CN118312024A - 笔记本电脑的智能管理方法及系统 - Google Patents

Abstract

本申请涉及智能管理技术领域，公开了一种笔记本电脑的智能管理方法及系统。所述方法包括：对笔记本电脑中的多个关键组件进行温度数据采集和数据预处理，得到目标温度数据集；进行热量分布分析，生成温度变化趋势图和温度分布图；分别对温度变化趋势图和温度分布图进行特征点识别，得到变化趋势特征集合和温度分布特征集合；通过时间卷积神经网络和Transformer模型进行温度异常分析，得到温度异常分析结果；通过强化学习算法和温度异常分析结果进行散热执行动作最优控制求解，得到最佳散热执行动作策略，并通过最佳散热执行动作策略进行智能散热管理，本申请提高了笔记本电脑的散热效率和散热响应速度。

Description

笔记本电脑的智能管理方法及系统

技术领域

本申请涉及智能管理技术领域，尤其涉及一种笔记本电脑的智能管理方法及系统。

背景技术

随着现代科技的迅速发展，笔记本电脑已经成为人们日常生活和工作中不可或缺的工具。笔记本电脑的性能在不断提升，内部组件的集成度越来越高，这导致了其散热问题愈加严重。尤其在高性能运算和长时间使用的情况下，CPU、GPU、电池和内存等关键组件的温度会显著升高。如果这些组件的温度得不到有效控制，不仅会影响笔记本电脑的性能，还可能缩短其使用寿命，甚至引发安全问题。

目前市场上的大多数笔记本电脑散热管理方法依赖于传统的风扇和散热片设计，这些方法通常基于预设的温度阈值进行散热调控。然而，传统的散热管理方法存在以下几个主要问题：温度传感器的数据采集和处理滞后，导致无法实时准确地反映组件的温度变化情况；其次，散热策略单一且缺乏智能化，无法根据实际使用情况动态调整散热措施；现有的散热管理系统无法充分利用先进的机器学习和深度学习技术进行温度异常检测和优化控制，导致散热效果不理想。

发明内容

本申请提供了一种笔记本电脑的智能管理方法及系统，用于提高了笔记本电脑的散热效率和散热响应速度。

第一方面，本申请提供了一种笔记本电脑的智能管理方法，所述笔记本电脑的智能管理方法包括：

对笔记本电脑中的多个关键组件进行温度数据采集和数据预处理，得到目标温度数据集；

对所述目标温度数据集进行热量分布分析，生成温度变化趋势图和温度分布图；

分别对所述温度变化趋势图和所述温度分布图进行特征点识别，得到变化趋势特征集合和温度分布特征集合；

将所述变化趋势特征集合和所述温度分布特征集合输入预置的时间卷积神经网络和Transformer模型进行温度异常分析，得到温度异常分析结果；

通过强化学习算法和所述温度异常分析结果进行散热执行动作最优控制求解，得到最佳散热执行动作策略，并通过所述最佳散热执行动作策略对所述笔记本电脑进行智能散热管理。

第二方面，本申请提供了一种笔记本电脑的智能管理系统，所述笔记本电脑的智能管理系统包括：

采集模块，用于对笔记本电脑中的多个关键组件进行温度数据采集和数据预处理，得到目标温度数据集；

分析模块，用于对所述目标温度数据集进行热量分布分析，生成温度变化趋势图和温度分布图；

识别模块，用于分别对所述温度变化趋势图和所述温度分布图进行特征点识别，得到变化趋势特征集合和温度分布特征集合；

处理模块，用于将所述变化趋势特征集合和所述温度分布特征集合输入预置的时间卷积神经网络和Transformer模型进行温度异常分析，得到温度异常分析结果；

管理模块，用于通过强化学习算法和所述温度异常分析结果进行散热执行动作最优控制求解，得到最佳散热执行动作策略，并通过所述最佳散热执行动作策略对所述笔记本电脑进行智能散热管理。

本申请提供的技术方案中，通过配置内置的温度传感器网络，对CPU、GPU、电池和内存等关键组件进行实时温度监测，使得温度数据的采集更加准确和及时，利用内置的热量分布分析算法，对采集到的温度数据进行空间和时间分布分析，生成温度变化趋势图和温度分布图。能够识别出笔记本电脑内部的热量集中区域，通过对温度变化趋势图和温度分布图进行特征点识别，提取出变化趋势特征集合和温度分布特征集合，能够精确捕捉温度变化的关键点和趋势，结合时间卷积神经网络和Transformer模型，对变化趋势特征集合和温度分布特征集合进行温度异常分析，利用深度学习模型的强大能力，能够高效地检测温度异常情况，及时识别潜在的散热问题。通过强化学习算法，根据温度异常分析结果进行散热执行动作的最优控制求解，生成最佳散热执行动作策略，使得散热管理更加智能和高效，能够动态调整散热措施，确保笔记本电脑在不同工作负荷下的最佳运行状态，通过最佳散热执行动作策略，对笔记本电脑进行智能散热管理，本申请不仅提高了散热管理的效率，还延长了笔记本电脑的使用寿命，并增强了系统的稳定性和安全性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以基于这些附图获得其他的附图。

图1为本申请实施例中笔记本电脑的智能管理方法的一个实施例示意图；

图2为本申请实施例中笔记本电脑的智能管理系统的一个实施例示意图。

具体实施方式

本申请实施例提供了一种笔记本电脑的智能管理方法及系统。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中笔记本电脑的智能管理方法的一个实施例包括：

步骤S101、对笔记本电脑中的多个关键组件进行温度数据采集和数据预处理，得到目标温度数据集；

可以理解的是，本申请的执行主体可以为笔记本电脑的智能管理系统，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。

