【摘要】：短期負荷預測是實現(xiàn)電力系統(tǒng)優(yōu)化運行的基礎，對于電力系統(tǒng)的安全性、可靠性和經(jīng)濟性都有著顯著影響。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)百萬條記錄的電力數(shù)據(jù)采集規(guī)模，一年的數(shù)據(jù)存儲規(guī)模將從目前的GB級增長到TB級，甚至PB級，同時，電力負荷數(shù)據(jù)維度也從幾十向上百過渡。在如此海量高維的數(shù)據(jù)上進行傳統(tǒng)負荷預測，將遭遇單機計算資源不足的瓶頸。云計算技術對于海量高維數(shù)據(jù)的處理和實時求解具有很強的適應性，可為消耗大量資源的算法提供實時可靠相對廉價的計算資源。智能電網(wǎng)的云計算存儲模型雖已經(jīng)取得一定的發(fā)展，但是基于云計算的電力負荷預測的并行算法卻鮮有人研究。在此背景下，本文對上述問題展開研究。 首先，為了提高負荷分類的精確性和有效性，為電力負荷預測的數(shù)據(jù)預處理階段提供有效參考，本文提出一種基于云計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較強的全局搜索能力，克服傳統(tǒng)FCM算法易陷入局部最優(yōu)以及其對初始聚類中心過于敏感的缺陷。其次，針對傳統(tǒng)支持向量機負荷預測算法執(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荷支持向量機預測算法（ε SVR）中，實現(xiàn)對ε SVR算法的快速訓練。此外，針對電力負荷預測的實際應用場景，還提出一種在線序列優(yōu)化的極限學習機的短期電力負荷預測模型。針對電力負荷數(shù)據(jù)特性，將極限學習機算法引入到負荷預測領域，并對該算法進行在線序列優(yōu)化；引入分布式和multi-agent思想，提升負荷預測算法預測準確率。最后，采用云計算技術中的MapReduce編程框架以及HBase分布式數(shù)據(jù)庫等技術，對提出的三種改進算法進行并行化改進，并設計相應的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，進行實驗測試與算例分析。選用數(shù)據(jù)集UCI標準測試數(shù)據(jù)集與歐洲智能技術網(wǎng)絡（European Network on Intelligent Technologies，簡稱EUNITE）提供的真實短期負荷數(shù)據(jù)，在實驗室搭建的9節(jié)點以上的云計算集群上對提出的算法進行性能測試，并與傳統(tǒng)負荷預測算法進行對比實驗。實驗結果表明提出算法的負荷預測精度均優(yōu)于傳統(tǒng)算法，可為電力負荷預測提供有效依據(jù)，，且具有較好的并行性能。
[Abstract]:Short-term load forecasting is the basis for the optimal operation of power system, which has a significant impact on the security, reliability and economy of power system. With the deepening of the intelligence of the power grid, during the peak period of power consumption, the first-tier cities will face the power data acquisition scale of millions of records. The scale of data storage in one year will grow from the current GB level to the TB level, or even the PB level, and at the same time, Power load data dimension also from dozens to hundreds of transition. Traditional load forecasting based on such a large amount of high dimensional data will meet the bottleneck of lack of single computing resources. Cloud computing technology has a strong adaptability to the processing and real-time solution of massive high-dimensional data, and can provide real-time, reliable and relatively cheap computing resources for algorithms that consume a large amount of resources. Although the cloud computing storage model of smart grid has made some progress, the parallel algorithm of power load forecasting based on cloud computing is seldom studied. In this context, the above problems are studied in this paper. Firstly, in order to improve the accuracy and effectiveness of load classification and provide an effective reference for the data preprocessing stage of power load forecasting, a parallel quantum particle swarm optimization fuzzy C-means clustering algorithm based on cloud computing is proposed in this paper. The Quantum Particle Swarm Optimization (QPSO) intelligent algorithm (QPSO) is introduced into the traditional fuzzy C-means clustering algorithm (FCM). By using the strong global search ability of QPSO, the traditional FCM algorithm is easy to fall into local optimum and is too sensitive to the initial clustering center. Secondly, aiming at the low efficiency of the traditional support vector machine (SVM) load forecasting algorithm, this paper introduces the sequence minimization algorithm into the power load support vector machine forecasting algorithm (蔚 SVR), and realizes the fast training of the 蔚 SVR algorithm. In addition, in view of the practical application of power load forecasting, a short-term power load forecasting model based on on-line sequential optimization is proposed. According to the characteristics of power load data, this paper introduces the extreme learning machine algorithm into the field of load forecasting, and optimizes the on-line sequence of the algorithm, and introduces the idea of distributed and multi-agent to improve the forecasting accuracy of load forecasting algorithm. Finally, using the MapReduce programming framework of cloud computing technology and HBase distributed database technology, the three improved algorithms are improved in parallel, and the corresponding Map and Reduce functions are designed to improve their ability to deal with massive high-dimensional data. Finally, the experimental test and example analysis are carried out. Using the real short-term load data provided by UCI standard test data set and European Intelligent Technology Network (EUNITE), the proposed algorithm is tested on the cloud computing cluster with 9 nodes or more built in the laboratory. And compared with the traditional load forecasting algorithm. The experimental results show that the accuracy of the proposed algorithm is better than that of the traditional algorithm, which can provide an effective basis for power load forecasting and has good parallel performance.
【學位授予單位】：華北電力大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TM715;TP181

