CN113656267B - 设备能效的计算方法、装置、电子设备及存储介质 - Google Patents
设备能效的计算方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113656267B CN113656267B CN202110860028.2A CN202110860028A CN113656267B CN 113656267 B CN113656267 B CN 113656267B CN 202110860028 A CN202110860028 A CN 202110860028A CN 113656267 B CN113656267 B CN 113656267B
- Authority
- CN
- China
- Prior art keywords
- equipment
- energy efficiency
- scene
- result
- data
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 182
- 238000000034 method Methods 0.000 claims abstract description 99
- 238000012423 maintenance Methods 0.000 claims description 78
- 230000008030 elimination Effects 0.000 claims description 50
- 238000003379 elimination reaction Methods 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 28
- 230000002776 aggregation Effects 0.000 claims description 26
- 238000004220 aggregation Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000005265 energy consumption Methods 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 description 14
- 238000006243 chemical reaction Methods 0.000 description 13
- 238000012795 verification Methods 0.000 description 11
- 238000002790 cross-validation Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- 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)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种设备能效的计算方法、装置、电子设备及存储介质,所述方法包括:获取待预测的设备的若干运行指标的数据取值和若干资产属性的数据取值;基于若干运行指标的数据取值和若干资产属性的数据取值,运用预先构建好的设备能效计算模型,计算获得所述设备的能效结果。所述方法可以多指标、多维度且高效地确定所述设备的能效,并且其能效结果准确,可为设备管理提供有效的参考依据。
Description
技术领域
本发明涉及信息化节能技术领域,具体涉及一种设备能效的计算方法、装置、电子设备及存储介质。
背景技术
在提倡绿色、低碳的当下对于各种资产性设备的能效的评测,开始逐渐受到企业及各相关方的重视。而设备能效通常与设备运行情况和设备的资产属性有关系,其中,设备运行情况则可以通过多项运行指标来体现。比如,设备运行情况良好(各项运行指标均正常等)且设备资产属性良好(设备较新或没有维保记录等),则该设备能效正常;若设备运行情况差(某几项运行指标异常等)且设备资产属性差(设备较旧且有较多维保记录),则该设备能效较低;若设备直接不运行或者设备资产属性过于老旧,则该设备能效为无效。
对于各种计算机设备的传统管理方法,是将基础设备管理数据存放于人工建立的EXCEL表格文件中,然后依靠人工挨个记录和检查数据表格中的数据和实际设备数据的异同,以找出各设备存在的问题和确定各设备的能效。但是这种方式存在诸多弊端:1、数据表数据量庞杂且数据更新快,人工查询操作复杂、费时费力且效率低下;2、人工评估设备能效时,所能兼顾的因素或维度过少,且评估完整性和准确性差。
现还有一种设备能效确定方法:是针对每一项运行指标,均采集待检测设备的运行指标的实时数据,将该运行指标的实时数据与该运行指标的预设阈值进行对应比较,若实时数据超过所述预设阈值,则判定该运行指标异常,此时判定该设备能效较低。
该方法仅能针对各运行指标与阈值直接比较的结果进行单一判断,其能效确定准确率较低。并且,一项运行指标仅仅是设备一方面性能的瞬时体现,而设备能效通常受到设备整体性能涉及的多方面的各项运行指标的综合影响。比如,一个时间段内设备的CPU使用率特别高,且超出了CPU使用阈值,根据该方法则判断其为高能耗的运行状态,该设备的能效较低。这种判断显然是片面的。因为,该段时间内CPU使用率特别高的原因实际上是,该段时间内有大量业务TPS进入,导致CPU使用率和IO使用率均超出了自身阈值,但是其过一段时间之后,又能够恢复正常,因此该情况属于该设备在服务器处理业务请求时设备运行指标的正常波动。显然,此情况下该方法的判断结果是错误的。
因此,针对现有技术的能效确定方法中准确性差、评估维度少、效率低等问题,目前缺乏更为有效的解决方案。
发明内容
本发明提供一种设备能效的计算方法、装置、电子设备及存储介质,用以克服现有技术能效确定方法中准确性差、评估维度少、效率低等缺陷,能够多指标、多维度且准确高效地实现对设备能效的确定。
本发明提供一种设备能效的计算方法,包括:
获取待预测的设备的若干运行指标的数据取值和若干资产属性的数据取值;
基于若干运行指标的数据取值和若干资产属性的数据取值,运用预先构建好的设备能效计算模型,计算获得所述设备的能效结果。
根据本发明提供的设备能效的计算方法,所述基于若干运行指标的数据取值和若干资产属性的数据取值,运用预先构建好的设备能效计算模型,计算获得所述设备的能效结果,具体包括:
基于若干运行指标的数据取值和若干资产属性的数据取值,依所述设备能效计算模型中各一级能效计算场景的计算策略执行计算,分别获得所述设备的各个一级能效结果;
基于若干运行指标的数据取值和若干资产属性的数据取值,依所述设备能效计算模型中各二级能效计算场景的计算策略执行计算,分别获得所述设备的各个二级能效结果;
所述设备能效计算模型将各个一级能效结果和各个二级能效结果依结果聚合策略进行聚合,获得所述设备的能效结果;
和,所述设备能效的计算方法,当所述设备的能效结果为所述设备无效或所述设备低效时,还包括结合预设的淘汰策略确定所述设备的淘汰级别的步骤。
根据本发明提供的设备能效的计算方法,所述设备能效计算模型的构建过程包括:
周期性地采集多个设备中每一设备的若干运行指标的数据取值和若干资产属性的数据取值;