具体的，配置笔记本电脑的温度传感器网络，通过在笔记本电脑的各个关键组件上安装高精度的温度传感器，实时监测这些组件的温度变化。通过温度传感器网络，对笔记本电脑中的多个关键组件进行温度数据采集，得到多个初始组件温度数据。每个传感器将测量到的温度数据发送到数据处理单元，得到多个初始组件温度数据集合。对多个关键组件进行组件关系分析，以确定这些组件之间的热传导关系和物理布局。通过分析组件之间的空间位置、功能联系以及热传导路径，得到组件关系信息。根据组件关系信息，分别对多个初始组件温度数据进行温度数据簇划分。通过分析不同组件之间的温度变化关联性，将具有类似温度变化趋势的组件温度数据聚合到同一个簇中，得到多个温度数据簇。温度数据簇划分可以使用聚类分析算法，如K-means聚类算法或层次聚类算法，这些算法可以有效地将相似的数据点聚集在一起，从而更好地反映组件之间的热传导关系和共同的温度变化趋势。根据多个温度数据簇对多个初始组件温度数据进行数据集合转换，得到目标温度数据集。对每个温度数据簇中的数据进行统计分析和特征提取，例如计算每个簇的平均温度、温度变化范围、温度变化速率等特征值，并将这些特征值作为新的数据集合的元素，得到目标温度数据集。

步骤S102、对目标温度数据集进行热量分布分析，生成温度变化趋势图和温度分布图；

具体的，对目标温度数据集进行空间分布分析，构建热量分布数据模型。通过分析笔记本电脑内部多个关键组件的温度数据，确定每个组件在不同时间点的温度分布情况，并利用这些数据构建一个全面反映笔记本电脑内部热量分布状态的数据模型。该模型可以通过插值算法或其他空间分析技术进行构建，以确保能够准确地反映各个组件的热量分布情况。对热量分布数据模型进行时间分布分析，得到对应的时间分布数据。对热量分布数据模型在不同时间点上的变化进行分析，以确定温度随时间变化的模式和规律。通过时间序列分析方法，提取出温度数据的时间特征，如温度的周期性变化、趋势变化以及突变点等。对时间分布数据和热量分布数据模型进行温度变化曲线拟合，生成温度变化趋势图。通过拟合算法，例如多项式拟合、指数拟合或机器学习模型，将时间分布数据和热量分布数据模型中的数据点拟合成连续的温度变化曲线。曲线可以直观地显示出温度在不同时间点上的变化趋势，从而生成温度变化趋势图。趋势图可以反映出温度的整体变化情况，并揭示出可能存在的异常温度变化点，帮助识别潜在的散热问题。根据组件关系信息构建笔记本电脑的有限元模型，并对目标温度数据集和有限元模型进行温度数据映射，生成温度分布图。有限元模型是一个高度精确的数学模型，能够模拟笔记本电脑内部各个组件的物理和热力学特性。

步骤S103、分别对温度变化趋势图和温度分布图进行特征点识别，得到变化趋势特征集合和温度分布特征集合；

具体的，对温度变化趋势图进行特征点识别，通过分析温度变化趋势图中温度随时间变化的曲线，识别出多个第一变化趋势特征点。这些特征点通常代表温度变化曲线中的关键转折点、极值点或其他具有代表性的变化点。对温度变化趋势图进行均值和标准差计算，得到目标均值和目标标准差。均值反映了整体温度变化的平均水平，而标准差则表示温度变化的波动范围。通过计算这些统计参数，理解温度变化的整体趋势和特征。根据目标均值和所述目标标准差，对多个第一变化趋势特征点进行特征点筛选。通过设定一定的阈值，仅保留那些显著偏离均值且具有较大标准差的特征点，得到多个第二变化趋势特征点。对多个第二变化趋势特征点进行特征归一化处理。将特征点的数据进行标准化处理，使其具有相同的尺度和范围，从而消除不同特征点之间的量纲差异，生成变化趋势特征集合。对温度分布图进行分布中心识别，得到多个分布中心关键点。关键点代表了温度分布图中热量集中的位置，是进行温度特征分析的重要节点。根据多个分布中心关键点，构建特征分布云图。特征分布云图是一个三维的分布图，显示了各个关键点及其周围温度分布的具体情况。随后，对特征分布云图中的每个分布中心关键点进行邻近点识别，在特征分布云图中找出每个分布中心关键点周围的点集，这些邻近点集与中心关键点之间的相对位置和温度关系可以反映出热量在笔记本电脑内部的具体分布情况。分别计算邻近点集与对应的分布中心关键点之间的特征点偏移量。通过比较邻近点集和中心关键点的温度差异以及空间位置差异，确定每个邻近点相对于中心关键点的偏移程度。根据特征点偏移量，对特征分布云图进行特征点定位和标注，得到多个温度分布特征点。对多个温度分布特征点进行特征归一化和集合转换，生成对应的温度分布特征集合。对特征点的数据进行标准化处理，并将其转换为统一的特征集合，便于后续的数据分析和管理。

