CN117473275B - 一种数据中心的能耗检测方法 - Google Patents
一种数据中心的能耗检测方法 Download PDFInfo
- Publication number
- CN117473275B CN117473275B CN202311818174.4A CN202311818174A CN117473275B CN 117473275 B CN117473275 B CN 117473275B CN 202311818174 A CN202311818174 A CN 202311818174A CN 117473275 B CN117473275 B CN 117473275B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- time
- consumption detection
- data center
- 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 99
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种数据中心的能耗检测方法,涉及能耗检测技术领域,包括收集数据中心原始数据,并进行融合;基于VTGAN模型,将LSTM作为生成器,1D CNN作为鉴别器,生成能耗检测模型;使用傅里叶变换和小波变换在时间和频率域上分析能耗序列,形成综合特征集;通过综合特征集对能耗检测模型进行训练和验证;动态调整滑动窗口的大小,将时间序列分解为多个子序列,并分别进行检测,然后再合并检测结果,根据检测结果确定能耗情况。本发明所述方法通过引入VTGAN模型,结合LSTM和1D CNN的优势,有效地处理了时间序列数据,提高了能耗监测的准确性和效率。通过使用傅里叶变换和小波变换,使得本发明能够在时间和频率域上全面分析能耗数据。
Description
技术领域
本发明涉及能耗检测技术领域,特别是一种数据中心的能耗检测方法。
背景技术
在数据中心的运营管理中,能耗监测是一个关键问题。传统的能耗监测方法主要依赖于简单的历史数据分析和基本的预测模型,这些方法往往无法准确捕捉到能耗数据的复杂模式,特别是在面对大规模、高动态性的数据中心环境时。此外,传统方法在处理时间序列数据时,往往忽略了数据的频率特性和非线性特点,导致能耗预测和异常检测的准确性不足。因此,存在一种迫切需要提高数据中心能耗监测准确性和效率的技术需求,特别是在实时监测和预测能耗方面。
发明内容
鉴于上述现有的数据中心的能耗检测方法中存在的问题,提出了本发明。
因此,本发明所要解决的问题在于如何提供一种数据中心的能耗检测方法。
为解决上述技术问题,本发明提供如下技术方案:一种数据中心的能耗检测方法,其包括,收集数据中心原始数据,并进行融合;基于VTGAN模型,将LSTM作为生成器,1D CNN作为鉴别器,生成能耗检测模型;使用傅里叶变换和小波变换在时间和频率域上分析能耗序列,形成综合特征集;通过综合特征集对能耗检测模型进行训练和验证;动态调整滑动窗口的大小,将时间序列分解为多个子序列,并分别进行检测,然后再合并检测结果,根据检测结果确定能耗情况。
作为本发明所述数据中心的能耗检测方法的一种优选方案,其中:所述收集数据中心原始数据,并进行融合包括,从数据中心收集原始数据,所述原始数据包括电力消耗数据、环境参数数据、设备运行数据以及网络使用数据;对收集到的原始数据进行预处理操作;通过基于信息增益的特征选择方法,选择对能耗检测最有贡献的特征,公式如下,
式中,IG(X,Y)是特征X对目标变量Y的信息增益,H(Y)是目标变量Y的熵,H(Y∣X)是在给定特征X的条件下目标变量Y的条件熵;
基于PCA算法对选择的特征进行降维处理,并基于自编码器对降维处理后的特征进行融合,公式如下,
式中,F是融合后的综合特征,AE是自编码器,E1,E2,…,En是降维处理后的特征;
使用固定大小的滑动窗口方法构建时间序列数据,公式如下,
式中,St是时间t的时间序列数据,F是融合后的综合特征,w是滑动窗口的大小。
作为本发明所述数据中心的能耗检测方法的一种优选方案,其中:所述生成能耗检测模型包括如下步骤,构建一个多层LSTM网络作为生成器,包括,将时间序列数据作为输入,使用多层LSTM单元构建隐藏层,使用ReLU激活函数在输出层生成与目标能耗数据相同维度的输出;构建一个1D CNN网络作为判别器,包括,接收生成器生成的能耗数据,使用多个卷积层提取能耗数据的特征,应用最大池化层减小数据的维度,将输出一个二分类结果,表示输入的能耗数据是真实的还是生成的,在输出层使用sigmoid激活函数,将输出转换为0到1之间的概率值;将使用Wasserstein损失作为目标函数,公式为,
式中,L是目标函数的值,D(x)是判别器对真实数据x的输出,D(G(z))是判别器对生成数据G(z)的输出,E[·]表示期望值;
将使用Adam优化算法训练能耗检测模型;将交替训练生成器和判别器,直到能耗检测模型收敛。
