基于极限学习机和MapReduce的电价预测研究

发布时间：2020-05-23 01:30

【摘要】：随着社会对各种能源电力需求的日益增长,新能源不断并网接入,电力交易数据涵盖常规能源与新能源,面临的数据采集规模量从目前的GB增长至TB甚至于PB级别。在未来的电力市场环境下,面对如此海量高纬度的大数据,进行电价预测还需要更进一步提升高并发、高性能的数据处理技术要求。智能电网的云计算存储模型已取得一定研究成果,但是基于大数据环境的电价预测模型的并行算法却少有提及。在互联网技术飞速发展的背景下,本文针对大数据环境下电力市场运营的关键问题即短期电价预测进行研究。首先,分析国内外电力交易市场的运作模式及传统能源电力和分布式能源电力的交易特点,研究电价预测方法及大数据相关技术,将集成经验模态分解算法与在线核极限学习机模型相结合得出优化的电价预测模型。在此基础上,针对单个极限学习机的局限性,根据集成学习的思想结合多个在线核极限学习机提出基于集成学习在线核极限学习机模型。该模型算法相比较传统的算法具有更高的精确性和泛化能力,在大数据噪音的条件下其优势更加明显。其次,基于集成学习的电价预测模型算法结合多个极限学习机模型,在串行数据处理方式中,会造成时间复杂度的增加。根据大数据的特征以及数据处理技术原理,提出基于MapReduce的多个在线核极限学习机模型的并行算法,可使一个MapReduce作业完成多个模型的在线训练。通过算例测试验证提出的基于MapReduce的并行算法可以有效的提高模型的准确度和实时的训练速度。最后,基于MapReduce的并行模型算法,针对分布式架构的电力交易系统设计并实现电价预测功能。,搭建远程大数据环境,安装配置相应版本的Hadoop服务器,并配置运行Cloudera和Cloudera Desktop;在该架构下设计实现的电价预测系统功能主要包含三个功能模块:预处理模块用于将原始电价数据预处理,得到载入模型的对应数据;学习训练模块运用并行模型算法进行多个在线核极限学习机模型的并行化训练;预测模块用于对学习训练后数据的预测以及展示。通过电价预测模型结合大数据并行处理技术使得模型拓展性能更强、训练速度更快以及预测稳定性能更高,对于以未来分布式能源并网为发展目标,在大数据环境下新一代电力交易平台的应用研究,有一定的实用价值。
【图文】：

东华大学硕士研究生毕业论文 相关研究基础方式处理，形成一个局部独立区域的绿色电力生产和消费模式。其电价形成的机制需要特殊的政策扶持来倚靠，最典型的最是绿色电价制度，鼓励用户参与到清洁能源的消费中。2.2.2 电力价格特点和影响因素根据电价形成机制，通过图 2-1~2-3 展示以往不同电力市场的历史电价直观的体现电价的非平稳性特点。图 2-1 选出的是荷兰 2008 年四个季节首日的电价曲线，，可以非常清晰的看到冬季的电价高于其他季节的电价，电价是随着时间季节变化有明显的不同，而季节的不同也会影响到负荷需求的分配。从图 2-2 中可以读取到的信息则是电价的波动还会随着社会资源的调整而有明显的变化图 2-3中显示价格的突变的特性，在夜间的价格峰值为负值，这种价格主要是由于供应的可再生电能造成的能源过剩所造成的，突发问题结束后很快会恢复到正常水平。

节变化有明显的不同，而季节的不同也会影响到负荷需求的分配。从图 2-2 中可以读取到的信息则是电价的波动还会随着社会资源的调整而有明显的变化图 2-3中显示价格的突变的特性，在夜间的价格峰值为负值，这种价格主要是由于供应的可再生电能造成的能源过剩所造成的，突发问题结束后很快会恢复到正常水平。图 2- 1 荷兰 2008 年四个季节首日电价Fig.2- 1 The first day of the four seasons in the Netherlands in 2008
【学位授予单位】：东华大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F407.61;TP311.13;TP18

