[發(fā)明專利]一種基于深度并行網絡的機房溫度預測方法

在審

• 申請?zhí)枺?/td>: 202110989614.7
• 申請日: 2021-08-26
• 公開（公告）號: CN113779107A
• 公開（公告）日: 2021-12-10
• 發(fā)明（設計）人: 鄧方;朱佳琪;鄭豪;趙佳晨;蔡燁蕓;高峰;石翔;高欣;陳杰
• 申請（專利權）人: 北京理工大學
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06N3/04;F24F11/80
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 田亞琪

本發(fā)明公開一種基于深度并行網絡的機房溫度預測方法，1：原始數據采集與預處理；2：利用基于最大信息因數的時空相關性估計器得到時空特征矩陣；3：將得到的時空特征矩陣輸入到多個并行的卷積神經網絡中；4：將經過CNNs提取后的時空特征矩陣并行輸入到基于注意力機制的LSTM模塊和Bi?LSTM模塊中；5：將得到的溫度短期預測特征與溫度長期預測特征通過特征融合層進行特征融合，并將最終融合特征輸入到全連接層進行解釋預測；6：利用訓練集、驗證集數據，對深度并行網絡模型進行訓練，得到最終的深度并行網絡的機房溫度預測模型；本發(fā)明能夠進一步提高機房內環(huán)境溫度的預測準確率。

技術領域

本發(fā)明屬于數據中心安全與節(jié)能的技術領域，具體涉及一種基于深度并行網絡的機房溫度預測方法。

背景技術

隨著國內“新基建”政策的提出，以及第五代移動通信技術、云計算、人工智能等領域的迅猛發(fā)展，數據中心的建設將而迎來新一輪的爆發(fā)，伴隨著數據中心的迅速發(fā)展，數據中心的安全性要求和高能耗問題也日益突出。在數據中心的機房內，電子設備的高密度產生的熱耦合，會導致高溫環(huán)境出現，進而導致元器件壽命縮短，性能和可靠性下降，因而數據中心往往會設置過低的溫度期望值，采取高強度全天候空調冷卻，以保證穩(wěn)定可靠的工作環(huán)境，但這會造成巨大的能源浪費，增加了數據中心的運營成本。同時，由于溫度的大慣性特點，溫度控制具有一定的時滯性，只簡單設置好發(fā)出報警、開啟空調操作的溫度閾值，可能會由于溫度延遲導致嚴重后果，具有一定的安全隱患。

基于上述問題，部分機房采取的溫度控制策略是，根據室內外溫度情況，制定簡單的控制邏輯，如當室外溫度降低時，將機房內溫度的設定值提高若干度，以降低冷卻功率損耗，節(jié)約成本；當室外溫度升高時，將機房內溫度的設定值降低若干度，以保證機房內溫度不超過設置閾值，維持機房內元器件可靠高效的工作。這種策略邏輯簡單，實施方便，能在一定程度上降低能耗。但該套規(guī)則事實上是根據當前環(huán)境狀態(tài)做出的決策，并未對未來可能出現的狀態(tài)進行提前預估，同時并沒有考慮機房中其他因素的影響，如機房負載功率、通風狀態(tài)等。對于溫度這種大慣性變量，只考慮當前的狀態(tài)而給出控制決策，效果往往是不如人意的，因此，對于機房各工作站進行準確的溫度預測是很有必要的。

發(fā)明內容

有鑒于此，本發(fā)明針對現有技術中存在的問題，提供了一種基于深度并行網絡的機房溫度預測方法，能夠進一步提高機房內環(huán)境溫度的預測準確率。

為實現上述目的，本發(fā)明采用的技術方案如下：

一種基于深度并行網絡的機房溫度預測方法，所述深度并行網絡包括并行卷積神經網絡(CNNs)模塊、基于注意力機制的LSTM模塊、Bi-LSTM模塊、特征融合模塊以及回歸預測模塊，包括如下步驟：

步驟1：進行環(huán)境數據和工作站數據的采集與預處理；

步驟2：將采集并預處理后的數據輸入基于最大信息因數(MIC)的時空相關性估計器得到與機房溫度相關聯(lián)的參數的時空特征矩陣；

步驟3：將得到的時空特征矩陣輸入到多個并行的卷積神經網絡(CNNs)中；

步驟4：將經過CNNs提取后的時空特征矩陣并行輸入到基于注意力機制的LSTM模塊以及Bi-LSTM模塊中，分別得到機房溫度的短期預測特征和長期預測特征；

步驟5：將得到的短期預測特征與長期預測特征通過特征融合模塊進行特征融合，并將最終融合特征輸入到回歸預測模塊進行解釋預測；

步驟6：將采集并預處理后的數據劃分訓練集、驗證集，對深度并行網絡按照步驟2-步驟5的操作進行訓練，得到深度并行網絡的機房溫度預測模型，用于對工作站溫度的預測。