CN114519458A - 数据中心客户报装容量的预测方法及装置 - Google Patents
数据中心客户报装容量的预测方法及装置 Download PDFInfo
- Publication number
- CN114519458A CN114519458A CN202210109357.8A CN202210109357A CN114519458A CN 114519458 A CN114519458 A CN 114519458A CN 202210109357 A CN202210109357 A CN 202210109357A CN 114519458 A CN114519458 A CN 114519458A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- target period
- predicted value
- data center
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000009434 installation Methods 0.000 title claims abstract description 71
- 238000012216 screening Methods 0.000 claims abstract description 44
- 230000005611 electricity Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种数据中心客户报装容量的预测方法及装置,其中,该方法包括:通过在导入数据库的历史基本数据信息中筛选与用电量相关的输入特征;将输入特征输入预设的用电量预测模型,得到目标周期内的用电量预测值;用电量预测模型是基于历史内外部数据特征样本训练得到的;基于目标周期内的用电量预测值计算目标周期内的客户报装容量预测值。通过预设的用电量预测模型可以准确地预测未来时间段内的数据中心的用电量,并根据用电量预测值可以准确计算客户报装容量预测值。
Description
技术领域
本发明涉及电网营销领域,尤其涉及一种数据中心客户报装容量的预测方法及装置。
背景技术
随着数字产业化迅猛发展,多地大数据示范区初步建成,在线运营服务器规模持续扩大。数据中心项目的大规模增大,伴随着电网负荷和用电量的快速增长,对电网公司供电服务水平提出了更高的要求。对内急需提高公司供电服务水平,提高客户满意度,助力配网规划改造;对外为政府掌握数据中心投运和用能情况,实现科学管理与决策提供有力支撑,同时服务数据中心节能增效,提高经营水平。
传统的数据中心客户报装容量估算,主要通过人工或系统与人工结合方式计算,尚无形成体系化计算分析工具,计算结果准确度不高,存在计算结果偏小或过大等弊端,在应用时供电公司因报装容量过大、负载率较低,而导致电网资源浪费。
发明内容
本发明提供一种数据中心客户报装容量的预测方法及装置,用以解决现有技术中数据中心客户报装容量估计不准确的缺陷,可以实现对数据中心客户报装容量的精准预测。
第一方面,本发明提供了一种数据中心客户报装容量的预测方法,包括:在导入数据库的历史基本数据信息中筛选与用电量相关的输入特征;将所述输入特征输入预设的用电量预测模型,得到目标周期内的用电量预测值;所述用电量预测模型是基于历史内外部数据特征样本训练得到的;基于所述目标周期内的用电量预测值计算所述目标周期内的客户报装容量预测值。
进一步地,所述在导入数据库的历史基本数据信息中筛选与用电量相关的输入特征,包括:基于相关系数计算,在所述历史基本数据信息中筛选历史内外部数据特征;基于所述用电量预测模型,在所述历史内外部数据特征中筛选所述输入特征。
进一步地,所述基于相关系数计算,在所述历史基本数据信息中筛选历史内外部数据特征,包括:对所述历史基本数据信息进行预处理;基于所述相关系数计算,在经过预处理的历史基本数据中筛选所述历史内外部数据特征。
进一步地,所述基于所述用电量预测模型,在所述历史内外部数据特征中筛选所述输入特征之前,还包括:基于所述历史内外部数据特征和预设的算法,构建所述用电量预测模型。
进一步地,所述将所述输入特征输入预设的用电量预测模型,得到目标周期内的用电量预测值,包括:将所述输入特征输入所述用电量预测模型,得到所述目标周期内用电量的初步预测值;将所述初步预测值进行加权处理,得到所述目标周期内的用电量预测值。
进一步地,所述基于所述目标周期内的用电量预测值计算所述目标周期内的客户报装容量预测值,包括:基于所述目标周期内的用电量预测值和历史客户报装容量,计算所述目标周期内的负载率预测值;基于所述目标周期内的负载率预测值和所述目标周期内的用电量预测值,计算所述目标周期内的客户报装容量预测值。
