基于電力大數(shù)據(jù)的負荷預(yù)測研究.pdf

1、隨著我國電力體制改革的繼續(xù)推進，電力市場環(huán)境將逐步發(fā)生變化。未來將有更多的售電主體進入市場。售電公司為了提高自己的核心競爭力，在未來電力市場的占有一席之地，就需要科學(xué)地分析未來負荷曲線的特性并且準(zhǔn)確進行負荷預(yù)測。同時伴隨著能源互聯(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張，客觀上對負荷預(yù)測精確度和預(yù)測算法的運算效率產(chǎn)生了更高的要求。負荷預(yù)測在能源互聯(lián)網(wǎng)的正常運行和調(diào)度有著重要的作用，采用電力大數(shù)據(jù)技術(shù)進行負荷預(yù)測

2、，使得對海量實時數(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。
　　本文首先針對先進的檢測裝置和計量設(shè)備對負荷的檢測時間間隔越來越短，致使負荷數(shù)據(jù)向著高維度變化，并加大了負荷曲線聚類難度的現(xiàn)狀。為了解決這個問題，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行聚類，同時采用核主成分分析與縮減矩陣規(guī)模對該方法的計算進行優(yōu)化。闡述了算法改進的依據(jù)和相關(guān)理論推導(dǎo)。最后進行了實驗分析，結(jié)果表明聚類數(shù)的變化、輸出維度對聚類

3、效果的影響，得出改進的聚類算法可以有效地提高負荷曲線聚類的準(zhǔn)確性的結(jié)論。
　　其次針對能源互聯(lián)網(wǎng)所帶來的負荷數(shù)據(jù)海量化，導(dǎo)致數(shù)據(jù)進行負荷訓(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荷預(yù)測中。數(shù)據(jù)隨著時間更新不斷產(chǎn)生，并隨著時間的推移某時刻的數(shù)據(jù)的價值會越來越小。一旦對電力負荷建立預(yù)測模型，該模型不能隨著時間變化而加入最新值，使得預(yù)測模型不能反映最新的時間序列信息，從而降低了預(yù)測的準(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)點增刪的方法來實現(xiàn)對BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的增量學(xué)習(xí)。實驗表明，該方法通過實現(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)，提升了處理海量負荷數(shù)據(jù)的能力和負荷預(yù)測準(zhǔn)確率。
　　最后本文為了更好地解決電力負荷數(shù)據(jù)海量化和高維度的問題，結(jié)合了最新的研究熱點梯度下降的迭代決策樹算法，基于大數(shù)據(jù) Spark平臺，建立了基于該算法的負荷預(yù)測模型，并與隨機森林算法比較分析。實驗使用隨機森林與梯度下降的迭代決策樹分別對負荷數(shù)據(jù)進行訓(xùn)練。實驗結(jié)果