买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉太原理工大学申请的专利一种基于数据中心数学模型的差异化需求协调方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119783189B 。

龙图腾网通过国家知识产权局官网在2025-09-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411651513.9，技术领域涉及：G06F30/13；该发明授权一种基于数据中心数学模型的差异化需求协调方法是由李泽宁;秦雪雪;孙宏斌;薛屹洵;常馨月;苏珈;田兴涛;丁冰设计研发完成，并于2024-11-19向国家知识产权局提交的专利申请。

本一种基于数据中心数学模型的差异化需求协调方法在说明书摘要公布了：本发明公开了一种基于数据中心数学模型的差异化需求协调方法，包括根据数据中心的建筑热动态特征和云用户负载的差异化实时性需求，构建计及建筑热动态特性的云用户负载时空协调数据中心数学模型，考虑不确定因素、以数据中心日运行成本最小化为目标，构建计及建筑热动态的数据中心两阶段鲁棒优化模型，获取最优差异性需求协调方案。本发明考虑不确定因素的影响，建立关于数据中心的负载到达率、空调制冷功率、室内温度及运行能耗的数据中心两阶段鲁棒优化模型，挖掘数据中心自身建筑热惯性和负载时空调节的协同潜力，发挥负载和空调系统的调节灵活性，有效降低数据中心IT设备以及空调系统的能耗，提高数据中心运行的经济性和抵御风险的能力。

本发明授权一种基于数据中心数学模型的差异化需求协调方法在权利要求书中公布了：1.一种基于数据中心数学模型的差异化需求协调方法，其特征在于，包括如下步骤： S1、根据数据中心的建筑热动态特征和云用户负载的差异化实时性需求，构建考虑环境温度的计及建筑热动态特性的云用户负载时空协调数据中心数学模型； S2、设置关于计及建筑热动态特性的云用户负载时空协调数据中心数学模型的约束条件； S3、以S1中获取的计及建筑热动态特性的云用户负载时空协调数据中心数学模型为基础、常规负载功率和室外温度为不确定因素、目标数据中心日运行成本最小化为目标，构建计及建筑热动态特性的数据中心两阶段鲁棒优化模型； S4、对计及建筑热动态特性的数据中心两阶段鲁棒优化模型，采用GGG算法进行迭代求解，获取针对不确定因素的最优差异性需求协调方案； 所述S1中还包括： S11、建立数据中心数据负载模型； S12、建立数据中心能耗模型； S13、建立计及建筑热动态特性的云用户负载时空协调数据中心数学模型； 所述S11中数据中心数据负载模型的建立还包括根据云用户的实时性需求，将数据中心中的云用户负载分为交互型数据负载和批处理型数据负载； 数据中心数据负载模型包括针对交互型数据负载的响应时间模型，其中响应时间模型又包括传输延迟时间模型和平均等待时间计算模型，其中，传输延迟时间模型如下： ditr＝tc1； 其中ditr为t时段交互型用户负载传输时间，tc为常数； 平均等待时间计算模型如下： 其中tw,t为t时段交互型云用户负载平均等待时间，M为数据中心内服务器种类集合，i为集合M内某一服务器类型，N为服务器工作状态集合，j为集合N内某一工作状态，为在t时段数据中心第i类且处于工作状态j的处理交互型云用户负载的服务率；为t时段交互型云用户负载率； 数据中心数据负载模型还包括针对批处理型数据负载的云用户负载处理时间模型，且云用户负载处理时间模型如下： 其中，为在t时段数据中心第i类且处于工作状态j的处理批处理型云用户负载的服务率；为t时段批处理型云用户负载率； 所述数据中心能耗模型的建立包括如下步骤： S121、建立关于数据中心的IT设备功率模型； S122、建立关于数据中心的空调系统功率模型； S123、建立关于数据中心的总功率模型； 所述关于数据中心的IT设备功率模型的建立具体包括利用数据中心服务器功率代表IT设备功率，并基于DVFS技术对服务器功率进行建模，得到IT设备功率模型如下： Pm,s,t＝Pm,st+Pm,dy,t5； 