一种基于混合模型预测的数据中心站多元负荷预测方法技术

本发明专利技术提供一种基于混合模型预测的数据中心站多元负荷预测方法，涉及自动控制技术领域。本发明专利技术将数据中心站的多元数据分成春秋、夏、冬三类场景，居于各类场景的数据进行多元负荷预测，采用GRA方法对多元负荷数据进行特征分析和归一化，将处理后的数据输入到QPSO－BP神经网络进行预测，在预测算法方面，采用QPSO

【技术实现步骤摘要】
一种基于混合模型预测的数据中心站多元负荷预测方法


[0001]本专利技术涉及自动控制
，尤其涉及一种基于混合模型预测的数据中心站多元负荷预测方法。

技术介绍

[0002]近年来，随着互联网技术的高速发展，数据中心站的规模和数量得到迅速扩大，据统计我国的数据中心电耗也已经占到全国总电耗的1％，数据中心站负荷现已成为体量可观的电力负荷。在电力系统快速精准调度和系统安全稳定性的要求下，对数据中心站实施预测精度已经成为重中之重。
[0003]数据中心站负荷主要分为两类，一类为处理数据的服务器负荷，另一类为维持服务器正常工作的存储、照明、冷却和配电负荷，数据中心站用电的复杂性导致其负荷受多种因素影响，其变化没有明显的规律性。传统的负荷预测方法往往选取一种因素对负荷进行单一映射分析，忽略了其他因素的影响，更没有考虑各影响因素之间的联动关系，从而导致负荷特性的分析不够准确，对负荷预测以及用电计划的制定都会造成影响，准确性较低。此外，传统预测模型例如时间序列模型、神经网络模型、人工智能优化模型有其各自的优缺点，时间序列模型假设和计算简单，适应性强，但是外推效果差，预测范围小；神经网络模型拟合效果较好，具有处理非线性数据的能力，但模型不稳定，依赖数据特征；人工智能优化模型可以与其他方法结合使用，提高预测精度，但容易陷入局部最优。此外传统预测算法存在一些典型的局限:误差对权重值的变化不敏感，误差梯度变化很小，调整时间长，迭代次数多，收敛慢，神经网络输出层极易陷入局部最小，在预测的精度和稳定性方面具有一定的缺陷，以上问题都给数据中心站的精准负荷预测提出了挑战。
[0004]传统预测方法没有充分挖掘海量的沉睡历史运行数据，往往在单一场景下对负荷进行预测，忽视了时间层面负荷的差异，同时没有考虑系统中存在的多种因素会对系统的预测精度造成影响，且传统预测模型调整时间长，迭代次数多，收敛慢，神经网络输出层极易陷入局部最小，在预测的精度和稳定性方面具有一定的缺陷，以上的多种因素都会导致系统预测不准确。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术提供一种基于混合模型预测的数据中心站多元负荷预测方法。
[0006]为了解决上述技术问题，本专利技术采用以下的技术方案：
[0007]一种基于混合模型预测的数据中心站多元负荷预测方法，包括以下步骤：
[0008]步骤1：数据收集及数据预处理；获取预设时间内的数据中心站历史数据并构建训练集，对数据进行预处理，其中历史数据包括冷负荷、热负荷、电负荷、光强、风速、湿度、气压和日期。
[0009]步骤1.1：获取预设时间内的数据中心站历史数据，采用聚类算法K－means法将数
据中心站负荷分为春秋、夏、冬三种场景进行分场景预测；
[0010]步骤1.2：从历史数据中选择太阳辐射量、温度和空气湿度三种气象特征因素，三种气象特征因素在训练集中的排序为太阳辐射量、温度和空气湿度，则收集数据中心站的冷热电负荷和环境因素形成训练集X如下：
[0011][0012]式中X为训练集；x
e
为数据中心电负荷，x
e
(i)为电负荷序列中第i个电负荷；x
h
为热负荷，x
