功率预测的方法、装置及设备与流程

1.本技术涉及计算机技术领域，尤其涉及一种功率预测的方法、装置及设备。


背景技术：

2.数据中心(data center，dc)是全球协作的特定设备网络，用来在因特网基础设施上传递、加速、展示、计算、存储数据信息。数据中心在运行过程中会消耗大量电能。为了减少数据中心的电费开支，降低数据中心运营成本，可以为数据中心提供一储能系统。该储能系统可以在低电价时充电，在高电价时放电，从而为数据中心供电。
3.为了最大化利用储能系统，调度管理系统通常需要根据数据中心未来一段时间内的功率，结合电价曲线和电池状态等信息提供合理的充放电策略。基于此，如何准确地预测数据中心的功率成为业界重点关注的问题。


技术实现要素：

4.本技术提供了一种功率预测的方法。该方法通过模型的评价值对模型池中的模型进行在线评估，根据评估结果选择合适的模型对第一用电单元进行功率预测，由此可以适应第一用电单元的功率变化，提高预测精度。本技术还提供了上述方法对应的装置、设备、计算机可读存储介质以及计算机程序产品。
5.第一方面，本技术提供了一种功率预测的方法。该方法可以应用于调度管理系统，具体是调度管理系统中的功率预测模块。调度管理系统(例如，功率预测模块)以数据中心中的一个用电单元为粒度对数据中心进行功率预测。为了便于描述，下面以对数据中心中的任意一个用电单元即第一用电单元进行功率预测为例，对本技术的功率预测的方法进行说明。
6.具体地，调度管理系统获取模型池中模型的评价指标值，该评价指标值用于指示所述模型的精度，然后调度管理系统根据所述评价指标值选择第一模型对第一用电单元进行功率预测，接着调度管理系统呈现对所述第一用电单元的所述功率预测的结果。
7.该方法采用模型的评价值对模型池中的模型进行在线评估，根据评估结果选择合适的模型对第一用电单元进行功率预测，而不是始终采用单一模型对第一单元进行功率预测，如此可以适应第一用电单元的功率变化，提高预测精度，满足业务需求。
8.进一步地，不同用电单元如不同整机柜用电设备运行的业务类型可以是不同的，该方法以用电单元为粒度进行功率预测，可以使得对每个用电单元的功率预测均具有较高的预测精度，提高对数据中心整体进行功率预测的精度。
9.在一些可能的实现方式中，所述调度管理系统可以根据所述评价指标值从所述模型池中选择第一模型，然后根据所述第一用电单元的历史功率分布，利用所述第一模型预测所述第一用电单元的未来功率分布。
10.其中，所述历史功率分布指示当前时刻之前至少一个统计周期的功率，所述未来功率分布指示当前时刻之后至少一个统计周期的功率。该统计周期等于对功率分布进行预
测的时间间隔。具体地，统计周期可以为采集真实功率值的采集周期。当然，在一些实施例中，统计周期也可以是采集周期的整数倍。
11.通过该方法，可以实现对第一用电单元在不同统计周期的功率预测，并且能够适应功率变化，具有较好的预测精度。
12.在一些可能的实现方式中，所述评价指标值包括误差值。误差值具体可以根据功率的预测值和真实值确定。调度管理系统在选择第一模型时，可以根据所述误差值从所述模型池中选择所述误差值满足预设条件的模型为第一模型。由此选择出预测精度较高的模型对第一用电单元进行功率预测，使得对第一单元的功率预测保持较高的精度。
13.在一些可能的实现方式中，所述误差值满足预设条件包括：所述误差值小于预设阈值；或者，所述误差值最小。
14.具体地，调度管理系统可以比较模型的误差值和预设阈值，选择误差值小于预设阈值的模型为第一模型。当误差值小于预设阈值的模型包括多个时，调度管理系统可以从多个模型中随机选择一个模型作为第一模型，或者选择误差值最小的模型作为第一模型。
15.当模型池中模型的误差值均不小于预设阈值时，若模型池中的模型距离上次更新的时间不超过预设时间，由于对模型进行频繁更新会造成大量计算资源的消耗，而且历史数据变化较小时，模型精度不会明显改善，此时，调度管理系统可以直接选择误差值最小的模型为第一模型。
16.通过上述方法可以选择出合适的第一模型对第一用电单元进行功率预测，从而使得对第一用电单元的功率预测具有较好的精度。
17.在一些可能的实现方式中，调度管理系统可以根据所述评价指标值更新所述模型池中的模型，然后根据更新后的所述模型的评价指标值从更新后的所述模型池中选择第一模型。具体地，模型池中模型的评价指标值(例如误差值)均不小于预设阈值时，表明模型的精度不能满足要求，并且至少有一个模型距离上次更新时间超过预设时间，如超过m天，则历史数据变化相对较大，模型管理系统可以根据更新的历史数据更新模型。如此，调度管理系统根据更新的模型的评价指标值从更新后的模型池中选择第一模型对第一用电单元进行功率预测。一方面可以获得较好的预测精度，另一方面可以实现预测精度和计算资源消耗的均衡。
18.在一些可能的实现方式中，所述评价指标值根据对所述数据中心中第一用电单元的功率预测时的区间误差值和单点误差值中的至少一种确定。
19.具体地，调度管理系统可以对第一用电单元在一段时间内的功率分布，具体是第一用电单元在至少一个统计周期的功率进行预测。其中，统计周期可以是功率的采集周期。例如，每隔10min采集一次功率时，采集周期即为10min，相应地统计周期可以为10min。基于此，调度管理系统对第一用电单元在多个统计周期的功率进行预测时，可以根据模型对第一用电单元在每个统计周期的功率预测的偏差值(例如是偏差值的绝对值)确定模型的误差值。该误差值即为上述单点误差值。
20.考虑到不同统计周期对应的电价可以是相同的，如果在同一电价的时间区间的多个统计周期中，模型的预测值存在偏高和偏低的情况，则调度管理系统可以将属于同一时间区间的偏差值进行求和，从而确定在该区间内的误差值，接着根据模型在各个时间区间的误差值确定该模型的误差值。该误差值也称作区间误差值。
21.其中，区间误差值通常小于单点误差值，评价指标值中包括区间误差值时可以减少模型更新次数，避免模型频繁更新导致消耗大量的计算资源。
22.在一些可能的实现方式中，调度管理系统还可以根据数据中心中已有的第一用电单元的功率分布和对该第一用电单元进行预测的第一模型，为新加入的第二用电单元推荐合适的第二模型进行功率预测，由此缩短确定第二模型的时间，使得调度管理系统能够在较短时间内达到较高的预测精度，降低电力成本。
