法律状态公告日
法律状态信息
法律状态
2022-06-28
公开
发明专利申请公布
技术领域
本发明属于智能电网领域技术领域，尤其涉及一种电力专用芯片能耗预测方法、装置和计算机设备。
背景技术
电力专用芯片被广泛应用于电力企业的核心处理器以及微控制中，其是电力系统的核心硬件设备之一，发挥这至关重要的处理作用和控制作用。对电力专用芯片能耗的预测，主要是通过采集历史能耗数据，并结合相关算法来对能耗进行科学预测。近年来，新型硬件设备的使用导致了电力系统的工作异常，传统的能耗预测方法将不能有效预测芯片的能耗，这也使得电力企业不能有效应对芯片的突发能耗问题，无法保证电力系统的稳定运行。
发明内容
本发明要解决的技术问题：提供一种电力专用芯片能耗预测方法、装置和计算机设备，以解决对电力专用芯片能耗的预测方法不能有效预测芯片的能耗，使得电力企业不能有效应对芯片的突发能耗问题，无法保证电力系统的稳定运行等技术问题。
本发明技术方案：
一种电力专用芯片能耗预测方法，其特征在于：所述方法包括：
S1、确定电力专用芯片的目标能耗数据；
S2、以引入非线性收敛因子α的鲸鱼算法为基础，构建与电力专用芯片的架构相适应的能耗预测模型；非线性收敛因子α的表达式为：
α＝α
式(1)中，α
S3、根据能耗预测模型对目标能耗数据进行处理，得到相应的能耗预测结果。
所述确定电力专用芯片的目标能耗数据，包括：
S11、获取电力专用芯片的初始能耗数据，并按照预设的预处理方式对初始能耗数据进行处理，得到相应的预处理数据；预处理方式包括纵横对比方式、统一化处理方式、以及降噪处理方式中的至少一种；
S12、基于得到的预处理数据，确定目标能耗数据。
所述电力专用芯片包括三层架构，
第一层架构包括AXI总线；AXI总线上设有动态存储器、以及数字信号处理器中的至少一种；
第二层架构包括连接到所述AXI总线的AHB总线；AHB总线上设有指令接口、以及中断控制器中的至少一种；
第三层架构包括连接到AHB总线的APB总线；APB总线上设有计时器、串口、控制器以及执行模块中的至少一种。
所述根据能耗预测模型对目标能耗数据进行处理，得到相应的能耗预测结果，包括：
S31、当前迭代过程中，在根据能耗预测模型对目标能耗数据进行处理时，基于鲸群的最优寻解方式，通过下述公式对电力专用芯片的能耗进行预测，得到相应的第一能耗预测值：
式(2)中，f为得到的能耗预测值，N为目标能耗数据的采集样本数量，x
S32、在进入下次迭代时，根据模型的最大适应性权重、以及最小适应性权重，更新能耗预测模型的权重、以及重新分配鲸群的位置信息，并基于对应更新得到的能耗预测模型重新进行能耗预测，得到相应的第二能耗预测值；
S33、当确定第一能耗预测值和第二能耗预测值相匹配时，输出相应的能耗预测结果。
步骤S31之前，所述方法还包括：
初始化模型参数，以及随机分布鲸鱼；其中：
所述模型参数包括鲸鱼群的移动范围、鲸鱼数量、模型的最大数据迭代数量、最大适应性权重以及最小适应性权重中的至少一种；
每一个鲸鱼的分布位置信息均分别对应一个标准核函数，标准核函数用于校正模型的计算误差，以保证预测结构的准确性。
步骤S32所述根据模型的最大适应性权重、以及最小适应性权重，调整所述能耗预测模型的权重，包括：
S321、根据自适应权重计算法，通过下述公式调整能耗预测模型的权重w：
w＝w
式中，w
一种电力专用芯片能耗预测装置，所述装置包括数据获取模块、模型构建模块以及能耗预测模块，其中：
数据获取模块，用于确定电力专用芯片的目标能耗数据；
模型构建模块，用于以引入非线性收敛因子α的鲸鱼算法为基础，构建与所述电力专用芯片的架构相适应的能耗预测模型；其中，所述非线性收敛因子α的表达式为：
α＝α
式(1)中，α
能耗预测模块，用于根据所述能耗预测模型对所述目标能耗数据进行处理，得到相应的能耗预测结果。
所述数据获取模块还用于获取电力专用芯片的初始能耗数据，并按照预设的预处理方式对所述初始能耗数据进行处理，得到相应的预处理数据；所述预处理方式包括纵横对比方式、统一化处理方式、以及降噪处理方式中的至少一种；基于得到的预处理数据，确定目标能耗数据。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
