基于MapReduce和深度學(xué)習(xí)的負(fù)荷分析與預(yù)測(cè).pdf

1、智能用電服務(wù)系統(tǒng)是智能電網(wǎng)的重要組成部分，其思想是通過供電企業(yè)與用戶間的雙向互動(dòng)，針對(duì)用戶用電特性提供更加個(gè)性化、人性化的智能服務(wù)。準(zhǔn)確的電力負(fù)荷分析與預(yù)測(cè)是智能用電服務(wù)的前提。然而隨著智能電網(wǎng)中智能電表、智能終端以及各類傳感器的鋪設(shè)，用戶側(cè)的數(shù)據(jù)已經(jīng)達(dá)到了大數(shù)據(jù)的規(guī)模，大大提升了負(fù)荷分析與預(yù)測(cè)的難度。如何有效的從這些海量數(shù)據(jù)中挖掘潛在的知識(shí)和模式，為供電企業(yè)拓展電力市場(chǎng)、優(yōu)化能源結(jié)構(gòu)、合理配置資源等提供決策依據(jù)，是電力系統(tǒng)目前最具挑戰(zhàn)

2、性的任務(wù)之一。
　　大數(shù)據(jù)技術(shù)以及深度學(xué)習(xí)理論是解決上述問題的關(guān)鍵。本文首先在分析大數(shù)據(jù)技術(shù)、深度學(xué)習(xí)、智能用電三者關(guān)系的基礎(chǔ)上，設(shè)計(jì)了智能用電大數(shù)據(jù)平臺(tái)的整體架構(gòu)，并自底向上分別從數(shù)據(jù)來源層、數(shù)據(jù)處理層、挖掘分析層以及業(yè)務(wù)應(yīng)用層四個(gè)層次探討了平臺(tái)搭建的關(guān)鍵元素。之后，考慮到傳統(tǒng)決策樹算法不能解決海量數(shù)據(jù)挖掘以及ID3算法的多值偏向問題，本文將基于MapReduce模型的并行化決策樹應(yīng)用于智能電表數(shù)據(jù)的用電習(xí)慣挖掘中，并通過在最佳

3、分裂屬性選擇中引入相關(guān)系數(shù)，修正了ID3算法中的多值偏向問題。通過實(shí)際負(fù)荷數(shù)據(jù)，從挖掘結(jié)果和并行性能兩方面驗(yàn)證算法的有效性。
　　深度學(xué)習(xí)通過多個(gè)隱含層對(duì)原始輸入的逐步抽象表示，能夠充分挖掘海量負(fù)荷數(shù)據(jù)中的規(guī)律，實(shí)現(xiàn)更精準(zhǔn)的短期負(fù)荷預(yù)測(cè)。本文介紹了深度學(xué)習(xí)中的堆棧自編碼器(SAE)與深度置信網(wǎng)絡(luò)(DBN)的基本組件、網(wǎng)絡(luò)結(jié)構(gòu)以及訓(xùn)練方法，對(duì)深度學(xué)習(xí)只能依靠專家經(jīng)驗(yàn)選取隱含層神經(jīng)元個(gè)數(shù)這一缺陷，提出基于信息熵的隱含層神經(jīng)元個(gè)數(shù)確定方