第二方面,本发明还提供了一种数据中心客户报装容量的预测装置,包括:筛选模块,用于在导入数据库中的历史基本数据信息中筛选与用电量相关的输入特征;预测模块,用于将所述输入特征输入预设的用电量预测模型,得到目标周期内的用电量预测值;所述用电量预测模型是基于历史内外部数据特征样本训练得到的;计算模块,用于基于所述目标周期内的用电量预测值计算所述目标周期内的客户报装容量预测值。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述的数据中心客户报装容量的预测方法的步骤。
第四方面,本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述的数据中心客户报装容量的预测方法的步骤。
第五方面,本发明实施例还提供了一种计算机程序产品,其上存储有可执行指令,该指令被处理器执行时使处理器实现如第一方面所述的数据中心客户报装容量的预测方法的步骤。
本发明提供的数据中心客户报装容量的预测方法及装置,通过在导入数据库的历史基本数据信息中筛选与用电量相关的输入特征;将输入特征输入预设的用电量预测模型,得到目标周期内的用电量预测值;用电量预测模型是基于历史内外部数据特征样本训练得到的;基于目标周期内的用电量预测值计算目标周期内的客户报装容量预测值。通过预设的用电量预测模型可以准确地预测未来时间段内的数据中心的用电量,并根据用电量预测值可以准确计算客户报装容量预测值。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的数据中心客户报装容量的预测方法实施例的流程示意图;
图2为本发明提供的数据中心客户报装容量的预测方法中的输入特征的筛选方法实施例的流程示意图;
图3为本发明提供的数据中心客户报装容量的预测方法中的历史内外部数据特征的筛选方法实施例的流程示意图;
图4为本发明提供的数据中心客户报装容量的预测方法中的用电量预测方法实施例的流程示意图;
图5为本发明提供的数据中心客户报装容量的预测方法中的客户报装容量预测值的获取方法实施例的流程示意图;
图6为本发明提供的客户报装容量预测过程的流程示意图;
图7为本发明提供的数据中心客户报装容量的预测装置实施例的组成结构示意图;
图8示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明提供的数据中心客户报装容量的预测方法实施例的流程示意图。如图1所示,该数据中心客户报装容量的预测方法,可以包括以下步骤:
S101,在导入数据库中的历史基本数据信息中筛选与用电量相关的输入特征。
在步骤101中,历史基本数据信息可以包括:数据中心基本档案信息、数据中心历史用电量信息、数据中心负荷信息和数据中心负载率信息,本发明实施例对此不作限定。其中,数据中心基础档案信息可以包括地区、项目名称、客户编号、用电地点、电压等级、初期接电时间、现阶段报装容量、数据中心等级、运行服务器数量、规划服务器数量、数据中心用途、行业分类;数据中心历史用电量信息可以包括用户编号、日期、日电量;数据中心负荷信息包括:用户编号、电能表资产编号、日期、CT(电流变比)、PT(电压变比)、P1(每天0点15分时刻的负荷)、…、P96(每天24点时刻的负荷)。数据中心负载率信息包括:用户编号、日期、R1(每天0点15分时刻的负载率)、…、R96(每天24点时刻的负载率)。
与用电量相关的输入特征可以包括月份、上月用电量、去年同期用电量、用电量环比增长率、上上月用电量等,本发明实施例对此不作限定。
S102,将输入特征输入预设的用电量预测模型,得到目标周期内的用电量预测值;用电量预测模型是基于历史内外部数据特征样本训练得到的。
在步骤S102中,预设的用电量预测模型是基于不同的算法构建的。目标周期可以为一个月,或者也可以为一个季度,或者还可以为一年,本发明实施例对此不作限定。用电量预测值可以为月用电量预测值或者也可以为年用电量预测值,本发明实施例对此不作限定。
S103,基于目标周期内的用电量预测值计算目标周期内的客户报装容量预测值。
本发明提供的数据中心客户报装容量的预测方法,通过在导入数据库的历史基本数据信息中筛选与用电量相关的输入特征;将输入特征输入预设的用电量预测模型,得到目标周期内的用电量预测值;基于目标周期内的用电量预测值计算目标周期内的客户报装容量预测值。通过预设的用电量预测模型可以准确地预测未来时间段内的数据中心的用电量,并根据用电量预测值可以准确计算客户报装容量预测值。