【相似文獻】

相關期刊論文 前10條

1 韓富春，姚勁松，趙銘凱;一種新的中長期電力負荷預測方法[J];電工技術學報;1994年04期

2 葉舟,陳康民;溫斯特線性與季節(jié)性指數(shù)平滑法在電力負荷預測中的應用及改進[J];電力建設;2000年08期

3 武雅麗,荊平,姬瑞珍,武堅;電力負荷預測軟件在晉中地區(qū)的應用[J];山西電力技術;2000年01期

4 余貽鑫,張崇見,張弘鵬;空間電力負荷預測小區(qū)用地分析(一)——模糊推理新方法和小區(qū)用地分析原理[J];電力系統(tǒng)自動化;2001年06期

5 余貽鑫,張崇見,張弘鵬;空間電力負荷預測小區(qū)用地分析(二)——模糊推理在小區(qū)用地分析中的應用[J];電力系統(tǒng)自動化;2001年07期

6 余貽鑫,張弘鵬,張崇見,嚴雪飛;空間電力負荷預測小區(qū)用地分析的模糊推理新方法[J];天津大學學報;2002年02期

7 甄利玲;中長期電力負荷預測的回歸模型及其應用[J];雁北師范學院學報;2002年05期

8 吳敏敏;縣市級電力負荷預測方法初探[J];浙江電力;2002年04期

9 楊期余,汪衛(wèi)華,藍信軍;長期電力負荷預測的模糊數(shù)學方法[J];湖南大學學報(自然科學版);2002年06期

10 王志征,余岳峰,姚國平;基于主成分分析法和自適應神經(jīng)模糊推理系統(tǒng)的電力負荷預測[J];電力自動化設備;2003年09期

相關會議論文 前10條

1 李忻賢;;淺談電力負荷預測[A];山東電機工程學會第四屆供電專業(yè)學術交流會論文集[C];2007年

2 喬艷芬;;基于分形理論的昆明電網(wǎng)電力負荷預測[A];2009年云南電力技術論壇論文集（優(yōu)秀論文部分）[C];2009年

3 趙成旺;顧幸生;;組合優(yōu)化灰色預測模型在中長期電力負荷預測中應用[A];第二十四屆中國控制會議論文集（下冊）[C];2005年

4 羅楠;朱業(yè)玉;杜彩月;王軍;王紅燕;;支持向量機方法在電力負荷預測中的應用[A];中國氣象學會2007年年會天氣預報預警和影響評估技術分會場論文集[C];2007年

