[发明专利]一种基于混合模型预测的数据中心站多元负荷预测方法

权利要求书

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：

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。