一种高弹性下耦合数据中心的分段负荷预测方法与流程

1.本发明涉及新型负荷预测技术领域，尤其是涉及一种高弹性下耦 合数据中心的分段负荷预测方法。


背景技术：

2.随着整个社会信息化进程的飞速发展，数据信息已经成为许多行 业正常工作的重要组成部分。不断增长的云服务、大数据分析、电子 商务和互联网流量使数据中心的能源消耗飞速上升。目前，准一线及 以上城市数据中心能耗一直保持着两位数的高速增长，显著高于其他 行业的增速水平。
3.随着数据中心市场发展规模的日益扩大，在高弹性电网发展下， 数据中心将作为需求侧积极响应高弹电网。数据中心中空调系统能耗 占比40％，在冬季环境温度低于10℃时可利用自然冷源散热，降低空 调系统能耗。因此数据中心的负荷预测可根据自然环境温度分段预测。
4.同时，常规负荷预测方法无法具体预测高弹网架下随季节变化的 负荷，因此，亟需一种在高弹性下结合数据中心的负荷预测方法，实 现多元负荷耦合。


技术实现要素：

5.本发明的目的是提供一种高弹性下耦合数据中心的分段负荷预测 方法，对常规负荷进行月度分段预测，采用分段负荷预测法，得到更 准确的分段负荷预测曲线，同时耦合日益增长的季度性数据中心负荷 预测，耦合得到高弹性下耦合数据中心的负荷预测曲线，形成全面综 合性负荷预测。
6.第一方面，本发明的上述发明目的通过以下技术方案得以实现：
7.一种高弹性下耦合数据中心的分段负荷预测方法，利用区域内历 史年最大负荷值，选用弹性系数法计算预测年最大负荷，利用基准年 每月最大负荷值，选用最小二乘法和多元微积分函数建立基准年分段 回归分析模型,利用预测年最大负荷值及基准年分段回归分析模型， 建立预测年分段回归分析模型，采用数据中心分类负荷预测法，分场 景计算数据中心负荷预测数值,耦合数据中心和常规负荷预测的年特 性曲线，确定区域内耦合数据中心的负荷预测结果。
8.本发明进一步设置为：利用区域内历史年最大负荷值，选用弹性 系数法计算预测年最大负荷；
9.利用基准年每月最大负荷值，选用最小二乘法和多元微积分函数 建立基准年分段回归分析模型；
10.利用预测年最大负荷值及基准年分段回归分析模型，建立预测年 分段回归分析模型，计算预测年每月最大负荷预测值，绘制年负荷预 测特性曲线；
11.充分考虑需求侧响应下数据中心因不同季节温度影响下制冷负 荷的变化，分场景计算数据中心负荷预测数值，绘制年负荷预测特性 曲线，此方法仅考虑新建数据中心，
对于已有数据中心不做计算；
12.耦合数据中心和常规负荷预测的年特性曲线，确定区域内耦合数 据中心的负荷预测结果。
13.本发明进一步设置为：通过弹性系数法计算预测年最大负荷值， 如下式所示：
14.y
t
＝yw(1 ex)
(t-w)
ꢀꢀꢀ
(1)；
15.式中，y
t
表示预测年最大负荷值，yw表示基准年最大负荷值，e 表示弹性系数，x表示负荷增长率，t表示预测年份，w表示基准年 份。
16.本发明进一步设置为：分析历史年的月负荷特性曲线，选取负荷 曲线上负荷最高点的月份作为转折点xm；
17.分析基准年负荷特性曲线，利用转折点将负荷曲线分为两段，建 立基准年分段回归函数模型f(x)，如下式所示：
[0018][0019]
式中，x表示月份，f(x)表示该月份下所对应的负荷值，xm为负 荷最高的月份，a1、b1、c1、a2、b2、c2表示误差函数为最小值时的 参数。
[0020]
本发明进一步设置为：利用最小二乘法和多元微积分计算出未知 参数a1、b1、c1、a2、b2、c2，最小二乘法如下式所示：
[0021][0022]
式中q表示最小误差值，m表示月份转折点，i表示(1，12) 之间的随机数，xi、yi表示曲线上选取的i月数据；
[0023]
利用多元微积分计算参数a1、b1、c1、a2、b2、c2，建立基准年 分段回归分析模型。
[0024]
本发明进一步设置为：默认预测年负荷曲线与基准年相近，利用 预测年最大负荷值及基准年分段回归分析模型，建立预测年分段回归 分析模型，如下式所示：
[0025][0026]
式中，c0＝y
t-yw(5)；
[0027]
其中，c0表示预测年与基准年最大负荷差值，y
t
表示预测年最大 负荷值，yw表示基准年最大负荷值；
[0028]
利用预测年分段回归分析模型，计算预测年每月最大负荷预测值， 绘制年负荷预测特性曲线。
[0029]
本发明进一步设置为：提出一种考虑供电和制冷需求的数据中心 功率需求估算方法；
[0030]
(1)计算数据中心保供电的关键负载功率，如下式所示：
[0031]
p
piv
＝(p
cur
p
inc
)k
piv
ꢀꢀꢀ
(6)；
[0032]
式中：p
piv
表示关键负载需求功率；p
cur
表示已有设备额定功率； p
inc
表示新增设备额定功率；k
piv
表示关键负载因数；
[0033]
(2)计算照明设施功率需求，包括建筑物数据中心的全部照明 设施，如下式所示：
[0034]
p
lit
＝s
dat
*p
uar
ꢀꢀꢀ
(7)；
[0035]
式中，p
lit
表示照明设施需求功率；s
dat
表示数据中心占地面积估 算值；p
uar
表示单位面积每平米的照明功率；
[0036]
