本文關(guān)鍵詞：云平臺(tái)下電網(wǎng)短期負(fù)荷預(yù)測(cè)算法的研究與實(shí)現(xiàn)

  更多相關(guān)文章： 電力負(fù)荷預(yù)測(cè) 神經(jīng)網(wǎng)絡(luò) 云計(jì)算

【摘要】：近十幾年來,隨著國(guó)民經(jīng)濟(jì)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(jìn)步,間接的導(dǎo)致了用戶對(duì)于用電量需求的不斷提升。鑒于電力系統(tǒng)的特殊性,電力負(fù)荷預(yù)測(cè)一直是電力系統(tǒng)建設(shè)中的重中之重,直接影響到電網(wǎng)資源的宏觀調(diào)度以及生產(chǎn)運(yùn)行,是電網(wǎng)安全性和穩(wěn)定性的保證。電力負(fù)荷預(yù)測(cè)一直是國(guó)內(nèi)外學(xué)者熱衷于的研究方向,而通過各大論文期刊的文獻(xiàn)可以看出在電力負(fù)荷預(yù)測(cè)領(lǐng)域中,國(guó)內(nèi)外研究者都提出了非常多經(jīng)典的算法模型,比如時(shí)間序列法、相似日法、卡爾曼濾波法等,而這些模型都實(shí)驗(yàn)成功并且投入具體的運(yùn)營(yíng)中,得到了比較好的反響。但是由于智能電網(wǎng)的不斷發(fā)展,區(qū)域電力系統(tǒng)的不斷整合,預(yù)測(cè)數(shù)據(jù)由大量數(shù)據(jù)增長(zhǎng)到海量數(shù)據(jù),而傳統(tǒng)的預(yù)測(cè)方法表現(xiàn)出了其在處理海量數(shù)據(jù)時(shí)的不足,所以現(xiàn)電網(wǎng)需要一個(gè)能夠處理海量數(shù)據(jù)并且更加智能化的負(fù)荷預(yù)測(cè)模型和系統(tǒng)。本文主要研究了云計(jì)算以及人工神經(jīng)網(wǎng)絡(luò)算法在電網(wǎng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用,在比較詳盡的了解了電網(wǎng)短期負(fù)荷預(yù)測(cè)業(yè)務(wù)邏輯后,深入的研究了云計(jì)算技術(shù)以及人工神經(jīng)網(wǎng)絡(luò)算法,分析了人工神經(jīng)網(wǎng)絡(luò)算法的優(yōu)勢(shì)和不足,提出利用現(xiàn)階段比較成熟的云計(jì)算技術(shù)來整合傳統(tǒng)的BP人工神經(jīng)網(wǎng)絡(luò)模型,并利用已有的電網(wǎng)負(fù)荷歷史數(shù)據(jù)測(cè)試該模型,分別在單節(jié)點(diǎn)和多節(jié)點(diǎn)以及不同的數(shù)據(jù)量級(jí)情況下測(cè)試,以得出結(jié)論。并在此結(jié)論上,利用java web的方式,把該模型應(yīng)用到實(shí)際的負(fù)荷預(yù)測(cè)業(yè)務(wù)中去,構(gòu)造出自己的電網(wǎng)短期負(fù)荷預(yù)測(cè)系統(tǒng),使其相比于傳統(tǒng)的負(fù)荷預(yù)測(cè)系統(tǒng),操作更加簡(jiǎn)便、數(shù)據(jù)顯示更加直觀、預(yù)測(cè)更加精確迅速。在本課題中,針對(duì)傳統(tǒng)預(yù)測(cè)算法模型在電網(wǎng)短期負(fù)荷業(yè)務(wù)中表現(xiàn)出對(duì)于非線性數(shù)據(jù)處理能力的不足以及現(xiàn)階段智能電網(wǎng)對(duì)于預(yù)測(cè)模型智能化的要求,利用人工神經(jīng)網(wǎng)絡(luò)算法在智能化以及處理非線性數(shù)據(jù)方面的優(yōu)勢(shì),建立包含輸入層、輸出層、隱含層的三層模型,使其在預(yù)測(cè)精確度上優(yōu)于傳統(tǒng)算法模型。而鑒于電網(wǎng)短期負(fù)荷預(yù)測(cè)業(yè)務(wù)對(duì)于預(yù)測(cè)時(shí)間的要求和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練速度慢的問題,以及現(xiàn)階段預(yù)測(cè)系統(tǒng)對(duì)于海量數(shù)據(jù)處理能力的需求,本文提出利用已經(jīng)比較成熟的云計(jì)算平臺(tái)來改進(jìn)人工神經(jīng)網(wǎng)絡(luò)算法模型,使其訓(xùn)練速度加快,保證預(yù)測(cè)速度的提升,使其具有處理海量數(shù)據(jù)的能力。對(duì)于本文改進(jìn)后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,我們做了大量的測(cè)試,基本達(dá)到了預(yù)期的要求,在預(yù)測(cè)精確度和預(yù)測(cè)速度上能夠優(yōu)于傳統(tǒng)模型,并且具有處理海量數(shù)據(jù)的能力。而本課題所實(shí)現(xiàn)的系統(tǒng),經(jīng)過大量的使用和測(cè)試過后,得到了比較好的反響,經(jīng)過一定的改進(jìn)將能夠應(yīng)用到實(shí)際電力系統(tǒng)中去。
【關(guān)鍵詞】：電力負(fù)荷預(yù)測(cè) 神經(jīng)網(wǎng)絡(luò) 云計(jì)算
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：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(guó)內(nèi)外研究現(xiàn)狀11-14
• 1.2.1 云計(jì)算的研究現(xiàn)狀11
• 1.2.2 神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀11-12
• 1.2.3 短期電力負(fù)荷預(yù)測(cè)的研究12
• 1.2.4 基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)應(yīng)用發(fā)展12-13
• 1.2.5 基于神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)方法的研究現(xiàn)狀13-14
• 1.3 研究目標(biāo)與內(nèi)容14
• 1.4 本文組織安排14-15
• 第2章 相關(guān)技術(shù)以及算法介紹15-23
• 2.1 云計(jì)算15-16
• 2.1.1 云計(jì)算概述15
• 2.1.2 云計(jì)算的特點(diǎn)15-16
• 2.2 Hadoop平臺(tái)介紹16-18
• 2.2.1 Hadoop簡(jiǎn)介16-17
• 2.2.2 Hadoop核心架構(gòu)17-18
• 2.3 BP人工神經(jīng)網(wǎng)絡(luò)18-22
• 2.3.1 BP人工神經(jīng)網(wǎng)絡(luò)概述18-19
• 2.3.2 神經(jīng)元模型19-20
• 2.3.3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型20-21
• 2.3.4 BP人工神經(jīng)網(wǎng)絡(luò)的缺陷21-22
• 2.4 本章小結(jié)22-23
• 第3章 電網(wǎng)短期負(fù)荷預(yù)測(cè)算法設(shè)計(jì)以及測(cè)試23-38
• 3.1 電網(wǎng)短期負(fù)荷預(yù)測(cè)業(yè)務(wù)分析23-24
• 3.1.1 電網(wǎng)短期負(fù)荷預(yù)測(cè)業(yè)務(wù)概述23
• 3.1.2 電網(wǎng)短期負(fù)荷預(yù)測(cè)特性分析23-24
• 3.2 基于mapreduce的BP神經(jīng)網(wǎng)絡(luò)電網(wǎng)短期負(fù)荷預(yù)測(cè)模型設(shè)計(jì)24-34
• 3.2.1 模型概述24
• 3.2.2 樣本數(shù)據(jù)的預(yù)處理24-25
• 3.2.3 模型的拓?fù)浣Y(jié)構(gòu)25-26
• 3.2.4 模型參數(shù)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(shí)現(xiàn)30-34
• 3.3 算法模型在hadoop平臺(tái)上的實(shí)驗(yàn)34-37
• 3.3.1 實(shí)驗(yàn)集群平臺(tái)的搭建34-35
• 3.3.2 實(shí)驗(yàn)?zāi)康暮蛯?shí)驗(yàn)結(jié)果分析35-37
• 3.4 本章小結(jié)37-38
• 第4章 基于云平臺(tái)的電網(wǎng)短期負(fù)荷預(yù)測(cè)系統(tǒng)的實(shí)現(xiàn)38-48
• 4.1 系統(tǒng)用到的技術(shù)以及開發(fā)環(huán)境的選擇38-39
• 4.2 系統(tǒng)設(shè)計(jì)39-43
• 4.2.1 系統(tǒng)需要達(dá)到的目標(biāo)39-40
• 4.2.2 功能模塊劃分40-41
• 4.2.3 數(shù)據(jù)庫的設(shè)計(jì)41-43
• 4.3 系統(tǒng)實(shí)現(xiàn)43-47
• 4.3.1 樣本管理以及數(shù)據(jù)分析模塊43-45
• 4.3.2 負(fù)荷預(yù)測(cè)模塊45-47
• 4.4 本章小結(jié)47-48
• 第5章 總結(jié)與展望48-50
• 5.1 全文總結(jié)48
• 5.2 展望48-50
• 參考文獻(xiàn)50-53
• 致謝53

