一种机房电耗指标预测方法、装置、电子设备及存储介质与流程

1.本发明涉及机房电耗管理技术领域，尤其涉及一种机房电耗指标预测方法、装置、电子设备及存储介质。


背景技术：

2.机房电耗对于节能减排具有重要意义，实现机房电耗指标的准确预测，有利于指导机房进行节能控制，从而达到降低机房电耗和排放的目标。当前，机房增添通信设备是通过人工指定，机房管理者也仅仅根据机房是否有空闲位置、通信设备距离和用户距离来判定如何增添设备，并没有综合考虑布线投资、机房电耗等问题。随着千兆、5g的普及，通信行业机房设备面临频繁更新换代的新形势，上述的机房管理手段在节能减排中不能起到很好的效果。并且由于通信机房设备过多，当前运行时间设备承载业务量不均，同一设备在全天承载业务量也不一致等问题，管理者很难在多变的机房环境中，考虑机房电耗的成本。
3.对上述问题，现有的一些建模方法如机理建模、线性回归、多元非线性回归等在机房环境稳定的机房有较好的应用。但增添设备、外界温度变化等因素容易导致内部或者外界环境变化较大，在环境变化较大的机房中，例如通信机房，至今没有形成有效的电耗预测方法。


技术实现要素：

4.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明提出一种机房电耗指标预测方法、装置、电子设备及存储介质，能够根据机房的环境变化较为准确地预估电耗变化状态，适用于环境变化较大的通信机房中。
5.一方面，本发明实施例提供了一种机房电耗指标预测方法，包括：
6.获取机房的环境数据和机房中设备的设备参数；其中，所述设备包括线性关系设备和非线性关系设备；所述非线性关系设备包括通信设备和非通信设备；所述非通信设备包括空调；构建所述线性关系设备的第一表达式集合；
7.配置偏置值和权重系数，结合所述偏置值和所述权重系数，采用多项式对所述通信设备的设备电流参数进行拟合，得到设备电流表达式；
8.配置偏置向量，结合所述偏置向量构建空调电耗预测模型；
9.根据所述第一表达式集合、所述设备电流表达式和所述空调电耗预测模型构建机房电耗指标预测模型；
10.根据所述环境数据和所述设备参数，通过所述机房电耗预测模型对所述机房的电耗指标进行预测，得到预测结果。
11.可选地，所述获取机房的环境数据和机房中设备的设备参数，包括：
12.获取蓄电池的充电电流和充电电压；
13.获取监控摄像头的额定功率；
14.获取各个所述通信设备的当前承载最大业务量和所述设备电流参数；
15.获取机房的室内温度、室外温度和所述空调的空调温度设定值。
16.可选地，所述线性关系设备的第一表达式集合包括蓄电池的第一电耗表达式和监控摄像头的第二电耗表达式，所述构建所述线性关系设备的第一表达式集合，包括：
17.根据蓄电池的充电电流和充电电压确定所述第一电耗表达式；
18.根据监控摄像头的额定功率确定所述第二电耗表达式。
19.所述配置权重系数，包括：
20.配置第一至第n个权重系数；其中，所述权重系数用于表征当前运行时间设备承载业务量相对于设备当前承载最大业务量的重要程度，所述第一至第n个权重系数分别以第一至第n个时间段作为当前运行时间；
21.所述第一至第n个时间段是根据用户在网时间段划分的连续时间段。
22.可选地，所述采用多项式曲线对所述通信设备的电耗数据进行拟合，得到所述通信设备的设备电流表达式，包括：
23.根据所述通信设备的当前承载最大业务量和所述偏置值确定当前运行时间设备承载业务量；
24.根据所述当前运行时间设备承载业务量和设备电流参数，确定一组样本点；
25.构建初始多项式；
26.根据所述样本点确定所述初始多项式的多项式系数，得到所述通信设备的设备电流表达式。
27.可选地，所述空调电耗预测模型通过以下步骤进行空调电耗预测：
28.获取输入数据；其中，所述输入数据包括各个所述通信设备的电流值、空调温度设定值、室外温度和室内温度；
29.结合偏置向量，通过若干个移动步长为1的多维度卷积核提取所述输入数据的时间序列特征；
30.采用激活函数对所述时间序列特征进行激活处理，得到第一特征数据；
31.对所述第一特征数据进行池化处理，得到第二特征数据；
32.对所述第二特征数据输入全连接层进行特征加权处理，得到特征数据矩阵向量；
33.根据所述特征数据矩阵向量确定空调电耗预测值。
34.可选地，所述根据所述第一表达式、所述设备电流表达式和所述空调电耗预测模型构建机房电耗指标预测模型的步骤中，所述机房电耗指标预测模型的表达式为：
35.e
sum
＝eb+ec+uy×
sum(y)
×
t+d
×eγ
36.其中，e
sum
表示机房电耗预测值；eb表示蓄电池电耗；ec表示监控摄像头电耗；uy表示通信设备的电压总和；sum(y)表示通信设备的设备电流总和；y表示通信设备的设备电流向量；t表示时间；d表示空调设备对于机房的空间占用率；e
γ
表示空调电耗预测值。
37.另一方面，本发明实施例提供了一种机房电耗指标预测装置，包括：
38.第一模块，用于获取机房的环境数据和机房中设备的设备参数；其中，所述设备包括线性关系设备和非线性关系设备；所述非线性关系设备包括通信设备和非通信设备；所述非通信设备包括空调；
39.第二模块，用于构建所述线性关系设备的第一表达式集合；
40.第三模块，用于配置偏置值和权重系数，结合所述偏置值和所述权重系数，采用多