将每一设备的若干运行指标的数据取值和若干资产属性的数据取值,分别依预先设置的各一级能效计算场景的计算策略执行计算,获得每一设备的各个一级能效结果;
将每一设备的若干运行指标的数据取值和若干资产属性的数据取值,分别依预先设置的各二级能效计算场景的计算策略执行计算,获得每一设备的各个二级能效结果;
将每一设备的各个一级能效结果和各个二级能效结果依结果聚合策略进行聚合,获得每一设备的能效计算结果;
收集以上各步骤中的各项数据,以用作建模的基础数据;
基于所述基础数据并运用xgboost算法进行机器学习训练,以构建出所述设备能效计算模型。
根据本发明提供的设备能效的计算方法,所述一级能效计算场景包括:设备维保场景、设备维保超期场景、设备承载分析场景、设备淘汰场景和设备产品超期场景中的至少一种;
和,所述二级能效计算场景包括:高维保场景、高故障场景、低利用率场景和高能耗场景中的至少一种。
根据本发明提供的设备能效的计算方法,所述运行指标,包括:CPU使用率、内存使用率、IO使用率、连接通道使用率以及存储空间使用率中的至少一种;
和/或,所述资产属性,包括:维保厂商、维保时间和维保期限、承载组件情况、生产厂商和设备型号、设备上线日期和设备有效期、维保费用、设备种类、故障告警次数以及设备使用功率中的至少一种。
根据本发明提供的设备能效的计算方法,所述设备维保场景的计算策略,包括:基于当前设备的资产属性中维保厂商的数据取值,判断所述设备是否满足具有维保厂商;若满足,则设备维保场景下所述设备的一级能效结果为设备低效;若不满足,则为设备正常;
和/或,所述设备维保超期场景的计算策略,包括:基于当前设备的资产属性中维保时间和维保期限的数据取值,判断所述设备是否满足超过维保期限;若满足,则设备维保超期场景下所述设备的一级能效结果为设备低效;若不满足,则为设备正常;
和/或,所述设备承载分析场景的计算策略,包括:基于当前设备的资产属性中承载组件情况的数据取值,判断所述设备是否满足承载有组件;若满足,则设备承载分析场景下所述设备的一级能效结果为设备无效;若不满足,则为设备正常;
和/或,所述设备淘汰场景的计算策略,包括:基于当前设备的资产属性中生产厂商和设备型号的数据取值以及预获取的淘汰设备目录,判断所述设备是否处于所述淘汰设备目录中;若处于,则设备淘汰场景下所述设备的一级能效结果为设备无效;若不处于,则为设备正常;
和/或,所述设备产品超期场景的计算策略,包括:基于当前设备的资产属性中设备上线日期和设备有效期的数据取值,判断所述设备是否满足设备使用日期超过设备有效期限;若满足,则设备产品超期场景下所述设备的一级能效结果为设备低效;若不满足,则为设备正常;
和/或,所述高维保场景的计算策略,包括:基于当前设备的资产属性中维保费用的数据取值,判断所述当前设备的维保费用是否满足超过所述设备维保费用的预设基准值,或者,判断所述当前设备的维保费用是否满足超过同一设备种类下各设备平均维保费用的预设倍数;若满足其一,则所述高维保场景下所述设备的二级能效结果为设备低效;若均不满足,则为设备正常;
和/或,所述高故障场景的计算策略,包括:基于预设时间段内当前设备的资产属性中故障告警次数的数据取值,判断所述当前设备的故障告警次数的平均值是否满足超过所述故障告警次数的预设基准值,或者判断所述当前设备的故障告警次数的平均值是否满足超过同一设备种类下各设备平均故障告警次数的预设倍数;若满足其一,则所述高故障场景下所述设备的二级能效结果为设备无效;若均不满足,则为设备正常;
和/或,所述低利用率场景的计算策略,包括:基于预设时间段内当前设备的每一运行指标的数据取值,判断所述当前设备的该运行指标的数据取值是否满足低于该运行指标的预设基准值,或者,判断所述当前设备的该运行指标的数据取值是否满足低于同一设备种类下各设备该运行指标平均值的预设倍数;若当前设备的各运行指标均满足其一,则所述低利用率场景下所述设备的二级能效结果为设备低效;反之,则为设备正常;
和/或,所述高能耗场景的计算策略,包括:运行指标判断步骤:基于预设时间段内当前设备的每一运行指标的数据取值,判断所述当前设备的该运行指标的数据取值是否满足低于该运行指标的预设基准值,或者,判断所述当前设备的该运行指标的数据取值是否满足低于同一设备种类下各设备该运行指标平均值的预设倍数;资产属性判断步骤:基于当前设备的各个资产属性的数据取值,判断所述当前设备的该资产属性的数据取值是否满足超过该资产属性的预设基准值,或者,判断所述当前设备的该资产属性的数据取值是否满足超过同一设备种类下各设备的该资产属性的平均值的预设倍数;若当前设备的各运行指标均满足其一,或者,当前设备的任一资产属性满足其一,则所述高能耗场景下所述设备的二级能效结果为设备低效;反之,则为设备正常。
根据本发明提供的设备能效的计算方法,所述结果聚合策略包括:分析每一设备的各个一级能效结果和各个二级能效结果,若至少一个结果为设备无效,则该设备的能效结果为设备无效;若没有设备无效但至少一个结果为设备低效,则该设备的能效结果为设备低效;若各个结果均为设备正常,则该设备的能效结果为设备正常。
本发明还提供一种设备能效的计算装置,包括:
数据获取模块,用于获取待预测的设备的若干运行指标的数据取值和若干资产属性的数据取值;
能效计算模块,用于基于若干运行指标的数据取值和若干资产属性的数据取值,运用预先构建好的设备能效计算模型,计算获得所述设备的能效结果。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在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,实现根据如上任一项所述设备能效的计算方法的全部或部分步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现根据如上任一项所述设备能效的计算方法的全部或部分步骤。
本发明提供一种设备能效的计算方法、装置、电子设备及存储介质,所述方法通过获取待预测的设备的若干个运行指标的数据取值和若干个资产属性的数据取值,并结合预先构建好的设备能效计算模型,计算获得所述设备的能效结果,可以多指标、多维度且高效地确定所述设备的能效,并且其能效结果准确,可为设备管理提供有效的参考依据。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1是本发明提供的设备能效的计算方法的流程示意图之一;
图2是本发明提供的设备能效的计算方法的流程示意图之二;
图3是本发明提供的设备能效的计算方法的流程示意图之三;
图4是本发明提供的设备能效的计算方法中设备能效计算模型的构建过程的流程示意图之一;
图5是本发明提供的设备能效的计算方法中设备能效计算模型的构建过程的流程示意图之二;
图6是本发明提供的设备能效的计算装置的结构示意图;
图7是本发明提供的电子设备的结构示意图。
附图标记:
610:数据获取模块;620:能效计算模块;710:处理器;
720:通信接口;730:存储器;740:通信总线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明的技术方案进行清除完整地描述,显然,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
