基于Wide&Deep模型的数据中心冷负荷预测方法技术

本发明专利技术公开了一种基于Wide&Deep模型的数据中心冷负荷预测方法，包括以下步骤：A、收集历史T个时刻数据中心的数据，数据的采集间隔为τ；B、对收集到的数据进行特征处理分类并对所有输入特征进行归一化处理，得到归一化数据；C、依托Wide&Deep结构并根据归一化数据建立和训练冷负荷预测模型；D、利用建立的负荷预测模型进行预测，得到预测的需求负荷值；E、将预测的需求负荷值输入目标数据中心的软件仿真模型中进行计算，以获取最佳的设备运行参数。本发明专利技术具有能够有效提高预测精度的特点。本发明专利技术具有能够有效提高预测精度的特点。本发明专利技术具有能够有效提高预测精度的特点。

【技术实现步骤摘要】
基于Wide＆Deep模型的数据中心冷负荷预测方法


[0001]本专利技术涉及人工智能与暖通空调自动化控制领域，特别是一种基于Wide＆Deep模型的数据中心冷负荷预测方法。

技术介绍

[0002]近年来随着人工智能、云计算、5G等技术的飞速发展，使得数据中心已成为我国重要的基础设施之一，其规模和数量都呈现爆发式增长。数据中心需要具备良好的温湿度环境条件，以确保各类服务器设备能够连续、稳定的运行。这使得暖通空调系统成为数据中心第二大耗能系统，对其进行系统节能优化具有重要现实意义。
[0003]在数据中心的空调控制系统中，获得末端需求的实时冷负荷是实现系统节能优化控制的基础和关键。然而冷源系统的大惰性和时滞性，导致其无法通过测量计算的方式准确获取所需的冷负荷。同时由于数据中心负荷受多种因素共同影响，既具有强周期性，又呈现出一定随机性，给精确预测冷负荷带来困难。常用的负荷预测方法包括：时间序列预测法、人工神经网络法以及其他机器学习回归算法，如支持向量机等。然而上述方法未对系统特征及环境特征之间的相互关系和重要性进行区分，导致现有的预测模型难以兼顾记忆能力和泛化能力，普遍存在预测精度较低、鲁棒性差等缺点。
[0004]如专利“一种基于混合模型预测的数据中心站多元负荷预测方法”的现有技术中，其结合智能寻优算法和神经网络以及集成学习方法并行预测，获取数据中心站的多元负荷预测值，缺点在于：需要大量的以年为单位的数据中心站历史数据才能完成建模，无法在数据中心建立初期时应用；同时训练两个深层网络模型，需要大量的计算资源，难以保证方法的实时性；未进行详细的特征工程，未对数据中心站各类特征间的相互关系和重要性进行区分，这导致模型的预测精度受限。
[0005]因此，现有的技术存在着预测精度较低的问题。

