CN111563611A - 面向图卷积网络的云数据中心可再生能源时空预测方法 - Google Patents
面向图卷积网络的云数据中心可再生能源时空预测方法 Download PDFInfo
- Publication number
- CN111563611A CN111563611A CN202010282888.8A CN202010282888A CN111563611A CN 111563611 A CN111563611 A CN 111563611A CN 202010282888 A CN202010282888 A CN 202010282888A CN 111563611 A CN111563611 A CN 111563611A
- Authority
- CN
- China
- Prior art keywords
- time
- solar
- solar energy
- data center
- space
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 235000019580 granularity Nutrition 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 60
- 210000004027 cell Anatomy 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims 1
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101001108356 Homo sapiens Nardilysin Proteins 0.000 description 1
- 102100021850 Nardilysin Human genes 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种面向图卷积网络的云数据中心可再生能源时空预测方法,基于绿色云数据中心的目标太阳能站及其邻近站的空间特征构建图的拓扑结构。在此基础上,构建绿色云数据中心太阳能的时空预测模型。该时空预测模型集成图卷积网络和长短时记忆网络,并结合图注意力机制对云数据中心可再生太阳能进行学习并预测。通过对可再生能源的迭代训练,优化模型参数,最终得到预测模型。进一步利用训练完成的预测模型对其云数据中心的太阳能进行不同时间粒度的预测。最后,将预测结果与测试数据集进行对比,对时空预测模型进行误差分析与性能评估。本发明综合考虑绿色云数据中心可再生能源的时间和空间特性,有效地提高不同时间粒度的太阳能预测精度。
Description
技术领域
本发明属于云计算技术领域,尤其涉及一种面向图卷积网络的云数据中心可再生能源时空预测方法。
背景技术
随着云计算的快速发展,越来越多的用户和企业将传统业务迁移至云数据中心中,使得全球云数据中心数量激增。由于云数据中心运行着大量高功率的IT设备,其电源和冷却基础设施消耗的电能也十分巨大。据统计2012年全球数据中心的数量估计为509,147个,其大约消耗30个核电厂的能耗产出。根据NRDC的报告,仅2013年美国的数据中心就消耗了910亿千瓦时的电力,这相当于纽约市家庭两年的用电量。截止到2020年,已经增加到1400亿千瓦时,这相当于近1.5亿吨的碳污染。因此,大量云服务提供商专注于减少其对化石燃料驱动的电力依赖,并过渡到可再生能源。目前可再生能源最主要的优点是一旦建设好电厂就可以源源不断的提供电能,并且在运营过程中不会排放碳等污染物质,尽管在设备回收利用过程中会产生碳污染,但与传统电网的碳排放因子相比,太阳能的碳排放因子仍然低得多。
太阳能是给数据中心供电的最有前景和技术较为成熟的可再生能源之一。原因在于:一是太阳能作为可再生能源在全球大部分地区广泛的存在;二是它不会像水力发电那样引起对环境的影响(大面积的植被破坏);三是它不会像核能那样引起核泄漏和废物堆积的问题。因此,目前关于新能源在绿色云数据中心的应用研究主要考虑之一是太阳能的有效充分利用。据统计,太阳能占全球非水能新能源产量的13%。同时,太阳能与数据中心负载通常都是在白天达到峰值,具有较佳的匹配性。所以,根据当地太阳能资源的质量及各个数据中心的负载特性,最佳的可再生能源组合之一主要是使用太阳能来处理云数据中心白天时段的高峰能源需求。
由于太阳能的发电量与环境条件紧密相关,如温度和日照强度,导致其可用电量随时间而变化是不稳定的。如今将太阳能融入电网的挑战之一就在于其具有间歇性和不可控性。因此,预测未来时刻太阳能的可用量是极为重要的。随着太阳能产电量的变化,电网必须动态调度发电机来满足云数据中心的能耗需求。同时,通过预测太阳能产量的变化趋势,可以指导任务调度和能耗管理机制来充分利用可用的可再生能源,未来短期的可用太阳能电量会影响到云数据中心任务调度及其资源分配决策。同时,准确的太阳能产量预测也是自适应任务调度和云数据中心节能降耗的关键。因此,对于云数据中心未来时刻可再生能源可用量的预测意义重大。
对于太阳能预测的研究,长期以来主要是对太阳能时间序列数据进行预测,但是其空间相关性还没有得到足够的重视,对兼顾时空信息的未来时刻太阳能预测未能得到很好地解决。
本发明所提供的方法在考虑绿色云数据中心可再生太阳能历史时间数据的同时,也综合考虑到太阳能的时间序列数据与其周围环境之间存在的显著互相关性。因此,可以利用相邻区域的太阳站信息来改进目标站预测的准确度。该方法提出一种基于时空图卷积网络的可再生能源预测模型,该模型获得集成的GCN和LSTM网络太阳能时空预测模型,并结合注意力机制对太阳能的特征赋予权重,经过迭代训练后,实现对绿色云数据中心未来时刻不同时间粒度的太阳能进行精准预测。
发明内容
本发明针对现有技术的不足,提供一种绿色云数据中心可再生能源的预测方法,该方法综合考虑绿色云数据中心的太阳能站邻近区域与其它太阳能站的空间影响和太阳能历史数据的时间依赖,从而实现绿色云数据中心的未来时刻太阳能的准确预测。