步骤S104、将变化趋势特征集合和温度分布特征集合输入预置的时间卷积神经网络和Transformer模型进行温度异常分析，得到温度异常分析结果；

具体的，将变化趋势特征集合和温度分布特征集合输入预置的时间卷积神经网络和Transformer模型。预置模型包括第一嵌入层、第一时间卷积神经网络、第二嵌入层、第二时间卷积神经网络、注意力机制层、Transformer网络和全连接层。通过第一嵌入层对变化趋势特征集合进行特征编码和向量转换，得到变化趋势特征向量。将输入的特征集合转换为适合神经网络处理的向量表示。将变化趋势特征向量输入第一时间卷积神经网络进行时序特征提取，得到变化趋势时序向量。时间卷积神经网络用于处理时间序列数据，通过卷积操作，提取出变化趋势特征集合中的时间相关特征，捕捉温度变化随时间的动态模式。同时，通过第二嵌入层对温度分布特征集合进行特征编码和向量转换，得到温度分布特征向量。第二嵌入层将温度分布特征集合转换为向量表示，确保这些特征能够被神经网络处理。将温度分布特征向量输入第二时间卷积神经网络进行分布特征提取，得到温度分布编码向量。第二时间卷积神经网络通过卷积操作，提取出温度分布特征集合中的空间分布特征，揭示各个关键组件之间的温度分布关系和热量传导路径。随后，将变化趋势时序向量和温度分布编码向量输入注意力机制层进行注意力分析，得到注意力分数对值向量。通过计算输入向量之间的相似度，识别出哪些特征对当前温度异常分析最为重要，并为这些特征分配不同的权重。将注意力分数对值向量输入Transformer网络进行加权求和，得到加权求和数据。Transformer网络通过多头注意力机制和前馈神经网络，对输入的注意力分数对值向量进行处理，整合来自不同特征的权重信息，生成综合性的加权求和数据。对加权求和数据进行温度异常分析，得到温度异常分析结果。全连接层对综合性的数据进行分类或回归分析，输出表示温度异常的具体结果。这些结果可以显示为温度异常的具体位置、异常类型及其严重程度，为智能散热管理提供决策支持。

步骤S105、通过强化学习算法和温度异常分析结果进行散热执行动作最优控制求解，得到最佳散热执行动作策略，并通过最佳散热执行动作策略对笔记本电脑进行智能散热管理。

具体的，对笔记本电脑进行用电功率分析，得到用电功率数据集合。通过监测笔记本电脑各个组件的功耗情况，收集和记录每个组件在不同工作负载下的用电数据，得到用电功率数据集合。同时，对笔记本电脑进行环境状态分析，生成环境状态数据集合。这包括监测笔记本电脑所处的外部环境因素，如环境温度、湿度、风速等，这些因素会直接影响笔记本电脑的散热效果和整体运行状态。通过强化学习算法，根据温度异常分析结果、用电功率数据集合以及环境状态数据集合，生成初始散热执行动作策略。强化学习算法通过接收温度异常分析结果以及用电和环境状态数据，综合评估当前的散热状况，并生成一个初步的散热策略。初始策略的生成依赖于强化学习算法的经验积累和决策能力，旨在初步确定如何调节风扇速度、调整CPU和GPU频率等散热措施。随后，对初始散热执行动作策略进行奖励反馈数据计算，得到奖励反馈参数。通过设定奖励函数，评估初始策略执行后的散热效果。奖励函数可以基于温度降低的幅度、功耗的变化以及系统稳定性等多个指标进行设计，从而计算出对应的奖励反馈参数。基于奖励反馈参数对初始散热执行动作策略进行策略梯度分析，确定策略梯度。通过计算策略梯度，评估当前策略的改进方向和幅度。策略梯度反映了策略参数变化对奖励反馈的影响程度。通过策略梯度对奖励反馈参数进行策略参数更新，得到策略更新参数。利用策略梯度的信息，对当前的策略参数进行调整和优化，使其更接近最优策略。策略参数更新过程需要多次迭代，通过不断调整和优化，逐步提升策略的性能。随后，基于策略更新参数对初始散热执行动作策略进行策略更新，生成最佳散热执行动作策略。通过最佳散热执行动作策略对笔记本电脑进行智能散热管理，实时调整风扇速度、处理器频率等关键参数，以实现最佳的散热效果和系统性能。

对用电功率数据集合进行特征编码，得到第一编码数据。将功率数据转换为适合输入到智能体的编码形式。对环境状态数据集合进行特征编码，得到第二编码数据。环境状态数据包括温度、湿度、风速等影响笔记本电脑散热性能的重要参数。与功率数据的特征编码类似，使用卷积神经网络或自编码器对环境状态数据进行编码，将原始数据转换为低维的特征向量。分别将温度异常分析结果、第一编码数据和第二编码数据输入预置的策略分析智能体进行策略创建，生成初步的散热执行策略。策略分析智能体使用深度强化学习（DRL）技术，例如深度Q网络或策略梯度方法来生成初始策略。智能体根据输入的数据进行状态评估，然后通过决策网络生成一系列候选的散热执行动作，这些动作可能包括调整风扇速度、改变处理器频率、开启或关闭特定的散热模块等。每一个候选动作都会根据当前状态进行评估，智能体会选择一个最优的动作作为初始策略。

本申请实施例中，通过配置内置的温度传感器网络，对CPU、GPU、电池和内存等关键组件进行实时温度监测，使得温度数据的采集更加准确和及时，利用内置的热量分布分析算法，对采集到的温度数据进行空间和时间分布分析，生成温度变化趋势图和温度分布图。能够识别出笔记本电脑内部的热量集中区域，通过对温度变化趋势图和温度分布图进行特征点识别，提取出变化趋势特征集合和温度分布特征集合，能够精确捕捉温度变化的关键点和趋势，结合时间卷积神经网络和Transformer模型，对变化趋势特征集合和温度分布特征集合进行温度异常分析，利用深度学习模型的强大能力，能够高效地检测温度异常情况，及时识别潜在的散热问题。通过强化学习算法，根据温度异常分析结果进行散热执行动作的最优控制求解，生成最佳散热执行动作策略，使得散热管理更加智能和高效，能够动态调整散热措施，确保笔记本电脑在不同工作负荷下的最佳运行状态，通过最佳散热执行动作策略，对笔记本电脑进行智能散热管理，本申请不仅提高了散热管理的效率，还延长了笔记本电脑的使用寿命，并增强了系统的稳定性和安全性。

