CN115907138B

CN115907138B - 一种用于对数据中心的pue值进行预测的方法、系统及介质

Info

Publication number: CN115907138B
Application number: CN202211446345.0A
Authority: CN
Inventors: 周飞; 包宇; 虎长安; 简耀佳; 张宏东
Original assignee: Anhua Data Dongguan Co ltd
Current assignee: Anhua Data Dongguan Co ltd
Priority date: 2022-11-18
Filing date: 2022-11-18
Publication date: 2023-06-30
Anticipated expiration: 2042-11-18
Also published as: CN115907138A

Abstract

本申请公开了一种用于对数据中心的PUE值进行预测的方法、系统及介质，该方法由包含第一网络和第二网络的神经网络执行，首先使用数据中心机房内的历史参数和服务器的历史功耗数据训练所述第一网络，得出服务器的第一功耗预测数据后再将其与所述服务器的历史功耗数据输入到第二网络以训练所述第二网络，在所述第二网络输出所述服务器的第二功耗预测数据与所述服务器的历史功耗数据之间的差值小于预定门限值时，得到训练后最终的神经网络模型，从而将所述服务器当前运行状态下的环境参数和工作参数输入所述训练后最终的神经网络，便得出所述服务器的功耗预测数据。该方法无需运维人员手动对数据中心进行管控，保证了数据中心能够持续高效、节能、稳定地运行。

Description

一种用于对数据中心的PUE值进行预测的方法、系统及介质

技术领域

本发明涉及数据中心能耗节省的技术领域，尤其涉及一种用于对数据中心的PUE值进行预测的方法、系统及介质。

背景技术

如今，互联网产业正在以惊人的速度快速发展，各种云计算技术层出不穷，为这些云计算提供服务的数据中心也相应地快速增长。目前，我国在数据中心的建设中，面临着的一个困境是由数据中心所引发的能耗在不断增大，跟发达国家比起来，我国所建设的数据中心存在着能耗巨大，资源利用效率不高的问题。

在本领域中，使用了PUE(Power Usage Effectiveness，能源使用效率)来对数据中心的能源使用状况进行衡量，它的物理定义是数据中心所消耗的总的能源值与IT设备所消耗的能源值之比，PUE越低，表明数据中心在碳中和方面的绿色程度越高，因此如何能对数据中心的PUE进行预测，并基于预测的值来对数据中心内的设备的工作参数进行调整成为了一个急需解决的问题。目前，对于数据中心的管理人员而言，需要人工地去到数据中心机房内去检测设备的运行状态，并计算各个设备的能耗，从而才能得知数据中心的PUE值，再根据设备的运行需求，对基础设施的运行状态进行调整，实现碳中和的目的。在这过程中，需要管理人员对相关的机房内的设备的操作以及相关的性能非常熟悉。因此，带来的问题是，如果管理人员因故无法及时去到现场，或者管理人员变更，则会造成无法及时地去数据中心的PUE值作出预测，影响到后续数据中心PUE值的优化调整。

发明内容

鉴于上述因素的不足，本发明提出一种用于对数据中心的PUE值进行预测的方法、系统及介质，该方法可以及时准确地对数据中心的PUE值进行预测而无需管理人员去到现场采集数据并管控，使得数据中心能够持续、稳定、高效地运行。

本发明提出了以下的技术方案：

第一方面，本发明提出了一种用于对数据中心的PUE值进行预测的方法，该方法由一神经网络执行，该神经网络包括第一网络和第二网络，首先对该神经网络模型进行训练，该训练过程包括：获取数据中心机房内的历史参数和服务器的历史功耗数据，使用所述历史参数和服务器的历史功耗数据训练所述第一网络，得出服务器的第一功耗预测数据，将所述第一功耗预测数据和所述服务器的历史功耗数据输入到所述第二网络以对其训练，所述第二网络输出所述服务器第二功耗预测数据；对该第二功耗预测数据与所述服务器的历史功耗数据进行比较，如果它们之间的差值小于预定门限值，则得到训练后最终的神经网络模型；其中，数据中心机房内的历史参数包括机房的历史环境参数和所述服务器的历史工作参数；然后，获取所述服务器当前运行状态下的环境参数和工作参数，将该当前运行状态下的环境参数和工作参数输入所述训练后最终的神经网络，得出所述服务器的功耗预测数据；最后，基于数据中心所消耗的总的能源值与所述服务器的功耗预测数据，得到该数据中心的PUE预测值。