(3)计算ups系统的效率损耗因素以及电池充电所需的额外功 率，如下式所示：
[0037]
p
los
＝p
piv
*k
los
ꢀꢀꢀ
(8)；
[0038]
式中，p
los
表示ups损耗功率；k
los
表示ups功率损耗因数；
[0039]
(4)计算满足电源需求的总功率，如下式所示：
[0040]
p
src
＝p
piv
p
lit
p
los
ꢀꢀꢀ
(9)；
[0041]
式中，p
src
电源需求总功率；
[0042]
(5)计算制冷系统的电源功率，如下式所示：
[0043]
p
ref
＝p
src
*k
col
ꢀꢀꢀ
(10)；
[0044]
式中，p
ref
表示制冷需求功率；k
col
表示冷却水系统效率；
[0045]
根据已有大数据统计，计算并设定关键负载因数k
piv
因数为0.67， 每平米照明功率p
uar
为0.0215，ups功率损耗因数k
los
为0.32，冷却 水系统效率k
col
因数0.7。
[0046]
本发明进一步设置为：充分考虑需求侧响应下数据中心因不同季 节温度影响下制冷负荷的变化，设计环境温度低于10℃时关闭空调 系统冷源，使用自然冷源冷却，确定满足数据中心电源和制冷的需求 总功率，如下式所示：
[0047][0048]
式中，p
tol
表示数据中心需求总功率，p
src
表示电源需求总功率， p
ref
表示制冷需求功率，temp表示环境温度；
[0049]
利用模型分场景计算数据中心负荷预测数值，绘制年负荷预测特 性曲线。
[0050]
本发明进一步设置为：耦合数据中心和常规负荷预测的年特性曲 线，计算高弹性下耦合数据中心的分段负荷预测结果。
[0051]
第二方面，本发明的上述发明目的通过以下技术方案得以实现：
[0052]
一种高弹性下耦合数据中心的分段负荷预测终端，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本技术所述方法。
[0053]
第三方面，本发明的上述发明目的通过以下技术方案得以实现：
[0054]
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，所述计算机程序被所述处理器执行时实现本技术所述方法。
[0055]
与现有技术相比，本技术的有益技术效果为：
[0056]
1.本技术通过基准年负荷曲线，利用最小二乘法和多元微积分函 数，实现了基准年分段回归分析模型的建立；
[0057]
2.进一步地，本技术通过预测年最大负荷及基准年分段回归分析 模型，建立了预测年分段回归分析模型，实现了高弹性下常规负荷的 动态预测；
[0058]
3.进一步地，本技术利用数据中心分类负荷预测法，依据环境温 度变化，分场景计算数据中心各类设备的负荷预测，实现了考虑需求 侧响应的数据中心负荷预测；
[0059]
4.进一步地，本技术利用耦合数据中心及常规负荷预测的年特性 曲线，确定区域
内总负荷预测，实现了高弹性下耦合数据中心的实时 动态负荷预测。
具体实施方式
[0060]
以下对本发明作进一步详细说明。
[0061]
具体实施例一
[0062]
本技术的一种高弹性下耦合数据中心的分段负荷预测方法，包括： 利用区域内历史年最大负荷值，选用弹性系数法计算预测年最大负荷；
[0063]
利用基准年每月最大负荷值，选用最小二乘法和多元微积分函数 建立基准年分段回归分析模型，利用预测年最大负荷值及基准年分段 回归分析模型，建立预测年分段回归分析模型。
[0064]
通过弹性系数法计算预测年最大负荷值，如下式所示：
[0065]yt
＝yw(1 ex)
(t-w)
ꢀꢀꢀ
(12)；
[0066]
式中，y
t
表示预测年最大负荷值，yw表示基准年最大负荷值，e 表示弹性系数，x表示负荷增长率，t表示预测年，w表示基准年。
[0067]
分析历史年的月负荷特性曲线，选取负荷曲线上负荷最高点的月 份作为转折点xm；
[0068]
分析基准年负荷特性曲线，利用转折点将负荷曲线分为两段，建 立基准年分段回归函数模型f(x)，如下式所示：
[0069][0070]
式中，x表示月份，f(x)表示该月份下所对应的负荷值，xm为负 荷最高的月份，a1、b1、c1、a2、b2、c2表示误差函数为最小值时的 参数。
[0071]
设置最小二乘法，如下式所示：
[0072][0073]
式中q表示最小误差值，m表示月份转折点，i表示(1，12) 之间的随机数，xi、yi表示曲线上选取的i月数据。
[0074]
利用多元微积分计算未知参数a1、b1、c1、a2、b2、c2，如下式 所示：
[0075]
(1)设已知数据点为(xi，yi)，1≤i≤m；
[0076]
该近似拟合曲线的均方误差为：
[0077][0078]
根据微积分极值理论，当q达到最小值时，满足：
[0079][0080]
整理得到矩阵：
[0081][0082]
其系数行列式为：
[0083][0084]
另外：
[0085][0086][0087][0088]
由此解得二次曲线各系数：
[0089][0090][0091][0092]
求解得拟合曲线参数a1、b1、c1的值；
[0093]
