数据中心PUE能效优化的机器学习方法 |
| |
引用本文: | 杨震,赵静洲,林依挺,夏恒,夏俐,赵千川,管晓宏.数据中心PUE能效优化的机器学习方法[J].系统工程理论与实践,2022(3):801-810. |
| |
作者姓名: | 杨震 赵静洲 林依挺 夏恒 夏俐 赵千川 管晓宏 |
| |
作者单位: | 1. 清华大学自动化系;2. 深圳市腾讯计算机系统有限公司;3. 中山大学管理学院;4. 西安交通大学电子与信息学部 |
| |
基金项目: | 国家重点研发计划(2017YFC0704100);;国家自然科学基金(62073346);;“111”国家引智计划(BP2018006); |
| |
摘 要: | 本文研究如何利用机器学习方法来降低数据中心电能使用效率(power usage effectiveness,PUE)指标.现阶段以Google公司为代表的工业界使用的神经网络模型考虑的特征数量较少,且仅考虑单一特征变化对PUE指标的影响,缺少对特征之间耦合特性的分析.此外,机器学习方法对数据集的质量和数量要求都很高,并且落地实施过程和结论判断皆容易受到噪声干扰,整体难度较大.现阶段学术界和工业界尚缺少对具体优化案例的详细阐述.本文对现阶段利用神经网络模型优化PUE指标的方法进行改进,增加了特征维数,提高了预测精度,取得了超出Google公司PUE模型预测精度的结果.利用历史样本轨道,使用统计方法近似得出特征之间的耦合特性,并代入灵敏度分析中,得到更加精确的分析结果.提出基于灵敏度分析的冷却系统参数设计优化方案;利用腾讯华北某数据中心的海量数据和现场条件,实施制冷系统参数设定优化的实验,实验效果证明了优化方案的有效性.
|
关 键 词: | 数据中心 PUE指标 能效优化 机器学习 神经网络 灵敏度分析 |
|
|