基于改进Transformer的电力负载预测

针对电力负载预测任务,提出了一种改进的Transformer模型。使用全连接层替换原来的解码器结构,在降低模型复杂度的同时使模型更加契合电力负载数据,使用AdamW方法优化了深度学习中普遍存在的权重衰减处理上的缺陷。实验结果表明,在洛杉矶、纽约和萨克拉门托三个城市的真实电力负载数据集上,相较于ELM、RNN、LSTM和传统的Transformer模型,改进的Transformer模型可以更准确地进行电力负载预测。

基于改进Informer的云计算资源负载预测

负载预测是云计算资源管理中的重要组成部分,准确预测云资源的使用情况可提高云平台性能及防止资源浪费,然而云计算资源使用的动态性和不确定性使得负载预测较为困难,尽管Informer在时序预测领域取得了较好的效果,但未对时间的因果依赖关系加以限制造成未来信息泄露,也未考虑网络深度的增加导致模型性能下降的问题。为解决上述问题,提出一种基于改进Informer的多步负载预测模型(Informer-DCR)。将编码器中各注意力块之间的正则卷积替换为扩张因果卷积,使深层网络中的高层能够接收更大范围的输入信息来提高模型预测精度,并保证时序预测过程的因果性。在编码器中添加残差连接,使网络中低层的输入信息直接传到后续的高层,解决了深层网络退化问题。实验结果表明,Informer-DCR模型在不同预测步长下的平均绝对误差比Informer、时间卷积网络等主流预测模型降低了8.4%~40.0%,并且在训练过程中表现出比Informer更好的收敛性。

基于负载预测的多目标优化任务卸载策略

在车联网中随着智能网联汽车的升级,新兴车载应用对计算能力提出更高要求,车载单元本身的计算能力已远远不够,移动边缘计算(MEC)的出现可以为车辆提供更加可靠的服务。为解决车联网边缘计算中的任务卸载问题,提出基于负载预测的多目标优化卸载策略算法,降低任务时延并实现边缘服务器负载均衡。通过基于自适应优化神经网络的负载预测算法预测MEC服务器的负载,提前感知MEC服务器的负载变化,解决任务卸载滞后问题。以最小化时延及MEC服务器负载均衡为目标,综合考虑通信环境、计算资源、任务量等因素构建多目标优化模型。通过非支配排序遗传算法-Ⅲ(NSGA-Ⅲ)获得最优任务卸载策略。仿真实验结果表明,该算法能对MEC服务器的负载进行较精确的预测。相比MTUOA、NSGA2、QTD和AOS,该算法的任务时延分别降低1.7%、7.3%、12.4%、17.5%,并在MEC服务器负载均衡中取得显著优势,解决MEC服务器负载不均衡的问题。此外,该算法可以根据不同通信小区的通信环境及车辆数等制定差异化的任务卸载方案。

基于粗糙径向基神经网络的刮板输送机负载预测方法研究

刮板输送机负载的准确预测对实现采煤机和刮板输送机的协同控制至关重要。刮板输送机短期负载受工作面环境、冲击载荷等不确定性因素的影响,具有很强的非线性和非平稳性,难以准确预测。针对此问题,本研究提出一种基于粗糙径向基神经网络的刮板输送机负载预测方法。该方法首先建立刮板输送机电流去噪模型,得到反映综采工作面刮板输送机真实负载的电流分量;然后针对刮板输送机负载电流波动大导致的神经网络预测模型训练误差增大、预测精度低的问题,引入表征负载变化波动的上下输入粗糙神经元,提出一种粗糙径向基神经网络(RRBFNN)模型;最后基于粗糙径向基神经网络建立刮板输送机短期负载预测模型,并进行仿真实验验证。结果表明:本研究提出的RRBFNN刮板输送机短期负载预测模型,比传统RBF模型的平均绝对误差(MAE)、平均绝对百分误差(MAPE)和均方根误差(RMSE)分别降低26.22%,25.39%和14.72%,该方法能有效提高刮板输送机负载的预测精度。

基于深度自回归循环神经网络的边缘负载预测

为了更好地支持边缘计算服务提供商进行资源的提前配置与合理分配,负载预测被认为是边缘计算中的一项重要的技术支撑.传统的负载预测方法在面对具有明显趋势或规律性的负载时能取得良好的预测效果,但是它们无法有效地对边缘环境中高度变化的负载取得精确的预测.此外,这些方法通常将预测模型拟合到独立的时间序列上,进而进行单点负载实值预测.但是在实际边缘计算场景中,得到未来负载变化的概率分布情况会比直接预测未来负载的实值更具应用价值.为了解决上述问题,本文提出了一种基于深度自回归循环神经网络的边缘负载预测方法(Edge Load Prediction with Deep Auto-regressive Recurrent networks,ELP-DAR).所提出的ELP-DAR方法利用边缘负载时序数据训练深度自回归循环神经网络,将LSTM集成至S2S框架中,进而直接预测下一时间点负载概率分布的所有参数.因此,ELP-DAR方法能够高效地提取边缘负载的重要表征,学习复杂的边缘负载模式进而实现对高度变化的边缘负载精确的概率分布预测.基于真实的边缘负载数据集,通过大量仿真实验对所提出ELP-DAR方法的有效性进行了验证与分析.实验结果表明,相比于其他基准方法,所提出的ELP-DAR方法可以取得更高的预测精度,并且在不同预测长度下均展现出了优越的性能表现.

