[發明專利]能源使用效率PUE的預測方法、裝置、終端及介質

在審

• 申請號: 201911030217.6
• 申請日: 2019-10-28
• 公開（公告）號: CN110781595A
• 公開（公告）日: 2020-02-11
• 發明（設計）人: 夏俐;朱華;高江;岳上;韓建軍;楊震;夏恒;栗權;林森;趙靜洲;徐東;黃現東;鄭煥瓊;趙千川;賈慶山;管曉宏
• 申請（專利權）人: 騰訊科技(深圳)有限公司;清華大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06Q10/04;G06Q50/06
• 代理公司: 44202 廣州三環專利商標代理有限公司
• 代理人: 郝傳鑫;熊永強

本發明實施例提供了一種能源使用效率PUE的預測方法、裝置、終端及介質，其中，所述方法包括：獲取數據中心的環境特征數據，所述環境特征數據為影響所述數據中心PUE預測的環境數據；利用PUE預測模型對所述環境特征數據進行PUE預測，得到預測PUE值；其中，所述PUE預測模型為根據所述數據中心的歷史影響數據訓練獲得，所述歷史影響數據包括PUE特征數據和真實PUE值。通過實施本發明，可以提高PUE預測準確度。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種能源使用效率PUE的預測方法、裝置、終端及介質。

背景技術

能源使用效率(Power Usage Effectiveness，PUE)，即互聯網數據中心消耗的總能源(總負載)與IT(Internet Technology，互聯網技術)設備消耗的能源(IT負載)之比，是衡量數據中心的電能使用效率的指標。能源使用效率的值越接近于1，表示該數據中心的能源使用更優。

數據中心將數據中心的IT設備、制冷系統、照明設施和備用電源等進行集中管理，通過優化關鍵的配置參數可優化能源使用效率的值，但是很難預測或改變數據中心的配置參數所帶來的影響。目前，終端設備采用諸如回歸分析法、時間序列法和灰色模型法等傳統預測算法，對未來一段時間的能源使用效率的值進行預測，但受限于算法精度，PUE預測的效果不佳、預測準確度較低。

發明內容

本發明實施例公開了一種能源使用效率PUE的預測方法、裝置、終端及介質，可以實現對數據中心的能源使用效率PUE值的預測，提高預測準確度。

第一方面，本發明實施例提供了一種能源使用效率PUE的預測方法，該能源使用效率PUE的預測方法包括：獲取數據中心的環境特征數據，該環境特征數據為影響數據中心PUE預測的環境數據；利用PUE預測模型對環境特征數據進行PUE預測，得到預測PUE值；其中，PUE預測模型為根據數據中心的歷史影響數據訓練獲得，該歷史影響數據包括PUE特征數據和真實PUE值。

在一種實現方式中，利用PUE預測模型對環境特征數據進行PUE預測，得到預測PUE值之前包括：獲取數據中心的歷史影響數據；根據該歷史影響數據對初始預測模型進行訓練，得到訓練后的PUE預測模型。

在一種實現方式中，獲取數據中心的歷史影響數據包括：獲取目標影響數據，該目標影響數據包括環境數據、數據中心中所有設備的總能耗數據及數據中心中互聯網技術IT設備的能耗數據；對該目標影響數據中的環境數據進行特征提取，得到PUE特征數據；對該目標影響數據中的總能耗數據及IT設備的能耗數據進行計算，得到真實PUE值；將目標影響數據對應的PUE特征數據和真實PUE值確定為歷史影響數據。

在一種實現方式中，將目標影響數據對應的PUE特征數據和真實PUE值確定為歷史影響數據包括：對PUE特征數據和真實PUE值進行預處理，得到預處理后的PUE特征數據和真實PUE值；將該預處理后的PUE特征數據和真實PUE值，確定為歷史影響數據；其中，預處理包括異常值剔除、缺失值填補或數據轉換。

在一種實現方式中，根據歷史影響數據對初始預測模型進行訓練，得到訓練后的PUE預測模型包括：將歷史影響數據拆分為訓練集和測試集；利用訓練集對初始預測模型進行訓練，得到訓練預測模型；調用訓練預測模型對測試集中的測試特征數據進行PUE預測，得到測試PUE值；根據該測試PUE值和測試集中的真實PUE值，對訓練預測模型進行模型評估，得到評估參數；根據該評估參數對訓練預測模型中的模型參數進行矯正及再訓練，得到訓練后的PUE預測模型。

在一種實現方式中，利用訓練集對初始預測模型進行訓練，得到訓練預測模型包括：調用初始預測模型遍歷歷史影響數據中的PUE特征數據，構建分類回歸樹，該分類回歸樹包括有每個PUE特征數據的頻數；根據每個PUE特征數據的頻數，對PUE特征數據進行排序，得到PUE特征排序，該PUE特征排序用于反映PUE特征數據影響PUE預測的重要程度。