进一步地，所述机房的历史环境参数包括多个会影响到机房内制冷设备运行状态的参数。例如，室内温度和湿度，室外温度和湿度，室外空气干燥程度，室外风流走向和速度，室外太阳光照射角度和阳光强度，室外大气压强。室外日照时长、机房内空调的工作参数，UPS电源的功率因数等。

进一步地，所述服务器的历史工作参数包括所述服务器在过往一段时间间隔内处于正常运行状态时除了功耗外的工作参数。例如，服务器的CPU运行频率，CPU运行温度，服务器的负载量，服务器的风扇转速，服务器的硬盘率，服务器的可用内存大小等。

进一步地，对所述多个历史环境参数进行归一化处理，生成所述多个历史环境参数的关联矩阵，所述矩阵的元素代表了各个历史环境参数的关联程度，计算出该矩阵的每个元素对对应的特征值，根据每个元素在该矩阵下的的特征值在所有元素特征值之和的占比程度来确定出与该元素对应的历史环境参数在训练所述神经网络过程中的影响程度，选择影响程度排列前5位的历史环境参数参与所述神经网络的训练。

进一步地，在所述的PUE预测值大于或等于预设值的时候，对所述环境参数中可以人工改变的参数进行调整，并重新对PUE值进行预测，直到所述的PUE预测值低于预设值为止。

进一步地，所述调整的过程包括，对所述影响程度排列前5位的环境参数中排在第一位置的环境参数进行调整，调整后再对数据中心的PUE值预测；如果对排在第一位置的环境参数的调整已达到最大程度时预测到的PUE值仍然低于所述预设值，则对排在第二位置的环境参数进行调整，调整后再对数据中心的PUE值预测；如果对排在第二位置的环境参数的调整已达到最大程度时预测到的PUE值仍然低于所述预设值，则对排在第三位置的环境参数进行调整，以此类推，直至所述的PUE预测值低于预设值为止。

第二方面，本发明提出了一种用于对数据中心的PUE值进行预测的系统，该系统包括：数据获取与训练模块、数据处理模块以及预测模块，预测过程由神经网络执行，该神经网络包括第一网络和第二网络，其中所述数据获取与训练模块用于获取数据中心机房内的历史参数和服务器的历史功耗数据，使用所述历史参数和服务器的历史功耗数据训练所述第一网络，得出服务器的第一功耗预测数据，将所述第一功耗预测数据和所述服务器的历史功耗数据输入到所述第二网络以对其训练，所述第二网络输出所述服务器第二功耗预测数据；所述数据处理模块用于对该第二功耗预测数据与所述服务器的历史功耗数据进行比较，如果它们之间的差值小于预定门限值，则得到训练后最终的神经网络；其中，数据中心机房内的历史参数包括机房的历史环境参数和所述服务器的历史工作参数；所述预测模块获取所述服务器当前运行状态下的功耗参数，将该当前运行状态下的功耗参数输入所述训练后最终的神经网络，得出所述服务器的功耗预测数据，并基于数据中心所消耗的总的能源值与所述服务器的功耗预测数据，得到该数据中心的PUE预测值。

此外，还提出了一种计算机可读存储介质，其包括程序或指令，当所述程序或指令在计算机上运行时，能够完成上述本申请所公开的对数据中心的PUE值进行预测并调整的方法。

本发明提出的数据中心的PUE预测方法在建立准确的模型的基础上可以较为方便地预测出数据中心的PUE值，使得预测出的IT设备输出的功耗值真实地接近实际输出值，从而可以方便管理者提前做好相应的调整措施，保证机房内的设施可以安全正常地运行，并且可以达到降低能耗的效果，减少了管理人员实际到现场参与检测和调试的工作量，提高了数据中心的自动化运行的程度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中的用于对数据中心的PUE值进行预测的方法流程图；

