数据中心的PUE优化方法、装置及存储介质制造方法及图纸

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。深度强化模型用于优化数据中心的PUE值。深度强化模型用于优化数据中心的PUE值。

【技术实现步骤摘要】
数据中心的PUE优化方法、装置及存储介质


[0001]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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]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。
[0005]为达到上述目的，本申请采用如下技术方案：
[0006]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(Maximal Information 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。
[0007]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。
[0008]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。
[0009]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。
[0010]一种可能的实现方式中，上述初始PUE预测模型为门控循环单元(Gated Recurrent Unit，GRU)神经网络模型。上述“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”的方法包括：将目标数据集划分为训练数据集和测试数据集；将训练数据集输入到GRU神经网络模型中训练，得到训练后的GRU神经网络模型；基于测试数据集，计算训练后的GRU神经网络模型对应的损失函数；基于损失函数，调整训练后的GRU神经网络模型中的参数；当GRU神经网络模型的预测精度满足预设精度要求时，GRU神经网络模型作为目标PUE预测模型。
[0011]一种可能的实现方式中，上述深度强化模型为深度确定性策略梯度(Deep Deterministic Policy Gradient，DDPG)模型。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，得到训练后的深度强化模型”的方法包括：将目标数据集和目标PUE预测模型预测的PUE值，输入到DDPG模型中训练，得到训练后的DDPG模型；将训练后的DDPG模型作为训练后的深度强化模型。
[0012]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，得到训练后的深度强化模型”之后，数据中心的PUE优化方法还包括：将目标数据集、目标PUE预测模型预测的PUE值，以及数据中心当前的实际PUE值，输入到训练后的深度强化模型中，以获取数据中心中设备的设定参数；在设定参数允许调整的情况下，调整设定参数；根据调整后的设定参数，确定数据中心当前的实际PUE值是否达到预设的PUE优化值。
[0013]第二方面，提供了一种数据中心的PUE优化装置，该PUE优化装置应用于数据中心的管理设备，还可以为该管理设备中用于实现第一方面或第一方面的任一可能的设计所述的方法的功能模块。该PUE优化装置可以实现上述各方面或者各可能的设计中管理设备所执行的功能，所述功能可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个上述功能相应的模块。如：该PUE优化装置包括获取单元和训练单元。
[0014]获取单元，用于获取目标数据集，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。
[0015]训练单元，用于基于获取单元获取的目标数据集和目标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。
[0016]其中，该PUE优化装置的具体实现方式可以参考第一方面或第一方面的任一可能的设计提供的数据中心的PUE优化方法中管理设备的行为功能，在此不再重复赘述。因此，该提供的PUE优化装置可以达到与第一方面或者第一方面的任一可能的设计相同的有益效果。
[0017]一种可能的实现方式中，上述获取单元，具体用于采集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；并计算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；以及将至少一个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。
[0018]一种可能的实现方式中，上述训练单元，还用于在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，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。
[0019]一种可能的实现方式中，上述初始PUE预测模型为GRU神经网络模型。上述训练单元，具体用于将目标数据集划分为训练数据集和测试数据集；并将训练数据集输入到GRU神经网络模型中训练，得到训练后的GRU神经网络模型；并基于测试数据集，计算训练后的GRU神经网络模型对应的损失函数；以及基于损失函数，调整训练后的GRU神经本文档来自技高网...

【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，...

【专利技术属性】
技术研发人员：李妍，李扬，闫龙川，李东倪，蒋从锋，张林锋，赵子岩，何永远，陈智雨，白东霞，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：