一种基于混合模型预测的数据中心站多元负荷预测方法与流程

1.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：

2.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。
3.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。
4.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。


技术实现要素：

5.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。
6.为了解决上述技术问题，本发明采用以下的技术方案：
7.一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：
8.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。
9.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；
10.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：
[0011][0012]
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。
[0013]
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；
[0014]
所述重要性的计算如下所示：
[0015][0016]
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；
[0017]
步骤1.4：数据负荷和特征因素相关性计算；
[0018]
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；
[0019]
春秋季时，冷热电负荷和环境影响因素序列形成如下矩阵：
[0020][0021]
式中x1为春秋季冷热电负荷和环境影响因素形成的矩阵。
[0022]
夏季时，冷负荷、电负荷及环境影响因素序列形成如下矩阵：
[0023][0024]
式中x2为夏季冷电负荷和环境影响因素形成的矩阵。
[0025]
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：
[0026][0027]
式中x3为冬季热电负荷和环境影响因素形成的矩阵。
[0028]
需要对原始数据进行归一化处理，公式如下：
[0029][0030]
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；
[0031]
关联系数ξ
j
和关联度γ
j
的计算公式如下所示：
[0032][0033][0034]
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；
[0035]
步骤2、采用量子粒子群算法qpso，构建bp神经网络模型；
[0036]
步骤2.1：采用bp神经网络构建数据中心站的预测电负荷计算模型，公式如下：
[0037][0038]
式中l为模型中隐含层神经元个数；n为输入层神经元的个数，m为序列量数目,a为1至10之间的常数；
[0039]
步骤2.2：利用量子粒子群算法qpso对神经网络模型进行优化；
[0040]
步骤2.2.1：计算平均的粒子历史最优位置，如下式所示：
[0041][0042]
式中m
best
为粒子历史最优位置；s为粒子群的规模；q
local,i
为粒子迭代中第i个粒子的位置；步骤2.2.2：更新粒子位置，如下式所示：
[0043][0044]
式中q
i
为第i个粒子的更新位置；α1、α2为[0,1]间的随机数；q
global
为全局最优粒子位置；
[0045]
步骤2.2.3：采用电负荷计算值与实际值误差平方和的倒数作为个体适应度函数，构造适应度函数，如下式所示：
[0046]
[0047]
式中e
i
为i个种群的适应度；第y(i)为数据中心站第i个种群代表的实际电负荷；s(i)为数据中心站第i个种群代表的预测电负荷；n为种群数。
[0048]
引入适应度函数后粒子位置函数更新为：
[0049][0050][0051]
式中x
i
为第i个粒子的位置；μ为[0,1]上的均匀随机数；χ随迭代次数的增加不断更新，保持粒子位置趋于最优；n
max
为qpso迭代的最大次数；n
min
为qpso迭代的最小次数；