23.具体地，调度管理系统获取所述数据中心中新加入的第二用电单元的功率分布，然后从所述第一用电单元中确定与所述第二用电单元的功率分布的相似度达到预设相似度的至少一个第三用电单元，接着根据对所述第三用电单元进行功率预测的模型确定用于对所述第二用电单元进行功率预测的第二模型。
24.在一些可能的实现方式中，调度管理系统可以直接将对所述第三用电单元进行功率预测的模型确定为用于对所述第二用电单元进行功率预测的第二模型。由此大幅缩短确定第二模型的时间，使得对第二用电单元的功率预测能够在较短时间达到较高的精度。
25.在一些可能的实现方式中，调度管理系统可以将对所述至少一个第三用电单元进行功率预测的模型加入所述第二用电单元的模型池，获取所述第二用电单元的模型池中模型对所述第二用电单元进行功率预测的评价指标值，根据所述评价指标值从所述第二用电单元的模型池中选择用于对所述第二用电单元进行功率预测的第二模型。模型池中的模型是与第二用电单元亲和的模型，根据评价指标值从模型池中选择模型，可以使得对第二用电单元的功率预测能够在较短时间达到较高的精度。
26.在一些可能的实现方式中，调度管理系统还可以根据所述第一用电单元的历史功率分布生成训练样本，然后利用所述训练样本对初始模型进行训练得到所述模型池中的模型，进而用于对第一单元进行功率预测，保障预测精度。
27.在一些可能的实现方式中，所述模型池中包括两种或两种以上模型。例如，模型池中可以包括树模型、神经网络模型、自回归模型和简单模型中的一种或多种。当模型池中包括一种模型时，具体可以包括该种模型下的不同模型。例如模型池中包括树模型一种模型时，可以包括极端梯度提升模型、随机森林模型。又例如，模型池中包括神经网络模型一种模型时，具体可以包括深度神经网络模型和长短期记忆网络模型。
28.简单模型具体是一种以历史功率的数学统计值为未来功率预测值的模型。其中，数学统计值可以是历史功率的加权平均值、算术平均值、中位值、极大值、极小值等中的任意一种。
29.由于简单模型仅仅是进行数学统计，无需训练，因此，在模型池中增加简单模型，可以解决数据中心中添加新的用电单元时，由于历史数据较少无法训练树模型、神经网络模型、自回归模型等模型导致的冷启动问题。
30.在一些可能的实现方式中，所述第一用电单元为用电单元集合，该用电单元集合包括至少一个用电设备，至少一个整机柜的用电设备，或者至少一个机房的用电设备。该方法以一个用电单元为预测粒度进行功率预测，可以使得对每个用电单元的功率预测均具有较高的预测精度，例如，该用电单元可以是独立的用电设备(如服务器)、也可以是单个机柜包括的所有或部分用电设备，还可以是整个机房的所有或部分用电设备。利用包括多个模型的模型池对不同用电设备集合的预测，使得预测粒度可以根据业务需求进行动态调整，
以此提高对数据中心整体进行功率预测的精度。
31.在一些可能的实现方式中，调度管理系统还可以通过图形用户界面呈现所述模型池中至少一个模型对所述第一用电单元的所述功率预测的结果。由此可以为用户进行决策提供帮助。
32.第二方面，本技术提供了一种功率预测的装置，该装置包括用于执行第一方面或第一方面任意一种可能实现方式中的功率预测的方法的各个单元。
33.第三方面，本技术提供一种设备，所述设备包括处理器和存储器。所述处理器、所述存储器进行相互的通信。所述处理器用于执行所述存储器中存储的指令，以使得设备执行如第一方面或第一方面的任一种实现方式中的功率预测的方法。
34.第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，所述指令指示设备执行上述第一方面或第一方面的任一种实现方式所述的功率预测的方法。
35.第五方面，本技术提供了一种包含指令的计算机程序产品，当其在设备上运行时，使得设备执行上述第一方面或第一方面的任一种实现方式所述的功率预测的方法。
36.本技术在上述各方面提供的实现方式的基础上，还可以进行进一步组合以提供更多实现方式。
附图说明
37.图1为本技术实施例提供的一种调度管理系统对储能系统进行管理的系统架构图；
38.图2为本技术实施例提供的一种功率预测的方法的流程图；
39.图3为本技术实施例提供的一种呈现功率预测的结果的示意图；
40.图4a为本技术实施例提供的一种确定第二模型的示意图；
41.图4b为本技术实施例提供的一种确定第二模型的示意图；
42.图5为本技术实施例提供的一种生成样本数据的流程图；
43.图6为本技术实施例提供的一种功率预测的装置的结构示意图；
44.图7为本技术实施例提供的一种设备的结构示意图。
具体实施方式
45.为了便于理解，首先对本技术实施例中所涉及到的一些技术术语进行介绍。
46.数据中心是全球协作的特定设备网络，用来在因特网基础设施上传递、加速、展示、计算、存储数据信息。数据中心中用于传递、加速、展示、计算、存储数据信息的设备如服务器、交换机等可以部署在整机柜中。为了保障数据中心的正常运行，通常需要供电系统为数据中心包括的各种设备供电。
47.供电系统可以包括市电供电系统。其中，市电供电系统用于将发电站产生的电能通过电网直接传输至用电方(如数据中心)，从而为用电方供电。然而，电力公司在不同时间段提供的电价可以是不同的。为了减少数据中心的电费开支，降低运营成本，数据中心所有方可以构建储能系统，通过低电价时间控制储能系统充电，在高电价时间段控制储能系统放电，以为数据中心供电。也即供电系统还可以包括储能系统。
48.储能系统包括至少一个储能设备。该储能设备可以是支持充电和放电的设备，例如，可以是储能电池。其中，储能电池可以包括锂电池、镍氢电池、铅酸电池、钠硫电池等不同类型电池中的至少一种或多种。
49.由于储能系统的容量是有限的，而且市电供电系统在不同时间段的电价是不同的，因此可以根据数据中心在未来一段时间内的功率使用情况，结合电价曲线和储能设备的状态等信息确定充放电策略。储能系统中的储能设备按照该充放电策略进行充电和放电，进而充分利用储能系统能力，减少数据中心电力成本。
