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！

申请/专利权人：南京先维信息技术有限公司

摘要：本发明公开了基于大数据驱动建模的能耗优化决策分析方法及系统，属于大数据分析技术领域，其具体包括：通过收集并预处理能耗数据，利用特征工程提取关键能耗特征；基于这些特征数据，构建并分布式训练能耗预测模型，采用网格搜索自动调参，并引入LIME方法解释模型预测结果；基于预测结果，通过模拟仿真分析不同设备配置和运行策略的能耗情况，自动制定优化方案，并利用物联网技术动态调整；实施优化方案并建立监控机制，通过收集反馈信息和增量学习实时更新模型，定期评估优化效果并调整方案，实现了持续的能耗优化。

主权项：1.基于大数据驱动建模的能耗优化决策分析方法，其特征在于，包括：步骤S1：收集能耗数据并进行预处理，利用特征工程方法对预处理后的能耗数据进行特征提取，获得能耗特征数据；步骤S2：基于能耗特征数据集，建立能耗预测模型，并利用大数据和云计算方法对能耗预测模型进行分布式训练和加速，并使用网格搜索自动调参方法调整能耗预测模型参数，同时引入LIME方法解释能耗预测模型的预测结果；步骤S3：基于能耗预测模型的预测结果，利用模拟仿真方法分析不同设备配置、不同运行策略条件下的能耗情况，使用自动搜索优化策略制定能耗优化方案，通过物联网方法动态调整能耗优化方案，并对能耗数据、优化方案和执行效果进行可视化展示；步骤S4：将能耗优化方案付诸实施，建立能耗监控机制，同时，收集实施过程中的反馈信息，将反馈信息整合到能耗数据中，利用增量学习方法对能耗预测模型进行实时更新和优化，定期对优化效果进行评估，并根据评估结果调整能耗优化方案；所述步骤S2的具体步骤包括：S2.1：建立能耗预测模型，设置能耗预测模型的初始参数，配置分布式计算环境并连接至云计算资源；S2.2：获取能耗特征数据集，并将分割为a个子数据集，其中，n表示能耗特征数据的数量，b表示第a个子数据集中能耗数据的数量；S2.3：将子数据集分配给不同的计算节点，进行并行训练，并收集各计算节点的训练结果，进行能耗预测模型的聚合和更新；所述步骤S2的具体步骤还包括：S2.4：定义参数空间，在参数空间中进行网格搜索，选择不同的参数组合，并使用交叉验证的准确率对每个参数组合下的能耗预测模型进行评估，根据评估结果，选择性能最优的参数组合作为能耗预测模型的最优参数；S2.5：从预测结果中选择需要解释的样本，在所选样本的局部区域内，生成局部线性模型，根据局部线性模型的系数，评估特征对预测结果的重要性，并进行可视化展示，局部线性模型求解公式为： ；其中，表示局部线性模型的预测结果，、表示局部线性模型的线性项系数，表示局部线性模型的非线性项系数，表示局部线性模型的交互项系数，表示局部线性模型的交互项系数，表示温度变量系数，表示湿度变量系数，表示温度变量，表示湿度变量；所述步骤S3中自动搜索优化策略的具体步骤包括：S3.1：分析模拟仿真得到的能耗数据，并根据分析结果，设定能耗优化目标；S3.2：随机初始化粒子的位置和速度，其中，每个粒子代表一个设备配置和运行策略组合；S3.3：基于模拟仿真得到的能耗数据，获得适应度函数，公式为： ；其中，表示适应度函数，表示通过模拟仿真得到的y的能耗值，y表示设备配置和运行策略组合，表示权重参数，表示y的运行效率，表示y的运行效率的最大值，表示y的成本；所述步骤S3中自动搜索优化策略的具体步骤还包括：S3.4：设定迭代次数K，根据设定的能耗优化目标，使用适应度函数评估每个粒子的性能，对于每个粒子，根据每个粒子的当前位置、速度、个体最优位置和群体最优位置，更新其速度和位置，并计算更新后粒子的适应度值，公式为： ；其中，表示第k个粒子在第次迭代时的速度，表示第k个粒子在第l次迭代时的速度，表示第k个粒子在第次迭代时的位置，表示第k个粒子在第l次迭代时的位置，表示随迭代次数l变化的惯性权重，表示学习因子，表示[0，1]的随机数，表示第k个粒子个体的历史最优值，表示整个群体的历史最优值，表示随机生成的速度变化量，表示一个小的正数，和表示非线性调节因子，表示位置更新衰减因子；所述步骤S3中自动搜索优化策略的具体步骤还包括：S3.5：将得到的代入，通过计算得到该位置的适应度值；若，则更新，适应度值为；若，则更新，；S3.6：重复S3.4至S3.5，直至达到设定的迭代次数；S3.7：根据最终群体最优位置，提取能耗优化目标的最优解或最优的设备配置和运行策略组合，并输出搜索到的最优设备配置和运行策略作为能耗优化方案。

全文数据：

权利要求：

百度查询： 南京先维信息技术有限公司 基于大数据驱动建模的能耗优化决策分析方法及系统