1.一种结合实际功耗采购服务器的方法，应用于电子装置，其特征在于，包括：将数据中心的服务器按照相同品牌、相同配置进行分类，并将相同品牌、相同配置的服务器作为同一类服务器；

采集同一类服务器的实际功耗值；

根据同一类服务器的实际功耗，结合机柜额定功耗，确定机柜内服务器的数量，为采购服务器提供机柜配置服务器方案，其中：还采用机器学习方法辅助机柜配置服务器方案，采用神经网络模型接收输入的机柜配置服务器方案并且处理所述输入的机柜配置服务器方案以对所述机柜配置服务器方案生成相应分数，根据评分情况选择最优的机柜配置服务器方案，具体包括以下步骤：构建机柜配置分类模型；

获取用于对机柜配置分类模型进行训练的训练数据集，训练数据集中包含有对应不同业务需求描述的机柜配置服务器方案，以及根据自定义的评分标准评判的分值；

采用训练数据集训练机柜配置分类模型，通过将训练数据集中的不同的机柜配置服务器方案输入机柜配置分类模型，并通过分类器将机柜配置分类模型的输出进行分类，然后通过损失函数来控制机柜配置分类模型的分类精度，从而提高机柜配置分类模型的分类精度；

其中：

构建机柜配置分类模型包括以下步骤：

设置机柜配置训练模型参数，所述机柜配置训练模型为深度神经网络模型，所述机柜配置训练模型包括输入层、双向GRU、softmax层以及全连接层；

将多个机柜配置训练方案输入所述机柜配置训练模型，对所述机柜配置训练模型进行训练，更新所述机柜配置训练模型中双向GRU参数；

根据更新后的机柜配置训练模型的双向GRU参数初始化机柜配置分类模型的双向GRU参数，同时配置机柜配置分类模型的除双向GRU参数外的参数；

将机柜配置训练方案输入机柜配置训练模型，进行监督对抗训练，得到机柜配置分类模型，并将新增的机柜配置服务器方案输入监督对抗训练后的机柜配置分类模型，进行无监督虚拟对抗训练，更新机柜配置分类模型的参数，获得机柜配置分类模型。

2.根据权利要求1所述的结合实际功耗采购服务器的方法，其特征在于，GRU的计算公式如下：zt＝σ(ftUz+s(t-1)Wz)

rt＝σ(ftUr+s(t-1)Wr)

ht＝tanh(ftUh+(s(t-1)*rt)Wh)st＝(1-zt)*ft+zt*s(t-1)

其中，zt是更新门，控制加入多少候选隐藏层ht的信息；

rt是重置门，用来计算候选隐藏层ht，控制保留多少前一时刻隐藏层s(t-1)的信息；

ht是候选隐藏层；

U、W为权值矩阵；

ft是t时刻的输入数据；

s(t-1)是t-1时刻隐藏层神经元的激活值；

σ表示sigmoid激活函数；

tanh是激活函数；

st是t时刻隐藏层神经元的激活值。

3.根据权利要求1所述的结合实际功耗采购服务器的方法，其特征在于，还实时监测各台服务器的实际功耗，并求取各服务器的实际功耗与所在机柜中所有服务器的实际功耗的平均值的差值，如果差值高于差值限值，则按照所述差值逐渐降低的顺序逐个对服务器的CPU降频处理，直至所述差值在差值限值范围内。

4.根据权利要求1所述的结合实际功耗采购服务器的方法，其特征在于，在根据同一类服务器的实际功耗，结合机柜额定功耗，形成机柜配置服务器方案的过程中，采用实际功耗大于设定阈值的服务器和实际功耗小于设定阈值的服务器一一对应的方式来为机柜配置服务器，其中，所述设定阈值为不同类的服务器的实际功耗的平均值。

5.根据权利要求1所述的结合实际功耗采购服务器的方法，其特征在于，还设置有计时模块，在监测同一类服务器的实际功耗值的过程中，若服务器的当前负载队列的深度介于低负载阈值与高负载阈值之间，则继续保持该服务器的负载不变；

若既有服务器的当前负载队列的深度小于低负载阈值，又有服务器的当前负载队列的深度高于高负载阈值，则判断计时器的持续时间t是否大于非正常负载时间阈值，若计时器的持续时间t大于非正常负载时间阈值，则关闭当前负载队列的深度高于高负载阈值的服务器，其中，非正常负载时间阈值是指负载队列的深度高于高负载阈值或小于低负载阈值的时间阈值；

若所有服务器的当前负载队列的深度都小于低负载阈值，则逐一关闭当前负载队列的深度小于低负载阈值的服务器，直至监测到所有服务器的当前负载队列的深度介于低负载阈值与高负载阈值之间；

