本文關鍵詞：云平臺下電網短期負荷預測算法的研究與實現

  更多相關文章： 電力負荷預測 神經網絡 云計算

【摘要】：近十幾年來,隨著國民經濟的飛速發(fā)展,人民生活水平的不斷提升,工業(yè)化和信息化的不斷進步,間接的導致了用戶對于用電量需求的不斷提升。鑒于電力系統的特殊性,電力負荷預測一直是電力系統建設中的重中之重,直接影響到電網資源的宏觀調度以及生產運行,是電網安全性和穩(wěn)定性的保證。電力負荷預測一直是國內外學者熱衷于的研究方向,而通過各大論文期刊的文獻可以看出在電力負荷預測領域中,國內外研究者都提出了非常多經典的算法模型,比如時間序列法、相似日法、卡爾曼濾波法等,而這些模型都實驗成功并且投入具體的運營中,得到了比較好的反響。但是由于智能電網的不斷發(fā)展,區(qū)域電力系統的不斷整合,預測數據由大量數據增長到海量數據,而傳統的預測方法表現出了其在處理海量數據時的不足,所以現電網需要一個能夠處理海量數據并且更加智能化的負荷預測模型和系統。本文主要研究了云計算以及人工神經網絡算法在電網短期負荷預測中的應用,在比較詳盡的了解了電網短期負荷預測業(yè)務邏輯后,深入的研究了云計算技術以及人工神經網絡算法,分析了人工神經網絡算法的優(yōu)勢和不足,提出利用現階段比較成熟的云計算技術來整合傳統的BP人工神經網絡模型,并利用已有的電網負荷歷史數據測試該模型,分別在單節(jié)點和多節(jié)點以及不同的數據量級情況下測試,以得出結論。并在此結論上,利用java web的方式,把該模型應用到實際的負荷預測業(yè)務中去,構造出自己的電網短期負荷預測系統,使其相比于傳統的負荷預測系統,操作更加簡便、數據顯示更加直觀、預測更加精確迅速。在本課題中,針對傳統預測算法模型在電網短期負荷業(yè)務中表現出對于非線性數據處理能力的不足以及現階段智能電網對于預測模型智能化的要求,利用人工神經網絡算法在智能化以及處理非線性數據方面的優(yōu)勢,建立包含輸入層、輸出層、隱含層的三層模型,使其在預測精確度上優(yōu)于傳統算法模型。而鑒于電網短期負荷預測業(yè)務對于預測時間的要求和傳統神經網絡算法訓練速度慢的問題,以及現階段預測系統對于海量數據處理能力的需求,本文提出利用已經比較成熟的云計算平臺來改進人工神經網絡算法模型,使其訓練速度加快,保證預測速度的提升,使其具有處理海量數據的能力。對于本文改進后的神經網絡預測模型,我們做了大量的測試,基本達到了預期的要求,在預測精確度和預測速度上能夠優(yōu)于傳統模型,并且具有處理海量數據的能力。而本課題所實現的系統,經過大量的使用和測試過后,得到了比較好的反響,經過一定的改進將能夠應用到實際電力系統中去。
【關鍵詞】：電力負荷預測 神經網絡 云計算
【學位授予單位】：華北電力大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TM715;TP183
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-15
• 1.1 課題背景及研究意義10-11
• 1.2 國內外研究現狀11-14
• 1.2.1 云計算的研究現狀11
• 1.2.2 神經網絡的研究現狀11-12
• 1.2.3 短期電力負荷預測的研究12
• 1.2.4 基于云計算的神經網絡應用發(fā)展12-13
• 1.2.5 基于神經網絡的負荷預測方法的研究現狀13-14
• 1.3 研究目標與內容14
• 1.4 本文組織安排14-15
• 第2章 相關技術以及算法介紹15-23
• 2.1 云計算15-16
• 2.1.1 云計算概述15
• 2.1.2 云計算的特點15-16
• 2.2 Hadoop平臺介紹16-18
• 2.2.1 Hadoop簡介16-17
• 2.2.2 Hadoop核心架構17-18
• 2.3 BP人工神經網絡18-22
• 2.3.1 BP人工神經網絡概述18-19
• 2.3.2 神經元模型19-20
• 2.3.3 BP神經網絡結構模型20-21
• 2.3.4 BP人工神經網絡的缺陷21-22
• 2.4 本章小結22-23
• 第3章 電網短期負荷預測算法設計以及測試23-38
• 3.1 電網短期負荷預測業(yè)務分析23-24
• 3.1.1 電網短期負荷預測業(yè)務概述23
• 3.1.2 電網短期負荷預測特性分析23-24
• 3.2 基于mapreduce的BP神經網絡電網短期負荷預測模型設計24-34
• 3.2.1 模型概述24
• 3.2.2 樣本數據的預處理24-25
• 3.2.3 模型的拓撲結構25-26
• 3.2.4 模型參數的選取26-27
• 3.2.5 算法流程27-30
• 3.2.6 基于mapreduce的并行化算法實現30-34
• 3.3 算法模型在hadoop平臺上的實驗34-37
• 3.3.1 實驗集群平臺的搭建34-35
• 3.3.2 實驗目的和實驗結果分析35-37
• 3.4 本章小結37-38
• 第4章 基于云平臺的電網短期負荷預測系統的實現38-48
• 4.1 系統用到的技術以及開發(fā)環(huán)境的選擇38-39
• 4.2 系統設計39-43
• 4.2.1 系統需要達到的目標39-40
• 4.2.2 功能模塊劃分40-41
• 4.2.3 數據庫的設計41-43
• 4.3 系統實現43-47
• 4.3.1 樣本管理以及數據分析模塊43-45
• 4.3.2 負荷預測模塊45-47
• 4.4 本章小結47-48
• 第5章 總結與展望48-50
• 5.1 全文總結48
• 5.2 展望48-50
• 參考文獻50-53
• 致謝53

【參考文獻】

中國期刊全文數據庫 前10條

1 高丹丹;高松濤;;中長期電力負荷預測研究綜述[J];科技創(chuàng)新導報;2014年07期

2 翟永杰;劉林;王朋;;基于ADE-SVM和模糊理論的電力系統中期負荷預測[J];電力系統保護與控制;2012年08期

3 沐連順;崔立忠;安寧;;電力系統云計算中心的研究與實踐[J];電網技術;2011年06期

4 李喬;鄭嘯;;云計算研究現狀綜述[J];計算機科學;2011年04期

5 廖旎煥;胡智宏;馬瑩瑩;盧王允;;電力系統短期負荷預測方法綜述[J];電力系統保護與控制;2011年01期

6 楊旭昕;劉俊勇;季宏亮;潘睿;賀星棋;郭曉鳴;;電力系統云計算初探[J];四川電力技術;2010年03期

7 高紅;;BP神經網絡學習率的優(yōu)化方法[J];長春師范學院學報(自然科學版);2010年04期

8 陳格;;人工神經網絡技術發(fā)展綜述[J];中國科技信息;2009年17期

9 沈花玉;王兆霞;高成耀;秦娟;姚福彬;徐巍;;BP神經網絡隱含層單元數的確定[J];天津理工大學學報;2008年05期

10 毛李帆;江岳春;龍瑞華;李妮;黃慧;黃珊;;基于偏最小二乘回歸分析的中長期電力負荷預測[J];電網技術;2008年19期

，

本文編號：810270