[0052]
步骤3、构建xgboost预测模型；
[0053]
步骤3.1：建立正则化学习目标函数；
[0054]
对于步骤1中的训练集x，采用加性函数方程对预测值进行预测：
[0055][0056]
式中，l为模型最小正则化目标函数；为第i个目标的预测值与实际值y
i
之间的差异，即损失函数；n为样本容量，k为样本特征数，ω(f
k
)为第k次迭代计算变量f
k
对应树的复杂度惩罚函数。
[0057]
步骤3.2：使用梯度树增强算法进行优化；
[0058]
其中目标函数二阶近似优化为：
[0059][0060][0061][0062]
式中，为第t次迭代中第i个预测值，g
i
为在损失函数中的一阶梯度数据；h
i
为在损失函数中的二阶梯度数据，f
t
(x
i
)为第t次迭代计算变量,为梯度符号；
[0063]
步骤3.3：评价决策树的杂质分数，如下式所示：
[0064][0065][0066]
式中，为叶子j的最佳权重；l
(t)
(q)为式结构q的最优值。i
j
为梯度树中叶子j的实集；γ和λ为xgboost算法自定义参数，其中γ为一阶梯度函数正则的惩罚项，λ为二阶梯
度函数正则的惩罚项；t为梯度树中叶子节点的总数目；
[0067]
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；
[0068]
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；
[0069]
所述mape
‑
rw算法如下式所示：
[0070][0071]
式中，ω
a
为预测模型a的权重；σ
mape,a
、σ
mape,b
分别为预测模型a和b的mape值。
[0072]
则混合预测模型权重计算如下式所示：
[0073]
f
s,x
＝w
qpso
‑
bp
·
f
xgboost,s,x
w
xgboost
·
f
qpso
‑
bp,s,x
ꢀꢀ
(22)
[0074]
式中，f
s,x
为混合模型输出场景s的第x类负荷的预测值；w
qpso
‑
bp
、w
xgboost
分别为qpso－bp神经网络和xgboost模型的权重；f
qpso
‑
bp,s,x
、f
xgboost,s,x
分别为qpso－bp神经网络和xgboost模型对场景s的第x类负荷的预测值；输出场景s值为1、2和3，分别代表春秋、夏和冬三种场景；x类负荷包括冷负荷、热负荷和电负荷；
[0075]
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。
[0076]
本发明所产生的有益效果在于：
[0077]
本发明提出一种基于混合模型并行预测的分场景数据中心站多元负荷预测方法，具备以下有益效果：
[0078]
(1)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，降低预测时间的同时提高预测精度；
[0079]
(2)在特征因素处理上，考虑了多种特征因素并用灰色关联度来描述因素间关系的强弱、大小和次序，使预测误差减小；
[0080]
(3)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，这样能显著降低qpso－bp神经网络对数据的学习时间，实现更高效的数据挖掘。
[0081]
(3)采用qpso－bp神经网络替代传统的bp神经网络，遗传算法优化后的神经网络线损率计算模型较单一bp神经网络模型具有更好的非线性拟合能力和更高的计算精度。
[0082]
(4)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，使网络学习更高效，可以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；
[0083]
(5)运用mape
‑
rw算法设置融合模型权重，完成对最优权重的搜索，降低了融合模型的误差性；
附图说明
[0084]
图1为本发明实施例中数据中心站多元负荷预测整体流程图；
[0085]
图2为本发明实施例中数据中心数据春秋季相关性分析结果图；
[0086]
图3为本发明实施例中数据中心数据夏季相关性分析结果图；
[0087]
图4为本发明实施例中数据中心数据冬季相关性分析结果图；
[0088]
图5为本发明实施例中bp神经网络预测模型示意图；
[0089]
图6为本发明实施例中qpso
‑
bp神经网络算法流程图；
[0090]
图7为本发明实施例中xgboost神经网络算法流程图；
[0091]
图8为本发明实施例中春秋季电负荷混合预测模型与其他方法的预测结果对比；
[0092]
