时间单位，例如以天为单位，设时间总长度为T，记时间为t，t＝0,1,2,3,…,T；

每一个时间点的***输出功率需求量根据上述步骤103可知，为t的函数，记为R(t)；

有N台设备，记为n，n＝1,2,3,…,N；

一次维保的固定费用记为A；

决策变量为x_t,n＝{0,1}，表示在t时n号设备是否安排维护保养，序列{x_t,n}表示整个维保计划；

Pⁿ({x_t,n},t)表示按照{x_t,n}计划，n号设备在t时的能效值；

F(R(t),Pⁿ({x_t,n},t))表示根据各设备分配的负载计算得出的t时的耗电量，输入为t时的***输出功率需求量和t时的各台设备的能效值，各设备在t时的能效值根据步骤101建立的能效衰退模型可以得到；

根据所建的数学模型，目标函数为总费用，包括总时间内的电费和总执行维保次数的费用，得到设备维护排程模型，如式2：

该设备维护排程模型可用启发式算法进行求解，所述启发式算法比如可以是以下任意一种：遗传算法、粒子群算法、模拟退火算法等。此处以遗传算法为例，遗传算法的染色体为一个维保计划序列{x_t,n}，适应度函数即为式2，经过交叉、变异、选择操作的不断迭代，最终达到适应度函数收敛，得到模型参数。根据所述模型参数即可得到最佳维保计划，即上述序列{x_t,n}。

需要说明的是，集群***中的各设备可以具有不同的维护保养时间点，也就是说，在每次维护保养时，可以只对集群***中的某个或部分设备进行维护保养。

本发明实施例提供的集群***中设备维护排程方法，通过建立集群***中各设备对应的能效衰退模型；确定所述设备的能效与负载的关系，并根据所述能效与负载的关系分配各设备的负载；预测***未来输出功率需求量；根据各设备对应的能效衰退模型、分配的负载、以及所述***未来输出功率需求量，确定设备维护排程计划。本发明方案通过评估每台设备当前的能效，以及设备自身由于负载不同造成的能效变化，可以合理分配设备负载，使得设备尽量在最佳能效区间内运行，总能耗最小；而且，综合考虑设备的能效衰退趋势，根据当前能效最佳分配负载，以及***未来的目标需求量预测，建立长时间的设备维护排程模型，以取代传统的人工排程，从而有效地提高了设备维护排程的智能化及有效性。

下面结合具体示例进一步详细说明本发明方案。

以冰机(又称冰水机)为例，假设集群***中设置有三台冰机，分别为冰机A、冰机B、冰机C。

冰机的原理是将电能转化为制冷量，即降低通过冰机的水流温度，制冷量的表达式为：

制冷量(RT)＝水流量(m³/h)×(回水温度(℃)-供水温度(℃))×水比热容(4.1868kj/kg·℃)×水密度(1000kg/m³)/3600/(3.517kW/RT)；

因此，可以将制冷量/耗电量作为冰机的能效，以COP(Coefficient OfPerformance)表示，COP值越高说明单位耗电量的制冷量越高，冰机能效越好。

1)建立集群***中各冰机对应的能效衰退模型

冰机的能效用COP表示。利用前面步骤101所描述的方法，根据各冰机的历史数据，得到对应每个冰机的多个离散的能效值，利用这些能效值生成能效变化曲线，然后通过函数y＝1/(ax+b)+c(其中，a、b、c为待定参数，使用历史数据进行曲线拟合得到)对所述能效变化曲线进行曲线拟合，得到拟合后的曲线。使用该拟合后的曲线来表征能效衰退的趋势，即能效衰退模型，三台冰机对应的能效衰退模型如图3所示，其中，LA为冰机A对应的能效衰退模型，LB为冰机B对应的能效衰退模型，LC为冰机C对应的能效衰退模型。

利用各冰机对应的能效衰退模型，可以预测接下来一段时间各冰机的能效值。

2)建立负载分配模型

根据***当前制冷需求量，需要将负载分配到不同的设备上，为求效率最大化，原则上会挑选性能最好的设备加载到负载上限，依此类推。然而一般的能效设备会存在一个最佳能效区间，负载过高或过低都会导致设备在非最佳能效区间内运转，能效下降。

根据***当前制冷需求量，可以确定***内设备输出的总功率需求量。在建立负载分配模型时，首先根据当前冰机的能效，评估出所述冰机的能效与负载的关系，如图4所示；然后将所述能效与负载的关系转化为输出功率与实际耗电量的关系，如图5所示，具体可用分段线性函数近似表达，表达式可参见前面式(1)。

为了描述方便，下面分别以x₁，x₂，x₃表示三台冰机的实际耗电量，f₁(x₁)、f₂(x₂)、f₃(x₃)表示各冰机在当前实际耗电量下的输出功率。

对于多台冰机而言，需要合理分配各台冰机的负载，达到在满足当前制冷量需求的前提下，保证集群***总能效最高、设备耗电量最节省的目的。

基于上述原则，可以建立以下数学模型：

min x₁+x₂+x₃

S.t.

