【技术实现步骤摘要】
本专利技术涉及数据中心机房节能，具体是基于空调运行工况的电量数据异常检测方法及系统。
技术介绍
1、随着云计算、大数据和人工智能等技术的飞速发展，数据机房在企业和机构中发挥着越来越核心的作用。它们不仅为企业和机构提供了数据存储和处理的必要基础设施，而且还支撑着众多在线服务和应用的顺畅运行。此外，数据机房的进步还促进了数据中心的崛起，以便更有效地满足数据处理和存储的迫切需求。
2、pue是衡量数据机房是否节能的重要指标之一，因此，准确统计数据中心制冷能耗和it设备能耗是必要的，误差需在合理范围内。在数据机房电力系统运行过程中，能耗数据可能会出现异常情况，这也会对数据机房统计pue、节能率等指标造成重要影响。因此，能耗数据的异常检测至关重要。
3、基于上述问题，当前已有的能耗数据异常检测的方案有：1.基于分类模型对能耗数据进行建模，分类出异常数据。2.利用指数平滑模型对能耗数据进行建模，并预测逐时刻的电量，计算预测值与实际值的残差，依据残差进行聚类分析，从而得出异常能耗数据。这些方案在处理实际数据时效果往往不理想，原因在于：一、未充分考虑数据机房空调在不同运行工况下的能耗变化；二、未将数据机房所在地的外部因素，如天气温度，纳入考虑范围；三、未考虑到数据机房it设备的增加或减少对能耗数据的影响。
技术实现思路
1、为了解决上述问题，本专利技术提出了一种基于空调运行工况的电量数据异常检测方法及系统，能够剔除数据机房异常能耗数据。
2、为了达到上述目的，本
3、本专利技术是基于空调运行工况的电量数据异常检测方法，包括如下操作：
4、步骤1：采集机房空调运行工况信息，包括温度设定值、回风温度和空调开关数量，采集每日平均天气温度数据、机房每日it能耗数据和制冷能耗数据，并将温度设定值、回风温度、空调开关数量、每日平均天气温度数据和机房每日it能耗数据作为五维特征值，将制冷能耗数据作为待检测的电量数据；
5、步骤2：对五维特征值进行预处理，包括删除空值、max_min归一化处理、对max_min归一化处理得到的五维特征值中的空调开关数量列进行加权处理；
6、步骤3：通过k-means聚类模型对预处理后的五维特征值进行聚类，形成不同的簇，按照五维特征值的顺序排列簇标签，将五维特征值对应的簇标签与五维特征值对应的制冷能耗数据进行匹配，获得每个簇的制冷能耗数据；
7、步骤4：根据每个簇的制冷能耗数据，筛选出每个簇下符合要求的电量数据，将符合要求的电量数据作为簇中的正常数据，剩余数据则为簇中的一类异常数据；
8、步骤5：通过箱线图法分析每个簇中的正常数据，计算正常数据的上四分位数、下四分位数、上须和下须，将在上须之上或下须之下的制冷能耗数据记为二类异常数据；
9、步骤6：合并所有簇的一类异常数据和二类异常数据，获得机房的异常数据。
10、本专利技术的进一步改进在于：所述步骤3中通过k-means聚类模型对预处理后的五维特征值进行聚类，形成不同的簇具体操作包括：
11、步骤3.1：将步骤2得到的五维特征值作为k-means聚类模型的输入，设置参数k值，进行聚类；
12、步骤3.2：用轮廓系数计算聚类结果，得到轮廓系数分数；
13、步骤3.3：调整参数k值，多次重复步骤3.1至步骤3.2的操作重复步骤3.1至步骤3.2的操作，选出轮廓系数分数最高的参数k值以及其聚类结果作为最优结果。
14、本专利技术的进一步改进在于：所述步骤4中每个簇下制冷能耗数据为10及其以上的数据为正常数据，为10以下的制冷能耗数据记为一类异常数据。
15、本专利技术的进一步改进在于：步骤5中正常数据的上须和下须计算表达式为：
