应用于智能算力中心能耗系统的数据分析方法及系统与流程

本技术涉及计算机，具体而言，涉及一种应用于智能算力中心能耗系统的数据分析方法及系统。

背景技术：

1、随着信息技术的迅猛发展，智能算力中心在数据处理、存储和传输等方面发挥着越来越重要的作用。然而，智能算力中心的能耗问题也日益凸显，成为制约其可持续发展的关键因素。为了实现节能减排和降低运营成本，对智能算力中心的能耗进行精细化管理和优化显得尤为重要。

2、在传统的能耗管理方法中，往往只关注整体的能耗数据，而忽视了能耗在不同区域和设备之间的流动和使用情况，导致在能耗管理和优化过程中，难以精准地识别出能耗的热点区域和关键路径，从而无法进行针对性的改进。

技术实现思路

1、鉴于上述提及的问题，结合本技术的第一方面，本技术实施例提供一种应用于智能算力中心能耗系统的数据分析方法，所述方法包括：

2、获取所述智能算力中心能耗系统的能耗使用热点数据和能耗流动数据；

3、依据所述能耗流动数据将能耗流动路径映射到包括有多个区域的能耗分布网络中，生成与所述能耗流动路径对应的区域集合；

4、从所述能耗使用热点数据中提取与各能耗使用热点分别相关的关键能耗区域数据；

5、基于所述关键能耗区域数据将各能耗使用热点映射到所述能耗分布网络中，生成所述能耗分布网络中的区域与能耗使用热点间的关联信息；

6、基于与所述能耗流动路径对应的区域集合、以及所述关联信息，确定与所述能耗流动路径关联的能耗使用热点集合，并基于与所述能耗流动路径关联的能耗使用热点集合进行所述智能算力中心能耗系统的能耗监测数据分析。

7、在第一方面的一种可能的实施方式中，所述能耗流动数据包括多个能耗流动节点；所述依据所述能耗流动数据将能耗流动路径映射到包括有多个区域的能耗分布网络中，生成与所述能耗流动路径对应的区域集合，包括：

8、确定所述能耗流动数据中与能耗流动路径对应的能耗流动节点，生成所述能耗流动路径的能耗流动节点图；

9、将所述能耗流动路径的能耗流动节点图映射到包括有多个区域的能耗分布网络中，生成与所述能耗流动路径对应的区域集合。

10、在第一方面的一种可能的实施方式中，所述将所述能耗流动路径的能耗流动节点图映射到包括有多个区域的能耗分布网络中，生成与所述能耗流动路径对应的区域集合，包括：

11、游走所述能耗流动路径的能耗流动节点图中的各能耗流动节点，确定游走到的能耗流动节点的节点属性信息；

12、确定与所述节点属性信息关联的区域属性信息；

13、如果所述区域属性信息不存在于所述能耗流动路径的区域序列中，则将所述区域属性信息加载到所述区域序列中；

14、继续下一能耗流动节点的游走，返回确定游走到的能耗流动节点的节点属性信息的步骤继续执行，直至游走完所述能耗流动节点图中的所有能耗流动节点；

15、基于最终生成的区域序列，确定与所述能耗流动路径对应的区域集合。

16、在第一方面的一种可能的实施方式中，所述从所述能耗使用热点数据中提取与各能耗使用热点分别相关的关键能耗区域数据，包括：

17、从所述能耗使用热点数据中提取各能耗使用热点的能耗区域数据；

18、依据不同能耗区域数据间的流转特征向量，对所述能耗区域数据进行选择，生成关键能耗区域数据。

19、在第一方面的一种可能的实施方式中，所述依据不同能耗区域数据间的流转特征向量，对所述能耗区域数据进行选择，生成关键能耗区域数据，包括：

20、遍历任意一个能耗区域数据，将所遍历的能耗区域数据作为基准能耗区域数据；

21、将在与所述基准能耗区域数据相关的流转特征向量的目标区间内的其它能耗区域数据，作为所述基准能耗区域数据的联动能耗区域数据；

22、将所述基准能耗区域数据，以及各所述联动能耗区域数据，归为一个数据簇；

23、遍历每个数据簇，依据所遍历数据簇中各能耗区域数据对应的流动量进行选择，生成关键能耗区域数据；所述能耗区域数据对应的流动量由所述能耗区域数据构成的能耗流动图确定；

24、在第一方面的一种可能的实施方式中，所述遍历每个数据簇，依据所遍历数据簇中各能耗区域数据对应的流动量进行选择，生成关键能耗区域数据，包括：

25、遍历任意一个数据簇，确定所遍历数据簇中每两个能耗区域数据间的共享流动量；

26、如果所述共享流动量符合流动量选择条件，则保留流动量较大的能耗区域数据，生成关键能耗区域数据。

27、在第一方面的一种可能的实施方式中，所述基于所述关键能耗区域数据将各能耗使用热点映射到所述能耗分布网络中，生成所述能耗分布网络中的区域与能耗使用热点间的关联信息，包括：

28、提取所述关键能耗区域数据中的能耗界限信息，并依据所述能耗界限信息，确定所述关键能耗区域数据的最小覆盖区块；

29、从所述能耗分布网络中提取所述最小覆盖区块内的各个目标能耗域；

30、游走各所述目标能耗域，当游走到的所述目标能耗域的能耗聚焦位置处于所述关键能耗区域数据的能耗界限信息内时，获取所述目标能耗域的区域属性信息；

31、将获取的区域属性信息与所述关键能耗区域数据所对应的能耗使用热点建立映射联系，生成所述能耗分布网络中的区域与能耗使用热点间的关联信息；

32、在第一方面的一种可能的实施方式中，所述提取所述关键能耗区域数据中的能耗界限信息，并依据所述能耗界限信息，确定所述关键能耗区域数据的最小覆盖区块的步骤，包括：