在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：

（1）配置笔记本电脑的温度传感器网络；

（2）通过温度传感器网络，对笔记本电脑中的多个关键组件进行温度数据采集，得到多个初始组件温度数据；

（3）对多个关键组件进行组件关系分析，得到组件关系信息；

（4）根据组件关系信息，分别对多个初始组件温度数据进行温度数据簇划分，得到多个温度数据簇；

（5）根据多个温度数据簇对多个初始组件温度数据进行数据集合转换，得到目标温度数据集。

具体的，配置笔记本电脑的温度传感器网络。例如，假设笔记本电脑的关键组件包括CPU、GPU、内存模块、硬盘、主板和电源模块。每个组件上都安装一个或多个温度传感器，以确保可以实时监控这些组件的温度情况。温度传感器通过内置的传感器网络连接到数据采集系统，确保温度数据能够被实时传输和记录。通过配置好的温度传感器网络，对笔记本电脑中的多个关键组件进行温度数据采集，得到多个初始组件温度数据。在正常运行过程中，温度传感器不断采集各个组件的温度数据。例如，某次采集中，CPU的温度为75℃，GPU的温度为70℃，内存模块的温度为60℃，硬盘的温度为45℃，主板的温度为50℃，电源模块的温度为55℃。这些数据组成了多个初始组件温度数据的集合。对多个关键组件进行组件关系分析，得到组件关系信息。组件关系分析需要考虑各个组件之间的物理布局、热传导路径和功能联系。例如，CPU和GPU通常位于主板的中心区域，它们之间的距离较近，且都通过热管连接到散热系统，因此它们之间的热传导关系非常密切。而内存模块和硬盘通常位于主板的两侧，与CPU和GPU的热传导关系较为间接。通过这种分析，确定各个组件之间的热传导关系，得到组件关系信息。根据组件关系信息，分别对多个初始组件温度数据进行温度数据簇划分，得到多个温度数据簇。簇划分是根据组件之间的热传导关系，将温度变化模式相似的组件温度数据聚合到同一个簇中。例如，假设CPU和GPU的温度数据变化模式相似，可以将它们划分为一个温度数据簇；内存模块和硬盘的温度变化较为独立，可以分别划分为不同的簇；主板和电源模块由于与多个组件有热传导关系，可以分别与CPU/GPU簇和内存/硬盘簇相关联。通过这种簇划分，得到多个温度数据簇。根据多个温度数据簇对多个初始组件温度数据进行数据集合转换，得到目标温度数据集。将每个温度数据簇中的数据进行综合处理，形成一个新的数据集合。例如，对CPU和GPU簇的数据进行平均处理，得到这个簇的平均温度；对内存模块的温度数据进行平滑处理，去除温度波动的影响；对硬盘的温度数据进行趋势分析，预测未来一段时间内的温度变化；对主板和电源模块的温度数据进行加权处理，考虑它们与其他组件的热传导关系。通过这些处理，得到目标温度数据集，该数据集不仅包含了每个簇的综合温度信息，还反映了各个簇之间的热传导关系。

在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：

（1）对目标温度数据集进行空间分布分析，构建热量分布数据模型；

（2）对热量分布数据模型进行时间分布分析，得到对应的时间分布数据；

（3）对时间分布数据和热量分布数据模型进行温度变化曲线拟合，生成温度变化趋势图；

（4）根据组件关系信息构建笔记本电脑的有限元模型，并对目标温度数据集和有限元模型进行温度数据映射，生成温度分布图。

具体的，对目标温度数据集进行空间分布分析，构建热量分布数据模型，确定笔记本电脑内部各个关键组件的热量分布情况。例如。假设目标温度数据集包括各个组件在不同时间点的温度数据，通过对这些数据进行空间分布分析，得到每个组件在整个设备中的热量分布情况。空间分布分析可以采用插值算法，如克里金插值法，通过周围点的温度数据预测未知点的温度值，从而构建出整个设备的热量分布模型。对热量分布数据模型进行时间分布分析，得到对应的时间分布数据。分析热量分布随时间的变化情况，找出热量在不同时间点上的分布特征。通过时间序列分析方法，如傅里叶变换和小波变换，将热量分布数据分解为不同频率成分，得到热量随时间变化的详细信息。例如，傅里叶变换的基本公式为：；其中，是频域中的热量分布，是时域中的热量分布，是角频率。对时间分布数据和热量分布数据模型进行温度变化曲线拟合，生成温度变化趋势图。通过拟合算法，如多项式拟合或样条插值，将时间分布数据和热量分布数据结合起来，得到温度随时间变化的趋势图。多项式拟合的基本公式为：；其中，是时间处的温度，是拟合系数，通过最小二乘法求得。根据组件关系信息构建笔记本电脑的有限元模型，并对目标温度数据集和有限元模型进行温度数据映射，生成温度分布图。有限元模型是一种将复杂的物理系统分解为有限数量的元素，以便进行数值分析的方法。在构建笔记本电脑的有限元模型时，考虑各个组件的几何结构、材料属性和热传导特性。通过有限元分析软件(如ANSYS或COMSOL)，对笔记本电脑进行网格划分，将其分解为若干个有限元单元。每个单元的热传导方程可以表示为：；其中，是材料密度，是比热容，是导热系数，是温度，是时间，是热源项。通过对目标温度数据集进行温度数据映射，将实际测得的温度数据分配到有限元模型的对应节点上，生成温度分布图。温度数据映射过程需要考虑每个节点的温度值与其相邻节点的温度关系，通过插值算法或加权平均方法，将温度数据精确地映射到有限元模型的各个节点上。例如，采用逆距离加权法进行插值，基本公式为：；其中，是位置处的温度，是已知位置处的温度，是位置与之间的距离。

