-
公开(公告)号：CN110826784B
公开(公告)日：2023-12-12
申请号：CN201911032270.X
申请日：2019-10-28
Applicant: 腾讯科技(深圳)有限公司 , 清华大学
IPC: G06Q10/04 , G06N3/0442 , G06F18/213 , G06F18/25 , G06N3/084
Abstract: 本发明实施例公开了能源使用效率的预测方法、装置及存储介质和终端设备，应用于人工智能的信息处理技术领域。能源使用效率的预测装置会获取模块化数据中心在预置时间段内N个时刻的环境变量参数，并利用效率预测模型中的特征提取模块分别提取N个时刻的环境变量参数的特征信息，将N个时刻的特征信息进行关联得到综合特征信息，再由效率预测模型中的预测模块根据综合特征信息输出模块化数据中心的未来能源使用效率。上述效率预测模型是机器学习模型，该机器学习模型可以结合一段时间段内多次采集的环境变量参数，得到未来能源使用效率，可以较为准确地预测到未来能源使用效率，能很好地指导运维人员创建绿色化程度较高的模块化数据中心。
-
公开(公告)号：CN113825356A
公开(公告)日：2021-12-21
申请号：CN202110856943.4
申请日：2021-07-28
Applicant: 腾讯科技(深圳)有限公司 , 清华大学
Abstract: 本申请实施例公开了一种冷源系统的节能控制方法、装置、电子设备和存储介质；本申请实施例可以获取冷源系统的当前状态量和预设控制模型的目标控制策略，根据当前状态量和目标控制策略预测冷源系统在目标时段下多个维度的预测状态量，并将多个维度的预测状态量进行融合，根据预设奖励函数和预设约束条件对融合后预测状态量进行收益计算，再采用预设控制模型，基于收益值确定冷源系统在预设时间段的总收益值，当总收益值不满足预设条件时，根据总收益对目标控制策略进行调整，并将调整后控制策略作为目标控制策略继续预测，当总收益值满足预设条件时，输出训练后控制模型，用以对冷源系统进行控制。该方案可以有效地实现冷源系统的节能控制。
-
公开(公告)号：CN110866528A
公开(公告)日：2020-03-06
申请号：CN201911032302.6
申请日：2019-10-28
Applicant: 腾讯科技(深圳)有限公司 , 清华大学
Abstract: 本发明实施例公开了一种模型训练方法、能耗使用效率预测方法、装置和介质，其中，首先获取数据中心的历史能耗使用效率，以及获取对应的历史能耗使用效率相关特征；然后根据历史能耗使用效率和历史能耗使用效率相关特征构建训练集和测试集；再构建轻量梯度提升机模型，并根据训练集对轻量梯度提升机模型进行训练；最后根据测试集对训练后的轻量梯度提升机模型的进行校验，当校验通过时，将训练后的轻量梯度提升机模型作为用于预测数据中心的能耗使用效率的能耗使用效率预测模型。相比于现有技术，本发明能够使得训练得到的能耗使用效率预测模型的预测准确度较高，从而更准确的对数据中心的能耗使用效率进行预测。
-
公开(公告)号：CN110806546A
公开(公告)日：2020-02-18
申请号：CN201911033347.5
申请日：2019-10-28
Applicant: 腾讯科技(深圳)有限公司 , 清华大学
IPC: G01R31/392 , G01R31/367 , G06K9/62
Abstract: 本发明实施例公开了一种电池健康评估方法、装置、存储介质及电子设备。该方案获取待评估电池的多条历史状态数据；从多条历史状态数据中，确定出电池处于浮充状态时的目标历史状态数据；基于目标历史状态数据确定训练样本，并对训练样本进行二叉划分以构建孤立树，由孤立树构成孤立森林模型；获取待评估状态数据，根据待评估状态数据和孤立森林模型计算电池的健康程度，基于此，该方案不仅实现了自动化地对电池进行在线监控和数据处理，而且考虑到UPS电池在使用过程中具有充放电时间占比少、浮充时间占比多的特性，使用电池处于浮充状态下的状态数据构建孤立森林模型来评估电池的健康程度，提高了电池健康程度评估的准确程度。
-
公开(公告)号：CN110781595B
公开(公告)日：2024-04-26
申请号：CN201911030217.6
申请日：2019-10-28
Applicant: 腾讯科技(深圳)有限公司 , 清华大学
Abstract: 本发明实施例提供了一种能源使用效率PUE的预测方法、装置、终端及介质，其中，所述方法包括：获取数据中心的环境特征数据，所述环境特征数据为影响所述数据中心PUE预测的环境数据；利用PUE预测模型对所述环境特征数据进行PUE预测，得到预测PUE值；其中，所述PUE预测模型为根据所述数据中心的历史影响数据训练获得，所述历史影响数据包括PUE特征数据和真实PUE值。通过实施本发明，可以提高PUE预测准确度。
-
Patent Agency Ranking
公开(公告)号：CN110866592B
