【技术实现步骤摘要】
一种数据中心能耗预测方法及系统
[0001]本专利技术涉及IT基础领域，特别是涉及一种数据中心能耗预测方法及系统。
技术介绍
[0002]经验模态分解（empirical mode decomposition，EMD）是一种新的处理非平稳信号的方法——希尔伯特——黄变化的重要组成部分。基于EMD的时频分析方法既适合于非线性、非平稳信号的分析，也适合于线性、平稳信号的分析，并且对于线性、平稳信号的分析也比其他的时频分析方法更好地反映了信号的物理意义。
[0003]自适应白噪声完整集合经验模态分解（Complete ensemble EMD with adaptive noise，CEEMDAN），方法是对EMD方法的改进，利用白噪声均匀分布的统计特性，通过对目标信号多次添加一定幅值的白噪声来克服模态混叠的影响。
[0004]长短期记忆网络（Long Short
‑
Term Memory，LSTM）是一种时间循环神经网络，是为了解决一般的循环神经网络（Recurrent Neural Netwo...
【技术保护点】
【技术特征摘要】
1.一种数据中心能耗预测方法，其特征在于，包括：获取数据中心历史能耗数据；所述数据中心历史能耗数据为数据中心IT机房用电负荷；运用CEEMDAN算法将所述数据中心历史能耗数据自适应地分解成若干个不同尺度的固有模态分量以及剩余分量；重组不同尺度的所述固有模态分量，生成多个本征模态函数重组组合；构建堆叠式LSTM网络，并利用多个所述本征模态函数重组组合以及所述剩余分量训练所述堆叠式LSTM网络，并利用训练后的堆叠式LSTM网络预测新的模态分量；重构所述新的模态分量，预测未来的数据中心IT机房用电负荷。2.根据权利要求1所述的数据中心能耗预测方法，其特征在于，所述获取数据中心历史能耗数据，之后还包括：将所述数据中心历史能耗数据划分为训练集以及验证集；将所述训练集作为训练所述堆叠式LSTM网络的训练数据；将所述验证集作为优化器的验证数据，优化最优参数，以预测未来的数据中心IT机房用电负荷；所述最优参数包括白噪声稀疏、集成次数、最大迭代次数、本征模态函数重组组合的结构以及堆叠式LSTM网络的堆叠结构。3.根据权利要求2所述的数据中心能耗预测方法，其特征在于，所述运用CEEMDAN算法将所述数据中心历史能耗数据自适应地分解成若干个不同尺度的固有模态分量以及剩余分量，具体包括：利用公式计算固有模态分量；其中，为第k+1阶段的第k+1个固有模态分量，n为集成次数；N为经验模态分解次数；i为噪声添加次数；IMF1为第一阶段的第1个固有模态分量；为第一阶段的剩余分量；为第k阶段的自适应系数；为加入白噪声后的第k阶段的第k个固有模态分量；为白噪系数；利用公式计算剩余分量；其中，r
k
(n)为第k阶段的剩余分量；r
k
‑1(n)为第k
‑
1阶段的剩余分量；为第k阶段的第k个固有模态分量。4.根据权利要求3所述的数据中心能耗预测方法，其特征在于，所述堆叠式LSTM网络为四层LSTM堆叠网络；第一层包括32个LSTM单元；第二层包括128个LSTM单元；第三层包括32个LSTM单元；第四层包括3个全连接层单元；其中，所述LSTM单元包括遗忘门、更新门以及输出门；输入任一时刻的输入向量和以及先前状态经过所述更新门运算后，与修正过的遗忘门更新状态，生成当前状态；同时，使用非线性的激活函数过滤所述当前状态，与所述输出门运算后输出下一时刻状态。5.根据权利要求4所述的数据中心能耗预测方法，其特征在于，所述重构所述新的模态分量，预测未来的数据中心IT机房用电负荷，具体包括：
重构所述新的模态分量，生成新的本征模态函数重组组合；根据所述新的本征模态函数重组组合以及所述验证集输入至所述优化器，确定最佳参数；根据所述最佳参数预测未来的数据中心IT机房用电负荷。6.一种数据中心能耗预测系统，其特征在于，包括：数据中心历史能耗数据获取模块，用于获取数据中心历史能耗数据...
【专利技术属性】
技术研发人员：魏文斌，
申请(专利权)人：西安骏硕通信技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。