在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：

（1）对温度变化趋势图进行特征点识别，得到多个第一变化趋势特征点；

（2）对温度变化趋势图进行均值和标准差计算，得到目标均值和目标标准差；

（3）根据目标均值和目标标准差，对多个第一变化趋势特征点进行特征点筛选，得到多个第二变化趋势特征点；

（4）对多个第二变化趋势特征点进行特征归一化处理，生成变化趋势特征集合；

（5）对温度分布图进行分布中心识别，得到多个分布中心关键点，并根据多个分布中心关键点构建特征分布云图；

（6）对特征分布云图中的每个分布中心关键点进行邻近点识别，得到每个分布中心关键点对应的邻近点集；

（7）分别计算邻近点集与对应的分布中心关键点之间的特征点偏移量，并根据特征点偏移量对特征分布云图进行特征点定位和标注，得到多个温度分布特征点；

（8）对多个温度分布特征点进行特征归一化和集合转换，生成对应的温度分布特征集合。

具体的，对温度变化趋势图进行特征点识别，在温度变化趋势图中找出具有代表性的特征点。这些特征点可以是温度变化的极值点、拐点或其他显著的变化点。通过使用边缘检测算法（如Canny边缘检测）或曲线拟合算法（如样条插值），在温度变化趋势图中找到多个第一变化趋势特征点。这些特征点代表了温度变化过程中的关键节点，能够提供关于温度变化的重要信息。对温度变化趋势图进行均值和标准差计算，得到目标均值和目标标准差。通过统计分析方法，计算温度变化趋势图中所有温度数据点的平均值和标准差。根据目标均值和目标标准差，对多个第一变化趋势特征点进行特征点筛选，得到多个第二变化趋势特征点。通过设定阈值，将偏离均值较大的特征点筛选出来。偏离均值较大的特征点通常代表了温度变化的异常点或极端点。随后，对多个第二变化趋势特征点进行特征归一化处理，生成变化趋势特征集合。通过线性变换将特征点的数据值转换到一个统一的范围内，通常是[0，1]或[-1，1]。对温度分布图进行分布中心识别，得到多个分布中心关键点，并根据多个分布中心关键点构建特征分布云图。在温度分布图中找出热量集中区域的中心点。使用聚类算法（如K-means聚类或DBSCAN）识别分布中心关键点。这些关键点代表了热量分布的集中区域。之后，对特征分布云图中的每个分布中心关键点进行邻近点识别，得到每个分布中心关键点对应的邻近点集。找到每个分布中心关键点周围的温度数据点，这些数据点在空间上接近分布中心关键点，并与其具有相似的温度特征。可以使用欧氏距离或其他距离度量方法来确定邻近点集。分别计算邻近点集与对应的分布中心关键点之间的特征点偏移量，并根据特征点偏移量对特征分布云图进行特征点定位和标注，得到多个温度分布特征点。特征点偏移量的计算公式如下：；其中，是第个邻近点与分布中心关键点之间的特征点偏移量，是第个邻近点的坐标和温度值，是分布中心关键点的坐标和温度值。对多个温度分布特征点进行特征归一化和集合转换，生成对应的温度分布特征集合。归一化处理是通过线性变换将特征点的数据值转换到一个统一的范围内，集合转换是将处理后的特征点数据转换为结构化的特征集合，便于后续的数据分析和处理。

在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：

（1）将变化趋势特征集合和温度分布特征集合输入预置的时间卷积神经网络和Transformer模型，时间卷积神经网络和Transformer模型包括：第一嵌入层、第一时间卷积神经网络、第二嵌入层、第二时间卷积神经网络、注意力机制层、Transformer网络和全连接层；

（2）通过第一嵌入层对变化趋势特征集合进行特征编码和向量转换，得到变化趋势特征向量，并将变化趋势特征向量输入第一时间卷积神经网络进行时序特征提取，得到变化趋势时序向量；

（3）通过第二嵌入层对温度分布特征集合进行特征编码和向量转换，得到温度分布特征向量，并将温度分布特征向量输入第二时间卷积神经网络进行分布特征提取，得到温度分布编码向量；

（4）将变化趋势时序向量和温度分布编码向量输入注意力机制层进行注意力分析，得到注意力分数对值向量；

（5）将注意力分数对值向量输入Transformer网络进行加权求和，得到加权求和数据，并对加权求和数据进行温度异常分析，得到温度异常分析结果。

具体的，预置的时间卷积神经网络和Transformer模型包含多层结构，分别包括第一嵌入层、第一时间卷积神经网络、第二嵌入层、第二时间卷积神经网络、注意力机制层、Transformer网络和全连接层。通过第一嵌入层对变化趋势特征集合进行特征编码和向量转换，得到变化趋势特征向量。嵌入层的作用是将输入的高维特征集合转换为低维向量表示，保留关键特征并减少计算复杂度。例如，假设变化趋势特征集合包含100个特征，通过嵌入层将其转换为一个50维的向量表示。嵌入层可以使用线性变换或深度学习中的嵌入技术来实现。将变化趋势特征向量输入第一时间卷积神经网络进行时序特征提取，得到变化趋势时序向量。时间卷积神经网络通过卷积操作提取输入数据中的时序模式。假设输入的变化趋势特征向量为，通过卷积核和非线性激活函数，可以计算出时序特征向量：；；其中，是时间步的时序特征，是卷积核权重矩阵，是输入向量在时间步的局部窗口，是卷积核的大小，是非线性激活函数。同时，通过第二嵌入层对温度分布特征集合进行特征编码和向量转换，得到温度分布特征向量。第二嵌入层的作用与第一嵌入层类似，将输入的高维温度分布特征集合转换为低维向量表示。例如，假设温度分布特征集合包含80个特征，通过嵌入层将其转换为一个40维的向量表示。将温度分布特征向量输入第二时间卷积神经网络进行分布特征提取，得到温度分布编码向量。通过卷积操作，提取输入数据中的空间分布特征。例如，假设输入的温度分布特征向量为，通过卷积核和非线性激活函数，可以计算出分布编码向量：；；其中，是时间步的分布特征，是卷积核权重矩阵，是输入向量在时间步的局部窗口，是卷积核的大小，是非线性激活函数。将变化趋势时序向量和温度分布编码向量输入注意力机制层进行注意力分析，得到注意力分数对值向量。注意力机制层通过计算输入向量之间的相似度，识别出哪些特征对温度异常分析最为重要，并为这些特征分配不同的权重。例如，假设输入的变化趋势时序向量为和温度分布编码向量为，通过注意力机制计算注意力分数:；其中，是变化趋势时序特征和温度分布特征之间的注意力分数，是它们的相似度得分，是权重向量，和是可训练的权重矩阵，是双曲正切激活函数。将注意力分数对值向量输入Transformer网络进行加权求和，得到加权求和数据。Transformer网络通过多头注意力机制和前馈神经网络，对输入的注意力分数对值向量进行进一步处理，整合来自不同特征的权重信息，生成综合性的加权求和数据。例如，假设输入的注意力分数对值向量为，通过加权求和计算输出向量：；其中，是加权求和后的输出向量，是对应的注意力权重，是输入向量。对加权求和数据进行温度异常分析，得到温度异常分析结果。通过全连接层，对加权求和数据进行进一步处理，生成最终的异常分析结果。全连接层通过线性变换和非线性激活函数，对综合性的数据进行分类或回归分析，输出表示温度异常的具体结果。例如，假设输入的加权求和数据为，通过全连接层计算输出:；其中，是温度异常分析结果，是全连接层的权重矩阵，是偏置向量，是激活函数(如ReLU或Sigmoid)。