5 喬艷芬;;基于分形理論的昆明電網(wǎng)電力負荷預測[A];2009年云南電力技術論壇論文集（文摘部分）[C];2009年

6 楊旭;劉自發(fā);張建華;李聰;;考慮氣候因素的城市電力負荷預測[A];第十一屆全國電工數(shù)學學術年會論文集[C];2007年

7 牛東曉;陳志業(yè);邢棉;謝宏;;具有二重趨勢性的季節(jié)型電力負荷預測組合優(yōu)化灰色神經(jīng)網(wǎng)絡模型[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責任和對策（上冊）[C];2002年

8 丁光彬;王治昆;趙林明;翟傳仁;;包絡預測方法及其在電力負荷預測中的應用[A];管理科學與系統(tǒng)科學進展——全國青年管理科學與系統(tǒng)科學論文集（第4卷）[C];1997年

9 劉博;張筱慧;許璞;;變權重組合預測方法用于電力負荷預測[A];中國高等學校電力系統(tǒng)及其自動化專業(yè)第二十四屆學術年會論文集（下冊）[C];2008年

10 孔勝;王宇;張承偉;;經(jīng)濟危機對中長期電力預測影響的實證研究[A];第五屆（2010）中國管理學年會——商務智能分會場論文集[C];2010年

相關重要報紙文章 前4條

1 薛元蕩 鮑導;阜寧縣加強電力負荷預測[N];中國電力報;2000年

2 章家銀 張克杰;氣象要素在電力負荷預測中的應用[N];巢湖日報;2006年

3 夏志強邋楊士進 曾居仁;氣象預報助我省科學調度電力[N];貴州日報;2008年

4 本報記者 羅丹;氣象科技融入電網(wǎng)[N];中國氣象報;2014年

相關博士學位論文 前7條

1 周倩;智能工程體系及其在電力負荷預測中的應用研究[D];華北電力大學（北京）;2010年

2 葉世杰;基于多指標模型的電力負荷預測研究[D];重慶大學;2010年

3 王建軍;基于知識挖掘技術的智能協(xié)同電力負荷預測研究[D];華北電力大學（北京）;2011年

4 尹新;群智能算法與電力負荷預測研究[D];湖南大學;2011年

5 王大鵬;灰色預測模型及中長期電力負荷預測應用研究[D];華中科技大學;2013年

6 劉曉娟;基于智能方法的電力系統(tǒng)負荷預測模型及其應用研究[D];東華大學;2014年

7 王勇;用于電力行業(yè)決策支持的多AGENT技術研究[D];華東師范大學;2007年

相關碩士學位論文 前10條

1 李小燕;基于灰色理論的電力負荷預測[D];華中科技大學;2007年

2 儲琳琳;市南地區(qū)電力負荷預測實用方法研究[D];上海交通大學;2009年

3 耿光飛;珠海市電力負荷預測研究[D];中國農(nóng)業(yè)大學;2000年

4 張毅;中長期電力負荷預測[D];四川大學;2003年

5 沈海瀾;基于數(shù)據(jù)挖掘技術的電力負荷預測研究[D];中南大學;2003年

6 藍信軍;長期電力負荷預測的模糊數(shù)學方法研究[D];湖南大學;2004年

7 周曉剛;盤錦地區(qū)中期電力負荷預測的研究[D];沈陽工業(yè)大學;2007年

8 陳霞;灰色預測模型及其在電力負荷預測中的應用研究[D];南昌大學;2007年

9 陳啟;基于支持向量回歸在短期負荷預測中的應用[D];河北工程大學;2010年

10 陸雪梅;基于灰色理論的城市電網(wǎng)電力負荷預測[D];天津大學;2010年

本文編號：2222496