大規(guī)模云數(shù)據(jù)中心的高能耗不僅會產(chǎn)生高昂的電力成本,還會導(dǎo)致高碳排放。為了節(jié)能減排,云服務(wù)提供商開始利用可再生能源為云數(shù)據(jù)中心補充供電,風(fēng)能已經(jīng)成為云數(shù)據(jù)中心綠色電力的重要來源,因此對風(fēng)能的可用量進行準確地預(yù)測具有重要意義。因為風(fēng)速直接決定了風(fēng)能的發(fā)電量,所以針對風(fēng)能預(yù)測的課題,可以轉(zhuǎn)化為風(fēng)速預(yù)測,當前風(fēng)能預(yù)測多以風(fēng)速的時序序列預(yù)測為主,忽略了風(fēng)速的空間相關(guān)性。針對這一問題,本文在充分考慮風(fēng)速的時空特性的基礎(chǔ)上,提出一種基于時空信息的風(fēng)速預(yù)測方法。該方法根據(jù)歷史的風(fēng)速時序數(shù)據(jù)以及鄰近地區(qū)的空間信息聯(lián)合對未來時刻的風(fēng)速進行預(yù)測,以獲得風(fēng)能發(fā)電量的發(fā)展趨勢,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。本文的主要貢獻如下:首先,收集和處理多個風(fēng)速監(jiān)測站的風(fēng)速數(shù)據(jù)。本文選取位于美國科羅拉多州的多個風(fēng)速監(jiān)測站的風(fēng)速數(shù)據(jù)作為研究對象,在數(shù)據(jù)處理過程中對缺失值進行填充,并且進行數(shù)據(jù)標準化處理。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?shù)臑V波器對數(shù)據(jù)進行一定的處理。其次,風(fēng)速時空預(yù)測模型建立與訓(xùn)練。為了捕捉風(fēng)速的時空特性,提出一種新型的時空圖卷積網(wǎng)絡(luò)預(yù)測模型,該模型通...

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1RNN模型結(jié)構(gòu)

第2章預(yù)測模型綜述7第2章預(yù)測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，因此需要對風(fēng)速的歷史數(shù)據(jù)進行研究分析，獲得其時間動態(tài)性和空間相關(guān)性，以提高預(yù)測模型對風(fēng)速預(yù)測的準確性。當前預(yù)測領(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行保留，保留哪些信息的實現(xiàn)主要有兩個方面，第一方面是由輸入門的網(wǎng)絡(luò)層來對記憶單元進行更新，其結(jié)構(gòu)如圖中的輸入門(InputGa....

圖2-3CNN模型的結(jié)構(gòu)

第2章預(yù)測模型綜述112.2捕獲空間相關(guān)性的預(yù)測模型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)用于對手寫的數(shù)字進行分類，這是CNN模型在實際應(yīng)用中的首次嘗試，但并沒有得到很好地流行[....

圖2-4卷積操作Fig.2-4Convolutionoperation

ide)，對于每個位置，計算圖像矩陣和過濾器矩陣的點乘得到一個結(jié)果值，這個結(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，過濾器的不同對于同一輸入圖像生成的卷積特征也不同，即通過設(shè)置不同的過濾器則可以從圖像中檢測到不同....

本文編號：3953937