基于负荷运行关键点驱动数据中心日前负荷骤变预警方法
本发明涉及数据中心负荷预测和运行状态感知,具体涉及一种基于负荷运行关键点驱动数据中心日前负荷骤变预警方法。
背景技术:
1、随着云计算、人工智能训练、在线推理和大数据处理业务规模持续增长,数据中心已成为重要的电力负荷主体。数据中心总负荷由it设备功率、制冷系统功率、供配电损耗及辅助设备功率共同构成,并受到业务请求、任务调度、服务器启停、室外环境和控制策略等因素影响,呈现明显的周期性、非平稳性和多时间尺度波动特征。当大量计算任务集中到达、服务器集群批量启停或制冷系统发生快速调节时,数据中心负荷可能在较短时间内快速上升或下降。若缺少日前预警,可能导致供配电容量安排不足、制冷调节滞后、需量控制失效或备用资源配置不合理。因此,需要在给出未来一天负荷预测的同时,识别可能发生的负荷骤变事件及其方向和时间范围。
2、现有技术中通常采用包括:采集历史负荷及外生特征;按照固定输入步长构造日前预测样本;将原始负荷序列直接输入lstm、transformer或其他时序预测模型得到点预测结果;根据验证集误差设置预测区间;在每个滑动窗口内计算负荷最大值与最小值之差,当该差值超过预设功率阈值时标记为负荷波动或骤变事件。部分方案进一步使用信号分解方法提取多尺度分量,但往往将分解算法作为独立的前处理模块,未解决不同输入窗口分量数量不一致、分量与预测模型固定通道对齐以及骤变事件发生条件缺少时间方向的问题。
3、上述现有技术中,存在以下缺点:(1)仅使用原始负荷序列进行建模时,不同时间尺度的业务波动、周期分量和长期趋势相互叠加,点预测模型难以同时学习短时骤变与低频变化。(2)以平均误差最小化为唯一训练目标时,模型容易优先拟合占比较高的平稳时段,对峰值、谷值和快速变化端点等关键运行点关注不足。(3)只输出点预测序列不能反映未来时段的预测不确定性;采用固定区间宽度或固定检测阈值时,难以适应不同时段的预测难度和波动水平。(4)以窗口内最大上界与最小下界的差值直接定义事件,没有约束两个极值的先后顺序,也没有区分上升和下降方向;当预测区间本身较宽时,即使点预测变化较小也可能得到较大的窗口差值。(5)仅设置幅值阈值不能充分体现骤变的时间属性,缓慢变化也可能在较长窗口内累积到相同幅值;若不设置方向一致性条件,窗口内往复振荡也可能被误判为单向骤变。
4、因此,需要对现有技术进行改进。
技术实现思路
1、1.所要解决的技术问题:
2、针对上述技术问题,本发明提供一种基于负荷运行关键点驱动数据中心日前负荷骤变预警方法,从数据中心非平稳历史负荷中自适应提取不同时间尺度的功率波动信息,并将数量可能变化的imf分量转换为预测模型可接收的固定通道特征,构建预测模型实现骤变事件的预测。
3、2.技术方案:
4、基于负荷运行关键点驱动数据中心日前负荷骤变预警方法,其特征在于:包括:
5、步骤一:获取数据中心历史负荷数据并进行预处理;所述历史负荷数据包括数据中心历史总负荷数据、不同业务负荷功率数据以及与所述历史负荷数据对应的辅助数据;
6、步骤二:对数据中心历史数据进行经验模态分解,获取不同业务对应的功率波动特征;
7、步骤三:将经验模态分解得到的emd分量、残余趋势及辅助数据作为输入,训练包含平均预测误差项和负荷运行关键点预测误差项的日前点预测模型;
8、步骤四:将待预测的数据中心负荷数据送入训练后的日前点预测模型,得到未来一天待预测的数据中心负荷数据对应的负荷点的功率预测序列;
9、步骤五:基于步骤四得到的未来一天负荷点功率预测序列,通过保型预测算法获得点预测结果的不确定性量化结果;
10、步骤六:基于未来一天负荷点预测序列及其不确定性量化结果,通过骤变事件检测模型判断是否发生负荷骤变事件并输出事件信息。
11、进一步地,步骤一中数据中心历史数据为数据中心历史总负荷数据或不同业务功率数据;所述辅助数据为节假日信息、cpu利用率、制冷功率、机房温度、服务器运行数量和时间特征;所述时间特征为小时、星期、日期、月份和周期性时间编码;所述预处理具体包括以下过程:
12、s11:根据时间戳,将获取的历史负荷序列按照时间升序进行排列;排列时,对缺失值进行前向填充、后向填充或插值,对异常值进行边界检查;并且对排列后的数据集进行标准化处理得到历史数据样本数据集;
13、s12:对历史数据样本数据集中的序列基于预设输入步长和预设输出步长构造模型训练样本;所述模型训练样本包括历史输入序列及对应的日前负荷目标序列;所述历史输入序列由连续p个历史时间步的数据组成作为训练模型时输入数据;所述日前负荷目标序列由连续q个未来时间步的数据中心真实负荷值组成,作为训练模型时输出数据;其中p表示预设的输入步长,所述q表示预设的输出步长。
14、进一步地,步骤二具体包括:
15、s21:将样本序列分解为多个imf分量以及一个残差分量;如下式:
16、 (1);
17、上式中,x(t)表示样本序列;表示样本序列分解后的第i个imf分量;表示残差分量;m个imf分量按照平均过零周期或平均瞬时频率由高到低排序;