图9为本发明实施例中夏季冷负荷混合预测模型与其他方法的预测结果对比；
[0093]
图10为本发明实施例中冬季热负荷混合预测模型与其他方法的预测结果对比。
具体实施方式
[0094]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0095]
一种基于混合模型预测的数据中心站多元负荷预测方法，如图1所示，包括以下步骤：
[0096]
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。
[0097]
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，从而进一步提高预测准确性。
[0098]
步骤1.2：为了预测数据中心站的冷热电负荷，从历史数据中选择太阳辐射量、温度和空气湿度三种强影响负荷预测的气象特征因素，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：
[0099][0100]
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。
[0101]
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；
[0102]
所述重要性的计算如下所示：
[0103]
[0104]
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。在数据中心站的负荷预测中，用来预测的历史数据可能包括和预测有关但冗余的特征数据，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，其中mda指标下降越多，说明所对应特征对预测结果影响较大，进而说明其重要性越高。
[0105]
步骤1.4：数据负荷和特征因素相关性计算；
[0106]
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；
[0107]
相关性进行分析能进一步提高预测准确性。春秋季节供冷供热同时存在，电负荷与冷热负荷存在强耦合性，对数据中心站电负荷和冷热负荷以及环境影响因素之间的相关性进行分析；夏季主要为供冷季，电负荷与冷负荷存在强耦合性，对数据中心站电负荷和冷负荷以及环境影响因素之间的相关性进行分析；冬季主要为供热季，电负荷与热负荷存在强耦合性，对数据中心站电负荷和热负荷以及环境影响因素之间的相关性进行分析。
[0108]
春秋季时，冷热电负荷和环境影响因素序列形成如下矩阵：
[0109][0110]
式中x1为春秋季冷热电负荷和环境影响因素形成的矩阵。
[0111]
夏季时，冷负荷、电负荷及环境影响因素序列形成如下矩阵：
[0112][0113]
式中x2为夏季冷电负荷和环境影响因素形成的矩阵。
[0114]
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：
[0115][0116]
式中x3为冬季热电负荷和环境影响因素形成的矩阵。
[0117]
由于每年的冷热电负荷和环境因素都有着一定的周期性，所以在样本数据较少的情况下，我们通过重复利用样本数据，以便训练的网络模型更加准确，本专利重复利用数据2次。由于数据中心站的负荷数值较大，为去除量纲影响、加快网络收敛速度，需要对原始数据进行归一化处理，公式如下：
[0118]
[0119]
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；
[0120]
采用gra方法对春秋、夏、冬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，并根据曲线几何的相似程度即关联度判断其相关性强弱，关联系数ξ
j
和关联度γ
j
的计算公式如下所示：
[0121][0122][0123]
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，通常取0.5；j代表经过归一化数据的种类；
[0124]
步骤2、采用量子粒子群算法qpso，构建bp神经网络模型；
[0125]
采用量子粒子群算法qpso－bp神经网络模型替代传统的bp神经网络，qpso算法优化后的神经网络计算模型较单一bp神经网络模型具有更好的非线性拟合能力和更高的计算精度。
[0126]
步骤2.1：采用bp神经网络构建数据中心站的预测电负荷计算模型；
[0127]
