CN113065599A - 一种用于数据中心的能耗数据采集方法 - Google Patents
一种用于数据中心的能耗数据采集方法 Download PDFInfo
- Publication number
- CN113065599A CN113065599A CN202110369506.XA CN202110369506A CN113065599A CN 113065599 A CN113065599 A CN 113065599A CN 202110369506 A CN202110369506 A CN 202110369506A CN 113065599 A CN113065599 A CN 113065599A
- Authority
- CN
- China
- Prior art keywords
- data
- energy consumption
- consumption data
- acquisition method
- 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.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000010219 correlation analysis Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 230000003203 everyday effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 238000013144 data compression Methods 0.000 claims description 4
- 230000006837 decompression Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- 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
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/2477—Temporal data queries
-
- 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
- G06F16/248—Presentation of query results
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
- G06N3/065—Analogue means
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Neurology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种用于数据中心的能耗数据采集方法,所述数据中心的能耗数据采集方法包括如下步骤:从电流、电压、功率、CPU空间占用率等各个方面对数据中心的能耗数据进行采集,并对采集到的数据进行预处理;基于特征提取算法,提取两组以上样本容量相同的能耗数据的特征子集,然后对数组能耗数据的特征子集进行相关分析;将数组能耗数据的特征子集分析出的数据以时间线分组进行比对,分析各个时间段中能耗数据的差异,分析数据中心在各个时间段的能耗的差异;将分析后的能耗数据的特征子集输入神经网络模拟器,对神经网络模拟器进行训练,得到能耗预测模型。
Description
技术领域
本申请涉及一种能耗数据采集装置,具体是一种用于数据中心的能耗数据采集方法。
背景技术
随着数据中心的迅猛发展,数据中心的能耗问题也越来越突出,有关数据中心的能源管理和供配电设计已经成为热门问题,高效可靠的数据中心配电***方案,是提高数据中心电能使用效率,降低设备能耗的有效方式。要实现数据中心的节能,首先需要对每个用电负载实现精确的监测,而数据中心负载回路非常的多,传统的测量仪表无法满足成本、体积、安装、施工等多方面的要求,因此需要采用适用于数据中心集中监控要求的多回路监控装置。
传统使用的数据中心的能耗数据采集方法存在一定缺陷,缺少能耗数据保存方法,不方便对过往的数据进行整理以及查找,不方便对能耗数据做出预测。因此,针对上述问题提出一种用于数据中心的能耗数据采集方法。
申请内容
一种用于数据中心的能耗数据采集方法,所述数据中心的能耗数据采集方法包括如下步骤:
(1)从电流、电压、功率、CPU空间占用率等各个方面对数据中心的能耗数据进行采集,将采集到的数据保存在处理器中,并对采集到的数据进行预处理;
(2)基于特征提取算法,提取两组以上样本容量相同的能耗数据的特征子集,各组能耗数据的时间段长度相同,取用各个时间段中能耗数据相对稳定且接***均值的数据,使得特征子集的数据具有代表性,然后对数组能耗数据的特征子集进行相关分析;
