面向电力系统的网络算力负载预测方法、装置及设备与流程
本技术涉及电力系统领域,尤其涉及面向电力系统的网络算力负载预测方法、装置及设备。
背景技术:
1、随着数字经济的快速发展,云计算、人工智能及大数据分析业务广泛渗透,数据中心规模呈爆发式增长,已成为电力系统中重要的高耗能负荷。电力计算协同调度理念应运而生,其核心是依托算力负载的时空灵活性,通过感知电价波动、新能源出力等电力信号,动态调整计算任务的时空分布,实现削峰填谷与绿色低碳用能。在此场景下,算力负载呈现内生惯性与外生调度双驱动特征,演变规律更为复杂,精准的负载预测是实现高效协同调度的核心基础。
2、当前算力负载预测技术以时序建模为主流方向,循环神经网络及其变体长短期记忆网络,凭借对长序列时间依赖关系的捕捉能力,被广泛用于挖掘负载的周期性与趋势性规律;基于自注意力机制的transformer模型通过全局关联建模,进一步提升了预测精度。部分研究尝试融入电力关联特征,采用特征拼接方式将多源数据输入单一网络,以体现电力侧因素对负载的影响。
3、然而现有技术仍存在明显缺陷,一是多源异构特征直接混合建模,业务时序特征与电力特征的物理意义、演变尺度差异显著,易在参数空间产生耦合干扰,模型无法精准区分负载波动的驱动来源;二是特征融合过程依赖静态固化的权重静态,无法根据电力信号强度自适应调整预测策略,场景鲁棒性不足。
技术实现思路
1、本技术提供了面向电力系统的网络算力负载预测方法、装置及设备,用于解决现有技术基于多源异构特征混合建模难以抵抗特征间的耦合干扰,且特征融合过程依赖固化权重,导致负载预测结果缺乏准确性以及鲁棒性的技术问题。
2、有鉴于此,本技术第一方面提供了面向电力系统的网络算力负载预测方法,包括:
3、采用预设lstm网络对历史负载序列进行变化趋势分析,得到负载基准预测值;
4、通过预设多层感知机对电力关联特征矩阵进行非线性映射分析,生成负载调整量;
5、依据所述历史负载序列和所述电力关联特征矩阵进行统计量计算,并将计算得到的统计向量输入预设门控网络,生成门控系数;
6、结合所述门控系数和残差计算公式,采用所述负载调整量对所述负载基准预测值进行偏差分析,得到负载目标预测值。
7、优选地,所述通过预设多层感知机对电力关联特征矩阵进行非线性映射分析,生成负载调整量,包括:
8、对电力系统的初始关联特性矩阵进行量纲归一化计算,生成电力关联特征矩阵;
9、将所述电力关联特征矩阵沿着批次和时间维度重构为二维特征矩阵;
10、把所述二维特征矩阵输入预设多层感知层进行非线性映射分析,得到负载映射结果;
11、将所述负载映射结果进行维度重塑,得到负载调整量。
12、优选地,所述依据所述历史负载序列和所述电力关联特征矩阵进行统计量计算,并将计算得到的统计向量输入预设门控网络,生成门控系数,包括:
13、沿着时间维度对所述历史负载序列进行统计量计算,得到负载均值与负载标准差;
14、沿着特征维度对所述电力关联特征矩阵进行统计量计算,得到电力均值与电力标准差;
15、将所述负载均值、所述负载标准差、所述电力均值与所述电力标准差进行堆叠处理,生成统计向量;
16、把所述统计向量输入预设门控网络分析电力关联特征对负载的动态影响,计算得到门控系数。
17、优选地,所述依据所述历史负载序列和所述电力关联特征矩阵进行统计量计算,并将计算得到的统计向量输入预设门控网络,生成门控系数,之前还包括:
18、基于huber损失函数和预设学习率,通过adam优化器对初始网络模型的模型参数进行离线优化训练,得到离线优化模型;
19、依据实时数据样本对所述离线优化模型进行基于预测损失的单步微调优化,得到优化预测模型;
20、所述优化预测模型包括所述预设lstm网络、所述预设多层感知机和所述预设门控网络。
21、优选地,所述残差计算公式表达为:
22、
23、其中,表示第t个时间步的负载目标预测值,表示负载基准预测值,表示门控系数,表示负载调整量。
