一种多模型融合的算力中心负荷预测方法及相关装置与流程

本发明属于电力系统负荷预测，具体涉及一种多模型融合的算力中心负荷预测方法及相关装置。

背景技术：

1、随着云服务的日益普及、新一代人工智能技术的迭代进步以及数据存储需求的快速增长，算力中心行业进入高速发展阶段。近十年来，谷歌、甲骨文等全球主要科技企业在全球范围内持续加大对算力中心设施新建与扩建的投资力度，推动算力中心规模不断扩大、数量持续增加。

2、与算力中心行业快速发展相伴随的是其电力需求的大幅攀升，而这种持续增长的电力需求给现有电网系统带来了诸多挑战，引发了关于电网能否稳定承载此类新型高功率密度负载的广泛担忧。与此同时，全球环境治理要求的不断提高，也推动算力中心行业向模块化设计、可再生能源应用的方向转型发展。

3、算力中心在冷启动、关机、负载转移或突然中断等运行场景下，易产生巨大且瞬时的功率波动。由于大型算力中心的电力消耗通常达到数十至数百兆瓦，且其功率变化可在数秒内达到数兆瓦，此类功率波动会直接影响电网的频率控制，进而对电网系统的频率调节响应速度提出了更高要求。此外，算力中心内部运行有大量电力电子设备，如不间断电源、控制开关及整流器等，这些非线性组件在瞬态事件期间会向电网引入谐波，导致电网电能质量下降，进一步威胁电网运行的稳定性与可靠性。因此，为有效提升电网运行可靠性，实现对算力中心电力负荷的有效管控，对算力中心能耗进行精准预测已成为不可或缺的前提条件。

4、算力中心功耗预测是一项复杂且关键的技术任务，其预测结果的准确性依赖于多种因素，包括算力中心内安装的设备规格、运行的工作负载类型及实际运行条件等。由于算力中心功耗数据具有本质上的多样性与波动性，且包含大量突发的功率下降与峰值现象，进一步增加了功耗预测的难度与复杂性。

5、目前，现有算力中心功耗预测技术存在诸多缺陷与不足，难以满足实际应用需求：一方面，现有研究要么未充分考虑影响算力中心电力负荷变化的外部因素，导致预测精度较低；要么仅简单分析算力中心整体负荷与外部因素之间的关联关系，未深入挖掘算力中心负荷构成的内在特性。事实上，算力中心的负荷构成具有独特性，导致影响其电力负荷的因素极为复杂——作为算力中心能耗的主要来源，it负荷受cpu利用率、内存利用率、磁盘吞吐量及网络吞吐量等内部运行参数的直接影响；而工作状态下的高性能服务器会产生大量热量，导致设备温度升高，因此大多数算力中心均配备制冷系统以维持设备正常运行，制冷负荷的电力消耗不仅受it工作负载的影响，还受环境温度等外部环境因素的显著影响。上述各类影响因素之间存在相互作用、相互耦合的关系，给预测模型输入特征的构建带来了极大挑战。

6、另一方面，现有预测方法中，自回归积分移动平均模型等传统时序预测模型难以有效处理高维数据中的复杂非线性模式，无法充分适配算力中心功耗数据的高波动性、强突变性特征，导致当前算力中心负荷预测的精准性普遍不高，难以满足电网稳定运行及算力中心能耗精细化管控的实际工程需求。

技术实现思路

1、针对现有算力中心负荷预测方法中，单一预测模型精度低，且未有效融合多源异构影响因素导致预测准确性不足的问题，本发明提供一种多模型融合的算力中心负荷预测方法及相关装置，旨在提高预测的精准度和鲁棒性。

2、本发明是通过以下技术方案来实现：

3、本发明公开了一种多模型融合的算力中心负荷预测方法，包括以下步骤：

4、实时获取或按预设周期获取算力中心当前时刻的负荷影响数据，所述负荷影响数据至少包括当前时刻的负荷数据、温度数据以及当前日期对应的工作日类型数据；

5、对获取到的负荷影响数据进行标准化处理，所述标准化处理包括：对负荷数据和温度数据采用最大最小值归一化处理，对工作日类型数据进行one-hot编码，得到标准化后的输入特征向量；

6、将所述输入特征向量分别输入至预先训练好的长短期记忆网络预测模型、时间卷积神经网络预测模型和多头自注意力-门控循环单元预测模型中，分别获取三个预测模型输出的未来连续多个时刻的负荷预测值；

7、采用yager融合规则对所述三个预测模型输出的负荷预测值进行融合计算，得到最终负荷预测值，用于算力中心的能耗管理或电网调度。

8、进一步，所述当前时刻的负荷数据为算力中心在当前采样时刻的实际总功率消耗值；所述温度数据为算力中心所处环境的环境温度或机柜进风温度；所述工作日类型数据包括周一至周日的类别标识以及节假日标识。

9、进一步，长短期记忆网络预测模型的输出计算过程为：通过遗忘门、输入门和输出门更新细胞状态，并将最后一个时间步的隐藏状态经全连接层映射为负荷预测值。

10、进一步，所述时间卷积神经网络预测模型的输出计算过程为：通过膨胀卷积和残差结构提取时序特征，再经全连接层输出负荷预测值。

11、进一步，所述多头自注意力-门控循环单元预测模型包括：

12、输入层，用于接收输入特征向量；

13、门控循环单元层，输入端连接至所述输入层，用于按时间步提取输入特征向量中的时序依赖特征，并输出各时间步的隐藏状态；

14、注意力加权模块，输入端连接至所述门控循环单元层的输出端，用于计算每个时间步隐藏状态的注意力分数，通过softmax函数归一化得到注意力权重，并利用所述注意力权重对所述隐藏状态进行加权求和，输出一个综合表示向量；

