基于时空信息的可再生能源预测方法研究

发布时间：2024-04-14 01:49

　　大规模云数据中心的高能耗不仅会产生高昂的电力成本,还会导致高碳排放。为了节能减排,云服务提供商开始利用可再生能源为云数据中心补充供电,风能已经成为云数据中心绿色电力的重要来源,因此对风能的可用量进行准确地预测具有重要意义。因为风速直接决定了风能的发电量,所以针对风能预测的课题,可以转化为风速预测,当前风能预测多以风速的时序序列预测为主,忽略了风速的空间相关性。针对这一问题,本文在充分考虑风速的时空特性的基础上,提出一种基于时空信息的风速预测方法。该方法根据历史的风速时序数据以及邻近地区的空间信息联合对未来时刻的风速进行预测,以获得风能发电量的发展趋势,从而指导云数据中心作业调度和能耗管理的优化。本文的主要贡献如下:首先,收集和处理多个风速监测站的风速数据。本文选取位于美国科罗拉多州的多个风速监测站的风速数据作为研究对象,在数据处理过程中对缺失值进行填充,并且进行数据标准化处理。另外,由于风速数据中存在异常值和噪声,使得模型不能得到风速的规律,所以采用适当的滤波器对数据进行一定的处理。其次,风速时空预测模型建立与训练。为了捕捉风速的时空特性,提出一种新型的时空图卷积网络预测模型,该模型通...

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

图2-1RNN模型结构

第2章预测模型综述7第2章预测模型综述综合第一章所述，由于风速值直接决定了风能的产电量，从而风速值会影响风能并入云数据中心电网的稳定性与作业调度及资源分配决策，因此需要对风速的历史数据进行研究分析，获得其时间动态性和空间相关性，以提高预测模型对风速预测的准确性。当前预测领域中应用....

图2-2LSTM模型结构

北京工业大学工程硕士专业学位论文10图2-2LSTM模型结构Fig.2-2ThestructureofLSTMmodel下一步是要将记忆单元输入的新信息进行保留，保留哪些信息的实现主要有两个方面，第一方面是由输入门的网络层来对记忆单元进行更新，其结构如图中的输入门(InputGa....

图2-3CNN模型的结构

第2章预测模型综述112.2捕获空间相关性的预测模型2.2.1卷积神经网络1998年Y.LeCun等人提出卷积神经网络(ConvolutionalNeuralNetwork,CNN)的结构，应用于对手写的数字进行分类，这是CNN模型在实际应用中的首次尝试，但并没有得到很好地流行[....

图2-4卷积操作Fig.2-4Convolutionoperation

ide)，对于每个位置，计算图像矩阵和过滤器矩阵的点乘得到一个结果值，这个结果值组成的矩阵即为右边部分的卷积特征或特征图(ConvolvedFeature)。从卷积操作的具体操作可知，过滤器的不同对于同一输入图像生成的卷积特征也不同，即通过设置不同的过滤器则可以从图像中检测到不同....

本文编号：3953937