f₁(x₁)+f₂(x₂)+f₃(x₃)≥RT_need

0≤x₁，x₂，x₃≤Power_max

其中，RT_need表示集群***当前所需的输出功率，Power_max表示冰机的最大耗电量。

需要说明的是，上述数学模型可同样适用于有任意台冰机或其它设备的集群***。

该数学模型可将上述冰机制的输出功率与实际耗电量的关系函数f(x)转化为标准线性规划问题进行求解，即可得到各设备的实际耗电量，进而可以得到各设备的负载。

3)***输出功率需求量预测

对于冰机集群***，***的目标需求量为冰机制冷量，可以根据***未来需要的制冷量确定***的输出功率需求量。在实际应用中，预测***未来的制冷量有多种算法，比如可以选择历史的实际制冷量作为***目标需求量，然后根据***目标需求量确定***输出功率需求量。

4)设备维护排程

选取一天为一个单位时间，对360天的维护保养进行排程，即T＝360。每一天的制冷量需求采用历史真实数据，便于比较。冰机有三台，一次维保固定费用为5000元/次，建立上述式2的设备维护排程模型并求解，得到设备维护排程计划。

为了进一步说明本发明方案的有益效果，图6示出了冰机***采用不同的设备维护排程方式对***的影响结果。

图6中，L61为现有维保策略实施的冰机***的COP值，L62为按照每3个月实施一次维保(定期维保策略)实施的冰机***的COP值，L63为按照本发明实施例提供的维护排程方案实施的冰机***的COP值，对比结果如下表1所示：

表1

综合上述结果可以看出，经过本发明方案的维护排程优化，对比现有的维护排程计划，总成本可降低1.7％；对比常规的3个月维护排程计划，总成本可降低0.85％。

相应地，本发明实施例还提供一种集群***中设备维护排程装置，如图7所示，是该装置的一种结构框图。

在该实施例中，所述装置包括以下各模块：

能效衰退模型建立模块701，用于建立集群***中各设备对应的能效衰退模型；

负载分配模块702，用于确定所述设备的能效与负载的关系，并根据所述能效与负载的关系分配各设备的负载；

预测模块703，用于预测***未来输出功率需求量；

维护排程模块704，用于根据各设备对应的能效衰退模型、分配的负载、以及所述***未来输出功率需求量，确定设备维护排程计划。

在本发明实施例中，所述能效衰退模型建立模块701可以针对集群***中的各设备，分别建立该设备对应的能效衰退模型。所述能效衰退模型反映了设备的能效的衰退趋势，也就是说，能效值随时间变化的趋势。具体地，所述能效衰退模型建立模块701可以包括以下各单元：

数据收集单元，用于收集所述设备的历史数据；

能效值计算单元，用于计算计算根据所述历史数据计算能效，得到多个离散的能效值；

能效模型建立单元，用于基于所述多个离散的能效值构建与所述设备对应的能效衰退模型，比如，利用以下任意一种方法构建与所述设备对应的能效衰退模型：曲线拟合、逻辑回归、统计模式识别。

在本发明实施例中，所述负载分配模块702的一种具体结构如图8所示，包括以下各单元

关系确定单元721，用于确定所述设备的能效与负载的关系；

关系转换单元722，用于将所述能效与负载的关系转化为输出功率与实际耗电量的关系；

数学模型建立单元723，用于根据负载分配原则建立数学模型，所述负载分配原则包括：在满足集群***当前输出功率需求的前提下，保证集群***总能效最高、设备耗电量最节省；

负载确定单元，用于利用所述数学模型及所述输出功率与实际耗电量的关系，确定各设备的负载。

上述预测模块703具体可以利用预先训练的预测模型来预测***未来输出功率需求量。所述预测模型可以通过采集大量历史数据训练得到，具体训练过程与现有技术类似，在此不再赘述。

上述维护排程模块704可以通过设备维护排程模型来得到设备维护排程计划。建立所述设备维护排程模型的原则如下：使集群***在满足***目标需求量的前提下，尽量减少总成本。所述总成本比如可以包括运转电费和维护保养的固定成本。

相应地，所述维护排程模块704的一种具体结构可以包括以下各单元：

排程模型建立单元，用于以最小化总成本为目标建立设备维护排程模型；所述设备维护排程模型的建立过程可参见前面本发明方法实施例中的描述，在此不再赘述；

训练单元，用于训练模型参数，比如可以利用遗传算法训练得到所述设备维护排程模型的参数；

排程计划输出单元，用于根据所述模型参数得到设备维护排程计划。

需要说明的是，集群***中的各设备可以具有不同的维护保养时间点，也就是说，在每次维护保养时，可以只对集群***中的某个或部分设备进行维护保养。

需要说明的是，对于上述集群***中设备维护排程装置各实施例而言，由于各模块、单元的功能实现与相应的方法中类似，因此对所述对话生成装置各实施例描述得比较简单，相关之处可参见方法实施例的相应部分说明。