图2为本发明提供数据中心客户报装容量的预测方法中的输入特征的筛选方法实施例的流程示意图。如图2所示,该数据中心客户报装容量的预测方法中的输入特征的筛选方法,可以包括以下步骤:
S201,基于相关系数计算,在历史基本数据信息中筛选历史内外部数据特征。
在步骤S201中,历史内外部数据特征可以为近3年内各月的内外部数据特征,内外部数据特征可以包括日期特征、统计衍生特征、气象特征和平移特征。其中,日期特征可以包括年、月、季节、是否节假日等;统计衍生特征可以包括月用电量差值、用电量平均值、用电量方差、同比增长率、环比增长率等;气象特征可以包括最高温度、最低温度、平均温度、天气类型等;平移特征可以包括上月用电量、上上月用电量、去年同期用电量等,本发明实施例对此不作限定。
可以通过Pearson相关系数计算,筛选出与用电量有较强相关关系的历史内外部数据特征,本发明实施例对此不作限定。Pearson相关系数比欧几里得距离更加复杂,可以判断特征之间相似度的一种方法。Pearson相关系数计算公式如公式1所示:
其中,PQ1与PQ为确定相似度关系的两个特征,假设上月用电量为PQ1、当月用电量为PQ,那么两特征间的Pearson相关系数可通过上述公式计算。
当Pearson相关系数为1时,表明上月用电量特征与当月用电量之间呈现完全正相关;当相关系数小于0时,表明上月用电量特征与当月用电量之间呈负相关关系;当相关系数为-1时,表明上月用电量特征与当月用电量之间呈完全负相关。即,相关系数绝对值越接近1,上月用电量特征与当月用电量之间的相关性越强。其他特征计算方式以此类推。
S202,基于用电量预测模型,在历史内外部数据特征中筛选输入特征。
在步骤S202中,将历史内外部数据特征输入用电量预测模型,经过用电量预测模型的分析历史内外部数据特征对用电量影响的重要程度,筛选出输入特征。
图3为本发明提供的数据中心客户报装容量的预测方法中的历史内外部数据特征的筛选方法实施例的流程示意图。如图3所示,该数据中心客户报装容量的预测方法中的历史内外部数据特征的筛选方法,可以包括以下步骤:
S301,对历史基本数据信息进行预处理。
在步骤301中,可以通过数据统计方法对历史基本数据信息中的数据进行数据转换,并对数据缺失值、异常值进行填充处理,具体包括:
1)缺失值和异常值数据观测。根据数据的业务含义和数据类型,对存在的明显的异常或者错误进行分析,对空值进行填充处理,并结合箱型图、折线图等方法识别数据的异常值,并进行前后均值填充处理。
2)数据完整性检验。主要检查所提供的数据表中所有业务字段是否均有数据,字段缺失情况等,如果存在缺失情况结合业务进行相应处理,如:均值填充、中位数填充、插补等。
3)业务准确性检验。根据业务逻辑和基础数据情况,判断涉及的业务逻辑字段数据是否准确。
4)数据有效性检验。检查所提供的数据的正负情况以及数据中是否有特殊字符、乱码、极大/小值、异常值等出现,如有特殊数据出现,需结合业务进行相应处理,使用标准编码的字段须有中文字段进行对照,以便更好的了解数据。
5)数据加工处理。对基础数据指标进行统计和观测,对存在的明显的问题进行核对和处理。
S302,基于相关系数计算,在经过预处理的历史基本数据中筛选历史内外部数据特征。
对步骤S302的说明详见步骤S201,在此不作赘述。
在一些可选的实施例中,基于用电量预测模型,在历史内外部数据特征中筛选输入特征之前,还可以包括:基于历史内外部数据特征和预设的算法,构建用电量预测模型。
其中,预设的算法可以分为时序类算法和集成类算法。时序类算法以挖掘用电量周期性及长期发展规律为目标的客观预测类算法,包括但不限于相似日预测法、ARIMA时间序列算法和趋势外推法等;集成类算法用电容量水平变化影响因素为基础的客观预测类算法,包括但不限于随机森林、XGBoost、LSTM神经网络等。基于多种不同的算法,构建包括多个算法模型在内的用电量预测模型。
图4为本发明提供的数据中心客户报装容量的预测方法中的用电量预测方法实施例的流程示意图。如图4所示,该数据中心客户报装容量的预测方法中的用电量预测方法,可以包括以下步骤:
S401,将输入特征输入用电量预测模型,得到目标周期内用电量的初步预测值。
在步骤S401中,将输入特征输入用电量预测模型时,可以得到用电量预测模型包括的多个算法模型的初步预测值。
S402,将初步预测值进行加权处理,得到目标周期内的用电量预测值。
在步骤S402中,基于公式2计算用电量预测模型包括的多个算法模型,如随机森林模型和XGBoost模型的初步预测值的权重,基于初步预测值的权重对初步预测值进行加权计算得到目标周期内的用电量预测值。
其中,wi表示第i种方法的权重,MAEi表示第i种方法的预测平均绝对误差。
