[发明专利]一种大数据环境下的短期负荷预测方法

权利要求书

1.一种大数据环境下的短期负荷预测方法，其特征在于：包括以下步骤：

S1：获取历史负荷数据集；

S2：利用基于Hadoop架构的MapReduce数据处理系统，将负荷数据集拆分为小型数据集，存储在分布式文件系统的各个数据节点中；

S3：构建BP神经网络，初始化BP神经网络参数；

S4：利用粒子群算法对BP神经网络的初始参数进行优化，得到权值和阈值上传到分布式文件系统中；

S5：在Map阶段，读取分布式文件系统中的参数，包括权值、阈值，在每个子任务开始时，还原BP神经网络；依据子任务所分配数据进行BP神经网络的输入信号的正向传递和误差信号的反向传播，获取BP神经网络的权值、阈值在当前数据集下的修正量，并依据键值对形式作为Reduce阶段的输入参数；

S6：在Reduce阶段，BP神经网络对所有数据集训练后，依据输入层、隐含层以及输出层神经元相应的键值对<key,value>中的key值，统计全体负荷数据样本训练结束后对各神经元权值、阈值的影响量，将结果输出至分布式文件系统中；

S7：判断当前迭代任务下，是否达到收敛精度或达到预先设定的迭代次数；若是，依据BP神经网络的输入层、隐含层和输出层的层数，及其分布式文件系统中权值、阈值参数，建立分布式BP神经网络模型；若不是，进行BP神经网络权值、阈值参数的修正；

S8：依据分布式BP神经网络模型，输入预测日数据进行预测，得到预测日的负荷功率数据。

2.根据权利要求1所述的大数据环境下的短期负荷预测方法，其特征在于：所述步骤S4中，利用粒子群算法对BP神经网络的初始参数进行优化的具体过程为：将BP神经网络的初始权值和阈值集合映射为粒子群，即设粒子群的位置元素是BP神经网络的所有节点之间的连接权值和阈值，每次迭代求出粒子群最优的权值和阈值，最终得到全局最优的权值和阈值，赋予BP神经网络；粒子群的速度和位置更新方程为：

式(1)中，ω_(t)为第t次迭代的惯性权重因子；c₁和c₂同为学习因子或同为加速常数；r₁和r₂同为[0,1]范围内的均匀随机数；v_id为第i个粒子第d维的速度，x_id为第i个粒子第d维的位置，p_id为第i个粒子经历过的最优位置，p_gd为整个粒子群经历过的最优位置。

3.根据权利要求1所述的大数据环境下的短期负荷预测方法，其特征在于：所述步骤S5中，获取BP神经网络的权值、阈值在当前数据集下的修正量的过程为：

设误差指标函数为：

式(2)中，Y_i为第i个样本期望的网络输出向量；Y_i′为第i个样本实际的网络输出向量；p为样本数目；w为网络权值和阈值所组成的向量；e_i(w)为第i个样本的误差；

设w^k表示第k次迭代的权值和阈值所组成的向量，新的权值和阈值所组成的向量w^k+1＝w^k+Δw；权值增量Δw计算公式如下：

Δw＝[J^T(w)J(w)+μI]^-1J^T(w)e(w) (3)

式(3)中，I为单位矩阵；μ为用户定义的学习率；e(w)为误差；J(w)为Jacobian矩阵,即：

式(4)中，w_u为第n次迭代权值和阈值所组成的向量，1≤u≤n。

4.根据权利要求2所述的大数据环境下的短期负荷预测方法，其特征在于：所述ω_(t)通过下式得到：

ω_(t)＝μω_(t-1)(1-ω_(t-1)) (5)

式(5)中，μ为混沌理论参数。