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！

龙图腾网获悉华南理工大学申请的专利基于自适应预测区间的数据中心能效异常检测方法、系统和介质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：CN116383773B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202310047835.1，技术领域涉及：G06F18/27；该发明授权基于自适应预测区间的数据中心能效异常检测方法、系统和介质是由闫军威;伍维莉;周璇设计研发完成，并于2023-01-31向国家知识产权局提交的专利申请。

本基于自适应预测区间的数据中心能效异常检测方法、系统和介质在说明书摘要公布了：本发明公开了一种基于自适应预测区间的数据中心能效异常检测方法、系统和介质，该方法包括：选择能效指标，采集并存储现场历史数据，并计算能效值；对历史数据进行预处理；经特征选择、超参数优化，建立回归预测模型；计算逐时能效预测误差集，计算其概率密度，叠加置信区间，得到自适应预测误差区间；将实时运行数据进行预处理并输入训练好的回归预测模型，得到当前时刻能效预测值，叠加自适应预测误差区间，得到当前时刻能效自适应预测区间，比对能效实际值是否处于该区间内，得到能效异常检测结果。本发明能够较好地覆盖数据中心能效变化范围，有效规避系统随机误差和建模误差，实现异常能效的可靠检测，提高数据中心能效管理水平。

本发明授权基于自适应预测区间的数据中心能效异常检测方法、系统和介质在权利要求书中公布了：1.基于自适应预测区间的数据中心能效异常检测方法，其特征在于，包括下述步骤： 选取能效指标，采集室外气象参数、时间数据和能耗数据，并根据能耗数据计算能效数据； 对历史数据进行预处理，包括对能效数据进行异常值检测及剔除、缺失值插补；对室外气象数据进行失真值剔除及插补； 所述对能效数据进行异常值检测及剔除的方法为3σ准则： ； ； L1=μ‑3σ； L2=μ+3σ； 其中，Xi为某列第i个能效数据，N为样本总数，μ为该列数据的均值，σ为该列数据的标准差，L1为异常阈值的判定下限，L2为异常阈值的判定上限，异常值判定标准为样本数值小于判定下限L1或大于判定上限L2； 分别对当前时刻能效值、前1时刻能效值、前24时刻能效值进行异常值剔除； 所述对能效数据进行缺失值插补的方法为插值法： Xi = Xi+24k； 其中，Xi为某列第i个能效数据，即某时刻能效值，Xi+24k为其前k天相同时刻的能效值，当k=1时，若Xi+24为正常值，则取Xi+24的数值赋值给Xi，若Xi+24为异常值，则看k=2时，Xi+24*2是否为正常值，若是则将其赋值给Xi，若不是则看k=3，直到Xi+24k为正常值为止，将正常值Xi+24k赋值给Xi； 对前1时刻能效值和前24时刻能效值进行缺失值插补； 所述对室外气象数据进行失真值剔除的方法为判别法： ； 其中，Yi为某列第i个室外气象数据，异常值判定标准为样本数值与前后时刻数据均值的差值大于5； 所述对室外气象数据进行缺失值插补的方法为均值插值法： ； 其中，Yi为某列第i个室外气象数据，取前后时刻数据的均值赋值给Yi； 采用特征选择方法对预处理后的历史数据进行特征选择；所述历史数据包括室外气象参数、时间数据以及能效数据； 使用特征选择后的数据训练回归预测模型，使用模型超参数优化方法确定其最优超参数组合，进而得到训练好的回归预测模型； 使用训练好的回归预测模型计算逐时能效的预测值，用其减去实际值，获得预测误差集； 对预测误差集，采用核密度估计算法计算其概率密度，叠加置信区间，得到自适应预测误差区间； 使用与对历史数据相同的数据预处理方法对实时采集到的数据进行处理，并采用特征选择方法中选择的特征构建输入集，输入训练好的回归预测模型，得到当前时刻能效预测值，叠加自适应预测误差区间，得到当前时刻能效自适应预测区间，比对能效实际值是否处于当前时刻能效自适应预测区间内来判断能效是否异常。

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华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381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。