数据中心PUE能效优化的机器学习方法

• 全文链接
• 请求原文

作   者：

杨震;  赵静洲;  林依挺;  夏恒;  夏俐;  赵千川;  管晓宏; 

作者机构：

清华大学 自动化系;  清华大学自动化系;  中山大学管理学院;  深圳市腾讯计算机系统有限公司; 

关键词：

能效优化;  灵敏度分析;  机器学习;  PUE指标;  神经网络;  数据中心; 

期刊名称：

系统工程理论与实践

i s s n：

1000-6788

年卷期：

2022 年 42 卷 003 期

页   码：

801-810

摘   要：

本文研究如何利用机器学习方法来降低数据中心电能使用效率(power usage effectiveness,PUE)指标.现阶段以Google公司为代表的工业界使用的神经网络模型考虑的特征数量较少,且仅考虑单一特征变化对PUE指标的影响,缺少对特征之间耦合特性的分析.此外,机器学习方法对数据集的质量和数量要求都很高,并且落地实施过程和结论判断皆容易受到噪声干扰,整体难度较大.现阶段学术界和工业界尚缺少对具体优化案例的详细阐述.本文对现阶段利用神经网络模型优化PUE指标的方法进行改进,增加了特征维数,提高了预测精度,取得了超出Google公司PUE模型预测精度的结果.利用历史样本轨道,使用统计方法近似得出特征之间的耦合特性,并代入灵敏度分析中,得到更加精确的分析结果.提出基于灵敏度分析的冷却系统参数设计优化方案;利用腾讯华北某数据中心的海量数据和现场条件,实施制冷系统参数设定优化的实验,实验效果证明了优化方案的有效性.