云平台下电网短期负荷预测算法的研究与实现

发布时间：2017-09-07 22:33

  本文关键词：云平台下电网短期负荷预测算法的研究与实现

  更多相关文章： 电力负荷预测 神经网络 云计算

【摘要】：近十几年来,随着国民经济的飞速发展,人民生活水平的不断提升,工业化和信息化的不断进步,间接的导致了用户对于用电量需求的不断提升。鉴于电力系统的特殊性,电力负荷预测一直是电力系统建设中的重中之重,直接影响到电网资源的宏观调度以及生产运行,是电网安全性和稳定性的保证。电力负荷预测一直是国内外学者热衷于的研究方向,而通过各大论文期刊的文献可以看出在电力负荷预测领域中,国内外研究者都提出了非常多经典的算法模型,比如时间序列法、相似日法、卡尔曼滤波法等,而这些模型都实验成功并且投入具体的运营中,得到了比较好的反响。但是由于智能电网的不断发展,区域电力系统的不断整合,预测数据由大量数据增长到海量数据,而传统的预测方法表现出了其在处理海量数据时的不足,所以现电网需要一个能够处理海量数据并且更加智能化的负荷预测模型和系统。本文主要研究了云计算以及人工神经网络算法在电网短期负荷预测中的应用,在比较详尽的了解了电网短期负荷预测业务逻辑后,深入的研究了云计算技术以及人工神经网络算法,分析了人工神经网络算法的优势和不足,提出利用现阶段比较成熟的云计算技术来整合传统的BP人工神经网络模型,并利用已有的电网负荷历史数据测试该模型,分别在单节点和多节点以及不同的数据量级情况下测试,以得出结论。并在此结论上,利用java web的方式,把该模型应用到实际的负荷预测业务中去,构造出自己的电网短期负荷预测系统,使其相比于传统的负荷预测系统,操作更加简便、数据显示更加直观、预测更加精确迅速。在本课题中,针对传统预测算法模型在电网短期负荷业务中表现出对于非线性数据处理能力的不足以及现阶段智能电网对于预测模型智能化的要求,利用人工神经网络算法在智能化以及处理非线性数据方面的优势,建立包含输入层、输出层、隐含层的三层模型,使其在预测精确度上优于传统算法模型。而鉴于电网短期负荷预测业务对于预测时间的要求和传统神经网络算法训练速度慢的问题,以及现阶段预测系统对于海量数据处理能力的需求,本文提出利用已经比较成熟的云计算平台来改进人工神经网络算法模型,使其训练速度加快,保证预测速度的提升,使其具有处理海量数据的能力。对于本文改进后的神经网络预测模型,我们做了大量的测试,基本达到了预期的要求,在预测精确度和预测速度上能够优于传统模型,并且具有处理海量数据的能力。而本课题所实现的系统,经过大量的使用和测试过后,得到了比较好的反响,经过一定的改进将能够应用到实际电力系统中去。
【关键词】：电力负荷预测 神经网络 云计算
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM715;TP183
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-15
• 1.1 课题背景及研究意义10-11
• 1.2 国内外研究现状11-14
• 1.2.1 云计算的研究现状11
• 1.2.2 神经网络的研究现状11-12
• 1.2.3 短期电力负荷预测的研究12
• 1.2.4 基于云计算的神经网络应用发展12-13
• 1.2.5 基于神经网络的负荷预测方法的研究现状13-14
• 1.3 研究目标与内容14
• 1.4 本文组织安排14-15
• 第2章 相关技术以及算法介绍15-23
• 2.1 云计算15-16
• 2.1.1 云计算概述15
• 2.1.2 云计算的特点15-16
• 2.2 Hadoop平台介绍16-18
• 2.2.1 Hadoop简介16-17
• 2.2.2 Hadoop核心架构17-18
• 2.3 BP人工神经网络18-22
• 2.3.1 BP人工神经网络概述18-19
• 2.3.2 神经元模型19-20
• 2.3.3 BP神经网络结构模型20-21
• 2.3.4 BP人工神经网络的缺陷21-22
• 2.4 本章小结22-23
• 第3章 电网短期负荷预测算法设计以及测试23-38
• 3.1 电网短期负荷预测业务分析23-24
• 3.1.1 电网短期负荷预测业务概述23
• 3.1.2 电网短期负荷预测特性分析23-24
• 3.2 基于mapreduce的BP神经网络电网短期负荷预测模型设计24-34
• 3.2.1 模型概述24
• 3.2.2 样本数据的预处理24-25
• 3.2.3 模型的拓扑结构25-26
• 3.2.4 模型参数的选取26-27
• 3.2.5 算法流程27-30
• 3.2.6 基于mapreduce的并行化算法实现30-34
• 3.3 算法模型在hadoop平台上的实验34-37
• 3.3.1 实验集群平台的搭建34-35
• 3.3.2 实验目的和实验结果分析35-37
• 3.4 本章小结37-38
• 第4章 基于云平台的电网短期负荷预测系统的实现38-48
• 4.1 系统用到的技术以及开发环境的选择38-39
• 4.2 系统设计39-43
• 4.2.1 系统需要达到的目标39-40
• 4.2.2 功能模块划分40-41
• 4.2.3 数据库的设计41-43
• 4.3 系统实现43-47
• 4.3.1 样本管理以及数据分析模块43-45
• 4.3.2 负荷预测模块45-47
• 4.4 本章小结47-48
• 第5章 总结与展望48-50
• 5.1 全文总结48
• 5.2 展望48-50
• 参考文献50-53
• 致谢53

【参考文献】

中国期刊全文数据库 前10条

1 高丹丹;高松涛;;中长期电力负荷预测研究综述[J];科技创新导报;2014年07期

2 翟永杰;刘林;王朋;;基于ADE-SVM和模糊理论的电力系统中期负荷预测[J];电力系统保护与控制;2012年08期

3 沐连顺;崔立忠;安宁;;电力系统云计算中心的研究与实践[J];电网技术;2011年06期

4 李乔;郑啸;;云计算研究现状综述[J];计算机科学;2011年04期

5 廖旎焕;胡智宏;马莹莹;卢王允;;电力系统短期负荷预测方法综述[J];电力系统保护与控制;2011年01期

6 杨旭昕;刘俊勇;季宏亮;潘睿;贺星棋;郭晓鸣;;电力系统云计算初探[J];四川电力技术;2010年03期

7 高红;;BP神经网络学习率的优化方法[J];长春师范学院学报(自然科学版);2010年04期

8 陈格;;人工神经网络技术发展综述[J];中国科技信息;2009年17期

9 沈花玉;王兆霞;高成耀;秦娟;姚福彬;徐巍;;BP神经网络隐含层单元数的确定[J];天津理工大学学报;2008年05期

10 毛李帆;江岳春;龙瑞华;李妮;黄慧;黄珊;;基于偏最小二乘回归分析的中长期电力负荷预测[J];电网技术;2008年19期

，

本文编号：810270