【摘要】：隨著節(jié)能減排的不斷推進(jìn),對電力能耗準(zhǔn)確預(yù)測的需求變得日益迫切,同時,物聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,使得電力能耗數(shù)據(jù)采集規(guī)模不斷擴大,在海量的數(shù)據(jù)基礎(chǔ)上進(jìn)行預(yù)測,單機環(huán)境勢必會遇到計算資源不足的瓶頸,如何快速處理這些海量數(shù)據(jù)進(jìn)行預(yù)測同時達(dá)到電力能耗預(yù)測準(zhǔn)確性的要求已成為近年來的熱點研究方向�；诖�,本文建立了一種STL-SVR電力能耗預(yù)測模型,并通過Spark分布式處理平臺實現(xiàn)此模型對大規(guī)模數(shù)據(jù)的快速處理。本文的主要工作如下:(1)引入STL(Seasonal and Trend decomposition using Loess)時間序列分解結(jié)合支持向量回歸SVR(Support Vector Regression)建立STL-SVR電力能耗預(yù)測模型。針對單一模型無法實現(xiàn)準(zhǔn)確的電力能耗預(yù)測的問題,通過引入STL時間序列分解,將電力能耗數(shù)據(jù)分解為趨勢項、周期項與余項,并分別根據(jù)每項的特點采用支持向量回歸算法預(yù)測或其他方式進(jìn)行處理之后整合得到總體模型,實現(xiàn)了電力能耗數(shù)據(jù)的準(zhǔn)確預(yù)測。(2)引入模擬退火算法優(yōu)化SVR的參數(shù)選擇。針對使用網(wǎng)格搜索進(jìn)行SVR算法的參數(shù)優(yōu)化緩慢的問題,通過引入模擬退火算法這一適用于大型組合優(yōu)化問題的算法實現(xiàn)SVR的參數(shù)優(yōu)化,大大加快了SVR算法的參數(shù)優(yōu)化效率。(3)STL-SVR電力能耗預(yù)測模型的并行化。針對海量數(shù)據(jù)下單機環(huán)境遭遇計算資源不足,算法運行緩慢的問題,引入了Spark分布式處理平臺,在Spark上實現(xiàn)了包括數(shù)據(jù)預(yù)處理、特征工程處理和SVR算法的并行化,建立了基于Spark的STL-SVR電力能耗預(yù)測模型。在保證預(yù)測精度的同時,縮減了海量數(shù)據(jù)下模型的訓(xùn)練時間。本文基于提出的STL-SVR預(yù)測模型進(jìn)行了三組實驗,分別是回歸森林、SVR、STL-RF模型與STL-SVR模型的對預(yù)測比實驗,使用模擬退火算法與網(wǎng)格搜索進(jìn)行SVR參數(shù)優(yōu)化的對比實驗與單機環(huán)境與Spark環(huán)境下STL-SVR模型的對比實驗。實驗結(jié)果表明,基于Spark的STL-SVR預(yù)測模型相比單機環(huán)境下的傳統(tǒng)算法更具競爭力,在預(yù)測精度與參數(shù)優(yōu)化效率上有了明顯提升,在海量數(shù)據(jù)下也能同樣保持較高的運行效率。
【圖文】：

圖 2-2 科研樓 2012 年 3 月電力能耗氣象因素關(guān)研究指出，氣象因素同樣是影響電力能耗水平的重要因素。溫度氣象因素在很大程度上對室內(nèi)的舒適度造成不同程度的影響，這、降溫的能耗增加。在溫度與氣壓的共同影響下，總電力能耗呈現(xiàn)，春季、秋季低的特點。溫度升高或降低將導(dǎo)致大功率的設(shè)備如空調(diào)，空調(diào)用于降溫，電力能耗隨著溫度的升高與氣壓的降低而升高，用于取暖，，電力能耗隨著溫度的降低與氣壓的升高而升高。其他用較少或未使用，總能耗較低，如圖 2-3，圖 2-4 所示。

圖 2-2 科研樓 2012 年 3 月電力能耗. 氣象因素關(guān)研究指出，氣象因素同樣是影響電力能耗水平的重要因素。溫度、氣象因素在很大程度上對室內(nèi)的舒適度造成不同程度的影響，這將、降溫的能耗增加。在溫度與氣壓的共同影響下，總電力能耗呈現(xiàn)出，春季、秋季低的特點。溫度升高或降低將導(dǎo)致大功率的設(shè)備如空調(diào)，空調(diào)用于降溫，電力能耗隨著溫度的升高與氣壓的降低而升高，而調(diào)用于取暖，電力能耗隨著溫度的降低與氣壓的升高而升高。其他兩用較少或未使用，總能耗較低，如圖 2-3，圖 2-4 所示。
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TM715;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 文益民;強保華;范志剛;;概念漂移數(shù)據(jù)流分類研究綜述[J];智能系統(tǒng)學(xué)報;2013年02期

2 邱真;趙曉峰;;高校能耗監(jiān)管平臺系統(tǒng)建設(shè)研究[J];中國現(xiàn)代教育裝備;2012年03期

3 閆國華;朱永生;;支持向量機回歸的參數(shù)選擇方法[J];計算機工程;2009年14期

相關(guān)碩士學(xué)位論文 前3條

1 崇衛(wèi)之;數(shù)據(jù)預(yù)處理機制的研究與系統(tǒng)構(gòu)建[D];南京郵電大學(xué);2018年

2 唐振坤;基于Spark的機器學(xué)習(xí)平臺設(shè)計與實現(xiàn)[D];廈門大學(xué);2014年

3 馮琳;集群計算引擎Spark中的內(nèi)存優(yōu)化研究與實現(xiàn)[D];清華大學(xué);2013年

本文編號：2607332