[发明专利]一种基于云计算的预测和能量管理方法及系统

权利要求书

1.一种基于云计算的预测和能量管理方法，其特征在于，所述方法包括如下步骤：

资源和队列管理器RQM在云端上启动虚拟机，所述虚拟机充当扫描节点SN的功能，并接收来源于发电基站和终端负载的原始数据；

当扫描节点SN接收到数据时，开始执行两个方面的任务：(1)基于历史数据对每个发电基站或负载训练WRNN模型进行拟合或预测；(2)对每个发电基站和负载采取小波递归神经网络对电力供应和消耗两端同时进行预测，给出能量调度或分配方案；任务(2)基于任务(1)的结果；

扫描节点SN完成这两项任务后，则输出预测结果和配置方案，所述预测结果和配置方案被发送到数据存储单元SU，状态更新则被发送到资源和队列管理器RQM。

2.根据权利要求1所述的基于云计算的预测和能量管理方法，其特征在于，每个WRNN模型基于对应的历史时间序列数据进行训练，用u(τ)表示这一序列，τ_n表示数据采样的时间步长；计算该序列的双正交小波分解，从而得到WRNN所需的输入；

分解过程通过小波变换进行：用W_i表示第i轮迭代后的分解，对应的系数集和残差集分别为d_i(τ_n)和a_i(τ_n)，从而

W(a_i-1(τ_n))＝[d_i(τ_n),a_i(τ_n)] (1)

用x(τ_n)表示原始序列，则a₀(τ_n)＝x(τ_n)；假设进行了M级小波分解，共有N个时间步，则输入表示为一个N×(M+1)的矩阵，其中第n行表示时间步τ_n上的输入向量

u(τ_n)＝[d₁(τ_n)，d₂(τ_n)，…，d_M(τ_n)，a_M(τ_n)] (2)

每一行作为输入提供到WRNN输入层的M个神经元，然后对于每个时间步τ_n，WRNN给出τ_n+r上的预测值，其中r表示预测步长；用f表示整个WRNN网络定义的非线性函数，则f的功能表示为

f(u(τ_n))＝x(τ_n+r) (3)

3.一种基于云计算的预测和能量管理系统，其特征在于，所述系统包括数据存储单元SU、资源和队列管理器RQM、扫描节点SN；所述数据存储单元SU用于保存从发电基站和终端负载收集的原始数据，以及WRNN模型训练后得到的参数；所述资源和队列管理器RQM用于协调云端虚拟机的工作，并根据WRNN模型结果选择最优配置；所述扫描节点SN用于分布式地训练WRNN模型。