(3)将数组能耗数据的特征子集分析出的数据以时间线分组进行比对,分析各个时间段中能耗数据的差异,分析数据中心在各个时间段的能耗的差异;
(4)将分析后的能耗数据的特征子集输入神经网络模拟器,对神经网络模拟器进行训练,得到能耗预测模型,通过显示屏查看能耗数据与时间线的波线图,通过数据具体的时间查看各个时间点的能耗数据,并于实际的能耗数据进行对比。
进一步地,所述步骤(1)中通过电流测量器、电压测量器、功率检测器以及CPU检测器对数据中心的各个能耗数据进行采集,然后将采集后的数据收集在数据盘中,数据盘与处理器通过数据线进行电性连接,且数据盘安装在处理器内部。
进一步地,所述步骤(1)中通过数字输入模块对数据盘中的数据进行查找,便于查找数据盘中储存的数据。
进一步地,所述步骤(1)中数据盘对能耗数据进行保存时首先对能耗数据进行复制,将复制的能耗数据压缩保存在数据盘中,然后截取2-5组样本容量相同的能耗数据压缩文件进行解压,将解压后的数据与原数据进行比对,若压缩数据出现错误,则将压缩数据删除,并重新进行压缩处理,然后再次进行比对,若压缩数据未出现错误,将数据盘中的原数据进行删除。
进一步地,所述步骤(1)中通过单片机控制电流测量器、电压测量器、功率检测器以及CPU检测器工作,当各个检测器采集的数据完成后,单片机控制完成工作的检测器停止工作。
进一步地,所述步骤(3)中对能耗数据以时间点(年、月、日、时)命名,每小时作为一个数据段,然后以各个数据段能耗数据的平均值绘制折线图,观察各个时间段的能耗变化趋势。
进一步地,所述步骤(1)中使用数据输入模块输入需要检测数据的时间点,通过输入的时间点查找能耗数据的压缩文件,然后通过解压文件将能耗数据还原,便于对能耗数据进行定点检查。
进一步地,所述步骤(4)中将能耗数据的特征子集输入神经网络模拟器中,通过以往的能耗数据模拟出每天各个时间点的能耗数据。
进一步地,所述步骤(2)中提取2-10组样本容量相同的能耗数据的特征子集,然后对特征子集进行处理分析。
进一步地,所述步骤(4)中通过神经网络模拟器模拟每天各个时间点的能耗数据,然后与当天的能耗数据进行比对,若出现较大的误差,则需要加入更多组的能耗数据的特征子集分析数据,提高神经网络模拟器的精确度。
本申请的有益效果是:本申请提供了一种具有方便整理查找数据以及便于预测能耗数据功能的用于数据中心的能耗数据采集方法。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请的方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请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,以便这里描述的本申请的实施例。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。
在本申请中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本申请中的具体含义。
此外,术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如,可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例一:
一种用于数据中心的能耗数据采集方法,所述数据中心的能耗数据采集方法包括如下步骤:
(1)从电流、电压、功率、CPU空间占用率等各个方面对数据中心的能耗数据进行采集,将采集到的数据保存在处理器中,并对采集到的数据进行预处理;
(2)基于特征提取算法,提取两组以上样本容量相同的能耗数据的特征子集,各组能耗数据的时间段长度相同,取用各个时间段中能耗数据相对稳定且接***均值的数据,使得特征子集的数据具有代表性,然后对数组能耗数据的特征子集进行相关分析;
(3)将数组能耗数据的特征子集分析出的数据以时间线分组进行比对,分析各个时间段中能耗数据的差异,分析数据中心在各个时间段的能耗的差异;
(4)将分析后的能耗数据的特征子集输入神经网络模拟器,对神经网络模拟器进行训练,得到能耗预测模型,通过显示屏查看能耗数据与时间线的波线图,通过数据具体的时间查看各个时间点的能耗数据,并于实际的能耗数据进行对比。
进一步地,所述步骤(1)中通过电流测量器、电压测量器、功率检测器以及CPU检测器对数据中心的各个能耗数据进行采集,然后将采集后的数据收集在数据盘中,数据盘与处理器通过数据线进行电性连接,且数据盘安装在处理器内部。
进一步地,所述步骤(1)中通过数字输入模块对数据盘中的数据进行查找,便于查找数据盘中储存的数据。
进一步地,所述步骤(1)中数据盘对能耗数据进行保存时首先对能耗数据进行复制,将复制的能耗数据压缩保存在数据盘中,然后截取5组样本容量相同的能耗数据压缩文件进行解压,将解压后的数据与原数据进行比对,若压缩数据出现错误,则将压缩数据删除,并重新进行压缩处理,然后再次进行比对,若压缩数据未出现错误,将数据盘中的原数据进行删除。