15、全连接层，输入端连接至所述注意力加权模块的输出端，用于将所述综合表示向量映射为负荷预测值；

16、其中，所述注意力加权模块包含多个并行的注意力头时构成多头自注意力机制，每个注意力头独立计算加权向量，再将所有注意力头的输出进行拼接或求和后输入所述全连接层。

17、进一步，注意力加权模块计算每个时间步隐藏状态的注意力分数，表达式为：

18、；

19、式中，为一个可学习的参数，

w和

b为可学习的权重和偏置值；为注意力分数；为当前时刻隐藏状态；

20、利用所述注意力权重对所述隐藏状态进行加权求和，输出一个综合表示向量；具体表达式为：

21、；

22、式中，

c为经过注意力机制聚焦后的综合表示向量；为注意力权重；为隐藏状态。

23、进一步，设长短期记忆网络预测模型、时间卷积神经网络预测模型和多头自注意力-门控循环单元预测模型对同一时刻的负荷预测值分别为

p1、

p2、

p3，对应的预测置信度分别为

w1、

w2、

w3，且

w1+

w2+

w3=1；

24、采用yager融合规则对所述三个预测模型输出的负荷预测值进行融合计算，得到最终负荷预测值，具体为：

25、yager融合规则首先计算加权平均值作为初步融合结果，然后根据模型间的一致性调整融合权重：若某一模型的预测结果与其他两个模型的结果偏差超过预设阈值，则降低该模型的预测置信度；最终负荷预测值的计算表达式为：

26、

27、其中，为调整后的预测置信度；为最终负荷预测值；为第

j个模型的负荷预测值。

28、本发明还公开了一种多模型融合的算力中心负荷预测系统，包括：

29、数据获取模块，用于实时获取或按预设周期获取算力中心当前时刻的负荷影响数据，所述负荷影响数据至少包括当前时刻的负荷数据、温度数据以及当前日期对应的工作日类型数据；

30、数据预处理模块，对获取到的负荷影响数据进行标准化处理，所述标准化处理包括：对负荷数据和温度数据采用最大最小值归一化处理，对工作日类型数据进行one-hot编码，得到标准化后的输入特征向量；

31、多模型预测模块，内部部署有预先训练好的长短期记忆网络预测模型、时间卷积神经网络预测模型和多头自注意力-门控循环单元预测模型，用于将所述输入特征向量分别输入至预先训练好的长短期记忆网络预测模型、时间卷积神经网络预测模型和多头自注意力-门控循环单元预测模型中，分别获取三个预测模型输出的未来连续多个时刻的负荷预测值；

32、融合模块，采用yager融合规则对所述三个预测模型输出的负荷预测值进行融合计算，得到最终负荷预测值；

33、输出模块，用于输出所述最终负荷预测值，用于算力中心的能耗管理或电网调度。

34、本发明还公开了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种多模型融合的算力中心负荷预测方法的步骤。

35、本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种多模型融合的算力中心负荷预测方法的步骤。

36、与现有技术相比，本发明具有以下有益的技术效果：

37、本发明提供一种多模型融合的算力中心负荷预测方法，首先是数据选取不仅包含了负荷数据，而且包含温度、工作日等数据；其次是构建了善于挖掘时间序列特征的lstm预测模型、融合时间和空间联合特征的tcn预测模型以及善于长短程依赖特征提取的mhsa-gru预测模型，其中tcn和mhsa-gru预测模型均为首次实现算力中心负荷预测的模型；在多模型预测结果融合方面，利用yager融合规则对多预测结果进行融合，避免了单模型预测的缺陷，有效提升了负荷预测的准确率。通过融合三种不同机理的模型，比只用单一模型更能应对算力中心负荷那种高波动、多耦合的特性；yager规则不是简单平均，它能在模型预测结果出现冲突时自动降低不可靠模型的权重，所以融合后的预测精度和稳定性都会更高；输入里包含了温度和工作日这些外部因素，比只拿负荷去预测更贴合实际运行场景。

38、进一步，限定了当前时刻的负荷数据是实际总功率消耗值，温度是环境温度或机柜进风温度，工作日类型包括周一至周日及节假日标识。这个限定的技术效果很实在：明确了数据来源的具体形态，避免模糊解释。实际功率值直接反映了算力中心的真实用电，机柜进风温度比环境温度更能影响制冷负荷，而节假日标识可以捕捉到工作模式变化带来的负荷跳变。

39、进一步，详细描述了mhsa-gru模型的内部架构：输入层、gru层、注意力加权模块、全连接层，并且限定了注意力加权模块由多个并行头构成多头自注意力。gru先提取每个时间步的隐藏状态，然后注意力机制对这些状态重新加权，让模型更关注对预测真正重要的时间点，而不是机械地平均所有时刻。多头机制又能从不同子空间捕捉不同的依赖关系，最后综合成一个向量去全连接输出。

40、进一步，限定了注意力加权模块计算注意力分数。这个非线性变换加上tanh激活，使得模型能够自适应地学习每个隐藏状态的重要性权重，而不是人为设定。技术效果就是：注意力分数完全由数据驱动，不同算力中心或者不同季节的负荷特征变化时，模型能自动调整关注点，不用人工调参。

41、进一步，把gru输出的整个隐藏状态序列压缩成一个固定长度的向量，但这个向量不是简单的平均，而是按照学习到的权重聚合，所以关键时间步的信息会被保留下来，次要信息会被抑制。这样输入到全连接层的数据质量更高，预测结果自然更准。