本发明实施例提供的集群***中设备维护排程装置，通过建立集群***中各设备对应的能效衰退模型；确定所述设备的能效与负载的关系，并根据所述能效与负载的关系分配各设备的负载；预测***未来输出功率需求量；根据各设备对应的能效衰退模型、分配的负载、以及所述***未来输出功率需求量，确定设备维护排程计划。本发明方案通过评估每台设备当前的能效，以及设备自身由于负载不同造成的能效变化，可以合理分配设备负载，使得设备尽量在最佳能效区间内运行，总能耗最小；而且，综合考虑设备的能效衰退趋势，根据当前能效最佳分配负载，以及***未来的目标需求量预测，建立长时间的设备维护排程模型，以取代传统的人工排程，从而有效地提高了设备维护排程的智能化及有效性。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。而且，以上所描述的***实施例仅仅是示意性的，其中作为分离部件说明的模块和单元可以是或者也可以不是物理上分开的，即可以位于一个网络单元上，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本领域普通技术人员可以理解实现上述方法实施方式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，所述的程序可以存储于计算机可读取存储介质中，这里所称的存储介质，如：ROM/RAM、磁碟、光盘等。

相应地，本发明实施例还提供一种用于集群***中设备维护排程方法的装置，该装置是一种电子设备，比如，可以是移动终端、计算机、平板设备、医疗设备、健身设备、个人数字助理等。所述电子设备可以包括一个或多个处理器、存储器；其中，所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，以实现前面各实施例所述的方法。

以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及装置，其仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围，本说明书内容不应理解为对本发明的限制。因此，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种集群***中设备维护排程方法，其特征在于，所述方法包括：

建立集群***中各设备对应的能效衰退模型；

确定所述设备的能效与负载的关系，并根据所述能效与负载的关系分配各设备的负载；

预测***未来输出功率需求量；

根据各设备对应的能效衰退模型、分配的负载、以及所述***未来输出功率需求量，确定设备维护排程计划。

2.根据权利要求1所述的方法，其特征在于，所述建立集群***中各设备对应的能效衰退模型包括：

收集所述设备的历史数据；

根据所述历史数据计算能效，得到多个离散的能效值；

基于所述多个离散的能效值构建与所述设备对应的能效衰退模型。

3.根据权利要求2所述的方法，其特征在于，所述基于所述多个离散的能效值构建与所述设备对应的能效衰退模型包括：

基于所述多个离散的能效值，利用以下任意一种方法构建与所述设备对应的能效衰退模型：曲线拟合、逻辑回归、统计模式识别。

4.根据权利要求1所述的方法，其特征在于，所述根据所述能效与负载的关系分配各设备的负载包括：

将所述能效与负载的关系转化为输出功率与实际耗电量的关系；

根据负载分配原则建立数学模型，所述负载分配原则包括：在满足集群***当前输出功率需求的前提下，保证集群***总能效最高、设备耗电量最节省；

利用所述数学模型及所述输出功率与实际耗电量的关系，确定各设备的负载。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述根据各设备对应的能效衰退模型、分配的负载、以及所述***未来输出功率需求量，确定设备维护排程计划包括：

以最小化总成本为目标建立设备维护排程模型；

训练模型参数；

根据所述模型参数得到设备维护排程计划。

6.一种集群***中设备维护排程装置，其特征在于，所述装置包括：

能效衰退模型建立模块，用于建立集群***中各设备对应的能效衰退模型；

负载分配模块，用于确定所述设备的能效与负载的关系，并根据所述能效与负载的关系分配各设备的负载；

预测模块，用于预测***未来输出功率需求量；

维护排程模块，用于根据各设备对应的能效衰退模型、分配的负载、以及所述***未来输出功率需求量，确定设备维护排程计划。

7.根据权利要求6所述的装置，其特征在于，所述能效衰退模型建立模块包括：

数据收集单元，用于收集所述设备的历史数据；

能效值计算单元，用于计算计算根据所述历史数据计算能效，得到多个离散的能效值；

能效模型建立单元，用于基于所述多个离散的能效值构建与所述设备对应的能效衰退模型。

8.根据权利要求7所述的装置，其特征在于，

所述能效模型建立单元，具体用于基于所述多个离散的能效值，利用以下任意一种方法构建与所述设备对应的能效衰退模型：曲线拟合、逻辑回归、统计模式识别。

9.根据权利要求6所述的装置，其特征在于，所述负载分配模块包括：

关系确定单元，用于确定所述设备的能效与负载的关系；

关系转换单元，用于将所述能效与负载的关系转化为输出功率与实际耗电量的关系；

数学模型建立单元，用于根据负载分配原则建立数学模型，所述负载分配原则包括：在满足集群***当前输出功率需求的前提下，保证集群***总能效最高、设备耗电量最节省；

负载确定单元，用于利用所述数学模型及所述输出功率与实际耗电量的关系，确定各设备的负载。

10.根据权利要求6至9任一项所述的装置，其特征在于，所述维护排程模块包括：

排程模型建立单元，用于以最小化总成本为目标建立设备维护排程模型；

训练单元，用于训练模型参数；

排程计划输出单元，用于根据所述模型参数得到设备维护排程计划。