本发明属于算力中心功耗预测，特别涉及一种算力中心分级功耗概率预测方法及装置。
背景技术：
1、ai技术革命正引发新型算力需求的爆炸式增长，其高能耗和波动性给能源供应带来了巨大压力，未来电力与算力协同发展已经成为一种趋势。因此，需要深入算力中心运行实际，通过深入挖掘并利用承载着底层算力基础设施功能的算力中心中的各部分灵活性，从柔性负荷角度推动电力与算力协同。在此过程中，进行算力中心的功耗概率预测，是在保障算力中心用能可靠性要求的前提下，利用其灵活性为电网提供调节能力支撑的关键技术。
2、现有关于算力中心功耗预测方法方面，主要包括两类：1)第一类主要涉及：业务需求和资源预测、某业务的功耗需求预测、以及在此基础上的服务器功耗预测等，这类方法主要服务于任务和算力的编排与调度，从而提高资源利用率，并减少机房内热点的出现。比如：已有专利申请号cn202410007785.9、发明名称为“一种基于数据中心在线服务周期性特征的资源预测方法”的中国专利申请，提出了一种根据海量日志中的在线服务信息，预测出具有周期性的在线服务在未来时刻的资源使用的方法。2)第二类主要涉及：基于能耗参数历史数据的功耗预测，这类方法主要服务于设备管理与能源采购管理。比如：已有专利申请号cn202111048836.5、发明名称为“一种基于混合模型预测的数据中心站多元负荷预测方法”的中国专利申请，提出了一种根据冷负荷、热负荷、电负荷、光强、风速、湿度、气压和日期的历史数据，获得算力中心的冷负荷、热负荷、电负荷预测值的方法。然而，这两类方法无法用于在利用算力中心灵活性的场景中，主要原因包括：(1)这两类方法主要是功率点预测，而非概率预测，因而无法量化不确定性，从而无法用于利用其灵活性时的算力中心用能可靠性评估；(2)这两类方法的预测结果与算力中心的灵活性单元并不匹配，因而无法直接用于其各部分灵活性的评估与利用中。
技术实现思路
1、本发明的目的是为克服已有技术的不足之处，提出一种算力中心分级功耗概率预测方法及装置。本发明在算力中心各级别的功耗概率预测中，同一个级别通过已有预测技术划分不同预测方式，可以充分考虑算力中心中各用能单元在已有预测技术方面的差异性，并可以充分利用已有预测技术；实现在保障算力中心用能可靠性要求的前提下，利用其灵活性为电网提供调节能力。
2、本发明第一方面实施例提出一种算力中心分级功耗概率预测方法，包括：
3、基于灵活性，将算力中心用能单元划分为多个级别；
4、获取各级别下各用能单元的数据，包括：相关历史数据、相关性能数据和相关归属信息数据；
5、基于所述各级别下各用能单元的数据，建立各用能单元的功耗概率预测模型，以获得该用能单元的功耗概率预测结果；其中：
6、若存在任一用能单元已有功率点预测模型、但无功耗概率预测模型，则通过估计点预测的预测误差的概率分布，建立该用能单元的功耗概率预测模型；
7、若存在任一用能单元无功率点预测模型、且无功耗概率预测模型，则基于集成学习建立该用能单元的功耗概率预测模型；
8、若存在任一用能单元已有功耗概率预测模型，则采用该已有功耗概率预测模型。
9、在本发明的一个具体实施例中，所述将算力中心用能单元划分为多个级别，从下至上依次包括：服务器级别、机柜级别、列头柜级别、包间级别、层级别、楼级别、以及园区级别。
10、在本发明的一个具体实施例中，所述相关历史数据包括：各用能单元以及其所覆盖的所有下层级别用能单元的历史监测数据；
11、所述性能数据包括：各用能单元以及其所覆盖的所有下层级别用能单元的性能数据；
12、所述相关归属信息数据包括：各用能单元以及其所覆盖的所有下层级别用能单元的所有权和使用权信息数据。
13、在本发明的一个具体实施例中，所述方法还包括：
14、若存在任一列头柜，已有功率点预测模型、但无功耗概率预测模型，则采用基于高斯核密度函数的概率密度估计方法，基于该列头柜的功率点预测模型，建立该列头柜的功耗概率预测模型；具体步骤如下：
15、1)建立该列头柜的点预测误差样本序列e1,e2,…en；其中，
16、
17、式中，et为该列头柜功率在时刻t的点预测误差，t＝1,2,…,n，n是样本数量；yt为该列头柜在时刻t的实际功率；为该列头柜在时刻t的预测功率；
18、2)建立点预测误差的概率密度：
19、
20、式中，为在任一点预测误差e处的概率密度估计值；l是核密度函数中的带宽，σ为样本的标准差；
21、3)获得该列头柜的功耗概率预测模型：
22、对于已有功率点预测模型下的任一时刻的预测功率点，在误差e处的概率密度值如式(2)所示；该功率点预测模型和点预测误差的概率密度及构成该列头柜的功耗概率预测模型。
23、在本发明的一个具体实施例中，所述方法还包括：
24、1)若存在任一列头柜无功率点预测模型、且无功耗概率预测模型，则采用arima模型、sarima模型、exponential smoothing模型、prophe模型、lstm模型、bpnn模型、svm模型为基学习器，基于boosting集成方法，建立该列头柜的集成学习功率点预测模型，表达式如下：
25、
26、式中，μk为第k个基学习器在该列头柜集成学习功率点预测模型中的权重；为第k个基学习器模型对时刻t的列头柜功率的预测值；为列头柜集成学习功率点预测模型对时刻t的列头柜功率的预测值；
27、2)基于步骤1)建立的功率点预测模型，采用基于高斯核密度函数的概率密度估计方法，建立点预测误差的概率密度，该功率点预测模型和点预测误差的概率密度及构成该列头柜的功耗概率预测模型。
28、本发明第二方面实施例提出一种算力中心分级功耗概率预测装置，包括：
29、分级模块，用于基于灵活性，将算力中心用能单元划分为多个级别；