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前10條

1 高丹丹;高松濤;;中長(zhǎng)期電力負(fù)荷預(yù)測(cè)研究綜述[J];科技創(chuàng)新導(dǎo)報(bào);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(tǒng)中期負(fù)荷預(yù)測(cè)[J];電力系統(tǒng)保護(hù)與控制;2012年08期

3 沐連順;崔立忠;安寧;;電力系統(tǒng)云計(jì)算中心的研究與實(shí)踐[J];電網(wǎng)技術(shù);2011年06期

4 李喬;鄭嘯;;云計(jì)算研究現(xiàn)狀綜述[J];計(jì)算機(jī)科學(xué);2011年04期

5 廖旎煥;胡智宏;馬瑩瑩;盧王允;;電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法綜述[J];電力系統(tǒng)保護(hù)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(tǒng)云計(jì)算初探[J];四川電力技術(shù);2010年03期

7 高紅;;BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率的優(yōu)化方法[J];長(zhǎng)春師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年04期

8 陳格;;人工神經(jīng)網(wǎng)絡(luò)技術(shù)發(fā)展綜述[J];中國(guó)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(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定[J];天津理工大學(xué)學(xué)報(bào);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(zhǎng)期電力負(fù)荷預(yù)測(cè)[J];電網(wǎng)技術(shù);2008年19期

，

本文編號(hào)：810270