CN110826258B - 基于时空卷积神经网络的数据中心机房仿真环境构建方法 - Google Patents

Abstract

本发明涉及一种基于时空卷积神经网络的数据中心机房仿真环境构建方法，使用时空卷积神经网络模型拟合机房仿真环境，模型的单条输入是过去一段时间机房所有精密空调的水阀开度、风机转速、冷冻水进水温度，输出是未来一段时间机房内所有冷通道传感器的温度；将输入数据组织为张量形式，其中第3维是时间维度，第1、2维存放某个时刻的所有精密空调的水阀开度、风机转速、冷冻水进水温度，按照实际机房中空调的空间位置关系组织第1、2维数据。输出数据组织为一个1维向量。本方法模型拟合效果显著，更快速有效、低成本地得到精密空调运行与通道传感器之间的动态关系。

Description

基于时空卷积神经网络的数据中心机房仿真环境构建方法

技术领域

本专利申请属于数据中心机房能效管理技术领域，更具体地说，是涉及一种基于时空卷积神经网络的数据中心机房仿真环境构建方法。

背景技术

数据中心机房仿真环境对于机房控制系统能效管理具有重要的意义，当前仿真环境构建方法是通过基于计算流体力学(CFD)软件进行模拟，对整个机房物理结构、材料性质等进行建模，计算出空气的流动特性、温度场、压力场等。该方法的缺点是需要对机房环境进行大量参数的测量；同时构建仿真环境工程量大，仿真环境运行时计算量大，并且由于机房设计之间通常存在一定差异，对单一机房的模拟难以被大规模应用。

发明内容

本发明需要解决的技术问题是提供一种基于时空卷积神经网络的数据中心机房仿真环境构建方法，在模型拟合效果上良好，并可减少工作量和计算量，提高移植适用性。

为了解决上述问题，本发明所采用的技术方案是：

一种基于时空卷积神经网络的数据中心机房仿真环境构建方法，利用数据中心机房运行历史数据生成输入数据，使用时空卷积神经网络模型拟合机房仿真环境，从而捕捉到数据中心机房精密空调运行状态在时域上和空域上的动态关系，然后利用时空卷积神经网络模型对输入数据进行若干次时域卷积和空域卷积，最后生成所需的输出数据，其中的输入数据和输出数据均为张量形式。

本发明技术方案的进一步改进在于：时空卷积神经网络模型的输入数据包括过去一段时间内数据中心机房所有精密空调的水阀开度、风机转速、冷冻水进水温度，输出数据包括未来一段时间机房内所有冷通道传感器的温度。

本发明技术方案的进一步改进在于：将每一条输入数据输入数据组织为3维张量形式，其中第3维是时间维度，第1维、第2维存放某个时刻的所有精密空调的水阀开度、风机转速、冷冻水进水温度，按照数据中心机房中空调的实际空间位置关系组织第1维、第2维数据；输出数据组织为一个1维向量，即时空卷积神经网络模型接收一个3维张量，输出一个1维向量，即时空卷积神经网络模型每条输入数据格式均为一个3维张量，对应输出数据格式为一个1维向量。

本发明技术方案的进一步改进在于：时空卷积神经网络模型的具体数据处理过程为：

对于单条数据，假设输入数据的维度是(W，H，C)，时空卷积神经网络模型首先进行时域卷积，即在第3个维度上进行卷积，每一个卷积核会产生一个(W，H，K)的张量，n个卷积核在第3个维度拼接到一起生成一个(W，H，n*K)的张量；

进行多次时域卷积，开始进行空域卷积，在第1、第2个维度上进行卷积，每一个卷积核会产生一个(w，h，1)的张量，其中w<＝W，h<＝H，m个卷积核在第3维度拼接到一起形成一个(w，h，m)的张量；

