本发明属于数据中心节能，尤其涉及数据中心节能控制方法、系统以及储存介质。
背景技术：
1、据统计，数据中心的能源消耗占全球总能耗的比例逐年上升，高能耗不仅增加运营成本，还对环境造成重大影响。现有的数据中心能源管理系统主要依赖于传统的集中式控制方法和简单的反馈调节机制，这些系统往往基于预设的操作模式和规则执行能耗优化，缺乏对实时数据的深入分析和灵活响应能力。例如，传统系统可能仅根据温度和功率使用情况调整空调设备，而未能全面考虑服务器运行状态、外部环境变化等多方面因素。此外，这些系统通常不具备学习和自适应能力，无法根据历史数据和运行效果自动优化策略，导致能效改进有限。
2、目前，虽然采用了一些如pid控制、简单的机器学习算法等方法尝试提高数据中心的能效，但这些方法在处理复杂数据、预测未来能耗和自动调整操作策略方面仍存在不足。例如，这些系统往往无法有效预测未来的能耗需求和环境变化，因此无法实现预测性维护或动态能源分配。此外，现有技术大多未能有效利用最新的人工智能技术，如深度学习和强化学习，这些技术有潜力大幅优化数据中心的能源管理效率。
3、因此，急需开发一种新的数据中心能源管理系统，能够实时、准确地分析和预测数据中心的能源需求，并根据复杂的数据输入动态调整能源分配，以达到更高的能效和更低的运营成本。
技术实现思路
1、本发明的目的设计数据中心节能控制方法、系统以及储存介质，集成量子计算优化算法、生成对抗网络（gan）和多模态感知与自适应控制技术的数据中心能效进行管理。
2、为了达到上述目的，在本发明第一方面提供了数据中心节能控制方法，包括以下步骤：
3、布置多模态传感器收集多模态数据，并对多模态数据进行预处理；其中，所述多模态传感器包括温度传感器、光纤振动传感器、流量监测器和信号强度传感器；
4、集成多模态数据并构建中间监控平台对多模态数据进行实时监控和分析；
5、设计生成器与判别器架构模拟正常及各类故障状态，生成故障训练数据和故障测试数据；
6、应用机器学习算法对多模态数据进行深入分析，识别异常模式；
7、使用量子计算算法处理异常模式的异常数据，优化故障处理决策；
8、构建数据集成框架并设计基于模型预测控制的自适应控制算法对网络配置自动调整；
9、构建基于深度学习的预测模型，并利用收集的最新数据不断训练和优化预测模型；
10、使用量子加密技术对通信和数据进行加密，用于防止数据泄露；
11、其中，所述使用量子计算算法处理异常模式的异常数据中，优化故障处理决策中，将优化故障处理决策转化为哈密顿量表述，计算能量最低的基态，表示如下：
12、;
13、其中， 表示网络中的边集， 是边 的权重， 是节点 的状态，是节点j 的状态。
14、进一步地，所述预处理包括：对于每个传感器输出的数据实施滑动平均滤波进行计算，表示如下：
15、;
16、其中， 是滑动窗口的半宽，表示滑动平均滤波后时间t输出的数据。
17、进一步地，所述集成多模态数据并构建中间监控平台对多模态数据进行实时监控和分析，具体包括以下步骤：
18、对多模态传感器收到的数据进行数据时间同步化处理，表示如下：
19、;
20、其中， 表示原始时间戳， 表示参考时间戳， 表示校正值；
21、设计动态数据流融合算法整合多模态数据，数据融合计算表示如下：
22、;
23、其中，表示融合数据， 表示第 类传感器的数据， 表示根据数据重要性和可靠性分配的权重， 表示数据类别数；
24、设计实时数据分析机制，从融合数据中即时识别异常模式和潜在的故障，同时利用自适应阈值技术对融合数据进行实时分析，根据历史数据动态调整故障检测的阈值；其中，所述故障检测的公式表示如下：
25、;
26、其中， 表示当前数据点， 和 分别表示移动平均和标准差， 表示自适应调整的灵敏度系数，表示故障阈值。
27、进一步地，所述应用机器学习算法对多模态数据进行深入分析，识别异常模式，具体包括以下步骤：
28、对输入的数据进行归一化处理；
29、使用主成分分析对归一化后的数据进行维度缩减，并提取特征，表示如下：
30、;
31、其中， 是归一化后的数据矩阵， 是特征向量组成的权重矩阵， 是降维后的特征矩阵；
32、使用动态时间扭曲算法对提取的时间序列特征进行模式匹配，识别数据中的异常行为或故障模式，表示如下：
33、;
34、其中， 和 是两个时间序列， 和 分别是这 和 时间序列的元素
35、将识别出的异常或故障模式实时反馈，再使用线性回归模型预测网络故障的发展趋势。
36、进一步地，所述设计生成器与判别器架构模拟正常及各类故障状态，具体包括：
37、设计生成器，包括：
38、输入100 维的随机噪声向量 ，构建多层全连接网络，使用relu激活函数，最后一层采用tanh激活函数，输出与真实网络故障数据相同维度的模拟故障数据；
39、设计判别器，包括：
40、输入与生成器的输出相同维度的模拟故障数据，构建多层全连接网络，并使用leakyrelu激活函数，输出单一标量；
41、设计损失函数对生成器和判别器进行交替训练，并使用adam优化器；其中，所述生成器的损失函数表示如下：
42、;
