典型文献
数据中心PUE能效优化的机器学习方法
文献摘要：
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.
文献关键词：
数据中心;PUE指标;能效优化;机器学习;神经网络;灵敏度分析
中图分类号：
作者姓名：
杨震;赵静洲;林依挺;夏恒;夏俐;赵千川;管晓宏
作者机构：
清华大学 自动化系,北京100084;深圳市腾讯计算机系统有限公司,深圳518052;中山大学管理学院,广州510275;西安交通大学电子与信息学部,西安710049
文献出处：
引用格式：
[1]杨震;赵静洲;林依挺;夏恒;夏俐;赵千川;管晓宏-.数据中心PUE能效优化的机器学习方法)[J].系统工程理论与实践,2022(03):801-810
A类：
B类：
数据中心,PUE,能效优化,机器学习方法,来降,心电,电能使用效率,power,usage,effectiveness,Google,工业界,特征数,特征变化,耦合特性,落地实施,噪声干扰,尚缺,模型优化,统计方法,代入,灵敏度分析,冷却系统,系统参数设计,腾讯,海量数据,现场条件,制冷系统,参数设定,实验效果
AB值：
0.337756
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