技术实现思路

[0006]本专利技术的目的在于，提供一种基于Wide＆Deep模型的数据中心冷负荷预测方法。本专利技术具有能够有效提高预测精度的特点。
[0007]本专利技术的技术方案：基于Wide＆Deep模型的数据中心冷负荷预测方法，包括以下步骤：
[0008]A、收集历史T个时刻数据中心的数据，数据的采集间隔为τ；
[0009]B、对收集到的数据进行特征处理分类并对所有输入特征进行归一化处理，得到归一化数据；
[0010]C、依托Wide＆Deep结构并根据归一化数据建立和训练冷负荷预测模型；
[0011]D、利用建立的负荷预测模型进行预测，得到预测的需求负荷值；
[0012]E、将预测的需求负荷值输入目标数据中心的软件仿真模型中进行计算，以获取最佳的设备运行参数。
[0013]前述的基于Wide＆Deep模型的数据中心冷负荷预测方法中，步骤A中收集的数据包括系统数据以及各类环境数据；
[0014]所述系统数据包括各个时刻暖通空调系统的冷冻水温差Δt、冷冻水流量m、冷水机组电表数据P
ch
及冷机当前工况下的COP、数据中心各台服务器CPU和GPU使用率及基础设备信息；
[0015]所述环境数据包括各个时刻的温度、湿度、太阳辐射强度、风速、降水量和人流量。
[0016]前述的基于Wide＆Deep模型的数据中心冷负荷预测方法中，步骤B中，将数据分类成系统特征和环境特征，具体过程如下：
[0017]通过物理关系计算提取系统特征X1，包括各个时刻的空调系统直接冷负荷、空调系统间接冷负荷以及数据中心设备散热量；
[0018]将步骤A中收集的各类环境数据整合为环境特征X2。
[0019]前述的基于Wide＆Deep模型的数据中心冷负荷预测方法中，空调系统直接冷负荷X
11
和间接冷负荷X
12
分别表示为：X
11
＝cmΔt、X
12
＝P
ch
×
COP，c表示水的比热容；
[0020]数据中心设备散热量X
13
则由下式进行计算：
[0021]其中u
c
和u
g
分别表示各台服务器的CPU和GPU使用率，共计N台服务器，P
r
表示该服务器的额定电功率，ε为修正系数。
[0022]前述的基于Wide＆Deep模型的数据中心冷负荷预测方法中，输入特征X归一化公式为：其中X
N
表示归一化后的特征矩阵，max(X)和min(X)则分别表示输入特征X的最大值向量与最小值向量。
[0023]前述的基于Wide＆Deep模型的数据中心冷负荷预测方法中，冷负荷预测模型包括全连接神经元，全连接神经元分别连接有单层神经网络的Wide模型和前馈神经网络的Deep模型。
[0024]前述的基于Wide＆Deep模型的数据中心冷负荷预测方法中，全连接神经元采用sigmoid激活函数，模型最终输出表示为：
[0025]单层神经网络的Wide模型表达为：其中y
w
是预测值，z
w
表示输入特征即归一化后的系统特征特征即归一化后的系统特征和b
w
分别为Wide模型的权重及偏差；
[0026]前馈神经网络的Deep模型表达为：其中l＝1，
…
，L表示当前隐藏层，L则为隐藏层数量，f为ReLU激活函数，当前隐藏层，L则为隐藏层数量，f为ReLU激活函数，分别表示第l层的权重向量、输入向量以及偏差向量。
[0027]与现有技术相比，本专利技术通过将数据中心的数据进行分类和归一化处理，依托Wide＆Deep结构建立冷负荷预测模型进行预测；即本专利技术区分计算了数据中心冷负荷预测所需的各类特征，包括系统特征、环境特征及时间信息，并分别将其输入构建的Wide模型和Deep模型中结合，进行短期冷负荷预测，该模型兼顾了记忆能力和泛化能力，提高了预测模型的精度和鲁棒性，且无需大量历史数据即可进行，易于工程实现。综上所述，本专利技术具有
能够有效提高预测精度的特点。
附图说明
[0028]图1是本专利技术的流程图；
[0029]图2是本专利技术的冷负荷预测混合神经网络结构示意图。
具体实施方式
[0030]下面结合附图和实施例对本专利技术作进一步的说明，但并不作为对本专利技术限制的依据。
[0031]实施例。基于Wide＆Deep模型的数据中心冷负荷预测方法，附图1所示为该方法的流程图，主要包括以下步骤：
[0032]S1：收集历史T个时刻数据中心的系统数据以及各类环境数据，数据的采集间隔为τ。所述系统数据包括各个时刻暖通空调系统的冷冻水温差Δt、冷冻水流量m、冷水机组电表数据P
ch
，及冷机当前工况下的COP、数据中心各台服务器CPU和GPU使用率及基础设备信息。所述环境数据包括各个时刻的温度、湿度、太阳辐射强度、风速、降水量、人流量等。
[0033]S2：特征处理并分类成系统特征和环境特征，接着对所有输入特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于Wide&Deep模型的数据中心冷负荷预测方法，其特征在于，包括以下步骤：A、收集历史T个时刻数据中心的数据，数据的采集间隔为τ；B、对收集到的数据进行特征处理分类并对所有输入特征进行归一化处理，得到归一化数据；C、依托Wide&Deep结构并根据归一化数据建立和训练冷负荷预测模型；D、利用建立的负荷预测模型进行预测，得到预测的需求负荷值；E、将预测的需求负荷值输入目标数据中心的软件仿真模型中进行计算，以获取最佳的设备运行参数。2.根据权利要求1所述的基于Wide&Deep模型的数据中心冷负荷预测方法，其特征在于，步骤A中收集的数据包括系统数据以及各类环境数据；所述系统数据包括各个时刻暖通空调系统的冷冻水温差Δt、冷冻水流量m、冷水机组电表数据P
ch
及冷机当前工况下的COP、数据中心各台服务器CPU和GPU使用率及基础设备信息；所述环境数据包括各个时刻的温度、湿度、太阳辐射强度、风速、降水量和人流量。3.根据权利要求1所述的基于Wide&Deep模型的数据中心冷负荷预测方法，其特征在于，步骤B中，将数据分类成系统特征和环境特征，具体过程如下：通过物理关系计算提取系统特征X1，包括各个时刻的空调系统直接冷负荷、空调系统间接冷负荷以及数据中心设备散热量；将步骤A中收集的各类环境数据整合为环境特征X2。4.根据权利要求3所述的基于Wide&Deep模型的数据中心冷负荷预测方法，其特征在于：空调系统直接冷负荷X
11
和间接冷负荷X
12
分别表示为：X
11
＝cmΔt、X
12

【专利技术属性】
技术研发人员：贾勋慧，邹铭轩，胡斌，王伟峰，盛泽文，傅军军，尹恒，
申请(专利权)人：浙江源创智控技术有限公司，
类型：发明
国别省市：