基于CNN-LSTM-SES组合模型的负载预测

随着云计算和大数据技术的快速发展,负载预测作为可优化资源分配和提高系统性能的关键任务受到了广泛关注。为了更好地对负载进行长短期时序预测和提高负载预测精度,提出了一种卷积神经网络(CNN)、长短时记忆网络(LSTM)和一次指数平滑(SES)的组合模型,并采用麻雀搜索算法(SSA)优化模型参数。经过处理的数据集分别输入到SSA-CNN-LSTM模型和SSA-SES模型中,然后对这2个模型的输出值用权重系数法进行组合得出最终的输出值。实验结果表明,本文模型在阿里云公开数据集Cluster-trace-v2018上的云计算负载预测中的性能评估值,相较于CNN-LSTM、SES、CNN-LSTM-SES、SSA-CNN-LSTM与SSA-SES模型,预测精度更高。

融合注意力机制的BiLSTM集群负载预测模型

服务器集群的负载预测有助于集群资源的优化配置,以提升集群资源的利用率。针对传统负载预测算法存在预测精度低的问题,本文在双向长短期记忆网络模型的基础上,提出一种融合注意力机制的负载预测模型(Att-BiLSTM)。该模型充分考虑到服务器CPU、内存、磁盘和网络等因素,利用双向长短期记忆网络前后传递信息的特点,并使用注意力机制关注负载时间序列中的重要信息,从而提高了预测精度。实验结果表明,相对于目前已经提出的负载预测模型ARIMA、CNN-LSTM和BiLSTM、Att-BiLSTM模型具有更好的预测性能。

云平台的负载预测及弹性伸缩方案研究

为提高云平台的性能和资源利用率,文章提出一种基于ARMA-CNN-SVR的负载预测组合模型,通过融合多种预测模型的优点,提高预测云平台资源使用情况的准确率。基于该负载预测组合模型,进一步优化了弹性伸缩策略,有效解决资源调整的滞后性问题,增强了云平台的主动性和智能性,显著提升了资源利用率和服务质量。

基于负载预测的刮板输送机运行控制系统研究

针对5308采煤工作面SGZ 1250/2400型刮板输送机结构及恒速运行控制存在的问题,构建了基于负载预测的刮板输送机运行控制系统。通过设置传感器以获取链轮啮合频率的信息,并通过卷积神经网络构建了预测模型,实现了负载预测,负载预测结果可以采用模糊PID调节刮板输送机的运输调度,以达到降低能耗及磨损点的目的。现场应用后,构建的刮板输送机控制系统运行平稳,负载预测结果精准,模糊PID调节精度高、稳定性强,刮板输送机运行能耗及磨损量较应用前的降幅分别约为15%、 10%,应用效益显著。

基于负载预测的采煤机调速控制升级

在煤矿开采机械化水平不断提高下,需要采煤机结合实际工况进行调速控制,实现节能化升级。为此,先基于刮板输送机的负载预测开展采煤机调速控制系统的设计,然后参考小波神经网络应用构建刮板输送机负载的预测模型,采集电流数据为采煤机调速模型提供数据支持。其次,在明确不同负载下采煤机的调速范围后,合理利用Elman神经网络,完成采煤机的调速策略研究。最后,开展对应的工业性试验,试验数据显示采煤机调速控制具有较高精确度和较快响应速度,可满足矿采需要。

基于负载预测实现采煤机的调速控制研究

针对当前采煤机速度控制与刮板输送机负载尚未达到协同控制的现象,经常导致刮板输送机处于超载运行状态的问题,提出了基于对刮板输送机负载预测为基础的采煤机调速控制系统,在系统总体设计和关键硬件选型的基础上,重点对刮板输送机负载预测的算法和采煤机调速控制流程进行分析;最后,将所设计的系统应用实际生产中对其应用效果包括采煤机的速度控制和刮板输送机的负载预测效果进行综合评估,并达到理想效果。

基于深度学习的变压器负载预测研究

随着以新能源为主体的新型电力系统快速发展,加之季节性负荷的增加,每年迎峰度夏、度冬、重大节假日期间的变压器重过载等问题也日益严重,严重影响变压器使用寿命和供电可靠性。通过负载预测提前对负载进行调整和转供,是解决变压器重过载问题的重要手段之一,因此实现变压器负载的准确预测至关重要。基于深度学习搭建长短期记忆循环神经网络(LSTM)的短期负荷预测模型,以变压器的历史负载、节假日信息及气象数据为输入,预测变压器负载水平。以两台容量为5000 kVA的35 kV变压器为例,通过MATLAB搭建负载预测模型,验证了变压器负载预测的准确性。

