[发明专利]基于双向GRU和曼-肯德尔法的温感未来趋势检测方法

说明书

本发明涉及数据中心机房节能技术领域，具体涉及基于双向GRU及曼‑肯德尔法的温感未来趋势检测方法，包括：采集历史温感温度数据、冷却策略数据及其他相关特征数据；进行数据预处理，并整理冷却策略数据；筛选温感温度预测关联数据作为输入的特征数据集；将特征数据集采用滑动时间窗算法进行划分；将划分好的训练集和验证集送入双向GRU网络进行训练验证；调用预测模型进行温感温度预测，得到未来时间段各时刻的温度序列，利用统计学方法对温度序列进行趋势判定，并给出趋势推荐值。本发明将深度神经网络与统计学方法相结合应用于数据中心冷却优化，预测结果稳定可靠、普适性强；在达到安全目的的同时实现数据中心机房的高效节能运行。

技术领域

本发明涉及数据中心机房节能技术领域，具体涉及基于双向GRU及曼-肯德尔法的温感未来趋势检测方法。

背景技术

数据中心承载大量的互联网应用，伴随着物联网技术的普及、5G商用、边缘计算走进生活，已经成为现代社会的基础设施之一。数据中心作为承载线上教学、居家办公新模式的核心基础设施，获得世界各国的高度重视，当今大型数据中心的计算能力、信息处理能力、网络通信能力等已经成为国家核心竞争力的标志之一。

数据中心的运行能耗十分巨大，据预测，到2030年，电信系统年用电量将占全球年用电总量的20%以上，其中数据中心的运行能耗将达到3000 TWh，占全球年用电总量的8%。因而，研究数据中心的运行节能具有重要的社会意义和经济价值。

数据中心的运行节能面临多方面挑战：一方面，在数据中心机房中，众多IT设备密集排布会产生热耦合，往往会导致机房部分区域产生高温，而IT设备对温度比较敏感，较高的温度会损害元器件的寿命，影响其安全性和可靠性，这将导致难以估量的风险，因而数据中心往往设定较低的温度期望值，让机房内的精密空调全天候高强度的工作，以维持稳定可靠的机房环境，这将导致巨大的电力消耗；另一方面，仅基于历史或当前温度数据进行机房冷却，由于机房内温度的时滞性，冷却效果往往不理想。

基于上述问题，现有的部分机房的优化策略是：当室外温度升高时，结合机房温度，适当降低机房温度设定值；当室外温度降低时，结合机房温度，适当升高机房温度设定值。这种方法操作简单，便于实施，但往往节能效果不尽如人意，其原因主要在于：其仅针对历史及当前温度部署冷却策略，没有对机房温感未来温度做出预测；没有考虑诸如IT负载、冷却策略与温度变化之间的关系。因此，亟需一种基于深度神经网络与数学统计方法相结合的温度趋势检测方法。

发明内容

针对传统机房节能算法仅利用历史及当前温度进行空调冷却、没有对机房温感未来温度做出预测、没有考虑诸如IT负载、冷却策略与温度变化之间关系的问题，提出了基于双向GRU及曼-肯德尔法的温感未来趋势检测方法，将温感温度与机房环境数据、冷却策略进行关联，使用深度神经网络提前预测机房内各温感温度，并使用统计学方法检测其温度趋势，基于温度趋势，对未来可能出现高温的区域提前启动制冷设备进行降温，对未来温度趋势离安全温度上限仍具有较大安全阈值的区域不启动制冷设备，或让制冷设备维持低负荷运行，在达到安全目的的同时实现数据中心机房的高效节能运行。

为了实现上述目的，本发明通过如下的技术方案来实现：

基于双向GRU及曼-肯德尔法的温感未来趋势检测方法，所述方法包括：

采集历史温感温度数据、冷却策略数据及其他相关特征数据；

对所述历史温感温度数据、冷却策略数据及其他相关特征数据进行数据预处理，所述数据预处理包括：删除异常数据，对缺失数据进行插值填充处理，并整理冷却策略数据；

基于斯皮尔曼相关系数法及树模型特征重要性从预处理后的数据中筛选出温感温度预测关联数据作为输入的特征数据集；

将所述特征数据集采用滑动时间窗算法划分为训练集、验证集和测试集；