摘 要

近年来，云计算中心引入可再生能源逐渐成为趋势，即由可再生能源和传统电网共同供电，保证了供电可靠性的同时降低了经济和环境成本。但是可再生能源具有间歇性和不可控性，其发电量受多种因素影响，无法确保可再生能源可以贡献的比例。因此，预测可再生能源的发电量是至关重要的，通过预测可再生能源的发电量，并根据预测结果和用电量对传统电网进行调度，以达到保证云计算中心正常运行和降低成本的目的。为解决这个问题，本文以可再生能源中的太阳能为研究对象，采用机器学习方法，用中国天气网的天气预报数据建立太阳能发电的预测模型。通过分析天气预报数据，将天气情况与太阳能的表征量太阳强度之间进行关联，分析每个天气预测参数对太阳强度的影响。并对现有的一些预测模型进行了对比，最终使用支持向量机方法建立预测天气参数与太阳强度的模型，根据天气预报和太阳强度数据对模型进行验证。研究结果表明，基于支持向量机的预测模型与其它模型相比预测准确度高21%，该预测模型更加精确。

关键词：绿色计算；可再生能源；机器学习；BP神经网络；支持向量机

Abstract

In recent years, the introduction of cloud computing center for renewable energy gradually become a trend, that is, from renewable energy sources and conventional power grids together to ensure the reliability of power supply at the same time reducing the economic and environmental costs. But renewable energy is intermittent and uncontrollable nature, its power generation capacity is affected by many factors, not ensure that the proportion of renewable energy sources can contribute. Thus, the prediction generation of renewable energy is essential to predict the amount of power through renewable energy sources, and based on the results and forecast consumption of traditional grid scheduling, in order to achieve cloud computing center to ensure proper operation and reduce costs purpose. To solve this problem, we renewable energy sources for the study of solar energy, the use of machine learning methods, prediction model with weather forecast data of solar power China Weather Network. By analyzing the weather forecast data will be conducted to characterize the association between weather conditions and the amount of solar energy the sun intensity, analyze the impact of each parameter on the weather forecast sun intensity. And some of the existing prediction models were compared, end-use linear least squares and support vector machine method to establish parameters and sun strength forecast model, based on the weather forecast and the sun intensity data for model validation. The results show that the prediction model based on support vector machines compared with other models prediction accuracy of 21%, the prediction model more accurate.

Key Words: Green computing； renewable energy； machine learning； BP neural network； support vector machine； SVM

目录

摘要 i

Abstract ii

目录 iii

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外相关研究 1

1.3 主要研究内容 2

1.4 本文组织结构 3

第2章 机器学习理论 4

2.1 监督学习 4

2.2 支持向量机 5

2.3 本章小结 6

第3章 实验数据分析 7

3.1 数据收集 7

3.2 数据预处理 8

3.3 数据处理和分析 9

3.4 实验工具和平台 10

3.4.1 实验软件工具 11

3.4.2 实验平台 11

3.5 本章小结 12

第4章 模型建立和对比 13

4.1 模型建立 13

4.1.1 算法描述 13

4.1.2 模型构建 15

4.2 模型分析 17

4.3 模型对比 19

4.4 本章小结 19

第5章 结论 20

参考文献 21

致谢 23

第1章 绪论

1.1 研究背景及意义

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^[1]。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，达到智能电网的目标，保障能源的合理利用。