33、对所述关键能耗区域数据进行分析，识别出每个能耗区域的边界点或边界线，作为所述能耗界限信息；

34、基于提取出的能耗界限信息，计算能够完全包含对应界限的最小覆盖区块，所述最小覆盖区块提供了所述能耗区域在二维空间中的最小覆盖范围。

35、在第一方面的一种可能的实施方式中，所述基于与所述能耗流动路径对应的区域集合、以及所述关联信息，确定与所述能耗流动路径关联的能耗使用热点集合，包括：

36、基于所述关联信息，确定与所述能耗流动路径对应的区域集合中的各区域相关的能耗使用热点；

37、依据时序性选择条件或地理分布性选择条件，对所述能耗使用热点进行选择，生成目标能耗使用热点；

38、基于选择生成的目标能耗使用热点生成与所述能耗流动路径关联的能耗使用热点集合。

39、在第一方面的一种可能的实施方式中，所述依据时序性选择条件或地理分布性选择条件，对所述能耗使用热点进行选择，生成目标能耗使用热点，包括：

40、获取每个能耗使用热点对应的持续参数；

41、剔除持续参数小于预设持续参数的能耗使用热点，生成第一能耗使用热点；

42、获取所述第一能耗使用热点的地理分布性特征；

43、依据第一能耗使用热点的地理分布性特征进行清洗，生成目标能耗使用热点。

44、在第一方面的一种可能的实施方式中，所述基于与所述能耗流动路径关联的能耗使用热点集合进行所述智能算力中心能耗系统的能耗监测数据分析的步骤，包括：

45、将与能耗流动路径关联的能耗使用热点集合与原始的能耗监测数据进行整合，并针对整合数据中的每个能耗使用热点，根据所述能耗使用热点的能耗监测数据构建时序预测模型，所述时序预测模型用于预测未来的能耗趋势；

46、以及，利用聚类算法对所述能耗使用热点的能耗监测数据进行聚类分析，识别出不同的能耗模式，并分析不同能耗模式的特征规律后，基于所述能耗使用热点的不同能耗模式的特征规律，利用关联规则挖掘算法分析能耗使用热点之间的关联关系；

47、根据所述能耗使用热点之间的关联关系检测出异常能耗数据，并基于所述异常能耗数据生成对应的能耗异常事件；

48、在第一方面的一种可能的实施方式中，所述根据所述能耗使用热点的能耗监测数据构建时序预测模型，所述时序预测模型用于预测未来的能耗趋势的步骤，包括：

49、针对每个能耗使用热点的能耗监测数据，从所述能耗监测数据中捕捉时间序列数据的动态特征；

50、根据所述时间序列数据的动态特征选择对应的时序预测模型，并依据所述时间序列数据的动态特征和对应的专家知识标注数据划分出训练集和验证集，使用训练集对选定的时序预测模型进行训练，并使用验证集评估所述时序预测模型的预测性能；

51、通过比较所述时序预测模型的预测值与实际值的差异评估所述时序预测模型的准确性，在所述时序预测模型的准确性满足预期条件时，生成最终的时序预测模型；

52、在第一方面的一种可能的实施方式中，所述根据所述能耗使用热点之间的关联关系检测出异常能耗数据，并基于所述异常能耗数据生成对应的能耗异常事件的步骤，包括：

53、基于能耗使用热点之间的关联关系，构建对应的关联关系网络，所述关联关系网络中的节点代表能耗使用热点，边代表所述能耗使用热点之间的关系；

54、对所述能耗使用热点的能耗监测数据进行实时监测，利用所述关联关系网络和预先定义的异常检测规则，对所述能耗监测数据进行异常检测，并检测到到异常能耗数据时，生成能耗异常事件。

55、再一方面，本技术实施例还提供一种应用于智能算力中心能耗系统的数据分析系统，包括处理器、机器可读存储介质，所述机器可读存储介质和所述处理器连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以实现上述的方法。

56、基于以上方面，通过综合获取能耗使用热点数据和能耗流动数据，并利用能耗使用热点数据和能耗流动数据进行深度分析和映射，实现了对智能算力中心能耗系统的全面和精确的能耗监测及分析。具体而言，通过将能耗流动数据映射到包含多个区域的能耗分布网络中，生成了与能耗流动路径高度对应的区域集合，提高了能耗路径分析的准确性和效率。从能耗使用热点数据中提取与各热点紧密相关的关键能耗区域数据，有助于快速定位能耗瓶颈和优化点。基于关键能耗区域数据将各能耗使用热点映射到能耗分布网络中，增强了区域与能耗热点间的关联信息。通过与能耗流动路径对应的区域集合和关联信息，确定了与能耗流动路径紧密关联的能耗使用热点集合，使得能耗监测数据分析更加聚焦和有针对性。基于上述步骤得到的能耗使用热点集合进行深入的数据分析，有助于发现能耗异常、预测能耗趋势，并为智能算力中心的能源管理和节能优化提供决策支持。由此，通过对智能算力中心能耗系统的能耗数据和流动路径进行全面、精确的映射和分析，有效提升了能耗监测的准确性和效率，为智能算力中心的绿色高效运行提供了坚实的技术支撑。