项式对所述通信设备的设备电流参数进行拟合，得到设备电流表达式；
41.第四模块，用于配置偏置向量，结合所述偏置向量构建空调电耗预测模型；
42.第五模块，用于根据所述第一表达式集合、所述设备电流表达式和所述空调电耗预测模型构建机房电耗指标预测模型；
43.第六模块，用于根据所述环境数据和所述设备参数，通过所述机房电耗预测模型对所述机房的电耗指标进行预测，得到预测结果。
44.可选地，第一模块具体用于：
45.获取蓄电池的充电电流和充电电压；
46.获取监控摄像头的额定功率；
47.获取各个所述通信设备的当前承载最大业务量和所述设备电流参数；
48.获取机房的室内温度、室外温度和所述空调的空调温度设定值。
49.第二模块具体用于：
50.根据蓄电池的充电电流和充电电压确定第一电耗表达式；
51.根据监控摄像头的额定功率确定第二电耗表达式。
52.第三模块具体用于：
53.配置第一至第n个权重系数；其中，所述权重系数用于表征当前运行时间设备承载业务量相对于设备当前承载最大业务量的重要程度，第一至第n个权重系数分别以第一至第n个时间段作为当前运行时间；
54.所述第一至第n个时间段是根据用户在网时间段划分的连续时间段。
55.第三模块具体还用于：
56.根据所述通信设备的当前承载最大业务量和所述偏置值确定当前运行时间设备承载业务量；
57.根据所述当前运行时间设备承载业务量和设备电流参数，确定一组样本点；
58.构建初始多项式；
59.根据所述样本点确定所述初始多项式的多项式系数，得到所述通信设备的设备电流表达式。
60.第四模块具体用于：
61.获取输入数据；其中，所述输入数据包括各个所述通信设备的电流值、空调温度设定值、室外温度和室内温度；
62.结合偏置向量，通过若干个移动步长为1的多维度卷积核提取所述输入数据的时间序列特征；
63.采用激活函数对所述时间序列特征进行激活处理，得到第一特征数据；
64.对所述第一特征数据进行池化处理，得到第二特征数据；
65.对所述第二特征数据输入全连接层进行特征加权处理，得到特征数据矩阵向量；
66.根据所述特征数据矩阵向量确定空调电耗预测值。
67.上述机房电耗指标预测模型的表达式为：
68.e
sum
＝eb+ec+uy×
sum(y)
×
t+d
×eγ
69.其中，e
sum
表示机房电耗预测值；eb表示蓄电池电耗；ec表示监控摄像头电耗；uy表示通信设备的电压总和；sum(y)表示通信设备的设备电流总和；y表示通信设备的设备电流
向量；t表示时间；d表示空调设备对于机房的空间占用率；e
γ
表示空调电耗预测值。
70.另一方面，本发明实施例提供了一种电子设备，包括：处理器以及存储器；存储器用于存储程序；处理器执行程序实现上述机房电耗指标预测方法。
71.另一方面，本发明实施例提供了一种计算机存储介质，其中存储有处理器可执行的程序，处理器可执行的程序在由处理器执行时用于实现上述机房电耗指标预测方法。
72.本发明实施例通过获取环境数据和机房设备中的设备参数；构建线性关系设备的第一表达式集合；配置偏置值和权重系数，结合偏置值和权重系数，采用多项式对通信设备的设备电流参数进行拟合，得到设备电流表达式，能够获得线性关系设备和非线性关系设备中通信设备的电耗规律，有利于进行机房电耗指标的预测，基于偏置值和权重系数进行拟合，可以获得更为准确的拟合表达式；通过配置偏置向量，结合偏置向量构建空调电耗预测模型，根据第一表达式集合、设备电流表达式和空调电耗预测模型构建机房电耗指标预测模型，根据环境数据和设备参数，通过机房电耗预测模型对所述机房的电耗指标进行预测，得到预测结果，本发明实施例的方法能够根据机房的环境变化较为准确地预估电耗变化状态，有利于机房的维护。
附图说明
73.附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
74.图1是本发明实施例提供的进行机房电耗指标预测的实施环境示意图；
75.图2是本发明实施例提供的应用于服务器的机房电耗指标预测方法的流程示意图；
76.图3是本发明实施例提供的机房设备分类示意图；
77.图4是本发明实施例提供的获取机房的环境数据和机房中设备的设备参数的流程示意图；
78.图5是本发明实施例提供的构建线性关系设备第一表达式集合的流程示意图；
79.图6是本发明实施例提供的采用多项式对通信设备的设备参数进行拟合的流程示意图；
80.图7是本发明实施例提供的空调电耗预测模型的数据处理流程示意图；
81.图8是本发明实施例提供的通过空调电耗预测模型进行空调电耗预测的步骤示意图；
82.图9是本发明实施例提供的时序特征的输入结构示意图；
83.图10是本发明实施例提供的卷积层和池化层进行数据处理的示意图；
84.图11是本发明实施例提供的全连接层的结构示意图；
85.图12是本发明实施例提供的一种机房电耗指标预测装置的结构示意图；
86.图13是本发明实施例提供的一种电子设备的结构示意图；
87.图14是本发明实施例提供的适于用来实现本发明实施例的电子设备的计算机系统结构框图。
具体实施方式
88.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用以解释本发明，并不用于限定本发明。