h
(i)为热负荷序列中第i个热负荷；x
c
为冷负荷，x
c
(i)为冷负荷序列中第i个冷负荷；x
R
为太阳辐射量，x
R
(i)为辐射量序列中第i个太阳辐射量；x
T
为温度,x
T
(i)为温度序列中第i个温度量；x
M
为空气湿度，x
M
(i)为湿度序列中第i个湿度量；m为一条序列的序列量数目。
[0013]步骤1.3：采用随机森林(RF)袋外估计对负荷预测特征数据进行重要性排序并进行特征选择；
[0014]所述重要性的计算如下所示：
[0015][0016]式中，Q为基学习器的个数；errOOB
q
为第q个基学习器的袋外误差；errOOB
′
q
为第q个基学习器加入噪声后的袋外误差，采用随机森林(RF)袋外估计对负荷预测特征数据进行重要性排序并进行特征选择；
[0017]步骤1.4：数据负荷和特征因素相关性计算；
[0018]根据春秋、夏、冬三种场景对数据中心站的冷热负荷和电负荷以及多元负荷与气象影响因素之间的相关性进行分析，建立三种场景下冷热电负荷和环境影响因素形成的矩阵，并将三种场景下数据中心站冷热电负荷以及环境影响因素之间关系的强弱、大小和次序，计算关联系数和关联度；
[0019]春秋季时，冷热电负荷和环境影响因素序列形成如下矩阵：
[0020][0021]式中X1为春秋季冷热电负荷和环境影响因素形成的矩阵。
[0022]夏季时，冷负荷、电负荷及环境影响因素序列形成如下矩阵：
[0023][0024]式中X2为夏季冷电负荷和环境影响因素形成的矩阵。
[0025]冬季时，热负荷、电负荷及各环境影响因素数据序列形成如下矩阵：
[0026][0027]式中X3为冬季热电负荷和环境影响因素形成的矩阵。
[0028]需要对原始数据进行归一化处理，公式如下：
[0029][0030]式中x为挑选出的原始数据；x
max
为样本数据的最大值；x
min
为样本数据的最小值；x
′
为归一化之后的值；
[0031]关联系数ξ
j
和关联度γ
j
的计算公式如下所示：
[0032][0033][0034]式中ξ
j
为数据种类j的关联系数，ξ
j
(k)为其第k个关联度；γ
j
为数据种类j的关联度；x0(k)为归一化气象因素序列的第k个值；x
j
(k)为归一化负荷序列的第k个值；ρ为分辨系数，j代表经过归一化数据的种类；
[0035]步骤2、采用量子粒子群算法QPSO，构建BP神经网络模型；
[0036]步骤2.1：采用BP神经网络构建数据中心站的预测电负荷计算模型，公式如下：
[0037][0038]式中l为模型中隐含层神经元个数；n为输入层神经元的个数，m为序列量数目,a为1至10之间的常数；
[0039]步骤2.2：利用量子粒子群算法QPSO对神经网络模型进行优化；
[0040]步骤2.2.1：计算平均的粒子历史最优位置，如下式所示：
[0041][0042]式中M
best
为粒子历史最优位置；S为粒子群的规模；Q
local,i
为粒子迭代中第i个粒子的位置；步骤2.2.2：更新粒子位置，如下式所示：
[0043][0044]式中Q
i
为第i个粒子的更新位置；α1、α2为[0,1]间的随机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合模型预测的数据中心站多元负荷预测方法，其特征在于，包括以下步骤：步骤1：数据收集及数据预处理；获取预设时间内的数据中心站历史数据并构建训练集，对数据进行预处理，其中历史数据包括冷负荷、热负荷、电负荷、光强、风速、湿度、气压和日期；步骤2、采用量子粒子群算法QPSO，构建BP神经网络模型；步骤3、构建XGBoost预测模型；步骤4、将QPSO－BP神经网络模型与XGBoost预测模型结合起来构建混合预测模型并对混合预测模型权重进行计算；对两种模型的输出结果的权值进行计算，通过平均绝对百分误差倒数权重MAPE