为达到上述目的,本发明采用下述技术方案:
根据本发明的一方面,考虑太阳能站的空间依赖关系,构建目标太阳站与邻近区域太阳能站的空间依赖关系,构建拓扑图;在此基础上,采用两层GCN以捕获空间特征;同时考虑太阳能的时间依赖关系,将已经获取的空间特征历史时间序列数据经过LSTM网络的处理,学习其随时间的动态变化来捕获时间依赖关系。
根据本发明的另一方面,根据本发明的上述方面,引入注意力机制,动态的描述历史不同时刻对于未来预测的不同重要程度,提高太阳能预测的准确性。
综上,一种面向图卷积网络的云数据中心可再生能源时空预测方法,包括如下步骤:
步骤S1,建立基于绿色云数据中心目标太阳能站和其邻近站的空间特征构建图的拓扑结构;
步骤S2,构建基于图卷积网络的绿色云数据中心太阳能时空预测模型;
步骤S3,集成GCN和LSTM网络获取太阳能时空预测模型,并结合注意力机制对太阳能的特征赋予权重,经过迭代训练后,优化模型参数,得到最终的预测模型。
步骤S4,利用步骤S3训练完成后的最终模型对绿色云数据中心太阳能进行不同时间粒度的预测;
步骤S5,对步骤S4得到的太阳能最终预测数据与测试数据集进行对比,对模型进行误差分析和性能评估。
进一步,所述步骤S1考虑绿色云数据中心目标太阳能站与其邻近区域站的空间特征构建图的拓扑结构,具体过程为:
太阳能站的空间信息定义为图G,使用无权图G=(V,E)来描述太阳能站的拓扑结构,每个太阳能站作为一个节点,节点集合V={v1,v2,…,vN},其中N是节点数量,E代表边集合。邻接矩阵A∈RN×N表示太阳能站点之间的距离度量,具体为:
其中,Ai,j为节点vi,vj边的权重,dist(vi,vj)为太阳能站vi和太阳能站vj在地理上的距离,即两点间的欧式距离,δ2为距离dist(vi,vj)的方差。
进一步,所述步骤S2构建时空图卷积网络的绿色云数据中心太阳能预测模型,具体过程如下:
基于图卷积网络的绿色云数据中心可再生能源时空预测模型主要由GCN和LSTM网络两部分组成。首先,使用历史长度为n的时间序列数据作为输入,利用GCN捕获太阳能站的空间拓扑结构,获得空间特征;其次,将得到的具有空间特征的时间序列输入LSTM网络模型,通过细胞状态间的信息传递获得动态的变化,捕捉时间的特征;然后,引入注意力机制为动态调整历史不同时刻对预测结果的影响程度;最后,通过全连通层得到其目标结果。
因此,对于预测模型需建立特征矩阵X∈RN×P,太阳能站的太阳能量是网络节点的属性特征,其中P代表节点属性的数量特征,即历史时序列的长度,Xt∈RN×i为每个太阳能站节点在t时刻的产生的太阳能,并且历史太阳能数据需进行归一化处理。因此,时空太阳能预测问题为在太阳能站的空间拓扑G和特征矩阵X前提下的学习映射函数f,然后计算未来T时刻的太阳能,公式如下:
[Xt+1,Xt+2,…,Xt+T]=f(G;(Xt-n,…,Xt-1,Xt))。
其中,n是历史时间序列的长度,T是预测的时间序列长度。
模型先是利用多层图卷积神经网络学习对拓扑结构捕获太阳能的空间依赖的具体过程如下:
根据给定的邻接矩阵A和特征矩阵X,GCN模型在傅里叶域中构造一个过滤器。该滤波器作用于图的节点上,通过它的一阶邻域捕获节点之间的空间特征,然后通过叠加多个卷积层来构建GCN模型,它在网络层与层之间的传播方式可以表示为:
其中,H(l)是第l层的特征矩阵,当l=0时,H(0)就表示输入图的节点特征矩阵X,A是输入图的邻接矩阵,表示邻接矩阵增加了自我连接,IN为单位矩阵,是矩阵,W(l)表示第l层的权重矩阵,σ(·)表示非线性激活函数。
模型选择两层GCN模型从太阳能数据中学习空间特征,表示为:
其中,是对矩阵A进行标准化处理得到归一化矩阵,W(0)∈RP×H为输入层到隐藏层的权重矩阵,P为特征矩阵的长度,H为隐藏神经元的个数,W(1)∈RP×H为隐藏层到输出层的权重矩阵,f(X,A)∈RH×T为预测时间长度为T的输出,σ(·)和ReLU(·)为激活函数。
模型进一步将具有空间特征的太阳能历史时间序列输入LSTM网络捕获其时间依赖,具体过程如下:
第一步通过LSTM的遗忘门的Sigmoid单元来决定细胞状态需要丢弃哪些信息,它通过查看上一时刻t-1输出值和当前时刻t经过GCN处理的输入值决定上一时刻的单元状态Ct-1有多少保留到当前时刻Ct,具体公式为:
ft=σ(Wf·ht-1,f(Xt,A)]+bf)。
其中,ft是遗忘门,Wf是遗忘门的权重矩阵,ht-1为t-1时刻网络输出值,f(Xt,A)为经过步骤S2图卷积网络处理的输出值,[ht-1,f(Xt,A)]表示把两个向量连接成一个更长的向量,bf是遗忘门的偏置项,σ(·)是Softmax激活函数。
it=σ(Wi·[ht-1,f(Xt,A)]+bi),
其中,Ct表示当前时刻t的细胞状态。
第四步更新完细胞状态后根据输入来判断输出细胞的哪些状态特征,将输入经过一个称为输出门的Sigmoid层得到判断条件,然后将细胞状态经过Tanh层得到新的向量,该向量与输出门得到的判断条件相乘就得到了结果,具体公式如下:
ot=σ(Wo·[ht-1,f(Xt,A)]+bo),
ht=ot*Tanh(Ct)。
其中,ot为输出门,ht为t时刻的输出值。
在获得太阳能数据的空间和时间依赖关系后,模型引入了注意力机制,动态调整历史不同刻对预测结果的影响程度,具体过程如下:
模型输入为[Xt-n,…,Xt-2,Xt-1],经过多层图卷积和LSTM网络处理后,输出为Ht=[ht-n+1,…,ht-1,ht],引入注意力机制,动态求解每个历史时刻信息的重要度,公式如下:
a=Softmax(Tanh(HtWa+ba)ua),
O=(Ht)Ta。
其中,a为历史时刻信息的重要度,Softmax为归一化指数函数,O为输出结果,Tanh为激活函数。
进一步,所述步骤S3将获得集成的GCN和LSTM网络时空预测模型,并结合注意力机制对太阳能的特征赋予权重,进行迭代训练。