50.其中，数据中心在未来一段时间的功率使用情况可以根据数据中心在历史时间的功率使用情况进行预测。对数据中心的功率预测以及确定充放电策略的过程可以由储能系统的调度管理系统实现。
51.如图1所示，储能系统100包括至少一个储能设备102，该储能设备102具体可以是储能电池。调度管理系统200用于对储能系统进行调度管理，如调度储能系统100在一些时间段充电，在另一些时间段放电，从而为数据中心供电。
52.具体地，调度管理系统200包括通信与控制模块202、功率预测模块204和策略制定模块206。通信与控制模块202用于与储能系统100、数据中心进行通信，对储能系统100进行控制，从而实现对储能系统100的调度管理。功率预测模块204用于对数据中心进行功率预测，例如预测数据中心在未来一段时间的功率分布。策略制定模块206用于根据预测的功率、储能设备102的状态、电价曲线制定充放电策略。通信与控制模块202可以获取该充放电策略下发至储能系统100。
53.在一些可能的实现方式中，调度管理系统200还可以包括存储模块208。该存储模块208具体可以是数据库。存储模块208可以用于存储数据中心的功率如历史功率、储能系统100中储能设备102的状态等信息中的至少一种。其中，储能设备102的状态包括健康状态(state of health，soh)、荷电状态(state of charge，soc)等中的一种或多种。
54.soc也称作剩余电量，用于表征储能设备102使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，该比值通常可以采用百分数表示。其取值范围为0～1，当soc＝0时，表示电池放电完全，当soc＝1时表示电池完全充满。soh指的是储能设备102的健康状态，主要用于表征电池老化程度。
55.如此，功率预测模块204可以从上述存储模块208中获取数据中心的历史功率，以用于预测数据中心的未来功率。策略制定模块206用于从上述存储模块208获取储能设备102的状态信息，以用于制定充放电策略。
56.还需要说明的是，储能系统100中还可以包括储能设备管理模块104。调度管理系统200的通信与控制模块202可以通过储能设备管理模块104与储能设备102进行通信，并对储能设备102进行控制。其中，储能设备102可以是储能电池，储能设备管理模块104可以是电池管理单元(battery management system)。
57.目前，调度管理系统200(例如是功率预测模块204)在对数据中心进行功率预测时，主要是采用单一模型进行预测。然而，受到数据中心中用电设备运行业务的影响，用电设备的功率有较大概率随着时间变化发生较大的变化，原有模型如果不能适应该变化，就会导致预测精度大幅下降，进而导致调度管理系统200(例如是策略制定模块206)制定的充放电策略无法满足需求。
58.有鉴于此，本技术实施例提供了一种功率预测的方法。在该方法中，调度管理系统200(例如，功率预测模块204)以数据中心中的一个用电单元为粒度对数据中心进行功率预测。其中，用电单元可以是用电设备的集合，该用电设备的集合包括至少一个用电设备，如一个或多个服务器。在一些实施例中，该用电设备的集合也可以是至少一个整机柜的用电设备，如一个或多个整机柜中所有或部分服务器等。在另一些实施例中，该用电单元的集合还可以是至少一个机房的用电设备，如一个或多个机房的所有或部分服务器。
59.为了便于描述，本技术实施例以对第一用电单元的预测过程进行示例说明。第一用电单元可以是数据中心中任一用电单元。调度管理系统200可以获取模型池中模型的评价指标值，该评价指标值可以用于指示模型的精度，然后调度管理系统200根据评价指标值选择第一模型对第一用电单元进行功率预测，接着呈现对第一用电单元的功率预测的结果。
60.该方法采用模型的评价值对模型池中的模型进行在线评估，根据评估结果选择合适的模型对第一用电单元进行功率预测，而不是始终采用单一模型对第一单元进行功率预测，如此可以适应第一用电单元的功率变化，提高预测精度，满足业务需求。
61.进一步地，不同用电单元如不同整机柜用电设备运行的业务类型可以是不同的，该方法以用电单元为粒度进行功率预测，使得对每个用电单元的功率预测均具有较高的预测精度，提高对数据中心整体进行功率预测的精度。
62.本技术实施例提供的调度管理系统200可以是软件模块，该软件模块可以部署在硬件设备中，从而对外提供服务。其中，调度管理系统200具有多种部署方式，下面分别对多种部署方式进行详细说明。
63.在一些可能的实现方式中，调度管理系统200可以部署在云计算集群中。其中，调度管理系统200的各个模块可以集中部署在云计算集群的一个云计算设备(如云服务器)中，也可以分布式地部署在云计算集群的不同云计算设备中。当调度管理系统200部署在云计算集群中时，本技术实施例提供的功率预测的方法可以以云服务的方式提供给用户。
64.在另一些可能的实现方式中，调度管理系统200可以部署在本地计算设备中。本地计算设备是指本地设备包括处于用于用户直接控制之下的计算设备，例如可以是台式机、笔记本电脑等终端，或者是本地服务器。
65.储能系统100中的储能设备102可以为硬件设备。该硬件设备与调度管理系统200连接。为了便于供电，储能设备102可以部署在信息技术(information technology，it)基础设施柜，简称为it柜中。当储能系统100包括储能设备管理模块104时，储能设备管理模块104可以随着储能设备102一同部署在it柜中。
66.需要说明的是，图1仅仅是对调度管理系统200、储能系统100的部署方式进行示例说明，在本技术实施例其他可能的实现方式中，调度管理系统200、储能系统100也可以采用其他部署方式。
67.接下来，将从调度管理系统200的角度对本技术实施例提供的功率预测的方法进行介绍。
68.参见图2所示功率预测的方法的流程图，该方法包括：
69.s202：调度管理系统200获取模型池中模型的评价指标值。
70.模型池具体是指包括至少一个模型的逻辑池。模型池中的模型用于对用电单元进
行功率预测。数据中心的每个用电单元对应一个模型池。不同用电单元的模型池可以相同，也可以是不同的。
