基于门控循环神经网络的边缘服务中心风光荷组合预测方法

摘要

边缘计算因数据处理快、低成本和高实时等优点近年来在能源行业中受到广泛关注，而在边缘服务器上开展预测有助于对能源精细化管控。因此，针对边缘服务资源的有限性，基于差分自回归整合移动平均（autoregressive integrated moving average, ARIMA）模型和门控循环单元（gated recurrent unit, GRU）神经网络，提出考虑线性和非线性特征的风、光、荷组合预测方法。ARIMA用于提取源、荷的线性特征，将其与真实值进行拟合，得到包含非线性特征的残差。其次，将残差作为GRU的训练数据集建立预测模型，再引入剪枝和量化方法优化及压缩GRU模型，减小预测模型规模，以适应边缘服务器部署。大量仿真结果表明，所构建的GRU压缩模型规模小、预测精度高，适合边缘服务器的部署应用。

关键词

风光荷 / 边缘服务器 / 门控循环单元 / 神经网络 / ARIMA / 组合预测