图2为本发明实施例中用于对数据中心的PUE值进行预测的系统结构图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个” 及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如图1所示为本发明实施例中的用于对数据中心的PUE进行预测的方法流程图，该方法由一神经网络执行，该神经网络包括第一网络和第二网络，该方法可以包括下列步骤：

S1：获取数据中心机房内的历史参数和服务器的历史功耗数据。上述服务器是位于数据中心机房内的在当前以及当前一段时期内处于工作状态的服务器，采集数据的地方可以是服务器中的某个机柜。其中，数据中心机房内的历史参数包括机房的历史环境参数和所述服务器的历史工作参数，上述提到的机房的历史环境参数主要是包括多个会影响到机房内制冷设备运行状态的参数，这些参数例如是室内温度和湿度，室外温度和湿度，室外空气干燥程度，室外风流走向和速度，室外太阳光照射角度和阳光强度，室外大气压强。室外日照时长、机房内空调的工作参数，UPS电源的功率因数等，其中室内的环境参数是可以由管理人员人工地去调节的。而所述服务器的历史工作参数包括所述服务器在过往一段时间间隔内处于正常运行状态时除了功耗外的工作参数。这些参数包括服务器的CPU运行频率，CPU运行温度，服务器的负载量，服务器的风扇转速，服务器的硬盘率，服务器的可用内存大小等。服务器的历史功耗数据则是在过往一段时间间隔内记录到的服务器所消耗的功率的平均值。

S2：使用所述历史参数和服务器的历史功耗数据训练所述第一网络，得出服务器的第一功耗预测数据。也就是说所述第一网络是用于学习数据中心机房内的历史参数与服务器运行状态下的功耗之间的关系的。

具体地，在获得历史时间段内从中心机房服务器上所采集到的历史参数之后，结合服务器在过往一段时期内的功耗数据，对该神经网络中的第一网络进行训练，在这里，将从中心机房服务器上所采集到的历史参数作为该第一网络的特征部分，而将服务器的历史功耗数据作为该第一网络的标签部分，第一网络输出服务器的第一功耗预测数据。

S3：使用服务器的第一功耗预测数据和所述服务器的历史功耗数据训练所述第二网络，获得所述服务器第二功耗预测数据。需要说明的是，即使从所述第一网络输出了服务器的第一功耗预测数据，但是仅仅通过所述历史参数和服务器的历史功耗数据训练的第一网络并不能准确地对服务器的功耗数据进行预测。为此，我们使用了第二网络，通过使用服务器的第一功耗预测数据和所述服务器的历史功耗数据训练所述第二网络。其中，在训练所述第二网络时，将服务器的第一功耗预测数据作为第二网络的特征部分，而将所述服务器的历史功耗数据作为第二网络的标签部分。在本实施例中，可以使用过去四个月的数据中心机房内的历史参数和服务器的历史功耗数据训练所述第一网络，并通过服务器的第一功耗预测数据和所述服务器的历史功耗数据训练所述第二网络，最终得到用于预测所述服务器的功耗数据的网络模型。当完成了第一网络和第二网络的训练后，便可以得到由第一网络和第二网络组成的用于对服务器的功耗数据进行预测的神经网络模型。

在这里，因为在历史时段内所采集到的服务器的功耗数据是关于服务器在运行过程中得到的真实数据，因此，在第一网络和第二网络的训练中，均将其作为网络输入的标签部分，故通过对第一网络和第二网络的训练，可以使得神经网络模型最终输出的功耗预测数据更加接近服务器运行过程的实际功耗数据，使得训练得到的神经网络模型更准确地预测服务器的功耗情况。

S4：对该第二功耗预测数据与所述服务器的历史功耗数据进行比较，如果它们之间的差值小于预定门限值，则得到训练后最终的神经网络模型。

在获得第二功耗预测数据之后，可以使用计算第二功耗预测数据与所述服务器的历史功耗数据之间的方差或者均方差来确定两者之间的上述差值，并将其与所述服务器的历史功耗数据之间的大小关系作为判断神经网络模型训练是否收敛的条件。如果确定出的差值小于预定门限值，表明计算出的第二功耗预测数据与所述服务器的历史功耗数据两者较为相近，也就是说可以此时训练后的由第一网络和第二网络构成的神经网络作为预测所述服务器的功耗数据的网络模型。与之相反，如果确定出的差值小于预定门限值，则表明计算出的第二功耗预测数据与所述服务器的历史功耗数据两者差距较大，也就是说使用此时的神经网络对所述服务器的功耗数据进行预测的话准确度不高，还需要接着对该神经网络进行进一步的训练。

S5：获取所述服务器当前运行状态下的环境参数和工作参数，将该当前运行状态下的环境参数和工作参数输入所述训练后最终的神经网络，得出所述服务器的功耗预测数据；最后，基于数据中心所消耗的总的能源值与所述服务器的功耗预测数据，得到该数据中心的PUE预测值。

在所述服务器的功耗数据的预测网络模型确定后，将所述服务器当前运行状态下的功耗参数输入到该网络模型，便能使该网络模型输出的预测的服务器功耗数据更加接近真实值。从而在数据中心所消耗的总的能源值明确的情况下，确定出该数据中心的PUE预测值。

在上述实施例的基础上，本发明的技术方案还包括S6：对所述多个历史环境参数进行归一化处理，生成所述多个历史环境参数的关联矩阵，所述关联矩阵的元素代表了各个历史环境参数的关联程度，将该关联矩阵以字母R表示，通过特征方程

，计算出该矩阵的每个元素对应的特征值

，其中I为单位矩阵，根据每个元素的特征值在所有元素特征值之和的占比程度来确定出与该元素对应的历史环境参数在训练所述神经网络过程中的影响程度，选择影响程度排列前4位的历史环境参数参与所述神经网络的训练。

对数据中心机房内的服务器的运行状态有影响的环境参数很多，包括室内和室外的，这些参数例如是室内温度和湿度，室外温度和湿度，室外空气干燥程度，室外风流走向和速度，室外太阳光照射角度和阳光强度，室外大气压强，室外日照时长、机房内空调的工作参数，UPS电源的功率因数等，其中对于室内温度、湿度和气压，机房内空调的工作参数，UPS电源的功率因数等参数是可以人为地去调整的。但是由于环境参数的种类繁多，将它们全部作为训练参数输入到预测神经网络模型是不现实的，在这些环境参数中有一些是对服务器运行的影响比较小的。为此，我们可以确定影响力较大的，或者说影响力排名前几位的环境参数作为预测神经网络模型的输入参数。

具体地，首先通过以下公式对环境参数进行归一化处理：

=

，其中

表示归一化处理后的环境参数，

表示归一化处理前的环境参数，

表示归一化处理前的环境参数的最小值，

表示归一化处理前的环境参数的最大值。然后，计算归一化后的环境参数之间的协方差，得到环境参数的关联矩阵，关联矩阵的元素由以下公式确定：

，其中，cov(xi,xj)表示矩阵内第i个指标x_i与第j个指标x_j之间的协方差，

和

分别表示x_i和x_j均方差。然后再计算每个环境参数在该矩阵下所对应的特征值，根据每个环境参数的特征值在所有环境参数的特征值之和的占比程度就可以确定出与该元素对应的历史环境参数在训练所述神经网络过程中的影响程度。在这里，我们选取影响程度排列前4位的历史环境参数参与所述神经网络的训练。

在上述实施例的基础上，本发明的技术方案还包括S7：在所述的PUE预测值大于或等于预设值的时候，对所述环境参数中可以人工改变的参数进行调整，并重新对PUE值进行预测，直到所述的PUE预测值低于预设值为止。