89.需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一/s100”、“第二/s200”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。
90.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
91.参照图1，图1是本发明实施例提供的进行机房电耗指标预测的实施环境示意图，该实施环境包括至少一个终端102和服务器101。终端102和服务器101之间可以通过无线或者有线的方式进行网络连接，完成数据传输交换。
92.服务器101可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
93.另外，服务器101还可以是区块链网络中的一个节点服务器。其中，区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。
94.终端102可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端102以及服务器101可以通过有线或无线通信方式进行直接或间接地连接，本发明实施例在此不做限制。
95.示例性地基于图1所示的实施环境，本发明实施例提供了一种机房电耗指标预测方法，下面以该机房电耗指标预测方法应用于服务器101中为例子进行说明，可以理解的是，该机房电耗指标预测方法也可以应用于终端102中。
96.参照图2，图2是本发明实施例提供的应用于服务器的机房电耗指标预测方法的流程示意图，该方法包括以下步骤：
97.s100、获取机房的环境数据和机房中设备的设备参数；其中，设备包括线性关系设备和非线性关系设备；非线性关系设备包括通信设备和非通信设备；非通信设备包括空调。
98.更为具体地，参照图3，图3是本发明实施例提供的机房设备分类示意图，在本发明实施例中，机房设备按照设备与电耗的关系可以分为：
99.1、线性关系设备，包括蓄电池和监控摄像头；
100.2、非线性关系设备，包括通信设备和非通信设备；
101.①
通信设备，包括olt(optical line terminal，光线路终端)、bras(broadband remote access server，宽带接入服务器)、波分设备、bbu(building base band unit，室内基带处理单元)、rru(remote radio unit，射频拉远单元)、各种交换机、路由器、服务器等；
102.②
非通信设备，包括空调。
103.参照图4，图4是本发明实施例提供的获取机房的环境数据和机房中设备的设备参数的流程示意图，步骤s100获取机房的环境数据和机房中设备的设备参数，具体可以包括：
104.a)获取蓄电池的充电电流和充电电压；
105.b)获取监控摄像头的额定功率；
106.c)获取各个通信设备的当前承载最大业务量、设备电流参数；
107.d)获取机房的室内温度、室外温度和空调的空调温度设定值。
108.可以理解的是，上述获取环境数据和设备参数的过程并没有顺序限制，图4所示的流程只是本发明实施例的一种实现方式。
109.s200、构建线性关系设备的第一表达式集合。
110.通过线性拟合来拟合线性关系设备的电耗，构建线性关系设备的第一表达式集合，参照图5，图5是本发明实施例提供的构建线性关系设备第一表达式集合的流程示意图，具体为：
111.对于蓄电池，根据蓄电池的充电电流ib和充电电压ub确定蓄电池的第一电耗表达式，该第一电耗表达式为：
112.eb＝ub×
ib×
t(1)
113.式(1)中，eb表示蓄电池的电耗；ub表示蓄电池的充电电压；ib表示蓄电池的充电电流；t表示机房设备的运行时间。
114.需要说明的是，除非另有说明，在本发明实施例的公式中，t均表示机房设备的运行时间，机房设备可以包括步骤s100中所提及的各种设备。
115.对于监控摄像头，根据监控摄像头的额定功率pc确定监控摄像头的第二电耗表达式。该第二电耗表达式为：
116.ec＝pc×
t(2)
117.式(2)中，ec表示监控摄像头的电耗；pc表示监控摄像头的额定功率。
118.s300、配置偏置值和权重系数，结合偏置值和权重系数，采用多项式对通信设备的设备电流参数进行拟合，得到设备电流表达式。
119.参照图6，图6是本发明实施例提供的采用多项式对通信设备的设备参数进行拟合的流程示意图。
120.根据通信设备在当前运行时间中的承载的最大业务量x
max
确定该通信设备的当前运行时间设备承载业务量，具体表达式为：
121.xk＝x
max
×
tk+t
*
，k＝1,2,
…
,k(3)
122.式(3)中，xk表示第k个通信设备的当前运行时间设备承载业务量；x
max
表示通信设备的当前承载最大业务量；tk是当前承载最大业务量x
max
的权重系数；k表示通信设备总数。由于周末设备承载的业务量会增加，因此配置周末补偿的偏置值t
*
，用于进行数据偏置补偿，减小由于周末业务量增加可能带来的计算误差。
123.配置第一至第n个权重系数；其中，所述权重系数用于表征当前运行时间设备承载业务量相对于设备当前承载最大业务量的重要程度，第一至第n个权重系数分别以第一至第n个时间段作为当前运行时间；该第一至第n个权重系数可以根据时间段的需要对系数tk进行替换。
