基于贝叶斯优化的轻量级梯度提升机方法用于可靠的冷负荷预测

《Buildings》：A Bayesian-Optimized LightGBM Approach for Reliable Cooling Load Prediction Zhiying Zhang, Li Ling, Jinjie He and Honghua Yang

　　

随着信息技术的快速发展，数据中心的能源消耗已成为一个关键问题。准确的冷负荷预测对于优化冷却系统运行和提高能效至关重要。然而，传统模型往往难以捕捉数据中心固有的复杂非线性和多变量耦合效应。为了解决现有模型在训练效率和泛化性能方面的局限性，研究人员提出了一种集成轻量级梯度提升机（LightGBM）算法与贝叶斯优化的冷负荷预测模型。该模型使用从代表性中型数据中心的EnergyPlus仿真生成的数据进行了验证。比较分析表明，所提模型优于朴素基准（T-1、T-24和T-168）以及其他机器学习模型（支持向量回归（SVR）、极端梯度提升（XGBoost）和长短期记忆网络（LSTM）），实现了优越的性能，均方根误差（RMSE）为4.3234 kW，决定系数R²为0.9999，平均绝对百分比误差（MAPE）为0.07%。噪声鲁棒性分析进一步揭示，该模型在实际不确定性下保持优异性能，即使在噪声水平较高（信噪比SNR = 20 dB）时，R²仍高于0.99，相对预测偏差（RPD）超过12。总运行时间和相对预测偏差（RPD）分别为33.45 s和86.2685，表明计算效率与稳健预测可靠性之间达到了优异平衡。本研究的关键贡献是有效集成了LightGBM和贝叶斯优化，为数据中心冷负荷预测提供了高度准确和高效的工具。该方法为数据中心冷却系统的智能控制和能效优化提供了科学基础，对建筑能源管理具有直接的实际意义。

面对信息社会快速发展导致的数据中心数量与规模急剧扩张，其能源消耗已成为全球性问题。据统计，截至2024年底超大规模数据中心数量已达1136个，预计到2030年数据中心电力需求将占全球近8%。冷却系统作为数据中心能耗核心，占总能耗约37%，而精确的冷负荷预测是优化其运行效率、避免过度冷却和能耗增加的关键。然而，传统物理模型依赖详细建筑参数输入且精度受限，现有数据驱动模型在处理数据中心高维度、非严格周期性和瞬态波动的冷负荷特征时，常面临训练效率与泛化性能之间的平衡难题，尤其缺乏针对高密度、高可靠性环境的定制化解决方案。为此，研究人员提出了一种集成轻量级梯度提升机（LightGBM）与贝叶斯优化的冷负荷预测模型，旨在提升预测精度、计算效率及鲁棒性。该研究基于EnergyPlus仿真数据验证模型，并与多种基准模型全面比较，证实了其在数据中心冷负荷预测中的优越性。该论文发表在《Buildings》上。

在研究方法层面，研究人员主要运用了三大关键技术：首先，采用LightGBM算法，该算法通过直方图策略离散化连续特征、叶节点生长策略（有限深）动态选择增益最大节点分裂，并结合梯度单边采样（GOSS）优先学习高梯度实例，以高效处理高维非线性数据；其次，应用贝叶斯优化进行超参数调优，基于高斯过程代理模型和期望改进采集函数，在30次迭代内自动搜索最优超参数组合（如num_leaves、learning_rate等）；第三，引入SHAP方法进行特征重要性分析，量化各输入变量对预测的贡献，并筛除低影响特征（如太阳辐射、风速等）。数据来源为EnergyPlus模拟的中国江苏省南通市典型五层中型数据中心（含服务器机房和办公空间），包含IT设备动态负荷、气象参数等12个初始特征，生成全年8760小时逐时冷负荷数据。研究排除了试剂或培养步骤，重点聚焦算法优化与仿真验证。

研究结果分为五个部分：4.1 贝叶斯优化的对比结果：通过对比有无贝叶斯优化的LightGBM模型，发现优化后模型的决定系数R²从0.9960提升至0.9999，预测点几乎完美吻合理想线y=x，绝对误差分布更集中于零值附近，验证了贝叶斯优化在增强超参数选择方面的有效性。4.2 与朴素模型的比较：与三个简单时间滞后模型（T-1、T-24、T-168）对比，所提LightGBM模型均方根误差（RMSE）较T-168降低11%，较T-24降低80%，较T-1降低96%，且R²达0.9999，表明模型能学习超越简单滞后的复杂时变模式，这对数据中心安全关键控制至关重要。4.3 四种模型的预测结果比较：与支持向量回归（SVR）、极端梯度提升（XGBoost）和长短期记忆网络（LSTM）三个贝叶斯优化后的基准模型比较，LightGBM在峰值和部分负荷条件下均表现最佳，平均绝对百分比误差（MAPE）降低0.02%-0.08%，RMSE降低22%-52%。其优势归因于LightGBM通过叶节点生长和GOSS机制有效捕捉梯度变化大的临界负荷转移。4.4 复杂度与运行稳定性验证：总运行时间和相对预测偏差（RPD）分析显示，LightGBM总运行时间为33.45 s，是XGBoost的1.21倍，但较SVR快24.6倍、较LSTM快116.79倍；其RPD高达86.2685，超过其他模型129%以上，表明在准确性和计算效率间实现了优异平衡。4.5 数据噪声鲁棒性分析：通过在原始仿真数据中添加不同信噪比（40 dB、30 dB、20 dB）的高斯白噪声，模型性能虽逐渐下降，但在高噪声（SNR=20 dB）时仍保持R²大于0.99、RPD为12.22（远超阈值2.0），证明模型学习了有意义的真实关系而非仅记忆确定性映射，具备实际部署的可靠性。

讨论部分总结了模型性能的根源：LightGBM的算法特性结合贝叶斯优化使其在准确性和效率上超越所有比较模型，且对噪声保持稳健。然而，本研究的主要局限性在于依赖仿真数据，所报告的性能指标（如R²、MAPE）可能比真实数据更乐观。尽管噪声鲁棒性分析提供了量化估计，但相对性能排名和LightGBM的结构优势预计仍将保持。研究结论翻译如下：本研究通过集成LightGBM算法与贝叶斯优化，开发了数据中心冷负荷预测模型，并基于EnergyPlus仿真数据验证。主要发现包括：特征重要性分析中，中央处理器（CPU）负荷贡献了总SHAP值的91.9%，成为主导预测特征；贝叶斯优化显著提升LightGBM预测精度，优化后R²达0.9999，较未优化提升0.0039；所提模型优于朴素时间滞后模型（RMSE较T-168降低11%，较T-24降低80%，较T-1降低96%）；与SVR、XGBoost、LSTM相比，模型误差显著降低（MAPE降低0.02%-0.08%，RMSE降低22%-52%），总运行时间33.45 s，RPD为86.2685；噪声鲁棒性分析表明，即使在高噪声（SNR=20 dB）下，模型仍保持R²大于0.99、RPD为12.22，证明其在实际条件下可靠。本工作的主要创新在于有效整合LightGBM与贝叶斯优化，为数据中心冷负荷预测提供了高准确度和高效解决方案，对智能冷却控制和能效优化具有直接实际意义。