16、；
17、；
18、其中，为上须，为下须，为上四分位数，为下四分位数。
19、本专利技术的基于空调运行工况的电量数据异常检测系统，包括采集模块、数据处理模块、k-means聚类模块、数据筛选模块、箱线图筛选模块、异常数据合并模块；
20、所述采集模块，用于采集机房空调运行工况信息，包括温度设定值、回风温度和空调开关数量，采集每日平均天气温度数据、机房每日it能耗数据和制冷能耗数据，并将温度设定值、回风温度、空调开关数量、每日平均天气温度数据和机房每日it能耗数据作为五维特征值，将制冷能耗数据作为待检测的电量数据；
21、所述数据处理模块，用于对五维特征值进行预处理，包括删除空值、max_min归一化处理、对max_min归一化处理得到的五维特征值中的空调开关数量列进行加权处理；
22、所述k-means聚类模块，用于对预处理后的五维特征值进行聚类，形成不同的簇，按照五维特征值的顺序排列簇标签，将五维特征值对应的簇标签与五维特征值对应的制冷能耗数据进行匹配，获得每个簇的制冷能耗数据；
23、所述数据筛选模块，用于筛选出每个簇下符合要求的制冷能耗数据，并记作簇中的正常数据，剩余数据则记作簇中的一类异常数据；
24、所述箱线图筛选模块，用于通过箱线图法分析每个簇中的正常数据，计算正常数据的上四分位数、下四分位数、上须和下须，将在上须之上或下须之下的制冷能耗数据记为二类异常数据；
25、所述异常数据合并模块，用于合并所有簇的一类异常数据和二类异常数据。
26、本专利技术的有益效果是：本专利技术引入了机房空调运行工况，外部因素天气温度情况以及it负载能耗数据作为新的特征列，以达到优化聚类模型的效果，这意味着每一种聚类类别可以代表着不同的空调运行工况，不同的天气温度情况以及不同的机房it负载情况。
27、在同一种工况下，机房每日的电量数据大致相同，本专利技术通过利用箱线图对电量数据进行更精确的筛选，剔除异常电量数据，筛选出的结果稳定可靠，准确性高。
本文档来自技高网...【技术保护点】
1.基于空调运行工况的电量数据异常检测方法，其特征在于：包括如下操作：
2.根据权利要求1所述的基于空调运行工况的电量数据异常检测方法，其特征在于：所述步骤3中通过K-MEANS聚类模型对预处理后的五维特征值进行聚类，形成不同的簇具体操作包括：
3.根据权利要求1所述的基于空调运行工况的电量数据异常检测方法，其特征在于：所述步骤4中每个簇下制冷能耗数据为10及其以上的数据为正常数据，为10以下的制冷能耗数据记为一类异常数据。
4.根据权利要求1所述的基于空调运行工况的电量数据异常检测方法，其特征在于：步骤5中正常数据的上须和下须计算表达式为：
5.基于空调运行工况的电量数据异常检测系统，其特征在于：包括采集模块、数据处理模块、K-MEANS聚类模块、数据筛选模块、箱线图筛选模块、异常数据合并模块；
【技术特征摘要】
1.基于空调运行工况的电量数据异常检测方法，其特征在于：包括如下操作：
2.根据权利要求1所述的基于空调运行工况的电量数据异常检测方法，其特征在于：所述步骤3中通过k-means聚类模型对预处理后的五维特征值进行聚类，形成不同的簇具体操作包括：
3.根据权利要求1所述的基于空调运行工况的电量数据异常检测方法，其特征在于：所述步骤4中每个簇下制冷能耗数据...
【专利技术属性】
技术研发人员：杨鹏，刘浩，戴伟，
申请(专利权)人：南京群顶科技股份有限公司，
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。