[发明专利]一种基于云计算的预测和能量管理方法及系统

说明书

本发明公开了一种基于云计算的预测和能量管理方法及系统。本发明在对电力供需两端做出预测的基础上，确定最优的电量调度策略。本发明使用小波递归神经网络模型WRNN，高效且准确地对电力供需两端进行预测。同时，云计算体系可以在基于大量数据的电力供需预测任务上进行快速和分布式地计算。

技术领域

本发明属于智能电网领域，具体涉及一种基于云计算的预测和能量管理方法及系统。

背景技术

随着对绿色，清洁的能源体系的提倡，以光伏(photovoltaic，PV)发电，风力发电，潮汐发电等为代表的可再生能源发电方案体现出了巨大的潜力。将这类新能源发电集成到智能电网体系中，在减少排放和保护环境的同时，可以实现发电的“就地取材”，有效解决许多偏远地区的用电问题。但另一方面，这类可再生能源发电方案依赖的自然天气条件都具有周期性或季节性，因此很难提供持续且稳定的电力。例如，太阳能光伏系统在非晴天时的发电能力十分有限；而风速在短时间内都可能出现较大波动，所以风力发电系统也无法满足恒定的电力需求。因此，当使用这类可再生能源进行发电时，必须适当地管理所产生的能量，以减少功率波动造成的影响。

已有研究中提出了多种智能电网的能量管理方案。对于这一问题，主要难点在于智能电网能量调度需要复杂的双向通信基础设施和数据计算技术。并且，在限制能量波动的同时，还必须考虑到部分需求存在波动的设备，如电动汽车等。因此，寻求一种可行的解决方案来最小化电力生产波动的影响并确保具有可变需求的消费设备稳定运行是智能电网能量管理的重要目标。一种传统的做法是使用能量管理系统定期地监控负载，消除电力供应过剩或不足导致的能量不平衡问题。但考虑到可再生能源本身高度的随机性，这种简单的平衡策略是不充分的。

对于这一问题，目标不仅是满足负载需求，保证发电系统的高可靠性，同时还需要提高可再生能源的利用率，使可用电力尽可能多地从可再生能源中产生。因此，电网管理中需要克服由可再生能源带来的大量不确定因素。

以自回归移动平均(auto-regressive moving average，ARMA)模型为代表的时间序列模型已经在功率预测问题中得到了广泛利用，但这类模型需要大量的历史数据才能做出可靠的预测。并且，ARMA与自回归积分移动平均(auto-regressive integrated movingaverage，ARIMA)，马尔可夫方法等模型对季节性的敏感程度较高，这导致这类模型在处理太阳辐射这样随机性高的特征时效果一般。尽管通过一些非线性过程可以对这类序列进行近似，但会限制模型的适用范围。对于这类高度非线性的过程，目前的主流方案是使用深度神经网络等机器学习技术。

发明内容

针对背景技术中的问题，本发明提出了一种基于云计算的预测和能量管理方法，在对电力供需两端做出预测的基础上，确定最优的电量调度策略。本发明使用小波递归神经网络模型WRNN，高效且准确地对电力供需两端进行预测。

为了实现上述目的，本发明的具体技术方案如下：

.一种基于云计算的预测和能量管理方法，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。