‑
RW算法结合误差指标设置融合模型权重初值，结合初值进行最佳权重值搜索，最终构成最佳负荷预测模型；步骤5：将经过步骤1预处理的数据带入混合预测模型进行计算，完成分场景数据中心站多元负荷预测。2.根据权利要求1所述的一种基于混合模型预测的数据中心站多元负荷预测方法，其特征在于，所述步骤1包括以下步骤：步骤1.1：获取预设时间内的数据中心站历史数据，采用聚类算法K－means法将数据中心站负荷分为春秋、夏、冬三种场景进行分场景预测；步骤1.2：从历史数据中选择太阳辐射量、温度和空气湿度三种气象特征因素，三种气象特征因素在训练集中的排序为太阳辐射量、温度和空气湿度，则收集数据中心站的冷热电负荷和环境因素形成训练集X如下：式中X为训练集；x
e
为数据中心电负荷，x
e
(i)为电负荷序列中第i个电负荷；x
h
为热负荷，x
h
(i)为热负荷序列中第i个热负荷；x
c
为冷负荷，x
c
(i)为冷负荷序列中第i个冷负荷；x
R
为太阳辐射量，x
R
(i)为辐射量序列中第i个太阳辐射量；x
T
为温度,x
T
(i)为温度序列中第i个温度量；x
M
为空气湿度，x
M
(i)为湿度序列中第i个湿度量；m为一条序列的序列量数目；步骤1.3：采用随机森林(RF)袋外估计对负荷预测特征数据进行重要性排序并进行特征选择；所述重要性的计算如下所示：式中，Q为基学习器的个数；errOOB
q
为第q个基学习器的袋外误差；errOOB
′
q
为第q个基学习器加入噪声后的袋外误差，采用随机森林(RF)袋外估计对负荷预测特征数据进行重要性排序并进行特征选择；步骤1.4：数据负荷和特征因素相关性计算；根据春秋、夏、冬三种场景对数据中心站的冷热负荷和电负荷以及多元负荷与气象影
响因素之间的相关性进行分析，建立三种场景下冷热电负荷和环境影响因素形成的矩阵，并将三种场景下数据中心站冷热电负荷以及环境影响因素之间关系的强弱、大小和次序，计算关联系数和关联度；春秋季时，冷热电负荷和环境影响因素序列形成如下矩阵：式中X1为春秋季冷热电负荷和环境影响因素形成的矩阵；夏季时，冷负荷、电负荷及环境影响因素序列形成如下矩阵：式中X2为夏季冷电负荷和环境影响因素形成的矩阵；冬季时，热负荷、电负荷及各环境影响因素数据序列形成如下矩阵：式中X3为冬季热电负荷和环境影响因素形成的矩阵；对原始数据进行归一化处理，公式如下：式中x为挑选出的原始数据；x
max
为样本数据的最大值；x
min
为样本数据的最小值；x
′
为归一化之后的值；关联系数ξ
j
和关联度γ
j
的计算公式如下所示：的计算公式如下所示：式中ξ
j
为数据种类j的关联系数，ξ
j
(k)为其第k个关联度；γ
j
为数据种类j的关联度；x0(k)为归一化气象因素序列的第k个值；x
j
(k)为归一化负荷序列的第k个值；ρ为分辨系数，j代表经过归一化数据的种类。3.根据权利要求1所述的一种基于混合模型预测的数据中心站多元负荷预测方法，其特征在于，所述步骤2包括以下步骤：步骤2.1：采用BP神经网络构建数据中心站的预测电负荷计算模型，公式如下：式中l为模型中隐含层神经元个数；n为输入层神经元的个数，m为序列量数目,a为1至<...

【专利技术属性】
技术研发人员：李华，丁吉，杨东升，张化光，周博文，李广地，金硕巍，罗艳红，王迎春，闫士杰，杨波，陈乐，
申请(专利权)人：东北大学，
类型：发明
国别省市：