在得到PUE预测值时，可能会存在PUE值过大不符合预期的情况，此时可以考虑对上述提到的多个环境参数进行调节以使该PUE值达标。

因此，在上述实施例的基础上，本发明的技术方案还包括：对所述影响程度排列前5位的环境参数中排在第一位置的环境参数进行调整，调整后再对数据中心的PUE值预测；如果对排在第一位置的环境参数的调整已达到最大程度时预测到的PUE值仍然低于所述预设值，则对排在第二位置的环境参数进行调整，调整后再对数据中心的PUE值预测；如果对排在第二位置的环境参数的调整已达到最大程度时预测到的PUE值仍然低于所述预设值，则对排在第三位置的环境参数进行调整，以此类推，直至所述的PUE预测值低于预设值为止。

具体地，在对排在第一位置的环境参数进行调整时，在其取值范围内以特定步长进行单方向如增大或减小的调节，当在单方向的调整到达最大的取值范围时如果此时仍然无法使数据中心的PUE值达到需求值，再启动对排在第二位置的环境参数使用同样的方法进行调整。由于事先已经根据环境参数对服务器运行的影响力进行了排序，使得在对数据中心的PUE值改善时首先使用影响力最大的环境参数做调整，这样就带来可以令到PUE值迅速降低到用户所需求的取值范围的良好效果，从而提升数据中心机房的管控效率。

此外，参见附图2，本发明还提出了一种用于对数据中心的PUE进行预测的系统，该系统包括：数据获取与训练模块20、数据处理模块21以及预测模块22，三者依次相互连接。预测过程由神经网络执行，该神经网络包括第一网络和第二网络，其中所述数据获取与训练模块20用于获取数据中心机房内的历史参数和服务器的历史功耗数据，使用所述历史参数和服务器的历史功耗数据训练所述第一网络，得出服务器的第一功耗预测数据，将所述第一功耗预测数据和所述服务器的历史功耗数据输入到所述第二网络以对其训练，所述第二网络输出所述服务器第二功耗预测数据；所述数据处理模块21用于对该第二功耗预测数据与所述服务器的历史功耗数据进行比较，如果它们之间的差值小于预定门限值，则得到训练后最终的神经网络；其中，数据中心机房内的历史参数包括机房的历史环境参数和所述服务器的历史工作参数；所述预测模块22获取所述服务器当前运行状态下的功耗参数，将该当前运行状态下的功耗参数输入所述训练后最终的神经网络，得出所述服务器的功耗预测数据，并基于数据中心所消耗的总的能源值与所述服务器的功耗预测数据，得到该数据中心的PUE预测值。

综上，本发明提出的数据中心的PUE预测和调节方法及相应的实施系统在建立准确的模型的基础上可以较为方便地预测出数据中心的PUE值，使得预测出的IT设备输出的功耗值真实地接近实际输出值，从而可以方便管理者提前做好相应的调整措施，保证机房内的设施可以安全正常地运行，并且可以达到降低能耗的效果，减少了管理人员实际到现场参与检测和调试的工作量，提高了数据中心的自动化运行的程度。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims

1.一种用于对数据中心的PUE值进行预测的方法，其特征在于，该方法由一神经网络执行，该神经网络包括第一网络和第二网络，首先对该神经网络模型进行训练，该训练过程包括：获取数据中心机房内的历史参数和服务器的历史功耗数据，使用所述历史参数和服务器的历史功耗数据训练所述第一网络，得出服务器的第一功耗预测数据，将所述第一功耗预测数据和所述服务器的历史功耗数据输入到所述第二网络以对其训练，所述第二网络输出所述服务器第二功耗预测数据；对该第二功耗预测数据与所述服务器的历史功耗数据进行比较，如果它们之间的差值小于预定门限值，则得到训练后最终的神经网络模型；其中，数据中心机房内的历史参数包括机房的多个历史环境参数和所述服务器的历史工作参数；然后，获取所述服务器当前运行状态下的环境参数和工作参数，将该当前运行状态下的环境参数和工作参数输入所述训练后最终的神经网络，得出所述服务器的功耗预测数据；最后，基于数据中心所消耗的总的能源值与所述服务器的功耗预测数据，得到该数据中心的PUE预测值；其中对所述多个历史环境参数进行归一化处理，生成所述多个历史环境参数的关联矩阵，所述矩阵的元素代表了各个历史环境参数的关联程度，计算出该矩阵的每个元素对对应的特征值，根据每个元素在该矩阵下的特征值在所有元素特征值之和的占比程度来确定出与该元素对应的历史环境参数在训练所述神经网络过程中的影响程度，选择影响程度排列前5位的历史环境参数参与所述神经网络的训练；通过以下公式对环境参数进行归一化处理：

