【技术实现步骤摘要】
本专利技术涉及能耗优化控制，具体为基于深度神经网络的数据中心能耗优化控制方法及系统。
技术介绍
1、能耗优化控制是一种系统化的方法，旨在通过实时监控、分析和管理能源消耗，实现设备和系统运行的最优效率，从而减少能源浪费，降低能源成本，提高能源利用率，支持可持续发展目标的实现；而数据中心作为信息时代的核心基础设施，巨大的能耗问题已成为行业关注的焦点，为了有效应对这一问题，需要深入分析数据中心能耗构成及影响因素，并采用一系列能效优化方法；
2、现有的针对数据中心进行能耗优化的改进过程中，越来越依靠数字化的分析，摆脱原有的人工进行优化的方式，但是现有的采用计算机进行数字化分析来对数据中心进行优化的过程中，其所使用的优化方法过于简单，通常都是将现有的优化参数进行录入对分析方法进行训练和设定，优化不够智能和准确，例如在公开号为cn117113235a的专利申请中，公开了一种云计算数据中心能耗优化方法及系统，该方案就是通过对数据中心的相关数据进行采集后进行简单的数据处理，形成一种简单的检测算法，缺少特征学习能力、自适应性和记忆能力，导致对于能耗的优化控制不够精确和智能，且优化程度有限；同时现有的针对数据中心进行能耗控制时通常都是通过人工控制数据中心的能耗，数据中心的能耗主要来自服务器和冷却系统，现有的能耗优化控制方法大都依托于人工将优化重点放在服务器功耗上面，通常，为了减少计算能耗，许多能耗优化控制方法会将工作负载集中在少数服务器上，同时将未使用的服务器关闭或置于低能耗状态，这样可能会导致负载的过度集中从而导致数据中心出现过热点，
技术实现思路
1、本专利技术旨在至少在一定程度上解决现有技术中的技术问题之一，提出基于深度神经网络的数据中心能耗优化控制方法及系统，以解决现有技术中数据中心能耗优化依托于人工将优化重点放在服务器功耗上面，在综合考虑服务器能耗、冷却能耗和过热点管理时对数据中心进行能耗优化，在不产生过热点的前提下，无法同时保证优化效率、优化程度和优化准确度的问题。
2、为实现上述目的，第一方面，基于深度神经网络的数据中心能耗优化控制方法，包括：
3、获取数据中心的第一状态信息，第一状态信息包括：服务器状态信息、冷却系统状态信息以及环境状态信息；
4、基于第一状态信息进行信息处理，并建立能耗优化目标函数和约束条件；
5、基于deepg-q-gnetwork网络建立神经优化网络，确定神经优化网络的状态空间、动作空间和奖励函数；
6、基于神经优化网络对数据中心进行能耗优化，输出能耗优化策略，同时神经优化网络进行训练迭代；
7、基于能耗优化策略产生优化指令，基于优化指令完成能耗优化控制。
8、进一步地，获取数据中心的第一状态信息包括：
9、对服务器状态信息进行获取：对所有服务器进行排序编号，编号为1、2、3……i，获取每台服务器的处理器的利用率，将第i台服务器的处理器的利用率标记为μi；获取每台服务器的空闲状态下的输入功率，将第i台服务器空闲状态下的输入功率标记为piidle；获取每台服务器的满载状态下的输入功率，将第i台服务器满载状态下的输入功率标记为pimax；获取所有服务器的设备参数；
10、冷却系统包括若干冷却单元，对冷却系统状态信息进行获取：获取设定的供冷温度tsup；对所有冷却单元进行排序编号，编号为1、2、3……j，获取所有冷却单元的冷却功耗，将冷却功耗标记为pjcool，pjcool代表第j个冷却单元的冷却功耗；获取所有冷却单元的设备参数；
11、对环境信息进行获取：获取服务器入口空气的温度，将服务器入口空气的温度标记为tiin，tiin代表第i台服务器入口空气的温度。
12、进一步地，基于第一状态信息进行信息处理包括：
13、基于服务器状态信息计算处理功耗：第i台服务器在t时刻的功耗表示为：
14、式中pi(t)为第i台服务器在t时刻的功耗；piidle为第i台服务器空闲状态下的输入功率；pimax为第i台服务器满载状态下的输入功率；μi(t)表示第i台服务器在t时刻的处理器利用率；将t时刻所有服务器的功耗进行求和，得到t时刻的处理功耗pcomp(t)；
15、基于冷却系统状态信息计算冷却功耗：将t时刻所有冷却单元的冷却功耗进行求和计算，得到t时刻冷却系统的冷却功耗pcool(t)；
16、基于环境信息设定第一临界温度tred，设定hi表示第i个服务器的入口空气温度是否超过tred，hi具体表示为：