43、其中， 表示随机噪声向量， 是与 相对应的条件变量，表示为网络状态或预设的故障模式，m表示样本数，表示判别器，g表示生成器；
44、所述判别器的损失函数表示如下：
45、;
46、其中， 是分类损失， 是控制分类损失影响的超参数，表示 时间序列的元素。
47、进一步地，所述基于模型预测控制的自适应控制算法，表示如下：
48、;
49、其中， 是在时间 的网络状态向量， 是控制输入， 和 是系统动态的参数矩阵， 是过程噪声。
50、进一步地，所述构建基于深度学习的预测模型，使用自适应学习率的随机梯度下降方法来持续训练模型，优化函数为：
51、;
52、其中， 是模型参数， 是时间步 的学习率， 是损失函数。
53、进一步地，使用量子加密数据对通信和数据进行加密，具体包括：
54、基于量子加密技术设计自适应加密机制，加密过程使用以下形式的自适应调整算法：
55、;
56、其中， 表示新密钥， 表示旧密钥， 表示量子链接质量指标， 表示时间间隔， 表示密钥更新函数。
57、在本发明的第二方面提供了数据中心节能控制系统，所述系统包括：
58、多模态数据收集模块，用于布置多模态传感器收集多模态数据，并对多模态数据进行预处理；其中，所述多模态传感器包括温度传感器、光纤振动传感器、流量监测器和信号强度传感器；
59、多模态数据集成模块，用于集成多模态数据并构建中间监控平台对多模态数据进行实时监控和分析；
60、gan模拟模块，用于设计生成器与判别器架构模拟正常及各类故障状态，生成故障训练数据和故障测试数据；
61、识别异常模式模块，用于应用机器学习算法对多模态数据进行深入分析，识别异常模式；
62、优化故障处理决策模块，用于使用量子计算算法处理异常模式的异常数据，优化故障处理决策；
63、网络配置自动调整模块，用于构建数据集成框架并设计基于模型预测控制的自适应控制算法对网络配置自动调整；
64、优化预测模型模块，用于构建基于深度学习的预测模型，并利用收集的最新数据不断训练和优化预测模型；
65、量子加密模块，用于使用量子加密技术对通信和数据进行加密，用于防止数据泄露；
66、其中，所述使用量子计算算法处理异常模式的异常数据中，优化故障处理决策中，将优化故障处理决策转化为哈密顿量表述，计算能量最低的基态，表示如下：
67、;
68、其中， 表示网络中的边集， 是边 的权重， 是节点 的状态，是节点j 的状态。
69、本发明的第三方面还提供了一种存储介质，其存储了非暂时性计算机可读指令，当非暂时性计算机可读指令由计算机执行时，能够执行前述的数据中心节能控制方法中的步骤。
70、本发明的有益技术效果至少在于以下几点：
71、（1）本发明通过在数据中心部署多种传感器，实时收集关于温度、湿度、功率消耗、服务器运行状态等多项数据。利用这些多模态数据，系统能够全面监控数据中心的运行环境和设备状态，从而精确掌握能源需求和潜在的节能点。这解决了现有技术中数据处理单一、反应不够灵活的问题。
72、本发明 利用gan技术模拟各种正常及异常能耗情景，提高预测的准确性和系统的适应性。gan的引入使得系统能在无需实际发生能耗高峰或设备故障的情况下，预先调整策略，有效预防潜在的能耗问题，这直接应对了现有技术在能耗预测和动态响应上的不足。
73、本发明 采用量子计算进行能源配置和调度的优化决策，利用其超强的计算能力处理复杂的优化问题，实现快速、高效的能源管理。这一点针对传统方法在处理复杂系统动态优化上的局限性，提供了一种全新的解决方案。
74、本发明结合自适应控制技术和持续的机器学习过程，不断根据实际运行数据优化能源管理策略。这使得系统能够自我优化，持续提高能效，从根本上解决了现有技术中缺乏自我学习和优化能力的问题。
1.数据中心节能控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的数据中心节能控制方法，其特征在于，所述预处理包括：对于每个传感器输出的数据实施滑动平均滤波进行计算，表示如下：
3.根据权利要求1所述的数据中心节能控制方法，其特征在于，所述集成多模态数据并构建中间监控平台对多模态数据进行实时监控和分析，具体包括以下步骤：
4.根据权利要求1所述的数据中心节能控制方法，其特征在于，所述应用机器学习算法对多模态数据进行深入分析，识别异常模式，具体包括以下步骤：
5.根据权利要求1所述的数据中心节能控制方法，其特征在于，所述设计生成器与判别器架构模拟正常及各类故障状态，具体包括：
6.根据权利要求1所述的数据中心节能控制方法，其特征在于，所述基于模型预测控制的自适应控制算法，表示如下：
7.根据权利要求1所述的数据中心节能控制方法，其特征在于，所述构建基于深度学习的预测模型，使用自适应学习率的随机梯度下降方法来持续训练模型，优化函数为：
8.根据权利要求1所述的数据中心节能控制方法，其特征在于，使用量子加密数据对通信和数据进行加密，具体包括：
9.数据中心节能控制系统，其特征在于，所述系统包括：
10.一种存储介质，其特征在于，其存储了非暂时性计算机可读指令，当非暂时性计算机可读指令由计算机执行时，能够执行如权利要求1-8任一所述的数据中心节能控制方法中的步骤。
