基于混合神经网络模型的混合冷却数据中心制冷负荷预测方法

《Energy and Buildings》：Cooling Load Prediction Method for Hybrid-Cooled Data Centers Based on Hybrid Neural Network Model

　　毛明阳|崔德龙 中国广州华商学院人工智能学院，广东广州511300 摘要：随着全球计算需求的持续增长，巨大的能耗和冷却需求已成为可持续云计算及数据中心发展的关键瓶颈。混合冷却技术能够提升散热效率，但其多组件间的功率耦合以及复杂的时变特性给精确的冷却负荷预测带来了巨大挑战。本研究提出了一种基于稳态小波变换、多头注意力机制和双向时间卷积网络的混合神经网络模型，用于实现多组件冷却负荷的协同预测。该模型首先利用稳态小波变换将原始功率信号及多源传感器信号分解为不同的频段，从而分离出高频噪声并提取出稳定的趋势特征。接着，多头注意力机制能够动态捕捉风冷与液冷参数之间的长距离依赖关系和非线性交互作用。最后，双向时间卷积网络则可学习序列中的双向时间模式，进一步提升模型表达长期依赖关系的能力。在真实数据集（Marconi 100）上的实验表明，所提出的模型相较于传统模型及现有的混合模型具有更优异的性能，尤其是在长期预测方面。在8小时的预测时间内，该模型的均方根误差仅为0.038℃，决定系数高达0.97，相比最佳基准模型提升了7.3%。这项工作为混合冷却式数据中心的精细化能源管理提供了可靠的理论模型和技术基础。

引言：作为云计算和数字经济的关键基础设施，数据中心因其能耗和碳排放问题而受到全球关注。根据国际能源署的统计，全球数据中心的电力需求持续上升，2022年的用电量约为460太瓦时，约占全球总用电量的2%，预计到2026年这一数字还将翻倍。其碳排放规模现已与全球航空业相当。值得注意的是，冷却系统占数据中心总能耗的30%以上，因此冷却问题成为制约能效提升的关键瓶颈。在全球范围内，各国都在推进《巴黎协定》设定的双碳目标，出台新的数据中心能效法规，例如欧盟修订的2023/1791号能效指令以及中国的东数西算工程。与此同时，通过技术创新和运营优化来降低功率使用效率也成为了数据中心运营商面临的共同挑战。

随着人工智能工作负载的不断增加，数据中心的功率密度也在不断上升。当处理每机架超过20千瓦的高密度负载时，传统的风冷系统越来越难以保持足够的冷却效率。而液冷技术虽然可将功率使用效率降至1.2以下，显著提升能效，但其高昂的部署成本和复杂的控制难度也构成了障碍。在此背景下，结合风冷与液冷优点的混合风液冷系统逐渐成为行业主流解决方案。然而，混合冷却系统中各组件的功率动态之间存在强烈的耦合关系，整体能耗会受到环境温度和工作负载波动等多种因素的影响。这种复杂的动态特性要求建立精确的功率预测模型，以实现优化运行效率、控制能源成本和确保设备可靠性等重要目标。例如，通过预测未来不同时间点各冷却组件的功率需求，可以精准匹配冷却能力与IT负载。在能源和碳排放成本控制方面，准确的功率预测有助于选择最佳的用电时段。此外，对功率波动的预测分析还能帮助识别潜在的设备过载风险。总之，可靠且精确的冷却负荷预测能够有效提升冷却系统的运行控制能力，减少能耗和风险，为数据中心的能源管理和调度优化提供有力支持。

然而，由于系统本身的复杂性和动态运行条件，混合冷却系统中的多组件功率预测仍面临诸多技术难题。首先，CRAC、冷水机以及冷却水分配单元等组件的功率使用情况会在不同的响应时间尺度上相互影响——风冷系统响应迅速，而液冷系统则存在明显的惯性——这大大增加了功率预测建模的难度。例如，CRAC的风供应温度上升会给液冷系统带来更大负荷，而冷却液流速的变化则直接影响服务器的散热效率。这种非线性交互作用使得无法独立地对单个组件的功率使用情况进行建模。其次，计算需求的变动以及环境温度的突然变化会导致能耗序列呈现出多尺度周期性特征以及突发性转变，比如为了应对突然增加的计算任务而调整液泵转速。传统的时间序列模型往往难以同时捕捉如此复杂的模式。而且在预测未来1 - 24小时的功率需求时，由于时间依赖性，早期的预测误差会不断累积，从而导致长期预测精度大幅下降。因此，冷却系统需要具备预控策略，这就更加凸显了准确长期预测的必要性。

尽管已有大量研究致力于解决这些问题，但仍然存在一些局限性。早期的方法主要依赖于基于物理原理的机理模型，如热阻网络模型，这类模型通过建立传热方程来描述冷却过程从而预测冷却负荷。然而，这些方法需要大量的设备参数，而这些参数在实际数据中心的运行中会因老化、污染等因素而发生动态变化，导致模型适应性差，预测精度有限。近年来，数据驱动的建模方法逐渐成为有前景的替代方案。支持向量回归、集成学习以及深度神经网络等技术已被应用于冷却负荷预测。不过，像随机森林和梯度提升决策树这样的传统机器学习模型，虽然能够处理非线性关系，但在捕捉时间依赖性以及模拟多变量交互作用方面的能力较为有限。尽管深度学习模型有所改进，但其缺陷依然不容忽视。循环神经网络虽然能够模拟长期时间依赖关系，但缺乏针对关键变量的动态注意力机制，因此无法在不同运行条件下灵活区分风冷与液冷参数的重要性。一些融合了注意力机制的混合模型虽能一定程度上改善这一问题，但却无法对原始数据进行多尺度分解，这使得高频噪声容易干扰注意力权重的分配，进而掩盖关键特征。此外，大多数现有研究都集中在预测单个冷却组件的负荷上，忽视了风液冷回路中多组件之间的协同作用，这种狭隘的研究视角限制了它们在整体冷却系统联合优化方面的应用。