30、数据获取模块，用于获取各级别下各用能单元的数据，包括：相关历史数据、相关性能数据和相关归属信息数据；
31、功耗概率预测模块，用于基于所述各级别下各用能单元的数据，建立各用能单元的功耗概率预测模型，以获得该用能单元的功耗概率预测结果；其中：
32、若存在任一用能单元已有功率点预测模型、但无功耗概率预测模型，则通过估计点预测的预测误差的概率分布，建立该用能单元的功耗概率预测模型；
33、若存在任一用能单元无功率点预测模型、且无功耗概率预测模型，则基于集成学习建立该用能单元的功耗概率预测模型；
34、若存在任一用能单元已有功耗概率预测模型，则采用该已有功耗概率预测模型。
35、在本发明的一个具体实施例中，所述将算力中心用能单元划分为多个级别，从下至上依次包括：服务器级别、机柜级别、列头柜级别、包间级别、层级别、楼级别、以及园区级别。
36、在本发明的一个具体实施例中，所述相关历史数据包括：各用能单元以及其所覆盖的所有下层级别用能单元的历史监测数据；
37、所述性能数据包括：各用能单元以及其所覆盖的所有下层级别用能单元的性能数据；
38、所述相关归属信息数据包括：各用能单元以及其所覆盖的所有下层级别用能单元的所有权和使用权信息数据。
39、在本发明的一个具体实施例中，还包括：
40、若存在任一列头柜，已有功率点预测模型、但无功耗概率预测模型，则采用基于高斯核密度函数的概率密度估计方法，基于该列头柜的功率点预测模型，建立该列头柜的功耗概率预测模型；具体步骤如下：
41、1)建立该列头柜的点预测误差样本序列e1,e2,…en；其中，
42、
43、式中，et为该列头柜功率在时刻t的点预测误差，t＝1,2,…,n，n是样本数量；yt为该列头柜在时刻t的实际功率；为该列头柜在时刻t的预测功率；
44、2)建立点预测误差的概率密度：
45、
46、式中，为在任一点预测误差e处的概率密度估计值；l是核密度函数中的带宽，σ为样本的标准差；
47、3)获得该列头柜的功耗概率预测模型：
48、对于已有功率点预测模型下的任一时刻的预测功率点，在误差e处的概率密度值如式(2)所示；该功率点预测模型和点预测误差的概率密度及构成该列头柜的功耗概率预测模型。
49、在本发明的一个具体实施例中，还包括：
50、1)若存在任一列头柜无功率点预测模型、且无功耗概率预测模型，则采用arima模型、sarima模型、exponential smoothing模型、prophe模型、lstm模型、bpnn模型、svm模型为基学习器，基于boosting集成方法，建立该列头柜的集成学习功率点预测模型，表达式如下：
51、
52、式中，μk为第k个基学习器在该列头柜集成学习功率点预测模型中的权重；为第k个基学习器模型对时刻t的列头柜功率的预测值；为列头柜集成学习功率点预测模型对时刻t的列头柜功率的预测值；
53、2)基于步骤1)建立的功率点预测模型，采用基于高斯核密度函数的概率密度估计方法，建立点预测误差的概率密度，该功率点预测模型和点预测误差的概率密度及构成该列头柜的功耗概率预测模型。
54、本发明第三方面实施例提出一种电子设备，包括：
55、至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
56、其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述一种算力中心分级功耗概率预测方法。
57、本发明第四方面实施例提出一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述一种算力中心分级功耗概率预测方法。
58、本发明的特点及有益效果：
59、1)本发明通过算力中心的灵活性划分进行算力中心的分级功耗预测，预测结果可直接用于算力中心中各部分灵活性的评估与利用；
60、2)本发明中，算力中心中各级别的功耗预测均为概率预测，因而可以量化不确定性，从而可以用于利用各部分灵活性时的算力中心用能可靠性评估，最终支撑实现在保障算力中心用能可靠性要求的前提下，利用其灵活性为电网提供调节能力；
61、3)本发明中，在算力中心各级别的功耗概率预测中，同一个级别通过已有预测技术划分不同预测方式，可以充分考虑算力中心中各用能单元在已有预测技术方面的差异性，并可以充分利用已有预测技术。因而，本发明具有较强的普适性，可适用于不同类型和预测水平的算力中心整体或局部。
1.一种算力中心分级功耗概率预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述将算力中心用能单元划分为多个级别，从下至上依次包括：服务器级别、机柜级别、列头柜级别、包间级别、层级别、楼级别、以及园区级别。
3.根据权利要求2所述的方法，其特征在于，所述相关历史数据包括：各用能单元以及其所覆盖的所有下层级别用能单元的历史监测数据；
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.一种算力中心分级功耗概率预测装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述将算力中心用能单元划分为多个级别，从下至上依次包括：服务器级别、机柜级别、列头柜级别、包间级别、层级别、楼级别、以及园区级别。
8.根据权利要求7所述的装置，其特征在于，所述相关历史数据包括：各用能单元以及其所覆盖的所有下层级别用能单元的历史监测数据；
9.根据权利要求7所述的装置，其特征在于，所述方法还包括：
10.根据权利要求9所述的装置，其特征在于，所述方法还包括：