124.示例性地，以划分为5个时间段(即n＝5)为例：按照用户在网的时间段，将时间划分为5个依次连续的时间段，分别为第一时间段、第二时间段、第三时间段、第四时间段和第五时间段，在5个时间段中，配置不同的权重系数，根据当前所在的时间段采用对应的系数替换系数tk，以执行公式(3)的计算。
125.在一些实施例中，第一时间段可以是8:30-12:00，第二时间段可以是12:00-14:00，第三时间段可以是14:00-17:30，第四时间段可以是17:30-24:00，第五时间段可以是0:00-8:30。在另一些实施例中，根据实际用户的在网时间段，上述的时间段可以是同时提前半小时或者延后半小时。在其他的实施例中，根据实际应用情况，上述时间段可以是其他的划分方案，本发明实施例对此不作限制。
126.结合以上权重系数，通过式(3)计算得到通信设备的当前运行时间设备承载业务量，则对于当前运行时间设备承载业务量x和设备电流y，存在一组样本点，该组样本点可以表示为：
127.{(x1,y1),(x2,y2)
…
(xm,ym)}(4)
128.式(4)中，x1表示第1个样本点中的当前运行时间设备承载业务量；y1表示第1个样本点中的设备电流；下标m代表第m个样本点。
129.构建初始多项式，该初始多项式的表达式为：
[0130][0131]
式(5)中，a0,a1,
…an
为需要确定的多项式系数；为代入当前运行时间设备承载业务量xi后求得的设备电流假定值。
[0132]
采用误差平方和来表征拟合效果，该误差平方和的计算公式为：
[0133][0134]
式(6)中，ε为假定值与真实值之间的误差平方和。
[0135]
当拟合效果最好时，存在一组a0,a1,
…an
能够令ε值最小，根据公式(6)，对每个ε分别求偏导，求偏导的公式为：
[0136][0137]
展开式(7)可得：
[0138][0139]
由上述式(8)可求得a0,a1,
…an
的值，将得出的a0,a1,
…an
的值代入式(5)，整合得到设备电流表达式，该表达式为：
[0140][0141]
式(9)中，y为设备电流向量，x为当前运行时间设备承载业务量向量，[]
t
表示矩阵
的转置。
[0142]
s400、配置偏置向量，结合偏置向量构建空调电耗预测模型。
[0143]
在本发明实施例中，采用ts-cnn网络(time-spatial convolutional neural networks，时空卷积神经网络)构建空调电耗预测模型的模型框架，参照图7，图7是本发明实施例提供的空调电耗预测模型的数据处理流程示意图，空调电耗预测模型包括时序输入层、卷积层、池化层、全连接层和输出层。
[0144]
参照图8，图8是本发明实施例提供的通过空调电耗预测模型进行空调电耗预测的步骤示意图，本发明实施例的空调电耗预测模型的工作步骤具体包括：
[0145]
a)获取输入数据；其中，输入数据包括各个通信设备的电流值、空调温度设定值、室外温度和室内温度。
[0146]
根据各种通信设备的电流、空调温度设定值、室外温度和室内温度构建ts-cnn的时序输入层，依据通信机房特征构建时间序列输入窗口，用于获取时序特征的输入数据，本发明实施例的空调电耗预测模型的输入数据的结构如图9所示，图9是本发明实施例提供的时序特征的输入结构示意图。图中c表示时序窗口，该时序窗口可以为一天或其他自定义的时间长度，选择t-c时间点至t时间点的所有变量作为时序输入层的输入数据，该输入数据可以表示为：
[0147][0148]
式(10)中，yi为各个通信设备的电流值，i＝1,2,
…
,k；r为空调温度设定值；d1为室外温度；d2为室内温度，[]
t
表示矩阵的转置；c表示时序窗口。
[0149]
在一些实施例中，输入数据的来源可以是机房的数据库，在获取到输入数据后，可以对输入数据进行预处理，使得其满足本发明实施例的模型输入要求。
[0150]
b)结合偏置向量，通过若干个移动步长为1的多维度卷积核提取输入数据的时间序列特征。
[0151]
在一些实施例中，卷积核的维度可以是h
×
1，卷积核的表达式为：
[0152][0153]
式(11)中，wj表示第j个维度为h
×
1卷积核，h表示卷积核的行，卷积核的列为1，j的取值范围为1～n，本发明实施例通过n个不同的卷积核去提取不同特征。bj为第j个卷积核所对应的偏置向量，bj的表达式为：
[0154][0155]
式(12)中，每个卷积核wj对应一个偏置向量，因此具有n个不同的偏置向量bj，bj维度为9
×
(c-h+1)，与wj*a维度相同。
[0156]
参照图10，图10是本发明实施例提供的卷积层和池化层进行数据处理的示意图，卷积层通过卷积核对数据的局部特征感知提取特征，池化层用于特征降维，具有压缩数据量、减少参数、减少过拟合、提高模型容错性的功能。
[0157]
卷积核的移动步长可以为1，该卷积核每次以一步的步长循环滚动进行卷积，具体的公式为：
[0158]
uj＝σ
relu
(wj*a+bj),j＝1,2,
…
n(13)
[0159]
式(13)中，a为时序输入层的数据，通过wj对时序输入层的数据a进行卷积计算，所得到的计算结果与偏置向量bj进行累加处理，利用激活函数σ
