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.

基于深度孪生自回归网络的无监督异常用电检测

异常用电检测旨在识别出不符合正常用电规律或者违反用电合约的用电行为。针对现有基于重构的检测方法依赖标记的正常样本和难以捕捉复杂时间依赖性的问题,提出一种基于深度孪生自回归网络的无监督异常用电行为检测模型(DSAD)。所提模型通过两个孪生自回归子网络来分别独立地对无标记的输入数据进行重构,再将两个子网络的重构误差相结合来预测数据中的正常样本,并利用多头自注意力机制来有效地捕捉时间依赖性、周期性和随机性等复杂特征。在大规模时序数据集和国家电网真实用电数据集上进行实验,所获得的结果表明,DSAD模型在AUC以及AP等性能指标上取得了更好的检测效果。

时间序列预测与深度学习:文献综述与应用实例

随着深度学习与时间序列传统模型的融合发展,通过利用大量可用数据在整个时间序列集合中估计全局模型的参数,使得传统的局部建模方法得到了实质性的改进。介绍近年来提出的与深度学习相结合的时间序列预测方法及三种时间序列预测模型:深度状态空间模型(DSSM),深度自回归模型(DeepAR),Transformer模型。采用GluonTS时间序列预测框架对上海市出口额数据进行预测并给出效果评估。实验结果表明,基于深度学习的时间序列预测效果明显优于传统的ARIMA模型的预测。

基于GRA DeepAR的燃气轮机燃烧室故障预警研究

为防止电站燃气轮机燃烧室在工作期间出现故障而导致重大经济损失,提出了一种基于灰色关联度分析和深度自回归模型(GRA DeepAR)的故障预警方法。首先,采集燃气轮机的正常运行数据进行GRA,提取出与透平排气温度高度相关的特征参数;然后,采用DeepAR对透平排气温度进行预测,并设定预警阈值,以此建立深度自回归故障预警模型;最后,根据残差绝对值是否超过预警线来间接判断燃烧室的运行情况。以某电厂安萨尔多燃气轮机的运行数据为例进行了分析,结果表明:该方法能够提前识别燃烧室的异常状况,同时发出预警信号提醒工作人员进行处理,可为燃气轮机燃烧室故障预警提供实际参考。