本发明的有益效果：
本发明通过以引入非线性收敛因子的鲸鱼算法为基础，构建电力专用芯片的能耗预测模型，在使得非线性收敛因子的数值越大、收敛越缓慢的情况下，能够扩大能耗预测模型的可搜索范围，提高了模型的全局搜索性。且随着目标能耗数据迭代次数的增加，使得非线性收敛因子在数值上呈下降趋势。这也将使得能耗预测模型的预测效率更快，相比于现有技术，本申请具有较高的预测准确率和稳定性，能够有效降低芯片能耗预测的难度，为电力系统的电力调配提供理论数据支持。解决了现有技术的电力专用芯片能耗的预测方法不能有效预测芯片的能耗，使得电力企业不能有效应对芯片的突发能耗问题，无法保证电力系统的稳定运行等技术问题。
附图说明
图1是本发明的一个实施例中的一种电力专用芯片能耗预测方法的流程图；
图2是本发明的一个实施例中座头鲸的觅食流程图；
图3为本发明的一个实施例中电力专用芯片的主题架构示意图；
图4为本发明的一个实施例中对电力专用芯片进行能耗预测的详细流程示意图；
图5为本发明的一个实施例中本申请的预测方法与传统的基于任务调度的电力专用芯片能耗预测、以及基于最小二乘支持向量机的电力专用芯片能耗预测方法的预测精确度对比示意图；
图6为本发明的一个实施例中本申请的预测方法与传统的基于任务调度的电力专用芯片能耗预测、以及基于最小二乘支持向量机的电力专用芯片能耗预测方法的预测误差率对比示意图；
图7为本发明的一个实施例中本申请的预测方法与传统的基于任务调度的电力专用芯片能耗预测、以及基于最小二乘支持向量机的电力专用芯片能耗预测方法的预测稳定性对比示意图；
图8是本发明的一个实施例中的一种电力专用芯片能耗预测装置的系统结构图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
在本发明的一个或多个实施例中，如图1所示，提供了的一种电力专用芯片能耗预测方法，以该方法应用于计算机设备(该计算机设备具体可以是终端或服务器，终端具体可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群)为例进行说明，包括以下步骤：
S1、确定电力专用芯片的目标能耗数据。
具体的，计算机设备连接到能耗数据采集设备，并获取电力专用芯片的初始能耗数据。由于受到电力专用芯片工作环境、以及能耗数据采集设备的影响，初始能耗数据往往存在数据缺失、噪声干扰等问题，这一问题不仅会增加能耗预测的工作量，也容易造成预测结果不准确的现象的发生。因此，在利用后续构建的能耗预测模型，对计算机设备获取到的能耗数据进行处理之前，需要对初始能耗数据进行预处理，以避免上述问题的发生。需要说明的时，计算机设备采用的预处理方式，可以灵活设置，例如，在一个实施例中，在确定存在噪声干扰时，则采用移动平均算法对能耗数据进行降噪处理，本申请实施例对预处理方式不做限定。
在其中一个实施例中，目标能耗数据包括各种能够反映能源消耗量的数据指标，例如，单位时间内的耗电量等，本申请实施例对此不做限定。
S2、以引入非线性收敛因子α的鲸鱼算法为基础，构建与电力专用芯片的架构相适应的能耗预测模型；其中，非线性收敛因子α的表达式为：
α＝α
式(1)中，α
在一个方面，需要说明的是，鲸鱼算法是一种以座头鲸觅食方式为原型的搜索算法，其中，座头鲸的觅食行为包含猎物圈记、捕猎实施以及随机捕食等。其包含的算法流程包括：座头鲸群对某一目标猎物群进行标记，并通知其他鲸群成员协同包围猎物，鲸群在包围和捕猎猎物过程中沿螺旋路径移动，通过不断更新鲸群的位置信息寻求最优捕食猎物，其中，可以参考图2进行理解，本申请实施例对此不做过多说明。
然而，传统的鲸鱼算法在寻找最优解过程中具有一定局限性，不能较好的呈现最优解寻找过程。因此，本申请实施例在传统的鲸鱼算法的基础上，针对电力专用芯片的结构特性，引入非线性收敛因子α对传统的鲸鱼算法进行改进，构建基于改进鲸鱼算法的能耗预测模型，依次实现对电力专用芯片能耗预测的最优寻解。