71.在一些可能的实现方式中，模型池可以包括两种或两种以上的模型。例如，模型池可以包括树模型、神经网络模型、自回归模型和简单模型等不同种类模型中的一种或多种。当模型池包括上述模型中的一种模型时，模型池具体可以包括该种类下的不同模型。
72.例如，模型池包括树模型一种模型时，该模型池具体可以包括树模型中的不同模型，如极端梯度提升(extreme gradient boosting，xgboost)模型和随机森林(random forest)模型。又例如，模型池包括神经网络模型一种模型时，该模型池具体可以包括神经网络模型中的不同模型，如深度神经网络模型(deep neural networks，dnn)和长短期记忆网络(long short term memory，lstm)。
73.简单模型具体是一种以历史功率的数学统计值为未来功率预测值的模型。其中，数学统计值可以是历史功率的加权平均值、算术平均值、中位值、极大值、极小值等中的任意一种。为了便于理解，下面结合具体示例进行说明。在一个示例中，简单模型可以将历史三天的功率的加权平均值作为未来一天的功率的预测值。
74.由于简单模型仅仅是进行数学统计，无需训练，因此，在模型池中增加简单模型，可以解决数据中心中添加新的用电单元时，由于历史数据较少无法训练树模型、神经网络模型、自回归模型等模型导致的冷启动问题。
75.每个模型具有评价指标值。该评价指标值具体用于指示所述模型的精度。在一些实施例中，评价指标值可以是模型进行功率预测的误差值。误差值具体可以根据功率的预测值和真实值确定。
76.调度管理系统200可以对第一用电单元在一段时间内的功率分布，具体是第一用电单元在至少一个统计周期的功率进行预测。其中，统计周期可以是功率的采集周期。例如，每隔10min采集一次功率时，采集周期即为10min，相应地统计周期即为10min。基于此，调度管理系统200对第一用电单元在多个统计周期的功率进行预测时，可以根据模型对第一用电单元在每个统计周期的功率预测的偏差值(例如是偏差值的绝对值)确定模型的误差值。该误差值也称作单点误差值，具体计算公式如下：
[0077][0078]
其中，error
sin
表征单点误差值。n是指需要预测的统计周期的数量，例如需要预测一天的功率时，而统计周期为10分钟时，则n＝(60
÷
10)
×
24＝144。y
prei
是指模型对用电单元在第i个统计周期的功率的预测值，yi是指用电单元在第i个统计周期的真实功率值(也称作实际功率值)。
[0079]
考虑到不同统计周期对应的电价可以是相同的，如果在同一电价的时间区间的多个统计周期中，模型的预测值存在偏高和偏低的情况，则调度管理系统200可以将属于同一时间区间的偏差值进行求和，从而确定在该区间内的误差值，接着根据模型在各个时间区间的误差值确定该模型的误差值。该误差值也称作区间误差值，具体计算公式如下：
[0080]
[0081]
其中，error
range
表征区间误差值。m为电价数量，例如不同时间区间的电价可以为0.195、0.58和0.885，则m可以取值为3。y
prej
是指模型对用电单元在时间区间内第j个统计周期的功率的预测值，yj是指用电单元在时间区间内第j个统计周期的真实功率值。表征指用电单元在时间区间内真实功率值的平均值。q表征时间区间内多个统计周期的数量。
[0082]
需要说明的是，当一个电价对应多个不连续的时间区间，例如一个电价分别对应如下时间区间[0:00,7:00)、[13:00,14:00)、[23:00,24:00)时，调度管理系统200在确定误差值时还可以将多个不连续的时间区间合并。对应地，q可以是多个不连续的时间区间内多个统计周期的数量之和。
[0083]
基于上述公式(1)和公式(2)可知，区间误差值通常小于单点误差值，评价指标值中包括区间误差值时可以减少模型更新次数，避免模型频繁更新导致消耗大量的计算资源。
[0084]
在一些可能的实现方式中，调度管理系统200还可以根据上述单点误差值和区间误差值，共同确定误差值，具体如下所示：
[0085][0086]
其中，error表征误差值，k1和k2分别表征单点误差值和区间误差值的权重。k1与k2的和值为1。
[0087]
s204：调度管理系统200根据所述评价指标值选择第一模型对第一用电单元进行功率预测。
[0088]
具体地，调度管理系统200可以根据评价指标值从模型池中选择精度满足要求的模型为第一模型，根据第一用电单元的历史功率分布，利用第一模型预测第一用电单元的未来功率分布。其中，历史功率分布指示当前时刻之前至少一个统计周期的功率，未来功率分布指示当前时刻之后至少一个统计周期的功率。需要说明的是，历史功率分布对应的统计周期的数量可以大于或等于未来功率分布对应的统计周期的数量。例如，调度管理系统200可以利用历史三天的功率分布预测未来一天的功率分布。
[0089]
由于精度可以通过评价指标值，例如误差值进行表征。因此，调度管理系统200可以选择误差值满足预设条件的模型作为第一模型。具体地，调度管理系统200可以将模型的误差值与预设阈值进行比较，从而选择出误差值满足预设条件的模型为第一模型。例如，调度管理系统200可以选择误差值小于预设阈值的模型为第一模型。
[0090]
在一些可能的实现方式中，误差值满足预设条件的模型还可以是误差值最小的模型。具体地，当所有模型的误差值均不小于预设阈值，并且距离模型上次更新时间并未超过预设时间时，由于对模型进行频繁更新会造成大量计算资源的消耗，而且历史数据变化较小时，模型精度不会明显改善，因此，调度管理系统200可以选择误差值最小的模型作为第一模型。第一模型对第一用电单元进行功率预测的结果可以提供给调度管理系统200中的策略制定模块206进行充放电策略制定。
[0091]
其中，预设时间可以根据经验值设置，例如预设时间可以设置为l天。需要说明的是，针对不同模型，l取值可以是相同的，也可以是不同的，调度管理系统200可以根据实际情况进行设置。
[0092]
在一些可能的实现方式中，调度管理系统200可以对模型池中的模型进行更新，然后根据更新后的模型的评价指标值从更新后的模型池中选择第一模型对第一用电单元进行功率预测。