relu
(.)对累加处理后的数据进行激活，激活后的数据uj进入池化层进行池化处理。
[0160]
c)采用激活函数对时间序列特征进行激活处理，得到第一特征数据。
[0161]
可选地，本发明实施例采用relu激活函数对时间序列特征进行激活处理，本发明实施例的relu激活函数的具体表达式为：
[0162]
σ
relu
(x)＝max(0,x)(14)
[0163]
式(14)中，σ
relu
(x)表示第一特征数据；x表示输入的时间序列特征。
[0164]
在其他实施例中，可以采用其他激活函数对时间序列特征进行激活处理，例如softmax激活函数；其中，softmax激活函数是神经网络中常用的一种函数，主要用于将多个输出节点的输出值进行归一化处理，使得输出值的总和为1。
[0165]
采用激活函数对时间序列特征进行激活处理，能够改善特征处理过程中梯度消失的问题。
[0166]
d)对第一特征数据进行池化处理，得到第二特征数据。
[0167]
可选地，本发明实施例采用平均池化的方式对第一特征数据进行平均池化处理，得到第二特征数据，能够降低数据冗余。本发明实施例的平均池化的计算公式为：
[0168][0169]
式(15)中，x
τ
为被池化的数据，k表示池化数据的个数，本发明实施例采取一维池化的计算方式，所以k还可表示为池化窗口的尺寸，大小为k
×
1。
[0170]
在其他实施例中，还可以采用其他的池化方式，例如采用最大池化方式或者范数池化方式对第一特征数据进行池化处理，得到第二特征数据。
[0171]
e)对第二特征数据输入全连接层进行特征加权处理，得到特征数据矩阵向量。
[0172]
参照图11，图11是本发明实施例提供的全连接层的结构示意图，ts-cnn全连接层对第二特征数据进行特征加权处理，得到特征数据矩阵向量，能够在空调电耗预测的过程中实现信息共享。
[0173]
本发明实施例的全连接层的计算公式为：
[0174][0175]
式(16)中，e为最后一个池化层的输出数据，同样也是全连接层神经元的输入数据矩阵，维度为1
×
tf。输入的第二特征数据矩阵f与全连接层神经元权重wf、全连接层神经元的偏置bf计算过后，得到全连接层的输出数据矩阵tf，维度同样为1
×
tf。
[0176]
f)根据特征数据矩阵向量确定空调电耗预测值。
[0177]
整合全连接层输出的特征数据矩阵向量，对特征数据矩阵向量进行向量计算，得到空调电耗的预测值，具体计算公式为：
[0178][0179]
式(17)中，f(y,r,d1,d2)表示向模型中输入通信设备的设备电流向量y、空调温度设定值向量r、室外温度向量d1和室内温度向量d2进行模型运算；e
γ
表示空调电耗预测值；tf表示维度；z表示序数；ef表示特征数据矩阵向量。
[0180]
在空调电耗预测模型中，预测值e
γ
与真实值的接近程度能够反映预测模型的准确度，根据这一点，能够对空调电耗预测模型进行训练，调整模型参数，使得模型的准确度进一步提高，有利于后续对机房电耗指标的准确预测。
[0181]
s500、根据第一表达式集合、设备电流表达式和空调电耗预测模型构建机房电耗指标预测模型。
[0182]
在本发明实施例中，根据第一表达式集合、设备电流表达式和空调电耗预测模型，构建机房电耗指标预测模型，该机房电耗指标预测模型的表达式为：
[0183]esum
＝eb+ec+uy×
sum(y)
×
t+d
×eγ
(18)
[0184]
式(18)中，e
sum
为机房总电耗预测值；eb表示蓄电池电耗；ec表示监控摄像头电耗；uy表示通信设备的电压总和；sum(y)表示通信设备的设备电流总和；y表示通信设备的设备电流向量；t表示时间；d表示空调设备对于机房的空间占用率；e
γ
表示空调电耗预测值。
[0185]
该机房电耗指标预测模型能够学习到各个设备的电流、机房电耗与时间的关系，实现根据环境数据和设备参数进行电耗指标预测。
[0186]
s600、根据环境数据和设备参数，通过机房电耗预测模型对机房的电耗指标进行预测，得到预测结果。
[0187]
在本发明实施例中，机房电耗指标是指机房的总电耗。
[0188]
综上，本发明实施例的机房电耗指标预测方法，首先确定影响机房电耗的设备，包
括通信设备、空调、监控摄像头、蓄电池等。通信设备采用多项式曲线拟合承载业务量与设备电流之间关系。空调的耗电量与设备数量、当前运行时间设备承载业务量、外界温度存在非线性关系，并且设备数量以及当前运行时间设备承载业务量均会影响设备散热量，导致空调电耗难以根据现有机理模型或非线性公式计算，因此采用基于时间序列的ts-cnn卷积神经网络作为模型框架进行拟合。以各种通信设备的电流、空调温度设定值、室外温度和室内温度构建ts-cnn时序输入层，时序窗口为一天，以空调电耗作为ts-cnn的输出层，构建空调电耗预测模型。在卷积层采用一维卷积核提取时序特征，池化层采用一维池化提取特征。监控摄像头、蓄电池、通信设备的当前运行时间设备承载业务量与设备运行时间可采用线性拟合，由于通信机房在工作时间段与非工作时间段的通信当前运行时间设备承载业务量不相同，因此，根据用户在网时间段划分n个时间段，为每个时间段配置相应的权重系数，并为周末增加了偏置值作为补偿。本发明实施例可以根据各个设备的电流、电耗与时间的关系，得到最终的机房电耗指标预测模型，通过机房电耗指标预测模型根据机房的环境变化较为准确地预估电耗变化状态，有利于机房的维护。