对模型进行迭代训练的目的是为了提高预测的准确性,即训练的目的是使输出的概率矩阵更接近于t时刻的邻接矩阵。在模型训练中对于模型参数的选择尤为重要,模型的超参数选择主要包括:学习速度、批量大小、训练时间和隐藏单元数。
在迭代训练中,将归一化的数据集划分为训练和测试数据集,具体为将归一化处理后的训练数据集作为模型的输入,对于模型训练,定义损失函数公式如下:
进一步,所述步骤S4具体为将训练完成后的最终模型采用测试数据对绿色云数据中心可再生太阳能进行预测,根据不同的预测时间长度对绿色云数据中心的太阳能进行预测,以满足预测不同时间粒度的需要。
进一步,所述步骤S5将太阳能最终预测数据与测试数据集进行对比,选取评价指标,并分析误差。选取均方根误差RMSE、评价绝对误差MAE和准确率Accuracy对结果进行误差分析,具体公式为:
其中,n为选取的测试数据个数,Yt为第t时刻实际太阳能值,为第t时刻模型对太阳能的预测值。RMSE和MAE用于测量预测误差,其数值越小,预测效果越好,Accuracy用于检测预测精度,其数值越大预测效果越好。
本发明的有益效果如下:
本发明提供一种面向图卷积网络的云数据中心可再生能源时空预测方法,基于可再生太阳能的空间特征构建图的拓扑结构,综合考虑空间上目标太阳能站与其邻近站的影响和时间上太阳能历史时序数据的关系,构建集成GCN和LSTM网络的时空预测模型,并结合注意力机制对太阳能的特征赋予权重,经过迭代训练后,得到最终的预测模型。实现对太阳能的精准预测,从而达到对不同时间粒度的太阳能预测,具有较高的准确性。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明:
图1为本专利的绿色云数据中心可再生能源时空预测方法的流程图;
图2为绿色云数据中心太阳能站空间拓扑结构图;
图3为基于图卷积网络的绿色云数据中心可再生太阳能时空预测模型图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域内的技术人员应当理解,下面所具体描述的内容是均为说明性的而非限制性的,不应以此限制本发明的保护范围。
本发明提出面向图卷积网络的云数据中心可再生能源时空预测方法,通过对采集的一定时间间隔的可再生太阳能数据进行分析,获取其空间和时间维度的特征,采用图来描述空间拓扑结构,能表示出空间上太阳能站的数据之间的关系,在捕获空间依赖关系的基础上,进一步对太阳能历史数据时间维依赖关系进行学习。如图1所示,预测方法具体包括如下步骤:
步骤S1,建立基于绿色云数据中心目标太阳能站点和其邻近站的空间特征构建图的拓扑结构。如图2所示,构建绿色云数据中心太阳能站的空间拓扑结构图,其定义为无向有权图。
针对绿云数据中心太阳能站与其他太阳能站的连接属性,构建一个无向有权图G=(V,E)来描述太阳能站的拓扑结构,每个太阳能站作为一个节点,节点集合V={v1,v2,…,vN},其中N是节点数量,E代表边集合。由于太阳能站之间无方向,因此为无向图。
建立表示节点之间邻近度的邻接矩阵A∈RN×N,表示不同节点间的距离上的邻近度,对于不同节点之间vi,vj,具体为:
其中,Ai,j为节点vi,vj边的权重,dist(vi,vj)为太阳能站vi和太阳能站vj在地理上的距离,即两点间的欧式距离,δ2为距离dist(vi,vj)的方差。
步骤S2,构建基于图卷积网络的绿色云数据中心太阳能预测模型。如图3所示,时空预测模型结构主要由GCN和LSTM网络两部分组成。首先,使用历史n时间序列数据作为输入,利用GCN捕获太阳能站的空间拓扑结构,获得空间特征;其次,将得到的具有空间特征的时间序列输入LSTM网络模型,通过细胞状态间的信息传递获得动态变化,捕捉时间特征;然后,引入注意力机制为动态调整历史不同时刻对预测结果的影响程度;最后,通过全连通层得到目标结果。
其中,通过监测某云数据中心太阳能站以及其它区域的太阳能站的一定时间间隔t的数据,在无向图G上观测到的太阳能表示为特征矩阵X∈RN×P,用来描述每个太阳能站随时间的变化,其中P代表节点属性的数量特征,即历史时序列的长度,每一行代表一个太阳能站,每一列是不同时段的太阳能量,Xt∈RN×i为每个太阳能站节点在时刻i的太阳能,实验中历史太阳能数据需进行归一化为区间[0,1]。
因此,时空太阳能预测模型为在时间周期T内太阳能站的空间拓扑图G和特征矩阵X前提下的学习映射函数f,然后预测未来T时刻的太阳能情况,具体公式如下:
[Xt+1,Xt+2,…,Xt+T]=f(G;(Xt-n,…,Xt-1,Xt))。
其中,n是历史时间序列的长度,T是预测的时间序列长度,t为时间间隔。在预处理阶段需设置时间间隔,假设获取的过去小时内的太阳能,且取监测时间间隔t为5分钟,则历史时间周期T(2小时内)的历史时间序列的长度为n=120/5=12,则t-n为历史时间段的初始时刻起的第一个时间间隔t所对应的太阳能数据。
模型利用两层GCN学习步骤S1构建的拓扑结构来捕获太阳能的空间依赖。该结构根据给定的邻接矩阵A和特征矩阵X,GCN模型在傅里叶域中构造一个过滤器。该滤波器作用于图的节点上,通过其一阶邻域捕获节点之间的空间特征,然后通过叠加多个卷积层来构建GCN模型,它在网络层与层之间的传播方式可以表示为:
其中,H(l)是第l层的特征矩阵,当l=0时,H(0)就表示输入图的节点特征矩阵X,A是输入图的邻接矩阵,表示邻接矩阵增加了自我连接,IN为单位矩阵,是矩阵,W(l)表示第l层的权重矩阵,σ(·)表示非线性激活函数。
模型选择两层GCN模型从太阳能数据中学习空间特征,表示为:
其中,是对矩阵A进行标准化处理得到归一化矩阵,W(0)∈RP×H为输入层到隐藏层的权重矩阵,P为特征矩阵的长度,H为隐藏神经元的个数,W(1)∈RP×H为隐藏层到输出层的权重矩阵,f(X,A)∈RH×T为预测时间长度为T的输出,σ(·)和ReLU(·)为激活函数。
将具有空间特征的太阳能历史时间序列输入LSTM网络,学习太阳能数据的动态变化捕获时间依赖,具体如下:
第一步通过LSTM的遗忘门的Sigmoid单元来决定细胞状态需要丢弃哪些信息,它通过查看上一时刻t-1输出值和当前时刻t经过GCN处理的输入值决定上一时刻的单元状态Ct-1有多少保留到当前时刻Ct,具体公式为:
ft=σ(Wf·[ht-1,f(Xt,A)]+bf)。
其中,ft是遗忘门,Wf是遗忘门的权重矩阵,ht-1为t-1时刻网络输出值,f(Xt,A)为经过步骤S2图卷积网络处理的输出值,[ht-1,f(Xt,A)]表示把两个向量连接成一个更长的向量,bf是遗忘门的偏置项,σ(·)是Sigmoid激活函数。
it=σ(Wi·[ht-1,f(Xt,A)]+bi),
其中,Ct表示当前时刻t的细胞状态。
第四步更新完细胞状态后根据输入来判断输出细胞的哪些状态特征,将输入经过一个称为输出门的Sigmoid层得到判断条件,然后将细胞状态经过Tanh层得到新的向量,该向量与输出门得到的判断条件相乘就得到了结果,具体公式如下:
ot=σ(Wo·[ht-1,f(Xt,A)]+bo),
ht=ot*Tanh(Ct)。
其中,ot为输出门,ht为t时刻的输出值。
在获取时间和空间维度的特征后,引入注意力机制,动态调整历史不同时刻对预测结果的影响程度。模型输入为[Xt-n,…,Xt-2,Xt-1],经过多层图卷积和LSTM网络处理后,输出为Ht=[ht-n+1,…,ht-1,ht],引入注意力机制,动态求解每个历史时刻信息的重要度,公式如下:
a=Softmax(Tanh(HtWa+ba)ua),
O=(Ht)Ta。
其中,a为历史时刻信息的重要度,Softmax为归一化指数函数,O为输出结果,Tanh为激活函数。
步骤S3将获得集成GCN和LSTM网络的太阳能时空预测模型,并结合注意力机制对太阳能特征赋予权重,经过迭代训练后,得到最终的预测模型。
对模型迭代训练目的是为了提高预测的准确性,即训练使得输出的概率矩阵更接近于t时刻的邻接矩阵。有效的数据预处理能提高模型的准确度,在模型训练之前,对数据进行必要的预处理,本发明中采用Min-Max方法将各个太阳能站的太阳能数据归一化到[-1,1]之间。对归一化后的输入数据,选取80%数据作为训练数据进行模型训练,剩下的20%数据作为模型的预测数据。
模型训练中对于模型参数的选择尤为重要,模型的超参数选择主要包括:学习速度、批量大小、训练时间和隐藏单元数。对于超参数中学习率、批量大小和训练时间的选择主要是依靠经验手动调整和设置,其中学习率为0.001,批量大小为32,训练时间为5000。隐藏单元数是本模型的一个非常重要的参数,不同的隐藏单元数对预测精度有很大的影响。为了选择隐藏单元个数最优值,需经过实验从[8,16,32,64,100,128]中选择最优的隐藏单元的个数,通过实验分析预测精度的变化,选择预测精度最高的隐藏单元数作为最终模型的隐藏的单元数。
在模型训练中的目标即为最小化损失函数,采用误差逆传播算法对模型进行多次迭代训练,不断优化模型参数,并配合Adma优化算法来提高模型训练的效率。当达到指定迭代次数后停止训练,得到最优的模型参数。
步骤S4,利用步骤S3训练完成后的最终模型对绿色云数据中心太阳能数据进行不同时间粒度的预测。将测试集作为最终模型的输入,预测绿色云数据中心未来不同时间粒度的太阳能,即设置不同的T值,根据最终的模型输出得到预测结果。
步骤S5,将太阳能最终预测数据与测试数据集进行对比,选取不同的评价指标,对模型进行分析误差和性能评价。选取均方根误差RMSE、评价绝对误差MAE和准确率Accuracy对结果进行误差分析,具体公式为:
其中,n为选取的测试数据个数,Yt为第t时刻实际太阳能值,为第t时刻模型对太阳能的预测值。RMSE和MAE用于测量预测误差,数值越小,预测效果越好,Accuracy用于检测预测精度,其数值越大,预测效果越好。
显然,本发明的上述具体实施方式仅仅是为清楚地说明本发明所作的举例,而并非是对本发明实施方式的具体限定。对于本发明所属领域的普通技术人员来讲,在本发明上述说明的实施方式基础上还可以做出其它多样的不同形式变化或变动,这里无法对所有的实施方式予以穷举列出,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (8)
1.一种面向图卷积网络的云数据中心可再生能源时空预测方法,其特征在于,包括如下步骤:
步骤S1,建立基于绿色云数据中心目标太阳能站和其邻近站的空间特征图的拓扑结构;
步骤S2,构建基于图卷积网络的绿色云数据中心可再生太阳能时空预测模型;
步骤S3,集成图卷积网络(Graph Convolutional Network,GCN)和长短时记忆(LongShort-Term Memory,LSTM)网络,并结合注意力机制的太阳能时空预测模型进行迭代训练,优化模型参数,得到最终的模型;
步骤S4,利用步骤S3训练完成后的最终模型对绿色云数据中心太阳能进行不同时间粒度的预测。
3.根据权利要求2所述的面向图卷积网络的云数据中心可再生能源时空预测方法,其特征在于,步骤S2中时空预测模型结构由GCN和LSTM网络两部分组成。首先,使用历史n时间序列数据作为输入,利用GCN捕获太阳能站空间拓扑结构,获得空间特征;其次,将得到的具有空间特征的时间序列输入LSTM网络模型,通过细胞状态间的信息传递获得动态变化,捕捉时间特征;然后,引入了注意力机制为动态调整历史不同时刻太阳能特征对预测结果的影响程度;最后,通过全连通层得到目标结果;
其中,通过监测某云数据中心太阳能站以及其它区域的太阳能站的一定时间间隔t的数据,在无向图G上观测到的太阳能表示为特征矩阵X∈RN×P,用来描述每个太阳能站随时间的变化,P代表节点属性的数量特征,即历史时序列的长度,每一行代表一个太阳能站,每一列是不同时段的太阳能量,Xt∈RN×i为每个太阳能站节点在时刻i的太阳能,实验中历史太阳能数据需进行归一化为区间[0,1];
时空太阳能预测模型为在时间周期T内太阳能站空间拓扑图G和特征矩阵X前提下的学习映射函数f,然后预测未来T时刻的太阳能,公式如下:
[Xt+1,Xt+2,…,Xt+T]=f(G;(Xt-n,…,Xt-1,Xt))。
其中,n是历史时间序列的长度,T是预测的时间序列长度,t为时间间隔。