作为本发明所述数据中心的能耗检测方法的一种优选方案,其中:使用傅里叶变换和小波变换在时间和频率域上分析能耗序列,形成综合特征集,包括,对能耗时间序列数据进行标准化处理;对标准化后的时间序列数据X(t)应用傅里叶变换,得到频率域特征F(ω),
式中,是频率,i是虚数单位,t表示时间;
对时间序列数据X(t)应用小波变换,得到不同尺度和位置的小波系数,
式中,a是尺度参数,b是位置参数,是小波函数;
将频率域特征和小波系数融合,形成一个综合特征集。
作为本发明所述数据中心的能耗检测方法的一种优选方案,其中:所述将频率域特征和小波系数融合包括,从傅里叶变换结果中选择关键频率特征,包括主要频率成分和能量分布;从小波变换结果中选择关键特征,包括特定尺度和位置的小波系数和能量特征;将选择的傅里叶变换特征和小波变换特征进行拼接,形成融合特征向量;对所述融合特征向量进行标准化处理和降维处理,形成综合特征集。
作为本发明所述数据中心的能耗检测方法的一种优选方案,其中:通过综合特征集对能耗检测模型进行训练和验证包括,将综合特征集划分为训练集、验证集和测试集;使用训练集训练LSTM生成器,以生成能耗数据的模拟样本;使用生成的模拟样本和真实样本训练1D CNN鉴别器,以区分真实和生成的数据;通过验证集评估模型的性能,并根据验证结果调整能耗检测模型的参数;通过测试集测试能耗检测模型的最终性能。
作为本发明所述数据中心的能耗检测方法的一种优选方案,其中:所述动态调整滑动窗口的大小包括,选择一个基于历史数据性能表现的初始窗口大小;在每个时间步,计算能耗检测模型的检测误差Et;若Et大于阈值ϵ,增加滑动窗口的大小;否则,减小滑动窗口的大小;更新滑动窗口的大小,公式如下,
式中,Wt+1是下一个时间步的窗口大小,α是调整系数,Wt是指在t时刻的窗口大小。
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,所述计算机程序被处理器执行时实现数据中心的能耗检测方法的步骤。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现数据中心的能耗检测方法的步骤。
本发明有益效果为:通过引入VTGAN模型,结合LSTM和1D CNN的优势,有效地处理了时间序列数据,提高了能耗监测的准确性和效率。通过使用傅里叶变换和小波变换,使得本发明能够在时间和频率域上全面分析能耗数据,捕捉到更复杂的能耗模式,包括周期性和非周期性变化。此外,动态调整滑动窗口的方法使得模型能够适应数据的动态变化,进一步提高了检测的灵活性和准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为数据中心的能耗检测方法的概念示意图;
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1,为本发明第一个实施例,该实施例提供了一种数据中心的能耗检测方法,数据中心的能耗检测方法如下步骤:
S1、收集数据中心原始数据,并进行融合;
S2、基于VTGAN模型,将LSTM作为生成器,1D CNN作为鉴别器,生成能耗检测模型;
S3、使用傅里叶变换和小波变换在时间和频率域上分析能耗序列,形成综合特征集;
S4、通过综合特征集对能耗检测模型进行训练和验证;
S5、动态调整滑动窗口的大小,将时间序列分解为多个子序列,并分别进行检测,然后再合并检测结果,根据检测结果确定能耗情况。
在步骤S1中,所述收集数据中心原始数据,并进行融合包括,
S11、从数据中心收集原始数据,所述原始数据包括电力消耗数据、环境参数数据、设备运行数据以及网络使用数据,其中电力消耗数据包括总电力消耗量、各个服务器和设备的电力消耗以及不同区域(如服务器室、冷却***区域)的电力消耗;环境参数包括室内温度和湿度、空气流量和空调***的状态以及冷却水的温度和流量;设备运行数据包括服务器和其他关键设备的运行状态(如开/关、负载情况)、设备的运行时间和使用频率以及硬件性能指标(如CPU和内存利用率);网络使用数据包括数据传输量和网络设备的能耗;
S12、对收集到的原始数据进行预处理操作,预处理操作包括数据进行清洗和标准化;
S13、通过基于信息增益的特征选择方法,选择对能耗检测最有贡献的特征,公式如下,
式中,IG(X,Y)是特征X对目标变量Y的信息增益,H(Y)是目标变量Y的熵,H(Y∣X)是在给定特征X的条件下目标变量Y的条件熵;
S14、基于PCA算法对选择的特征进行降维处理,并基于自编码器对降维处理后的特征进行融合,公式如下,
式中,F是融合后的综合特征,AE是自编码器,E1,E2,…,En是降维处理后的特征;
S15、使用固定大小的滑动窗口方法构建时间序列数据,公式如下,
式中,St是时间t的时间序列数据,F是融合后的综合特征,w是滑动窗口的大。
在步骤S2中,所述生成能耗检测模型包括如下步骤,
S21、构建一个多层LSTM网络作为生成器,包括,将时间序列数据作为输入,使用多层LSTM单元构建隐藏层,使用ReLU激活函数在输出层生成与目标能耗数据相同维度的输出;
S22、构建一个1D CNN网络作为判别器,包括,接收生成器生成的能耗数据,使用多个卷积层提取能耗数据的特征,应用最大池化层减小数据的维度,将输出一个二分类结果,表示输入的能耗数据是真实的还是生成的,在输出层使用sigmoid激活函数,将输出转换为0到1之间的概率值;
