基于电力数据的服务器状态识别算法的研究与设计.docx

基于电力数据的服务器状态识别算法的研究与设计 　　摘要:为了向服务器电力能源节控这一领域提供数据分析的支持，更加合理、科学、智能地提供用户级别的电力能源节控方案。设计开发了基于电力数据结合KNN（K-最近邻）机器学习算法的服务器状态识别服务。该系统主要使用Java语言开发，KNN算法实现即分类器服务模块也全部使用Java语言实现。算法中，对于在设备上采集的大量时序数据，进行隐藏特征提取，构建更能描述时序数据特征的基本数学特征向量，使用暴力搜索算法--欧式距离为衡量标准搜索最近邻，通过K折交叉验证进行样本空间的划分，进而训练模型，进行模型参数K值的调优。系统实现上，使用流行的SpringBoot开发框架、运用DDD（领域驱动设计）思想进行系统的架构设计与具体实现。系统通过集成Swagger接口服务，向外部提供一致的Restful API，向电力能源节控任务的其他单元提供包含但不限于、样本空间更新、模型训练调参、实时数据分类等能力。 关键词：基于电力数据的服务器状态识别；KNN分类算法；SpringBoot框架；MySQL数据库 1引言 1.1研究背景 　　现今，国际社会仍旧在高速进步，社会迅猛发展的同时，自然环境问题、自然资源问题以及各种各样的污染问题也层出不穷。在目睹了赖以生存的环境因为人类的强烈发展需求而“体力不支”，在人们发现以这种趋势下去，自然资源也会很快耗尽，在各界意识到无节制的消耗和使用带来的影响，社会大众越来越明白，重视环保，节约能源的任务愈发亟待着手。各类环保的概念也逐步切实落实在大众生活的各方各面，从小到购物环保袋，大到社会层面大力发展清洁能源，无处不在，开源节流，层层调整，面面节约。环保的入手点有很多，其中关于能源的环保任务尤为受社会大众的关注。 　　目前，社会的主要生产生活能源都由电提供，而电力能源的产生，早期长期依赖于燃料燃烧，因此带来了许多副作用，例如烟气污染、粉尘污染、以及冷却发电设备对水资源的大量消耗，虽然今年来开发新能源的成果屡屡上新，使用新能源的观念也普及大众。但是，火力发电在我国仍旧占据主力。2020年，全国发电量累计为66824.4亿千瓦时，而火力发电累计高达47095.9亿千瓦时，远超美国所有类型发电量，占据我国2020年发电总量的70.5%。 　　如此鲜明的数据深刻揭示，电力能源节控势在必行，所以说，能源节控是环保中重要一环，而电力能源的节控，在这个“无电不可”的现代社会，则显得尤为突出。无论是能源节控或是其他许多，都离不开开源、节流两大方向。“开源”之路任重而道远，开源对于大众来说并不是一件容易的事，但“节流”之事人人有责，如何节约用电，如何高效利用电力能源，却是大众不得不思考且又容易践行的任务。 　　无论是工业生产还是日常生活，要合理高效的用电就需要一定的依据与方法论。即，要知道什么时间节点调控，如何在不影响用电器运行状态条件下合理调节用电状态，需要对用电器的用电状态进行大量的分析预测，需要智能化地分析预测机制。结合当下正如日中天的人工智能领域，本论文展开对在用电数据分析识别领域下的机器学习算法K最近邻算法的研究、设计与应用。 　　本论文中，以处理采集的服务器用电数据、分析该数据并预测服务器的用电状态为例，设计一个使用KNN算法的包含实时模型训练、实时数据分析的系统，以具体研究KNN算法在分析识别电力数据这类时序数据的应用，进而研究其在通用电力数据识别与分析领域的设计与应用。 1.2研究意义 　　如今，各领域的信息化程度愈发深刻，数据收集与采集的途径也愈发丰富，随之而来的是数据量的海量增长。 面对如此巨量的实时数据，如何分析与利用，需要深入研究与思考[1]。 　　在本论文中，主要分析与处理的是服务器的电力数据，而采集流程产出的这类时序数据，体量每分钟可达上千条，同时，各时间点数据又具有强烈的实时性。要基于这样的数据进行实时的模型迭代，与数据分析，需要一个合理高效的系统，内部需要采用更能够适应该类实时性较强的时序数据的相关算法。 　　本论文基于以上思考，进行研究分析，如何选用消耗合理，处理快的机器学习算法，并进行具有良好表现的系统实现。通过对现行流行的后端框架SpringBoot，结合领域驱动设计思想进行合理的应用架构设计，从而设计出一个，数据处理效率较高，交互表现良好的系统。 　　通过本设计，能够建立较为可靠的数据分析服务，以提供服务器状态识别的能力，为电力能源的节控提供良好的数据支持。 1.3国内外研究现状 　　随着人工智能领域在现代计算机学科的蓬勃发展，各类机器学习算法、深度学习算法、各类模型、以及相关框架与库如雨后春笋[2]。其在各领域的合理落地与优秀实现也比比皆是。 　　在时间序列数据分析领域，国内外亦有相当之多的从各层面、各角度、各领域的研究成果。在该领域，其研究包含设备