通过不同用电量预测模型的初步预测值的加权融合,计算目标周期内的用电量预测值,进一步提高用电量预测值的准确性以及用电量预测模型的准确性与泛化能力。
图5为本发明提供的数据中心客户报装容量的预测方法中的客户报装容量预测值的获取方法实施例的流程示意图。如图5所示,该数据中心客户报装容量的预测方法中的客户报装容量预测值的获取方法,可以包括以下步骤:
S501,基于目标周期内的用电量预测值和历史客户报装容量,计算目标周期内的负载率预测值。
S502,基于目标周期内的负载率预测值和目标周期内的用电量预测值,计算目标周期内的客户报装容量预测值。
在步骤S501和步骤S502中,以月用电量为例说明负载率、月用电量和客户报装容量的关系,如公式3所示:
通过上述公式,可以根据目标周期内的月用电量预测值和历史客户报装容量可以计算目标周期内的负载率预测值;若计算得到的目标周期内的负载率预测值存在于预设的区间范围内,通过上述公式,可以根据目标周期内的负载率预测值和目标周期内的月用电量预测值计算目标周期内的客户报装容量预测值;若计算得到的目标周期内的负载率预测值不存在于预设的区间范围内,发出负载率预警,工作人员根据经验在预设的区间范围内选取适当的值作为负载率预测值,基于该负载率预测值和目标周期内的月用电量预测值计算目标周期内的客户报装容量预测值。
在一些可选的实施例中,基于目标周期内的用电量预测值计算目标周期内的客户报装容量预测值之后,还可以包括,评估用电量预测模型的准确率。可以采用MAPE、MAE、RMSE等方法评估预测模型的准确率,该过程可以包括:
根据用电量预测模型得到历史用电量预测值,在数据库中查找该历史用电量预测值对应的月用电量的真实值,根据公式4计算二者的平均绝对百分比误差。
其中,平均绝对百分比误差计算值范围为[0,+∞),当MAPE值越接近于0,用电量预测模型效果越好。
可选地,还可以根据公式5计算二者的平均绝对误差。
其中,平均绝对误差计算值范围为[0,+∞),当预测值与真实值越接近时,MAE值越接近于0,用电量预测模型效果越好。
可选地,还可以根据公式6计算二者的均方根误差。
其中,均方根误差计算值范围为[0,+∞),当预测值与真实值越接近时,RMSE值越接近于0,用电量预测模型效果越好。
在一些可选的实施例中,可以按一定周期(如:月)调用用电量预测模型预测数据中心未来一年的月用电量,并折算为负载率,根据负载率的变化趋势,辅助电网企业提前规划,合理建设配套电网工程,解决因报装容量过大、负载率较低而导致的电网资源浪费问题。
在一些可选的实施例中,以数据中心客户报装容量预测值为基础,结合数据中心月均电量增长趋势、平均负荷曲线形态,通过长期发展趋势研判、负载率自动预警、合理容量区间自动推荐、容量优化决策自动建议,分布开展数据中心发展趋势分析。具体如下:
(1)数据中心台变设备负载率长期发展趋势研判
结合数据中心当前客户报装容量和未来两年客户报装容量预测值,以及数据中心月均电量增长趋势、平均负荷曲线形态,对数据中心未来两年台变设备负载率水平发展趋势进行研判,研判过程可以分为3个步骤:
1)基于客户报装容量和客户报装容量预测值,计算数据中心未来两年台变设备负载率预期结果;
2)结合数据中心均电量增长趋势、平均负荷曲线形态,对未来两年台变设备负载率预期结果进行调整;
3)分年度、季度、月度三种时间周期,对数据中心未来两年台变设备负载率发展趋势进行研判。
(2)数据中心台变设备负载率自动预警
通过设置数据中心台变设备负载率超限预警阈值,通过对比数据中心未来两年台变设备负载率发展趋势,实现负载率超限自动预警,预警结果主要包括以下内容:
负载率超限时间节点:针对数据中心下某台变设备未来两年超负荷运行的预计时间节点;
负载率超限严重程度:针对数据中心下某台变设备未来两年超负荷运行的预计严重程度。
(3)数据中心台变设备合理容量区间自动推荐
针对数据中心台变设备负载率超限预警的台区,结合超限时间节点、严重程度,通过大数据手段,自动推荐台变设备合理容量区间,推荐结果包括以下内容:
合理区间上限:针对数据中心下某台变设备未来两年的容量建议值,建议台变设备容量不超过上述建议水平;
合理区间下限:针对数据中心下某台变设备未来两年的容量建议值,建议台变设备容量不低于上述建议水平;
建议整改时间:针对数据中心下某台变设备容量优化的建议时间节点,建议台变设备容量优化不晚于上述时间。
(4)数据中心台变设备容量优化决策自动建议
结合数据中心台变设备负载率自动预警及合理容量区间自动推荐结果,通过数据分析手段,为台变设备增容/改造等业务决策提供自动化建议,自动化建议包括以下内容:
容量优化建议:针对数据中心下某台变设备未来两年负载率超限时间节点、负载率超限严重程度、合理区间上下限与当前额定容量的偏差水平,为台变设备增容、设备改造等业务开展提供自动建议;
容量优化优先级:针对数据中心下某台变设备未来两年负载率超限时间节点、负载率超限严重程度、合理区间上下限与当前额定容量的偏差水平,为台变设备容量优化进行优先级自动排序。
图6为本发明提供的客户报装容量预测过程的流程示意图。如图6所示,该过程可以包括:数据特征筛选、数据中心客户报装容量预测模型的构建和数据中心发展趋势分析。其中,数据特征筛选可以包括数据导入、数据处理和特征筛选;用电量预测模型的构建可以包括客观预测算法技术体系的构建、内外部数据计算、用电量预测模型优化及迭代、用电量预测模型的预测效果评估和客户报装容量的自动预测;数据中心发展趋势分析可以包括数据中心台变设备负载率长期发展趋势研判、数据中心台变设备负载率自动预警、数据中心台变设备合理容量区间自动推荐和数据中心台变设备容量优化决策自动建议。
图7为本发明提供的数据中心客户报装容量的预测装置实施例的组成结构示意图。如图7所示,该数据中心客户报装容量的预测装置,包括:
筛选模块701,用于在导入数据库中的历史基本数据信息中筛选与用电量相关的输入特征;
预测模块702,用于将输入特征输入预设的用电量预测模型,得到目标周期内的用电量预测值;用电量预测模型是基于历史内外部数据特征样本训练得到的;
计算模块703,用于基于目标周期内的用电量预测值计算目标周期内的客户报装容量预测值。
可选地,筛选模块701,包括:
第一筛选单元,用于基于相关系数计算,在历史基本数据信息中筛选历史内外部数据特征;
第二筛选单元,用于基于用电量预测模型,在历史内外部数据特征中筛选输入特征。
可选地,第一筛选单元,包括:
预处理子单元,用于对历史基本数据信息进行预处理;
筛选子单元,用于基于相关系数计算,在经过预处理的历史基本数据中筛选历史内外部数据特征。
可选地,该数据中心客户报装容量的预测装置,还包括:
构建模块,用于基于历史内外部数据特征和预设的算法,构建用电量预测模型。
可选地,预测模块702,包括:
输入单元,用于将输入特征输入用电量预测模型,得到目标周期内用电量的初步预测值;
预测单元,用于将初步预测值进行加权处理,得到目标周期内的用电量预测值。
可选地,计算模块703,包括:
第一计算单元,用于基于目标周期内的用电量预测值和历史客户报装容量,计算目标周期内的负载率预测值;
第一计算单元,用于基于目标周期内的负载率预测值和目标周期内的用电量预测值,计算目标周期内的客户报装容量预测值。
图8示例了一种电子设备的实体结构示意图,如图8示,该电子设备可以包括:处理器(processor)801、通信接口(CommunicationsInterface)802、存储器(memory)8 03和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信。处理器801可以调用存储器803中的逻辑指令,以执行如下数据中心客户报装容量的预测方法:
在导入数据库的历史基本数据信息中筛选与用电量相关的输入特征;将输入特征输入预设的用电量预测模型,得到目标周期内的用电量预测值;用电量预测模型是基于历史内外部数据特征样本训练得到的;基于目标周期内的用电量预测值计算目标周期内的客户报装容量预测值。
此外,上述的存储器803中的逻辑指令可以通过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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各实施例提供的数据中心客户报装容量的预测方法:
在导入数据库的历史基本数据信息中筛选与用电量相关的输入特征;将输入特征输入预设的用电量预测模型,得到目标周期内的用电量预测值;用电量预测模型是基于历史内外部数据特征样本训练得到的;基于目标周期内的用电量预测值计算目标周期内的客户报装容量预测值。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的数据中心客户报装容量的预测方法:
在导入数据库的历史基本数据信息中筛选与用电量相关的输入特征;将输入特征输入预设的用电量预测模型,得到目标周期内的用电量预测值;用电量预测模型是基于历史内外部数据特征样本训练得到的;基于目标周期内的用电量预测值计算目标周期内的客户报装容量预测值。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是分开的,作为模块显示的部件可以是或者也可以不是第二模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分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各实施例技术方案的精神和范围。
