云計算和機器學習算法在電力負荷預測中的研究與應用.pdf

1、短期負荷預測是實現(xiàn)電力系統(tǒng)優(yōu)化運行的基礎,對于電力系統(tǒng)的安全性、可靠性和經濟性都有著顯著影響。隨著電網智能化程度的加深,一線城市在用電高峰期間,面臨數(shù)百萬條記錄的電力數(shù)據采集規(guī)模,一年的數(shù)據存儲規(guī)模將從目前的GB級增長到TB級,甚至 PB級,同時,電力負荷數(shù)據維度也從幾十向上百過渡。在如此海量高維的數(shù)據上進行傳統(tǒng)負荷預測,將遭遇單機計算資源不足的瓶頸。云計算技術對于海量高維數(shù)據的處理和實時求解具有很強的適應性,可為消耗大量資源的算法提供

2、實時可靠相對廉價的計算資源。智能電網的云計算存儲模型雖已經取得一定的發(fā)展,但是基于云計算的電力負荷預測的并行算法卻鮮有人研究。在此背景下,本文對上述問題展開研究。
　　首先,為了提高負荷分類的精確性和有效性,為電力負荷預測的數(shù)據預處理階段提供有效參考,本文提出一種基于云計算的并行量子粒子群優(yōu)化模糊C均值聚類算法。將量子粒子群群體智能算法(QPSO)引入到傳統(tǒng)模糊C均值聚類算法(FCM)中,利用QPSO較強的全局搜索能力,克服傳統(tǒng)F

3、CM算法易陷入局部最優(yōu)以及其對初始聚類中心過于敏感的缺陷。其次,針對傳統(tǒng)支持向量機負荷預測算法執(zhí)行效率較低的不足,提出將序列極小優(yōu)化算法引入到電力負荷支持向量機預測算法(ε-SVR)中,實現(xiàn)對ε-SVR算法的快速訓練。此外,針對電力負荷預測的實際應用場景,還提出一種在線序列優(yōu)化的極限學習機的短期電力負荷預測模型。針對電力負荷數(shù)據特性,將極限學習機算法引入到負荷預測領域,并對該算法進行在線序列優(yōu)化;引入分布式和multi-agent思想,

4、提升負荷預測算法預測準確率。最后,采用云計算技術中的MapReduce編程框架以及HBase分布式數(shù)據庫等技術,對提出的三種改進算法進行并行化改進,并設計相應的Map和Reduce函數(shù),以提高其處理海量高維數(shù)據的能力。
　　最后,進行實驗測試與算例分析。選用數(shù)據集UCI標準測試數(shù)據集與歐洲智能技術網絡(European Network on Intelligent Technologies,EUNITE)提供的真實短期負荷數(shù)據,在