4.根据权利要求3所述的面向图卷积网络的云数据中心可再生能源时空预测方法,其特征在于,步骤S2中具体包括以下步骤:
步骤21、时空太阳能预测模型利用两层图卷积神经网络学习步骤S1构建的拓扑结构来捕获太阳能的空间依赖。
该结构根据给定的邻接矩阵A和特征矩阵X,GCN模型在傅里叶域中构造一个过滤器,该滤波器作用于图的节点上,通过它的一阶邻域捕获节点之间的空间特征,然后通过叠加多个卷积层来构建GCN模型,它在网络层与层之间的传播方式可以表示为:
其中,H(l)是第l层的特征矩阵,当l=0时,H(0)就表示输入图的节点特征矩阵X,A是输入图的邻接矩阵,表示邻接矩阵增加了自我连接,IN为单位矩阵,是矩阵,W(l)表示第l层的权重矩阵,σ(·)表示非线性激活函数;
时空太阳能预测模型选择两层GCN模型从太阳能数据中学习空间特征,表示为:
其中,是对矩阵A进行标准化处理得到归一化矩阵,W(0)∈RP×H为输入层到隐藏层的权重矩阵,P为特征矩阵的长度,H为隐藏神经元的个数,W(1)∈RP×H为隐藏层到输出层的权重矩阵,f(X,A)∈RH×T为预测时间长度为T的输出,σ(·)和ReLU(·)为激活函数;
步骤22、将具有空间特征的太阳能历史时间序列输入LSTM网络,学习太阳能数据的动态变化捕获时间依赖。
第一步通过LSTM的遗忘门的Sigmoid单元来决定细胞状态需要丢弃信息,通过查看上一时刻t-1输出值和当前时刻t经过GCN处理的输入值决定上一时刻的单元状态Ct-1有多少保留到当前时刻Ct,具体公式为:
ft=σ(Wf·[ht-1,f(Xt,A)]+bf)。
其中,ft是遗忘门,Wf是遗忘门的权重矩阵,ht-1为t-1时刻网络输出值,f(Xt,A)为经过步骤S2图卷积网络处理的输出值,[ht-1,f(Xt,A)]表示把两个向量连接成一个更长的向量,bf是遗忘门的偏置项,σ(·)是Sigmoid激活函数;
it=σ(Wi·[ht-1,f(Xt,A)]+bi),
其中,Ct表示当前时刻t的细胞状态;
第四步更新完细胞状态后根据输入来判断输出细胞状态特征,将输入经过一个称为输出门的Sigmoid层得到判断条件,然后将细胞状态经过Tanh层得到新的向量,该向量与输出门得到的判断条件相乘就得到了结果,具体公式如下:
ot=σ(Wo·[ht-1,f(Xt,A)]+bo),
ht=ot*Tanh(Ct)
其中,ot为输出门,ht为t时刻的输出值;
步骤23、在获取时间和空间维度的特征后,引入注意力机制,动态调整历史不同时刻对预测结果的影响程度。
模型输入为[Xt-n,…,Xt-2,Xt-1],经过多层图卷积和LSTM网络处理后,输出为Ht=[ht-n+1,…,ht-1,ht],引入注意力机制,动态求解每个历史时刻信息的重要度,公式如下:
a=Softmax(Tanh(HtWa+ba)ua),
O=(Ht)Ta
其中,a为历史时刻信息的重要度,Softmax为归一化指数函数,O为输出结果,Tanh为激活函数。
6.根据权利要求5所述的面向图卷积网络的云数据中心可再生能源时空预测方法,其特征在于,步骤S4具体为:
将训练完成后的最终模型采用测试数据对绿色云数据中心可再生太阳能进行预测,根据不同的预测时间长度对绿色云数据中心的太阳能进行预测,以满足预测不同时间粒度的需要。
7.根据权利要求6所述的面向图卷积网络的云数据中心可再生能源时空预测方法,其特征在于,还包括:步骤S5,对步骤S4得到的太阳能最终预测数据与测试数据集进行对比,对模型进行误差分析和性能评估。
8.根据权利要求7所述的面向图卷积网络的云数据中心可再生能源时空预测方法,其特征在于,步骤5选取均方根误差RMSE、评价绝对误差MAE和准确率Accuracy对结果进行误差分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010282888.8A CN111563611B (zh) | 2020-04-13 | 2020-04-13 | 面向图卷积网络的云数据中心可再生能源时空预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010282888.8A CN111563611B (zh) | 2020-04-13 | 2020-04-13 | 面向图卷积网络的云数据中心可再生能源时空预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563611A true CN111563611A (zh) | 2020-08-21 |
CN111563611B CN111563611B (zh) | 2023-11-24 |
Family
ID=72070497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010282888.8A Active CN111563611B (zh) | 2020-04-13 | 2020-04-13 | 面向图卷积网络的云数据中心可再生能源时空预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563611B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085163A (zh) * | 2020-08-26 | 2020-12-15 | 哈尔滨工程大学 | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 |
CN112232543A (zh) * | 2020-08-31 | 2021-01-15 | 北京工业大学 | 一种基于图卷积网络的多站点预测方法 |
CN112418547A (zh) * | 2020-12-03 | 2021-02-26 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