[0189]
另一方面，如图12所示，本发明实施例提供了一种机房电耗指标预测装置1100，包括：
[0190]
第一模块1110，用于获取机房的环境数据和机房中设备的设备参数；其中，设备包括线性关系设备和非线性关系设备；非线性关系设备包括通信设备和非通信设备；非通信设备包括空调；
[0191]
第二模块1120，用于构建线性关系设备的第一表达式集合；
[0192]
第三模块1130，用于配置偏置值和权重系数，结合偏置值和权重系数，采用多项式对通信设备的设备电流参数进行拟合，得到设备电流表达式；
[0193]
第四模块1140，用于配置偏置向量，结合偏置向量构建空调电耗预测模型；
[0194]
第五模块1150，用于根据第一表达式集合、设备电流表达式和空调电耗预测模型构建机房电耗指标预测模型；
[0195]
第六模块1160，用于根据环境数据和设备参数，通过机房电耗预测模型对机房的电耗指标进行预测，得到预测结果。
[0196]
可选地，第一模块1110具体用于：
[0197]
获取蓄电池的充电电流和充电电压；
[0198]
获取监控摄像头的额定功率；
[0199]
获取各个通信设备的当前承载最大业务量和设备电流参数；
[0200]
获取机房的室内温度、室外温度和空调的空调温度设定值。
[0201]
第二模块1120具体用于：
[0202]
根据蓄电池的充电电流和充电电压确定第一电耗表达式；
[0203]
根据监控摄像头的额定功率确定第二电耗表达式。
[0204]
第三模块1130具体用于：
[0205]
配置第一至第n个权重系数；其中，所述权重系数用于表征当前运行时间设备承载业务量相对于设备当前承载最大业务量的重要程度，第一至第n个权重系数分别以第一至第n个时间段作为当前运行时间；
[0206]
所述第一至第n个时间段是根据用户在网时间段划分的连续时间段。
[0207]
第三模块1130具体还用于：
[0208]
根据通信设备的当前承载最大业务量和偏置值确定当前运行时间设备承载业务量；
[0209]
根据当前运行时间设备承载业务量和设备电流参数，确定一组样本点；
[0210]
构建初始多项式；
[0211]
根据样本点确定所述初始多项式的多项式系数，得到所述通信设备的设备电流表达式。
[0212]
第四模块1140具体用于：
[0213]
获取输入数据；其中，输入数据包括各个通信设备的电流值、空调温度设定值、室外温度和室内温度；
[0214]
结合偏置向量，通过若干个移动步长为1的多维度卷积核提取输入数据的时间序列特征；
[0215]
采用激活函数对时间序列特征进行激活处理，得到第一特征数据；
[0216]
对第一特征数据进行池化处理，得到第二特征数据；
[0217]
对第二特征数据输入全连接层进行特征加权处理，得到特征数据矩阵向量；
[0218]
根据特征数据矩阵向量确定空调电耗预测值。
[0219]
上述机房电耗指标预测模型的表达式为：
[0220]esum
＝eb+ec+uy×
sum(y)
×
t+d
×eγ
[0221]
其中，e
sum
表示机房电耗预测值；eb表示蓄电池电耗；ec表示监控摄像头电耗；uy表示通信设备的电压总和；sum(y)表示通信设备的设备电流总和；y表示通信设备的设备电流向量；t表示时间；d表示空调设备对于机房的空间占用率；e
γ
表示空调电耗预测值。
[0222]
本发明方法实施例的内容均适用于本装置实施例，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
[0223]
另一方面，如图13所示，本发明实施例还提供了一种电子设备1200，该电子设备包括至少一个处理器1210，还包括至少一个存储器1220，用于存储至少一个程序；以一个处理器1210及一个存储器1220为例。
[0224]
处理器1210和存储器1220可以通过总线或者其他方式连接。
[0225]
存储器1220作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器1220可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件或其他非暂态固态存储器件。在一些实施方式中，存储器1220可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0226]
以上所描述的电子设备实施例仅仅是示意性的，其中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，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实施例方案的目的。
[0227]
具体地，图14示意性地示出了用于实现本发明实施例的电子设备的计算机系统结构框图。
[0228]
需要说明的是，图14示出的电子设备的计算机系统1300仅是一个示例，不应对本
发明实施例的功能和使用范围带来任何限制。
[0229]