(2)设已知数据点为(xi，yi)，m≤i≤12，曲线参数a2，b2， c2的值求解如上。
[0094]
利用计算所得的参数，建立基准年分段回归分析模型。
[0095]
默认预测年负荷曲线与基准年相近，利用预测年最大负荷值及基 准年分段回归分析模型，建立预测年分段回归分析模型，如下式所示：
[0096][0097]
式中，c0＝y
t-yw(26)；
[0098]
其中，c0表示预测年与基准年最大负荷差值，y
t
表示预测年最大 负荷值，yw表示基准年最大负荷值；
[0099]
利用预测年分段回归分析模型，计算预测年每月最大负荷预测值， 绘制年负荷预
测特性曲线。
[0100]
具体实施例二
[0101]
充分考虑需求侧响应下数据中心因不同季节温度影响下制冷负荷 的变化，建立数据中心分类负荷预测法，分场景计算数据中心负荷预 测数值，绘制年负荷预测特性曲线，此方法仅考虑新建数据中心，对 于已有数据中心，考虑其负荷平稳，不做计算。
[0102]
耦合数据中心和常规负荷预测的年特性曲线，确定区域内耦合数 据中心的负荷预测结果。
[0103]
提出一种考虑供电和制冷需求的数据中心功率需求估算方法：
[0104]
(1)计算数据中心保供电的关键负载功率，如下式所示：
[0105]
p
piv
＝(p
cur
p
inc
)k
piv
ꢀꢀꢀ
(27)；
[0106]
式中：p
piv
表示关键负载需求功率；p
cur
表示已有设备额定功率； p
inc
表示新增设备额定功率；k
piv
表示关键负载因数。
[0107]
(2)计算照明设施功率需求，包括建筑物数据中心的全部照明 设施，如下式所示：
[0108]
p
lit
＝s
dat
*p
uar
ꢀꢀꢀ
(28)；
[0109]
式中，p
lit
表示照明设施需求功率；s
dat
表示数据中心占地面积估 算值；p
uar
表示单位面积每平米的照明功率。
[0110]
(3)计算ups系统的效率损耗因素以及电池充电所需的额外功 率，如下式所示：
[0111]
p
los
＝p
piv
*k
los
ꢀꢀꢀ
(29)；
[0112]
式中，p
los
表示ups损耗功率；k
los
表示ups功率损耗因数；
[0113]
(4)计算满足电源需求的总功率，如下式所示：
[0114]
p
src
＝p
piv
p
lit
p
los
ꢀꢀꢀ
(30)；
[0115]
式中，p
src
电源需求总功率。
[0116]
(5)计算制冷系统的电源功率，如下式所示：
[0117]
p
ref
＝p
src
*k
col
ꢀꢀꢀ
(31)；
[0118]
式中，p
ref
表示制冷需求功率；k
col
表示冷却水系统效率。根据 已有大数据统计，计算并设定关键负载因数k
piv
因数为0.67，每平米 照明功率p
uar
为0.0215，ups功率损耗因数k
los
为0.32，冷却水系统 效率k
col
因数0.7。
[0119]
充分考虑需求侧响应下数据中心因不同季节温度影响下制冷负 荷的变化，设计环境温度低于10℃时关闭空调系统冷源，使用自然 冷源冷却，确定满足数据中心电源和制冷的需求总功率，如下式所示：
[0120][0121]
式中，p
tol
表示数据中心需求总功率，p
src
表示电源需求总功率， p
ref
表示制冷需求功率，temp表示环境温度。
[0122]
分场景计算数据中心负荷预测数值，绘制年负荷预测特性曲线。
[0123]
耦合数据中心和常规负荷预测的年特性曲线，考虑自然环境温度 影响，计算高弹性下耦合数据中心的分段负荷预测结果。
[0124]
本技术通过基准年负荷曲线，利用最小二乘法和多元微积分函数 建立基准年分
段回归分析模型，通过预测年最大负荷及基准年分段回 归分析模型，建立预测年分段回归分析模型，实现了高弹性下常规负 荷的动态预测；利用数据中心分类负荷预测法，分场景计算数据中心 各类设备的负荷预测，实现了考虑需求侧响应的数据中心负荷预测， 耦合数据中心及常规负荷预测的年特性曲线，确定区域内总负荷预测， 实现了高弹性下耦合数据中心的实时动态负荷预测。
[0125]
具体实施例三
[0126]
本发明一实施例提供的一种高弹性下耦合数据中心的分段负荷 预测终端设备，该实施例的终端设备包括：处理器、存储器以及存储 在所述存储器中并可在所述处理器上运行的计算机程序，例如分段回 归分析程序，所述处理器执行所述计算机程序时实现实施例1、2中 方法。
[0127]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元， 所述一个或多个模块/单元被存储在所述存储器中，并由所述处理器 执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特 定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程 序在所述高弹性下耦合数据中心的分段负荷预测终端设备中的执行 过程。例如，所述计算机程序可以被分割成多个模块，各模块具体功 能如下：
[0128]
1.最大负荷计算模块，用于计算预测年的年最大负荷；
[0129]
