在当前数字化时代,互联网数据中心(internet data center,IDC)(以下简称“数据中心”)作为大型的电力消耗者已经成为电力网络中的重要组成部分。首先采用数据中心余热回收技术建立了数据中心等值热参数模型,并将其融入到微能源网中以实...在当前数字化时代,互联网数据中心(internet data center,IDC)(以下简称“数据中心”)作为大型的电力消耗者已经成为电力网络中的重要组成部分。首先采用数据中心余热回收技术建立了数据中心等值热参数模型,并将其融入到微能源网中以实现冷热电多能互补。其次对数据中心运行过程中所需制冷量与余热之间的复杂关系进行了深入分析,采用溴化锂吸收式制冷机和电制冷机来满足数据中心的冷负荷需求。为了更有效地应对批处理负荷在时间维度上的变化特性,制定了高度灵活的数据负荷分配策略,并建立了双层规划模型。使用场景削减的典型日选择方法以应对源荷不确定性,并引入基于Tent映射的灰狼优化算法(Tent mapping grey wolf optimization algorithm,TMGWO)和CPLEX进行联合求解。最后,通过对某含数据中心的微能源网系统进行仿真分析,数值计算结果表明所提出的方法能够有效提高系统的经济性和环保性。展开更多
针对局部异常因子(local outlier factor,LOF)异常检测算法时间空间复杂度高、对交叉异常及低密度簇周围异常点不敏感等局限,提出了基于近邻搜索空间提取的LOF异常检测算法(isolation-based data extracting LOF,iDELOF),将基于隔离思...针对局部异常因子(local outlier factor,LOF)异常检测算法时间空间复杂度高、对交叉异常及低密度簇周围异常点不敏感等局限,提出了基于近邻搜索空间提取的LOF异常检测算法(isolation-based data extracting LOF,iDELOF),将基于隔离思想的近邻搜索空间提取(isolation-based KNN search space extraction,iKSSE)前置于LOF算法,以高效剪切掉大量无用以及干扰数据,获得更加精准的搜索空间。基于此完成了理论以及4组实验分析,每组实验分别进行iDELOF算法与LOF、iForest、iNNE等多种典型算法的对比分析。结果表明:iDELOF算法通过拉大正异常点局部离群因子的差距,增强了对交叉异常以及低密度簇周围异常点的识别能力,提升了LOF的检测效果;iDELOF算法在识别轴平行异常方面与LOF同样具有明显优越性;iDELOF算法通过iKSSE所获数据子集显著小于原数据集,多数子集数据量小于原数据集的1%,因此iDELOF的时间空间复杂度显著降低,且原数据集数据量越大,优越性越明显,当数据量足够大时,iDELOF算法的运行时间将低于IF算法。展开更多
文摘在当前数字化时代,互联网数据中心(internet data center,IDC)(以下简称“数据中心”)作为大型的电力消耗者已经成为电力网络中的重要组成部分。首先采用数据中心余热回收技术建立了数据中心等值热参数模型,并将其融入到微能源网中以实现冷热电多能互补。其次对数据中心运行过程中所需制冷量与余热之间的复杂关系进行了深入分析,采用溴化锂吸收式制冷机和电制冷机来满足数据中心的冷负荷需求。为了更有效地应对批处理负荷在时间维度上的变化特性,制定了高度灵活的数据负荷分配策略,并建立了双层规划模型。使用场景削减的典型日选择方法以应对源荷不确定性,并引入基于Tent映射的灰狼优化算法(Tent mapping grey wolf optimization algorithm,TMGWO)和CPLEX进行联合求解。最后,通过对某含数据中心的微能源网系统进行仿真分析,数值计算结果表明所提出的方法能够有效提高系统的经济性和环保性。
文摘针对局部异常因子(local outlier factor,LOF)异常检测算法时间空间复杂度高、对交叉异常及低密度簇周围异常点不敏感等局限,提出了基于近邻搜索空间提取的LOF异常检测算法(isolation-based data extracting LOF,iDELOF),将基于隔离思想的近邻搜索空间提取(isolation-based KNN search space extraction,iKSSE)前置于LOF算法,以高效剪切掉大量无用以及干扰数据,获得更加精准的搜索空间。基于此完成了理论以及4组实验分析,每组实验分别进行iDELOF算法与LOF、iForest、iNNE等多种典型算法的对比分析。结果表明:iDELOF算法通过拉大正异常点局部离群因子的差距,增强了对交叉异常以及低密度簇周围异常点的识别能力,提升了LOF的检测效果;iDELOF算法在识别轴平行异常方面与LOF同样具有明显优越性;iDELOF算法通过iKSSE所获数据子集显著小于原数据集,多数子集数据量小于原数据集的1%,因此iDELOF的时间空间复杂度显著降低,且原数据集数据量越大,优越性越明显,当数据量足够大时,iDELOF算法的运行时间将低于IF算法。