进一步地,所述步骤(1)中通过单片机控制电流测量器、电压测量器、功率检测器以及CPU检测器工作,当各个检测器采集的数据完成后,单片机控制完成工作的检测器停止工作。
进一步地,所述步骤(3)中对能耗数据以时间点(年、月、日、时)命名,每小时作为一个数据段,然后以各个数据段能耗数据的平均值绘制折线图,观察各个时间段的能耗变化趋势。
进一步地,所述步骤(1)中使用数据输入模块输入需要检测数据的时间点,通过输入的时间点查找能耗数据的压缩文件,然后通过解压文件将能耗数据还原,便于对能耗数据进行定点检查。
进一步地,所述步骤(4)中将能耗数据的特征子集输入神经网络模拟器中,通过以往的能耗数据模拟出每天各个时间点的能耗数据。
进一步地,所述步骤(2)中提取10组样本容量相同的能耗数据的特征子集,然后对特征子集进行处理分析。
进一步地,所述步骤(4)中通过神经网络模拟器模拟每天各个时间点的能耗数据,然后与当天的能耗数据进行比对,若出现较大的误差,则需要加入更多组的能耗数据的特征子集分析数据,提高神经网络模拟器的精确度。
上述方法适用于数据中心样本容量大,数据样本保存数量多的能耗数据采集方法。
实施例二:
一种用于数据中心的能耗数据采集方法,所述数据中心的能耗数据采集方法包括如下步骤:
(1)从电流、电压、功率、CPU空间占用率等各个方面对数据中心的能耗数据进行采集,将采集到的数据保存在处理器中,并对采集到的数据进行预处理;
(2)基于特征提取算法,提取两组以上样本容量相同的能耗数据的特征子集,各组能耗数据的时间段长度相同,取用各个时间段中能耗数据相对稳定且接***均值的数据,使得特征子集的数据具有代表性,然后对数组能耗数据的特征子集进行相关分析;
(3)将数组能耗数据的特征子集分析出的数据以时间线分组进行比对,分析各个时间段中能耗数据的差异,分析数据中心在各个时间段的能耗的差异;
(4)将分析后的能耗数据的特征子集输入神经网络模拟器,对神经网络模拟器进行训练,得到能耗预测模型,通过显示屏查看能耗数据与时间线的波线图,通过数据具体的时间查看各个时间点的能耗数据,并于实际的能耗数据进行对比。
进一步地,所述步骤(1)中通过电流测量器、电压测量器、功率检测器以及CPU检测器对数据中心的各个能耗数据进行采集,然后将采集后的数据收集在数据盘中,数据盘与处理器通过数据线进行电性连接,且数据盘安装在处理器内部。
进一步地,所述步骤(1)中通过数字输入模块对数据盘中的数据进行查找,便于查找数据盘中储存的数据。
进一步地,所述步骤(1)中数据盘对能耗数据进行保存时首先对能耗数据进行复制,将复制的能耗数据压缩保存在数据盘中,然后截取2组样本容量相同的能耗数据压缩文件进行解压,将解压后的数据与原数据进行比对,若压缩数据出现错误,则将压缩数据删除,并重新进行压缩处理,然后再次进行比对,若压缩数据未出现错误,将数据盘中的原数据进行删除。
进一步地,所述步骤(1)中通过单片机控制电流测量器、电压测量器、功率检测器以及CPU检测器工作,当各个检测器采集的数据完成后,单片机控制完成工作的检测器停止工作。
进一步地,所述步骤(3)中对能耗数据以时间点(年、月、日、时)命名,每小时作为一个数据段,然后以各个数据段能耗数据的平均值绘制折线图,观察各个时间段的能耗变化趋势。
进一步地,所述步骤(1)中使用数据输入模块输入需要检测数据的时间点,通过输入的时间点查找能耗数据的压缩文件,然后通过解压文件将能耗数据还原,便于对能耗数据进行定点检查。
进一步地,所述步骤(4)中将能耗数据的特征子集输入神经网络模拟器中,通过以往的能耗数据模拟出每天各个时间点的能耗数据。
进一步地,所述步骤(2)中提取2组样本容量相同的能耗数据的特征子集,然后对特征子集进行处理分析。
进一步地,所述步骤(4)中通过神经网络模拟器模拟每天各个时间点的能耗数据,然后与当天的能耗数据进行比对,若出现较大的误差,则需要加入更多组的能耗数据的特征子集分析数据,提高神经网络模拟器的精确度。
上述方法适用于数据中心样本容量小,数据样本保存数量少的能耗数据采集方法
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种用于数据中心的能耗数据采集方法,其特征在于:所述数据中心的能耗数据采集方法包括如下步骤:
(1)从电流、电压、功率、CPU空间占用率等各个方面对数据中心的能耗数据进行采集,将采集到的数据保存在处理器中,并对采集到的数据进行预处理;
(2)基于特征提取算法,提取两组以上样本容量相同的能耗数据的特征子集,各组能耗数据的时间段长度相同,取用各个时间段中能耗数据相对稳定且接***均值的数据,使得特征子集的数据具有代表性,然后对数组能耗数据的特征子集进行相关分析;
(3)将数组能耗数据的特征子集分析出的数据以时间线分组进行比对,分析各个时间段中能耗数据的差异,分析数据中心在各个时间段的能耗的差异;