CN112651665A (zh) * | 2021-01-14 | 2021-04-13 | 浙江鸿程计算机系统有限公司 | 一种基于图神经网络的地表水水质指标预测方法和装置 |
CN112766609A (zh) * | 2021-02-05 | 2021-05-07 | 国网安徽省电力有限公司合肥供电公司 | 一种基于云计算的用电量预测方法 |
CN112911626A (zh) * | 2021-02-01 | 2021-06-04 | 福州大学 | 基于多图卷积的无线网络流量预测方法 |
CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
CN113344192A (zh) * | 2021-05-31 | 2021-09-03 | 中国标准化研究院 | 企业级电机系统节能优化自动控制方法及系统 |
CN113435666A (zh) * | 2021-07-20 | 2021-09-24 | 山东大学 | 一种基于车辆运行状态的商用车油耗预测方法及系统 |
CN113505536A (zh) * | 2021-07-09 | 2021-10-15 | 兰州理工大学 | 一种优化的基于时空图卷积网络的交通流预测模型 |
CN113783716A (zh) * | 2021-07-27 | 2021-12-10 | 国网冀北电力有限公司信息通信分公司 | 基于云边协同框架的流量预测方法及装置 |
CN114124823A (zh) * | 2021-10-18 | 2022-03-01 | 西安电子科技大学 | 面向高动态网络拓扑下的自适应路由方法、系统、设备 |
CN114282737A (zh) * | 2022-01-26 | 2022-04-05 | 国网电子商务有限公司 | 一种短期太阳辐照强度的预测方法、装置和电子设备 |
CN114582131A (zh) * | 2022-03-17 | 2022-06-03 | 中远海运科技股份有限公司 | 一种基于匝道智能控流算法的监控方法及系统 |
CN114781882A (zh) * | 2022-04-27 | 2022-07-22 | 国网福建省电力有限公司 | 基于双重图结构结合双监督的电网调度认知图谱生成方法 |
CN115297496A (zh) * | 2022-09-28 | 2022-11-04 | 南昌航空大学 | 结合Bi-LSTM和时间模式注意力的链路质量预测方法 |
CN115439921A (zh) * | 2022-09-22 | 2022-12-06 | 徐州华讯科技有限公司 | 一种基于眼动图推理的图像偏好预测方法 |
CN116562917A (zh) * | 2023-04-18 | 2023-08-08 | 云南电网能源投资有限责任公司 | 一种电网售电量预测方法及售电管理系统 |
WO2023150936A1 (en) * | 2022-02-09 | 2023-08-17 | Microsoft Technology Licensing, Llc | Spatio-temporal graph neural network for time series prediction |
CN117035446A (zh) * | 2023-07-24 | 2023-11-10 | 西华大学 | 一种考虑阵列间时空相关性的超短期光伏出力预测方法 |
CN117828292A (zh) * | 2023-12-20 | 2024-04-05 | 中国空间技术研究院 | 基于时空图卷积的卫星链路饱和度演化分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2509010A1 (en) * | 2011-04-07 | 2012-10-10 | ABB S.p.A. | Computerized device to provide forecast data relating to the electricity production of a photovoltaic system |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN109919353A (zh) * | 2019-01-11 | 2019-06-21 | 杭州电子科技大学 | 一种基于空间相关性的arima模型的分布式光伏预测方法 |
CN110909919A (zh) * | 2019-11-07 | 2020-03-24 | 哈尔滨工程大学 | 融合注意力机制的深度神经网络模型的光伏功率预测方法 |
CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
-
2020
- 2020-04-13 CN CN202010282888.8A patent/CN111563611B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2509010A1 (en) * | 2011-04-07 | 2012-10-10 | ABB S.p.A. | Computerized device to provide forecast data relating to the electricity production of a photovoltaic system |
CN109919353A (zh) * | 2019-01-11 | 2019-06-21 | 杭州电子科技大学 | 一种基于空间相关性的arima模型的分布式光伏预测方法 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN110909919A (zh) * | 2019-11-07 | 2020-03-24 | 哈尔滨工程大学 | 融合注意力机制的深度神经网络模型的光伏功率预测方法 |
CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