[0093]
具体地，模型池中模型的评价指标值(例如误差值)均不小于预设阈值时，表明模型的精度不能满足要求，并且至少有一个模型距离上次更新时间超过预设时间，如超过m天，则历史数据变化相对较大，模型管理系统200可以根据更新的历史数据更新模型。
[0094]
进一步地，模型管理系统200还可以将模型类型、更新时间、更新后的模型的超参值、更新后的模型的参数值、更新后的模型的评价指标值(如误差值)存储在数据库中，以便后续使用。
[0095]
s206：调度管理系统200呈现对所述第一用电单元的所述功率预测的结果。
[0096]
具体地，调度管理系统200可以通过图形用户界面(graphical user interface，gui)向用户呈现模型池中至少一个模型对第一用电单元的功率预测的结果。其中，至少一个模型可以包括上述s202中确定的第一模型。为了便于用户查看各个模型预测结果的差异，调度管理系统200也可以通过gui向用户呈现模型池中各个模型对第一用电单元的功率预测的结果。例如，调度管理系统200可以通过gui向用户呈现模型池中各个模型预测的第一用电单元在未来一天的功率分布。
[0097]
下面结合附图对呈现功率预测的结果进行示例说明。
[0098]
参见图3所示的呈现功率预测的结果的界面示意图，如图3所示，界面300中呈现有第一模型(该示例中可以是dnn模型)对第一用电单元(该示例中可以是机柜4)在一天中的功率分布，具体如图3中的曲线301所示。进一步地，界面300中还承载有用电单元选择控件302、时间选择控件303、模型选择控件304，用户可以通过上述控件以增减方式或者下拉选择方式选择其他用电单元，其他时间，和/或其他模型，以便在界面300中呈现其他用电单元的功率分布，用电单元在其他时间的功率分布，和/或其他模型预测的用电单元的功率分布。在一些实现方式中，用户可以通过模型选择控件304选择模型池中的所有模型，以便在界面300中显示模型池中的各模型预测的功率分布。
[0099]
在一些可能的实现方式中，界面300中还可以承载实际功率显示控件305、策略显示控件306、电量显示控件307、电价曲线显示控件308、实际收益显示控件309、理想收益显示控件310中的至少一种。
[0100]
其中，实际功率显示控件305被触发时，例如被用户选中时，调度管理系统200可以在界面300中显示用电单元的实际功率，即真实功率值，具体可以如图3中的曲线311所示。
[0101]
策略显示控件306被触发时，调度管理系统200在界面300中显示该调度管理系统200制定的充放电策略，具体可以如图3中的曲线312所示。电量显示控件307倍触发时，调度管理系统200可以在界面300中显示储能系统100的电量，具体可以如图3中的曲线314所示。电价曲线显示控件308被触发时，调度管理系统200可以在界面300中显示电价曲线，具体可以如图3中的曲线313所示。
[0102]
类似地，实际收益显示控件309被触发时，调度管理系统200在界面300中显示通过储能系统100充放电，为数据中心供电所获得的实际收益，该收益具体如图3中的曲线315所示。理想收益显示控件310被触发时，调度管理系统200在界面300中显示通过储能系统100充放电，为数据中心供电在理论上能够获得的收益，该收益具体如图3中的曲线316所示。
[0103]
基于上述内容描述，本技术实施例提供了一种功率预测的方法。在该方法中，调度管理系统200可获取模型池中模型的评价指标值，根据评价指标值指示的模型精度从模型池中选择第一模型，对第一用电单元进行功率预测，接着呈现对第一用电单元的功率预测的结果。由于在第一用电单元运行过程中，采用模型的评价值对模型池中的模型进行在线评估，根据评估结果选择合适的模型对第一用电单元进行功率预测，而不是始终采用单一模型对第一单元进行功率预测，因而能够适应第一用电单元的功率变化，提高了预测精度，满足了业务需求。
[0104]
作为一种可能的实施方式，除了图3所示的功率预测结果外，还可以将两种或两种以上模型预测结果呈现在界面300中，具体可以以不同页签或同一页面的不同区域分别显示每个模型预测结果，按照不同维度(例如，功率消耗、耗电等涉及成本数据)在界面显示各个模型的数据，维护人员可以根据其需求人为选择一个模型作为最终模型，由该最终模型对第一单元进行功率预测。可选地，维护人员也可以同时选择两个或多个模型作为最终模型对第一单元进行功率预测。
[0105]
进一步地，数据中心中通常包括较多的用电单元。当有新的用电单元加入数据中心时，调度管理系统200还可以为该新的用电单元推荐模型进行功率预测。为了便于描述，本技术实施例将新的用电单元称为第二用电单元。
[0106]
在一些可能的实现方式中，调度管理系统200的数据库中可以存储已有的第一用电单元的功率分布和对该第一用电单元进行预测的第一模型(具体包括第一模型的类型和第一模型的参数值，在有些情况下还包括第一模型的超参值)。在一些实施例中，调度管理系统200还存储有上述第一模型的评价指标值，如第一模型的误差值。
[0107]
基于此，调度管理系统200可以根据数据中心中已有的第一用电单元的功率分布和对该第一用电单元进行预测的第一模型，为新加入的第二用电单元推荐合适的第二模型进行功率预测，由此缩短确定第二模型的时间，使得调度管理系统200能够在较短时间内达到较高的预测精度，降低电力成本。
[0108]
具体地，调度管理系统200获取数据中心中新加入的第二用电单元的功率分布，该功率分布是指在至少一个采集周期采集真实功率值所形成的时间功率序列。然后调度管理系统200确定第二用电单元的功率分布与数据中心中已有的第一用电单元的功率分布的相似度，根据该相似度从第一用电单元中确定与第二用电单元的功率分布的相似度达到预设相似度的至少一个第三用电单元。接着调度管理系统200根据对第三用电单元的功率分布进行功率预测的模型确定用于对第二用电单元的功率分布进行功率预测的第二模型。
[0109]
