CN110852498A - 一种基于gru神经网络预测数据中心能耗效率值pue的方法 - Google Patents

Abstract

本发明公开了一种基于GRU神经网络预测数据中心能耗效率值PUE的方法，包括以下步骤：1)收集数据中心能耗相关的属性数据；2)对步骤1)收集到的属性数据进行归一化及特征选择；3)选用GRU预测模型作为预测模型，设置损失函数J(w)与优化方法optimizer，然后利用步骤2)特征选择得到的部分数据对GRU预测模型进行训练；4)利用步骤2)特征选择得到的剩余数据对训练后的GRU预测模型进行评估，再利用评估后的GRU预测模型预测数据中心能耗效率值PUE，该方法能够较为准确的预测数据中心能耗效率值PUE。

Description

一种基于GRU神经网络预测数据中心能耗效率值PUE的方法

技术领域

本发明属于数据中心节能技术领域，涉及一种基于GRU神经网络预测数据中心能耗效率值PUE的方法。

背景技术

随着云计算、物联网、人工智能等技术的飞速发展，作为基础设施的数据中心在规模和数量上都增长迅猛。数据中心是一个大规模的用电设备的集合，包括用于处理、存储、转发数据的IT设备，维持环境在适宜温度、湿度的冷却控制***以及供电***等基础设施，为了保证这些设备的正常运转，其耗电量是非常巨大的。2014年，美国数据中心的用电量约为700亿千瓦时，约占美国总用电量的1.8％，根据目前的趋势估计，到2020年，美国的数据中心预计将消耗约730亿千瓦时。出于运营成本、能源、环境等方面的考虑，降低数据中心的用电量、提高数据中心能耗效率是当前迫切需要解决的问题。

数据中心的能耗效率通常使用PUE(Power Usage effectiveness)作为评估标准。PUE表示的是供给数据中心的总电量与只用于供给IT设备的用电量的比值，理论上PUE越接近1，其能耗效率就越高。在数据中心的能源管理过程中，PUE不仅可以用来评估数据中心的能耗效率，同时也能给数据中心的能源管理提供电力需求量等的相关信息。所以如果能准确预测数据中心的PUE，那么将对数据中心的能耗管理提供有效的建议。但是数据中心的能耗构成是非常复杂的，服务器、冷却***、供电***以及天气和环境等都会影响能耗，所以要准确预测PUE是非常有挑战的。

对于已有的预测PUE和能耗的方法中，谷歌提出了使用了普通ANN(ArtificialNeural Network)来预测数据中心的PUE，另一些研究中提出使用带置信度的专家***(ABelief Rule Based Expert System)、多项式线性回归模型等方法来预测数据中心的PUE。上述的这些工作为数据中心的能耗预测开辟了新的思路，但是也存在一些不足之处。一方面是用于预测PUE所考虑的属性与PUE的相关不强或者不全面；另一方面是所采用的模型不具有能考虑数据中心能耗属性的时序性的功能，使用的都是非时间序列相关的机器学习算法，这就忽略了一些时序变量如温度、湿度等连续性变化的特点。

因此，要准确预测数据中心PUE的前提是要充分考虑到与能耗相关的尽可能多的特征和这些特征的时序性特点。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于GRU神经网络预测数据中心能耗效率值PUE的方法，该方法能够较为准确的预测数据中心能耗效率值PUE。

为达到上述目的，本发明所述的基于GRU神经网络预测数据中心能耗效率值PUE的方法包括以下步骤：

1)收集数据中心能耗相关的属性数据；

2)对步骤1)收集到的属性数据进行归一化及特征选择；

3)选用GRU预测模型作为预测模型，设置损失函数J(w)与优化方法optimizer，然后利用步骤2)特征选择得到的部分数据对GRU预测模型进行训练；

4)利用步骤2)特征选择得到的剩余数据对训练后的GRU预测模型进行评估，再利用评估后的GRU预测模型预测数据中心能耗效率值PUE。

步骤1)的具体操作为：按设定时间间隔收集数据中心能耗相关的属性数据，其中，收集得到的数据中心能耗相关的属性数据包括IT设备相关的属性数据、环境相关的属性数据、冷却***相关的属性数据及基础设施相关的属性数据，其中，IT设备相关的属性数据包括服务器负载、UPS的电力负载及热增率；环境相关的属性数据包括温度、湿度及露点温度；冷却***相关的属性数据包括冷却率及CRAC功率；基础设施相关的属性数据包括照明及HVAC功率，设在t时刻收集得到的数据中心能耗相关的属性数据X_t＝(x¹,x²,...,xⁿ)。

步骤2)的具体操作为：

21)将收集得到的数据中心能耗相关的属性数据X_t＝(x¹,x²,...,xⁿ)归一化到[0,1]之间，将归一化后的数据记为X_i＝(x¹,x²,...,xⁿ)；

