[发明专利]一种基于深度并行网络的机房温度预测方法

说明书

本发明公开一种基于深度并行网络的机房温度预测方法，1：原始数据采集与预处理；2：利用基于最大信息因数的时空相关性估计器得到时空特征矩阵；3：将得到的时空特征矩阵输入到多个并行的卷积神经网络中；4：将经过CNNs提取后的时空特征矩阵并行输入到基于注意力机制的LSTM模块和Bi‑LSTM模块中；5：将得到的温度短期预测特征与温度长期预测特征通过特征融合层进行特征融合，并将最终融合特征输入到全连接层进行解释预测；6：利用训练集、验证集数据，对深度并行网络模型进行训练，得到最终的深度并行网络的机房温度预测模型；本发明能够进一步提高机房内环境温度的预测准确率。

技术领域

本发明属于数据中心安全与节能的技术领域，具体涉及一种基于深度并行网络的机房温度预测方法。

背景技术

随着国内“新基建”政策的提出，以及第五代移动通信技术、云计算、人工智能等领域的迅猛发展，数据中心的建设将而迎来新一轮的爆发，伴随着数据中心的迅速发展，数据中心的安全性要求和高能耗问题也日益突出。在数据中心的机房内，电子设备的高密度产生的热耦合，会导致高温环境出现，进而导致元器件寿命缩短，性能和可靠性下降，因而数据中心往往会设置过低的温度期望值，采取高强度全天候空调冷却，以保证稳定可靠的工作环境，但这会造成巨大的能源浪费，增加了数据中心的运营成本。同时，由于温度的大惯性特点，温度控制具有一定的时滞性，只简单设置好发出报警、开启空调操作的温度阈值，可能会由于温度延迟导致严重后果，具有一定的安全隐患。

基于上述问题，部分机房采取的温度控制策略是，根据室内外温度情况，制定简单的控制逻辑，如当室外温度降低时，将机房内温度的设定值提高若干度，以降低冷却功率损耗，节约成本；当室外温度升高时，将机房内温度的设定值降低若干度，以保证机房内温度不超过设置阈值，维持机房内元器件可靠高效的工作。这种策略逻辑简单，实施方便，能在一定程度上降低能耗。但该套规则事实上是根据当前环境状态做出的决策，并未对未来可能出现的状态进行提前预估，同时并没有考虑机房中其他因素的影响，如机房负载功率、通风状态等。对于温度这种大惯性变量，只考虑当前的状态而给出控制决策，效果往往是不如人意的，因此，对于机房各工作站进行准确的温度预测是很有必要的。

发明内容

有鉴于此，本发明针对现有技术中存在的问题，提供了一种基于深度并行网络的机房温度预测方法，能够进一步提高机房内环境温度的预测准确率。

为实现上述目的，本发明采用的技术方案如下：

一种基于深度并行网络的机房温度预测方法，所述深度并行网络包括并行卷积神经网络(CNNs)模块、基于注意力机制的LSTM模块、Bi-LSTM模块、特征融合模块以及回归预测模块，包括如下步骤：

步骤1：进行环境数据和工作站数据的采集与预处理；

步骤2：将采集并预处理后的数据输入基于最大信息因数(MIC)的时空相关性估计器得到与机房温度相关联的参数的时空特征矩阵；

步骤3：将得到的时空特征矩阵输入到多个并行的卷积神经网络(CNNs)中；

步骤4：将经过CNNs提取后的时空特征矩阵并行输入到基于注意力机制的LSTM模块以及Bi-LSTM模块中，分别得到机房温度的短期预测特征和长期预测特征；

步骤5：将得到的短期预测特征与长期预测特征通过特征融合模块进行特征融合，并将最终融合特征输入到回归预测模块进行解释预测；

步骤6：将采集并预处理后的数据划分训练集、验证集，对深度并行网络按照步骤2-步骤5的操作进行训练，得到深度并行网络的机房温度预测模型，用于对工作站温度的预测。