24、本技术第二方面提供了面向电力系统的网络算力负载预测装置,包括:
25、基准预测单元,用于采用预设lstm网络对历史负载序列进行变化趋势分析,得到负载基准预测值;
26、调整映射单元,用于通过预设多层感知机对电力关联特征矩阵进行非线性映射分析,生成负载调整量;
27、参数计算单元,用于依据所述历史负载序列和所述电力关联特征矩阵进行统计量计算,并将计算得到的统计向量输入预设门控网络,生成门控系数;
28、负载预测单元,用于结合所述门控系数和残差计算公式,采用所述负载调整量对所述负载基准预测值进行偏差分析,得到负载目标预测值。
29、优选地,所述调整映射单元,具体用于:
30、对电力系统的初始关联特性矩阵进行量纲归一化计算,生成电力关联特征矩阵;
31、将所述电力关联特征矩阵沿着批次和时间维度重构为二维特征矩阵;
32、把所述二维特征矩阵输入预设多层感知层进行非线性映射分析,得到负载映射结果;
33、将所述负载映射结果进行维度重塑,得到负载调整量。
34、优选地,所述参数计算单元,具体用于:
35、沿着时间维度对所述历史负载序列进行统计量计算,得到负载均值与负载标准差;
36、沿着特征维度对所述电力关联特征矩阵进行统计量计算,得到电力均值与电力标准差;
37、将所述负载均值、所述负载标准差、所述电力均值与所述电力标准差进行堆叠处理,生成统计向量;
38、把所述统计向量输入预设门控网络分析电力关联特征对负载的动态影响,计算得到门控系数。
39、优选地,还包括模型优化单元,具体用于:
40、基于huber损失函数和预设学习率,通过adam优化器对初始网络模型的模型参数进行离线优化训练,得到离线优化模型;
41、依据实时数据样本对所述离线优化模型进行基于预测损失的单步微调优化,得到优化预测模型;
42、所述优化预测模型包括所述预设lstm网络、所述预设多层感知机和所述预设门控网络。
43、本技术第三方面提供了面向电力系统的网络算力负载预测设备,所述设备包括处理器以及存储器;
44、所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
45、所述处理器用于根据所述程序代码中的指令执行第一方面所述的面向电力系统的网络算力负载预测方法。
46、从以上技术方案可以看出,本技术实施例具有以下优点:
47、本技术,提供了面向电力系统的网络算力负载预测方法,包括:采用预设lstm网络对历史负载序列进行变化趋势分析,得到负载基准预测值;通过预设多层感知机对电力关联特征矩阵进行非线性映射分析,生成负载调整量;依据历史负载序列和电力关联特征矩阵进行统计量计算,并将计算得到的统计向量输入预设门控网络,生成门控系数;结合门控系数和残差计算公式,采用负载调整量对负载基准预测值进行偏差分析,得到负载目标预测值。
48、本技术提供的面向电力系统的网络算力负载预测方法,通过双通道独立建模架构,分别采用lstm网络对历史负载序列进行时间维度的负载变化趋势分析,采用多层感知机对电力关联特征矩阵进行非线性映射分析,完成了两类特征在独立参数空间上的特征提取分析,避免了异构特征直接拼接混合导致的参数空间相互干扰,可以区分负载波动的不同驱动来源。另外,还依据历史负载和电力特征计算统计向量,并输入门控网络计算门控系数,基于此系数实现预测偏差修正;也就是说,门控网络预测过程中所用的融合权重由数据统计特性生成,而不是静态固化的常量,该系数可以随电力信号强度实现自适应调节,从而确保预测结果的准确性和鲁棒性。因此,本技术能够解决现有技术基于多源异构特征混合建模难以抵抗特征间的耦合干扰,且特征融合过程依赖固化权重,导致负载预测结果缺乏准确性以及鲁棒性的技术问题。
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