[發明專利]數據中心能效比優化方法、系統、設備及可讀存儲介質

在審

• 申請號: 202010581410.5
• 申請日: 2020-06-23
• 公開（公告）號: CN111786824A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 李凌;翟天一;錢聲攀;張鑫;李哲;申連騰;劉建杰;王樹嶺;賈強;李宇曜
• 申請（專利權）人: 中國電力科學研究院有限公司;國網上海市電力公司;國家電網有限公司
• 主分類號: H04L12/24
• 分類號: H04L12/24;H04L12/851;H04L29/08;G06N20/00
• 代理公司: 北京中巡通大知識產權代理有限公司 11703
• 代理人: 張曉凱

本發明屬于數據中心領域，公開了一種數據中心能效比優化方法、系統、設備及可讀存儲介質，所述優化方法包括：當數據中心的業務類型改變時，獲取數據中心的業務類型的類別，并根據業務類型的類別選取預設的AI預測模型；通過選取的AI預測模型進行數據中心的能耗評估與服務器負載預測，得到數據中心能效比優化依據；根據數據中心能效比優化依據優化數據中心能效比。在業務類型發生變化時，通過選取預設的AI預測模型，不需等待AI預測模型的訓練時間，實現能耗評估與服務器負載預測的即時響應，進而提高數據中心能效比。

技術領域

本發明屬于數據中心領域，涉及一種數據中心能效比優化方法、系統、設備及可讀存儲介質。

背景技術

新基建的快速發展，為數據中心等新型基礎設施的建設提供了新的機遇和挑戰，隨著數據和計算量的大量增長，數據中心的網絡流量極大增長，帶來部分計算資源損耗等問題，數據中心的建設應著眼于綠色節能、降低運營成本等方向。能效比是數據中心的關鍵參數，空調制冷系統、UPS、機房照明等都是影響數據中心能耗的因素，如何優化數據中心的參數成為數據中心發展的關鍵。機器學習算法眾多，可對數據進行處理，對各類設備進行系統化的分析和決策控制，對提高數據中心能效比有重要意義。

當前的數據中心能效比優化依據主要基于AI模型的能耗評估與服務器負載預測技術，而AI模型的訓練時間往往需要十幾個小時乃至幾天，伴隨著AI模型訓練數據量及數據中心業務類型的多樣化，在數據中心業務類型發生變化時，無法對能效比優化提供即時支撐。

發明內容

本發明的目的在于克服上述現有技術中，數據中心業務類型發生變化時，AI模型學習時間較長，無法對能效比優化提供即時支撐的缺點，提供一種數據中心能效比優化方法、系統、設備及可讀存儲介質。

為達到上述目的，本發明采用以下技術方案予以實現：

本發明一方面，一種數據中心能效比優化方法，包括以下步驟：

當數據中心的業務類型改變時，獲取數據中心的業務類型的類別，并根據業務類型的類別選取預設的AI預測模型；

通過選取的AI預測模型進行數據中心的能耗評估與服務器負載預測，得到數據中心能效比優化依據；

根據數據中心能效比優化依據優化數據中心能效比。

本發明數據中心能效比優化方法進一步的改進在于：

所述根據業務類型的類別選取對應的AI預測模型的具體方法為：

根據業務類型的類別從預設的AI預測模型集中選取對應的AI預測模型；

其中，所述AI預測模型集內包括若干AI預測模型，若干AI預測模型一一對應的適用于處理不同類別業務類型的數據中心。

所述AI預測模型集的建立方法為：

建立用于數據中心的能耗評估與服務器負載預測的初始AI模型；

獲取數據中心的業務類型的若干類別，獲取數據中心處理每種類別的業務類型時的實際耗能數據與實際服務器負載數據，得到若干組實際耗能數據與實際服務器負載數據；

通過若干組實際耗能數據與實際服務器負載數據分別訓練所述初始AI模型，得到若干AI預測模型，若干AI預測模型組合得到AI預測模型集。

所述AI預測模型集的建立方法為：

獲取數據中心的業務類型的若干類別；

根據業務類型的類別，選取同樣軟硬件配置的現有數據中心處理同一類別業務類型時采用的AI預測模型；

依次選取若干類別的業務類型對應的AI預測模型，得到若干AI預測模型，若干AI預測模型組合得到AI預測模型集。