如图14所示，计算机系统1300包括中央处理器1301(central processing unit，cpu)，其可以根据存储在只读存储器1302(read-only memory，rom)中的程序或者从存储部分1308加载到随机访问存储器1303(random access memory，ram)中的程序而执行各种适当的动作和处理。在随机访问存储器1303中，还存储有系统操作所需的各种程序和数据。中央处理器1301、在只读存储器1302以及随机访问存储器1303通过总线1304彼此相连。输入/输出接口1305(input/output接口，即i/o接口)也连接至总线1304。
[0230]
以下部件连接至输入/输出接口1305：包括键盘、鼠标等的输入部分1306；包括诸如阴极射线管(cathode ray tube，crt)、液晶显示器(liquid crystal display，lcd)等以及扬声器等的输出部分1307；包括硬盘等的存储部分1308；以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至输入/输出接口1305。可拆卸介质1311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1310上，以便于从其上读出的计算机程序根据需要被安装入存储部分1308。
[0231]
特别地，根据本发明的实施例，各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1309从网络上被下载和安装，和/或从可拆卸介质1311被安装。在该计算机程序被中央处理器1301执行时，执行本发明的系统中限定的各种功能。
[0232]
需要说明的是，本发明实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(erasable programmable read only memory，eprom)、闪存、光纤、便携式紧凑磁盘只读存储器(compact disc read-only memory，cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0233]
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
[0234]
本发明实施例的另一方面还提供了一种计算机可读存储介质，存储介质存储有程
序，程序被处理器执行实现如前面的方法。
[0235]
本发明方法实施例的内容均适用于本计算机可读存储介质实施例，本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
[0236]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0237]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0238]
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
[0239]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
[0240]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0241]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过
度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0242]
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。
[0243]
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、装置或设备(如基于计算机的装置、包括处理器的装置或其他可以从指令执行装置、装置或设备取指令并执行指令的装置)使用，或结合这些指令执行装置、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、装置或设备或结合这些指令执行装置、装置或设备而使用的装置。
[0244]
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程序，然后将其存储在计算机存储器中。
[0245]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0246]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0247]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。

技术特征：
