可再生能源的可用能量预测模型设计与实现开题报告

1. 研究目的与意义（文献综述）

随着石油、煤炭等传统能源的不断消耗，生态环境也在不断地恶化，越来越多的国家大力发展可再生能源，实现节能减排，达到低碳经济转型的目的。我国是一个资源消耗大国，因而更为重视可再生能源的发展。中国共产党十八届五中全会上提出了“创新、协调、绿色、开放、共享”的发展战略，绿色的可再生能源是极其重要的发展方向，是平衡能源与环境的最佳途径。可再生能源的开发和利用在我国还处于初级发展阶段，存在着巨大的可发展空间。

可再生能源包括太阳能、水力、风力、生物质能、波浪能、潮汐能、海洋温差能等，它们在自然界可以循环再生。但是可再生能源具有不确定性，受影响的因素很多，所以不容易被利用。比如太阳能受辐射强度、温度、压强、湿度、云量等多方面影响，存在波动性、间歇性、不稳定性等缺点。这些不确定因素会对电力系统经济、安全、稳定运行造成影响，可能会导致无法及时供应足够的能源。因而对可再生能源的预测显得尤为重要。通过对可再生能源的预测，可以帮助电力系统做好能源的调度和调优，保障能源的合理利用。

目前国内外对可再生能源预测的方法有很多，如多元线性回归法、神经网络法、马尔科夫链、支持向量机法等，其中基于神经网络的光伏发电预测的研究较为普遍。神经网络是一门新兴的信息处理科学，是对人脑若干基本特性的抽象利模拟。它是以人的大脑工作模式为基础，研究自适应及非程序的信息处理方法。这种工作机制的特点表现为通过网络中大量神经元的作用来体现它自身的处理功能，从模拟人脑的结构和单个神经元功能出发，达到模拟人脑处理信息的目的。由于其强大的学习能力，神经网络已经成为研究模型预测的重要工具。神经网络的性能主要取决于三个因素：首先是用于训练神经网络的样本的特征选择方法，其次是神经网络的优化算法，最后就是神经网络隐层节点的选择方法。采用合适的特征选择模型，寻找最佳的神经网络优化算法和隐层节点的选择方法，对于可再生能源的预测具有重要的理论和实用价值。

2. 研究的基本内容与方案

本次毕业设计以云计算中心为研究对象，研究可再生能源中太阳能的预测。具体内容如下：

• 调研较常用的可再生能源如太阳能和风能等模型，分析其能量利用率；
• 分析新能源具有不同的特性，研究如何最大化利用可再生能源，确保与非再生能源协同合作下最小化数据中心成本等；
• 比较和分析常见的预测模型如时间序列预测、马尔可夫链、神经网络等；
• 设计和实现基于机器学习的太阳能可用能量预测模型，完成测试分析。

本次毕业设计基于机器学习的方法进行预测研究。机器学习的核心是学习。学习是人类特有的一项能力，如何让机器像人类一样，能够通过外界环境的影响来改善自己的性能，是机器学习领域研究的重点。机器学习的过程是一个从未知到已知的过程。如果一台机器拥有这样的程序，随着机器解决问题的增多，在该程序的作用下，机器性能或解决问题的能力增强，我们就说这台机器拥有学习能力。机器解决问题能力的增强主要表现在：初始状态下，对于问题 Q，机器给出结果 A，该机器在解决问题 {Q1,Q2,…,Qm} 后，再次遇到问题 Q 时给出结果 A1，而结果 A1 比结果 A 更精确，我们就说机器解决问题的能力得到了增强。机器学习最近几年发展迅速，但其毕竟属于新兴领域，发展时间短，技术难题多，一直以来，机器的学习能力都是人工智能领域的“瓶颈”。一方面机器学习领域的发展限制了人工智能领域的发展，另一方面鉴于机器学习与其他领域的密切关系，这就要求可以在其他领域寻找新的学习算法和学习体制，并以此促进机器学习领域的新发展。

3. 研究计划与安排

2016/1/11—2016/1/22：查阅参考文献，明确选题；

2016/1/23—2016/3/7：进一步阅读文献，并分析和总结；确定技术路线，完成并提交开题报告；

2016/3/8—2016/4/26：需求分析，算法或系统设计，分析、比较或实现等；

4. 参考文献（12篇以上）

1. Aksanli B, Venkatesh J, Zhang L, et al. Utilizing green energy prediction to schedule mixed batch and service jobs in data centers[J]. Acm Sigops Operating Systems Review, 2011, 45(3): 53-57.
2. Sharma N, Sharma P, Irwin D, et al. Predicting solar generation from weather forecasts using machine learning[C]// Smart Grid Communications(SmartGridComm), 2011 IEEE International Conference on. IEEE, 2011: 528-533.
3. Chakraborty S, Weiss M D, SimOes, M G. Distributed intelligent energy management system for a single-phase high-frequency AC microgrid[J]. IEEE Transactions on Industrial Electronics, 2007, 54(I): 97-109.
4. 傅美平，马红伟，毛建容．基于相似日和最小二乘支持向量机的光伏发电短期预测[J]．电力系统保护与控制．2012, 40(16): 65-69．
5. MellitA, PavanA M, A-24h forecast of solar irradiance using artificial neural network: Applicationfor performance prediction of a grid-connected PV plant at Trieste, Italy[J]. Solar Energy, 2010, 84(8): 807-821.
6. D. Gmach, Y. Chen, A. Shah, J. Rolia, C. Bash, T. Christian, R. Sharma. Profiling sustainability of data centers[J]. Sustainable Systems and Technology (ISSST), 2010 IEEE International Symposium. 2010
7. 杨超，榑沼弘贵．光伏发电系统发电量的预测方法[J]．智能建筑电气技术，2011, 5(2): 30-34．
8. 栗然，李广敏．基于支持向量机回归的光伏发电出力预测[J]．中国电力，2008, 41(2)：74-78．
9. 卢静，翟海青，刘纯．光伏发电功率预测统计方法研究[J]．华东电力，2010, 38(4)：563-567．
10. 朱永强，田军．最小二乘支持向量机在光伏功率预测中的应用[J]．电网技术，2011, 35(7)：54-59．
11. 张艳霞，赵杰．基于反馈型神经网络的光伏系统发电功率预测[J]．电力系统保护与控制, 2011, 39(15): 96-101．
12. 丁明, 徐宁舟．基于马尔可夫链的光伏发电系统输出功率短期预测方法[J]. 电网技术, 2011, 35(1): 152-157．
13. 陈昌松，段善旭，殷进军．基于神经网络的光伏阵列发电预测模型的设计[J]．电工技术学报，2009, 24(9): 153-158．
14. 杜颖，卢继平，李青，等．基于最小二乘支持向量机的风电场短期风速预测[J]．电网技术，2008, 32(15): 62-66．
15. 孟洋洋，卢继平，孙华利，等．基于相似日和人工神经网络的风电功率短期预测[J]．电网技术，2010, 34(12): 163-167．