基于大數(shù)據(jù)分析的電力短期負(fù)荷預(yù)測(cè)研究與開發(fā).pdf

1、本文深入研究了基于Hadoop和Spark在電力負(fù)荷預(yù)測(cè)中的應(yīng)用，并采用了Mahout和Spark Mlib中的聚類算法，并于傳統(tǒng)聚類算法效果上進(jìn)行了比較。本文參考了R的開源聚類包，對(duì)曲線進(jìn)行了聚類，這樣可以對(duì)不同行業(yè)下的不同用戶進(jìn)行負(fù)荷曲線聚類，并且相對(duì)準(zhǔn)確地建立模型，預(yù)測(cè)模型主要是采用了神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的算法，神經(jīng)網(wǎng)絡(luò)算法某些情況下會(huì)出現(xiàn)過(guò)擬合的現(xiàn)象，但是在短期負(fù)荷預(yù)測(cè)中，效果還是非常不錯(cuò)的，而支持向量機(jī)算法則相對(duì)神經(jīng)網(wǎng)絡(luò)算法不

2、會(huì)那么經(jīng)常出現(xiàn)過(guò)擬合的情況，在長(zhǎng)期負(fù)荷預(yù)測(cè)中效果比較好，但在短期負(fù)荷預(yù)測(cè)中效果也不錯(cuò)，故本文采用兩種算法分別重點(diǎn)介紹。
　　在本文研究的模型基礎(chǔ)上，根據(jù)研究短期負(fù)荷預(yù)測(cè)的實(shí)際情況和功能需求，本文利用軟件工程的方法，對(duì)電力短期負(fù)荷預(yù)測(cè)系統(tǒng)的功能模塊進(jìn)行了劃分，并對(duì)各個(gè)模塊進(jìn)行了詳細(xì)的分析和說(shuō)明。傳統(tǒng)的算法在處理每天龐大的數(shù)據(jù)上即使?jié)M負(fù)荷運(yùn)行也無(wú)法運(yùn)行完當(dāng)天的任務(wù)，故本文在Spark和Hadoop的大數(shù)據(jù)環(huán)境下采用了其開源的相關(guān)算法，

3、來(lái)進(jìn)行快速的處理。開發(fā)并實(shí)現(xiàn)了電力負(fù)荷預(yù)測(cè)系統(tǒng)，并用該系統(tǒng)對(duì)研究區(qū)域進(jìn)行了總量負(fù)荷預(yù)測(cè)和空間負(fù)荷預(yù)測(cè)，通過(guò)預(yù)測(cè)的結(jié)果與實(shí)際情況對(duì)比，發(fā)現(xiàn)預(yù)測(cè)結(jié)果與實(shí)際情況基本一致，并且在運(yùn)行速度上有較大優(yōu)勢(shì)。證明該軟件具有很好的實(shí)用性。
　　本文的創(chuàng)新點(diǎn)主要有三點(diǎn):一、對(duì)用戶按照大行業(yè)，小行業(yè)進(jìn)行分類后，然后再對(duì)用戶的負(fù)荷進(jìn)行圖形進(jìn)行了聚類分析，較好地區(qū)分了用戶類型;二、采用Hadoop、Spark進(jìn)行負(fù)荷大數(shù)據(jù)進(jìn)行預(yù)測(cè);三、提出了一種整體的架構(gòu)