17、式中tiin(t)为第i台服务器在t时刻入口空气的温度；tred为设定的第一临界温度；hi(t)表示第i个服务器在t时刻的入口空气温度tiin(t)是否超过tred；当hi(t)＝1时，代表第i个服务器在t时刻的入口空气温度tiin(t)超过tred，将此时的服务器标记为过热位，当hi(t)＝0时，代表第i个服务器在t时刻的入口空气温度tiin(t)没有超过tred。
18、进一步地，建立能耗优化目标函数和总约束条件包括：
19、基于处理功耗pcomp(t)和冷却功耗pcool(t)计算数据中心的总功耗，总功耗表示为：ptotal(t)＝pcomp(t)+pcool(t)，式中ptotal(t)表示t时刻的总功耗，pcomp(t)代表t时刻的处理功耗，pcool(t)代表t时刻的冷却功耗；
20、将总功耗在时间范围上进行积分求和，得到数据中心的总能耗，将总能耗标记为etotal，设定etotal为能耗优化目标函数；
21、总约束条件包括：基于服务器参数和冷却系统参数设定运行约束条件；
22、将数据中心过热位个数为0设定为过热约束条件，过热约束条件表示为：式中hi(t)代表t时刻第i号服务器的入口空气温度tiin(t)是否超过tred，n代表服务器总数；
23、设定在总约束条件下，使总能耗etotal最小为能耗优化目标。
24、进一步地，基于deepg-q-gnetwork网络建立神经优化网络，确定神经优化网络的状态空间包括：
25、选择deepg-q-gnetwork网络作为神经优化网络，神经优化网络包括主网络和目标网络；
26、将状态空间定义为s，状态空间s包括：所有服务器的处理功耗pcomp、所有服务器的入口空气温度t，表示为s＝{pcomp，t}，式中pcomp代表数据中心所有服务器的处理功耗，t代表数据中心所有服务器的入口空气温度。
27、进一步地，确定神经优化网络的动作空间包括：
28、基于冷却单元的设备参数，获取冷却单元最大制冷温度tmax、最小制冷温度tmin和制冷温本文档来自技高网...
【技术保护点】
1.基于深度神经网络的数据中心能耗优化控制方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度神经网络的数据中心能耗优化控制方法，其特征在于，获取数据中心的第一状态信息包括：
3.根据权利要求2所述的基于深度神经网络的数据中心能耗优化控制方法，其特征在于，基于第一状态信息进行信息处理包括：
4.根据权利要求3所述的基于深度神经网络的数据中心能耗优化控制方法，其特征在于，建立能耗优化目标函数和总约束条件包括：
5.根据权利要求4所述的基于深度神经网络的数据中心能耗优化控制方法，其特征在于，基于DeepG-Q-GNetwork网络建立神经优化网络，确定神经优化网络的状态空间包括：
6.根据权利要求7所述的基于深度神经网络的数据中心能耗优化控制方法，其特征在于，确定神经优化网络的动作空间包括：
7.根据权利要求6所述的基于深度神经网络的数据中心能耗优化控制方法，其特征在于，确定神经优化网络的奖励函数r包括：
8.根据权利要求7所述的基于深度神经网络的数据中心能耗优化控制方法，其特征在于，基
9.根据权利要求8所述的基于深度神经网络的数据中心能耗优化控制方法，其特征在于，基于能耗优化策略产生优化指令，基于优化指令完成能耗优化控制包括：
10.一种基于深度神经网络的数据中心能耗优化控制系统，用于实现权利要求1-9任意一项所述的基于深度神经网络的数据中心能耗优化控制方法，其特征在于，包括状态获取模块，信息处理模块，神经网络模块以及执行模块；
...【技术特征摘要】
1.基于深度神经网络的数据中心能耗优化控制方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度神经网络的数据中心能耗优化控制方法，其特征在于，获取数据中心的第一状态信息包括：
3.根据权利要求2所述的基于深度神经网络的数据中心能耗优化控制方法，其特征在于，基于第一状态信息进行信息处理包括：
4.根据权利要求3所述的基于深度神经网络的数据中心能耗优化控制方法，其特征在于，建立能耗优化目标函数和总约束条件包括：
5.根据权利要求4所述的基于深度神经网络的数据中心能耗优化控制方法，其特征在于，基于deepg-q-gnetwork网络建立神经优化网络，确定神经优化网络的状态空间包括：
6.根据权利要求7所述的基于深度神经网络的数据中心能耗优化控制方法，其特...
【专利技术属性】
技术研发人员：乔福军，杜得强，高兵，乐海林，郭世鹏，刘涛，龚珍凤，马明明，杜宇，王鑫浩，
申请(专利权)人：北京英沣特能源技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。