简介:摘要本文提出了一种基于Hadoop优化的支持向量机求解大数据背景下电力短期负荷预测问题的新方法。该方法首先采用量子行为优化粒子群的模糊C聚类模型将历史负荷进行聚类分析,然后将聚类后的负荷数据和其对应影响因素数据进行Hadoop云平台的数据存储和匹配,进而提高预测模型输入量的精确度和响应速度,最后进行建模仿真预测。针对某地区的海量负荷数据进行建模仿真,并在预测精度和预测时间两方面与未经过数据预处理的支持向量机预测模型进行比较,仿真结果表明基于Hadoop优化的支持向量机预测模型在面对大量数据时,该方法能够在保证预测精度的基础上大大缩短了预测时间。
简介:摘要改革开放以来,深圳国民经济高速发展,用电量及用电负荷均呈快速增长趋势,电力供需平衡成为电力市场支持社会经济发展的重要方面。2008年以前,深圳在电源和电网规划上一定程度上滞后于经济发展,存在供需矛盾的情况。近年来,随着经济增速的放缓和经济结构转型,深圳电力需求又呈现缓慢增长新常态,加强需求测管理,刺激用电需求又成为企业主要经营策略。本文以深圳市电力需求为研究对象,对天气、宏观经济等影响电力需求变化的因素进行了深入阐述及分析,描述了各因素特点及与深圳市电力需求间的关系,并应用电力需求预测模型的方法预测结果,以支撑电力企业在电源和电网规划、需求侧管理等方面进行决策,具有重要的理论及实践意义。
简介:摘要短期电力负荷预测对于电力网络安全,平稳运行发挥着至关重要的作用。电力负荷在采集过程中容易受到噪声干扰,若对其直接进行预测,将会产生很大的误差。所以,在负荷预测之前,本文提出小波自适应算法对其降噪处理。为了避免LMS算法采取梯度下降思想陷入局部最小的特点,本文同样利用改进的人工蜂群算法对其优化。实验仿真证明,优化后的滤波器具有更好的收敛性和滤波效果。GABC优化后的小波自适应算法滤波效果更好,收敛速度更快,为后续预测算法分析提供了良好的数据来源。