在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：

（1）对笔记本电脑进行用电功率分析，得到用电功率数据集合，并对笔记本电脑进行环境状态分析，生成环境状态数据集合；

（2）通过强化学习算法，根据温度异常分析结果、用电功率数据集合以及环境状态数据集合，生成初始散热执行动作策略；

（3）对初始散热执行动作策略进行奖励反馈数据计算，得到奖励反馈参数；

（4）基于奖励反馈参数对初始散热执行动作策略进行策略梯度分析，确定策略梯度；

（5）通过策略梯度对奖励反馈参数进行策略参数更新，得到策略更新参数；

（6）基于策略更新参数对初始散热执行动作策略进行策略更新，生成最佳散热执行动作策略，并通过最佳散热执行动作策略对笔记本电脑进行智能散热管理。

具体的，对笔记本电脑进行用电功率分析，得到用电功率数据集合。对笔记本电脑内部各个组件的功耗进行监测和记录。假设笔记本电脑的关键组件包括CPU、GPU、内存、硬盘和电源模块，通过安装在这些组件上的功率传感器，可以实时采集它们的用电数据。例如，在某个时间段内，CPU的功耗为25瓦，GPU的功耗为35瓦，内存的功耗为10瓦，硬盘的功耗为5瓦，电源模块的功耗为20瓦。同时，对笔记本电脑进行环境状态分析，生成环境状态数据集合。包括对笔记本电脑运行环境的温度、湿度、风速等参数的监测和记录。例如，环境温度为25摄氏度，湿度为50%，风速为1.5米/秒。这些数据反映了笔记本电脑所处的外部环境，对散热性能有直接影响。通过强化学习算法，根据温度异常分析结果、用电功率数据集合以及环境状态数据集合，生成初始散热执行动作策略。强化学习算法通过综合分析这些输入数据，生成初步的散热策略。强化学习中的常用方法包括Q学习和策略梯度方法。假设使用策略梯度方法，输入数据（温度异常分析结果、用电功率数据集合、环境状态数据集合）经过神经网络处理，生成一组初始散热策略，如调整风扇速度、调节CPU和GPU的工作频率等。对初始散热执行动作策略进行奖励反馈数据计算，得到奖励反馈参数。奖励反馈的计算基于设定的奖励函数，该函数可以根据散热效果、系统稳定性、功耗等指标来设计。假设奖励函数为：；其中，为奖励值，为温度变化量，为功耗，为系统稳定性，、和为权重系数。通过执行初始散热策略，计算得到各个指标的具体值，然后代入奖励函数，得到奖励反馈参数。随后，基于奖励反馈参数，对初始散热执行动作策略进行策略梯度分析，确定策略梯度。策略梯度表示的是策略参数的调整方向和幅度，通过计算奖励反馈参数对策略参数的梯度来确定。策略梯度的计算公式为：；其中，为策略梯度，为策略，为状态，为动作，为动作价值函数。通过策略梯度对奖励反馈参数进行策略参数更新，得到策略更新参数。通过梯度下降法，根据策略梯度对策略参数进行调整。更新公式为：；其中，为策略参数，为学习率，为策略梯度。基于策略更新参数，对初始散热执行动作策略进行策略更新，生成最佳散热执行动作策略。通过多次迭代上述过程，强化学习算法逐渐优化散热策略，使其在各种环境和工作条件下均能保持最优的散热效果。最终生成的最佳散热执行动作策略可以包括动态调整风扇速度、调节处理器频率、启用或关闭特定的散热模块等具体操作。通过最佳散热执行动作策略，对笔记本电脑进行智能散热管理。笔记本电脑可以实时监测温度、功耗和环境状态，并根据当前的情况应用最优的散热策略。例如，当检测到CPU温度过高时，可以通过增加风扇速度或降低CPU频率来降低温度；当环境温度升高时，可以提前采取预防性散热措施，确保系统稳定运行。