Non-Patent Citations (1)
Title |
---|
严华江 等: "考虑空间相关性的分布式光伏发电出力预测及误差 评价指标研究" * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085163A (zh) * | 2020-08-26 | 2020-12-15 | 哈尔滨工程大学 | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 |
CN112232543A (zh) * | 2020-08-31 | 2021-01-15 | 北京工业大学 | 一种基于图卷积网络的多站点预测方法 |
CN112418547A (zh) * | 2020-12-03 | 2021-02-26 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
CN112418547B (zh) * | 2020-12-03 | 2024-04-09 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
CN112651665A (zh) * | 2021-01-14 | 2021-04-13 | 浙江鸿程计算机系统有限公司 | 一种基于图神经网络的地表水水质指标预测方法和装置 |
CN112911626B (zh) * | 2021-02-01 | 2022-05-31 | 福州大学 | 基于多图卷积的无线网络流量预测方法 |
CN112911626A (zh) * | 2021-02-01 | 2021-06-04 | 福州大学 | 基于多图卷积的无线网络流量预测方法 |
CN112766609A (zh) * | 2021-02-05 | 2021-05-07 | 国网安徽省电力有限公司合肥供电公司 | 一种基于云计算的用电量预测方法 |
CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
CN113344192A (zh) * | 2021-05-31 | 2021-09-03 | 中国标准化研究院 | 企业级电机系统节能优化自动控制方法及系统 |
CN113505536A (zh) * | 2021-07-09 | 2021-10-15 | 兰州理工大学 | 一种优化的基于时空图卷积网络的交通流预测模型 |
CN113435666A (zh) * | 2021-07-20 | 2021-09-24 | 山东大学 | 一种基于车辆运行状态的商用车油耗预测方法及系统 |
CN113435666B (zh) * | 2021-07-20 | 2023-11-07 | 山东大学 | 一种基于车辆运行状态的商用车油耗预测方法及系统 |
CN113783716A (zh) * | 2021-07-27 | 2021-12-10 | 国网冀北电力有限公司信息通信分公司 | 基于云边协同框架的流量预测方法及装置 |
CN114124823A (zh) * | 2021-10-18 | 2022-03-01 | 西安电子科技大学 | 面向高动态网络拓扑下的自适应路由方法、系统、设备 |
CN114124823B (zh) * | 2021-10-18 | 2023-08-11 | 西安电子科技大学 | 面向高动态网络拓扑下的自适应路由方法、系统、设备 |
CN114282737A (zh) * | 2022-01-26 | 2022-04-05 | 国网电子商务有限公司 | 一种短期太阳辐照强度的预测方法、装置和电子设备 |
WO2023150936A1 (en) * | 2022-02-09 | 2023-08-17 | Microsoft Technology Licensing, Llc | Spatio-temporal graph neural network for time series prediction |
CN114582131A (zh) * | 2022-03-17 | 2022-06-03 | 中远海运科技股份有限公司 | 一种基于匝道智能控流算法的监控方法及系统 |
CN114582131B (zh) * | 2022-03-17 | 2023-08-29 | 中远海运科技股份有限公司 | 一种基于匝道智能控流算法的监控方法及系统 |
CN114781882A (zh) * | 2022-04-27 | 2022-07-22 | 国网福建省电力有限公司 | 基于双重图结构结合双监督的电网调度认知图谱生成方法 |
CN114781882B (zh) * | 2022-04-27 | 2024-09-06 | 国网福建省电力有限公司 | 基于双重图结构结合双监督的电网调度认知图谱生成方法 |
CN115439921A (zh) * | 2022-09-22 | 2022-12-06 | 徐州华讯科技有限公司 | 一种基于眼动图推理的图像偏好预测方法 |
CN115297496A (zh) * | 2022-09-28 | 2022-11-04 | 南昌航空大学 | 结合Bi-LSTM和时间模式注意力的链路质量预测方法 |
CN116562917A (zh) * | 2023-04-18 | 2023-08-08 | 云南电网能源投资有限责任公司 | 一种电网售电量预测方法及售电管理系统 |
CN117035446A (zh) * | 2023-07-24 | 2023-11-10 | 西华大学 | 一种考虑阵列间时空相关性的超短期光伏出力预测方法 |
CN117035446B (zh) * | 2023-07-24 | 2024-08-23 | 西华大学 | 一种考虑阵列间时空相关性的超短期光伏出力预测方法 |
