基于Spark和支持向量回歸的微電網(wǎng)短期負(fù)荷預(yù)測(cè)研究.pdf

1、隨著能源和環(huán)境問題的日趨嚴(yán)重，新能源的開發(fā)和利用受到越來越多的關(guān)注，隨之帶來了微電網(wǎng)的興起和發(fā)展。為了保證微電網(wǎng)高效率的經(jīng)濟(jì)運(yùn)行，準(zhǔn)確地負(fù)荷預(yù)測(cè)就變得尤為重要。關(guān)于微電網(wǎng)短期負(fù)荷預(yù)測(cè)的研究還相對(duì)較少，因此，本文對(duì)微電網(wǎng)的負(fù)荷預(yù)測(cè)展開研究，對(duì)微電網(wǎng)安全、節(jié)能、高效運(yùn)行具有重要的理論意義和實(shí)用價(jià)值。
　　首先針對(duì)人工蜂群算法易陷入局部最優(yōu)及收斂速度慢的缺點(diǎn)，引入當(dāng)前最優(yōu)蜜源和慣性權(quán)重函數(shù)，對(duì)該算法的食物源更新方式進(jìn)行改進(jìn)；然后針對(duì)支持

2、向量回歸機(jī)的參數(shù)選擇和優(yōu)化問題，轉(zhuǎn)化成組合優(yōu)化的問題，并使用改進(jìn)的人工蜂群算法進(jìn)行優(yōu)化求解，進(jìn)而得到人工蜂群算法優(yōu)化SVR的預(yù)測(cè)模型。以微電網(wǎng)短期負(fù)荷預(yù)測(cè)數(shù)據(jù)為例，將該模型的預(yù)測(cè)結(jié)果與蟻群算法優(yōu)化的支持向量回歸機(jī)(ACO-SVR)、粒子群算法優(yōu)化的支持向量回歸機(jī)(PSO-SVR)和未改進(jìn)的蜂群算法優(yōu)化的支持向量回歸機(jī)(ABC-SVR)進(jìn)行對(duì)比分析，實(shí)驗(yàn)結(jié)果表明該模型具有最優(yōu)的預(yù)測(cè)效果并且運(yùn)行時(shí)間最短，相比其他模型具有更好的學(xué)習(xí)和推廣能力

3、。
　　近年來電力系統(tǒng)智能化的發(fā)展導(dǎo)致了負(fù)荷數(shù)據(jù)的海量化和高維化，負(fù)荷預(yù)測(cè)面臨著單機(jī)計(jì)算資源不足、預(yù)測(cè)實(shí)時(shí)性差的挑戰(zhàn)。針對(duì)電力系統(tǒng)的海量歷史負(fù)荷數(shù)據(jù)，對(duì)上面模型在 Spark平臺(tái)下進(jìn)行了并行化設(shè)計(jì)。利用實(shí)驗(yàn)室設(shè)備搭建了含一個(gè)主節(jié)點(diǎn)、七個(gè)數(shù)據(jù)節(jié)點(diǎn)的 Spark計(jì)算集群，在 Spark云平臺(tái)實(shí)現(xiàn)了分布式支持向量回歸預(yù)測(cè)算法。測(cè)試了本文設(shè)計(jì)的并行化算法的并行性能，實(shí)驗(yàn)分析表明本文設(shè)計(jì)的并行算法在進(jìn)行海量數(shù)據(jù)處理時(shí)相對(duì)于常用的方法具有更快

4、的處理速度。
　　隨著能源和環(huán)境問題的日趨嚴(yán)重，新能源的開發(fā)和利用受到越來越多的關(guān)注，隨之帶來了微電網(wǎng)的興起和發(fā)展。為了保證微電網(wǎng)高效率的經(jīng)濟(jì)運(yùn)行，準(zhǔn)確地負(fù)荷預(yù)測(cè)就變得尤為重要。關(guān)于微電網(wǎng)短期負(fù)荷預(yù)測(cè)的研究還相對(duì)較少，因此，本文對(duì)微電網(wǎng)的負(fù)荷預(yù)測(cè)展開研究，對(duì)微電網(wǎng)安全、節(jié)能、高效運(yùn)行具有重要的理論意義和實(shí)用價(jià)值。
　　首先針對(duì)人工蜂群算法易陷入局部最優(yōu)及收斂速度慢的缺點(diǎn)，引入當(dāng)前最優(yōu)蜜源和慣性權(quán)重函數(shù)，對(duì)該算法的食物源更新方

5、式進(jìn)行改進(jìn)；然后針對(duì)支持向量回歸機(jī)的參數(shù)選擇和優(yōu)化問題，轉(zhuǎn)化成組合優(yōu)化的問題，并使用改進(jìn)的人工蜂群算法進(jìn)行優(yōu)化求解，進(jìn)而得到人工蜂群算法優(yōu)化SVR的預(yù)測(cè)模型。以微電網(wǎng)短期負(fù)荷預(yù)測(cè)數(shù)據(jù)為例，將該模型的預(yù)測(cè)結(jié)果與蟻群算法優(yōu)化的支持向量回歸機(jī)(ACO-SVR)、粒子群算法優(yōu)化的支持向量回歸機(jī)(PSO-SVR)和未改進(jìn)的蜂群算法優(yōu)化的支持向量回歸機(jī)(ABC-SVR)進(jìn)行對(duì)比分析，實(shí)驗(yàn)結(jié)果表明該模型具有最優(yōu)的預(yù)測(cè)效果并且運(yùn)行時(shí)間最短，相比其他模型

6、具有更好的學(xué)習(xí)和推廣能力。
　　近年來電力系統(tǒng)智能化的發(fā)展導(dǎo)致了負(fù)荷數(shù)據(jù)的海量化和高維化，負(fù)荷預(yù)測(cè)面臨著單機(jī)計(jì)算資源不足、預(yù)測(cè)實(shí)時(shí)性差的挑戰(zhàn)。針對(duì)電力系統(tǒng)的海量歷史負(fù)荷數(shù)據(jù)，對(duì)上面模型在 Spark平臺(tái)下進(jìn)行了并行化設(shè)計(jì)。利用實(shí)驗(yàn)室設(shè)備搭建了含一個(gè)主節(jié)點(diǎn)、七個(gè)數(shù)據(jù)節(jié)點(diǎn)的 Spark計(jì)算集群，在 Spark云平臺(tái)實(shí)現(xiàn)了分布式支持向量回歸預(yù)測(cè)算法。測(cè)試了本文設(shè)計(jì)的并行化算法的并行性能，實(shí)驗(yàn)分析表明本文設(shè)計(jì)的并行算法在進(jìn)行海量數(shù)據(jù)處理時(shí)