在另一个方面，需要说明的是，在进行初期电力专用芯片能耗预测时，非线性收敛因子α的数值越大、则模型收敛越缓慢，预测模型的可搜索范围越广泛，全局搜索性更强。且随着能耗数据迭代次数的增加，收敛因子α在数值上呈下降趋势，随之，模型的预测效率更快。
S3、根据能耗预测模型对目标能耗数据进行处理，得到相应的能耗预测结果。
具体的，在相应迭代过程中，计算机设备可以直接输出当前迭代过程中，得到的能耗预测结果。又或者是，为了保证输出结果的准确度，计算机设备可以基于当前、以及前一次迭代中计算得到的能耗预测结果，进一步在保证当前迭代过程中得到的能耗预测结果的准确度的情况下，进行结果输出。具体的实施方式，可以参考图3，由于后续会对图3进行展开说明，在此，本申请实施例不做过多说明。
上述电力专用芯片能耗预测方法，通过以引入非线性收敛因子的鲸鱼算法为基础，构建电力专用芯片的能耗预测模型，在使得非线性收敛因子的数值越大、收敛越缓慢的情况下，能够扩大能耗预测模型的可搜索范围，提高了模型的全局搜索性。且随着目标能耗数据迭代次数的增加，使得非线性收敛因子在数值上呈下降趋势。这也将使得能耗预测模型的预测效率更快，相比于现有技术，本申请具有较高的预测准确率和稳定性，能够有效降低芯片能耗预测的难度，为电力系统的电力调配提供理论数据支持。
在本发明的一个或多个实施例中，步骤S1中，确定电力专用芯片的目标能耗数据，包括：
S11、获取电力专用芯片的初始能耗数据，并按照预设的预处理方式对初始能耗数据进行处理，得到相应的预处理数据；预处理方式包括纵横对比方式、统一化处理方式、以及降噪处理方式中的至少一种。
具体的，计算机设备通过纵横对比方式，以消除初始能耗数据中的冗余数据，并且在消除冗余数据之后，选择性的进行数据统一化处理，在一个实施例中，可以参考以下公式进行数据统一化处理：
其中，h
基于上述的实施例，在完成统一化处理之后，考虑到噪声干扰问题，当前实施例中，计算机设备采用移动平均算法，对统一化处理得到的能耗数据h
S12、基于得到的预处理数据，确定目标能耗数据。
具体的，当前实施例中，计算机设备将基于步骤S11得到的预处理数据作为目标能耗数据，并将该目标能耗数据输入到已构建的能耗预测模型中，由该能耗预测模型对目标能耗数据进行处理，以实现对电力专用芯片的能耗的预测。
上述实施例中，在进行能耗预测之前，对获取到的能耗数据进行预处理，避免了噪声干扰、以及数据缺失的问题，提高了预测结果的准确度，满足了电力企业的应用需求。
在本发明的一个或多个实施例中，步骤S2中，电力专用芯片包括三层架构，其中：第一层架构包括AXI总线；AXI总线上设有动态存储器、以及数字信号处理器中的至少一种；第二层架构包括连接到AXI总线的AHB总线；AHB总线上设有指令接口、以及中断控制器中的至少一种；第三层架构包括连接到AHB总线的APB总线；APB总线上设有计时器、串口、控制器以及执行模块中的至少一种。
具体的，请参考图4，其中：
(1)电力专用芯片的架构一层为AXI总线，其包含两组动态存储器eDRAN0以及DSP(即数字信号处理器)等核心处理模块，其中，每个核心处理模块均具有单独的指令接口和数据传输接口。需要说明的是，上述的指令接口用于芯片的内部传输，且，数据传输接口可连接外部设备(例如能源数据采集设备)进行数据共享。
(2)电力专用芯片的架构二层为AHB总线，其与第一层主线连接，采用矩阵式结构和全联通模式进行构建。其包含4个指令接口，需要说明的是，该指令接口负责对来自第一层架构的指令进行处理和分析，且，支持自定义程序编译，在Memory模式下可以对第一层架构的指令进行读、写操作。同时，其也包含中断控制器，当芯片能耗较高、运行不稳或出现故障时，可启动中断控制器来终止芯片运行，以保证芯片其他结构不受破坏。
(3)电力专用芯片的架构三层为APB总线，其包含计时器、串口、控制器以及执行模块等多个组成部分，是重要的数据处理模块，并兼容了数据通信链路。用户可以通过访问以太网进行数据获取，同时为保证数据安全，当前实施例中，采用看门狗以及防火墙等机制进行恶意攻击防御。