(4)将分析后的能耗数据的特征子集输入神经网络模拟器,对神经网络模拟器进行训练,得到能耗预测模型,通过显示屏查看能耗数据与时间线的波线图,通过数据具体的时间查看各个时间点的能耗数据,并于实际的能耗数据进行对比。
2.根据权利要求1所述的一种用于数据中心的能耗数据采集方法,其特征在于:所述步骤(1)中通过电流测量器、电压测量器、功率检测器以及CPU检测器对数据中心的各个能耗数据进行采集,然后将采集后的数据收集在数据盘中,数据盘与处理器通过数据线进行电性连接,且数据盘安装在处理器内部。
3.根据权利要求1所述的一种用于数据中心的能耗数据采集方法,其特征在于:所述步骤(1)中通过数字输入模块对数据盘中的数据进行查找,便于查找数据盘中储存的数据。
4.根据权利要求2所述的一种用于数据中心的能耗数据采集方法,其特征在于:所述步骤(1)中数据盘对能耗数据进行保存时首先对能耗数据进行复制,将复制的能耗数据压缩保存在数据盘中,然后截取2-5组样本容量相同的能耗数据压缩文件进行解压,将解压后的数据与原数据进行比对,若压缩数据出现错误,则将压缩数据删除,并重新进行压缩处理,然后再次进行比对,若压缩数据未出现错误,将数据盘中的原数据进行删除。
5.根据权利要求2所述的一种用于数据中心的能耗数据采集方法,其特征在于:所述步骤(1)中通过单片机控制电流测量器、电压测量器、功率检测器以及CPU检测器工作,当各个检测器采集的数据完成后,单片机控制完成工作的检测器停止工作。
6.根据权利要求1所述的一种用于数据中心的能耗数据采集方法,其特征在于:所述步骤(3)中对能耗数据以时间点(年、月、日、时)命名,每小时作为一个数据段,然后以各个数据段能耗数据的平均值绘制折线图,观察各个时间段的能耗变化趋势。
7.根据权利要求3所述的一种用于数据中心的能耗数据采集方法,其特征在于:所述步骤(1)中使用数据输入模块输入需要检测数据的时间点,通过输入的时间点查找能耗数据的压缩文件,然后通过解压文件将能耗数据还原,便于对能耗数据进行定点检查。
8.根据权利要求1所述的一种用于数据中心的能耗数据采集方法,其特征在于:所述步骤(4)中将能耗数据的特征子集输入神经网络模拟器中,通过以往的能耗数据模拟出每天各个时间点的能耗数据。
9.根据权利要求1所述的一种用于数据中心的能耗数据采集方法,其特征在于:所述步骤(2)中提取2-10组样本容量相同的能耗数据的特征子集,然后对特征子集进行处理分析。
10.根据权利要求1所述的一种用于数据中心的能耗数据采集方法,其特征在于:所述步骤(4)中通过神经网络模拟器模拟每天各个时间点的能耗数据,然后与当天的能耗数据进行比对,若出现较大的误差,则需要加入更多组的能耗数据的特征子集分析数据,提高神经网络模拟器的精确度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110369506.XA CN113065599A (zh) | 2021-04-06 | 2021-04-06 | 一种用于数据中心的能耗数据采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110369506.XA CN113065599A (zh) | 2021-04-06 | 2021-04-06 | 一种用于数据中心的能耗数据采集方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113065599A true CN113065599A (zh) | 2021-07-02 |
Family
ID=76566052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110369506.XA Pending CN113065599A (zh) | 2021-04-06 | 2021-04-06 | 一种用于数据中心的能耗数据采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065599A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114327019A (zh) * | 2021-12-29 | 2022-04-12 | 成都中科慧源科技有限公司 | 一种设备能耗检测装置、方法、***、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868073A (zh) * | 2016-03-25 | 2016-08-17 | 山东超越数控电子有限公司 | 一种基于时间序列分析的数据中心节能策略实现方法 |
CN110781595A (zh) * | 2019-10-28 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 能源使用效率pue的预测方法、装置、终端及介质 |