2.分段回归分析模块，用于建立基准年及预测年的分段回归分析 模型，预测动态负荷；
[0130]
3.分类负荷预测模块，用于计算数据中心各类设备的负荷预测。
[0131]
所述高弹性下耦合数据中心的分段负荷预测终端设备可以是桌 上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述高弹 性下耦合数据中心的分段负荷预测终端设备可包括，但不仅限于，处 理器、存储器。本领域技术人员可以理解，所述上述示例仅仅是所述 高弹性下耦合数据中心的分段负荷预测终端设备的示例，并不构成对 所述高弹性下耦合数据中心的分段负荷预测终端设备的限定，可以 包括比现有设备更多或更少的部件，或组合某些部件，或不同的部 件，例如所述高弹性下耦合数据中心的分段负荷预测终端设备还可 以包括输入输出设备、网络接入设备、总线等。
[0132]
所述处理器可以是中央处理单元(central processing unit， cpu),还可以是其他通用处理器、数据信号处理器 (digital signal processor，dsp)、专用集成电路 (application specific integrated circuit，asic)、现成可编 程门阵列(field-programmable gate array，fpga)或者其他可编 程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处 理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所 述处理器是所述一种高弹性下耦合数据中心的分段负荷预测终端设 备的控制中心，利用各种接口和线路连接整个一种高弹性下耦合数据 中心的分段负荷预测终端设备的各个部分。
[0133]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器 通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及 调用存储在存储器内的数据，实现所述一种高弹性下耦合数据中心的 分段负荷预测终端设备的各种功能。所述存储器可主要包括存储程序 区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能 所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据 区可存储根据手机的使用所
创建的数据(比如音频数据、电话本等) 等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失 性存储器，例如硬盘、内存、插接式硬盘，智能存储卡 (smart media card,smc)，安全数字(securedigital,sd)卡，闪 存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易 失性固态存储器件。
[0134]
具体实施例四
[0135]
所述一种高弹性下耦合数据中心的分段负荷预测终端设备集成 的模块/单元，如果以软件功能单元的形式实现并作为独立的产品销 售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的 理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过 计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一 计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上 述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代 码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行 文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所 述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、 磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、 随机存取存储器(ram，random access memory)、电载波信号、电 信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包 含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的 增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介 质不包括电载波信号和电信信号。
[0136]
本具体实施方式的实施例均为本发明的较佳实施例，并非依此限 制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等 效变化，均应涵盖于本发明的保护范围之内。