其中，Pm,s,t为t时段m类服务器处于s工作状态的功率，Pm,st为对应的服务器静态功率，Pm,dy,t为对应的动态能耗；km为m类服务器的动态能耗计算系数；fm为芯片工作频率； 所述空调系统功率模型的建立具体包括利用数据中心的建筑热动态特性构建空调系统功率模型如下： 其中，Cwall,ij为墙体热容，且分为含窗侧墙体热容与不含窗侧墙体热容；为墙体温度；为室内温度；为相邻节点温度；Rwall,ij为墙体热阻，分为含窗侧墙体热阻与不含窗侧墙体热阻；若墙体受到外界太阳辐射则qij取1，否则取0；vij为墙体吸热率；Awall,ij为墙体面积；为墙体对应方向的光照强度；Cromm,j为房间热容；为室外温度；Nroom指代区域相邻节点；为窗体热阻；ωij为窗体折射率；为窗体对应方向的光照强度； 为内部热源；为空调系统t时段的制冷量；为数据中心IT设备内部散热系数； 所述建立数据中心的总功率模型具体包括根据数据中心的IT设备功率模型和空调系统功率模型构建总功率模型，且数据中心的总功率模型如下： 其中，为数据中心在t时段的总功率；为t时段IT设备的功率；为t时段空调系统功率；为t时段常规负载的总功率，常规负载包括数据中心的配电系统和照明系统，且为恒定常数； 所述建立计及建筑热动态特性的云用户负载时空协调数据中心数学模型具体包括：对数据中心的总功率模型进行积分，得到基于数据中心建筑热动态特征和云用户负载差异化实时性需求的计及建筑热动态特性的云用户负载时空协调数据中心数学模型如下： 其中，为数据中心在t时段的总能耗；为t时段IT设备的能耗；为t时段空调系统能耗；为t时段常规负载的总能耗；NT为调度周期； 所述设置关于计及建筑热动态特性的云用户负载时空协调数据中心数学模型的约束条件包括如下步骤： S21、构建关于计及建筑热动态特性的云用户负载时空协调数据中心数学模型的云用户数据负载率约束； S22、构建关于计及建筑热动态特性的云用户负载时空协调数据中心数学模型的服务率总和约束； S23、构建关于计及建筑热动态特性的云用户负载时空协调数据中心数学模型的最大响应时间约束； S24、构建关于计及建筑热动态特性的云用户负载时空协调数据中心数学模型的服务器运行环境温度约束； S25、构建关于计及建筑热动态特性的云用户负载时空协调数据中心数学模型的最大数据负载率约束； S26、构建关于计及建筑热动态特性的云用户负载时空协调数据中心数学模型的服务器工作频率和服务率约束； S27、构建关于计及建筑热动态特性的云用户负载时空协调数据中心数学模型的服务器数量约束； S28、构建关于计及建筑热动态特性的云用户负载时空协调数据中心数学模型的空调系统运行约束； 所述约束条件的设置具体包括如下步骤： 所述S21中构建云用户数据负载率约束具体包括如下步骤： 计算数据中心的云用户数据负载总和，计算公式为： 其中，λt为t时段E个数据中心的数据负载率总和,且数据负载率为单位时间分配给数据中心的云用户负载量； 基于计算公式15，第e个数据中心的数据负载率为λe,t，且λe,t的计算公式如下： 其中，为在单位时段t内E个数据中心需处理的交互型数据负载率总和；为在单位时段t内E个数据中心需处理的批处理型数据负载率总和，为在单位时段t内第e个数据中心需处理的交互型数据负载率，为在单位时段t内第e个数据中心需处理的批处理型数据负载率； 所述S23中构建最大响应时间约束具体包括如下步骤： 交互型云用户负载的最大响应时间满足的约束关系式如下： tw,t≤Ditr‑ditr17； 批处理型云用户负载的最大响应时间满足的约束关系式如下： 其中，Ditr为交互型云用户负载最大响应时间；ditr为负载传输延迟时间；Tbatch为批处理型云用户负载最大响应时间； 所述S28中构建空调系统运行约束具体包括如下步骤： 基于空调系统满足数据中心内服务器的制冷需求和运行室内温度需求，空调系统的运行功率满足的约束关系式如下： 其中，为空调系统运行功率上限； 所述约束条件的设置还包括如下步骤： 所述S22中构建服务率总和约束具体包括如下步骤： 从服务器种类角度，e个数据中心的服务率总和满足如下关系式： 从云用户实时性需求角度，e个数据中心的服务率总和满足如下关系式： 