详细内容或原文请订阅后点击阅览
从经典模型到人工智能：预测数据中心能源和水效率的湿度
从 ARIMA 到 N-BEATS：比较平衡准确性、可解释性和可持续性的预测方法从经典模型到 AI：预测数据中心能源和水效率的湿度一文首先出现在《走向数据科学》上。
来源:走向数据科学一分预防胜于一分治疗。本杰明·富兰克林
一分预防胜于一分治疗。
本杰明·富兰克林
1. 可靠数据中心的湿度预测
随着人工智能的电力需求猛增，使这一切成为可能的基础设施正在挤压有限的资源。新研究表明，到 2028 年，人工智能消耗的电力可能相当于美国所有家庭 22% 的电力[1]。 高性能人工智能芯片机架的功耗至少是数据中心传统服务器的 10 倍。因此，会产生大量的热量，冷却系统占据了大部分建筑空间[2]。除了碳足迹之外，人工智能还具有大量的水足迹，其中大部分发生在水资源压力已经很大的地区。例如，GPT-3 在微软美国数据中心的训练需要 540 万升水 [3]。季节性预测对于数据中心内设备的日常运行至关重要。温度和湿度等天气条件会影响数据中心内部冷却系统的工作强度 [4]。
在本文中，湿度预测是通过多种方式计算的。更好地预测温度和湿度可以实现更有效的负载规划、优化冷却计划，并减少对电力和当地水源的需求。现在，由于我们在本文中主要讨论湿度，让我们看看其极值的影响是什么：
- 高湿度：冷凝成为一个大问题 - 它会腐蚀硬件并引发电气故障。它还使冷水机工作更加困难，消耗更多的能源和水。 低湿度：危险翻转：静电和 ESD（静电放电）会积聚并炸毁敏感芯片。
准确预测湿度可以帮助：
XGBoost