[发明专利]一种基于数据挖掘的负荷预测方法

说明书

本发明具体为一种基于数据挖掘的负荷预测方法，利用配电网大数据存储与计算的基于Hadoop的Spark计算平台，利用Hadoop集群对火电大数据进行分布式存储，并结合Spark计算框架对火电大数据进行数据挖掘，从而建立各个监测点的负荷模型。本发明能够根据各个测量点负荷实际运行的特性，对参数进行数据清洗、稳态工况判定，提高数据质量，并排除动态不稳定工况数据对数据挖掘结果的影响，能够全面精确的挖掘出符合实际负荷模型。

技术领域

本发明涉及电力控制领域，具体为一种基于数据挖掘的负荷预测方法。

背景技术

电力负荷预测对于电力系统的建设和运行均有着极其重要的意义和作用。在编制电力系 统发展规划阶段，如果负荷预测结果偏低，将会导致电力系统规划的装机容量与输配电能力 不足，无法满足社会的用电需求，甚至导致整个系统无法稳定运行；而如负荷预测结果偏高， 则会导致一些发电、输配电设备建设容量偏大，投入运行后不能充分发挥作用，降低投资效 益，导致较大的浪费。

粒子群优化算法是由Kennedy和Eberhart于1995年提出通过评价粒子的适应值，确定 k代每一个粒子所经过的最好适应值位置以及群体所有粒子所经历过的最好适应值位置，得 到足够好的适应值或达到预定的最大迭代次数，则输出gbest及其适应值并停止算法。但是 本算法不能够绝对保证搜索到全局最优解，相对易于陷入局部极值，对参数yo8一定的依赖 性。

发明内容

1.所要解决的技术问题：

针对上述的技术问题，本发明提供一种基于数据挖掘的负荷预测方法，其算法收敛且速 度快，寻优能力强。

2.技术方案：

一种基于数据挖掘的负荷预测方法，利用配电网大数据存储与计算的基于Hadoop的 Spark计算平台，利用Hadoop集群对火电大数据进行分布式存储，并结合Spark计算框架对 火电大数据进行数据挖掘，从而建立各个监测点的负荷模型；具体包括以下步骤：

步骤1：预处理：准备各个测量点的训练数据和初始数据，并对数据进行归一化预处理；

步骤2：确定神经网络的拓扑机构；

步骤3：根据神经网络的拓扑结构，确定粒子的维数D，即

D＝q×(n+m+1)+m (1)

式(1)中，n，q和m分别为输入层、隐含层和输出层节点数；

步骤4：设置随机产生Ni个粒子的初始位置X_l(0)和初始速度V_l(0)，具体如公式(2)、(3)

X_l(0)＝rand(Ni，D) (2)

V_l(0)＝rand(Ni，D) (3)

步骤5：定义各个粒子的适应值目标函数f(X_l)为：

式(4)中，Ni为粒子数，m为输出层神经元数，N为训练样本个数；t^p和z^p分别表示 第p个样本的期望输出和实际输出，可由式(5)求得；

步骤6：根据式(4)计算每个粒子的适应值；

步骤7：确定k代每一个粒子所经过的最好适应值位置pbest以及群体所有粒子所经历过的最 好适应值位置gbest；具体为：

步骤8：利用公式(6)和(7)更新各粒子的速度和位置：