在一具体实施例中，执行步骤通过强化学习算法，根据温度异常分析结果、用电功率数据集合以及环境状态数据集合，生成初始散热执行动作策略的过程可以具体包括如下步骤：

（1）对用电功率数据集合进行特征编码，得到第一编码数据；

（2）对环境状态数据集合进行特征编码，得到第二编码数据；

（3）分别将温度异常分析结果、第一编码数据和第二编码数据输入预置的策略分析智能体进行策略创建，生成初始散热执行动作策略。

具体的，对用电功率数据集合进行特征编码，得到第一编码数据。将功率数据转换为适合输入到智能体中的编码形式。用电功率数据集合包含笔记本电脑各个组件在不同时间点的功耗数据。假设采集到的数据包括CPU功耗、GPU功耗、内存功耗、硬盘功耗和电源模块功耗，每个组件的功耗数据都记录在一个时间序列中。在特征编码过程中，使用深度学习方法，即卷积神经网络，对时间序列数据进行特征提取。将每个时间序列数据归一化处理，使得数据值在[0，1]之间。将归一化后的时间序列数据输入到卷积神经网络中，通过多层卷积和池化操作提取出高维特征表示。假设经过卷积神经网络处理后，得到特征向量，其中包含了各个组件功耗数据的特征信息。得到第一编码数据。同时，对环境状态数据集合进行特征编码，得到第二编码数据。环境状态数据集合包括笔记本电脑运行环境的温度、湿度、风速等参数。类似于功耗数据的处理，对环境数据进行归一化处理，使得数据值在[0，1]之间。将归一化后的环境数据输入到卷积神经网络中，通过多层卷积和池化操作提取出高维特征表示。假设经过卷积神经网络处理后，得到特征向量，其中包含了环境状态数据的特征信息。这个特征向量即为第二编码数据。分别将温度异常分析结果、第一编码数据和第二编码数据输入预置的策略分析智能体进行策略创建。策略分析智能体采用深度强化学习算法，例如策略梯度方法，通过综合分析输入的温度异常分析结果、第一编码数据和第二编码数据，生成初步的散热执行动作策略。策略分析智能体包括一个策略网络，该网络通过接收输入数据，输出一组动作概率，表示在当前状态下采取不同散热措施的概率。例如，动作集可以包括调整风扇速度、调节CPU和GPU的工作频率等。策略网络的输出可以表示为：；其中，是在状态下采取动作的概率，是策略网络的权重矩阵，是输入的状态特征向量，是偏置向量，softmax是激活函数。假设在某个时间点，输入状态特征向量为，其中是第一编码数据，是第二编码数据，是温度异常分析结果。通过策略网络计算，得到动作概率分布，表示不同散热措施的选择概率。例如，调整风扇速度的概率为0.6，调节CPU频率的概率为0.3，调节GPU频率的概率为0.1。最终，根据动作概率分布，从中选择一个概率最大的动作作为初始散热执行动作策略。假设选择了调整风扇速度作为初始策略，这个策略将应用于笔记本电脑的散热管理系统，通过增加风扇速度来降低温度。

上面对本申请实施例中笔记本电脑的智能管理方法进行了描述，下面对本申请实施例中笔记本电脑的智能管理系统进行描述，请参阅图2，本申请实施例中笔记本电脑的智能管理系统一个实施例包括：

采集模块201，用于对笔记本电脑中的多个关键组件进行温度数据采集和数据预处理，得到目标温度数据集；

分析模块202，用于对目标温度数据集进行热量分布分析，生成温度变化趋势图和温度分布图；

识别模块203，用于分别对温度变化趋势图和温度分布图进行特征点识别，得到变化趋势特征集合和温度分布特征集合；

处理模块204，用于将变化趋势特征集合和温度分布特征集合输入预置的时间卷积神经网络和Transformer模型进行温度异常分析，得到温度异常分析结果；

管理模块205，用于通过强化学习算法和温度异常分析结果进行散热执行动作最优控制求解，得到最佳散热执行动作策略，并通过最佳散热执行动作策略对笔记本电脑进行智能散热管理。

通过上述各个组成部分的协同合作，通过配置内置的温度传感器网络，对CPU、GPU、电池和内存等关键组件进行实时温度监测，使得温度数据的采集更加准确和及时，利用内置的热量分布分析算法，对采集到的温度数据进行空间和时间分布分析，生成温度变化趋势图和温度分布图。能够识别出笔记本电脑内部的热量集中区域，通过对温度变化趋势图和温度分布图进行特征点识别，提取出变化趋势特征集合和温度分布特征集合，能够精确捕捉温度变化的关键点和趋势，结合时间卷积神经网络和Transformer模型，对变化趋势特征集合和温度分布特征集合进行温度异常分析，利用深度学习模型的强大能力，能够高效地检测温度异常情况，及时识别潜在的散热问题。通过强化学习算法，根据温度异常分析结果进行散热执行动作的最优控制求解，生成最佳散热执行动作策略，使得散热管理更加智能和高效，能够动态调整散热措施，确保笔记本电脑在不同工作负荷下的最佳运行状态，通过最佳散热执行动作策略，对笔记本电脑进行智能散热管理，本申请不仅提高了散热管理的效率，还延长了笔记本电脑的使用寿命，并增强了系统的稳定性和安全性。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (8)

