【技术实现步骤摘要】
本专利技术涉及数据处理与预测分析领域，尤其涉及一种基于循环神经网络编解码器的机房能耗预测方法。
技术介绍
1、机房，通常指的是用于集中管理、存储和处理大型计算机系统及其相关设备的专用空间。机房通常配备有高性能的服务器、网络设备、存储设备以及必要的支持基础设施，如冷却系统、供电系统和安全监控系统。根据功能和规模的不同，机房可以分为数据中心、服务器机房、通信机房等。机房能耗是指机房内所有设备在运行过程中的电力消耗，包括服务器、网络设备、存储系统、空调、照明等。
2、机房的能耗直接影响机房的运营成本，较高的能耗意味着更高的电费开支。准确预测和管理机房能耗对降低运营成本至关重要。机房的能耗与碳排放密切相关。通过降低能耗，可以减少环境影响，推动可持续发展。了解机房能耗可以帮助运营商评估设备的使用效率和生命周期。通过优化能耗，可以延长设备的使用寿命并提高整体性能。机房能耗的变化可能影响设备的性能和稳定性。高能耗通常与设备过载和故障风险增加相关，因此监测能耗是确保系统可靠性的一个关键因素。在现代信息技术背景下，机房能耗的监测和分析为智能运维提供了数据基础。通过利用大数据和人工智能技术，可以实现对机房能耗的实时监控和智能优化。随着对能源使用的政策监管日益严格，机房能耗的管理也成为企业合规的重要组成部分。传统的机房能耗预测方法,如统计模型、时间序列分析等,往往难以捕捉复杂的非线性关系和时间依赖性,预测精度受限。
技术实现思路
1、有鉴于此，本专利技术的目的在于提出一种基于循环神经网络编解
2、为了实现上述的技术目的，本专利技术所采用的技术方案为：
3、本申请提供一种基于循环神经网络编解码器的机房能耗预测方法，包括：
4、获取第一预设时间段内的第一机房能耗信息，第一机房能耗信息包括按照第一预设频次采集的第一机房总能耗值、第一环境温度值、第一环境湿度值、第一空调能耗值、第一设备能耗值的至少一项；
5、对第一机房能耗信息进行预处理，得到第一数据集；
6、将第一数据集输入至训练完毕的lstm模型中；
7、lstm模型的编码器根据第一数据集生成第一上下文向量；
8、lstm模型的解码器根据第一上下文向量生成第二预设时间段的第一预测结果并展示；
9、lstm模型通过以下方式训练获得：
10、获取历史机房能耗信息，历史机房能耗信息包括按照第一预设频次采集的历史机房总能耗值、历史环境温度值、历史环境湿度值、历史空调能耗值、历史设备能耗值的至少一项；
11、对历史机房能耗信息进行预处理，并按照时间顺序整理得到时间序列数据集；
12、将时间序列数据集划分成训练集以及测试集，构建lstm模型，lstm模型包括编码器以及解码器；
13、将训练集输入至编码器，编码器根据训练集生成第二上下文向量，解码器根据第二上下文向量生成第一训练结果，第一训练结果包括第一训练能耗值；
14、根据第一训练结果判断lstm模型是否训练完毕，若是，则在lstm模型中输入测试集，得到第一测试结果，第一测试结果包括第一测试能耗值；
15、根据第一测试结果判断lstm模型是否满足预测标准；
16、若否，则对lstm模型的参数进行调整，直至lstm模型满足预测标准。
17、在一些实施例中，时间序列数据集包括多个第一预设步长的特征信息，将其记为第一特征信息，每一第一特征信息包括多个第一特征值，编码器包括第一lstm单元，第一lstm单元包括第一输入门、第一遗忘门以及第一输出门；
18、将训练集输入至编码器，编码器根据训练集生成第二上下文向量包括：
19、第一lstm单元按照时间顺序逐一处理第一特征信息，以得到每一第一特征信息对应的第一隐藏状态以及第一细胞状态；
20、选取最后一个第一预设步长的第一特征信息对应的第一隐藏状态作为第二上下文向量。
21、在一些实施例中，第一lstm单元按照时间顺序逐一处理第一特征信息，以得到每一第一特征信息对应的第一隐藏状态以及第一细胞状态包括：
22、对每一第一特征信息执行以下步骤：
23、读取当前第一预设步长对应的第一特征信息，将第一特征信息的第一初始输入值与前一第一预设步长的第一特征信息的第一隐藏状态进行拼接，以得到第一特征信息的第一最终输入值；
24、根据第一最终输入值计算第一输入门的激活值、第一遗忘门的激活值以及第一输出门的激活值；
25、更新第一特征信息的第一细胞状态；
26、根据第一输入门的激活值、第一遗忘门的激活值以及第一输出门的激活值、第一特征信息的第一细胞状态计算第一特征信息的第一隐藏状态。
27、在一些实施例中，解码器包括第二lstm单元，第二lstm单元包括第二输入门、第二遗忘门以及第二输出门，第一训练结果包括多个第二预设步长的特征信息，将其记为第二特征信息，每一第二特征信息包括多个第二特征值；
28、解码器根据第二上下文向量生成第一训练结果包括：
29、第二lstm单元根据第二上下文向量按照时间顺序逐一生成第二特征信息，以得到每一第二特征信息对应的第二隐藏状态以及第二细胞状态；
