针对现有风电机组功率曲线建模存在非线性拟合能力不足,且不能很好的捕捉风速与风功率之间的复杂关系,提出了一种基于数据驱动的风电机组功率曲线建模的方法(mELM-CA-LSTM)。该方法利用多个极限机器学习机(Extreme Learning Machine,sho...针对现有风电机组功率曲线建模存在非线性拟合能力不足,且不能很好的捕捉风速与风功率之间的复杂关系,提出了一种基于数据驱动的风电机组功率曲线建模的方法(mELM-CA-LSTM)。该方法利用多个极限机器学习机(Extreme Learning Machine,short for ELM)将单个的风速变量映射到多维特征空间中,组成多个特征图,通过通道注意力机制(Channel Attention,short for CA)减少高维空间特征图的冗余性,最后将长短时记忆网络(Long short-term memory network,short for LSTM)拟合风速与相应风功率之间非线性关系。对比分析了其他功率曲线建模的方法,所提的mELM-CA-LSTM方法在三个数据集上获得的最高的精度,验证了所提方法的有效性。展开更多
针对现有能耗模型对动态工作负载波动具有低敏感性和低精度的问题,该文基于卷积长短期记忆(convolutional long short-term memory, ConvLSTM)神经网络,提出了用于移动边缘计算的服务器智能能耗模型(intelligence server energy consump...针对现有能耗模型对动态工作负载波动具有低敏感性和低精度的问题,该文基于卷积长短期记忆(convolutional long short-term memory, ConvLSTM)神经网络,提出了用于移动边缘计算的服务器智能能耗模型(intelligence server energy consumption model,IECM),用于预测和优化服务器的能量消耗。通过收集服务器运行时间参数,使用熵值法筛选和保留显著影响服务器能耗的参数。基于选定的参数,利用ConvLSTM神经网络训练服务器能耗模型的深度网络。与现有的能耗模型相比,IECM在CPU密集型、I/O密集型、内存密集型和混合型任务上,能够适应服务器工作负载的动态变化,并在能耗预测上具有更好的准确性。展开更多
文摘针对现有风电机组功率曲线建模存在非线性拟合能力不足,且不能很好的捕捉风速与风功率之间的复杂关系,提出了一种基于数据驱动的风电机组功率曲线建模的方法(mELM-CA-LSTM)。该方法利用多个极限机器学习机(Extreme Learning Machine,short for ELM)将单个的风速变量映射到多维特征空间中,组成多个特征图,通过通道注意力机制(Channel Attention,short for CA)减少高维空间特征图的冗余性,最后将长短时记忆网络(Long short-term memory network,short for LSTM)拟合风速与相应风功率之间非线性关系。对比分析了其他功率曲线建模的方法,所提的mELM-CA-LSTM方法在三个数据集上获得的最高的精度,验证了所提方法的有效性。
文摘针对现有能耗模型对动态工作负载波动具有低敏感性和低精度的问题,该文基于卷积长短期记忆(convolutional long short-term memory, ConvLSTM)神经网络,提出了用于移动边缘计算的服务器智能能耗模型(intelligence server energy consumption model,IECM),用于预测和优化服务器的能量消耗。通过收集服务器运行时间参数,使用熵值法筛选和保留显著影响服务器能耗的参数。基于选定的参数,利用ConvLSTM神经网络训练服务器能耗模型的深度网络。与现有的能耗模型相比,IECM在CPU密集型、I/O密集型、内存密集型和混合型任务上,能够适应服务器工作负载的动态变化,并在能耗预测上具有更好的准确性。