1.一种机房电耗指标预测方法，其特征在于，包括：获取机房的环境数据和机房中设备的设备参数；其中，所述设备包括线性关系设备和非线性关系设备；所述非线性关系设备包括通信设备和非通信设备；所述非通信设备包括空调；构建所述线性关系设备的第一表达式集合；配置偏置值和权重系数，结合所述偏置值和所述权重系数，采用多项式对所述通信设备的设备电流参数进行拟合，得到设备电流表达式；配置偏置向量，结合所述偏置向量构建空调电耗预测模型；根据所述第一表达式集合、所述设备电流表达式和所述空调电耗预测模型构建机房电耗指标预测模型；根据所述环境数据和所述设备参数，通过所述机房电耗预测模型对所述机房的电耗指标进行预测，得到预测结果。2.根据权利要求1所述的一种机房电耗指标预测方法，其特征在于，所述获取机房的环境数据和机房中设备的设备参数，包括：获取蓄电池的充电电流和充电电压；获取监控摄像头的额定功率；获取各个所述通信设备的当前承载最大业务量和所述设备电流参数；获取机房的室内温度、室外温度和所述空调的空调温度设定值。3.根据权利要求1所述的一种机房电耗指标预测方法，其特征在于，所述线性关系设备的第一表达式集合包括蓄电池的第一电耗表达式和监控摄像头的第二电耗表达式，所述构建所述线性关系设备的第一表达式集合，包括：根据蓄电池的充电电流和充电电压确定所述第一电耗表达式；根据监控摄像头的额定功率确定所述第二电耗表达式。4.根据权利要求1所述的一种机房电耗指标预测方法，其特征在于，所述配置权重系数，包括：配置第一至第n个权重系数；其中，所述权重系数用于表征当前运行时间设备承载业务量相对于设备当前承载最大业务量的重要程度，第一至第n个权重系数分别以第一至第n个时间段作为当前运行时间；所述第一至第n个时间段是根据用户在网时间段划分的连续时间段。5.根据权利要求1所述的一种机房电耗指标预测方法，其特征在于，所述采用多项式曲线对所述通信设备的电耗数据进行拟合，得到所述通信设备的设备电流表达式，包括：根据所述通信设备的当前承载最大业务量和所述偏置值确定当前运行时间设备承载业务量；根据所述当前运行时间设备承载业务量和设备电流参数，确定一组样本点；构建初始多项式；根据所述样本点确定所述初始多项式的多项式系数，得到所述通信设备的设备电流表达式。6.根据权利要求1所述的一种机房电耗指标预测方法，其特征在于，所述空调电耗预测模型通过以下步骤进行空调电耗预测：
获取输入数据；其中，所述输入数据包括各个所述通信设备的电流值、空调温度设定值、室外温度和室内温度；结合偏置向量，通过若干个移动步长为1的多维度卷积核提取所述输入数据的时间序列特征；采用激活函数对所述时间序列特征进行激活处理，得到第一特征数据；对所述第一特征数据进行池化处理，得到第二特征数据；对所述第二特征数据输入全连接层进行特征加权处理，得到特征数据矩阵向量；根据所述特征数据矩阵向量确定空调电耗预测值。7.根据权利要求1所述的一种机房电耗指标预测方法，其特征在于，所述根据所述第一表达式、所述设备电流表达式和所述空调电耗预测模型构建机房电耗指标预测模型的步骤中，所述机房电耗指标预测模型的表达式为：e
sum
＝e
b
+e
c
+u
y
×
sum(y)
×
t+d
×
e
γ
其中，e
sum
表示机房电耗预测值；e
b
表示蓄电池电耗；e
c
表示监控摄像头电耗；u
y
表示通信设备的电压总和；sum(y)表示通信设备的设备电流总和；y表示通信设备的设备电流向量；t表示时间；d表示空调设备对于机房的空间占用率；e
γ
表示空调电耗预测值。8.一种机房电耗指标预测装置，其特征在于，包括：第一模块，用于获取机房的环境数据和机房中设备的设备参数；其中，所述设备包括线性关系设备和非线性关系设备；所述非线性关系设备包括通信设备和非通信设备；所述非通信设备包括空调；第二模块，用于构建所述线性关系设备的第一表达式集合；第三模块，用于配置偏置值和权重系数，结合所述偏置值和所述权重系数，采用多项式对所述通信设备的设备电流参数进行拟合，得到设备电流表达式；第四模块，用于配置偏置向量，结合所述偏置向量构建空调电耗预测模型；第五模块，用于根据所述第一表达式集合、所述设备电流表达式和所述空调电耗预测模型构建机房电耗指标预测模型；第六模块，用于根据所述环境数据和所述设备参数，通过所述机房电耗预测模型对所述机房的电耗指标进行预测，得到预测结果。9.一种电子设备，其特征在于，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。10.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1至7任一项所述的方法。

技术总结
本发明公开了一种机房电耗指标预测方法、装置、电子设备及存储介质，方法包括：获取机房的环境数据和机房中设备的设备参数；构建线性关系设备的第一表达式集合；配置偏置值和权重系数，结合偏置值和权重系数，采用多项式对通信设备的设备电流参数进行拟合，得到设备电流表达式；配置偏置向量，结合偏置向量构建空调电耗预测模型；根据第一表达式集合、设备电流表达式和空调电耗预测模型构建机房电耗指标预测模型；根据环境数据和设备参数，通过机房电耗预测模型对机房的电耗指标进行预测，得到预测结果。本发明能够根据机房的环境变化较为准确地预估电耗变化状态，有利于机房的维护，可广泛应用于机房电耗管理技术领域。可广泛应用于机房电耗管理技术领域。可广泛应用于机房电耗管理技术领域。


技术研发人员：冀亚坤 齐利强 王乙珺 张妤 李少波
受保护的技术使用者：中国电信股份有限公司
技术研发日：2023.06.19
技术公布日：2023/9/20