一种基于云计算的预测和能量管理方法及系统技术方案

本发明专利技术公开了一种基于云计算的预测和能量管理方法及系统。本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
一种基于云计算的预测和能量管理方法及系统
本专利技术属于智能电网领域，具体涉及一种基于云计算的预测和能量管理方法及系统。
技术介绍
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-regressivemovingaverage，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-regressiveintegratedmovingaverage，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。
技术实现思路
针对
技术介绍
中的问题，本专利技术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。本专利技术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，本专利技术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。作为一种优选的方案，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，τn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Wi表示第i轮迭代后的分解，对应的系数集和残差集分别为di(τn)和ai(τn)，从而W(ai-1(τn))＝[di(τn),ai(τn)](1)用x(τn)表示原始序列，则a0(τn)＝x(τn)；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τn上的输入向量u(τn)＝[d1(τn)，d2(τn)，…，dM(τn)，aM(τn)](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τn，WRNN给出τn+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(τn))＝x(τn+r)(3)本专利技术的第二个目的是提供一种基于云计算的预测和能量管理系统，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。本专利技术的有益效果在于：本专利技术提出了一种分布式的控制方法，该方法结合了对发电，负载和需求三个层面的预测。这使得不同的时间尺度上的预测可以进行整合，使系统具有高可扩展性。相比传统的负载控制策略，本专利技术能更为有效地同时处理稳定性和性能问题。当可再生能源发电日益成为潮流时，这无疑将成为未来智能电网体系的关键问题。附图说明图1为基于云计算的预测和能量管理系统框架图。图2为模型预测值与真实值比较示意图。图3为节点数增加时的模型预测与调度耗时示意图。具体实施方式下面结合附图以及实施例，对本专利技术的具体实施方案作详细的阐述。需要说明的是，在不存在冲突的情况下，实施例及其中的技术特征可相互组合。本专利技术以光伏电站为例，提出基于云计算的智能电网预测和能量管理方法和系统。利用云端的分布式图形处理器(graphicprocessingunit，GPU)提供的强大计算能力，基于小波递归神经网络(waveletrecurrentneuralnetwork，WRNN)对电力供应和需求作出预测，并根据预测结果得到最合理的调度方案。本专利技术提出的针对智能电网的能量管理机制由两个部分构成：第一部分主要包括执行预测功能的WRNN模型，第二种类型分析收集和预测得到的数据，以确定能量的分配方案。WRNN模型相比普通的递归神经网络，WRNN结合了小波分解的优势。小波分解不仅提供了对数据的另一种表示形式，而且当数据中存在较多冗余时，小波分解作为一种有效的工具，可以用更紧凑的方式表现出数据的内在结构。基于小波表示的数据相比原始数据噪声会大幅降低，因此能够更准确地模拟受多种复杂因素共同影响的时间序列数据，例如影响发电量的天气变化等。本专利技术使用WRNN模型给出时域预测，这意味着预测结果具有可读性，而不是仅仅通过小波系数表示。通过使用径向基函数(radialbasisfunction，RBF)的组合近似母小波(motherwavelet)的传递函数来实现WRNN模型，已有文献证明，RBF函数可以充分地接近母小波的一半，因此可以本文档来自技高网...

【技术保护点】
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：/n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；/n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；/n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。/n

【技术特征摘要】
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，τn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Wi表示第i轮迭代后的分解，对应的系数集和残差集分别为di(...

【专利技术属性】
技术研发人员：杨立波，林展华，马斌，郭国强，王强，习新魁，王孟，李一鹏，李广志，栗维勋，
申请(专利权)人：国网河北省电力有限公司，北京科东电力控制系统有限责任公司，国家电网有限公司，
类型：发明
国别省市：河北;13