以下结合附图1-7描述本发明提供的一种设备能效的计算方法、装置、电子设备及存储介质。
本发明提供一种设备能效的计算方法,图1是本发明提供的设备能效的计算方法的流程示意图之一,如图1所示,所述方法包括:
210、获取待预测的设备的若干运行指标的数据取值和若干资产属性的数据取值;
220、基于若干运行指标的数据取值和若干资产属性的数据取值,运用预先构建好的设备能效计算模型,计算获得所述设备的能效结果。
现代企业为了自身业务的扩展和应对各种新的服务需求,会引入大量的资产性设备,比如:服务器、网络设备、存储设备、应用设备、主机设备等设备种类下的各个设备。这些设备由于人工管理复杂,以及管理、淘汰、更新不及时等原因,其中可能会存在着大量的低效设备或无效设备,既不能对企业服务起到良好作用,又占用企业的空间和管理资源,所以急需对这些资产进行进一步的分析,以从中找出低效或者无效的设备,进行有效地分类管理、淘汰更新。
各设备种类的多个设备通常存储在同一个AMDB***资源池中,从AMDB***资源池中按照待预测业务需求,获取需要进行能效计算的一个设备,即将一种设备种类下的一个设备作为待预测的设备。当然,若有多个设备均需要进行能效计算时,则每次选择一个设备进行能效计算,且当前选择的该一个设备作为待预测的设备,也称当前设备。获取该当前设备的若干运行指标的数据取值和当前设备的若干资产属性的数据取值。其中,运行指标包括CPU使用率、内存使用率、IO使用率、连接通道使用率以及存储空间使用率中的一种或多种,而资产属性包括维保厂商、维保时间和维保期限、承载组件情况、生产厂商和设备型号、设备上线日期和设备有效期、维保费用、设备种类、故障告警次数以及设备使用功率中的一种或多种。具体地可以根据当前设备所属的设备种类或者根据当前设备的具体情况进行调整。然后将已经获得的当前设备的若干运行指标的数据取值和当前设备的若干资产属性的数据取值,均输入至预先构建好的设备能效计算模型,经过所述设备能效计算模型的计算获得所述当前设备的能效结果。所述当前设备的能效结果则可能包括三种情况,当前设备无效,或者,当前设备低效,或者,当前设备正常。通过最终获得的当前设备的能效结果中表明的当前设备的能效情况,直接判断出了该当前设备是否为低效或无效设备,以便于相关管理人员对其进行管理。
本发明提供一种设备能效的计算方法,所述方法通过获取待预测的设备的若干个运行指标的数据取值和若干个资产属性的数据取值,并结合预先构建好的设备能效计算模型,计算获得所述设备的能效结果,可以多指标、多维度且高效地确定所述设备的能效,并且其能效结果准确,可为设备管理提供有效的参考依据。
根据本发明提供的设备能效的计算方法,图2是本发明提供的设备能效的计算方法的流程示意图之二,如图2所示,所述步骤220、基于若干运行指标的数据取值和若干资产属性的数据取值,运用预先构建好的设备能效计算模型,计算获得设备的能效结果,具体包括:
221、基于若干运行指标的数据取值和若干资产属性的数据取值,依所述设备能效计算模型中各一级能效计算场景的计算策略执行计算,分别获得所述设备的各个一级能效结果;
222、基于若干运行指标的数据取值和若干资产属性的数据取值,依所述设备能效计算模型中各二级能效计算场景的计算策略执行计算,分别获得所述设备的各个二级能效结果;
223、所述设备能效计算模型将各个一级能效结果和各个二级能效结果依结果聚合策略进行聚合,获得所述设备的能效结果。
将已经获得的当前设备的若干运行指标的数据取值和当前设备的若干资产属性的数据取值,均输入至预先构建好的设备能效计算模型后,该能效计算模型中可以分为较为简单的一级能效计算场景和较为复杂的二级能效计算场景,且,各个场景均为根据历史经验数据预先设置好的能效计算场景,每一个场景都对应着有自己独立的计算策略。根据获取的当前设备的若干运行指标的数据取值和当前设备的若干资产属性的数据取值中,运行指标具体有哪些,资产属性具体有哪些,确定对于当前设备适于进行哪些能效计算场景的计算,并按照实际计算需求,相应执行一个或多个能效计算场景的计算。当然,可以仅进行一级能效计算场景的计算,也可以一级能效计算场景和二级能效计算场景的计算都进行。并且,当对当前设备进行多个能效计算场景的计算时,还需要将每一能效计算场景所获得的各个结果进行相应的结合,比如按照预设的结果聚合策略进行各个结果的聚合。
具体地,先基于若干运行指标的数据取值和若干资产属性的数据取值,依所述设备能效计算模型中各一级能效计算场景的计算策略执行计算,分别获得所述设备的各个一级能效结果;再基于若干运行指标的数据取值和若干资产属性的数据取值,依所述设备能效计算模型中各二级能效计算场景的计算策略执行计算,分别获得所述设备的各个二级能效结果;最后设备能效计算模型会将各个一级能效结果和各个二级能效结果依结果聚合策略进行聚合,获得综合的该当前设备的能效结果。
模型中预设的各一级能效计算场景包括:设备维保场景、设备维保超期场景、设备承载分析场景、设备淘汰场景和设备产品超期场景中一种或多种。模型中预设的二级能效计算场景包括:高维保场景、高故障场景、低利用率场景和高能耗场景中的一种或多种。二级能效计算场景往往是由多个资产属性和/或多个运行指标的角度进行能效判断的,其判断结果更为精准。且,对于各个能效计算场景及其具体的计算策略,均可以参照后续模型构建过程的详细介绍内容。
并且,其中结果聚合策略包括:分析每一设备的各个一级能效结果和各个二级能效结果,若至少一个结果为设备无效,则该设备的能效结果为设备无效;若没有设备无效但至少一个结果为设备低效,则该设备的能效结果为设备低效;若各个结果均为设备正常,则该设备的能效结果为设备正常。
通过在设备能效计算模型内预先设置出不同级别的能效计算场景,并根据设备情况分别进行简单的一级能效计算场景的计算,或者结合进行二级能效计算场景的计算,最后将各个能效计算场景计算的能效结果均进行结合聚合,获得对当前设备的总的能效评价,能够有效避免人工评价能效时角度单一、评价能效结果误差大的各种弊端。
和,所述设备能效的计算方法,当所述设备的能效结果为所述设备无效或所述设备低效时,还包括结合预设的淘汰策略确定所述设备的淘汰级别的步骤。图3是本发明提供的设备能效的计算方法的流程示意图之三,如图3所示,即在图2所示实施例的基础上,所述方法还包括以下步骤:
230、当所述设备的能效结果为所述设备无效或所述设备低效时,还结合预设的淘汰策略确定所述设备的淘汰级别。
当步骤223最终确定的当前设备的能效结果为所述设备无效或所述设备低效时,还根据淘汰策略确定当前设备的淘汰级别。具体地,根据包含高淘汰级别、中淘汰级别、低淘汰级别三项的淘汰策略,确定当前设备所属的淘汰级别,并将其淘汰级别以标签的形式打标至所述当前设备,以供相关管理人员查看和参考。
所述淘汰策略中,对于各个淘汰级别分别设置有相应的淘汰条件,淘汰条件具体内容则是设备各资产属性和各运行指标的淘汰限定范围,比如可以是对生产厂商、归属场景、维保费用、使用年限、故障告警次数等资产属性的限定,或者是对各个运行指标进行淘汰阈值的限定等等。
对当前设备,依淘汰级别从高到低将当前设备的资产属性和运行指标与该淘汰级别相应的淘汰条件进行比较,若满足高淘汰级别的淘汰条件,则当前设备的淘汰级别为高淘汰级别,反之,则继续与中淘汰级别比较相应的淘汰条件进行比较,若满足中淘汰级别的淘汰条件,则当前设备的淘汰级别为中淘汰级别,以此类推,若三个淘汰级别相应的淘汰条件均不满足,那么默认为所述当前设备的淘汰级别为0,即无需淘汰。
根据本发明提供的任一设备能效的计算方法,即在图1-图3任一项所示的实施例的基础上,图4是本发明提供的设备能效的计算方法中设备能效计算模型的构建过程的流程示意图之一,如图4所示,所述设备能效计算模型的构建过程具体包括:
110、周期性地采集多个设备中每一设备的若干运行指标的数据取值和若干资产属性的数据取值;
120、将每一设备的若干运行指标的数据取值和若干资产属性的数据取值,分别依预先设置的各一级能效计算场景的计算策略执行计算,获得每一设备的各个一级能效结果;
130、将每一设备的若干运行指标的数据取值和若干资产属性的数据取值,分别依预先设置的各二级能效计算场景的计算策略执行计算,获得每一设备的各个二级能效结果;
140、将每一设备的各个一级能效结果和各个二级能效结果依结果聚合策略进行聚合,获得每一设备的能效计算结果;
150、收集以上各步骤中的各项数据,以用作建模的基础数据;
160、基于所述基础数据并运用xgboost算法进行机器学习训练,以构建出所述设备能效计算模型。
为了增加所构建的设备能效计算模型的精准度,需要对模型基础数据收集阶段、模型训练阶段和模型测试阶段分别进行控制。
模型基础数据收集阶段:
收集大量设备的若干个运行指标的大量数据取值和相同设备的若干个资产属性的大量数据取值。其中,对各个设备逐一进行采集,或者多个设备交叉进行采集。
在采集大量设备的大量数据后,还将采集到的数据,按照每一设备的每一运行指标,各运行指标的不同时序的大量数据取值进行数据聚合,按照天维度、周维度、月维度等不同时间维度的数据聚合,这样的预处理过程可以有效提升建模的效率。
具体的数据聚合的算法为对一段时间内对于多个设备中每一个设备的每一个运行指标的数据取值的各个原始值进行求和,并在求和后取其中的最大值作为新的数据取值。且之后每一次加入新的数据取值,都需要重新进行数据聚合,且每一次数据聚合,均将本次所有数据取值的各个原始值中的最大值与上一次聚合所取的该最大值进行比较,若小于上次聚合所取最大值,则仍取上次聚合所取的最大值;其余情况则取本次聚合所有数据取值的各个原始值中的最大值。去最大值作为该运行指标的新的数据取值,则可以较为准确地反应出当前设备在该段时间内的该运行指标最大使用率,用其参与到设备能效模型的计算过程中去与设置的该运行指标的基准值等进行比较,可以更为准确地评估出该设备的能效。
同时还统计该运行指标的数据取值的个数,并用各原始值求和后除以所述个数以获得该运行指标相应的数据平均值,以备后续步骤使用,甚至还可以结合设备种类,将当前设备所属的该设备种类下的各个设备的该段时间内的该运行指标的各个数据取值的平均值进行记录,以备后续步骤使用。
当然,还可以将上述各数据均存储至关系型数据库中,方便管理和调用。
提前自定义出多个能效计算场景,主要有两类,一类为简单场景,如设备维保场景、设备维保超期场景、设备承载分析场景、设备淘汰场景和设备产品超期场景等的一级能效计算场景;另一类稍微复杂,如高维保场景、高故障场景、低利用率场景和高能耗场景等二级能效计算场景。二级能效计算场景往往是由多个资产属性和/或多个运行指标的角度进行能效判断的,其判断结果更为精准。且,各个能效计算场景均有其自己独立的计算策略,使其分别以不同标准或角度判断所述设备的能效。当然,对于各个能效计算场景及其具体的计算策略,均可以参照后续模型构建过程的详细介绍内容。
将每一设备的若干运行指标的数据取值和若干资产属性的数据取值,分别依预先设置的各一级能效计算场景的计算策略执行计算,获得每一设备的各个一级能效结果。再将每一设备的若干运行指标的数据取值和若干资产属性的数据取值,分别依预先设置的各二级能效计算场景的计算策略执行计算,获得每一设备的各个二级能效结果。将每一设备的各个一级能效结果和各个二级能效结果依结果聚合策略进行聚合,获得每一设备的能效结果。对每一设备均执行如此操作,由此每一设备的能效结果均得到确定。
当然,还可以在此处增加企业用户核实确认的步骤,即将每一设备的综合的能效结果展示给企业用户,由企业用户最终确认该能效结果是否评估准确。企业用户标记认可的能效结果为准确的能效结果,企业用户标记不认可的能效结果则为不准确的能效结果。由此对各个设备的能效结果增加了企业用户确认和筛选的步骤,可以仅筛选出能效结果准确的相关的各项数据以用于构建设备能效计算模型。而企业用户不认可的各个能效结果相对应的各个设备,则需要重新放置进资源池,以后续再次重新确定其能效结果。
进而收集以上各步骤中的各项数据,包括每一设备的若干运行指标的数据取值和若干资产属性的数据取值的大量数据、各一级能效计算场景、计算策略及其对应的各一级能效结果、各二级能效计算场景、计算策略及其对应的各二级能效结果,以及对应的每一设备的综合的能效结果等等数据,共同用作建模的基础数据。也可以理解为,将能效确定之前的各个设备及采集的各运行指标的数据和各资产属性的数据、各运行指标或各资产属性的基准值/阈值等数据,以及中间能效结果、各个能效计算场景和计算策略和最终的能效结果,均收集起来,共同作为建模的基础数据。
将所述基础数据中的各个数据均序列化为json字符串后通过RESTfulApi可编程程序输入至AI模型中,运用较为高阶的xgboost算法并结合交叉验证法和参数网格搜索法进行机器学习训练,以构建和优化出所需的设备能效计算模型。
根据本发明提供的设备能效的计算方法,所述一级能效计算场景包括:设备维保场景、设备维保超期场景、设备承载分析场景、设备淘汰场景和设备产品超期场景中的至少一种;
和,所述二级能效计算场景包括:高维保场景、高故障场景、低利用率场景和高能耗场景中的至少一种。
其中,二级能效计算场景往往是由多个资产属性和/或多个运行指标的角度进行能效判断的,其判断结果更为精准。且,各个能效计算场景均有其自己独立的计算策略,使其分别以不同标准或角度判断所述设备的能效。
根据本发明提供的设备能效的计算方法,步骤160之前所述基于所述基础数据并运用xgboost算法进行机器学习训练,以构建出所述设备能效计算模型之前,还包括对基础数据进行数据转换处理的步骤,具体包括:
确定基础数据中每一设备的若干个运行指标的数据取值和若干个资产属性的数据取值中的各个中文字段;
将各个中文字段基于独热编码特征提取法进行数据转换处理,以将每一个中文字段均转换为其对应的多个变量数值。
也即,步骤150和步骤160之间,还包括对基础数据进行数据转换处理的步骤,其又具体包括以下几个步骤:
用于建模的基础数据初步获取后可能存在多种数据类型,比如有字符串型、中文字段型等等。并且基础数据还可能存在数据缺失值或者异常值。因此需要对基础数据进行数据填充或去异常的预处理,甚至还需要对基础数据进行数据类型进行统一转换处理,比如可以将中文字段型数据均转换成字符串型数据。
(1)对基础数据进行数据填充或去异常的预处理:
(1-1)汇总分析基础数据的每个字段当中的缺失值,并基于对设备运维管理的常规业务知识,将各字段当中的缺失值通过0进行填充。(1-2)汇总分析基础数据的每一条数据当中的异常值,将大于99%分位的数据通过均值法进行均值化处理,以去除异常值。
所获取的基础数据当中涉及大量的中文字段型数据,如“设备厂商”、“设备持有者”等。而使用机器学习算法时通常要求所有的输入数据都必须是数值。因此,需要对基础数据进行数据类型进行统一转换处理,主要是指将基础数据中所有的中文字段型的数据均转换成字符串型的数据。
(2)采用独热编码特征提取法(简称OneHot法)进行数据转换处理:
(2-1)OneHot法的介绍:
OneHot法属于一种“哑变量”转换的方法,以将一个变量转换为多列。以“生产厂商”为例,根据它的数据取值(数据取值可能为华为、思科、浪潮),将其数据取值分别转换为“生产厂商是否华为”、“生产厂商是否思科”、“生产厂商是否浪潮”三个变量,也即其会根据数据取值的各个唯一值进行转化,有多少唯一值就转化成多少变量,上述“生产厂商”的数据取值具有华为、思科、浪潮三个唯一值,因此其最终转换为三个变量。同理,例如:“生产厂商”有1000个不同的数据取值,其中有10个唯一值,那么转换后就会有10个变量,一个变量占一列。但是某些运行指标或者资产属性,其数据取值的唯一值较多,故其经过OneHot法转换之后的也会变量较多,从而造成特征稀疏。在这种情况下,则需要先对该数据取值的各个唯一值进行汇总统计,再选取TOP-N个唯一值,将该数据取值依TOP-N个唯一值进行数据转换处理,获得N个变量。比如N取10,当该数据取值的唯一值具有100个时,选100个中的前10个唯一值作为转换目标,将该数据取值进行数据转换处理,得到10个变量,并将其它余下的90个数据取值转换后的变量均记为“其它”。具体参见下表1。
表1
生产厂商 | 生产厂商是否华为 | 生产厂商是否思科 | 生产厂商是否浪潮 |
华为 | 1 | 0 | 0 |
华为 | 1 | 0 | 0 |
思科 | 0 | 1 | 0 |
浪潮 | 0 | 0 | 1 |
...... | ...... | ...... | ...... |
(2-2)需要确定基础数据中每一设备的若干个运行指标的数据取值和若干个资产属性的数据取值中的所有的中文字段的数据,再将其基于(2-1)所述的OneHot法进行数据转换处理,以将每一个中文字段均转换为其对应的多个变量数值。
(2-3)还可基于设备运维管理的常规业务知识对基础数据进行特征衍生处理,比如以“IOThreshold”和“IOResult”数据为例,基于设备运维管理的常规业务知识,由其衍生出当前设备IO使用率是否大于IO使用率基准值的特征。
经过上述步骤(1)和(2)处理后的基础数据作为新的基础数据以用于设备能效计算模型的构建。
根据本发明提供的设备能效的计算方法,图5是本发明提供的设备能效的计算方法中设备能效计算模型的构建过程的流程示意图之二,如图5所示,在图4所示实施例的基础上,步骤160、基于所述基础数据并运用xgboost算法进行机器学习训练,以构建出所述设备能效计算模型,则具体包括以下步骤:
161、基于K折交叉验证法将所述基础数据划分为K个子样本;
162、运用xgboost算法对K-1个子样本形成的训练数据集进行机器学习训练,构建出设备能效计算模型;
163、基于1个子样本形成的验证数据集对所述设备能效计算模型进行验证;
164、重复执行K次交叉训练和验证,获得最终的设备能效计算模型。
即模型训练过程又具体包括步骤161-164,具体如下。交叉验证法的基本思想是在某种意义下将原始数据(dataset)进行分组划分,一组作为训练数据集(train set)),另一组作为验证数据集(validation set or test set))。首先用训练数据集对AI分类器进行学习和训练,再利用验证数据集来验证和测试先前训练得到的模型(model),以此来作为评价分类器的性能指标,并据此优化该模型。本实施例中采用K折交叉验证法(K-fold cross-validation)进行交叉验证,具体采用10折交叉验证进行交叉验证,且本实施例中原始数据是指用于模型训练的基础数据。
将初始采样的基础数据分割为K个子样本,即分割为10个子样本。其中,各个子样本可以随机分割而获得。
保留1个单独的子样本以作为后续验证模型的数据,而将其他K-1个子样本,具体是将其他9个子样本形成训练数据集,运用高阶xgboost算法对训练数据集进行机器学习训练,构建出初步的设备能效计算模型。
再基于预先保留的那1个子样本形成的验证数据集对初步的设备能效计算模型进行验证和测试,并根据验证和测试的结果调整xgboost算法的参数等,以优化该模型。
并且,重复执行10次交叉训练和验证,即,执行10次,且每次选择不同的1个单独的子样本作为验证数据集,而将其余9个子样本作为训练数据集,执行训练后再验证,训练后再验证,……,执行10次,即每个子样本验证一次,平均10次的结果,获得最终的一个经过优化的设备能效计算模型。
K折交叉验证法的优势在于,同时重复运用随机产生的不同的子样本分别进行训练和验证,每次的结果均能被验证一次,从而得到更为优化和精准的结果。
需要补充说明的是,在本实施例采用10折交叉验证进行交叉验证进行交叉训练和验证时,在模型训练的过程中还可以引入参数网格搜索法来进行xgboost算法参数的调整。
所述参数网格搜索法的介绍如下:
参数网格搜索法是指在所有候选的参数的选择中,通过循环遍历尝试每一种参数可能性,最后将表现最好的参数作为最终的结果。为提升xgboost算法的学习效率,通常情况下,选取xgboost算法max_depth参数和learning_rate参数进行重点调整和优化,这两个参数的搜索空间参见下表2。
表2
参数名称 | 搜索空间 |
max_depth | 3、4、5 |
learning_rate | 0.001、0.01、0.02、0.05 |
根据本发明提供的设备能效的计算方法,所述运行指标,包括:CPU使用率、内存使用率、IO使用率、连接通道使用率以及存储空间使用率中的至少一种;
和/或,所述资产属性,包括:维保厂商、维保时间和维保期限、承载组件情况、生产厂商和设备型号、设备上线日期和设备有效期、维保费用、设备种类、故障告警次数以及设备使用功率中的至少一种。
每一设备的若干个运行指标,包括:CPU使用率、内存使用率、IO使用率、连接通道使用率以及存储空间使用率等中的任意一种或多种。和/或,每一设备的若干个资产属性,包括:维保厂商、维保时间和维保期限、承载组件情况、生产厂商和设备型号、设备编号、设备上线日期和设备有效期、维保费用、设备种类、设备大类、设备小类、设备id、设备ip、故障告警次数、设备使用功率以及设备持有者等中的任意一种或多种。
根据本发明提供的设备能效的计算方法,所述设备维保场景的计算策略,包括:基于当前设备的资产属性中维保厂商的数据取值,判断所述设备是否满足具有维保厂商;若满足,则设备维保场景下所述设备的一级能效结果为设备低效;若不满足,则为设备正常;
和/或,所述设备维保超期场景的计算策略,包括:基于当前设备的资产属性中维保时间和维保期限的数据取值,判断所述设备是否满足超过维保期限;若满足,则设备维保超期场景下所述设备的一级能效结果为设备低效;若不满足,则为设备正常;
和/或,所述设备承载分析场景的计算策略,包括:基于当前设备的资产属性中承载组件情况的数据取值,判断所述设备是否满足承载有组件,其中,组件包括子组件、实例、应用中的一种或多种;若满足,则设备承载分析场景下所述设备的一级能效结果为设备无效;若不满足,则为设备正常;
和/或,所述设备淘汰场景的计算策略,包括:基于当前设备的资产属性中生产厂商和设备型号的数据取值以及预获取的淘汰设备目录,判断所述设备是否处于所述淘汰设备目录中;若处于,则设备淘汰场景下所述设备的一级能效结果为设备无效;若不处于,则为设备正常;
和/或,所述设备产品超期场景的计算策略,包括:基于当前设备的资产属性中设备上线日期和设备有效期的数据取值,判断所述设备是否满足设备使用日期超过设备有效期限;若满足,则设备产品超期场景下所述设备的一级能效结果为设备低效;若不满足,则为设备正常;
和/或,所述高维保场景的计算策略,包括:基于当前设备的资产属性中维保费用的数据取值,判断所述当前设备的维保费用是否满足超过所述设备维保费用的预设基准值,或者,判断所述当前设备的维保费用是否满足超过同一设备种类下各设备平均维保费用的预设倍数;若满足其一,则所述高维保场景下所述设备的二级能效结果为设备低效;若均不满足,则为设备正常;
和/或,所述高故障场景的计算策略,包括:基于预设时间段内当前设备的资产属性中故障告警次数的数据取值,判断所述当前设备的故障告警次数的平均值是否满足超过所述故障告警次数的预设基准值,或者判断所述当前设备的故障告警次数的平均值是否满足超过同一设备种类下各设备平均故障告警次数的预设倍数;若满足其一,则所述高故障场景下所述设备的二级能效结果为设备无效;若均不满足,则为设备正常;
和/或,所述低利用率场景的计算策略,包括:基于预设时间段内当前设备的每一运行指标的数据取值,判断所述当前设备的该运行指标的数据取值是否满足低于该运行指标的预设基准值,或者,判断所述当前设备的该运行指标的数据取值是否满足低于同一设备种类下各设备该运行指标平均值的预设倍数;若当前设备的各运行指标均满足其一,则所述低利用率场景下所述设备的二级能效结果为设备低效;反之,则为设备正常;
其中,满足上述两条件之一的各个运行指标属于且的关系,必须每一个运行指标均满足上述两条件之一,才能判断设备低效,否则,设备正常。比如:观察设备A的CPU使用率和内存使用率这两个运行指标。其CPU使用率的数据取值选取经过数据聚合后的最大值作为新的数据取值,且其内存使用率的数据取值也选取经过数据聚合后的最大值作为新的数据取值。且判断出设备A的CPU使用率的新的数据取值低于该运行指标的预设基准值,但是设备A的内存使用率是新的数据取值却高于阈值。此时不是每一运行指标的数据取值均满足低于预设基准值,则该场景下设备A的能效结果为设备A正常。
和/或,所述高能耗场景的计算策略,包括:运行指标判断步骤:基于预设时间段内当前设备的每一运行指标的数据取值,判断所述当前设备的该运行指标的数据取值是否满足低于该运行指标的预设基准值,或者,判断所述当前设备的该运行指标的数据取值是否满足低于同一设备种类下各设备该运行指标平均值的预设倍数;资产属性判断步骤:基于当前设备的各个资产属性的数据取值,判断所述当前设备的该资产属性的数据取值是否满足超过该资产属性的预设基准值,或者,判断所述当前设备的该资产属性的数据取值是否满足超过同一设备种类下各设备的该资产属性的平均值的预设倍数;若当前设备的各运行指标均满足其一,或者,当前设备的任一资产属性满足其一,则所述高能耗场景下所述设备的二级能效结果为设备低效;反之,则为设备正常。
上述运行指标判断步骤和资产属性判断步骤的结果为或的关系,只要有一个步骤判断出设备低效则综合结果为设备低效。
根据本发明提供的设备能效的计算方法,对于上述各个一级能效计算场景和各个二级能效计算场景分别获得的各个结果,所述结果聚合策略包括:分析每一设备的各个一级能效结果和各个二级能效结果,若至少一个结果为设备无效,则该设备的能效结果为设备无效;若没有设备无效但至少一个结果为设备低效,则该设备的能效结果为设备低效;若各个结果均为设备正常,则该设备的能效结果为设备正常。
下面对本发明提供的一种设备能效的计算装置进行描述,所述设备能效的计算装置可以理解为是执行上述设备能效的计算方法的装置,二者应用原理相同,可以相互参照,此处不作赘述。
本发明还提供一种设备能效的计算装置,包括:数据获取模块610和能效计算模块620,其中,
所述数据获取模块610,用于获取待预测的设备的若干运行指标的数据取值和若干资产属性的数据取值;
所述能效计算模块620,用于基于若干运行指标的数据取值和若干资产属性的数据取值,运用预先构建好的设备能效计算模型,计算获得所述设备的能效结果。
本发明提供一种设备能效的计算装置,所述装置包括数据获取模块610和能效计算模块620,各模块相互配合工作,使得本装置可以多指标、多维度且高效地确定所述设备的能效,并且其能效结果准确,可为设备管理提供有效的参考依据。
本发明还提供一种电子设备,图7是本发明提供的电子设备的结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(CommunicationsInterface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行所述设备能效的计算方法的全部或部分步骤,该方法包括:
获取待预测的设备的若干运行指标的数据取值和若干资产属性的数据取值;
基于若干运行指标的数据取值和若干资产属性的数据取值,运用预先构建好的设备能效计算模型,计算获得所述设备的能效结果。
此外,上述的存储器730中的逻辑指令可以通过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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述设备能效的计算方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各实施例所述设备能效的计算方法的全部或部分步骤,该方法包括:
获取待预测的设备的若干运行指标的数据取值和若干资产属性的数据取值;
基于若干运行指标的数据取值和若干资产属性的数据取值,运用预先构建好的设备能效计算模型,计算获得所述设备的能效结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上各实施例所述设备能效的计算方法的全部或部分步骤,该方法包括:
获取待预测的设备的若干运行指标的数据取值和若干资产属性的数据取值;
基于若干运行指标的数据取值和若干资产属性的数据取值,运用预先构建好的设备能效计算模型,计算获得所述设备的能效结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,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发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的设备能效的计算方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种设备能效的计算方法,其特征在于,包括:
获取待预测的设备的若干运行指标的数据取值和若干资产属性的数据取值;
基于若干运行指标的数据取值和若干资产属性的数据取值,运用预先构建好的设备能效计算模型,计算获得所述设备的能效结果;
所述设备能效计算模型的构建过程包括:
