本技术涉及计算机，特别是涉及一种风扇调速方法、装置、电子设备及存储介质。
背景技术：
1、在高负荷数据中心中，探索风扇调速的智能化和精细化策略，具有极其重要的现实意义。并且，随着人工智能（artificial intelligence，ai）服务器和相关计算设备、交换设备、存储设备等数据中心的计算需求不断增加，如何对数据中心中的电子设备进行有效的冷却成为关键性问题。
2、目前，数据中心中的电子设备采用的风扇调速方式，对调速参数的联合优化需求提高，系统调试复杂度增加，需要更多时间进行初始配置和测试，找到最优调速参数难度大、时间长、耗费人力大。
技术实现思路
1、本技术实施例的目的在于提供一种风扇调速方法、装置、电子设备及存储介质，以降低系统调试复杂度，降低确定最优调速参数的难度、时间和耗费的人力。具体技术方案如下：
2、第一方面，本技术实施例提供了一种风扇调速方法，所述方法包括：
3、周期性获取电子设备的当前系统状态数据；
4、使用贪婪算法对当前系统状态数据进行处理，得到第一最优调速参数；
5、按照所述第一最优调速参数，调整所述电子设备中风扇的转速。
6、在一些实施例中，所述方法还包括：
7、当所述电子设备的外界因素发生变化时，重新执行使用贪婪算法对当前系统状态数据进行处理，得到第一最优调速参数的步骤。
8、在一些实施例中，所述外界因素包括调速参数；所述方法还包括：
9、每间隔预设时长，使用预设强化学习模型对当前系统状态数据进行处理，得到第二最优调速参数；
10、按照所述第二最优调速参数，调整所述电子设备中风扇的转速。
11、在一些实施例中，所述电子设备的重放缓存区内存储有历史系统状态数据；所述预设强化学习模型采用如下步骤进行训练：
12、获取所述重放缓冲区内存储的历史系统状态数据；
13、将所述历史系统状态数据输入预设强化学习模型，得到预测系统状态数据；
14、利用所述历史系统状态数据对应的奖励值和所述预测系统状态数据对应的奖励值，确定模型损失值；
15、以所述模型损失值最小化为目标，优化所述预设强化学习模型的参数，迭代执行所述将所述历史系统状态数据输入预设强化学习模型，得到预测系统状态数据的步骤，直至获得最大累积奖励值。
16、在一些实施例中，所述方法还包括：
17、当所述重放缓冲区内更新存储的历史系统状态数据的数据量达到预设门限值后，重新执行所述获取所述重放缓冲区内存储的历史系统状态数据的步骤。
18、在一些实施例中，所述奖励值为对系统总功耗、风扇产生的噪声和电子设备的出口温度的加权平均得到。
19、在一些实施例中，所述方法还包括：
20、在所述电子设备初始化后，使用比例-积分-微分（proportion integraldifferential，pid）算法对当前系统状态数据进行处理，得到预测调速参数；
21、按照所述预测调速参数，调整所述电子设备中风扇的转速；
22、当所述电子设备中各温控点的温度达到稳定时，执行所述使用贪婪算法对当前系统状态数据进行处理，得到第一最优调速参数的步骤。
23、在一些实施例中，所述方法还包括：
24、在使用贪婪算法对当前系统状态数据进行处理，得到第一最优调速参数过程中，若所述电子设备中第一温控点的温度大于预设温度，则执行所述使用pid算法对当前系统状态数据进行处理，得到预测调速参数的步骤。
25、第二方面，本技术实施例提供了一种风扇调速装置，所述装置包括：
26、获取模块，用于周期性获取电子设备的当前系统状态数据；
27、第一预测模块，用于使用贪婪算法对当前系统状态数据进行处理，得到第一最优调速参数；
28、第一调速模块，用于按照所述第一最优调速参数，调整所述电子设备中风扇的转速。
29、在一些实施例中，所述第一预测模块，还用于当所述电子设备的外界因素发生变化时，重新使用贪婪算法对当前系统状态数据进行处理，得到第一最优调速参数。
30、在一些实施例中，所述外界因素包括调速参数；所述装置还包括：
31、第二预测模块，用于每间隔预设时长，使用预设强化学习模型对当前系统状态数据进行处理，得到第二最优调速参数；
32、第二调速模块，用于按照所述第二最优调速参数，调整所述电子设备中风扇的转速。
33、在一些实施例中，所述电子设备的重放缓存区内存储有历史系统状态数据；所述装置还包括训练模块，用于训练预设强化学习模型，具体用于：
34、获取所述重放缓冲区内存储的历史系统状态数据；将所述历史系统状态数据输入预设强化学习模型，得到预测系统状态数据；利用所述历史系统状态数据对应的奖励值和所述预测系统状态数据对应的奖励值，确定模型损失值；以所述模型损失值最小化为目标，优化所述预设强化学习模型的参数，迭代执行所述将所述历史系统状态数据输入预设强化学习模型，得到预测系统状态数据的步骤，直至获得最大累积奖励值。
35、在一些实施例中，所述训练模块，还用于当所述重放缓冲区内更新存储的历史系统状态数据的数据量达到预设门限值后，重新获取所述重放缓冲区内存储的历史系统状态数据。
36、在一些实施例中，所述奖励值为对系统总功耗、风扇产生的噪声和电子设备的出口温度的加权平均得到。
37、在一些实施例中，所述装置还包括：
38、第三预测模块，用于在所述电子设备初始化后，使用pid算法对当前系统状态数据进行处理，得到预测调速参数；
39、第三调速模块，用于按照所述预测调速参数，调整所述电子设备中风扇的转速；
40、所述第一预测模块，还用于当所述电子设备中各温控点的温度达到稳定时，使用贪婪算法对当前系统状态数据进行处理，得到第一最优调速参数。
41、在一些实施例中，第三预测模块，还用于在使用贪婪算法对当前系统状态数据进行处理，得到第一最优调速参数过程中，若所述电子设备中第一温控点的温度大于预设温度，则使用pid算法对当前系统状态数据进行处理，得到预测调速参数。
42、第三方面，本技术实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信；
43、存储器，用于存放计算机程序；
44、处理器，用于执行存储器上所存放的程序时，实现第一方面提供的任一方法。
45、第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面提供的任一方法。
46、第五方面，本技术实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行第一方面提供的任一方法。
47、本技术实施例有益效果：
48、本技术实施例提供的技术方案中，使用贪婪算法对当前系统状态数据进行处理，贪婪算法可以以系统总功耗最低、或系统总功耗和噪声最低等为优化目标，智能寻找到最优调速参数，进而配置电子设备中各个风扇的转速。整个调速过程中，无需人工调试，即可获得最优调速参数，降低了系统调试复杂度，降低了确定最优调速参数的难度、时间和耗费的人力。
49、当然，实施本技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。