30、第二上下文向量为第一个第二特征信息的第二隐藏状态，将第一个第二特征信息的第二细胞状态初始化为零。
31、在一些实施例中，第二lstm单元根据第二上下文向量按照时间顺序逐一生成第二特征信息，以得到每一第二特征信息对应的第二隐藏状态以及第二细胞状态包括：
32、对每一第二特征信息执行以下步骤：
33、读取前一第二预设步长对应的第二特征信息的输出值，作为当前第二预设步长对应的第二特征信息的第二初始输入值，将第二初始输入值与第二上下文向量进行拼接，以得到第二特征信息的第二最终输入值；
34、根据第二最终输入值计算第二输入门的激活值、第二遗忘门的激活值以及第二输出门的激活值；
35、更新第二特征信息的第二细胞状态；
36、根据第二输入门的激活值、第二遗忘门的激活值以及第二输出门的激活值、第二特征信息的第二细胞状态计算第二特征信息的第二隐藏状态。
37、在一些实施例中，根据第一训练结果判断lstm模型是否训练完毕包括：
38、按照训练轮数在损失函数中计算第一训练结果的损失值，损失函数为均方误差函数；
39、构建损失值的趋势变化曲线；
40、获取早停阈值，当趋势变化曲线置于早停阈值范围内时，即表示lstm模型训练完毕。
41、在一些实施例中，预测标准为均方根误差。
42、在一些实施例中，预处理包括数据清洗、线性插值以及归一化的至少一项。
43、在一些实施例中，第一机房能耗信息还包括第二预设时间段内的第二环境温度预测值、第二环境湿度预测值。...
【技术保护点】
1.一种基于循环神经网络编解码器的机房能耗预测方法，其特征在于，包括：
2.根据权利要求1所述的基于循环神经网络编解码器的机房能耗预测方法，其特征在于，所述时间序列数据集包括多个第一预设步长的特征信息，将其记为第一特征信息，每一所述第一特征信息包括多个第一特征值，所述编码器包括第一LSTM单元，所述第一LSTM单元包括第一输入门、第一遗忘门以及第一输出门；
3.根据权利要求2所述的基于循环神经网络编解码器的机房能耗预测方法，其特征在于，所述第一LSTM单元按照时间顺序逐一处理所述第一特征信息，以得到每一所述第一特征信息对应的第一隐藏状态以及第一细胞状态包括：
4.根据权利要求1所述的基于循环神经网络编解码器的机房能耗预测方法，其特征在于，所述解码器包括第二LSTM单元，所述第二LSTM单元包括第二输入门、第二遗忘门以及第二输出门，所述第一训练结果包括多个第二预设步长的特征信息，将其记为第二特征信息，每一所述第二特征信息包括多个第二特征值；
5.根据权利要求4所述的基于循环神经网络编解码器的机房能耗预测方法，其特征在于，所述第二LST
6.根据权利要求1所述的基于循环神经网络编解码器的机房能耗预测方法，其特征在于，根据所述第一训练结果判断所述LSTM模型是否训练完毕包括：
7.根据权利要求1所述的基于循环神经网络编解码器的机房能耗预测方法，其特征在于，所述预测标准为均方根误差。
8.根据权利要求1所述的基于循环神经网络编解码器的机房能耗预测方法，其特征在于，所述预处理包括数据清洗、线性插值以及归一化的至少一项。
9.根据权利要求1所述的基于循环神经网络编解码器的机房能耗预测方法，其特征在于，所述第一机房能耗信息还包括第二预设时间段内的第二环境温度预测值、第二环境湿度预测值。
10.根据权利要求1所述的基于循环神经网络编解码器的机房能耗预测方法，其特征在于，将所述时间序列数据集按照8:2的比例进行划分，以得到所述训练集与测试集。
...【技术特征摘要】
1.一种基于循环神经网络编解码器的机房能耗预测方法，其特征在于，包括：
2.根据权利要求1所述的基于循环神经网络编解码器的机房能耗预测方法，其特征在于，所述时间序列数据集包括多个第一预设步长的特征信息，将其记为第一特征信息，每一所述第一特征信息包括多个第一特征值，所述编码器包括第一lstm单元，所述第一lstm单元包括第一输入门、第一遗忘门以及第一输出门；
3.根据权利要求2所述的基于循环神经网络编解码器的机房能耗预测方法，其特征在于，所述第一lstm单元按照时间顺序逐一处理所述第一特征信息，以得到每一所述第一特征信息对应的第一隐藏状态以及第一细胞状态包括：
4.根据权利要求1所述的基于循环神经网络编解码器的机房能耗预测方法，其特征在于，所述解码器包括第二lstm单元，所述第二lstm单元包括第二输入门、第二遗忘门以及第二输出门，所述第一训练结果包括多个第二预设步长的特征信息，将其记为第二特征信息，每一所述第二特征信息包括多个第二特征值；
5.根据权利要求4所述的基于循环神经网络编解码...
【专利技术属性】
技术研发人员：陈增铂，朱小梅，王建军，张立达，
申请(专利权)人：中富通集团股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。