其中，μt为E个数据中心t时段各服务器的服务率之和；为t时段数据中心i内m类处于s工作状态的服务器的服务率；为t时段E个数据中心用于处理交互型云用户负载的服务率；为t时段E个数据中心用于处理批处理型云用户负载的服务率； 所述S24中构建服务器运行环境温度约束具体包括如下步骤： 数据中心服务器正常运行时室内温度所在的温度区间范围满足的约束关系式如下： 其中，分别为数据中心服务器正常运行时室内温度的下限和上限； 所述S25中构建最大数据负载率约束具体包括如下步骤： 数据中心服务器处理数据时其自身能处理的最大数据负载量满足的约束关系式如下： 0≤λe,t≤λe,max23； 其中，λe,max为第e个数据中心每秒能处理的数据负载量最大值； 所述S26中构建服务器工作频率与服务率约束具体包括如下步骤： 服务器处理器内设有离散的CPU工作频率和服务率阶梯，且两者相互对应，CPU工作频率和服务率满足的关系式如下： ft∈{f1,f2,…fh…,fH}   24； μt∈{μ1,μ2,…μh…,μH}   25； 其中，H为服务器可选工作频率种类，ft为t时段内服务器CPU工作频率，μt为t时段内服务器服务率； 在数据中心的CPU工作频率和服务率调节中，根据实时网络负载在24和25集合中进行选择，得到基于实时网络负载的CPU工作频率和服务率，且基于实时网络负载的CPU工作频率和服务率满足如下关系式： 其中，为时段工作频率与服务率的选型变量，由于CPU在某一时段只能在一个频率在工作，因此应满足以下约束关系式： 所述S27中构建服务器数量约束具体包括如下步骤： 各数据中心参与调节的服务器数量满足的约束关系式如下： 其中，nsev为各数据中心参与调节的服务器数量，为各数据中心参与调节的服务器数量上限； 所述S3中包括如下步骤： S31、选定目标数据中心，基于计及建筑热动态特性的云用户负载时空协调数据中心数学模型获取目标数据中心耗能，以目标数据中心日运行成本最小化为目标函数，建立目标函数表达式如下： 其中，MdcA,t为选定的目标数据中心A在t时段的总能耗，MdcB,t为选定的目标数据中心B在t时段的总能耗，ct为日交易电价，数据中心A与数据中心B的计及建筑热动态特性的云用户负载时空协调数据中心数学模型满足S21—S28中的约束条件； S32、建立不考虑不确定因素的数据中心确定性数学模型，且数据中心确定性数学模型的紧凑形式如下： 其中，x、y为变量，且x、y满足如下关系式： 其中，C为数据中心服务器台数，为式31的系数列向量；D、K、F、G和Iu为对应约束下的系数矩阵，d、k为常数列向量，其中不等式约束为32中的第2行，且满足约束关系式17—19、22—23、30，等式约束为32中第3行，且满足约束关系式15—16、18、20—21、28—29，变量x、y之间满足的关系为第4行，且满足约束关系式26—27，第5行表示在数据中心确定性数学模型中，不确定因素变量为各时段的预测值，且预测值满足以下关系式： 其中，表示常规负载功率在t时段的预测值，表示室外温度在t时段的预测值； S33、构建不确定因素常规负载和室外温度所属的箱型不确定集U，且U满足如下关系式： 其中，uP,t和uT,t为不确定变量，即常规负载功率和室外温度；和为不确定变量允许的最大波动偏差； S34、根据数据中心确定数学模型，以不确定因素的箱型不确定集U为约束，采用两阶段鲁棒优化方法构建计及建筑热动态特性的数据中心数学模型如下： 其中，第一阶段问题为最外层的min，优化变量为x；第二阶段问题为内层的max‑min，优化变量为u和y，其中的min问题等同于式31的目标函数，代表数据中心日运行成本最小化，Ωx,u的含义为给定x,u取值时，优化变量y的可行域，且Ωx,u的表达式如下： 其中，γ，λ，v，π为对偶变量，用于处理第二阶段的最小化问题。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人太原理工大学，其通讯地址为：030024 山西省太原市迎泽西大街79号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。