在本发明的一个或多个实施例中，步骤S3中，根据能耗预测模型对目标能耗数据进行处理，得到相应的能耗预测结果，包括：
S31、当前迭代过程中，在根据能耗预测模型对目标能耗数据进行处理时，基于鲸群的最优寻解方式，通过下述公式对电力专用芯片的能耗进行预测，得到相应的第一能耗预测值：
式(2)中，f为得到的能耗预测值，N为目标能耗数据的采集样本数量，x
S32、在进入下次迭代时，根据模型的最大适应性权重、以及最小适应性权重，更新能耗预测模型的权重、以及重新分配鲸群的位置信息，并基于对应更新得到的能耗预测模型重新进行能耗预测，得到相应的第二能耗预测值。
具体的，在某种程度上，参数α的选择决定了能耗预测模型的预测性能。当前实施例中，考虑改进鲸鱼算法中鲸群位置向量对预测结果的影响，采用自适应权重计算法计算模型的预测权重，以便在数据迭代中对模型参数进行调整，从而提升电力专用芯片能耗预测的灵活性。
S33、当确定第一能耗预测值和第二能耗预测值相匹配时，输出相应的能耗预测结果。
具体的，请参考图3，计算机设备将第一能耗预测值和第二能耗预测值进行比较，当确定两者相等时，则将第一能耗预测值或第二能耗预测值作为预测结果进行输出。否则，将返回到步骤S31，重新进行能耗预测。
在一个实施例中，在输出预测结果之前，计算机设备还会对第一能耗预测值或第二能耗预测值是否满足预设的输出格式，若满足，则直接输出原数据；否则，将对相应的能耗预测值进行数值转换，并将转换得到的转换数值作为预测结果进行输出。
在本发明的一个或多个实施例中，步骤S31之前，方法还包括：初始化模型参数，以及随机分布鲸鱼；其中：模型参数包括鲸鱼群的移动范围、鲸鱼数量、模型的最大数据迭代数量、最大适应性权重、以及最小适应性权重中的至少一种；每一个鲸鱼的分布位置信息均分别对应一个标准核函数，标准核函数用于校正模型的计算误差，以保证预测结构的准确性。
在本发明的一个或多个实施例中，步骤S32，根据模型的最大适应性权重、以及最小适应性权重，调整能耗预测模型的权重，包括：
S321、根据自适应权重计算法，通过下述公式调整能耗预测模型的权重w：
w＝w
式中，w
需要说明的是，μ的取值的代表了自适应权重的下降趋势，且，μ的取值越大，则权重w的下降程度越大，当μ趋近于0时，表示权重w无明显变化。
在一个实施例中，为验证本方法的实际预测性能，进行了对比实验，且，在实验环境中以某一电力专用芯片一周的能耗数据为实验数据样本集，选用本申请的预测方法与传统的基于任务调度的电力专用芯片能耗预测和基于最小二乘支持向量机的电力专用芯片能耗预测方法进行实验对比，设置的实验参数如下表1所示。
表1实验参数
根据以上设计的实验参数，选用本申请的预测方法和传统预测方法对该电力芯片的能耗进行预测，预测间隔为0.5h，为确保实验结果的真实性和可靠性，选用国家电网常用的能耗预测精度标准：预测精确度和预测误差率为衡量三种预测方法预测准确率的依据，其中，预测精确度和预测误差率的计算方式如下所示：
式中，E
当前实施例中，为了进一步验证三种电力专用芯片能耗预测方法的稳定性，采用时间序列描述法描述三种预测方法进行能耗预测过程中的数据波动状态，其中，数据波动频率越快、幅值变换范围越大，表明该预测方法的稳定性越差，得到的三种预测方法的预测稳定性对比结果，可以参考图7。从上图可以看出，在观测的175个小时之内，基于任务调度的预测方法的数据波动较为剧烈，且波动变换没有规律性，数据波动幅值变换范围为±3。从图7可以看出，基于最小二乘支持向量机的预测方法初期数据波动频率较高，后期较为平缓，但整体幅值无明显变化，始终维持在±2变化范围内。相较之下，本申请的基于改进鲸鱼算法的预测方法数据波动有规律且变换频率一致，整体波动较小，数据波动幅值变换范围为±1。
综上，本申请的基于改进鲸鱼算法的电力专用芯片能耗预测方法具有较高的预测准确率和稳定性，能够对电力专用芯片的能耗进行精准预测，而传统的预测方法由于不能对采集的能耗数据进行合适处理，导致预测结果准确率较低，且采用的计算方式灵活性不高、计算过程复杂，影响整体稳定性，由此可以得出结论，本申请研究的预测性能较好，更适用于电力专用芯片的能耗预测工作中。