其中，功率分布可以表示为动态的时间功率序列。为此，调度管理系统200可以动态时间规整算法(dynamic time warping，dtw)确定功率分布的相似度。dtw算法提供了一种针对时间序列数据的相似函数(也称作距离函数)，通过将时间功率序列代入上述相似函数，可以获得功率分布的相似度。
[0110]
在一些可能的实现方式中，调度管理系统200还可以采用其他相似函数或距离函数确定功率分布的相似度。例如，调度管理系统200可以根据欧式距离、切比雪夫距离、曼哈顿距离等中的任意一种或多种确定功率分布的相似度。
[0111]
其中，调度管理系统200根据对第三用电单元的功率分布进行功率预测的模型确定用于对第二用电单元的功率分布进行功率预测的第二模型可以有多种实现方式。本技术
实施例示例性地提供了两种确定第二模型的方式，下面结合附图对这两种方式进行详细说明。
[0112]
第一种实现方式，如图4a所示，调度管理系统200从数据中心400已有的第一用电单元402中确定与新加入的第二用电单元404的功率分布的相似度达到预设相似度的至少一个第三用电单元，根据对第三用电单元进行功率预测的模型确定对第二用电单元进行功率预测的第二模型。其中，调度管理系统200可以从对第三用电单元进行功率预测的模型中随机选择一个模型作为对第二用电单元404进行功率预测的第二模型，或者是选择一个误差值小于预设阈值的模型作为对第二用电单元404进行功率预测的第二模型。
[0113]
第二种实现方式，如图4b所示，调度管理系统200从数据中心400已有的第一用电单元402中确定与新加入的第二用电单元404的功率分布的相似度达到预设相似度的至少一个第三用电单元，然后将对所述至少一个第三用电单元进行功率预测的模型加入所述第二用电单元404的模型池。进一步地，调度管理系统200也可以是将至少一个第三用电单元中相似度排序为前s的用电单元的预测模型加入模型池。接着调度管理系统200获取所述第二用电单元404的模型池中模型对所述第二用电单元进行功率预测的评价指标值，根据所述评价指标值从所述第二用电单元404的模型池中选择用于对所述第二用电单元404进行功率预测的第二模型。
[0114]
本技术实施例提供的功率预测的方法是基于模型池中的模型实现的。模型池中的模型，例如树模型、神经网络模型等可以通过训练得到。具体地，调度管理系统200可以根据第一用电单元的历史功率生成样本数据，然后利用样本数据对初始模型进行训练，从而得到第一用电单元的模型池中的模型。
[0115]
首先，结合附图对调度管理系统200生成样本数据的过程进行介绍。
[0116]
参见图5所示的生成样本数据的流程图，具体包括如下步骤：
[0117]
s502：调度管理系统200采集第一用电单元在前n天的功率分布。
[0118]
当训练的模型类型不同时，n的取值可以是不同的。例如，训练dnn模型时，n可以取值为10，训练随机森林模型时，n可以取值为5。此外，根据模型的预测跨度(即进行功率预测的时间段的长度)不同，n的取值也可以是不同的。例如，模型用于预测未来一天的功率时，n可以取值为7，模型用于预测未来三天的功率时，n可以取值为15。
[0119]
s504：调度管理系统200对第一用电单元在前n天的功率分布进行重采样。
[0120]
调度管理系统200可以按照采集周期采集第一用电单元的功率(真实功率值)。当采集周期较小时，例如为5秒时，调度管理系统200获得大量的数据。为此，调度管理系统200可以对上述历史功率分布进行重采样，例如可以按照预测时间间隔(具体为统计周期)对历史功率分布进行重采样。其中，统计周期可以是采集周期的整数倍。在有些情况下，统计周期可以等于采集周期。
[0121]
考虑到阶梯电价，调度管理系统200还可以根据电价曲线，确定最小电价跨度。电价跨度是指电价由一个价格变为另一个价格的最短时间。当电价曲线中存在三种或三种以上的电价时，调度管理系统200可以确定出最小电价跨度。调度管理系统200可以根据最小电价跨度确定重采样的周期。例如，最小电价跨度为30min时，调度管理系统可以将重采样的周期确定为30min。
[0122]
通过对原始的功率分布(s502中采集的功率分布)进行重采样，可以降低原始的功
率分布中的噪声。并且，选择合适的重采样的周期对原始的功率分布进行重采样可以有效减少数据量，提高模型的迭代速度。
[0123]
s506：调度管理系统200填充功率分布中缺失的功率值。
[0124]
考虑到功率分布中可能存在个别时间点的功率值缺失的情况，调度管理系统200还可以填充功率分布中缺失的功率值。具体地，调度管理系统200可以确定出一个时间窗口，该时间窗口以发生功率值缺失的时间点之前预设时长的时间点为起点，以发生功率值缺失的时间点为终点，然后根据时间窗口内不同时间点的功率值的数学统计值，如平均值、中位值等填充缺失的时间点的功率值。
[0125]
s508：调度管理系统200对功率分布进行异常点检测，并对异常点的功率值进行修正。
[0126]
异常点是指功率分布中功率超出正常范围的点。具体地，调度管理系统200可以利用异常点(离群点)检测算法对功率分布进行异常点检测。异常点检测算法包括统计假设检验算法、局部异常因子(local out factor，lof)算法、箱型图(boxplot)的四分位距(interquartile range,iqr)算法等等。
[0127]
为了便于理解，下面以箱型图的四分位距为例进行说明。针对一个功率分布，调度管理系统200可以构建对应的箱型图。该箱型图中定义了5个基本数值，具体为最小值(minimum，min))，下四分位数或第一个四分位数(first quartile，q1)，中值、中位数(median)或第二个四分位数(second quartile,q2)，上四分位数或第三个四分位数(third quartile,q3)，最大值(maximum，max)。四分位距iqr表示下四分位数q1和上四分位数的间距。
[0128]
其中，下四分位数q1为数据序列(如功率分布中的功率值所形成的数据序列)由小至大排序后排名为25％的数值，中位数q2为数据序列由小至大排序后排名为50％的数值，上四分位数为数据序列由小至大排序后排名为75％的数值。
[0129]
