大規(guī)模云數(shù)據(jù)中心的高能耗不僅會(huì)產(chǎn)生高昂的電力成本,還會(huì)導(dǎo)致高碳排放。為了節(jié)能減排,云服務(wù)提供商開(kāi)始利用可再生能源為云數(shù)據(jù)中心補(bǔ)充供電,風(fēng)能已經(jīng)成為云數(shù)據(jù)中心綠色電力的重要來(lái)源,因此對(duì)風(fēng)能的可用量進(jìn)行準(zhǔn)確地預(yù)測(cè)具有重要意義。因?yàn)轱L(fēng)速直接決定了風(fēng)能的發(fā)電量,所以針對(duì)風(fēng)能預(yù)測(cè)的課題,可以轉(zhuǎn)化為風(fēng)速預(yù)測(cè),當(dāng)前風(fēng)能預(yù)測(cè)多以風(fēng)速的時(shí)序序列預(yù)測(cè)為主,忽略了風(fēng)速的空間相關(guān)性。針對(duì)這一問(wèn)題,本文在充分考慮風(fēng)速的時(shí)空特性的基礎(chǔ)上,提出一種基于時(shí)空信息的風(fēng)速預(yù)測(cè)方法。該方法根據(jù)歷史的風(fēng)速時(shí)序數(shù)據(jù)以及鄰近地區(qū)的空間信息聯(lián)合對(duì)未來(lái)時(shí)刻的風(fēng)速進(jìn)行預(yù)測(cè),以獲得風(fēng)能發(fā)電量的發(fā)展趨勢(shì),從而指導(dǎo)云數(shù)據(jù)中心作業(yè)調(diào)度和能耗管理的優(yōu)化。本文的主要貢獻(xiàn)如下:首先,收集和處理多個(gè)風(fēng)速監(jiān)測(cè)站的風(fēng)速數(shù)據(jù)。本文選取位于美國(guó)科羅拉多州的多個(gè)風(fēng)速監(jiān)測(cè)站的風(fēng)速數(shù)據(jù)作為研究對(duì)象,在數(shù)據(jù)處理過(guò)程中對(duì)缺失值進(jìn)行填充,并且進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理。另外,由于風(fēng)速數(shù)據(jù)中存在異常值和噪聲,使得模型不能得到風(fēng)速的規(guī)律,所以采用適當(dāng)?shù)臑V波器對(duì)數(shù)據(jù)進(jìn)行一定的處理。其次,風(fēng)速時(shí)空預(yù)測(cè)模型建立與訓(xùn)練。為了捕捉風(fēng)速的時(shí)空特性,提出一種新型的時(shí)空?qǐng)D卷積網(wǎng)絡(luò)預(yù)測(cè)模型,該模型通...

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1RNN模型結(jié)構(gòu)

第2章預(yù)測(cè)模型綜述7第2章預(yù)測(cè)模型綜述綜合第一章所述，由于風(fēng)速值直接決定了風(fēng)能的產(chǎn)電量，從而風(fēng)速值會(huì)影響風(fēng)能并入云數(shù)據(jù)中心電網(wǎng)的穩(wěn)定性與作業(yè)調(diào)度及資源分配決策，因此需要對(duì)風(fēng)速的歷史數(shù)據(jù)進(jìn)行研究分析，獲得其時(shí)間動(dòng)態(tài)性和空間相關(guān)性，以提高預(yù)測(cè)模型對(duì)風(fēng)速預(yù)測(cè)的準(zhǔn)確性。當(dāng)前預(yù)測(cè)領(lǐng)域中應(yīng)用....

圖2-2LSTM模型結(jié)構(gòu)

北京工業(yè)大學(xué)工程碩士專業(yè)學(xué)位論文10圖2-2LSTM模型結(jié)構(gòu)Fig.2-2ThestructureofLSTMmodel下一步是要將記憶單元輸入的新信息進(jìn)行保留，保留哪些信息的實(shí)現(xiàn)主要有兩個(gè)方面，第一方面是由輸入門(mén)的網(wǎng)絡(luò)層來(lái)對(duì)記憶單元進(jìn)行更新，其結(jié)構(gòu)如圖中的輸入門(mén)(InputGa....

圖2-3CNN模型的結(jié)構(gòu)

第2章預(yù)測(cè)模型綜述112.2捕獲空間相關(guān)性的預(yù)測(cè)模型2.2.1卷積神經(jīng)網(wǎng)絡(luò)1998年Y.LeCun等人提出卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork,CNN)的結(jié)構(gòu)，應(yīng)用于對(duì)手寫(xiě)的數(shù)字進(jìn)行分類，這是CNN模型在實(shí)際應(yīng)用中的首次嘗試，但并沒(méi)有得到很好地流行[....

圖2-4卷積操作Fig.2-4Convolutionoperation

ide)，對(duì)于每個(gè)位置，計(jì)算圖像矩陣和過(guò)濾器矩陣的點(diǎn)乘得到一個(gè)結(jié)果值，這個(gè)結(jié)果值組成的矩陣即為右邊部分的卷積特征或特征圖(ConvolvedFeature)。從卷積操作的具體操作可知，過(guò)濾器的不同對(duì)于同一輸入圖像生成的卷積特征也不同，即通過(guò)設(shè)置不同的過(guò)濾器則可以從圖像中檢測(cè)到不同....

本文編號(hào)：3953937