周期性地采集多个设备中每一设备的若干运行指标的数据取值和若干资产属性的数据取值;
将每一设备的若干运行指标的数据取值和若干资产属性的数据取值,分别依预先设置的各一级能效计算场景的计算策略执行计算,获得每一设备的各个一级能效结果;
将每一设备的若干运行指标的数据取值和若干资产属性的数据取值,分别依预先设置的各二级能效计算场景的计算策略执行计算,获得每一设备的各个二级能效结果;
将每一设备的各个一级能效结果和各个二级能效结果依结果聚合策略进行聚合,获得每一设备的能效计算结果;
收集以上各步骤中的各项数据,以用作建模的基础数据;
基于所述基础数据并运用xgboost算法进行机器学习训练,以构建出所述设备能效计算模型。
2.根据权利要求1所述的设备能效的计算方法,其特征在于,所述基于若干运行指标的数据取值和若干资产属性的数据取值,运用预先构建好的设备能效计算模型,计算获得所述设备的能效结果,具体包括:
基于若干运行指标的数据取值和若干资产属性的数据取值,依所述设备能效计算模型中各一级能效计算场景的计算策略执行计算,分别获得所述设备的各个一级能效结果;
基于若干运行指标的数据取值和若干资产属性的数据取值,依所述设备能效计算模型中各二级能效计算场景的计算策略执行计算,分别获得所述设备的各个二级能效结果;
所述设备能效计算模型将各个一级能效结果和各个二级能效结果依结果聚合策略进行聚合,获得所述设备的能效结果;
和,所述设备能效的计算方法,当所述设备的能效结果为所述设备无效或所述设备低效时,还包括结合预设的淘汰策略确定所述设备的淘汰级别的步骤。
3.根据权利要求1所述的设备能效的计算方法,其特征在于,所述一级能效计算场景包括:设备维保场景、设备维保超期场景、设备承载分析场景、设备淘汰场景和设备产品超期场景中的至少一种;
和,所述二级能效计算场景包括:高维保场景、高故障场景、低利用率场景和高能耗场景中的至少一种。
4.根据权利要求3所述的设备能效的计算方法,其特征在于,所述运行指标,包括:CPU使用率、内存使用率、IO使用率、连接通道使用率以及存储空间使用率中的至少一种;
和/或,所述资产属性,包括:维保厂商、维保时间和维保期限、承载组件情况、生产厂商和设备型号、设备上线日期和设备有效期、维保费用、设备种类、故障告警次数以及设备使用功率中的至少一种。
5.根据权利要求4所述的设备能效的计算方法,其特征在于,
所述设备维保场景的计算策略,包括:基于当前设备的资产属性中维保厂商的数据取值,判断所述设备是否满足具有维保厂商;若满足,则设备维保场景下所述设备的一级能效结果为设备低效;若不满足,则为设备正常;
和/或,所述设备维保超期场景的计算策略,包括:基于当前设备的资产属性中维保时间和维保期限的数据取值,判断所述设备是否满足超过维保期限;若满足,则设备维保超期场景下所述设备的一级能效结果为设备低效;若不满足,则为设备正常;
和/或,所述设备承载分析场景的计算策略,包括:基于当前设备的资产属性中承载组件情况的数据取值,判断所述设备是否满足承载有组件;若满足,则设备承载分析场景下所述设备的一级能效结果为设备无效;若不满足,则为设备正常;
和/或,所述设备淘汰场景的计算策略,包括:基于当前设备的资产属性中生产厂商和设备型号的数据取值以及预获取的淘汰设备目录,判断所述设备是否处于所述淘汰设备目录中;若处于,则设备淘汰场景下所述设备的一级能效结果为设备无效;若不处于,则为设备正常;
和/或,所述设备产品超期场景的计算策略,包括:基于当前设备的资产属性中设备上线日期和设备有效期的数据取值,判断所述设备是否满足设备使用日期超过设备有效期限;若满足,则设备产品超期场景下所述设备的一级能效结果为设备低效;若不满足,则为设备正常;
和/或,所述高维保场景的计算策略,包括:基于当前设备的资产属性中维保费用的数据取值,判断所述当前设备的维保费用是否满足超过所述设备维保费用的预设基准值,或者,判断所述当前设备的维保费用是否满足超过同一设备种类下各设备平均维保费用的预设倍数;若满足其一,则所述高维保场景下所述设备的二级能效结果为设备低效;若均不满足,则为设备正常;
和/或,所述高故障场景的计算策略,包括:基于预设时间段内当前设备的资产属性中故障告警次数的数据取值,判断所述当前设备的故障告警次数的平均值是否满足超过所述故障告警次数的预设基准值,或者判断所述当前设备的故障告警次数的平均值是否满足超过同一设备种类下各设备平均故障告警次数的预设倍数;若满足其一,则所述高故障场景下所述设备的二级能效结果为设备无效;若均不满足,则为设备正常;
和/或,所述低利用率场景的计算策略,包括:基于预设时间段内当前设备的每一运行指标的数据取值,判断所述当前设备的该运行指标的数据取值是否满足低于该运行指标的预设基准值,或者,判断所述当前设备的该运行指标的数据取值是否满足低于同一设备种类下各设备该运行指标平均值的预设倍数;若当前设备的各运行指标均满足其一,则所述低利用率场景下所述设备的二级能效结果为设备低效;反之,则为设备正常;
和/或,所述高能耗场景的计算策略,包括:运行指标判断步骤:基于预设时间段内当前设备的每一运行指标的数据取值,判断所述当前设备的该运行指标的数据取值是否满足低于该运行指标的预设基准值,或者,判断所述当前设备的该运行指标的数据取值是否满足低于同一设备种类下各设备该运行指标平均值的预设倍数;资产属性判断步骤:基于当前设备的各个资产属性的数据取值,判断所述当前设备的该资产属性的数据取值是否满足超过该资产属性的预设基准值,或者,判断所述当前设备的该资产属性的数据取值是否满足超过同一设备种类下各设备的该资产属性的平均值的预设倍数;若当前设备的各运行指标均满足其一,或者,当前设备的任一资产属性满足其一,则所述高能耗场景下所述设备的二级能效结果为设备低效;反之,则为设备正常。
6.根据权利要求5所述的设备能效的计算方法,其特征在于,所述结果聚合策略包括:分析每一设备的各个一级能效结果和各个二级能效结果,若至少一个结果为设备无效,则该设备的能效结果为设备无效;若没有设备无效但至少一个结果为设备低效,则该设备的能效结果为设备低效;若各个结果均为设备正常,则该设备的能效结果为设备正常。
7.一种设备能效的计算装置,其特征在于,包括:
数据获取模块,用于获取待预测的设备的若干运行指标的数据取值和若干资产属性的数据取值;
能效计算模块,用于基于若干运行指标的数据取值和若干资产属性的数据取值,运用预先构建好的设备能效计算模型,计算获得所述设备的能效结果;
所述设备能效计算模型的构建过程包括:
周期性地采集多个设备中每一设备的若干运行指标的数据取值和若干资产属性的数据取值;
将每一设备的若干运行指标的数据取值和若干资产属性的数据取值,分别依预先设置的各一级能效计算场景的计算策略执行计算,获得每一设备的各个一级能效结果;
将每一设备的若干运行指标的数据取值和若干资产属性的数据取值,分别依预先设置的各二级能效计算场景的计算策略执行计算,获得每一设备的各个二级能效结果;
将每一设备的各个一级能效结果和各个二级能效结果依结果聚合策略进行聚合,获得每一设备的能效计算结果;
收集以上各步骤中的各项数据,以用作建模的基础数据;