若所有服务器的当前负载队列的深度都高于高负载阈值，则启动备用服务器。

6.根据权利要求1所述的结合实际功耗采购服务器的方法，其特征在于，其中，同一类服务器的实际功耗采用以下方式计算，估值功耗＝机柜实际功耗/机柜服务器个数，其中，机柜上安装的都是同一类服务器，并且，还计算服务器的月平均实际功耗，月平均实际功耗＝机柜月平均功耗/机柜服务器个数，其中，机柜上安装的都是同一类服务器，并且，还计算服务器的当季平均实际功耗，当季平均实际功耗＝机柜季度平均功耗/机柜服务器个数，其中，机柜上安装的都是同一类服务器。

7.一种电子装置，其特征在于，该电子装置包括：存储器和处理器，所述存储器中存储有结合实际功耗采购服务器的程序，所述结合实际功耗采购服务器的程序被所述处理器执行时实现如下步骤：将数据中心的服务器按照相同品牌、相同配置进行分类，并将相同品牌、相同配置的服务器作为同一类服务器；

采集同一类服务器的实际功耗值；

根据同一类服务器的实际功耗，结合机柜额定功耗，确定机柜内服务器的数量，为采购服务器提供机柜配置服务器方案，其中：还采用机器学习方法辅助机柜配置服务器方案，采用神经网络模型接收输入的机柜配置服务器方案并且处理所述输入的机柜配置服务器方案以对所述机柜配置服务器方案生成相应分数，根据评分情况选择最优的机柜配置服务器方案，具体包括以下步骤：构建机柜配置分类模型；

获取用于对机柜配置分类模型进行训练的训练数据集，训练数据集中包含有对应不同业务需求描述的机柜配置服务器方案，以及根据自定义的评分标准评判的分值；

采用训练数据集训练机柜配置分类模型，通过将训练数据集中的不同的机柜配置服务器方案输入机柜配置分类模型，并通过分类器将机柜配置分类模型的输出进行分类，然后通过损失函数来控制机柜配置分类模型的分类精度，从而提高机柜配置分类模型的分类精度；

其中：

还采用机器学习方法辅助机柜配置服务器方案，采用神经网络模型接收输入的机柜配置服务器方案并且处理所述输入的机柜配置服务器方案以对机柜配置服务器方案生成相应分数，根据评分情况选择最优的机柜配置服务器方案，具体包括以下步骤：获得训练数据集，训练数据集中包含有对应不同业务需求描述的机柜的配置方案，以及根据自定义的评分标准评判的分值；

构建机柜配置分类模型；

训练机柜配置分类模型，并通过分类器和损失函数来控制机柜配置分类模型的分类精度，其中：构建机柜配置分类模型包括以下步骤：

设置机柜配置训练模型参数，所述机柜配置训练模型为深度神经网络模型，所述机柜配置训练模型包括输入层、双向GRU、softmax层以及全连接层；

将多个机柜配置训练方案输入所述机柜配置训练模型，对所述机柜配置训练模型进行训练，更新所述机柜配置训练模型中双向GRU参数；

根据更新后的机柜配置训练模型的双向GRU参数初始化机柜配置分类模型的双向GRU参数，同时配置机柜配置分类模型的除双向GRU参数外的参数；

将机柜配置训练方案输入机柜配置训练模型，进行监督对抗训练，得到机柜配置分类模型，并将新增的机柜配置服务器方案输入监督对抗训练后的机柜配置分类模型，进行无监督虚拟对抗训练，更新机柜配置分类模型的参数，获得机柜配置分类模型。

8.根据权利要求7所述的电子装置，其特征在于，GRU的计算公式如下：zt＝σ(ftUz+s(t-1)Wz)

rt＝σ(ftUr+s(t-1)Wr)

ht＝tanh(ftUh+(s(t-1)*rt)Wh)st＝(1-zt)*ft+zt*s(t-1)

其中，zt是更新门，控制加入多少候选隐藏层ht的信息；

rt是重置门，用来计算候选隐藏层ht，控制保留多少前一时刻隐藏层s(t-1)的信息；

ht是候选隐藏层；

U、W为权值矩阵；

ft是t时刻的输入数据；

s(t-1)是t-1时刻隐藏层神经元的激活值；

σ表示sigmoid激活函数；

tanh是激活函数；

st是t时刻隐藏层神经元的激活值。

9.根据权利要求7所述的电子装置，其特征在于，还实时监测各台服务器的实际功耗，并求取各服务器的实际功耗与所在机柜中所有服务器的实际功耗的平均值的差值，如果差值高于差值限值，则按照所述差值逐渐降低的顺序逐个对服务器的CPU降频处理，直至所述差值在差值限值范围内。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，实现如权利要求1-6任一项所述的结合实际功耗采购服务器的方法。