[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

说明书

本发明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‑BP神经网络与XGBoost模型并行预测，将深度学习与机器学习技术同时运用于负荷预测，将两种集成学习方式有效结合，充分发挥两个模型优点，有助于获得更稳定、泛化能力更强的模型。混合预测模型能主动丰富维度单一的输入数据特征，避免数据采集过程中人为因素导致的数据误差对计算精度的影响，在负荷波动较大等特殊情况下也能实现高精度负荷预测。

技术领域

本发明涉及自动控制技术领域，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。

背景技术

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。

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。

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。

发明内容

针对现有技术存在的问题，本发明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。

为了解决上述技术问题，本发明采用以下的技术方案：

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：

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：