基于负载预测的无线移动网络数据拥塞控制方法

针对移动通信系统中的无线网络,当前的拥塞控制方法在部署数据传输和处理节点时,部署方式多为单目标模式,即每个节点只关注自己的目标任务,导致控制效率较低、数据丢包率偏高。为此,文章基于负载预测结果,设计了新的无线移动网络数据拥塞控制方法。首先,根据当前的拥塞控制需求,采用多阶的方式部署拥塞控制节点。其次,根据网络负载预测结果构建拥塞控制模型。最后,采用深度Q-网络(Deep Q-Leaning Network,DQN)辅助处理的方式控制网络数据拥塞。测试结果表明:相比于传统控制方法,应用文章方法后,数据吞吐量更高,数据丢包率被控制在1.5%以下,说明文章方法具有实际应用价值。

基于工作负载预测的虚拟机整合算法

针对云计算环境下满足负载均衡、自动伸缩、绿色节能等需求时所面临的虚拟机(VM)迁移问题,该文设计一种面向云计算基础设施基于工作负载预测的整合调度算法。通过有机结合基于工作负载预测的主动控制技术和基于实际系统状态信息的被动控制技术,并采用指数平滑预测模型预测未来时刻的工作负载情况,提出虚拟机选择阶段最大未来工作负载优先和虚拟机安置阶段比较资源需求队列的虚拟机整合算法。仿真表明,该算法利用基于预测的资源整合方式减少了服务器使用量、虚拟机迁移次数和服务等级协议违例次数,有效提升了以数据中心为核心的云基础设施整体资源利用率。

基于时间序列的服务器负载预测

在负载均衡集群中,为了实现高效的动态负载均衡,需要对服务器的负载进行有效的预测。在介绍服务器负载特性和时间序列的3种模型的基础上,根据服务器负载动态变化的规律,提出了基于时间序列的服务器负载预测方法,并利用这一方法对IP网关服务器的负载进行了预测,实验结果证明该方法具有较好的实用效果。

基于OpenStack的资源负载预测方法研究

数据中心的能耗在云计算高速发展的同时不断增加,提高服务器资源利用率,进而提高数据中心的能效成为新的研究方向。基于OpenStack开源云计算平台,利用回归分析方法,预测云计算环境下服务器负载情况的变化,提出资源动态调度算法,将计算任务迁移到更合适的服务器,达到提高集群计算能效的目的。通过CPU计算能力的实验验证了该算法的有效性,实现了云计算环境下CPU计算能效的提高。

基于GRU-LSTM组合模型的云计算资源负载预测研究

日益增多的应用部署在云端使得云数据中心的功耗波动剧烈,从而导致云数据中心资源利用率不平衡,高效的负载预测是解决该问题的关键技术。针对目前负载预测模型预测精度低、预测时间长的问题,建立一种基于门控循环单元(GRU)与长短期记忆(LSTM)网络的组合预测模型GRU-LSTM。该模型的网络结构包括3层,第一层采用GRU,利用GRU参数少、易收敛的特点减少模型训练时间,第二、第三层采用LSTM,结合LSTM参数多的优势提高模型的预测精度。在此基础上,对数据集作缺失值处理和标准化处理,使用随机森林算法对原始序列进行特征选择后得到一组新的序列值,将该序列值作为GRU-LSTM组合预测模型的输入,以对云计算资源进行高效预测。在集群公开数据集Cluster-trace-v2018上进行实验,结果表明,与传统的单一预测模型ARIMA、LSTM、GRU以及现有的组合预测模型ARIMA-LSTM、Refined LSTM等相比,GRU-LSTM模型预测结果的均方误差减少6~9,预测时间平均缩短约10%。

分布式系统中主机负载预测的一种普适性方法

分布式系统中为了获得高效的动态负载均衡,需要对主机负载进行有效的预测,这区别于网络流量的预测。论文从分析主机负载的特性入手,依据负载动态变化的规律,提出了一种具有普遍适用性的主机负载预测方法—线性时间序列模型法,并按该方法建立了HLPS(HostLoadPredictionSystem)模型,提出了HLPS的实现策略。

一种面向工作站网络的系统负载预测方法

提出一种应用人工智能技术方法解决基于PVM环境的负载平衡问题 .采用多项负载指标表示结点的负载情况 ,并利用BP算法 ,预测未来的负载情况 ,解决了采用多项负载指标所带来的系统开销大的问题 .在任务分配与任务执行时 ,应用人工智能技术预测各结点的负载情况 ,找到较佳的分配方案 .实验结果证明 。

基于遗传算法优化支持向量回归机的网格负载预测模型

提出一种基于遗传算法优化支持向量回归机的模型进行网格负载预测,使用遗传算法和交叉验证技术解决了支持向量回归机参数难以确定的问题.标准数据集仿真实验结果表明,该模型与试验法定参的支持向量回归机和BP神经网络相比具有更优的预测性能.