S23、将使用Wasserstein损失作为目标函数,公式为,
式中,L是目标函数的值,D(x)是判别器对真实数据x的输出,D(G(z))是判别器对生成数据G(z)的输出,E[·]表示期望值;
S24、将使用Adam优化算法训练能耗检测模型;
S25、将交替训练生成器和判别器,直到能耗检测模型收敛。
在步骤S3中,使用傅里叶变换和小波变换在时间和频率域上分析能耗序列,形成综合特征集,包括,
S31、对能耗时间序列数据进行标准化处理;
S32、对标准化后的时间序列数据X(t)应用傅里叶变换,得到频率域特征F(ω),
式中,是频率,i是虚数单位,t表示时间;
S33、对时间序列数据X(t)应用小波变换,得到不同尺度和位置的小波系数,
式中,a是尺度参数,b是位置参数,是小波函数;
S34、将频率域特征和小波系数融合,形成一个综合特征集。
在步骤S4中,通过综合特征集对能耗检测模型进行训练和验证包括,
S41、将综合特征集划分为训练集、验证集和测试集;
S42、使用训练集训练LSTM生成器,以生成能耗数据的模拟样本;
S43、使用生成的模拟样本和真实样本训练1D CNN鉴别器,以区分真实和生成的数据;
S44、通过验证集评估模型的性能,并根据验证结果调整能耗检测模型的参数;
S45、通过测试集测试能耗检测模型的最终性能。
在步骤S5中,所述动态调整滑动窗口的大小包括,
S51、选择一个基于历史数据性能表现的初始窗口大小;
S52、在每个时间步,计算能耗检测模型的检测误差Et;
S53、若Et大于阈值ϵ,增加滑动窗口的大小;否则,减小滑动窗口的大小;
S54、更新滑动窗口的大小,公式如下,
式中,Wt+1是下一个时间步的窗口大小,α是调整系数,Wt是指在t时刻的窗口大小。
本发明通过引入先进的VTGAN模型,结合LSTM和1D CNN的优势,有效地处理了时间序列数据,提高了能耗监测的准确性和效率。通过使用傅里叶变换和小波变换,本发明能够在时间和频率域上全面分析能耗数据,捕捉到更复杂的能耗模式,包括周期性和非周期性变化。此外,动态调整滑动窗口的方法使得模型能够适应数据的动态变化,进一步提高了检测的灵活性和准确性。因此,本发明不仅解决了传统能耗监测方法在准确性和实时性方面的不足,还为数据中心提供了一种更高效、更智能的能耗监测和管理解决方案。
实施例2
本发明第二个实施例,其不同于上一个实施例的是:
所述功能如果以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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种数据中心的能耗检测方法,其特征在于:包括,
收集数据中心原始数据,并进行融合;
基于VTGAN模型,将LSTM作为生成器,1D CNN作为鉴别器,生成能耗检测模型;
使用傅里叶变换和小波变换在时间和频率域上分析能耗序列,形成综合特征集;
通过综合特征集对能耗检测模型进行训练和验证;
动态调整滑动窗口的大小,将时间序列分解为多个子序列,并分别进行检测,然后再合并检测结果,根据检测结果确定能耗情况;
所述收集数据中心原始数据,并进行融合包括,
从数据中心收集原始数据,所述原始数据包括电力消耗数据、环境参数数据、设备运行数据以及网络使用数据;
对收集到的原始数据进行预处理操作;
通过基于信息增益的特征选择方法,选择对能耗检测最有贡献的特征,公式如下,
式中,IG(X,Y)是特征X对目标变量Y的信息增益,H(Y)是目标变量Y的熵,H(Y∣X)是在给定特征X的条件下目标变量Y的条件熵;
基于PCA算法对选择的特征进行降维处理,并基于自编码器对降维处理后的特征进行融合,公式如下,
式中,F是融合后的综合特征,AE是自编码器,E1,E2,…,En是降维处理后的特征;
使用固定大小的滑动窗口方法构建时间序列数据,公式如下,
式中,St是时间t的时间序列数据,F是融合后的综合特征,w是滑动窗口的大小;
所述生成能耗检测模型包括如下步骤,
构建一个多层LSTM网络作为生成器,包括,将时间序列数据作为输入,使用多层LSTM单元构建隐藏层,使用ReLU激活函数在输出层生成与目标能耗数据相同维度的输出;
构建一个1D CNN网络作为判别器,包括,接收生成器生成的能耗数据,使用多个卷积层提取能耗数据的特征,应用最大池化层减小数据的维度,将输出一个二分类结果,表示输入的能耗数据是真实的还是生成的,在输出层使用sigmoid激活函数,将输出转换为0到1之间的概率值;
将使用Wasserstein损失作为目标函数,公式为,
式中,L是目标函数的值,D(x)是判别器对真实数据x的输出,D(G(z))是判别器对生成数据G(z)的输出,E[·]表示期望值;
将使用Adam优化算法训练能耗检测模型;
将交替训练生成器和判别器,直到能耗检测模型收敛。
2.如权利要求1所述的数据中心的能耗检测方法,其特征在于:使用傅里叶变换和小波变换在时间和频率域上分析能耗序列,形成综合特征集,包括,
