基于AI的机房PDU级精细能耗采集与异常负载识别设计.docxVIP

PAGE2

基于AI的机房PDU级精细能耗采集与异常负载识别设计

摘要

随着数据中心规模激增，机房能耗管理与安全运维面临严峻挑战。传统PDU仅提供机柜级粗放统计，难以穿透至单设备维度，导致私接挖矿设备与隐蔽性硬件故障无法被及时定位。本课题旨在设计一款每插座内置电流互感器（CT）的智能PDU，结合边缘侧轻量级机器学习（ML）算法，实现对异常负载的精准辨识与自动阻断。

课题遵循工程递进思路展开。首先，通过需求分析明确单插座级采集精度与挖矿/故障识别率等核心指标。其次，在总体设计阶段构建“边缘推理+云端管控”的端云协同架构，划分精细采集、智能辨识与自动控制等模块。进而，在详细设计中定义特征提取算法与ML推理流程，并规范DCIM平台上报与拉闸联动接口。最终，完成系统编码实现与全面测试，验证功能完备性与性能达标性。

本设计的核心创新在于：打破传统机柜级能耗盲区，实现每插座CT微传感；将轻量ML模型下沉至PDU边缘MCU，毫秒级辨识挖矿波形并联动DCIM平台执行自动拉闸，形成从感知到决策的闭环管控。

第一章绪论

1.1研究背景

近年来，云计算与大数据产业迅猛发展，数据中心作为底层基础设施规模持续扩张。据统计，大型数据中心能耗占全社会用电量比例已突破2%，且呈逐年攀升态势。在巨额电费成本压力下，如何实现精细化能耗管理成为行业痛点。

与此同时，机房内部安全威胁日益隐蔽化。部分内部人员或外