[发明专利]一种基于深度算法的机房用电智能优化节能方法

权利要求书

1.一种基于深度算法的机房用电智能优化节能方法，其特征在于，包括监测模块、数据模型、预测模块、电源模块和机房设备，监测模块包含由电流互感器、光模块探针、电压互感器、VPN监测模块和温湿度感应器，具体步骤如下：

S1.信息收集安装，基于机房设备的线路段落和目标设备分别安装电流互感器、光模块探针、电压互感器、VPN监测模块和温湿度感应器，分别设置多个物理节点分别设置信息采集，并输出至主控设备中；

S2.采集数据处理，根据机房内的主控设备设置，在采集后的数据模型下建立数据模型图，并将单个的异常跳动数据筛选去除；

S3.基于目标数据预测，预测模块接收到特定数据后，以flink架构建立主从设备数据采集，以主控设备为主设备，各节点处为从设备，由LDA数据分类再次将多种信息按照设备种类归类，建立神经网络层基于python框架训练，并同步设置各设备优先级，得出设备电路的优化极限值；

S4.基于神经网络调节，按照训练后的神经网络层构建对应的服务节点，以设备种类的统计和物理节点的双重段落形成监测，基于神经网络参数调节后，以同步更新和异步更新反馈至主控设备下，由主控设备控制电源模块下的电压调节模块控制目标设备的输出值；

S41.管理人员还能够进一步由电源模块下的控制面板手动操作目标设备电压值，其中控制面板的控制优先级高于电压调节模块。

2.根据权利要求1所述的一种基于深度算法的机房用电智能优化节能方法，其特征在于，所述步骤S4中，对于神经网络层的训练主要基于flink架构下的同步更新方式训练，其中物理节点为工作节点，节点序号为n,节点即为分区点。

3.根据权利要求2所述的一种基于深度算法的机房用电智能优化节能方法，其特征在于，所述步骤S4中对于神经网络层的控制主要基于flink架构下的异步更新，即在运行状态下对于运行设备的运行数据更新的工作节点数据同步。

4.根据权利要求1所述的一种基于深度算法的机房用电智能优化节能方法，其特征在于，所述python框架包含有卷积层、全连接层和激活函数，其中信号通讯主要由物理模块的光模块探针以及VPN监测模块探测，光模块探针用于监测发出信息的设备的网络讯息，VPN监测模块监测接收处设备的信息接收。

5.根据权利要求1所述的一种基于深度算法的机房用电智能优化节能方法，其特征在于，所述步骤S4中的神经网络训练下，工作节点基于电源模块调节电压降低，并同步接收目标设备的电压和电流讯息，以目标设备全载运行和底载运行分别测定极限值，与此同时光模块探针和VPN监测模块监测通讯信息的速率，且按照如下步骤构建信息采集方式：

A.定义工作节点类Asynchronous继承mappartitionfunctio类重写map_partition(self,iterator,collector)函数，函数第一个参数即为分区数据；

B.通过self.context.get_index_of_this_subtaskf()的获取分区号的函数，然后根据用户设置的分组数计算组号；

C.通过发送http请求向神经网络构造模块获取模型参数，导入工作节点的模型；

D.将数据类型转变tensor类型在使用pytorch框架进行训练，当遍历次数达到阈值后，即极限值，计算新模型参数和旧模型参数的差值；

E.神经网络构造模块发送更新请求，并携带模型参数和groupid号；

F.回到第三步重新获取更新后的参数模型，这样不断循环直到到迭代结束。

6.根据权利要求5所述的一种基于深度算法的机房用电智能优化节能方法，其特征在于，所述在步骤S4下，所设置的神经网络参数还包含有阶段值，即位于全载运行和底载运行之间的参数取值，将极限值区间按照段落分类，并在运行流程下根据以异步更新模块对参数取值更新。

7.根据权利要求6所述的一种基于深度算法的机房用电智能优化节能方法，其特征在于，所述异步更新模块还包含有数据记录功能，基于常规运行采集数据，并将常规区间数据再次由神经网络层下更新神经网络参数。