[发明专利]一种基于GRU神经网络预测数据中心能耗效率值PUE的方法

说明书

本发明公开了一种基于GRU神经网络预测数据中心能耗效率值PUE的方法，包括以下步骤：1)收集数据中心能耗相关的属性数据；2)对步骤1)收集到的属性数据进行归一化及特征选择；3)选用GRU预测模型作为预测模型，设置损失函数J(w)与优化方法optimizer，然后利用步骤2)特征选择得到的部分数据对GRU预测模型进行训练；4)利用步骤2)特征选择得到的剩余数据对训练后的GRU预测模型进行评估，再利用评估后的GRU预测模型预测数据中心能耗效率值PUE，该方法能够较为准确的预测数据中心能耗效率值PUE。

技术领域

本发明属于数据中心节能技术领域，涉及一种基于GRU神经网络预测数据中心能耗效率值PUE的方法。

背景技术

随着云计算、物联网、人工智能等技术的飞速发展，作为基础设施的数据中心在规模和数量上都增长迅猛。数据中心是一个大规模的用电设备的集合，包括用于处理、存储、转发数据的IT设备，维持环境在适宜温度、湿度的冷却控制系统以及供电系统等基础设施，为了保证这些设备的正常运转，其耗电量是非常巨大的。2014年，美国数据中心的用电量约为700亿千瓦时，约占美国总用电量的1.8％，根据目前的趋势估计，到2020年，美国的数据中心预计将消耗约730亿千瓦时。出于运营成本、能源、环境等方面的考虑，降低数据中心的用电量、提高数据中心能耗效率是当前迫切需要解决的问题。

数据中心的能耗效率通常使用PUE(Power Usage effectiveness)作为评估标准。PUE表示的是供给数据中心的总电量与只用于供给IT设备的用电量的比值，理论上PUE越接近1，其能耗效率就越高。在数据中心的能源管理过程中，PUE不仅可以用来评估数据中心的能耗效率，同时也能给数据中心的能源管理提供电力需求量等的相关信息。所以如果能准确预测数据中心的PUE，那么将对数据中心的能耗管理提供有效的建议。但是数据中心的能耗构成是非常复杂的，服务器、冷却系统、供电系统以及天气和环境等都会影响能耗，所以要准确预测PUE是非常有挑战的。

对于已有的预测PUE和能耗的方法中，谷歌提出了使用了普通ANN(ArtificialNeural Network)来预测数据中心的PUE，另一些研究中提出使用带置信度的专家系统(ABelief Rule Based Expert System)、多项式线性回归模型等方法来预测数据中心的PUE。上述的这些工作为数据中心的能耗预测开辟了新的思路，但是也存在一些不足之处。一方面是用于预测PUE所考虑的属性与PUE的相关不强或者不全面；另一方面是所采用的模型不具有能考虑数据中心能耗属性的时序性的功能，使用的都是非时间序列相关的机器学习算法，这就忽略了一些时序变量如温度、湿度等连续性变化的特点。

因此，要准确预测数据中心PUE的前提是要充分考虑到与能耗相关的尽可能多的特征和这些特征的时序性特点。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于GRU神经网络预测数据中心能耗效率值PUE的方法，该方法能够较为准确的预测数据中心能耗效率值PUE。

为达到上述目的，本发明所述的基于GRU神经网络预测数据中心能耗效率值PUE的方法包括以下步骤：

1)收集数据中心能耗相关的属性数据；

2)对步骤1)收集到的属性数据进行归一化及特征选择；

3)选用GRU预测模型作为预测模型，设置损失函数J(w)与优化方法optimizer，然后利用步骤2)特征选择得到的部分数据对GRU预测模型进行训练；

4)利用步骤2)特征选择得到的剩余数据对训练后的GRU预测模型进行评估，再利用评估后的GRU预测模型预测数据中心能耗效率值PUE。