云計(jì)算和機(jī)器學(xué)習(xí)算法在電力負(fù)荷預(yù)測(cè)中的研究與應(yīng)用.pdf

1、短期負(fù)荷預(yù)測(cè)是實(shí)現(xiàn)電力系統(tǒng)優(yōu)化運(yùn)行的基礎(chǔ),對(duì)于電力系統(tǒng)的安全性、可靠性和經(jīng)濟(jì)性都有著顯著影響。隨著電網(wǎng)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(wàn)條記錄的電力數(shù)據(jù)采集規(guī)模,一年的數(shù)據(jù)存儲(chǔ)規(guī)模將從目前的GB級(jí)增長(zhǎng)到TB級(jí),甚至 PB級(jí),同時(shí),電力負(fù)荷數(shù)據(jù)維度也從幾十向上百過(guò)渡。在如此海量高維的數(shù)據(jù)上進(jìn)行傳統(tǒng)負(fù)荷預(yù)測(cè),將遭遇單機(jī)計(jì)算資源不足的瓶頸。云計(jì)算技術(shù)對(duì)于海量高維數(shù)據(jù)的處理和實(shí)時(shí)求解具有很強(qiáng)的適應(yīng)性,可為消耗大量資源的算法提供

2、實(shí)時(shí)可靠相對(duì)廉價(jià)的計(jì)算資源。智能電網(wǎng)的云計(jì)算存儲(chǔ)模型雖已經(jīng)取得一定的發(fā)展,但是基于云計(jì)算的電力負(fù)荷預(yù)測(cè)的并行算法卻鮮有人研究。在此背景下,本文對(duì)上述問(wèn)題展開(kāi)研究。
　　首先,為了提高負(fù)荷分類的精確性和有效性,為電力負(fù)荷預(yù)測(cè)的數(shù)據(jù)預(yù)處理階段提供有效參考,本文提出一種基于云計(jì)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(qiáng)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(duì)初始聚類中心過(guò)于敏感的缺陷。其次,針對(duì)傳統(tǒng)支持向量機(jī)負(fù)荷預(yù)測(cè)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(fù)荷支持向量機(jī)預(yù)測(cè)算法(ε-SVR)中,實(shí)現(xiàn)對(duì)ε-SVR算法的快速訓(xùn)練。此外,針對(duì)電力負(fù)荷預(yù)測(cè)的實(shí)際應(yīng)用場(chǎng)景,還提出一種在線序列優(yōu)化的極限學(xué)習(xí)機(jī)的短期電力負(fù)荷預(yù)測(cè)模型。針對(duì)電力負(fù)荷數(shù)據(jù)特性,將極限學(xué)習(xí)機(jī)算法引入到負(fù)荷預(yù)測(cè)領(lǐng)域,并對(duì)該算法進(jìn)行在線序列優(yōu)化;引入分布式和multi-agent思想,

4、提升負(fù)荷預(yù)測(cè)算法預(yù)測(cè)準(zhǔn)確率。最后,采用云計(jì)算技術(shù)中的MapReduce編程框架以及HBase分布式數(shù)據(jù)庫(kù)等技術(shù),對(duì)提出的三種改進(jìn)算法進(jìn)行并行化改進(jìn),并設(shè)計(jì)相應(yīng)的Map和Reduce函數(shù),以提高其處理海量高維數(shù)據(jù)的能力。
　　最后,進(jìn)行實(shí)驗(yàn)測(cè)試與算例分析。選用數(shù)據(jù)集UCI標(biāo)準(zhǔn)測(cè)試數(shù)據(jù)集與歐洲智能技術(shù)網(wǎng)絡(luò)(European Network on Intelligent Technologies,EUNITE)提供的真實(shí)短期負(fù)荷數(shù)據(jù),在