[发明专利]面向图卷积网络的云数据中心可再生能源时空预测方法

权利要求书

1.一种面向图卷积网络的云数据中心可再生能源时空预测方法，其特征在于，包括如下步骤：

步骤S1，建立基于绿色云数据中心目标太阳能站和其邻近站的空间特征图的拓扑结构；

步骤S2，构建基于图卷积网络的绿色云数据中心可再生太阳能时空预测模型；

步骤S3，集成图卷积网络(Graph Convolutional Network，GCN)和长短时记忆(LongShort-Term Memory，LSTM)网络，并结合注意力机制的太阳能时空预测模型进行迭代训练，优化模型参数，得到最终的模型；

步骤S4，利用步骤S3训练完成后的最终模型对绿色云数据中心太阳能进行不同时间粒度的预测。

2.根据权利要求1所述的面向图卷积网络的云数据中心可再生能源时空预测方法，其特征在于，步骤S1具体为：

太阳能站的空间信息定义为图G，使用无权图G＝(V，E)来描述太阳能站的拓扑结构，每个太阳能站作为图中的一个节点，节点集合y＝{v₁，v₂，…，v_N}，其中，N是节点数量，E代表边集合，邻接矩阵A∈R^N×N表示太阳能站点之间的距离度量，公式如下：

其中，A_i，j为节点v_i，v_i边的权重，dist(v_i，v_i)为太阳能站v_i和太阳能站v_j在地理上的距离，即两点间的欧式距离，δ²为距离dist(v_i，v_j)的方差。

3.根据权利要求2所述的面向图卷积网络的云数据中心可再生能源时空预测方法，其特征在于，步骤S2中时空预测模型结构由GCN和LSTM网络两部分组成。首先，使用历史n时间序列数据作为输入，利用GCN捕获太阳能站空间拓扑结构，获得空间特征；其次，将得到的具有空间特征的时间序列输入LSTM网络模型，通过细胞状态间的信息传递获得动态变化，捕捉时间特征；然后，引入了注意力机制为动态调整历史不同时刻太阳能特征对预测结果的影响程度；最后，通过全连通层得到目标结果；

其中，通过监测某云数据中心太阳能站以及其它区域的太阳能站的一定时间间隔t的数据，在无向图G上观测到的太阳能表示为特征矩阵X∈R^N×P，用来描述每个太阳能站随时间的变化，P代表节点属性的数量特征，即历史时序列的长度，每一行代表一个太阳能站，每一列是不同时段的太阳能量，X_t∈R^N×i为每个太阳能站节点在时刻i的太阳能，实验中历史太阳能数据需进行归一化为区间[0，1]；

时空太阳能预测模型为在时间周期T内太阳能站空间拓扑图G和特征矩阵X前提下的学习映射函数f，然后预测未来T时刻的太阳能，公式如下：

[X_t+1，X_t+2，…，X_t+T]＝f(G；(X_t-n，…，X_t-1，X_t))。

其中，n是历史时间序列的长度，T是预测的时间序列长度，t为时间间隔。