1.一种笔记本电脑的智能管理方法，其特征在于，所述笔记本电脑的智能管理方法包括：

对笔记本电脑中的多个关键组件进行温度数据采集和数据预处理，得到目标温度数据集；

对所述目标温度数据集进行热量分布分析，生成温度变化趋势图和温度分布图；

分别对所述温度变化趋势图和所述温度分布图进行特征点识别，得到变化趋势特征集合和温度分布特征集合；

将所述变化趋势特征集合和所述温度分布特征集合输入预置的时间卷积神经网络和Transformer模型进行温度异常分析，得到温度异常分析结果；

通过强化学习算法和所述温度异常分析结果进行散热执行动作最优控制求解，得到最佳散热执行动作策略，并通过所述最佳散热执行动作策略对所述笔记本电脑进行智能散热管理。

2.根据权利要求1所述的笔记本电脑的智能管理方法，其特征在于，所述对笔记本电脑中的多个关键组件进行温度数据采集和数据预处理，得到目标温度数据集，包括：

配置笔记本电脑的温度传感器网络；

通过所述温度传感器网络，对所述笔记本电脑中的多个关键组件进行温度数据采集，得到多个初始组件温度数据；

对所述多个关键组件进行组件关系分析，得到组件关系信息；

根据所述组件关系信息，分别对所述多个初始组件温度数据进行温度数据簇划分，得到多个温度数据簇；

根据所述多个温度数据簇对所述多个初始组件温度数据进行数据集合转换，得到目标温度数据集。

3.根据权利要求2所述的笔记本电脑的智能管理方法，其特征在于，所述对所述目标温度数据集进行热量分布分析，生成温度变化趋势图和温度分布图，包括：

对所述目标温度数据集进行空间分布分析，构建热量分布数据模型；

对所述热量分布数据模型进行时间分布分析，得到对应的时间分布数据；

对所述时间分布数据和所述热量分布数据模型进行温度变化曲线拟合，生成温度变化趋势图；

根据所述组件关系信息构建所述笔记本电脑的有限元模型，并对所述目标温度数据集和所述有限元模型进行温度数据映射，生成温度分布图。

4.根据权利要求1所述的笔记本电脑的智能管理方法，其特征在于，所述分别对所述温度变化趋势图和所述温度分布图进行特征点识别，得到变化趋势特征集合和温度分布特征集合，包括：

对所述温度变化趋势图进行特征点识别，得到多个第一变化趋势特征点；

对所述温度变化趋势图进行均值和标准差计算，得到目标均值和目标标准差；

根据所述目标均值和所述目标标准差，对所述多个第一变化趋势特征点进行特征点筛选，得到多个第二变化趋势特征点；

对所述多个第二变化趋势特征点进行特征归一化处理，生成变化趋势特征集合；

对所述温度分布图进行分布中心识别，得到多个分布中心关键点，并根据所述多个分布中心关键点构建特征分布云图；

对所述特征分布云图中的每个分布中心关键点进行邻近点识别，得到每个分布中心关键点对应的邻近点集；

分别计算所述邻近点集与对应的分布中心关键点之间的特征点偏移量，并根据所述特征点偏移量对所述特征分布云图进行特征点定位和标注，得到多个温度分布特征点；

对所述多个温度分布特征点进行特征归一化和集合转换，生成对应的温度分布特征集合。

5.根据权利要求1所述的笔记本电脑的智能管理方法，其特征在于，所述将所述变化趋势特征集合和所述温度分布特征集合输入预置的时间卷积神经网络和Transformer模型进行温度异常分析，得到温度异常分析结果，包括：

将所述变化趋势特征集合和所述温度分布特征集合输入预置的时间卷积神经网络和Transformer模型，所述时间卷积神经网络和Transformer模型包括：第一嵌入层、第一时间卷积神经网络、第二嵌入层、第二时间卷积神经网络、注意力机制层、Transformer网络和全连接层；

通过所述第一嵌入层对所述变化趋势特征集合进行特征编码和向量转换，得到变化趋势特征向量，并将所述变化趋势特征向量输入所述第一时间卷积神经网络进行时序特征提取，得到变化趋势时序向量；

通过所述第二嵌入层对所述温度分布特征集合进行特征编码和向量转换，得到温度分布特征向量，并将所述温度分布特征向量输入所述第二时间卷积神经网络进行分布特征提取，得到温度分布编码向量；

将所述变化趋势时序向量和所述温度分布编码向量输入所述注意力机制层进行注意力分析，得到注意力分数对值向量；

将所述注意力分数对值向量输入所述Transformer网络进行加权求和，得到加权求和数据，并对所述加权求和数据进行温度异常分析，得到温度异常分析结果。

6.根据权利要求1所述的笔记本电脑的智能管理方法，其特征在于，所述通过强化学习算法和所述温度异常分析结果进行散热执行动作最优控制求解，得到最佳散热执行动作策略，并通过所述最佳散热执行动作策略对所述笔记本电脑进行智能散热管理，包括：

对所述笔记本电脑进行用电功率分析，得到用电功率数据集合，并对所述笔记本电脑进行环境状态分析，生成环境状态数据集合；

通过强化学习算法，根据所述温度异常分析结果、所述用电功率数据集合以及所述环境状态数据集合，生成初始散热执行动作策略；

对所述初始散热执行动作策略进行奖励反馈数据计算，得到奖励反馈参数；

基于所述奖励反馈参数对所述初始散热执行动作策略进行策略梯度分析，确定策略梯度；

通过所述策略梯度对所述奖励反馈参数进行策略参数更新，得到策略更新参数；

基于所述策略更新参数对所述初始散热执行动作策略进行策略更新，生成最佳散热执行动作策略，并通过所述最佳散热执行动作策略对所述笔记本电脑进行智能散热管理。

7.根据权利要求6所述的笔记本电脑的智能管理方法，其特征在于，所述通过强化学习算法，根据所述温度异常分析结果、所述用电功率数据集合以及所述环境状态数据集合，生成初始散热执行动作策略，包括：

对所述用电功率数据集合进行特征编码，得到第一编码数据；

对所述环境状态数据集合进行特征编码，得到第二编码数据；

分别将所述温度异常分析结果、所述第一编码数据和所述第二编码数据输入预置的策略分析智能体进行策略创建，生成初始散热执行动作策略。

8.一种笔记本电脑的智能管理系统，其特征在于，所述笔记本电脑的智能管理系统包括：

采集模块，用于对笔记本电脑中的多个关键组件进行温度数据采集和数据预处理，得到目标温度数据集；

分析模块，用于对所述目标温度数据集进行热量分布分析，生成温度变化趋势图和温度分布图；

识别模块，用于分别对所述温度变化趋势图和所述温度分布图进行特征点识别，得到变化趋势特征集合和温度分布特征集合；

处理模块，用于将所述变化趋势特征集合和所述温度分布特征集合输入预置的时间卷积神经网络和Transformer模型进行温度异常分析，得到温度异常分析结果；

管理模块，用于通过强化学习算法和所述温度异常分析结果进行散热执行动作最优控制求解，得到最佳散热执行动作策略，并通过所述最佳散热执行动作策略对所述笔记本电脑进行智能散热管理。