Claims (10)
1.一种数据中心客户报装容量的预测方法,其特征在于,包括:
在导入数据库的历史基本数据信息中筛选与用电量相关的输入特征;
将所述输入特征输入预设的用电量预测模型,得到目标周期内的用电量预测值;所述用电量预测模型是基于历史内外部数据特征样本训练得到的;
基于所述目标周期内的用电量预测值计算所述目标周期内的客户报装容量预测值。
2.根据权利要求1所述的数据中心客户报装容量的预测方法,其特征在于,所述在导入数据库的历史基本数据信息中筛选与用电量相关的输入特征,包括:
基于相关系数计算,在所述历史基本数据信息中筛选历史内外部数据特征;
基于所述用电量预测模型,在所述历史内外部数据特征中筛选所述输入特征。
3.根据权利要求2所述的数据中心客户报装容量的预测方法,其特征在于,所述基于相关系数计算,在所述历史基本数据信息中筛选历史内外部数据特征,包括:
对所述历史基本数据信息进行预处理;
基于所述相关系数计算,在经过预处理的历史基本数据中筛选所述历史内外部数据特征。
4.根据权利要求2所述的数据中心客户报装容量的预测方法,其特征在于,所述基于所述用电量预测模型,在所述历史内外部数据特征中筛选所述输入特征之前,还包括:
基于所述历史内外部数据特征和预设的算法,构建所述用电量预测模型。
5.根据权利要求1所述的数据中心客户报装容量的预测方法,其特征在于,所述将所述输入特征输入预设的用电量预测模型,得到目标周期内的用电量预测值,包括:
将所述输入特征输入所述用电量预测模型,得到所述目标周期内用电量的初步预测值;
将所述初步预测值进行加权处理,得到所述目标周期内的用电量预测值。
6.根据权利要求1所述的数据中心客户报装容量的预测方法,其特征在于,所述基于所述目标周期内的用电量预测值计算所述目标周期内的客户报装容量预测值,包括:
基于所述目标周期内的用电量预测值和历史客户报装容量,计算所述目标周期内的负载率预测值;
基于所述目标周期内的负载率预测值和所述目标周期内的用电量预测值,计算所述目标周期内的客户报装容量预测值。
7.一种数据中心客户报装容量的预测装置,其特征在于,包括:
筛选模块,用于在导入数据库中的历史基本数据信息中筛选与用电量相关的输入特征;
预测模块,用于将所述输入特征输入预设的用电量预测模型,得到目标周期内的用电量预测值;所述用电量预测模型是基于历史内外部数据特征样本训练得到的;
计算模块,用于基于所述目标周期内的用电量预测值计算所述目标周期内的客户报装容量预测值。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~6任一项所述的数据中心客户报装容量的预测方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~6任一项所述的数据中心客户报装容量的预测方法的步骤。
10.一种计算机程序产品,其上存储有可执行指令,其特征在于,该指令被处理器执行时使处理器实现如权利要求1~6任一项所述的数据中心客户报装容量的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210109357.8A CN114519458A (zh) | 2022-01-28 | 2022-01-28 | 数据中心客户报装容量的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210109357.8A CN114519458A (zh) | 2022-01-28 | 2022-01-28 | 数据中心客户报装容量的预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114519458A true CN114519458A (zh) | 2022-05-20 |
Family
ID=81596461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210109357.8A Pending CN114519458A (zh) | 2022-01-28 | 2022-01-28 | 数据中心客户报装容量的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114519458A (zh) |
-
2022