22)利用特征选择算法选出与预测PUE相关性最大的m个属性数据。

步骤22)的具体操作为：

使用RFECV方法进行特征选择，选出与预测PUE关联性最大的m个属性数据X＝(x¹,x²,...,x^m)。

步骤3)中，使用GRU循环神经网络作为PUE预测模型，其中，GRU循环神经网络内的GRU神经元结构中存在重置门r_t与更新门z_t两个门控单元，用于实现记忆或遗忘之前训练步骤所产生的训练信息，GRU单元的具体计算过程为：

z_t＝σ(W_z·[h_t-1，x_t]+b_z)

r_t＝σ(W_r·[h_t-1，x_t]+b_r)

其中，z_t用于控制前一状态有多少信息h_t-1被写入到当前状态h_t，σ(·)为将值缩放到(0,1)之间的sigmoid激活函数，即：

t为传入待放缩的参数，其中，σ(·)值越接近0，则表示写入越多，σ(·)值越接近1，则表示写入得越少，其中，h_t-1表示t-1时刻输出的状态信息，x_t代表当前时刻的输入，W_z、W_r及W_n为权重参数，b_z、b_r及b_h为偏置常数；

r_t用于控制前一状态有多少信息被写入到当前的候选状态

r_t的值越接近于1，则表示前一状态被写入的信息越多，r_t的越接近于0，则表示前一状态被写入的信息越少；

表示当前时刻下的候选状态信息，tanh(·)激活函数用于将值缩放到[-1,1]之间，即：

步骤3)中对GRU预测模型进行训练的具体过程为：

设均方误差损失函数J(w)用于训练期间评估GRU预测模型对训练数据的拟合程度，J(w)的表达式为：

其中，N表示训练数据数目，y_i表示第i条数据的标签，即真实的PUE值，

为GRU预测模型预测的PUE值；

设训练优化器为Adam，其更新参数w的方式为：

先计算均方误差损失函数J(w)对参数w的梯度g_t，再计算梯度g_t的一阶矩m_t及二阶矩v_t，其中，

m_t＝β₁·m_t-1+(1-β₁)·g_t

v_t＝β₂·v_t-1+(1-β₂)·g_t ²

其中，β₁及β₂为超参数；

然后通过以下公式对一阶矩和二阶矩进行校正；

其中，β₁ ^t及β₂ ^t分别为β₁及β₂的t次方。

对参数w的更新过程为：

其中，α表示学习率，ε为超参数。

步骤4)的具体操作为：

用决定系数R²评估GRU预测模型，其中，决定系数R²的表达式为：

其中，y_i为测试样本真实的PUE值，

为GRU预测模型的预测值，

为测试样本PUE的均值，决定系数R²表示GRU预测模型对真实数据的拟合程度，决定系数R²的值越接近1，则表示GRU预测模型的预测准确性越高。

本发明具有以下有益的技术效果：

本发明所述的基于GRU神经网络预测数据中心能耗效率值PUE的方法在具体操作时，选用GRU预测模型作为预测模型，由于GRU预测模型具有记忆训练信息的功能，可以使得能耗相关的属性被充分地考虑，如温度、湿度等的时序性，相对于现有技术，在训练的过程中充分挖掘PUE与能耗特征之间的相关性，提高预测PUE的准确率，本发明在数据中心模拟器EnergyPlus生成的数据上进行了验证，并与其它传统预测方法进行了比较，具有最优的预测效果。

附图说明

图1为GRU的网络单元的结构示意图；

图2为本发明与其它预测方法在以相关系数R²为评价指标下的性能比较图；

图3为本发明预测的PUE值与真实PUE的拟合图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

参考图1，本发明所述的基于GRU(GatedRecurrentUnit)神经网络预测数据中心能耗效率值PUE的方法包括以下步骤：

1)收集数据中心能耗相关的属性数据；

步骤1)的具体操作为：按设定时间间隔(10min)收集数据中心能耗相关的属性数据，其中，收集得到的数据中心能耗相关的属性数据包括IT设备相关的属性数据、环境相关的属性数据、冷却***相关的属性数据及基础设施相关的属性数据，其中，IT设备相关的属性数据包括服务器负载、UPS的电力负载及热增率；环境相关的属性数据包括温度、湿度及露点温度；冷却***相关的属性数据包括冷却率及CRAC(Computer Room Air Condition)功率；基础设施相关的属性数据包括照明及HVAC(Heating,Ventilation and AirCondition)功率，设在t时刻收集得到的数据中心能耗相关的属性数据X_t＝(x¹,x²,...,xⁿ)。

