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

技术特征：
1.一种基于混合模型预测的数据中心站多元负荷预测方法，其特征在于，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2、采用量子粒子群算法qpso，构建bp神经网络模型；步骤3、构建xgboost预测模型；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；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；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。2.根据权利要求1所述的一种基于混合模型预测的数据中心站多元负荷预测方法，其特征在于，所述步骤1包括以下步骤：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：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；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；所述重要性的计算如下所示：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；步骤1.4：数据负荷和特征因素相关性计算；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；春秋季时，冷热电负荷和环境影响因素序列形成如下矩阵：式中x1为春秋季冷热电负荷和环境影响因素形成的矩阵；夏季时，冷负荷、电负荷及环境影响因素序列形成如下矩阵：式中x2为夏季冷电负荷和环境影响因素形成的矩阵；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：式中x3为冬季热电负荷和环境影响因素形成的矩阵；对原始数据进行归一化处理，公式如下：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；关联系数ξ
j
和关联度γ
j
的计算公式如下所示：的计算公式如下所示：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。3.根据权利要求1所述的一种基于混合模型预测的数据中心站多元负荷预测方法，其特征在于，所述步骤2包括以下步骤：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：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；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。4.根据权利要求3所述的一种基于混合模型预测的数据中心站多元负荷预测方法，其特征在于，所述步骤2.2包括以下步骤：步骤2.2.1：计算平均的粒子历史最优位置，如下式所示：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：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；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：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；引入适应度函数后粒子位置函数更新为：更新为：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。5.根据权利要求1所述的一种基于混合模型预测的数据中心站多元负荷预测方法，其特征在于，所述步骤3包括以下步骤：步骤3.1：建立正则化学习目标函数；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：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；步骤3.2：使用梯度树增强算法进行优化；
其中目标函数二阶近似优化为：其中目标函数二阶近似优化为：其中目标函数二阶近似优化为：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；步骤3.3：评价决策树的杂质分数，如下式所示：步骤3.3：评价决策树的杂质分数，如下式所示：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。6.根据权利要求1所述的一种基于混合模型预测的数据中心站多元负荷预测方法，其特征在于，步骤4中所述mape
‑
rw算法如下式所示：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；则混合预测模型权重计算如下式所示：f
s,x
＝w
qpso
‑
bp
·
f
xgboost,s,x
w
xgboost
·
f
qpso
‑
bp,s,x
ꢀꢀꢀꢀꢀꢀꢀ
(22)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模型对输出场景s的第x类负荷的预测值。7.根据权利要求6所述的一种基于混合模型预测的数据中心站多元负荷预测方法，其特征在于，所述输出场景s的值为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。

技术总结
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


技术研发人员：李华 丁吉 杨东升 张化光 周博文 李广地 金硕巍 罗艳红 王迎春 闫士杰 杨波 陈乐
受保护的技术使用者：东北大学
技术研发日：2021.09.08
技术公布日：2021/12/7