基于长短时序预测的拓扑构建与控制

摘要

为优化动态网络的拓扑构建与资源分配，提出基于长短时序预测的拓扑构建与控制(long short-term prediction-based topology construction and control,LSPTCC)框架。采用长短期记忆(long short-term memory, LSTM)网络和Informer模型进行多维时间序列的长时和短时预测，精准捕捉数据中的时间依赖性与非平稳性波动。基于预测结果，使用增强容量约束设计(enhanced capacity constrained design, ECCD)算法构建最小生成树(minimum spanning tree, MST),优化节点间的连接，减少传输路径的总损耗。利用最大网络流算法实现动态的流量分配与调整，确保系统在流量波动情况下的高效流量资源利用。实验采用光伏消纳数据集，结果表明该框架能够准确预测发电量和用电量，并通过优化拓扑结构和资源分配，减少电力传输损耗，验证LSPTCC框架的有效性和鲁棒性。

关键词

长短时序预测 / 最小生成树 / 最大网络流算法 / 动态网络拓扑