神经网络结构的确定主要是确定网络类型，bp神经网络的层数、每层神经元的数量和激励函数形式等。本专利采用bp神经网络来构建数据中心站的预测电负荷计算模型，中间层(隐含层)到输出层之间的函数选择s型函数；输入层的个数是由样本数据的维数来确定；输出层为数据中心站的电负荷；中间层个数的确定目前没有统一的理论方法，通过经验公式来确定，图5为本专利bp神经网络预测模型示意图，公式如下：
[0128][0129]
式中l为模型中隐含层神经元个数；n为输入层神经元的个数，a为1至10之间的常数；
[0130]
本专利中的bp神经网络操作如下：
[0131]
(a)打开matlab软件里状态栏应用程序中的神经网络拟合(neural net fitting)模块；
[0132]
(b)在选择数据页面下，选择要导入的标准样本矩阵文件，targets选择要导入的目标输出矩阵文件；
[0133]
(c)在验证和测试数据(validation and test data)页面下，选择训练数据(training)为70％，验证数据(validation)为15％，测试数据(testing)为15％；
[0134]
(d)在网络体系结构(network architecture)页面下选择隐含层数目为4。
[0135]
步骤2.2：利用量子粒子群算法qpso对神经网络模型进行优化；
[0136]
bp神经网络学习收敛速度较慢，容易陷于局部极小点，其非线性拟合能力弱、计算精度也比较低，量子粒子群算法(qpso)是一种全局寻优算法，利用qpso优化bp神经网络的权值和阈值，得到最优个体。通过最优权值和阈值来对数据中心站电负荷进行预测和计算，避免bp神经网络陷入局部最优，从而得到更加精确的负荷预测值。
[0137]
本专利中的量子粒子群算法位置更新操作为：
[0138]
步骤2.2.1：计算平均的粒子历史最优位置，如下式所示：
[0139][0140]
式中m
best
为粒子历史最优位置；s为粒子群的规模；q
local,i
为粒子迭代中第i个粒子的位置；
[0141]
步骤2.2.2：更新粒子位置，如下式所示：
[0142]
本专利中粒子位置更新公式由传统的一个随机变量增加为两个随机变量，增加算法收敛速度，降低风险的同时增加了算法的随机性。
[0143][0144]
式中q
i
为第i个粒子的更新位置；α1、α2为[0,1]间的随机数；q
global
为全局最优粒子位置；
[0145]
步骤2.2.3：采用电负荷计算值与实际值误差平方和的倒数作为个体适应度函数，构造适应度函数，如下式所示：
[0146]
适应度(fitness)表示遗传算法中种群个体的优劣程度，适应度函数能够清晰的反应每个粒子的迭代进化效果，qpso向着适应度增大的方向进行，表达式如下：
[0147][0148]
式中e
i
为i个种群的适应度；第y(i)为数据中心站第i个种群代表的实际电负荷；s(i)为数据中心站第i个种群代表的预测电负荷；n为种群数。
[0149]
引入适应度函数后粒子位置函数更新为：
[0150][0151][0152]
式中x
i
为第i个粒子的位置；μ为[0,1]上的均匀随机数；χ随迭代次数的增加不断更新，保持粒子位置趋于最优；n
max
为qpso迭代的最大次数；n
min
为qpso迭代的最小次数；
[0153]
步骤3、构建xgboost预测模型，如图7所示；
[0154]
xgboost本质上是属于基于树的boosting串行集成学习算法，基学习器呈弱预测模型、强相关性特点，它的集成方式是通过基学习器的不断串行叠加而形成。
[0155]
步骤3.1：建立正则化学习目标函数；
[0156]
对于步骤1中的训练集x，采用加性函数方程对预测值进行预测：
[0157][0158]
式中，l为模型最小正则化目标函数；为第i个目标的预测值与实际值y
i
之间的差异，即损失函数；n为样本容量，k为样本特征数，在本专利中，样本特征为数据中心
站的环境因素，样本特征数为3；ω(f
k
)为第k次迭代计算变量f
k
对应树的复杂度惩罚函数。
[0159]
步骤3.2：使用梯度树增强算法进行优化；
[0160]
其中目标函数二阶近似优化为：
[0161][0162][0163][0164]
式中，为第t次迭代中第i个预测值，g
i
为在损失函数中的一阶梯度数据；h
i
为在损失函数中的二阶梯度数据，f
t
(x
i
)为第t次迭代计算变量,为梯度符号；
[0165]
步骤3.3：评价决策树的杂质分数，如下式所示：
[0166][0167][0168]
式中，为叶子j的最佳权重；l
(t)
(q)为式结构q的最优值。i
j
为梯度树中叶子j的实集；γ和λ为xgboost算法自定义参数，其中γ为一阶梯度函数正则的惩罚项，λ为二阶梯度函数正则的惩罚项；t为梯度树中叶子节点的总数目；
[0169]