公开(公告)日：2023-12-29
申请号：CN201911032274.8
申请日：2019-10-28
Applicant: 腾讯科技(深圳)有限公司 , 清华大学
IPC: G06N3/0464 , G06N3/044 , G06N3/084 , G06Q10/04
Abstract: 本发明实施例公开了一种模型训练方法、装置、能效预测方法、装置和存储介质，其中，通过获取数据中心的历史能耗使用效率，以及获取对应的历史能耗使用效率相关数据，并构建时序训练集和时序测试集；再构建基于长短期记忆网络结构的循环神经网络模型，并根据时序训练集对循环神经网络模型进行训练，直至循环神经网络模型收敛；最后根据时序测试集对收敛的循环神经网络模型的进行校验，当校验通过时，将收敛的循环神经网络模型作为用于预测数据中心的能耗使用效率的能耗使用效率预测模型。相比于现有技术，本发明能够使得训练得到能耗使用效率预测模型的预测准确度较高，从而更准确的对数据中心的能耗使用效率进行预测。
-
公开(公告)号：CN113825356B
公开(公告)日：2023-11-28
申请号：CN202110856943.4
申请日：2021-07-28
Applicant: 腾讯科技(深圳)有限公司 , 清华大学
Abstract: 本申请实施例公开了一种冷源系统的节能控制方法、装置、电子设备和存储介质；本申请实施例可以获取冷源系统的当前状态量和预设控制模型的目标控制策略，根据当前状态量和目标控制策略预测冷源系统在目标时段下多个维度的预测状态量，并将多个维度的预测状态量进行融合，根据预设奖励函数和预设约束条件对融合后预测状态量进行收益计算，再采用预设控制模型，基于收益值确定冷源系统在预设时间段的总收益值，当总收益值不满足预设条件时，根据总收益对目标控制策略进行调整，并将调整后控制策略作为目标控制策略继续预测，当总收益值满足预设条件时，输出训练后控制模型，用以对冷源系统进行控制。该方案可以有效地实现冷源系统的节能控制。
-
公开(公告)号：CN110866528B
公开(公告)日：2023-11-28
申请号：CN201911032302.6
申请日：2019-10-28
Applicant: 腾讯科技(深圳)有限公司 , 清华大学
IPC: G06V10/26 , G06V10/774 , G06V10/764
Abstract: 本发明实施例公开了一种模型训练方法、能耗使用效率预测方法、装置和介质，其中，首先获取数据中心的历史能耗使用效率，以及获取对应的历史能耗使用效率相关特征；然后根据历史能耗使用效率和历史能耗使用效率相关特征构建训练集和测试集；再构建轻量梯度提升机模型，并根据训练集对轻量梯度提升机模型进行训练；最后根据测试集对训练后的轻量梯度提升机模型的进行校验，当校验通过时，将训练后的轻量梯度提升机模型作为用于预测数据中心的能耗使用效率的能耗使用效率预测模型。相比于现有技术，本发明能够使得训练得到的能耗使用效率
-
公开(公告)号：CN110806546B
公开(公告)日：2022-03-08
申请号：CN201911033347.5
申请日：2019-10-28
Applicant: 腾讯科技(深圳)有限公司 , 清华大学
IPC: G01R31/392 , G01R31/367 , G06K9/62
Abstract: 本发明实施例公开了一种电池健康评估方法、装置、存储介质及电子设备。该方案获取待评估电池的多条历史状态数据；从多条历史状态数据中，确定出电池处于浮充状态时的目标历史状态数据；基于目标历史状态数据确定训练样本，并对训练样本进行二叉划分以构建孤立树，由孤立树构成孤立森林模型；获取待评估状态数据，根据待评估状态数据和孤立森林模型计算电池的健康程度，基于此，该方案不仅实现了自动化地对电池进行在线监控和数据处理，而且考虑到UPS电池在使用过程中具有充放电时间占比少、浮充时间占比多的特性，使用电池处于浮充状态下的状态数据构建孤立森林模型来评估电池的健康程度，提高了电池健康程度评估的准确程度。
-
公开(公告)号：CN113821903B
公开(公告)日：2024-02-06
申请号：CN202110778803.X
申请日：2021-07-09
Applicant: 腾讯科技(深圳)有限公司 , 清华大学
Abstract: 公开了一种温度控制方法和设备、模块化数据中心以及计算机可读存储介质。该温度控制方法包括：获取受控对象的运行状态，所述运行状态包括受控对象的温度场相关信息和功耗相关信息；将所述运行状态作为输入数据输入到温度控制策略模型，所述温度控制策略模型被配置成基于输入数据生成指示针对受控对象的温度控制动作的输出数据；根据所述温度控制策略模型的输出数据，对受控对象进行温度控制。该温度控制方法利用了机器学习、尤其是强化学习技术实现了受控对象的智能温控。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.045 seconds)