对能耗时间序列数据进行标准化处理;
对标准化后的时间序列数据X(t)应用傅里叶变换,得到频率域特征F(ω),
式中,是频率,i是虚数单位,t表示时间;
对时间序列数据X(t)应用小波变换,得到不同尺度和位置的小波系数,
式中,a是尺度参数,b是位置参数,是小波函数;
将频率域特征和小波系数融合,形成一个综合特征集。
3.如权利要求2所述的数据中心的能耗检测方法,其特征在于:所述将频率域特征和小波系数融合包括,
从傅里叶变换结果中选择关键频率特征,包括主要频率成分和能量分布;
从小波变换结果中选择关键特征,包括特定尺度和位置的小波系数和能量特征;
将选择的傅里叶变换特征和小波变换特征进行拼接,形成融合特征向量;
对所述融合特征向量进行标准化处理和降维处理,形成综合特征集。
4.如权利要求3所述的数据中心的能耗检测方法,其特征在于:通过综合特征集对能耗检测模型进行训练和验证包括,
将综合特征集划分为训练集、验证集和测试集;
使用训练集训练LSTM生成器,以生成能耗数据的模拟样本;
使用生成的模拟样本和真实样本训练1D CNN鉴别器,以区分真实和生成的数据;
通过验证集评估模型的性能,并根据验证结果调整能耗检测模型的参数;
通过测试集测试能耗检测模型的最终性能。
5.如权利要求3所述的数据中心的能耗检测方法,其特征在于:所述动态调整滑动窗口的大小包括,
选择一个基于历史数据性能表现的初始窗口大小;
在每个时间步,计算能耗检测模型的检测误差Et;
若Et大于阈值,增加滑动窗口的大小;否则,减小滑动窗口的大小;
更新滑动窗口的大小,公式如下,
式中,Wt+1是下一个时间步的窗口大小,α是调整系数,Wt是指在t时刻的窗口大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311818174.4A CN117473275B (zh) | 2023-12-27 | 2023-12-27 | 一种数据中心的能耗检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311818174.4A CN117473275B (zh) | 2023-12-27 | 2023-12-27 | 一种数据中心的能耗检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117473275A CN117473275A (zh) | 2024-01-30 |
CN117473275B true CN117473275B (zh) | 2024-03-26 |
Family
ID=89624140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311818174.4A Active CN117473275B (zh) | 2023-12-27 | 2023-12-27 | 一种数据中心的能耗检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117473275B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598851A (zh) * | 2019-08-29 | 2019-12-20 | 北京航空航天大学合肥创新研究院 | 一种融合lstm和gan的时间序列数据异常检测方法 |
CN115878992A (zh) * | 2021-09-28 | 2023-03-31 | 比亚迪股份有限公司 | 综合管廊供电***的监控方法和监控*** |
CN116318830A (zh) * | 2023-02-02 | 2023-06-23 | 北京邮电大学 | 一种基于生成对抗网络的日志入侵检测*** |
CN116976472A (zh) * | 2022-04-13 | 2023-10-31 | 北京国双科技有限公司 | 一种预测住宅电能消耗的方法、***、设备及存储介质 |
-
2023
- 2023-12-27 CN CN202311818174.4A patent/CN117473275B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598851A (zh) * | 2019-08-29 | 2019-12-20 | 北京航空航天大学合肥创新研究院 | 一种融合lstm和gan的时间序列数据异常检测方法 |
CN115878992A (zh) * | 2021-09-28 | 2023-03-31 | 比亚迪股份有限公司 | 综合管廊供电***的监控方法和监控*** |
CN116976472A (zh) * | 2022-04-13 | 2023-10-31 | 北京国双科技有限公司 | 一种预测住宅电能消耗的方法、***、设备及存储介质 |
CN116318830A (zh) * | 2023-02-02 | 2023-06-23 | 北京邮电大学 | 一种基于生成对抗网络的日志入侵检测*** |
Non-Patent Citations (1)