其中/>

表示归一化处理后的环境参数，E_i表示归一化处理前的环境参数，E_i，min表示归一化处理前的环境参数的最小值，E_i，max表示归一化处理前的环境参数的最大值。

2.根据权利要求1所述的方法，其特征在于，所述机房的多个历史环境参数包括多个会影响到机房内制冷设备运行状态的参数。

3.根据权利要求1所述的方法，其特征在于，所述服务器的历史工作参数包括所述服务器在过往一段时间间隔内处于正常运行状态时除了功耗外的工作参数。

4.根据权利要求1所述的方法，其特征在于，在所述的PUE预测值大于或等于预设值的时候，对所述环境参数中可以人工改变的参数进行调整，并重新对PUE值进行预测，直到所述的PUE预测值低于预设值为止。

5.根据权利要求4所述的方法，其特征在于，所述调整的过程包括，对所述影响程度排列前5位的环境参数中排在第一位置的环境参数进行调整，调整后再对数据中心的PUE值预测；如果对排在第一位置的环境参数的调整已达到最大程度时预测到的PUE值仍然大于或等于所述预设值，则对排在第二位置的环境参数使用同样的方法进行调整，调整后再对数据中心的PUE值预测；如果对排在第二位置的环境参数的调整已达到最大程度时预测到的PUE值仍然大于或等于所述预设值，则对排在第三位置的环境参数使用同样的方法进行调整，以此类推，直至所述的PUE预测值低于预设值为止。

6.一种用于对数据中心的PUE值进行预测的系统，其特征在于，该系统包括：数据获取与训练模块、数据处理模块以及预测模块，预测过程由神经网络执行，该神经网络包括第一网络和第二网络，其中所述数据获取与训练模块用于获取数据中心机房内的历史参数和服务器的历史功耗数据，使用所述历史参数和服务器的历史功耗数据训练所述第一网络，得出服务器的第一功耗预测数据，将所述第一功耗预测数据和所述服务器的历史功耗数据输入到所述第二网络以对其训练，所述第二网络输出所述服务器第二功耗预测数据；所述数据处理模块用于对该第二功耗预测数据与所述服务器的历史功耗数据进行比较，如果它们之间的差值小于预定门限值，则得到训练后最终的神经网络；其中，数据中心机房内的历史参数包括机房的多个历史环境参数和所述服务器的历史工作参数；所述预测模块获取所述服务器当前运行状态下的环境参数和工作参数，将该当前运行状态下的环境参数和工作参数输入所述训练后最终的神经网络，得出所述服务器的功耗预测数据，并基于数据中心所消耗的总的能源值与所述服务器的功耗预测数据，得到该数据中心的PUE预测值；其中对所述多个历史环境参数进行归一化处理，生成所述多个历史环境参数的关联矩阵，所述矩阵的元素代表了各个历史环境参数的关联程度，计算出该矩阵的每个元素对对应的特征值，根据每个元素在该矩阵下的特征值在所有元素特征值之和的占比程度来确定出与该元素对应的历史环境参数在训练所述神经网络过程中的影响程度，选择影响程度排列前5位的历史环境参数参与所述神经网络的训练；通过以下公式对环境参数进行归一化处理：

其中/>

7.一种计算机可读存储介质，其包括程序或指令，当所述程序或指令在计算机上运行时，能够完成权利要求1-5任意一项所述的对数据中心的PUE值进行预测的方法。