基于云计算与智能算法的短期电力负荷预测方法研究

社会的发展促使人们对电能质量要求越来越高,电力部门需要为用户输送可靠和优质的电能。由于目前还没有研究出能够大量存储电能的技术和设备,所以保证负荷和供电之间的平衡就成了提供优质电能的保障。短期电力负荷预测是电网安全和稳定运行的基础,所以利用历史负荷数据来预测未来几天的负荷值得深入研究。大量的研究得出,电力负荷具有混沌性,用常规的预测方法难以精准预测。通过重构相空间,可以还原出一维负荷时间序列隐藏的高维信息,从而对电力系统负荷进行更加精准的预测。论文通过重构历史负荷数据的相空间,然后结合极限学习机与支持向量机建立了比较精准的预测模型。针对电力系统产生的海量负荷数据,论文在Spark云计算平台下对算法进行并行化设计,以加快模型在处理海量电力负荷数据时的训练速度。通过仿真对比验证了论文设计模型的有效性和可行性。论文主要研究内容如下:根据负荷数据的混沌性,给出了一种相空间重构与极限学习机相结合的短期电力负荷预测方法。通过计算相空间重构相关参数,对负荷样本进行相空间重构,使得新的样本数据更能反映出负荷的变化特性,然后结合极限学习机建立短期电力负荷预测模型。和传统预测方法相比,该方法具有更加精确的预测能力和优异的泛化性能。在短期负荷预测中,将相空间重构与支持向量机结合用于短期电力负荷预测,给出了一种利用随机聚焦搜索优化算法进行输入参数优化的模型,用线性核函数的映射问题代替原来的非线性问题,并将该方法用于短期电力负荷预测,仿真结果表明该方法具有更加精确的预测能力和收敛速度。针对电力系统的海量历史负荷数据,分别对上面两种模型在Spark平台下进行并行化设计。利用实验室设备搭建了含一个主节点,七个数据节点的Spark计算集群,测试了本文设计的两种并行算法的并行性能,测试结果表明本文设计的并行算法在进行海量数据处理时相对于常用的方法具有更快的处理速度。