【相似文献】

相关期刊论文 前10条

1 徐兵;;电力市场下短期电价预测浅析[J];经贸实践;2015年08期

2 赵晶;;电力市场中电价预测方法综述[J];企业技术开发;2013年18期

3 杨俊;张勤;潘虹;张婷婷;;遗传程序设计在短期电价预测中的应用[J];电力学报;2009年01期

4 刘振宗;吴颖超;;电力市场短期电价预测方法综述[J];中国电力教育;2009年20期

5 张显;王锡凡;;短期电价预测综述[J];电力系统自动化;2006年03期

6 谢诗宇;;基于统计学习的电价预测模型[J];通讯世界;2018年05期

7 汪敏霞;;基于电力市场的短期电价预测分析[J];通讯世界;2015年11期

8 谢新南;;一种短期电价预测的新方法[J];电工电气;2009年08期

9 谢品杰;谭忠富;尚金成;侯建朝;王绵斌;;基于小波分析与广义自回归条件异方差模型的短期电价预测[J];电网技术;2008年16期

10 谢新南;;一种短期电价预测的新方法[J];安徽电力;2008年03期

相关会议论文 前10条

1 邹雅;滕贤亮;王阳;涂孟夫;谢蔚;;现货市场环境下基于堆叠自编码器的电价预测[A];中国电机工程学会电力市场专业委员会2019年学术年会暨全国电力交易机构联盟论坛论文集[C];2019年

2 闫彦;孙桂新;;互联电网地区电价预测与分析[A];发展的信息技术对管理的挑战——99’管理科学学术会议专辑（上）[C];1999年

3 马新顺;;基于神经网络与小波分解的市场清算电价预测[A];第十届中国青年信息与管理学者大会论文集[C];2008年

4 秦磊;邹斌;;电价预测及其概率分布[A];2007中国控制与决策学术年会论文集[C];2007年

5 崔天宝;栗然;王粤;;基于云模型的短期电价预测[A];中国高等学校电力系统及其自动化专业第二十四届学术年会论文集（中册）[C];2008年

6 廉晨;韩小平;左月明;;基于神经网络和小波分析的短期电价预测方法[A];纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会（CSAE 2009）论文集[C];2009年

7 孙伟;卢建昌;孟明;;基于时间序列支持向量机模型的电价预测研究[A];2006中国控制与决策学术年会论文集[C];2006年

8 田慧欣;;基于多神经网络的日前电价预测[A];天津市电机工程学会2009年学术年会论文集[C];2009年

9 涂启玉;张茂林;;小波神经网络预测电价的新改进[A];2010年云南电力技术论坛论文集（文摘部分）[C];2010年

10 赵军科;李郁侠;;我国电价时间序列混沌特性分析及电价预测[A];2006电力系统自动化学术交流研讨大会论文集[C];2006年

相关博士学位论文 前3条

1 李彩虹;两类组合预测方法的研究及应用[D];兰州大学;2012年

2 刘达;电力市场中电价预测模型方法及应用研究[D];华北电力大学（北京）;2008年

3 杨俊;市场环境下电力系统可靠性分析若干问题研究[D];华北电力大学（北京）;2009年

相关硕士学位论文 前10条

1 曾云;电力市场下基于信息熵理论的电价预测[D];广东工业大学;2019年

2 沈哲钧;基于极限学习机和MapReduce的电价预测研究[D];东华大学;2019年

3 公维涛;电力市场下日前电价预测方法的研究[D];东华大学;2019年

4 吉晓琼;基于深度学习的电力市场短期电价预测研究[D];华北电力大学;2019年

5 李欣宁;基于电价预测的零售电价套餐形成方法[D];华北电力大学(北京);2019年

6 Jeanne Baptiste NIYIGENA;电价预测与市场分析“卢旺达案例研究”[D];华北电力大学(北京);2019年

7 黄晗;新南威尔士州日前市场出清电价预测研究[D];华北电力大学(北京);2019年

8 常子汉;基于小波变换与Adam优化的LSTM电价预测研究[D];兰州大学;2019年

9 舒文杰;用于电价预测的自适应理性超限学习机研究[D];湘潭大学;2018年

10 刘威;互联电力市场的区域电价预测[D];华中科技大学;2018年

本文编号：2676917