基于Spark和Holt-Winters模型的短期負荷預測方法.pdf

1、短期負荷預測是電力系統(tǒng)經(jīng)濟運行與系統(tǒng)調(diào)度的重要前提和依據(jù)。智能電網(wǎng)與傳感器技術的發(fā)展使得電網(wǎng)數(shù)據(jù)劇烈膨脹，形成了用戶側(cè)負荷大數(shù)據(jù)。電網(wǎng)大數(shù)據(jù)形勢下的短期負荷預測要求預測方法的預測精度高，計算速度快，傳統(tǒng)的預測方法已經(jīng)無法滿足。以Hadoop、Spark平臺為代表的大數(shù)據(jù)處理技術的出現(xiàn)，使得海量數(shù)據(jù)的處理方式進入一個嶄新的階段。本文分析現(xiàn)階段大數(shù)據(jù)形勢下短期負荷預測的需求與面臨的關鍵問題，從提高短期負荷預測精度與提高短期負荷預測速度兩個方

2、面為切入點，結合相關算法與數(shù)據(jù)處理，展開大數(shù)據(jù)形勢短期負荷相關工作。
　　論文首先根據(jù)短期負荷預測與實驗需要，利用NREL實驗室公布的負荷數(shù)據(jù)，生成了約2500萬組負荷實驗數(shù)據(jù)集;分析了商業(yè)用電負荷與居民用電負荷的特性，得出了兩種負荷類型具有周期性與季節(jié)性的結論。
　　然后根據(jù)負荷數(shù)據(jù)周期性與季節(jié)性的特點，建立能夠?qū)竟?jié)與周期因素進行建模的乘法Holt-Winters的短期負荷預測模型，并采用無約束優(yōu)化理論中的L-BFGS內(nèi)

3、存限定擬牛頓算法實現(xiàn)預測模型的參數(shù)優(yōu)化，以降低預測模型尋優(yōu)的計算復雜度，并保證負荷預測的精度。
　　接著將文中的短期負荷預測算法在Spark集群并行化實現(xiàn)，以提高計算效率，實現(xiàn)對海量負荷數(shù)據(jù)的預測。提出了包含2個Master節(jié)點，28個Slave節(jié)點的集群構建方案，并對集群的配置進行優(yōu)化，使得Spark計算性能更好。
　　最后對HDFS分布式文件系統(tǒng)存儲效率、L-BFGS-Holt-Winters短期負荷預測算法的預測誤差和

4、Spark并行計算效率進行實驗。結果表明，論文采用的HDFS負荷數(shù)據(jù)存儲，效率優(yōu)于傳統(tǒng)的文件存儲方式;論文采用的L-BFGS優(yōu)化方法有良好的計算效率與優(yōu)化精度;與傳統(tǒng)負荷預測算法相比，論文采用的Holt-Winters算法有更高的預測精度;Spark并行化實現(xiàn)后的短期負荷方法，能夠應對海量負荷數(shù)據(jù)的預測需求。在論文方法在25個計算節(jié)點的計算集群中，能夠在1.5分鐘內(nèi)實現(xiàn)200萬規(guī)模的負荷預測，13分鐘內(nèi)實現(xiàn)2000萬規(guī)模的負荷預測，能夠