请参考图8，本申请公开了一种电力专用芯片能耗预测装置800，该装置800包括数据获取模块801、模型构建模块802、以及能耗预测模块803，其中：
数据获取模块801，用于确定电力专用芯片的目标能耗数据；
模型构建模块802，用于以引入非线性收敛因子α的鲸鱼算法为基础，构建与电力专用芯片的架构相适应的能耗预测模型；其中，非线性收敛因子α的表达式为：
α＝α
式(1)中，α
能耗预测模块803，用于根据能耗预测模型对目标能耗数据进行处理，得到相应的能耗预测结果。
在其中一个实施例中，数据获取模块还用于获取电力专用芯片的初始能耗数据，并按照预设的预处理方式对初始能耗数据进行处理，得到相应的预处理数据；预处理方式包括纵横对比方式、统一化处理方式、以及降噪处理方式中的至少一种；基于得到的预处理数据，确定目标能耗数据。
在其中一个实施例中，电力专用芯片包括三层架构，其中：第一层架构包括AXI总线；AXI总线上设有动态存储器、以及数字信号处理器中的至少一种；第二层架构包括连接到AXI总线的AHB总线；AHB总线上设有指令接口、以及中断控制器中的至少一种；第三层架构包括连接到AHB总线的APB总线；APB总线上设有计时器、串口、控制器以及执行模块中的至少一种。
在其中一个实施例中，能耗预测模块803还用于当前迭代过程中，在根据能耗预测模型对目标能耗数据进行处理时，基于鲸群的最优寻解方式，通过下述公式对电力专用芯片的能耗进行预测，得到相应的第一能耗预测值：
式(2)中，f为得到的能耗预测值，N为目标能耗数据的采集样本数量，x
在其中一个实施例中，该装置800还包括初始化模块，其中：
初始化模块，用于初始化模型参数，以及随机分布鲸鱼；其中：模型参数包括鲸鱼群的移动范围、鲸鱼数量、模型的最大数据迭代数量、最大适应性权重、以及最小适应性权重中的至少一种；每一个鲸鱼的分布位置信息均分别对应一个标准核函数，标准核函数用于校正模型的计算误差，以保证预测结构的准确性。
在其中一个实施例中，能耗预测模块803还用于根据自适应权重计算法，通过下述公式调整能耗预测模型的权重w：
w＝w
式中，w
上述电力专用芯片能耗预测装置，通过以引入非线性收敛因子的鲸鱼算法为基础，构建电力专用芯片的能耗预测模型，在使得非线性收敛因子的数值越大、收敛越缓慢的情况下，能够扩大能耗预测模型的可搜索范围，提高了模型的全局搜索性。且随着目标能耗数据迭代次数的增加，使得非线性收敛因子在数值上呈下降趋势。这也将使得能耗预测模型的预测效率更快，相比于现有技术，本申请具有较高的预测准确率和稳定性，能够有效降低芯片能耗预测的难度，为电力系统的电力调配提供理论数据支持。
在本发明的一个或多个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
上述计算机设备，通过以引入非线性收敛因子的鲸鱼算法为基础，构建电力专用芯片的能耗预测模型，在使得非线性收敛因子的数值越大、收敛越缓慢的情况下，能够扩大能耗预测模型的可搜索范围，提高了模型的全局搜索性。且随着目标能耗数据迭代次数的增加，使得非线性收敛因子在数值上呈下降趋势。这也将使得能耗预测模型的预测效率更快，相比于现有技术，本申请具有较高的预测准确率和稳定性，能够有效降低芯片能耗预测的难度，为电力系统的电力调配提供理论数据支持。
在本发明的一个或多个实施例中，提供了一种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上述各方法实施例中的步骤。
上述存储介质，通过以引入非线性收敛因子的鲸鱼算法为基础，构建电力专用芯片的能耗预测模型，在使得非线性收敛因子的数值越大、收敛越缓慢的情况下，能够扩大能耗预测模型的可搜索范围，提高了模型的全局搜索性。且随着目标能耗数据迭代次数的增加，使得非线性收敛因子在数值上呈下降趋势。这也将使得能耗预测模型的预测效率更快，相比于现有技术，本申请具有较高的预测准确率和稳定性，能够有效降低芯片能耗预测的难度，为电力系统的电力调配提供理论数据支持。
