基于双向门控循环单元模型预测数据中心的 PUE
人工智能
2025-12-24 v1
摘要
数据中心占据全球能源消耗和碳足迹的重要比例。日益增长的边缘计算需求和 AI 进步推动了数据中心存储容量的增长。能源效率是应对气候变化、降低能源成本、提升商业竞争力以及推动 IT 和环境可持续性的最有效途径。因此，优化数据中心能源管理是世界可持续性最重要的因素。Power Usage Effectiveness (PUE) 用于表示数据中心的运行效率。使用神经网络预测 PUE 有助于理解每个特征对能源消耗的影响，从而实现针对性地修改这些关键特征以提高能源效率。在本文中，我们开发了一个基于双向门控循环单元 (BiGRU) 的 PUE 预测模型，并将模型性能与 GRU进行比较。数据集包含 52,560 个样本，具有 117 个特征，使用 EnergyPlus 模拟新加坡的一个数据中心。使用递归特征消除交叉验证 (RFECV) 算法为不同参数设置选择最相关的特征集合。这些特征集合用于找到最佳的超参数配置并训练 BiGRU 模型。随后，将优化后的基于 BiGRU 的 PUE 预测模型性能与基于 GRU 的模型进行比较，采用均方误差 (MSE)、均绝对误差 (MAE) 和 R 平方指标进行评估。
引用
@article{arxiv.2512.20161,
title = {A Bidirectional Gated Recurrent Unit Model for PUE Prediction in Data Centers},
author = {Dhivya Dharshini Kannan and Anupam Trivedi and Dipti Srinivasan},
journal= {arXiv preprint arXiv:2512.20161},
year = {2025}
}
备注
2025 International Joint Conference on Neural Networks (IJCNN), Rome, Italy, 2025, https://ieeexplore.ieee.org/document/11227238