基于Spark和支持向量回歸的微電網短期負荷預測研究.pdf

1、隨著能源和環(huán)境問題的日趨嚴重，新能源的開發(fā)和利用受到越來越多的關注，隨之帶來了微電網的興起和發(fā)展。為了保證微電網高效率的經濟運行，準確地負荷預測就變得尤為重要。關于微電網短期負荷預測的研究還相對較少，因此，本文對微電網的負荷預測展開研究，對微電網安全、節(jié)能、高效運行具有重要的理論意義和實用價值。
　　首先針對人工蜂群算法易陷入局部最優(yōu)及收斂速度慢的缺點，引入當前最優(yōu)蜜源和慣性權重函數，對該算法的食物源更新方式進行改進；然后針對支持

2、向量回歸機的參數選擇和優(yōu)化問題，轉化成組合優(yōu)化的問題，并使用改進的人工蜂群算法進行優(yōu)化求解，進而得到人工蜂群算法優(yōu)化SVR的預測模型。以微電網短期負荷預測數據為例，將該模型的預測結果與蟻群算法優(yōu)化的支持向量回歸機(ACO-SVR)、粒子群算法優(yōu)化的支持向量回歸機(PSO-SVR)和未改進的蜂群算法優(yōu)化的支持向量回歸機(ABC-SVR)進行對比分析，實驗結果表明該模型具有最優(yōu)的預測效果并且運行時間最短，相比其他模型具有更好的學習和推廣能力

3、。
　　近年來電力系統(tǒng)智能化的發(fā)展導致了負荷數據的海量化和高維化，負荷預測面臨著單機計算資源不足、預測實時性差的挑戰(zhàn)。針對電力系統(tǒng)的海量歷史負荷數據，對上面模型在 Spark平臺下進行了并行化設計。利用實驗室設備搭建了含一個主節(jié)點、七個數據節(jié)點的 Spark計算集群，在 Spark云平臺實現(xiàn)了分布式支持向量回歸預測算法。測試了本文設計的并行化算法的并行性能，實驗分析表明本文設計的并行算法在進行海量數據處理時相對于常用的方法具有更快

4、的處理速度。
　　隨著能源和環(huán)境問題的日趨嚴重，新能源的開發(fā)和利用受到越來越多的關注，隨之帶來了微電網的興起和發(fā)展。為了保證微電網高效率的經濟運行，準確地負荷預測就變得尤為重要。關于微電網短期負荷預測的研究還相對較少，因此，本文對微電網的負荷預測展開研究，對微電網安全、節(jié)能、高效運行具有重要的理論意義和實用價值。
　　首先針對人工蜂群算法易陷入局部最優(yōu)及收斂速度慢的缺點，引入當前最優(yōu)蜜源和慣性權重函數，對該算法的食物源更新方

5、式進行改進；然后針對支持向量回歸機的參數選擇和優(yōu)化問題，轉化成組合優(yōu)化的問題，并使用改進的人工蜂群算法進行優(yōu)化求解，進而得到人工蜂群算法優(yōu)化SVR的預測模型。以微電網短期負荷預測數據為例，將該模型的預測結果與蟻群算法優(yōu)化的支持向量回歸機(ACO-SVR)、粒子群算法優(yōu)化的支持向量回歸機(PSO-SVR)和未改進的蜂群算法優(yōu)化的支持向量回歸機(ABC-SVR)進行對比分析，實驗結果表明該模型具有最優(yōu)的預測效果并且運行時間最短，相比其他模型

6、具有更好的學習和推廣能力。
　　近年來電力系統(tǒng)智能化的發(fā)展導致了負荷數據的海量化和高維化，負荷預測面臨著單機計算資源不足、預測實時性差的挑戰(zhàn)。針對電力系統(tǒng)的海量歷史負荷數據，對上面模型在 Spark平臺下進行了并行化設計。利用實驗室設備搭建了含一個主節(jié)點、七個數據節(jié)點的 Spark計算集群，在 Spark云平臺實現(xiàn)了分布式支持向量回歸預測算法。測試了本文設計的并行化算法的并行性能，實驗分析表明本文設計的并行算法在進行海量數據處理時