杨震, 赵静洲, 林依挺, 夏恒, 夏俐, 赵千川, 管晓宏
本文研究如何利用机器学习方法来降低数据中心电能使用效率(power usage effectiveness,PUE)指标.现阶段以Google公司为代表的工业界使用的神经网络模型考虑的特征数量较少,且仅考虑单一特征变化对PUE指标的影响,缺少对特征之间耦合特性的分析.此外,机器学习方法对数据集的质量和数量要求都很高,并且落地实施过程和结论判断皆容易受到噪声干扰,整体难度较大.现阶段学术界和工业界尚缺少对具体优化案例的详细阐述.本文对现阶段利用神经网络模型优化PUE指标的方法进行改进,增加了特征维数,提高了预测精度,取得了超出Google公司PUE模型预测精度的结果.利用历史样本轨道,使用统计方法近似得出特征之间的耦合特性,并代入灵敏度分析中,得到更加精确的分析结果.提出基于灵敏度分析的冷却系统参数设计优化方案;利用腾讯华北某数据中心的海量数据和现场条件,实施制冷系统参数设定优化的实验,实验效果证明了优化方案的有效性.