基于增量关联规则算法的短期电力负荷预测方法研究

发布时间：2021-03-14 05:00

　　近年来,随着我国电力行业的快速发展,作为电力系统规划的重要指标之一,用户与企业对电力负荷预测技术的研究越来越重视。根据预测目标的异同,可将电力负荷预测大致分为短、中、长期三类。其中,短期负荷预测以日负荷预测为主,它的负荷值主要受到天气、时间等多项外界因素的影响。提高电力负荷预测精确程度的关键点在于如何选取影响负荷变化因素和建立合适的负荷预测模型。精确、及时的负荷预测,让预测员及时掌握负荷量变化的规律,能够为企业决策提供可靠的支持。本文结合关联规则挖掘技术,对负荷预测进行了深入研究。本文的课题研究主要围绕以下几个方面:（1）以PFP-tree算法为基础,结合Spark编程框架,提出一种改进的并行关联规则增量更新算法。算法优化了频繁模式树结构和并行计算分组策略,减小了时间和空间复杂度。实验证明,算法具备了较高的挖掘效率和可扩展性,适用于动态增长的大数据环境;（2）基于改进的并行关联规则算法,设计一种短期电力负荷预测方法。方法能够从海量负荷数据中快速、准确地提取影响负荷变化的因素并输出预测值。实验结果表明,通过该方法产生的负荷预测数据具有较高的准确性和可靠性;（3）搭建一个城市短期电力负荷预... 

【文章来源】：南京邮电大学江苏省

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究背景
    1.2 国内外研究现状
        1.2.1 电力预测方法现状研究
        1.2.2 关联规则算法现状研究
        1.2.3 Spark云计算平台现状研究
    1.3 本文研究内容
    1.4 章节安排
第二章 电力负荷预测方法与相关技术介绍
    2.1 电力预测原理
        2.1.1 电力预测的分类
        2.1.2 电力预测的特点
    2.2 电力预测方法
        2.2.1 传统预测方法
        2.2.2 基于数据挖掘的方法
    2.3 关联规则挖掘
        2.3.1 关联规则基本概念
        2.3.2 Apriori算法
        2.3.3 FP-Growth算法
    2.4 Spark编程模型
    2.5 本章小结
第三章 改进的并行增量更新算法
    3.1 增量更新算法
        3.1.1 FUP算法
        3.1.2 PFP-tree算法
    3.2 SPUFP算法
        3.2.1 算法描述
        3.2.2 分组策略
    3.3 SPUFP算法性能分析
        3.3.1 单机环境下的算法性能分析
        3.3.2 分布式集群环境下的算法性能分析
    3.4 本章小结
第四章 城市短期电力负荷预测系统的设计与实现
    4.1 电力负荷预测系统设计
    4.2 数据收集
        4.2.1 影响因素分析
        4.2.2 历史负荷数据收集
    4.3 数据预处理
        4.3.1 数据筛选
        4.3.2 数据转换
    4.4 负荷预测
        4.4.1 基于SPUFP算法的关联规则挖掘
        4.4.2 基于回归方程的预测模型
    4.5 实验结果与分析
        4.5.1 算法性能分析
        4.5.2 预测结果分析
    4.6 本章小结
第五章 总结和展望
    5.1 总结
    5.2 工作展望
参考文献
附录 1 攻读硕士学位期间撰写的论文
附录 2 攻读硕士学位期间申请的专利
致谢


【参考文献】：
期刊论文
[1]城市电力负荷的短期预测[J]. 王曼怡,朱家明,洪阳,周雯静.  山西师范大学学报(自然科学版). 2017(04)
[2]基于Hadoop与Storm的日志实时处理系统研究[J]. 李洋,吕家恪.  西南师范大学学报(自然科学版). 2017(04)
[3]关于空间电力负荷预测方法综述与展望[J]. 黄庆键,欧周,林佳亮.  自动化应用. 2017(02)
[4]基于Spark的混合推荐算法研究[J]. 胡德敏,龚燕.  计算机应用研究. 2017(12)
[5]基于Hadoop架构的多重分布式BP神经网络的短期负荷预测方法[J]. 苏学能,刘天琪,曹鸿谦,焦慧明,于亚光,何川,沈骥.  中国电机工程学报. 2017(17)
[6]电力系统负荷预测方法在配电网规划中的实践探析[J]. 白靖.  通信电源技术. 2016(02)
[7]基于Spark的Apriori算法的改进[J]. 牛海玲,鲁慧民,刘振杰.  东北师大学报(自然科学版). 2016(01)
[8]基于多因素加法模型的中期电力负荷预测[J]. 翁金芳,黄伟,江育娥,林劼.  计算机系统应用. 2016(03)
[9]基于粗糙集理论与D-S证据理论改进的多元回归负荷预测方法研究[J]. 陈毅波,郑玲,姚建刚.  电力系统保护与控制. 2016(06)
[10]基于MapReduce的并行关联规则增量更新算法[J]. 程广,王晓峰.  计算机工程. 2016(02)

博士论文
[1]大数据处理技术与系统研究[D]. 顾荣.南京大学 2016
[2]灰色预测模型及中长期电力负荷预测应用研究[D]. 王大鹏.华中科技大学 2013

硕士论文
[1]基于Spark的若干数据挖掘技术研究[D]. 宁永恒.中国计量学院 2015
[2]基于BP神经网络的短期电力负荷预测的研究[D]. 隋惠惠.哈尔滨工业大学 2015
[3]基于Hadoop的大数据关联规则挖掘算法的研究与实现[D]. 廖晶贵.华南理工大学 2015
[4]基于垂直格式的频繁项集挖掘算法研究[D]. 李彤阳.长春工业大学 2015
[5]数据挖掘中关联规则算法的研究与改进[D]. 张玺.北京邮电大学 2015
[6]基于增量式关联规则挖掘算法的研究及其在手机病毒检测中的应用[D]. 王旭.北京邮电大学 2013



本文编号：3081531