需要说明的是，箱型图中的最小值和最大值不一定等于功率分布中功率值的最小值和最大值，而是根据iqr确定。具体地，最小值为q1-1.5iqr，最大值为q3 1.5iqr。其中，异常点为功率值小于q1-1.5iqr的点，或者功率值大于q3 1.5iqr的点。
[0130]
在检测出异常点后，调度管理系统200可以采用类似填充缺失值的方式纠正异常点的功率值，例如以时间窗口内的数学统计值为修正后的功率值。
[0131]
s510：调度管理系统200对功率分布进行归一化。
[0132]
在一些实施例中，为了加快训练模型的收敛速度，调度管理系统200还可以对功率分布中各时间点的功率值进行归一化。
[0133]
s512：调度管理系统200从功率分布进行特征提取，根据提取的特征生成样本数据。
[0134]
具体地，调度管理系统200可以通过特征工程的方式提取特征。具体地，调度管理系统200可以确定时间窗口，该时间窗口可以与上文所述的填充缺失的功率值的时间窗口不同，然后获取时间窗口内多个时间点的功率值的数学统计值，例如极值、均值、方差等中的至少一种，以及获取功率对应的时间信息，如时刻、对应的日排序(在一周中的第几日)、月排序(在一年中的第几月)，然后根据时间窗口内的上述数学统计值和时间信息生成样本数据。该样本数据可以表示为(x，y)，其中，x包括时间窗口内的时间功率序列以及提取的特
征，如上述功率值的极值、均值、方差和时刻、日排序、月排序，y为监督信息，该监督信息可以是该时间窗口之后一个时间窗口内的时间功率序列。对应地，在利用模型进行预测时，也可以对时间窗口内的时间功率序列进行特征提取，将时间功率序列和提取的特征作为输入。
[0135]
在另一些可能的实现方式中，调度管理系统200也可以直接根据一个时间窗口的时间功率序列以及该时间窗口之后的一个时间功率序列生成样本数据。即样本数据(x，y)中的x表示一个时间窗口的时间功率序列，y为监督信息，该监督信息为该时间窗口之后一个时间窗口内的特征。
[0136]
需要说明的是，x和y对应的时间窗口的长度可以是相等的，也可以是不等的。x对应的时间窗口的长度可以大于y对应的实际窗口的长度。例如，x对应的时间窗口的长度可以为3天，y对应的时间窗口的长度可以为1天。
[0137]
在本实施例中，s504至s510为可选步骤，在本技术实施例其他可能的实现方式中，也可以不执行上述s504至s510。
[0138]
下面结合附图进一步介绍调度管理系统200如何对各个模型进行训练和验证的过程。调度管理系统200生成多个样本数据后，还可以将样本数据分别划分值训练集和验证集。例如，调度管理系统200可以按照第一预设比例，例如8:2，将样本数据分别划分值训练集和验证集。在一些实施例中，调度管理系统200可以将样本数据分别划分至训练集、验证集和测试集。例如，调度管理系统200可以按照第二预设比例，例如7:2:1，将样本数据分别划分值训练集、验证集和测试集。
[0139]
其中，训练集用于对模型进行拟合，验证集用于对基于训练集中的样本数据(即训练样本)训练所得的模型进行验证，以对模型的超参数进行调整，以及对模型的能力如预测精度进行初步评估。测试集用于对验证通过的模型的泛化能力。
[0140]
调度管理系统200获得数据样本后，可以将训练集中的样本数据即训练样本作为模型池的输入，进行分布式模型训练。在模型训练阶段，调度管理系统200可以根据模型的超参的搜索空间，利用自动调参方法如网格搜索(grid search)、粒子群(particle swarm optimization，pso)等优化算法进行超参的选择和调优，并根据训练样本输入模型后所得的损失函数，进行模型的参数的选择和调优，当模型收敛时，停止训练。进一步地，调度管理系统200可以利用验证集中的样本数据即验证样本，对训练得到的模型进行验证，以初步评估模型的精度。当精度不满足要求时，调度管理系统200可以对超参进行进一步调优，然后对模型进行再训练。当训练的模型验证通过时，可以用于进行功率预测。
[0141]
另外，在进行功率预测时，考虑到功率分布中可能存在异常点的情况，在图2所示实施例中，调度管理系统200还可以在确定模型的评价指标值时，先对功率分布中异常点的功率值进行修正。其中，调度管理系统200可以采用与模型训练过程中异常点检测方法相同或相似的方法检测出异常点，如采用箱型图的四分位距检测出异常点，并以该异常点为终点的时间窗口内多个时间点的功率值的数学统计值修正异常点的功率值，然后根据修正后的功率值确定模型的评价指标值，如此可以提高准确度。
[0142]
上文结合图1至图5对本技术实施例提供的功率预测的方法进行了详细介绍，下面将结合附图对本技术实施例提供的装置、设备进行介绍。
[0143]
参见图6所示的功率预测的装置的结构示意图，该装置600包括：
[0144]
通信单元602，用于获取模型池中模型的评价指标值，所述评价指标值用于指示所述模型的精度；
[0145]
预测单元604，用于根据所述评价指标值选择第一模型对第一用电单元进行功率预测，所述第一用电单元为数据中心中任一用电单元；
[0146]
显示单元606，用于呈现对所述第一用电单元的所述功率预测的结果。
[0147]
在一些可能的实现方式中，所述预测单元604具体用于：
[0148]
根据所述评价指标值从所述模型池中选择第一模型；
[0149]
根据所述第一用电单元的历史功率分布，利用所述第一模型预测所述第一用电单元的未来功率分布，所述历史功率分布指示当前时刻之前至少一个统计周期的功率，所述未来功率分布指示当前时刻之后至少一个统计周期的功率。
[0150]
在一些可能的实现方式中，所述评价指标值包括误差值，所述预测单元604具体用于：
[0151]
根据所述误差值从所述模型池中选择所述误差值满足预设条件的模型为第一模型。
[0152]
在一些可能的实现方式中，所述误差值满足预设条件包括：
[0153]
所述误差值小于预设阈值；或者，所述误差值最小。
[0154]
在一些可能的实现方式中，所述预测单元604具体用于：
[0155]
根据所述评价指标值更新所述模型池中的模型；
[0156]
根据更新后的所述模型的评价指标值从更新后的所述模型池中选择第一模型。