Title |
---|
基于LSTM—GAN 的加油时序数据异常检测;赵飏;计算机应用与软件;20220712;第39卷(第第13-19页期);第13-19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117473275A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Time series prediction based on NARX neural networks: An advanced approach | |
CN113344295B (zh) | 基于工业大数据的设备剩余寿命预测方法、***及介质 | |
Liu et al. | An enhanced encoder–decoder framework for bearing remaining useful life prediction | |
CN111382906B (zh) | 一种电力负荷预测方法、***、设备和计算机可读存储介质 | |
CN107292446B (zh) | 一种基于考虑分量关联性小波分解的混合风速预测方法 | |
KR102149495B1 (ko) | 환경 예측 모델의 훈련지표 최적화 장치 및 그 동작방법 | |
CN114970774B (zh) | 一种智能变压器故障预测方法和装置 | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
CN111950805B (zh) | 中长期电力负荷预测方法、装置、计算机设备及存储介质 | |
CN113392732B (zh) | 一种局部放电超声信号抗干扰方法及*** | |
CN116668198B (zh) | 基于深度学习的流量回放测试方法、装置、设备及介质 | |
CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN111310963A (zh) | 电站的发电数据预测方法、装置、计算机设备和存储介质 | |
Oh et al. | Investigating the effects of daily travel time patterns on short-term prediction | |
CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
CN117369418A (zh) | 数控机床进给***故障诊断方法、***、存储介质及设备 | |
CN113380340A (zh) | 飞灰浓度预测模型的训练方法、装置、计算机设备 | |
CN117473275B (zh) | 一种数据中心的能耗检测方法 | |
CN117216522A (zh) | 一种基于机器学习的轴承故障类别诊断方法、装置及设备 | |
Feng et al. | Spatiotemporal prediction based on feature classification for multivariate floating-point time series lossy compression | |
Dang et al. | seq2graph: discovering dynamic dependencies from multivariate time series with multi-level attention | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN116502672A (zh) | 一种神经网络量化部署方法、***、设备和介质 | |
Wei et al. | Using a model structure selection technique to forecast short-term wind speed for a wind power plant in North China | |
Tong et al. | Application of a fractional grey prediction model based on a filtering algorithm in image processing |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Energy Consumption Detection Method for Data Centers Granted publication date: 20240326 Pledgee: Nanjing Bank Co.,Ltd. Nanjing North Branch Pledgor: Xinzhi Technology (Jiangsu) Co.,Ltd. Registration number: Y2024980018244 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |