基于梯度提升回归器的算力–电力映射模型预测

摘要

针对数据中心工作站的功耗预测目前存在的原始传感器特征难以刻画系统非线性耦合、模型易出现固定值预测异常等问题，提出一种融合物理增强特征与多准则特征选择的梯度提升回归模型。首先，基于功耗产生机理，从功率合成、效率密度、交互平衡、非线性变换及性能功耗比5个维度构造15个具有明确物理意义的增强特征；然后，综合Pearson相关系数、随机森林、梯度提升树与互信息4种重要性评估方法，通过归一化平均获得复合重要性评分，并基于前向序列搜索确定最优特征子集；接下来，采用梯度提升回归器构建预测模型，并对测试集中出现的固定值预测异常（86.17 W）实施自动过滤与残差深度分析。在真实工作站小时采样数据集上开展的实验结果表明：增强特征累计重要性超过42%，模型决定系数R²从原始特征的0.624提升至0.935，均方根误差降低14.8 W；多准则特征选择将特征维度由23维压缩至12维，有效降低了冗余与过拟合风险。所提方法显著提升了工作站功耗预测的精度与可解释性，所形成的特征构造与诊断框架可推广至其他IT设备能耗建模场景。

关键词

算力–电力映射模型 / 单机服务器 / 预测分析 / 特征增强 / 梯度提升回归器

基金资助

南方电网重点科技项目（GZKJXM20250099）