SoSo CAD
Bilimsel makaleÜcretsiz okunur2025

Veri Merkezlerinde PUE Tahmini için Çift Yönlü Geçitli Yinelemeli Birim Modeli

Özgün başlık A Bidirectional Gated Recurrent Unit Model for PUE Prediction in Data Centers

arXiv preprint (National University of Singapore) · Dhivya Dharshini Kannan, Anupam Trivedi ve diğerleri

Veri merkezi PUE'sini tahmin eden bir BiGRU sinir ağı geliştiren ve standart GRU ile karşılaştıran ön baskı; veriler simülasyondan geldiği için yüksek doğruluk saha doğrulaması sayılmaz.

Özgün kaynağa git
Bu sayfada

Özet

Çalışma, veri merkezi PUE'sini tahmin etmek için bir BiGRU sinir ağı geliştirir ve onu standart bir GRU ile karşılaştırır. Eğitim verisi, örnek veri merkezi modelinin Singapur hava durumuyla 10 dakikalık adımlarla bir yıllık EnergyPlus simülasyonundan gelir: 52.560 örnek ve 117 özellik. Dolayısıyla veri, ölçülmüş saha verisi değil simülatör çıktısıdır.

Özellik seçimi, XGBoost ile çapraz doğrulamalı özyinelemeli özellik eleme (RFECV) ile yapılır ve dış koşulları, BT gücünü, UPS (KGK) ve CRAC/soğutma serpantini değişkenlerini kapsayan 21-43 değişkenli alt kümeler seçilir; her küme için hiperparametreler ayarlanır. RFECV en düşük MSE ile {21, 28, 29, 32, 33, 43} özellikli kümeleri seçmiştir. 21 özellik arasında dış kuru termometre, çiğlenme noktası ve ıslak termometre sıcaklığı, BT ekipmanı CPU, fan ve UPS elektrik gücü, hava debisi, CRAC toplam gücü, net duyulur kapasite ve SCOP, serpantin gücü ve çıkış sıcaklığı bulunur.

21 özellikli BiGRU en düşük hatayı vermiştir: MAE 0,00038 (MSE 5,6342e-7, R2 0,99673); GRU ise 28 özellikle en iyi sonucu vermiştir (MAE 0,0004181). Çalışma, atıf yaptığı Google'ın PUE modelinin 1,1'lik PUE için 0,004 +/- 0,005 MAE verdiğini hatırlatır; ayrıca Singapur rehberliğine göre yeni veri merkezlerinde yüzde 100 BT yükünde PUE 1,3 veya altı olmalıdır.

En önemli sınır, verinin simüle olmasıdır: çok yüksek doğruluk, simülatörün düzenliliğini yansıtır, saha doğrulamasını değil. Model, simülatörün bir vekilidir ve garanti amaçlı kullanılmadan önce ölçülmüş verilerle doğrulanmalıdır. Belge hakemli yayın değil, ön baskıdır. İlgili standart ISO/IEC 30134-2'dir.

Öne çıkan noktalar

  1. Veri seti: 2009 Singapur hava durumuyla 10 dakikalık aralıklarla bir yıllık EnergyPlus simülasyonu; 117 özellikli 52.560 örnek.
  2. RFECV, en düşük MSE ile {21, 28, 29, 32, 33, 43} özellikli kümeleri seçti.
  3. 21 özellik arasında dış kuru termometre, çiğlenme noktası ve ıslak termometre sıcaklığı, BT CPU, fan ve UPS gücü, hava debisi, CRAC gücü, net duyulur kapasite ve SCOP, serpantin gücü ve çıkış sıcaklığı var.
  4. 21 özellikli BiGRU en düşük MAE'yi (0,00038; MSE 5,6342e-7; R2 0,99673) verdi; GRU 28 özellikle en iyiydi (MAE 0,0004181).
  5. Atıf yapılan Singapur rehberliği, yeni veri merkezlerinde yüzde 100 BT yükünde PUE'nin 1,3 veya altında olmasını gerektiriyor.
  6. Atıf yapılan önceki çalışma: Google'ın sinir ağı PUE modeli 1,1'lik PUE için 0,004 +/- 0,005 MAE elde etti.

Tasarımda kullanımı

  • İşletme veya dijital ikiz modülünde özellik listesini PUE tahmini için pratik asgari sensör kümesi olarak kullanın: dış kuru/ıslak termometre, BT gücü, UPS gücü, CRAC gücü/kapasitesi/SCOP, serpantin sıcaklıkları ve hava debisi.
  • Simülasyonla eğitilmiş makine öğrenmesi PUE modellerini simülatörün vekili sayın ve garanti için kullanmadan önce ölçülmüş veriyle doğrulayın.
  • Bölgesel PUE sınırlarını (örneğin Singapur için tam BT yükünde 1,3) metrik/uyum kataloğunda tutun.

Aylık bülten · ücretsiz

Referans listeniz güncel kalsın

Ayda bir: yeni eklenen kaynaklar, Türkiye mevzuatındaki değişiklikler ve yaklaşan veri merkezi etkinlikleri.

SoSo CAD

Tasarım kararlarının maliyetini karşılaştırın

SoSo CAD’de ekipman maliyetlerini, enerji giderlerini ve toplam sahip olma maliyetini (TCO) girdileriniz ve varsayımlarınızla değerlendirin.

Demo iste
SoSo CAD maliyet çalışma alanında CAPEX ve TCO tahminleri

Kimler okumalı

Dijital ikiz ve enerji tahmini geliştiren işletme mühendisleri ve veri bilimciler.

İlgili standartlar

  • ISO/IEC 30134-2

Yayın bilgileri

Yazarlar
Dhivya Dharshini Kannan; Anupam Trivedi; Dipti Srinivasan
Yayıncı
arXiv preprint (National University of Singapore)
Yıl
2025
Belge numarası
arXiv:2512.20161
Belge dili
İngilizce
Kaynak türü
Bilimsel yayın
Erişim
Ücretsiz okunur
Lisans
arXiv dağıtım izni — yeniden kullanım koşulları hak sahibine bağlıdır
Özgün lisans notu (İngilizce)

arXiv default non-exclusive distribution licence; citation only

Künye

Dhivya Dharshini Kannan; Anupam Trivedi; Dipti Srinivasan (2025). A Bidirectional Gated Recurrent Unit Model for PUE Prediction in Data Centers. arXiv preprint (National University of Singapore). arXiv:2512.20161. https://doi.org/10.48550/arXiv.2512.20161

Performans göstergeleriEnerjiSoğutma

Konuyla ilgili etkinlikler

Etkinlik takvimini inceleyin

İçerik ve tüm hakları eser sahiplerine aittir. SoSo CAD yalnızca künye, kendi hazırladığı özet ve kaynağa bağlantı sunar; kaynakların içeriğinden sorumlu değildir.