进行多次空域卷积后，将输出张量转化为一个1维向量，并在最后加入全连接层(全连接层的作用是1维转1维，只是元素个数变少了)，使其输出维度符合要求。

本发明技术方案的进一步改进在于：在空域卷积过程中还加入正则化策略，以有效防止时空卷积神经网络模型过拟合。

本发明技术方案的进一步改进在于：正则化策略为BN和Dropout，BN为批量归一化BatchNormalization，Dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。注意是暂时，对于随机梯度下降来说，由于是随机丢弃，故而每一个mini-batch都在训练不同的网络。

由于采用了上述技术方案，本发明取得的有益效果是：

1、基于机房运行历史数据，时空卷积神经网络模型可以同时捕捉到机房精密空调运行状态时域上和空域上的动态关系，并且通过在训练中加入了批量归一化(BatchNormalization)、Dropout(dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。注意是暂时，对于随机梯度下降来说，由于是随机丢弃，故而每一个mini-batch都在训练不同的网络)等正则化的技术，有效防止模型过拟合，在模型拟合效果上明显优于全连接神经网络以及其他统计机器学习方法。

2、使用神经网络模型拟合机房仿真环境相比CFD建模(计算流体动力学)更快速有效、低成本地得到精密空调运行与通道传感器之间的动态关系，进一步被用于精密空调控制的节能优化上。

CFD建模需要对每间机房进行独立建模，这个需要大量的测量工作才能构建仿真度足够高的模型，并且如果机房环境发生改变(如精密空调、服务器等摆放位置发生变化)，则需要重新建模。专利提出的方法是数据驱动的方法，即不需要对机房环境进行大量测量，只要有传感器数据就可以按照描述的方法训练模型，无论是新机房还是机房环境发生改变，都只需要重新训练模型即可。

成本方面，CFD建模需要使用成本昂贵的CFD软件，而专利提出的方法可以使用开源免费的软件进行模型训练；时间方面，主要体现在CFD建模需要现场进行相关的测量工作，以及环境发生变化后需要重新测量(位置、形状、材质等等)；专利提出的方法可以省去测量这一步，并且在环境发生变化时更快速的更新

附图说明

图1为本发明的原理图；

图2为本发明在某一时刻t的输入数据排列图。

具体实施方式

下面结合实施例对本发明做进一步详细说明。

本发明公开了一种基于时空卷积神经网络的数据中心机房仿真环境构建方法，利用数据中心机房运行历史数据生成输入数据，使用时空卷积神经网络模型拟合机房仿真环境，从而捕捉到数据中心机房精密空调运行状态在时域上和空域上的动态关系，然后利用时空卷积神经网络模型对输入数据进行若干次时域卷积和空域卷积，最后生成所需的输出数据，其中的输入数据和输出数据均为张量形式。

时空卷积神经网络模型的输入数据包括过去一段时间内数据中心机房所有精密空调的水阀开度、风机转速、冷冻水进水温度，输出数据包括未来一段时间数据中心机房内所有冷通道传感器的温度。

将每一条输入数据组织为3维张量形式，其中第3维是时间维度，第1维、第2维长和宽用于存放某个时刻的所有精密空调的水阀开度、风机转速、冷冻水进水温度，按照数据中心机房中空调的实际空间位置顺序进行排列，以组织第1维、第2维数据；输出数据组织为一个1维向量，即时空卷积神经网络模型接收一个3维张量，输出一个1维向量，即时空卷积神经网络模型每条输入数据格式均为一个3维张量，对应输出数据格式为一个1维向量。

参见图1、图2，是一个时空卷积神经网络的网络层结构，一层叠一层。数据输入方面，比如数据中心每间机房有10台空调，wv_t ¹，fs_t ¹，tw_t ¹，分别表示1号空调在t时刻的水阀开度，风机装束，冷冻水进水温度，以此类推。后面层的时间是递减的，最前面的是t时刻，后面是t-1，t-2，t-3等时刻。最后输出t+1时刻的数据中心机房内所有冷通道传感器的温度T_t+1 ⁱ，i取值为1-16。

时空卷积神经网络模型的具体数据处理过程为：

对于单条数据，假设输入数据的维度是(W，H，C)，时空卷积神经网络模型首先进行时域卷积，即在第3个维度上进行卷积，每一个卷积核会产生一个(W，H，K)的张量，n个卷积核在第3个维度拼接到一起生成一个(W，H，n*K)的张量；

进行多次时域卷积，开始进行空域卷积，在第1、第2个维度上进行卷积，每一个卷积核会产生一个(w，h，1)的张量，其中w<＝W，h<＝H，m个卷积核在第3维度拼接到一起形成一个(w，h，m)的张量；

进行多次空域卷积后，将输出张量转化为一个1维向量，并在最后加入全连接层(全连接层的作用是1维转1维，只是元素个数变少了)，使其输出维度符合要求。在此过程中增加了一个Flatten(展平、压平的意思)，这个操作是卷积神经网络里面一般都会有的操作，在这里是把多维的输入变成一维的数据，基本上就是把前面3维的数据展平，变成一个一维的向量。

在空域卷积过程中还加入正则化策略，以有效防止时空卷积神经网络模型过拟合。正则化策略为BN和Dropout，BN为批量归一化Batch Normalization，Dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。注意是暂时，对于随机梯度下降来说，由于是随机丢弃，故而每一个mini-batch都在训练不同的网络。

本发明中机器学习的核心问题是，模型的设计不仅在训练数据上表现好，并且能在新输入上泛化好。正则化策略是指，以增大训练误差为代价，来减少测试误差(如果在训练误差上很小，可能出现过拟合的情况)；最好的拟合模型(最小化泛化误差的意义上)是一个适当正则化的大型模型。正则化的作用实际上就是防止模型过拟合，提高模型的泛化能力，其思想是在损失函数中加入刻画模型复杂结构的指标。

Claims (3)

1.一种基于时空卷积神经网络的数据中心机房仿真环境构建方法，其特征在于：利用数据中心机房运行历史数据生成输入数据，使用时空卷积神经网络模型拟合机房仿真环境，从而捕捉到数据中心机房精密空调运行状态在时域上和空域上的动态关系，然后利用时空卷积神经网络模型对输入数据进行若干次时域卷积和空域卷积，最后生成所需的输出数据，其中的输入数据和输出数据均为张量形式，

时空卷积神经网络模型的输入数据包括过去一段时间内数据中心机房所有精密空调的水阀开度、风机转速、冷冻水进水温度，输出数据包括未来一段时间机房内所有冷通道传感器的温度，将每一条输入数据组织为3维张量形式，其中第3维是时间维度，表示过去一段时间，第1维、第2维存放某个时刻的所有精密空调的水阀开度、风机转速、冷冻水进水温度，按照数据中心机房中空调的实际空间位置关系组织第1维、第2维数据；输出数据组织为一个1维向量，即时空卷积神经网络模型每条输入数据格式均为一个3维张量，对应输出数据格式为一个1维向量，时空卷积神经网络模型的具体数据处理过程为：

对于单条数据，假设输入数据的维度是(W，H，C)，时空卷积神经网络模型首先进行时域卷积，即在第3个维度上进行卷积，每一个卷积核会产生一个(W，H，K)的张量，n个卷积核在第3个维度拼接到一起生成一个(W，H，n*K)的张量；

进行多次时域卷积，开始进行空域卷积，在第1、第2个维度上进行卷积，每一个卷积核会产生一个(w，h，1)的张量，其中w<＝W，h<＝H，m个卷积核在第3维度拼接到一起形成一个(w，h，m)的张量；

进行多次空域卷积后，将输出张量转化为一个1维向量，并在最后加入全连接层，使其输出维度符合要求。

2.根据权利要求1所述的基于时空卷积神经网络的数据中心机房仿真环境构建方法，其特征在于：在空域卷积过程中还加入正则化策略，以有效防止时空卷积神经网络模型过拟合。

3.根据权利要求2所述的基于时空卷积神经网络的数据中心机房仿真环境构建方法，其特征在于：正则化策略为批量归一化BatchNormalization和Dropout。

Images