發(fā)布時間：2020-03-30 08:58

【摘要】：隨著節(jié)能減排的不斷推進,對電力能耗準確預測的需求變得日益迫切,同時,物聯(lián)網(wǎng)技術的不斷發(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)基礎上進行預測,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)進行預測同時達到電力能耗預測準確性的要求已成為近年來的熱點研究方向。基于此,本文建立了一種STL-SVR電力能耗預測模型,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)時間序列分解結合支持向量回歸SVR(Support Vector Regression)建立STL-SVR電力能耗預測模型。針對單一模型無法實現(xiàn)準確的電力能耗預測的問題,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測或其他方式進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)的準確預測。(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電力能耗預測模型。在保證預測精度的同時,縮減了海量數(shù)據(jù)下模型的訓練時間。本文基于提出的STL-SVR預測模型進行了三組實驗,分別是回歸森林、SVR、STL-RF模型與STL-SVR模型的對預測比實驗,使用模擬退火算法與網(wǎng)格搜索進行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。實驗結果表明,基于Spark的STL-SVR預測模型相比單機環(huán)境下的傳統(tǒng)算法更具競爭力,在預測精度與參數(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致大功率的設備如空調(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致大功率的設備如空調(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。
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TM715;TP18

【參考文獻】

相關期刊論文 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

相關碩士學位論文 前3條

1 崇衛(wèi)之;數(shù)據(jù)預處理機制的研究與系統(tǒng)構建[D];南京郵電大學;2018年

2 唐振坤;基于Spark的機器學習平臺設計與實現(xiàn)[D];廈門大學;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;2013年

本文編號：2607332