基于所述基础数据并运用xgboost算法进行机器学习训练,以构建出所述设备能效计算模型。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现根据权利要求1-6任一项所述设备能效的计算方法的全部或部分步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现根据权利要求1-6任一项所述设备能效的计算方法的全部或部分步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110860028.2A CN113656267B (zh) | 2021-07-28 | 2021-07-28 | 设备能效的计算方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110860028.2A CN113656267B (zh) | 2021-07-28 | 2021-07-28 | 设备能效的计算方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113656267A CN113656267A (zh) | 2021-11-16 |
CN113656267B true CN113656267B (zh) | 2024-05-31 |
Family
ID=78490825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110860028.2A Active CN113656267B (zh) | 2021-07-28 | 2021-07-28 | 设备能效的计算方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113656267B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036111A (zh) * | 2014-04-08 | 2014-09-10 | 国家电网公司 | 耗能设备的能效评估、诊断方法与*** |
CN109657838A (zh) * | 2018-11-19 | 2019-04-19 | 珠海格力电器股份有限公司 | 一种能效监测方法、装置及计算机可读存储介质 |
CN112633762A (zh) * | 2020-12-31 | 2021-04-09 | 国网河北省电力有限公司经济技术研究院 | 楼宇能效获取方法及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10452790B2 (en) * | 2011-03-17 | 2019-10-22 | Aditazz, Inc. | System and method for evaluating the energy use of multiple different building massing configurations |
-
2021
- 2021-07-28 CN CN202110860028.2A patent/CN113656267B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036111A (zh) * | 2014-04-08 | 2014-09-10 | 国家电网公司 | 耗能设备的能效评估、诊断方法与*** |
CN109657838A (zh) * | 2018-11-19 | 2019-04-19 | 珠海格力电器股份有限公司 | 一种能效监测方法、装置及计算机可读存储介质 |
CN112633762A (zh) * | 2020-12-31 | 2021-04-09 | 国网河北省电力有限公司经济技术研究院 | 楼宇能效获取方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113656267A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11210144B2 (en) | Systems and methods for hyperparameter tuning | |
CN109543943B (zh) | 一种基于大数据深度学习的电价稽查执行方法 | |
CN105071983A (zh) | 一种面向云计算在线业务的异常负载检测方法 | |
US20150220868A1 (en) | Evaluating Data Quality of Clinical Trials | |
CN111027615A (zh) | 基于机器学习的中间件故障预警方法和*** | |
WO2023071761A1 (zh) | 一种异常定位方法及装置 | |
CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
US20190220924A1 (en) | Method and device for determining key variable in model | |
CN111639850A (zh) | 多源异构数据的质量评估方法与*** | |
US11539730B2 (en) | Method, device, and computer program product for abnormality detection | |
CN113656267B (zh) | 设备能效的计算方法、装置、电子设备及存储介质 | |
CN116484301A (zh) | 一种基于cart算法的涡轮流量计异常检测方法及*** | |
CN116402528A (zh) | 电力数据处理*** | |
CN112614005B (zh) | 企业复工状态的处理方法和装置 | |
CN115293609A (zh) | 人员安全责任制履职评价指标权重体系构建方法及*** | |
CN114676931A (zh) | 一种基于数据中台技术的电量预测*** | |
CN113743994A (zh) | 一种供应商的旺季预测方法、***、设备及存储介质 | |
CN104680317B (zh) | 一种基于概率灰色综合评价的企业合作伙伴选择方法 | |
CN111130098B (zh) | 一种含分布式电源配电网***风险评估方法 | |
CN113743532B (zh) | 异常检测方法、装置、设备及计算机存储介质 | |
Sun | Management Research of Big Data Technology in Financial Decision-Making of Enterprise Cloud Accounting | |
CN109753497A (zh) | 数据空值处理方法、装置及终端设备 | |
CN111626586B (zh) | 数据质量检测方法、装置、计算机设备和存储介质 | |
CN114510518B (zh) | 一种海量结构化数据的自适应聚合方法、***及电子设备 | |
CN117745080B (zh) | 基于多因素认证的数据访问控制和***方法和*** |
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 |