2)对步骤1)收集到的属性数据进行归一化及特征选择；

步骤2)的具体操作为：

21)将收集得到的数据中心能耗相关的属性数据X_t＝(x¹,x²,...,xⁿ)归一化到[0,1]之间，将归一化后的数据记为X_i＝(x¹,x²,...,xⁿ)；

设原始数据为X_i＝(x¹,x²,...,xⁿ)，则归一化数据属性值的方式为：

其中，x表示原属性值，x_min表示所有的数据中心属性具有的最小数值，x_max表示属性具有的最大数值，x_normal表示归一化后的属性值，其取值在[0,1]，把归一化后的数据X_i记为X_i＝(x¹,x²,...,xⁿ)；

22)利用特征选择算法(RFECV(Recursive Feature Elimination with Cross-Validation))选出与预测PUE相关性最大的m个属性数据。

步骤22)的具体操作为：

使用RFECV方法进行特征选择，选出与预测PUE关联性最大的m个属性数据X＝(x¹,x²,...,x^m)。

3)选用GRU预测模型作为预测模型，设置损失函数J(w)与优化方法optimizer，然后利用步骤2)特征选择得到的部分数据对GRU预测模型进行训练；

步骤3)的具体操作为：

在现有的对于数据中心PUE值的预测方法中，使用的是简单ANN(ArtificialNeural Network)与多项式线性回归等机器学习方法，这些方法的不足之处在于没有考虑到数据中心能耗相关属性如：温度、湿度等具有的时序性特点，因此，在本发明中提出使用GRU(Gated Recurrent Unit)循环神经网络来作为PUE的预测模型。

使用GRU循环神经网络作为PUE预测模型，其中，GRU循环神经网络内的GRU神经元结构中存在重置门(reset gate)r_t与更新门(update gate)z_t两个门控单元，用于实现记忆或遗忘之前训练步骤所产生的训练信息，GRU单元的具体计算过程为：

z_t＝σ(W_z·[h_t-1，x_t]+b_z)

r_t＝σ(W_r·[h_t-1，x_t]+b_r)

其中，z_t用于控制前一状态有多少信息h_t-1被写入到当前状态h_t，σ(·)为将值缩放到(0,1)之间的sigmoid激活函数，即：

t为传入待放缩的参数，其中，σ(·)值越接近0，则表示写入越多，σ(·)值越接近1，则表示写入得越少，其中，h_t-1表示t-1时刻输出的状态信息，x_t代表当前时刻的输入，W_z、W_r及W_h为权重参数，b_z、b_r及b_h为偏置常数；

r_t用于控制前一状态有多少信息被写入到当前的候选状态

r_t的值越接近于1，则表示前一状态被写入的信息越多，r_t的越接近于0，则表示前一状态被写入的信息越少；

表示当前时刻下的候选状态信息，tanh(·)激活函数用于将值缩放到[-1,1]之间，即：

步骤3)中对GRU预测模型进行训练的具体过程为：

设均方误差损失函数J(w)用于训练期间评估GRU预测模型对训练数据的拟合程度，J(w)的表达式为：

其中，N表示训练数据数目，y_i表示第i条数据的标签，即真实的PUE值，

为GRU预测模型预测的PUE值；

设训练优化器为Adam，其更新参数w的方式为：

先计算均方误差损失函数J(w)对参数w的梯度g_t，再计算梯度g_t的一阶矩m_t及二阶矩v_t，其中，

m_t＝β₁·m_t-1+(1-β₁)·g_t

其中，β₁及β₂为超参数；

然后通过以下公式对一阶矩和二阶矩进行校正；

其中，β₁ ^t及β₂ ^t分别为β₁及β₂的t次方。

对参数w的更新过程为：

其中，α表示学习率，ε为超参数。

4)利用步骤2)特征选择得到的剩余数据对训练后的GRU预测模型进行评估，再利用评估后的GRU预测模型预测数据中心能耗效率值PUE。

步骤4)的具体操作为：

用决定系数R²评估GRU预测模型，其中，决定系数R²(Coefficient ofdetermination)的表达式为：

其中，y_i为测试样本真实的PUE值，

为GRU预测模型的预测值，

为测试样本PUE的均值，决定系数R²表示GRU预测模型对真实数据的拟合程度，决定系数R²的值越接近1，则表示GRU预测模型的预测准确性越高。

如图2所示，本发明在R²上的预测表现优于ANN、SVR等预测模型，这是由于GRU具有记忆的特性，使得能耗属性的时序性特点能被充分考虑到；GRU优于LSTM的原因在于GRU的门控单元少，因此参数也少，所以训练的时间少，复杂度低，预测的效果更好。

Claims (7)

1.一种基于GRU神经网络预测数据中心能耗效率值PUE的方法，其特征在于，包括以下步骤：

1)收集数据中心能耗相关的属性数据；

2)对步骤1)收集到的属性数据进行归一化及特征选择；

3)选用GRU预测模型作为预测模型，设置损失函数J(w)与优化方法optimizer，然后利用步骤2)特征选择得到的部分数据对GRU预测模型进行训练；

4)利用步骤2)特征选择得到的剩余数据对训练后的GRU预测模型进行评估，再利用评估后的GRU预测模型预测数据中心能耗效率值PUE。

2.根据权利要求1所述的基于GRU神经网络预测数据中心能耗效率值PUE的方法，其特征在于，步骤1)的具体操作为：按设定时间间隔收集数据中心能耗相关的属性数据，其中，收集得到的数据中心能耗相关的属性数据包括IT设备相关的属性数据、环境相关的属性数据、冷却***相关的属性数据及基础设施相关的属性数据，其中，IT设备相关的属性数据包括服务器负载、UPS的电力负载及热增率；环境相关的属性数据包括温度、湿度及露点温度；冷却***相关的属性数据包括冷却率及CRAC功率；基础设施相关的属性数据包括照明及HVAC功率，设在t时刻收集得到的数据中心能耗相关的属性数据X_t＝(x¹，x²，...，xⁿ)。

3.根据权利要求2所述的基于GRU神经网络预测数据中心能耗效率值PUE的方法，其特征在于，步骤2)的具体操作为：

21)将收集得到的数据中心能耗相关的属性数据X_t＝(x¹，x²，...，xⁿ)归一化到[0，1]之间，将归一化后的数据记为X_i＝(x¹，x²，...，xⁿ)；

22)利用特征选择算法选出与预测PUE相关性最大的m个属性数据。

4.根据权利要求3所述的基于GRU神经网络预测数据中心能耗效率值PUE的方法，其特征在于，步骤22)的具体操作为：

使用RFECV方法进行特征选择，选出与预测PUE关联性最大的m个属性数据X＝(x¹，x²，...，x^m)。

5.根据权利要求1所述的基于GRU神经网络预测数据中心能耗效率值PUE的方法，其特征在于，步骤3)中，使用GRU循环神经网络作为PUE预测模型，其中，GRU循环神经网络内的GRU神经元结构中存在重置门r_t与更新门z_t两个门控单元，用于实现记忆或遗忘之前训练步骤所产生的训练信息，GRU单元的具体计算过程为：

z_t＝σ(W_z·[h_t-1，x_t]+b_z)

r_t＝σ(W_r·[h_t-1，x_t]+b_r)

其中，z_t用于控制前一状态有多少信息h_t-1被写入到当前状态h_t，σ(·)为将值缩放到(0，1)之间的sigmoid激活函数，即：

t为传入待放缩的参数，其中，σ(·)值越接近0，则表示写入越多，σ(·)值越接近1，则表示写入得越少，其中，h_t-1表示t-1时刻输出的状态信息，x_t代表当前时刻的输入，W_z、W_r及W_h为权重参数，b_z、b_r及b_h为偏置常数；

r_t用于控制前一状态有多少信息被写入到当前的候选状态

r_t的值越接近于1，则表示前一状态被写入的信息越多，r_t的越接近于0，则表示前一状态被写入的信息越少；

表示当前时刻下的候选状态信息，tanh(·)激活函数用于将值缩放到[-1，1]之间，即：

6.根据权利要求5所述的基于GRU神经网络预测数据中心能耗效率值PUE的方法，其特征在于，步骤3)中对GRU预测模型进行训练的具体过程为：

设均方误差损失函数J(w)用于训练期间评估GRU预测模型对训练数据的拟合程度，J(w)的表达式为：

其中，N表示训练数据数目，y_i表示第i条数据的标签，即真实的PUE值，

为GRU预测模型预测的PUE值；

设训练优化器为Adam，其更新参数w的方式为：

先计算均方误差损失函数J(w)对参数w的梯度g_t，再计算梯度g_t的一阶矩m_t及二阶矩v_t，其中，

m_t＝β₁·m_t-1+(1-β₁)·g_t

v_t＝β₂·v_t-1+(1-β₂)·g_t ²

其中，β₁及β₂为超参数；

然后通过以下公式对一阶矩和二阶矩进行校正；

其中，β₁ ^t及β₂ ^t分别为β₁及β₂的t次方；

对参数w的更新过程为：

其中，α表示学习率，ε为超参数。

7.根据权利要求6所述的基于GRU神经网络预测数据中心能耗效率值PUE的方法，其特征在于，步骤4)的具体操作为：

用决定系数R²评估GRU预测模型，其中，决定系数R²的表达式为：

其中，y_i为测试样本真实的PUE值，

为GRU预测模型的预测值，

为测试样本PUE的均值，决定系数R²表示GRU预测模型对真实数据的拟合程度，决定系数R²的值越接近1，则表示GRU预测模型的预测准确性越高。

Images