[发明专利]数据中心的PUE优化方法、装置及存储介质

说明书

本申请公开了一种数据中心的PUE优化方法、装置及存储介质，涉及数据中心能耗技术领域，用于有效地优化数据中心的PUE。该方法包括：获取目标数据集，该目标数据集包括PUE相关数据中MIC值大于或等于预设阈值的数据；基于目标数据集和目标PUE预测模型，对深度强化模型训练，得到训练后的深度强化模型，该目标PUE预测模型用于预测数据中心的PUE值，训练后的深度强化模型用于优化数据中心的PUE值。

技术领域

本申请涉及电力运维领域，尤其涉及一种数据中心的PUE优化方法、装置及存储介质。

背景技术

数据中心的电源使用效率(Power Usage Effectiveness，PUE)是数据中心总能耗与互联网技术(Internet Technology，IT)设备能耗的比值，反映了数据中心的能源效率(以下简称为能效)。传统方法中，为了优化数据中心的能效，可以降低数据中心的总能耗或提高IT设备的能耗占比，以降低数据中心的PUE。其中，数据中心的总能耗包括空调系统、供配电系统、照明系统和IT设备的能耗，IT设备的能耗包括计算、存储、网络、安全等设备的能耗。

然而，数据中心的IT设备能耗随着数据中心的负载波动而波动，且与总能耗之间的关系十分复杂，各设备能耗的改变对其他设备能耗的影响、对总体PUE的影响都不明确，因此使用传统方法无法有效地优化数据中心的PUE。

发明内容

本申请提供一种数据中心的PUE优化方法、装置及存储介质，用于有效地优化数据中心的PUE。

为达到上述目的，本申请采用如下技术方案：

第一方面，提供了一种数据中心的PUE优化方法，应用于数据中心的管理设备，该方法包括：获取目标数据集，该目标数据集包括PUE相关数据中最大化信息系数(MaximalInformation Coefficient，MIC)值大于或等于预设阈值的数据；基于目标数据集和目标PUE预测模型，对深度强化模型训练，得到训练后的深度强化模型，该目标PUE预测模型用于预测数据中心的PUE值，训练后的深度强化模型用于优化数据中心的PUE值。

基于上述数据中心的PUE优化方法，管理设备可以基于MIC值对PUE相关数据进行特征选择，以确定出对PUE影响较大的特征(即MIC值大于或等于预设阈值的目标数据集)，从而将选择出来的特征作为深度强化模型的输入特征，而无需使用其他对PUE影响很小的特征，因此管理设备在基于目标数据集和PUE预测模型训练深度强化模型时，能够有效地降低深度强化模型的训练时间和训练资源开销，且保证了深度强化模型的训练精准度；并且，管理设备是基于训练后的深度强化模型来优化数据中心的PUE，而并非是直接通过降低数据中心的总能耗或提高IT设备的能耗占比来降低数据中心的PUE，因此可以避免数据中心中各设备的能耗之间的复杂关系对PUE的影响；如此通过本申请训练后的深度强化模型，能够精确、有效地来优化数据中心的PUE。

一种可能的实现方式中，上述“获取目标数据集”的方法包括：采集PUE相关数据，该PUE相关数据包括历史PUE数据和当前时刻的环境数据；计算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目标数据集。

一种可能的实现方式中，在上述“基于目标数据集和目标PUE预测模型，对深度强化模型训练”之前，数据中心的PUE优化方法还包括：基于目标数据集，对初始PUE预测模型训练，得到目标PUE预测模型。