CN111310920A (zh) * | 2020-03-17 | 2020-06-19 | 无锡多纬智控科技有限公司 | 将深度学习神经网络技术应用于信号采集装置的方法 |
-
2021
- 2021-04-06 CN CN202110369506.XA patent/CN113065599A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868073A (zh) * | 2016-03-25 | 2016-08-17 | 山东超越数控电子有限公司 | 一种基于时间序列分析的数据中心节能策略实现方法 |
CN110781595A (zh) * | 2019-10-28 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 能源使用效率pue的预测方法、装置、终端及介质 |
CN111310920A (zh) * | 2020-03-17 | 2020-06-19 | 无锡多纬智控科技有限公司 | 将深度学习神经网络技术应用于信号采集装置的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114327019A (zh) * | 2021-12-29 | 2022-04-12 | 成都中科慧源科技有限公司 | 一种设备能耗检测装置、方法、***、设备及存储介质 |
CN114327019B (zh) * | 2021-12-29 | 2023-10-24 | 成都中科慧源科技有限公司 | 一种设备能耗检测装置、方法、***、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223196B (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
CN106095655B (zh) | 一种异常检测方法、应用和监控设备 | |
CN110610280A (zh) | 一种电力负荷短期预测方法、模型、装置及*** | |
CN111612650B (zh) | 一种基于dtw距离的电力用户分群方法及*** | |
CN109409628B (zh) | 基于计量大数据聚类模型的采集终端生产厂商评价方法 | |
KR100987168B1 (ko) | 원격계측 전력 부하패턴의 분류 및 예측 방법 | |
CN107832927B (zh) | 基于灰色关联分析法的10kV线路线变关系评价方法 | |
Gerwig | Short term load forecasting for residential buildings—An extensive literature review | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN108920609A (zh) | 基于多维度分析的电力实验数据挖掘方法 | |
CN109359665A (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
CN114024328A (zh) | 储能电站***的综合评估方法、设备及可读介质 | |
CN116205355B (zh) | 电力负荷的预测方法、装置以及存储介质 | |
CN114662563A (zh) | 一种基于梯度提升算法的工业用电非侵入负荷分解方法 | |
CN112614004A (zh) | 用电信息的处理方法及装置 | |
CN115878958A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
CN117787572B (zh) | 一种异常用电用户识别方法、装置、存储介质及电子设备 | |
CN113065599A (zh) | 一种用于数据中心的能耗数据采集方法 | |
CN115759393A (zh) | 基于集成学习的累积负荷基线预测方法 | |
CN114996525A (zh) | 一种大数据的分析方法及*** | |
CN117057666B (zh) | 一种数字化配电网的配电质量评估方法及*** | |
CN117574238A (zh) | 基于多门控专家网络的高频电器识别模型构建方法及*** | |
CN115511230B (zh) | 一种电能替代潜力分析预测方法 | |
CN109064353B (zh) | 一种基于改进聚类融合的大型建筑用户行为分析方法 | |
CN110888100A (zh) | 一种单相智能电能表在线带载检测***及方法 |
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 |