18、s22:构造固定维度的样本;训练集中,预设日前点预测模型的目标通道数m0,若其中的一个时间窗口得到的imf数量大于m0,则保留前m0-1个高频至中频分量,并将其余低频imf与残余项合并为第m0个趋势通道;若得到的imf数量小于m0,则按照频率顺序对齐已有分量,并以零序列补齐缺失通道;进而得到增强后的负荷波动特征。
19、进一步地,步骤三具体包括:
20、s31:建立表示负荷波动特征、辅助数据与日前负荷预测序列之间的映射关系的日前点预测模型;其中日前点预测模型为能够处理多变量时序输入的模型;所述能够处理多变量时序输入的模型包括lstm、门控循环网络、时序卷积网络、transformer;
21、s32:利用模型训练样本训练日前点预测模型,并获取训练阶段的负荷极值关键点和检测阶段的区间边界关键点;所述训练阶段的负荷极值关键点包括预设时间窗口内数据中心真实负荷序列的最大值时间点和最小值时间点;所述检测阶段的区间边界关键点包括负荷预测区间上界最大值时间点和负荷预测区间下界最小值时间点;所述训练阶段的负荷极值关键点和检测阶段的区间边界关键点即为负荷运行关键点。
22、进一步地,所述日前点预测模型采用平均预测误差项和负荷运行关键点预测误差项共同构成的损失函数,具体如下式: (2);
23、上式中,l表示训练损失函数;q表示预设的输出步长;表示t时刻的数据中心真实负荷值;表示t时刻的数据中心预测负荷值;表示训练阶段的负荷运行关键点集合,表示负荷运行关键点数量,表示负荷运行关键点预测误差权重系数。
24、进一步地,步骤五中不确定性量化结果具体包括保形分数的计算、分位数的校正以及生成保形区间的过程;
25、所述保形分数表示为:
26、 (3);
27、上式中,表示t时刻的真实负荷值,表示t时刻的预测负荷值;
28、当存在预测不确定度估计量时,保形分数表示为:
29、 (4)
30、式中,表示t时刻的预测不确定度估计量;
31、负荷预测区间表示为:
32、 (5);
33、其中,
34、 (6);
35、 (7);
36、式中,表示t时刻负荷预测区间下界;表示t时刻负荷预测区间上界;估计量;当不单独设置预测不确定度估计量时,令;
37、为确保构建保形区间的合理性,添加物理约束条件如下:
38、 (8);
39、式中,表示t时刻负荷预测区间下界,表示t时刻负荷预测区间上界,表示骤变事件检测阈值;
40、所述分位数校正量根据时间加权保形推断方法确定;所述时间加权是指距离待预测时刻越近的历史保形分数被赋予越大的权重,距离待预测时刻越远的历史保形分数被赋予越小的权重;
41、则不确定量化结果为式(6)、式(7)得到的日前点预测结果生成的负荷预测区间上限、日前点预测结果生成的负荷预测区间下限及其产生的区域面积。
42、进一步地,步骤六中构建骤变事件检测模型具体为:设置骤变事件滑动检测窗口长度,并在每一个滑动检测窗口内计算负荷预测区间上界的最大值和负荷预测区间下界的最小值;计算区间波动幅值:
43、 (9);
44、当大于或等于预设的骤变事件检测阈值时,判定对应的滑动检测窗口内发生数据中心负荷骤变事件,用布尔标志记录事件发生情况;
45、所述骤变事件检测阈值由三部分组成,分别为:数据中心预设风险运行功率波动基值、滑动窗口内区间预测宽度平均值和日区间预测宽度平均值,表达式为:
46、 (10);
47、式中,表示以为起始时刻的滑动检测窗口对应的负荷骤变事件检测阈值;表示基础波动阈值,根据数据中心额定负荷容量的预设比例、历史负荷变化幅值分位数或固定功率阈值确定;表示第个滑动检测窗口的起始时刻;表示骤变事件最大持续时间窗口长度;表示第个滑动检测窗口;表示第个滑动检测窗口内包含的时间步数量;表示时刻的数据中心负荷预测区间宽度;表示未来日前预测序列的起始时刻;表示未来日前预测序列的结束时刻;
48、所述骤变事件包括上升型骤变事件与下降型骤变事件;所述上升型骤变事件为检测窗口内达到负荷预测区间上界的最大值;所述下降型骤变事件为检测窗口内达到负荷预测区间上界的最小值。
49、进一步地,步骤六输出的负荷骤变事件检测结果包括:未来预测时间步长内负荷点预测结果、未来预测时间步长内不确定性量化结果、未来预测时间步长内负荷骤变事件的检测结果。
50、3.有益效果:
51、(1)本发明提供的一种基于负荷运行关键点驱动数据中心日前负荷骤变预警方法,对每个历史输入窗口执行经验模态分解emd,获得imf分量和残余趋势,并根据平均周期排序;通过保留、合并和补齐使不同窗口形成固定数量的模型输入通道;emd依据负荷序列自身局部极值自适应获得不同时间尺度分量,不需要在每个窗口预先指定模态中心频率;固定通道对齐进一步解决了分量数量变化与模型输入维度固定之间的矛盾。
52、(2)本发明提供的一种基于负荷运行关键点驱动数据中心日前负荷骤变预警方法,在平均预测误差之外加入峰值、谷值及可选快速变化端点的关键点误差,使点预测模型针对风险运行片段进行强化训练。
53、(3)本发明提供的一种基于负荷运行关键点驱动数据中心日前负荷骤变预警方法,以较早时刻区间上界与较晚时刻区间下界构造可信上升幅值,以较早时刻区间下界与较晚时刻区间上界构造可信下降幅值,使变化方向和时间顺序直接进入事件定义。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com