[0157]
在一些可能的实现方式中，所述评价指标值根据对所述数据中心中第一用电单元的功率预测时的区间误差值和单点误差值中的至少一种确定。
[0158]
在一些可能的实现方式中，所述通信单元602还用于：
[0159]
获取所述数据中心中新加入的第二用电单元的功率分布；
[0160]
所述装置600还包括：
[0161]
确定单元，用于从所述第一用电单元中确定与所述第二用电单元的功率分布的相似度达到预设相似度的至少一个第三用电单元；
[0162]
所述确定单元，还用于根据对所述第三用电单元进行功率预测的模型确定用于对所述第二用电单元进行功率预测的第二模型。
[0163]
在一些可能的实现方式中，所述确定单元具体用于：
[0164]
将对所述第三用电单元进行功率预测的模型确定为用于对所述第二用电单元进行功率预测的第二模型。
[0165]
在一些可能的实现方式中，所述确定单元具体用于：
[0166]
将对所述至少一个第三用电单元进行功率预测的模型加入所述第二用电单元的模型池；
[0167]
获取所述第二用电单元的模型池中模型对所述第二用电单元进行功率预测的评价指标值；
[0168]
根据所述评价指标值从所述第二用电单元的模型池中选择用于对所述第二用电单元进行功率预测的第二模型。
[0169]
在一些可能的实现方式中，所述装置600还包括：
[0170]
生成单元，用于根据所述第一用电单元的历史功率分布生成训练样本；
[0171]
训练单元，用于利用所述训练样本对初始模型进行训练得到所述模型池中的模型。
[0172]
在一些可能的实现方式中，所述模型池中包括两种或两种以上模型。
[0173]
在一些可能的实现方式中，所述第一用电单元为用电设备的集合，该用电设备的集合包括至少一个用电设备，至少一个整机柜的用电设备，或者至少一个机房的用电设备中一种或多种。
[0174]
在一些可能的实现方式中，所述显示单元具体用于：
[0175]
通过图形用户界面呈现所述模型池中至少一个模型对所述第一用电单元的所述功率预测的结果。
[0176]
根据本技术实施例的功率预测的装置600可对应于执行本技术实施例中描述的方法，并且功率预测的装置600的各个模块/单元的上述和其它操作和/或功能分别为了实现图2所示实施例中的各个方法的相应流程，为了简洁，在此不再赘述。
[0177]
本技术实施例还提供了一种设备700。该设备700可以是笔记本电脑、台式机等端侧设备，也可以是云环境或边缘环境中的计算机集群，或者端侧设备以及云环境、边缘环境中设备的组合。该设备700具体用于实现如图6所示实施例中功率预测的装置600的功能。
[0178]
图7提供了一种电子设备700的结构示意图，如图7所示，电子设备70包括总线701、处理器702、通信接口703和存储器704、显示器705。处理器702、存储器704和通信接口703、显示器705之间通过总线701通信。
[0179]
总线701可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0180]
处理器702可以为中央处理器(central processing unit，cpu)。在一些实施例中，处理器702也可以为图形处理器(graphics processing unit，gpu)、微处理器(micro processor，mp)或者数字信号处理器(digital signal processor，dsp)等处理器中的任意一种或多种。
[0181]
通信接口703用于与外部通信。例如，通信接口703可以用于获取模型池中模型的评价指标值，或者用于获取数据中心中新加入的第二用电单元的功率分布等等。
[0182]
存储器704可以包括易失性存储器(volatile memory)，例如随机存取存储器(random access memory，ram)。存储器704还可以包括非易失性存储器(non-volatile memory)，例如只读存储器(read-only memory，rom)，快闪存储器，硬盘驱动器(hard disk drive，hdd)或固态驱动器(solid state drive，ssd)。
[0183]
显示器705一种输入输出(input/output，i/o)设备。该设备可以将电子文件如图像、文字显示到屏幕上，以供用户查看。根据制造材料不同，显示器705可以分为液晶显示器(liquid crystal display，lcd)、有机电激光(organic light emitting diode，oled)显示器等。
[0184]
存储器704中存储有可执行代码，处理器702执行该可执行代码以执行前述功率预测的方法。
[0185]
具体地，在实现图6所示实施例的情况下，且图6实施例中所描述的功率预测的装置600的各单元为通过软件实现的情况下，执行图6中的预测单元604功能所需的软件或程序代码存储在存储器704中。
[0186]
通信单元602功能通过通信接口703实现。通信接口703用于获取模型池中模型的评价指标值，并将模型的评价指标值通过总线701传输至处理器702，处理器702执行存储器704中存储的各单元对应的程序代码，如执行预测单元604对应的程序代码，以执行根据所述评价指标值选择第一模型对第一用电单元进行功率预测的步骤。然后处理器702将对第一用电单元的功率预测的结果通过总线传输至显示器705。显示器705呈现对第一用电单元的功率预测的结果。
[0187]
应理解，本技术实施例的电子设备700可对应于本技术实施例中的图6所述的功率预测的装置600，电子设备700用于实现上述图2所述方法中相应主体执行的方法的操作步骤，为了简洁，在此不再赘述。
[0188]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
[0189]
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
[0190]
以上所述，仅为本技术的具体实施方式。熟悉本技术领域的技术人员根据本技术提供的具体实施方式，可想到变化或替换，都应涵盖在本技术的保护范围之内。