- 2022-01-28 CN CN202210109357.8A patent/CN114519458A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nepal et al. | Electricity load forecasting using clustering and ARIMA model for energy management in buildings | |
US11876374B2 (en) | System and method for optimal control of energy storage system | |
Hong et al. | Probabilistic electric load forecasting: A tutorial review | |
Qi et al. | Joint planning of energy storage and transmission for wind energy generation | |
CN109165763B (zh) | 一种电网客服工单的潜在被投诉的评估方法及装置 | |
CN105678398A (zh) | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 | |
CN111210093B (zh) | 基于大数据的日用水量预测方法 | |
CN109858783B (zh) | 风电场电力交易辅助决策支持系统及辅助决策支持方法 | |
Mureddu et al. | Green power grids: How energy from renewable sources affects networks and markets | |
Zhu et al. | Short‐Term Electricity Consumption Forecasting Based on the EMD‐Fbprophet‐LSTM Method | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
CN112288172A (zh) | 台区线损率的预测方法、装置 | |
CN110807508B (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
Hodge et al. | Examining information entropy approaches as wind power forecasting performance metrics | |
CN116611785A (zh) | 一种基于大数据的输变电工程造价模型构建方法、系统、设备及介质 | |
US20200051182A1 (en) | Dynamic energy consumption and harvesting with feedback | |
CN114519458A (zh) | 数据中心客户报装容量的预测方法及装置 | |
Liao et al. | Deep learning time pattern attention mechanism-based short-term load forecasting method | |
CN113743994A (zh) | 一种供应商的旺季预测方法、系统、设备及存储介质 | |
CN114282881A (zh) | 折旧测算方法、装置、存储介质及计算机设备 | |
Nepal et al. | A Hybrid Model of Clustering and Neural Network Using Weather Conditions for Energy Management in Buildings | |
CN111915082B (zh) | 一种预测方法、装置、存储介质及设备 | |
Zhao et al. | Regional photovoltaic installed capacity forecasting based on granger causality test and grey support vector machine | |
Dai et al. | Forecasting Method of Power Consumption Information for Power Users Based on Cloud Computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |