一种基于迁移学习的数据中心能效优化方法技术

本发明专利技术公开了数据挖掘和机器学习领域的一种基于迁移学习的数据中心能效优化方法，包括模型训练方法和模型推理决策方法，使用所有机组的数据样本基于Base Model预训练一个基础模型，将基础模型学习到的隐藏层参数迁移到各机组的List‑wise Model中，使用较小学习率进行微调，解决了部分机组样本缺失的问题，提高了模型的泛化能力；通过设计多任务学习模型与多目标损失加入rank约束，解决了因噪声导致的过拟合问题与模型高方差问题，通过随机与周期滑窗的方式选取样本对提高模型的收敛速度；使用能耗预测任务的最优化线性搜索得出最优的机组控制参数，使用rank预测任务的排序模型对控制参数进行排序，综合选出最优的控制参数，增加了最优化控制参数的准确性与鲁棒性。

A data center energy efficiency optimization method based on migration learning

【技术实现步骤摘要】
一种基于迁移学习的数据中心能效优化方法
本专利技术涉及数据挖掘和机器学习
，具体为一种基于迁移学习的数据中心能效优化方法。
技术介绍
能源和环境问题的出现将节能减排提上了重要议程，随着云服务、大数据、AI计算等技术的发展，企业与政府投建了大量的数据中心，而目前中国的数据中心能耗普遍较高，平均PUE值在2.2-3.0之间。中国数据中心用电量占全社会用电量的3％，预计2020年将达到3.3％。目前，数据中心节能方面的研究很多，并且往往使用能耗模拟软件模拟和比较不同方案的能效性能，从而辅助设计决策与优化。尽管如此，大部分研究偏向于研究设计阶段的节能潜力，并未考虑实际投运当中的能效优化。比如2016年GOOGLE的工程师提出了一种使用深度学习的模型预测控制方法，寻找控制点与PUE的关系，从而帮助暖通工程师做控制优化以及帮助数据中心设计师借鉴设计经验。但该建模方法存在以下缺陷：建模难度大，对数据量与数据质量要求较高，容易过拟合，泛化性能差。鉴于此，本文以某数据中心冷却侧能耗优化为例，探索一种基于迁移学习与List-wisemodel本文档来自技高网...

【技术保护点】
1.一种基于迁移学习的数据中心能效优化方法，其特征在于：包括模型训练方法和模型推理决策方法，/n所述模型训练方法具体包括以下步骤：/nS1：输入历史原始数据；/nS2：对原始数据进行数据预处理与特征工程；/nS3：提取各机组的训练样本；/nS4：构造Base model训练样本：合并各机组训练样本，并随机洗牌；/nS5：训练Base model，得到一个精度较高，方差较大的预测模型；/nS6：构造List-wise model训练样本，选取指定机组的训练样本，随机洗牌后组合成列表样本；/nS7：迁移Base model预训练权重，微调List-wise model，将Base model中预训...

【技术特征摘要】
1.一种基于迁移学习的数据中心能效优化方法，其特征在于：包括模型训练方法和模型推理决策方法，
所述模型训练方法具体包括以下步骤：
S1：输入历史原始数据；
S2：对原始数据进行数据预处理与特征工程；
S3：提取各机组的训练样本；
S4：构造Basemodel训练样本：合并各机组训练样本，并随机洗牌；
S5：训练Basemodel，得到一个精度较高，方差较大的预测模型；
S6：构造List-wisemodel训练样本，选取指定机组的训练样本，随机洗牌后组合成列表样本；
S7：迁移Basemodel预训练权重，微调List-wisemodel，将Basemodel中预训练好的隐藏层的参数迁移至List-wisemodel的共享隐藏层中，调小模型学习率进行微调；
S8：模型裁剪，将模型的PredictorModel与RankModel裁剪成两个独立的模型。
所述模型推理决策方法具体包括以下步骤：
S9：输入线上原始数据；
S10：对原始数据进行数据预处理与特征工程；
S11：提取各机组的预测样本；
S12：基于PredictorModel执行最优化控制参数搜索求解；
S13：得出几组最优控制参数；
S14：使用RankModel对控制参数进行排序；
S15：输出最优控制参数。


2.根据权利要求1所述的一种基于迁移学习的数据中心能效优化方法，其特征在于：所述Basemodel训练样本为单目标样本，且融合了所有机组的运行数据。


3.根据权利要求1所述的一种基于迁移学习的数据中心能...

【专利技术属性】
技术研发人员：张发恩，马凡贺，
申请(专利权)人：创新奇智南京科技有限公司，
类型：发明
国别省市：江苏;32