基于端邊云協同技術的液冷系統廢熱預測方法，應用于高性能計算數據中心
《Engineering Applications of Artificial Intelligence》：End-edge-cloud collaborative-driven waste-heat prediction of liquid cooling system for high-performance computing data centers
【字體：
大
中
小
】
時間：2026年02月27日
來源：Engineering Applications of Artificial Intelligence 8
編輯推薦：
高效能計算（HPC）數據中心液冷系統廢熱預測研究提出端-邊-云協同（EECC）架構，融合LSTM時序記憶與Transformer長程依賴建模能力，在ORNL Frontier超算實測中實現RMSE降低21.3%、MAE減少28.4%，預測區間覆蓋概率達96.52%，為綠色計算提供高精度實時解決方案。
馬帥銀|張夢夢|程實|閔云冉|王家強|肖金華
西安郵電大學計算機科學與技術學院，中國西安，710121
摘要
高性能計算（HPC）系統的特點是能耗極高，因此高效管理廢熱對于可持續的數據中心運營至關重要。傳統的建模方法往往難以捕捉動態熱負荷的復雜性、強烈的時間依賴性以及液冷系統的實時需求。為了解決這些挑戰，本研究提出了一種端邊云協同（EECC）架構，用于短期廢熱預測，從而提高HPC數據中心的智能熱管理精度。在該架構中，開發了一種混合長短期記憶（LSTM）-Transformer神經網絡模型，結合了LSTM的短期記憶能力和Transformer的長距離依賴性建模能力。使用橡樹嶺國家實驗室（ORNL）Frontier超級計算機的實際運行數據進行實驗表明，所提出的模型優于幾種基線模型。與第二好的Transformer模型相比，該混合模型將均方根誤差（RMSE）和平均絕對誤差（MAE）分別降低了約21.3%和28.4%，同時實現了最高的決定系數（R2）0.9767。在概率預測方面，它實現了0.9652的預測區間覆蓋概率（PICP）和0.4904的平均預測區間寬度（MPIW），提供了可靠且狹窄的區間，以支持基于不確定性的運營決策。該模型在不同隨機初始化、季節性變化和非穩態運行條件下也表現出很強的魯棒性，證實了其在實際HPC環境中的適用性。本研究為高精度短期廢熱預測建立了一種可靠的人工智能驅動解決方案，推動了綠色計算實踐，并提高了HPC數據中心的能源效率和可持續性。
引言
隨著高性能計算（HPC）技術的快速發展，數據中心已成為支持科學計算、人工智能和大規模數據分析的核心基礎設施（Daki?等人，2024年）。雖然HPC系統提供了強大的計算能力，但其高密度運行會產生大量熱量（Du等人，2023年）。為了保持設備在安全的工作溫度范圍內，冷卻系統必須消耗大量能量，在計算密度極高的HPC數據中心中，這部分能量可占總能耗的30%–40%（Habibi Khalaj和Halgamuge，2017年）。如果廢熱管理不當，不僅會進一步增加能源消耗，還會導致更高的碳排放，這與全球實現碳峰值和碳中和的目標相矛盾（Tervo等人，2025年）。
在這種背景下，準確預測HPC液冷系統中廢熱的動態行為對于優化冷卻策略和提高整體能源效率至關重要（Li等人，2025年）。一方面，精確的廢熱預測有助于避免傳統“過度冷卻”策略造成的能源浪費，實現需求驅動的系統調節（Ljungdahl等人，2022年）；另一方面，它為廢熱回收和級聯能源利用提供了可靠的基礎（Ebrahimi等人，2014年）。此外，準確的預測還有助于熱控制系統的異常檢測（Borghesi等人，2019年），從而提高運行安全性并延長硬件壽命（Nadjahi等人，2018年）。因此，廢熱預測不僅對于確保系統級別的能源效率至關重要，也是綠色計算和可持續運行的基礎能力（Chen等人，2022年）。
然而，HPC液冷系統的熱負荷表現出強烈的非線性、多因素耦合和顯著的時間變化，這對預測精度、魯棒性和實時性能提出了挑戰。智能算法和數據驅動的方法已成為建模復雜動態系統的有希望的解決方案（Ahmadianfar等人，2023年），為HPC液冷環境中的廢熱預測提供了理論和方法論上的見解。盡管如此，深度學習模型通常面臨高訓練成本、參數空間大和調優效率低的問題，這限制了它們在實時預測場景中的應用。為了解決這些問題，具有智能搜索和自適應迭代機制的優化算法可以提高模型的適應性和決策質量，同時減少計算開銷（Samadi-Koucheksaraee等人，2022年），為HPC液冷系統中廢熱預測管道的端到端優化提供了關鍵支持（Samadi-koucheksaraee等人，2019年）。