综上所述，现有研究在解决混合冷却系统的多组件耦合、多尺度动态特性以及长期预测可靠性等问题上仍存在明显不足。为此，本研究旨在解决以下三个关键问题：（1）如何有效去除原始数据中的高频噪声，以提高模型输入特征的稳定性？（2）如何同时捕捉风冷与液冷回路之间复杂的跨变量、长距离依赖关系？（3）如何构建一个统一的模型，能够在保持长期预测高精度的同时，协同预测三种关键冷却组件的负荷？

为了解决这些挑战，本研究创新性地提出了一种用于混合冷却系统多组件功率预测的混合模型（SWT - MHA - BiTCN）。该模型并非简单地将现有模块堆叠在一起，而是采用一种渐进式的架构，实现了分解、交互和建模之间的深度协同。具体而言，该模型首先运用稳态小波变换模块对来自多源传感器数据的输入特征进行多尺度分解，这些数据包括风冷和液冷回路的控制参数以及环境温度等。这一过程不仅能有效去除高频噪声，还能从不同的频率成分中提取关键信息。随后，引入多头注意力机制，动态地模拟变量之间的长距离依赖关系和复杂交互作用，从而弥补传统模型在捕捉多变量耦合效应方面的不足。最后，借助双向时间卷积网络强大的时间特征提取能力，通过双向扩展因果卷积并行处理历史信息和未来信息，进一步提升长期序列预测的能力。总体而言，本研究的贡献如下：•提出了一种全新的混合深度学习模型（SWT - MHA - BiTCN），通过整合稳态小波变换、多头注意力机制和双向时间卷积网络模块，提高了在动态运行条件下冷却负荷预测的稳定性和准确性。•建立了一个多组件冷却负荷预测框架，实现了对CRAC、冷水机以及冷却水分配单元功率消耗的统一建模，为系统级的能效优化提供了全面的数据支持。•在真实数据集（Marconi 100数据中心）上的实验表明，所提出的模型性能显著优于传统模型以及现有的最先进混合模型。在8小时的长期预测中，其均方根误差仅为0.038℃，相比最佳基准模型提升了7.3%。•还提供了一种具备不确定性量化功能的预测工具，该工具可为冷却系统预处理、电力成本优化以及设备风险预警提供支持，从而提升数据中心能源管理的精准度和可靠性。

本文的其余结构如下：第2节回顾相关研究，第3节详细介绍所提出的方法，第4节阐述实验设置及结果分析，第5节对全文进行总结并指出未来的研究方向。本文中使用的缩写和符号说明见表1。

相关研究：准确预测风液冷数据中心的冷却负荷面临着三大核心挑战：多组件动态耦合、多尺度时间特性以及长期预测可靠性。本节将系统地回顾两种主要的冷却负荷预测方法：基于物理原理的建模和数据驱动的建模。我们将重点分析数据驱动方法在应对这些挑战时的发展历程、优势以及现存的局限性。

方法论：图1展示了该方法论的示意图。本研究以现实世界中的数据中心基础设施——Marconi 100超级计算集群作为研究对象。本研究旨在开发一种冷却负荷模型，以便在各种运行条件下准确估算混合冷却系统中三个核心高耗能部件的功率消耗，这三个部件分别是冷水机组、CRAC以及冷却水分配单元，最终目标是实现对冷却负荷的精准管理和优化。

评估指标：为了评估所提出的冷却负荷预测模型，我们采用了三种常用的误差指标：平均绝对误差、均方根误差和决定系数。这些指标用于衡量模型的预测性能，具体计算公式如下：MAE = 1/n∑i = 1/n|y^i?yi|，RMSE = 1/n∑i = 1/n(y^i?yi)2，R2 = 1?∑i = 1/n(yi?y^)2/∑i = 1/n(yi?yˉ)2，其中y^i表示预测值，yi表示真实值，yˉ是观测数据的平均值，n是样本数量。平均绝对误差用于衡量平均误差大小。

结论：为了解决由多组件功率耦合和复杂时间动态特性所引发的混合冷却数据中心冷却负荷预测问题，本文提出了一种基于SWT - MHA - BiTCN的混合模型。该模型通过运用稳态小波变换进行噪声抑制、多头注意力机制捕捉全局依赖关系以及双向时间卷积网络提取长距离特征，有效提升了在多尺度周期性波动和突发性转变情况下的预测稳定性。在真实数据上的实验结果证明了该模型的有效性。

CRediT作者贡献声明：毛明阳：撰写——初稿、可视化、验证、方法论、概念构思。崔德龙：撰写——审阅与编辑、指导、资金获取、概念构思。

利益冲突声明：作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。