基于電力大數(shù)據(jù)的負(fù)荷預(yù)測(cè)研究.pdf

1、隨著我國(guó)電力體制改革的繼續(xù)推進(jìn)，電力市場(chǎng)環(huán)境將逐步發(fā)生變化。未來將有更多的售電主體進(jìn)入市場(chǎng)。售電公司為了提高自己的核心競(jìng)爭(zhēng)力，在未來電力市場(chǎng)的占有一席之地，就需要科學(xué)地分析未來負(fù)荷曲線的特性并且準(zhǔn)確進(jìn)行負(fù)荷預(yù)測(cè)。同時(shí)伴隨著能源互聯(lián)網(wǎng)和電力大數(shù)據(jù)的建設(shè)步伐的不斷加快、電網(wǎng)規(guī)模和電力信息采集量的擴(kuò)張，客觀上對(duì)負(fù)荷預(yù)測(cè)精確度和預(yù)測(cè)算法的運(yùn)算效率產(chǎn)生了更高的要求。負(fù)荷預(yù)測(cè)在能源互聯(lián)網(wǎng)的正常運(yùn)行和調(diào)度有著重要的作用，采用電力大數(shù)據(jù)技術(shù)進(jìn)行負(fù)荷預(yù)測(cè)

2、，使得對(duì)海量實(shí)時(shí)數(shù)據(jù)、大量的歷史同期數(shù)據(jù)和天氣氣象數(shù)據(jù)的綜合利用變得更加有效。
　　本文首先針對(duì)先進(jìn)的檢測(cè)裝置和計(jì)量設(shè)備對(duì)負(fù)荷的檢測(cè)時(shí)間間隔越來越短，致使負(fù)荷數(shù)據(jù)向著高維度變化，并加大了負(fù)荷曲線聚類難度的現(xiàn)狀。為了解決這個(gè)問題，本文提出了一種使用核方法將數(shù)據(jù)映射到高維空間中進(jìn)行聚類，同時(shí)采用核主成分分析與縮減矩陣規(guī)模對(duì)該方法的計(jì)算進(jìn)行優(yōu)化。闡述了算法改進(jìn)的依據(jù)和相關(guān)理論推導(dǎo)。最后進(jìn)行了實(shí)驗(yàn)分析，結(jié)果表明聚類數(shù)的變化、輸出維度對(duì)聚類

3、效果的影響，得出改進(jìn)的聚類算法可以有效地提高負(fù)荷曲線聚類的準(zhǔn)確性的結(jié)論。
　　其次針對(duì)能源互聯(lián)網(wǎng)所帶來的負(fù)荷數(shù)據(jù)海量化，導(dǎo)致數(shù)據(jù)進(jìn)行負(fù)荷訓(xùn)練面臨多次重復(fù)訓(xùn)練的問題，本文將增量的方法引入到負(fù)荷預(yù)測(cè)中。數(shù)據(jù)隨著時(shí)間更新不斷產(chǎn)生，并隨著時(shí)間的推移某時(shí)刻的數(shù)據(jù)的價(jià)值會(huì)越來越小。一旦對(duì)電力負(fù)荷建立預(yù)測(cè)模型，該模型不能隨著時(shí)間變化而加入最新值，使得預(yù)測(cè)模型不能反映最新的時(shí)間序列信息，從而降低了預(yù)測(cè)的準(zhǔn)確性。為解決該類問題，本文提出一種BP神經(jīng)

4、網(wǎng)絡(luò)隱含層節(jié)點(diǎn)增刪的方法來實(shí)現(xiàn)對(duì)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的增量學(xué)習(xí)。實(shí)驗(yàn)表明，該方法通過實(shí)現(xiàn)在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中加入最新的數(shù)據(jù)，提升了處理海量負(fù)荷數(shù)據(jù)的能力和負(fù)荷預(yù)測(cè)準(zhǔn)確率。
　　最后本文為了更好地解決電力負(fù)荷數(shù)據(jù)海量化和高維度的問題，結(jié)合了最新的研究熱點(diǎn)梯度下降的迭代決策樹算法，基于大數(shù)據(jù) Spark平臺(tái)，建立了基于該算法的負(fù)荷預(yù)測(cè)模型，并與隨機(jī)森林算法比較分析。實(shí)驗(yàn)使用隨機(jī)森林與梯度下降的迭代決策樹分別對(duì)負(fù)荷數(shù)據(jù)進(jìn)行訓(xùn)練。實(shí)驗(yàn)結(jié)果