與此同時，端邊云協同（EECC）計算的快速發展為解決高頻數據流和實時預測的雙重挑戰提供了新的技術途徑（Shahhosseini等人，2022a）。通過將計算任務分布在終端設備、邊緣節點和云服務器上，EECC能夠在保持模型復雜性和基于云的訓練所能實現的精度的同時，實現快速的本地響應（G. Liu等人，2023年）。這使得開發同時滿足實時推理和高預測精度要求的HPC液冷系統預測框架成為可能。
基于這些考慮，本研究提出了一種基于EECC的HPC液冷系統廢熱預測架構，能夠高效處理高頻、多源的熱動態數據。在此架構的基礎上，集成了深度時間模型用于短期廢熱預測，并使用橡樹嶺國家實驗室（ORNL）Frontier超級計算機的實際運行數據進行了案例研究，以驗證該框架的有效性和適用性。
本文的其余部分組織如下：第2節回顧了HPC液冷系統、廢熱預測方法和EECC協同架構的最新進展；第3節介紹了用于HPC數據中心液冷系統的EECC驅動的廢熱預測框架；第4節介紹了數據預處理程序和提出的預測模型；第5節使用ORNL Frontier超級計算機進行了案例研究，以驗證所提出的框架并分析預測性能；第6節討論了實施挑戰、管理意義和未來展望；最后，第7節總結了研究并概述了局限性和未來研究方向。
節選內容
HPC數據中心中液冷系統的重要性和特點
隨著現代超級計算系統中異構計算能力的迅速發展，服務器機架的熱流密度持續上升。傳統的空氣冷卻系統在冷卻效率、能源效率和熱分布管理方面面臨越來越多的限制（Chen等人，2017年）。相比之下，液冷技術具有較高的比熱容、優異的熱導率和較低的溫度提升要求，顯著提高了
末端層的感知和數據采集
如圖1底部所示，末端層是數據采集和控制的物理基礎（Prabha等人，2025年）。通過在液冷系統的關鍵節點（如服務器機架的空氣進出口、冷卻水回路和熱交換器）部署溫度傳感器、電磁流量計和智能電表，該層能夠實時收集包括冷卻劑溫度、流量和功耗在內的關鍵參數。
數據預處理和廢熱預測模型構建
本節介紹了數據預處理程序、LSTM-Transformer混合預測模型的設計、損失函數的定義、預測不確定性的建模以及在所提出的EECC架構下HPC數據中心液冷系統中廢熱預測的性能評估方法。
案例研究
本節使用美國橡樹嶺國家實驗室（ORNL）超級計算中心的液冷系統運行數據，驗證了所提出的EECC架構和預測模型的有效性。
討論
本研究為提高數據中心的智能管理、精確性和可持續性提供了實際途徑。在此基礎上，進一步闡述了運營和維護團隊、研發單位和政府或政策制定機構在優化HPC冷卻系統、提高能源效率以及指導未來產業方面的管理意義（Ma等人，2024c），突出了它們各自在其中的角色
結論
本研究提出了一種用于HPC數據中心液冷系統廢熱預測的EECC架構。該架構采用三層結構，包括設備級感知、邊緣計算和基于云的建模，能夠有效預測冷卻回路中的廢熱。以ORNL Frontier超級計算機的液冷系統作為實際案例，進行了一系列系統驗證實驗。通過對完整數據的全面分析
CRediT作者貢獻聲明
馬帥銀：撰寫——原始草稿、項目管理、正式分析、概念化。張夢夢：撰寫——原始草稿、正式分析、概念化。程實：撰寫——審閱與編輯、驗證、監督。閔云冉：驗證、監督。王家強：撰寫——審閱與編輯、調查。肖金華：撰寫——審閱與編輯、調查。
利益沖突聲明
作者聲明他們沒有已知的競爭性財務利益或個人關系可能影響本文報告的工作。
致謝
作者衷心感謝橡樹嶺國家實驗室（ORNL）高性能計算（HPC）數據中心提供了公開可用的數據集“Frontier HPC & Facility Data”，這對本研究提供了關鍵支持。作者還感謝陜西高校的青年創新團隊，特別是專注于“工業大數據分析與智能處理”的團隊。本工作得到了咸陽市重點研發計劃的支持
生物通微信公眾號
生物通新浪微博
今日動態 |
人才市場 |
新技術專欄 |
中國科學人 |
云展臺 |
BioHot |
云講堂直播 |
會展中心 |
特價專欄 |
技術快訊 |
免費試用
版權所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
聯系信箱：
粵ICP備09063491號