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；
[0170]
由于qpso－bp神经网络模型与xgboost预测模型学习机理不同和针对误差的侧重点不同，两种模型得到的预测结果存在一定偏差，要使得混合预测模型预测结果精度更高，需要对两种模型的输出结果的权值做出计算。
[0171]
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；
[0172]
所述mape
‑
rw算法如下式所示：
[0173][0174]
式中，ω
a
为预测模型a的权重；σ
mape,a
、σ
mape,b
分别为预测模型a和b的mape值。
[0175]
则混合预测模型权重计算如下式所示：
[0176]
f
s,x
＝w
qpso
‑
bp
·
f
xgboost,s,x
w
xgboost
·
f
qpso
‑
bp,s,x
ꢀꢀ
(22)
[0177]
式中，f
s,x
为混合模型输出场景s的第x类负荷的预测值；w
qpso
‑
bp
、w
xgboost
分别为
qpso－bp神经网络和xgboost模型的权重；f
qpso
‑
bp,s,x
、f
xgboost,s,x
分别为qpso－bp神经网络和xgboost模型对场景s的第x类负荷的预测值；输出场景s值为1、2和3，分别代表春秋、夏和冬三种场景；x类负荷包括冷负荷、热负荷和电负荷；
[0178]
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。
[0179]
qpso
‑
bp整体算法分为两部分，一部分为qpso部分，另一部分为bp神经网络部分，经过混合预测模型输出的预测结果比单一qpso
‑
bp神经网络电负荷预测结果误差更小，拟合度更高。
[0180]
步骤5.1：qpso－bp神经网络模型计算如图5所示包括qpso算法以及bp神经网络算法；
[0181]
所述qpso算法，包括以下步骤：
[0182]
步骤a1：输入数据，对数据进行预处理；
[0183]
步骤a2：随机创建初始种群，并给各粒子的位置和速度随机赋予初值；
[0184]
步骤a3：根据适应度函数计算每个粒子的适应度，并比较各个粒子的适应度，记录具有最优适应度的粒子位置和对应适应度值；
[0185]
步骤a4：更新粒子的位置，将粒子的当前位置与之前的最优位置进行比较，若优于之前的最优位置则将当前位置更新成最优位置；
[0186]
步骤a5：当迭代次数到达上限时停止操作，将qpso的优化结果输出，若未达到停止操作条件，则返回操作步骤a3中继续进行操作。
[0187]
所述bp神经网络算法，包括以下步骤：
[0188]
步骤b1：确定bp神经网络拓扑结构；
[0189]
步骤b2：初始bp神经网络权值和阀值长度；
[0190]
步骤b3：通过qpso算法优化出最优权值和阀值；
[0191]
步骤b4：计算误差；
[0192]
步骤b5：权值阀值更新；
[0193]
步骤b6：若满足输出条件则输出结果，否则返回操作步骤(4)继续操作。
[0194]
步骤5.2：xgboost模型算法如图6所示，包括以下步骤：
[0195]
步骤c1：输入训练数据集；
[0196]
步骤c2：设定目标损失函数；
[0197]
步骤c3：确定回归树结构计算独立树结构q和叶子权重w；
[0198]
步骤c4：开始xgboost迭代计算，若迭代次数大于设定次数，则输出预测值，反之返回步骤c3继续迭代。
[0199]
从图2可以看出，在春秋季节电负荷与热负荷相关系数为0.43，电负荷与冷负荷相关系数为0.47，冷热负荷和电负荷之间耦合关系不深；从图3可以看出在夏季电负荷与冷负荷关联系数高达0.87，两者呈强耦合关系，说明数据中心站在夏季很大一部分电用来制冷；从图4可以看出在冬季电负荷与热负荷关联系数高达0.67，反映出数据中西站制热用电占很大比例；且从图2～4可以直接看出天气因素对冷热电负荷的影响。
[0200]
图8、图9、图10所示，通过仿真分析论证本专利提出的混合预测模型的优越性，可以看出混合预测模型与bp神经网络、qpso
‑
bp模型相比，其预测输出结果的曲线更加贴合实
际负荷曲线，其中qpso
‑
bp模型比bp神经网络预测精度更高，从图8～10的对冷热电三类负荷仿真计算得到混合预测模型预测精度在99.7％以上，qpso
‑
bp模型预测精度在98.12％左右，bp神经网络预测精度在96.52％左右。可以得到本专利提出的基于混合模型预测的数据中心站多元负荷预测方法具有优越性和可行性的。
[0201]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。