本文關(guān)鍵詞：實現(xiàn)影響因素多源異構(gòu)融合的短期負荷預(yù)測支持向量機算法　出處：《電力系統(tǒng)自動化》2016年15期 　論文類型：期刊論文

  更多相關(guān)文章： 大數(shù)據(jù) 多源異構(gòu)特性 支持向量機(SVM) 負荷預(yù)測 并行化

【摘要】：針對智能電網(wǎng)大數(shù)據(jù)環(huán)境下,導(dǎo)致電力系統(tǒng)負荷波動的諸多因素存在多源異構(gòu)性的問題,利用多核函數(shù)來對其多源異構(gòu)特性進行差異化處理和融合,能夠描述影響因素的內(nèi)在分布特性并應(yīng)對其變化,提高負荷預(yù)測精度。選取歷史負荷、氣溫、氣壓、相對濕度、降雨量、風(fēng)向、風(fēng)速、節(jié)假日及電價9個屬性作為多源異構(gòu)影響因素,利用樣本特征分布法、單變量法及核矩陣秩空間差異法來選擇多核函數(shù)的構(gòu)成,采用雙層多核學(xué)習(xí)算法,建立了并行化多核支持向量機(SVM)負荷預(yù)測算法流程,并在Hadoop集群上進行了仿真驗證。仿真結(jié)果表明,多核SVM比單核SVM預(yù)測平均相對誤差小,雙層多核學(xué)習(xí)、基于lp范數(shù)的多核SVM模型預(yù)測精度最高。因此,多核SVM能有效處理負荷預(yù)測中的多源異構(gòu)數(shù)據(jù),經(jīng)并行化處理后,能提高負荷預(yù)測的速度與精度。
[Abstract]:In the smart grid environment of big data, many factors that lead to power system load fluctuations are heterogeneous problems, using multiple kernel functions to different processing and fusion of multi-source heterogeneous characteristics, which can describe the influence of internal factors and distribution characteristics of the change, improve the accuracy of load forecasting. Select the history load, temperature, air pressure, relative humidity, rainfall, wind direction, wind speed, holidays and price 9 properties as heterogeneous factors, using the sample distribution method, a single variable difference method and kernel matrix rank space method to select multiple kernel function, using the double multi kernel learning algorithm, a parallel multi kernel support vector machine (SVM) load forecasting algorithm, and simulated in the Hadoop cluster. The simulation results show that the multi core SVM than single SVM average relative prediction error is small, the double layer multiple kernel learning, based on LP model The number of multi-core SVM models has the highest prediction accuracy. Therefore, multi-core SVM can effectively handle the multi-source heterogeneous data in load forecasting. After parallelization, it can improve the speed and accuracy of load forecasting.

【作者單位】： 電力傳輸與功率變換控制教育部重點實驗室(上海交通大學(xué));國網(wǎng)山東省電力公司菏澤供電公司;
【基金】：國家自然科學(xué)基金資助項目(51407116) 國家科技支撐計劃資助項目(2015BAA01B02)~~
【分類號】：TM715
【正文快照】： 2.國網(wǎng)山東省電力公司菏澤供電公司,山東省菏澤市274000)上網(wǎng)日期:2016-07-12。0引言隨著智能電網(wǎng)研究的不斷深入[1],高級管理體系逐步建立,智能用電設(shè)備逐漸推廣[2],在這一過程中積累了大量的基礎(chǔ)用電數(shù)據(jù)[3],同時分布式電源、儲能、電動汽車等多種新型用電形式出現(xiàn),各類先進

【相似文獻】

相關(guān)期刊論文 前10條

1 鐘慶,吳捷,鐘丹虹;基于系統(tǒng)論的負荷預(yù)測集成化方法[J];電力自動化設(shè)備;2002年10期

2 張伏生,劉芳,趙文彬,寇強,劉沛津,曹正建;基于Internet/Intranet的負荷預(yù)測系統(tǒng)方案[J];電力系統(tǒng)自動化;2003年10期

3 康重慶;牟濤;夏清;;電力系統(tǒng)多級負荷預(yù)測及其協(xié)調(diào)問題 (一)研究框架[J];電力系統(tǒng)自動化;2008年07期

4 李小銳;黎燦兵;袁彥;;基于下級負荷預(yù)測的短期負荷預(yù)測新算法[J];江西電力職業(yè)技術(shù)學(xué)院學(xué)報;2008年02期

5 李新煒;王子琦;方鳴;周鵬;王啟明;李同;鞠平;;基于分區(qū)逐時氣象信息的全網(wǎng)負荷預(yù)測研究[J];電力系統(tǒng)保護與控制;2009年03期

6 康重慶;趙燃;陳新宇;楊興宇;曹欣;劉梅;;多級負荷預(yù)測的基礎(chǔ)問題分析[J];電力系統(tǒng)保護與控制;2009年09期

7 任峰;丁超;;市場環(huán)境下負荷預(yù)測誤差風(fēng)險管理研究[J];現(xiàn)代電力;2009年03期

8 羅鳳章;王成山;肖峻;侯磊;王建民;李亦農(nóng);陳春琴;王賽一;;計及氣溫因素的年度負荷預(yù)測修正方法[J];電力系統(tǒng)及其自動化學(xué)報;2009年03期

9 楊凱;;如何提高負荷預(yù)測的準(zhǔn)確率[J];大眾用電;2009年10期

10 李q，

本文編號：1363668