CN117828292A (zh) * | 2023-12-20 | 2024-04-05 | 中国空间技术研究院 | 基于时空图卷积的卫星链路饱和度演化分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111563611B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563611B (zh) | 面向图卷积网络的云数据中心可再生能源时空预测方法 | |
US11070056B1 (en) | Short-term interval prediction method for photovoltaic power output | |
Liu et al. | Prediction short-term photovoltaic power using improved chicken swarm optimizer-extreme learning machine model | |
Wang et al. | A novel combined model based on hybrid optimization algorithm for electrical load forecasting | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
Niu et al. | Uncertainty modeling for chaotic time series based on optimal multi-input multi-output architecture: Application to offshore wind speed | |
Al-Rousan et al. | Assessment of predicting hourly global solar radiation in Jordan based on Rules, Trees, Meta, Lazy and Function prediction methods | |
Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
Li et al. | Photovoltaic array prediction on short-term output power method in centralized power generation system | |
CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
Chen et al. | Graph neural network-based wind farm cluster speed prediction | |
Agrawal et al. | Transformer‐based time series prediction of the maximum power point for solar photovoltaic cells | |
CN116663397A (zh) | 一种大型光伏发电系统的mppt控制方法 | |
Yan et al. | Improved hybrid sparrow search algorithm for an extreme learning machine neural network for short‐term photovoltaic power prediction in 5G energy‐routing base stations | |
CN112508279A (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
CN111401659A (zh) | 一种基于案例推理的超短期或短期光伏发电功率预测方法 | |
Da et al. | Hourly load prediction based feature selection scheme and hybrid CNN‐LSTM method for building's smart solar microgrid | |
Poczeta et al. | Application of fuzzy cognitive maps to multi-step ahead prediction of electricity consumption | |
Yang et al. | A novel short-term load forecasting approach for data-poor areas based on K-MIFS-XGBoost and transfer-learning | |
Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
CN118428754A (zh) | 一种新能源发电输入功率预测方法及系统 | |
Zhang et al. | A hybrid load forecasting method based on neural network in smart grid | |
Xin | Photovoltaic Power Prediction Based on RBF Neural Network Optimized by Gray Wolf Algorithm | |
Wang et al. | Gradient boosting dendritic network for ultra-short-term PV power prediction | |
Sun | An extreme learning machine model optimized based on improved golden eagle algorithm for wind power forecasting |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |