数据中心智能节能调控方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种数据中心智能节能调控方法、装置、设备及存储介质，所述方法通过利用数据中心记录的历史调控数据对自动机器学习Auto ML模型进行基于电源使用效率PUE值的训练，获得训练完成的目标Auto ML模型；根据所述目标Auto ML模型结合深层确定性策略梯度DDPG获得每个时刻的PUE值最小值，生成最优行为策略；根据所述最优行为策略对所述数据中心的能耗进行调控，能够实时提供每个时刻的最优参数调控组合，有效降低数据中心能耗，解决了现有的数据中心PUE调节方式不能实现全自动的实时调节策略输出的缺陷，节省了数据中心智能节能调控消耗的时间，提升了数据中心智能节能调控的速度和效率。的速度和效率。的速度和效率。

【技术实现步骤摘要】
数据中心智能节能调控方法、装置、设备及存储介质


[0001]本专利技术涉及云计算
，尤其涉及一种数据中心智能节能调控方法、装置、设备及存储介质。

技术介绍

[0002]随着云计算和大数据产业的迅猛发展，作为其重要基础设施平台的数据中心在数量和规模上也在迅速增长；同时，数据中心带来的巨大能耗和环保压力也日益引起全世界的关注，因此，加强对数据中心能效指标的监测与评估，对数据中心用能方案进行优化，对于提高能源利用效率和减轻环保压力具有重要意义，在众多的数据中心能效评价指标中，现阶段使用较为广泛的是电能使用效率(Power Usage Effectiveness，PUE)。
[0003]现有的数据中心节能调控方法十分依赖人工经验进行调节，未充分利用数据之间关联关系，且调节后的PUE很难达到最优值，造成了能源的浪费。

技术实现思路

[0004]本专利技术的主要目的在于提供一种数据中心智能节能调控方法、装置、设备及存储介质，旨在解决现有技术中数据中心节能调控方法十分依赖人工经验进行调节，未充分利用数据之间关联关系，且调节后的PUE很难达到最优值，造成了能源的浪费的技术问题。
[0005]第一方面，本专利技术提供一种数据中心智能节能调控方法，所述数据中心智能节能调控方法包括以下步骤：
[0006]利用数据中心记录的历史调控数据对自动机器学习Auto ML模型进行基于电源使用效率PUE值的训练，获得训练完成的目标Auto ML模型；
[0007]根据所述目标Auto ML模型结合深层确定性策略梯度DDPG获得每个时刻的PUE值最小值，生成最优行为策略；
[0008]根据所述最优行为策略对所述数据中心的能耗进行调控。
[0009]可选地，所述利用数据中心记录的历史调控数据对自动机器学习Auto ML模型进行基于电源使用效率PUE值的训练，获得训练完成的目标Auto ML模型，包括：
[0010]将数据中心基于电源使用效率PUE值的历史数据进行空值数据消除和过精细化，获得历史调控数据，并获取自动机器学习Auto ML模型的预设训练数据；
[0011]根据所述历史调控数据和所述预设训练数据构建参数训练模型；
[0012]根据所述参数训练模型对所述Auto ML模型进行训练和微调，获得训练完成的目标Auto ML模型。
[0013]可选地，所述根据所述历史调控数据和所述预设训练数据构建参数训练模型，包括：
[0014]获取Auto ML模型的算法集和所述数据中心的调节参数；
[0015]利用K折交叉验证将所述历史调控数据划分为K个训练集，利用K折交叉验证将所述预设训练数据划分为K个测试数据；
[0016]根据所述算法集、所述调节参数、所述K个训练集和所述K个测试数据通过下式构建参数训练模型：
[0017][0018]其中，A＝{A
(1)
,
…
,A
(R)
}表示Auto ML模型的算法集，其中的每个元素表示不同的分类算法，λ为数据中心的调节参数，为所述历史调控数据通过K折交叉验证划分为的K个训练数据集，为所述预设训练数据通过K折交叉验证划分为的K个测试数据集，L为此时的Loss值。
[0019]可选地，所述根据所述参数训练模型对所述Auto ML模型进行训练和微调，获得训练完成的目标Auto ML模型，包括：
[0020]采集所述数据中心的当前输入数据，根据所述参数训练模型对所述Auto ML模型进行训练，获得对应所述历史调控数据训练获得的历史数据Auto ML模型，并获得对应所述当前输入数据的当前数据训练Auto ML模型；
[0021]获取所述历史数据Auto ML模型对应的第一权重和所述当前数据训练Auto ML模型对应的第二权重；
[0022]根据所述历史数据Auto ML模型、所述当前数据训练Auto ML模型、所述第一权重和所述第二权重通过下式对所述历史数据Auto ML模型和所述当前数据训练Auto ML模型进行微调，获得微调后的Auto ML模型，并将微调后的Auto ML模型作为训练完成的目标Auto ML模型：
[0023]M＝w
i
M
origin
+w
j
M
current
[0024]其中，M为微调后的Auto ML模型，M
origin
为所述历史数据Auto ML模型，所述当前数据训练Auto ML模型，w
i
为所述第一权重，w
j
为所述第二权重。
[0025]可选地，所述获取所述历史数据Auto ML模型对应的第一权重和所述当前数据训练Auto ML模型对应的第二权重，包括：
[0026]获取所述历史调控数据的平均值，并获取所述当前输入数据的平均值；
[0027]根据所述历史调控数据的平均值和所述当前输入数据的平均值通过下式获得所述历史数据Auto ML模型对应的第一权重和所述当前数据训练Auto ML模型对应的第二权重：
[0028][0029][0030]其中，w
i
为所述第一权重，w
j
为所述第二权重，为所述历史调控数据的平均值，为所述当前输入数据的平均值。
[0031]可选地，所述根据所述目标Auto ML模型结合深层确定性策略梯度DDPG获得每个时刻的PUE值最小值，生成最优行为策略，包括：
[0032]根据所述目标Auto ML模型结合深层确定性策略梯度DDPG获得每个时刻PUE值最小值的策略衡量函数；
[0033]根据所述策略衡量函数通过下式确定最优行为策略：
[0034][0035]其中，μ为最优行为策略，J为策略衡量函数。
[0036]可选地，所述根据所述目标Auto ML模型结合深层确定性策略梯度DDPG获得每个时刻PUE值最小值的策略衡量函数，包括：
[0037]根据所述目标Auto ML模型结合深层确定性策略梯度DDPG通过下式获得每个时刻PUE值最小值的策略衡量函数：
[0038][0039]Q
u
(s
t
，a
t
)＝E[r(s
t
，a
t
)+γQ
u
(s
t+1
，μ(s
t+1
))][0040]其中，J为策略衡量函数，Q为DDPG中的Q网络，s
t
为t时刻的环境状态，a
t
为t时刻采取的行为动作，r为环境在状态s
t
在执行a
t
动作后的单步奖励值，γ为预设衰变系数，β为用于引入随机噪声的行为策略。
[0041]第二方面，为实现上述目的，本专利技术还提出一种数据中心智能节能调控装置，所述数据中心智能节能调控装置包括：
[0042]训练模块，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据中心智能节能调控方法，其特征在于，所述数据中心智能节能调控方法包括：利用数据中心记录的历史调控数据对自动机器学习Auto ML模型进行基于电源使用效率PUE值的训练，获得训练完成的目标Auto ML模型；根据所述目标Auto ML模型结合深层确定性策略梯度DDPG获得每个时刻的PUE值最小值，生成最优行为策略；根据所述最优行为策略对所述数据中心的能耗进行调控。2.如权利要求1所述的数据中心智能节能调控方法，其特征在于，所述利用数据中心记录的历史调控数据对自动机器学习Auto ML模型进行基于电源使用效率PUE值的训练，获得训练完成的目标Auto ML模型，包括：将数据中心基于电源使用效率PUE值的历史数据进行空值数据消除和过精细化，获得历史调控数据，并获取自动机器学习Auto ML模型的预设训练数据；根据所述历史调控数据和所述预设训练数据构建参数训练模型；根据所述参数训练模型对所述Auto ML模型进行训练和微调，获得训练完成的目标Auto ML模型。3.如权利要求2所述的数据中心智能节能调控方法，其特征在于，所述根据所述历史调控数据和所述预设训练数据构建参数训练模型，包括：获取Auto ML模型的算法集和所述数据中心的调节参数；利用K折交叉验证将所述历史调控数据划分为K个训练集，利用K折交叉验证将所述预设训练数据划分为K个测试数据；根据所述算法集、所述调节参数、所述K个训练集和所述K个测试数据通过下式构建参数训练模型：其中，A＝{A
(1)
,
…
,A
(R)
}表示Auto ML模型的算法集，其中的每个元素表示不同的分类算法，λ为数据中心的调节参数，为所述历史调控数据通过K折交叉验证划分为的K个训练数据集，为所述预设训练数据通过K折交叉验证划分为的K个测试数据集，L为此时的Loss值。4.如权利要求2所述的数据中心智能节能调控方法，其特征在于，所述根据所述参数训练模型对所述Auto ML模型进行训练和微调，获得训练完成的目标Auto ML模型，包括：采集所述数据中心的当前输入数据，根据所述参数训练模型对所述Auto ML模型进行训练，获得对应所述历史调控数据训练获得的历史数据Auto ML模型，并获得对应所述当前输入数据的当前数据训练Auto ML模型；获取所述历史数据Auto ML模型对应的第一权重和所述当前数据训练Auto ML模型对应的第二权重；根据所述历史数据Auto ML模型、所述当前数据训练Auto ML模型、所述第一权重和所
述第二权重通过下式对所述历史数据Auto ML模型和所述当前数据训练Auto ML模型进行微调，获得微调后的Auto ML模型，并将微调后的Auto ML模型作为训练完成的目标Auto ML模型：M＝w
i
M
origin
+w
j
M
current
其中，M为微调后的Auto ML模型，M
origin
为所述历史数据Auto ML模型，所述当前数据训练Auto ML模型，w
i
为所述第一权重，w
j
...

【专利技术属性】
技术研发人员：曾军，江昊，陈琪美，
申请(专利权)人：武汉大学，
类型：发明
国别省市：