[发明专利]数据中心的PUE优化方法、装置及存储介质

权利要求书

1.一种数据中心的电能使用效率PUE优化方法，其特征在于，应用于所述数据中心的管理设备，所述方法包括：

获取目标数据集，所述目标数据集包括PUE相关数据中最大化信息系数MIC值大于或等于预设阈值的数据；

基于所述目标数据集和目标PUE预测模型，对深度强化模型训练，得到训练后的所述深度强化模型，所述目标PUE预测模型用于预测所述数据中心的PUE值，训练后的所述深度强化模型用于优化所述数据中心的PUE值。

2.根据权利要求1所述的方法，其特征在于，所述获取目标数据集，包括：

采集所述PUE相关数据，所述PUE相关数据包括历史PUE数据和当前时刻的环境数据；

计算所述PUE相关数据中每两个数据之间的MIC值，以得到至少一个MIC值；

将所述至少一个MIC值中，大于或等于预设阈值的MIC值对应的数据确定为所述目标数据集。

3.根据权利要求1或2所述的方法，其特征在于，所述基于所述目标数据集和目标PUE预测模型，对深度强化模型训练之前，所述方法还包括：

基于所述目标数据集，对初始PUE预测模型训练，得到所述目标PUE预测模型。

4.根据权利要求3所述的方法，其特征在于，所述初始PUE预测模型为门控循环单元所述GRU神经网络模型；

所述基于所述目标数据集，对初始PUE预测模型训练，得到所述目标PUE预测模型，包括：

将所述目标数据集划分为训练数据集和测试数据集；

将所述训练数据集输入到所述GRU神经网络模型中训练，得到训练后的所述GRU神经网络模型；

基于测试数据集，计算训练后的所述GRU神经网络模型对应的损失函数；

基于所述损失函数，调整训练后的所述GRU神经网络模型中的参数；

当所述GRU神经网络模型的预测精度满足预设精度要求时，所述GRU神经网络模型作为所述目标PUE预测模型。

5.根据权利要求1或2所述的方法，其特征在于，所述深度强化模型为深度确定性策略梯度DDPG模型；

所述基于所述目标数据集和目标PUE预测模型，对深度强化模型训练，得到训练后的所述深度强化模型，包括：

将所述目标数据集和所述目标PUE预测模型预测的PUE值，输入到所述DDPG模型中训练，得到训练后的所述DDPG模型；

将训练后的所述DDPG模型作为训练后的所述深度强化模型。

6.根据权利要求1所述的方法，其特征在于，所述基于所述目标数据集和目标PUE预测模型，对深度强化模型训练，得到训练后的所述深度强化模型之后，所述方法还包括：

将所述目标数据集、所述目标PUE预测模型预测的PUE值，以及所述数据中心当前的实际PUE值，输入到训练后的所述深度强化模型中，以获取所述数据中心中设备的设定参数；

在所述设定参数允许调整的情况下，调整所述设定参数；

根据调整后的所述设定参数，确定所述数据中心当前的实际PUE值是否达到预设的PUE优化值。

7.一种数据中心的电能使用效率PUE优化装置，其特征在于，应用于所述数据中心的管理设备，所述装置包括：获取单元和训练单元；

所述获取单元，用于获取目标数据集，所述目标数据集包括PUE相关数据中最大化信息系数MIC值大于或等于预设阈值的数据；

所述训练单元，用于基于所述获取单元获取的所述目标数据集和目标PUE预测模型，对深度强化模型训练，得到训练后的所述深度强化模型，所述目标PUE预测模型用于预测所述数据中心的PUE值，训练后的所述深度强化模型用于优化所述数据中心的PUE值。

8.根据权利要求7所述的装置，其特征在于，所述获取单元，具体用于采集所述PUE相关数据，所述PUE相关数据包括历史PUE数据和当前时刻的环境数据；并计算所述PUE相关数据中每两个数据之间的MIC值，以得到至少一个MIC值；以及将所述至少一个MIC值中，大于或等于预设阈值的MIC值对应的数据确定为所述目标数据集。